一种结合大数据分析的在线广告推送方法及云服务器

摘要

本发明实施例公开的一种结合大数据分析的在线广告推送方法及云服务器，一方面由于在线广告内容中的热门广告信息均为投放次数相对较多的信息，因此对应的广告人群数据较为稳定，在训练过程中，模型的延用性能较高，从而提升了模型训练的可信度。另一方面，由于广告大数据处理模型训练采用的训练集为基于在线广告内容的多个在线广告信息得到的多维广告投放策略，因此利用上述方式训练得到的模型进行待推送在线广告的在线多媒体平台匹配，能够避免因不同在线广告信息的差异导致的待推送在线广告与在线多媒体平台匹配出错的情况，从而确保待推送在线广告能够在合适的在线多媒体平台进行推送和投放，减少不配的广告推送行为对网络资源的浪费。

说明书

技术领域

本公开涉及大数据和广告推送技术领域，特别涉及一种结合大数据分析的在线广告推送方法及云服务器。

背景技术

随着计算机技术的发展，互联网的普及，数据信息的积累已经到了一个非常庞大的地步。数据信息的增长也在不断的加快，随着互联网、物联网建设的加快，数据信息更是爆炸式地增长。

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。现目前，各类企业能够利用相关大数据分析帮助企业降低成本、提高效率、开发新产品、做出更明智的业务决策等，还可以把数据集合并后进行分析得出的信息和数据关系性、用来察觉商业趋势、判定研究质量、避免疾病扩散、或测定即时交通路况等。

以广告推送为例，通过大数据技术可以实现在线广告在不同平台上的推送，从而提高广告推送的覆盖面。然而相关的在线广告推送技术难以实现在线广告与推送平台的准确匹配，进而难以确保在线广告能够在合适的在线多媒体平台进行推送和投放。

发明内容

为改善相关技术中存在的技术问题，本公开提供了一种结合大数据分析的在线广告推送方法及云服务器。

本发明提供了一种结合大数据分析的在线广告推送方法，应用于与多个在线多媒体平台通信的云服务器，所述方法包括：

对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集；从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集；

通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略；基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息；利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型；

当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

优选地，所述基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息，包括：

利用相同所述目标在线多媒体平台的不同的所述多维广告投放策略确定对应的第一有效广告信息，以及更新所述多维广告投放策略中所述广告投放数据的优先级以得到广告投放更新数据，将所述广告投放更新数据与对应的所述多维广告投放策略确定为第二有效广告信息；

利用不同所述目标在线多媒体平台的所述多维广告投放策略确定对应的所述无效广告信息。

优选地，所述基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息，包括：预先获得所述第一有效广告信息、所述第二有效广告信息和所述无效广告信息；

相应的，所述利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型，包括：将所述第一有效广告信息、所述第二有效广告信息和所述无效广告信息输入预先建立的所述广告大数据处理模型进行训练，得到完成训练的目标模型。

优选地，所述基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息；利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型，包括：

预先获得所述第一有效广告信息和所述无效广告信息；

将所述第一有效广告信息和所述无效广告信息输入预先建立的所述广告大数据处理模型进行训练；

在训练过程中，当达到利用所述第二有效广告信息进行训练的触发条件，则从所述第一有效广告信息或所述无效广告信息中挑选出任一所述多维广告投放策略；

更新该多维广告投放策略中所述广告投放数据的优先级以得到广告投放更新数据，将该广告投放更新数据与对应的所述多维广告投放策略确定为所述第二有效广告信息；

利用当前确定出的所述第二有效广告信息对所述广告大数据处理模型进行训练。

优选地，所述从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集，包括：

基于预设的广告热门程度，确定与所述第一热门广告信息集中所述热门广告信息对应的第一广告投放频率；

将对应于相同所述第一广告投放频率的所述热门广告信息划分至相同热门广告信息子集；

按照预设指示确定出任一所述热门广告信息子集；从确定出的所述热门广告信息子集中按照预设指示筛分出设定数量个所述热门广告信息，或从确定出的所述热门广告信息子集以及所述第一广告投放频率高于该热门广告信息子集的历史投放频率的热门广告信息子集中按照预设指示筛分出设定数量个所述热门广告信息，以得到所述第二热门广告信息集；

