[发明专利]互联网相似用户扩展方法、计算机及可读存储介质

说明书

本发明公开了一种互联网相似用户扩展方法、计算机及可读存储介质。该方法包括：S11、基于种子用户画像和社会关系链搜寻相似用户；S12、提取相似用户的用户特征，将所述用户特征转化为对应的空间向量值，形成用户特征数据集；S13、采用交叉验证的方式优化Deep FM模型的参数；S14、将用户特征数据集输入Deep FM模型，并输出相似人群。本申请的有益效果是：利用深度学习模型根据用户的共有属性进行扩展，实现互联网高相似潜在目标搜索与广告推送的目的。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种互联网相似用户扩展方法、计算机及可读存储介质。

背景技术

广告是通过一定形式的媒体，公开而广泛地向公众传递信息的宣传手段。在互联网商业应用中，数字广告的推送常常遇到难以识别高潜人群和难于平衡成本等问题。

在互联网商业应用中，高潜力精准用户难寻与规模间难取平衡点是广告商所面临的两个主要难题，其核心仍在于对大规模潜在用户的有效触及。效果和规模之间达成“帕累托最优”(最理想状态)显得相对棘手——随着流量数量的迅速增大，人群的聚焦性也必然逐步降低，导致寻找目标人群的难度加大，致使非目标人群的比例也随着流量的增加而增加。因此，如何针对特定群体的广告有效触及是当前亟待解决的问题。

发明内容

基于此，本发明的一个目的在于提出一种互联网相似用户扩展方法、计算机及可读存储介质，利用深度学习模型根据用户的共有属性进行扩展，实现互联网高相似潜在目标搜索与广告推送的目的。

第一方面，本申请提出一种互联网相似用户扩展方法，所述方法包括如下步骤：

S11、基于种子用户画像和社会关系链搜寻相似用户；

S12、提取相似用户的用户特征，将所述用户特征转化为对应的空间向量值，形成用户特征数据集；

S13、采用交叉验证的方式优化Deep FM模型的参数；

S14、将用户特征数据集输入Deep FM模型，并输出相似人群。

本发明提出的互联网相似用户扩展方法，通过基于种子用户画像和社会关系扩展得到相似用户，并根据相似用户的用户特征转化为可以计算衡量的空间向量值，再对用户特征进行Deep FM模型交叉验证输出最终的相似人群，该目标人群即为最终的靶向广告群体，其有益效果是：通过上述用户扩展方法，通过大数据分析和深度学习模型归纳高质量相似性人群的人口特征，然后在更大的流量范围内，寻找具有类似人口特征的人群，有效实现扩大潜在的目标人群，大幅增加广告商转化量的商业价值。

优选的，本申请所述的互联网相似用户扩展方法中，所述基于种子用户画像和社会关系链搜寻相似用户的步骤包括：

根据种子用户的共有属性进行自动化扩展，拓展出相似人群；其中，所述共有属性为根据相似用户的社会因素、文化因素以及心理因素的交集确定；所述社会因素包括家庭、社会身份、职位、相关群体；所述文化因素包括文化、次文化；所述心理因素包括行为、以及兴趣。

优选的，本申请所述的互联网相似用户扩展方法中，所述提取相似用户的用户特征，将所述用户特征转化为对应的空间向量值，形成用户特征数据集的步骤包括：

获取所述用户特征中的性别信息和职业信息；

将所述性别信息和所述职业信息进行空间向量转换，得到关于所述用户的向量矩阵，其中，所述向量转换的计算公式为：

其中，y表示输出向量，w₀表示平移隐权重向量，w_i表示第i个隐权重向量，x_i表示第i个输入特征向量，x_j表示第j个输入特征向量，w_ij表示第i与第j个隐权重向量内积。

优选的，本申请所述的互联网相似用户扩展方法中，所述提取相似用户的用户特征，将所述用户特征转化为对应的空间向量值，形成用户特征数据集的步骤还包括：