CN109840793A - 推广信息的推送方法和装置、存储介质、电子装置 - Google Patents

Abstract

本发明公开了一种推广信息的推送方法和装置、存储介质、电子装置。其中，该方法包括：获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；基于第一媒体信息确定第一帐号所属的第一帐号集合；将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息。本发明解决了相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题。

Description

推广信息的推送方法和装置、存储介质、电子装置

技术领域

本发明涉及互联网领域，具体而言，涉及一种推广信息的推送方法和装置、存储介质、电子装置。

背景技术

随着互联网的发展，用户对浏览媒体信息的数量需求越来越大，商家、视频制作公司等往往需要在互联网平台、电视等媒介上投放大量的媒体推广信息，这些媒体推广信息包括但不局限于：电影、电视剧、短片、广告视频、广告图片、宣传片、动漫视频等。

由于用户喜好不同，推出的媒体信息不一定能够得到用户的喜好。在相关技术中，往往采用过线下定性的方式来进行分析，从而根据调查出的信息确定符合各个用户需求的媒体信息。

利用线下定性方式虽然可以准确联系并区分出不同用户(如不同类型的观影者、广告用户、电视剧观众等)的需求，但线下模式确定不同用户的需求所需时间长，如人工查看某用户的网页浏览记录，从而根据其浏览记录确定其所喜爱的媒体推广信息类型，进而按照该类型进行推送，整个过程耗时耗力，效率低、成本高。

针对相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种推广信息的推送方法和装置、存储介质、电子装置，以至少解决相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种推广信息的推送方法，该方法包括：获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；基于第一媒体信息确定第一帐号所属的第一帐号集合；将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息。

根据本发明实施例的另一方面，还提供了一种推广信息的推送装置，该装置包括：获取单元，用于获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；确定单元，用于基于第一媒体信息确定第一帐号所属的第一帐号集合；处理单元，用于将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象；推送单元，用于向第一帐号推送第一推广信息。

根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。

在本发明实施例中，在确定与第一帐号匹配的推广信息时，可先获取第一帐号分享过的第一媒体信息，第一媒体信息用于在目标应用的帐号之间进行分享，基于第一媒体信息确定第一帐号所属的第一帐号集合；并将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息，可以解决了相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题，进而达到提高查找与用户匹配的推广信息的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的推广信息的推送方法的硬件环境的示意图；

图2是根据本发明实施例的一种可选的推广信息的推送方法的流程图；

图3是根据本发明实施例的一种可选的朋友圈界面的示意图；

图4是根据本发明实施例的一种可选的朋友圈界面的示意图；

图5是根据本发明实施例的一种可选的构造训练数据的流程图；

图6是根据本发明实施例的一种可选的图像标签序列的示意图；

图7是根据本发明实施例的一种可选的模型的网络结构的示意图；

图8是根据本发明实施例的一种可选的模型的网络结构的示意图；

图9是根据本发明实施例的一种可选的推广信息的推送装置装置的示意图；以及

图10是根据本发明实施例的一种终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本发明实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：

Embedding：将数据信息从一个空间映射到另外一个空间，一般而言后一空间的维度较前一空间更小，但保留数据信息的基本属性，例如，词汇word Embedding就是从一个高维空间，映射到低维度空间。

LSTM(Long Short-Term Memory)，中文名称是长短期记忆网络，是一种特殊循环神经网络RNN(Recurrent Neural Networks)的类型，可以学习长期依赖信息。

根据本发明实施例的一方面，提供了一种推广信息的推送方法的方法实施例。

可选地，在本实施例中，上述推广信息的推送方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中。如图1所示，服务器102通过网络与终端104进行连接，上述网络包括但不限于：广域网、城域网或局域网，终端104并不限定于PC、手机、平板电脑等。本发明实施例的推广信息的推送方法可以由服务器102来执行，也可以由终端104来执行，还可以是由服务器102和终端104共同执行。其中，终端104执行本发明实施例的推广信息的推送方法也可以是由安装在其上的客户端来执行。

下面以在服务器上执行本申请的方法为例详述包括本申请的方法的完整流程：

步骤S11，第一帐号、第二帐号等帐号在目标应用的客户端上发布状态。该状态可以是视频、图片、音频、文本中的一个或者多个的组合。

步骤S12，帐号发布的状态被客户端同步到目标应用的服务器上。

步骤S13，服务器将各帐号发布的状态以帐号为单位(或关键词)存储到数据库。

步骤S14，在触发本申请的方法后，服务器获取各个帐号在历史时间段内的所有状态。

步骤S15，服务器根据历史时间段内的所有状态确定第一推广信息。具体方法如下：

步骤S151，获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；

步骤S152，基于第一媒体信息确定第一帐号所属的第一帐号集合；

步骤S153，将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象。

步骤S16，服务器向第一帐号所在的客户端发送第一推广信息，在第一帐号开启客户端后会在客户端中显示该第一推广信息。

本申请对上述完整流程的改进主要集中在步骤S15和与步骤S15相关的步骤，下面结合图2对改进的地方进行详述：

图2是根据本发明实施例的一种可选的推广信息的推送方法的流程图，如图2所示，该方法可以包括以下步骤：

步骤S202，获取第一帐号分享过的第一媒体信息，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号。

上述的目标应用包括但不局限于：即时通讯应用、社交应用、微博应用、视频类应用、网页应用、图片分享应用、音乐分享应用等。上述的目标应用的帐号即允许在目标应用的平台上(如应用客户端、网页客户端等)上使用的帐号，就来源而言可以分为两个类型，其一是注册的目标应用的应用帐号、其二是在目标应用以外的应用中注册的、且被目标应用允许在目标应用中使用的帐号；就帐号类型而言也可分为两种，其一是允许被用户长期使用的注册帐号、其二是在用户使用目标应用时为用户分配的临时帐号。

