基于人工智能的推送要素确定方法、系统及大数据中心

摘要

本申请实施例提供一种基于人工智能的推送要素确定方法、系统及大数据中心，通过对广告接入方的广告接入数据进行特征提取，以获取推送关键要素预测信息，并对历史推送要素信息对应的特征信息和特征提取过程中生成的广告接入数据特征信息进行处理，以获取参考推送要素特征信息；最后根据与推送关键要素预测信息对应的预测推送要素特征信息和参考推送要素特征信息确定目标推送要素集合。如此，能够根据与广告接入方相关的广告接入数据精准预测推送要素集合中的特征，并生成与最新的广告接入记录广告接入过程信息对应的推送要素集合，提高了对当前广告接入方特征的预测准确率，并提高了推送要素集合的精准度，从而提高信息推送的匹配度。

说明书

本申请是申请号202011253979.5、申请日为2020年11月11日、发明创造名称为“基于人工智能的推送要素确定方法、系统及大数据中心”的中国申请的分案申请。

技术领域

本申请涉及基于人工智能的广告推送技术领域，具体而言，涉及一种基于人工智能的推送要素确定方法、系统及大数据中心。

背景技术

在人们的日常生活中，各种广告无处不在，广告市场正在由大众行销转向分众行销，以及产品与消费者不断被细分化的时代，传统媒体的局限性已经无法有效的区分产品的目标受众群。

对于进行广告厂商而言，其广告策略涉及到大量的数据优化，如何提高广告数据接入的精准度，从而提高信息推送的匹配度，是本领域亟待解决的技术问题。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的推送要素确定方法、系统及大数据中心，通过对广告接入方的广告接入数据进行特征提取，以获取推送关键要素预测信息，并对历史推送要素信息对应的特征信息和特征提取过程中生成的广告接入数据特征信息进行处理，以获取参考推送要素特征信息；最后根据与推送关键要素预测信息对应的预测推送要素特征信息和参考推送要素特征信息确定目标推送要素集合。如此，能够根据与广告接入方相关的广告接入数据精准预测推送要素集合中的特征，并生成与最新的广告接入记录广告接入过程信息对应的推送要素集合，提高了对当前广告接入方特征的预测准确率，并提高了推送要素集合的精准度，从而提高信息推送的匹配度。

第一方面，本申请提供一种基于区块链和人工智能的广告数据接入方法，应用于大数据中心，所述大数据中心与多个广告服务终端通信连接，所述方法包括：

通过所述大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程，基于所述广告推送控制进程，获取与广告接入方相关的广告接入数据；

对所述广告接入数据进行特征提取以获取广告接入数据特征信息，并根据所述广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，提取所述推送关键要素预测信息的预测推送要素特征信息；

对历史推送要素信息对应的特征信息及所述广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息；

将所述预测推送要素特征信息和所述参考推送要素特征信息进行融合，以获取第二融合特征信息，对所述第二融合特征信息进行特征分析以获取当前推送要素信息，并根据所述当前推送要素信息和所述历史推送要素信息确定目标推送要素集合，基于所述目标推送要素集合进行广告数据接入后，向所述广告服务推送对应的广告数据。

在第一方面的一种可能的实现方式中，所述对所述广告接入数据进行特征提取以获取广告接入数据特征信息，包括：

对所述广告接入数据中的各类广告接入轨迹数据进行特征提取，以获取多个轨迹特征信息；

将各所述轨迹特征信息进行融合，以获取第一融合特征信息；

对所述第一融合特征信息进行分类处理，以获取所述广告接入数据特征信息。

在第一方面的一种可能的实现方式中，所述广告接入数据包括：历史广告接入记录，以及所述历史广告接入记录中各广告接入过程信息所对应的广告接入标签信息、广告接入交互信息和广告接入方的接入配置信息；

所述对所述广告接入数据中的各类广告接入轨迹数据进行特征提取，以获取多个轨迹特征信息，包括：

对所述历史广告接入记录中各广告接入过程信息进行特征提取，以获取与各所述广告接入过程信息对应的第一轨迹特征信息；

对所述广告接入交互信息进行特征提取以获取广告接入交互特征，并对所述广告接入交互特征进行分类，以获取第二轨迹特征信息；

根据所述广告接入标签信息在广告接入标签查找表中进行索引，以获取第三轨迹特征信息；

根据所述接入配置信息在接入配置查找表中进行索引，以获取第四轨迹特征信息。

在第一方面的一种可能的实现方式中，所述根据所述广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，包括：

对所述广告接入数据特征信息进行分类，以获取广告接入数据分类结果；

对所述广告接入数据分类结果中的每个广告接入分类标签所包括的推送关键要素进行汇集，得到与当前广告接入方对应的推送关键要素预测信息。

在第一方面的一种可能的实现方式中，所述对历史推送要素信息对应的特征信息及所述广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息，包括：

对所述历史推送要素信息进行特征向量提取以获取历史推送要素向量，并对所述历史推送要素向量进行特征提取，以获取历史推送要素特征信息；

对所述历史推送要素特征信息和所述广告接入数据特征信息进行特征提取，并对特征提取后的特征信息进行分类处理，以获取所述参考推送要素特征信息；

其中，所述获取第二融合特征信息还包括：

将所述预测推送要素特征信息、与所述当前广告接入方对应的广告接入配置特征和所述参考推送要素特征信息进行融合，以获取所述第二融合特征信息。

在第一方面的一种可能的实现方式中，所述对所述第二融合特征信息进行特征分析以获取当前推送要素信息，并根据所述当前推送要素信息和所述历史推送要素信息确定目标推送要素集合的步骤，包括：

获取所述第二融合特征信息中每个推送要素所表征的推送内容服务，获取所述推送内容服务的内容服务特征和前n个历史调度广告接入记录对应的源特征信息，n为正整数；

获取所述源特征信息中当前个广告源的广告源配置特征，对所述内容服务特征、所述前n个历史调度广告接入记录对应的源特征信息和所述广告源配置特征进行决策树挖掘处理，得到所述当前个广告源对应的源特征信息；

