本申請(qǐng)涉及廣告推送，尤其涉及一種基于大數(shù)據(jù)的廣告推送方法。

背景技術(shù)：

1、隨著電商和網(wǎng)絡(luò)廣告的迅速發(fā)展，為用戶提供個(gè)性化的廣告內(nèi)容已經(jīng)成為廣告推送的核心目標(biāo)。大多數(shù)廣告推送系統(tǒng)主要依賴于用戶的購(gòu)買歷史或?yàn)g覽記錄來(lái)進(jìn)行廣告推送，這需要獲取用戶對(duì)廣告的購(gòu)買歷史或?yàn)g覽記錄等反饋行為，但是對(duì)于一個(gè)新投入廣告，無(wú)法采集到任意用戶對(duì)新投入廣告的反饋行為，進(jìn)而導(dǎo)致推送不準(zhǔn)確。

2、目前，公開(kāi)號(hào)為cn117495458a的專利申請(qǐng)文件公開(kāi)了一種基于用戶畫像的廣告在線推送方法，方法包括：根據(jù)用戶數(shù)據(jù)，構(gòu)建用戶畫像；根據(jù)所述用戶畫像，構(gòu)建表示用戶興趣偏好的用戶特征向量；將所述用戶特征向量作為訓(xùn)練數(shù)據(jù)訓(xùn)練預(yù)設(shè)的交替最小二乘模型，獲得預(yù)訓(xùn)練模型并進(jìn)行預(yù)測(cè)，生成廣告推薦排序結(jié)果；根據(jù)所述預(yù)訓(xùn)練模型及所述廣告推薦排序結(jié)果，構(gòu)建強(qiáng)化深度學(xué)習(xí)模型；響應(yīng)于用戶瀏覽行為反饋，通過(guò)所述強(qiáng)化深度學(xué)習(xí)模型，進(jìn)行廣告的在線推薦更新。

3、其中，交替最小二乘模型常常用在商品推薦領(lǐng)域中，需要采集用戶對(duì)各廣告的點(diǎn)擊率以計(jì)算用戶評(píng)分矩陣，進(jìn)而利用交替最小二乘法將用戶評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣的乘積，通過(guò)用戶特征矩陣和廣告特征矩陣可預(yù)測(cè)任意用戶對(duì)任意廣告的評(píng)分。

4、上述方法通過(guò)構(gòu)建用戶畫像向目標(biāo)用戶推送可能感興趣的廣告，然而，上述方法依賴于用戶對(duì)廣告的瀏覽行為，對(duì)于一個(gè)新投入廣告或其它任意廣告，無(wú)法采集到用戶對(duì)該廣告的評(píng)分，則無(wú)法準(zhǔn)確獲取該廣告的特征向量，進(jìn)而導(dǎo)致廣告推送不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、為了解決廣告推送不準(zhǔn)確的技術(shù)問(wèn)題，本申請(qǐng)?zhí)峁┝艘环N基于大數(shù)據(jù)的廣告推送方法，能夠準(zhǔn)確獲取各廣告的特征向量，實(shí)現(xiàn)廣告的精準(zhǔn)推送。

2、本申請(qǐng)?zhí)峁┝艘环N基于大數(shù)據(jù)的廣告推送方法，所述推送方法包括：根據(jù)各用戶對(duì)各歷史廣告的反饋行為構(gòu)建評(píng)分矩陣，利用交替最小二乘法將所述評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣；依據(jù)廣告特征矩陣中的廣告特征計(jì)算損失函數(shù)以訓(xùn)練特征提取模型，所述特征提取模型用于對(duì)任意廣告進(jìn)行特征提取；將新投入廣告輸入所述特征提取模型，得到廣告特征，將所述用戶特征矩陣與新投入廣告的廣告特征相乘，得到各用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分，將新投入廣告推送至預(yù)測(cè)評(píng)分大于評(píng)分閾值的用戶；損失函數(shù)為：，為用戶特征矩陣，為廣告特征矩陣中歷史廣告的廣告特征，為評(píng)分矩陣中各用戶對(duì)歷史廣告的真實(shí)評(píng)分，為以e為底的指數(shù)函數(shù)，為歷史廣告的數(shù)量，為特征提取模型對(duì)歷史廣告的特征提取結(jié)果。

