CN107590689A - 一种广告数据推荐方法和*** - Google Patents

Abstract

本发明公开了一种广告数据推荐方法和***。所述方法包括：接收到用户对目标广告数据的浏览请求后，获取所述用户的用户特征信息，将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度，将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

Description

一种广告数据推荐方法和***

技术领域

本发明涉及信息技术领域，特别涉及一种广告数据推荐方法，以及一种广告数据推荐***。

背景技术

随着网络技术的发展，在网络媒体上发布广告进行产品展示已成为商家常用的产品宣传手段。网络媒体上发布的广告数据可以包括多种，如图文广告、视频广告、文字与视频结合的广告等，用户可以通过查看网络媒体上展示的广告获取产品信息。

目前，一些视频广告包括具有不同广告创意的多个广告展现形式，不同广告展现形式对于不同用户会产生不同的宣传效果。现有技术中，网络媒体接收到某一视频广告的播放指示后，会从该视频广告的多个广告展现形式中，随机选取一个广告展现形式，随后将包含选取的广告展现形式的视频广告展示在网络媒体上，然而使用上述方法投放并展示的视频广告常常是用户不感兴趣的，导致广告投放效果较差。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的广告数据推荐方法和相应的广告数据推荐***。

依据本发明的一个方面，提供了一种广告数据推荐方法，所述方法包括：

接收到用户对目标广告数据的浏览请求后，获取所述用户的用户特征信息；

将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度；

将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述相关度预测模型通过以下方式获得：

提取第一历史时段内记录的第一广告数据使用日志；

从所述第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的所述目标广告数据，以及提取出历史浏览所述目标广告数据的至少一个用户的用户特征信息；

根据所述目标广告数据的多个广告展现形式以及所述至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

可选地，在所述获取所述用户的用户特征信息之前，所述方法还包括：

判断是否针对所述目标广告数据建立了相关度预测模型；

如果是，则执行所述获取所述用户的用户特征信息的步骤。

如果否，则使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率包括：

提取当前日期之前的第二历史时段内记录的第二广告数据使用日志；

从所述第二广告数据使用日志中，提取所述目标广告数据的各广告展现形式的历史曝光量和历史点击量；

将各广告展现形式的历史曝光量和历史点击量输入预先建立的所述平滑点击率统计模型，得到各广告展现形式的平滑点击率；所述第二历史时段的时长大于所述第一历史时段的时长。

可选地，所述获取所述用户的用户特征信息包括：

提取第三历史时段内记录的第三广告数据使用的日志；

从所述第三广告数据使用的日志中，查找出所述用户的用户特征信息。

可选地，所述将包含满足预设相关度条件的广告展现形式的目标广告数据推荐给所述用户包括：

将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述用户特征信息包括用户身份信息和用户浏览信息中的一种或多种。

依据本发明的另一个方面，还提供了一种广告数据推荐***，所述***包括：

请求接收模块，用于接收到用户对目标广告数据的浏览请求；

用户特征信息获取模块，用于获取所述用户的用户特征信息；

相关度得到模块，用于将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度；

目标广告数据推荐模块，用于将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述***还包括模型训练模块，所述模型训练模块包括：

第一日志提取子模块，用于提取第一历史时段内记录的第一广告数据使用日志；

目标广告数据查找子模块，用于从所述第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的所述目标广告数据；

用户特征信息提取子模块，用于提取出历史浏览所述目标广告数据的至少一个用户的用户特征信息；

模型得到子模块，用于根据所述目标广告数据的多个广告展现形式以及所述至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

可选地，所述***还包括模型判断模块和平滑点击率统计模型使用模块：

所述模型判断模块，用于在所述获取所述用户的用户特征信息之前，判断是否针对所述目标广告数据建立了相关度预测模型；

所述用户特征信息获取模块，具体用于当已建立所述目标广告数据对应的相关度预测模型时，获取所述用户的用户特征信息；

所述平滑点击率统计模型使用模块，用于当未建立所述目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述平滑点击率统计模型使用模块包括：

