一种广告商品推荐方法和系统与流程

1.本发明提出了一种广告商品推荐方法和系统，属于广告推荐技术领域。


背景技术：

2.随着互联网的发展和普及，人们的购物方式也发生了巨大的变化。传统的线下购物逐渐转移到了线上，人们更多地依赖于互联网平台来获取商品信息和购买商品。在这个过程中，广告商品推荐系统的作用变得越来越重要。
3.广告商品推荐系统是一种基于用户的兴趣和行为数据，通过算法和技术手段来为用户推荐合适的商品。它能够根据用户的个人喜好和购买历史，精准地推荐用户感兴趣的商品，提高用户的购物体验和满意度。


技术实现要素：

4.本发明提供了一种广告商品推荐方法和系统，用以解决现有广告商品推荐方法无法精准推荐的问题：
5.本发明提出的一种广告商品推荐方法，所述方法包括：
6.s1：从服务器后台获取用户的操作日志以及商品特征信息；
7.s2：根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；
8.s3：将用户的操作日志根据不同的时间节点分为不同的日志时间；
9.s4：将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；
10.s5：根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征；
11.s6：基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；
12.s7：根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；
13.s8：根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。
14.进一步的，所述第一行为数据包括商品浏览、搜索、加入购物车、下单、支付、评价以及与商家的沟通信息；所述第一特征信息包括用户的购物偏好、兴趣爱好以及购买行为。
15.进一步的，所述根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息的具体步骤包括：
16.对用户的操作日志进行清洗，去除无效或错误记录，并对缺失值和异常值进行处理；
17.根据操作日志中用户的第一行为数据对用户的行为类型进行分类；
18.根据分类后的行为类型，提取第一特征信息；
19.基于提取的第一特征信息，对用户进行购物偏好分析；所述购物偏好分析包括统计用户偏好的商品类别、品牌以及价格范围；
20.通过用户的搜索关键词以及浏览的商品信息，推断用户的兴趣爱好；
21.通过用户的购买行为数据，进行购物行为分析；所述购物行为分析包括统计用户的购买频率、客单价以及购买时间段；
22.如果操作日志中包含与商家的沟通信息，通过分析用户与商家的互动行为，获取用户对商品和/或服务的评价、投诉以及咨询情况。
23.进一步的，所述日志时间包括第一日志时间、第二日志时间以及第三日志时间；所诉第一日志时间根据季节分为第一季节时间、第二季节时间、第三季节时间以及第四季节时间；所述第二日志时间分为工作日时间以及休息日时间；所述第三日志时间分为第一阶段时间、第二阶段时间、第三阶段时间以及第四阶段时间；
24.进一步的，
25.所述第二行为数据包括用户在所述不同的日志时间的第一行为数据；
26.所述第二特征信息包括用户在所述不同的日志时间的第二行为数据。
27.进一步的，所述基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息具体步骤包括：
28.将所述用户的所述第二特征信息进行数值化表示，形成第一用户特征向量；
29.将所述商品特征信息进行数值化处理，形成商品的特征向量；
30.通过内容推荐算法匹配第一用户特征向量和商品的特征向量，计算用户与商品之间的匹配度；
31.根据匹配度进行排序，推荐与用户兴趣相关的广告商品；
32.通过协同过滤算法对用户进行商品推荐；
33.所述协同过滤算法包括基于用户的协同过滤以及基于商品的协同过滤；
34.所述基于用户的协同过滤包括计算用户之间的相似度，找到与当前用户相似的其他用户，获取这些相似用户喜欢的广告商品，并将其作为推荐选项；
35.所述基于商品的协同过滤包括计算广告商品之间的相似度，找到与用户历史喜欢的商品相似的其他商品，将其作为推荐候选项；
36.将协同过滤算法和内容推荐算法的推荐结果通过推荐的准确性和个性化程度进行综合排序；
37.根据排序结果获得第一推荐信息，根据第一推荐信息确定最终的推荐列表，并过滤掉不符合用户偏好或推荐策略的商品；
38.将经过排序和过滤的推荐列表呈现给用户。
39.进一步的，所述根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；包括：
40.当用户对第一推荐信息进行交互和/或给出反馈时，记录用户的反馈信息，所述反