相应的，所述通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，包括：

提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据；

将每一所述广告人群数据的投放次数皆转换为当前所述热门广告信息子集对应的所述第一广告投放频率，以得到每一所述热门广告信息各自对应的第一广告投放数据；

将所述第一广告投放数据按照预设指示进行整合，确定为对应的所述多维广告投放策略。

优选地，所述从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集，包括：

从所述第一热门广告信息集中按照预设指示筛分出设定数量个所述热门广告信息以得到所述第二热门广告信息集；

相应的，所述通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，包括：

提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据；

将每一所述广告人群数据的投放次数皆转换为第二广告投放频率，以得到每一所述热门广告信息各自对应的第二广告投放数据；

将所述第二广告投放数据按照预设指示进行整合，确定为对应的所述多维广告投放策略。

优选地，所述将每一所述广告人群数据的投放次数皆转换为第二广告投放频率之前，还包括：

确定出当前所述目标在线多媒体平台的所述第一热门广告信息集的有效投放次数，并将该有效投放次数确定为所述第二广告投放频率；

或，确定出所有所述目标在线多媒体平台的所述第一热门广告信息集的有效投放次数，将该有效投放次数确定为所述第二广告投放频率。

优选地，所述从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集之前，还包括：

从所述第一热门广告信息集中确定出第一设定广告标签对应的第一目标热门广告信息，所述第一目标热门广告信息的投放次数高于所述第一热门广告信息集中的其它热门广告信息的投放次数；

从所述第一热门广告信息集中确定出第二设定广告标签对应的第二目标热门广告信息，所述第二目标热门广告信息的投放次数小于所述第一热门广告信息集中的其它热门广告信息的投放次数；

将所述第一目标热门广告信息和所述第二目标热门广告信息从所述第一热门广告信息集中移除。

优选地，所述当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台，包括：

当获取到待推送在线广告，则利用所述完成训练的目标模型挑选所述待推送在线广告的广告平台匹配数据以得到目标广告平台匹配数据；

利用所述目标广告平台匹配数据与预先建立的广告平台匹配数据集进行匹配，以确定出所述目标广告平台匹配数据对应的在线多媒体平台；其中，所述广告平台匹配数据集包括利用所述完成训练的目标模型对热门广告内容集进行广告内容数据挑选得到的广告平台匹配数据以及相应的在线多媒体平台标识；

所述当获取到待推送在线广告，则利用所述完成训练的目标模型挑选所述待推送在线广告的广告平台匹配数据以得到目标广告平台匹配数据，包括：

获取所述待推送在线广告对应的所述多维广告投放策略以得到目标多维广告投放策略和/或更新所述目标多维广告投放策略中所述广告投放数据的优先级以得到目标广告投放更新数据；

利用所述完成训练的目标模型挑选多个所述目标多维广告投放策略和/或多个所述目标多广告投放更新数据的广告平台匹配数据；

确定出挑选到的所述广告平台匹配数据的满足时效性要求的数据以得到所述目标广告平台匹配数据。

本发明还提供了一种云服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。

本公开的实施例提供的技术方案可以包括以下有益效果。

可以理解的是，本申请先对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集，并从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集，之后通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，以及基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息，然后利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型，当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

也即，本申请先提取目标在线多媒体平台的在线广告内容的热门广告信息，然后筛分出设定数量的热门广告信息，之后通过提取筛分出的每一热门广告信息的广告人群数据，获取每一热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，基于多维广告投放策略进行广告大数据处理模型的训练。这样，一方面由于在线广告内容中的热门广告信息均为投放次数相对较多的信息，因此对应的广告人群数据较为稳定，在训练过程中，模型的延用性能较高，从而提升了模型训练的可信度。另一方面，由于广告大数据处理模型训练采用的训练集为基于在线广告内容的多个在线广告信息得到的多维广告投放策略，因此利用上述方式训练得到的模型进行待推送在线广告的在线多媒体平台匹配，能够避免因不同在线广告信息的差异导致的待推送在线广告与在线多媒体平台匹配出错的情况，从而确保待推送在线广告能够在合适的在线多媒体平台进行推送和投放，减少不配的广告推送行为对网络资源的浪费。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种云服务器的硬件结构示意图。

图2是本发明实施例提供的一种结合大数据分析的在线广告推送系统的通信架构示意图。

图3是本发明实施例提供的一种结合大数据分析的在线广告推送方法的流程图。

图4是本发明实施例提供的一种结合大数据分析的在线广告推送装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在云服务器、计算机设备或者类似的运算装置中执行。以运行在云服务器上为例，图1是本发明实施例的实施结合大数据分析的在线广告推送方法的云服务器的硬件结构框图。如图1所示，云服务器10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述云服务器还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述云服务器的结确定成限定。例如，云服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的结合大数据分析的在线广告推送方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至云服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括云服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

