推薦廣告的方法及廣告推薦服務(wù)器的制造方法
【專利摘要】本發(fā)明實(shí)施例提供推薦廣告的方法及廣告推薦服務(wù)器。該方法包括：獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，網(wǎng)頁訪問信息用于指示m個(gè)用戶所訪問的n個(gè)網(wǎng)頁，廣告點(diǎn)擊信息用于指示m個(gè)用戶在n個(gè)網(wǎng)頁上點(diǎn)擊的x個(gè)廣告；根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，預(yù)測(cè)m個(gè)用戶中第i用戶訪問第j網(wǎng)頁時(shí)x個(gè)廣告的點(diǎn)擊概率；確定x個(gè)廣告分別對(duì)應(yīng)的新穎性因子；根據(jù)x個(gè)廣告的點(diǎn)擊概率和x個(gè)廣告分別對(duì)應(yīng)的新穎性因子在x個(gè)廣告中確定待向第i用戶推薦的p個(gè)廣告。本發(fā)明實(shí)施例能夠提高廣告的點(diǎn)擊率并提升用戶體驗(yàn)。
【專利說明】推薦廣告的方法及廣告推薦服務(wù)器

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息處理領(lǐng)域，并且具體地，涉及推薦廣告的方法及廣告推薦服務(wù)器。

【背景技術(shù)】
[0002] 互聯(lián)網(wǎng)在線廣告已成為除電視和報(bào)紙之外的主要廣告投放方式。在線廣告的收益 與廣告的點(diǎn)擊率密切相關(guān)，增加廣告點(diǎn)擊率是提高廣告收益的有效途徑之一。為了提高廣 告點(diǎn)擊率，推薦廣告之前需要預(yù)測(cè)用戶點(diǎn)擊廣告的概率（以下稱為廣告的點(diǎn)擊概率）。
[0003] 目前，主要通過兩種算法預(yù)測(cè)廣告的點(diǎn)擊概率來向用戶推薦廣告。一種是基于內(nèi) 容過濾（Content-based Filtering, CBF)的推薦算法，另一種是基于用戶或項(xiàng)目的協(xié)同過 濾（Collaborative Filtering，CF)的推薦算法。
[0004] 具體而言，對(duì)于基于CBF的算法，主要是利用信息檢索或信息過濾技術(shù)，根據(jù)廣告 和網(wǎng)頁內(nèi)容的相關(guān)性向目標(biāo)用戶推薦廣告。即，與網(wǎng)頁內(nèi)容相關(guān)性越高的廣告，認(rèn)為其點(diǎn)擊 概率越高。因此，在相同的網(wǎng)頁上往往會(huì)向用戶推薦相同的廣告。然而，這種算法未考慮用 戶的興趣，導(dǎo)致廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性并不高，因此難以保證廣告的點(diǎn)擊率。
[0005] 對(duì)于基于用戶的CF算法，主要根據(jù)用戶的歷史廣告點(diǎn)擊信息計(jì)算用戶之間的相 似性，然后根據(jù)與目標(biāo)用戶相似性較高的用戶對(duì)廣告的點(diǎn)擊情況，預(yù)測(cè)目標(biāo)用戶對(duì)廣告的 喜好程度，然后根據(jù)喜好程度對(duì)目標(biāo)用戶進(jìn)行推薦。對(duì)于基于項(xiàng)目的CF算法，主要通過計(jì) 算廣告之間的相似性，選擇目標(biāo)廣告的最接近的廣告集合，根據(jù)當(dāng)前用戶對(duì)最接近的廣告 的喜好程度來決定是否推薦目標(biāo)廣告。這兩種CF算法均是利用用戶的喜好程度預(yù)測(cè)廣告 的點(diǎn)擊概率?？梢姡啾然贑BF的算法而言，雖然CF算法在一定程度上提高了廣告的點(diǎn)擊 概率預(yù)測(cè)的準(zhǔn)確性，能夠提高廣告的點(diǎn)擊率，但是由于用戶經(jīng)常訪問內(nèi)容相似的網(wǎng)頁，采用 CF算法推薦給用戶的廣告往往和此用戶熟悉的廣告很相似，無法發(fā)現(xiàn)用戶并不熟悉但潛在 感興趣的廣告，導(dǎo)致廣告的點(diǎn)擊率不高，用戶體驗(yàn)差。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明實(shí)施例提供推薦廣告的方法及廣告推薦服務(wù)器，能夠提高廣告的點(diǎn)擊率， 進(jìn)而提升用戶體驗(yàn)。
[0007] 第一方面，提供了一種推薦廣告的方法，包括：從用戶訪問互聯(lián)網(wǎng)日志中獲取網(wǎng)頁 訪問信息和廣告點(diǎn)擊信息，所述網(wǎng)頁訪問信息用于指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，所述廣 告點(diǎn)擊信息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn)擊的X個(gè)廣告，n、m和X均為大于1的正整 數(shù)；根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述m個(gè)用戶中第i用戶訪問第j網(wǎng) 頁時(shí)所述X個(gè)廣告的點(diǎn)擊概率，其中i為取值從1至m的正整數(shù)，j為取值從1至η的正整 數(shù)；確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的新穎性因子 用于表示所述第i用戶對(duì)所述每個(gè)廣告的知曉程度；根據(jù)所述X個(gè)廣告的點(diǎn)擊概率和所述 X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣告中確定待向所述第i用戶推薦的P個(gè)廣 告，其中，所述第i用戶對(duì)所述P個(gè)廣告的知曉程度低于所述第i用戶對(duì)所述X個(gè)廣告中除 所述P個(gè)廣告之外的廣告的知曉程度，所述P個(gè)廣告的點(diǎn)擊概率高于所述X個(gè)廣告中除所 述P個(gè)廣告之外的廣告的點(diǎn)擊概率，P為正整數(shù)且P彡X。
[0008] 結(jié)合第一方面，在第一種可能的實(shí)現(xiàn)方式中，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的 新穎性因子，包括：根據(jù)歷史推薦信息，確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述歷 史推薦信息用于指示向所述第i用戶分別推薦所述X個(gè)廣告的歷史記錄。
[0009] 結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方式中，所述根據(jù) 歷史推薦信息，確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，包括：對(duì)于所述X個(gè)廣告中的第 k廣告，如果所述歷史推薦信息指示未向所述第i用戶推薦過所述第k廣告，則確定所述第 k廣告對(duì)應(yīng)的新穎性因子為第一值；如果所述歷史推薦信息指示過去向所述第i用戶推薦 過所述第k廣告，則確定所述第k廣告對(duì)應(yīng)的新穎性因子為第二值；其中，所述第一值大于 所述第二值，k為取值從1至X的正整數(shù)。
[0010] 結(jié)合第一方面的第二種可能的實(shí)現(xiàn)方式，在第三種可能的實(shí)現(xiàn)方式中，所述確定 所述第k廣告對(duì)應(yīng)的新穎性因子為第二值，包括：確定q天前向所述第i用戶推薦過所述第 k廣告，q為正整數(shù)；確定所述q天對(duì)應(yīng)的艾賓浩斯遺忘曲線值；確定所述第k廣告對(duì)應(yīng)的 新穎性因子為所述第一值與所述艾賓浩斯遺忘曲線值之間的差值。
[0011] 結(jié)合第一方面，在第四種可能的實(shí)現(xiàn)方式中，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的 新穎性因子，包括：對(duì)于所述X個(gè)廣告中的第k廣告，確定所述第k廣告分別與所述X個(gè)廣 告中除所述第k廣告之外的其它廣告之間的相似度；根據(jù)所述第k廣告分別與所述X個(gè)廣 告中除所述第k廣告之外的其它廣告之間的相似度，確定在所述X個(gè)廣告中所述第k廣告 對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不相似性排名；對(duì)所述第k廣告對(duì)應(yīng)的相似性排 名和所述第k廣告對(duì)應(yīng)的不相似性排名進(jìn)行加權(quán)，以得到所述第k廣告對(duì)應(yīng)的新穎性因子； 其中，k為取值從1至X的正整數(shù)。
