信息投放方法和系统

1.一种信息投放方法，其特征在于，包括如下步骤：
统计用户的用户行为特征以及对应的信息特征；
获取不同用户行为特征的权重；
获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小；
根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值；
根据多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征的预设信息被点击的概率值；
根据所述概率值将所述预设信息推送给所述用户；
所述统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征采用不同的预设时间周期进行统计；
所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长；
所述用户行为特征的权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。
2.根据权利要求1所述的信息投放方法，其特征在于，所述用户行为特征包括以下中的至少一种：浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发。
3.根据权利要求1所述的信息投放方法，其特征在于，所述统计用户的用户行为特征以及对应的信息特征包括：获取所述用户的用户标识，根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。
4.根据权利要求1所述的信息投放方法，其特征在于，所述根据所述概率值将所述预设信息推送给所述用户包括：将概率值最高的前至少一个预设信息推送给所述用户。
5.一种信息投放系统，其特征在于，其包括：特征获取模块、权重获取模块、时间权重获取模块、赋值模块、概率计算模块和信息推送模块，
所述特征获取模块用于统计用户的用户行为特征以及对应的信息特征；
所述权重获取模块用于获取不同用户行为特征的权重；
所述时间权重获取模块用于获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小；
所述赋值模块用于根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值；
所述概率计算模块用于根据预设的多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征预设信息被点击的概率值；
所述信息推送模块用于根据所述概率值将预设的预设信息推送给所述用户；
所述特征获取模块统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征采用不同的预设时间周期进行统计；
所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长；
所述预设的不同用户行为特征的不同权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。
6.根据权利要求5所述的信息投放系统，其特征在于，所述用户行为特征包括浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发中的至少一种。
7.根据权利要求5所述的信息投放系统，其特征在于，所述特征获取模块用于先获取所述用户的用户标识，再根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。
8.根据权利要求5所述的信息投放系统，其特征在于，所述根据所述概率值将所述预设信息推送给所述用户包括：根据所述概率值提取概率值最高的前至少一个预设信息推送给所述用户。

信息投放方法和系统\n技术领域\n[0001] 本发明涉及计算机技术领域，特别是涉及互联网的信息投放方法和系统。\n背景技术\n[0002] 随着互联网的快速发展，网民数量飞速膨胀，网络广告越来越受到广告主的喜爱，其投放量已经超过报纸、电视等传统广告。目前的收费模式主要有CPM（按曝光收费）、CPD（按天收费）、CPC（按点击收费）、CPA（按效果收费）、CPS（按销售额提成）等，对于大部分中小广告主，CPC、CPA等按效果付费的模式越来越受欢迎。提升广告的点击率，不仅能提升广告主的满意度，还而且能直接提升广告平台收入。\n[0003] 目前的广告投放规则有：\n[0004] 1）通过广告与广告位规格匹配和页面内容匹配，来决定广告投放。这种方法能解决广告与广告位的匹配，但是对不同用户，展示广告相同，个性化缺失，对点击率提升度受限。\n[0005] 2）使用用户年龄、性别、地域等人口基础特性行定向匹配。该方法引入了部分用户特征，但这部分特征基本为静态特征，较长时间不变，也就造成用户长时间显示相同广告。\n并且人口基础特征与点击兴趣意愿具有一定的偏差，对广告的区分度低。例如，并不是所有女性任意时刻都最喜欢点击女装广告，部分女性某些时刻也可能喜欢游戏广告。\n[0006] 很多广告系统使用了以上方法的汇总，但缺少对多时变特征的扩展，使得用户信息有所缺失，不能更加精准的计算用户与广告的匹配度。\n发明内容\n[0007] 基于此，提供一种更加精确的信息投放方法和系统。