广告投放方法、广告投放装置、可读存储介质及电子设备与流程

1.本公开涉及计算机技术领域，具体而言，涉及一种广告投放方法、广告投放装置、计算机可读存储介质及电子设备。


背景技术：

2.广告作为互联网公司的重要变现方式之一，广告投放可以达到广告平台和广告主之间互赢互利的效果，因此，其已经逐步形成一个重要的行业。
3.以电商平台中的商品广告为例，相关技术中，首先，卖家在电商平台构建广告单元，选择投放标的物，例如电商平台中的商品sku(stock keeping unit，库存量单元)，并圈定特定人群标签以确定该商品广告希望触达的人群；在当前用户访问电商平台时，电商平台获取当前用户的标签集合，并检索所有圈定了当前用户的标签的广告单元，以进行广告的投放
4.当根据用户标签检索的广告单元过多时，受到系统计算资源和快速响应的限制，需要对每个用户标签返回的广告单元的数量和所有标签返回广告单元的数量进行限制。相关技术通常是根据各个广告单元的出价实现数量的限制，即返回出价高的广告单元以满足数量的限制。
5.然而，这种根据用户标签进行广告检索以及根据广告出价进行数量限制的广告投放方法，投放的准确度较低，进而会降低当前用户对各个广告商品的点击率，影响广告投放的效果。
6.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

7.本公开的目的在于提供一种广告投放方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上改善广告投放的准确度较低的问题。
8.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
9.根据本公开的第一方面，提供了一种广告投放方法，包括：
10.响应于对广告平台的访问操作，获取当前用户的标签的集合；
11.获取与当前用户相关的广告集合，查询所述与当前用户相关的广告集合中的每个广告所对应的定向人群标签；
12.确定所述定向人群标签与所述当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向所述当前用户投放所述目标广告。
13.在本公开的一种示例性实施例中，基于前述方案，所述获取与当前用户相关的广告集合包括：
14.获取当前用户的历史行为数据，通过建立的与用户相关的广告的预测模型确定所
述当前用户的历史行为数据所对应的广告集合，以获取与所述当前用户相关的广告集合。
15.在本公开的一种示例性实施例中，基于前述方案，所述广告包括商品广告；
16.所述与用户相关的广告的预测模型包括商品与其对应的共现商品的第一索引关系模型、查询词与其对应的共现商品的第二索引关系模型、商品向量空间模型中的至少一种。
17.在本公开的一种示例性实施例中，基于前述方案，所述商品与其对应的共现商品的第一索引关系模型通过以下方式建立：
18.获取各用户的历史行为数据中的商品序列，确定所述商品序列中各商品的共现商品，其中，各商品的所述共现商品的行为发生时间与各商品的行为发生时间的间隔在第一预设阈值内；
19.遍历所述各用户的历史行为数据中的商品序列，以统计各商品和其所对应的各所述共现商品的共现频次；
20.获取所述共现频次大于第二预设阈值的所述共现商品，以确定各所述商品的目标共现商品，建立各所述商品与其对应的各所述目标共现商品的第一索引关系模型。
21.在本公开的一种示例性实施例中，基于前述方案，所述获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
22.所述获取与当前用户相关的商品广告集合包括：
23.获取当前用户的历史行为数据中的商品序列，确定所述商品序列中各商品的行为发生时间的时间戳；
24.根据所述第一索引关系模型确定所述时间戳在预设时间内的各商品所对应的共现商品，以获取与当前用户相关的商品广告集合。
25.在本公开的一种示例性实施例中，基于前述方案，所述查询词与其对应的共现商品的第二索引关系模型通过以下方式建立：
26.获取各用户的历史行为数据中搜索的查询词与其对应的后续行为商品的序列，在所述查询词与其对应的后续行为商品的序列中确定各所述查询词的共现商品，其中，各查询词的所述共现商品的行为发生时间与其对应的查询词的行为发生时间在第三预设阈值内；
27.遍历各所述查询词与其对应的后续行为商品的序列，以统计各所述查询词和其所对应的各共现商品的共现频次；
