一种电视的用户广告推送方法及系统与流程

本发明涉及电视广告技术领域，尤其涉及一种电视的用户广告推送方法及系统。

背景技术：

目前，各商家为了提高自家产品的知名度，常在电视和互联网上投放广告。例如，网站服务器先通过对用户自身的一些信息（如浏览的某些商品网站、通过电商购买逛的商品等）的获取来确定跟用户粘性很大、相关性很强的广告，然后在用户浏览网页的时候，把跟用户粘性很大、相关性很强的广告推送给用户。但是这种广告推送方式仅仅只是在互联网网站上使用，对于其他一些的数码产品并没有加以应用，比如手机，电视等，其中特别是在电视中未得到广泛应用。人们观看电视，看得最多的就是广告和电视节目（电视剧类、新闻类、饮食类、娱乐类等），传统的广告植入是让用户不分选择的观看多种类别的广告，而这种情况往往会出现，小孩在看动画片的时候会插播剃须刀的广告，或者男士在看足球的时候中间插播化妆品广告等等这些使得广告商不仅投入较大的成本，而且所投入的广告对用户的影响力较小。

因此，现有技术还有待于改进和发展。

技术实现要素：

本发明针对现有技术的上述缺陷，提供一种电视的用户广告推送方法及系统，本发明利用了用户特征、广告特征，在构建基于大量数据特征的学习及模型的实现上引入了一种基于hash算法框架来实现高维数据特征的快速、高效的学习，从而实现基于大量特征的模型快速搭建。

