一种基于机器学习的广告推荐方法及系统技术方案

本发明专利技术公开了一种基于机器学习的广告推荐方法及系统，包括以下步骤：步骤S1、构建广告推荐模型；步骤S2、为所述推荐特征集合设定监听系数，并基于监听系数更新所述目标用户的广告推荐方案；步骤S3、基于所述广告推荐方案在广告推送终端向所述目标用户提供广告推荐意见以及进行所述广告推荐模型的修正。本发明专利技术通过设定监听系数，获取目标用户的兴趣迁移信息，并对发生兴趣迁移的用户进行推荐更新，无需对未发生兴趣迁移的用户进行推荐更新，沿用原有推荐方案即可，可避免对所有用户的广告推荐进行同步更新而造成运算资源的浪费和运算时间的延长，有效提高推荐系统的运行效率，整体上紧跟用户兴趣进行准确又多样的广告推荐。体上紧跟用户兴趣进行准确又多样的广告推荐。体上紧跟用户兴趣进行准确又多样的广告推荐。

【技术实现步骤摘要】
一种基于机器学习的广告推荐方法及系统


[0001]本专利技术涉及广告推荐
，具体涉及一种基于机器学习的广告推荐方法及系统。

技术介绍

[0002]机器学习的价值体现主要集中在数据的转向以及数据的信息处理能力等等。在产业发展的今天，大数据时代的到来，对数据的转换，数据的处理数据的存储等带来了更好的技术支持，产业升级和新产业诞生形成了一种推动力量，让大数据能够针对可发现事物的程序进行自动规划，实现人类用户以计算机信息之间的协调。
[0003]目前随着互联网技术的发展，通过互联网获取信息、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，推广商品，往往通过互联网投放广告，国内比较著名的广告推荐系统如百度推广，当用户利用某一关键词进行检索，在检索结果页面会出现与该关键词相关的内容。关键词是在特定关键词的检索时才出现在搜索结果页面的显著位置。
[0004]同时互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。因此智能的根据每个用户在互联网上留下的检索记录，判断用户的工作需求以及兴趣内容，来适应的推荐相同类型的广告，可一方面提高了广告的有效投放率，同时另一方面也为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。
[0005]但是现有的广告推荐方法及系统还存在的问题如下：定期对所有用户进行广告推荐更新，用来适应目标用户的兴趣变动，而在实际中，用户的兴趣变动并不是时时刻刻都在发生，由于目标用户量以及特征数据量的巨大，在更新时刻会造成巨大的运算压力，如果对所有用户的广告推荐进行同步更新只会造成运算资源的浪费和运算时间的延长，降低推荐系统的运行效率，最终降低用户体验。