上述的第一媒体信息为第一帐号的用户在历史时间段内分享过的所有媒体信息(也即第一媒体信息的数量可以为多个)，该历史时间段可以是当前时刻的以前的时间，也可是以当前时刻为结束时刻的固定时长的时间段，或是当前时刻以前的固定时长的时间段。

步骤S204，基于第一媒体信息确定第一帐号所属的第一帐号集合。

可以根据帐号在多个特征维度上的特征值将所有帐号或者一部分帐号划分为多个帐号集合。

步骤S206，将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象。

上述的推广信息即用于推广某个对象的信息(如用于推广第一对象的第一推广信息)，该对象可以为虚拟或者实体的对象，如推广的商品、推广某种思想或道德理念、电影、教学内容等。

步骤S208，向第一帐号推送第一推广信息，也即向登录有第一帐号的第一客户端推送第一推广信息，第一客户端为目标应用的客户端。

在上述确认第一推广信息的过程中，所有步骤均可以程序代码的形式运行，而无需人工参与，因此可以大幅提高确定与该用户匹配的推广信息类型的效率，同时，以帐号集合为单位来统一确定该集合的推广信息可以进一步提高匹配效率；另外，由于是根据第一帐号的历史信息(分享过的第一媒体信息)来为其选择合适的第一推广信息，因此，可以最大限度的与用户的兴趣爱好相匹配，如满足其喜好的电影、动漫，正在学习的某些方面的学习内容等，该方式可以提高用户的体验。

通过上述步骤S202至步骤S208，在确定与第一帐号匹配的推广信息时，可先获取第一帐号分享过的第一媒体信息，第一媒体信息用于在目标应用的帐号之间进行分享，基于第一媒体信息确定第一帐号所属的第一帐号集合；并将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息，可以解决了相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题，进而达到提高查找与用户匹配的推广信息的技术效果。

为了描述方便，本申请中以目标应用为即时通讯应用为例、推广信息为广告为例进行说明，此时本申请的实施例相当于提供了一种基于朋友圈图像等媒体信息的广告投放方法，从而为朋友圈广告投放提供一种新的方式。在目标应用为其余类型的应用和/或推广信息为其余类型的信息时，实现方式与本申请后续实施例中描述的方式相同或者类似，本申请不再赘述。

利用本申请的技术方案，在定向广告投放时可利用用户在网络上的一些行为日志以及用户的基础画像来对用户进行分析挖掘，从而构建用户画像，根据用户画像来将用户与广告内容进行相似度匹配，并为用户投放相似度较高，用户可能会感兴趣的广告，当然还可基于内容的推荐，使用基于协同过滤的推荐方法。对于即时通讯的朋友圈广告而言，可利用用户在即时通讯应用中的操作日志数据等对用户进行画像构建，而朋友圈的发表图像数据也在一定程度上反馈了用户的兴趣和爱好，对用户画像的构建有非常重要的作用，下面结合本申请图2所示的技术方案进行详述。

在步骤S202提供的技术方案中，获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号。

触发上述步骤S202执行的条件包括但不局限于：

1)在下发广告媒体推广信息前，服务器提前(如根据固定时间的定时来执行)根据已分享过的媒体信息来执行本申请的方法；

2)用户启用目标应用的客户端时，服务器根据已分享过的媒体信息来执行本申请的方法；

3)用户在目标应用的客户端上分享第一媒体信息时，服务器根据已分享过的媒体信息来执行本申请的方法。

本申请的目标应用可为即时通讯应用，这样，获取第一帐号分享过的第一媒体信息即为获取第一帐号的发布、转发、分享的各种类型的状态信息，具体可包括以下至少之一：

1)获取第一帐号分享过的为图片类型的第一媒体信息；

2)获取第一帐号分享过的为视频类型的第一媒体信息；

3)获取第一帐号分享过的为音频类型的第一媒体信息；

4)获取第一帐号分享过的为文本类型的第一媒体信息。

需要说明的是，具体而言，第一媒体信息可以是图片、视频、音频以及文本信息中的一种，也可以是其中的两种或两种以上的组合，如音频和视频、视频和文本等。

例如，若第一媒体信息为图片，那么可以用标记过的图片来训练机器学习模型，进而可以利用训练机器学习模型完成图片类型的第一媒体信息的识别；若第一媒体信息为视频，可以将第一媒体信息处理为多张图片(如截取视频中的图像帧)，识别方式就与图片类型的第一媒体信息相同了；若第一媒体信息为音频，那么可以用标记过的文本(有音频类型的第一媒体信息转换而来的)来训练机器学习模型，识别时采用语音识别技术将音频类型的第一媒体信息转换为文本输入机器学习模型进行识别，后续以图片为例进行详述。