本发明解决技术问题所采用的技术方案如下：

一种电视的用户广告推送方法，其中，所述方法包括步骤：

A、获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值；

B、根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。

所述电视的用户广告推送方法，其中，所述方法包括步骤：

B1、根据用户群体特征、广告特征、及与群体用户特征及广告特征相应的权值确定逻辑回归模型；

B2、获取所述逻辑回归模型的似然函数，并根据所述似然函数确定与群体用户特征及广告特征相应的权值，再获取所述逻辑回归模型的输出值；

B3、当所述逻辑回归模型的输出值为1，则按当前的广告特征对用户进行广告推送。

所述电视的用户广告推送方法，其中，所述步骤B1具体包括：

B111、当检测到用户观看电视时，获取用户特征及广告特征，并根据多个用户特征的集合构建用户群体特征；

B112、将用户群体特征与广告特征结合，获取基于电视节目和广告的总体特征；

B113、根据所述基于电视节目和广告的总体特征及与群体用户特征及广告特征相应的权值确定逻辑回归模型。

所述电视的用户广告推送方法，其中，所述步骤B1具体包括：

B121、当检测到用户观看电视时，获取用户特征及广告特征，并分别获取与用户特征映射的第一哈希函数及与广告特征映射的第二哈希函数；

B122、根据所述第一哈希函数及所述第二哈希函数获取每一用户的广告特征分布；

B123、根据每一用户的广告特征分布及与群体用户特征及广告特征相应的权值确定对应的逻辑回归模型。

所述电视的用户广告推送方法，其中，所述步骤B2具体包括：

B211、获取所述逻辑回归模型的似然函数；

B212、获取所述似然函数的导数，并根据所述似然函数的导数确定与群体用户特征及广告特征相应的权值；

B213、根据与群体用户特征及广告特征相应的权值确定所述逻辑回归模型的输出值。

所述电视的用户广告推送方法，其中，所述步骤C还包括：当所述逻辑回归模型的输出值为0，则不向用户推送。

一种电视的用户广告推送系统，其中，包括：

特征权值获取模块，用于获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值；

推送方案确定模块，用于根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。

所述电视的用户广告推送系统，其中，所述推送方案确定模块具体包括：

模型获取单元，用于根据用户群体特征、广告特征、及与群体用户特征及广告特征相应的权值确定逻辑回归模型；

输出值获取单元，用于获取所述逻辑回归模型的似然函数，并根据所述似然函数确定与群体用户特征及广告特征相应的权值，再获取所述逻辑回归模型的输出值；

推送单元，用于当所述逻辑回归模型的输出值为1，则按当前的广告特征对用户进行广告推送。

所述电视的用户广告推送系统，其中，所述模型获取单元具体包括：

第一获取子单元，用于当检测到用户观看电视时，获取用户特征及广告特征，并根据多个用户特征的集合构建用户群体特征；

第二获取子单元，用于将用户群体特征与广告特征结合，获取基于电视节目和广告的总体特征；

第三获取子单元，用于根据所述基于电视节目和广告的总体特征及与群体用户特征及广告特征相应的权值确定逻辑回归模型。

所述电视的用户广告推送系统，其中，所述模型获取单元具体包括：

第四获取子单元，用于当检测到用户观看电视时，获取用户特征及广告特征，并分别获取与用户特征映射的第一哈希函数及与广告特征映射的第二哈希函数；

第五获取子单元，用于根据所述第一哈希函数及所述第二哈希函数获取每一用户的广告特征分布；

第六获取子单元，用于根据每一用户的广告特征分布及与群体用户特征及广告特征相应的权值确定对应的逻辑回归模型。

所述电视的用户广告推送系统，其中，所述输出值获取单元具体包括：

似然函数获取子单元，用于获取所述逻辑回归模型的似然函数；

权值获取子单元，用于获取所述似然函数的导数，并根据所述似然函数的导数确定与群体用户特征及广告特征相应的权值；

输出值确定子单元，用于根据与群体用户特征及广告特征相应的权值确定所述逻辑回归模型的输出值。

本发明提供了一种电视的用户广告推送方法及系统，方法包括：获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值；根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。本发明利用了用户特征、广告特征，在构建基于大量数据特征的学习及模型的实现上引入了一种基于哈希算法框架来实现在大量用户特征和广告特征下的快速、高效的学习，从而实现基于大量特征的模型快速搭建。

附图说明

图1是本发明所述电视的用户广告推送方法较佳实施例的流程图。

图2是本发明所述电视的用户广告推送方法中确定广告推送方案的具体流程图。

图3是本发明所述电视的用户广告推送方法中确定逻辑回归模型的具体流程图。

图4是本发明所述电视的用户广告推送方法中确定逻辑回归模型的另一具体流程图。

图5是本发明所述电视的用户广告推送方法中确定逻辑回归模型的输出值的具体流程图。

图6是本发明所述电视的用户广告推送系统较佳实施例的结构框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参见图1，图1是本发明所述电视的用户广告推送方法较佳实施例的流程图。如图1所示，所述电视的用户广告推送方法，包括步骤：

步骤S100、获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值。

步骤S200、根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。

进一步地实施例，如图2所示，所述步骤S200中确定广告推送方案的具体流程包括：

步骤S210、根据用户群体特征、广告特征、及与群体用户特征及广告特征相应的权值确定逻辑回归模型。

进一步地实施例，如图3所示，所述步骤S210中确定逻辑回归模型的具体流程包括：

步骤S2111、当检测到用户观看电视时，获取用户特征及广告特征，并根据多个用户特征的集合构建用户群体特征；

步骤S2112、将用户群体特征与广告特征结合，获取基于电视节目和广告的总体特征；

步骤S2113、根据所述基于电视节目和广告的总体特征及与每一用户特征及广告特征相对应的权值确定逻辑回归模型。

本发明的较佳实施例中，当检测到用户观看电视时，获取来自于商家的广告特征（这里可以使广告商品的关键词，或网络电商里商家的数据销售量，或商家所涉及的产品销售领域）；用户群体特征，用户群体特征主要是多个用户特征的集合，也就是把多个不同用户长时间观看的电视频道类型信息特征收集起来（用户群体特征的收集是基于台标识别技术，即当用户在观看电视的时候，可以识别到当前用户所观看到的电视台，然后与当前电视台播放内容相关联就可以得到用户所观看到的电视内容），作为用户群体特征库。用户特征的计算是根据实际情况来进行的，如对于{瘦身类节目、饮料类节目、财经类节目、餐饮类节目}这个四维度的电视类别广告，可通过建立一个如式（1）所示4*1的向量来形成一个用户特征的描述。

（1）

式（1）中左边是基于电视用户所观看节目的类型，右边是用户所观看的电视类别的次数或时长（1表示10分钟，2表示20分钟）等等，数字所表达的含义不限于这一方面，可以根据实际情况来定义，按照这种方式就可以建立起多个维度的电视类别的用户特征描述，对于商家而言不同的商家所运营的商品类别也不尽相同，故可对网络或市场上的大部分商家按照上述所说的电视节目类别进行分类，如瘦身类节目的产品有减肥茶、减肥运动器材或者瘦身贴等，饮料类的节目有娃哈哈所推出的系列产品，康师傅推出的系列产品等等，财经类节目可以推送银行的理财产品，餐饮类节目可以推送各个餐饮店所推送的优惠券，因此建立一个矩阵，如式（2）所示。

