WO2020192013A1 - 定向广告投放方法和装置、设备及存储介质 - Google Patents

定向广告投放方法和装置、设备及存储介质 Download PDF

Info

Publication number
WO2020192013A1
WO2020192013A1 PCT/CN2019/103608 CN2019103608W WO2020192013A1 WO 2020192013 A1 WO2020192013 A1 WO 2020192013A1 CN 2019103608 W CN2019103608 W CN 2019103608W WO 2020192013 A1 WO2020192013 A1 WO 2020192013A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
similarity
vector
score
advertisement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2019/103608
Other languages
English (en)
French (fr)
Inventor
刘继宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020192013A1 publication Critical patent/WO2020192013A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Definitions

  • This application relates to artificial intelligence, and in particular to a method and device, equipment and storage medium for targeted advertisement placement.
  • Push technology refers to the technology that sends information to users via the Internet according to certain sending rules and related standards and protocols.
  • E-commerce manufacturers have pushed various types of information to users' smart mobile terminals.
  • current targeted advertising is basically based on user interests or tags to target the crowd; and the target customer group belongs to the behavior of most people in the group, which will make the coverage of the target customer group very low.
  • financial product users have relatively low user behavior data richness, which leads to certain challenges in mining user interests and tags.
  • the target customer group often does not have very clear boundaries and distinctions. It is difficult to use the user's individual interests and tags to delineate the target customer group.
  • this application provides a targeted advertisement placement method applied to electronic equipment, including:
  • the user interest is classified into the corresponding tag to obtain the user tag vector
  • the user refers to the current advertisement shown to the user called exposure, and then uses cosine similarity and Euclidean Distance is used to calculate the similarity of any two user behavior vectors, to obtain cosine behavior similarity and distance behavior similarity, and use linear weighting to calculate score2;
  • W1, W2, W3 are weight coefficients
  • T is the activation function
  • X is a feature
  • X i *X j *X K is the third-order feature interaction
  • M1 and M2 are coefficients
  • This application also provides a targeted advertisement placement device, which is characterized in that it includes:
  • the user similarity acquisition module uses the obtained user behavior vector, user label vector, and user vector to obtain corresponding scores through XGBOOST, SVM, and GBDT respectively as the input of FM, and converts the leaf nodes corresponding to the same user vector of GBDT to polynomial transformation Expand the number of leaf nodes, and input the sum of the expanded leaf node values corresponding to the same user vector as the score to FM to obtain score5.
  • the calculation formula is as follows:
  • Step S40 linearly weight score1, score2, and score3 to obtain user similarity score4,
  • l() represents the training error
  • y m is the actual score of the m-th sample
  • Enter the XGBOOST model for the mth sample K represents a total of K trees
  • k represents the k-th tree
  • p represents the number of training samples
  • m represents the m-th sample
  • a correction coefficient is further provided, and the correction coefficient is determined according to whether the user clicks on the advertisement or not to forward or delete it, wherein 1 point is added for the user to forward the advertisement, and 1 point is reduced for the user to delete the advertisement.
  • the location coordinates of the user are also detected, and the advertisement is pushed according to the distance between the location coordinates of the advertisement delegator and the location coordinates of the user, and the distance from the user's advertisement delegator is from near to far.
  • the advertisement client here refers to all suppliers who can provide product display. For example, a shopping mall, although the shopping mall does not produce sofas, but the shopping malls will advertise sofas, so the mall is the above-mentioned advertising commissioner, of course, if the sofa manufacturer also provides product display, then it can also be added to the advertising commissioner in.
  • the advertisement may involve some virtual products, such as wealth management funds, stock recommendations, etc., or some physical products, such as sofas, televisions, etc.
  • the memory 21 includes at least one type of computer-readable storage medium, and the readable storage medium includes flash memory, hard disk, multimedia card, card-type memory (for example, SD or DX memory, etc.), random access memory (RAM) ), static random access memory (SRAM), read only memory (ROM), electrically erasable programmable read only memory (EEPROM), programmable read only memory (PROM), magnetic memory, magnetic disks, optical disks, etc.
  • the memory 21 may be an internal storage unit of the electronic device 2, for example, a hard disk or a memory of the electronic device 2.
  • the memory 21 containing a readable storage medium may include an operating system, a targeted advertisement placement program 50, and the like.
  • the processor 22 implements the following steps when executing the targeted advertisement placement program 50 in the memory 21:
  • userA i represents the i-th component of the user vector of user A
  • userB i represents the i-th component of the user vector of user B obtained by the algorithm
  • n is the dimension of the user vector.
  • Step S40 linearly weight score1, score2, and score3 to obtain user similarity score4,
  • W1, W2, W3 are weight coefficients
  • X i *X j *X K is the third-order feature interaction
  • M1 and M2 are coefficients
  • the final user similarity is compared with the similarity threshold, and users higher than the similarity threshold are selected as the target customer group.
  • the user interest similarity acquisition module 501 is used to classify the user interest into corresponding tags according to the user interest and tag data and to classify the user interest into the corresponding tag to obtain the user tag vector.
  • the user behavior vector similarity acquisition module 502 is used to obtain a user’s scoring matrix for advertising preferences based on user exposure and click behavior scores to form a user behavior vector, where user exposure refers to the current display of an advertisement to the user, which is called exposure.
  • the user vector similarity acquisition module 503 is used to model the user behavior vector using the alternating least squares algorithm, and use the stochastic gradient descent optimization algorithm to solve the user behavior vector to obtain the user vector and the advertising vector, and use the cosine similarity to calculate any two
  • the similarity of the user vectors of each user is obtained by score3, the formula is as follows:
  • userA i represents the i-th component of the user vector of user A
  • userB i represents the i-th component of the user vector of user B obtained by the algorithm
