一种基于AI的广告推送方法、装置、设备及存储介质与流程

一种基于ai的广告推送方法、装置、设备及存储介质
技术领域
1.本发明涉及广告推送领域，更具体地说，涉及一种基于ai的广告推送方法、装置、设备及存储介质。


背景技术：

2.随着电商和网络广告的迅速发展，为用户提供个性化的广告内容已经成为广告推送的核心目标。目前，大多数广告推送系统主要依赖于用户的购买历史或浏览记录来进行推送。这种方法在某种程度上确实能够满足用户的需求，因为它根据用户以往的行为习惯，推送与其历史行为相似的产品。
3.这种方法存在明显的局限性。当用户希望进入一个全新的领域，购买他们之前从未接触过的产品时，现有的广告推送系统往往会面临困境。因为这些系统过于依赖用户的历史数据，当涉及到未知或新的领域时，它们缺乏足够的数据来为用户做出准确的推送。结果是，用户可能会接收到与其实际需求不匹配或者与其购买意图无关的广告，导致广告的有效性大打折扣。
4.仅仅依赖于用户的浏览和购买历史，也可能导致推送内容过于单一和重复，无法为用户提供更加广泛和多样化的产品选择。因此，如何在面对用户涉足新的领域或购买意图时，进行更为精准和有效的广告推送，已经成为广告技术发展中亟待解决的问题。


技术实现要素：

5.本发明要提供一种基于ai的广告推送方法、装置、设备及存储介质，以解决背景技术中提到的问题。为了达到上述目的，本发明采取以下技术方案：一种基于ai的广告推送方法，包括如下步骤：s1: 采集作为训练数据用的用户的购买记录，每一条记录标注对应的领域信息；s2: 整合s1中所有用户的购买记录，使用关联规则学习算法进行不同领域间的关联性分析，为每个领域生成一个关联度排序列表，其中所述关联度排序列表内按照与该领域的关联性大小排序其他领域；s3: 当需要为特定用户推送其未购买领域的产品广告时，调出该未购买领域的关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领域；s4：对于每个参考领域，基于标签对特定用户进行未购买领域的产品广告推送，具体包括：s4.1: 为每个产品分配标签；s4.2: 根据特定用户在参考领域内购买的产品，汇总该特定用户的产品标签偏好；s4.3: 在所述未购买领域内搜索与标签偏好相似的产品进行广告推送，具体包
括：使用编码算法将参考领域内每个产品的标签转换为标签向量并且计算所述标签向量的平均值得到总体标签偏好向量；利用相似度度量算法，计算未购买领域内每个产品与总体标签偏好向量的相似度，并根据相似度排序进行广告推送的优先级选择。
6.在一些实施例中，所推送的广告为视频广告；s1中，所述训练用的数据还包括用户在历史视频广告上的停留时长；其中，若用户在历史视频广告上的停留时长超过预设的阈值，则将该视频广告对应的产品作为该用户的一次购买记录加入s2中的关联性分析。这里的历史视频广告上的停留，可以通过用户是否跳过广告来判断，也可以通过用户的眼球追踪来判断，这在vr领域中已经逐步实现，比如苹果公司最新发布的apple vision pro；s4中，还可以根据所述特定用户在历史视频广告上的停留时长，将停留时长超过预设阈值的视频广告对应的产品加入所述特定用户在参考领域内购买的产品。
7.两个预设阈值可以分别设置，也可以设置为相同。比如，均可设置为10秒钟。
8.在一些实施例中，s1还包括：对所采集的大量用户购买记录进行数据清洗，包括去除重复的购买记录、处理缺失数据并转化非结构化数据。
9.在一些实施例中，s4中所述标签至少包括以下任意一种或多种：品牌、价格区间性质、用户评价关键词。
10.在一些实施例中，s2具体包括:s2.1: 将每个用户的购买记录转化为事务数据集，事务数据集内包含多个事务，其中每个事务包括一个所述用户在一次购物中购买的所有领域；s2.2: 采用频繁项目集挖掘方法从所述事务数据集中找出频繁项集；s2.3: 对于每个频繁项集，计算其支持度、置信度和提升度；s2.4: 根据频繁项集生成从一个领域到另一个领域的关联规则；每个所述关联规则都有一个对应的支持度、置信度和提升度；s2.5: 对每个所述关联规则设定一个关联规则得分，所述关联规则得分是支持度、置信度和提升度的加权和；s2.6: 对于一个领域，计算该领域到其他领域的关联规则得分，按关联规则得分从高到低排序，得到关联度排序列表。
11.在一些实施例中，所述频繁项目集挖掘方法为apriori算法。
