CN116167802B - 一种基于电商大数据的广告投放方法 - Google Patents
一种基于电商大数据的广告投放方法 Download PDFInfo
- Publication number
- CN116167802B CN116167802B CN202310298391.9A CN202310298391A CN116167802B CN 116167802 B CN116167802 B CN 116167802B CN 202310298391 A CN202310298391 A CN 202310298391A CN 116167802 B CN116167802 B CN 116167802B
- Authority
- CN
- China
- Prior art keywords
- node
- user
- migration
- user node
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 128
- 238000013508 migration Methods 0.000 claims abstract description 128
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000007704 transition Effects 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 26
- 238000013139 quantization Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000002716 delivery method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 108010015046 cell aggregation factors Proteins 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于电商大数据的广告投放方法，包括：基于商品销售数据在不同时刻下的快照数据生成相应的交易子图序列；获取用户节点关联的所有一阶邻近用户节点、环路个数和自网络包含的边，以构建用户节点的第一节点特征，基于邻近用户节点的第一节点特征分析得到对应用户节点的第二节点特征；基于所述第一节点特征和所述第二节点特征分析得到对应时刻下的商品交易网络的迁移节点集合；基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集；基于所述属性集预测下一时刻对应用户节点的实时迁移用户节点，并基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户。
Description
技术领域
本发明涉及智慧电商和大数据领域，尤其涉及一种基于电商大数据的广告投放方法。
背景技术
在互联网及信息技术的推动下，大数据时代随之到来。大数据时代对广告产业的变革产生了重大影响，实现了广告传播媒介及传播形式的多样化，在大数据时代背景下，广告的设计理念及传递的信息有了突破性改变，为实现广告的精准投放提供了契机。
现如今，数据容量的增长趋势越来越快，广告行业为了适应社会发展的需求，着重于对各种数据的收集、汇总及分析。在广告投放过程中，始终依赖于大数据技术的支持，为广告投放提供实时动态的信息和数据，通过对信息的整合和分析，捕捉有价值的广告信息，然后精准地投放给不同的消费群体，引起受众的关注，提升广告业的经济效益。在大数据时代背景下，广告业在策略上进行了转变，由以往的媒体为核心转向了以消费者为中心的策略。
传统的基于用户之间的社交关系进行商品推荐的方法受限于用户与用户之间的人际交往关系，例如，以网络社交平台为基准的广告传播，离不开人际关系的桥梁和纽带作用，使得广告在不同群体间传播的速度较慢，且用户之间需要建立足够的信任感才会使得广告传播的效果更好，因此基于社交关系的广告推送难以在陌生用户之间实现广告传播。
发明内容
有鉴于此，本发明提供了一种基于电商大数据的广告投放方法，其包括：
获取商品销售数据在不同时刻下的数据快照，基于所有数据快照组成的快照序列生成所述商品销售数据的交易子图序列，其中，所述交易子图序列中包括若干按快照时间顺序排列的商品交易网络，所述商品交易网络中的边表征两用户在对应时刻购买了同一种商品；
提取每个商品交易网络中各个用户节点关联的所有一阶邻近用户节点、环路个数和自网络包含的所有边，以构成各个用户节点在对应时刻下的第一节点特征，利用聚集函数递归各个用户节点的所有邻近用户节点的第一节点特征，直至递归所得的特征包含与所有待递归的邻近用户节点的第一节点特征相似的特征，得到各个用户节点的第二节点特征；
基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵，并基于不同时刻下的节点转移概率矩阵组成交易子图序列的节点转移概率矩阵序列；
基于节点转移概率矩阵中目标用户节点迁移至不同用户节点上的概率取值，获取概率取值最大的用户节点作为对应目标用户节点的迁移用户节点以生成对应时刻下商品交易网络的迁移节点集合，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集；
