一种广告推荐方法及装置与流程

本发明涉及大数据处理技术领域，尤其涉及一种广告推荐方法及装置。

背景技术：

随着互联网技术的发展，通过互联网获取信息，使得生活、娱乐和工作成为人们生活的一部分。商家为了提高知名度，实现推广商品，往往通过互联网投放广告。但是，现有的广告推荐方法往往基于用户的历史搜索词语和用户对历史广告的反馈情况确定用户意向，并确定候选广告的主题与用户意向的相似度，当用户意向和候选广告的主题相近时，向用户推荐该广告信息。其中，在确定用户意向的时候，对于用户对历史广告的反馈情况，现有技术仅仅是根据用户对该广告的浏览停留时间和点击次数来确定用户是否对该类型的广告感兴趣。

上述现有技术中的广告推荐方法缺乏对广告本身文案的考虑，所谓文案可以看作广告中的图片效应，例如，当用户对广告a的浏览时长和点击次数较多时，则认为用户对广告a的宣传产品感兴趣，并没有考虑到用户可能是对广告中的视频图像感兴趣才致使用户对该广告进行浏览；当用户对广告b的浏览时长和点击次数较低时，则认为用户对广告b的宣传产品不感兴趣，并没有考虑到用户可能是对广告中的视频图像感到厌恶才致使用户拒绝浏览该广告。

因此，目前市面上亟需一种广告推荐策略，可以结合广告文案中的图片效应，精准地识别出用户对广告推荐的真实需求，提高广告推荐的准确率，降低信息垃圾的传播量。

技术实现要素：

本发明提供了一种广告推荐方法及装置，结合广告文案中的图片效应，精准地识别出用户对广告推荐的真实需求，提高广告推荐的准确率，降低信息垃圾的传播量。

为了解决上述技术问题，本发明实施例提供了一种广告推荐方法，包括：

获取用户在数据系统上浏览的网页内容，对所述网页内容中的特征信息进行识别提取，建立用户当前推荐标签；所述特征信息包括字符信息和图像信息；

根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告；

根据字符推荐模型计算各个初步推荐广告的第一推荐概率，根据图像推荐模型计算各个初步推荐广告的第二推荐概率；所述字符推荐模型是计算用户对推荐广告的字符信息感兴趣的概率的模型，所述图像推荐模型是计算用户对推荐广告的图像信息感兴趣的概率的模型；

根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告，并将所述最终推荐广告传输至用户当前浏览的网页上进行显示。

作为优选方案，所述获取用户在数据系统上浏览的网页内容，对所述网页内容中的特征信息进行识别提取，建立用户当前推荐标签的步骤中，具体包括：

获取当前用户在数据系统上浏览的网页内容；

对所述网页内容进行特征识别提取，得到字符信息和图像信息；

通过字词识别技术对所述字符信息进行文字识别和加权处理，得到字符标签；

通过图像识别技术对所述图像信息进行图像识别和加权处理，得到图像标签；

根据所述字符标签和所述图像标签，通过预设的权重值进行计算得到用户当前推荐标签。

作为优选方案，在所述根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告之前，还包括：

对广告推荐队列中的原始推荐广告设置原始标签，以使根据所述用户当前推荐标签与所述原始标签的相似度，在广告推荐队列中选取初步推荐广告。

作为优选方案，所述字符推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行字符信息提取，根据所述历史推荐广告的字符信息生成历史字符特征向量；

根据所述反馈信息和历史字符特征向量建立字符推荐模型。

作为优选方案，所述图像推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行图像信息提取，根据所述历史推荐广告的图像信息生成历史图像特征向量；

根据所述反馈信息和历史图像特征向量建立图像推荐模型。

作为优选方案，所述根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告的步骤，包括：

将所述第一推荐概率和所述第二推荐概率进行加权处理，得到最终推荐权值；

根据所述最终推荐权值在所述初步推荐广告中选取最终推荐广告。

作为优选方案，所述根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告的步骤，包括：

将所述第一推荐概率小于预设阈值的初步推荐广告进行过滤；

根据所述第二推荐概率在过滤后的初步推荐广告中选取最终推荐广告。

本发明实施例还提供了一种广告推荐装置，包括：

推荐标签模块，用于获取用户在数据系统上浏览的网页内容，对所述网页内容中的特征信息进行识别提取，建立用户当前推荐标签；所述特征信息包括字符信息和图像信息；

初步推荐模块，用于根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告；

推荐概率模块，用于根据字符推荐模型计算各个初步推荐广告的第一推荐概率，根据图像推荐模型计算各个初步推荐广告的第二推荐概率；所述字符推荐模型是计算用户对推荐广告的字符信息感兴趣的概率的模型，所述图像推荐模型是计算用户对推荐广告的图像信息感兴趣的概率的模型；

最终推荐模块，用于根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告，并将所述最终推荐广告传输至用户当前浏览的网页上进行显示。