3、本申請(qǐng)實(shí)施例提供的上述一種基于大數(shù)據(jù)的廣告推送方法，針對(duì)能夠采集到各用戶反饋行為的多個(gè)歷史廣告，采集各用戶對(duì)各歷史廣告的反饋行為以構(gòu)建評(píng)分矩陣，并利用交替最小二乘法將評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣，用戶特征矩陣包括所有用戶的用戶特征，廣告特征矩陣包括所有歷史廣告的廣告特征；將廣告特征矩陣中的廣告特征計(jì)算損失函數(shù)以訓(xùn)練特征提取模型，其中，損失函數(shù)用于約束特征提取模型輸出的特征提取結(jié)果趨近于廣告特征，為了使輸出的特征提取結(jié)果能夠準(zhǔn)確計(jì)算各用戶對(duì)該廣告的預(yù)測(cè)評(píng)分，在訓(xùn)練特征提取模型的過(guò)程中，為每個(gè)歷史廣告分配樣本關(guān)注度，且樣本關(guān)注度與廣告特征對(duì)應(yīng)的預(yù)測(cè)評(píng)分準(zhǔn)確性呈正相關(guān)，使得訓(xùn)練完畢的特征提取模型能夠?qū)θ我鈴V告進(jìn)行特征提??；進(jìn)一步地，將新投入廣告輸入特征提取模型后，將用戶特征矩陣與新投入廣告的廣告特征相乘，得到各用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分，將新投入廣告推送至預(yù)測(cè)評(píng)分大于評(píng)分閾值的用戶，在無(wú)需采集各用戶對(duì)新投入廣告反饋行為的前提下，準(zhǔn)確獲取各廣告的特征向量，實(shí)現(xiàn)廣告的精準(zhǔn)推送。

4、優(yōu)選地，反饋行為包括點(diǎn)擊次數(shù)、瀏覽時(shí)長(zhǎng)、分享次數(shù)和/或購(gòu)買次數(shù)，所述評(píng)分矩陣包括各用戶對(duì)各歷史廣告的真實(shí)評(píng)分；各反饋行為均對(duì)應(yīng)一個(gè)預(yù)設(shè)分值，用戶對(duì)歷史廣告的真實(shí)評(píng)分等于用戶對(duì)歷史廣告各反饋行為的取值與預(yù)設(shè)分值的乘積之和。

5、為各反饋行為分配一個(gè)預(yù)設(shè)分值，統(tǒng)計(jì)用戶對(duì)歷史廣告的各反饋行為的取值，進(jìn)而將反饋行為量化，得到用戶對(duì)歷史廣告的真實(shí)評(píng)分。

6、優(yōu)選地，利用交替最小二乘法將所述評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣包括：初始化用戶特征矩陣和廣告特征矩陣；構(gòu)建分解損失，所述分解損失為：，為用戶對(duì)歷史廣告的真實(shí)評(píng)分，為用戶的用戶特征，為歷史廣告的廣告特征，為用戶對(duì)歷史廣告的預(yù)測(cè)評(píng)分，為正則化因子，為的置信度；利用交替最小二乘法更新用戶特征矩陣和廣告特征矩陣，直至分解損失小于預(yù)設(shè)損失。

7、利用交替最小二乘法對(duì)評(píng)分矩陣進(jìn)行分解，得到每一個(gè)用戶的用戶特征，以及每一個(gè)歷史廣告的廣告特征，且基于用戶的用戶特征和歷史廣告的廣告特征可得到用戶對(duì)歷史廣告的預(yù)測(cè)評(píng)分。

8、優(yōu)選地，的置信度為：，為歷史廣告向用戶的推送次數(shù)，為歷史廣告向所有用戶的推送次數(shù)。

9、考慮到歷史廣告對(duì)用戶的推送次數(shù)不同，導(dǎo)致評(píng)分矩陣中的真實(shí)評(píng)分無(wú)法準(zhǔn)確反映用戶對(duì)歷史廣告喜好程度，因此，在利用交替最小二乘法對(duì)評(píng)分矩陣進(jìn)行分解的過(guò)程中，還需要依據(jù)歷史廣告對(duì)用戶的推送次數(shù)判斷每個(gè)真實(shí)評(píng)分的置信度，該置信度用于反映真實(shí)評(píng)分準(zhǔn)確反映用戶對(duì)歷史廣告喜好程度的可信程度。

10、優(yōu)選地，的置信度為等于1。

11、優(yōu)選地，所述特征提取模型的結(jié)構(gòu)與歷史廣告的廣告類型有關(guān)；響應(yīng)于所述歷史廣告為圖片廣告，所述特征提取模型為卷積神經(jīng)網(wǎng)絡(luò)；響應(yīng)于所述歷史廣告為文字廣告或視頻廣告，所述特征提取模型為循環(huán)神經(jīng)網(wǎng)絡(luò)。