基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练，基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵，从目标用户节点对应的局部节点转移概率矩阵中获取概率取值最大的用户节点作为目标用户节点在下一时刻的实时迁移用户节点，并基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户。
根据一个优选实施方式，所述基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵包括：
基于每个用户节点的第一节点特征和第二节点特征生成不同时刻下对应用户节点的特征取值向量，基于对应时刻下的商品交易网络中所有用户节点的特征取值向量和所述快照序列生成交易子图序列的节点特征矩阵序列；
利用非负矩阵分解算法分析得到节点特征矩阵序列中各个节点特征矩阵的节点转移概率矩阵，其中，所述节点转移概率矩阵中的每个元素表示对应目标用户节点迁移至其它用户节点上的概率取值。
根据一个优选实施方式，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集包括：
将相邻时刻的两商品交易网络对应的两迁移节点集合进行比较以确定两迁移节点集合的匹配度，当两迁移节点集合的匹配度小于预设匹配度阈值时，基于相邻商品交易网络中不相匹配的各个迁移用户节点的概率取值之差确定每个不相匹配的迁移用户节点的迁移量；
基于每个用户节点的特征向量中心度、紧密中心度和聚集度系数对相应用户节点的第一节点特征进行扩充，基于扩充后的第一节点特征组成对应时刻下商品交易网络的节点度量矩阵，基于所述商品交易网络的节点转移概率矩阵对所述节点度量矩阵进行非负矩阵分解以得到所述商品交易网络的节点关系量化矩阵，其中，所述节点关系量化矩阵行对应若干个迁移用户节点，所述节点关系量化矩阵的列对应若干个度量属性，所述度量属性为扩充后的第一节点特征中包含的所有特征向量；
从节点关系量化矩阵中提取各个用户节点的量化关系列表，基于各个用户节点的迁移量、扩充后的第一节点特征、量化关系列表和候选迁移节点列表生成各个用户节点的属性集，其中，所述节点关系量化矩阵的每一行元素表征对应用户节点的迁移用户节点对各个度量属性的贡献，所述量化关系列表由节点关系量化矩阵中对应行的所有元素构成，所述属性集包括由对应用户节点的迁移量构成的第一节点属性、由对应用户节点扩充后的第一节点特征构成的第二节点属性、由对应用户节点的量化关系列表构成的第三节点属性和由对应用户节点的候选迁移节点列表构成的第四节点属性。
根据一个优选实施方式，所述候选迁移节点列表的获取步骤包括：
从对应时刻下的商品交易网络的节点转移概率矩阵中获取对应行的所有元素以得到对应目标用户节点的转移用户节点集，从所述转移用户节点集中获取若干概率取值大于预设阈值的多个用户节点以生成目标用户节点的候选迁移节点列表，其中，所述转移用户节点集中包括对应目标用户节点迁移至商品交易网络中的每个用户节点上的概率取值。
根据一个优选实施方式，所述基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练包括：
基于获取到的若干历史商品交易网络中每个用户节点的属性集为每个预设候选迁移用户节点建立相应的属性数据集，其中，所述属性数据集中包括若干按序排列的训练数据对，每个训练数据对包括对应用户节点的属性集中的第一节点属性、第二节点属性、第三节点属性与第四节点属性在对应历史时刻下的特征和下一历史时刻下作为预测目标的，所述用户节点在对应预设候选迁移用户节点上的概率取值；
将不同预设候选迁移用户节点对应的属性数据集划分为若干属性数据段，并以每个属性数据段中的预测目标为变量对每个属性数据段进行线性回归以构建对应预设候选迁移用户节点的一阶回归模型，将利用所述一阶回归模型预测得到的对应预设候选迁移用户节点的预测概率取值重新合并至所述预设候选迁移用户节点的属性数据集中以对每个属性数据段进行属性扩充，其中，所述预测目标为对应用户节点在对应预设候选迁移用户节点上的概率取值；
对扩充后的各个属性数据段进行线性回归以得到对应预设候选迁移用户节点的二阶回归模型，并利用若干历史数据快照作为测试数据集对所述二阶回归模型进行测试并优化每个预设候选迁移用户节点对应的二阶回归模型的模型参数，基于每个预设候选迁移用户节点的二阶回归模型构成用户节点的迁移概率预测模型。
根据一个优选实施方式，所述基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵包括：
输入前一时刻下商品交易网络对应的各个用户节点的属性集至所述迁移概率预测模型中，合并所述迁移概率预测模型中各个二阶回归模型输出的下一时刻下对应用户节点在对应预设候选迁移用户节点上的预测概率取值以得到所述用户节点的转移概率分布向量；
基于所有用户节点的转移概率分布向量生成下一时刻下对应商品交易网络的局部节点转移概率矩阵。
根据一个优选实施方式，所述基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户包括：
根据实时迁移用户节点下一时刻的购物特征将所述目标用户作为与所述购物特征相匹配的目标广告的兴趣用户，并将所述目标广告投放给该兴趣用户。
根据一个优选实施方式，所述一阶邻近用户节点为与对应用户节点直接相连的所有用户节点。对于用户节点用于递归的邻近用户节点包括其所对应的一阶邻近用户节点、二阶邻近用户节点直至N阶邻近用户节点。
