似度条件的目标用户。
[0067]本实施例所述的目标用户定向方法，可利用于广告的目标用户定向或视频、音频等多媒体信息的推荐的目标用户定向的应用场景下。
[0068]所述种子用户为执行了目标活动的用户，例如在广告领域可包括点击了广告，或购买了广告的商品或下载了广告的应用，即执行了广告期望的转化行为的用户，或者评估出有非常大的概率执行所述目标活动的用户。
[0069]本实施例所述的种子用户可为从外设提取接收的，也可以为自行通过数据处理确定的用户。例如，需要发布广告A，若广告A首次发布，则可以通过获取与广告A彳艮相似的广告B的历史广告数据，提取出对广告A执行了对应转化行为的用户作为广告A的种子用户。当然，之前广告A已经试验投放一段时间，可以提取广告A的试验投放效果数据，提取出点击了广告A或执行了广告A期望的转化行为的用户作为所述种子用户。
[0070]在本实施例所述步骤S110中会基于种子用户的用户特征，生成虚拟用户，在步骤S120中将种子用户和虚拟用户共同作为正样本用户，显然增加了正样本用户的数目。例如，当前种子用户为Μ个，在步骤S110中根据种子用户的用户特征生成了 N个虚拟用户，这样的话，正样本用户的总数就为Μ+Ν，显然是大于种子用户的数目Μ的。故相对于现有技术仅将种子用户作为正样本用户，显然扩展了证样本用户的数量，从而增加了正样本用户的数据，从而能够减少因正样本用户数据少，导致的得到的定向参数的鉴别能够不够强，导致的目标用户的定位不精确的现象。
[0071]在步骤S110中基于种子用户生成的虚拟用户都为与所述种子用户有很大相似度的用户，例如，所述虚拟用户和所述种子用户的相似度大于相似阈值。例如，种子用户的年纪在20到25岁之间，这个时候所述虚拟用户的年纪可均位于所述20到25之间。这样，显然虚拟用户与种子用户的相似度较高。
[0072]通常观看了同一广告或均执行了广告的转化行为的种子用户之间有很多共同用户特征，而本实施例生成的虚拟用户可为与所述种子用户很相似的用户，该虚拟用户可是对应于真实存在的用户，但是由于数据库的统计遗漏的用户，也可以为纯虚拟的用户，没有存在该用户；但是由于与种子用户的相似性很大，该用户与种子用户一样观看同一个广告或执行广告的转化行为的概率很大，故可以作为正样本用户，为训练定向目标用户的定向参数的数据源。
[0073]如图2所示，实线表示的种子用户，通过用户拓展，拓展出用虚线表示的虚拟用户。种子用户和虚拟用户共同组成的正样本用户集合中的用户个数为种子用户的个数和虚拟用户的个数之和，显然大于种子用户的个数。
[0074]在步骤S130中可以采用任意一种方法来确定负样本用户，例如可以选择所述种子用户以外的任意一个用户作为所述负样本用户。值得注意的是，在本实施例中所述步骤S110与所述步骤S130之间没有一定的先后关系。所述步骤S110可以先于所述步骤S130执行，也可以在所述步骤S130之后执行。
[0075]在本实施例中，由于这里的正样本用户为与所述种子用户很相似的用户，为有非常高的概率称为所述目标用户的用户。例如本实施例所述目标用户定向方法应用于广告领域，所述目标用户为广告的推送用户，则所述正样本用户为很大程度上观看、点击和/或购买所述广告宣传的商品或服务的用户，即会有较大概率执行所述广告期待的转化行为的用户。这里的转化行为可包括点击广告进入广告的落地页;购买广告的商品或服务、下载广告的应用、或参与广告宣传的活动，如给广告宣传的品牌提出反馈意见等。
[0076]在确定出正样本用户和负样本用户之后，在步骤S140中将对分别对正样本用户和负样本用户进行训练，得到所述定向模型。这里如何进行正样本用户和负样本用户的用户特征的训练可以采用神经网络、学习机等各种训练工具进行训练，最终得到能够将用户分为目标用户和非目标用户的定向参数。
[0077]在具体实现时，例如，以在社交网络等网络平台上进行广告的目标用户定向，所述用户特征可包括用户属性特征、用户行为特征、用户社交特征中的一个或多个。所述用户属性特征可包括用户年纪、用户性别、用户的教育程度、用户的教育背景、用户的职业、用户的兴趣爱好等用户信息。所述用户行为特征可包括用户在社交平台上发布的内容、用户关注的公众号、用户下载的应用(Applicat1n，App)、用户利用App执行的一些用户操作。这里发布的内容可包括用户发布的原创内容，也可包括用户转发的内容。这里的用户利用App执行的一些用户操作，可例如，用户利用视频App观看的视频。分析这些视频包括的演员等信息，可确定出用户是否对是某一个演员的粉丝，若用户是该演员的粉丝，则向该用户推荐包括该演员的广告，可能就获得较高的转化概率。当然，这里的用户行为特征又可根据时间分为用户长期行为习惯和用户短期行为偏向等。用户社交特征可包括用户的社交关系链、用户与其他用户的社交频次、用户惯用的社交平台等信息。这些特征都能够反映出用户的需求和用户感兴趣的内容，都可以作为定向目标用户的参数。