12.在一些实施例中，广告推送包括被动推送场景和自动推送场景：被动推送场景为：当特定用户搜索未购买领域的产品时；自动推送场景为：根据特定用户已购买产品领域中的每个领域的产品购买数量，对已购买产品领域进行排序；调取排序前一个或多个的已购买产品领域的关联度排序列表，在关联度排序列表中查询前一个或多个未购买产品的领域作为广告推送领域。
13.本发明还公开一种基于ai的广告推送装置，包括：数据采集模块：用于采集作为训练数据用的用户的购买记录，并为每一条记录标注对应的领域信息；数据整合与关联分析模块：用于整合数据采集模块采集到的所有用户的购买记
录，并使用关联规则学习进行不同领域间的关联性分析，生成关联度排序列表；广告推送选择模块：在需要为特定用户推送其未购买领域的产品广告时，调用关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领域；推送模块：对每个参考领域，基于产品标签汇总用户偏好，并在未购买领域内搜索与标签偏好相似的产品进行广告推送。
14.本发明还公开一种计算机可读存储介质，所述存储介质上存储有：执行指令：当所述执行指令被计算机执行时，使得计算机实施权利要求1所述广告推送方法；领域信息数据库：存储各个领域的用户购买记录；关联度排序列表库：存储每个领域的关联度排序列表；产品标签库：为各个产品存储相关的标签信息；用户标签偏好数据库：根据用户在不同领域的购买记录存储其标签偏好。
15.本发明还公开一种基于ai的广告推送设备，包含：处理器；所述存储介质：包含执行指令、领域信息数据库、关联度排序列表库、产品标签库和用户标签偏好数据库；当处理器执行所述存储介质上的执行指令时，所述设备实施所述广告推送方法。
16.本发明相对于现有技术的优点在于，本发明通过深入分析大量用户的购买记录及其领域关联性，结合关联规则学习算法，能够识别和计算不同领域之间的关联度，从而根据用户已有的购买记录，来确认其关联的购买领域有哪些，并在需要为其未购买领域的产品作广告推送的时候，能够根据关联度排序列表寻找最为关联的领域内的已购买产品的标签性质，确认应该在未购买领域中寻找哪些产品进行推送，大大提高了未购买产品领域内的推送精准度。
附图说明
17.图1是本发明方法的流程示意图。
具体实施方式
18.下面结合附图对本发明的具体实施方式作描述。
19.如图1所示为本发明总体流程图。
20.本发明一种基于ai的广告推送方法，包括如下步骤：s1: 采集作为训练数据用的用户的购买记录，每一条记录标注对应的领域信息；这里的用户或购买记录可以是某个电商平台上的所有用户或购买记录；s2: 整合所有用户的购买记录，使用关联规则学习算法进行不同领域间的关联性分析，为每个领域生成一个关联度排序列表，其中关联度排序列表内按照与该领域的关联性大小排序其他领域；s3: 当需要为特定用户推送其未购买领域的产品广告时，调出该未购买领域的关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领
域；s4：对于每个参考领域，基于标签对用户进行未购买领域的产品广告推送，具体包括：s4.1: 为每个产品分配标签；s4.2: 根据用户在参考领域内购买的产品，汇总其标签偏好；s4.3: 在未购买领域内搜索与标签偏好相似的产品进行广告推送，具体包括：使用编码算法（比如one-hot编码或tf-idf编码）将参考领域内每个产品的标签转换为标签向量并且计算标签向量的平均值得到总体标签偏好向量；利用相似度度量算法（比如余弦相似度度量），计算未购买领域内每个产品与总体标签偏好向量的相似度，并根据相似度排序进行广告推送的优先级选择。
21.在一些实施例中，s1还包括：对所采集的大量用户购买记录进行数据清洗，包括去除重复的购买记录、处理缺失数据并转化非结构化数据。
22.在一些实施例中，s4中标签包括但不限于品牌、价格区间性质和户评价关键词。
23.在一些实施例中，s2具体包括:s2.1: 将每个用户的购买记录转化为事务数据集，事务数据集内包含多个事务，其中每个事务包括一个所述用户在一次购物中购买的所有领域；s2.2: 采用频繁项目集挖掘方法从所述事务数据集中找出频繁项集（频繁项集表示在数据集中经常一起出现的领域组合，它们的支持度大于等于预定的最小支持度阈值）；s2.3: 对于每个频繁项集，计算其支持度、置信度和提升度；s2.4: 根据频繁项集生成从一个领域到另一个领域的关联规则；每个所述关联规则都有一个对应的支持度、置信度和提升度；s2.5: 对每个所述关联规则设定一个关联规则得分，所述关联规则得分是支持度、置信度和提升度的加权和；s2.6: 对于一个领域，计算该领域到其他领域的关联规则得分，按关联规则得分从高到低排序，得到关联度排序列表。