28.获取所述共现频次大于第四预设阈值的共现商品，以确定所述查询词的目标共现商品，建立各所述查询词与其对应的各所述目标共现商品的第二索引关系模型。
29.在本公开的一种示例性实施例中，基于前述方案，所述获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
30.所述获取与当前用户相关的商品广告集合包括：
31.获取当前用户的历史行为数据中的历史查询词序列，确定所述历史查询系序列中各查询词的搜索行为发生时的时间戳；
32.根据所述第二索引关系模型确定所述时间戳在预设时间内的各查询词所对应的共现商品，以获取与当前用户相关的商品广告集合。
33.在本公开的一种示例性实施例中，基于前述方案，所述商品向量空间模型通过以
下方式建立：
34.获取用户的历史行为数据中的商品序列，将各所述商品序列作为训练数据，对机器学习模型进行训练以得到商品向量空间模型。
35.在本公开的一种示例性实施例中，基于前述方案，所述获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
36.所述获取与当前用户相关的商品广告集合包括：
37.获取当前用户的历史行为数据中的商品序列，将所述商品序列输入到所述商品向量空间模型中，以得到所述当前用户的商品向量表示；
38.确定所述当前用户的商品向量表示和各商品广告的中的商品的向量表示的相似度；
39.获取所述相似度大于第五预设阈值的商品所对应的商品广告，以确定所述与当前用户相关的商品广告集合。
40.在本公开的一种示例性实施例中，基于前述方案，向所述当前用户投放所述目标广告包括：
41.获取所述目标广告的定向人群标签与所述当前用户的标签的集合中的标签的交集，并确定所述交集中广告价格最高的标签所对应的价格为所述目标广告的目标价格；
42.预测当前用户对各所述目标广告进行行为操作的概率，根据所述概率和所述目标价格确定各所述目标广告的展示位置的排序，以按照所述排序向所述当前用户投放所述目标广告；
43.其中，所述行为操作包括点击、浏览、购买中的至少一种。
44.根据本公开的第二方面，提供了一种广告投放装置，包括：
45.当前用户标签获取模块，被配置为响应于对广告平台的访问操作，获取当前用户的标签的集合；
46.定向人群标签查询模块，被配置为获取与当前用户相关的广告集合，查询所述与当前用户相关的广告集合中的每个广告所对应的定向人群标签；
47.目标广告投放模块，被配置为确定所述定向人群标签与所述当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向所述当前用户投放所述目标广告。
48.根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的广告投放方法。
49.根据本公开实施例的第四方面，提供了一种电子设备，包括：处理器；以及，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的广告投放方法。
50.由上述技术方案可知，本公开示例性实施例中的广告投放方法、广告投放装置，以及实现所述广告投放方法的计算机可读存储介质及电子设备，至少具备以下优点和积极效果：
51.在本公开的一些实施例所提供的技术方案中，首先，响应于对广告平台的访问操作，可以获取当前用户的标签的集合，同时，可以获取与当前用户相关的广告集合；然后，可以查询与当前用户相关的广告集合中的每个广告所对应的定向人群标签；最后，可以确定定向人群标签与当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向当
前用户投放所述目标广告。与相关技术相比，一方面，本公开基于获取的与当前用户相关的广告集合，可以提高广告投放的准确度，进而提高广告投放的转化率；另一方面，本公开通过进行与用户相关的广告所对应的定向人群标签和当前用户的标签集合中的标签的匹配，可以提高标签匹配的效率，进而提升广告平台的响应速度，使广告平台可以更加快速的进行广告的展示。
52.本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
53.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，还可以根据这些附图获得其他的附图。
54.图1示出本公开一示例性实施例中的现有技术中的广告投放方法的流程示意图；
55.图2示出本公开一示例性实施例中广告投放方法的流程示意图；
