[發明專利]推薦廣告的方法及廣告推薦服務器

有效

• 申請號: 201410268560.5
• 申請日: 2014-06-16
• 公開（公告）號: CN104090919B
• 公開（公告）日: 2017-04-19
• 發明（設計）人: 涂丹丹;張勇
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06Q30/02
• 代理公司: 北京龍雙利達知識產權代理有限公司11329
• 代理人: 王君,肖鸝

技術領域

本發明涉及信息處理領域，并且具體地，涉及推薦廣告的方法及廣告推薦服務器。

背景技術

互聯網在線廣告已成為除電視和報紙之外的主要廣告投放方式。在線廣告的收益與廣告的點擊率密切相關，增加廣告點擊率是提高廣告收益的有效途徑之一。為了提高廣告點擊率，推薦廣告之前需要預測用戶點擊廣告的概率(以下稱為廣告的點擊概率)。

目前，主要通過兩種算法預測廣告的點擊概率來向用戶推薦廣告。一種是基于內容過濾(Content-based Filtering，CBF)的推薦算法，另一種是基于用戶或項目的協同過濾(Collaborative Filtering，CF)的推薦算法。

具體而言，對于基于CBF的算法，主要是利用信息檢索或信息過濾技術，根據廣告和網頁內容的相關性向目標用戶推薦廣告。即，與網頁內容相關性越高的廣告，認為其點擊概率越高。因此，在相同的網頁上往往會向用戶推薦相同的廣告。然而，這種算法未考慮用戶的興趣，導致廣告的點擊概率預測的準確性并不高，因此難以保證廣告的點擊率。

對于基于用戶的CF算法，主要根據用戶的歷史廣告點擊信息計算用戶之間的相似性，然后根據與目標用戶相似性較高的用戶對廣告的點擊情況，預測目標用戶對廣告的喜好程度，然后根據喜好程度對目標用戶進行推薦。對于基于項目的CF算法，主要通過計算廣告之間的相似性，選擇目標廣告的最接近的廣告集合，根據當前用戶對最接近的廣告的喜好程度來決定是否推薦目標廣告。這兩種CF算法均是利用用戶的喜好程度預測廣告的點擊概率。可見，相比基于CBF的算法而言，雖然CF算法在一定程度上提高了廣告的點擊概率預測的準確性，能夠提高廣告的點擊率，但是由于用戶經常訪問內容相似的網頁，采用CF算法推薦給用戶的廣告往往和此用戶熟悉的廣告很相似，無法發現用戶并不熟悉但潛在感興趣的廣告，導致廣告的點擊率不高，用戶體驗差。

發明內容

本發明實施例提供推薦廣告的方法及廣告推薦服務器，能夠提高廣告的點擊率，進而提升用戶體驗。

第一方面，提供了一種推薦廣告的方法，包括：從用戶訪問互聯網日志中獲取網頁訪問信息和廣告點擊信息，所述網頁訪問信息用于指示m個用戶所訪問的n個網頁，所述廣告點擊信息用于指示m個用戶在n個網頁上點擊的x個廣告，n、m和x均為大于1的正整數；根據所述網頁訪問信息和所述廣告點擊信息，預測所述m個用戶中第i用戶訪問第j網頁時所述x個廣告的點擊概率，其中i為取值從1至m的正整數，j為取值從1至n的正整數；確定所述x個廣告分別對應的新穎性因子，所述x個廣告中每個廣告對應的新穎性因子用于表示所述第i用戶對所述每個廣告的知曉程度；根據所述x個廣告的點擊概率和所述x個廣告分別對應的新穎性因子，在所述x個廣告中確定待向所述第i用戶推薦的p個廣告，其中，所述第i用戶對所述p個廣告的知曉程度低于所述第i用戶對所述x個廣告中除所述p個廣告之外的廣告的知曉程度，所述p個廣告的點擊概率高于所述x個廣告中除所述p個廣告之外的廣告的點擊概率，p為正整數且p≤x。

結合第一方面，在第一種可能的實現方式中，所述確定所述x個廣告分別對應的新穎性因子，包括：根據歷史推薦信息，確定所述x個廣告分別對應的新穎性因子，所述歷史推薦信息用于指示向所述第i用戶分別推薦所述x個廣告的歷史記錄。

結合第一方面的第一種可能的實現方式，在第二種可能的實現方式中，所述根據歷史推薦信息，確定所述x個廣告分別對應的新穎性因子，包括：對于所述x個廣告中的第k廣告，如果所述歷史推薦信息指示未向所述第i用戶推薦過所述第k廣告，則確定所述第k廣告對應的新穎性因子為第一值；如果所述歷史推薦信息指示過去向所述第i用戶推薦過所述第k廣告，則確定所述第k廣告對應的新穎性因子為第二值；其中，所述第一值大于所述第二值，k為取值從1至x的正整數。

結合第一方面的第二種可能的實現方式，在第三種可能的實現方式中，所述確定所述第k廣告對應的新穎性因子為第二值，包括：確定q天前向所述第i用戶推薦過所述第k廣告，q為正整數；確定所述q天對應的艾賓浩斯遺忘曲線值；確定所述第k廣告對應的新穎性因子為所述第一值與所述艾賓浩斯遺忘曲線值之間的差值。