广告智能推荐方法、服务器及存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种广告智能推荐方法、服务器及计算机可读存储介质。

背景技术

随着互联网技术的发展，互联网广告已逐步取代传统广告，成为一种重要的广告形式。互联网广告的收益与广告的点击通过率(click-through-rate，ctr)息息相关，ctr是衡量互联网广告效果的一项重要指标，ctr越高，说明广告效果越好。为了提高ctr，需要利用对大数据进行分析，向用户推荐广告，实现对广告的精准投放。

目前，现有的广告推荐方法是广告投放管理平台基于用户的地理位置信息，选择与用户相关且已经制作好的广告，再将选中的广告直接推送给用户。由于并未考虑用户的兴趣，导致广告的点击率不高，用户体验差。

技术实现要素：

鉴于以上内容，本发明提供一种广告智能推荐方法、服务器及计算机可读存储介质，其主要目的在于提高广告推荐精度，提升用户体验度。

为实现上述目的，本发明提供一种广告智能推荐方法，该方法包括：

收集步骤：收集所有用户的历史行为数据，包括用户的基本信息及历史浏览记录；

分类步骤：根据历史行为数据的不同类型，对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表；

标签步骤：根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，为各个用户打上对应的特征标签；

筛选步骤：根据用户的特征标签及广告的预设条件，利用预设的筛选规则对待投放广告进行筛选，得到候选广告集；

统计步骤：统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率；及

打分步骤：根据用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先推荐给用户。

优选地，所述方法还包括：

在用户画像数据维度表内对用户的历史行为数据进行细分，将用户的各个特征标签拆分成多个子特征标签。

优选地，所述预设筛选规则包括：

将广告的预设条件，包括地域定向、性别定向、年龄定向、关键字定向及广告类型定向，依次与用户的特征标签进行匹配，剔除与用户特征标签不匹配的广告，得到候选广告集。

优选地，所述预设的打分公式为：

y＝a*k1+b*k2+c*k3+d*k4+e*k5

其中，因子a、b、c、d、e分别代表地域、性别、年龄、关键字及广告类型，k1、k2、k3、k4、k5分别代表各个因子对应的权重。

优选地，所述打分步骤包括：

在打分分数相同的情况下，依次根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，对候选广告进行比较，选出与高点击通过率维度相同的候选广告优先排序。

优选地，所述打分步骤包括：

在打分分数相同的情况下，根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，利用预设的权重公式对候选广告进行加权计算，选出综合分值高的候选广告优先排序。

此外，本发明还提供一种服务器，该服务器包括：存储器、处理器及显示器，所述存储器上存储广告智能推荐程序，所述广告智能推荐程序被所述处理器执行，可实现如下步骤：

收集步骤：收集所有用户的历史行为数据，包括用户的基本信息及历史浏览记录；

分类步骤：根据历史行为数据的不同类型，对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表；

标签步骤：根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，为各个用户打上对应的特征标签；

筛选步骤：根据用户的特征标签及广告的预设条件，利用预设的筛选规则对待投放广告进行筛选，得到候选广告集；

统计步骤：统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率；及

打分步骤：根据用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先推荐给用户。

优选地，所述广告智能推荐程序被所述处理器执行，还可实现如下步骤：

在用户画像数据维度表内对用户的历史行为数据进行细分，将用户的各个特征标签拆分成多个子特征标签。

优选地，所述预设的打分公式为：

y＝a*k1+b*k2+c*k3+d*k4+e*k5

其中，因子a、b、c、d、e分别代表地域、性别、年龄、关键字及广告类型，k1、k2、k3、k4、k5分别代表各个因子对应的权重。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括广告智能推荐程序，所述广告智能推荐程序被处理器执行时，可实现如上所述广告智能推荐方法中的任意步骤。

本发明提出的广告智能推荐方法、服务器及计算机可读存储介质，通过收集用户的历史行为数据进行分类，生成不同的用户画像数据维度表，并根据用户历史行为数据与所述用户画像数据维度表的对应关系，给用户打上对应的特征标签。之后，根据用户的特征标签及广告的预设条件，利用预设的筛选规则对投放广告进行筛选，得到候选广告集。最后，统计用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先向用户推荐，从而为用户智能推送感兴趣的广告，更好地实现广告效果。