第二日志提取子模块，用于提取当前日期之前的第二历史时段内记录的第二广告数据使用日志；

历史曝光量和历史点击量提取子模块，用于从所述第二广告数据使用日志中，提取所述目标广告数据的各广告展现形式的历史曝光量和历史点击量；

平滑点击率得到子模块，用于将各广告展现形式的历史曝光量和历史点击量输入预先建立的所述平滑点击率统计模型，得到各广告展现形式的平滑点击率；所述第二历史时段的时长大于所述第一历史时段的时长。

可选地，所述用户特征信息获取模块包括：

第三日志提取子模块，用于提取第三历史时段内记录的第三广告数据使用的日志；

用户特征信息查找子模块，用于从所述第三广告数据使用的日志中，查找出所述用户的用户特征信息。

可选地，所述目标广告数据推荐模块，具体用于将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

可选地，所述用户特征信息包括用户身份信息和用户浏览信息中的一种或多种。

依据本发明实施例，在接收到用户对目标广告数据发送的浏览请求后，根据用户的用户特征信息和历史浏览信息，利用预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度，提取出相关度满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

本发明实施例在未建立目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率，确定出平滑点击率满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，从而提出了一种多模型的广告数据推荐方法，对于曝光量充足的广告数据，使用相关度预测模型计算广告数据的各广告展现形式的相关度，对于曝光量不足的广告数据，使用平滑点击率统计模型计算广告数据的各广告展现形式的相关度，实现广告数据的推荐。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例1的一种广告数据推荐方法的流程图；

图2示出了根据本发明实施例2的一种广告数据推荐方法的流程图；

图3示出了根据本发明实施例1的一种广告数据推荐***的结构框图；

图4示出了根据本发明实施例2的一种广告数据推荐***的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1，示出了根据本发明实施例1的一种广告数据推荐方法的流程图，所述方法具体可以包括：

步骤101、接收到用户对目标广告数据的浏览请求后，获取用户的用户特征信息。

网络媒体设置有广告投放平台，广告投放平台对网络媒体提供的广告位进行管理。通常在现有的竞价广告投放模式中，广告投放平台获取媒体的待投放广告的流量，并向广告交易平台发送投放广告的请求，通常该请求中携带媒体的待投放广告的流量，广告交易平台从提供广告数据的广告需求方从大量广告中获取合适流量的竞价广告，并对广告需求方反馈的广告数据进行排序，将竞价胜出的广告数据投放至提供广告投放流量的媒体进行播放。

网络媒体播放的广告数据中，部分广告数据包括多个广告展现形式，不同的广告展现形式具有不同的广告创意。广告交易平台可以同时从广告需求方获取广告数据的多种广告展现形式，并将多种广告展现形式一同返回给网络媒体。

为了提高用户对播放的广告数据的兴趣，提高用户体验，本发明实施例在接收到用户对待查看的目标广告数据的浏览请求后，会根据用户的相关信息，从目标广告数据的多个广告展现形式中提取出与用户较为匹配的广告展现形式，并将包括匹配的广告展现形式的目标广告数据进行展示，从而推荐给用户观看。

所述的目标广告数据可以为多种，如视频广告数据、可以为图像等。

基于目标广告数据的种类、播放时机等因素，接收到用户对待查看的目标广告数据的浏览请求的步骤可以包括多种，例如，第一种，当目标广告数据为视频广告数据，且视频广告数据在其他视频中插播时，上述步骤可以为接收到在当前播放的视频中插播视频广告数据的指示，或检测到第一段视频播放结束；第二种，当目标广告数据为视频广告数据，且需要点击播放时，上述步骤可以为接收到用户对目标广告数据的点击操作。