[0012] 結(jié)合第一方面，在第五種可能的實(shí)現(xiàn)方式中，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的 新穎性因子，包括：對(duì)于所述X個(gè)廣告中的第k廣告，確定所述第k廣告分別與所述X個(gè)廣 告中除所述第k廣告之外的其它廣告之間的多樣性距離；根據(jù)所述第k廣告分別與所述X 個(gè)廣告中除所述第k廣告之外的其它廣告之間的多樣性距離，確定所述第k廣告對(duì)應(yīng)的新 穎性因子；其中，k為取值從1至X的正整數(shù)。
[0013] 結(jié)合第一方面或上述任一實(shí)現(xiàn)方式，在第六種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述X 個(gè)廣告分別對(duì)應(yīng)的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣告中確 定待向所述第i用戶推薦的P個(gè)廣告，包括：對(duì)所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的點(diǎn)擊概率和 所述每個(gè)廣告對(duì)應(yīng)的新穎性因子進(jìn)行加權(quán)，確定所述X個(gè)廣告分別對(duì)應(yīng)的評(píng)分；按照所述X 個(gè)廣告對(duì)應(yīng)的評(píng)分從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告；將 所述排序后的X個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣告。
[0014] 結(jié)合第一方面或第一種可能的實(shí)現(xiàn)方式至第五種可能的實(shí)現(xiàn)方式中任一方式，在 第七種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述X個(gè)廣告分別對(duì)應(yīng)的點(diǎn)擊概率和所述X個(gè)廣告分 別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣告中確定待向所述第i用戶推薦的P個(gè)廣告，包括：按 照點(diǎn)擊概率從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告；按照新穎 性因子從大到小的順序，對(duì)所述排序后的X個(gè)廣告中的前q個(gè)廣告進(jìn)行排序，得到重新排序 后的q個(gè)廣告，其中q為正整數(shù)且q大于P ;將所述重新排序后的q個(gè)廣告中的前P個(gè)廣告 確定為待向所述第i用戶推薦的P個(gè)廣告。
[0015] 結(jié)合第一方面或上述任一實(shí)現(xiàn)方式，在第八種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述 網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述m個(gè)用戶中第i用戶訪問第j網(wǎng)頁時(shí)所述X 個(gè)廣告的點(diǎn)擊概率，包括：根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，生成用戶-網(wǎng)頁訪 問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，其中，所述用戶-網(wǎng)頁訪問矩陣的 第i行第j列對(duì)象表示所述第i用戶對(duì)所述第j網(wǎng)頁的訪問記錄，所述用戶-廣告點(diǎn)擊矩 陣的第i行第k列對(duì)象表示所述第i用戶對(duì)第k廣告的點(diǎn)擊記錄，所述廣告-網(wǎng)頁關(guān)聯(lián)度 矩陣的第j行第k列對(duì)象表示所述第j網(wǎng)頁與所述第k廣告之間的關(guān)聯(lián)度，k為取值從1至 X的正整數(shù)；對(duì)所述用戶-網(wǎng)頁訪問矩陣、所述用戶-廣告點(diǎn)擊矩陣和所述廣告-網(wǎng)頁關(guān)聯(lián) 度矩陣進(jìn)行聯(lián)合概率矩陣分解，得到所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng) 頁隱含特征向量和所述第k廣告的廣告隱含特征向量；根據(jù)所述第i用戶的用戶隱含特征 向量、所述第j網(wǎng)頁的網(wǎng)頁隱含特征向量和所述第k廣告的廣告隱含特征向量，確定所述第 i用戶訪問所述第j網(wǎng)頁時(shí)所述第k廣告的點(diǎn)擊概率。
[0016] 第二方面，提供了一種廣告推薦服務(wù)器，包括：獲取單元，用于從用戶訪問互聯(lián)網(wǎng) 日志中獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，所述網(wǎng)頁訪問信息用于指示m個(gè)用戶所訪問的 η個(gè)網(wǎng)頁，所述廣告點(diǎn)擊信息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn)擊的X個(gè)廣告，n、m和X均 為大于1的正整數(shù)；預(yù)測(cè)單元，用于根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述 m個(gè)用戶中第i用戶訪問第j網(wǎng)頁時(shí)所述X個(gè)廣告的點(diǎn)擊概率，其中i為取值從1至m的正 整數(shù)，j為取值從1至η的正整數(shù)；確定單元，用于確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因 子，所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的新穎性因子用于表示所述第i用戶對(duì)所述每個(gè)廣告的 知曉程度；選擇單元，用于根據(jù)所述X個(gè)廣告的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性 因子，在所述X個(gè)廣告中確定待向所述第i用戶推薦的P個(gè)廣告，其中，所述第i用戶對(duì)所 述P個(gè)廣告的知曉程度低于所述第i用戶對(duì)所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的 知曉程度，所述P個(gè)廣告的點(diǎn)擊概率高于所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的點(diǎn) 擊概率，P為正整數(shù)且Ρ<χ。
[0017] 結(jié)合第二方面，在第一種可能的實(shí)現(xiàn)方式中，所述確定單元，具體用于：根據(jù)歷史 推薦信息，確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述歷史推薦信息用于指示向所述 第i用戶分別推薦所述X個(gè)廣告的歷史記錄。
[0018] 結(jié)合第二方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方式中，所述確定 單元，具體用于：對(duì)于所述X個(gè)廣告中的第k廣告，如果所述歷史推薦信息指示未向所述第 i用戶推薦過所述第k廣告，則確定所述第k廣告對(duì)應(yīng)的新穎性因子為第一值；如果所述歷 史推薦信息指示過去向所述第i用戶推薦過所述第k廣告，則確定所述第k廣告對(duì)應(yīng)的新 穎性因子為第二值；其中，所述第一值大于所述第二值，k為取值從1至X的正整數(shù)。
[0019] 結(jié)合第二方面的第二種可能的實(shí)現(xiàn)方式，在第三種可能的實(shí)現(xiàn)方式中，所述確定 單元，具體用于：確定q天前向所述第i用戶推薦過所述第k廣告，q為正整數(shù)；確定所述q 天對(duì)應(yīng)的艾賓浩斯遺忘曲線值；確定所述第k廣告對(duì)應(yīng)的新穎性因子為所述第一值與所述 艾賓浩斯遺忘曲線值之間的差值。
[0020] 結(jié)合第二方面，在第四種可能的實(shí)現(xiàn)方式中，所述確定單元，具體用于：對(duì)于所述 X個(gè)廣告中的第k廣告，確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的 其它廣告之間的相似度；根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的 其它廣告之間的相似度，確定在所述X個(gè)廣告中所述第k廣告對(duì)應(yīng)的相似性排名和所述第 k廣告對(duì)應(yīng)的不相似性排名；對(duì)所述第k廣告對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不 相似性排名進(jìn)行加權(quán)，以得到所述第k廣告對(duì)應(yīng)的新穎性因子；其中，k為取值從1至X的 正整數(shù)。
