本技术涉及互联网，具体而言，涉及一种应用于智能营销服务平台的信息推送方法及系统。
背景技术：
1、随着互联网和大数据技术的迅速发展，智能营销服务逐渐成为市场推广的重要手段。为了实现广告的高效投放和精准触达，针对目标受众的信息推送方法成为研究热点。然而，传统的广告推送方法往往忽视了受众在不同营销兴趣层级中的个性化差异，导致推送内容与受众兴趣不符，进而影响了广告的转化率和受众的满意度。
2、在现有的广告推送技术中，大多数方法仅仅依据受众的基本属性（如年龄、性别等）或简单的兴趣分类来进行推送。这种粗放的方式难以准确捕捉到受众的深层次兴趣和需求，使得广告推送缺乏针对性和精细化。同时，由于缺乏对受众在多个营销兴趣层级中的全方位分析，传统方法无法有效挖掘和利用受众在不同层级的兴趣和需求之间的关联性，进一步制约了广告推送效果的提升。
技术实现思路
1、为了至少克服现有技术中的上述不足，本技术的目的在于提供一种应用于智能营销服务平台的信息推送方法及系统，通过深入分析目标受众在多个营销兴趣层级中的潜在受众群体及其群体特征标签，结合特征知识网络和受众知识矢量，实现了对受众兴趣的全方位精准捕捉。同时，通过加权融合和关联性集成等技术手段，有效整合了受众的广告偏好特征和各层级的综合目标矢量，进而生成了高度个性化的广告推送特征和策略，不仅提升了广告推送的精准度和受众的响应率，还大大提高了智能营销服务的整体效果和效率。
2、第一方面，本技术提供一种应用于智能营销服务平台的信息推送方法，应用于互联网营销服务系统，所述方法包括：
3、获取待推送营销广告中的目标受众对象，确定所述目标受众对象在k个营销兴趣层级中所关联的潜在受众群体，获取各个营销兴趣层级中的潜在受众群体对应的群体特征标签；k为正整数；
4、基于第i个营销兴趣层级中的潜在受众群体对应的群体特征标签，在所述第i个营销兴趣层级对应的特征知识网络中，获取所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量；所述第i个营销兴趣层级对应的特征知识网络中包括所述第i个营销兴趣层级中的各个受众群体的受众有效响应节点所对应的目标矢量，i为不大于k的正整数；
5、对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量；
6、获取所述目标受众对象对应的广告偏好特征库，对所述广告偏好特征库和所述目标受众对象在各个营销兴趣层级中的综合目标矢量进行关联性集成，生成所述目标受众对象对应的广告推送特征，基于所述广告推送特征确定所述目标受众对象对应的广告信息推送策略。
7、在第一方面的一种可能的实施方式中，所述获取待推送营销广告中的目标受众对象，确定所述目标受众对象在k个营销兴趣层级中所关联的潜在受众群体，获取各个营销兴趣层级中的潜在受众群体对应的群体特征标签，包括：
8、获取待推送营销广告中的目标受众对象对应的受众画像属性，基于所述受众画像属性与k个营销兴趣层级中的各个受众群体的受众有效响应节点所对应的兴趣知识链路，在所述k个营销兴趣层级的各营销兴趣层级中确定所述目标受众对象所关联的潜在受众群体；
9、对各营销兴趣层级中的潜在受众群体所对应的兴趣知识链路进行群体特征标签分类，生成各个营销兴趣层级中的潜在受众群体对应的群体特征标签；
10、所述基于所述受众画像属性与k个营销兴趣层级中的各个受众群体的受众有效响应节点所对应的兴趣知识链路，在所述k个营销兴趣层级的各营销兴趣层级中确定所述目标受众对象所关联的潜在受众群体的步骤，包括：
11、将所述受众画像属性与k个营销兴趣层级中的各个受众群体的受众有效响应节点所对应的兴趣知识链路进行匹配，计算所述目标受众对象的受众画像属性与各个受众群体的兴趣知识链路之间的欧氏距离；
12、根据计算出的欧氏距离，在k个营销兴趣层级的各营销兴趣层级中确定与目标受众对象最接近的受众群体作为潜在受众群体，并将所述潜在受众群体与所述目标受众对象进行关联以建立对应的映射关系。
13、在第一方面的一种可能的实施方式中，所述对各营销兴趣层级中的潜在受众群体所对应的兴趣知识链路进行群体特征标签分类，生成各个营销兴趣层级中的潜在受众群体对应的群体特征标签，包括：
