專利名稱：一種基于場景信息推送廣告的方法、系統及設備的制作方法
技術領域：
本發明涉及通信領域，更具體地說，涉及一種基于場景信息推送廣告的方法、系統及設備。
背景技術：
在這個以信息溝通為主導的經濟時代，隨著互聯網技術的完善，網絡智能廣告也在迅猛發展。
網絡智能廣告的核心技術是進行受眾分析。也即，通過對互聯網用戶的網絡行為進行分析得出用戶特征信息，比如該用戶的年齡、性別、地理位置、收入狀況以及其感興趣的領域等。
受眾分析的其中一個方面是進行場景分析，場景信息可以作為對那些沖動型購物的用戶推送廣告的依據。所謂場景分析，就是通過統計用戶的網頁瀏覽行為，如瀏覽歷史、瀏覽活動等，從而分析得知用戶的興趣集中在哪些領域(例如，汽車、房產、旅游、數碼、音樂、動漫、游戲、體育、交友、讀書、軍事、財經、文學、美食等)，然后則可針對性地投放用戶感興趣的個性化廣告。
現有技術進行場景分析的具體過程包括(1)利用分詞技術抽取網頁特征詞，對網頁進行分類；(2)統計用戶訪問過的網頁的數量，提取出所有網頁的特征詞，并將其并集作為候選特征詞；(3)計算每個特征詞出現在每個頁面中的權值，從而得到興趣向量；(4)根據興趣向量生成場景信息，并在對其編碼后寫入Cookie中。其生成場景信息的具體過程包括對興趣向量進行平均，再正則化(使權重之和為1)，所得即為場景信息的取值。
由上可知，現有技術所得到的場景信息僅僅是對用戶興趣的一個綜合，無法體現用戶興趣走向，因此推送的廣告不能非常精確地吻合用戶實際的興趣和需要。所謂用戶興趣走向，是指用戶感興趣的領域可能隨時都在轉移，而其轉移趨勢則被稱為用戶興趣走向。現有技術的場景信息沒有考慮該用戶興趣走向，因此在推送廣告的針對性方面仍有待進一步完善。
發明內容
本發明的目的在于提供一種基于場景信息推送廣告的系統，旨在解決現有技術推送廣告的針對性不足的問題。
本發明的目的還在于提供一種基于場景信息推送廣告的設備，以更好地解決現有技術中存在的上述問題。
本發明的目的還在于提供一種基于場景信息推送廣告的方法，以更好地解決現有技術中存在的上述問題。
為了實現發明目的，所述基于場景信息推送廣告的系統包括服務器和客戶端，所述服務器包括一個用于存儲用戶所訪問的網頁的數據庫，一個用于根據用戶所訪問的網頁獲取場景信息的場景分析單元，和一個根據場景信息投放廣告的廣告推送單元，所述場景分析單元中包括一個興趣走向預測模塊，用于根據用戶所訪問的網頁預測用戶興趣走向，并生成一個包含所述用戶興趣走向的場景信息。
優選地，所述場景分析單元還包括特征詞提取模塊、興趣向量生成模塊；所述特征詞提取模塊用于從用戶所瀏覽的網頁中提取特征詞；所述興趣向量生成模塊與特征詞提取模塊相連，用于計算所述特征詞在用戶所瀏覽的各網頁中的權值，將所述特征詞及其權值組成興趣向量，并送入興趣走向預測模塊。
優選地，所述服務器進一步包括一個效果分析單元，與所述廣告推送單元相連，用于根據廣告推送數據以及客戶端反饋的用戶點擊數據，計算廣告的曝光率和點擊率。
為了更好地實現發明目的，所述基于場景信息推送廣告的設備，即與客戶端相連的服務器，所述服務器包括一個用于收集并存儲用戶數據的數據庫，一個用于根據用戶數據獲取場景信息的場景分析單元，和一個根據場景信息投放廣告的廣告推送單元，所述場景分析單元中包括一個興趣走向預測模塊，用于根據用戶所訪問的網頁預測用戶興趣走向，并生成一個包含所述用戶興趣走向的場景信息。
優選地，所述場景分析單元還包括特征詞提取模塊、興趣向量生成模塊；所述特征詞提取模塊用于從用戶所瀏覽的網頁中提取特征詞；所述興趣向量生成模塊與特征詞提取模塊相連，用于計算所述特征詞在用戶所瀏覽的各網頁中的權值，將所述特征詞及其權值組成興趣向量，并送入興趣走向預測模塊。
為了更好地實現發明目的，所述基于場景信息推送廣告的方法包括以下步驟A.統計用戶訪問的網頁，并根據從所述網頁中提取的特征詞生成興趣向量；B.根據所述興趣向量預測用戶興趣走向，并生成一個包含用戶興趣走向的場景信息；C.根據場景信息選擇廣告，并將所述廣告推送至用戶所在的客戶端中。