馈信息包括用户的喜好、满意度、点击行为以及评分；
41.从用户反馈信息中提取与推荐的商品或推荐结果相关的信息；
42.将第一反馈信息与用户的第二特征信息进行数据融合，获取第二用户特征向量；
43.通过第二用户特征向量，根据机器学习算法对用户画像进行优化，并根据随机森林算法训练模型；
44.根据优化的画像以及训练的模型，获取第一优化模型。
45.本发明提供的一种广告商品推荐系统，所述系统包括：
46.信息获取模块：从服务器后台获取用户的操作日志以及商品特征信息；
47.数据分析模块：根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；
48.日志分类模块：将用户的操作日志根据不同的时间节点分为不同的日志时间；
49.数据结合模块：将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；
50.模型构建模块：根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征；
51.商品推荐模块：基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；
52.优化模块：根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；
53.推荐调整模块：根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。
54.本发明提供的一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一所述的广告商品推荐方法。
55.本发明提供的一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一所述的广告商品推荐方法。
56.本发明有益效果：本发明可以根据用户的兴趣和行为数据，为用户推荐个性化的商品；可以提高用户的购物体验，让用户更容易找到自己感兴趣的商品，从而提高用户的满意度；通过精准的商品推荐，本发明可以增加用户对商品的点击和购买意愿，从而提高购买转化率。当用户看到自己感兴趣的商品推荐时，更容易被吸引并进行购买；本发明可以根据用户的兴趣和行为数据，为商家提供更精准的广告投放；可以提高广告的点击率和转化率，提高商家的广告效果和投资回报率；本发明可以根据用户的兴趣和行为数据，为商家提供更精准的广告投放；可以减少广告的浪费，提高广告的效果，从而节约广告成本。同时，本发明通过获取用户不同时间段的日志记录，可以对用户不同季节不同时间段的浏览记录等信息进行分析，可以更加精确的了解到用户不同时间节点的浏览喜好等数据，根据这些数据可以使推荐更加准确。
附图说明
57.图1为本发明所述一种广告商品推荐方法步骤图。
具体实施方式
58.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
59.在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
61.本发明的一个实施例，一种广告商品推荐方法，所述方法包括：
62.s1：从服务器后台获取用户的操作日志以及商品特征信息；
63.s2：根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；
64.s3：将用户的操作日志根据不同的时间节点分为不同的日志时间；
65.s4：将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；
66.s5：根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征；所述商品特征模型的语义信息和隐含特征包括：商品的文本描述、商品的类别标签、商品的图片特征、商品的价格、销量等统计信息、商品的用户评价和评论、商品的历史购买记录、以及商品的关联信息；
67.s6：基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；
68.s7：根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；
69.s8：根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。
70.所述第一行为数据包括商品浏览、搜索、加入购物车、下单、支付、评价以及与商家的沟通信息；所述第一特征信息包括用户的购物偏好、兴趣爱好以及购买行为。
