一种手机银行广告的推荐方法及系统与流程

1.本发明涉及大数据技术领域，具体涉及一种手机银行广告的推荐方法及系统。


背景技术：

2.目前手机银行在推送手机银行广告时，均采用传统的推荐算法，并未针对用户实际情况进行精准推送，所推送的广告信息千篇一律，用户体验较差。并且，目前手机银行所引入的非银行业务应用也可使用用户的相关数据，会造成用户数据的泄露，用户数据的安全性较差。


技术实现要素：

3.有鉴于此，本发明实施例提供一种手机银行广告的推荐方法及系统，以解决现有推荐手机银行广告的方式存在的用户体验差和用户数据的安全性差等问题。
4.为实现上述目的，本发明实施例提供如下技术方案：
5.本发明实施例第一方面公开一种手机银行广告的推荐方法，所述方法包括：
6.获取用户浏览各个手机银行广告的浏览次数；
7.根据所述用户浏览各个所述手机银行广告的所述浏览次数，构建第一广告评分矩阵，所述第一广告评分矩阵中的每个元素为所述手机银行广告对应的所述浏览次数；
8.对所述第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵；
9.基于所述第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个所述手机银行广告的预测浏览次数；
10.将所述预测浏览次数最高的前n个所述手机银行广告推荐给所述用户。
11.优选的，所述对所述第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵，包括：
12.执行以下步骤，对所述第一广告评分矩阵中的每个元素进行处理，得到第二广告评分矩阵；
13.所述以下步骤包括：
14.针对所述第一广告评分矩阵中的每个元素，若所述元素对应的所述浏览次数为0，则不对所述元素进行处理，若所述元素对应的所述浏览次数不为0，则向所述元素添加拉普拉斯噪声。
15.优选的，所述基于所述第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个所述手机银行广告的预测浏览次数，包括：
16.将所述第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，直至满足梯度下降算法对应的迭代停止条件，得到用户数据矩阵和广告数据矩阵；
17.将所述用户数据矩阵和所述广告数据矩阵相乘，得到第三广告评分矩阵，所述第三广告评分矩阵的每个元素为所述手机银行广告的预测浏览次数。
18.优选的，还包括：
19.在将所述第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，对每次迭代得到的中间结果添加拉普拉斯噪声。
20.优选的，所述将所述预测浏览次数最高的前n个所述手机银行广告推荐给所述用户之前，还包括：
21.基于所述预测浏览次数，对各个所述手机银行广告进行排序。
22.本发明实施例第二方面公开一种手机银行广告的推荐系统，所述系统包括：
23.获取单元，用于获取用户浏览各个手机银行广告的浏览次数；
24.构建单元，用于根据所述用户浏览各个所述手机银行广告的所述浏览次数，构建第一广告评分矩阵，所述第一广告评分矩阵中的每个元素为所述手机银行广告对应的所述浏览次数；
25.添加单元，用于对所述第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵；
26.处理单元，用于基于所述第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个所述手机银行广告的预测浏览次数；
27.推荐单元，用于将所述预测浏览次数最高的前n个所述手机银行广告推荐给所述用户。
28.优选的，所述添加单元具体用于：执行以下步骤，对所述第一广告评分矩阵中的每个元素进行处理，得到第二广告评分矩阵；
29.所述以下步骤包括：
30.针对所述第一广告评分矩阵中的每个元素，若所述元素对应的所述浏览次数为0，则不对所述元素进行处理，若所述元素对应的所述浏览次数不为0，则向所述元素添加拉普拉斯噪声。
31.优选的，所述处理单元包括：
