CN117333233A - 一种基于ai的目标导向电子商务广告推送方法 - Google Patents

Abstract

本申请提供一种基于AI的目标导向电子商务广告推送方法，包括：获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表；根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容；根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略；获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分；若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限；基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上。

Description

一种基于AI的目标导向电子商务广告推送方法

技术领域

本发明涉及信息技术领域，尤其涉及一种基于AI的目标导向电子商务广告推送方法。

背景技术

随着电子商务平台的迅速发展，用户数量不断增加，竞争也越来越激烈。然而，现有的电子商务平台在用户体验和广告效果方面存在一些问题。首先，用户在平台上面临大量的商品选择，很难找到符合自己需求的商品。电子商务平台上的商品种类繁多，数量庞大，用户很容易被大量的商品信息淹没。用户需要花费大量时间和精力筛选和比较各种商品，这对于广大消费者来说是一项繁琐的任务。不同的用户具有不同的购物偏好和需求，每个人对商品的要求也各不相同。有的用户关注品质，有的用户注重价格，有的用户追求时尚潮流等。电子商务平台上的通用推荐系统往往无法满足所有用户的个性化需求，导致用户难以快速找到符合自己要求的商品。其次，广告投放内容往往与用户的实际需求不匹配，导致广告的点击率和转化率较低。广告平台在进行广告投放时，可能没有对用户进行精准的定位。缺乏对用户兴趣、偏好和消费行为等信息的准确了解，会导致广告投放给了与目标受众不相符的用户群体，从而使广告内容与用户实际需求不匹配。此外，平台上可能存在一些不诚信的卖家或买家，给用户的交易安全性带来风险。在电子商务平台上购物存在信任问题，用户可能担心商品质量、售后服务、物流速度等方面的问题。这会进一步增加用户的选择困难，因为用户不仅需要选择商品，还需要考虑平台和商家的信誉度。

发明内容

本发明提供了一种基于AI的目标导向电子商务广告推送方法，主要包括：

获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表；根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容；根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略；获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分；若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限；根据所述诚信度评分，对所述第一广告投放策略优化，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略；基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上。

进一步可选的，所述获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表，包括：

获取用户在电子商务平台的数据，所述用户在电子商务平台的数据包括搜索数据、浏览行为数据、用户购物车添加与移除商品数据、用户与客服互动数据、询问内容记录数据、长期兴趣数据、广告点击数据和用户评价、评论与反馈数据；将所述搜索数据与历史购买数据进行对比，筛选用户近期最关心或感兴趣的商品类型，所述搜索数据包括用户搜索关键词与时长；根据所述浏览行为数据，筛选用户最关心或感兴趣的商品或类别，并结合所述用户数据，根据所述搜索数据和所述浏览行为数据确定的相同商品，确定推荐商品列表，所述浏览行为数据包括用户页面浏览停留时间及行为轨迹；通过所述用户购物车添加与移除商品数据，与所述浏览行为数据结合，筛选瞬时需求商品，将所述瞬时需求商品并加入所述推荐商品列表；从所述用户与客服互动数据和询问内容记录数据中，提取频次询问高于预设频次询问的商品或类别，将频次询问高于预设频次询问类别的商品和具体商品加入所述推荐商品列表；将所述长期兴趣数据与客服互动数据对比，确定用户长期对部分商品的兴趣，所述长期兴趣数据包括用户关注、收藏的商品与店铺数据；通过所述广告点击数据与所述长期兴趣数据进行结合，筛选用户感兴趣的促销或新商品，所述广告点击数据包括点击广告的频率与内容；根据所述用户评价、评论与反馈数据，排除所述推荐商品列表中评分低于预设评分阈值的商品，完成推荐商品列表的生成。

进一步可选的，所述根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容，包括：

获取所述用户在电子商务平台的数据，构建用户-广告矩阵或用户-项目矩阵；基于所述用户-广告矩阵或用户-项目矩阵，使用皮尔逊相关系数或余弦相似度，计算用户之间的相似度；根据相似度计算的结果，选择与目标用户最相似的至少一个用户作为邻居用户；根据邻居用户的所述用户在电子商务平台的数据和相似度权重，计算目标用户对广告的喜好程度；根据预测的用户喜好程度，按照预设排序规则，得到符合用户偏好的广告内容；定期更新所述用户-广告矩阵或用户-项目矩阵，并根据新的用户在电子商务平台的数据重新计算相似度和预测喜好程度。