71.上述技术方案的工作原理为：从服务器后台获取用户的操作日志和商品特征信息。用户的操作日志包括用户在平台上的行为操作，如商品浏览、搜索、加入购物车、下单、支付、评价等，而商品特征信息包括商品的文本描述、类别标签、图片特征、价格、销量统计、用户评价和评论、历史购买记录以及关联信息等；通过对用户的操作日志进行分析，提取出
用户的第一行为数据，并进行分析和处理，得到用户的第一特征信息。这些特征信息可以包括用户的购物偏好、兴趣爱好和购买行为等；将用户的操作日志根据不同的时间节点进行划分，形成不同的日志时间段。这样可以更好地对用户的行为进行分析和推测，从而进行更准确的推荐；将不同时间节点的用户行为数据与第一特征信息结合，得到用户的第二行为数据，接着，根据第二行为数据进行分析和处理，提取用户的第二特征信息，进一步优化用户画像；例如用户早上喜欢搜索浏览生活用品，早餐食材等，中午喜欢搜索一些电影票等，完善喜欢搜索化妆品等，那么就可以推断出用户早中晚的购物偏好、兴趣爱好以及购买行为等，例如，用户休息日喜欢浏览搜索一些游玩地方，工作日喜欢搜索一些与工作相关的内容，例如办公用品等，以此就可以推断出用户休息日以及工作日的购物偏好、兴趣爱好以及购买行为等，例如，用户夏天喜欢搜防晒用品，冬天喜欢搜护肤用品，以此就可以推断出用户不同季节的购物偏好、兴趣爱好以及购买行为等。利用机器学习算法建立用户画像，将用户的特征信息进行整合和分析，形成用户画像模型。同时，利用深度学习算法对商品特征信息进行提取和编码，构建商品特征模型。商品特征模型包括商品的语义信息和隐含特征，如文本描述、类别标签、图片特征、价格、销量统计、用户评价和评论、历史购买记录以及关联信息等；基于用户画像和商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐。根据用户的兴趣和偏好，推荐最相关和有吸引力的广告商品，并生成第一推荐信息，例如，用户晚上喜欢搜索服装相关的，每天早上就优先给她推送相关广告；根据用户对第一推荐信息的反馈，获得第一反馈信息，例如，晚上给用户推荐了服装相关的，但是她没点开看过，也没在该页面停留，那么就推断出她暂时对服装不感兴趣，但是她会搜索护肤品等，那就可以推断出她晚上喜欢搜索护肤品。将第一反馈信息与第二特征信息结合，对用户画像进行优化，生成第一优化模型，第一优化模型就是将用户不感兴趣的商品进行替代成她感兴趣的进行推荐。利用第一优化模型对第一推荐信息进行不断调整，生成第二推荐信息，第二推荐信息就是对用户行为的监测后得出的用户最近感兴趣的商品；监测用户对第二推荐信息的反馈，获得第二反馈信息，例如，根据用户行为给她推荐了护肤品，她点进去浏览了，那说明她就感兴趣，给出反馈信息就是推荐准确。根据第二反馈信息和第一优化模型，获得用户的第三行为数据，并根据第三行为数据提取用户的第三特征信息，第三行为数据就是根据时间的不同用户的兴趣爱好以及购物行为等都会发生改变，需要不断地根据用户行为进行调整，就不断地对用户的第二特征信息进行更新就得到第三特征信息。根据用户的第三特征信息，进一步优化推荐策略，不断提升广告商品推荐的准确性和个性化程度。
72.上述技术方案的效果为：通过对用户的操作日志和商品特征信息进行分析和处理，建立用户画像和商品特征模型。基于用户画像和商品特征模型，采用协同过滤算法和内容推荐算法相结合，能够实现精准的广告商品推荐，提供最相关和有吸引力的广告商品给用户；通过对用户的兴趣、偏好和购买行为进行深入分析，定制个性化的推荐策略。用户会得到符合其兴趣和需求的广告商品推荐，提高用户体验和参与度，增加用户对广告的点击和转化率；精准的广告商品推荐可以提高广告点击率和转化率，提高品牌的知名度和销售量。同时，通过优化推荐策略和不断调整，可以进一步提升广告效果和商业价值；结合用户对推荐信息的反馈，不断监测和优化推荐策略。根据用户的反馈信息和第一优化模型，可以动态调整推荐内容，确保广告商品推荐的时效性和准确性；通过机器学习算法和深度学习
算法对用户和商品数据进行处理和分析，能够自动提取特征信息，并建立用户画像和商品特征模型。这样可以大大提高资源的利用效率，减少人工干预和成本。通过将用户的操作日志根据不同的时间节点分为不同的日志时间可以获取用户不同时间的浏览喜好等内容，例如用户夏天工作日中午喜欢浏览冷饮，冬天工作日中午喜欢浏览奶茶等，这样可以实现更加精准的推荐。
73.本发明的一个实施例，所述根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息的具体步骤包括：
74.对用户的操作日志进行清洗，去除无效或错误记录，并对缺失值和异常值进行处理；
75.根据操作日志中用户的第一行为数据对用户的行为类型进行分类；
76.根据分类后的行为类型，提取第一特征信息；例如，对于商品浏览行为，可以提取用户浏览的商品类别、品牌偏好、浏览时长等；对于搜索行为，可以提取用户的搜索关键词、搜索时间等；对于下单行为，可以提取用户下单的商品种类、下单数量、下单时间等。