56.图3示出本公开一示例性实施例中建立第一索引关系模型的方法的流程示意图；
57.图4示出本公开一示例性实施例中建立第二索引关系模型的方法的流程示意图；
58.图5示出本公开一示例性实施例中根据商品向量空间模型获取与当前用户相关的广告集合的方法的流程示意图；
59.图6示出本公开一示例性实施例中广告投放装置的结构示意图；
60.图7示出本公开示例性实施例中计算机存储介质的结构示意图；以及，
61.图8示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
62.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
63.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
64.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
65.广告投放作为互联网公司的重要变现方式之一，已经逐渐形成一个重要的行业。在广告投放行业中有不同的企业承担着不同的职责，不同企业在广告投放产业链中的位置也不同。从整个营销市场来说，广告投放的产业链可以包括三个部分，分别是：广告主、广告平台、用户。
66.其中，广告主为达到营销的目的，希望自己投放的广告可以推送到特定人群，因此，广告主可以为自己的产品圈选特定人群标签，而广告主圈选特定人群标签的过程称为人群定向。广告平台为实现广告主可以圈选特定人群标签，通过dmp(data management platform，数据管理平台)完成人群标签加工，提供给广告主进行特定人群标签的选择。当用户访问广告平台时，广告平台可以根据用户的行为和注册信息为用户标记合适的标签，生成用户标签画像，当用户标签画像符合广告主圈定的特定标签时，可以将广告主的广告显示给该用户。
67.当广告投放完成后，广告平台可以根据点击量进行收益的计算，而广告投放发精准度是点击量大小的重要影响因素。
68.现有技术中，主要通过丰富用户标签等方式实现广告的精准投放:例如，构建丰富的用户标签，为广告主提供更广泛的选择和更精细化的定向；为商家提供圈定特定人群的工具，方便广告主定向挖掘人群；根据广告主圈定的用户，根据用户标签特点完成扩散，完成人群扩充，以让广告主将广告投放给更多目标人群。
69.图1示出本公开一示例性实施例中的现有技术中的广告投放方法的流程示意图。参考图1，该方法包括步骤s110-步骤s150。
70.在步骤s110中，用户访问广告平台。其中，在用户访问广告平台之前，广告主可以在广告平台构建广告单元，选择投放标的物，例如，电商平台中的商品sku(stock keeping unit)，并在广告平台提供的人群标签中为该投放标的物选择特定的人群标签以完成上述的人群定向。与此同时，广告主可以为不同标签l
i
对应的人群提供不同的广告出价
71.当用户访问广告平台后，在步骤s120中，广告平台可以获取用户标签集合。
72.在步骤s130中，根据用户标签集合检索广告单元，以得到广告集合。
73.其中，广告平台根据用户标签l
i
通过索引<l
i
,groupid_1,groupid_2,...,groupid_k>检索广告单元，其中，索引的主键为用户标签l
i
，值列表groupid_1,groupid_2,...,groupid_k为选择了标签l
i
的所有广告单元。当用户有多个标签的时候，对用户所有标签检索广告单元进行合并得到广告单元集合t。
74.在步骤s140中，对广告集合中的广告进行点击率预估。具体的，根据广告单元集合t，获取对应的投放标的物，预估用户对投放标的物的点击概率。
75.在步骤s150中，根据点击率和广告出价计算期望收益，并根据期望收益对广告集合中的广告进行排序展示。
76.对于上述的步骤s130而言，当广告单元过多(百万级及以上)时，因为计算资源及系统快速响应的限制，需要对每个标签返回广告单元数量和用户广告单元集合t的数量做限制。现有技术中，在优选广告单元时，通常根据广告单元的出价做排序，优选出价最高的单元。最终优选的广告单元集合t的规模通常为千级别。
77.然而，这种方法尽管保证了用户标签的丰富性，但根据出价优选广告单元的方法仍会降低广告投放的精准度，导致最终投放的广告点击率较低，进而影响广告平台的收益
和用户的体验。
78.在本公开的示例性实施例中，提供了一种广告投放方法，至少在一定程度上克服上述现有的相关技术中存在的缺陷。
