基于人工智能的广告投放方法、装置、终端设备及介质制造方法及图纸

本申请涉及一种基于人工智能的广告投放方法、装置、终端设备及介质。该方法针对N个样本用户的数据，使用第一划分方法确定最大样本量和第一最优特征，在最大样本量较大时，以该最优特征将N个样本用户划分为两个集合，将满足第一预设条件的集合作为第一类叶子节点，在最大样本量较小时，使用第二划分方法确定第二最优特征，使用该最优特征将N个样本用户划分为两个集合，将满足第二预设条件的集合作为第二类叶子节点，不满足条件的返回初始进行划分得到决策树，将待投放用户的实时标签数据输入决策树，确定落入第一类叶子节点的用户，从而可以预测并筛选出目标用户，并向该目标用户投放广告，筛选结果较为准确，进而提高了广告投放的精准度。放的精准度。放的精准度。

【技术实现步骤摘要】
基于人工智能的广告投放方法、装置、终端设备及介质


[0001]本申请适用于人工智能
，尤其涉及一种基于人工智能的广告投放方法、装置、终端设备及介质。

技术介绍

[0002]目前，随着移动互联网的兴起，通过互联网方式进行广告投放成为主流的广告投放方式。由于客户对广告投放精准度的要求越来越高，传统的无差别投放无法满足客户需求，因此，为了提高满足客户需求，对需要投放的用户进行筛选，由于当前用户数据较为复杂，人工无法有效地筛选出适当的目标用户。因此，如何准确且有效地筛选目标用户，以提高广告投放的精准度成为亟待解决的问题。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种基于人工智能的广告投放方法、装置、终端设备及介质，以解决如何准确且有效地筛选目标用户，以提高广告投放的精准度的问题。
[0004]第一方面，本申请实施例提供一种基于人工智能的广告投放方法，所述广告投放方法包括：
[0005]使用第一划分方法以每个标签特征的目标特征值将N个样本用户中对应标签特征的历史标签特征值划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中正样本准确率大于准确率阈值且样本量最大的集合对应样本量为最大样本量，该集合被划分时的标签特征为第一最优特征；
[0006]在最大样本量大于样本量阈值时，以所述第一最优特征将所述N个样本用户划分为两个集合，将满足第一预设条件的集合作为第一类叶子节点，否则将集合返回使用所述第一划分方法进行划分；
[0007]在最大样本量不大于样本量阈值时，使用第二划分方法以每个标签特征的目标特征值将所述N个样本用户划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征；
[0008]使用所述第二最优特征将所述N个样本用户划分为两个集合，将满足第二预设条件的集合作为第二类叶子节点，否则将集合返回使用所述第一划分方法进行划分，重复以上步骤直至所述N个样本用户全部落入对应的叶子节点，所有的叶子节点连接构成决策树；
[0009]将待投放用户中每个标签的实时标签数据输入所述决策树，确定所述待投放用户中落入所述第一类叶子节点的用户，将广告投放给落入所述第一类叶子节点的用户。
[0010]第二方面，本申请实施例提供一种基于人工智能的广告投放装置，所述广告投放装置包括：
[0011]第一划分模块，用于使用第一划分方法以每个标签特征的目标特征值将N 个样本用户中对应标签特征的历史标签特征值划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中正样本准确率大于准确率阈值且样本量最大的集合对应样本量为
最大样本量，该集合被划分时的标签特征为第一最优特征；
[0012]第二划分模块，用于在最大样本量大于样本量阈值时，以所述第一最优特征将所述N个样本用户划分为两个集合，将满足第一预设条件的集合作为第一类叶子节点，否则将集合返回使用所述第一划分方法进行划分；
[0013]第三划分模块，用于在最大样本量不大于样本量阈值时，使用第二划分方法以每个标签特征的目标特征值将所述N个样本用户划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征；
[0014]第四划分模块，用于使用所述第二最优特征将所述N个样本用户划分为两个集合，将满足第二预设条件的集合作为第二类叶子节点，否则将集合返回使用所述第一划分方法进行划分，重复以上步骤直至所述N个样本用户全部落入对应的叶子节点，所有的叶子节点连接构成决策树；
[0015]广告投放模块，用于将待投放用户中每个标签的实时标签数据输入所述决策树，确定所述待投放用户中落入所述第一类叶子节点的用户，将广告投放给落入所述第一类叶子节点的用户。
[0016]第三方面，本申请实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的广告投放方法。
[0017]第四方面，本申请实施例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，所述计算机程序被处理器执行时实现如第一方面所述的广告投放方法。
