CN114529352A - 一种基于大数据分析的智能营销推广方法及*** - Google Patents

Abstract

本发明涉及一种基于大数据分析的智能营销推广方法及***；基于大数据信息，获取所有用户观看的各种产品广告的观看数据；根据各用户的观看数据，计算任意两用户的观看片段的重合程度，并对所有用户进行分组，得到不同的用户分组；对各组内用户的观看片段中的每一帧画面，进行人物场景检测，识别人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应的场景姿态特征的视频特征集合，得到组内的所有用户的兴趣标签；得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的余弦相似度，将余弦相似度作为各组所有用户的匹配度；根据匹配度对各组用户进行广告推送；本发明的方案考虑用户的喜好和人物信息，提高产品广告的推荐命中率。

Description

一种基于大数据分析的智能营销推广方法及***

技术领域

本发明涉及人工智能领域，具体涉及一种基于大数据分析的智能营销推广方法及***。

背景技术

目前，营销推广方法是一种广义上的营销信息投放方法，主要指视频为媒介的广告投放。

传统的营销信息投放方法是直接从营销信息库中结合用户特征挑选合适的投放信息，没有考虑用户的个性化喜好。用户一方面无法忍受长时间的营销视频，另一方面无法有效观看。使得用户观看营销信息的体验感和推广有效性比较差。

因此，亟需一种使用户观看营销信息具有好的体验感的营销推广方法。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于大数据分析的智能营销推广方法及***。

本发明提供的一种基于大数据分析的智能营销推广方法，包括以下步骤：

基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别；

根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组；

对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景；

基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

计算各组的所有用户的兴趣标签与场景风格标签的余弦相似度，将所述余弦相似度作为两者的匹配度；根据所述匹配度，对各组的用户进行广告推送。

进一步地，所述重合程度为：

J(A_i,B_j)＝A_i∩B_j/A_i∪B_j

其中，A_i为用户i的广告类别集合，B_j为用户j的广告类别集合，J(A_i,B_j)值域为[0,1]。

进一步地，还包括对用户推广的广告的准确度进行分析和修正的步骤：

1)计算推广的产品广告的播放完整率Q：

Q＝P_v*B_v

其中，Pv为推广产品广告完整播放次数，Bv为推广产品广告播放次数；

2)根据所述播放完整率，构建推广修正模型：

其中，E为推广误差率，值域为(0，1)，

是本次推广的误差率，Q_i为用户i观看当前广告的播放率。

本发明还提供了一种基于大数据分析的智能营销推广***，包括以下模块：

图像采集模块，基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别；

处理模块，根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组；

数据分析模块，对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景；

数据获取模块，基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

图像计算模块，对所述兴趣标签与场景风格标签进行处理，得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的的余弦相似度，将所述余弦相似度作为各组所有用户的匹配度；根据所述匹配度，对各组用户进行广告推送。

进一步地，所述重合程度为：

J(A_i,B_j)＝A_i∩B_j/A_i∪B_j

其中，A_i为用户i的广告类别集合，B_j为用户j的广告类别集合，J(A_i,B_j)值域为[0,1]。

进一步地，还包括对用户推广的广告的准确度进行分析和修正的步骤：

1)计算推广的产品广告的播放完整率Q：

Q＝P_v*B_v

其中，Pv为推广产品广告完整播放次数，Bv为推广产品广告播放次数；

2)根据所述播放完整率，构建推广修正模型：

其中，E为推广误差率，值域为(0，1)，

是本次推广的误差率，Q_i为用户i观看当前广告的播放率。

本发明具有如下有益效果：

本发明的技术方案能够根据用户的喜好，进行广告的个性化推荐，其中通过提取用户观看广告的观看片段，并从观看片段中提取人物信息以及人物信息对应的场景，进行用户喜好的分析，进而将其与广告的风格进行关联，实现产品广告的推荐，从而提高了推荐命中率，推广效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明的一种基于大数据分析的智能营销推广方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于大数据分析的智能营销推广方法的具体方案。

本发明的场景针对的是视频产品广告推广，该产品广告是一种长广告(如创意短电影)或者电视剧中插播的产品广告，采用代言人出境的方式，而非目的在于留下深刻印象的重复性信息的广告。

其中，本发明中提及的视频产品广告是可以通过随意调节进度条，实现用户能够观看自己感兴趣的片段。同时，该视频广告的播放界面上存在播放记录热度。其中的播放记录热度能够给当前用户拖动进度条提供参考，记录热度是一种易于发现广告高光时刻或者展示产品的重要时刻，且对产品广告质量无影响的交互形式，在视频平台中常见。