32.训练模块，用于将所述第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，直至满足梯度下降算法对应的迭代停止条件，得到用户数据矩阵和广告数据矩阵；
33.处理模块，用于将所述用户数据矩阵和所述广告数据矩阵相乘，得到第三广告评分矩阵，所述第三广告评分矩阵的每个元素为所述手机银行广告的预测浏览次数。
34.优选的，所述处理单元还包括：
35.添加模块，用于在将所述第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，对每次迭代得到的中间结果添加拉普拉斯噪声。
36.优选的，所述系统还包括：
37.排序单元，用于基于所述预测浏览次数，对各个所述手机银行广告进行排序。
38.基于上述本发明实施例提供的一种手机银行广告的推荐方法及系统，获取用户浏览各个手机银行广告的浏览次数；根据用户浏览各个手机银行广告的浏览次数，构建第一广告评分矩阵；对第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵；基于第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个手机银行广告的预测浏览次数；将预测浏览次数最高的前n个手机银行广告推荐给用户。本方案中，在利用用户浏览手机银行广告的数据构建广告评分矩阵后，对所构建的广告评分矩阵添加干扰噪声，再利用扰动后的广告评分矩阵进行迭代训练得到手机银行广告的预测浏
览次数，最后按照预测浏览次数将手机银行广告推荐给用户，即保护了用户的数据也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
40.图1为本发明实施例提供的一种手机银行广告的推荐方法的流程图；
41.图2为本发明实施例提供的得到手机银行广告的预测浏览次数的流程图；
42.图3为本发明实施例提供的一种手机银行广告的推荐系统的结构框图；
43.图4为本发明实施例提供的一种手机银行广告的推荐系统的另一结构框图；
44.图5为本发明实施例提供的一种手机银行广告的推荐系统的又一结构框图；
45.图6为本发明实施例提供的一种手机银行广告的推荐系统的又一结构框图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
48.需要说明的是，本发明提供的一种手机银行广告的推荐方法及系统可用于大数据领域。上述仅为示例，并不对本发明提供的一种手机银行广告的推荐方法及系统的应用领域进行限定。
49.由背景技术可知，目前手机银行在推送手机银行广告时，并未针对用户实际情况进行精准推送，推送的广告信息千篇一律，导致用户体验较差。并且，目前手机银行所引入的非银行业务应用也可使用用户的相关数据，会造成用户数据的泄露，用户数据的安全性较差。
50.因此，本发明实施例提供一种手机银行广告的推荐方法及系统，在利用用户浏览手机银行广告的数据构建广告评分矩阵后，对所构建的广告评分矩阵添加干扰噪声，再利用扰动后的广告评分矩阵进行迭代训练得到手机银行广告的预测浏览次数，最后按照预测浏览次数将手机银行广告推荐给用户，即保护了用户的数据也能精准推荐手机银行广告，以提高用户数据的安全性和提高用户体验。
51.参见图1，示出了本发明实施例提供的一种手机银行广告的推荐方法的流程图，该推荐方法包括：
52.步骤s101：获取用户浏览各个手机银行广告的浏览次数。
53.需要说明的是，手机银行会向用户提供多个手机银行广告，用户点击某一手机银行广告可视为用户浏览该手机银行广告。
54.在具体实现步骤s101的过程中，获取用户的浏览历史数据，根据所获取的浏览历史数据，可确定用户浏览各个手机银行广告的浏览次数。
55.可以理解的是，对于向用户提供的某一手机银行广告，用户浏览该手机银行广告的浏览次数可能为0次(即用户未点击浏览该手机银行广告)，用户浏览该手机银行广告的浏览次数也可能不为0次(即用户点击浏览过该手机银行广告)。
56.也就是说，经过步骤s101的处理之后，所确定的某个手机银行广告对应的浏览次数可能是0也可能不是0。
57.步骤s102：根据用户浏览各个手机银行广告的浏览次数，构建第一广告评分矩阵。