对所述当前个广告源对应的源特征信息和所述内容服务特征进行决策树挖掘处理，得到所述当前个广告源对应的当前推送要素信息；

将所述当前推送要素信息和所述历史推送要素信息确定为目标推送要素集合。

在第一方面的一种可能的实现方式中，所述对所述内容服务特征、所述前n个历史调度广告接入记录对应的源特征信息和所述广告源配置特征进行决策树挖掘处理，得到所述当前个广告源对应的源特征信息，包括：

获取第i个历史调度广告接入记录对应的第一源特征信息，i为正整数且i的起始值为1；

对所述内容服务特征、所述第一源特征信息和所述广告源配置特征进行决策树挖掘处理，输出第i+1个历史调度广告接入记录对应的第二源特征信息；

重复上述输出所述第二源特征信息的步骤，将第n+1个历史调度广告接入记录对应的第二源特征信息确定为所述当前个广告源对应的源特征信息

所述对所述内容服务特征、所述第一源特征信息和所述广告源配置特征进行决策树挖掘处理，输出第i+1个历史调度广告接入记录对应的第二源特征信息，包括：

调用第j个输出单元对所述内容服务特征、所述第一源特征信息和所述广告源配置特征进行决策树挖掘处理，输出第一特征输出分布信息，所述第一特征输出分布信息是所述第i+1个历史调度广告接入记录对应的分布信息；

对所述第j个输出单元输出的第一特征输出分布信息进行概率估计处理，得到第一概率分类估计分布；

对所述第一概率分类估计分布和所述内容服务特征进行概率估计处理，得到第二概率分类估计分布；

对所述第二概率分类估计分布和所述第i个历史调度广告接入记录对应的第一源特征信息进行概率估计处理，得到第三概率分类估计分布；

对所述第三概率分类估计分布进行概率估计处理，得到第j+1个输出单元输出的第二特征输出分布信息，所述第二特征输出分布信息是所述第i+1个历史调度广告接入记录对应的分布信息，j+1≤k，j为正整数且j的起始值为1；

重复上述输出所述第二特征输出分布信息的步骤，将最后一个输出单元输出的第二特征输出分布信息确定为所述第i+1个历史调度广告接入记录对应的第二源特征信息。

在第一方面的一种可能的实现方式中，所述对所述当前个广告源对应的源特征信息和所述内容服务特征进行决策树挖掘处理，得到所述当前个广告源对应的当前推送要素信息，包括：

获取所述当前个广告源对应的实际推送要素信息中已输出的推送要素的推送要素特征；

对所述当前个广告源对应的源特征信息、所述内容服务特征和所述推送要素特征进行决策树挖掘处理，输出所述当前个广告源对应的当前推送要素信息；

所述对所述当前个广告源对应的源特征信息、所述内容服务特征和所述推送要素特征进行决策树挖掘处理，输出所述当前个广告源对应的当前推送要素信息，包括：

调用第m个挖掘单元对所述当前个广告源对应的源特征信息、所述内容服务特征和所述推送要素特征进行决策树挖掘处理，输出所述当前个广告源对应的第三特征输出分布信息；

对所述第m个挖掘单元输出的第三特征输出分布信息进行中间解码处理，得到第一概率分类估计分布；

对所述第一概率分类估计分布、所述内容服务特征和所述当前个广告源对应的源特征信息进行概率分类估计处理，得到第二概率分类估计分布；

对所述第二概率分类估计分布进行特征提取，得到第m+1个挖掘单元输出的当前个广告源对应的第四特征输出分布信息，m+1≤t，m为正整数且m的起始值为1；

重复上述输出所述第四特征输出分布信息的步骤，将最后一个挖掘单元输出的推送要素确定为所述当前个广告源对应的当前推送要素信息。

在第一方面的一种可能的实现方式中，所述通过所述大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程的步骤，包括：

获取目标广告推送任务的广告推送反馈信息对应的访问者兴趣数据，并基于所述访问者兴趣数据进行人群兴趣点检索；

获取预设数量个人群兴趣点内每个人群兴趣点所对应的人群兴趣点信息，其中，所述人群兴趣点信息包括人群兴趣点覆盖标签、兴趣点广告标签以及访问属性信息，所述人群兴趣点覆盖标签用于人群兴趣点所覆盖的人群标签，所述兴趣点广告标签用于指示所述人群兴趣点的广告关注内容，所述访问属性信息用于指示所述人群兴趣点内的广告访问情况；

根据所述每个人群兴趣点所对应的人群兴趣点信息，生成所述每个人群兴趣点所对应的广告推送优化信息，其中，所述广告推送优化信息用于对广告策略起始信息进行广告投放策略节点优化处理或广告投放策略节点强化处理，所述广告推送优化信息与所述人群兴趣点具有一一对应的关系；

采用所述每个人群兴趣点所对应的广告推送优化信息，对所述每个人群兴趣点所对应的广告策略起始信息进行处理，得到所述每个人群兴趣点所对应的广告策略确认信息，并根据所述每个人群兴趣点所对应的广告策略确认信息，生成通过区块链进行广告推送的广告推送控制进程，其中，所述广告推送优化信息、所述广告策略起始信息以及所述广告策略确认信息具有一一对应的关系；

通过所述大数据中心的广告数据运行进程调用所述广告推送控制进程。

第二方面，本申请实施例还提供一种基于区块链和人工智能的广告数据接入装置，应用于大数据中心，所述大数据中心与多个广告服务终端通信连接，所述装置包括：

调用模块，用于通过所述大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程，基于所述广告推送控制进程，获取与广告接入方相关的广告接入数据；

第一提取模块，用于对所述广告接入数据进行特征提取以获取广告接入数据特征信息，并根据所述广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，提取所述推送关键要素预测信息的预测推送要素特征信息；

第二提取模块，用于对历史推送要素信息对应的特征信息及所述广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息；

确定模块，用于将所述预测推送要素特征信息和所述参考推送要素特征信息进行融合，以获取第二融合特征信息，对所述第二融合特征信息进行特征分析以获取当前推送要素信息，并根据所述当前推送要素信息和所述历史推送要素信息确定目标推送要素集合，基于所述目标推送要素集合进行广告数据接入后，向所述广告服务推送对应的广告数据。