具体地，以微电影或者电视剧中插播的产品广告，并涉及多个人物的产品广告为例，对智能营销推广方法进行详细介绍：

请参阅图1，其示出了本发明一个实施例提供的一种基于大数据分析的智能营销推广方法的步骤流程图，该方法包括以下步骤：

步骤1，基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别。

本实施例中，需要借助投放的视频广告的平台(如视频APP、购物APP等等)对全体用户观看的广告的观看时长以及观看片段的类别进行统计，如可以设定采集观看数据的时间段，对用户进行大数据统计，当然也可以不设定用户观看时间，直接进行大数据统计。

上述中的观看片段的类别为预先给广告进行的分类，如按照广告的主题，例如护肤品、旅游、车辆等等类型的广告，并设置对应的广告类别id，同一类别的广告的id相同。

由于每一个用户的观看喜好不同，则对每一个用户与其观看的视频类别id进行关联，得到每一个用户在一段时间段内的观看数据。

步骤2，根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组。

其中，重合程度为：

J(A_i,B_j)＝A_i∩B_j/A_i∪B_j

其中，A_i为用户i的广告类别集合，B_j为用户j的广告类别集合，J(A_i,B_j)值域为[0,1]。

上述中的交集和并集所对应的数据是产品广告的广告类别的id，其中的交并比的计算方式为现有技术，此处不再过多赘述。

需要说明的是，J(A_i,B_j)为用户i与用户j两个集合的相似度，J(A_i,B_j)值越大，两个用户的喜好相似的越大。

本实施例中对所有用户进行分组，得到不同的用户分组的过程为：

1)根据所有用户观看片段的重合程度，计算用户的聚类样本距离；

其中，样本距离为：D(A_i,B_j)＝1-J(A_i,B_j)

其中，D(A_i,B_j)为用户i与用户j的视频特征集合之间的样本距离，用来描述集合之间的不相似度。其中，D(A_i,B_j)值越大，相似度越低，值域为[0,1]。

2)采用基于K-MEANS的均值聚类分析方法，进行用户分组，得到K个组，其中每组为具有相似观看视频内容的用户。

当然，K值也可以依据要推广的广告场景数目来确定，产品广告中出现代言人场景越多，K值应当取得较大一些，产品广告中出现代言人场景越少，K值应当取得小一点。

步骤3，对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景。

对组内的每一个用户的观看视频内容进行场景检测，获取各用户的观看视频内容中所包含的场景与演员的视频特征集合U；

其中，U＝{M_1k,…M_m-1k,M_mk}

其中，M_mk为人物m对应的场景k的姿态集合，其中k＝1,2,3，当k＝1时，场景为人物特写场景；当k＝2时，场景为非特写单人场景，当k＝3时，场景为非特写多人场景。

其中M_mk为视频帧中出现人物m对应的场景k的视频帧标签，当用户观看过一帧后，若当前帧包含了人物ID1，场景类型2，则特征集合U对应M₁₂的计数加1。

由于步骤2中的分组是按照广告类别进行的分组，因此存在同一组内观看视频内容风格上相似，但是观看内容上是有区别的，同时，也存在同一视频内容，每个用户观看的兴趣点也是不同的；因此，结合获取的用户的观看片段的观看时长，选取每一个用户观看时长最多的人物的场景姿态进行分析，确定每一个用户的最感兴趣标签U’＝{M_mk,}，进而得到组内的所有用户的兴趣标签S0＝{U’₁，…，U’_i,}。

其中S0是一种集合，即对组内所有用户U最感兴趣标签U’＝{M_mk}的计数值进行按类型汇总，最终得到组内不同用户对不同场景M的喜好程度，喜好程度即M所对应所有用户观看计数之和。

上述中的人物场景检测是通过对获取含有代言人的产品广告片段进行人物姿态特征提取，根据提取的姿态特征，输出人物场景姿态特征；具体地，人物场景姿态特征包括特写场景、非特写单人场景以及非特写多人场景。其中的特写场景为画面中只有代言人且面部区域较大；非特写单人场景为画面中有半身至全身的骨骼信息，且人数为1；画面中不但有半身至全身的骨骼信息，且人数大于1。

需要说明的是，上述中的人物场景姿态特征是由于长广告的拍摄内容主要以微电影为主，存在人物特写场景、非特写多人场景以及非特写单人场景；通常情况下，不同的场景渲染的广告内容也是不同的；同时，对于用户来说，其对一个产品广告视频中某些场景也存在偏好程度，因此，本申请对用户观看片段进行分析检测，确定对应的场景，并统计不同广告场景下的用户的偏好