[0021] 結(jié)合第二方面，在第五種可能的實(shí)現(xiàn)方式中，所述確定單元，具體用于：對(duì)于所述 X個(gè)廣告中的第k廣告，確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的 其它廣告之間的多樣性距離；根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之 外的其它廣告之間的多樣性距離，確定所述第k廣告對(duì)應(yīng)的新穎性因子；其中，k為取值從 1至X的正整數(shù)。
[0022] 結(jié)合第二方面或上述任一實(shí)現(xiàn)方式，在第六種可能的實(shí)現(xiàn)方式中，所述選擇單元， 具體用于：對(duì)所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的點(diǎn)擊概率和所述每個(gè)廣告對(duì)應(yīng)的新穎性因子 進(jìn)行加權(quán)，確定所述X個(gè)廣告分別對(duì)應(yīng)的評(píng)分；按照所述X個(gè)廣告對(duì)應(yīng)的評(píng)分從大到小的順 序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告；將所述排序后的X個(gè)廣告中的前P 個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣告。
[0023] 結(jié)合第二方面或第一種可能的實(shí)現(xiàn)方式至第五種可能的實(shí)現(xiàn)方式中任一方式，在 第七種可能的實(shí)現(xiàn)方式中，所述選擇單元，具體用于：按照點(diǎn)擊概率從大到小的順序，對(duì)所 述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告；按照新穎性因子從大到小的順序，對(duì)所述排 序后的X個(gè)廣告中的前q個(gè)廣告進(jìn)行排序，得到重新排序后的q個(gè)廣告，其中q為正整數(shù)且 q大于P ;將所述重新排序后的q個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P 個(gè)廣告。
[0024] 結(jié)合第二方面或上述任一實(shí)現(xiàn)方式，在第八種可能的實(shí)現(xiàn)方式中，所述預(yù)測(cè)單 元，具體用于：根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，生成用戶-網(wǎng)頁訪問矩陣、用 戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，其中，所述用戶-網(wǎng)頁訪問矩陣的第i行第j 列對(duì)象表示所述第i用戶對(duì)所述第j網(wǎng)頁的訪問記錄，所述用戶-廣告點(diǎn)擊矩陣的第i行 第k列對(duì)象表示所述第i用戶對(duì)第k廣告的點(diǎn)擊記錄，所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣的第j 行第k列對(duì)象表示所述第j網(wǎng)頁與所述第k廣告之間的關(guān)聯(lián)度，k為取值從1至X的正整 數(shù)；對(duì)所述用戶-網(wǎng)頁訪問矩陣、所述用戶-廣告點(diǎn)擊矩陣和所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣進(jìn) 行聯(lián)合概率矩陣分解，得到所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng)頁隱含特 征向量和所述第k廣告的廣告隱含特征向量；根據(jù)所述第i用戶的用戶隱含特征向量、所述 第j網(wǎng)頁的網(wǎng)頁隱含特征向量和所述第k廣告的廣告隱含特征向量，確定所述第i用戶訪 問所述第j網(wǎng)頁時(shí)所述第k廣告的點(diǎn)擊概率。
[0025] 本發(fā)明實(shí)施例中，根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信息預(yù)測(cè)第i用戶訪問第j網(wǎng)頁 時(shí)X個(gè)廣告的點(diǎn)擊概率，根據(jù)歷史推薦信息確定X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，并根據(jù)X 個(gè)廣告的點(diǎn)擊概率和X個(gè)廣告分別對(duì)應(yīng)的新穎性因子在X個(gè)廣告中確定待向第i用戶推薦 的P個(gè)廣告，其中第i用戶對(duì)P個(gè)廣告的知曉程度低于第i用戶對(duì)X個(gè)廣告中除P個(gè)廣告 之外的廣告的知曉程度，P個(gè)廣告的點(diǎn)擊概率高于X個(gè)廣告中除P個(gè)廣告之外的廣告的點(diǎn) 擊概率。由于綜合考慮了用戶、網(wǎng)頁和廣告三方面的信息來預(yù)測(cè)廣告的點(diǎn)擊概率，從而能夠 提升廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性，并且由于考慮了廣告的新穎性，從而能夠避免長(zhǎng)時(shí)間 向用戶推薦同一類型而未考慮用戶潛在興趣的廣告，因此能夠提高廣告的點(diǎn)擊率，進(jìn)而提 升用戶體驗(yàn)。

【專利附圖】

【附圖說明】
[0026] 為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)本發(fā)明實(shí)施例中所需要使 用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面所描述的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于 本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他 的附圖。
[0027] 圖1是根據(jù)本發(fā)明實(shí)施例的推薦廣告的方法的示意性流程圖。
[0028] 圖2是根據(jù)本發(fā)明實(shí)施例的推薦廣告的方法的過程的示意性流程圖。
[0029] 圖3是根據(jù)本發(fā)明實(shí)施例的AdRec模型的示意圖。
[0030] 圖4是根據(jù)本發(fā)明實(shí)施例的廣告推薦服務(wù)器的示意性框圖。
[0031] 圖5是根據(jù)本發(fā)明實(shí)施例的廣告推薦服務(wù)器的示意性框圖。
[0032] 圖6是根據(jù)本發(fā)明實(shí)施例的廣告推薦系統(tǒng)的示意框圖。

【具體實(shí)施方式】
[0033] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部實(shí)施例?；诒景l(fā) 明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí) 施例，都應(yīng)屬于本發(fā)明保護(hù)的范圍。
[0034] 本發(fā)明實(shí)施例可以應(yīng)用于各種對(duì)象的推薦場(chǎng)景，例如商品、應(yīng)用（Application) 或歌曲等對(duì)象的推薦。因此，本發(fā)明實(shí)施例中，廣告可以是這些推薦對(duì)象的載體，被推薦對(duì) 象的信息可以通過廣告頁面來顯示。
[0035] 本發(fā)明實(shí)施例的方法可以由廣告推薦服務(wù)器來執(zhí)行。廣告推薦服務(wù)器可以存儲(chǔ)廣 告主發(fā)布的廣告，對(duì)廣告主發(fā)布的廣告進(jìn)行管理，并可以向用戶提供廣告服務(wù)。具體地，廣 告推薦服務(wù)器可以統(tǒng)計(jì)用戶對(duì)廣告的點(diǎn)擊記錄以及用戶對(duì)網(wǎng)頁的點(diǎn)擊記錄等信息，可以基 于這些信息向用戶推薦廣告。
[0036] 圖1是根據(jù)本發(fā)明實(shí)施例的推薦廣告的方法的示意性流程圖。圖1的方法可由廣 告推薦服務(wù)器執(zhí)行。
[0037] 110,從用戶訪問互聯(lián)網(wǎng)日志中獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，網(wǎng)頁訪問信息 用于指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，廣告點(diǎn)擊信息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn)擊 的X個(gè)廣告，n、m和X均為大于1的正整數(shù)。