技术实现思路

[0006]本专利技术的目的在于提供一种基于机器学习的广告推荐方法及系统，以解决现有技术中对所有用户的广告推荐进行同步更新只会造成运算资源的浪费和运算时间的延长，降低推荐系统的运行效率，最终降低用户体验的技术问题。
[0007]为解决上述技术问题，本专利技术具体提供下述技术方案：一种基于机器学习的广告推荐方法，包括以下步骤：步骤S1、利用目标用户的用户特征、目标广告的广告特征以及目标广告和目标用户的交叉特征建立推荐特征集合，并基于所述推荐特征集合构建广告推荐模型，所述广告推荐模型用于为目标用户匹配出所述目标广告的广告推荐方案；步骤S2、为所述推荐特征集合设定监听系数，并基于监听系数更新所述目标用户
的所述广告推荐方案；步骤S3、基于所述广告推荐方案在广告推送终端向所述目标用户提供广告推荐意见，并记录广告推荐方案的转化结果用于进行所述广告推荐模型的修正。
[0008]作为本专利技术的一种优选方案，所述步骤S1中，所述推荐特征集合的建立方法包括：将所述用户特征、广告特征和交叉特征进行线性组合获得记忆性特征，所述线性组合的运算公式为：；其中，，表征为第k个记忆性特征，表征为所述用户特征、所述广告特征以及所述交叉特征中的第i个特征，表征为所述第i个特征不参与第k个记忆性特征的线性组合，表征为所述第i个特征参与第k个记忆性特征的线性组合，表征为乘积运算符，d表征为所述用户特征、所述广告特征以及所述交叉特征的总维度；将所述用户特征、广告特征和交叉特征进行深度组合获得拓展性特征，所述深度组合的运算公式为：；其中，表征为第(l+1)层的拓展性特征，表征为第l层的拓展性特征，表征为深度组合的激活函数，表征为第l层的组合权重，表征为第l层的组合偏置，表征为所述用户特征、广告特征和交叉特征；将所述用户特征、广告特征、交叉特征、所述记忆性特征和所述拓展性特征汇聚至同一集合中均作为推荐特征，并将包含推荐特征的集合作为推荐特征集合。
[0009]作为本专利技术的一种优选方案，所述广告推荐模型的构建方法包括：在所述推荐特征集合中选取正样本项和负样本项，所述正样本项为目标用户对所述目标广告具有转化结果的集合项，负样本项为目标用户对所述目标广告不具有转化结果的集合项；基于所述逻辑回归算法对正样本项和负样本项进行样本训练，以构建广告推荐模型，所述广告推荐模型的模型公式为：；其中，表征为广告推荐模型的输出，表征为逻辑回归函数，，，表征为第k个记忆性特征，表征为所述用户特征、广告特征和交叉特征中的第i个特征，n表征为的总数目，U()表征为并集运算符，表征为和组合特征的转置运算符，表征为l的终值，表征为第层的拓展性特征的转置运算符，b为广告推荐模型的偏置；
所述广告推荐模型的输出为目标用户对目标广告的转化结果的预测概率，其中，在所述预测概率高于所述逻辑回归算法的概率阈值时，则目标用户对目标广告的会产生转化结果；在所述预测概率低于所述逻辑回归算法的概率阈值时，则目标用户对目标广告的不会产生转化结果。
[0010]作为本专利技术的一种优选方案，所述广告推荐方案的生成方法包括：统计所述每个目标用户会产生的转化结果的所有目标广告，并将具有转化结果的所述目标广告依据广告收益值进行降序排列生成属于每个目标用户的广告推荐顺序链；依次将所述广告推荐顺序链上的目标广告依次推荐给对应的所述目标用户。
[0011]作为本专利技术的一种优选方案，所述步骤S2中，所述监听系数设定的具体方法包括：设定监听间隔，将每个目标用户的所有所述推荐特征在每经过一个所述监听间隔进行一次特征值监听，所述特征值监听用于监听目标用户的兴趣迁移属性；计算监听后每个目标用户的所有推荐特征与监听前每个目标用户的所有推荐特征间的整体相似度作为每个目标用户的监听系数，所述监听系数的运算公式：；其中，表征为监听系数，表征为推荐特征总数目，、分别表征为监听后和监听前的第j个推荐特征。
[0012]作为本专利技术的一种优选方案，所述步骤S2中，基于监听系数更新所述目标用户的广告推荐方案的方法包括：设定监听阈值，将每个目标用户的所述监听系数与所述监听阈值比较，具体的：若所述监听系数高于所述监听阈值，则对应目标用户的广告推荐方案无需更新；若所述监听系数低于所述监听阈值，则对应目标用户的广告推荐方案需要更新，其中：计算监听后对应目标用户的每个推荐特征与监听前对应目标用户的每个推荐特征的单项相似度，并选取出单项相似度高于监听阈值的所有推荐特征作为对应目标用户的推荐特征更新链，所述单项相似度的计算公式为：；其中，表征为监听后的第j个推荐特征与监听前的第j个推荐特征间单项相似度；将所述推荐特征更新链替换至监听前的目标用户的对应推荐特征项处，实现表征目标用户的兴趣迁移属性的推荐特征的更新，并将完成更新的目标用户的所有推荐特征带入所述广告推荐模型中为目标用户提供新的广告推荐方案，实现对目标用户兴趣迁移至新兴趣的适应。
[0013]作为本专利技术的一种优选方案，所述广告推荐模型修正的具体方法包括：将模型曲线下面积AUC指标、目标用户的转化率作为优化指标利用多目标优化模
型对所述广告推荐模型进行修正；本文档来自技高网...

【技术保护点】

【技术特征摘要】
，表征为第k个记忆性特征，表征为所述用户特征、广告特征和交叉特征中的第i个特征，n表征为的总数目，U()表征为并集运算符，表征为和组合特征的转置运算符，表征为l的终值，表征为第层的拓展性特征的转置运算符，b为广告推荐模型的偏置；所述广告推荐模型的输出为目标用户对目标广告的转化结果的预测概率，其中，在所述预测概率高于所述逻辑回归算法的概率阈值时，则目标用户对目标广告的会产生转化结果；在所述预测概率低于所述逻辑回归算法的概率阈值时，则目标用户对目标广告的不会产生转化结果。4.根据权利要求3所述的一种基于机器学习的广告推荐方法，其特征在于：所述广告推荐方案的生成方法包括：统计所述每个目标用户会产生的转化结果的所有目标广告，并将具有转化结果的所述目标广告依据广告收益值进行降序排列生成属于每个目标用户的广告推荐顺序链；依次将所述广告推荐顺序链上的目标广告依次推荐给对应的所述目标用户。5.根据权利要求4所述的一种基于机器学习的广告推荐方法，其特征在于：所述步骤S2中，所述监听系数设定的具体方法包括：设定监听间隔，将每个目标用户的所有所述推荐特征在每经过一个所述监听间隔进行一次特征值监听，所述特征值监听用于监听目标用户的兴趣迁移属性；计算监听后每个目标用户的所有推荐特征与监听前每个目标用户的所有推荐特征间的整体相似度作为每个目标用户的监听系数，所述监听系数的运算公式：；其中，表征为监听系数，表征为推荐特征总数目，、分别表征为监听后和监听前的第j个推荐特征。6.根据权利要求5所述的一种基于机器学习的广告推荐方法，其特征在于：所述步骤S2中，基于监听系数更新所述目标用户的广告推荐方案的方法包括：设定监听阈值，将每个目标用户的所述监听系数与所述监听阈值比较，具体的：若所述监听系数高于所述监听阈值，则对应目标用户的广告推荐方案无需更新；若所述监听系数低于所述监听阈值，则对应目标用户的广告推荐方案需要更新，其中：计算监听后对应目标用户的每个推荐特征与监听前对应目标用户的每个推荐特征的单项相似度，并选取出单项相似度高于监听阈值的所有推荐特征作为对应目标用户的推荐特征更新链，所述单项相似度的计算公式...

【专利技术属性】
技术研发人员：朴志鹏，
申请(专利权)人：北京龙云科技有限公司，
类型：发明
国别省市：