当前，基于广告大数据处理的在线多媒体平台的广告推送匹配通常是提取在线广告内容中广告内容相对较多的在线广告信息，然后挑选在线广告信息的关键字词等数据，然后将挑选到的关键字词等数据输入广告大数据处理网络进行训练学习，得到完成训练的目标模型以进行待推送在线广告的在线多媒体平台匹配，然而基于在线广告内容中广告内容相对较多的在线广告信息进行训练学习，一方面用于训练的关键字词等数据的数据噪声较多，这样会导致数据特征处理和匹配的效率降低，从而影响了模型的延用性能，另一方面，完成训练的模型在多媒体平台的广告推送匹配的过程中，在线广告内容的不同信息之间的差异难以确保广告推送和多媒体平台的准确配对。为此，本申请提供了一种结合大数据分析的在线广告推送方法，能够提升模型的延用性能以及确保待推送在线广告能够在合适的在线多媒体平台进行推送和投放。

本申请的结合大数据分析的在线广告推送方法中，采用的系统框架具体可以参见图2所示，该系统框架具体可以包括：云服务器10和与云服务器10建立通信连接的若干个在线多媒体平台20。其中，在线多媒体平台20包括但不限于流媒体平台或者数字媒体平台，此处不做限定。

本申请中，云服务器10执行结合大数据分析的在线广告推送方法的步骤，包括对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集；从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集；通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略；基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息；利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型；当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

可以理解的是，本申请提供的结合大数据分析的在线广告推送方法具体可以应用于广告推送应用的在线多媒体平台匹配场景，广告推送应用通常具有在线多媒体平台选择功能，通过对在线多媒体平台进行选择能够帮助广告推送方更快且更准确地匹配到合适的在线多媒体平台。由于在线广告的数量相对较大，在对待推送的在线广告进行在线多媒体平台选择的过程中，云服务器可以执行前述结合大数据分析的在线广告推送方法的步骤，利用一部分在线广告内容进行模型训练，然后利用完成训练的目标模型对剩余在线广告进行待推送在线广告的在线多媒体平台匹配，从而实现在线广告与在线多媒体平台的匹配，并可以将匹配结果在在线多媒体平台中进行输出或者记录。广告推送方可以通过对应的交互设备查看待推送在线广告与在线多媒体平台的匹配结果，比如查看“待推送在线广告ad1”，由此进入“待推送在线广告ad1”所匹配的在线多媒体平台对应的统计列表。

参见图3所示，本申请实施例公开了一种结合大数据分析的在线广告推送方法，具体包括：

S11、对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集。

对于一些可能的实施例而言，可以通过分类器模型，或基于历史提取结果的深度学习策略，或根据人工标记选择的待处理广告信息等算法进行热门广告信息的提取，得到目标在线多媒体平台的第一热门广告信息集。

进一步的，本实施例可以从所述第一热门广告信息集中确定出第一设定广告标签对应的第一目标热门广告信息，所述第一目标热门广告信息的投放次数高于所述第一热门广告信息集中的其它热门广告信息的投放次数；从所述第一热门广告信息集中确定出第二设定广告标签对应的第二目标热门广告信息，所述第二目标热门广告信息的投放次数小于所述第一热门广告信息集中的其它热门广告信息的投放次数；将所述第一目标热门广告信息和所述第二目标热门广告信息从所述第一热门广告信息集中剔除。

需要说明的是，为了校正热门广告信息提取算法引入的信息噪声以及重复广告信息，本实施例可以对目标在线多媒体平台的第一热门广告信息集进行投放次数统计分析，通常每个在线多媒体平台的热门广告信息的投放次数大致服从高斯分布。可以理解的是，提取得到的热门广告信息相对较多或者较少可能是由于热门广告信息提取算法的信息噪声所造成的，并且，在重复广告信息筛选的过程中，由于对时长较短的热门广告信息为保留操作，如果进行过多的保留操作，则会引入信息噪声，影响模型的延用性能，而对较多热门广告信息为待验证热门广告。因此，为了校正热门广告信息提取算法引入的信息噪声以及在重复广告信息筛选过程中避免过多的重复广告查询操作，可以过滤第一热门广告信息集中第一设定广告标签对应的时长较长的热门广告信息以及第二设定广告标签对应的时长较短的热门广告信息。比如，过滤投放次数超过第一热门广告信息集中x%热门广告信息的热门广告信息以及过滤投放次数短于第一热门广告信息集中y%热门广告信息的热门广告信息。

S12、从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集。

S13、通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

需要说明的是，在深度学习中，分类匹配处理的热门广告信息有“投放意图”概念。因此，本实施例可以基于不同的广告投放意图将热门广告信息组合为多维广告投放策略，即将多个热门广告信息的广告人群数据组成多维广告投放策略，进行训练。