  • n is the dimension of the user vector.
  • the user similarity acquisition module 504 is configured to linearly weight score1, score2, and score3 to obtain user similarity score4,
  • the user similarity acquisition module 504 also passes the obtained user behavior vector, user label vector, and user vector to obtain corresponding scores through XGBOOST, SVM, and GBDT respectively, as the input of FM, and uses the leaf nodes corresponding to the same user vector of GBDT as a polynomial Transform the number of expanded leaf nodes, and input the sum of the expanded leaf node values corresponding to the same user vector as the score to FM to obtain score5.
  • the calculation formula is as follows:
  • T is the activation function
  • X is a feature
  • X i *X j *X K is the third-order feature interaction
  • V 1 , Vi ij , V ijk , V ijkl are weight coefficients
  • M1 and M2 are coefficients
  • the similarity threshold comparison module 505 is used to compare the final user similarity with the similarity threshold, and select users higher than the similarity threshold as the target customer group.
  • this application also provides a targeted advertisement placement device, including:
  • the user interest similarity acquisition module 501 is used to classify the user interest into corresponding tags according to the user interest and tag data and to classify the user interest into the corresponding tag to obtain the user tag vector,
  • the user behavior vector similarity acquisition module 502 is used to obtain the user’s ad preference score matrix according to the user’s exposure and click behavior scores to form a user behavior vector, where user exposure refers to the current advertisement displayed to the user, which is called exposure , And then use cosine similarity and Euclidean distance to calculate the similarity of any two user behavior vectors, obtain cosine behavior similarity and distance behavior similarity, and use linear weighting to calculate score2;
  • the user vector similarity acquisition module 503 is used to model the user behavior vector using the alternating least squares algorithm, and use the stochastic gradient descent optimization algorithm to solve the user behavior vector to obtain the user vector and the advertisement vector, and use the cosine similarity to calculate arbitrary
  • the similarity of the user vectors of the two users is score3;
  • the user similarity acquisition module 504 is configured to linearly weight score1, score2, and score3 to obtain user similarity score4,
  • W1, W2, W3 are weight coefficients
  • the user similarity acquisition module 505 uses the obtained user behavior vector, user label vector, and user vector to obtain corresponding scores through XGBOOST, SVM, and GBDT, respectively, as the input of FM, and uses the leaf nodes corresponding to the same user vector of GBDT as a polynomial
  • the number of expanded leaf nodes is transformed, and the sum of the expanded leaf node values corresponding to the same user vector is also input into FM as a score, thereby improving the accuracy of the model, and obtaining score5, the calculation formula is as follows:
  • T is the activation function
  • X is a feature
  • X i *X j *X K is the third-order feature interaction
  • V 1 , Vi ij , V ijk , V ijkl are weight coefficients
  • M1 and M2 are coefficients
  • the similarity threshold comparison module is used to compare the final user similarity with the similarity threshold, and select users higher than the similarity threshold as the target customer group.
  • the embodiments of the present application also propose a computer-readable storage medium, which may be a hard disk, a multimedia card, an SD card, a flash memory card, an SMC, a read-only memory (ROM), an erasable programmable Any one or any combination of read-only memory (EPROM), portable compact disk read-only memory (CD-ROM), USB memory, etc.
  • the computer-readable storage medium includes a targeted advertisement placement program, etc., when the targeted advertisement placement program 50 is executed by the processor 22, the following operations are implemented:
  • Step S10 classify the user interest into the corresponding tag for the tag to which the user interest belongs, obtain the user tag vector, and use the cosine similarity and Euclidean distance to calculate any two user tags The similarity of the vector, obtain the cosine interest similarity and distance interest similarity, and use linear weighting to calculate score1;
  • Step S20 According to the user exposure and click behavior scores, the user’s preference score matrix for advertisements is obtained to form a user behavior vector.
  • User exposure refers to the current advertisement displayed to the user as exposure, and then uses cosine similarity and European Calculate the similarity of any two user behavior vectors by using the distance between them to obtain the cosine behavior similarity and distance behavior similarity, and use linear weighting to calculate score2;
  • step S30 the user behavior vector is modeled by the alternating least squares algorithm, and the user behavior vector is solved by the stochastic gradient descent optimization algorithm to obtain the user vector and the advertisement vector, and the cosine similarity is used to calculate the similarity of the user vector of any two users Degree, get score3, the formula is as follows:
  • userA i represents the i-th component of the user vector of user A
  • userB i represents the i-th component of the user vector of user B obtained by the algorithm
  • n is the dimension of the user vector.
  • Step S40 linearly weight score1, score2, and score3 to obtain user similarity score4,
  • W1, W2, W3 are weight coefficients
  • Step S50 Use the obtained user behavior vector, user label vector, and user vector to obtain corresponding scores through XGBOOST, SVM, and GBDT, respectively, as the input of FM, and use the leaf node corresponding to the same user vector of GBDT to expand the leaf node by polynomial transformation
  • the sum of the values of the expanded leaf nodes corresponding to the same user vector is also input into the FM as the score to improve the accuracy of the model, and score5 is obtained.
  • the calculation formula is as follows:
  • T is the activation function
  • X is a feature
  • X i *X j *X K is the third-order feature interaction
  • V 1 , Vi ij , V ijk , V ijkl are weight coefficients
  • M1 and M2 are coefficients
  • the final user similarity is compared with the similarity threshold, and users higher than the similarity threshold are selected as the target customer group.
  • the specific implementation of the computer-readable storage medium of the present application is substantially the same as the specific implementation of the targeted advertisement placement method and the electronic device 2 described above, and will not be repeated here.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种定向广告投放方法和装置、设备及存储介质，方法包括：计算两个用户的标签向量的相似度，获得分值1；计算两个用户行为向量的相似度，得到分值2；利用交替最小二乘算法对用户向量建模，并通过随机梯度下降优化算法，得到用户向量和广告向量，并计算两个用户的用户向量的相似度，得到分值3，对分值1至分值3线性加权得到分值4。将用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，得到分值5，再对分值4和分值5进行加权组合，输出最终的用户相似度，将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。

