本发明属于互联网技术领域，特别涉及一种广告投放系统及方法。
背景技术：
传统社区的楼宇广告，对于小区内广告受众的人口统计学特征以及消费行为了解来源单一，只根据楼盘自身的属性，如位置、房价等信息来判断，这样在投放广告时没法做到精准投放，同时在互联网崛起的线上的用户需求，在某一区域线下广告无法得知，两者之间形成断层，投放的广告效果大打折扣，因此如何对受众精准投放楼宇广告成为一个重要的问题。
技术实现要素：
本发明要解决的技术问题是，现有的投放广告方式针对性不强，效果不好。
为解决上述技术问题，本发明采用的技术方案是：一种楼宇广告精准投放系统，包括商品分类与用户特征预设模块、楼宇智能快递柜的快递包裹数据采集模块、用户订单数据采集模块、用户特征识别模块和广告投放模块；
商品分类与用户特征预设模块用于设定商品分类和与该商品分类对应的用户特征集合f，并给每个用户特征设置特征值集合v，根据用户特征集合f和特征值集合v建立权重表w；
楼宇智能快递柜的快递包裹数据采集模块用于采集用户手机号、用户手机号码对应用户收取包裹的次数、包裹快递单号，得出所有用户手机号码与快递单号的映射表m1；
用户订单数据采集模块用于根据楼宇智能快递柜的快递包裹数据采集模块采集的快递单号获取用户在第三方电商平台产生的订单商品分类集合，建立快递单号到商品分类集合的映射集合m2；
用户特征识别模块用于根据映射表m1和映射集合m2，建立用户手机号码到商品分类集合的映射m3，再结合权重表w，得到用户手机号码在各个商品分类下的各个特征值得权重分布，根据权重分布推导小区总体用户的具体特征值；
广告投放模块用于根据小区总体用户特征数据，以及整体用户购买商品所属分类的分布数量，决定投放与广告受众匹配的广告，同时可以根据不同小区的总的快递包裹数量、周期性用户平均快递包裹数量决定投放广告与否。
进一步，用户特征包括用户性别、年龄、婚姻状况、收入水平和学历。
进一步，所述商品分类c的集合{c1, c2, …cj}，用户特征f的集合{f1, f2…fn}，每个特征f有自己可枚举的特征值v的集合{v1, v2, …vn}，建立一个权重表w：{c1-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}, c2-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}…cj-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}}。
楼宇广告精准投放系统的投放方法，包括以下步骤：
1）通过商品分类与用户特征预设模块设定商品分类c，每个商品分类c对应的用户特征f集合{f1, f2…fn}，每个用户特征f有自己可枚举的特征值v的集合{v1, v2, …vn}，建立一个权重表w：{c1-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}, c2-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}…cj-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}}；
2）通过楼宇智能快递柜存取件数据采集模块采集所在小区内各个智能快递柜终端内存储的快递包裹数据，得到用户手机号码m收到的总包裹数量p，一个手机号码代表一个真实用户，当用户手机号码对相应的包裹数量p≥1时，记录用户手机号码与快递单号的映射关系，得出所有用户手机号码与快递单号的映射表m1；
3）通过用户订单数据采集模块根据快递单号获取用户在第三方电商平台产生的订单商品分类集合，建立快递单号到商品分类集合的映射集合m2；所述订单商品分类集合通过第三方电商平台直接获得；
4）所述用户特征识别模块利用所述楼宇智能快递柜存取件数据采集模块中得到的m1和所述用户订单数据采集模块得到的m2，建立用户手机号码到商品分类集合的映射m3，即用户购买的商品所属分类集合的映射，再结合所述商品分类与用户特征预设模块中的权重表w，得到用户手机号码在各个商品分类下的各个特征值的权重分布，
5）依次计算用户手机号码对应的每个商品分类下具有相同属性值的和，然后将属于同一个特征下的所有特征值的和进行比较，取特征值之和最大的为用户最终的一个特征值，最终得到所有用户所有特征的具体特征值。当用户有新的快递包裹到达，并且包裹对应商品分类是新增的，则重新计算用户手机号对应的用户的所有特征值；
6）通过广告投放模块根据所述用户特征识别模块得出的小区总体用户特征数据，以及整体用户购买商品所属分类的分布数量，决定投放与广告受众匹配的广告，同时可以根据不同小区的总的快递包裹数量、周期性用户平均快递包裹数量决定投放广告与否。
本发明的优点是：将互联网电商信息与智能快递柜收集的信息结合，精准、实时分析各个小区内用户的购物需求，以此为基础投放广告，提高楼宇广告投放精准度，提升广告效果。
具体实施方式
本发明公开了一种楼宇广告精准投放系统及方法，其具体内容如下：
该系统包括商品分类与用户特征预设模块，楼宇智能快递柜的快递包裹数据采集模块、用户订单数据采集模块、用户特征识别模块和广告投放模块；
所述商品分类与用户特征预设模块建立一个完善的商品分类体系，包括商品分类c的集合{c1, c2, …cj}，用户特征f的集合{f1, f2…fn}，每个特征f有自己可枚举的特征值v的集合{v1, v2, …vn}，建立一个权重表w：{c1-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}, c2-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}…cj-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}};
