本技术涉及广告推送，尤其涉及一种基于大数据的个性化广告推送方法及相关装置。
背景技术：
1、在当今时代，互联网已经成为人们信息传递的最迅速、最便捷、最有效的媒介。相对于传统媒体，互联网的优势在于其有较强的交互性和生动性。并且伴随着智能移动终端的兴起和普及，为广告推送带来极大的便利。当用户浏览网页或者浏览社交软件动态时，会出现各种形式的广告，为用户提供多种信息，一定程度上丰富了用户的生活，也丰富了广告的推送方式和投放平台。但是传统的广告推送无法满足用户对个性化广告的需求，导致用户对广告产生抵触情绪，给广告推送带来极大的挑战。
2、在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
技术实现思路
1、有鉴于此，本技术实施例提供了一种基于大数据的个性化广告推送方法及相关装置。
2、第一方面，本技术实施例提供了一种基于大数据的个性化广告推送方法，该方法包括：
3、获取用户行为数据和用户信息数据；所述用户行为数据用于描述用户在应用程序中的行为习惯，所述用户信息数据包括用户的相关个人信息；
4、将所述用户行为数据和所述用户信息数据作为广告推荐模型的输入，得到所述广告推荐模型的推荐结果；所述广告推荐模型用于根据所述用户行为数据提取用户行为特征，根据所述用户信息数据提取用户信息特征，并根据所述用户行为特征和所述用户信息特征确定对应的推荐结果；所述广告推荐模型是根据历史用户行为数据、历史用户信息数据和推荐结果标签训练得到的。
5、根据所述推荐结果匹配对应的广告数据；所述广告数据包括广告图片数据、广告视频数据和商品跳转链接；
6、将广告数据推送给所述用户行为数据和所述用户信息数据对应的用户；所述广告推荐模型还用于实时监控广告推送效果，收集所述用户的用户交互数据，并根据所述广告推送效果和所述用户交互数据进行自适应优化。
7、在一种可能的实现方式中，所述广告推荐模型的训练过程为：
8、获取所述历史用户行为数据和所述历史用户信息数据，并根据所述历史用户行为数据和所述历史用户信息数据进行标注得到所述推荐结果标签；
9、将所述历史用户行为数据、所述历史用户信息数据和所述推荐结果标签输入待训练模型；
10、基于所述待训练模型将所述历史用户行为数据和所述历史用户信息数据进行特征提取，得到历史用户行为特征和历史用户信息特征；
11、基于所述待训练模型根据所述历史用户行为特征和所述历史用户信息特征得到预测推荐结果；
12、根据所述预测推荐结果和所述推荐结果标签对所述待训练模型进行优化，得到所述广告推荐模型。
13、在一种可能的实现方式中，所述广告数据包括广告投放信息、广告内容信息和环境信息；
14、所述广告投放信息包括广告主信息、广告活动信息和广告位信息；所述广告内容信息包括广告素材信息和广告样式信息；所述环境信息包括设备信息、地理位置信息和网络信息。
15、在一种可能的实现方式中，所述用户交互数据包括击数据、曝光数据和转化数据；所述点击数据包括用户点击广告的次数、点击时间和点击位置；所述曝光数据包括广告被展示给用户的次数、曝光时间和曝光位置；所述转化数据包括用户点击广告后的转化行为。
16、在一种可能的实现方式中，所述广告推送效果包括点击率、转化率和投资回报率；所述点击率为广告的点击次数与曝光次数的比例，用于反映广告的点击效果；所述转化率为广告的转化次数与点击次数的比例，用于反映广告的转化效果；所述投资回报率为广告投入与收益之间的比例，用于反映广告的投资效益。
17、在一种可能的实现方式中，所述获取用户行为数据和用户信息数据，包括：
18、在后端服务器中通过服务器日志或日志记录工具记录并存储所述用户行为数据和所述用户信息数据；所述用户行为数据和所述用户信息数据为加密后的数据。
19、在一种可能的实现方式中，所述待训练模型为逻辑回归模型，所述逻辑回归模型为：
20、