本步骤中在接收到用户对目标广告数据的浏览请求后，会获取用户的用户特征信息，以便后续根据用户的相关信息进行目标广告数据的广告展现形式的选择和推荐。其中，用户特征信息可以包括多种，如用户身份信息、用户浏览信息等，用户身份信息可以是用户的互联网协议地址即ip地址，用户的登陆账号等，用户浏览信息可以是相对于所述目标广告数据的前一浏览数据的数据内容、数据地址等。用户在浏览网络媒体时，网络媒体可以对用户的用户身份信息、用户浏览信息等信息进行记录和存储，如以日志的形式存储，在接收到用户对目标广告数据的浏览请求后，媒体可以从指定存储位置提取，以获取用户的相关信息。

步骤102、将用户特征信息输入预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度。

本发明实施例中，不同广告数据对应有不同的相关度预测模型，预先针对该目标广告数据建立了相关度预测模型，该相关度预测模型包括用户特征信息、各广告展现形式等参数。媒体可以对广告数据的使用信息进行记录并生成使用日志。建立相关度预测模型时，可以从广告数据的使用日志中提取所需信息，使用提取的所需信息对相关算法进行训练，得到相关度预测模型。

本发明实施例将获取到的用户特征信息输入到预先建立的相关度预测模型中，得到目标广告数据的各广告展现形式与浏览请求的相关度。相关度越大，表明用户对对应的广告展现形式越感兴趣，该对应的广告展现形式的推荐值越大。

步骤103、将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给用户。

本发明实施例预先设置了相关度的预设条件，在计算得到目标广告数据的各广告展现形式的相关度后，确定出相关度满足预设条件的广告展现形式，进一步将包含符合预设条件的广告展现形式的目标广告数据推荐给用户，在媒体上展示。预设条件可以为多种，如相关度最大、相关度大于阈值等，可以根据实际进行设置。

由于推荐给用户的目标广告数据与用户的浏览请求的相关度较大，因此用户容易对目标广告数据产生兴趣，从而提高了用户体验。对于需要点击播放的广告数据，由于点击前显示的视频图像为用户感兴趣的图像，因此本发明实施例所述方法提高了广告数据的点击率，减少了广告数据点击率低的无效曝光。

依据本发明实施例，在接收到用户对目标广告数据发送的浏览请求后，根据用户的用户特征信息和历史浏览信息，利用预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度，提取出相关度满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

参照图2，示出了根据本发明实施例2的一种广告数据推荐方法的流程图，所述方法具体可以包括：

步骤201、接收到用户对目标广告数据的浏览请求。

本发明实施例中，目标广告数据为用户待浏览的广告数据。目标广告数据可以是视频数据、图片数据等，包括多种广告展现形式，不同广告展现形式具有不同的广告创意。媒体在接收到目标广告数据时，同时接收该目标广告数据的多种广告展现形式。

目标广告数据可以是同一页面中需要通过点击操作才能播放的视频数据，可以是插播在其他视频中的视频数据等，基于目标广告数据的种类、播放时机等因素，接收到用户对待查看的目标广告数据的浏览请求的步骤可以包括多种，例如，接收到用户对目标广告数据的点击操作，或者接收到在当前播放的视频中插播视频广告数据的指示，或检测到第一段视频播放结束。

步骤202、判断是否针对目标广告数据建立了相关度预测模型。

本发明实施例在接收到用户对目标广告数据的浏览请求后，需要判断是否针对目标广告数据建立了相关度预测模型，如果建立，则可以执行后续步骤，根据用户的用户特征信息，利用相关度预测模型，计算目标广告数据的各广告展现形式与浏览请求的相关度。

目标广告数据对应的相关度预测模型是预先建立的，不同广告数据对应有不同的相关度预测模型，所述相关度预测模型可以通过以下方式获得：

首先，提取第一历史时段内记录的第一广告数据使用日志。

媒体会对历史时段内的广告数据的使用情况进行记录，形成第一广告数据使用日志，广告数据使用日志可以包括多种信息，如曝光次数和点击次数等。第一历史时段的时长可以根据需要进行设置，如七天时间。

其次，从第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的目标广告数据，以及提取出历史浏览目标广告数据的至少一个用户的用户特征信息。