在步骤S204提供的技术方案中，基于第一媒体信息确定第一帐号所属的第一帐号集合；

在步骤S204的实施例中，可通过媒体信息分类引擎和机器学习模型(即本申请的第一模型)实现，机器学习模型可包括Embedding层。可选地，在步骤S204中，或者步骤S204之前，可以预先训练好需要使用的媒体信息分类引擎和机器学习模型。

以媒体信息为图像为例，该方法首先获取用户最近一段时间内发送的朋友圈图像序列(如步骤S202)，并根据已有的图像分类模型(媒体信息分类引擎)和分类标签获取用户近一段时间内的朋友圈图像标签序列，并根据用户的朋友圈图像发送标签序列挑选出符合朋友圈广告标签(对象的标签)的用户(或图像)，构造训练数据，进行训练。具体步骤如下：

关于媒体信息分类引擎的训练，在识别出多个媒体信息中每个媒体信息的媒体信息标识之前，可按照如下方式训练用于识别媒体信息标识的媒体信息分类引擎：

步骤S21，获取第二媒体信息和第二媒体信息的媒体信息标识(即训练数据)，此处的第二媒体信息与第一媒体信息属于同一大类(如均为图片、均为视频等)，具体而言，第二媒体信息可以是一个图像，其媒体信息标识为图像标签，若第二媒体信息的数量为多个，对应的训练数据即为图像序列和图像的分类标签序列。

上述的媒体信息标识是用于对第二媒体信息携带的内容(或目标对象)进行标识的信息，如第二媒体信息为图片，图片中有“葱爆羊肉”、“哑铃”、“登山”等内容，那么标识即用于对“葱爆羊肉”、“哑铃”、“登山”进行标识的信息。此处的目标对象可以为媒体信息分类引擎提前学习好的。

步骤S22，将第二媒体信息和第二媒体信息的媒体信息标识作为媒体信息分类引擎的输入，以使媒体信息分类引擎学习到媒体信息的图像特征与媒体信息标识之间的对应关系。

需要说明的是，上述的媒体信息分类引擎学习到的特征可以是多种多样的，如图像的标签为美食，那么媒体信息分类引擎可学习到哪些图像特征为美食，从而下次出现类似图像时可以为该图像打上“美食”的标签；同理，对于电子产品、运动等标签的图像，媒体信息分类引擎也可学习到相应的图像特征。

可选地，在训练好媒体信息分类引擎和机器学习模型(机器学习模型的训练在后文中进行详述)之后，步骤S204的基于第一媒体信息确定第一帐号所属的第一帐号集合可通过如下步骤实现：

步骤S2041，根据多个媒体信息对目标应用的多个帐号进行分类(多个帐号包括第一帐号)，得到多个帐号集合，多个媒体信息包括第一媒体信息和多个帐号中除第一帐号以外的帐号在目标应用的帐号之间进行分享过的媒体信息，也即包括多个帐号在目标应用的帐号之间进行分享过的媒体信息。

上述的多个帐号是从目标应用的所有帐号中过滤出来的，包括但不局限于按照如下方式中的一种或多种进行过滤：按照帐号所属地区进行过滤、按照帐号的朋友圈活跃度(由最近一段时间内登陆的时长、在朋友圈交互的数量等确定)进行过滤、按照帐号的聊天活跃度进行过滤等。

步骤S2042，查找多个帐号集合中第一帐号所在的第一帐号集合，如根据第一帐号的帐号标识(如帐号本身、帐号昵称等信息)在各个帐号集合中进行查找，查找到包括该帐号标识的集合即第一帐号集合。

可选地，在根据多个媒体信息对目标应用的多个帐号进行分类，得到多个帐号集合时，可按照如下步骤实现：

步骤S31，通过上述的媒体信息分类引擎识别出多个媒体信息中每个媒体信息的媒体信息标识，具体而言，可将媒体信息作为媒体信息分类引擎的输入，其输出结果即为媒体信息标识。

步骤S32，根据多个帐号中每个帐号的媒体信息的媒体信息标识确定每个帐号在多个特征维度上的特征值。需要说明的是，此处得到的每个帐号在多个特征维度上的特征值可以通过上述的机器学习模型确定。

需要说明的是，为了便于对本申请的理解，下面示意性地对步骤S32中的方案进行描述(实际上机器学习模型学习的特征并不局限于此，可为文本的词向量特征)：上述的用户向量维度具体可以根据推广信息的个数或者类型确定，如广告包括母婴产品、电子产品、厨房产品、食物、运动器械等，那么多个特征维度可以为与母婴产品、电子产品、厨房产品、食物、运动器械等对应的维度，维度值即用于表征该用户对相应产品的喜爱程度，如某用户多次发布美食图片，那么其在食物这个特征维度上的特征值就较高，相反则较低。

意即，多个特征维度与推广对象的类型数量或个数确定(有几类或几个推广对象就有几个特征维度)，每个特征维度的特征用于描述一个或一个类型的推广对象，如推广对象为电子产品，那么对应维度的特征即用于表示电子产品的图像特征(如电子产品的品牌标识、外形等)，推广对象为运动器械，那么对应维度的特征即用于表示运动器械的图像特征。