\n[0008] 一种信息投放方法，包括如下步骤：\n[0009] 统计用户的用户行为特征以及对应的信息特征；\n[0010] 获取不同用户行为特征的权重；\n[0011] 获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小；\n[0012] 根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值；\n[0013] 根据多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征的预设信息被点击的概率值；\n[0014] 根据所述概率值将所述预设信息推送给所述用户。\n[0015] 其中一个实施例中，所述用户行为特征包括以下中的至少一种：浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发。\n[0016] 其中一个实施例中，所述统计用户的用户行为特征以及对应的信息特征包括：获取所述用户的用户标识，根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。\n[0017] 其中一个实施例中，所述统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征采用不同的预设时间周期进行统计。\n[0018] 其中一个实施例中，所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长。\n[0019] 其中一个实施例中，所述用户行为特征的权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。\n[0020] 其中一个实施例中，所述根据所述概率值将所述预设信息推送给所述用户包括：\n将概率值最高的前至少一个预设信息推送给所述用户。\n[0021] 一种信息投放系统，其包括：特征获取模块、权重获取模块、时间权重获取模块、赋值模块、概率计算模块和信息推送模块，\n[0022] 所述特征获取模块用于统计用户的用户行为特征以及对应的信息特征；\n[0023] 所述权重获取模块用于获取不同用户行为特征的权重；\n[0024] 所述时间权重获取模块用于获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小；\n[0025] 所述赋值模块用于根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值；\n[0026] 所述概率计算模块用于根据预设的多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征预设信息被点击的概率值；\n[0027] 所述信息推送模块用于根据所述概率值将预设的预设信息推送给所述用户。\n[0028] 其中一个实施例中，所述用户行为特征包括浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发中的至少一种。\n[0029] 其中一个实施例中，所述特征获取模块用于先获取所述用户的用户标识，再根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。\n[0030] 其中一个实施例中，所述特征获取模块统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征采用不同的预设时间周期进行统计。\n[0031] 其中一个实施例中，所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长。\n[0032] 其中一个实施例中，所述预设的不同用户行为特征的不同权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。\n[0033] 其中一个实施例中，所述根据所述概率值将所述预设信息推送给所述用户包括：\n根据所述概率值提取概率值最高的前至少一个预设信息推送给所述用户。\n[0034] 上述信息投放方法和系统，通过不同的用户行为特征设置不同的权重，以及对同一用户行为特征的产生时间先后设置不同的权重值，所计算出来的概率值更能体现用户当前的兴趣度，从而实现更精准的信息投放。\n附图说明\n[0035] 图1为一实施例的信息投放方法的步骤流程图；\n[0036] 图2为一实施例的信息投放系统的功能模块图；\n[0037] 图3为从宏观角度描述点击概率的预测流程架构图；\n[0038] 图4为图3所示的特征汇总层中用户行为特征的整合流程图。\n具体实施例\n[0039] 本方案的目的是：从欲投放的多个预设信息中计算出用户兴趣度更高（点击概率更大）的一个或若干个预设信息，并展示给用户。要实现此功能，可参考的特征包括：\n[0040] 1，信息特征，例如类目、价格、名称等；\n[0041] 2，信息投放窗口特征，例如尺寸、所属页面的类别等；\n[0042] 3，用户静态特征，例如年龄、地域、性别、学历等；\n[0043] 4，用户行为特征，例如浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发等。\n[0044] 前三种特征可以直接用于对欲投放的多个预设信息进行过滤，得到候选的预设信息。用户行为特征，用于计算候选的预设信息中用户点击各个预设信息的概率大小。\n[0045] 如图1所示，其为一实施例的信息投放方法的步骤流程图，包括如下步骤：\n[0046] 步骤S101，统计用户的用户行为特征以及对应的信息特征。