附图说明

图1为本发明服务器较佳实施例的示意图；

图2为图1中广告智能推荐程序较佳实施例的模块示意图；

图3为图2中程序模块的应用环境示意图；

图4为图2或图3中筛选模块的筛选流程示意图；

图5为本发明广告智能推荐方法较佳实施例的流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，是本发明服务器1较佳实施例的示意图。

在本实施例中，服务器1是指产品服务平台，该服务器1可以是服务器、平板电脑、个人电脑、便携计算机以及其它具有运算功能的电子设备。

该服务器1包括：存储器11、处理器12、显示器13、网络接口14及通信总线15。其中，网络接口14可选地可以包括标准的有线接口、无线接口(如wi-fi接口)。通信总线15用于实现这些组件之间的连接通信。

存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述存储器11可以是所述服务器1的内部存储单元，例如该服务器1的硬盘。在另一些实施例中，所述存储器11也可以是所述服务器1的外部存储单元，例如所述服务器1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。在本实施例中，所述存储器11不仅可以用于存储安装于所述服务器1的应用软件及各类数据，例如广告智能推荐程序10、特征标签及用户画像数据维度表等。

处理器12在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器或其它数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行广告智能推荐程序10的计算机程序代码等。

显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是led显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(organiclight-emittingdiode，oled)触摸器等。显示器13用于显示在服务器1中处理的信息以及用于显示可视化的工作界面，例如显示各个候选广告的打分及排序。

图1仅示出了具有组件11-15以及广告智能推荐程序10的服务器1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选地，该服务器1还可以包括用户接口，用户接口可以包括输入单元比如键盘(keyboard)、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。

可选地，该服务器1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。用户可以通过触摸所述触控区域启动广告智能推荐程序10。

此外，该电子装置1的显示器的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。

该服务器1还可以包括射频(radiofrequency，rf)电路、传感器和音频电路等等，在此不再赘述。

在图1所示的服务器1实施例中，作为一种计算机存储介质的存储器11中存储广告智能推荐程序10的程序代码，处理器12执行广告智能推荐程序10的程序代码时，实现如下步骤：

收集步骤：收集所有用户的历史行为数据，包括用户的基本信息及历史浏览记录；

分类步骤：根据历史行为数据的不同类型，对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表；

标签步骤：根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，为各个用户打上对应的特征标签；

筛选步骤：根据用户的特征标签及广告的预设条件，利用预设的筛选规则对待投放广告进行筛选，得到候选广告集；

统计步骤：统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率；及

打分步骤：根据用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先推荐给用户。

具体原理请参照下述图2关于广告智能推荐程序10较佳实施例的模块示意图及图5关于广告智能推荐方法较佳实施例的流程图的介绍。

如图2所示，是图1中广告智能推荐程序10较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。

在本实施例中，广告智能推荐程序10包括：收集模块110、分类模块120、标签模块130、筛选模块140、统计模块150及打分模块160，结合图3中程序模块的应用环境示意图，所述模块110-160所实现的功能或操作步骤如下：

收集模块110，用于收集所有用户的历史行为数据。所述历史行为数据是指用户的基本信息及历史浏览记录，如用户浏览网页或者app时的浏览页面、停留时间及浏览项目等数据，该历史行为数据由数据存储平台，如hadoop平台，进行记录、存储的。历史行为数据包括但不限于商城浏览购买数据、问诊医疗数据、用户搜索数据、步步夺金、领金及兑换数据、观看直播数据、浏览头条文章数据等。

分类模块120，用于根据历史行为数据的不同类型，对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表。根据不同的用户业务行为数据，建立不同维度的用户历史行为分类，包括但不限于用户基本信息、商城行为、问诊行为、直播行为步步夺金行为、健康头条行为等。其中，所述基本信息包括但不限于用户地址、性别、地域、生日及体重等。根据不同的用户历史行为分类，生成不同维度的用户画像数据维度表，存入用户画像数据维度库。其中，所述用户画像数据维度表包括但不限于人口统计学信息表、商城浏览购买数据表、问诊医疗数据表、直播表、步步夺金表、健康圈表等。