对于按照广告显示次数来收取广告费的广告数据，曝光一次，显示次数增加一。本步骤从第一广告数据使用日志中查找出包含多个广告展现形式的一个或多个广告数据，再判断各广告数据的在第一历史时段内历史曝光量是否大于曝光量阈值，如果大于，说明广告数据在该历史时段内的显示次数较多，则确定要为该广告数据建立相关度预测模型，如果不大于，则使用预先建立的平滑点击率(smooth ctr)统计模型进行相关度计算。

本发明实施例中，目标广告数据为历史曝光量大于曝光量阈值的包含多个广告展现形式的广告数据。在确定出满足上述条件的目标广告数据后，从第一广告数据使用日志中提取出第一历史时段内浏览该目标广告数据的至少一个用户的用户特征信息，如用户身份信息和用户浏览信息等。

最后，根据目标广告数据的多个广告展现形式以及至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

在查找出满足条件的目标广告数据，以及提取出历史浏览目标广告数据的至少一个用户的用户特征信息后，根据目标广告数据的多个广告展现形式以及至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。相关度预测模型中可以包括用户特征信息、多个广告展现形式等参数信息。所述机器学习相关度算法可以包括多种，如因子分解机算法即FM(Factorization Machine)算法。

本发明实施例使用机器学习方法，更好地根据用户的用户特征信息和广告特性进行广告数据推荐，提高了推荐的广告数据的广告展现形式与用户的匹配度，提高了用户体验。

步骤203、如果已建立目标广告数据对应的相关度预测模型，则获取用户的用户特征信息。

如果判断已建立了目标广告数据对应的相关度预测模型，则获取用户的用户特征信息。用户特征信息可以包括多种，如用户身份信息和用户浏览信息中的一种或多种，其中，用户身份信息可以是用户的互联网协议地址即ip地址，用户的登陆账号等，用户浏览信息可以是相对于所述目标广告数据的前一浏览数据的数据内容、数据地址等。

可以通过多种方式获取用户的用户特征信息，如提取第三历史时段内记录的第三广告数据使用的日志，从第三广告数据使用的日志中，查找出用户的用户特征信息。第三历史时段的时长可以根据实际进行设置。第三广告数据使用的日志可以是针对所有历史使用的广告数据记录的使用日志，也可以是针对某一用户在历史时段内使用的广告数据记录的使用日志，可以根据实际进行设置。

步骤204、将用户特征信息输入预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度。

本发明实施例将获取到的用户特征信息输入到相关度预测模型中，通过模型计算，得到目标广告数据的各广告展现形式与浏览请求的相关度。

步骤205、将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给用户。

在计算得到目标广告数据的各广告展现形式与浏览请求的相关度后，将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给用户。预设条件可以为多种，如将包含相关度最大的广告展现形式的目标广告数据推荐给用户、将包含相关度大于预设阈值的广告展现形式的目标广告数据推荐给用户，可以根据实际进行设置。相应地，所述将包含满足预设相关度条件的广告展现形式的目标广告数据推荐给用户的步骤可以包括：将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

步骤206、如果未建立目标广告数据对应的相关度预测模型，则使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给用户。

本发明实施例预先建立了平滑点击率计算模型，如果判断未针对目标广告数据建立相应的相关度预测模型，则使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给用户。预设点击率条件可以为多种，如点击率最大、点击率大于预设阈值等。

所述使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率的步骤可以包括：

首先，提取当前日期之前的第二历史时段内记录的第二广告数据使用日志。

媒体会对当前日期之前的第二历史时段内的广告数据的使用情况进行记录，形成第二广告数据使用日志，第二广告数据使用日志可以包括多种信息，如曝光次数和点击次数等。第二历史时段的时长可以根据需要进行设置，如十四天时间，具体如，今天是20号，第二历史时段为6日-19日。