58.需要说明的是，第一广告评分矩阵中的每个元素为手机银行广告对应的浏览次数。
59.在具体实现步骤s102的过程中，利用用户浏览各个手机银行广告的浏览次数，构建第一广告评分矩阵，该第一广告评分矩阵中的每个元素对应一手机银行广告对应的浏览次数。也就是说，第一广告评分矩阵中包含各个手机银行广告对应的浏览次数(其中某个手机银行广告对应的浏览次数为0也可能不为0)，例如：假设手机银行广告a对应的浏览次数为0，手机银行广告b对应的浏览次数为10，则第一广告评分矩阵中手机银行广告a对应的元素的值为0，手机银行广告b对应的元素的值为10。
60.可以理解的是，由于向用户提供的手机银行广告种类和数量较多，用户所感兴趣的手机银行广告仅仅涉及一个较小的范围，因此第一广告评分矩阵中存在较多的元素的值为0，也就是较多的手机银行广告并未被用户浏览过，故所构建的第一广告评分矩阵可视为一个稀疏矩阵。
61.可以理解的是，该第一广告评分矩阵中，行标识用户，列标识手机银行广告，假设存在m个用户和m个手机银行广告，则第一广告评分矩阵为m*m的矩阵，由于某一用户只对m个手机银行广告中的某几个手机银行广告进行浏览(也就是用户所感兴趣的手机银行广告仅仅涉及一个较小的范围)，因此第一广告评分矩阵可视为一个稀疏矩阵。
62.步骤s103：对第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵。
63.在具体实现步骤s103的过程中，对第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵，具体对第一广告评分矩阵中的各个元素添加干扰噪声的方式为：针对第一广告评分矩阵中的每个元素，若该元素对应的浏览次数为0，则不对该元素进行处理，若该元素对应的浏览次数不为0，则向该元素添加拉普拉斯噪声。
64.也就是说，第一广告评分矩阵中值为0的元素不添加干扰噪声，第一广告评分矩阵中值为非0的元素添加拉普拉斯噪声。通过此种方式，可将第一广告评分矩阵中所包含的数据进行隐私保护，即使其它应用截获到该第一广告评分矩阵也不能获取准确的数据，进而能起到保护用户数据的作用。
65.第一广告评分矩阵中的各个元素经过上述处理后，即可得到第二广告评分矩阵。
66.在一些实施例中，对第一广告评分矩阵中值为非0的元素添加拉普拉斯噪声的过
程中，具体可利用拉普拉斯噪声函数(或者说拉普拉斯方法)来对值为非0的元素添加拉普拉斯噪声。在利用拉普拉斯噪声函数添加拉普拉斯噪声时，需根据实际情况确定隐私参数和敏感度参数，以防止所添加的拉普拉斯噪声过大或过小，也就是在保证数据的安全性和可用性的前提下添加拉普拉斯噪声。具体而言，对于第一广告评分矩阵，可通过拉普拉斯噪声函数生成与该第一广告评分矩阵维度相同的拉普拉斯噪声矩阵，将第一广告评分矩阵和拉普拉斯噪声矩阵相加即可得到第二广告评分矩阵。例如：假设第一广告评分矩阵为m*m的矩阵，通过拉普拉斯噪声函数生成m*m的拉普拉斯噪声矩阵，将其两者相加即可得到第二广告评分矩阵。
67.步骤s104：基于第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个手机银行广告的预测浏览次数。
68.在具体实现步骤s104的过程中，将第二广告评分矩阵(也就是经过添加干扰噪声的第一广告评分矩阵)加入预设算法进行迭代训练直至满足迭代停止条件，可得到各个手机银行广告的预测浏览次数。
69.可以理解的是，由前述步骤s102的内容可知，第一广告评分矩阵中存在多个值为0的元素(也就是浏览次数为0的手机银行广告)，通过步骤s104的处理，可得到所有手机银行广告(包括了之前浏览次数为0的手机银行广告)的预测浏览次数，某一手机银行广告的预测浏览次数可指示该手机银行广告可能被用户浏览的次数。
70.在一些实施例中，用于进行迭代训练的预设算法可以是矩阵分解算法，迭代停止条件可以是梯度下降算法对应的训练终止条件(至少包含迭代次数和变化量)。
71.也就是说，具体是以第二广告评分矩阵为训练数据，通过矩阵分解算法和梯度下降算法进行迭代训练，最终可得到各个手机银行广告的预测浏览次数。
72.优选的，在得到各个手机银行广告的预测浏览次数之后，基于预测浏览次数，对各个手机银行广告进行排序，例如：可按照预测浏览次数由高至低的顺序，对各个手机银行广告进行排序。