優選地，所述步驟A之前還包括利用分詞技術對網頁進行分類。
優選地，所述步驟A進一步包括A1.從用戶訪問的網頁中提取特征詞，并將所述特征詞的并集作為候選特征詞；A2.計算候選特征詞中每一者的權值，并將特征詞及其權值組織成一個興趣向量。
優選地，所述步驟B包括B11.對所述興趣向量中的各個分量進行加權平均，其中各分量的權重取值與其時間順序成反比；B12.對步驟B11輸出的加權平均值進行正則化處理，并將運算結果作為場景信息進行編碼。
優選地，所述步驟B包括B21.將所述興趣向量作為多維時間序列在對應時間點上的取值；B22.預測所述多維時間序列的下一個取值，并將所述下一個取值作為場景信息進行編碼。
本發明通過對用戶最近所瀏覽的網頁進行統計，得到能夠體現用戶興趣走向的場景信息，有效提高了廣告推送的針對性；此外，還對用戶反饋信息進行效果分析，從而進一步完善了廣告推送過程。
圖1是本發明中基于場景信息推送廣告的系統結構圖；圖2是本發明的服務器中場景分析單元的內部結構圖；圖3是本發明的一個實施例中基于場景信息推送廣告的系統結構圖；
圖4是本發明中基于場景信息推送廣告的方法流程圖；圖5是本發明的一個實施例中基于場景信息推送廣告的方法流程圖。
具體實施例方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
本發明中，首先利用分詞技術提取所有網頁中的特征詞，從而對網頁進行分類；然后定期統計用戶最近訪問過的網頁，將網頁中的特征詞的并集作為候選特征詞，并計算每個特征詞出現在每個網頁中的權值，從而得到興趣向量；再根據興趣向量進一步得到一個能夠體現用戶興趣走向的場景信息，從而可根據該場景信息針對性地推送廣告到用戶所在的客戶端。
圖1示出了本發明中基于場景信息推送廣告的系統結構，該系統包括服務器100，以及與其相連的多個客戶端(客戶端200、客戶端300……客戶端N)。應當說明的是，本發明所有圖示中各設備之間的連接關系是為了清楚闡釋其信息交互及控制過程的需要，因此應當視為邏輯上的連接關系，而不應僅限于物理連接。
各客戶端(客戶端200、客戶端300……客戶端N)可為能夠登錄因特網并進行網絡活動的各種終端設備，例如個人計算機(Personal Computer，PC)、個人數字助理(Personal Digital Assistant，PDA)、移動電話(Mobile Phone，MP)等，因此本發明的保護范圍不應限定為某種特定類型的客戶端。
服務器100用于存儲用戶數據，并根據用戶數據進行場景分析，然后基于所生成的場景信息推送廣告至客戶端。該服務器100典型的可為專用的廣告伺服器，或者具有廣告伺服功能的大型網站服務器等，因此本發明的保護范圍不應限定為某種特定類型的服務器。進一步地，服務器100包括數據庫101、場景分析單元102和廣告推送單元103，其中(1)數據庫101用于存儲所收集到的用戶數據，這些用戶數據主要包括用戶的瀏覽歷史(即用戶所瀏覽的網頁)、用戶的網絡行為(例如對其感興趣的鏈接的點擊操作)等。
(2)場景分析單元102與數據庫101相連，用于根據數據庫101中存儲的用戶數據進行場景分析，主要是對用戶所瀏覽的網頁進行統計，并根據從網頁中提取的特征詞計算得到興趣向量，該興趣向量從數值上反映了用戶感興趣的領域。當生成該興趣向量后，再將其進行編碼，并寫入網頁的Cookie中。關于該場景分析單元102的內部結構及具體的功能實現，在圖2中將進行詳細闡述。
(3)廣告推送單元103與場景分析單元102相連，用于根據寫入網頁Cookie中的興趣向量編碼，對廣告進行選擇并推送至各客戶端(客戶端200、客戶端300……客戶端N)。