步骤S33，根据每个帐号在多个特征维度上的特征值对多个帐号进行聚类，得到多个帐号集合。

可将用户的朋友圈发送图像的标签序列输入模型，并提取出Embedding层的输出(即在多个特征维度上的特征值)作为用户向量，利用Kmeans对用户向量进行聚类，从而对用户进行分群，得到爱好相同或者相近的用户群体。

在步骤S206提供的技术方案中，将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，第一推广信息用于指示待推广的第一对象。

可选地，在将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息之前，可以按照如下方式对机器学习模型(第二模型)进行训练：

步骤S41，获取第三媒体信息、第三媒体信息的媒体信息标识以及第三媒体信息与多个推广信息中每个推广信息的匹配度，其中，目标应用的帐号包括第四帐号；此处的第三媒体信息与第二媒体信息类似，也可以就是第二媒体信息自身，也即可以用相同的媒体信息来训练媒体信息分类引擎和机器学习模型，第三媒体信息可以是一个图像，其媒体信息标识为图像标签，若第三媒体信息的数量为多个，对应的训练数据即为图像序列、图像的分类标签序列、广告标签序列。

需要说明的是，第一媒体信息是指第一帐号分享过的媒体信息；第二媒体信息是指用于训练媒体信息分类引擎的媒体信息；第三媒体信息是指用于训练机器学习模型的媒体信息。

可选地，上述的匹配度可以为“0”和“1”，“0”表示该图像与该广告所推广的产品不匹配，“1”表示该图像与该广告所推广的产品匹配。

步骤S42，将第三媒体信息、第三媒体信息的媒体信息标识以及第三媒体信息与多个推广信息中每个推广信息的匹配度作为第二模型的输入，以使对第二模型中第一网络层和第二网络层中的参数进行初始化，得到参数初始化后的第一模型。

在对机器学习模型训练完成之后，在将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息时，可通过如下方式实现：

步骤S2062，利用第一模型的第一网络层(可以为Embedding层)，从多个帐号中每个帐号的媒体信息的媒体信息标识中学习到每个帐号在多个特征维度上的特征值。

步骤S2064，利用第一模型的第二网络层(可以为LSTM层)，按照每个帐号在多个特征维度上的特征值确定每个帐号与多个推广信息中每个推广信息的匹配度。

步骤S2066，查找多个推广信息中的第一推广信息，其中，多个帐号中每个帐号与第一推广信息的匹配度之和不小于多个帐号中每个帐号与多个推广信息中除第一推广信息以外的推广信息的匹配度之和。

在上述实施例中，在即时通讯应用的朋友圈广告投放时，可先对用户的朋友圈发送图像标签序列输入模型，并提取出Embedding层的输出作为用户向量，利用Kmeans聚类算法对用户向量进行聚类，从而对用户进行分群，对属于同个群体(也即帐号集合)中的用户，利用训练好的LSTM模型计算每个用户对应每个广告标签的分数(也即匹配度)，并将所有用户对各个广告标签的分数分别求和(也即匹配度之和)，得到该群体对各个广告标签的分数，分数最高的广告标签则作为该群体的投放广告。

在步骤S208提供的技术方案中，向第一帐号的第一客户端推送第一推广信息，第一客户端为目标应用的客户端。

上述的第一推广信息可以为图片、文本、视频信息中的一种，也可以是其中的至少两种的组合。

如图3所示，可以在朋友圈界面的“广告区域”A显示上述的第一推广信息，需要说明的是，此处可以仅显示“第一推广信息”的部分信息(如封面、概要、主体内容的信息)，当用户点击该区域时，再完整地显示第一推广信息，如完整地播放整个广告视频、广告图片。

完整地播放第一推广信息时可以图4所示的方式实现，当用户点击图3中的“广告区域”A时，在整个朋友圈的中心重建一个广告区域B，在该区域完整第播放第一推广信息。

可选地，在执行步骤S208时，服务器可以帐号集合为单位推送推广信息，如将第一推广信息推送至第一帐号集合中的所有帐号的客户端。

在本申请的实施例中，相当于提供了一种基于朋友圈发表图像的广告投放方法，该方法可作为朋友圈广告投放的一种新的方式。通过挖掘用户的兴趣爱好，从而构建用户画像，再根据用户画像与要投放广告之间的相似度高低来对用户进行广告推荐，这里主要用到的特征主要包括用户在朋友圈发表的媒体信息，还可包括用户的基础属性特征，例如年龄、性别等，还可包括一些用户在网络上的行为特征，例如网页浏览行为等。

用户的朋友圈发表图像，可理解为用户兴趣爱好的一种体现，通过对用户的朋友圈图像进行挖掘，从而构建用户画像，为朋友圈广告投放提供了一种新的方式。此外，根据朋友圈图像构建的用户画像，可作为基础特征应用到现有的广告投放中，作为特征补充。

