一种广告推荐方法及装置制造方法及图纸

本申请提供了一种广告推荐方法及装置，涉及广告领域。广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示用户喜好的M个用户标签；将M个用户标签与每个广告预设的N个广告标签匹配，获得M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，从中确定出匹配度最高的目标匹配度，并为用户推荐所述目标匹配度对应的目标广告。用户标签根据用户访问页面的访问特征而获得，因此能够更准确地表现用户的兴趣。将用户标签与广告标签进行匹配而获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，将匹配度最高的广告进行推荐，更有可能让用户产生点击行为，达到提高广告点击率从而增加收益的目的。

【技术实现步骤摘要】
一种广告推荐方法及装置
本专利技术涉及效果广告领域，具体而言，涉及一种广告推荐方法及装置。
技术介绍
目前，效果广告的主流投放策略是根据用户的年龄、所处的位置、性别等因素来进行广告投放，这样的广告投放方式使得所投放的广告点击率普遍很低，大大影响了广告收益。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种广告推荐方法及装置，以提高广告特征与用户特征的匹配度，实现更精准的广告推荐，进而提高广告点击率，增加收益。为了实现上述目的，本申请的实施例通过如下方式实现：第一方面，本申请的实施例提供了一种广告推荐方法，所述广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。在本申请实施例中，通过根据用户访问页面的访问特征，例如点击、刷新、分享、收藏、点赞、搜索等操作，来获得用于表示用户喜好的M个用户标签。由于用户标签是根据用户访问页面的访问特征获得的，因此能够更准确地表现用户的兴趣，获得的M个用户标签也就更准确。将M个用户标签与每个广告预设的N个广告标签进行匹配，每个广告获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，确定出S个广告中与M个用户标签匹配度最高的广告进行推荐，有更大的可能让用户产生点击广告的行为，达到提高广告点击率从而增加收益的目的。在第一方面的一些可选的实现方式中，所述根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签，包括：在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。在本申请实施例中，能够表示该用户喜好的多个用户当前标签结合最近一段时间内的能够表示该用户喜好的多个用户历史标签，共同作为能够表示该用户喜好的M个用户标签。在本申请这样的实现方式中，就可以很准确地把握住用户在最近一段时间内的兴趣，从而利用这些兴趣来进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。在第一方面的一些可选的实现方式中，所述将所述多M用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。在本申请实施例中，通过调用预设的匹配度计算模型，将M个用户标签输入该匹配度计算模型中，从而得到与M个用户标签对应的用户特征向量。把用户的喜好进行向量化，能够便于匹配度计算模型计算，从而才能够准确计算出用户兴趣与广告特点之间的匹配度。因此能够进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。在第一方面的一些可选的实现方式中，所述调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。在本申请实施例中，通过将M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，从而获得包含有P个第一元素的用户特征向量。由于用户标签与第一元素是一一映射的关系，因此所获得的用户特征向量能够准确反映出用户的兴趣，针对地进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。在第一方面的一些可选的实现方式中，所述将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，包括：将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0；将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，共获得S个累加值，其中，所述累加值越大所述匹配度越高。在本申请实施例中，采用的匹配度计算方法是求用户特征向量和广告特征向量的数量积。对于采用同一个模型抽取的用户特征向量和广告特征向量，向量的数量积能够十分准确地体现出二者的关联性，也就是能够非常准确地表现用户兴趣与该广告之间的关联性。因此，能够进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。在第一方面的一些可选的实现方式中，所述从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告，包括：将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值；确定出所述目标累加值对应的匹配度为所述目标匹配度；确定出与所述目标匹配度对应的广告为所述目标广告；为用户推荐所述目标广告。在本申请实施例中，通过求得用户特征向量和广告特征向量之间的数量积，将其作为用户兴趣与广告之间的关联性的指标，采用排序的方法，得到与用户兴趣关联性最高的广告，将此广告推荐给用户。所推荐的广告能够很贴近用户的兴趣，因此达到提高用户点击所推荐的广告的机率，从而增加收益。第二方面，本申请实施例提供了一种广告推荐装置，其特征在于，所述广告推荐装置包括：获得模块，用于根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签。匹配模块，用于将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数。推荐模块，用于从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。第二方面的一些可选的实现方式中，所述获得模块，还用于在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M本文档来自技高网...

【技术保护点】
1.一种广告推荐方法，其特征在于，所述广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

【技术特征摘要】
1.一种广告推荐方法，其特征在于，所述广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。2.根据权利要求1所述的广告推荐方法，其特征在于，所述根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签，包括：在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。3.根据权利要求1所述的广告推荐方法，其特征在于，所述将所述多M用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。4.根据权利要求3所述的广告推荐方法，其特征在于，所述调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。5.根据权利要求4所述的广告推荐方法，其特征在于，所述将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，包括：将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P...

【专利技术属性】
技术研发人员：兰顺武，王子潇，
申请(专利权)人：北京一点网聚科技有限公司，
类型：发明
国别省市：北京,11