[0038] 120,根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，預(yù)測(cè)m個(gè)用戶中第i用戶訪問第j網(wǎng)頁 時(shí)X個(gè)廣告的點(diǎn)擊概率，其中i為取值從1至m的正整數(shù)，j為取值從1至η的正整數(shù)。
[0039] 130,根據(jù)歷史推薦信息，確定X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，歷史推薦信息用 于指示向第i用戶分別推薦X個(gè)廣告的歷史記錄，X個(gè)廣告中每個(gè)廣告的新穎性因子用于 表示第i用戶對(duì)該廣告的知曉程度。
[0040] 140,根據(jù)X個(gè)廣告的點(diǎn)擊概率和X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在X個(gè)廣告中 確定待向第i用戶推薦的P個(gè)廣告，其中，第i用戶對(duì)P個(gè)廣告的知曉程度低于第i用戶對(duì) X個(gè)廣告中除所述P個(gè)廣告之外的廣告的知曉程度，P個(gè)廣告的點(diǎn)擊概率高于X個(gè)廣告中除 P個(gè)廣告之外的廣告的點(diǎn)擊概率，P為正整數(shù)且P < X。
[0041] 本發(fā)明實(shí)施例中，根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信息預(yù)測(cè)第i用戶訪問第j網(wǎng)頁 時(shí)X個(gè)廣告的點(diǎn)擊概率，根據(jù)歷史推薦信息確定X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，并根據(jù)X 個(gè)廣告的點(diǎn)擊概率和X個(gè)廣告分別對(duì)應(yīng)的新穎性因子在X個(gè)廣告中確定待向第i用戶推薦 的P個(gè)廣告，其中第i用戶對(duì)P個(gè)廣告的知曉程度低于第i用戶對(duì)X個(gè)廣告中除P個(gè)廣告 之外的廣告的知曉程度，P個(gè)廣告的點(diǎn)擊概率高于X個(gè)廣告中除P個(gè)廣告之外的廣告的點(diǎn) 擊概率。由于綜合考慮了用戶、網(wǎng)頁和廣告三方面的信息來預(yù)測(cè)廣告的點(diǎn)擊概率，從而能夠 提升廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性，并且由于考慮了廣告的新穎性，從而能夠避免長(zhǎng)時(shí)間 向用戶推薦同一類型而未考慮用戶潛在興趣的廣告，因此能夠提高廣告的點(diǎn)擊率，進(jìn)而提 升用戶體驗(yàn)。
[0042] 具體而言，現(xiàn)有的廣告推薦算法中，均是利用二維信息預(yù)測(cè)廣告的點(diǎn)擊概率，例如 廣告和網(wǎng)頁的相關(guān)信息或者用戶和廣告的相關(guān)信息。此外，基于現(xiàn)有的基于CBF的算法或 CF算法，向用戶推薦的廣告往往和該用戶熟悉的廣告很相似。用戶不熟悉但具有潛在興趣 的廣告卻難以被推薦給用戶。
[0043] 本發(fā)明實(shí)施例中，網(wǎng)頁訪問信息用于指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，廣告點(diǎn)擊信 息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn)擊的X個(gè)廣告，因此，根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信 息預(yù)測(cè)廣告的點(diǎn)擊概率，也就是利用用戶、網(wǎng)頁以及廣告這三個(gè)維度的信息預(yù)測(cè)X個(gè)廣告 的點(diǎn)擊概率，從而能夠提高廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性。此外，根據(jù)用于指示向第i用戶 推薦X個(gè)廣告的歷史記錄的歷史推薦信息，確定X個(gè)廣告分別對(duì)應(yīng)的新穎性因子。這樣，在 根據(jù)X個(gè)廣告的點(diǎn)擊概率和X個(gè)廣告分別對(duì)應(yīng)的新穎性因子確定待向第i用戶推薦的P個(gè) 廣告時(shí)，同時(shí)考慮了廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性和廣告的新穎性兩方面，因此不僅能夠 提升廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性，并且由于考慮了廣告的新穎性，從而能夠避免長(zhǎng)時(shí)間 向用戶推薦同一類型而未考慮用戶潛在興趣的廣告，因此能夠提高廣告的點(diǎn)擊率，并提升 用戶體驗(yàn)。
[0044] 應(yīng)理解，本發(fā)明實(shí)施例中，第i用戶可以是m個(gè)用戶中任意一個(gè)用戶，第j網(wǎng)頁可 以是η個(gè)網(wǎng)頁中任意一個(gè)網(wǎng)頁。
[0045] 可選地，作為一個(gè)實(shí)施例，上述X個(gè)廣告可以是廣告推薦服務(wù)器中存儲(chǔ)的所有廣 告或部分廣告。
[0046] 可選地，作為另一實(shí)施例，在步驟120中，可以根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信 息，生成用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，其中，用 戶-網(wǎng)頁訪問矩陣的第i行第j列對(duì)象表示第i用戶對(duì)第j網(wǎng)頁的訪問記錄，用戶-廣告 點(diǎn)擊矩陣的第i行第k列對(duì)象表示第i用戶對(duì)第k廣告的點(diǎn)擊記錄，廣告-網(wǎng)頁關(guān)聯(lián)度矩 陣的第j行第k列對(duì)象表示第j網(wǎng)頁與第k廣告之間的關(guān)聯(lián)度，k為取值從1至X的正整 數(shù)。然后可以對(duì)用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣進(jìn)行 聯(lián)合概率矩陣分解，得到第i用戶的用戶隱含特征向量、第j網(wǎng)頁的網(wǎng)頁隱含特征向量和第 k廣告的廣告隱含特征向量。最后可以根據(jù)第i用戶的用戶隱含特征向量、第j網(wǎng)頁的網(wǎng)頁 隱含特征向量和第k廣告的廣告隱含特征向量，確定第i用戶訪問第j網(wǎng)頁時(shí)第k廣告的 點(diǎn)擊概率。
[0047] 通常網(wǎng)頁的數(shù)量非常大，可以將網(wǎng)頁按照進(jìn)行分類后，再將網(wǎng)頁訪問信息和廣告 點(diǎn)擊信息轉(zhuǎn)化為用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣以及網(wǎng)頁和廣告同時(shí)出現(xiàn)時(shí)廣 告的點(diǎn)擊率矩陣。例如，可以按照域名對(duì)網(wǎng)頁進(jìn)行分類。此外，可以從網(wǎng)頁訪問信息和廣告 點(diǎn)擊信息中提取網(wǎng)頁與廣告的相似度信息。基于網(wǎng)頁和廣告同時(shí)出現(xiàn)時(shí)廣告的點(diǎn)擊率矩陣 以及網(wǎng)頁與廣告的相似度信息，可以得到廣告-網(wǎng)頁關(guān)聯(lián)度矩陣。
[0048] 利用聯(lián)合概率矩陣分解（Unified Probabilistic Matrix Factorization，UPMF) 算法，可以對(duì)用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣進(jìn)行分 解，從而得到第i用戶訪問第j網(wǎng)頁時(shí)X個(gè)廣告的點(diǎn)擊概率。
[0049] 用戶-網(wǎng)頁訪問矩陣和用戶-廣告點(diǎn)擊矩陣可以反映用戶的的興趣，而廣告-網(wǎng) 頁關(guān)聯(lián)度矩陣可以反映網(wǎng)頁與廣告之間的相關(guān)性，可見，本實(shí)施例中，同時(shí)考慮了用戶的興 趣以及網(wǎng)頁與廣告之間的相關(guān)性，預(yù)測(cè)各個(gè)廣告的點(diǎn)擊概率。因此，能夠提高廣告的點(diǎn)擊概 率預(yù)測(cè)的準(zhǔn)確性，從而能夠保證廣告的點(diǎn)擊率。