\n[0047] 所述用户行为特征包括“浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发”中的至少一种。本实施例中，与用于行为特征中对应的信息特征优选为商品的特征，例如“商品类目”，如“鞋子”、“裙子”、“手机”等，也可以是具体到某种品牌的类目，例如“三星手机”。用户行为特征结合信息特征可举出例子如浏览鞋子，收藏裙子，下单手机等。\n[0048] 其他实施例中，所述统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征，采用不同的预设时间周期进行统计。所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长。一实施例中，预设时间周期长短遵循“浏览、收藏、下单、成交”依次减小的原则。如：统计用户近15天的“浏览”信息，近10天的“收藏”信息，近5天的“下单”信息，以及近2天的“成交”信息。\n[0049] 因为，浏览是一种较长期、意识性不强的行为，需要很多天甚至月度周期积累来反映用户的长期兴趣。而下单是一种意识性强的、冲动性高的行为，若时间长了，用户已经完成成交，可能在最近都不会再对此类信息感兴趣。如此按照不同时间周期对不同用户行为特征进行的统计，能更准确的表示出用户当前的兴趣。\n[0050] 本实施例中，所述统计用户的用户行为特征以及对应的信息特征包括：获取所述用户的用户标识，根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。如通过cookie或联盟网站等串联起用户在各个平台上的活动信息，这样就可以做到更多的迁移学习，通过用户在其他平台上的表现，反映出用户在该平台上的可能兴趣。不同平台的用户行为特征可设置不同的权重。\n[0051] 信息推荐的生命周期往往很短，以广告作为欲投放信息为例，其平均只有几天，有的广告甚至只有1、2天。这样依靠广告自身投放历史来预测点击概率，由于其行为属性少，覆盖用户量低，准确率有限。实验证明，用户的行为特征通常与广告点击有较强的关联性，于是我们就考虑引入其他平台的用户特征来预测用户对广告的点击意愿。例如，用户在电商平台上刚刚收藏了一件女装，代表其对女装有兴趣，而当该用户浏览门户网站平台时，对该用户投放女装相关的广告，其点击意愿就会更强些。这种相关平台越多，我们能捕获的用户特征就会越多，预测用户对哪些广告的点击意愿就会越准。\n[0052] 步骤S102，获取不同用户行为特征的权重。\n[0053] 所述用户行为特征的权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。如“浏览”一次，计5分，“收藏”一次计10分，“下单”一次计50分，“成交”一次计80分。本实施例中，“浏览、收藏、下单、成交”的权重值由低到高。\n[0054] 步骤S103，获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小。\n[0055] 因为，越近的浏览越能反映用户最近的爱好，应该给与较高的权重，而越远的行为，应给与较低的权重。以“下单”为例，最近第一天的成交，每次计50分，最近的第二天的成交，每次计40分，最近的第三天的成交，每次计分30分，……。即赋值按照时间由近到远衰减，可以通过时间衰减函数来实现。\n[0056] 步骤S104，根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值。\n[0057] 步骤S105，根据多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征预设信息被点击的概率值。\n[0058] 一实施例中，步骤S105还可结合用户静态特征（年龄、性别等）、信息特征（类别、价格等等），利用分类或回归模型，计算出用户对每个预设信息的点击概率。\n[0059] 步骤S106，根据所述概率值将所述预设信息推送给所述用户。\n[0060] 所述根据所述概率值将所述预设信息推送给所述用户包括：将概率值最高的前至少一个预设信息推送给所述用户。\n[0061] 上述信息投放方法通过不同的用户行为特征设置不同的权重，以及对同一用户行为特征的产生时间先后设置不同的权重值，所计算出来的概率值更能体现用户当前的兴趣度，从而实现更精准的信息投放。\n[0062] 其他实施例中，所述信息投放方法还可以包括：通过信息特征，信息投放窗口特征，以及用户静态特征中的至少一种对多个预设信息进行筛选的步骤。\n[0063] 如图2所示，其为一实施例的信息投放系统20的功能模块图，包括：特征获取模块\n202、权重获取模块203、时间权重获取模块204、赋值模块205、概率计算模块206和信息推送模块207。\n[0064] 特征获取模块202用于统计用户的用户行为特征以及对应的信息特征。\n[0065] 权重获取模块203用于获取不同用户行为特征的权重。\n[0066] 时间权重获取模块204用于获取所述用户行为特征的时间，根据所述时间确定时间权重，所述用户行为的时间越近，所述时间权重越大，时间越远，所述时间权重越小。\n[0067] 赋值模块205用于根据所述不同用户行为特征的权重以及所述时间权重，确定同一用户的不同时间的同种用户行为特征的加权值。