24.事务通常是数据库中的一个记录。在购物篮分析的背景下，一个事务可以看作一个购物篮或一个顾客的购买记录。 例如，假设一个顾客在一次购物中购买了苹果、香蕉和橙子，那么这三样商品组成的集合就是一个事务。 事务是项集的一个实例。项集是一个或多个项的集合。项集不特指任何特定的事务，而是一个通用的集合。例如，{苹果, 香蕉}是一个项集，它可以出现在多个事务中。 在关联规则挖掘中，通常寻找频繁出现在事务中的项集，即频繁项集。
25.支持度表示某个项集（项目组合）在所有事务中出现的频率。它被定义为：支持度(x)=事务数中包含项集（x）/总事务数;置信度表示在一个项集 x出现的情况下，项集y出现的概率。置信度被定义为：置信度(x
→
y)=支持度(x∪y)/支持度(x);这里，x
→
y表示关联规则，x∪y表示项集 x和项集y的并集。
26.提升度用于评估关联规则中的两个项目是否是真正相关，或者它们是否只是因为各自的高支持度而经常一起出现。
27.提升度的计算公式是：
提升度(x
→
y)=置信度(x
→
y)/支持度(y);如果提升度》1，那么项集x和y之间有正相关性。
28.如果提升度 = 1，表示x和y是独立的，没有任何关联。
29.如果提升度《1，表示x和y之间有负相关性。
30.下述实施例通过一个购物商城的购买记录来详细说明如何计算关联度排序。
31.1.首先假设有以下用户购买记录的简化版：事务1：用户a购买了{书籍, 笔记本, 书签}；事务2：用户b购买了{书籍, 书签}；事务3：用户c购买了{书籍, 笔记本}；事务4：用户d购买了{笔记本, 橡皮}；2.找出频繁项集：设定最小支持度阈值为50%（2/4），则频繁项集有：{书籍}: 3/4；{笔记本}: 3/4；{书签}: 2/4；{书籍, 笔记本}: 2/4；{书籍, 书签}: 2/4；3.计算支持度、置信度和提升度：以{书籍, 笔记本}为例：支持度：(书籍和笔记本一起出现的次数) / (总事务数) = 2/4 = 50%；置信度：(书籍和笔记本一起出现的次数) / (书籍出现的次数) = 2/3 ≈ 66.67%；提升度：(支持度{书籍,笔记本}) / (支持度{书籍}
×
支持度{笔记本}) = 0.5 / (0.75
ꢀ×ꢀ
0.75) = 0.8888；4.生成关联规则：如从书籍到笔记本的关联规则为：书籍 =》笔记本。对于这个关联规则，已经在上一步计算了其支持度、置信度和提升度。
32.5.关联规则得分：为简化，假设我们给支持度、置信度和提升度相同的权重，都为1，则关联规则得分为：得分 = 支持度 + 置信度 + 提升度 = 0.5 + 0.6667 + 0.8888 = 2.0555；6. 关联度排序列表：对于所有产生的关联规则计算得分，然后对一个特定领域（例如书籍），可以计算书籍与其他领域的关联规则得分，并按得分从高到低排序。
33.在一些实施例中，频繁项目集挖掘方法为apriori算法。上述支持度、置信度和提升度均为apriori算法中常规计算的参数。
34.apriori算法是关联规则学习的经典算法，它利用了频繁项目集的性质来减少必要的计算量。
35.在一些实施例中，广告推送包括被动推送场景和自动推送场景：被动推送场景为：当特定用户搜索未购买领域的产品时；自动推送场景为：根据特定用户已购买产品领域中的每个领域的产品购买数量，对已购买产品领域进行排序；调取排序前一个或多个的已购买产品领域的关联度排序列表，在关联度排序列表中查询前一个或多个未购买产品的领域作为广告推送领域。
36.在另一些实施例中，所推送的广告为视频广告；s1中，训练用的数据还包括用户在历史视频广告上的停留时长；其中，若用户在历史视频广告上的停留时长超过预设的阈值，则将该视频广告对应的产品作为该用户的一次购买记录加入s2中的关联性分析。这里的历史视频广告上的停留，可以通过用户是否跳过广告来判断，也可以通过用户的眼球追踪来判断，这在vr领域中已经逐步实现，比如苹果公司最新发布的apple vision pro。