对于一些可能的实施例而言，可以直接从所述第一热门广告信息集中按照预设指示筛分出设定数量个所述热门广告信息以得到所述第二热门广告信息集，然后提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，将每一所述广告人群数据的投放次数皆转换为第二广告投放频率，以得到每一所述热门广告信息各自对应的第二广告投放数据，之后将所述第二广告投放数据按照预设指示进行整合，确定为对应的所述多维广告投放策略。

其中，所述将每一所述广告人群数据的投放次数皆转换为第二广告投放频率的具体过程包括：若所述广告人群对应的广告投放频率大于所述第二广告投放频率，则从所述广告人群数据中提取出所述第二广告投放频率的数据，若所述广告人群对应的投放次数小于所述第二广告投放频率，则对所述广告人群数据进行保留操作以得到第二广告投放频率的数据。

在一种可替换的实施例中，可以确定出当前所述目标在线多媒体平台的所述第一热门广告信息集的有效投放次数，并将该有效投放次数确定为所述第二广告投放频率。

在另外一些实施例中，可以确定出所有所述目标在线多媒体平台的所述第一热门广告信息集的有效投放次数，将该有效投放次数确定为所述第二广告投放频率。

也即，本实施例可以对多个目标在线多媒体平台的在线广告内容执行上述S11至S13的操作，以确定每个目标在线多媒体平台对应的多维广告投放策略。并且，可以利用每个目标在线多媒体平台的多个在线广告内容确定对应的多维广告投放策略，这样，可以确保多维广告投放策略在待推送在线广告和在线多媒体平台的匹配过程中作为决策依据的可信度。

例如，先确定出所有目标在线多媒体平台的第一热门广告信息集的有效投放次数，将该有效投放次数确定为第二广告投放频率F即在特定时长内广告投放的次数，以及直接从当前待确定多维广告投放策略的目标在线多媒体平台的第一热门广告信息集中按照预设指示筛分出k个热门广告信息以得到所述第二热门广告信息集，然后提取第二热门广告信息集中每一热门广告信息的广告特征片段character，设广告特征片段character对应的特征分类器Classifier的数量为M，将每一广告特征片段character的投放次数皆转换为第二广告投放频率F，然后将k个热门广告信息的广告特征片段character按照预设指示进行整合，确定为特征矩阵为（M，F，k）的多维广告投放策略。

并且，在一种可替换的实施例中，可以通过提取每一热门广告信息的点击量数据，获取每一热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

需要说明的是，本申请实施例为按照预设指示筛分出设定数量个热门广告信息以确定对应的多维广告投放策略，这样，对于相同热门广告内容的热门广告信息可多次按照预设指示组合，便于广告资源的有效扩展，进而提高热门广告信息的处理效率。

S14、基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息。

比如，有效广告信息可以理解为在设定时段存在点击量、后续浏览操作或者咨询操作的广告信息，而无效广告信息则可以理解为在设定时段不存在点击量的广告信息。

S15、利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

需要说明的是，本实施例可以采用广告大数据标签处理的方法进行广告平台匹配数据挑选。可以理解为，将来自相同在线多媒体平台的广告信息标记为1，将来自不同在线多媒体平台的广告信息标记为0，通过学习相同在线多媒体平台的相似性和不同广告平台匹配数据的差异性，挑选到能作为在线多媒体平台的广告匹配判别依据的目标广告信息。

对于一些可能的实施例而言，可以利用相同所述目标在线多媒体平台的不同的所述多维广告投放策略确定对应的第一有效广告信息，以及利用不同所述目标在线多媒体平台的所述多维广告投放策略确定对应的所述无效广告信息，然后利用所述第一有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

进一步的，本实施例可以基于广告大数据标签处理技术中的热图分析或用户行为分析（知识图谱）训练方法，以热图分析训练方法为例，利用相同目标在线多媒体平台的两个不同多维广告投放策略确定对应的第一有效广告信息Effective advertisement，利用不同的目标在线多媒体平台的两个多维广告投放策略确定对应的无效广告信息Invalidadvertisement，将Effective advertisement标记为1，Invalid advertisement标记为0，进行训练，得到完成训练的目标模型。

其中，本实施例可以利用前馈神经网络作为基本构成，预先建立的所述广告大数据处理模型，可以理解的是，因为热门广告信息对应的特征矩阵的矩阵描述值较小，因此后续的广告信息处理的效率较高，进而能够提升模型训练的速率。