\n[0068] 概率计算模块206用于根据预设的多个欲投放的预设信息的信息特征和所述用户行为特征的信息特征的对应关系，以及各个所述用户行为特征的加权值，计算出各个包含所述信息特征预设信息被点击的概率值。\n[0069] 信息推送模块207用于根据所述概率值将预设的预设信息推送给所述用户。\n[0070] 一实施例中，所述预设的预设信息及其对应的信息特征存储于一存储模块中。\n[0071] 一实施例中，所述根据所述概率值将所述预设信息推送给所述用户包括：根据所述概率值从所述存储模块中提取概率值最高的前至少一个预设信息推送给所述用户。\n[0072] 一实施例中，特征获取模块202用于获取所述用户的用户标识，根据所述用户标识获取并统计所述用户在不同网络平台的用户行为特征以及对应的信息特征。\n[0073] 所述用户行为特征包括“浏览、收藏、下单、成交、APP信息、游戏的登录、游戏的登记、游戏的下载、含某个关键词的微博发帖或转发”中的至少一种。\n[0074] 所述特征获取模块202统计用户的用户行为特征以及对应的信息特征是在一预设时间周期内进行的，不同的用户行为特征，采用不同的预设时间周期进行统计。所述预设时间周期长短基于所述用户行为的时间有效性，时间有效性越长，预设时间周期越长。\n[0075] 所述预设的不同用户行为特征的不同权重基于用户行为表现出的该信息对所述用户的重要性，重要性越高，权重越大。一实施例中，“浏览、收藏、下单、成交”的权重由低到高。\n[0076] 所述预设时间衰减原则是时间越近，权重越大，时间越远，权重越小。\n[0077] 上述信息投放系统20通过不同的用户行为特征设置不同的权重，以及对同一用户行为特征的产生时间先后设置不同的权重值，所计算出来的概率值更能体现用户当前的兴趣度，从而实现更精准的信息投放。\n[0078] 其他实施例中，所述信息投放系统还可以包括筛选模块，用于通过信息特征，信息投放窗口特征，以及用户静态特征中的至少一种对多个预设信息进行筛选。信息推送模块\n207用于从筛选后的预设信息中挑选预设信息，并推送给所述用户。\n[0079] 以广告作为欲投放信息为例，请参阅图3，其为从宏观角度描述点击概率的预测流程架构图，其包括：\n[0080] 特征汇总层\n[0081] 该层数据包含以下特征：\n[0082] 广告特征：包含广告的类别、名称、单价，以及广告主等信息。\n[0083] 广告位特征：包含广告位规格、所属页面类别、可投广告列表等信息\n[0084] 用户静态特征：包含用户年龄、性别、地域、职业等相对稳定不变信息。\n[0085] 用户行为特征：主要指用户在各个平台上的行为汇总。该特征可扩展性强，从资源上看，可以是各个平台资源的独立特征，也可以是多个资源数据的汇总特征；从时间上看，有按小时、按天、按月等各个粒度的汇总统计特征。一般时间跨度越长，数据越稳定，而时间越近，数据越及时，该层需要兼顾了时效性和数据的准确性。\n[0086] 预测逻辑层\n[0087] 其通过一种支持大规模数据量的机器学习方法，基于特征汇总层的特征，预测用户在不同广告位上各个候选广告的点击概率，输出top N广告列表。该top N列表中包含了广告及点击概率，投放时，可以根据点击概率轮播投放。\n[0088] 广告投放层\n[0089] 用于接受外部用户、广告位信息，通过广告位资源，用户定向信息，做初级的过滤，计算出候选广告列表，传输给预测逻辑层。并接收预测逻辑层返回的top N广告列表，根据规则播放广告。\n[0090] 请参阅图4，其为图3所示的特征汇总层中用户行为特征的整合流程，主要模块如下：\n[0091] 平台资源层\n[0092] 存储各个平台自身的源数据，各个平台是可平行扩展，通常数据源越多，能代表的用户与广告的匹配信息越多，计算出的点击概率越准确。\n[0093] 平台时变特征层\n[0094] 从平台资源层筛选出来的特征，针对广告投放平台特点，对某些噪音数据的屏蔽过滤，对原始数据做数据筛选、清理、转换、统计汇总等操作。\n[0095] 对各个平台特征分析，针对不同的特征，采用不同的时间粒度统计汇总。例如，单个用户对某个广告的点击率至少需要N天粒度才有意义，而不同性别用户对不同广告的点击率可以到分钟粒度。又例如，由于平台对女装的浏览点击量大，对女装只要1天的汇总数据，而对相机可能要更多天数据才能稳定表示用户兴趣。\n[0096] 多平台特征聚类层\n[0097] 综合多个平台资源特征，计算出层次更高的特征。比如汇总多个网站、电商等平台、不同时间粒度的浏览、点击的数据，汇总出该用户对女装的长短期兴趣。由于各个平台数据量有限，各个用户在单个平台上的行为不能完整的体现用户兴趣，而汇总多平台数据，能更加综合性的反映用户兴趣。\n[0098] 时间衰变函数层\n[0099] 根据已经选定的时变区间，在该区间内做时间衰减变换。比如一个用户在1分钟前点击了某个广告，其重要度要高于10分钟前的点击，因为时间越近越能反映用户的最新兴趣，就需要推荐越相关的广告。我们使用logistic等多种生命周期函数供选择，时间越近，权重越大，时间越远，权重越小，从而达到同一时变窗口内，时间衰变的目的。\n[0100] 用户行为特征层\n[0101] 该层作为特征汇总层的子模块，汇总了各个平台自己的多时变行为数据和多个平台汇总的多时变聚类数据，每种数据都包含了不同时段扩展的多纬特征。\n[0102] 以上所述实施例仅表达了本发明的几种实施例，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。