Description

定向广告投放方法和装置、设备及存储介质
本申请要求于2019年3月27日提交的中国专利申请号201910238703.0的优先权益，上述案件全部内容以引用的方式并入本文中。
技术领域
本申请涉及人工智能，具体地说，涉及一种定向广告投放方法和装置、设备及存储介质。
背景技术
随着网络技术的发展，社交网络成为了重要的交流平台之一。消息推送得到了越来越多的应用。推送技术是指根据一定的发送规则，依据相关的标准和协议通过互联网向用户发送信息的技术。电子商务厂商纷纷向用户的智能移动终端上推送各类信息。然而目前定向广告基本上是根据用户的兴趣或者标签来进行人群定向；而目标客群是属于群体中绝大部分人都具备的行为，这会使得目标客群的覆盖率非常低。由于金融产品用户相对互联网用户，用户行为数据丰富度较低，从而导致挖掘用户的兴趣和标签的方法存在一定的挑战性。真实场景下，目标客群往往没有非常清晰的界限和区分性，很难利用用户的单个兴趣和标签圈定目标客群。
发明内容
为解决以上技术问题，本申请提供一种定向广告投放方法，应用于电子设备，包括：
根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score(分值)1；
根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的 相似度，得到score3；
对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，从而提升模型的精度，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
本申请还提供一种定向广告投放装置，其特征在于，包括：
用户兴趣相似度获取模块，用于根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
用户行为向量相似度获取模块，用于根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
用户向量的相似度获取模块，用于利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似 度计算任意两个用户的用户向量的相似度，得到score3；
用户相似度获取模块，用于对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
用户相似度获取模块，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
相似度阈值比较模块，用于将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
本申请还提供一种电子设备，该电子设备包括：存储器和处理器，所述存储器中存储有定向广告投放程序，所述定向广告投放程序被所述处理器执行时实现如下步骤：
(1)根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
(2)根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
(3)利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户 向量的相似度，得到score3；
(4)对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
(5)将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现以上所述的定向广告投放方法。
本申请的定向广告投放方法和装置、设备及存储介质提升了目标客群的覆盖率，能带来更多有价值的目标客群。本申请不仅利用用户兴趣标签数据和用户行为数据，还能够挖掘用户和广告潜在的关联关系，从而提升了金融用户数据的丰富度，提高算法的精确度。采用多模型融合更加具有通用性。
附图说明
通过结合下面附图对其实施例进行描述，本申请的上述特征和技术优点将会变得更加清楚和容易理解。
图1是本申请实施例的定向广告投放方法的流程示意图；
图2是本申请实施例的电子设备的硬件架构示意图；
图3是本申请实施例的定向广告投放程序的模块构成图。
具体实施方式
下面将参考附图来描述本申请所述的定向广告投放方法和装置、设备及存储介质的实施例。本领域的普通技术人员可以认识到，在不偏离本申请的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
图1为本申请实施例提供的定向广告投放方法的流程示意图。该方法包括以下步骤：
步骤S10，根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量。其中用户兴趣可以是基于用户的基本信息获得的用户兴趣，例如根据用户注册时填写的职业、爱好、居住地等信息推算出的用户兴趣，当然还可以包括是针对用户历史浏览、点击等行为获得的用户兴趣。而针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量。例如，定投、保底、货币型基金对应的标签是稳健型。股票、外汇、期货对应着高风险型。那么针对每个用户，都可以根据用户兴趣和对应的标签数据，得到用户标签向量。
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1。
步骤S20，根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光。所述偏好就是指用户喜不喜欢该广告(即点击或不点击)，并根据点击情况给出分值，通过这样评分得到用户对所有广告的评分矩阵。然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
步骤S30，利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，从而挖掘用户、广告及其之间的潜在关联关系。其中，用户向量表示与广告特征相关的用户信息。例如，广告特征是电影，用户信息可能是喜欢言情、经常看电影等。大大提升了刻画用户和广告数据维度的丰富度。并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3，其公式如下：
Figure PCTCN2019103608-appb-000001
其中，userA i表示得到用户A的用户向量的第i个分量；userB i表示算法求解得到用户B的用户向量的第i个分量；n是用户向量的维度。
步骤S40，对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
步骤S50，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST(极端梯度上升)、SVM(支持向量机)、GBDT(梯度提升树)得到相应的分数作为FM(因式分解机)的输入。其中，将GBDT的叶子节点，并作多项式变换之后，同样也作为FM的输入，FM输出score5，从而提升模型的精度，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
进一步地，欧几里得距离计算公式如下：
Figure PCTCN2019103608-appb-000002
其中，userA表示用户A的用户向量；
userB表示用户B的用户向量；
n表示用户向量的维度；
i表示第i个维度；
d(userA，userB)表示用户A与用户B之间的距离。
进一步地，各用户行为向量经过XGBOOST得到相应的分数的过程是：
根据预设的用户行为特征将各用户行为向量划分到多颗回归树的叶子节点，组成XGBOOST模型
Figure PCTCN2019103608-appb-000003
其中预设的用户行为特征可以是例如用户浏览推送信息的特征，用户检索信息的特征，用户收藏信息的特征等。根据这些特征分别构建回归树，则多颗回归树组成XGBOOST模型
Figure PCTCN2019103608-appb-000004
Figure PCTCN2019103608-appb-000005
F对应所有回归树组成的函数空间，x b表示一棵树中与第b个用户行为向量对应的所有节点的分值，
构建目标函数Obj，利用梯度下降法使得目标函数最小化，获得XGBOOST模型，
Figure PCTCN2019103608-appb-000006
其中，l()表示训练误差，y m为第m个样本的实际分数，
Figure PCTCN2019103608-appb-000007
为第m个样本输入XGBOOST模型
Figure PCTCN2019103608-appb-000008
的预测分数，K表示共K棵树，k表示第k棵树，p表示训练样本数量，m表示第m个样本，
Figure PCTCN2019103608-appb-000009
表示正则化项，利用XGBOOST模型获得各用户行为向量所在的各分类树的叶子节点的值的和分别作为该用户行为向量对应的分数。
进一步地，各用户标签向量经过GBDT得到相应的分数的过程是：
构建分类树以及叶子节点，其中，把用户标签向量相近的作为同一叶子节点，并以叶子节点的平均值作为预测值，计算各叶子节点的实际分数与预测分数的残差，按照各残差的相近程度划分下一棵分类树的叶子节点，持续进行分类树的划分，直至残差小于预设的阈值，将各用户标签向量所在的各分类树的叶子节点的平均值的和分别作为该用户标签向量对应的分数。
进一步地，使用preproccessing库的PolynomialFeatures类对叶子节点进行多项式变换，并将各用户向量所在的各分类树的叶子节点的平均值的和分别作为该用户向量对应的分数。例如，如果一个用户向量对应叶子节点Q1和叶子节点Q2，这两个叶子节点对应的平均值分别为0.4和1.2，则进行多项式变换后，得到Q12、Q22、Q1Q2、Q1、Q2五个叶子节点，其对应的值分别为0.16，1.44，0.48，0.4和1.2，则将这五个叶子节点的值相加，得到3.68，则以该3.68作为这个用户向量的分数。
在一个可选实施例中，还根据用户点击广告后浏览时间来确定用户对广告偏好的评分矩阵，形成用户行为向量，其中，先设定分值区间，所述分值区间包括0至分值上限，用 户没有点击为0分，还结合用户点开页面以及用户浏览页面时间的长短区分出直至分值上限的分值。
在一个可选实施例中，还设置有修正系数，所述修正系数根据用户点击广告后是否转发，是否删除来确定，其中，用户转发广告则加1分，用户删除广告则减1分。
