本申請涉及廣告推送技術領域，尤其涉及一種基于大數據的廣告推送方法，包括：根據各用戶對各歷史廣告的反饋行為構建評分矩陣，利用交替最小二乘法將評分矩陣分解為用戶特征矩陣和廣告特征矩陣；依據廣告特征矩陣中的廣告特征計算損失函數以訓練特征提取模型；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，得到各用戶對新投入廣告的預測評分，將新投入廣告推送至預測評分大于評分閾值的用戶。本申請的技術方案能夠準確獲取各廣告的特征向量，實現廣告的精準推送。
【技術實現步驟摘要】
本申請涉及廣告推送，尤其涉及一種基于大數據的廣告推送方法。
技術介紹
1、隨著電商和網絡廣告的迅速發展，為用戶提供個性化的廣告內容已經成為廣告推送的核心目標。大多數廣告推送系統主要依賴于用戶的購買歷史或瀏覽記錄來進行廣告推送，這需要獲取用戶對廣告的購買歷史或瀏覽記錄等反饋行為，但是對于一個新投入廣告，無法采集到任意用戶對新投入廣告的反饋行為，進而導致推送不準確。
2、目前，公開號為cn117495458a的專利申請文件公開了一種基于用戶畫像的廣告在線推送方法，方法包括：根據用戶數據，構建用戶畫像；根據所述用戶畫像，構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練數據訓練預設的交替最小二乘模型，獲得預訓練模型并進行預測，生成廣告推薦排序結果；根據所述預訓練模型及所述廣告推薦排序結果，構建強化深度學習模型；響應于用戶瀏覽行為反饋，通過所述強化深度學習模型，進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域中，需要采集用戶對各廣告的點擊率以計算用戶評分矩陣，進而利用交替最小二乘法將用戶評分矩陣分解為用戶特征矩陣和廣告特征矩陣的乘積，通過用戶特征矩陣和廣告特征矩陣可預測任意用戶對任意廣告的評分。
4、上述方法通過構建用戶畫像向目標用戶推送可能感興趣的廣告，然而，上述方法依賴于用戶對廣告的瀏覽行為，對于一個新投入廣告或其它任意廣告，無法采集到用戶對該廣告的評分，則無法準確獲取該廣告的特征向量，進而導致廣告推送不準確。
技術實現思路</p>1、為了解決廣告推送不準確的技術問題，本申請提供了一種基于大數據的廣告推送方法，能夠準確獲取各廣告的特征向量，實現廣告的精準推送。
2、本申請提供了一種基于大數據的廣告推送方法，所述推送方法包括：根據各用戶對各歷史廣告的反饋行為構建評分矩陣，利用交替最小二乘法將所述評分矩陣分解為用戶特征矩陣和廣告特征矩陣；依據廣告特征矩陣中的廣告特征計算損失函數以訓練特征提取模型，所述特征提取模型用于對任意廣告進行特征提取；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，得到各用戶對新投入廣告的預測評分，將新投入廣告推送至預測評分大于評分閾值的用戶；損失函數為：，為用戶特征矩陣，為廣告特征矩陣中歷史廣告的廣告特征，為評分矩陣中各用戶對歷史廣告的真實評分，為以e為底的指數函數，為歷史廣告的數量，為特征提取模型對歷史廣告的特征提取結果。
3、本申請實施例提供的上述一種基于大數據的廣告推送方法，針對能夠采集到各用戶反饋行為的多個歷史廣告，采集各用戶對各歷史廣告的反饋行為以構建評分矩陣，并利用交替最小二乘法將評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算損失函數以訓練特征提取模型，其中，損失函數用于約束特征提取模型輸出的特征提取結果趨近于廣告特征，為了使輸出的特征提取結果能夠準確計算各用戶對該廣告的預測評分，在訓練特征提取模型的過程中，為每個歷史廣告分配樣本關注度，且樣本關注度與廣告特征對應的預測評分準確性呈正相關，使得訓練完畢的特征提取模型能夠對任意廣告進行特征提取；進一步地，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，得到各用戶對新投入廣告的預測評分，將新投入廣告推送至預測評分大于評分閾值的用戶，在無需采集各用戶對新投入廣告反饋行為的前提下，準確獲取各廣告的特征向量，實現廣告的精準推送。
4、優選地，反饋行為包括點擊次數、瀏覽時長、分享次數和/或購買次數，所述評分矩陣包括各用戶對各歷史廣告的真實評分；各反饋行為均對應一個預設分值，用戶對歷史廣告的真實評分等于用戶對歷史廣告各反饋行為的取值與預設分值的乘積之和。
5、為各反饋行為分配一個預設分值，統計用戶對歷史廣告的各反饋行為的取值，進而將反饋行為量化，得到用戶對歷史廣告的真實評分。
6、優選地，利用交替最小二乘法將所述評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；構建分解損失，所述分解損失為：，為用戶對歷史廣告的真實評分，為用戶的用戶特征，為歷史廣告的廣告特征，為用戶對歷史廣告的預測評分，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設損失。