14、获取第i个营销兴趣层级中的潜在受众群体的受众有效响应节点x所对应的兴趣知识链路，以及获取m个群体特征模型对应的模型标签特征分布；m为正整数；
15、将所述受众有效响应节点x对应的兴趣知识链路中涵盖的m个兴趣特征向量，与所述m个群体特征模型对应的模型标签特征分布进行融合，生成所述受众有效响应节点x在所述m个群体特征模型上的融合标签特征；
16、对所述受众有效响应节点x在所述m个群体特征模型上的融合标签特征进行群体特征标签分类，生成群体特征标签分类结果，获取所述第i个营销兴趣层级对应的特征知识网络的分类度量参数，将所述群体特征标签分类结果对所述分类度量参数的筛选结果，输出为所述受众有效响应节点x对应的群体特征标签。
17、在第一方面的一种可能的实施方式中，所述方法还包括：
18、为所述待推送营销广告构建k个营销兴趣层级，获取所述k个营销兴趣层级中的最小受众响应热力值和最大受众响应热力值，基于所述最小受众响应热力值和所述最大受众响应热力值确定受众响应增长系数，将所述最小受众响应热力值与所述受众响应增长系数的i次方之间的乘积进行向下取整，生成所述第i个营销兴趣层级对应的受众群体规模；
19、基于所述k个营销兴趣层级分别对应的受众群体规模，对所述待推送营销广告进行k次受众群体划分，生成各营销兴趣层级中的多个受众群体；
20、对第i个营销兴趣层级中的多个受众群体对应的兴趣知识链路进行群体特征标签分类，生成所述第i个营销兴趣层级中的多个受众群体对应的群体特征标签；
21、获取所述第i个营销兴趣层级中的多个受众群体的受众有效响应节点所对应的目标矢量，将所述第i个营销兴趣层级中的多个受众群体的受众有效响应节点对应的群体特征标签和目标矢量编辑成知识图谱结构，生成所述第i个营销兴趣层级对应的特征知识网络。
22、在第一方面的一种可能的实施方式中，所述获取所述第i个营销兴趣层级中的多个受众群体的受众有效响应节点所对应的目标矢量，包括：
23、获取所述第i个营销兴趣层级中的多个受众群体的受众有效响应节点c所对应的消费行为、浏览历史以及搜索偏好，将所述受众有效响应节点c对应的消费行为、浏览历史以及搜索偏好输出为所述受众有效响应节点c的受众行为特征；
24、将所述受众有效响应节点c对应的广告点击率和转化率，输出为所述受众有效响应节点c的广告效果特征，将所述受众行为特征和所述广告效果特征，输出为所述受众有效响应节点c对应的目标矢量。
25、在第一方面的一种可能的实施方式中，所述对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量，包括：
26、基于所述目标受众对象对应的受众画像属性，以及所述第i个营销兴趣层级中的潜在受众群体对应的群体关注画像属性，获取所述目标受众对象在所述第i个营销兴趣层级的潜在受众群体内的m个注意力画像属性；m为正整数；
27、基于所述m个注意力画像属性，对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量。
28、在第一方面的一种可能的实施方式中，所述对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量，包括：
29、对所述第i个营销兴趣层级中的潜在受众群体对应的群体关注画像属性进行规则化转换，生成所述第i个营销兴趣层级中的潜在受众群体对应的规则化画像属性；
30、基于注意力网络和所述第i个营销兴趣层级中的潜在受众群体对应的规则化画像属性，获取所述目标受众对象在m个群体特征模型上的注意力系数；m为正整数；
31、基于所述m个群体特征模型上的注意力系数，对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在第i个营销兴趣层级中的综合目标矢量。
32、在第一方面的一种可能的实施方式中，所述获取所述目标受众对象对应的广告偏好特征库，对所述广告偏好特征库和所述目标受众对象在各个营销兴趣层级中的综合目标矢量进行关联性集成，生成所述目标受众对象对应的广告推送特征，包括：
33、将所述目标受众对象对应的消费行为、浏览历史、搜索偏好、广告点击率和转化率，输出为所述目标受众对象对应的广告偏好特征库；