所述购物特征包括购买的所有商品的购买时间、商品类型、商品数量和商品特征。优选地，所述转移概率分布向量包括对应用户节点在所有不同预设候选迁移用户节点上的概率取值向量。
本发明提供的实施例具有以下有益效果：
本发明提供通过为对应时刻下购买相同商品的用户之间建立连接以形成相应的交易网络，以通过该交易网络挖掘未来时刻下各个用户节点转移至其他用户节点的概率，在知晓概率取值最大的转移用户节点的购买商品特征时，为目标用户推荐与该转移用户购买商品相匹配的广告，以实现广告的精准投放，增大相应广告的点击率和商品的购买率。相较于通过社交关系进行商品推荐的传统推荐方法，该推荐能为不相关联的陌生用户之间实现商品的推荐，推荐范围更广。
附图说明
图1为本发明的基于电商大数据的广告投放方法的流程图。
具体实施方式
下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，在一个实施例中，基于电商大数据的广告投放方法可以包括：
S1、获取商品销售数据在不同时刻下的数据快照，基于所有数据快照组成的快照序列生成所述商品销售数据的交易子图序列，其中，所述交易子图序列中包括若干按快照时间顺序排列的商品交易网络，所述商品交易网络中的边表征两用户在对应时刻购买了同一种商品。
可选地，所述数据快照用于表征商品销售数据某一时刻的状态记录。所述商品销售数据用于表征每种不同类型的商品的销售记录，所述销售记录用于指示对应商品的成交金额和成交用户。
所述快照序列中的每一个按序排列的数据快照均唯一对应交易子图序列中的一个按序排列的商品交易网络。所述商品交易网络的顶点集由商品销售数据中的所有不同用户组成。
S2、提取每个商品交易网络中各个用户节点关联的所有一阶邻近用户节点、环路个数和自网络包含的所有边，以构成各个用户节点在对应时刻下的第一节点特征，利用聚集函数递归各个用户节点的所有邻近用户节点的第一节点特征，直至递归所得的特征包含与所有待递归的邻近用户节点的第一节点特征相似的特征，得到各个用户节点的第二节点特征。
可选地，所述一阶邻近用户节点为与对应用户节点直接相连的所有用户节点。对于用户节点用于递归的邻近用户节点包括其所对应的一阶邻近用户节点、二阶邻近用户节点直至N阶邻近用户节点。
可选地，所述环路个数即为对应用户节点参与三角回路的个数，所述自网络包含的边为对应用户节点组成的所有三角回路包含的边和与所述用户节点直接相连的所有边，所述聚集函数为sum()和mean()，即求和函数和均值函数。
S3、基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵，并基于不同时刻下的节点转移概率矩阵组成交易子图序列的节点转移概率矩阵序列。
具体地，所述基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵包括：
基于每个用户节点的第一节点特征和第二节点特征生成不同时刻下对应用户节点的特征取值向量，基于对应时刻下的商品交易网络中所有用户节点的特征取值向量和所述快照序列生成交易子图序列的节点特征矩阵序列；
利用非负矩阵分解算法分析得到节点特征矩阵序列中各个节点特征矩阵的节点转移概率矩阵，其中，所述节点转移概率矩阵中的每个元素表示对应目标用户节点迁移至其它用户节点上的概率取值。
可选地，所述特征取值向量用于表征对应用户节点在对应时刻下得到的特征个数，由第一节点特征与第二节点特征的特征维数分析得到。
S4、基于节点转移概率矩阵中目标用户节点迁移至不同用户节点上的概率取值，获取概率取值最大的用户节点作为对应目标用户节点的迁移用户节点以生成对应时刻下商品交易网络的迁移节点集合，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集。
具体地，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集包括：
将相邻时刻的两商品交易网络对应的两迁移节点集合进行比较以确定两迁移节点集合的匹配度，当两迁移节点集合的匹配度小于预设匹配度阈值时，基于相邻商品交易网络中不相匹配的各个迁移用户节点的概率取值之差确定每个不相匹配的迁移用户节点的迁移量；
基于每个用户节点的特征向量中心度、紧密中心度和聚集度系数对相应用户节点的第一节点特征进行扩充，基于扩充后的第一节点特征组成对应时刻下商品交易网络的节点度量矩阵，基于所述商品交易网络的节点转移概率矩阵对所述节点度量矩阵进行非负矩阵分解以得到所述商品交易网络的节点关系量化矩阵，其中，所述节点关系量化矩阵行对应若干个迁移用户节点，所述节点关系量化矩阵的列对应若干个度量属性，所述度量属性为扩充后的第一节点特征中包含的所有特征向量；
从节点关系量化矩阵中提取各个用户节点的量化关系列表，基于各个用户节点的迁移量、扩充后的第一节点特征、量化关系列表和候选迁移节点列表生成各个用户节点的属性集，其中，所述节点关系量化矩阵的每一行元素表征对应用户节点的迁移用户节点对各个度量属性的贡献，所述量化关系列表由节点关系量化矩阵中对应行的所有元素构成，所述属性集包括由对应用户节点的迁移量构成的第一节点属性、由对应用户节点扩充后的第一节点特征构成的第二节点属性、由对应用户节点的量化关系列表构成的第三节点属性和由对应用户节点的候选迁移节点列表构成的第四节点属性。
可选地，所述候选迁移节点列表的获取步骤包括：