77.基于提取的第一特征信息，对用户进行购物偏好分析；所述购物偏好分析包括统计用户偏好的商品类别、品牌以及价格范围；
78.通过用户的搜索关键词以及浏览的商品信息，推断用户的兴趣爱好；例如，如果用户经常搜索和浏览健身器材相关的内容，可能表明用户对健身和运动有兴趣；如果用户经常搜索或浏览书籍，说明用户对阅读学习比较感兴趣。
79.通过用户的购买行为数据，进行购物行为分析；所述购物行为分析包括统计用户的购买频率、客单价以及购买时间段；
80.如果操作日志中包含与商家的沟通信息，通过分析用户与商家的互动行为，获取用户对商品和/或服务的评价、投诉以及咨询情况。
81.上述技术方案的工作原理为：通过数据预处理技术以及清洗规则对用户操作日志进行清洗，去除无效或错误记录，并处理缺失值和异常值；根据操作日志中的第一行为数据，对用户的行为类型进行分类。例如，可以根据用户首次行为为浏览、搜索还是下单来划分不同的行为类型；根据分类后的行为类型，提取相应的第一特征信息。例如，针对商品浏览行为，可以提取用户浏览的商品类别、品牌偏好、浏览时长等；对于搜索行为，可以提取用户的搜索关键词、搜索时间等。这可以通过特征工程技术和模型训练来实现；基于提取的第一特征信息，对用户进行购物偏好分析。这包括统计用户偏好的商品类别、品牌以及价格范围等；根据用户的搜索关键词和浏览的商品信息，推断用户的兴趣爱好。例如，通过分析用户偏好搜索和浏览健身器材相关的内容，可以推断用户对健身和运动有兴趣；如果用户经常搜索或浏览书籍，则说明用户对阅读学习比较感兴趣；通过用户的购买行为数据，进行购物行为分析。这包括统计用户的购买频率、客单价以及购买时间段等。通过分析用户的购物行为，可以了解用户的消费习惯和购买偏好；如果操作日志中包含与商家的沟通信息，可以通过分析用户与商家的互动行为，获取用户对商品和/或服务的评价、投诉以及咨询情况。这可以帮助商家改进产品和服务，并提供更好的用户体验。
82.上述技术方案的效果为：通过数据清洗和处理能够去除无效或错误记录，减少了对后续分析的干扰，提高了数据质量；通过对用户行为的分类和特征提取，可以更准确地了解用户的购物偏好和兴趣爱好，为个性化推荐和营销提供基础数据支持；通过购物偏好分
析可以帮助商家更好地了解用户对商品类别、品牌和价格范围的偏好，从而优化产品定位、促销策略和库存管理；兴趣推断可以深入洞察用户的兴趣爱好，为精准广告投放和个性化推荐提供依据，提高广告点击率和转化率；购物行为分析可以揭示用户的购买习惯、购买力和购买时间段等信息，有助于制定更有效的促销活动和营销策略；通过用户互动分析可以了解用户对商品和服务的评价和反馈，帮助商家改进产品质量和服务质量，提升用户满意度和忠诚度。
83.本发明的一个实施例，所述日志时间包括第一日志时间、第二日志时间以及第三日志时间；所诉第一日志时间根据季节分为第一季节时间、第二季节时间、第三季节时间以及第四季节时间；所述第二日志时间分为工作日时间以及休息日时间；所述第三日志时间分为第一阶段时间、第二阶段时间、第三阶段时间以及第四阶段时间；所述第一季节时间为3-5月，所述第二季节时间为6-8月，所述第三季节时间为9-11月，所述第四季节时间为12-2月；所述第一阶段时间为6-12点，所述第二阶段时间为12-18点，所述第三阶段时间为18-24点，所述第三阶段时间为24-6点。
84.上述技术方案的工作原理及效果为：根据不同季节的时间进行分类，可以更好地理解用户在不同季节的行为和兴趣变化。例如，夏季用户可能对防晒霜和游泳用品感兴趣，冬季用户可能对保暖衣物和滑雪装备感兴趣。通过根据季节分类，可以更准确地推荐适合用户的商品和广告；根据工作日和休息日时间进行分类，可以更好地理解用户在不同时间段的行为和购买习惯。例如，工作日用户可能更关注工作和学习相关的商品，而休息日用户可能更关注休闲娱乐和家庭生活相关的商品。通过根据工作日和休息日分类，可以更准确地推荐适合用户的商品和广告；根据不同时间段进行分类，可以更好地理解用户在不同时段的行为和需求变化。例如，早晨用户可能更关注早餐和健康相关的商品，下午用户可能更关注午餐和工作相关的商品，晚上用户可能更关注晚餐和休闲娱乐相关的商品。通过根据不同时间段分类，可以更准确地推荐适合用户的商品和广告。
85.本发明的一个实施例，
86.所述第二行为数据包括用户在所述不同的日志时间的第一行为数据；
87.所述第二特征信息包括用户在所述不同的日志时间的第二行为数据。
88.上述技术方案的工作原理及效果为：通过获取用户在不同日志时间的第一行为数据，可以更全面地了解用户的行为特点。这有助于商家深入分析用户在不同时间段的行为偏好和购物习惯，提供更精准的用户画像和市场洞察；通过提取用户在不同日志时间的第二行为数据，可以更准确地推断用户的兴趣爱好。这有助于商家进行个性化推荐和定制化营销，提供用户感兴趣的产品和服务，提高用户满意度和购买转化率。通过综合分析用户在不同季节、不同时间段的行为数据和特征信息，企业可以制定更精细化的决策。例如，根据用户的购物偏好和兴趣，精确定位目标用户群体并进行定向营销；根据用户的时间偏好，优化商品上架和退换货的时间安排等；通过深入挖掘用户行为和兴趣，企业可以提供更符合用户需求的产品和服务，提升用户体验和满意度。这有助于增强用户对企业的忠诚度，促进用户的复购和口碑传播。