12、優(yōu)選地，特征提取模型的訓(xùn)練方法包括：將歷史廣告輸入特征提取模型，得到特征提取結(jié)果，并計(jì)算損失函數(shù)；利用梯度下降法更新所述特征提取模型；迭代地更新所述特征提取模型，直至損失函數(shù)的取值小于損失閾值，或迭代次數(shù)大于預(yù)設(shè)次數(shù)時(shí)，得到訓(xùn)練完畢的特征提取模型。

13、利用廣告特征矩陣中的廣告特征作為標(biāo)簽，完成特征提取模型的訓(xùn)練，訓(xùn)練完畢的特征提取模型能夠直接輸出任意廣告的廣告特征。

14、優(yōu)選地，用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分等于用戶的用戶特征與新投入廣告的廣告特征的乘積。

15、本申請(qǐng)的技術(shù)方案具有以下有益技術(shù)效果：

16、本申請(qǐng)實(shí)施例提供的上述一種基于大數(shù)據(jù)的廣告推送方法，針對(duì)能夠采集到各用戶反饋行為的多個(gè)歷史廣告，采集各用戶對(duì)各歷史廣告的反饋行為以構(gòu)建評(píng)分矩陣，并利用交替最小二乘法將評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣，用戶特征矩陣包括所有用戶的用戶特征，廣告特征矩陣包括所有歷史廣告的廣告特征；將廣告特征矩陣中的廣告特征計(jì)算損失函數(shù)以訓(xùn)練特征提取模型，損失函數(shù)能夠約束特征提取模型的輸出結(jié)果等于廣告特征，從而使得訓(xùn)練完畢的特征提取模型能夠?qū)θ我鈴V告進(jìn)行特征提?。粚⑿峦度霃V告輸入特征提取模型后，將用戶特征矩陣與新投入廣告的廣告特征相乘，得到各用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分，將新投入廣告推送至預(yù)測(cè)評(píng)分大于評(píng)分閾值的用戶，在無(wú)需采集各用戶對(duì)新投入廣告反饋行為的前提下，準(zhǔn)確獲取各廣告的特征向量，實(shí)現(xiàn)廣告的精準(zhǔn)推送。

技術(shù)特征：

1.一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，所述推送方法包括：

2.如權(quán)利要求1所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，反饋行為包括點(diǎn)擊次數(shù)、瀏覽時(shí)長(zhǎng)、分享次數(shù)和/或購(gòu)買次數(shù)，所述評(píng)分矩陣包括各用戶對(duì)各歷史廣告的真實(shí)評(píng)分；

3.如權(quán)利要求1所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，利用交替最小二乘法將所述評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣包括：

4.如權(quán)利要求3所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，的置信度為：，為歷史廣告向用戶的推送次數(shù)，為歷史廣告向所有用戶的推送次數(shù)。

5.如權(quán)利要求3所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，的置信度為等于1。

6.如權(quán)利要求1所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，所述特征提取模型的結(jié)構(gòu)與歷史廣告的廣告類型有關(guān)；

7.如權(quán)利要求1所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，特征提取模型的訓(xùn)練方法包括：

8.如權(quán)利要求7所述的一種基于大數(shù)據(jù)的廣告推送方法，其特征在于，?用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分等于用戶的用戶特征與新投入廣告的廣告特征的乘積。

技術(shù)總結(jié)
本申請(qǐng)涉及廣告推送技術(shù)領(lǐng)域，尤其涉及一種基于大數(shù)據(jù)的廣告推送方法，包括：根據(jù)各用戶對(duì)各歷史廣告的反饋行為構(gòu)建評(píng)分矩陣，利用交替最小二乘法將評(píng)分矩陣分解為用戶特征矩陣和廣告特征矩陣；依據(jù)廣告特征矩陣中的廣告特征計(jì)算損失函數(shù)以訓(xùn)練特征提取模型；將新投入廣告輸入特征提取模型，將用戶特征矩陣與新投入廣告的廣告特征相乘，得到各用戶對(duì)新投入廣告的預(yù)測(cè)評(píng)分，將新投入廣告推送至預(yù)測(cè)評(píng)分大于評(píng)分閾值的用戶。本申請(qǐng)的技術(shù)方案能夠準(zhǔn)確獲取各廣告的特征向量，實(shí)現(xiàn)廣告的精準(zhǔn)推送。

技術(shù)研發(fā)人員：周毅,余健航,俞少云
受保護(hù)的技術(shù)使用者：廣州易尊網(wǎng)絡(luò)科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10