37.在该实施例中，可以单独使用用户在历史视频广告上的停留时长作为训练数据进行训练，也可以将该数据结合实际购买数据进行训练；在为特定用户推荐产品或者视频广告时，也可以根据在历史视频广告上的停留时长，将停留时长超过阈值的产品加入到该特定用户的参考领域内作为购买记录（可单独作为购买记录也可结合实际购买记录），根据参考领域内的产品标签进行对应产品的视频广告推送。
38.本发明还公开一种基于ai的广告推送装置，包括：数据采集模块：用于采集大量用户的购买记录，并为每一条记录标注对应的领域信息；数据整合与关联分析模块：用于整合所有用户的购买记录，并使用关联规则学习进行不同领域间的关联性分析，生成关联度排序列表；广告推送选择模块：用于在需要为特定用户推送其未购买领域的产品广告时，调用关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领域；推送模块：用于对每个参考领域，基于产品标签汇总用户偏好，并在未购买领域内搜索与标签偏好相似的产品进行广告推送。
39.在一些实施例中，可以采用如下具体的软硬件：使用python的flask或django框架来构建一个web api，用于接收用户的购买记录，并存储在数据库如postgresql中。
40.数据记录可以附加一个领域标签，例如：书籍、家居用品等。
41.使用python的apriori或fp-growth算法库，例如efficient-apriori，对用户购买记录进行分析，找出频繁项集和关联规则。
42.结果存储在数据库中作为关联度排序列表。
43.当要为特定用户推送广告时，查询用户的购买记录和关联度排序列表，确定应该参考的领域。
44.根据用户在参考领域的偏好标签，使用余弦相似度或其他文本匹配算法，在未购买领域中找到与标签相似的产品。
45.使用python或其他语言的推送库，例如firebase cloud messaging，进行广告推送。
46.所有模块可以被封装为docker容器，并使用kubernetes或docker swarm进行部署和扩展。
47.使用elk stack (elasticsearch, logstash, kibana) 或 grafana + prometheus 来监控系统运行状况。
48.为了增加安全性，可以考虑使用vpn或专用网络连接到服务器，并使用ssl/tls来加密所有传输的数据。
49.本发明还公开一种计算机可读存储介质，存储介质上存储有：执行指令：当执行指令被计算机执行时，使得计算机实施上述广告推送方法；领域信息数据库：存储各个领域的用户购买记录；关联度排序列表库：存储每个领域的关联度排序列表；产品标签库：为各个产品存储相关的标签信息；用户标签偏好数据库：根据用户在不同领域的购买记录存储其标签偏好。
50.本发明还公开一种基于ai的广告推送设备，包含：处理器；上述存储介质：包含执行指令、领域信息数据库、关联度排序列表库、产品标签库和用户标签偏好数据库；当处理器执行存储介质上的执行指令时，设备实施上述广告推送方法。
51.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于ai的广告推送方法，其特征在于，包括如下步骤：s1: 采集作为训练数据用的用户的购买记录，每一条记录标注对应的领域信息；s2: 整合s1中所有用户的购买记录，使用关联规则学习算法进行不同领域间的关联性分析，为每个领域生成一个关联度排序列表，其中所述关联度排序列表内按照与该领域的关联性大小排序其他领域；s3: 当需要为特定用户推送其未购买领域的产品广告时，调出该未购买领域的关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领域；s4：对于每个参考领域，基于标签对特定用户进行未购买领域的产品广告推送，具体包括：s4.1: 为每个产品分配标签；s4.2: 根据特定用户在参考领域内购买的产品，汇总该特定用户的产品标签偏好；s4.3: 在所述未购买领域内搜索与标签偏好相似的产品进行广告推送，具体包括：使用编码算法将参考领域内每个产品的标签转换为标签向量并且计算所述标签向量的平均值得到总体标签偏好向量；利用相似度度量算法，计算未购买领域内每个产品与总体标签偏好向量的相似度，并根据相似度排序进行广告推送的优先级选择。2.