第三方面，本申请实施例还提供一种基于区块链和人工智能的广告数据接入系统，所述基于区块链和人工智能的广告数据接入系统包括大数据中心以及与所述大数据中心通信连接的多个广告服务终端；

所述大数据中心，用于：

通过所述大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程，基于所述广告推送控制进程，获取与广告接入方相关的广告接入数据；

对所述广告接入数据进行特征提取以获取广告接入数据特征信息，并根据所述广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，提取所述推送关键要素预测信息的预测推送要素特征信息；

对历史推送要素信息对应的特征信息及所述广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息；

将所述预测推送要素特征信息和所述参考推送要素特征信息进行融合，以获取第二融合特征信息，对所述第二融合特征信息进行特征分析以获取当前推送要素信息，并根据所述当前推送要素信息和所述历史推送要素信息确定目标推送要素集合，基于所述目标推送要素集合进行广告数据接入后，向所述广告服务推送对应的广告数据。

第四方面，本申请实施例还提供一种大数据中心，所述大数据中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个广告服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于区块链和人工智能的广告数据接入方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于区块链和人工智能的广告数据接入方法。

基于上述任意一个方面，本申请通过对广告接入方的广告接入数据进行特征提取，以获取推送关键要素预测信息，并对历史推送要素信息对应的特征信息和特征提取过程中生成的广告接入数据特征信息进行处理，以获取参考推送要素特征信息；最后根据与推送关键要素预测信息对应的预测推送要素特征信息和参考推送要素特征信息确定目标推送要素集合。如此，能够根据与广告接入方相关的广告接入数据精准预测推送要素集合中的特征，并生成与最新的广告接入记录广告接入过程信息对应的推送要素集合，提高了对当前广告接入方特征的预测准确率，并提高了推送要素集合的精准度，从而提高信息推送的匹配度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的基于区块链和人工智能的广告数据接入系统的应用场景示意图；

图2为本申请实施例提供的基于区块链和人工智能的广告数据接入方法的流程示意图；

图3为本申请实施例提供的基于区块链和人工智能的广告数据接入装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的基于区块链和人工智能的广告数据接入方法的大数据中心的结构组件示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于区块链和人工智能的广告数据接入系统10的交互示意图。基于区块链和人工智能的广告数据接入系统10可以包括大数据中心100以及与大数据中心100通信连接的广告服务终端200。图1所示的基于区块链和人工智能的广告数据接入系统10仅为一种可行的示例，在其它可行的实施例中，该基于区块链和人工智能的广告数据接入系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，基于区块链和人工智能的广告数据接入系统10中的大数据中心100和广告服务终端200可以通过配合执行以下方法实施例所描述的基于区块链和人工智能的广告数据接入方法，具体大数据中心100和广告服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于区块链和人工智能的广告数据接入方法的流程示意图，本实施例提供的基于区块链和人工智能的广告数据接入方法可以由图1中所示的大数据中心100执行，下面对该基于区块链和人工智能的广告数据接入方法进行详细介绍。

步骤S110，通过大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程，基于广告推送控制进程，获取与广告接入方相关的广告接入数据。

例如，可以基于广告推送控制进程确定要接入的广告接入方，然后从广告接入方对应配置的广告服务器中获取其相关的广告接入数据，这些广告接入数据可以用于表征广告接入方在进行广告接入时所涉及到的推送关键元素情况。

步骤S120，对广告接入数据进行特征提取以获取广告接入数据特征信息，并根据广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，提取推送关键要素预测信息的预测推送要素特征信息。

本实施例中，推送关键要素可以是指在进行广告数据接入过程中所涉及到的推送项目（例如某个订单业务的推送项目），推送群体（例如某个订单业务相关联的群体分组）等。

步骤S130，对历史推送要素信息对应的特征信息及广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息。

步骤S140，将预测推送要素特征信息和参考推送要素特征信息进行融合，以获取第二融合特征信息，对第二融合特征信息进行特征分析以获取当前推送要素信息，并根据当前推送要素信息和历史推送要素信息确定目标推送要素集合，基于目标推送要素集合进行广告数据接入后，向广告服务推送对应的广告数据。

本实施例中，在获取到目标推送要素集合后，即可基于目标推送要素集合中的每个推送要素进行广告数据接入后，向广告服务推送对应的广告数据。

基于上述步骤，本实施例通过对广告接入方的广告接入数据进行特征提取，以获取推送关键要素预测信息，并对历史推送要素信息对应的特征信息和特征提取过程中生成的广告接入数据特征信息进行处理，以获取参考推送要素特征信息；最后根据与推送关键要素预测信息对应的预测推送要素特征信息和参考推送要素特征信息确定目标推送要素集合。如此，能够根据与广告接入方相关的广告接入数据精准预测推送要素集合中的特征，并生成与最新的广告接入记录广告接入过程信息对应的推送要素集合，提高了对当前广告接入方特征的预测准确率，并提高了推送要素集合的精准度，从而提高信息推送的匹配度。

在一种可能的实现方式中，针对步骤S120而言，在对广告接入数据进行特征提取以获取广告接入数据特征信息的过程中，可以通过以下示例性的子步骤来实现。

子步骤S121，对广告接入数据中的各类广告接入轨迹数据进行特征提取，以获取多个轨迹特征信息。

子步骤S122，将各轨迹特征信息进行融合，以获取第一融合特征信息。

子步骤S123，对第一融合特征信息进行分类处理，以获取广告接入数据特征信息。

例如，广告接入数据可以包括：历史广告接入记录，以及历史广告接入记录中各广告接入过程信息所对应的广告接入标签信息、广告接入交互信息和广告接入方的接入配置信息。

在子步骤S121中，可以对历史广告接入记录中各广告接入过程信息进行特征提取，以获取与各广告接入过程信息对应的第一轨迹特征信息。

并且，可以对广告接入交互信息进行特征提取以获取广告接入交互特征，并对广告接入交互特征进行分类，以获取第二轨迹特征信息。

同时，可以根据广告接入标签信息在广告接入标签查找表中进行索引，以获取第三轨迹特征信息。

最后，可以根据接入配置信息在接入配置查找表中进行索引，以获取第四轨迹特征信息。

由此，第一轨迹特征信息、第二轨迹特征信息、第三轨迹特征信息以及第四轨迹特征信息可以归结为多个轨迹特征信息。

在一种可能的实现方式中，针对步骤S120而言，在根据广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息的过程中，可以通过以下示例性的子步骤来实现。

