CN108734498B - 一种广告推送方法和装置 - Google Patents

Abstract

本申请公开了一种广告推送方法和装置。该方法包括：接收工具类应用程序APP发送的广告拉取请求；当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的的安装列表applist数据，确定所述用户标签；根据所述用户标签，确定与所述用户标签匹配的广告；将所述广告推送给所述工具类APP。根据本申请实施例的技术方案，通过工具类APP的applist数据确定用户标签，从而能够将与用户标签匹配的广告推送给工具类APP，进而实现对工具类APP的精准广告推送。

Description

一种广告推送方法和装置

技术领域

本公开一般涉及计算机技术领域，具体涉及移动互联网领域，尤其涉及一种广告推送方法和装置。

背景技术

随着移动智能终端(手机、平板电脑等)的普及和网速的提升，移动广告作为一种新兴的广告模式也随之迅速发展。

目前，许多APP(Application，应用程序)应用市场下载到的APP都会向用户推送广告，常用的方法是通过收集用户的日常行为数据来进行用户标签的数据挖掘，并以挖掘到的用户标签为依据进行广告推送。采用这种方法存在下述缺陷：

社交APP、内容APP和搜索APP等服务类APP能够收集用户的日常行为数据，具备挖掘用户标签的能力，但是对于工具类APP，仅有少部分用户留下的登录数据可以作为用户标签，其无法收集用户的日常行为数据，因此无法通过常用的方法进行用户标签的数据挖掘，不具备挖掘用户标签的能力，因此无法实现对工具类APP的精准广告推送。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种能够实现对工具类APP的精准广告推送的方案。

第一方面，本申请实施例提供了一种广告推送方法，包括：

接收工具类应用程序APP发送的广告拉取请求；

当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的安装列表applist数据，确定所述用户标签；

根据所述用户标签，确定与所述用户标签匹配的广告；

将所述广告推送给所述工具类APP。

第二方面，本申请实施例还提供了一种广告推送装置，包括：

接收单元，用于接收工具类应用程序APP发送的广告拉取请求；

标签确定单元，用于当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的安装列表applist数据，确定所述用户标签；

广告确定单元，用于根据所述用户标签，确定与所述用户标签匹配的广告；

推送单元，用于将所述广告推送给所述工具类APP。

第三方面，本申请实施例还提供了一种计算机设备，包括一个或多个处理器和存储器；其中：

所述存储器包含可由所述处理器执行的指令以使得所述处理器执行上述广告推送方法。

本申请实施例提供的广告推送方案，通过工具类APP的applist数据确定用户标签，从而能够将与用户标签匹配的广告推送给工具类APP，进而实现对工具类APP的精准广告推送。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了其中可以应用本申请实施例的示例性***架构；

图2示出了根据本申请实施例的广告推送方法的示例性流程图；

图3示出了根据本申请另一实施例的广告推送装置的示例性结构框图；以及

图4示出了适于用来实现本申请实施例的服务器的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，其示出了可以应用本申请实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、网络103和服务器104、105、106和107。网络103用以在终端设备101、102和服务器104、105、106、107之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102通过网络103与服务器104、105、106、107交互，以访问各种服务，例如浏览网页、下载数据等。终端设备101、102上可以安装有各种客户端应用，例如可以接入统一资源定位符URL云服务的应用，包括但不限于浏览器、安全应用等。

终端设备101、102可以是各种电子设备，包括但不限于个人电脑、智能手机、智能电视、平板电脑、个人数字助理、电子书阅读器等等。

服务器104、105、106、107可以是提供各种服务的服务器。服务器可以响应于用户的服务请求而提供服务。可以理解，一个服务器可以提供一种或多种服务，同一种服务也可以由多个服务器来提供。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

如背景技术中所提到的，现有技术一般通过收集用户的日常行为数据来进行用户标签的数据挖掘，并以挖掘到的用户标签为依据对APP进行广告推送。然而，对于工具类APP，除了少部分用户留下的登录数据可以作为用户标签，剩下大部分用户仅能挖掘出其app安装列表(applist)，无法通过常用的方法进行用户标签的数据挖掘，不具备挖掘用户标签的能力，因此无法实现对工具类APP的精准广告推送。