在一个可选实施例中，还检测用户的位置坐标，根据广告委托者所在的位置坐标与用户的位置坐标的距离远近来推送广告，以距离用户的广告委托者的距离由近及远的方式向用户推送广告。这里的广告委托者是指所有能够提供产品展示的供应商。例如，商场，虽然商场不生产沙发，但是商场却会做广告推销沙发，所以商场就是以上所述的广告委托者，当然沙发的生产商如果也提供产品展示，那么其也可以添加到广告委托者中。当然，具体说，广告可能涉及一些虚拟产品，例如理财基金、股票推荐等，也可能是一些实体产品，例如沙发、电视等。以商场为例，商场会通过推送平台向用户推送广告，然而，有些用户可能距离较远，并不会特意去这个商场。而用户却有可能经过这个商场并不知道商场的推荐广告。而通过定位捕捉到用户的位置坐标，并与电子地图中的各个商场、工厂等广告所关联的广告委托者的坐标进行比较，并依据距离用户的位置坐标由近及远的距离来推送广告，这使得用户能够更快的阅读到距离其最近的生产商的广告。由此，可以使得用户无论走到哪里，都有对应的最近的产品的广告推送。甚至在商场中也可以及时推送，例如，用户经常可能在商场中查找某些品牌的位置，而通过以上的推送方式，则可以在用户行走的过程中，不断的推送给距离其最近的产品。
更进一步地，还可以设置距离阈值，当距离超过距离阈值，则不再推送超出该距离阈值的产品广告信息。例如，距离阈值为20米，则在20米内的广告推广按照距离远近逐个推送，20米外的则不推送。随着人员的行走，距离远近在变动，则推送的广告信息也逐渐变化。
进一步地，采用GPS的方式来定位用户的位置坐标，并与标记有广告委托者的位置坐标的电子地图进行比较，来确定广告委托者所在的位置坐标与用户的位置坐标的距离。
参阅图2所示，是本申请电子设备的实施例的硬件架构示意图。本实施例中，所述电子设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图2所示，所述电子设备2至少包括，但不限于，可通过系统总线相互通信连接的存储器21、处理器22、网络接口23。其中：所述存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器 (ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述电子设备2的内部存储单元，例如该电子设备2的硬盘或内存。在另一些实施例中，所述存储器21也可以是电子设备2的外部存储设备，例如该电子设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述电子设备2的操作系统和各类应用软件，例如所述定向广告投放程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作，例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的定向广告投放程序等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述电子设备2与推送平台相连，在所述电子设备2与推送平台之间建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
可选地，该电子设备2还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)显示器等。显示器用于显示在电子设备2中处理的信息以及用于显示可视化的用户界面。
需要指出的是，图2仅示出了具有组件21-23的电子设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
包含可读存储介质的存储器21中可以包括操作系统、定向广告投放程序50等。处理器22执行存储器21中定向广告投放程序50时实现如下步骤：
步骤S10，根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴 趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
步骤S20，根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
步骤S30，利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3，其公式如下：
Figure PCTCN2019103608-appb-000010
其中，userA i表示得到用户A的用户向量的第i个分量；userB i表示算法求解得到用户B的用户向量的第i个分量；n是用户向量的维度。
步骤S40，对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
步骤S50，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，从而提升模型的精度，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
在本实施例中，存储于存储器21中的所述定向广告投放程序可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并可由一个或多个处理器(本实施例为处理器22)所执行，以完成本申请。例如，图3示出了所述定向广告投放程序的程序模块示意图，该实施例中，所述定向广告投放程序50可以被分割为用户兴趣相似度获取模块501、用户行为向量相似度获取模块502、用户向量的相似度获取模块503、用户相似度获取模块504、相似度阈值比较模块505。其中，本申请所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述定向广告投放程序在所述电子设备2中的执行过程。以下描述将具体介绍所述程序模块的具体功能。
其中，用户兴趣相似度获取模块501用于根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
用户行为向量相似度获取模块502用于根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，
然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
用户向量的相似度获取模块503用于利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3，其公式如下：
Figure PCTCN2019103608-appb-000011
其中，userA i表示得到用户A的用户向量的第i个分量；userB i表示算法求解得到用户B的用户向量的第i个分量；n是用户向量的维度。
用户相似度获取模块504用于对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
用户相似度获取模块504还将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用 户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
相似度阈值比较模块505用于将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
另外，本申请还提供一种定向广告投放装置，包括：
用户兴趣相似度获取模块501，用于根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
用户行为向量相似度获取模块502，用于根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
用户向量的相似度获取模块503，用于利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3；
用户相似度获取模块504，用于对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
用户相似度获取模块505，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，从而提升模型的精度，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
相似度阈值比较模块，用于将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括定向广告投放程序等，所述定向广告投放程序50被处理器22执行时实现如下操作：
步骤S10，根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
步骤S20，根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
步骤S30，利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算 法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3，其公式如下：
Figure PCTCN2019103608-appb-000012
其中，userA i表示得到用户A的用户向量的第i个分量；userB i表示算法求解得到用户B的用户向量的第i个分量；n是用户向量的维度。
步骤S40，对score1、score2、score3线性加权得到用户相似度score4，
score4＝W1*score1+W2*score2+W3*score3
其中，W1、W2、W3是权重系数；
步骤S50，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，从而提升模型的精度，得到score5，计算公式如下：
score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
其中，T是激活函数；
X是特征；
X i*X j是二阶的特征交互；
X i*X j*X K是三阶的特征交互；
X i*X j*X K*X l是四阶的特征交互；
V 1，V ij，V ijk，V ijkl是权重系数；
最后经过score4和score5进行加权组合，输出最终的用户相似度，
score6＝M1*score4+M2*score5
其中，M1、M2是系数；
将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
本申请之计算机可读存储介质的具体实施方式与上述定向广告投放方法以及电子设备2的具体实施方式大致相同，在此不再赘述。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (20)