圖2示出了圖1的服務器100中場景分析單元102的內部結構，包括特征詞提取模塊1021、興趣向量生成模塊1022、興趣走向預測模塊1023，其中(1)特征詞提取模塊1021用于從數據庫101所存儲的用戶數據中統計用戶最近訪問過的網頁，并從中提取特征詞。本發明中，特征詞提取模塊1021可基于多種條件而啟動統計操作，且其提取特征詞的方式也有多種。
在啟動統計操作的一個示例方案中，該特征詞提取模塊1021是采取定時提取的方式。具體實現是在特征詞提取模塊1021中設置一個時間閾值T，則每隔一個時間T則從數據庫101所存儲的用戶數據中統計用戶最近訪問過的網頁，待統計的網頁數量也可靈活設置。
在提取特征詞的一個示例方案中，特征詞提取模塊1021在提取特征詞之前，需先對所有網頁進行分類，具體包括預定義一個關鍵詞庫，其中的詞條來源可以參考在網絡中廣泛應用的搜索關鍵詞，并且定義該關鍵詞庫中每個詞條所屬的興趣類型，例如汽車、房產、旅游、數碼、音樂、動漫、游戲、體育、交友、讀書、軍事、財經、文學、美食等等；然后采取分詞技術，抽取網頁的特征詞向量，計算其與各興趣類型對應關鍵詞的相似度，并將網頁歸類到相似度值最大的興趣類。然后特征詞提取模塊1021基于該分類，統計各興趣類型中用戶最近訪問過的網頁的數量，并采用分詞技術從所訪問過的網頁中提取特征詞，再求出所有網頁的特征詞的并集作為用戶興趣向量的候選特征詞。在一個實施例中，特征詞記作Ki，那么用戶興趣類特征詞的全集K＝{K1，K2，…，Km}，其中m代表特征詞的數量。
(2)興趣向量生成模塊1022與特征詞提取模塊1021相連，用于根據提取出的特征詞生成對應的興趣向量。具體包括首先計算所有特征詞的權值，然后將所有特征詞與其權值的組合作為興趣向量。其中，特征詞的權值計算方法包括多種。
在一個實施例中，利用如下的計算公式計算特征詞的權值Wi=TFi*IDFi=Σj=1ntfij*log(Nni)]]>其中，m是前述特征詞全集中特征詞的數量，n是所統計的網頁數量，i＝1，2，…，m；j＝1，2，…，n。tfij表示特征詞Ki在頁面Pj中的權值， 是計算第i個特征詞在n個頁面中的權值時所取的權重。
依次計算了各個特征詞的權值后，再將特征詞與其權值的組合作為興趣向量，記為Uc，表示為Uc＝{(K1，W1)，…，(Ki，Wi)，…，(Km，Wm)}。
(3)興趣走向預測模塊1023與興趣向量生成模塊1022相連，用于根據興趣向量對用戶興趣的走向進行預測，生成一個包含用戶興趣走向的場景信息，并將該場景信息編碼后寫入網頁的Cookie中。本發明中，包含用戶興趣走向的場景信息可有多種形式，其生成方式也有多種。
在生成場景信息的一個示例方案中，對興趣向量進行加權平均的運算，把越靠近最近興趣向量的權重取得越大，也即，權重取值與其時間順序成反比；然后對加權平均后的結果進行正則化處理(使權重之和為1)，所得值即為本發明的場景信息。由于該生成方法中，對興趣向量并不只是簡單的平均，而是進行加權平均，權重的取值考慮到了場景信息的漂移，因此能夠體現用戶興趣走向。不過利用這種方式生成的場景信息仍然是一個綜合值，偏向不夠顯著。
在生成場景信息的另一示例方案中，則利用多維時間序列來進行運算。具體包括將所述興趣向量作為多維時間序列在對應時間點上的取值；然后采用數據挖掘方法預測該多維時間序列的下一個取值，并將該下一個取值作為場景信息。在該示例方案中，用于預測多維時間序列的下一個取值的數據挖掘方法可以是多種，例如統計學中的自回歸移動平均(Autoregressive IntegratedMoving Average，ARIMA)，以及機器學習中的任何一種預測方法(例如，神經網絡、決策樹、支持向量機等)。
圖3示出了本發明的一個實施例中基于場景信息推送廣告的系統結構，包括服務器100，以及與其相連的多個客戶端(客戶端200、客戶端300……客戶端N)。與圖1所示系統相比，服務器100除包括數據庫101、場景分析單元102和廣告推送單元103外，還包括一個效果分析單元104。