89.本发明的一个实施例，所述基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息具体步骤包括：
90.将所述用户的所述第二特征信息进行数值化表示，形成第一用户特征向量；
91.将所述商品特征信息进行数值化处理，形成商品的特征向量；
92.通过内容推荐算法匹配第一用户特征向量和商品的特征向量，计算用户与商品之间的匹配度；
93.根据匹配度进行排序，推荐与用户兴趣相关的广告商品；
94.通过协同过滤算法对用户进行商品推荐；
95.所述协同过滤算法包括基于用户的协同过滤以及基于商品的协同过滤；
96.所述基于用户的协同过滤包括计算用户之间的相似度，找到与当前用户相似的其他用户，获取这些相似用户喜欢的广告商品，并将其作为推荐选项；
97.所述基于商品的协同过滤包括计算广告商品之间的相似度，找到与用户历史喜欢的商品相似的其他商品，将其作为推荐候选项；
98.其中，通过如下计算广告商品之间的相似度；
[0099][0100]
其中sim(α，β)表示商品α和商品β的相似度；f
α,β
表示既评价过商品α也评价过商品β的用户集合，fα、f
β
分别为评价过商品α和商品β的用户集，p
fβ
分别表示用户f对商品α、β的评分，表示商品α，β的评分均值，所述评分均值即该商品所有评分的总和与对该商品进行过评分的用户数量的比值。
[0101]
将协同过滤算法和内容推荐算法的推荐结果通过推荐的准确性和个性化程度进行综合排序；
[0102]
根据排序结果获得第一推荐信息，根据第一推荐信息确定最终的推荐列表，并过滤掉不符合用户偏好或推荐策略的商品；
[0103]
将经过排序和过滤的推荐列表呈现给用户。
[0104]
上述技术方案的工作原理为：将用户的第二特征信息转化为数值表示，形成用户的特征向量；将商品的特征信息进行数值化处理，形成商品的特征向量；使用内容推荐算法计算用户特征向量和商品特征向量之间的匹配度，衡量用户对每个商品的兴趣程度；根据匹配度对商品进行排序，推荐与用户兴趣相关度最高的广告商品；使用协同过滤算法进行商品推荐。基于用户的协同过滤计算用户之间的相似度，找到与当前用户相似的其他用户，并获取这些相似用户喜欢的广告商品作为推荐选项。基于商品的协同过滤计算广告商品之间的相似度，找到与用户历史喜欢的商品相似的其他商品作为推荐候选项；将协同过滤算法和内容推荐算法的推荐结果综合起来，根据推荐准确性和个性化程度进行排序。然后，根据排序结果确定第一推荐信息，并根据用户的偏好和推荐策略过滤掉不符合要求的商品；将经过排序和过滤的推荐列表呈现给用户，供用户选择和购买。上述公式，例如，a同学喜欢电子产品、书籍以及零食，b同学也喜欢电子产品、书籍以及零食，并且，a同学以及b同学喜欢的电子产品、书籍以及零食的类型相似，那么就可以推断出a同学和b同学购物偏好、兴趣爱好以及购买行为差不多，同时，a同学还喜欢手办，那么就可以推断出b同学也可能喜欢手办，就向b同学也推荐手办，如果b同学对手办进行浏览点击，那可以推断出b同学对手办也感兴趣。
[0105]
上述技术方案的效果为：通过对用户特征和商品特征进行数值化表示和匹配，可以实现针对每个用户的个性化推荐，提高用户的购物满意度和体验；结合内容推荐算法和协同过滤算法，综合考虑用户的兴趣和相似用户、相似商品的喜好，可以提高推荐的准确性和命中率；根据用户的偏好和历史行为进行推荐，增加用户对品牌和平台的粘性和忠诚度，促进持续消费；通过精准的个性化推荐，可以增加用户的购买欲望和购买意愿，提高销售和转化率，增加商家的收益；根据用户的偏好进行过滤和排序，将最相关和符合用户需求的广告商品推荐给用户，帮助用户从庞大的商品选择中减少信息过载，提高购物效率；通过不断的数据积累和分析，可以对推荐算法进行优化和改进，提升推荐效果和精度，适应用户兴趣的变化和需求的演变。同时，通过上述公式计算广告商品之间的相似度可以帮助确定商品之间的关联性和相关性。当有用户对商品α进行评价时，根据相似度计算可以找到与商品α相似度较高的商品β。这样，在给用户进行商品推荐时，可以将商品β作为与用户兴趣相关的备选项，从而提供更加个性化的推荐结果。通过将用户评价过的商品与其他商品进行相似度对比，可以推荐更符合用户口味的商品。这样，用户会感到推荐结果更加贴合其需求，提升用户满意度和使用体验；通过计算商品之间的相似度，广告平台可以了解商品之间的关联程度。这样，商家可以在投放广告时选择与目标商品相似度较高的商品作为广告的展示对象，增加广告的曝光机会，并更好地吸引潜在用户的注意力；当用户对商品α进行评价时，系统可以根据相似度计算结果，向用户推荐与商品α相关的其他商品。这样，用户可能会对其他相关商品产生购买兴趣，从而增加销售额和客户价值。