进一步可选的，所述根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略，包括：

获取广告被点击的次数和广告被展示的次数，计算出广告的点击率；追踪用户通过广告进行的预期行为，计算广告的转化率，所述预期行为包括购买产品或注册账户；定期监测广告的点击率和转化率，进行A/B测试，并根据数据反馈进行持续优化；结合定向投放和广告排期，在与目标受众匹配的时段进行投放；通过计算广告投入的成本和收入，确定广告的投资回报率，并根据广告投入结果调整投放策略和预算分配，得到第一广告投放策略。

进一步可选的，所述获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分，包括：

获取卖家交易历史数据和买家交易历史数据，所述卖家交易历史数据包括卖家的交易成功率、交易纠纷率、被评价情况和售后服务质量，所述交易历史数据包括买家的交易频率、评价情况和投诉记录；对所述卖家诚信度数据和买家诚信度数据，进行清洗和预处理，所述清洗和预处理包括去除重复数据、处理缺失值和异常值，并进行数据格式的统一化；使用线性支持向量机，分别建立卖家诚信度评分模型和买家诚信度评分模型；使用训练好的所述卖家诚信度评分模型和所述买家诚信度评分模型，对新的卖家和买家数据进行评分。

进一步可选的，所述若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限，包括：

通过比较卖家和买家的诚信度分数与预设诚信度阈值，判断卖家和买家的诚信度是否低于预设阈值；若卖家的诚信度低于预设阈值，则发送对应通知给卖家，将该卖家的账号禁用或冻结，对该卖家的商品列表的隐藏或删除操作；若买家的诚信度低于预设阈值，则发送对应通知给买家，将该买家的账号禁用或者冻结，限制该买家的交易权限。

进一步可选的，所述根据所述诚信度评分，对所述第一广告投放策略优化，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略，包括：

根据所述诚信度评分，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略；定期更新所述诚信度评分，并重新推送高于预设用户诚信度阈值的卖家广告。

进一步可选的，所述基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上，包括：

通过第二广告投放策略，确定要发布的最新广告内容，所述最新广告内容包括文字、图片和视频；将最新广告内容上传到广告系统中；通过电子商务平台的接口与广告系统进行对接，将广告系统中的广告内容实时同步到电子商务平台中；跟踪广告的点击率、转化率和ROI指标，评估广告的效果，并进行优化，所述优化包括优化广告的设计和文字、优化营销路径和用户体验或调整广告投入和收益的比例。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明公开了一种融合多项技术的方法，用于获取用户在电子商务平台的数据，并分析用户的购物偏好和潜在需求，以得到推荐商品列表。同时，该方法还可以根据用户的数据筛选和优化广告内容，以提供符合用户偏好的广告。通过对符合用户偏好的广告进行评估和优化，得到第一广告投放策略。此外，该方法还能够获取卖家和买家的交易历史数据，并对其进行诚信度评分。如果卖家或买家的诚信度评分低于预设诚信度阈值，系统会自动屏蔽该卖家或买家，限制其交易权限。根据诚信度评分结果，对第一广告投放策略进行优化，只推送高于预设用户诚信度阈值的卖家广告，从而得到第二广告投放策略。最后，基于第二广告投放策略，系统会自动将广告内容更新到电子商务平台上。