該效果分析單元104與廣告推送單元103相連，用于根據廣告推送單元103中記錄的廣告推送數據以及各客戶端(客戶端200、客戶端300……客戶端N)反饋的用戶點擊數據，計算廣告的曝光率和點擊率。
本發明中，曝光率和命中率的計算方法可有多種。在一個示例方案中，效果分析單元104計算曝光率的公式如下曝光率＝覆蓋用戶數/總用戶數；其計算命中率的公式如下命中率＝點擊數/曝光數。
在上述示例方案的一個實施例中，所得曝光率和命中率如下表
在上述示例方案的另一實施例中，所得曝光率和命中率如下表
當然，本發明中效果分析單元104還可通過其他方式計算廣告的曝光率和命中率，并不限定于以上所述的方法。
圖4示出了本發明基于場景信息推送廣告的方法流程，該方法流程基于圖1、圖2所示的系統結構，具體過程如下在執行本發明的所有步驟之前，需先對所有網頁進行分類，具體包括預定義一個關鍵詞庫，其中的詞條來源可以參考在網絡中廣泛應用的搜索關鍵詞，并且定義該關鍵詞庫中每個詞條所屬的興趣類型，例如汽車、房產、旅游、數碼、音樂、動漫、游戲、體育、交友、讀書、軍事、財經、文學、美食等等；然后采取分詞技術，抽取網頁的特征詞向量，計算其與各興趣類型對應關鍵詞的相似度，并將網頁歸類到相似度值最大的興趣類。
在步驟S401中，服務器100統計用戶訪問的網頁，從網頁中提取特征詞，并根據特征詞生成用戶興趣向量。具體包括(1)服務器100利用場景分析單元102中的特征詞提取模塊1021統計各興趣類型中用戶最近訪問過的網頁的數量，并采用分詞技術從所訪問過的網頁中提取特征詞，再求出所有網頁的特征詞的并集作為用戶興趣向量的候選特征詞；(2)興趣向量生成模塊1022再計算所有特征詞的權值，然后將所有特征詞與其權值的組合作為興趣向量。
在一個實施例中，特征詞記作Ki，那么用戶興趣類特征詞的全集K＝{K1，K2，…，Km}，其中m代表特征詞的數量。
而在該實施例中，可利用如下的計算公式計算特征詞的權值Wi=TFi*IDFi=Σj=1ntfij*log(Nni)]]>其中，n是所統計的網頁數量，i＝1，2，…，m；j＝1，2，…，n。tfij表示特征詞Ki在頁面Pj中的權值， 是計算第i個特征詞在n個頁面中的權值時所取的權重。
依次計算了各個特征詞的權值后，再將特征詞與其權值的組合作為興趣向量，記為Uc，表示為Uc＝{(K1，W1)，…，(Ki，Wi)，…，(Km，Wm)}。
在步驟S402中，服務器100利用其場景分析單元102中的興趣走向預測模塊1023，根據興趣向量對用戶興趣的走向進行預測，生成一個包含用戶興趣走向的場景信息，并將該場景信息編碼后寫入網頁的Cookie中。本發明中，包含用戶興趣走向的場景信息可有多種形式，其生成方式也有多種。
在生成場景信息的一個示例方案中，對興趣向量進行加權平均的運算，把越靠近最近興趣向量的權重取得越大，也即，權重取值與其時間順序成反比；然后對加權平均后的結果進行正則化處理(使權重之和為1)，所得值即為本發明的場景信息。由于該生成方法中，對興趣向量并不只是簡單的平均，而是進行加權平均，權重的取值考慮到了場景信息的漂移，因此能夠體現用戶興趣走向。不過利用這種方式生成的場景信息仍然是一個綜合值，偏向不夠顯著。
在生成場景信息的另一示例方案中，則利用多維時間序列來進行運算。具體包括將所述興趣向量作為多維時間序列在對應時間點上的取值；然后采用數據挖掘方法預測該多維時間序列的下一個取值，并將該下一個取值作為場景信息。在該示例方案中，用于預測多維時間序列的下一個取值的數據挖掘方法可以是多種，例如統計學中的自回歸移動平均(Autoregressive IntegratedMoving Average，ARIMA)，以及機器學習中的任何一種預測方法(例如，神經網絡、決策樹、支持向量機等)。