所述楼宇智能快递柜存取件数据采集模块获取智能快递柜终端所在小区的快递包裹数据，得到用户手机号码m收到的总包裹数量p，一个手机号码代表一个真实用户，当用户手机号码对相应的包裹数量p≥1时，记录用户手机号码与快递单号的映射关系m: {num1, num2, … , nump}，最终得出所有用户手机号码与快递单号的映射表m1: {num1, num2, … , nump}；
所述用户订单数据采集模块根据快递单号获取用户在第三方电商平台产生的订单商品分类集合{c1, c2, …cj}，建立快递单号到商品分类集合的映射集合m2：{num1=cx, num2=cy, … , nump=cz}，x、y和z都在1到j的范围内取值；
所述用户特征识别模块利用所述楼宇智能快递柜存取件数据采集模块中得到的m1和所述用户订单数据采集模块得到的m2，建立用户手机号码到商品分类集合的映射m3，即用户购买的商品所属分类集合的映射m：{cx, cy, … ,cz}，再结合所述商品分类与用户特征预设模块中的权重表w，得到用户手机号码在各个商品分类下的各个特征值的权重分布m：{cx-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}, cy-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}, … ,cz-> {f1: {v1 : w1, v2 : w2, …, vn: wn}, f2: {v1 : w1, v2 : w2, …, vn: wn}…fn: {v1 : w1, v2 : w2, …, vn: wn}}}，依次计算用户手机号码对应的每个商品分类下具有相同属性值的和，然后将属于同一个特征下的所有特征值的和进行比较，取特征值之和最大的为用户最终的一个特征值，最终得到所有用户所有特征的具体特征值。当用户有新的快递包裹到达，并且包裹对应商品分类是新增的，则重新计算用户手机号对应的用户的所有特征值。
所述广告投放模块根据所述用户特征识别模块得出的小区总体用户特征数据，以及整体用户购买商品所属分类的分布数量，决定投放与广告受众匹配的广告，同时可以根据不同小区的总的快递包裹数量、周期性用户平均快递包裹数量决定投放广告与否。
实施例1（以南京市浦口区威尼斯水城1期使用结果为例）
商品分类集合： 母婴，男装，食品，3C数码，个护化妆
特征集合： 性别，年龄，婚姻状况，收入水平，学历
商品分类表由电商平台处直接提供获得，特征集合为使用该方法计算者根据实际需要情况设定。以下是计算过程：
分类特征权重表（该表的相关数据源自电商平台处直接提供获得）：
母婴:
性别：{男: 0.26. 女：0.74}
年龄：{19岁及以下: 0.03, 20~29岁: 0.26, 30~39岁: 0.59, 40~49岁: 0.08, 50岁及以上: 0.04}
婚姻状况：{已婚:0.98, 未婚: 0.02}
收入水平：{5000以下：0.2, 5000~10000: 0.4, 10000以上: 0.4}
学历：{本科以上：0.8, 大专：0.1, 高中以下：0.1}
男装：
性别：{男: 0.80, 女: 0.20}
年龄：{19岁及以下: 0.06, 20~29岁: 0.36, 30~39岁: 0.46, 40~49岁: 0.08, 50岁及以上: 0.04}
婚姻状况：{已婚:0.80, 未婚: 0.20}
收入水平：{5000以下：0.6, 5000~10000: 0.3, 10000以上: 0.1}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
食品：
性别：{男：0.43, 女：0.57}
年龄：{19岁及以下: 0.05, 20~29岁: 0.32, 30~39岁: 0.48, 40~49岁: 0.12, 50岁及以上: 0.03}
婚姻状况：{已婚：0.7, 未婚: 0.3}
收入水平：{5000以下：0.6, 5000~10000: 0.3, 10000以上: 0.1}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
3C数码：
性别：{男：0.83, 女：0.17}
年龄：{19岁及以下: 0.05, 20~29岁: 0.36, 30~39岁: 0.45, 40~49岁: 0.10, 50岁及以上: 0.04}
婚姻状况：{已婚：0.7, 未婚: 0.3}
收入水平：{5000以下：0.4, 5000~10000: 0.3, 10000以上: 0.3}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
个护化妆：
性别：{男：0.35, 女：0.65}
年龄：{19岁及以下: 0.11, 20~29岁: 0.37, 30~39岁: 0.39, 40~49岁: 0.10, 50岁及以上: 0.03}
婚姻状况：{已婚：0.4, 未婚: 0.6}
收入水平：{5000以下：0.4, 5000~10000: 0.3, 10000以上: 0.3}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