通过融合以上技术，能够有效提升电子商务平台的用户体验和交易安全性。

附图说明

图1为本发明的一种基于AI的目标导向电子商务广告推送方法的流程图。

图2为本发明的一种基于AI的目标导向电子商务广告推送方法的示意图。

图3为本发明的一种基于AI的目标导向电子商务广告推送方法的又一示意图。

具体实施方式

为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

本实施例一种基于AI的目标导向电子商务广告推送方法具体可以包括：

S101、获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表。

获取用户在电子商务平台的数据，所述用户在电子商务平台的数据包括搜索数据、浏览行为数据、用户购物车添加与移除商品数据、用户与客服互动数据、询问内容记录数据、长期兴趣数据、广告点击数据和用户评价、评论与反馈数据。将所述搜索数据与历史购买数据进行对比，筛选用户近期最关心或感兴趣的商品类型，所述搜索数据包括用户搜索关键词与时长。根据所述浏览行为数据，筛选用户最关心或感兴趣的商品或类别，并结合所述用户数据，根据所述搜索数据和所述浏览行为数据确定的相同商品，确定推荐商品列表，所述浏览行为数据包括用户页面浏览停留时间及行为轨迹。通过所述用户购物车添加与移除商品数据，与所述浏览行为数据结合，筛选瞬时需求商品，将所述瞬时需求商品并加入所述推荐商品列表。从所述用户与客服互动数据和询问内容记录数据中，提取频次询问高于预设频次询问的商品或类别，将频次询问高于预设频次询问类别的商品和具体商品加入所述推荐商品列表。将所述长期兴趣数据与客服互动数据对比，确定用户长期对部分商品的兴趣，所述长期兴趣数据包括用户关注、收藏的商品与店铺数据。通过所述广告点击数据与所述长期兴趣数据进行结合，筛选用户感兴趣的促销或新商品，所述广告点击数据包括点击广告的频率与内容。根据所述用户评价、评论与反馈数据，排除所述推荐商品列表中评分低于预设评分阈值的商品，完成推荐商品列表的生成。例如，在电子商务平台中，用户的搜索数据包括搜索关键词和搜索时长。用户搜索了关键词"运动鞋"，并在平台上花费了5分钟进行搜索。历史购买数据显示该用户过去购买了一双运动鞋。根据搜索数据和历史购买数据的对比，可以得出用户最关心或感兴趣的商品类型是运动鞋。接下来，根据浏览行为数据，包括用户页面浏览停留时间和行为轨迹，可以确定用户最关心或感兴趣的具体商品或类别。用户在平台上浏览了多个运动鞋页面，并停留时间较长，那么可以确定用户对这些运动鞋很感兴趣。结合搜索数据和浏览行为数据，可以确定推荐商品列表。根据搜索数据找到用户关心的运动鞋类型，再根据浏览行为数据找到用户感兴趣的具体商品，将这些商品加入推荐商品列表。此外，用户购物车添加与移除商品数据也可以帮助筛选出用户的瞬时需求商品。用户将一双运动鞋添加到购物车，然后又将一双裤子从购物车中移除，那么可以确定用户对运动鞋的瞬时需求较高。将这些瞬时需求商品加入推荐商品列表。用户与客服互动数据和询问内容记录数据可以提取出频次询问较高的商品或类别。根据用户与客服的互动数据和询问内容记录数据，发现该用户频繁询问关于运动鞋的问题，那么可以将这些频次询问较高的商品或类别加入推荐商品列表。长期兴趣数据，包括用户关注和收藏的商品与店铺数据，可以与客服互动数据进行对比，确定用户长期对部分商品的兴趣。用户长期关注和收藏运动鞋相关的商品和店铺，那么可以确定用户对这些商品的长期兴趣，并将它们加入推荐商品列表。广告点击数据可以与长期兴趣数据结合，筛选出用户感兴趣的促销或新商品。用户频繁点击关于运动鞋促销的广告，那么可以确定用户对这些促销或新商品感兴趣，并将它们加入推荐商品列表。最后，根据用户评价、评论与反馈数据，可以排除推荐商品列表中评分低于预设评分阈值的商品。用户评价和评论显示某些运动鞋的评分较低，那么可以将这些商品从推荐商品列表中排除，完成推荐商品列表的生成。