本发明实施例中，平滑点击率统计模型所使用的第二历史时段的时长大于相关度预测模型所使用的第一历史时段的时长。当某一广告数据在较短的历史时间内曝光充足时，使用相关度预测模型进行相关度计算，当某一广告数据在较短的历史时间内曝光不足时，使用历史时间较长的平滑点击率统计模型进行相关度计算，从而解决了广告展现形式的浏览次数少、冷启动的问题。

如果目标广告数据的某一广告展现形式为新的展现形式，则使用平滑点击率统计模型计算目标广告数据的相关度，将目标广告数据的相关度作为该新的广告展现形式的相关度。这时下述的平滑点击率统计模型的公式中，各参数为目标广告数据的参数。

如果目标广告数据是新的广告数据，则随机给新的目标广告数据的多个广告展现形式赋值，如赋值0～1，基于赋值对多个广告展现形式进行排序，排序靠前的广告展现形式优先被推荐。

其次，从第二广告数据使用日志中，提取目标广告数据的各广告展现形式的历史曝光量和历史点击量。

平滑点击率统计模型包括多种参数，如历史曝光量和历史点击量，因此在提取到第二广告数据使用日志后，从第一广告数据使用日志中，提取目标广告数据的各广告展现形式的历史曝光量和历史点击量。

最后，将各广告展现形式的历史曝光量和历史点击量输入预先建立的平滑点击率统计模型，得到各广告展现形式的平滑点击率。

提取到目标广告数据的各广告展现形式的历史曝光量和历史点击量后，将其输入预先建立的平滑点击率统计模型，得到各广告展现形式的平滑点击率。

本发明实施例所使用的平滑点击率统计模型的模型公式可以如下：

其中，L为广告展现形式的平滑点击率，c为广告展现形式的在第二历史时段内的历史点击量，C为广告展现形式在当前日期内的当前点击量，d为广告展现形式在第二历史时段内的历史曝光量，D为广告展现形式在当前日期内的当前曝光量，α为参数。

通过上述公式可知，上述的从第二广告数据使用日志中提取的历史曝光量包括第二历史时段内的历史曝光量和当前日期内的当前曝光量，提取的历史点击量包括第二历史时段内的历史点击量和当前日期内的当前曝光量。

通过上述描述可知，本发明实施例提出了一种多模型的广告数据推荐方法，对于曝光量充足的广告数据，可以使用相关度预测模型计算广告数据的各广告展现形式的相关度，对于曝光量不足的广告数据，可以使用平滑点击率统计模型计算广告数据的各广告展现形式的相关度，从而实现广告数据的推荐。

依据本发明实施例，在接收到用户对目标广告数据发送的浏览请求后，根据用户的用户特征信息和历史浏览信息，利用预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度，提取出相关度满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

本发明实施例在未建立目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率，确定出平滑点击率满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，从而提出了一种多模型的广告数据推荐方法，对于曝光量充足的广告数据，使用相关度预测模型计算广告数据的各广告展现形式的相关度，对于曝光量不足的广告数据，使用平滑点击率统计模型计算广告数据的各广告展现形式的相关度，实现广告数据的推荐。

基于上述方法实施例的说明，本发明还提供了相应的广告数据推荐***实施例，来实现上述方法实施例所述的内容。

参照图3，示出了根据本发明实施例1的一种广告数据推荐***的结构框图，所述广告数据推荐***可以包括：

请求接收模块301，用于接收到用户对目标广告数据的浏览请求。

用户特征信息获取模块302，用于获取所述用户的用户特征信息。

相关度得到模块303，用于将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度。

目标广告数据推荐模块304，用于将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

依据本发明实施例，在接收到用户对目标广告数据发送的浏览请求后，根据用户的用户特征信息和历史浏览信息，利用预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度，提取出相关度满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