  1. 一种定向广告投放方法，应用于电子设备，其特征在于，包括：
    根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
    利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
    根据用户曝光和点击行为评分得到用户对广告偏好的评分，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
    利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3；
    对score1、score2、score3线性加权得到用户相似度score4，
    score4＝W1*score1+W2*score2+W3*score3
    其中，W1、W2、W3是权重系数；
    将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
    score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
    其中，T是激活函数；
    X是特征；
    X i*X j是二阶的特征交互；
    X i*X j*X K是三阶的特征交互；
    X i*X j*X K*X l是四阶的特征交互；
    V 1，V ij，V ijk，V ijkl是权重系数；
    最后经过score4和score5进行加权组合，输出最终的用户相似度，
    score6＝M1*score4+M2*score5
    其中，M1、M2是系数；
    将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
  2. 根据权利要求1所述的定向广告投放方法，其特征在于：所述score3通过公式
    Figure PCTCN2019103608-appb-100001
    获得，其中，userA i表示得到用户A的用户向量的第i个分量；userB i表示算法求解得到用户B的用户向量的第i个分量；n是用户向量的维度。
  3. 根据权利要求1所述的定向广告投放方法，其特征在于：
    欧几里得距离计算公式如下：
    Figure PCTCN2019103608-appb-100002
    其中，userA表示用户A的用户向量；
    userB表示用户B的用户向量；
    n表示用户向量的维度；
    i表示用户向量的第i个维度；
    d(userA，userB)表示用户A与用户B之间的距离。
  4. 根据权利要求1所述的定向广告投放方法，其特征在于：
    还根据用户点击广告后浏览时间来确定用户对广告偏好的评分矩阵，形成用户行为向量，其中，先设定分值区间，所述分值区间包括0至分值上限，用户没有点击为0分，还结合用户点开页面以及用户浏览页面时间的长短区分出直至分值上限的分值。
  5. 根据权利要求4所述的定向广告投放方法，其特征在于：还设置有评分矩阵修正系数，所述修正系数根据用户点击广告后是否转发，是否删除来确定，其中，用户转发广告则加1分，用户删除广告则减1分。
  6. 根据权利要求4所述的定向广告投放方法，其特征在于：
    还检测用户的位置坐标，根据广告委托者所在的位置坐标与用户的位置坐标的距离远近来推送广告，以距离用户的所述广告委托者的距离由近及远的方式向用户推送广告。
  7. 根据权利要求6所述的定向广告投放方法，其特征在于：
    采用GPS的方式来定位用户的位置坐标，并与标记有广告委托者的位置坐标的电子地 图进行比较，来确定广告委托者所在的位置坐标与用户的位置坐标的距离。
  8. 根据权利要求6所述的定向广告投放方法，其特征在于：
    还设置有距离阈值，当距离超过距离阈值，则不再推送超出该距离阈值的产品广告信息。
  9. 根据权利要求1所述的定向广告投放方法，其特征在于：
    各用户行为向量经过XGBOOST得到相应的分数的过程是：
    将各用户行为向量分别划分到多颗回归树的叶子节点，构成XGBOOST模型
    Figure PCTCN2019103608-appb-100003
    Figure PCTCN2019103608-appb-100004
    F对应所有回归树组成的函数空间，x b表示一棵树中与第b个用户行为向量对应的所有节点的分值，
    构建目标函数Obj，利用梯度下降法使得目标函数最小化，获得XGBOOST模型，
    Figure PCTCN2019103608-appb-100005
    其中，l()表示训练误差，y m为第m个样本的实际分数，
    Figure PCTCN2019103608-appb-100006
    为第m个样本输入XGBOOST模型
    Figure PCTCN2019103608-appb-100007
    预测分数，K表示共K棵树，k表示第k棵树，p表示训练样本数量，m表示第m个样本，
    Figure PCTCN2019103608-appb-100008
    表示正则化项，利用XGBOOST模型获得各用户行为向量所在的各分类树的叶子节点的值的和分别作为该用户行为向量对应的分数。
  10. 根据权利要求1所述的定向广告投放方法，其特征在于：
    各用户标签向量经过GBDT得到相应的分数的过程是：
    构建分类树以及叶子节点，其中，把用户标签向量相近的作为同一叶子节点，并以叶子节点的平均值作为预测值，计算各叶子节点的实际分数与预测分数的残差，按照各残差的相近程度划分下一棵分类树的叶子节点，持续进行分类树的划分，直至残差小于预设的阈值，将各用户标签向量所在的各分类树的叶子节点的平均值的和分别作为该用户标签向量对应的分数。
  11. 根据权利要求1所述的定向广告投放方法，其特征在于：
    根据用户注册填写的职业、爱好、居住地信息以及用户历史浏览、点击行为获得用户兴趣。
  12. 根据权利要求1所述的定向广告投放方法，其特征在于：
    利用交替最小二乘算法对任一用户行为向量建模为
    Figure PCTCN2019103608-appb-100009
    其中，R u*v为用户行为向量；
    u表示第u个广告；
    v表示第v个点击行为评分；
    Figure PCTCN2019103608-appb-100010
    为广告向量；
    Y z*v为用户向量；
    z为对用户推送的广告的特征，
