[发明专利]一种广告召回方法、装置、服务器及存储介质

说明书

本发明实施例公开了一种广告召回方法、装置、服务器及存储介质。该方法包括：根据当前用户的特征数据得到与当前用户相关的用户列表；计算当前用户与用户列表中每一个用户之间的相似度；分别对每个候选广告，根据用户列表中每一个用户对当前候选广告的操作信息和当前用户与用户列表中每一个用户之间的相似度，得到当前用户与当前候选广告的评分信息；根据计算得到的每一个评分信息筛选出需要召回的候选广告。本发明实施例的技术方案，通过当前用户特征数据来算出与当前用户比较相似的用户，再根据相似用户的广告业务喜好进行广告召回，提升广告召回的效率和广告投放的效果。

技术领域

本发明实施例涉及广告技术，尤其涉及一种广告召回方法、装置、服务器及存储介质。

背景技术

当前互联网广告投放系统中广告候选非常的多，而且在快速增长。而广告系统对候选广告进行最后的排序时，只需要返回topN个广告。排序主要应用机器学习的模型来预估CTR(Click-Through-Rate，点击通过率)或者CVR(Conversion Rate，转化率)，从而达到预测广告在当前场景下的价值，这个排序非常的消耗性能，因此我们在排序前会进行广告的召回操作以减少进入排序模型广告数量。

发明内容

本发明实施例提供一种广告召回方法、装置、服务器及存储介质，以实现提升广告召回的效率和广告投放的效果。

第一方面，本发明实施例提供了一种广告召回方法，包括：

根据当前用户的特征数据得到与当前用户相关的用户列表；

计算当前用户与用户列表中每一个用户之间的相似度；

分别对每个候选广告，根据用户列表中每一个用户对当前候选广告的操作信息和当前用户与用户列表中每一个用户之间的相似度，得到当前用户与当前候选广告的评分信息；

根据计算得到的每一个评分信息筛选出需要召回的候选广告。

可选的，所述根据当前用户的特征数据得到与当前用户相关的用户列表，包括：

根据当前用户的金融行为数据和本身属性数据得到与当前用户相关的用户列表。

可选的，所述计算当前用户与用户列表中每一个用户之间的相似度通过余弦相似度公式计算得到，所述余弦相似度公式为：

其中，A为当前用户的特征数据的向量值，B为用户列表中每一个用户的特征数据的向量值。

可选的，所述向量值包括金融行为数据和本身属性数据。

可选的，所述金融行为数据包括用户办卡、理财、记账中的一种或多种行为的统计数据；所述本身属性数据包括用户设备、年龄、地域中的一种或多种信息数据。

可选的，所述根据用户列表中每一个用户对当前候选广告的操作信息和当前用户与用户列表中每一个用户之间的相似度，得到当前用户与当前候选广告的评分信息通过预设公式计算得到，所述预设公式为：

Score(u，ad)

＝(log_score(U1，ad)*similayity(u，U1)+…+log_score(Un，ad)*similayity(u，Un))/M

其中，u为当前用户，ad为当前候选广告，U1…Un为用户列表中每一个用户；

log_score(U1，ad)定义为当U1看过ad广告并点击则为1，如果未看过则为0，如果看过未点击则为-1；

similayity(u，U1)为用户u与用户U1之间的相似度；

M为N个用户中log_score为非零用户的个数。