[0050] 目前，由于網(wǎng)頁數(shù)量和用戶數(shù)量很大，用戶對(duì)網(wǎng)頁的訪問數(shù)據(jù)以及用戶對(duì)廣告的 點(diǎn)擊數(shù)據(jù)十分稀疏。這種現(xiàn)象也可以稱為數(shù)據(jù)稀疏。這種情況下，采用基于CBF的算法或 者CF算法預(yù)測(cè)廣告的點(diǎn)擊概率的準(zhǔn)確率會(huì)大大降低。而本發(fā)明實(shí)施例中，利用聯(lián)合概率矩 陣分解算法，根據(jù)用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣這三 個(gè)矩陣預(yù)測(cè)廣告的點(diǎn)擊概率，雖然這三個(gè)矩陣可能均為稀疏矩陣，但由于并非僅僅基于其 中某一個(gè)矩陣預(yù)測(cè)點(diǎn)擊概率，從而在數(shù)據(jù)稀疏的情況下也能夠保證廣告的點(diǎn)擊概率預(yù)測(cè)的 準(zhǔn)確性。稀疏矩陣可以指行或列的數(shù)據(jù)缺失較多的矩陣。
[0051] 具體而言，在第i用戶訪問第j網(wǎng)頁時(shí)，對(duì)于X個(gè)廣告中的第k廣告，可以以最大 化聯(lián)合后驗(yàn)概率為目標(biāo)函數(shù)，基于梯度下降法，對(duì)用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩 陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣進(jìn)行分解，得到第i用戶的用戶隱含特征向量、第j網(wǎng)頁的網(wǎng)頁 隱含特征向量和第k廣告的廣告隱含特征向量?？梢岳?，根據(jù)第i用戶的用戶隱含特征 向量、第j網(wǎng)頁的網(wǎng)頁隱含特征向量和第k廣告的廣告隱含特征向量，預(yù)測(cè)第k廣告的點(diǎn)擊 概率。
[0052] 具體地，以最大化聯(lián)合后驗(yàn)概率為目標(biāo)函數(shù)，基于梯度下降法，根據(jù)上述三個(gè)矩陣 得到第i用戶的用戶隱含特征向量、第j網(wǎng)頁的網(wǎng)頁隱含特征向量和第k廣告的廣告隱含 特征向量。根據(jù)第i用戶的用戶隱含特征向量、第j網(wǎng)頁的網(wǎng)頁隱含特征向量和第k廣告 的廣告隱含特征向量，可以分別確定第一向量、第二向量和第三向量，第一向量可以表不第 i用戶對(duì)第j網(wǎng)頁的感興趣程度，第二向量可以表示第i用戶對(duì)第k廣告的感興趣程度，第 三向量可以表示第j網(wǎng)頁與第k廣告的關(guān)聯(lián)程度?？梢詫⒌谝幌蛄俊⒌诙蛄恳约暗谌?量的線性組合映射到[0,1]，從而可以得到在第i用戶訪問第j網(wǎng)頁時(shí)第k廣告的點(diǎn)擊概 率。
[0053] 第k廣告可以是X個(gè)廣告中的任一廣告。對(duì)于每個(gè)廣告而言，均可以按照上述過 程計(jì)算在第i用戶訪問第j網(wǎng)頁時(shí)其點(diǎn)擊概率。這樣可以得到在第i用戶訪問第j網(wǎng)頁時(shí) X個(gè)廣告的點(diǎn)擊概率。
[0054] 目前，由于網(wǎng)頁數(shù)量和用戶數(shù)量的規(guī)模較大，因此推薦算法的復(fù)雜度是需要重點(diǎn) 關(guān)注的因素。本實(shí)施例中，計(jì)算過程的開銷主要來源于梯度下降法。算法復(fù)雜度隨三個(gè)矩 陣中數(shù)據(jù)量增加而線性增長(zhǎng)。因此，本實(shí)施例適用于大規(guī)模數(shù)據(jù)的處理。
[0055] 可選地，作為另一實(shí)施例，在步驟130中，對(duì)于x個(gè)廣告中的第k廣告，如果歷史推 薦信息指示未向第i用戶推薦過第k廣告，則可以確定第k廣告對(duì)應(yīng)的新穎性因子為第一 值；如果歷史推薦信息指示過去向第i用戶推薦過第k廣告，則可以確定第k廣告對(duì)應(yīng)的新 穎性因子為第二值。
[0056] 其中，第一值大于第二值，k為取值從1至X的正整數(shù)。
[0057] 具體而言，上述第k廣告可以是X個(gè)廣告中的任意一個(gè)廣告。每個(gè)廣告可以對(duì)應(yīng) 一個(gè)新穎性因子。每個(gè)廣告對(duì)應(yīng)的新穎性因子可以用于表示對(duì)第i用戶而言該廣告的新穎 性。對(duì)于每個(gè)廣告而言，在未向第i用戶推薦過的情況下的新穎性因子大于在向第i用戶 已經(jīng)推薦過的情況下的新穎性因子。廣告對(duì)應(yīng)的新穎性因子越大，則可以表明對(duì)于第i用 戶來說該廣告的新穎性越高，換句話說，第i用戶對(duì)該廣告不熟悉或者未見過該廣告。
[0058] 可見，本實(shí)施例中，對(duì)于每個(gè)廣告而言，在未向第i用戶推薦過的情況下的新穎性 因子大于在向第i用戶已經(jīng)推薦過的情況下的新穎性因子，這樣，能夠提升所推薦的廣告 的新穎性，從而提升用戶體驗(yàn)。
[0059] 第一值和第二值可以是預(yù)先設(shè)定的，例如，第一值可以預(yù)設(shè)為1，第二值可以預(yù)設(shè) 為0. 5?；蛘撸诙悼梢允歉鶕?jù)歷史推薦信息和艾賓浩斯遺忘曲線得到的。
[0060] 可選地，作為另一實(shí)施例,在步驟130中，可以確定q天前向第i用戶推薦過第k 廣告，q為正整數(shù)，確定q天對(duì)應(yīng)的艾賓浩斯遺忘曲線值，并確定第k廣告對(duì)應(yīng)的新穎性因 子為第一值與艾賓浩斯遺忘曲線值之間的差值。
[0061] 例如，第一值可以預(yù)設(shè)為1，第二值為1-艾賓浩斯遺忘曲線值。
[0062] 對(duì)于向第i用戶推薦過的廣告而言，可以基于艾賓浩斯遺忘曲線來確定該廣告對(duì) 應(yīng)的新穎性因子。這樣能夠提高新穎性因子的準(zhǔn)確度，從而能夠提升向用戶推薦的廣告的 新穎性，并提升用戶體驗(yàn)。需要說明的是，基于艾賓浩斯遺忘曲線值來確定該廣告對(duì)應(yīng)的新 穎性因子只是本發(fā)明采用的一種較佳的實(shí)施方式，可以理解的是，將艾賓浩斯遺忘曲線值 替換成與q相關(guān)的權(quán)重值，也可以實(shí)現(xiàn)本發(fā)明方案。
[0063] 可選地，作為另一實(shí)施例，在步驟130中，對(duì)于X個(gè)廣告中的第k廣告，可以確定第 k廣告分別與X個(gè)廣告中除第k廣告之外的其它廣告之間的相似度?？梢愿鶕?jù)第k廣告分 別與X個(gè)廣告中除第k廣告之外的其它廣告之間的相似度，確定在X個(gè)廣告中第k廣告對(duì) 應(yīng)的相似性排名和第k廣告對(duì)應(yīng)的不相似性排名?？梢詫?duì)第k廣告對(duì)應(yīng)的相似性排名和第 k廣告對(duì)應(yīng)的不相似性排名進(jìn)行加權(quán)，以得到第k廣告對(duì)應(yīng)的新穎性因子，其中，k為取值從 1至X的正整數(shù)。
[0064] 具體而言，可以根據(jù)領(lǐng)域分類體系的評(píng)價(jià)指標(biāo)--列表內(nèi)部相似度（Intra-list Similarity)來確定各個(gè)廣告對(duì)應(yīng)的新穎性因子。針對(duì)X個(gè)廣告，可以確定兩兩廣告之間的 相似度。例如，可以根據(jù)余弦相似性算法或皮爾森（Pearson)相似性算法，確定兩兩廣告之 間的相似度。這樣，對(duì)于每個(gè)廣告，可以利用其與其它廣告之間的相似度，確定在X個(gè)廣告 中該廣告對(duì)應(yīng)的相似性排名RS和不相似性排名NRS。然后可以對(duì)該廣告對(duì)應(yīng)的相似性排名 和不相似性排名進(jìn)行加權(quán)，從而得到該廣告對(duì)應(yīng)的新穎性因子。例如，該廣告的新穎性因子 =W*RS+(1-W)*NRS，其中W為權(quán)重值。
[0065] 本實(shí)施例能夠提高新穎性因子的準(zhǔn)確度，從而能夠提升向用戶推薦的廣告的新穎 性，并提升用戶體驗(yàn)。
[0066] 可選地，作為另一實(shí)施例，在步驟130中，對(duì)于x個(gè)廣告中的第k廣告，確定第k廣 告分別與X個(gè)廣告中除第k廣告之外的其它廣告之間的多樣性距離；根據(jù)第k廣告分別與 X個(gè)廣告中除第k廣告之外的其它廣告之間的多樣性距離，確定第k廣告對(duì)應(yīng)的新穎性因 子；其中，k為取值從1至X的正整數(shù)。
[0067] 具體地，可以基于推薦多樣性原理來確定X個(gè)廣告分別對(duì)應(yīng)的新穎性因子。對(duì)于 X個(gè)廣告，可以確定兩兩廣告之間的多樣性距離。例如，可以基于Jaccard多樣性距離計(jì)算 方式，來得到兩兩廣告之間的多樣性距離。
[0068]因此，對(duì)于每個(gè)廣告，可以計(jì)算出其與其它各個(gè)廣告之間的多樣性距離。根據(jù)該廣 告與其它各個(gè)廣告之間的多樣性距離，確定該廣告對(duì)應(yīng)的新穎性因子。例如，可以將該廣告 與其它各個(gè)廣告之間的多樣性距離進(jìn)行求和，得到該廣告對(duì)應(yīng)的新穎性因子。本實(shí)施例能 夠提高新穎性因子的準(zhǔn)確度，從而能夠提升向用戶推薦的廣告的新穎性，并提升用戶體驗(yàn)。