73.步骤s105：将预测浏览次数最高的前n个手机银行广告推荐给用户。
74.在具体实现步骤s105的过程中，将预测浏览次数最高的前n个手机银行广告推荐给用户，n为大于0的整数。
75.可以理解的是，在根据预测浏览次数对各个手机银行广告进行排序后，选择预测浏览次数最高的前n个手机银行广告作为用户最可能感兴趣的手机银行广告，并将预测浏览次数最高的前n个手机银行广告推荐给用户，以达到精准推荐的目的。
76.在本发明实施例中，在利用用户浏览手机银行广告的数据构建广告评分矩阵后，对所构建的广告评分矩阵添加干扰噪声，再利用扰动后的广告评分矩阵进行迭代训练得到手机银行广告的预测浏览次数，最后按照预测浏览次数将手机银行广告推荐给用户，即保护了用户的数据也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
77.上述本发明实施例图1步骤s104中涉及的得到各个手机银行广告的预测浏览次数的过程，参见图2，示出了本发明实施例提供的得到手机银行广告的预测浏览次数的流程图，包括以下步骤：
78.步骤s201：将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，直至满足梯度下降算法对应的迭代停止条件，得到用户数据矩阵和广告数据矩阵。
79.在具体实现步骤s201的过程中，将第二广告评分矩阵(也就是经过添加干扰噪声的第一广告评分矩阵)添加至矩阵分解算法中进行迭代训练，直至迭代训练满足梯度下降算法对应的迭代停止条件，此时得到的最终结果包含两个矩阵，分别为：用户数据矩阵和广告数据矩阵。
80.需要说明的是，矩阵分解算法的主要函数为loss损失函数(如平方法)。
81.可以理解的是，将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，需进行多次迭代，每次迭代都会得到相应的中间结果(非最终结果)，为进一步保障用户数据的安全性，优选的，在将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，对每次迭代得到的中间结果添加拉普拉斯噪声。通过此种方式，进一步提升用户数据的安全性。
82.在一些实施例中，将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，每次迭代都会得到对应迭代的用户数据矩阵和广告数据矩阵的中间结果，此时同步生成与前述中间结果相同维度的拉普拉斯噪声矩阵，并据此计算本次迭代的预测误差值，将预测误差值引入梯度下降算法中，用于计算下一轮迭代的用户数据矩阵和广告数据矩阵，直至迭代结束。
83.步骤s202：将用户数据矩阵和广告数据矩阵相乘，得到第三广告评分矩阵。
84.需要说明的是，第三广告评分矩阵的每个元素为手机银行广告的预测浏览次数。
85.在步骤s201中进行迭代训练所得到的最终结果包含了用户数据矩阵和广告数据矩阵这两个矩阵，在具体实现步骤s202的过程中，将用户数据矩阵和广告数据矩阵相乘，得到第三广告评分矩阵，该第三广告评分矩阵中的每个元素即为手机银行广告的预测浏览次数。
86.也就是说，用户数据矩阵和广告数据矩阵相乘得到的第三广告评分矩阵中，包含了各个手机银行广告的预测浏览次数。
87.结合上述本发明实施例图1中的内容可知，第三广告评分矩阵中每行元素表示某一用户对所有手机银行广告的预测浏览次数，可将该行元素中选择预测浏览次数最高的前n个手机银行广告推荐给该行元素对应的用户。
88.在本发明实施例中，将经过添加干扰噪声处理得到的第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，并在迭代过程中对每次迭代得到的中间结果添加拉普拉斯噪声，直至满足梯度下降算法对应的迭代停止条件，得到包含各个手机银行广告的预测浏览次数的第三广告评分矩阵，最后按照预测浏览次数将手机银行广告推荐给用户，即进一步保护了用户的数据，也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