作为优选方案，所述推荐标签模块包括：

数据获取单元，用于获取当前用户在数据系统上浏览的网页内容；

特征提取单元，用于对所述网页内容进行特征识别提取，得到字符信息和图像信息；

字符标签单元，用于通过字词识别技术对所述字符信息进行文字识别和加权处理，得到字符标签；

图像标签单元，用于通过图像识别技术对所述图像信息进行图像识别和加权处理，得到图像标签；

推荐标签单元，用于根据所述字符标签和所述图像标签，通过预设的权重值进行计算得到用户当前推荐标签。

作为优选方案，还包括：原始标签模块，用于在所述根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告之前，对广告推荐队列中的原始推荐广告设置原始标签，以使根据所述用户当前推荐标签与所述原始标签的相似度，在广告推荐队列中选取初步推荐广告。

作为优选方案，所述字符推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行字符信息提取，根据所述历史推荐广告的字符信息生成历史字符特征向量；

根据所述反馈信息和历史字符特征向量建立字符推荐模型。

作为优选方案，所述图像推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行图像信息提取，根据所述历史推荐广告的图像信息生成历史图像特征向量；

根据所述反馈信息和历史图像特征向量建立图像推荐模型。

作为优选方案，所述最终推荐模块包括：

加权处理单元，用于将所述第一推荐概率和所述第二推荐概率进行加权处理，得到最终推荐权值；

最终推荐单元，用于根据所述最终推荐权值在所述初步推荐广告中选取最终推荐广告。

作为优选方案，所述最终推荐模块包括：

广告过滤单元，用于将所述第一推荐概率小于预设阈值的初步推荐广告进行过滤；

最终推荐单元，用于根据所述第二推荐概率在过滤后的初步推荐广告中选取最终推荐广告。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的广告推荐方法。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的广告推荐方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明技术方案通过字符推荐模型计算用户对推荐广告的字符信息感兴趣的概率，并通过图像推荐模型计算用户对推荐广告的图像信息感兴趣的概率，选取出最终推荐广告，结合广告文案中的图片效应，可以精准地识别出用户对广告推荐的真实需求，提高广告推荐的准确率，降低信息垃圾的传播量。

附图说明

图1：为本发明实施例中的广告推荐方法的步骤流程图；

图2：为本发明实施例中的广告推荐装置的结构示意图。

具体实施方式

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作出创造性劳动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。

请参照图1，本发明优选实施例提供了一种广告推荐方法，包括：

s1，获取用户在数据系统上浏览的网页内容，对所述网页内容中的特征信息进行识别提取，建立用户当前推荐标签；所述特征信息包括字符信息和图像信息。在本实施例中，所述步骤s1具体包括：

s11，获取当前用户在数据系统上浏览的网页内容。具体地，当用户打开网页，在网页上进行浏览时，后天系统对用户当前的浏览内容进行后台信息获取，以区分用户当前浏览内容的标签。

s12，对所述网页内容进行特征识别提取，得到字符信息和图像信息。具体地，为了更精准地识别用户的真实需求，在本步骤中分别进行了字符提取和图像提取。常规的技术方案只是对字符进行识别，而本技术方案结合图像特征进行识别。而需要说明的是，对于图像信息提取的相关技术方案可以采用现有技术中图像识别相关的技术方案加以实现。

s13，通过字词识别技术对所述字符信息进行文字识别和加权处理，得到字符标签。具体地，根据已经提取出的字符信息进行文字识别，并通过加权处理可以计算出该字符信息对于的概率值，生成字符标签。

s14，通过图像识别技术对所述图像信息进行图像识别和加权处理，得到图像标签；具体地，根据已经提取出的图像信息进行图像识别，并通过加权处理可以计算出该图像信息对于的概率值，生成图像标签。

s15，根据所述字符标签和所述图像标签，通过预设的权重值进行计算得到用户当前推荐标签。应当说明的是，预设的权重值可以根据实际需求进行变换，而利用权重值计算的算法可以采用现在技术中的各种加权算法加以实现，本技术方案不作限定。

s2，根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告；在本实施例中，在步骤s2之前，还包括：对广告推荐队列中的原始推荐广告设置原始标签，以使根据所述用户当前推荐标签与所述原始标签的相似度，在广告推荐队列中选取初步推荐广告。

在传统的广告推荐方案中，通常在广告推荐队列中设置原始的标签，然后根据原始的标签直接选取出最终的推荐广告，本步骤只是利用了原始标签为用户挑选出初步的推荐广告，由于初步挑选出的广告不够精准，所以下面需要结合图像继续进行推荐概率计算。

s3，根据字符推荐模型计算各个初步推荐广告的第一推荐概率，根据图像推荐模型计算各个初步推荐广告的第二推荐概率。

其中，所述字符推荐模型是计算用户对推荐广告的字符信息感兴趣的概率的模型。在本实施例中，所述字符推荐模型的建立步骤包括：

步骤一，获取用户对历史推荐广告的反馈信息；该反馈信息可以通过系统后台的数据库储存中进行收集获取。其中，反馈信息可以为用户对某一历史推荐广告的浏览次数和时长，从而区分用户是否对该历史推荐广告感兴趣。