标签模块130，用于根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，给各个用户打上对应的特征标签。例如，用户k曾经在网站上进行问诊，将该用户的该行为数据映射在问诊医疗数据表上，hive从用户画像数据维度库的用户画像数据维度表中抽取出用户k的行为，并给用户k打上“问诊”标签，存入标签数据库。进一步地，还可以在用户画像数据维度表内对用户的历史行为数据进行细分，将用户的各个特征标签拆分成多个子特征标签。例如，将问诊医疗数据表内用户的历史行为数据细分成多个具体的行为，包括问诊妇科、问诊儿科、问诊皮肤科等等。则“问诊”标签下又细分“妇科”标签、“儿科”标签、“皮肤科”标签。当用户k问诊妇科科室时，既给用户k打上“问诊”标签，又在“问诊”标签下面打上“妇科”子标签。使得用户的刻画更加详细精准。应理解的是，同一个用户可以拥有多个不同的标签，同一个标签也可以刻画不同的用户。

筛选模块140，用于根据用户的特征标签及广告的预设条件，利用预设的筛选规则对待投放广告进行筛选，得到候选广告集。如图4所示，是筛选模块的筛选流程示意图。所述预设的筛选规则包括：将待投放的广告根据广告的预设条件，包括地域定向、性别定向、年龄定向、关键字定向及广告类型定向，依次与用户的特征标签进行匹配，剔除与用户特征标签不匹配的广告，得到候选广告集存入候选广告库。当应理解的是，用户标签中的行为属性并不唯一，例如，用户k的标签包括：商城、问诊、健康，则广告类型为商城、问诊及健康的广告均可以与用户匹配。

统计模块150，用于统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率(click-through-rate，ctr)。其中，ctr＝实际点击次数/广告展示量。所述实时行为数据包括用户当前的行为数据及用户近期的行为数据，如用户k在一周内点击广告的行为数据。

打分模块160，用于根据用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先向用户推荐。所述预设的打分公式为：

y＝a*k1+b*k2+c*k3+d*k4+e*k5

其中，地域、性别、年龄、关键字及广告类型作为打分因子的得分分别表示为a、b、c、d、e，各个因子对应的权重分别表示为k1、k2、k3、k4、k5。具体地，下面以广告类型为例阐述打分过程，用户k近期点击的广告类型，包括：商城、问诊、健康，对应的点击率分别为20％、40％、60％，则某健康头条广告的广告类型因子对应的得分为60％/(20％+40％+60％)*100＝50。其它因子的打分以此类推，从而计算出每个广告对应的因子的得分，并乘以对应的权重，得到该广告对应的得分。假设，a、b、c、d、e对应的得分分别为40、60、80、30、50，对应的权重分别为10％、10％、15％、25％、40％，则对应的打分分数＝40*10％+60*10％+80*15％+30*25％+50*40％＝49.5分。应理解的是，本发明仅提供5个因子对本发明加以解释，但在实际的操作应用中，打分公式所涉及的打分因子包括不限于该5种打分因子，还可以包括其他类型的打分因子。

进一步地，在打分分数相同的情况下，依次根据广告时段、广告形式及广告位置三个维度的用户实时行为数据的点击通过率，对候选广告进行比较，选出与高点击通过率维度相同的候选广告优先排序。其中，所述广告时段是指广告投放的时间段。所述广告形式包括文本广告、图片广告、图文广告及视频广告。所述广告位置是指广告出现在屏幕的位置，如左上角、右下角等。假设，广告m和广告n的打分分数相同，则分析用户在近期内对各个时段的广告的点击通过率，结合广告m和广告n所投放的时间段，若投放广告m的时间段的点击通过率比投放广告n的时间段的点击通过率高，则广告m的排序在广告n之前。假设广告m和广告n所投放的时间段相同，则依次从广告m和广告n的广告形式、广告位置维度进行比较。

在另一个实施例中，在打分分数相同的情况下，还可以根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，利用预设的权重公式对候选广告进行加权计算，选出综合分值高的候选广告优先排序。例如，根据用户的实时行为数据分析广告时段、广告形式及广告位置对广告的点击通过率的影响，计算出广告时段、广告形式和广告位置的权重，再根据广告m和广告n的广告时段、广告形式和广告位置分别计算广告m和广告n的分值，分值大的广告排序在前。