S16、当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

对于一些可能的实施例而言，可以利用完成训练的目标模型挑选待推送在线广告对应的广告平台匹配数据，进而识别出对应的在线多媒体平台。

可以理解的是，本申请实施例先对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集，并从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集，之后通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，以及基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息，然后利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型，当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

也即，本申请实施例先提取目标在线多媒体平台的在线广告内容的热门广告信息，然后筛分出设定数量的热门广告信息，之后通过提取筛分出的每一热门广告信息的广告人群数据，获取每一热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，基于多维广告投放策略进行广告大数据处理模型的训练。

这样，一方面由于在线广告内容中的热门广告信息均为投放次数相对较多的信息，因此对应的广告人群数据较为稳定，在训练过程中，模型的延用性能较高，从而提升了模型训练的可信度。

另一方面，由于广告大数据处理模型训练采用的训练集为基于在线广告内容的多个在线广告信息得到的多维广告投放策略，因此利用上述方式训练得到的模型进行待推送在线广告的在线多媒体平台匹配，能够避免因不同在线广告信息的差异导致的待推送在线广告与在线多媒体平台匹配出错的情况，从而确保待推送在线广告能够在合适的在线多媒体平台进行推送和投放，减少不配的广告推送行为对网络资源的浪费。

基于同样的发明构思，本申请实施例公开了一种具体的结合大数据分析的在线广告推送方法，具体包括：

S21、对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集。

S22、基于预设的广告热门程度，确定与所述第一热门广告信息集中所述热门广告信息对应的第一广告投放频率。

S23、将对应于相同所述第一广告投放频率的所述热门广告信息划分至相同热门广告信息子集。

S24、按照预设指示确定出任一所述热门广告信息子集。

S25、从确定出的所述热门广告信息子集中按照预设指示筛分出设定数量个所述热门广告信息，或从确定出的所述热门广告信息子集以及所述第一广告投放频率高于该热门广告信息子集的历史投放频率的热门广告信息子集中按照预设指示筛分出设定数量个所述热门广告信息，以得到所述第二热门广告信息集。

对于一些可能的实施例而言，本申请实施例可以基于所述第一热门广告信息集中全部所述热门广告信息的投放次数，确定所述第一广告投放频率与热门广告信息的投放次数的广告热门程度，然后基于确定好的广告热门程度，确定与所述第一热门广告信息集中所述热门广告信息对应的第一广告投放频率。例如，根据第一热门广告信息集中全部所述热门广告信息的投放次数分布情况，确定出若干投放次数权重以得到对应的所述第一广告投放频率，比如，f1，f2，f3等，将对应于相同所述第一广告投放频率的所述热门广告信息划分至相同热门广告信息子集。比如，投放次数为n1，n2的热门广告信息对应第一广告投放频率f1，将投放次数为n1，n2的热门广告信息划分到相同热门广告信息子集，该热门广告信息子集对应的第一广告投放频率为f1。相应的，可以得到其他第一广告投放频率对应的热门广告信息子集。

也即，本申请实施例可以按照热门广告信息的投放次数分布情况，将热门广告信息对应的投放次数量化为若干个批次，据此将热门广告信息归类到不同的投放次数组以得到不同的热门广告信息子集。按照预设指示选取一个投放次数组，即选取一个热门广告信息子集。从该投放次数组，或该投放次数组以及投放次数高于该投放次数组的组中按照预设指示筛分设定数量个所述热门广告信息，以得到所述第二热门广告信息集。

S26、通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

对于一些可能的实施例而言，本实施例可以提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据；将每一所述广告人群数据的投放次数皆转换为当前所述热门广告信息子集对应的所述第一广告投放频率，以得到每一所述热门广告信息各自对应的第一广告投放数据；将所述第一广告投放数据按照预设指示进行整合，确定为对应的所述多维广告投放策略。

例如，从确定出的热门广告信息子集中按照预设指示筛分出k个热门广告信息以得到所述第二热门广告信息集，然后提取第二热门广告信息集中每一热门广告信息的广告特征片段character，设广告特征片段character对应的特征分类器Classifier个数为M，将每一广告特征片段character的投放次数皆转换为当前热门广告信息子集对应的第一广告投放频率A，然后将k个热门广告信息的广告特征片段character按照预设指示进行整合，确定特征矩阵为（M，A，k）的多维广告投放策略。