34、依据受众响应热力值从小到达的次序，对所述目标受众对象在各个营销兴趣层级中的综合目标矢量进行关联性集成，生成关联性集成特征，将所述关联性集成特征和所述广告偏好特征库融合输出为所述目标受众对象对应的广告推送特征。
35、在第一方面的一种可能的实施方式中，所述基于所述广告推送特征确定所述目标受众对象对应的广告信息推送策略，包括：
36、将所述广告推送特征加载到广告推送决策网络，基于所述广告推送决策网络中的k个广告推送决策分支对应的决策函数，对所述广告推送特征进行策略定义，生成所述目标受众对象对应的广告信息推送策略；k为正整数。
37、第二方面，本技术实施例还提供一种互联网营销服务系统，所述互联网营销服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序依据该处理器加载并执行以实现以上第一方面的应用于智能营销服务平台的信息推送方法。
38、基于以上任意一个方面，本技术的有益效果如下：
39、通过获取待推送营销广告中的目标受众对象并确定其关联的潜在受众群体，实现了对不同层级的营销兴趣进行深度挖掘和分析，有助于更好地理解目标受众的需求和偏好，从而提高广告的精准性和有效性。基于各个营销兴趣层级的特征知识网络，获取相应的受众知识矢量，并进行加权融合，生成综合目标矢量，能够将复杂的用户信息转化为易于处理和分析的数值型数据，便于进一步的计算和处理。结合目标受众对象的广告偏好特征库，生成广告推送特征，基于此确定广告信息推送策略，能够使得广告推送更加符合用户的个人喜好，增强了广告的针对性和吸引力，从而提高广告的点击率和转化率。由此，提高了广告的精准性和有效性，使广告推送更加符合用户的个人喜好，提高了广告的点击率和转化率。
40、也即，本技术实施例通过获取目标受众对象在多个营销兴趣层级中的潜在受众群体及其对应的群体特征标签，利用特征知识网络获取各层级的受众知识矢量，并进行加权融合以生成综合目标矢量。进一步结合广告偏好特征库，进行关联性集成以形成广告推送特征，最终确定个性化的广告信息推送策略，由此，有效提升了广告推送的精准度和受众的响应率，实现了智能营销服务的高效与个性化。
1.一种应用于智能营销服务平台的信息推送方法，其特征在于，所述方法包括：
2.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述获取待推送营销广告中的目标受众对象，确定所述目标受众对象在k个营销兴趣层级中所关联的潜在受众群体，获取各个营销兴趣层级中的潜在受众群体对应的群体特征标签，包括：
3.根据权利要求2所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述对各营销兴趣层级中的潜在受众群体所对应的兴趣知识链路进行群体特征标签分类，生成各个营销兴趣层级中的潜在受众群体对应的群体特征标签，包括：
4.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述获取所述第i个营销兴趣层级中的多个受众群体的受众有效响应节点所对应的目标矢量，包括：
6.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量，包括：
7.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述对所述第i个营销兴趣层级中的潜在受众群体对应的受众知识矢量进行加权融合，生成所述目标受众对象在所述第i个营销兴趣层级中的综合目标矢量，包括：
8.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述获取所述目标受众对象对应的广告偏好特征库，对所述广告偏好特征库和所述目标受众对象在各个营销兴趣层级中的综合目标矢量进行关联性集成，生成所述目标受众对象对应的广告推送特征，包括：
9.根据权利要求1所述的应用于智能营销服务平台的信息推送方法，其特征在于，所述基于所述广告推送特征确定所述目标受众对象对应的广告信息推送策略，包括：
10.一种互联网营销服务系统，其特征在于，所述互联网营销服务系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的应用于智能营销服务平台的信息推送方法。