用户手机号码与包裹单号的映射（该映射内容源自楼宇智能快递柜提供）：
{
15151841484: {BP2188312, BP213213, 888327732427, 783784832842}
13783284238:{23848342, 389432589483, 327847832}
}
建立快递单号到商品分类集合的映射集合m2,：
{
BP2188312: 男装，
BP213213: 母婴,
888327732427: 食品,
783784832842: 3C数码,
23848342: 母婴,
389432589483: 食品，
327847832：个护化妆
}
建立用户手机号码到商品分类集合的映射m3:
{
15151841484: { 男装, 母婴, 食品, 3C数码},
13783284238: {母婴,食品, 个护化妆}
}
计算每个用户在各个特征值下的权重
15151841484: { 男装, 母婴, 食品, 3C数码} =>
15151841484: {
男装:{
性别：{男：0.73, 女：0.27}
年龄：{19岁及以下: 0.05, 20~29岁: 0.32, 30~39岁: 0.48, 40~49岁: 0.12, 50岁及以上: 0.03}
婚姻状况：{已婚：0.7, 未婚: 0.3}
收入水平：{5000以下：0.6, 5000~10000: 0.3, 10000以上: 0.1}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
}
母婴: {
性别：{男: 0.26. 女：0.74}
年龄：{19岁及以下: 0.03, 20~29岁: 0.26, 30~39岁: 0.59, 40~49岁: 0.08, 50岁及以上: 0.04}
婚姻状况：{已婚:0.98, 未婚: 0.02}
收入水平：{5000以下：0.2, 5000~10000: 0.4, 10000以上: 0.4}
学历：{本科以上：0.8, 大专：0.1, 高中以下：0.1}
}
食品： {
性别：{男：0.43, 女：0.57}
年龄：{19岁及以下: 0.05, 20~29岁: 0.32, 30~39岁: 0.48, 40~49岁: 0.12, 50岁及以上: 0.03}
婚姻状况：{已婚：0.7, 未婚: 0.3}
收入水平：{5000以下：0.6, 5000~10000: 0.3, 10000以上: 0.1}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
}
3C数码： {
性别：{男：0.83, 女：0.17}
年龄：{19岁及以下: 0.05, 20~29岁: 0.36, 30~39岁: 0.45, 40~49岁: 0.10, 50岁及以上: 0.04}
婚姻状况：{已婚：0.7, 未婚: 0.3}
收入水平：{5000以下：0.4, 5000~10000: 0.3, 10000以上: 0.3}
学历：{本科以上：0.7, 大专：0.2, 高中以下：0.1}
}
}
=>1515184148:
性别：{男:0.73 + 0.26 + 0.43 + 0.83=2.25女：0.27 + 0.74 + 0.57 + 0.17=1.75}
年龄：{19岁及以下: 0.05 + 0.03 + 0.05 + 0.05=0.18, 20~29岁: 0.32+0.26+0.32+0.36=1.26, 30~39岁: 0.48+0.59+0.48+0.45=2, 40~49岁: 0.12+0.08+0.12+0.10=0.42, 50岁及以上: 0.03+0.04+0.03+0.04=0.14}
婚姻状况：{已婚:0.7+0.98+0.7+0.7=3.08, 未婚:0.3+0.02 + 0.3+0.3=0.92}
收入水平：{5000以下：0.6+0.2+0.6+0.4=1.8, 5000~10000: 0.3+0.4+0.3+0.2=1.2, 10000以上: 0.4=0.1+0.4+0.1+0.3=0.9}
学历：{本科以上：0.7+0.8+0.7+0.7=2.9, 大专：0.2+0.1+0.2+0.2=0.7, 高中以下：0.1+0.1+0.1+0.1=0.4}
取每个属性里最高值的一个
=>1515184148:
性别：男 (2.25)
年龄：30~39岁(2)
婚姻状况：已婚(3.08)
收入水平：5000以下(1.8)
学历：本科以上(2.9)
依次计算所有用户
=>13783284238:
性别：女 (2.15)
年龄：30~39岁(2.1)
婚姻状况：已婚(3.0)
收入水平：5000~10000(1.8)
学历：本科以上(2.8)
=>15234234324:
性别：男 (1.15)
年龄：20~29岁(2.1)
婚姻状况：未婚(3.0)
收入水平：5000~10000(1.8)
学历：本科以上(2.8)
根据所有用户的特征，得出小区的总体用户特征：
男：66% 女: 33%
年龄：19岁及以下：0%, 20~29岁: 33%, 30~39岁：67%, 40~49岁: 0%, 50岁及以上: 0%
婚姻状况：已婚：67%, 未婚: 33%
收入水平：{5000以下：33%, 5000~10000: 67%, 10000以上: 0%}
学历：本科以上：100%, 大专：0%, 高中以下：0%。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。