[0078]最后，在步骤S150中确定出的是与种子用户满足预设相似度条件的用户作为目标用户，这样的话，目标用户因为与种子用户的相似性，将执行与种子用户相似活动或相同活动的概率很高，可以作为执行某一项目标活动的目标用户。例如向目标用户推送广告等。
[0079]总之，本实施例提供了一种目标用户定向方法，不局限于获得的种子用户的数量，而是会自动根据种子用户的用户特征进行样本用户的拓展，获得更多样本用户或更能用于精确定位目标用户的样本用户，提升了目标用户的定位精确度。
[0080]实施例二:
[0081]如图1所示，本实施例提供一种目标用户定向方法，所述方法包括:步骤S110:基于种子用户的用户特征，生成虚拟用户;这里的种子用户可为广告主通过提供的用户，也可以为根据广告的历史广告数据确定的用户；步骤S120:将所述种子用户和所述虚拟用户共同作为正样本用户；这样的话，通过虚拟用户的生成就实现了正样本用户的扩展;步骤S130:确定负样本用户；例如可随机选择种子用户以外的用户作为所述负样本用户，也可以从负样本用户中选择部分用户作为所述负样本用户；步骤S140:分别抽取所述正样本用户和所述负样本用户的用户特征;步骤S150:基于所述定向参数，定位出与所述种子用户满足预定相似度条件的目标用户。
[0082]在本实施例中，所述步骤S110可包括:
[0083]确定Μ个所述种子用户在特征空间的第一位置;基于至少两个所述第一位置确定第二位置;基于所述第二位置确定所述虚拟用户的用户特征并生成虚拟用户。
[0084]本实施例所述特征空间可为一个多维的矢量空间，在该矢量空间内，种子用户因为其相似度，会至少在一个维度或多个维度内进行聚集，在本实施例中可以在满足聚集的维度内确定出聚集范围，在聚集范围的空白区域内构建所述虚拟用户。在没有满足聚焦的维度内，可以随机构建虚拟用户的用户特征或，依然基于种子用户的用户特征来进行构建。
[0085]本实施例中两个所述第一位置可为聚集范围的极限位置。
[0086]如图3所示，在两维的矢量空间内，根据种子用户的用户特征，确定出种子用户的特征。这里的第一位置和第二位置都可以矢量空间的坐标来表示。从图4可知，种子用户在位置Α附近聚集，在位置Α附件的空白区域内的这些用户有非常大的可能是种子用户，但是由于可能在确定种子用户时，数据量不够大等问题，遗漏了这些用户。在本实施例中利用步骤S110构建出虚拟用户。将这些虚拟用户和种子用户共同形成正样本用户，以扩充正样本用户的数量。利用更多的正样本用户提供用户特征来确定目标用户，可以为目标用户定位提供更多的参数或更为精准的参数，从而能够提升目标用户的定位精准度。
[0087]实施例三:
[0088]如图1所示，本实施例提供一种目标用户定向方法，所述方法包括:步骤S110:基于种子用户的用户特征，生成虚拟用户;这里的种子用户可为广告主通过提供的用户，也可以为根据广告的历史广告数据确定的用户；步骤S120:将所述种子用户和所述虚拟用户共同作为正样本用户；这样的话，通过虚拟用户的生成就实现了正样本用户的扩展;步骤S130:确定负样本用户；例如可随机选择种子用户以外的用户作为所述负样本用户，也可以从负样本用户中选择部分用户作为所述负样本用户；步骤S140:分别抽取所述正样本用户和所述负样本用户的用户特征;步骤S150:基于所述定向参数，定位出与所述种子用户满足预定相似度条件的目标用户。
[0089]在本实施例中，所述步骤S110可包括:提取所述种子用户的用户特征中的数值用户特征;基于所述数值用户特征，确定数值用户特征的可选范围；从所述可选范围选出一个数值作为所述虚拟用户的数值用户特征;提取所述种子用户的用户特征中的非数值用户特征，并对所述非数值用户特征赋予概率值;基于所述概率值确定所述虚拟用户的非数值用户特征。
[0090]在本实施例中所述数值用户特征为可量化用户特征，例如用户的年纪、用户观看某一类视频的频率等信息。这样的话，种子用户的数值用户特征将形成数据区间。例如，通过信息统计，发现种子用户的年龄都在15到23岁之间。这里的15到23即为所述数据区间，也即前述的可选范围。这样在生成虚拟用户时，可以从15到23岁之间选择一个年龄作为所述虚拟用户的年龄特征。具体如何选择，可以根据预设选择函数来确定。例如所述预设选择函数