从对应时刻下的商品交易网络的节点转移概率矩阵中获取对应行的所有元素以得到对应目标用户节点的转移用户节点集，从所述转移用户节点集中获取若干概率取值大于预设阈值的多个用户节点以生成目标用户节点的候选迁移节点列表，其中，所述转移用户节点集中包括对应目标用户节点迁移至商品交易网络中的每个用户节点上的概率取值。
可选地，所述预设阈值为***预先设置的用于判断目标用户节点转移至对应用户节点上的概率是否较大的数值。所述预设匹配度阈值为***预先设置的用于判断两迁移节点集合是否相同的数值。
可选地，所述特征向量中心度由对应用户节点直接相连的所有邻近用户节点以及每个直接相连的邻近用户节点关联的所有邻近用户节点分析得到，所述紧密中心度用于表征对应用户节点与对应商品交易网络中的其它用户节点的距离接近程度；所述聚集度系数用于表征对应用户节点的邻近用户节点的聚集程度。
S5、基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练，基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵，从目标用户节点对应的局部节点转移概率矩阵中获取概率取值最大的用户节点作为目标用户节点在下一时刻的实时迁移用户节点，并基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户。
具体地，所述基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练包括：
基于获取到的若干历史商品交易网络中每个用户节点的属性集为每个预设候选迁移用户节点建立相应的属性数据集，其中，所述属性数据集中包括若干按序排列的训练数据对，每个训练数据对包括对应用户节点的属性集中的第一节点属性、第二节点属性、第三节点属性与第四节点属性在对应历史时刻下的特征和下一历史时刻下作为预测目标的，所述用户节点在对应预设候选迁移用户节点上的概率取值；
将不同预设候选迁移用户节点对应的属性数据集划分为若干属性数据段，并以每个属性数据段中的预测目标为变量对每个属性数据段进行线性回归以构建对应预设候选迁移用户节点的一阶回归模型，将利用所述一阶回归模型预测得到的对应预设候选迁移用户节点的预测概率取值重新合并至所述预设候选迁移用户节点的属性数据集中以对每个属性数据段进行属性扩充，其中，所述预测目标为对应用户节点在对应预设候选迁移用户节点上的概率取值；
对扩充后的各个属性数据段进行线性回归以得到对应预设候选迁移用户节点的二阶回归模型，并利用若干历史数据快照作为测试数据集对所述二阶回归模型进行测试并优化每个预设候选迁移用户节点对应的二阶回归模型的模型参数，基于每个预设候选迁移用户节点的二阶回归模型构成用户节点的迁移概率预测模型。
可选地，所述预设候选迁移用户节点为***从所有用户节点中预先选择的用于进行转移概率预测的用户节点。
具体地，所述基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵包括：
输入前一时刻下商品交易网络对应的各个用户节点的属性集至所述迁移概率预测模型中，合并所述迁移概率预测模型中各个二阶回归模型输出的下一时刻下对应用户节点在对应预设候选迁移用户节点上的预测概率取值以得到所述用户节点的转移概率分布向量；
基于所有用户节点的转移概率分布向量生成下一时刻下对应商品交易网络的局部节点转移概率矩阵。
可选地，所述转移概率分布向量包括对应用户节点在所有不同预设候选迁移用户节点上的概率取值向量。
具体地，所述基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户包括：
根据实时迁移用户节点下一时刻的购物特征将所述目标用户作为与所述购物特征相匹配的目标广告的兴趣用户，并将所述目标广告投放给该兴趣用户。
在另一个实施例中，还包括将所述目标广告表征的商品特征与由目标用户的消费***数据和商品喜好数据形成的兴趣特征进行匹配，相匹配时，再将所述目标广告投放给该目标用户。
可选地，所述购物特征包括购买的所有商品的购买时间、商品类型、商品数量和商品特征。
本发明通过为对应时刻下购买相同商品的用户之间建立连接以形成相应的交易网络，以通过该交易网络挖掘未来时刻下各个用户节点转移至其他用户节点的概率，在知晓概率取值最大的转移用户节点的购买商品特征时，为目标用户推荐与该转移用户购买商品相匹配的广告，以实现广告的精准投放，增大相应广告的点击率和商品的购买率。相较于通过社交关系进行商品推荐的传统推荐方法，该推荐能为不相关联的陌生用户之间实现商品的推荐，推荐范围更广。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
Claims (10)
1.一种基于电商大数据的广告投放方法，其特征在于，所述方法包括：
获取商品销售数据在不同时刻下的数据快照，基于所有数据快照组成的快照序列生成所述商品销售数据的交易子图序列，其中，所述交易子图序列中包括若干按快照时间顺序排列的商品交易网络，所述商品交易网络中的边表征两用户在对应时刻购买了同一种商品；
提取每个商品交易网络中各个用户节点关联的所有一阶邻近用户节点、环路个数和自网络包含的所有边，以构成各个用户节点在对应时刻下的第一节点特征，利用聚集函数递归各个用户节点的所有邻近用户节点的第一节点特征，直至递归所得的特征包含与所有待递归的邻近用户节点的第一节点特征相似的特征，得到各个用户节点的第二节点特征；
基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵，并基于不同时刻下的节点转移概率矩阵组成交易子图序列的节点转移概率矩阵序列；