21、其中，w为权重，b为偏置，x为样本，p(y＝1|x)为所述逻辑回归模型针对x的输出结果；对于每个输入样本x，所述逻辑回归模型输出p(y＝1|x)，并使用交叉熵损失计算损失，通过梯度下降来更新权重w和偏置b，重复迭代直到模型收敛或达到预设的迭代次数。
22、在一种可能的实现方式中，所述待训练模型为神经网络模型，所述神经网络模型为：
23、o＝f(w×x+b)；
24、其中，w为初始化权重，b为偏置，输入样本x，通过所述神经网络模型的网络层进行传播，使用激活函数f得到输出o。
25、第二方面，本技术实施例提供了一种基于大数据的个性化广告推送装置，该装置包括：
26、获取模块，用于获取用户行为数据和用户信息数据；所述用户行为数据用于描述用户在应用程序中的行为习惯，所述用户信息数据包括用户的相关个人信息；
27、推荐模块，用于将所述用户行为数据和所述用户信息数据作为广告推荐模型的输入，得到所述广告推荐模型的推荐结果；所述广告推荐模型用于根据所述用户行为数据提取用户行为特征，根据所述用户信息数据提取用户信息特征，并根据所述用户行为特征和所述用户信息特征确定对应的推荐结果；所述广告推荐模型是根据历史用户行为数据、历史用户信息数据和推荐结果标签训练得到的；
28、匹配模块，用于根据所述推荐结果匹配对应的广告数据；所述广告数据包括广告图片数据、广告视频数据和商品跳转链接；
29、优化模块，用于将广告数据推送给所述用户行为数据和所述用户信息数据对应的用户；所述广告推荐模型还用于实时监控广告推送效果，收集所述用户的用户交互数据，并根据所述广告推送效果和所述用户交互数据进行自适应优化。
30、在一种可能的实现方式中，所述广告推荐模型的训练过程为：
31、获取所述历史用户行为数据和所述历史用户信息数据，并根据所述历史用户行为数据和所述历史用户信息数据进行标注得到所述推荐结果标签；
32、将所述历史用户行为数据、所述历史用户信息数据和所述推荐结果标签输入待训练模型；
33、基于所述待训练模型将所述历史用户行为数据和所述历史用户信息数据进行特征提取，得到历史用户行为特征和历史用户信息特征；
34、基于所述待训练模型根据所述历史用户行为特征和所述历史用户信息特征得到预测推荐结果；
35、根据所述预测推荐结果和所述推荐结果标签对所述待训练模型进行优化，得到所述广告推荐模型。
36、在一种可能的实现方式中，所述广告数据包括广告投放信息、广告内容信息和环境信息；
37、所述广告投放信息包括广告主信息、广告活动信息和广告位信息；所述广告内容信息包括广告素材信息和广告样式信息；所述环境信息包括设备信息、地理位置信息和网络信息。
38、在一种可能的实现方式中，所述用户交互数据包括击数据、曝光数据和转化数据；所述点击数据包括用户点击广告的次数、点击时间和点击位置；所述曝光数据包括广告被展示给用户的次数、曝光时间和曝光位置；所述转化数据包括用户点击广告后的转化行为。
39、在一种可能的实现方式中，所述广告推送效果包括点击率、转化率和投资回报率；所述点击率为广告的点击次数与曝光次数的比例，用于反映广告的点击效果；所述转化率为广告的转化次数与点击次数的比例，用于反映广告的转化效果；所述投资回报率为广告投入与收益之间的比例，用于反映广告的投资效益。
40、在一种可能的实现方式中，所述获取模块具体用于在后端服务器中通过服务器日志或日志记录工具记录并存储所述用户行为数据和所述用户信息数据；所述用户行为数据和所述用户信息数据为加密后的数据。
41、在一种可能的实现方式中，所述待训练模型为逻辑回归模型，所述逻辑回归模型为：
42、
43、其中，w为权重，b为偏置，x为样本，p(y＝1|x)为所述逻辑回归模型针对x的输出结果；对于每个输入样本x，所述逻辑回归模型输出p(y＝1|x)，并使用交叉熵损失计算损失，通过梯度下降来更新权重w和偏置b，重复迭代直到模型收敛或达到预设的迭代次数。
44、在一种可能的实现方式中，其特征在于，所述待训练模型为神经网络模型，所述神经网络模型为：
45、o＝f(w×x+b)；