当然，本发明中的人物场景姿态特征也可以表征不同的产品广告风格，如当为人物特写场景时，主要是渲染氛围或化妆品类型的展示，该种场景对应观看群体中一大部分用户。此外，非特写单人场景以服装、数码产品为主，该类场景主要以大动作和动态、静态姿势为主。非特写多人场景则一般意味着食品、旅游、数码产品类型广告，主要以多人互动为主；上述分类可以从用户群体的角度进一步挖掘用户之间的感兴趣内容的关联。

上述中人物的场景姿态特征采用的是人体姿态估计方法来分析广告中人物的姿态，并定义当前帧的场景，具体使用openpose等。由于是现有技术，此处不再过多赘述。

可见，从用户群体的角度进一步挖掘用户之间的感兴趣内容的关联，并基于用户的观看数据，将用户观看较多的人物视作其感兴趣人物，结合对广告代言的人物与广告场景，更精准的推送给目标用户。若不同时考虑用户的观看场景喜好与广告代言人(用户感兴趣演员)，对用户的观看喜好分析精准度将大大降低，也即若只考虑其中一个因素，对用户喜好的分析将有很大误差。

本实施例中的人物与对应人物的场景姿态特征的集合为将用户观看的每个人物以及人物的场景姿态特征作为一个集合，当有N个人物，则一个用户对应N个集合；当有m个用户时，则一个代言人的场景对应m个用户。

本发明从视频场景以及人物角度进行分析，能够更加精细化地对用户的喜好行为进行分析，进而为后续的广告推送提供更细节化的信息，提高了推送广告的准确性。

步骤4，基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

本实施例中的场景风格标签为：V＝{V1，...，Vn}，

其中，V为当前视频中每帧出现的场景特征集合，V＝{M_1k,…M_m-1k,M_mk,}

上述步骤中的场景姿态特征的提取与步骤3中的进行人物场景检测的方法相同，此处不再过多赘述。

需要说明的是，本步骤中的场景姿态特征的信息，并不涉及用户，其仅仅包含视频中的人物与人物对应的场景信息。

步骤5，对所述兴趣标签与场景风格标签进行处理，得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的的余弦相似度，将所述余弦相似度作为各组所有用户的匹配度；根据所述匹配度，对各组用户进行广告推送。

其中，本实施例中的匹配度为：

S＝SIM(S0’,V’)

其中，SIM()表示的是余弦相似度的计算函数，S0’为感兴趣内容分布，V’为视频所能提供的感兴趣内容。

公式中，S作为用户与广告的匹配值，两者越匹配，S值越大。反之，S值越小。S的取值范围为(0,1)。

上述中的S0’以及V’的获取方法为：

首先S0与V所共同包含的M求交集，并仅保留交集，从而分别得到交集所一一对应M的M个数的向量S0’,V’；对S0’,V’分别做极差标准化，从而得到用户所能在视频内看到的感兴趣内容分布S0’,和视频所能提供的感兴趣内容V’。

上述步骤中的余弦相似度的计算为现有技术，此处不再过多赘述。

至此得到了每一组用户与每一个视频广告的匹配值，对于一组用户，将各个广告基于匹配值大小进行排序；将匹配值高于0.5的广告作为针对用户的个性化喜好营销推广广告。

需要说明的是，本发明的广告推送并非传统的无法选择，无法拖动进度条式的广告。

本实施例中在进行营销推广时，可以一次性推送8条广告供用户选择。当然作为其他实施方式，当为采集数据量不足的用户推送时，由于匹配广告数量较少，则使用随机抽取广告的方式，用于扩充用户的选择范围。

进一步地，在步骤5的基础上，本发明还包括对用户推广的广告的准确度进行分析和修正，具体地，包括以下步骤：

1)计算推广的产品广告的播放完整率Q：

Q＝P_v/B_v

其中Q为对推广***的广告播放完整率。Pv为推广产品广告完整播放次数，Bv为推广产品广告播放次数，所述播放完成率是达到了推广***本次所要求的观看时长。

2)根据推广的产品广告的播放完整率，构建推广修正模型：

其中，E为推广误差率，值域为(0，1)，为了将每次点击的误差进行归一化，降低了个别离群点带来的绝对误差的影响，

是本次推广的误差率。

其中，Q_pred＝Ti/(1-U0)，

其中U0为用户喜好代言人姿态占比最大值，1-U0为预测用户喜好以外的姿态占比，可作为预测精准度的相关系数，其中Ti为平台记录的当前用户i观看产品广告的时长，观看时长为***对用户喜好分析精准度的重要依据，观看时间越长，对用户推广产品广告的预期精准度越高，用户观看时间越短，推广依据越少，对于推广***的预期精准度就越低。