根据权利要求1所述基于ai的广告推送方法，其特征在于：所推送的广告为视频广告；s1中，所述训练用的数据还包括用户在历史视频广告上的停留时长；其中，若用户在历史视频广告上的停留时长超过预设阈值，则将该视频广告对应的产品作为该用户的一次购买记录加入s2中的关联性分析；s4中，根据所述特定用户在历史视频广告上的停留时长，将停留时长超过预设阈值的视频广告对应的产品加入所述特定用户在参考领域内购买的产品。3.根据权利要求1所述基于ai的广告推送方法，其特征在于：s1还包括：对所采集的大量用户购买记录进行数据清洗，包括去除重复的购买记录、处理缺失数据并转化非结构化数据。4.根据权利要求1所述基于ai的广告推送方法，其特征在于，s4中所述标签至少包括以下任意一种或多种：品牌、价格区间性质、用户评价关键词。5.根据权利要求1所述基于ai的广告推送方法，其特征在于，s2具体包括:s2.1: 将每个用户的购买记录转化为事务数据集，事务数据集内包含多个事务，其中每个事务包括一个所述用户在一次购物中购买的所有领域；s2.2: 采用频繁项目集挖掘方法从所述事务数据集中找出频繁项集；s2.3: 对于每个频繁项集，计算其支持度、置信度和提升度；s2.4: 根据频繁项集生成从一个领域到另一个领域的关联规则；每个所述关联规则都有一个对应的支持度、置信度和提升度；s2.5: 对每个所述关联规则设定一个关联规则得分，所述关联规则得分是支持度、置信度和提升度的加权和；s2.6: 对于一个领域，计算该领域到其他领域的关联规则得分，按关联规则得分从高到低排序，得到关联度排序列表。
6.根据权利要求5所述基于ai的广告推送方法，其特征在于，所述频繁项目集挖掘方法为apriori算法。7.根据权利要求1所述基于ai的广告推送方法，其特征在于，广告推送包括被动推送场景和自动推送场景：被动推送场景为：当特定用户搜索未购买领域的产品时；自动推送场景为：根据特定用户已购买产品领域中的每个领域的产品购买数量，对已购买产品领域进行排序；调取排序前一个或多个的已购买产品领域的关联度排序列表，在关联度排序列表中查询前一个或多个未购买产品的领域作为广告推送领域。8.一种基于ai的广告推送装置，其特征在于，包括：数据采集模块：用于采集作为训练数据用的用户的购买记录，并为每一条记录标注对应的领域信息；数据整合与关联分析模块：用于整合数据采集模块采集到的所有用户的购买记录，并使用关联规则学习进行不同领域间的关联性分析，生成关联度排序列表；广告推送选择模块：在需要为特定用户推送其未购买领域的产品广告时，调用关联度排序列表，识别该关联度排序列表中存在购买记录的前一个或多个领域作为参考领域；推送模块：对每个参考领域，基于产品标签汇总用户偏好，并在未购买领域内搜索与标签偏好相似的产品进行广告推送。9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有：执行指令：当所述执行指令被计算机执行时，使得计算机实施权利要求1所述广告推送方法；领域信息数据库：存储各个领域的用户购买记录；关联度排序列表库：存储每个领域的关联度排序列表；产品标签库：为各个产品存储相关的标签信息；用户标签偏好数据库：根据用户在不同领域的购买记录存储其标签偏好。10.一种基于ai的广告推送设备，其特征在于，包含：处理器；如权利要求9所述存储介质：包含执行指令、领域信息数据库、关联度排序列表库、产品标签库和用户标签偏好数据库；当处理器执行所述存储介质上的执行指令时，所述设备实施权利要求1所述广告推送方法。

技术总结
本发明公开了一种基于AI的广告推送方法、装置、设备及存储介质，涉及广告推送领域，包括采集用户购买记录并标注领域信息；利用关联规则学习，进行领域间关联性分析，生成关联度排序列表；当需为特定用户推送未购买领域产品广告时，调用关联度列表，识别购买记录的参考领域；每产品配有标签，如品牌、价格区间性质、用户评价等，便于精准捕捉用户偏好；根据用户在参考领域的购买历史，系统汇总标签偏好，搜寻与偏好相似产品进行广告推送。结合支持度、置信度、提升度为关联规则设定得分，优化推送效果。本发明实现了智能、精准的广告推送，提高了广告有效性和用户满意度。广告有效性和用户满意度。广告有效性和用户满意度。


技术研发人员：刘祖渊 杨白云
受保护的技术使用者：星河视效科技（北京）有限公司
技术研发日：2023.09.01
技术公布日：2023/10/6