S102、根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容。

获取所述用户在电子商务平台的数据，构建用户-广告矩阵或用户-项目矩阵。基于所述用户-广告矩阵或用户-项目矩阵，使用皮尔逊相关系数或余弦相似度，计算用户之间的相似度。根据相似度计算的结果，选择与目标用户最相似的至少一个用户作为邻居用户。根据邻居用户的所述用户在电子商务平台的数据和相似度权重，计算目标用户对广告的喜好程度。根据预测的用户喜好程度，按照预设排序规则，得到符合用户偏好的广告内容。定期更新所述用户-广告矩阵或用户-项目矩阵，并根据新的用户在电子商务平台的数据重新计算相似度和预测喜好程度。例如，有一个电子商务平台，用户A在该平台上购买了电子产品。想要获取用户A在该平台上的数据，并构建用户-广告矩阵或用户-项目矩阵。用户A在该平台上购买了电子产品，可以从平台数据库中获取用户A在该平台上的购买记录，包括购买时间、购买金额、购买的电子产品种类等。为了构建用户-广告矩阵或用户-项目矩阵，需要将用户A的购买记录与广告信息进行匹配。可以将用户A购买的电子产品与广告中的电子产品进行匹配。为了计算用户之间的相似度，可以使用皮尔逊相关系数或余弦相似度。可以计算用户A与平台上的其他用户之间的皮尔逊相关系数，以衡量他们之间的相似度。根据相似度计算的结果，可以选择与目标用户最相似的至少一个用户作为邻居用户。如果用户A与用户B的相似度最高，可以选择用户B作为邻居用户。可以根据邻居用户的用户在电子商务平台的数据和相似度权重，计算目标用户对广告的喜好程度。如果用户A与用户B的相似度最高，并且用户B在电子商务平台上有购买过广告，可以推测用户A可能也会对广告感兴趣。按照预设排序规则，得到符合用户偏好的广告内容：根据预测的用户喜好程度，可以按照预设的排序规则，得到符合用户偏好的广告内容。如果用户A对广告感兴趣，可以将广告内容按照预设的排序规则排在前面。为了保持用户-广告矩阵或用户-项目矩阵的准确性，需要定期更新该矩阵，并根据新的用户在电子商务平台的数据重新计算相似度和预测喜好程度。如果用户A在电子商务平台上购买了新的电子产品，可以更新用户-广告矩阵或用户-项目矩阵，并重新计算相似度和预测喜好程度。

S103、根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略。

获取广告被点击的次数和广告被展示的次数，计算出广告的点击率。追踪用户通过广告进行的预期行为，计算广告的转化率，所述预期行为包括购买产品或注册账户。定期监测广告的点击率和转化率，进行A/B测试，并根据数据反馈进行持续优化。结合定向投放和广告排期，在与目标受众匹配的时段进行投放。通过计算广告投入的成本和收入，确定广告的投资回报率，并根据广告投入结果调整投放策略和预算分配，得到第一广告投放策略。例如，某广告在一周内被展示了1000次，被点击了50次。则广告的点击率为50/1000＝0.05，即5％。进一步这50次点击中，有10次用户购买了产品或注册了账户。则广告的转化率为10/50＝0.2，即20％。为了持续优化广告效果，进行A/B测试。投放两个不同的广告版本，版本A和版本B，每个版本各展示500次。版本A被点击了30次，版本B被点击了40次。则版本A的CTR为30/500＝06，版本B的CTR为40/500＝08。可以看出，版本B的CTR更高，因此可以认为版本B相对更吸引用户点击。继续A/B测试，假设在版本B中有8次用户购买了产品或注册了账户，而在版本A中只有5次。则版本B的转化率为8/40＝0.2，版本A的转化率为5/30≈0.17。可以看出，版本B的转化率略高于版本A，因此可以认为版本B相对更能促使用户进行预期行为。为了进一步精确投放，根据目标受众的特征和行为习惯，确定在与他们匹配的时段进行广告投放。通过数据分析发现，目标受众在晚上8点至10点的时间段内活跃度高。因此，在这个时间段内进行广告投放，可以提高广告的曝光和点击率。根据广告投入的成本和收入，计算广告的投资回报率。广告投入成本为1000元，通过广告产生的收入为2000元。则广告的投资回报率为(2000-1000)/1000＝1，即100％。这意味着广告的回报是投入成本的两倍。根据广告投入结果调整投放策略和预算分配。如果第一广告投放策略的ROI高于预期，则可以考虑增加广告投放预算或继续使用类似的投放策略。如果投资回报率低于预期，则需要重新评估广告内容、定向投放策略等，并调整预算分配。