子步骤S124，对广告接入数据特征信息进行分类，以获取广告接入数据分类结果。

子步骤S125，对广告接入数据分类结果中的每个广告接入分类标签所包括的推送关键要素进行汇集，得到与当前广告接入方对应的推送关键要素预测信息。

如此，可以提前推送关键要素预测信息中每个预测的推送关键要素的配置信息的有效信息分量，作为参考推送要素特征信息。

在一种可能的实现方式中，针对步骤S130而言，在对历史推送要素信息对应的特征信息及广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息的过程中，可以通过以下示例性的子步骤来实现。

子步骤S131，对历史推送要素信息进行特征向量提取以获取历史推送要素向量，并对历史推送要素向量进行特征提取，以获取历史推送要素特征信息。

子步骤S132，对历史推送要素特征信息和广告接入数据特征信息进行特征提取，并对特征提取后的特征信息进行分类处理，以获取参考推送要素特征信息。

其中，针对步骤S140而言，在获取第二融合特征信息的过程中，具体还可以将预测推送要素特征信息、与当前广告接入方对应的广告接入配置特征和参考推送要素特征信息进行融合，以获取第二融合特征信息。

其中，具体融合的方式可以参照现有技术中的数据融合算法即可，例如数据进数据出(DAI-DAO)的融合算法，在此不作赘述。

在一种可能的实现方式中，仍旧针对步骤S140而言，在对第二融合特征信息进行特征分析以获取当前推送要素信息，并根据当前推送要素信息和历史推送要素信息确定目标推送要素集合的过程中，可以通过以下示例性的子步骤来实现。

子步骤S141，获取第二融合特征信息中每个推送要素所表征的推送内容服务，获取推送内容服务的内容服务特征和前n个历史调度广告接入记录对应的源特征信息，n为正整数。

子步骤S142，获取源特征信息中当前个广告源的广告源配置特征，对内容服务特征、前n个历史调度广告接入记录对应的源特征信息和广告源配置特征进行决策树挖掘处理，得到当前个广告源对应的源特征信息。

例如，可以获取第i个历史调度广告接入记录对应的第一源特征信息，i为正整数且i的起始值为1。

然后，对内容服务特征、第一源特征信息和广告源配置特征进行决策树挖掘处理，输出第i+1个历史调度广告接入记录对应的第二源特征信息。

重复上述输出第二源特征信息的步骤，将第n+1个历史调度广告接入记录对应的第二源特征信息确定为当前个广告源对应的源特征信息。

比如，可以调用第j个输出单元对内容服务特征、第一源特征信息和广告源配置特征进行决策树挖掘处理，输出第一特征输出分布信息，第一特征输出分布信息是第i+1个历史调度广告接入记录对应的分布信息。

接着，可以对第j个输出单元输出的第一特征输出分布信息进行概率估计处理，得到第一概率分类估计分布。

接着，可以对第一概率分类估计分布和内容服务特征进行概率估计处理，得到第二概率分类估计分布。

接着，可以对第二概率分类估计分布和第i个历史调度广告接入记录对应的第一源特征信息进行概率估计处理，得到第三概率分类估计分布。

接着，可以对第三概率分类估计分布进行概率估计处理，得到第j+1个输出单元输出的第二特征输出分布信息，第二特征输出分布信息是第i+1个历史调度广告接入记录对应的分布信息，j+1≤k，j为正整数且j的起始值为1。

如此，重复上述输出第二特征输出分布信息的步骤，将最后一个输出单元输出的第二特征输出分布信息确定为第i+1个历史调度广告接入记录对应的第二源特征信息。

子步骤S143，对当前个广告源对应的源特征信息和内容服务特征进行决策树挖掘处理，得到当前个广告源对应的当前推送要素信息。

例如，子步骤S143可以通过以下示例性的实施方式来实现。

（1）获取当前个广告源对应的实际推送要素信息中已输出的推送要素的推送要素特征。

（2）对当前个广告源对应的源特征信息、内容服务特征和推送要素特征进行决策树挖掘处理，输出当前个广告源对应的当前推送要素信息。

（3）对当前个广告源对应的源特征信息、内容服务特征和推送要素特征进行决策树挖掘处理，输出当前个广告源对应的当前推送要素信息，包括：

（4）调用第m个挖掘单元对当前个广告源对应的源特征信息、内容服务特征和推送要素特征进行决策树挖掘处理，输出当前个广告源对应的第三特征输出分布信息。

（5）对第m个挖掘单元输出的第三特征输出分布信息进行中间解码处理，得到第一概率分类估计分布。

（6）对第一概率分类估计分布、内容服务特征和当前个广告源对应的源特征信息进行概率分类估计处理，得到第二概率分类估计分布。

（7）对第二概率分类估计分布进行特征提取，得到第m+1个挖掘单元输出的当前个广告源对应的第四特征输出分布信息，m+1≤t，m为正整数且m的起始值为1。

这样，可以重复上述输出第四特征输出分布信息的步骤，将最后一个挖掘单元输出的推送要素确定为当前个广告源对应的当前推送要素信息。

子步骤S144，将当前推送要素信息和历史推送要素信息确定为目标推送要素集合。

基于上述子步骤，通过对推送内容服务以及关于推送内容服务的前n个历史调度广告接入记录进行处理，使得广告接入过程能够更好地根据多种类型的信息，输出当前个广告源对应的实际推送要素信息，提高推送准确率，且保证输出的推送要素信息与广告源和推送内容服务的一致性，提升广告接入的效果。

在一种可能的实现方式，针对步骤S110而言，在通过所述大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程的过程中，可以通过以下示例性的子步骤来实现。