[0069] 可選地，作為另一實(shí)施例，在步驟140中，可以對(duì)X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的點(diǎn)擊 概率和每個(gè)廣告對(duì)應(yīng)的新穎性因子進(jìn)行加權(quán)，確定X個(gè)廣告分別對(duì)應(yīng)的評(píng)分?？梢园凑誜 個(gè)廣告對(duì)應(yīng)的評(píng)分從大到小的順序，對(duì)X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告?？梢詫?排序后的X個(gè)廣告中的前P個(gè)廣告確定為待向第i用戶推薦的P個(gè)廣告。
[0070] 具體地，可以通過加權(quán)算法，對(duì)點(diǎn)擊概率和新穎性因子進(jìn)行加權(quán)，來得到各個(gè)廣告 對(duì)應(yīng)的評(píng)分。例如，對(duì)于每個(gè)廣告，可以為其點(diǎn)擊概率和新穎性因子分配相應(yīng)的權(quán)重，利用 所分配的權(quán)重對(duì)該廣告的點(diǎn)擊概率和新穎性因子進(jìn)行加權(quán)，從而得到該廣告對(duì)應(yīng)的評(píng)分。 可以按照評(píng)分從大到小的順序?qū)個(gè)廣告進(jìn)行排序，將排序后的X個(gè)廣告中前P個(gè)廣告作 為待向第i用戶推薦的廣告?？梢?，在確定要向第i用戶推薦的廣告時(shí)，同時(shí)考慮了點(diǎn)擊概 率和新穎性因子兩方面因素，從而能夠提高廣告的點(diǎn)擊率并提升用戶體驗(yàn)。
[0071] 可選地，作為另一實(shí)施例，在步驟140中，可以按照點(diǎn)擊概率從大到小的順序，對(duì)X 個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告?？梢园凑招路f性因子從大到小的順序，對(duì)排序后 的X個(gè)廣告中的前q個(gè)廣告進(jìn)行排序，得到重新排序后的q個(gè)廣告，其中q為正整數(shù)且q大 于P?？梢詫⒅匦屡判蚝蟮膓個(gè)廣告中前P個(gè)廣告確定為待向第i用戶推薦的P個(gè)廣告。
[0072] 例如，可以基于上述這種漏斗形的過濾加權(quán)方式得到廣告推薦列表。q優(yōu)選為p的 2倍。可見，在確定待向第i用戶推薦的廣告時(shí)，同時(shí)考慮了點(diǎn)擊概率和新穎性因子兩方面 因素，從而能夠提高廣告的點(diǎn)擊率并提升用戶體驗(yàn)。
[0073] 可選地，作為另一實(shí)施例，在步驟110中，可以實(shí)時(shí)地從用戶訪問互聯(lián)網(wǎng)日志中獲 取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息。廣告點(diǎn)擊信息可以包含用戶對(duì)推薦的P個(gè)廣告的點(diǎn)擊信 息。也就是說，用戶對(duì)推薦的P個(gè)廣告的點(diǎn)擊信息會(huì)被實(shí)時(shí)地反饋回來，這樣結(jié)合實(shí)時(shí)的信 息能夠自適應(yīng)地調(diào)整廣告的點(diǎn)擊概率，從而進(jìn)一步提高廣告的點(diǎn)擊概率預(yù)測(cè)的準(zhǔn)確性。
[0074] 下面將結(jié)合具體例子詳細(xì)描述本發(fā)明實(shí)施例的過程。應(yīng)理解，下面的例子僅是為 了幫助本領(lǐng)域技術(shù)人員更好地理解本發(fā)明實(shí)施例，而非限制本發(fā)明實(shí)施例的范圍。
[0075] 圖2是根據(jù)本發(fā)明實(shí)施例的推薦廣告的方法的過程的示意性流程圖。
[0076] 201，從用戶訪問互聯(lián)網(wǎng)的日志中獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，網(wǎng)頁訪問信 息用于指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，廣告點(diǎn)擊信息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn) 擊的X個(gè)廣告，n、m和X均為大于1的正整數(shù)。
[0077] 202,根據(jù)網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，生成用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn) 擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣。
[0078] (I)用戶-網(wǎng)頁訪問矩陣
[0079] B可以表示用戶-網(wǎng)頁訪問矩陣。B中的元素[0，1])表示用戶屮對(duì)網(wǎng) 頁％的訪問記錄，也可以認(rèn)為是用戶Ui對(duì)網(wǎng)頁 Wj的感興趣程度。顯然地，用戶瀏覽網(wǎng)頁的 次數(shù)越多，可以表明用戶對(duì)此網(wǎng)頁內(nèi)容越感興趣。可以由公式（1)計(jì)算得到：
[0080] b^· = g(f (ui； Wj)) (1)
[0081] 其中，g( ·)是邏輯斯蒂（Logistic Function)函數(shù)，用于歸一化。f^Ui, Wj)表示 用戶Ui瀏覽網(wǎng)％的次數(shù)。
[0082] (II)用戶-廣告點(diǎn)擊矩陣
[0083] C可以表示用戶-廣告點(diǎn)擊矩陣。C中的元素 cik表示用戶Ui對(duì)廣告ak的感興趣 程度。顯然地，用戶點(diǎn)擊廣告，可以表明用戶對(duì)該廣告感興趣。c ik可以由公式（2)得到：
[0084] cik = g(f (ui； ak)) (2)
[0085] 其中，f (Up ak)表示用戶w點(diǎn)擊廣告ak的次數(shù)。
[0086] (III)廣告-網(wǎng)頁關(guān)聯(lián)度矩陣
[0087] R可以表示廣告-網(wǎng)頁關(guān)聯(lián)度矩陣。R中的元素 rjk表示網(wǎng)頁％與廣告ak之間的 關(guān)聯(lián)度。同一廣告在不同網(wǎng)頁上顯示時(shí)，具有不同的點(diǎn)擊率。廣告和網(wǎng)頁的內(nèi)容越相關(guān)，廣 告被點(diǎn)擊的可能性越大。此處結(jié)合網(wǎng)頁-廣告同時(shí)出現(xiàn)時(shí)廣告的點(diǎn)擊率以及網(wǎng)頁和廣告之 間的相似度，確定廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，這樣能夠提高廣告-網(wǎng)頁關(guān)聯(lián)度矩陣的準(zhǔn)確度。
[0088] rjk可以由公式（3)得到：
[0089] rJk = a dJk+ (1- α ) hJk ⑶
[0090] 其中，djk可以表示網(wǎng)頁Wj與廣告ak之間的相似度，h jk表示在網(wǎng)頁Wj上廣告ak的 點(diǎn)擊率。
[0091] djk 可以按照概率潛在語義分析（Probabilistic Latent Semantic Analysis, PLSA)方法或潛在狄利克雷分配（Latent Dirichlet Allocation, LDA)算法得到。
[0092] hjk可以等于網(wǎng)頁Wj上廣告ak被點(diǎn)擊的次數(shù)除以廣告ak在網(wǎng)頁 Wj上總的投放次 數(shù)。
[0093] 203,根據(jù)用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn)擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，確 定用戶 Ui的用戶隱含特征向量、網(wǎng)頁Wj的網(wǎng)頁隱含特征向量和X個(gè)廣告各自的廣告隱含特 征向量。
[0094] 用戶對(duì)網(wǎng)頁的訪問歷史和對(duì)廣告的點(diǎn)擊歷史均能反映用戶的興趣或偏好。而廣告 點(diǎn)擊率與用戶興趣及廣告與網(wǎng)頁關(guān)聯(lián)度密切相關(guān)。本實(shí)施例中，通過利用AdRec模型將用 戶興趣及廣告與網(wǎng)頁關(guān)聯(lián)度相結(jié)合。
[0095] 下面將以X個(gè)廣告中的廣告ak為例進(jìn)行描述。應(yīng)理解，廣告ak可以是X個(gè)廣告中 任一廣告。
[0096] 具體地，可以基于AdRec模型確定這三個(gè)隱含特征向量。圖3是根據(jù)本發(fā)明實(shí)施 例的AdRec模型的示意圖。如圖3所示，用戶-網(wǎng)頁訪問矩陣與用戶-廣告點(diǎn)擊矩陣共享 用戶隱含特征向量A，用戶-廣告點(diǎn)擊矩陣與廣告-網(wǎng)頁關(guān)聯(lián)度矩陣共享廣告隱含特征向 量Ak。