[0106]
本发明的一个实施例，所述根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；包括：
[0107]
当用户对第一推荐信息进行交互和/或给出反馈时，记录用户的反馈信息，所述反馈信息包括用户的喜好、满意度、点击行为以及评分；
[0108]
从用户反馈信息中提取与推荐的商品或推荐结果相关的信息；例如，如果用户购买了某个推荐的商品，可以将这个购买行为视为第一反馈信息；如果用户对推荐的商品给出了评分或评论，可以将这些评分和评论作为第一反馈信息。
[0109]
将第一反馈信息与用户的第二特征信息进行数据融合，获取第二用户特征向量；
[0110]
通过第二用户特征向量，根据机器学习算法对用户画像进行优化，并根据随机森林算法训练模型；
[0111]
根据优化的画像以及训练的模型，获取第一优化模型。
[0112]
上述技术方案的工作原理为：当用户对第一推荐信息进行交互，例如点击、购买、评分、评论等行为时，系统会记录用户的反馈信息；系统从用户反馈信息中提取与推荐商品或结果相关的信息，例如用户购买了哪些推荐的商品，用户给出的评分和评论等；将用户的第二特征信息和反馈信息进行数据融合，以获取更全面的用户特征向量。这样可以综合考虑用户的静态特征和动态反馈，更准确地描述用户兴趣和偏好；通过机器学习算法，如随机森林算法，对用户画像进行优化。利用第二用户特征向量作为输入数据，训练模型来预测用户的兴趣和行为，进一步完善用户画像；根据优化后的用户画像和训练得到的模型，得到第一优化模型。这个模型可以用于更精确地预测用户的喜好和需求，进一步提升推荐的准确性和个性化程度。
[0113]
上述技术方案的效果为：通过记录用户反馈信息，系统可以了解用户的喜好、满意度、点击行为和评分等，从而更准确地了解用户的兴趣和需求。将这些反馈信息与用户的第二特征信息进行数据融合，可以得到更全面、详细的用户特征向量，从而提升推荐准确性；通过优化用户画像并训练模型，系统可以更好地理解用户的偏好和行为模式。借助随机森林算法等机器学习算法，可以根据第二用户特征向量预测用户的兴趣和需求，并提供个性化的推荐结果。这样，用户能够获得更符合其个人喜好和兴趣的推荐内容；个性化推荐能够更好地满足用户的需求，提供更有价值的推荐结果。通过记录用户的满意度反馈，系统可以不断优化推荐策略和模型，进一步提升用户满意度。当用户感到满意并有良好的交互体验时，他们更有可能继续使用产品或服务；通过分析用户反馈信息，系统可以了解用户对推荐结果的评价和购买行为。这些数据可以用于更好地理解用户需求和市场趋势，从而进行精细化的运营和推广策略。系统可以根据不同用户群体的特点调整推荐策略，提供更加个性化和精准的推荐内容。
[0114]
本发明的一个实施例，一种广告商品推荐系统，所述系统包括：
[0115]
信息获取模块：从服务器后台获取用户的操作日志以及商品特征信息；
[0116]
数据分析模块：根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；
[0117]
日志分类模块：将用户的操作日志根据不同的时间节点分为不同的日志时间；
[0118]
数据结合模块：将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；
[0119]
模型构建模块：根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征；
[0120]
商品推荐模块：基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；
[0121]
优化模块：根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；
[0122]
推荐调整模块：根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。
[0123]
上述技术方案的工作原理为：从服务器后台获取用户的操作日志和商品特征信息。用户的操作日志包括用户在平台上的行为操作，如商品浏览、搜索、加入购物车、下单、支付、评价等，而商品特征信息包括商品的文本描述、类别标签、图片特征、价格、销量统计、用户评价和评论、历史购买记录以及关联信息等；通过对用户的操作日志进行分析，提取出用户的第一行为数据，并进行分析和处理，得到用户的第一特征信息。这些特征信息可以包括用户的购物偏好、兴趣爱好和购买行为等；将用户的操作日志根据不同的时间节点进行划分，形成不同的日志时间段。这样可以更好地对用户的行为进行分析和推测，从而进行更准确的推荐；将不同时间节点的用户行为数据与第一特征信息结合，得到用户的第二行为数据。接着，根据第二行为数据进行分析和处理，提取用户的第二特征信息，进一步优化用