89.与上述本发明实施例提供的一种手机银行广告的推荐方法相对应，参见图3，本发明实施例还提供了一种手机银行广告的推荐系统的结构框图，该推荐系统包括：获取单元301、构建单元302、添加单元303、处理单元304和推荐单元305；
90.获取单元301，用于获取用户浏览各个手机银行广告的浏览次数。
91.构建单元302，用于根据用户浏览各个手机银行广告的浏览次数，构建第一广告评分矩阵，第一广告评分矩阵中的每个元素为手机银行广告对应的浏览次数。
92.添加单元303，用于对第一广告评分矩阵中的各个元素添加干扰噪声，得到第二广告评分矩阵。
93.在具体实现中，添加单元303具体用于：执行以下步骤，对第一广告评分矩阵中的每个元素进行处理，得到第二广告评分矩阵；以下步骤包括：针对第一广告评分矩阵中的每个元素，若元素对应的所述浏览次数为0，则不对元素进行处理，若元素对应的所述浏览次数不为0，则向元素添加拉普拉斯噪声。
94.处理单元304，用于基于第二广告评分矩阵，利用预设算法进行迭代训练直至满足迭代停止条件，得到各个手机银行广告的预测浏览次数。
95.推荐单元305，用于将预测浏览次数最高的前n个手机银行广告推荐给用户。
96.在本发明实施例中，在利用用户浏览手机银行广告的数据构建广告评分矩阵后，对所构建的广告评分矩阵添加干扰噪声，再利用扰动后的广告评分矩阵进行迭代训练得到手机银行广告的预测浏览次数，最后按照预测浏览次数将手机银行广告推荐给用户，即保护了用户的数据也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
97.优选的，结合图3，参见图4，示出了本发明实施例提供的一种手机银行广告的推荐系统的另一结构框图，处理单元304包括：训练模块3041和处理模块3042；
98.训练模块3041，用于将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，直至满足梯度下降算法对应的迭代停止条件，得到用户数据矩阵和广告数据矩阵。
99.处理模块3042，用于将用户数据矩阵和第三广告评分矩阵相乘，得到第三广告评分矩阵，第三广告评分矩阵的每个元素为手机银行广告的预测浏览次数。
100.优选的，结合图4，参见图5，示出了本发明实施例提供的一种手机银行广告的推荐系统的又一结构框图，处理单元304还包括：添加模块3043；
101.添加模块3043，用于在将第二广告评分矩阵添加至矩阵分解算法中进行迭代训练的过程中，对每次迭代得到的中间结果添加拉普拉斯噪声。
102.在本发明实施例中，将经过添加干扰噪声处理得到的第二广告评分矩阵添加至矩阵分解算法中进行迭代训练，并在迭代过程中对每次迭代得到的中间结果添加拉普拉斯噪声，直至满足梯度下降算法对应的迭代停止条件，得到包含各个手机银行广告的预测浏览次数的第三广告评分矩阵，最后按照预测浏览次数将手机银行广告推荐给用户，即进一步保护了用户的数据，也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
103.优选的，结合图3，参见图6，示出了本发明实施例提供的种手机银行广告的推荐系统的又一结构框图，该推荐系统还包括：
104.排序单元306，用于基于预测浏览次数，对各个手机银行广告进行排序。
105.综上所述，本发明实施例提供一种手机银行广告的推荐方法及系统，在利用用户浏览手机银行广告的数据构建广告评分矩阵后，对所构建的广告评分矩阵添加干扰噪声，再利用扰动后的广告评分矩阵进行迭代训练得到手机银行广告的预测浏览次数，最后按照预测浏览次数将手机银行广告推荐给用户，即保护了用户的数据也能精准推荐手机银行广告，提高用户数据的安全性和提高用户体验。
106.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或
者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
107.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
108.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。