鉴于现有技术的上述缺陷，本申请实施例提供了一种广告推送方案，通过工具类APP的applist数据确定用户标签，从而能够将与用户标签匹配的广告推送给工具类APP，进而实现对工具类APP的精准广告推送。

下面将结合流程图来描述本申请实施例的方法。

参考图2，其示出了根据本申请一个实施例的广告推送方法的示例性流程图。图2所示的方法可以在图1中的服务器端执行。

如图2所示，该方法包括如下步骤：

步骤210，接收工具类APP发送的广告拉取请求。

本申请实施例中，广告拉取请求的发送时机可以但不限于为：

1、用户在使用工具类APP时，当工具类APP完成某指定功能时工具类APP向服务器端发送广告拉取请求，以某手机安全助手APP为例，当该手机安全助手APP完成手机垃圾清理后，其便向服务器端发送广告拉取请求；

2、工具类APP在运行时，按照其开发者预先设置的发送周期向服务器端发送广告拉取请求。

步骤220，当预先存储的用户标签库中不存在工具类APP的用户标签时，根据工具类APP的applist数据，确定用户标签。

本申请实施例中，步骤220可以但不限于按照如下方式实现：

首先，获取工具类APP的applist数据；

其中，工具类APP的applist数据可以是对工具类APP进行数据挖掘得到的。仍以某手机安全助手为例，对其进行数据挖掘得到的applist数据可以但不限于包括清理垃圾数据。

然后，根据预先得到的用于区分用户标签的标签模型，对applist数据进行学习，得到applist数据对应的用户标签。

其中，标签模型可以按照如下方式得到：

首先，获取applist样本数据和与applist样本数据对应的用户属性数据；

用户属性数据可以包括自然属性数据、社会属性数据和地理位置属性数据中的一项或多项，其中：

自然属性数据可以包括：性别、年龄和星座等；

社会属性数据可以包括：婚姻状况、职业、兴趣、教育、资产、求职和健康状况等；

地理位置属性数据可以包括：大洲、国家、省份、城市和区域等。

然后，将applist样本数据作为输入特征，用户属性数据作为模型标签，进行标签模型训练，生成标签模型。

本申请实施例中在进行标签模型训练时，可以但不局限于使用如下机器学习算法：

LR(Logistic Regression，逻辑回归)、GBDT(Gradient Boosting DecisionTree，回归树)、FM(Factorization Machines，因子分解机)、GP(Gaussian Process，高斯过程)、DNN(Deep Neural Network，深度神经网络)、深度自编码网络、Softmax等。

以自然属性数据中的性别和年龄为例，

性别分男女，常作为离散型数据，可用LR、FM等算法作为性别标签的学习标签；

年龄为数值型数据，常用固定区间将其离散化，可选择深度自编码、DNN等算法加上softmax作为年龄标签的学习模型。

需要说明的是，确定出用户标签之后，可以将该用户标签存储在用户标签库中，以便后续再接收到该工具类APP发送的广告拉取请求时，便可以直接从用户标签库中提取该用户标签。

进一步的，由于用户的兴趣可能会发生变化，比如工具类APP在清理垃圾时，以前清理垃圾最多的是游戏类APP，过了一段时间清理垃圾最多的变成了视频类APP，这就说明用户的兴趣在某种程度上发生了转移，因此用户标签也会随之发生变化。因此，还可以根据设置的更新周期，利用工具类APP的applist数据对存储在用户标签库中的用户标签进行更新。

另外，本申请实施例中，除了可以利用applist数据确定用户标签，还可以获取该工具类APP所在用户终端的用户数据，并根据上述applist数据和该用户数据共同确定用户标签。

其中，用户数据可以但不限于包括：

基于工具类APP提供的原始数据挖掘到的用户喜好数据、从除工具类APP之外的其它APP获取的用户社交数据(比如在某个页面停留时间，经常访问的网站等)和用户行为数据(比如广告拉取行为和点击行为等)中的一项或多项。