S104、获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分。

获取卖家交易历史数据和买家交易历史数据，所述卖家交易历史数据包括卖家的交易成功率、交易纠纷率、被评价情况和售后服务质量，所述交易历史数据包括买家的交易频率、评价情况和投诉记录。对所述卖家诚信度数据和买家诚信度数据，进行清洗和预处理，所述清洗和预处理包括去除重复数据、处理缺失值和异常值，并进行数据格式的统一化。使用线性支持向量机，分别建立卖家诚信度评分模型和买家诚信度评分模型。使用训练好的所述卖家诚信度评分模型和所述买家诚信度评分模型，对新的卖家和买家数据进行评分。例如，要获取某个卖家的交易历史数据，包括其交易成功率、交易纠纷率、被评价情况和售后服务质量。卖家A在过去的100笔交易中，有90笔交易成功，因此其交易成功率为90％。其中有2笔交易出现纠纷，所以其交易纠纷率为2％。该卖家在被评价情况中获得了80％的好评率。售后服务质量方面，该卖家处理了95％的售后问题并得到了顾客的满意评价。同样地，也需要获取某个买家的交易历史数据，包括其交易频率、评价情况和投诉记录。买家B在过去一年内进行了50笔交易，所以其交易频率为50次。在这些交易中，买家B收到了45次好评，因此好评率为90％。买家B没有投诉记录。在清洗和预处理数据时，需要去除重复数据，例如如果某个卖家的交易历史数据中有重复的记录，只保留一条即可。对于缺失值，例如某个买家的评价情况数据缺失，可以选择删除该买家的数据，或者用整体数据的平均值来填充缺失值。异常值的处理可以根据具体情况来决定，如果某个买家的交易频率明显异常，可以将其排除在外。使用线性支持向量机，可以分别建立卖家诚信度评分模型和买家诚信度评分模型。这些模型可以根据卖家和买家的历史数据进行训练，以预测其诚信度评分。使用卖家历史数据作为训练集，建立卖家诚信度评分模型。模型可以根据卖家的交易成功率、交易纠纷率、被评价情况和售后服务质量等特征，预测该卖家的诚信度评分。同样地，使用买家历史数据作为训练集，建立买家诚信度评分模型。模型可以根据买家的交易频率、评价情况和投诉记录等特征，预测该买家的诚信度评分。然后，可以使用这些训练好的卖家和买家诚信度评分模型，对新的卖家和买家数据进行评分。根据模型预测的结果，可以对卖家和买家进行诚信度排序和评估，以辅助决策制定、风险管理等业务需求。对于一个新的卖家C，可以使用卖家诚信度评分模型预测其诚信度得分为86。同样地，对于一个新的买家D，使用买家诚信度评分模型可以预测其诚信度得分为90。

S105、若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限。

通过比较卖家和买家的诚信度分数与预设诚信度阈值，判断卖家和买家的诚信度是否低于预设阈值。若卖家的诚信度低于预设阈值，则发送对应通知给卖家，将该卖家的账号禁用或冻结，对该卖家的商品列表的隐藏或删除操作。若买家的诚信度低于预设阈值，则发送对应通知给买家，将该买家的账号禁用或者冻结，限制该买家的交易权限。例如，卖家A的诚信度得分为80，买家B的诚信度得分为70，预设诚信度阈值为75。首先，比较卖家A的诚信度得分与预设阈值。由于卖家A的诚信度得分为80，高于预设阈值75，因此卖家A的诚信度不低于预设阈值，无需发送通知或进行其他操作。然后，比较买家B的诚信度得分与预设阈值。由于买家B的诚信度得分为70，低于预设阈值75，买家B的诚信度低于预设阈值。根据预设操作策略，需要发送通知给买家B，并对其账号进行禁用或冻结操作，并限制其交易权限。

S106、根据所述诚信度评分，对所述第一广告投放策略优化，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略。

示例性的，有一个预设的诚信度阈值，例如75分。如果一个卖家的诚信度评分高于75分，那么就可以推送这个卖家的广告。如果一个卖家的诚信度评分低于75分，那么就不会推送这个卖家的广告。一个卖家的诚信度评分为90分，高于预设的诚信度阈值。那么就可以推送这个卖家的广告。可以在每天的广告投放策略中，列出所有高于75分诚信度评分的卖家，然后将这些卖家作为推送的目标。另外，还需要定期更新诚信度评分。每个月都可以重新计算所有卖家的诚信度评分，然后根据新的评分来推送广告。在第二广告投放策略中，可以设定一个时间周期，例如每天推送一次广告。然后，可以在每天的广告投放策略中，列出所有高于75分诚信度评分的卖家，然后将这些卖家作为推送的目标。有一个预设的诚信度阈值，例如75分。如果一个卖家的诚信度评分高于75分，那么就可以推送这个卖家的广告。如果一个卖家的诚信度评分低于75分，那么就不会推送这个卖家的广告。一个卖家的诚信度评分为90分，高于预设的诚信度阈值。那么就可以推送这个卖家的广告。可以在每天的广告投放策略中，列出所有高于75分诚信度评分的卖家，然后将这些卖家作为推送的目标。另外，还需要定期更新诚信度评分。每个月都可以重新计算所有卖家的诚信度评分，然后根据新的评分来推送广告。在第二广告投放策略中，可以设定一个时间周期，例如每天推送一次广告。然后，可以在每天的广告投放策略中，列出所有高于75分诚信度评分的卖家，然后将这些卖家作为推送的目标。