对于

当Q_i>Q_pred，则表示推荐***比预期的更加“精准”，意味着过度向该用户推荐该产品广告，导致所见的都是之前所喜欢的；反之意味着推荐量较低，导致用户不能看到足量的喜欢的产品广告。Q_pred决定了该用户的一种推荐程度。

本发明中为了提高用户观看营销信息的体验和推广有效性，考虑了用户的喜好场景和视频中的人物信息，对该两种信息进行分析，从而提高推荐准确率；也即通过对用户观看视频的画面检测，采集用户的个性化喜好；根据用户的喜好标签，向用户提供个性化广告；同时，基于用户对推广广告的观看完整率，对视频的营销推广效益进行评估。

本发明还给出了一种基于大数据分析的智能营销推广***，包括以下模块：

图像采集模块，基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别；

处理模块，根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组；

数据分析模块，对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景；

数据获取模块，基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

图像计算模块，对所述兴趣标签与场景风格标签进行处理，得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的的余弦相似度，将所述余弦相似度作为各组所有用户的匹配度；根据所述匹配度，对各组用户进行广告推送。

其中，上述中的模块中涉及的具体技术手段，已经在上述一种基于大数据分析的智能营销推广方法中进行了详细的介绍，此处不再过多赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于大数据分析的智能营销推广方法，其特征在于，包括以下步骤：

基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别；

根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组；

对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景；

基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

对所述兴趣标签与场景风格标签进行处理，得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的的余弦相似度，将所述余弦相似度作为各组所有用户的匹配度；根据所述匹配度，对各组用户进行广告推送。

2.根据权利要求1中所述的一种基于大数据分析的智能营销推广方法，其特征在于，

所述重合程度为：

J(A_i，B_j)＝A_i∩B_j/A_i∪B_j

其中，A_i为用户i的广告类别集合，B_j为用户j的广告类别集合，J(A_i,B_j)值域为[0,1]。

3.根据权利要求1中所述的一种基于大数据分析的智能营销推广方法，其特征在于，还包括对用户推广的广告的准确度进行分析和修正的步骤：

1)计算推广的产品广告的播放完整率Q：

Q＝P_v*B_v

其中，Pv为推广产品广告完整播放次数，Bv为推广产品广告播放次数；

2)根据所述播放完整率，构建推广修正模型：

其中，E为推广误差率，值域为(0，1)，

是本次推广的误差率，Q_i为用户i观看当前广告的播放率。

4.一种基于大数据分析的智能营销推广***，其特征在于，包括以下模块：

图像采集模块，基于大数据信息，获取所有用户观看的各种产品广告的观看数据，所述观看数据包括广告类别；

处理模块，根据各用户的观看数据，计算任意两用户的观看片段的重合程度，根据所述重合程度，计算任意两用户的相似性，并对所有用户进行分组，得到不同的用户分组；

数据分析模块，对各组内的用户的观看片段中的每一帧画面，进行人物场景检测，识别每一帧画面中的人物以及提取对应人物的场景姿态特征，得到用户观看的人物与对应人物的场景姿态特征的视频特征集合，进而得到组内的所有用户的兴趣标签；所述场景姿态特征包括人物特写场景、非特写单人场景以及非特写多人场景；

数据获取模块，基于大数据对待推广的产品广告进行场景检测，得到待推广的产品广告的场景姿态特征，根据所述姿态特征确定产品广告的场景风格标签；

图像计算模块，对所述兴趣标签与场景风格标签进行处理，得到感兴趣内容分布和视频所能提供的感兴趣内容，并计算两者的的余弦相似度，将所述余弦相似度作为各组所有用户的匹配度；根据所述匹配度，对各组用户进行广告推送。

5.根据权利要求4中所述的一种基于大数据分析的智能营销推广***，其特征在于，

所述重合程度为：

J(A_i，B_j)＝A_i∩B_j/A_i∪B_j

其中，A_i为用户i的广告类别集合，B_j为用户j的广告类别集合，J(A_i,B_j)值域为[0,1]。

6.根据权利要求4中所述的一种基于大数据分析的智能营销推广***，其特征在于，还包括对用户推广的广告的准确度进行分析和修正的步骤：

1)计算推广的产品广告的播放完整率Q：

Q＝P_v*B_v

其中，Pv为推广产品广告完整播放次数，Bv为推广产品广告播放次数；

2)根据推广的产品广告的播放完整率，构建推广修正模型：

其中，E为推广误差率，值域为(0，1)，

是本次推广的误差率。

Images