在步驟S403中，根據編碼后的場景信息針對性地選擇廣告，并將所選擇的廣告推送給用戶所在的客戶端。由于該場景信息中包含有用戶興趣走向的因素，因此所選擇的廣告可貼近用戶最近的需求，然后執行投放操作。
圖5示出了本發明的一個實施例中基于場景信息推送廣告的方法流程，該方法流程基于圖3所示的系統結構，具體過程如下在執行本發明的所有步驟之前，需先對所有網頁進行分類，具體包括預定義一個關鍵詞庫，其中的詞條來源可以參考在網絡中廣泛應用的搜索關鍵詞，并且定義該關鍵詞庫中每個詞條所屬的興趣類型，例如汽車、房產、旅游、數碼、音樂、動漫、游戲、體育、交友、讀書、軍事、財經、文學、美食等等；然后采取分詞技術，抽取網頁的特征詞向量，計算其與各興趣類型對應關鍵詞的相似度，并將網頁歸類到相似度值最大的興趣類。
在步驟S501中，服務器100統計用戶訪問的網頁，從網頁中提取特征詞，并根據特征詞生成用戶興趣向量。具體包括(1)服務器100利用場景分析單元102中的特征詞提取模塊1021統計各興趣類型中用戶最近訪問過的網頁的數量，并采用分詞技術從所訪問過的網頁中提取特征詞，再求出所有網頁的特征詞的并集作為用戶興趣向量的候選特征詞；(2)興趣向量生成模塊1022再計算所有特征詞的權值，然后將所有特征詞與其權值的組合作為興趣向量。此步驟的具體實現過程與前述步驟S401一致。
在步驟S502中，服務器100利用其場景分析單元102中的興趣走向預測模塊1023，根據興趣向量對用戶興趣的走向進行預測，生成一個包含用戶興趣走向的場景信息，并將該場景信息編碼后寫入網頁的Cookie中。本發明中，包含用戶興趣走向的場景信息可有多種形式，其生成方式也有多種。
在生成場景信息的一個示例方案中，對興趣向量進行加權平均的運算，把越靠近最近興趣向量的權重取得越大，也即，權重取值與其時間順序成反比；然后對加權平均后的結果進行正則化處理(使權重之和為1)，所得值即為本發明的場景信息。由于該生成方法中，對興趣向量并不只是簡單的平均，而是進行加權平均，權重的取值考慮到了場景信息的漂移，因此能夠體現用戶興趣走向。不過利用這種方式生成的場景信息仍然是一個綜合值，偏向不夠顯著。
在生成場景信息的另一示例方案中，則利用多維時間序列來進行運算。具體包括將所述興趣向量作為多維時間序列在對應時間點上的取值；然后采用數據挖掘方法預測該多維時間序列的下一個取值，并將該下一個取值作為場景信息。在該示例方案中，用于預測多維時間序列的下一個取值的數據挖掘方法可以是多種，例如統計學中的自回歸移動平均(Autoregressive IntegratedMoving Average，ARIMA)，以及機器學習中的任何一種預測方法(例如，神經網絡、決策樹、支持向量機等)。
在步驟S503中，根據編碼后的場景信息針對性地選擇廣告，并將所選擇的廣告推送給用戶所在的客戶端。由于該場景信息中包含有用戶興趣走向的因素，因此所選擇的廣告可貼近用戶最近的需求，然后執行投放操作。
在步驟S504中，效果分析單元104根據廣告推送單元103中記錄的廣告推送數據以及各客戶端(客戶端200、客戶端300……客戶端N)反饋的用戶點擊數據，計算廣告的曝光率和點擊率。
本發明中，曝光率和命中率的計算方法可有多種。在一個示例方案中，效果分析單元104計算曝光率的公式如下曝光率＝覆蓋用戶數/總用戶數；其計算命中率的公式如下命中率＝點擊數/曝光數。
在上述示例方案的一個實施例中，所得曝光率和命中率如下表
在上述示例方案的另一實施例中，所得曝光率和命中率如下表
當然，本發明中效果分析單元104還可通過其他方式計算廣告的曝光率和命中率，并不限定于以上所述的方法。
最后將計算結果發送至場景分析單元102中，轉步驟S501，從而利用曝光率和命中率對場景分析過程進行進一步的優化。
以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
權利要求
1.一種基于場景信息推送廣告的系統，包括服務器和客戶端，所述服務器包括一個用于存儲用戶所訪問的網頁的數據庫，一個用于根據用戶所訪問的網頁獲取場景信息的場景分析單元，和一個根據場景信息投放廣告的廣告推送單元，其特征在于，所述場景分析單元中包括一個興趣走向預測模塊，用于根據用戶所訪問的網頁預測用戶興趣走向，并生成一個包含所述用戶興趣走向的場景信息。
2.根據權利要求1所述的基于場景信息推送廣告的系統，其特征在于，所述場景分析單元還包括特征詞提取模塊、興趣向量生成模塊；所述特征詞提取模塊用于從用戶所瀏覽的網頁中提取特征詞；所述興趣向量生成模塊與特征詞提取模塊相連，用于計算所述特征詞在用戶所瀏覽的各網頁中的權值，將所述特征詞及其權值組成興趣向量，并送入興趣走向預測模塊。
3.根據權利要求2所述的基于場景信息推送廣告的系統，其特征在于，所述服務器進一步包括一個效果分析單元，與所述廣告推送單元相連，用于根據廣告推送數據以及客戶端反饋的用戶點擊數據，計算廣告的曝光率和點擊率。
4.一種基于場景信息推送廣告的設備，即與客戶端相連的服務器，所述服務器包括一個用于收集并存儲用戶數據的數據庫，一個用于根據用戶數據獲取場景信息的場景分析單元，和一個根據場景信息投放廣告的廣告推送單元，其特征在于，所述場景分析單元中包括一個興趣走向預測模塊，用于根據用戶所訪問的網頁預測用戶興趣走向，并生成一個包含所述用戶興趣走向的場景信息。
5.根據權利要求4所述的基于場景信息推送廣告的設備，其特征在于，所述場景分析單元還包括特征詞提取模塊、興趣向量生成模塊；所述特征詞提取模塊用于從用戶所瀏覽的網頁中提取特征詞；所述興趣向量生成模塊與特征詞提取模塊相連，用于計算所述特征詞在用戶所瀏覽的各網頁中的權值，將所述特征詞及其權值組成興趣向量，并送入興趣走向預測模塊。
6.一種基于場景信息推送廣告的方法，其特征在于，所述方法包括以下步驟A.統計用戶訪問的網頁，并根據從所述網頁中提取的特征詞生成興趣向量；B.根據所述興趣向量預測用戶興趣走向，并生成一個包含用戶興趣走向的場景信息；C.根據場景信息選擇廣告，并將所述廣告推送至用戶所在的客戶端中。
7.根據權利要求6所述的基于場景信息推送廣告的方法，其特征在于，所述步驟A之前還包括利用分詞技術對網頁進行分類。
8.根據權利要求6所述的基于場景信息推送廣告的方法，其特征在于，所述步驟A進一步包括A1.從用戶訪問的網頁中提取特征詞，并將所述特征詞的并集作為候選特征詞；A2.計算候選特征詞中每一者的權值，并將特征詞及其權值組織成一個興趣向量。
9.根據權利要求8所述的基于場景信息推送廣告的方法，其特征在于，所述步驟B包括B11.對所述興趣向量中的各個分量進行加權平均，其中各分量的權重取值與其時間順序成反比；B12.對步驟B11輸出的加權平均值進行正則化處理，并將運算結果作為場景信息進行編碼。
10.根據權利要求8所述的基于場景信息推送廣告的方法，其特征在于，所述步驟B包括B21.將所述興趣向量作為多維時間序列在對應時間點上的取值；B22.預測所述多維時間序列的下一個取值，并將所述下一個取值作為場景信息進行編碼。
全文摘要
本發明涉及通信領域，提供了一種基于場景信息推送廣告的方法、系統及設備。所述方法包括以下步驟A.統計用戶訪問的網頁，并根據從所述網頁中提取的特征詞生成興趣向量；B.根據所述興趣向量預測用戶興趣走向，并生成一個包含用戶興趣走向的場景信息；C.根據場景信息選擇廣告，并將所述廣告推送至用戶所在的客戶端中。本發明通過對用戶最近所瀏覽的網頁進行統計，得到能夠體現用戶興趣走向的場景信息，有效提高了廣告推送的針對性；此外，還對用戶反饋信息進行效果分析，從而進一步完善了廣告推送過程。
文檔編號G06Q30/00GK101079063SQ20071007612
公開日2007年11月28日 申請日期2007年6月25日 優先權日2007年6月25日
發明者岳亞丁, 廖煥華, 宋大可, 劉奕慧, 龔磊, 曾海濤, 吳曉光 申請人:騰訊科技(深圳)有限公司