参照图4，示出了根据本发明实施例2的一种广告数据推荐***的结构框图，所述广告数据推荐***可以包括：

请求接收模块401，用于接收到用户对目标广告数据的浏览请求。

模型判断模块402，用于判断是否针对所述目标广告数据建立了相关度预测模型。

用户特征信息获取模块403，用于当已建立所述目标广告数据对应的相关度预测模型时，获取所述用户的用户特征信息。

相关度得到模块404，用于将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度。

目标广告数据推荐模块405，用于将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

平滑点击率统计模型使用模块406，用于当未建立所述目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给所述用户。

本发明实施例，优选地，所述***还包括模型训练模块，所述模型训练模块包括：

第一日志提取子模块，用于提取第一历史时段内记录的第一广告数据使用日志；

目标广告数据查找子模块，用于从所述第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的所述目标广告数据；

用户特征信息提取子模块，用于提取出历史浏览所述目标广告数据的至少一个用户的用户特征信息；

模型得到子模块，用于根据所述目标广告数据的多个广告展现形式以及所述至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

本发明实施例，优选地，所述平滑点击率统计模型使用模块405包括：

第二日志提取子模块，用于提取当前日期之前的第二历史时段内记录的第二广告数据使用日志；

历史曝光量和历史点击量提取子模块，用于从所述第二广告数据使用日志中，提取所述目标广告数据的各广告展现形式的历史曝光量和历史点击量；

平滑点击率得到子模块，用于将各广告展现形式的历史曝光量和历史点击量输入预先建立的所述平滑点击率统计模型，得到各广告展现形式的平滑点击率；所述第二历史时段的时长大于所述第一历史时段的时长。

本发明实施例，优选地，所述用户特征信息获取模块403包括：

第三日志提取子模块，用于提取第三历史时段内记录的第三广告数据使用的日志；

用户特征信息查找子模块，用于从所述第三广告数据使用的日志中，查找出所述用户的用户特征信息。

本发明实施例，优选地，所述目标广告数据推荐模块405，具体用于将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

本发明实施例，优选地所述用户特征信息包括用户身份信息和用户浏览信息中的一种或多种。

依据本发明实施例，在接收到用户对目标广告数据发送的浏览请求后，根据用户的用户特征信息和历史浏览信息，利用预先建立的相关度预测模型，得到目标广告数据的各广告展现形式与浏览请求的相关度，提取出相关度满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，由于本发明实施例是根据用户的用户特征信息确定广告展现形式，进而确定推荐的广告数据，因此提高了用户对展示的广告数据的兴趣，提高了用户体验，减少了广告数据点击率低的无效曝光。

本发明实施例在未建立目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算目标广告数据的各广告展现形式的平滑点击率，确定出平滑点击率满足预设条件的广告展现形式，并将包含该广告展现形式的目标广告数据推荐给用户，从而提出了一种多模型的广告数据推荐方法，对于曝光量充足的广告数据，使用相关度预测模型计算广告数据的各广告展现形式的相关度，对于曝光量不足的广告数据，使用平滑点击率统计模型计算广告数据的各广告展现形式的相关度，实现广告数据的推荐。

对于上述编码模式判断装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见图1-图2所示方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的广告数据推荐***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (14)

1.一种广告数据推荐方法，其特征在于，所述方法包括：

接收到用户对目标广告数据的浏览请求后，获取所述用户的用户特征信息；

将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度；

将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述相关度预测模型通过以下方式获得：

提取第一历史时段内记录的第一广告数据使用日志；

从所述第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的所述目标广告数据，以及提取出历史浏览所述目标广告数据的至少一个用户的用户特征信息；

根据所述目标广告数据的多个广告展现形式以及所述至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

3.根据权利要求2所述的方法，其特征在于，在所述获取所述用户的用户特征信息之前，所述方法还包括：

判断是否针对所述目标广告数据建立了相关度预测模型；

如果是，则执行所述获取所述用户的用户特征信息的步骤。

如果否，则使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给所述用户。

4.根据权利要求3所述的方法，其特征在于，所述使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率包括：