（2）

如式（2）中不同类别节目所对应的商家在网络（主要是各大电商网站）上所对应的出现的词汇频率可以作为推送广告的一个参考标准，如对于第一个瘦身类别的商家碧生源网络出现的频率为4235万次，爱茉莉网络出现频率为120万次，绿瘦网络出现频率20万次……，英派斯网络出现频率为15万次，其它类别产品统计所出现的频率方法类似，最后以行为标准，归一化数据值，如对于第一行数据（瘦身类节目对应的商品），把其各个值相加得到一个和值sum_1，然后这一行的每个值与这个sum_1做除法，所得到的值即当前电视节目的广告特征描述。对剩余节目做相同处理，得到如式（3）-（6）的向量。

（3）

（4）

（5）

（6）

按照上述向量构建的方法，可构建出商家特征及用户特征，那么基于电视节目和广告的总体特征如式（7）所示。

（7）

基于电视节目和广告的总体特征可用 表示，其中M表示第M个用户，K表示第M个用户中第K个观看电视节目的类型，如表示第1个用户观看电视类型1所对应广告商1，表示第1个用户观看电视类型2所对应广告商2，其它标记依次类推。

当根据用户群体特征及广告特征构建了基于电视节目和广告的总体特征时，则再结合一未知的与每一用户特征及广告特征相对应的权值建立逻辑回归模型（LR，Logistic Regression），逻辑回归模型如式（8）所示。

（8）

其中，为基于电视节目和广告的总体特征，为与每一用户特征及广告特征相对应的权值，其中，，，，K=1，2，3……N，N表示与所得到的N个电视节目相对应的广告特征描述，M表示第M个用户。

步骤S220、获取所述逻辑回归模型的似然函数，并根据所述似然函数确定与群体用户特征及广告特征相应的权值，再获取所述逻辑回归模型的输出值。

由于步骤S210中确定的逻辑回归模型包括与群体用户特征及广告特征相应的权值这一未知参数，故可先根据逻辑回归模型的似然函数获取与群体用户特征及广告特征相应的权值。当与群体用户特征及广告特征相应的权值确定后，再获取所述逻辑回归模型的输出值。

步骤S230、当所述逻辑回归模型的输出值为1，则按当前的广告特征对用户进行广告推送。

当所述逻辑回归模型的输出值为1，则说明当前的用户所观看的电视节目信息与该商业特征组合粘性较大，最后可以按照当前的广告特征对该用户进行推送，实现了根据用户的喜好对用户进行广告推送。

显然，当所述逻辑回归模型的输出值为0，则说明当前的用户所观看的电视节目信息与该商业特征组合粘性较小，无需对用户进行广告推送。

进一步地实施例，如图4所示，所述步骤S210中确定逻辑回归模型的另一具体流程包括：

步骤S2121、当检测到用户观看电视时，获取用户特征及广告特征，并分别获取与用户特征映射的第一哈希函数及与广告特征映射的第二哈希函数；

步骤S2122、根据所述第一哈希函数及所述第二哈希函数获取每一用户的广告特征分布；

步骤S2123、根据每一用户的广告特征分布及与群体用户特征及广告特征相应的权值确定对应的逻辑回归模型。

对于获取用户特征及广告特征，可建立两个对应的哈希特征映射函数，一个是与用户特征映射的第一哈希函数，另一个是与广告特征映射的第二哈希函数。此时，再根据第一哈希函数及第二哈希函数来形成基于相同用户的广告特征分布。所述广告特征分布由两部分构成，即用户特征和广告特征：