    通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量。
  13. 根据权利要求10所述的定向广告投放方法，其特征在于：
    使用preproccessing库的PolynomialFeatures类对叶子节点进行多项式变换。
  14. 一种定向广告投放装置，其特征在于，包括：
    用户兴趣相似度获取模块，用于根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
    利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
    用户行为向量相似度获取模块，用于根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
    用户向量的相似度获取模块，用于利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3；
    用户相似度获取模块，用于对score1、score2、score3线性加权得到用户相似度score4，
    score4＝W1*score1+W2*score2+W3*score3
    其中，W1、W2、W3是权重系数；
    用户相似度获取模块，将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
    score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
    其中，T是激活函数；
    X是特征；
    X i*X j是二阶的特征交互；
    X i*X j*X K是三阶的特征交互；
    X i*X j*X K*X l是四阶的特征交互；
    V 1，V ij，V ijk，V ijkl是权重系数；
    最后经过score4和score5进行加权组合，输出最终的用户相似度，
    score6＝M1*score4+M2*score5
    其中，M1、M2是系数；
    相似度阈值比较模块，用于将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
  15. 根据权利要求14所述的定向广告投放装置，其特征在于：
    还包括用户行为向量修正模块，根据用户点击广告后浏览时间来确定用户对广告偏好的评分矩阵，形成用户行为向量，其中，先设定分值区间，所述分值区间包括0至分值上限，用户没有点击为0分，还结合用户点开页面以及用户浏览页面时间的长短区分出直至分值上限的分值。
  16. 根据权利要求14所述的定向广告投放装置，其特征在于：还设置有评分矩阵修正系数，所述修正系数根据用户点击广告后是否转发，是否删除来确定，其中，用户转发广告则加1分，用户删除广告则减1分。
  17. 根据权利要求14所述的定向广告投放装置，其特征在于：
    还设置有距离判断推送模块，用于检测用户的位置坐标，根据广告委托者所在的位置坐标与用户的位置坐标的距离远近来推送广告，以距离用户的所述广告委托者的距离由近及远的方式向用户推送广告。
  18. 一种电子设备，其特征在于，该电子设备包括：存储器和处理器，所述存储器中存储有定向广告投放程序，所述定向广告投放程序被所述处理器执行时实现如下步骤：
    根据用户兴趣和标签数据，针对用户兴趣所属的标签，把用户兴趣归类到对应的标签中，得到用户标签向量，
    利用余弦相似度和欧几里得距离来计算任意两个用户标签向量的相似度，获得余弦兴趣相似度和距离兴趣相似度，并利用线性加权来计算score1；
    根据用户曝光和点击行为评分得到用户对广告偏好的评分矩阵，形成用户行为向量，其中，用户曝光是指当前某个广告展示给用户看称之为曝光，然后利用余弦相似度和欧几里得距离来计算任意两个用户行为向量的相似度，获得余弦行为相似度和距离行为相似度，利用线性加权来计算score2；
    利用交替最小二乘算法对用户行为向量建模，并通过随机梯度下降优化算法，求解用 户行为向量得到用户向量和广告向量，并利用余弦相似度计算任意两个用户的用户向量的相似度，得到score3；
    对score1、score2、score3线性加权得到用户相似度score4，
    score4＝W1*score1+W2*score2+W3*score3
    其中，W1、W2、W3是权重系数；
    将得到的用户行为向量、用户标签向量、用户向量分别经过XGBOOST、SVM、GBDT得到相应的分数作为FM的输入，并且，将GBDT的同一用户向量对应的叶子节点作多项式变换扩展叶子节点数量，并将同一用户向量对应的扩展后的叶子节点的值的和作为分数也输入FM，得到score5，计算公式如下：
    score5＝T(V 1*X+V ij*X i*X j+V ijk*X i*X j*X K+V ijkl*X i*X j*X K*X l)
    其中，T是激活函数；
    X是特征；
    X i*X j是二阶的特征交互；
    X i*X j*X K是三阶的特征交互；
    X i*X j*X K*X l是四阶的特征交互；
    V 1，V ij，V ijk，V ijkl是权重系数；
    最后经过score4和score5进行加权组合，输出最终的用户相似度，
    score6＝M1*score4+M2*score5
    其中，M1、M2是系数；
    将最终的用户相似度与相似度阈值比较，选择高于相似度阈值的用户作为目标客群。
  19. 根据权利要求18所述的电子设备，其特征在于：
    还根据用户点击广告后浏览时间来确定用户对广告偏好的评分矩阵，形成用户行为向量，其中，先设定分值区间，所述分值区间包括0至分值上限，用户没有点击为0分，还结合用户点开页面以及用户浏览页面时间的长短区分出直至分值上限的分值。
  20. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现权利要求1至13中任一项所述的定向广告投放方法。
PCT/CN2019/103608 2019-03-27 2019-08-30 定向广告投放方法和装置、设备及存储介质 Ceased WO2020192013A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910238703.0A CN110097395B (zh) 2019-03-27 2019-03-27 定向广告投放方法、装置及计算机可读存储介质
CN201910238703.0 2019-03-27