步骤230，根据确定的用户标签，确定与用户标签匹配的广告。

本申请实施例中，可以但不限于按照如下方式实现：

第一种方式：

分别计算工具类APP的用户标签与预先设置的各广告的广告标签之间的相似度，并将相似度不小于预设相似度的广告确定为与用户标签匹配的广告。

其中，相似度的数值范围为0至1，当相似度为0时，用户标签和广告标签完全不同，当相似度为1时，用户标签和广告标签完全相同。比如，将预设相似度设置为1，用户标签有男、未成年、学生、游戏、美国，广告主为自己的某个广告也设置了相同的广告标签，那么用户标签和该广告标签的相似度为1，则该广告为与用户标签匹配的广告。

第二种方式：

将用户标签和预先设置的各广告的广告特征输入用于确定与用户标签匹配的广告的机器学习模型中，得到与用户标签匹配的广告。

步骤240，将确定的广告推送给工具类APP。

本申请实施例中除了将确定的广告推送给工具类APP之外，还可以进行一些探索性的广告下发，以探索和满足用户喜好的不确定性变化。比如，根据EE(Exploitation&Exploration，探索性和开发性)策略，从除与用户标签匹配的广告之外的其它广告中，选取至少一条广告推送给工具类APP；其中，选取的广告的类别和与用户标签匹配的广告的类别不同。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

进一步参考图3，其示出了根据本申请一个实施例的广告推送装置的示例性结构框图。该装置300可以包括：

接收单元310，用于接收工具类应用程序APP发送的广告拉取请求；

第一标签确定单元320，用于当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的安装列表applist数据，确定所述用户标签；

广告确定单元330，用于根据所述用户标签，确定与所述用户标签匹配的广告；

第一推送单元340，用于将所述广告推送给所述工具类APP。

其中，所述第一标签确定单元320，包括：

第一获取模块3210，用于获取所述工具类APP的applist数据；

第一学习模块3220，用于根据预先得到的用于区分用户标签的标签模型，对所述applist数据进行学习，得到所述applist数据对应的用户标签。

可选的，所述装置还包括：

标签模型生成单元350，用于获取applist样本数据和与所述applist样本数据对应的用户属性数据；将所述applist样本数据作为输入特征，所述用户属性数据作为模型标签，进行标签模型训练，生成所述标签模型。

其中，所述用户属性数据包括：

自然属性数据、社会属性数据和地理位置属性数据中的一项或多项。

其中，所述广告确定单元330，用于：

分别计算所述工具类APP的用户标签与预先设置的各广告的广告标签之间的相似度；将所述相似度不小于预设相似度的广告确定为与所述用户标签匹配的广告；或者

将所述用户标签和预先设置的各广告的广告特征输入用于确定与所述用户标签匹配的广告的机器学习模型中，得到与所述用户标签匹配的广告。

可选的，所述标签确定单元320，可以包括：

第二获取模块3230，用于获取所述工具类APP的applist数据和所述工具类APP所在用户终端的用户数据；所述用户数据包括：基于所述工具类APP提供的原始数据挖掘到的用户喜好数据，从除所述工具类APP之外的其它APP获取的用户社交数据和用户行为数据中的一项或多项；

第二学习模块3240，用于根据预先得到的用于区分用户标签的标签模型，对所述applist数据和所述用户数据进行学习，得到所述用户标签。

可选的，所述装置还包括：

第二推送单元360，用于从除与所述用户标签匹配的广告之外的其它广告中，选取至少一条广告推送给所述工具类APP；其中，选取的广告的类别和与所述用户标签匹配的广告的类别不同。

应当理解，装置300中记载的诸子***或单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置300及其中包含的单元，在此不再赘述。

下面参考图4，其示出了适于用来实现本申请实施例的服务器的计算机***400的结构示意图。

如图4所示，计算机***400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有***400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考图2描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图2的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (13)

1.一种广告推送方法，其特征在于，所述方法包括：

接收工具类应用程序APP发送的广告拉取请求；

当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的安装列表applist数据，确定所述用户标签，包括：