如图5所示，是本发明广告智能推荐方法较佳实施例的流程图。

在本实施例中，处理器12执行存储器11中存储的广告智能推荐程序10的计算机程序时实现广告智能推荐方法包括：步骤s10-步骤s60：

步骤s10，收集模块110收集所有用户的历史行为数据。所述历史行为数据是指用户的基本信息及历史浏览记录，如用户浏览网页或者app时的浏览页面、停留时间及浏览项目等数据，该历史行为数据由数据存储平台，如hadoop平台，进行记录、存储的。历史行为数据包括但不限于商城浏览购买数据、问诊医疗数据、用户搜索数据、步步夺金、领金及兑换数据、观看直播数据、浏览头条文章数据等。例如，从hadoop平台通过日志的方式收集用户k一个月内所浏览网页或app的浏览页面、停留时间及浏览项目等数据。

步骤s20，根据历史行为数据的不同类型，分类模块120对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表。根据不同的用户业务行为，建立不同维度的用户历史行为分类，包括但不限于用户基本信息、商城行为、问诊行为、直播行为步步夺金行为、健康头条行为等。其中，所述基本信息包括但不限于用户地址、性别、地域、生日及体重等。根据不同的用户历史行为分类，生成不同维度的用户画像数据维度表，存入用户画像数据维度库。其中，所述用户画像数据维度表包括但不限于人口统计学信息表、商城浏览购买数据表、问诊医疗数据表、直播表、步步夺金表、健康圈表等。例如，根据用户k不同的业务行为，使用hive将结构化的行为数据映射为一张数据库表。

步骤s30，根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，标签模块130给每个用户打上对应的特征标签。例如，用户k曾经在网站上进行问诊，将该用户的该行为数据映射在问诊医疗数据表上，hive从用户画像数据维度库的用户画像数据维度表中抽取出用户k的行为，并给用户k打上“问诊”标签，存入标签数据库。进一步地，还可以在用户画像数据维度表内对用户的历史行为数据进行细分，对应地将用户的同一个特征标签拆分成多个子特征标签。例如，将问诊医疗数据表内用户的历史行为数据细分成多个具体的行为，包括问诊妇科、问诊儿科、问诊皮肤科等等。则“问诊”标签下又细分“妇科”标签、“儿科”标签、“皮肤科”标签。当用户k问诊妇科科室时，既给用户k打上“问诊”标签，又在“问诊”标签下面打上“妇科”子标签。使得用户的刻画更加详细精准。应理解的是，同一个用户可以拥有多个不同的标签，同一个标签也可以刻画不同的用户。

步骤s40，根据用户的特征标签及广告的预设条件，筛选模块140利用预设的筛选规则对待投放广告进行筛选，得到候选广告集。如图4所示，是筛选模块的筛选流程示意图。所述预设的筛选规则包括：将待投放的广告根据广告的预设条件，包括地域定向、性别定向、年龄定向、关键字定向及广告类型定向，依次与用户的特征标签进行匹配，剔除与用户特征标签不匹配的广告，得到候选广告集存入候选广告库。例如，用户k的标签中的地域属性为武汉，则广告设定了地域为武汉的广告才能与用户匹配。当应理解的是，用户标签中的行为属性并不唯一，例如，用户k的标签包括：商城、问诊、健康，则广告类型为商城、问诊及健康的广告均可以与用户匹配。

步骤s50，统计模块150统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率(click-through-rate，ctr)。其中，ctr＝实际点击次数/广告展示量。所述实时行为数据包括用户当前的行为数据及用户近期的行为数据，如用户k在一周内点击广告的行为数据。

步骤s60，根据用户的实时行为数据，打分模块160利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先向用户推荐。所述预设的打分公式为：

y＝a*k1+b*k2+c*k3+d*k4+e*k5

其中，地域、性别、年龄、关键字及广告类型作为打分因子的得分分别表示为a、b、c、d、e，各个因子对应的权重分别表示为k1、k2、k3、k4、k5。具体地，下面以广告类型为例阐述打分过程，用户k近期点击的广告类型，包括：商城、问诊、健康，对应的点击率分别为20％、40％、60％，则某健康头条广告的广告类型因子对应的得分为60％/(20％+40％+60％)*100＝50。其它因子的打分以此类推，从而计算出每个广告对应的因子的得分，并乘以对应的权重，得到该广告对应的得分。假设，a、b、c、d、e对应的得分分别为40、60、80、30、50，对应的权重分别为10％、10％、15％、25％、40％，则对应的打分分数＝40*10％+60*10％+80*15％+30*25％+50*40％＝49.5分。应理解的是，本发明仅提供5个因子对本发明加以解释，但在实际的操作应用中，打分公式所涉及的打分因子包括不限于该5种打分因子，还可以包括其他类型的打分因子。