作为一种可选的实施例，下面对以媒体信息为图像信息为例详述本申请的具体实施方式。

本申请提供了一种基于朋友圈图像的广告投放方法，主要是为朋友圈的广告投放提供一种新的投放方式，该方法首先获取用户最近一段时间内发送的朋友圈图像序列，并根据训练好的图像分类模型和分类标签获取用户近一段时间内的朋友圈图像标签序列，并根据用户的朋友圈图像发送标签序列挑选出符合朋友圈广告标签的用户，构造训练数据。然后再对用户的序列先进行Embedding降维，利用LSTM构造多标签二分类时序模型，通过训练得到用户的多标签分类模型。

在朋友圈进行广告投放时，先将用户的朋友圈的发送图像标签序列输入模型，并提取出Embedding层的输出作为用户向量，利用Kmeans对用户向量进行聚类，从而对用户进行分群。对属于同个群体中的用户，利用训练好的LSTM模型计算每个用户对应每个广告标签(即推广信息的标签)的分数，并将所有用户对各个广告标签的分数分别求和，得到该群体对各个广告标签的分数，分数最高的广告标签则作为该群体的投放广告。下面将详细描述该技术方案的实现流程。

基于朋友圈图像的广告投放方法可分为三个阶段，下面对这三个阶段进行详细说明。

(1)第一个阶段，也即标注训练数据构建阶段

为了对用户的朋友圈发送图像序列进行建模，可先构造用户的最近一段时间内的时序特征。本申请利用朋友圈图像分类引擎(媒体信息分类引擎)，来构造用户的朋友圈图像标签序列。具体实现方式如图5下：

步骤S501，提取用户一段时间内的发表朋友圈图像构造序列S1(也称为图像序列，包括该用户的多个媒体信息)。

获取用户最近一段时间t内的朋友圈发表图像，得到图像序列S1，序列S1的图像根据时间先后排序排列，一次发表多张图像的，根据用户发表朋友圈时的图像顺序排序，再利用图像分类引擎对S1中的每张图像进行分类，得到分类标签(媒体信息标识)，由分类标签构造朋友圈发表图像标签序列S。

步骤S502，利用图像分类引擎，根据图像序列S1构造用户图像标签序列S，图像标签序列的每个标签(也即媒体信息标识)用于标识相应的一个图像中的内容。

令图像分类引擎中图像类别总数为N，对发表图像序列S1中的每一个图像，分别给定一个分类标签，例如婴儿标签，美食标签等等，如果图像序列S1中第i个图像被分类引擎分为第j(1<＝j<＝N)类，则图像标签序列中S[i]的值为j，从而得到图像标签序列S。

步骤S503，根据用户标签序列挑选符合朋友圈广告标签的用户数据作为训练数据。

得到用户的发表图像标签序列S后，根据该序列挑选出符合朋友圈广告标签的用户，例如母婴用户，运动爱好者，美食爱好者等，分别对该用户打上母婴标签，运动爱好标签，美食爱好标签等，从而构造训练数据。

步骤S504，将训练数据中所有长度较短的序列向长度最长的序列补齐。

由于不同用户在最近一段时间t内发表的图像张数总数可能不一致，每个用户的图像标签序列S长度不一致。这里令M(如8位，BIT1至BIT8)为所有用户S序列长度最大值，对于长度短于M的用户标签序列S，则在其后面补0，使得每个用户的图像标签序列长度一致，示意图可参考图6，如对于帐号2的标签序列，后三位补0。另外，对于一段时间t内发表图像数据过大的用户，可认为属于微商用户的概率较大，这部分用户数据会对模型训练造成干扰，因此过滤掉这部分用户数据。

(2)第二阶段，也即用户模型构建阶段

得到训练数据后，可以构建时序模型来对用户发送朋友圈图像序列进行建模，从而对用户进行广告标签分类。模型的网络结构设计如图7和图8所示：第一网络层为Embedding层，主要对用户的发送朋友圈图像标签序列学习一个特征映射，并进行降维，Embedding层的输出大小可选择128维，第二网络层是LSTM层，其网络输出为256维，第三层为全连接层，该层的输出大小为广告标签个数m，其激活函数为sigmoid函数(Sigmoid在信息科学中，由于其具备单增以及反函数单增等性质，故Sigmoid函数可被用作神经网络的阈值函数，将变量映射到0和1之间)，使得网络的输出大小限制在区间[0,1]中。考虑到每个用户都有可能被分到任意一个标签中，即各个广告标签之间是独立的，因此损失函数采用对数损失函数binary_crossentropy(也称为交叉熵代价函数)，即对每个广告标签做二分类，网络的输出概率可以看做是用户匹配该类广告的概率。

得到用户模型之后，便可利用第一阶段标注的训练数据对模型进行训练，从而得到训练好的用户时序模型。

(3)第三阶段，也即朋友圈广告投放阶段

得到训练好的时序模型后，在朋友圈广告投放时，先将用户的朋友圈发送图像标签序列输入模型，并提取出Embedding层的输出作为用户向量，这个向量可以当做是用户特征的一种表达，利用Kmeans对用户向量进行聚类，从而将用户分为k个群体，k由实际数据得到。对属于同个群体中的用户，利用训练好的LSTM模型计算每个用户对应每个广告标签的分数，对于每一个群体和每个广告，将群体内所有用户对该广告标签的分数求和，得到该群体对该广告标签的分数，多个广告中分数最高的广告标签则作为该群体的投放广告，朋友圈广告投放的具体步骤如下：