Publications (1)

Publication Number Publication Date
WO2020192013A1 true WO2020192013A1 (zh) 2020-10-01

Family

ID=67443029

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/103608 Ceased WO2020192013A1 (zh) 2019-03-27 2019-08-30 定向广告投放方法和装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN110097395B (zh)
WO (1) WO2020192013A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801693A (zh) * 2021-01-18 2021-05-14 百果园技术(新加坡)有限公司 基于高价值用户的广告特征分析方法及系统
CN114612155A (zh) * 2022-03-21 2022-06-10 网易传媒科技（北京）有限公司 一种目标人群的确定方法、装置、设备及介质
CN114881685A (zh) * 2022-04-20 2022-08-09 北京明略昭辉科技有限公司 广告投送方法、装置、电子装置及存储介质
CN115131052A (zh) * 2021-03-29 2022-09-30 腾讯科技（深圳）有限公司 一种数据处理方法、计算机设备和存储介质
CN118134566A (zh) * 2024-04-12 2024-06-04 深圳市创致联创科技有限公司 基于信息流刷新数据的广告定向推送方法、系统及介质
CN118691350A (zh) * 2024-08-29 2024-09-24 东营市东网互联信息科技有限公司 一种基于智能投放的广告投放价值管理方法
CN119377498A (zh) * 2024-12-27 2025-01-28 北京易汇众盟网络技术有限公司 基于群体行为分析的私域流量调度与内容分发方法及系统
CN119413077A (zh) * 2025-01-07 2025-02-11 深圳同创音频技术有限公司 一种音频控制面板安装装置及其固定性能检测方法
CN119723103A (zh) * 2024-11-21 2025-03-28 广州仲川文化传播有限公司 一种基于人工智能的智能ai全息投影方法及系统
CN120298038A (zh) * 2025-06-12 2025-07-11 北京三人行时代数字科技有限公司 一种用于互联网广告推送的用户行为预测系统及方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097395B (zh) * 2019-03-27 2023-05-26 平安科技（深圳）有限公司 定向广告投放方法、装置及计算机可读存储介质
CN110889045B (zh) * 2019-10-12 2024-04-23 平安科技（深圳）有限公司 标签分析方法、装置及计算机可读存储介质
CN113034168B (zh) * 2019-12-25 2024-09-20 北京达佳互联信息技术有限公司 内容项投放方法、装置、计算机设备及存储介质
CN111210274A (zh) * 2020-01-06 2020-05-29 北京搜狐新媒体信息技术有限公司 一种广告推荐方法及系统
CN111325582B (zh) * 2020-03-18 2023-08-29 深圳市卡牛科技有限公司 一种广告召回方法、装置、服务器及存储介质
CN111598644B (zh) * 2020-04-01 2023-05-02 华瑞新智科技（北京）有限公司 一种物品推荐方法、装置以及介质
CN111899049B (zh) * 2020-07-23 2024-08-20 广州视源电子科技股份有限公司 广告投放方法、装置及设备
CN112200215B (zh) * 2020-08-24 2023-11-14 深圳市欢太科技有限公司 标签特征提取方法、装置、存储介质与电子设备
CN112989213B (zh) * 2021-05-19 2022-05-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、系统、电子设备及存储介质
CN113888211B (zh) * 2021-09-23 2025-03-18 北京奇艺世纪科技有限公司 一种广告推送方法、装置、电子设备及存储介质
CN117033774B (zh) * 2023-07-28 2026-02-13 广州太平洋电脑信息咨询有限公司 消息投放方法、装置、电子设备及可读存储介质
CN117436953B (zh) * 2023-10-24 2024-10-22 上海网萌网络科技有限公司 一种基于数据分析的广告投放管理系统及方法
CN118337831A (zh) * 2024-03-28 2024-07-12 深圳市云盛科技有限公司 一种适配嵌入式Linux的云广告机远程监控系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073569A1 (en) * 2010-02-03 2013-03-21 Sang Keun Lee Portable communication terminal for extracting subjects of interest to the user, and a method therefor
CN103778145A (zh) * 2012-10-22 2014-05-07 中国移动通信集团广东有限公司 一种信息推荐方法和系统
CN108415913A (zh) * 2017-02-09 2018-08-17 周孟 基于不确定邻居的人群定向方法
CN110097395A (zh) * 2019-03-27 2019-08-06 平安科技（深圳）有限公司 定向广告投放方法、装置及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103546768B (zh) * 2012-07-16 2016-08-17 航天信息股份有限公司 定向广告的投放方法和装置
CN105447730B (zh) * 2015-12-25 2020-11-06 腾讯科技（深圳）有限公司 目标用户定向方法及装置
US10430825B2 (en) * 2016-01-18 2019-10-01 Adobe Inc. Recommending advertisements using ranking functions