[0097] AdRec模型基于如下假設(shè)：
[0099] ( 4 )
[0098] (I)假設(shè)％、Wj和Ak先驗(yàn)服從正態(tài)分布且相互獨(dú)立，即

【權(quán)利要求】
1. 一種推薦廣告的方法，其特征在于，包括： 從用戶訪問互聯(lián)網(wǎng)日志中獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，所述網(wǎng)頁訪問信息用于 指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，所述廣告點(diǎn)擊信息用于指示m個(gè)用戶在η個(gè)網(wǎng)頁上點(diǎn)擊 的X個(gè)廣告，n、m和X均為大于1的正整數(shù)； 根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述m個(gè)用戶中第i用戶訪問第j 網(wǎng)頁時(shí)所述X個(gè)廣告的點(diǎn)擊概率，其中i為取值從1至m的正整數(shù)，j為取值從1至η的正 整數(shù)； 確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的新穎性因 子用于表示所述第i用戶對(duì)所述每個(gè)廣告的知曉程度； 根據(jù)所述X個(gè)廣告的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣 告中確定待向所述第i用戶推薦的P個(gè)廣告，其中，所述第i用戶對(duì)所述P個(gè)廣告的知曉程 度低于所述第i用戶對(duì)所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的知曉程度，所述P個(gè) 廣告的點(diǎn)擊概率高于所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的點(diǎn)擊概率，P為正整數(shù) 且 P < X。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性 因子，包括： 根據(jù)歷史推薦信息，確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述歷史推薦信息用 于指示向所述第i用戶分別推薦所述X個(gè)廣告的歷史記錄。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)歷史推薦信息，確定所述X個(gè)廣 告分別對(duì)應(yīng)的新穎性因子，包括： 對(duì)于所述X個(gè)廣告中的第k廣告， 如果所述歷史推薦信息指示未向所述第i用戶推薦過所述第k廣告，則確定所述第k 廣告對(duì)應(yīng)的新穎性因子為第一值； 如果所述歷史推薦信息指示過去向所述第i用戶推薦過所述第k廣告，則確定所述第 k廣告對(duì)應(yīng)的新穎性因子為第二值； 其中，所述第一值大于所述第二值，k為取值從1至X的正整數(shù)。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述確定所述第k廣告對(duì)應(yīng)的新穎性因子 為第二值，包括： 確定q天前向所述第i用戶推薦過所述第k廣告，q為正整數(shù)； 確定所述q天對(duì)應(yīng)的艾賓浩斯遺忘曲線值； 確定所述第k廣告對(duì)應(yīng)的新穎性因子為所述第一值與所述艾賓浩斯遺忘曲線值之間 的差值。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性 因子，包括： 對(duì)于所述X個(gè)廣告中的第k廣告， 確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的相似 度； 根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的相似 度，確定在所述X個(gè)廣告中所述第k廣告對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不相似 性排名； 對(duì)所述第k廣告對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不相似性排名進(jìn)行加權(quán)，以 得到所述第k廣告對(duì)應(yīng)的新穎性因子； 其中，k為取值從1至X的正整數(shù)。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性 因子，包括： 對(duì)于所述X個(gè)廣告中的第k廣告， 確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的多樣 性距離； 根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的多樣 性距離，確定所述第k廣告對(duì)應(yīng)的新穎性因子； 其中，k為取值從1至X的正整數(shù)。
7. 根據(jù)權(quán)利要求1至6中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述X個(gè)廣告分別 對(duì)應(yīng)的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣告中確定待向所述 第i用戶推薦的P個(gè)廣告，包括： 對(duì)所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的點(diǎn)擊概率和所述每個(gè)廣告對(duì)應(yīng)的新穎性因子進(jìn)行 加權(quán)，確定所述X個(gè)廣告分別對(duì)應(yīng)的評(píng)分； 按照所述X個(gè)廣告對(duì)應(yīng)的評(píng)分從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后 的X個(gè)廣告； 將所述排序后的X個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣告。
8. 根據(jù)權(quán)利要求1至6中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述X個(gè)廣告分別 對(duì)應(yīng)的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，在所述X個(gè)廣告中確定待向所述 第i用戶推薦的P個(gè)廣告，包括： 按照點(diǎn)擊概率從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告； 按照新穎性因子從大到小的順序，對(duì)所述排序后的X個(gè)廣告中的前q個(gè)廣告重新進(jìn)行 排序，得到重新排序后的q個(gè)廣告；其中q為正整數(shù)且q大于P ; 將所述重新排序后的q個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣 生 1=1 〇
9. 根據(jù)權(quán)利要求1至8中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述網(wǎng)頁訪問信息 和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述m個(gè)用戶中第i用戶訪問第j網(wǎng)頁時(shí)所述X個(gè)廣告的點(diǎn)擊 概率，包括： 根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，生成用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn) 擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，其中，所述用戶-網(wǎng)頁訪問矩陣的第i行第j列對(duì)象表示 所述第i用戶對(duì)所述第j網(wǎng)頁的訪問記錄，所述用戶-廣告點(diǎn)擊矩陣的第i行第k列對(duì)象 表示所述第i用戶對(duì)第k廣告的點(diǎn)擊記錄，所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣的第j行第k列對(duì) 象表示所述第j網(wǎng)頁與所述第k廣告之間的關(guān)聯(lián)度，k為取值從1至X的正整數(shù)； 對(duì)所述用戶-網(wǎng)頁訪問矩陣、所述用戶-廣告點(diǎn)擊矩陣和所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣 進(jìn)行聯(lián)合概率矩陣分解，得到所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng)頁隱含 特征向量和所述第k廣告的廣告隱含特征向量； 根據(jù)所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng)頁隱含特征向量和所述第 k廣告的廣告隱含特征向量，確定所述第i用戶訪問所述第j網(wǎng)頁時(shí)所述第k廣告的點(diǎn)擊概 率。