S27、基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息。

S28、利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

S29、当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

可以理解的是，本申请实施例中将对应于相同第一广告投放频率的热门广告信息划分至相同热门广告信息子集，在筛分热门广告信息时，先按照预设指示确定出任一热门广告信息子集，然后从确定出的热门广告信息子集中按照预设指示筛分出设定数量个热门广告信息以得到第二热门广告信息集，相应的，在进行广告人群投放次数分类的过程中，将每一广告人群数据的投放次数皆转换为当前热门广告信息子集对应的第一广告投放频率，由于热门广告信息是按照对应的第一广告投放频率划分相同热门广告信息子集的，这样，提高了对热门广告信息的处理效率，以及减少了对热门广告信息进行划分时出现错误的情况，进而提升了模型的延用性能。并且，从确定出的所述热门广告信息子集以及所述第一广告投放频率高于该热门广告信息子集的历史投放频率的热门广告信息子集中按照预设指示筛分出设定数量个所述热门广告信息，以得到所述第二热门广告信息集，在进行广告人群投放次数分类的过程中，将每一广告人群数据的投放次数皆转换为当前按照预设指示筛分出的热门广告信息子集对应的第一广告投放频率，能够进一步的减少对热门广告信息进行划分时出现错误的情况。

对于一些可能的实施例而言，本申请实施例公开了一种具体的结合大数据分析的在线广告推送方法，包括：

S31、对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集。

S32、从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集。

S33、通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

S34、利用相同所述目标在线多媒体平台的不同的所述多维广告投放策略确定对应的第一有效广告信息，以及更新所述多维广告投放策略中所述广告投放数据的优先级以得到广告投放更新数据，将所述广告投放更新数据与对应的所述多维广告投放策略确定为第二有效广告信息，利用不同所述目标在线多媒体平台的所述多维广告投放策略确定对应的所述无效广告信息。

S35、利用所述第一有效广告信息、所述第二有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

在一种具体的实施方式中，本实施例可以预先获得所述第一有效广告信息、所述第二有效广告信息和所述无效广告信息，然后将所述第一有效广告信息、所述第二有效广告信息和所述无效广告信息输入预先建立的所述广告大数据处理模型进行训练，得到完成训练的目标模型。

例如，基于热图分析训练方法，利用相同目标在线多媒体平台的两个不同多维广告投放策略确定对应的第一有效广告信息Effective advertisement，利用不同的目标在线多媒体平台的两个多维广告投放策略确定对应的无效广告信息Invalidadvertisement，并且，选择出待广告投放更新的多维广告投放策略，更新选择出的多维广告投放策略中广告投放数据的优先级以得到广告投放更新数据，将广告投放更新数据与对应的多维广告投放策略确定为第二有效广告信息AD。

在另一种具体的实施方式中，本实施例可以预先获得所述第一有效广告信息和所述无效广告信息，然后将所述第一有效广告信息和所述无效广告信息输入预先建立的所述广告大数据处理模型进行训练；在训练过程中，当达到利用所述第二有效广告信息进行训练的触发条件，则从所述第一有效广告信息或所述无效广告信息中挑选出任一所述多维广告投放策略；更新该多维广告投放策略中所述广告投放数据的优先级以得到广告投放更新数据，将该广告投放更新数据与对应的所述多维广告投放策略确定为所述第二有效广告信息；利用当前确定出的所述第二有效广告信息对所述广告大数据处理模型进行训练。

对于一些可能的实施例而言，训练使用的广告信息轮流使用第一有效广告信息和第二有效广告信息，当需要第二有效广告信息进行训练时，确定对应的第二有效广告信息。也即，对于一些可能的实施例而言，可以在训练前确定包括广告投放更新数据的第二有效广告信息，也可以在训练过程中确定包括广告投放更新数据的第二有效广告信息。

S36、当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

可以理解的是，本申请实施例建立的有效广告信息不仅包括利用相同目标在线多媒体平台的不同的多维广告投放策略确定的第一有效广告信息，还包括更新所述多维广告投放策略中所述广告投放数据的优先级以得到广告投放更新数据，利用所述广告投放更新数据与对应的所述多维广告投放策略确定的第二有效广告信息，利用这样的有效广告信息以及不同目标在线多媒体平台对应的所述无效广告信息进行训练学习，使模型学习能够分为广告投放更新的在线多媒体平台相关性训练学习以及在线多媒体平台的广告大数据的推送反馈性训练学习两部分交替进行。这样一来，使模型学习到相同批次的广告内容/信息，并能够按照预设指示打乱广告投放顺序所对应的随机性，以及相同的广告平台匹配数据和不同的广告平台匹配数据的差异性。如此，避免了得到的完成训练的目标模型的广告平台匹配数据挑选与多维广告投放策略的广告投放优先级之间的过拟合，并且，通过进行广告投放更新处理，能够实现广告资源的有效扩展，进一步提升了模型的延用性能，从而提升了在线多媒体平台的广告推送匹配的准确度。

在上述内容的基础上，本申请实施例公开了一种具体的结合大数据分析的在线广告推送方法，包括：

S41、对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集。

S42、从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集。

S43、通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

S44、基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息。

S45、利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

S46、当获取到待推送在线广告，则利用所述完成训练的目标模型挑选所述待推送在线广告的广告平台匹配数据以得到目标广告平台匹配数据。

对于一些可能的实施例而言，本实施例可以获取所述待推送在线广告对应的所述多维广告投放策略以得到目标多维广告投放策略和/或更新所述目标多维广告投放策略中所述广告投放数据的优先级以得到目标广告投放更新数据；利用所述完成训练的目标模型挑选多个所述目标多维广告投放策略和/或多个所述目标多广告投放更新数据的广告平台匹配数据；确定出挑选到的所述广告平台匹配数据的满足时效性要求的数据以得到所述目标广告平台匹配数据。

S47、利用所述目标广告平台匹配数据与预先建立的广告平台匹配数据集进行匹配，以确定出所述目标广告平台匹配数据对应的在线多媒体平台；其中，所述广告平台匹配数据集包括利用所述完成训练的目标模型对热门广告内容集进行广告内容数据挑选得到的广告平台匹配数据以及相应的在线多媒体平台标识。

也即，本申请实施例可以在模型应用阶段，按照前述S41至S43的内容获取待推送在线广告的多维广告投放策略，或者进一步进行广告投放更新，得到广告投放更新数据，然后利用本实施例的完成训练的目标模型挑选广告平台匹配数据后取满足时效性的数据作为目标广告平台匹配数据。通过比对该目标数据与预设数据库中已存在广告平台匹配数据的相似性，比如欧式距离，以进行待推送在线广告的在线多媒体平台匹配。

可以理解的是，本申请实施例在模型应用阶段，利用完成训练的目标模型对待推送在线广告的多个多维广告投放策略和/或多个所述目标多广告投放更新数据挑选广告平台匹配数据，然后确定出满足时效性要求的数据以得到所述目标广告平台匹配数据，能够提升利用目标广告平台匹配数据与预先建立的广告平台匹配数据集进行匹配的准确度，并且，广告平台匹配数据集中的广告平台匹配数据为利用所述完成训练的目标模型对热门广告内容集进行广告内容数据挑选得到的广告平台匹配数据，进一步提升了在线多媒体平台的广告推送匹配的准确度。

可以理解的是，本申请实施例先对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集，并从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集，之后通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，以及基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息，然后利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型，当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

也即，本申请实施例先提取目标在线多媒体平台的在线广告内容的热门广告信息，然后筛分出设定数量的热门广告信息，之后通过提取筛分出的每一热门广告信息的广告人群数据，获取每一热门广告信息各自对应的广告投放数据，以得到多维广告投放策略，基于多维广告投放策略进行广告大数据处理模型的训练。这样，一方面由于在线广告内容中的热门广告信息均为投放次数相对较多的信息，因此对应的广告人群数据较为稳定，在训练过程中，模型的延用性能较高，从而提升了模型训练的可信度。另一方面，由于广告大数据处理模型训练采用的训练集为基于在线广告内容的多个在线广告信息得到的多维广告投放策略，因此利用上述方式训练得到的模型进行待推送在线广告的在线多媒体平台匹配，能够避免因不同在线广告信息的差异导致的待推送在线广告与在线多媒体平台匹配出错的情况，从而确保待推送在线广告能够在合适的在线多媒体平台进行推送和投放，减少不配的广告推送行为对网络资源的浪费。

在一些选择性的实施例中，在上述步骤“利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台”之后，该方法还可以包括对待推送在线广告的广告反馈数据的挖掘分析，从而实现对待推送在线广告的广告内容的优化处理，进而提高后续的广告推送效率，避免频繁通过在线多媒体平台进行广告推送而占用过多的通信资源，也避免用户端设备频繁地接收广告而影响正常业务的办理。

在上述内容的基础上，在上述步骤“利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台”之后，该方法还可以包括以下内容：将所述待推送在线广告下发至对应的在线多媒体平台，接收所述待推送在线广告对应的在线多媒体平台上传的广告反馈数据，对所述广告反馈数据进行用户意图挖掘得到用户意图挖掘结果，根据所述用户意图挖掘结果对所述待推送在线广告进行广告内容优化。

在一些选择性的实施例中，上述步骤所描述的“对所述广告反馈数据进行用户意图挖掘得到用户意图挖掘结果”，可以包括以下内容：

S51、根据所述广告反馈数据，获取待挖掘的多个用户行为画像信息；其中，所述用户行为画像信息为一个业务用户端获取的一个广告消息的访问深度信息；

S52、分别获取每个用户行为画像信息和历史挖掘画像信息之间的时序类意图倾向；其中，所述时序类意图倾向用于表明每两个画像信息分别对应的画像在时序层面的相关性；所述历史挖掘画像信息为已进行过挖掘的画像信息；

S53、基于所获取的时序类意图倾向，利用预先训练得到的广告群体意图挖掘网络，获得每个用户行为画像信息与所述历史挖掘画像信息是否属于同一广告消息的挖掘结果；其中，所述广告群体意图挖掘网络为利用多个存在分类标记的样本训练得到的模型，所述样本包括两个样本画像信息，所述分类标记用于表示所述两个样本画像信息是否属于同一样本广告消息；

在一种可替换的实施例中，所述多个存在分类标记的样本中还包括：样本画像信息对应的业务交互信息。其中，在所述基于所获取的时序类意图倾向，利用预先训练得到的广告群体意图挖掘网络，获取每个用户行为画像信息与所述历史挖掘画像信息是否属于同一广告消息的挖掘结果之前，所述方法还可以包括：分别获取所述每个用户行为画像信息和所述历史挖掘画像信息的业务交互类意图倾向；其中，所述业务交互类意图倾向用于表明每两个画像信息分别对应的业务交互信息中的广告消息在业务交互层面的相关性。所述基于所获取的时序类意图倾向，利用预先训练得到的广告群体意图挖掘网络，获取每个用户行为画像信息与所述历史挖掘画像信息是否属于同一广告消息的挖掘结果，包括：将所获取的时序类意图倾向和业务交互类意图倾向输入预先训练得到的广告群体意图挖掘网络，获取每个用户行为画像信息与所述历史挖掘画像信息是否属于同一广告消息的挖掘结果。

在一种可替换的实施例中，所述广告群体意图挖掘网络预先采用如下步骤训练得到：获取多个业务用户端采集的多个样本广告消息的访问深度信息；将所述多个样本广告消息的访问深度信息中，每两个画像信息以及每两个画像信息分别对应的业务交互信息作为一个样本，并为该样本标记所述分类标记；获取每个样本的时序类意图倾向和业务交互类意图倾向；利用所述每个样本的时序类意图倾向和业务交互类意图倾向，以及所述每个样本的分类标记，对预设模型进行训练，得到所述广告群体意图挖掘网络。

S54、基于所述挖掘结果，对所述多个用户行为画像信息与所述历史挖掘画像信息中，属于同一广告消息的访问深度信息进行基于时序层面的用户意图挖掘，得到基于时序层面的用户意图挖掘结果。

通过上述步骤S51-S54所描述的方法，能够达到如下有益技术效果：首先根据广告反馈数据确定户行为画像信息，其次基于获取到的用户行为画像信息和历史挖掘画像信息之间的时序类意图倾向，确定每个用户行为画像信息与历史挖掘画像信息是否属于同一广告消息的挖掘结果，然后基于挖掘结果，对同一广告消息的访问深度信息进行基于时序层面的用户意图挖掘，得到用户意图挖掘结果。这样一来，首先确定每个用户行为画像信息与历史挖掘画像信息是否属于同一广告消息的挖掘结果，这样能够为后续进行用户意图挖掘提供有效依据，然后对广告反馈数据进行时序层面的用户意图挖掘，能够有效确保用户意图挖掘结果的准确性。

在上述基础上，请结合图4，本发明还提供了一种结合大数据分析的在线广告推送装置400框图，所述装置包括以下功能模块。

第一信息确定模块410，用于对目标在线多媒体平台的在线广告内容中的热门广告信息进行提取以得到第一热门广告信息集。

第二信息确定模块420，用于从所述第一热门广告信息集中筛分出设定数量个所述热门广告信息以得到第二热门广告信息集。

投放策略生成模块430，用于通过提取所述第二热门广告信息集中每一所述热门广告信息的广告人群数据，获取每一所述热门广告信息各自对应的广告投放数据，以得到多维广告投放策略。

广告信息获取模块440，用于基于所述多维广告投放策略确定相同所述目标在线多媒体平台对应的有效广告信息以及不同所述目标在线多媒体平台对应的无效广告信息。

网络模型训练模块450，用于利用所述有效广告信息和所述无效广告信息，对预先建立的广告大数据处理模型进行训练以得到完成训练的目标模型。

广告推送匹配模块460，用于当获取到待推送在线广告，则利用所述完成训练的目标模型识别出所述待推送在线广告对应的在线多媒体平台。

进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。