基于节点转移概率矩阵中目标用户节点迁移至不同用户节点上的概率取值，获取概率取值最大的用户节点作为对应目标用户节点的迁移用户节点以生成对应时刻下商品交易网络的迁移节点集合，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集；
基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练，基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵，从目标用户节点对应的局部节点转移概率矩阵中获取概率取值最大的用户节点作为目标用户节点在下一时刻的实时迁移用户节点，并基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户。
2.根据权利要求1所述的方法，其特征在于，所述基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵包括：
基于每个用户节点的第一节点特征和第二节点特征生成不同时刻下对应用户节点的特征取值向量，基于对应时刻下的商品交易网络中所有用户节点的特征取值向量和所述快照序列生成交易子图序列的节点特征矩阵序列；
利用非负矩阵分解算法分析得到节点特征矩阵序列中各个节点特征矩阵的节点转移概率矩阵，其中，所述节点转移概率矩阵中的每个元素表示对应目标用户节点迁移至其它用户节点上的概率取值。
3.根据权利要求2所述的方法，其特征在于，基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集包括：
将相邻时刻的两商品交易网络对应的两迁移节点集合进行比较以确定两迁移节点集合的匹配度，当两迁移节点集合的匹配度小于预设匹配度阈值时，基于相邻商品交易网络中不相匹配的各个迁移用户节点的概率取值之差确定每个不相匹配的迁移用户节点的迁移量；
基于每个用户节点的特征向量中心度、紧密中心度和聚集度系数对相应用户节点的第一节点特征进行扩充，基于扩充后的第一节点特征组成对应时刻下商品交易网络的节点度量矩阵，基于所述商品交易网络的节点转移概率矩阵对所述节点度量矩阵进行非负矩阵分解以得到所述商品交易网络的节点关系量化矩阵，其中，所述节点关系量化矩阵行对应若干个迁移用户节点，所述节点关系量化矩阵的列对应若干个度量属性，所述度量属性为扩充后的第一节点特征中包含的所有特征向量；
从节点关系量化矩阵中提取各个用户节点的量化关系列表，基于各个用户节点的迁移量、扩充后的第一节点特征、量化关系列表和候选迁移节点列表生成各个用户节点的属性集，其中，所述节点关系量化矩阵的每一行元素表征对应用户节点的迁移用户节点对各个度量属性的贡献，所述量化关系列表由节点关系量化矩阵中对应行的所有元素构成，所述属性集包括由对应用户节点的迁移量构成的第一节点属性、由对应用户节点扩充后的第一节点特征构成的第二节点属性、由对应用户节点的量化关系列表构成的第三节点属性和由对应用户节点的候选迁移节点列表构成的第四节点属性。
4.根据权利要求3所述的方法，其特征在于，所述候选迁移节点列表的获取步骤包括：
从对应时刻下的商品交易网络的节点转移概率矩阵中获取对应行的所有元素以得到对应目标用户节点的转移用户节点集，从所述转移用户节点集中获取若干概率取值大于预设阈值的多个用户节点以生成目标用户节点的候选迁移节点列表，其中，所述转移用户节点集中包括对应目标用户节点迁移至商品交易网络中的每个用户节点上的概率取值。
5.根据权利要求4所述的方法，其特征在于，所述基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练包括：
基于获取到的若干历史商品交易网络中每个用户节点的属性集为每个预设候选迁移用户节点建立相应的属性数据集，其中，所述属性数据集中包括若干按序排列的训练数据对，每个训练数据对包括对应用户节点的属性集中的第一节点属性、第二节点属性、第三节点属性与第四节点属性在对应历史时刻下的特征和下一历史时刻下作为预测目标的，所述用户节点在对应预设候选迁移用户节点上的概率取值；
将不同预设候选迁移用户节点对应的属性数据集划分为若干属性数据段，并以每个属性数据段中的预测目标为变量对每个属性数据段进行线性回归以构建对应预设候选迁移用户节点的一阶回归模型，将利用所述一阶回归模型预测得到的对应预设候选迁移用户节点的预测概率取值重新合并至所述预设候选迁移用户节点的属性数据集中以对每个属性数据段进行属性扩充，其中，所述预测目标为对应用户节点在对应预设候选迁移用户节点上的概率取值；
对扩充后的各个属性数据段进行线性回归以得到对应预设候选迁移用户节点的二阶回归模型，并利用若干历史数据快照作为测试数据集对所述二阶回归模型进行测试并优化每个预设候选迁移用户节点对应的二阶回归模型的模型参数，基于每个预设候选迁移用户节点的二阶回归模型构成用户节点的迁移概率预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵包括：
输入前一时刻下商品交易网络对应的各个用户节点的属性集至所述迁移概率预测模型中，合并所述迁移概率预测模型中各个二阶回归模型输出的下一时刻下对应用户节点在对应预设候选迁移用户节点上的预测概率取值以得到所述用户节点的转移概率分布向量；
基于所有用户节点的转移概率分布向量生成下一时刻下对应商品交易网络的局部节点转移概率矩阵。