步骤S51，获取要投放的用户朋友圈图像序列；

步骤S52，将图像序列输入到第二阶段训练好的用户模型中，获取Embedding层的128维输出以及最后全连接层的m维输出；

步骤S53，将Embedding层的128维输出进行聚类，得到k个用户群体；

步骤S54，对属于同个用户群体中的用户，计算其各个广告标签下的分数总和，分数最高的广告标签则为该用户群应该投放的广告。

在本申请的技术方案中，1)提供了一种基于朋友圈图像的广告投放方法，构建用户朋友圈图像标签序列，挑选出符合广告标签的用户并打上标签，从而构建训练数据，再构建用户时序分类模型对用户的朋友圈图像发表序列进行模型训练，并将网络Embedding层的输出作为用户画像，将网络最后一层全连接层的输出作为用户对应各个广告的分数，基于Embedding层输出的用户画像进行聚类分群，计算各个用户群体的广告分数，从而实现广告投放；2)将用户时序分类模型Embedding层的输出作为构建用户画像的特征补充，利用用户时序分类模型Embedding层输出作为用户的一种特征表达，可以构建用户画像，也可以作为其他广告投放方法的特征补充。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种用于实施上述推广信息的推送方法的推广信息的推送装置装置。图9是根据本发明实施例的一种可选的推广信息的推送装置装置的示意图，如图9所示，该装置可以包括：获取单元901、确定单元903、处理单元905以及推送单元907。

获取单元901，用于获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号。

确定单元903，用于基于第一媒体信息确定第一帐号所属的第一帐号集合。

处理单元905，用于将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象。

推送单元907，用于向第一帐号推送第一推广信息。

在上述确认第一推广信息的过程中，均可以程序代码的形式运行，而无需人工参与，因此可以大幅提高查找与该用户匹配的推广信息类型的效率，同时，以帐号集合为单位来统一确定该集合的推广信息可以进一步提高匹配效率；另外，由于是根据第一帐号的历史信息(分享过的第一媒体信息)来为其选择合适的第一推广信息，因此，可以最大限度的与用户的兴趣爱好相匹配，如满足其喜好的电影、动漫，正在学习的某些方面的学习内容等，该方式可以提高用户的体验。

需要说明的是，该实施例中的获取单元901可以用于执行本申请实施例中的步骤S202，该实施例中的确定单元903可以用于执行本申请实施例中的步骤S204，该实施例中的处理单元905可以用于执行本申请实施例中的步骤S206，该实施例中的推送单元907可以用于执行本申请实施例中的步骤S208。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。

通过上述模块，在确定与第一帐号匹配的推广信息时，可先获取第一帐号分享过的第一媒体信息，第一媒体信息用于在目标应用的帐号之间进行分享，基于第一媒体信息确定第一帐号所属的第一帐号集合；并将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息，可以解决了相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题，进而达到提高查找与用户匹配的推广信息的技术效果。

上述的确定单元可包括：分类模块，用于根据多个媒体信息对目标应用的多个帐号进行分类，得到多个帐号集合，其中，多个媒体信息包括第一媒体信息和多个帐号中除第一帐号以外的帐号在目标应用的帐号之间进行分享过的媒体信息；第一查找模块，用于查找多个帐号集合中第一帐号所在的第一帐号集合。

可选地，上述的分类模块可包括：识别子模块，用于识别出多个媒体信息中每个媒体信息的媒体信息标识；确定子模块，用于根据多个帐号中每个帐号的媒体信息的媒体信息标识确定每个帐号在多个特征维度上的特征值；分类子模块，用于根据每个帐号在多个特征维度上的特征值对多个帐号进行聚类，得到多个帐号集合。

可选地，本申请的装置还可包括第一训练单元，用于在识别出多个媒体信息中每个媒体信息的媒体信息标识之前，按照如下方式训练用于识别媒体信息标识的媒体信息分类引擎：获取第二媒体信息和第二媒体信息的媒体信息标识；将第二媒体信息和第二媒体信息的媒体信息标识作为媒体信息分类引擎的输入，以使媒体信息分类引擎学习到媒体信息的图像特征与媒体信息标识之间的对应关系。

本申请的处理单元可包括：学习模块，用于利用第一模型的第一网络层，从多个帐号中每个帐号的媒体信息的媒体信息标识中学习到每个帐号在多个特征维度上的特征值；确定模块，用于利用第一模型的第二网络层，按照每个帐号在多个特征维度上的特征值确定每个帐号与多个推广信息中每个推广信息的匹配度；第二查找模块，用于查找多个推广信息中的第一推广信息，其中，多个帐号中每个帐号与第一推广信息的匹配度之和不小于多个帐号中每个帐号与多个推广信息中除第一推广信息以外的推广信息的匹配度之和。

可选地，本申请的装置还可包括第二训练单元，用于在将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息之前，按照如下方式训练得到第一模型：获取第三媒体信息、第三媒体信息的媒体信息标识以及第三媒体信息与多个推广信息中每个推广信息的匹配度；将第三媒体信息、第三媒体信息的媒体信息标识以及第三媒体信息与多个推广信息中每个推广信息的匹配度作为第二模型的输入，以使对第二模型中第一网络层和第二网络层中的参数进行初始化，得到参数初始化后的第一模型。

可选地，上述的目标应用包括即时通讯应用，其中，获取单元可用于执行以下至少之一：获取第一帐号分享过的为图片类型的第一媒体信息；获取第一帐号分享过的为视频类型的第一媒体信息；获取第一帐号分享过的为音频类型的第一媒体信息。

在本申请的技术方案中，1)提供了一种基于朋友圈图像的广告投放方法，构建用户朋友圈图像标签序列，挑选出符合广告标签的用户并打上标签，从而构建训练数据，再构建用户时序分类模型对用户的朋友圈图像发表序列进行模型训练，并将网络Embedding层的输出作为用户画像，将网络最后一层全连接层的输出作为用户对应各个广告的分数，基于Embedding层输出的用户画像进行聚类分群，计算各个用户群体的广告分数，从而实现广告投放；2)将用户时序分类模型Embedding层的输出作为构建用户画像的特征补充，利用用户时序分类模型Embedding层输出作为用户的一种特征表达，可以构建用户画像，也可以作为其他广告投放方法的特征补充。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。

根据本发明实施例的另一个方面，还提供了一种用于实施上述推广信息的推送方法的服务器或终端。

图10是根据本发明实施例的一种终端的结构框图，如图10所示，该终端可以包括：一个或多个(图10中仅示出一个)处理器1001、存储器1003、以及传输装置1005(如上述实施例中的发送装置)，如图10所示，该终端还可以包括输入输出设备1007。

其中，存储器1003可用于存储软件程序以及模块，如本发明实施例中的推广信息的推送方法和装置对应的程序指令/模块，处理器1001通过运行存储在存储器1003内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的推广信息的推送方法。存储器1003可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1003可进一步包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述的传输装置1005用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1005包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1005为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

其中，具体地，存储器1003用于存储应用程序。

处理器1001可以通过传输装置1005调用存储器1003存储的应用程序，以执行下述步骤：

获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；

基于第一媒体信息确定第一帐号所属的第一帐号集合；

将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象；

向第一帐号推送第一推广信息。

处理器1001还用于执行下述步骤：

利用第一模型的第一网络层，从多个帐号中每个帐号的媒体信息的媒体信息标识中学习到每个帐号在多个特征维度上的特征值；

利用第一模型的第二网络层，按照每个帐号在多个特征维度上的特征值确定每个帐号与多个推广信息中每个推广信息的匹配度；

查找多个推广信息中的第一推广信息，其中，多个帐号中每个帐号与第一推广信息的匹配度之和不小于多个帐号中每个帐号与多个推广信息中除第一推广信息以外的推广信息的匹配度之和。

采用本发明实施例，在确定与第一帐号匹配的推广信息时，可先获取第一帐号分享过的第一媒体信息，第一媒体信息用于在目标应用的帐号之间进行分享，基于第一媒体信息确定第一帐号所属的第一帐号集合；并将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，第一推广信息用于指示待推广的第一对象；向第一帐号推送第一推广信息，可以解决了相关技术中向用户推送推广信息时查找与该用户匹配的推广信息的效率较低的技术问题，进而达到提高查找与用户匹配的推广信息的技术效果。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本领域普通技术人员可以理解，图10所示的结构仅为示意，终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices，MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如，终端还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行推广信息的推送方法的程序代码。

可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

S61，获取第一帐号分享过的第一媒体信息，其中，第一媒体信息用于在目标应用的帐号之间进行分享，目标应用的帐号包括第一帐号；

S62，基于第一媒体信息确定第一帐号所属的第一帐号集合；

S63，将与第一帐号集合匹配的第一推广信息作为待推送给第一帐号的推广信息，其中，第一推广信息用于指示待推广的第一对象；

S64，向第一帐号推送第一推广信息。

可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：

S71，利用第一模型的第一网络层，从多个帐号中每个帐号的媒体信息的媒体信息标识中学习到每个帐号在多个特征维度上的特征值；

S72，利用第一模型的第二网络层，按照每个帐号在多个特征维度上的特征值确定每个帐号与多个推广信息中每个推广信息的匹配度；

S73，查找多个推广信息中的第一推广信息，其中，多个帐号中每个帐号与第一推广信息的匹配度之和不小于多个帐号中每个帐号与多个推广信息中除第一推广信息以外的推广信息的匹配度之和。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种推广信息的推送方法，其特征在于，包括：

获取第一帐号分享过的第一媒体信息，其中，所述第一媒体信息用于在目标应用的帐号之间进行分享，所述目标应用的帐号包括所述第一帐号；

基于所述第一媒体信息确定所述第一帐号所属的第一帐号集合；

将与所述第一帐号集合匹配的第一推广信息作为待推送给所述第一帐号的推广信息，其中，所述第一推广信息用于指示待推广的第一对象；

向所述第一帐号推送所述第一推广信息。

2.根据权利要求1所述的方法，其特征在于，基于所述第一媒体信息确定所述第一帐号所属的第一帐号集合包括：

根据多个媒体信息对所述目标应用的多个帐号进行分类，得到多个帐号集合，其中，所述多个媒体信息包括所述多个帐号在所述目标应用的帐号之间进行分享过的媒体信息，所述多个帐号包括所述第一帐号；

查找所述多个帐号集合中所述第一帐号所在的所述第一帐号集合。

3.根据权利要求2所述的方法，其特征在于，根据多个媒体信息对所述目标应用的多个帐号进行分类，得到多个帐号集合包括：

识别出所述多个媒体信息中每个媒体信息的媒体信息标识；

根据所述多个帐号中每个帐号的媒体信息的媒体信息标识确定所述每个帐号在多个特征维度上的特征值；

根据所述每个帐号在多个特征维度上的特征值对所述多个帐号进行聚类，得到所述多个帐号集合。

4.根据权利要求3所述的方法，其特征在于，在识别出所述多个媒体信息中每个媒体信息的媒体信息标识之前，所述方法还包括：训练用于识别所述媒体信息标识的媒体信息分类引擎，包括：

获取第二媒体信息和所述第二媒体信息的媒体信息标识；

将所述第二媒体信息和所述第二媒体信息的媒体信息标识作为所述媒体信息分类引擎的输入，以使所述媒体信息分类引擎学习到媒体信息的图像特征与媒体信息标识之间的对应关系。

5.根据权利要求2至4中任意一项所述的方法，其特征在于，将与所述第一帐号集合匹配的第一推广信息作为待推送给所述第一帐号的推广信息包括：

利用第一模型的第一网络层，从所述多个帐号中每个帐号的媒体信息的媒体信息标识中学习到所述每个帐号在多个特征维度上的特征值；

利用所述第一模型的第二网络层，按照所述每个帐号在多个特征维度上的特征值确定所述每个帐号与多个推广信息中每个推广信息的匹配度；

查找所述多个推广信息中的所述第一推广信息，其中，所述多个帐号中每个帐号与所述第一推广信息的匹配度之和不小于所述多个帐号中每个帐号与所述多个推广信息中除所述第一推广信息以外的推广信息的匹配度之和。

6.根据权利要求5所述的方法，其特征在于，在将与所述第一帐号集合匹配的第一推广信息作为待推送给所述第一帐号的推广信息之前，所述方法还包括：

获取第三媒体信息、所述第三媒体信息的媒体信息标识以及所述第三媒体信息与所述多个推广信息中每个推广信息的匹配度；

将第三媒体信息、所述第三媒体信息的媒体信息标识以及所述第三媒体信息与所述多个推广信息中每个推广信息的匹配度作为第二模型的输入，以使对所述第二模型中第一网络层和第二网络层中的参数进行初始化，得到参数初始化后的所述第一模型。

7.根据权利要求1所述的方法，其特征在于，所述目标应用包括即时通讯应用，其中，获取第一帐号分享过的第一媒体信息包括以下至少之一：

获取所述第一帐号分享过的为图片类型的所述第一媒体信息；

获取所述第一帐号分享过的为视频类型的所述第一媒体信息；

获取所述第一帐号分享过的为音频类型的所述第一媒体信息。

8.一种推广信息的推送装置，其特征在于，包括：

获取单元，用于获取第一帐号分享过的第一媒体信息，其中，所述第一媒体信息用于在目标应用的帐号之间进行分享，所述目标应用的帐号包括所述第一帐号；

确定单元，用于基于所述第一媒体信息确定所述第一帐号所属的第一帐号集合；

处理单元，用于将与所述第一帐号集合匹配的第一推广信息作为待推送给所述第一帐号的推广信息，其中，所述第一推广信息用于指示待推广的第一对象；

推送单元，用于向所述第一帐号推送所述第一推广信息。

9.根据权利要求8所述的装置，其特征在于，所述确定单元包括：

分类模块，用于根据多个媒体信息对所述目标应用的多个帐号进行分类，得到多个帐号集合，其中，所述多个媒体信息包括所述多个帐号在所述目标应用的帐号之间进行分享过的媒体信息，所述多个帐号包括所述第一帐号；

第一查找模块，用于查找所述多个帐号集合中所述第一帐号所在的所述第一帐号集合。

10.根据权利要求9所述的装置，其特征在于，所述分类模块包括：

识别子模块，用于识别出所述多个媒体信息中每个媒体信息的媒体信息标识；

确定子模块，用于根据所述多个帐号中每个帐号的媒体信息的媒体信息标识确定所述每个帐号在多个特征维度上的特征值；

分类子模块，用于根据所述每个帐号在多个特征维度上的特征值对所述多个帐号进行聚类，得到所述多个帐号集合。

11.根据权利要求9或10所述的装置，其特征在于，所述处理单元包括：

学习模块，用于利用第一模型的第一网络层，从所述多个帐号中每个帐号的媒体信息的媒体信息标识中学习到所述每个帐号在多个特征维度上的特征值；

确定模块，用于利用所述第一模型的第二网络层，按照所述每个帐号在多个特征维度上的特征值确定所述每个帐号与多个推广信息中每个推广信息的匹配度；

第二查找模块，用于查找所述多个推广信息中的所述第一推广信息，其中，所述多个帐号中每个帐号与所述第一推广信息的匹配度之和不小于所述多个帐号中每个帐号与所述多个推广信息中除所述第一推广信息以外的推广信息的匹配度之和。

12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7任一项中所述的方法。

13.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。