子步骤S111，获取目标广告推送任务的广告推送反馈信息对应的访问者兴趣数据，并基于访问者兴趣数据进行人群兴趣点检索。

子步骤S112，获取预设数量个人群兴趣点内每个人群兴趣点所对应的人群兴趣点信息。

本实施例中，人群兴趣点信息具体可以包括人群兴趣点覆盖标签、兴趣点广告标签以及访问属性信息。例如，人群兴趣点覆盖标签可以用于人群兴趣点所覆盖的人群标签（例如使用某个APP的人群标签、扫描某个商品二维码的人群标签等），兴趣点广告标签用于指示人群兴趣点的广告关注内容，广告关注内容可以是指广告播放流所对应的用户点击内容区域，访问属性信息用于指示人群兴趣点内的广告访问情况，例如点击访问情况、收藏访问情况、分享访问情况等。

子步骤S113，根据每个人群兴趣点所对应的人群兴趣点信息，生成每个人群兴趣点所对应的广告推送优化信息。

本实施例中，广告推送优化信息用于对广告策略起始信息进行广告投放策略节点优化处理或广告投放策略节点强化处理，广告推送优化信息与人群兴趣点具有一一对应的关系。其中，对广告策略起始信息进行广告投放策略节点优化处理可以是指广告策略起始信息存在广告投放策略节点需要进行自适应性优化，从而与当前的人群兴趣点所对应的人群兴趣点信息适配。对广告策略起始信息进行广告投放策略节点强化处理可以是指广告策略起始信息存在广告投放策略节点需要进行自适应性强化，可以将该广告投放策略节点的投放强度进行强化。

子步骤S114，采用每个人群兴趣点所对应的广告推送优化信息，对每个人群兴趣点所对应的广告策略起始信息进行处理，得到每个人群兴趣点所对应的广告策略确认信息，并根据每个人群兴趣点所对应的广告策略确认信息，生成通过区块链进行广告推送的广告推送控制进程。

其中，广告推送优化信息、广告策略起始信息以及广告策略确认信息具有一一对应的关系。这样，通过生成最终的广告推送控制进程，即可基于最终的广告推送控制进程重新生成对各个广告关注内容进行人群兴趣点检索的配置信息，由此进行闭环反馈控制。

基于上述步骤，本实施例能够根据每个人群兴趣点所对应的人群兴趣点信息，生成每个人群兴趣点所对应的广告推送优化信息，然后对每个人群兴趣点所对应的广告策略起始信息进行处理，得到每个人群兴趣点所对应的广告策略确认信息，由此生成通过区块链进行广告推送的广告推送控制进程。采用上述方式，基于多个人群兴趣点并行处理来自不同维度的广告策略信息，进而在多广告策略场景下，可通过广告推送优化信息对不同维度上的广告策略信息进行广告投放策略节点强化或者广告投放策略节点优化，从而能够实时优化广告策略信息，由此提升广告策略检测过程中的配置信息准确度，有利于提升后续的广告策略处理效果。

详细地譬如，在一种可能的实现方式中，针对步骤S112而言，在获取预设数量个人群兴趣点内每个人群兴趣点所对应的人群兴趣点信息的过程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1121，对预设数量个人群兴趣点内的每个人群兴趣点进行检测，得到每个人群兴趣点所对应的广告访问检测结果。

子步骤S1122，根据每个人群兴趣点所对应的广告访问检测结果确定每个人群兴趣点所对应的访问属性信息。

子步骤S1123，根据每个人群兴趣点所对应的广告访问检测结果确定每个人群兴趣点所对应的访问迁移关系信息。

例如，可以针对于预设数量个人群兴趣点中的任意一个人群兴趣点，若广告访问检测结果为人群兴趣点内存在具有访问节点迁移的访问对象信息，则将访问对象信息在人群兴趣点内的访问节点迁移过程的信息确定为每个人群兴趣点所对应的访问迁移关系信息。

子步骤S1124，获取每个人群兴趣点所对应的人群兴趣点覆盖标签以及每个人群兴趣点所对应的兴趣点广告标签。

子步骤S1125，根据每个人群兴趣点所对应的访问属性信息、每个人群兴趣点所对应的访问迁移关系信息、每个人群兴趣点所对应的人群兴趣点覆盖标签以及每个人群兴趣点所对应的兴趣点广告标签，生成每个人群兴趣点所对应的人群兴趣点信息。

进一步地，在此基础上，作为一种可能的实现方式中，针对步骤S113，在根据每个人群兴趣点所对应的人群兴趣点信息，生成每个人群兴趣点所对应的广告推送优化信息的过程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1131，从预先配置的人群兴趣点覆盖标签对应的广告推送策略需求信息中获取与兴趣点广告标签对应的关系实体信息。

子步骤S1132，根据访问属性信息对关系实体信息进行特征提取，得到关系实体信息分别匹配于访问属性信息的推送优化情景信息。

子步骤S1133，基于关系实体信息的推送优化情景信息确定全局广告推送优化信息。

子步骤S1134，根据访问迁移关系信息在关系实体信息中确定访问迁移关系实体信息，并确定访问迁移关系实体信息对应的推送优化情景信息。

子步骤S1135，对全局广告推送优化信息和访问迁移关系实体信息对应的推送优化情景信息进行融合，得到每个人群兴趣点所对应的广告推送优化信息。

本实施例中，广告推送优化信息中包括有需要对广告策略起始信息进行广告投放策略节点优化处理或广告投放策略节点强化处理的广告投放策略节点。

访问属性信息包括广告访问热力图，广告访问热力图中包括多个热力单元，以及连接两个热力单元之间的热力关键词特征，热力关键词特征包括热力关键词特征的热力关键词标签和热力关键词词向量，热力单元包括关系实体热力节点和热点图谱。