进一步地，在打分分数相同的情况下，依次根据广告时段、广告形式及广告位置三个维度的用户实时行为数据的点击通过率，对候选广告进行比较，选出与高点击通过率维度相同的候选广告优先排序。其中，所述广告时段是指广告投放的时间段。所述广告形式包括文本广告、图片广告、图文广告及视频广告。所述广告位置是指广告出现在屏幕的位置，如左上角、右下角等。假设，广告m和广告n的打分分数相同，则分析用户在近期内对各个时段的广告的点击通过率，结合广告m和广告n所投放的时间段，若投放广告m的时间段的点击通过率比投放广告n的时间段的点击通过率高，则广告m的排序在广告n之前。假设广告m和广告n所投放的时间段相同，则依次从广告m和广告n的广告形式、广告位置维度进行比较。

在另一个实施例中，在打分分数相同的情况下，还可以根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，利用预设的权重公式对候选广告进行加权计算，选出综合分值高的候选广告优先排序。例如，根据用户的实时行为数据分析广告时段、广告形式及广告位置对广告的点击通过率的影响，计算出广告时段、广告形式和广告位置的权重，再根据广告m和广告n的广告时段、广告形式和广告位置分别计算广告m和广告n的分值，分值大的广告排序在前。

上述实施例提出的广告智能推荐方法，通过将用户的历史行为数据分类到不同的用户数据维度表，生成对应的用户特征标签，并通过标签对广告进行筛选。接着，根据用户的实时行为数据对筛选后的广告进行打分，并根据打分分数由高到低进行排序，优先向用户推荐排序在前的广告，从而提高广告推荐的精准度，提高用户的点击率，增强广告的效果。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括广告智能推荐程序10，所述广告智能推荐程序10被处理器执行时实现如下操作：

收集步骤：收集所有用户的历史行为数据，包括用户的基本信息及历史浏览记录；

分类步骤：根据历史行为数据的不同类型，对所有用户的历史行为数据进行分类生成不同维度的用户画像数据维度表；

标签步骤：根据不同类型的历史行为数据与不同维度的用户画像数据维度表之间的对应关系，为各个用户打上对应的特征标签；

筛选步骤：根据用户的特征标签及广告的预设条件，利用预设的筛选规则对待投放广告进行筛选，得到候选广告集；

统计步骤：统计用户的实时行为数据，包括用户的基本信息、点击广告的类型及对应的点击通过率；及

打分步骤：根据用户的实时行为数据，利用预设的打分公式对候选广告集中的候选广告打分，根据打分分数对候选广告进行降序排列，将排序靠前的广告优先推荐给用户。

优选地，所述方法还包括：

在用户画像数据维度表内对用户的历史行为数据进行细分，将用户的各个特征标签拆分成多个子特征标签。

优选地，所述预设筛选规则包括：

将广告的预设条件，包括地域定向、性别定向、年龄定向、关键字定向及广告类型定向，依次与用户的特征标签进行匹配，剔除与用户特征标签不匹配的广告，得到候选广告集。

优选地，所述预设的打分公式为：

y＝a*k1+b*k2+c*k3+d*k4+e*k5

其中，因子a、b、c、d、e分别代表地域、性别、年龄、关键字及广告类型，k1、k2、k3、k4、k5分别代表各个因子对应的权重。

优选地，所述打分步骤包括：

在打分分数相同的情况下，依次根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，对候选广告进行比较，选出与高点击通过率维度相同的候选广告优先排序。

优选地，所述打分步骤包括：

在打分分数相同的情况下，根据广告时段、广告形式及广告位置三个维度的用户实时行为数据中的点击通过率，利用预设的权重公式对候选广告进行加权计算，选出综合分值高的候选广告优先排序。

本发明之计算机可读存储介质的具体实施方式与上述广告智能推荐方法的具体实施方式大致相同，在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。