S107、基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上。

示例性的，通过第二广告投放策略，确定要发布的最新广告内容，例如文字内容为“这款产品限时优惠，仅限今天购买”，图片内容为一张展示产品特性的图片，视频内容为一段介绍产品的视频。将最新广告内容上传到广告系统中。通过电子商务平台的接口与广告系统进行对接，使用API接口，将广告系统中的广告内容实时同步到电子商务平台中。跟踪广告的点击率、转化率和ROI指标，点击率从之前的1％提高到5％，转化率从之前的5％提高到10％，ROI从之前的10％提高到20％。评估广告的效果，通过对比同一时间段的广告数据，发现广告的点击率提高了2％，转化率提高了3％，ROI提高了1％。并进行优化，调整广告的设计和文字如将广告的文字内容改为“限时优惠，仅限今天”，图片内容改为一张展示产品特性的高清图片，视频内容改为一段简短且有力的产品介绍视频。优化营销路径和用户体验，优化产品页面设计，减少页面加载时间，提高页面响应速度，增加用户体验。调整广告投入和收益的比例，将广告预算从之前的10％提高到20％，收益从之前的10％提高到20％，实现更高的收益。通过第二广告投放策略，确定要发布的最新广告内容，例如文字内容为“这款产品限时优惠，仅限今天购买”，图片内容为一张展示产品特性的图片，视频内容为一段介绍产品的视频。将最新广告内容上传到广告系统中。通过电子商务平台的接口与广告系统进行对接，使用API接口，将广告系统中的广告内容实时同步到电子商务平台中。跟踪广告的点击率、转化率和ROI指标，点击率从之前的1％提高到5％，转化率从之前的5％提高到10％，ROI从之前的10％提高到20％。评估广告的效果，通过对比同一时间段的广告数据，发现广告的点击率提高了2％，转化率提高了3％，ROI提高了1％。并进行优化，调整广告的设计和文字如将广告的文字内容改为“限时优惠，仅限今天”，图片内容改为一张展示产品特性的高清图片，视频内容改为一段简短且有力的产品介绍视频。优化营销路径和用户体验，优化产品页面设计，减少页面加载时间，提高页面响应速度，增加用户体验。调整广告投入和收益的比例，将广告预算从之前的10％提高到20％，收益从之前的10％提高到20％，实现更高的收益。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种基于AI的目标导向电子商务广告推送方法，其特征在于，所述方法包括：

获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表；根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容；根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略；获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分；若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限；根据所述诚信度评分，对所述第一广告投放策略优化，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略；基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上。

2.根据权利要求1所述的方法，其中，所述获取用户在电子商务平台的数据，分析用户的购物偏好和潜在需求，得到推荐商品列表，包括:

获取用户在电子商务平台的数据，所述用户在电子商务平台的数据包括搜索数据、浏览行为数据、用户购物车添加与移除商品数据、用户与客服互动数据、询问内容记录数据、长期兴趣数据、广告点击数据和用户评价和评论与反馈数据；将所述搜索数据与历史购买数据进行对比，筛选用户近期最关心或感兴趣的商品类型，所述搜索数据包括用户搜索关键词与时长；根据所述浏览行为数据，筛选用户最关心或感兴趣的商品或类别，并结合所述用户数据，根据所述搜索数据和所述浏览行为数据确定的相同商品，确定推荐商品列表，所述浏览行为数据包括用户页面浏览停留时间及行为轨迹；通过所述用户购物车添加与移除商品数据，与所述浏览行为数据结合，筛选瞬时需求商品，将所述瞬时需求商品并加入所述推荐商品列表；从所述用户与客服互动数据和询问内容记录数据中，提取频次询问高于预设频次询问的商品或类别，将频次询问高于预设频次询问类别的商品和具体商品加入所述推荐商品列表；将所述长期兴趣数据与客服互动数据对比，确定用户长期对部分商品的兴趣，所述长期兴趣数据包括用户关注和收藏的商品与店铺数据；通过所述广告点击数据与所述长期兴趣数据进行结合，筛选用户感兴趣的促销或新商品，所述广告点击数据包括点击广告的频率与内容；根据所述用户评价和评论与反馈数据，排除所述推荐商品列表中评分低于预设评分阈值的商品，完成推荐商品列表的生成。