在此基础上，对于子步骤S1132而言，可以通过以下示例性的实施方式来实现。

（1）在广告访问热力图中确定关系实体信息对应的关系实体热力节点。

（2）根据热力关键词标签在广告访问热力图的多个热力单元中确定关系实体热力节点的投放热力关键词参数、优化热力关键词参数。

（3）根据连接关系实体热力节点和投放热力关键词参数之间的热力关键词特征的热力关键词词向量计算投放热力关键词参数对关系实体信息所产生的第一推送优化情景。

（4）根据连接关系实体热力节点和投放热力关键词参数之间的热力关键词特征的热力关键词词向量计算投放热力关键词参数对关系实体信息所产生的第二推送优化情景。

（5）根据第一推送优化情景和第二推送优化情景确定关系实体信息的推送优化情景信息。

这样，针对步骤S114而言，在采用每个人群兴趣点所对应的广告推送优化信息，对每个人群兴趣点所对应的广告策略起始信息进行处理，得到每个人群兴趣点所对应的广告策略确认信息的过程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1141，根据广告推送优化信息中包括有需要对广告策略起始信息进行广告投放策略节点优化处理或广告投放策略节点强化处理的广告投放策略节点，获取需要对广告策略起始信息进行广告投放策略节点优化处理的第一广告投放策略节点，以及需要对广告策略起始信息进行广告投放策略节点强化处理的第二广告投放策略节点。

子步骤S1142，根据广告推送优化信息中对应的优化策略信息对第一广告投放策略节点进行优化处理，以及根据广告推送优化信息中对应的强化策略信息对第二广告投放策略节点进行强化处理。

在一种可能的实现方式中，仍旧针对步骤S114而言，在根据每个人群兴趣点所对应的广告策略确认信息，生成通过区块链进行广告推送的广告推送控制进程的过程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1143，根据每个人群兴趣点所对应的广告策略确认信息，确定每个人群兴趣点所对应的广告推送偏好意图矩阵，其中，广告推送偏好意图矩阵为广告策略确认信息在每个广告策略单元上的广告推送偏好意图矩阵。

子步骤S1144，根据每个人群兴趣点所对应的广告推送偏好意图矩阵，确定每个人群兴趣点所对应的广告推送控制链接文件的推送控制信息。

子步骤S1145，基于每个人群兴趣点所对应的广告推送控制链接文件的推送控制信息对当前的广告推送控制链接文件进行重定向配置，得到每个人群兴趣点所对应的广告推送控制进程。

例如，可以获取每个人群兴趣点所对应的广告推送控制链接文件的推送控制信息针对当前的广告推送控制链接文件中每个链接跳转信息的推送控制关联信息，并基于当前的广告推送控制链接文件中每个链接跳转信息的推送控制关联信息对当前的广告推送控制链接文件进行重定向配置，得到每个人群兴趣点所对应的广告推送控制进程。

在一种可能的实现方式中，在上述描述的基础上，针对步骤S111而言，在获取目标广告推送任务的广告推送反馈信息对应的访问者兴趣数据，并基于访问者兴趣数据进行人群兴趣点检索的过程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1111，获取针对所述广告服务终端的每个广告推送片段对应的广告控制节点信息，并基于广告控制节点信息对目标广告推送任务的广告推送反馈信息进行广告引流搜寻，获得对应的广告引流搜寻片段。

本实施例中，广告控制节点信息可以用于表征在进行广告播放流播放过程中进行广告引流搜寻兴趣点检索的控制节点指令，目标广告推送任务可以是指广告推送任务数据的推送控制业务项目，广告推送反馈信息可以是指发起的生产监测请求相关的生产监测配置参数。广告引流搜寻片段可以是指针对目标广告推送任务的广告推送反馈信息从预先配置的索引数据库中获得的与每个广告引流搜寻兴趣点检索的控制节点指令匹配的搜寻片段，具体可以包括引流得到的引流行为、引流时长等等。

子步骤S1112，基于广告引流搜寻片段获取对应的广告引流跳转子图，基于广告引流跳转子图，确定多个广告引流路径的用户兴趣学习信息。

本实施例中，广告引流跳转子图可以包括广告引流过程在各个广告播放过程上的跳转记录情况，广告引流路径可以是指各个广告播放过程构成广告引流路径节点集合，用户兴趣学习信息可以是指各个广告播放过程在对广告引流过程进行调度中的用户兴趣的特征提取情况。

子步骤S1113，将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元，通过兴趣点检索单元进行至少一次广告关注内容匹配得到至少一个广告关注内容。

本实施例中，通过兴趣点检索单元进行的至少一次广告关注内容匹配是基于关联大数据检索分区进行的，关联大数据检索分区关联至多个兴趣点检索单元的其它兴趣点检索单元提取的广告关注内容。其中，所述兴趣点检索单元基于人工智能网络和对应的训练样本训练获得，所述训练样本包括用户兴趣学习信息样本和对应的广告关注内容标签。

子步骤S1114，对多个兴趣点检索单元输出的多个广告关注内容进行兴趣点检索，得到兴趣点检索内容，基于兴趣点检索内容，得到广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据，并基于广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据进行人群兴趣点检索。

本实施例中，广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据可以用于表征广告引流跳转子图在后续进行人群兴趣点检索过程中的检索指令运行集合，也即在人群兴趣点检索过程中控制检索数据节点的流向关系的检索控制指令，从而按照这些检索控制指令的执行顺序进行计算机程序的执行，从而进行人群兴趣点检索。

基于上述步骤，本实施例先基于广告引流跳转子图确定多个广告引流路径的用户兴趣学习信息，将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元，每个兴趣点检索单元都会进行至少一次广告关注内容匹配得到至少一个广告关注内容，并且至少一次广告关注内容匹配是基于关联大数据检索分区进行的，关联大数据检索分区关联至多个兴趣点检索单元的其它兴趣点检索单元提取的广告关注内容，其中，所述兴趣点检索单元基于人工智能网络和对应的训练样本训练获得，所述训练样本包括用户兴趣学习信息样本和对应的广告关注内容标签，这样不同兴趣点检索单元中提取的广告关注内容之间可以进行至少一次的交换和融合，进而能够将不同层次的广告关注内容进行兴趣点检索，以通过丰富广告关注内容的层次来提高人群兴趣点检索的表征能力，从而检索针对性更佳。

在一种可能的实现方式中，在上述方案的基础上，本实施例还可以进一步将多个兴趣点检索单元的其中一个兴趣点检索单元作为目标兴趣点检索单元，然后获取目标兴趣点检索单元提取的第一广告关注内容，以及多个兴趣点检索单元中除目标兴趣点检索单元之外的其它兴趣点检索单元提取的第二广告关注内容。