7、利用交替最小二乘法對評分矩陣進行分解，得到每一個用戶的用戶特征，以及每一個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歷史廣告的預測評分。
8、優選地，的置信度為：，為歷史廣告向用戶的推送次數，為歷史廣告向所有用戶的推送次數。
9、考慮到歷史廣告對用戶的推送次數不同，導致評分矩陣中的真實評分無法準確反映用戶對歷史廣告喜好程度，因此，在利用交替最小二乘法對評分矩陣進行分解的過程中，還需要依據歷史廣告對用戶的推送次數判斷每個真實評分的置信度，該置信度用于反映真實評分準確反映用戶對歷史廣告喜好程度的可信程度。
10、優選地，的置信度為等于1。
11、優選地，所述特征提取模型的結構與歷史廣告的廣告類型有關；響應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網絡；響應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神經網絡。
12、優選地，特征提取模型的訓練方法包括：將歷史廣告輸入特征提取模型，得到特征提取結果，并計算損失函數；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，直至損失函數的取值小于損失閾值，或迭代次數大于預設次數時，得到訓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簽，完成特征提取模型的訓練，訓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、優選地，用戶對新投入廣告的預測評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、本申請的技術方案具有以下有益技術效果：
16、本申請實施例提供的上述一種基于大數據的廣告推送方法，針對能夠采集到各用戶反饋行為的多個歷史廣告，采集各用戶對各歷史廣告的反饋行為以構建評分矩陣，并利用交替最小二乘法將評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算損失函數以訓練特征提取模型，損失函數能夠約束特征提取模型的輸出結果等于廣告特征，從而使得訓練完畢的特征提取模型能夠對任意廣告進行特征提取；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，得到各用戶對新投入廣告的預測評分，將新投入廣告推送至預測評分大于評分閾值的用戶，在無需采集各用戶對新投入廣告反饋行為的前提下，準確獲取各廣告的特征向量，實現廣告的精準推送。
本文檔來自技高網...
【技術保護點】
1.一種基于大數據的廣告推送方法，其特征在于，所述推送方法包括：
2.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，反饋行為包括點擊次數、瀏覽時長、分享次數和/或購買次數，所述評分矩陣包括各用戶對各歷史廣告的真實評分；
3.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，利用交替最小二乘法將所述評分矩陣分解為用戶特征矩陣和廣告特征矩陣包括：
4.如權利要求3所述的一種基于大數據的廣告推送方法，其特征在于，的置信度為：，為歷史廣告向用戶的推送次數，為歷史廣告向所有用戶的推送次數。
5.如權利要求3所述的一種基于大數據的廣告推送方法，其特征在于，的置信度為等于1。
6.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，所述特征提取模型的結構與歷史廣告的廣告類型有關；
7.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，特征提取模型的訓練方法包括：
8.如權利要求7所述的一種基于大數據的廣告推送方法，其特征在于，?用戶對新投入廣告的預測評分等于用戶的用戶特征與新投入廣告的廣告特征的乘積。
...
【技術特征摘要】
1.一種基于大數據的廣告推送方法，其特征在于，所述推送方法包括：
2.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，反饋行為包括點擊次數、瀏覽時長、分享次數和/或購買次數，所述評分矩陣包括各用戶對各歷史廣告的真實評分；
3.如權利要求1所述的一種基于大數據的廣告推送方法，其特征在于，利用交替最小二乘法將所述評分矩陣分解為用戶特征矩陣和廣告特征矩陣包括：
4.如權利要求3所述的一種基于大數據的廣告推送方法，其特征在于，的置信度為：，為歷史廣告向用戶的推送次數，為...
【專利技術屬性】
技術研發人員：周毅，余健航，俞少云，
申請(專利權)人：廣州易尊網絡科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。