3.根据权利要求1所述的方法，其中，所述根据所述用户在电子商务平台的数据，筛选和优化广告内容，得到符合用户偏好的广告内容，包括:

获取所述用户在电子商务平台的数据，构建用户-广告矩阵或用户-项目矩阵；基于所述用户-广告矩阵或用户-项目矩阵，使用皮尔逊相关系数或余弦相似度，计算用户之间的相似度；根据相似度计算的结果，选择与目标用户最相似的至少一个用户作为邻居用户；根据邻居用户的所述用户在电子商务平台的数据和相似度权重，计算目标用户对广告的喜好程度；根据预测的用户喜好程度，按照预设排序规则，得到符合用户偏好的广告内容；定期更新所述用户-广告矩阵或用户-项目矩阵，并根据新的用户在电子商务平台的数据重新计算相似度和预测喜好程度。

4.根据权利要求1所述的方法，其中，所述根据所述符合用户偏好的广告内容，评估广告投放效果并进行优化，得到第一广告投放策略，包括:

获取广告被点击的次数和广告被展示的次数，计算出广告的点击率；追踪用户通过广告进行的预期行为，计算广告的转化率，所述预期行为包括购买产品或注册账户；定期监测广告的点击率和转化率，进行A/B测试，并根据数据反馈进行持续优化；结合定向投放和广告排期，在与目标受众匹配的时段进行投放；通过计算广告投入的成本和收入，确定广告的投资回报率，并根据广告投入结果调整投放策略和预算分配，得到第一广告投放策略。

5.根据权利要求1所述的方法，其中，所述获取卖家交易历史数据和买家交易历史数据，对卖家和买家进行诚信度评分，包括:

获取卖家交易历史数据和买家交易历史数据，所述卖家交易历史数据包括卖家的交易成功率、交易纠纷率、被评价情况和售后服务质量，所述交易历史数据包括买家的交易频率、评价情况和投诉记录；对所述卖家诚信度数据和买家诚信度数据，进行清洗和预处理，所述清洗和预处理包括去除重复数据、处理缺失值和异常值，并进行数据格式的统一化；使用线性支持向量机，分别建立卖家诚信度评分模型和买家诚信度评分模型；使用训练好的所述卖家诚信度评分模型和所述买家诚信度评分模型，对新的卖家和买家数据进行评分。

6.根据权利要求1所述的方法，其中，所述若卖家或买家的诚信度评分低于预设诚信度阈值，自动屏蔽该卖家或买家，限制其交易权限，包括:

通过比较卖家和买家的诚信度分数与预设诚信度阈值，判断卖家和买家的诚信度是否低于预设阈值；若卖家的诚信度低于预设阈值，则发送对应通知给卖家，将该卖家的账号禁用或冻结，对该卖家的商品列表的隐藏或删除操作；若买家的诚信度低于预设阈值，则发送对应通知给买家，将该买家的账号禁用或者冻结，限制该买家的交易权限。

7.根据权利要求1所述的方法，其中，所述根据所述诚信度评分，对所述第一广告投放策略优化，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略，包括:

根据所述诚信度评分，只推送高于预设用户诚信度阈值的卖家广告，得到第二广告投放策略；定期更新所述诚信度评分，并重新推送高于预设用户诚信度阈值的卖家广告。

8.根据权利要求1所述的方法，其中，所述基于所述第二广告投放策略，自动将广告内容更新到电子商务平台上，包括:

通过第二广告投放策略，确定要发布的最新广告内容，所述最新广告内容包括文字、图片和视频；将最新广告内容上传到广告系统中；通过电子商务平台的接口与广告系统进行对接，将广告系统中的广告内容实时同步到电子商务平台中；跟踪广告的点击率、转化率和ROI指标，评估广告的效果，并进行优化，所述优化包括优化广告的设计和文字、优化营销路径和用户体验或调整广告投入和收益的比例。