7.根据权利要求6所述的方法，其特征在于，所述基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户包括：
根据实时迁移用户节点下一时刻的购物特征将所述目标用户作为与所述购物特征相匹配的目标广告的兴趣用户，并将所述目标广告投放给该兴趣用户。
8.根据权利要求7所述的方法，其特征在于，所述一阶邻近用户节点为与对应用户节点直接相连的所有用户节点，对于用户节点用于递归的邻近用户节点包括其所对应的一阶邻近用户节点、二阶邻近用户节点直至N阶邻近用户节点。
9.根据权利要求8所述的方法，其特征在于，所述购物特征包括购买的所有商品的购买时间、商品类型、商品数量和商品特征。
10.根据权利要求9所述的方法，其特征在于，所述转移概率分布向量包括对应用户节点在所有不同预设候选迁移用户节点上的概率取值向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310298391.9A CN116167802B (zh) | 2023-03-24 | 2023-03-24 | 一种基于电商大数据的广告投放方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310298391.9A CN116167802B (zh) | 2023-03-24 | 2023-03-24 | 一种基于电商大数据的广告投放方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116167802A CN116167802A (zh) | 2023-05-26 |
| CN116167802B true CN116167802B (zh) | 2023-10-20 |
Family
ID=86411664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310298391.9A Active CN116167802B (zh) | 2023-03-24 | 2023-03-24 | 一种基于电商大数据的广告投放方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116167802B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228381A (zh) * | 2016-07-06 | 2016-12-14 | 合网络技术（北京）有限公司 | 一种可自排查问题的网络广告投放***和方法 |
| CN110659394A (zh) * | 2019-08-02 | 2020-01-07 | 中国人民大学 | 基于双向邻近度的推荐方法 |
| CN115082114A (zh) * | 2022-06-24 | 2022-09-20 | 北京星合之星网络科技有限公司 | 广告投放方法、装置、电子设备及存储介质 |
| CN115687760A (zh) * | 2022-10-30 | 2023-02-03 | 上海师范大学 | 一种基于图神经网络的用户学习兴趣标签预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9563905B2 (en) * | 2014-07-16 | 2017-02-07 | Turn Inc. | Advertisement snapshot recorder |
-
2023
- 2023-03-24 CN CN202310298391.9A patent/CN116167802B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228381A (zh) * | 2016-07-06 | 2016-12-14 | 合网络技术（北京）有限公司 | 一种可自排查问题的网络广告投放***和方法 |
| CN110659394A (zh) * | 2019-08-02 | 2020-01-07 | 中国人民大学 | 基于双向邻近度的推荐方法 |
| CN115082114A (zh) * | 2022-06-24 | 2022-09-20 | 北京星合之星网络科技有限公司 | 广告投放方法、装置、电子设备及存储介质 |
| CN115687760A (zh) * | 2022-10-30 | 2023-02-03 | 上海师范大学 | 一种基于图神经网络的用户学习兴趣标签预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于用户特征分类的精准广告投放研究;李娜;李爱军;;电脑知识与技术(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116167802A (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Patro et al. | A hybrid action-related K-nearest neighbour (HAR-KNN) approach for recommendation systems | |
| CN111507796A (zh) | 一种基于知识图谱的网上商城商品推荐方法 | |