这样，当第二广告关注内容的广告引流路径不匹配第一广告关注内容的广告引流路径时，对第二广告关注内容进行兴趣度分布标记，兴趣度分布标记后的第二广告关注内容的广告引流路径与第一广告关注内容的广告引流路径相同。由此，可以通过目标兴趣点检索单元，对兴趣度分布标记后的第二广告关注内容和第一广告关注内容的内容匹配信息进行广告关注内容匹配。

其中，第二广告关注内容的数量为至少两个。

在上述基础上，当同时存在广告引流路径不匹配第一广告关注内容的广告引流路径的第二广告关注内容，以及广告引流路径匹配第一广告关注内容的广告引流路径的第二广告关注内容时，对广告引流路径不匹配第一广告关注内容的广告引流路径的第二广告关注内容进行兴趣度分布标记，对广告引流路径匹配第一广告关注内容的广告引流路径的第二广告关注内容进行逆向兴趣度分布标记，兴趣度分布标记后的第二广告关注内容的广告引流路径、逆向兴趣度分布标记后的第二广告关注内容的广告引流路径均与第一广告关注内容的广告引流路径相同。

如此，可以通过目标兴趣点检索单元，对兴趣度分布标记后的第二广告关注内容、逆向兴趣度分布标记后的第二广告关注内容以及第一广告关注内容的内容匹配信息进行广告关注内容匹配。

再例如，在上述基础上，当第二广告关注内容的广告引流路径匹配第一广告关注内容的广告引流路径时，对第二广告关注内容进行逆向兴趣度分布标记，逆向兴趣度分布标记后的第二广告关注内容的广告引流路径与第一广告关注内容的广告引流路径相同。如此，可以通过目标兴趣点检索单元，对逆向兴趣度分布标记后的第二广告关注内容和第一广告关注内容的内容匹配信息进行广告关注内容匹配。

譬如，在一种可能的实现方式中，针对步骤S1113而言，在将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元，通过兴趣点检索单元进行至少一次广告关注内容匹配得到至少一个广告关注内容的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S11131，将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元。

子步骤S11132，对于其中一个兴趣点检索单元，通过兴趣点检索单元对相应的用户兴趣学习信息进行广告关注内容匹配，并在广告关注内容匹配得到第一广告关注内容后，获取通过多个兴趣点检索单元的其它兴趣点检索单元提取的第二广告关注内容与第一广告关注内容进行分区业务匹配，再基于分区业务匹配结果继续进行广告关注内容匹配，以使广告关注内容匹配和分区业务匹配交替进行。

再进一步地，针对步骤S1112，在基于广告引流跳转子图，确定多个广告引流路径的用户兴趣学习信息的过程中，可以对广告引流跳转子图进行广告引流路径的索引匹配，得到多个不同广告引流路径的用户兴趣学习信息。

例如，可以索引匹配广告引流跳转子图针对每个广告引流路径的检索信息节点，并将所有检索信息节点按照各自之间的关联关系进行融合，从而得到多个不同广告引流路径的用户兴趣学习信息。

这样，在另一种并列可能的实现方式中，针对步骤S1113，在将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元，通过兴趣点检索单元进行至少一次广告关注内容匹配得到至少一个广告关注内容的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S11133，将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元。

其中，用户兴趣学习信息分别与多个兴趣点检索单元的其中一个兴趣点检索单元一一对应。

子步骤S11134，通过兴趣点检索单元对相应的用户兴趣学习信息进行至少一次广告关注内容匹配。其中，提取的广告关注内容的广告引流路径与兴趣点检索单元相应的用户兴趣学习信息的广告引流路径保持一致。

在一种并列可能的实现方式中，前述的用户兴趣学习信息至少包括第一用户兴趣学习信息、第二用户兴趣学习信息和第三用户兴趣学习信息，兴趣点检索模型包括第一兴趣点检索单元、第二兴趣点检索单元和第三兴趣点检索单元，其中，第一用户兴趣学习信息、第二用户兴趣学习信息和第三用户兴趣学习信息分别对应兴趣覆盖学习片段、兴趣数据源片段以及兴趣输出源片段的用户兴趣学习信息，第一兴趣点检索单元、第二兴趣点检索单元和第三兴趣点检索单元分别对应兴趣覆盖学习片段、兴趣数据源片段以及兴趣输出源片段的兴趣点检索单元。

在此基础上，仍旧针对步骤S1113，在将用户兴趣学习信息分别输入兴趣点检索模型中的多个兴趣点检索单元，通过兴趣点检索单元进行至少一次广告关注内容匹配得到至少一个广告关注内容的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S11135，将第一用户兴趣学习信息输入第一兴趣点检索单元进行第一兴趣点检索层的广告关注内容匹配，得到第一兴趣点检索单元在第一兴趣点检索层提取的广告关注内容。

子步骤S11136，对第一兴趣点检索单元在第一兴趣点检索层提取的广告关注内容和第二用户兴趣学习信息进行兴趣点检索，得到第二兴趣点检索单元在第二兴趣点检索层相应的兴趣点检索元素。

子步骤S11137，获取第一兴趣点检索单元在第一兴趣点检索层提取的广告关注内容，用作第一兴趣点检索单元在第二兴趣点检索层相应的兴趣点检索元素。

子步骤S11138，通过第一兴趣点检索单元，对第一兴趣点检索单元在第二兴趣点检索层相应的兴趣点检索元素进行第二兴趣点检索层首次广告关注内容匹配，得到第一兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容。

子步骤S111391，通过第二兴趣点检索单元，对第二兴趣点检索单元在第二兴趣点检索层相应的兴趣点检索元素进行第二兴趣点检索层首次广告关注内容匹配，得到第二兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容。

子步骤S111392，将第一兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容传递给第二兴趣点检索单元，并将第二兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容传递给第一兴趣点检索单元。

子步骤S111393，通过第一兴趣点检索单元对第一兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容和第二兴趣点检索单元传递的广告关注内容进行兴趣点检索，并对内容匹配信息进行广告关注内容匹配。

子步骤S111394，通过第二兴趣点检索单元对第二兴趣点检索单元在第二兴趣点检索层首次提取的广告关注内容和第一兴趣点检索单元传递的广告关注内容进行兴趣点检索，并对内容匹配信息进行广告关注内容匹配。