步骤二，对所述历史推荐广告进行字符信息提取，根据所述历史推荐广告的字符信息生成历史字符特征向量。

步骤三，根据所述反馈信息和历史字符特征向量建立字符推荐模型。

其中，所述图像推荐模型是计算用户对推荐广告的图像信息感兴趣的概率的模型。在本实施例中，所述图像推荐模型的建立步骤包括：

步骤一，获取用户对历史推荐广告的反馈信息；该反馈信息可以通过系统后台的数据库储存中进行收集获取。其中，反馈信息可以为用户对某一历史推荐广告的浏览次数和时长，从而区分用户是否对该历史推荐广告感兴趣。

步骤二，对所述历史推荐广告进行图像信息提取，根据所述历史推荐广告的图像信息生成历史图像特征向量。

步骤三，根据所述反馈信息和历史图像特征向量建立图像推荐模型。

s4，根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告，并将所述最终推荐广告传输至用户当前浏览的网页上进行显示。

在优选实施例中，所述步骤s4包括：s41，将所述第一推荐概率和所述第二推荐概率进行加权处理，得到最终推荐权值；s42，根据所述最终推荐权值在所述初步推荐广告中选取最终推荐广告。

通过概率加权计算得到最终推荐权值，再进行筛选最终推荐广告可以使得字符和图像之间的权重比例更准确，更精准地识别用户的兴趣意图。

在另一实施例中，所述步骤s4包括：s41，将所述第一推荐概率小于预设阈值的初步推荐广告进行过滤；s42，根据所述第二推荐概率在过滤后的初步推荐广告中选取最终推荐广告。

通过先过滤，后选取最终推荐广告的方式，可以在过滤阶段就淘汰部分初步推荐广告，降低服务器的运算负荷，进一步提高运算效率。

相应地，请参照图2，本发明实施例还提供了一种广告推荐装置，包括：

推荐标签模块，用于获取用户在数据系统上浏览的网页内容，对所述网页内容中的特征信息进行识别提取，建立用户当前推荐标签；所述特征信息包括字符信息和图像信息；

初步推荐模块，用于根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告；

推荐概率模块，用于根据字符推荐模型计算各个初步推荐广告的第一推荐概率，根据图像推荐模型计算各个初步推荐广告的第二推荐概率；所述字符推荐模型是计算用户对推荐广告的字符信息感兴趣的概率的模型，所述图像推荐模型是计算用户对推荐广告的图像信息感兴趣的概率的模型；

最终推荐模块，用于根据所述第一推荐概率和所述第二推荐概率，在所述初步推荐广告中选取最终推荐广告，并将所述最终推荐广告传输至用户当前浏览的网页上进行显示。

在本实施例中，所述推荐标签模块包括：

数据获取单元，用于获取当前用户在数据系统上浏览的网页内容；

特征提取单元，用于对所述网页内容进行特征识别提取，得到字符信息和图像信息；

字符标签单元，用于通过字词识别技术对所述字符信息进行文字识别和加权处理，得到字符标签；

图像标签单元，用于通过图像识别技术对所述图像信息进行图像识别和加权处理，得到图像标签；

推荐标签单元，用于根据所述字符标签和所述图像标签，通过预设的权重值进行计算得到用户当前推荐标签。

在本实施例中，还包括：原始标签模块，用于在所述根据所述用户当前推荐标签在广告推荐队列中选取初步推荐广告之前，对广告推荐队列中的原始推荐广告设置原始标签，以使根据所述用户当前推荐标签与所述原始标签的相似度，在广告推荐队列中选取初步推荐广告。

在本实施例中，所述字符推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行字符信息提取，根据所述历史推荐广告的字符信息生成历史字符特征向量；

根据所述反馈信息和历史字符特征向量建立字符推荐模型。

在本实施例中，所述图像推荐模型的建立步骤包括：

获取用户对历史推荐广告的反馈信息；

对所述历史推荐广告进行图像信息提取，根据所述历史推荐广告的图像信息生成历史图像特征向量；

根据所述反馈信息和历史图像特征向量建立图像推荐模型。

在优先实施例中，所述最终推荐模块包括：

加权处理单元，用于将所述第一推荐概率和所述第二推荐概率进行加权处理，得到最终推荐权值；

最终推荐单元，用于根据所述最终推荐权值在所述初步推荐广告中选取最终推荐广告。

在另一实施例中，所述最终推荐模块包括：

广告过滤单元，用于将所述第一推荐概率小于预设阈值的初步推荐广告进行过滤；

最终推荐单元，用于根据所述第二推荐概率在过滤后的初步推荐广告中选取最终推荐广告。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的广告推荐方法。

本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的广告推荐方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡和闪存卡(flashcard)等，或所述存储器也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。