户画像；利用机器学习算法建立用户画像，将用户的特征信息进行整合和分析，形成用户画像模型。同时，利用深度学习算法对商品特征信息进行提取和编码，构建商品特征模型。商品特征模型包括商品的语义信息和隐含特征，如文本描述、类别标签、图片特征、价格、销量统计、用户评价和评论、历史购买记录以及关联信息等；基于用户画像和商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐。根据用户的兴趣和偏好，推荐最相关和有吸引力的广告商品，并生成第一推荐信息；根据用户对第一推荐信息的反馈，获得第一反馈信息。将第一反馈信息与第二特征信息结合，对用户画像进行优化，生成第一优化模型。利用第一优化模型对第一推荐信息进行不断调整，生成第二推荐信息；监测用户对第二推荐信息的反馈，获得第二反馈信息。根据第二反馈信息和第一优化模型，获得用户的第三行为数据，并根据第三行为数据提取用户的第三特征信息。根据用户的第三特征信息，进一步优化推荐策略，不断提升广告商品推荐的准确性和个性化程度。
[0124]
上述技术方案的效果为：通过对用户的操作日志和商品特征信息进行分析和处理，建立用户画像和商品特征模型。基于用户画像和商品特征模型，采用协同过滤算法和内容推荐算法相结合，能够实现精准的广告商品推荐，提供最相关和有吸引力的广告商品给用户；通过对用户的兴趣、偏好和购买行为进行深入分析，定制个性化的推荐策略。用户会得到符合其兴趣和需求的广告商品推荐，提高用户体验和参与度，增加用户对广告的点击和转化率；精准的广告商品推荐可以提高广告点击率和转化率，提高品牌的知名度和销售量。同时，通过优化推荐策略和不断调整，可以进一步提升广告效果和商业价值；结合用户对推荐信息的反馈，不断监测和优化推荐策略。根据用户的反馈信息和第一优化模型，可以动态调整推荐内容，确保广告商品推荐的时效性和准确性；通过机器学习算法和深度学习算法对用户和商品数据进行处理和分析，能够自动提取特征信息，并建立用户画像和商品特征模型。这样可以大大提高资源的利用效率，减少人工干预和成本。通过将用户的操作日志根据不同的时间节点分为不同的日志时间可以获取用户不同时间的浏览喜好等内容，例如用户夏天工作日中午喜欢浏览冷饮，冬天工作日中午喜欢浏览奶茶等待，这样可以实现更加精准的推荐。
[0125]
本发明的一个实施例，一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一所述的广告商品推荐方法。
[0126]
本发明的一个实施例，一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一所述的广告商品推荐方法。
[0127]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种广告商品推荐方法，其特征在于，所述方法包括：从服务器后台获取用户的操作日志以及商品特征信息；根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；将用户的操作日志根据不同的时间节点分为不同的日志时间；将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征；基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。2.根据权利要求1所述一种广告商品推荐方法，其特征在于，所述第一行为数据包括商品浏览、搜索、加入购物车、下单、支付、评价以及与商家的沟通信息；所述第一特征信息包括用户的购物偏好、兴趣爱好以及购买行为。3.根据权利要求1或2所述一种广告商品推荐方法，其特征在于，所述根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息的具体步骤包括：对用户的操作日志进行清洗，去除无效或错误记录，并对缺失值和异常值进行处理；根据操作日志中用户的第一行为数据对用户的行为类型进行分类；根据分类后的行为类型，提取第一特征信息；基于提取的第一特征信息，对用户进行购物偏好分析；所述购物偏好分析包括统计用户偏好的商品类别、品牌以及价格范围；通过用户的搜索关键词以及浏览的商品信息，推断用户的兴趣爱好；通过用户的购买行为数据，进行购物行为分析；如果操作日志中包含与商家的沟通信息，通过分析用户与商家的互动行为，获取用户对商品和/或服务的评价、投诉以及咨询情况。4.根据权利要求1所述一种广告商品推荐方法，其特征在于，所述日志时间包括第一日志时间、第二日志时间以及第三日志时间；所诉第一日志时间根据季节分为第一季节时间、第二季节时间、第三季节时间以及第四季节时间；所述第二日志时间分为工作日时间以及休息日时间；所述第三日志时间分为第一阶段时间、第二阶段时间、第三阶段时间以及第四阶段时间。5.根据权利要求1或4所述一种广告商品推荐方法，其特征在于，所述第二行为数据包括用户在所述不同的日志时间的第一行为数据；