| Baskaran et al. | The Heckscher–Ohlin model and the network structure of international trade | |
| Ajesh et al. | A random forest approach for rating-based recommender system | |
| US20130138479A1 (en) | Classification of network users based on corresponding social network behavior | |
| CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
| CN104463637A (zh) | 一种基于电商平台的商品推荐方法、装置及服务器 | |
| Lefait et al. | Customer segmentation architecture based on clustering techniques | |
| KR20160065429A (ko) | 하이브리드 개인화 상품추천 방법 | |
| CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
| CN103391302A (zh) | 一种信息发送的方法及*** | |
| US9767231B2 (en) | Method and system for calculating affinity between entities using electrical circuit analogy | |
| CN112258301B (zh) | 商品推荐方法、装置、***、可读存储介质及电子设备 | |
| CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和*** | |
| CN110197404A (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和*** | |
| CN105335518A (zh) | 生成用户偏好信息的方法及装置 | |
| CN108243016A (zh) | 业务套餐的推荐方法以及推荐装置、以及服务器 | |
| CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及*** | |
| CN116362836A (zh) | 基于用户行为序列的农产品推荐算法 | |
| CN110059257B (zh) | 基于评分修正的项目推荐方法 | |
| Sun et al. | A time-sensitive collaborative filtering model in recommendation systems | |
| Xue et al. | Intelligent mining on purchase information and recommendation system for e-commerce | |
| CN110110154B (zh) | 一种图文件的处理方法、装置及存储介质 | |
| CN116167802B (zh) | 一种基于电商大数据的广告投放方法 | |
| Zeng | An intelligent e-commerce recommender system based on web mining |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230915 Address after: 510308 block g, No. 996, Xingang East Road, Haizhu District, Guangzhou City, Guangdong Province Applicant after: Guangdong Guangdong Marketing Group Co.,Ltd. Address before: No. 508-2A, North Block, Poly Tianji, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528100 Applicant before: Foshan Haixie Technology Co.,Ltd. Effective date of registration: 20230915 Address after: No. 508-2A, North Block, Poly Tianji, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528100 Applicant after: Foshan Haixie Technology Co.,Ltd. Address before: No.24, Section 1, Xuefu Road, Southwest Airport Economic Development Zone, Chengdu, Sichuan 610200 Applicant before: CHENGDU University OF INFORMATION TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |