[发明专利]一种基于用户行为的用户兴趣分析方法及广告投放方法

说明书

本发明提供一种基于用户行为的用户兴趣分析方法及广告投放方法，涉及人群行为特征分析领域，所述方法包括步骤一：根据业务需求采集用户数据，并且同步设置广告投放类型；步骤二：采集用户行为数据，设置访问类型、访问间隔、点击广告类型作为样本特征；步骤三：将样本特征作为神经网络模型的输入层，广告投放类型作为神经网络模型的输出层，对神经网络模型进行训练得到兴趣分类模型；步骤四：将待分类的用户行为数据输入兴趣分类模型，输出用户兴趣类型；步骤五：基于用户兴趣类型和广告投放类型，使用贝叶斯公式计算用户所属兴趣类型的概率。本发明根据用户行为数据进行用户兴趣分类，为广告投放、网站运营等提供更好的数据支撑。

技术领域

本发明涉及人群行为特征分析领域，特别是涉及一种基于用户行为的用户兴趣分析方法及广告投放方法。

背景技术

为了更加精准的为广告投放或者网站运营提供更好的广告效果或者数据决策依据，需要对用户的兴趣进行分析，基于用户兴趣分析实现用户和商家的双赢。

目前，如图1所示，广告投放主要通过统计广告位置流量与广告效果，并且根据人员经验设置优化，最后根据人员优化结果进行处理；并且用户信息多采用第一方数据，第一方数据存在数据不精准、数据与真实用户行为不匹配等多种问题，造成数据往往无法真正使用，或者使用起来效果很差；另外，传统用户分类很难校验用户的准确性，使得最终效果难以评估，或者效果提升在5％以内，并无很好的效果。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于用户行为的用户兴趣分析方法及广告投放方法，根据用户访问广告、网站等的行为数据进行用户兴趣分类，为广告投放、网站运营等提供更好的数据支撑，降低广告投放、网站运营等的成本。

本发明提供一种基于用户行为的用户兴趣分析方法，所述方法包括以下步骤：

步骤一：根据业务需求采集用户数据，并且同步设置广告投放类型；

步骤二：采集用户行为数据，设置访问类型、访问间隔、点击广告类型作为样本特征；

步骤三：将样本特征作为神经网络模型的输入层，广告投放类型作为神经网络模型的输出层，对神经网络模型进行训练得到兴趣分类模型；

步骤四：将待分类的用户行为数据输入兴趣分类模型，输出用户兴趣类型；

步骤五：基于用户兴趣类型和广告投放类型，使用贝叶斯公式计算用户所属兴趣类型的概率。

于本发明的一实施例中，对神经网络模型进行训练得到兴趣分类模型后，通过用户兴趣类型对广告投放类型进行优化。

于本发明的一实施例中，所述用户行为数据包括对网站和APP的访问类型数据、访问间隔数据、点击广告类型数据。

于本发明的一实施例中，所述广告投放类型包括电商、游戏、金融以及手机。

于本发明的一实施例中，所述神经网络模型包括输入层Input，隐含层Hide，输出层Output，所述输入层Input的单元数等于样本特征数，输出层Output的单元数等于广告类型数。

于本发明的一实施例中，所述神经网络模型采用sigmoid函数作为激励函数，sigmoid函数：

其中，e为自然对数，x为输入样本特征。

于本发明的一实施例中，所述贝叶斯公式为：

其中，A为兴趣分类模型输出的用户兴趣类型，B为设置的广告投放类型。

一种基于用户行为的广告投放方法，所述方法是基于权利要求1-7实现的，所述方法包括以下步骤：