46、其中，w为初始化权重，b为偏置，输入样本x，通过所述神经网络模型的网络层进行传播，使用激活函数f得到输出o。
47、第三方面，本技术实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面中任一项所述的基于大数据的个性化广告推送方法。
48、第四方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面中任一项所述的基于大数据的个性化广告推送方法。
49、本技术所提供的基于大数据的个性化广告推送具有以下有益效果：
50、1、提升广告内容的个性化程度：通过对用户行为数据和用户信息数据的深度分析与挖掘，可以精准描绘出用户的个性特征和消费习惯，从而使得推送的广告内容更加契合用户的实际需求和偏好。
51、2、优化用户的浏览体验：个性化广告减少了与用户需求不相关的信息干扰，用户更可能感兴趣和接受这些个性化的广告内容，从而减少用户的信息过载感，提高用户对广告的接受度和互动意愿。
52、3、提高广告转化效率：通过更加精确的目标群体定位，广告可以触达潜在的高价值用户群体，提高广告的点击率和购买转化率，为广告主创造更高的投资回报率。
53、4、实时监控与自适应优化：广告推荐模型不仅在初始阶段进行个性化推荐，还通过持续的实时监控和用户交互数据分析，动态调整推荐策略，实现自我优化。这样的机制使得广告投放更加具有时效性和适应性，以最大程度地满足用户的即时需求。
54、5、利用机器学习模型和大数据技术：利用先进的数据处理技术和机器学习算法，模型可以在处理海量数据的基础上自我学习和进化，不断提高推荐算法的准确度和复杂场景下的应对能力。
55、6、数据驱动的决策支持：大数据分析为广告推送提供了数据支持，使得广告投放决策更加客观和准确，有助于广告主和平台在竞争激烈的市场环境中做出更有针对性和效果更佳的广告投放策略。
56、7、增进广告主与用户的关联：个性化广告推送有助于构建广告主与用户之间更加紧密的联系，通过反复的精准触达，可以增强用户对品牌的记忆，促进品牌忠诚度的培养。
57、综上所述，该技术方案通过大数据驱动的个性化广告推送，不仅能够提升用户体验，增强广告内容的针对性和吸引力，还能够实现广告效果的动态监控和持续优化，最终实现广告效率和效果的双重提升。
1.一种基于大数据的个性化广告推送方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述广告推荐模型的训练过程为：
3.根据权利要求1所述的方法，其特征在于，所述广告数据包括广告投放信息、广告内容信息和环境信息；
4.根据权利要求1所述的方法，其特征在于，所述用户交互数据包括击数据、曝光数据和转化数据；所述点击数据包括用户点击广告的次数、点击时间和点击位置；所述曝光数据包括广告被展示给用户的次数、曝光时间和曝光位置；所述转化数据包括用户点击广告后的转化行为。
5.根据权利要求1所述的方法，其特征在于，所述广告推送效果包括点击率、转化率和投资回报率；所述点击率为广告的点击次数与曝光次数的比例，用于反映广告的点击效果；所述转化率为广告的转化次数与点击次数的比例，用于反映广告的转化效果；所述投资回报率为广告投入与收益之间的比例，用于反映广告的投资效益。
6.根据权利要求1所述的方法，其特征在于，所述获取用户行为数据和用户信息数据，包括：
7.根据权利要求2所述的方法，其特征在于，所述待训练模型为逻辑回归模型，所述逻辑回归模型为：
8.根据权利要求2所述的方法，其特征在于，所述待训练模型为神经网络模型，所述神经网络模型为：
9.一种基于大数据的个性化广告推送装置，其特征在于，包括：
10.一种电子设备，所述电子设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述电子设备执行权利要求1-8任一项所述的基于大数据的个性化广告推送方法。