10. -種廣告推薦服務(wù)器，其特征在于，包括： 獲取單元，用于從用戶訪問互聯(lián)網(wǎng)日志中獲取網(wǎng)頁訪問信息和廣告點(diǎn)擊信息，所述網(wǎng) 頁訪問信息用于指示m個(gè)用戶所訪問的η個(gè)網(wǎng)頁，所述廣告點(diǎn)擊信息用于指示m個(gè)用戶在 η個(gè)網(wǎng)頁上點(diǎn)擊的X個(gè)廣告，n、m和X均為大于1的正整數(shù)； 預(yù)測(cè)單元，用于根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，預(yù)測(cè)所述m個(gè)用戶中第i 用戶訪問第j網(wǎng)頁時(shí)所述X個(gè)廣告的點(diǎn)擊概率，其中i為取值從1至m的正整數(shù)，j為取值 從1至η的正整數(shù)； 確定單元，用于確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述X個(gè)廣告中每個(gè)廣告對(duì) 應(yīng)的新穎性因子用于表示所述第i用戶對(duì)所述每個(gè)廣告的知曉程度； 選擇單元，用于根據(jù)所述X個(gè)廣告的點(diǎn)擊概率和所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子， 在所述X個(gè)廣告中確定待向所述第i用戶推薦的P個(gè)廣告，其中，所述第i用戶對(duì)所述P個(gè) 廣告的知曉程度低于所述第i用戶對(duì)所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的知曉程 度，所述P個(gè)廣告的點(diǎn)擊概率高于所述X個(gè)廣告中除所述P個(gè)廣告之外的廣告的點(diǎn)擊概率， P為正整數(shù)且P彡X。
11. 根據(jù)權(quán)利要求10所述的廣告推薦服務(wù)器，其特征在于，所述確定單元，具體用于： 根據(jù)歷史推薦信息，確定所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子，所述歷史推薦信息用 于指示向所述第i用戶分別推薦所述X個(gè)廣告的歷史記錄。
12. 根據(jù)權(quán)利要求11所述的廣告推薦服務(wù)器，其特征在于，在根據(jù)歷史推薦信息，確定 所述X個(gè)廣告分別對(duì)應(yīng)的新穎性因子的方面，所述確定單元，具體用于： 對(duì)于所述X個(gè)廣告中的第k廣告， 如果所述歷史推薦信息指示未向所述第i用戶推薦過所述第k廣告，則確定所述第k 廣告對(duì)應(yīng)的新穎性因子為第一值； 如果所述歷史推薦信息指示過去向所述第i用戶推薦過所述第k廣告，則確定所述第 k廣告對(duì)應(yīng)的新穎性因子為第二值； 其中，所述第一值大于所述第二值，k為取值從1至X的正整數(shù)。
13. 根據(jù)權(quán)利要求12所述的廣告推薦服務(wù)器，其特征在于，在確定所述第k廣告對(duì)應(yīng)的 新穎性因子為第二值的方面，所述確定單元，具體用于： 確定q天前向所述第i用戶推薦過所述第k廣告，q為正整數(shù)； 確定所述q天對(duì)應(yīng)的艾賓浩斯遺忘曲線值； 確定所述第k廣告對(duì)應(yīng)的新穎性因子為所述第一值與所述艾賓浩斯遺忘曲線值之間 的差值。
14. 根據(jù)權(quán)利要求10所述的廣告推薦服務(wù)器，其特征在于，在確定所述X個(gè)廣告分別對(duì) 應(yīng)的新穎性因子的方面，所述確定單元，具體用于： 對(duì)于所述X個(gè)廣告中的第k廣告， 確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的相似 度； 根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的相似 度，確定在所述X個(gè)廣告中所述第k廣告對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不相似 性排名； 對(duì)所述第k廣告對(duì)應(yīng)的相似性排名和所述第k廣告對(duì)應(yīng)的不相似性排名進(jìn)行加權(quán)，以 得到所述第k廣告對(duì)應(yīng)的新穎性因子； 其中，k為取值從1至X的正整數(shù)。
15. 根據(jù)權(quán)利要求10所述的廣告推薦服務(wù)器，其特征在于，在確定所述X個(gè)廣告分別對(duì) 應(yīng)的新穎性因子的方面，所述確定單元，具體用于： 對(duì)于所述X個(gè)廣告中的第k廣告， 確定所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的多樣 性距離； 根據(jù)所述第k廣告分別與所述X個(gè)廣告中除所述第k廣告之外的其它廣告之間的多樣 性距離，確定所述第k廣告對(duì)應(yīng)的新穎性因子； 其中，k為取值從1至X的正整數(shù)。
16. 根據(jù)權(quán)利要求10至15中任一項(xiàng)所述的廣告推薦服務(wù)器，其特征在于，所述選擇單 元，具體用于： 對(duì)所述X個(gè)廣告中每個(gè)廣告對(duì)應(yīng)的點(diǎn)擊概率和所述每個(gè)廣告對(duì)應(yīng)的新穎性因子進(jìn)行 加權(quán)，確定所述X個(gè)廣告分別對(duì)應(yīng)的評(píng)分； 按照所述X個(gè)廣告對(duì)應(yīng)的評(píng)分從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后 的X個(gè)廣告； 將所述排序后的X個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣告。
17. 根據(jù)權(quán)利要求10至15中任一項(xiàng)所述的廣告推薦服務(wù)器，其特征在于，所述選擇單 元，具體用于： 按照點(diǎn)擊概率從大到小的順序，對(duì)所述X個(gè)廣告進(jìn)行排序，得到排序后的X個(gè)廣告； 按照新穎性因子從大到小的順序，對(duì)所述排序后的X個(gè)廣告中的前q個(gè)廣告進(jìn)行排序， 得到重新排序后的q個(gè)廣告，其中q為正整數(shù)且q大于P ; 將所述重新排序后的q個(gè)廣告中的前P個(gè)廣告確定為待向所述第i用戶推薦的P個(gè)廣 生 1=1 〇
18. 根據(jù)權(quán)利要求10至17中任一項(xiàng)所述的廣告推薦服務(wù)器，其特征在于，所述預(yù)測(cè)單 元，具體用于： 根據(jù)所述網(wǎng)頁訪問信息和所述廣告點(diǎn)擊信息，生成用戶-網(wǎng)頁訪問矩陣、用戶-廣告點(diǎn) 擊矩陣和廣告-網(wǎng)頁關(guān)聯(lián)度矩陣，其中，所述用戶-網(wǎng)頁訪問矩陣的第i行第j列對(duì)象表示 所述第i用戶對(duì)所述第j網(wǎng)頁的訪問記錄，所述用戶-廣告點(diǎn)擊矩陣的第i行第k列對(duì)象 表示所述第i用戶對(duì)第k廣告的點(diǎn)擊記錄，所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣的第j行第k列對(duì) 象表示所述第j網(wǎng)頁與所述第k廣告之間的關(guān)聯(lián)度，k為取值從1至X的正整數(shù)； 對(duì)所述用戶-網(wǎng)頁訪問矩陣、所述用戶-廣告點(diǎn)擊矩陣和所述廣告-網(wǎng)頁關(guān)聯(lián)度矩陣 進(jìn)行聯(lián)合概率矩陣分解，得到所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng)頁隱含 特征向量和所述第k廣告的廣告隱含特征向量； 根據(jù)所述第i用戶的用戶隱含特征向量、所述第j網(wǎng)頁的網(wǎng)頁隱含特征向量和所述第 k廣告的廣告隱含特征向量，確定所述第i用戶訪問所述第j網(wǎng)頁時(shí)所述第k廣告的點(diǎn)擊概 率。
【文檔編號(hào)】G06Q30/02GK104090919SQ201410268560
【公開日】2014年10月8日 申請(qǐng)日期:2014年6月16日 優(yōu)先權(quán)日:2014年6月16日
【發(fā)明者】涂丹丹, 張勇 申請(qǐng)人:華為技術(shù)有限公司