获取所述工具类APP的applist数据；

根据预先得到的用于区分用户标签的标签模型，对所述applist数据进行学习，得到所述用户标签；

根据所述用户标签，确定与所述用户标签匹配的广告；

将所述广告推送给所述工具类APP。

2.根据权利要求1所述的方法，其特征在于，所述标签模型按照如下方式得到：

获取applist样本数据和与所述applist样本数据对应的用户属性数据；

将所述applist样本数据作为输入特征，所述用户属性数据作为模型标签，进行标签模型训练，生成所述标签模型。

3.根据权利要求2所述的方法，其特征在于，所述用户属性数据包括：

自然属性数据、社会属性数据和地理位置属性数据中的一项或多项。

4.根据权利要求1所述的方法，其特征在于，所述根据所述用户标签，确定与所述用户标签匹配的广告，包括：

分别计算所述工具类APP的用户标签与预先设置的各广告的广告标签之间的相似度；

将所述相似度不小于预设相似度的广告确定为与所述用户标签匹配的广告；或者

将所述用户标签和预先设置的各广告的广告特征输入用于确定与所述用户标签匹配的广告的机器学习模型中，得到与所述用户标签匹配的广告。

5.根据权利要求1所述的方法，其特征在于，所述根据所述工具类APP的安装列表applist数据，确定所述用户标签，包括：

获取所述工具类APP的applist数据和所述工具类APP所在用户终端的用户数据；所述用户数据包括：基于所述工具类APP提供的原始数据挖掘到的用户喜好数据，从除所述工具类APP之外的其它APP获取的用户社交数据和用户行为数据中的一项或多项；

根据预先得到的用于区分用户标签的标签模型，对所述applist数据和所述用户数据进行学习，得到所述用户标签。

6.根据权利要求1所述的方法，其特征在于，接收工具类应用程序APP发送的广告拉取请求之后，所述方法还包括：

根据探索性和开发性EE策略，从除与所述用户标签匹配的广告之外的其它广告中，选取至少一条广告推送给所述工具类APP；其中，选取的广告的类别和与所述用户标签匹配的广告的类别不同。

7.一种广告推送装置，其特征在于，所述装置包括：

接收单元，用于接收工具类应用程序APP发送的广告拉取请求；

标签确定单元，用于当预先存储的用户标签库中不存在所述工具类APP的用户标签时，根据所述工具类APP的安装列表applist数据，确定所述用户标签，所述标签确定单元，包括：

第一获取模块，用于获取所述工具类APP的applist数据；

第一学习模块，用于根据预先得到的用于区分用户标签的标签模型，对所述applist数据进行学习，得到所述用户标签；

广告确定单元，用于根据所述用户标签，确定与所述用户标签匹配的广告；

第一推送单元，用于将所述广告推送给所述工具类APP。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

标签模型生成单元，用于获取applist样本数据和与所述applist样本数据对应的用户属性数据；将所述applist样本数据作为输入特征，所述用户属性数据作为模型标签，进行标签模型训练，生成所述标签模型。

9.根据权利要求8所述的装置，其特征在于，所述用户属性数据包括：

自然属性数据、社会属性数据和地理位置属性数据中的一项或多项。

10.根据权利要求7所述的装置，其特征在于，所述广告确定单元，用于：

分别计算所述工具类APP的用户标签与预先设置的各广告的广告标签之间的相似度；将所述相似度不小于预设相似度的广告确定为与所述用户标签匹配的广告；或者

将所述用户标签和预先设置的各广告的广告特征输入用于确定与所述用户标签匹配的广告的机器学习模型中，得到与所述用户标签匹配的广告。

11.根据权利要求7所述的装置，其特征在于，所述标签确定单元，包括：

第二获取模块，用于获取所述工具类APP的applist数据和所述工具类APP所在用户终端的用户数据；所述用户数据包括：基于所述工具类APP提供的原始数据挖掘到的用户喜好数据，从除所述工具类APP之外的其它APP获取的用户社交数据和用户行为数据中的一项或多项；

第二学习模块，用于根据预先得到的用于区分用户标签的标签模型，对所述applist数据和所述用户数据进行学习，得到所述用户标签。

12.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二推送单元，用于根据EE策略，从除与所述用户标签匹配的广告之外的其它广告中，选取至少一条广告推送给所述工具类APP；其中，选取的广告的类别和与所述用户标签匹配的广告的类别不同。

13.一种计算机设备，包括一个或多个处理器和存储器；其特征在于：

所述存储器包含可由所述处理器执行的指令以使得所述处理器执行权利要求1至6任意一项所述的方法。

Images