子步骤S111395，对第一兴趣点检索单元在第二兴趣点检索层提取的广告关注内容、第二兴趣点检索单元在第二兴趣点检索层提取的广告关注内容和第三用户兴趣学习信息进行兴趣点检索，得到第三兴趣点检索单元在第三兴趣点检索层相应的兴趣点检索元素。

子步骤S111396，通过第一兴趣点检索单元基于第一兴趣点检索单元在第二兴趣点检索层提取的广告关注内容进行第三兴趣点检索层的广告关注内容匹配，通过第二兴趣点检索单元基于第二兴趣点检索单元在第二兴趣点检索层提取的广告关注内容进行第三兴趣点检索层的广告关注内容匹配，并通过第三兴趣点检索单元对第三兴趣点检索单元在第三兴趣点检索层相应的兴趣点检索元素进行第三兴趣点检索层的广告关注内容匹配。

进一步地，在一种可能的实现方式中，针对步骤S1114而言，在基于兴趣点检索内容，得到广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S11141，确定广告推送反馈信息相应的检索模型。

子步骤S11142，将兴趣点检索内容输入检索模型，通过检索模型得到广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据。

其中，兴趣点检索模型和检索模型的配置方式可以通过以下示例性的实施方式来实现：

（1）获取兴趣点检索内容样本、兴趣点检索模型和检索模型，兴趣点检索内容样本的检索标签用于表示兴趣点检索内容样本在广告推送反馈信息下的标注结果。

（2）基于兴趣点检索内容样本，确定多个广告引流路径的用户兴趣学习信息样本。

（3）将用户兴趣学习信息样本分别输入兴趣点检索模型中的多个兴趣点检索单元，通过兴趣点检索单元进行至少一次广告关注内容匹配得到至少一个兴趣点检索内容。

其中，通过兴趣点检索单元进行的至少一次广告关注内容匹配是基于关联大数据检索分区进行的，关联大数据检索分区关联至多个兴趣点检索单元的其它兴趣点检索单元提取的兴趣点检索内容。

（4）对多个兴趣点检索单元输出的多个广告关注内容进行兴趣点检索，得到目标兴趣点检索内容。

（5）将目标兴趣点检索内容输入检索模型，通过检索模型得到兴趣点检索内容样本在广告推送反馈信息下的兴趣点检索结果。

（6）基于兴趣点检索结果和检索标签，广告策略兴趣点检索检索模型和检索模型。

进一步地，针对步骤S1112而言，在基于广告引流搜寻片段获取对应的广告引流跳转子图的过程中，可以从预设检索分区集合中获取广告引流搜寻片段所对应的对应的广告引流跳转子图。

在此基础上，在上述步骤中，在将兴趣点检索内容输入检索模型，通过检索模型得到广告引流跳转子图在广告推送反馈信息下的访问者兴趣数据的过程中，可以将目标兴趣点检索内容输入检索模型，通过检索模型对目标兴趣点检索内容进行检索广告引流搜寻，得到目标兴趣点检索内容的访问者兴趣数据。

进一步地，在一种可能的实现方式中，针对步骤S1114而言，在对多个兴趣点检索单元输出的多个广告关注内容进行兴趣点检索，得到兴趣点检索内容的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S11143，获取多个兴趣点检索单元输出的多个广告关注内容，确定多个广告关注内容中全局广告引流路径的目标广告关注内容。

子步骤S11144，对多个广告关注内容中除目标广告关注内容之外的其它广告关注内容进行兴趣点检索，兴趣点检索后的其它广告关注内容的广告引流路径与目标广告关注内容的广告引流路径相同。

子步骤S11145，列出兴趣点检索后的其它广告关注内容和目标广告关注内容，得到兴趣点检索内容。

图3为本公开实施例提供的基于区块链和人工智能的广告数据接入装置300的功能模块示意图，本实施例可以根据上述大数据中心100执行的方法实施例对该基于区块链和人工智能的广告数据接入装置300进行功能模块的划分，也即该基于区块链和人工智能的广告数据接入装置300所对应的以下各个功能模块可以用于执行上述大数据中心100执行的各个方法实施例。其中，该基于区块链和人工智能的广告数据接入装置300可以包括调用模块310、第一提取模块320、第二提取模块330以及确定模块340，下面分别对该基于区块链和人工智能的广告数据接入装置300的各个功能模块的功能进行详细阐述。

调用模块310，用于通过大数据中心的广告数据运行进程调用通过区块链进行广告推送的广告推送控制进程，基于广告推送控制进程，获取与广告接入方相关的广告接入数据。其中，调用模块310可以用于执行上述的步骤S110，关于调用模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

第一提取模块320，用于对广告接入数据进行特征提取以获取广告接入数据特征信息，并根据广告接入数据特征信息确定与当前广告接入方对应的推送关键要素预测信息，提取推送关键要素预测信息的预测推送要素特征信息。其中，第一提取模块320可以用于执行上述的步骤S120，关于第一提取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

第二提取模块330，用于对历史推送要素信息对应的特征信息及广告接入数据特征信息进行特征提取，以获取参考推送要素特征信息。其中，第二提取模块330可以用于执行上述的步骤S130，关于第二提取模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

确定模块340，用于将预测推送要素特征信息和参考推送要素特征信息进行融合，以获取第二融合特征信息，对第二融合特征信息进行特征分析以获取当前推送要素信息，并根据当前推送要素信息和历史推送要素信息确定目标推送要素集合，基于目标推送要素集合进行广告数据接入后，向广告服务推送对应的广告数据。其中，确定模块340可以用于执行上述的步骤S140，关于确定模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，调用模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上调用模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图4示出了本公开实施例提供的用于实现上述的基于区块链和人工智能的广告数据接入方法的大数据中心100的硬件结构示意图，如图4所示，大数据中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于区块链和人工智能的广告数据接入装置300包括的调用模块310、第一提取模块320、第二提取模块330以及确定模块340），使得处理器110可以执行如上方法实施例的基于区块链和人工智能的广告数据接入方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的广告服务终端200进行数据收发。

处理器110的具体实现过程可参见上述大数据中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于区块链和人工智能的广告数据接入方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定推送要素来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、系统或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本说明书处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。