[0018]本申请实施例与现有技术相比存在的有益效果是：本申请使用第一划分方法以每个标签特征的目标特征值将N个样本用户中对应标签特征的历史标签特征值划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中正样本准确率大于准确率阈值且样本量最大的集合对应样本量为最大样本量，该集合被划分时的标签特征为第一最优特征；在最大样本量大于样本量阈值时，以第一最优特征将N个样本用户划分为两个集合，将满足第一预设条件的集合作为第一类叶子节点，否则将集合返回使用第一划分方法进行划分；在最大样本量不大于样本量阈值时，使用第二划分方法以每个标签特征的目标特征值将N个样本用户划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征；使用第二最优特征将N个样本用户划分为两个集合，将满足第二预设条件的集合作为第二类叶子节点，否则将集合返回使用第一划分方法进行划分，重复以上步骤直至N个样本用户全部落入对应的叶子节点，所有的叶子节点连接构成决策树；将待投放用户中每个标签的实时标签数据输入决策树，确定待投放用户中落入第一类叶子节点的用户，将广告投放给落入第一类叶子节点的用户，通过对历史数据的分析来确定目标类用户，再将待投放用户的实时数据分析来划分待投放用户，在待投放用户为目标类用户时对其进行广告投放，可以智能的筛选出目标用户并投放广告，筛选结果较为准确，从而提高了广告投放的精准度。
附图说明
[0019]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请实施例一提供的一种基于人工智能的广告投放方法的一应用环境示意图；
[0021]图2是本申请实施例二提供的一种基于人工智能的广告投放方法的流程示意图；
[0022]图3是本申请实施例三提供的一种基于人工智能的广告投放方法的流程示意图；
[0023]图4是本申请实施例四提供的一种基于人工智能的广告投放装置的结构示意图；
[0024]图5是本申请实施例五提供的一种终端设备的结构示意图。
具体实施方式
[0025]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的广告投放方法，其特征在于，所述广告投放方法包括：使用第一划分方法以每个标签特征的目标特征值将N个样本用户中对应标签特征的历史标签特征值划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中正样本准确率大于准确率阈值且样本量最大的集合对应样本量为最大样本量，该集合被划分时的标签特征为第一最优特征；在最大样本量大于样本量阈值时，以所述第一最优特征将所述N个样本用户划分为两个集合，将满足第一预设条件的集合作为第一类叶子节点，否则将集合返回使用所述第一划分方法进行划分；在最大样本量不大于样本量阈值时，使用第二划分方法以每个标签特征的目标特征值将所述N个样本用户划分为不同的集合，结合对应样本用户的历史行为特征值，确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征；使用所述第二最优特征将所述N个样本用户划分为两个集合，将满足第二预设条件的集合作为第二类叶子节点，否则将集合返回使用所述第一划分方法进行划分，重复以上步骤直至所述N个样本用户全部落入对应的叶子节点，所有的叶子节点连接构成决策树；将待投放用户中每个标签的实时标签数据输入所述决策树，确定所述待投放用户中落入所述第一类叶子节点的用户，将广告投放给落入所述第一类叶子节点的用户。2.根据权利要求1所述的广告投放方法，其特征在于，确定所有集合中正样本准确率大于准确率阈值且样本量最大的集合对应样本量为最大样本量，该集合被划分时的标签特征为第一最优特征包括：计算每个集合的样本量以及对应集合中历史行为特征值为目标值的正样本量；将正样本量与样本量的比值作为对应集合的正样本准确率；筛选正样本准确率大于准确率阈值的集合，并确定筛选出的集合中样本量最大为最大样本量；确定所述样本量最大的集合被划分时的标签特征为第一最优特征。3.根据权利要求1所述的广告投放方法，其特征在于，确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征包括：计算每个集合的样本量以及对应集合中历史行为特征值为目标值的正样本量；将正样本量与样本量的比值作为对应集合的正样本准确率；根据所述N个样本用户的总样本量、每个集合对应的样本量和正样本准确率，确定对应集合的准确样本系数；确定所有集合中准确样本系数最大的集合被划分时的标签特征为第二最优特征。4.根据权利要求3所述的广告投放方法，其特征在于，根据所述N个样本用户的总样本量、每个集合对应的样本量和正样本准确率，确定对应集合的准确样本系数包括：计算每个集合对应的样本量与总样本量的比值，得到对应集合的比值结果；将每个集合对应的正样本准确率与预设权值相乘，得到对应集合的相乘结果；将每个集合的比值结果与相乘结果相加，确定相加的结果为对应集合的准确样本系数。5.根据权利要求1所述的广告投放方法，其特征在于，将满足第一预设条件的集合作为第一类叶子节点包括：
...

【专利技术属性】
技术研发人员：李浩男，赵磊，张勇，
申请(专利权)人：深圳市酷开网络科技股份有限公司，
类型：发明
国别省市：