User1 ad1 ad5 ad3 ad6 ad45 ad62 ad102…ad203

User2 ad3 ad578 ad1 ad26 ad697 ad245….ad548

User3 ad5 ad87 ad69 ad20 ad67 ad89 ad58997

UserN ……

利用上述的特征我们可以采用S200的方法来形成LR模型。对于每一个用户User1、User2、 User3…，经过LR模型可以通过学习得到N个W值。

进一步地实施例，如图5所示，所述步骤S220中确定逻辑回归模型的输出值的具体流程包括：

步骤S2211、获取所述逻辑回归模型的似然函数。

根据式（8）所确定的逻辑回归模型，可得到其似然函数，所述似然函数如式（9）所示。

（9）

步骤S2212、获取所述似然函数的导数，并根据所述似然函数的导数确定与每一用户特征及广告特征相对应的权值。

对式（9）所示的似然函数求导，得到所述似然函数的导数如（10）式所示。

（10）

式（10）中i=1,2,3……,M，Yi表示第i个用户特征Xⁱ所对应的标签值，Yi的值等于0或1，Xⁱ和Wⁱ下标去掉的原因在于，与Xⁱ和Wⁱ对应的K=1，2，3，…个值均通过计算得到。

根据似然函数的导数获取Wⁱ及与Wⁱ相对应的损失函数，Wⁱ的表达式如式（11）所示，与Wⁱ相对应的损失函数如式（12）所示。

（11）

（12）

其中，J（W）为损失函数，用于描述当前所得到的Wⁱ参数估计得到的输出与实际样本输出Yi差值，且差值越小越好。此时，需获取的是使J（W）值最小的Wⁱ取值，此处采用梯度下降法来获取。

步骤S2213、根据与每一用户特征及广告特征相对应的权值确定所述逻辑回归模型的输出值。

在步骤S2211及S2212中获取了与群体用户特征及广告特征相应的权值Wⁱ，即可确定所述逻辑回归模型的输出值。

基于上述方法实施例，本发明还提供一种电视的用户广告推送系统，如图6所示，包括：

特征权值获取模块100，用于获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值；

推送方案确定模块200，用于根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。

进一步地实施例，在所述电视的用户广告推送系统中，所述推送方案确定模块具体包括：

模型获取单元，用于根据用户群体特征、广告特征、及与群体用户特征及广告特征相应的权值确定逻辑回归模型；

输出值获取单元，用于获取所述逻辑回归模型的似然函数，并根据所述似然函数确定与群体用户特征及广告特征相应的权值，再获取所述逻辑回归模型的输出值；

推送单元，用于当所述逻辑回归模型的输出值为1，则按当前的广告特征对用户进行广告推送。

进一步地实施例，在所述电视的用户广告推送系统中，所述模型获取单元具体包括：

第一获取子单元，用于当检测到用户观看电视时，获取用户特征及广告特征，并根据多个用户特征的集合构建用户群体特征；

第二获取子单元，用于将用户群体特征与广告特征结合，获取基于电视节目和广告的总体特征；

第三获取子单元，用于根据所述基于电视节目和广告的总体特征及与群体用户特征及广告特征相应的权值确定逻辑回归模型。

进一步地实施例，在所述电视的用户广告推送系统中，所述模型获取单元具体包括：

第四获取子单元，用于当检测到用户观看电视时，获取用户特征及广告特征，并分别获取与用户特征映射的第一哈希函数及与广告特征映射的第二哈希函数；

第五获取子单元，用于根据所述第一哈希函数及所述第二哈希函数获取每一用户的广告特征分布；

第六获取子单元，用于根据每一用户的广告特征分布及与群体用户特征及广告特征相应的权值确定对应的逻辑回归模型。

进一步地实施例，在所述电视的用户广告推送系统中，所述输出值获取单元具体包括：

似然函数获取单元，用于获取所述逻辑回归模型的似然函数；

权值获取单元，用于获取所述似然函数的导数，并根据所述似然函数的导数确定与群体用户特征及广告特征相应的权值；

输出值确定单元，用于根据与群体用户特征及广告特征相应的权值确定所述逻辑回归模型的输出值。

综上所述，本发明提供了一种电视的用户广告推送方法及系统，方法包括：获取群体用户特征和广告特征，并确定与群体用户特征及广告特征相应的权值；根据所述群体用户特征、广告特征及与群体用户特征及广告特征相应的权值确定广告推送方案。本发明利用了用户特征、广告特征，在构建基于大量数据特征的学习及模型的实现上引入了一种基于哈希算法框架来实现在大量用户特征和广告特征下的快速、高效的学习，从而实现基于大量特征的模型快速搭建。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。