所述第二特征信息包括用户在所述不同的日志时间的第二行为数据。6.根据权利要求1所述一种广告商品推荐方法，其特征在于，所述基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息具体步骤包括：将所述用户的所述第二特征信息进行数值化表示，形成第一用户特征向量；将所述商品特征信息进行数值化处理，形成商品的特征向量；通过内容推荐算法匹配第一用户特征向量和商品的特征向量，计算用户与商品之间的匹配度；根据匹配度进行排序，推荐与用户兴趣相关的广告商品；通过协同过滤算法对用户进行商品推荐；所述协同过滤算法包括基于用户的协同过滤以及基于商品的协同过滤；所述基于用户的协同过滤包括计算用户之间的相似度，找到与当前用户相似的其他用户，获取这些相似用户喜欢的广告商品，并将其作为推荐选项；所述基于商品的协同过滤包括计算广告商品之间的相似度，找到与用户历史喜欢的商品相似的其他商品，将其作为推荐候选项；将协同过滤算法和内容推荐算法的推荐结果通过推荐的准确性和个性化程度进行综合排序；根据排序结果获得第一推荐信息，根据第一推荐信息确定最终的推荐列表，并过滤掉不符合用户偏好或推荐策略的商品；将经过排序和过滤的推荐列表呈现给用户。7.根据权利要求1所述一种广告商品推荐方法，其特征在于，所述根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；包括：当用户对第一推荐信息进行交互和/或给出反馈时，记录用户的反馈信息，所述反馈信息包括用户的喜好、满意度、点击行为以及评分；从用户反馈信息中提取与推荐的商品或推荐结果相关的信息；将第一反馈信息与用户的第二特征信息进行数据融合，获取第二用户特征向量；通过第二用户特征向量，根据机器学习算法对用户画像进行优化，并根据随机森林算法训练模型；根据优化的画像以及训练的模型，获取第一优化模型。8.一种广告商品推荐系统，其特征在于，所述系统包括：信息获取模块：从服务器后台获取用户的操作日志以及商品特征信息；数据分析模块：根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；日志分类模块：将用户的操作日志根据不同的时间节点分为不同的日志时间；数据结合模块：将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；模型构建模块：根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包
括商品的语义信息和隐含特征；商品推荐模块：基于所述用户画像和所述商品特征模型，采用协同过滤算法和内容推荐算法相结合的方式，对用户进行广告商品推荐，获得第一推荐信息；优化模块：根据用户对第一推荐信息的反馈，获得第一反馈信息，将所述第一反馈信息与所述第二特征信息进行结合，对用户画像进行优化，获取第一优化模型；推荐调整模块：根据第一优化模型，对第一推荐信息进行不断调整，获得第二推荐信息，并根据第一监测模块监测用户对第二推荐信息的反馈，获得第二反馈信息，根据所述第二反馈信息以及第一优化模型获得用户的第三行为数据，根据用户的第三行为数据获取用户的第三特征信息，并根据所述用户的第三特征信息不断的调整推荐策略。9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述的存储器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求的1-8中任一所述的广告商品推荐方法。10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-8中任一所述的广告商品推荐方法。

技术总结
本发明提出了一种广告商品推荐方法和系统。所述方法包括：从服务器后台获取用户的操作日志以及商品特征信息；根据获取的用户的操作日志对用户的第一行为数据进行分析，获取用户的第一特征信息；将用户的操作日志根据不同的时间节点分为不同的日志时间；将所述日志时间以及用户的第一行为数据进行结合获得不同时间节点用户的第二行为数据；并根据所述第二行为数据获取用户的第二特征信息；根据所述第二特征信息通过机器学习算法建立用户画像，并利用深度学习算法对所述商品特征信息进行提取和编码，构建商品特征模型，所述商品特征模型包括商品的语义信息和隐含特征。型包括商品的语义信息和隐含特征。型包括商品的语义信息和隐含特征。


技术研发人员：何珊 谢渝畅 陈安安 高倩倩 邝业盛
受保护的技术使用者：广州洋葱时尚集团有限公司
技术研发日：2023.07.14
技术公布日：2023/10/19