提取当前日期之前的第二历史时段内记录的第二广告数据使用日志；

从所述第二广告数据使用日志中，提取所述目标广告数据的各广告展现形式的历史曝光量和历史点击量；

将各广告展现形式的历史曝光量和历史点击量输入预先建立的所述平滑点击率统计模型，得到各广告展现形式的平滑点击率；所述第二历史时段的时长大于所述第一历史时段的时长。

5.根据权利要求1所述的方法，其特征在于，所述获取所述用户的用户特征信息包括：

提取第三历史时段内记录的第三广告数据使用的日志；

从所述第三广告数据使用的日志中，查找出所述用户的用户特征信息。

6.根据权利要求1所述的方法，其特征在于，所述将包含满足预设相关度条件的广告展现形式的目标广告数据推荐给所述用户包括：

将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

7.根据权利要求1所述的方法，其特征在于，所述用户特征信息包括用户身份信息和用户浏览信息中的一种或多种。

8.一种广告数据推荐***，其特征在于，所述***包括：

请求接收模块，用于接收到用户对目标广告数据的浏览请求；

用户特征信息获取模块，用于获取所述用户的用户特征信息；

相关度得到模块，用于将所述用户特征信息输入预先建立的相关度预测模型，得到所述目标广告数据的各广告展现形式与所述浏览请求的相关度；

目标广告数据推荐模块，用于将包含相关度满足预设条件的广告展现形式的目标广告数据推荐给所述用户。

9.根据权利要求8所述的***，其特征在于，所述***还包括模型训练模块，所述模型训练模块包括：

第一日志提取子模块，用于提取第一历史时段内记录的第一广告数据使用日志；

目标广告数据查找子模块，用于从所述第一广告数据使用日志中查找出历史曝光量大于曝光量阈值的包含多个广告展现形式的所述目标广告数据；

用户特征信息提取子模块，用于提取出历史浏览所述目标广告数据的至少一个用户的用户特征信息；

模型得到子模块，用于根据所述目标广告数据的多个广告展现形式以及所述至少一个用户的用户特征信息，对机器学习相关度算法进行训练得到相关度预测模型。

10.根据权利要求9所述的***，其特征在于，所述***还包括模型判断模块和平滑点击率统计模型使用模块：

所述模型判断模块，用于在所述获取所述用户的用户特征信息之前，判断是否针对所述目标广告数据建立了相关度预测模型；

所述用户特征信息获取模块，具体用于当已建立所述目标广告数据对应的相关度预测模型时，获取所述用户的用户特征信息；

所述平滑点击率统计模型使用模块，用于当未建立所述目标广告数据对应的相关度预测模型时，使用预先建立的平滑点击率统计模型，计算所述目标广告数据的各广告展现形式的平滑点击率，并将包含满足预设点击率条件的广告展现形式的目标广告数据推荐给所述用户。

11.根据权利要求10所述的***，其特征在于，所述平滑点击率统计模型使用模块包括：

第二日志提取子模块，用于提取当前日期之前的第二历史时段内记录的第二广告数据使用日志；

历史曝光量和历史点击量提取子模块，用于从所述第二广告数据使用日志中，提取所述目标广告数据的各广告展现形式的历史曝光量和历史点击量；

平滑点击率得到子模块，用于将各广告展现形式的历史曝光量和历史点击量输入预先建立的所述平滑点击率统计模型，得到各广告展现形式的平滑点击率；所述第二历史时段的时长大于所述第一历史时段的时长。

12.根据权利要求8所述的***，其特征在于，所述用户特征信息获取模块包括：

第三日志提取子模块，用于提取第三历史时段内记录的第三广告数据使用的日志；

用户特征信息查找子模块，用于从所述第三广告数据使用的日志中，查找出所述用户的用户特征信息。

13.根据权利要求8所述的***，其特征在于：

所述目标广告数据推荐模块，具体用于将包含最大相关度的广告展现形式的目标广告数据推荐给所述用户。

14.根据权利要求8所述的***，其特征在于，所述用户特征信息包括用户身份信息和用户浏览信息中的一种或多种。