CN108846694A (zh) * 2018-06-06 2018-11-20 厦门集微科技有限公司 一种电梯广告投放方法和装置、计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073569A1 (en) * 2010-02-03 2013-03-21 Sang Keun Lee Portable communication terminal for extracting subjects of interest to the user, and a method therefor
CN103778145A (zh) * 2012-10-22 2014-05-07 中国移动通信集团广东有限公司 一种信息推荐方法和系统
CN108415913A (zh) * 2017-02-09 2018-08-17 周孟 基于不确定邻居的人群定向方法
CN110097395A (zh) * 2019-03-27 2019-08-06 平安科技（深圳）有限公司 定向广告投放方法、装置及计算机可读存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801693A (zh) * 2021-01-18 2021-05-14 百果园技术(新加坡)有限公司 基于高价值用户的广告特征分析方法及系统
CN115131052A (zh) * 2021-03-29 2022-09-30 腾讯科技（深圳）有限公司 一种数据处理方法、计算机设备和存储介质
CN115131052B (zh) * 2021-03-29 2025-11-25 腾讯科技（深圳）有限公司 一种数据处理方法、计算机设备和存储介质
CN114612155A (zh) * 2022-03-21 2022-06-10 网易传媒科技（北京）有限公司 一种目标人群的确定方法、装置、设备及介质
CN114881685A (zh) * 2022-04-20 2022-08-09 北京明略昭辉科技有限公司 广告投送方法、装置、电子装置及存储介质
CN118134566A (zh) * 2024-04-12 2024-06-04 深圳市创致联创科技有限公司 基于信息流刷新数据的广告定向推送方法、系统及介质
CN118691350A (zh) * 2024-08-29 2024-09-24 东营市东网互联信息科技有限公司 一种基于智能投放的广告投放价值管理方法
CN119723103A (zh) * 2024-11-21 2025-03-28 广州仲川文化传播有限公司 一种基于人工智能的智能ai全息投影方法及系统
CN119377498A (zh) * 2024-12-27 2025-01-28 北京易汇众盟网络技术有限公司 基于群体行为分析的私域流量调度与内容分发方法及系统
CN119413077A (zh) * 2025-01-07 2025-02-11 深圳同创音频技术有限公司 一种音频控制面板安装装置及其固定性能检测方法
CN120298038A (zh) * 2025-06-12 2025-07-11 北京三人行时代数字科技有限公司 一种用于互联网广告推送的用户行为预测系统及方法

Also Published As

Publication number Publication date
CN110097395B (zh) 2023-05-26
CN110097395A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
WO2020192013A1 (zh) 定向广告投放方法和装置、设备及存储介质
CN108629224B (zh) 信息呈现方法和装置
US9082086B2 (en) Adaptively learning a similarity model
CN112907334B (zh) 一种对象推荐方法及装置
US10558852B2 (en) Predictive analysis of target behaviors utilizing RNN-based user embeddings
CN109064293B (zh) 商品推荐方法、装置、计算机设备及存储介质
US9715486B2 (en) Annotation probability distribution based on a factor graph
US11397764B2 (en) Machine learning for digital image selection across object variations
US20140172875A1 (en) Arranging stories on newsfeeds based on expected value scoring on a social networking system
US20120296776A1 (en) Adaptive interactive search
US10699198B2 (en) Method and system for cold-start item recommendation
WO2019085327A1 (zh) 电子装置、产品推荐方法、系统和计算机可读存储介质
US10909145B2 (en) Techniques for determining whether to associate new user information with an existing user
CN107644036A (zh) 一种数据对象推送的方法、装置及系统
WO2017088496A1 (zh) 一种搜索推荐方法、装置、设备及计算机存储介质
CN109993627A (zh) 推荐方法、推荐模型的训练方法、装置和存储介质
WO2019071890A1 (zh) 产品推荐装置、方法及计算机可读存储介质
US11062371B1 (en) Determine product relevance
CN113159877B (zh) 数据处理方法、装置、系统、计算机可读存储介质
KR101639656B1 (ko) 광고 제공 방법 및 서버 장치
CN113781180B (zh) 一种物品推荐方法、装置、电子设备及存储介质
CN113077292B (zh) 一种用户分类方法、装置、存储介质及电子设备
CN108647986B (zh) 一种目标用户确定方法、装置及电子设备
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
CN110675217A (zh) 个性化背景图生成方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19921193

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19921193

Country of ref document: EP

Kind code of ref document: A1