79.图2示出本公开一示例性实施例中广告投放方法的流程示意图，参考图2，该方法包括：
80.步骤s210，响应于对广告平台的访问操作，获取当前用户的标签的集合；
81.步骤s220，获取与当前用户相关的广告集合，查询与当前用户相关的广告集合中的每个广告所对应的定向人群标签；
82.步骤s230，确定定向人群标签与当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向当前用户投放所述目标广告。
83.在图2所示实施例所提供的技术方案中，在本公开的一些实施例所提供的技术方案中，首先，响应于对广告平台的访问操作，可以获取当前用户的标签的集合，同时，可以获取与当前用户相关的广告集合；然后，可以查询与当前用户相关的广告集合中的每个广告所对应的定向人群标签；最后，可以确定定向人群标签与当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向当前用户投放所述目标广告。与相关技术相比，一方面，本公开基于获取的与当前用户相关的广告集合，可以提高广告投放的准确度，进而提高广告投放的转化率；另一方面，本公开通过进行与用户相关的广告所对应的定向人群标签和当前用户的标签集合中的标签的匹配，可以提高标签匹配的效率，进而提升广告平台的响应速度，使广告平台可以更加快速的进行广告的展示。
84.以下对图2所示实施例中各个步骤的具体实施方式进行详细阐述：
85.在步骤s210中，响应于对广告平台的访问操作，获取当前用户的标签的集合。
86.其中，广告平台可以包括任何的流量媒体平台，包括但不限于电商平台、新闻媒体平台、短视频网站等。对广告平台的访问操作可以包括任何的用户打开广告平台的操作，用户在广告平台进行点击、浏览、观看等操作等。
87.在示例性的实施方式中，当前用户的标签包括静态属性标签、行为类标签、算法挖掘类标签中的至少一种。
88.以广告平台是电商平台为例，其中，静态属性标签可以包括性别、年龄、购买力等，行为类标签可以包括购买过特定类目的商品的标签，算法挖掘类标签可以包括通过算法得到的各类标签，例如促销敏感人群标签等。
89.示例性的，步骤s210的具体实施方式可以是，当用户访问广告平台时，广告平台根据当前用户的历史行为信息和注册信息确定当前用户的标签，以获取当前用户的标签的集合。其中，当前用户的标签的集合中包括至少一个用户标签。
90.举例而言，可以通过用户的历史行为信息确定上述的行为类标签和算法挖掘类标签，根据用户的注册信息确定用户的静态属性标签，以生成并获取当前用户的标签的集合。
91.具体的，例如，当用户买过衣服时，用户的行为类标签可以包括服装类标签，当用户使用过优惠券进行购买时，算法挖掘类标签可以包括促销敏感人群标签。当用户在进行注册的时候，可以让用户自行选择预设数量的预设标签，或者根据用户的年龄、性别等注册信息，自动确定用户的静态属性标签，从而将各个标签组成的集合确定为当前用户的标签的集合。
92.获取当前用户的标签的集合后，在步骤s220中，获取与当前用户相关的广告集合，查询与当前用户相关的广告集合中的每个广告所对应的定向人群标签。
93.在示例性的实施方式中，与当前用户相关的广告集合包括通过协同过滤算法和/或深度学习模型等机器学习算法确定的当前用户感兴趣的广告的集合。当然，也可以通过其它的任何方法以达到获取与当前用户相关的广告的目的，这也在本公开的保护范围之内。
94.示例性的，获取与当前用户相关的广告集合的具体实施方式可以是，获取各用户的历史行为数据，根据各用户的历史行为数据建立与用户相关的广告的预测模型；获取当前用户的历史行为数据，通过建立的与用户相关的广告的预测模型确定当前用户的历史行为数据所对应的广告集合，以获取与当前用户相关的广告集合。
95.其中，与当前用户相关的广告集合可以包括与当前用户相关的商品广告集合。进一步的，上述的与用户相关的广告的预测模型可以包括商品与其对应的共现商品的第一索引关系模型、查询词与其对应的共现商品的第二索引关系模型、商品向量空间模型中的至少一种。
96.示例性的，图3示出本公开一示例性实施例中建立第一索引关系模型的方法的流程示意图。参考图3，该方法可以包括步骤s310-步骤s330。
97.在步骤s310中，获取各用户的历史行为数据中的商品序列，确定商品序列中各商品的共现商品。
98.其中，各商品的共现商品的行为发生时间与各商品的行为发生时间的间隔在第一预设阈值内。换言之，各商品的共现商品可以包括行为发生时间与该商品的行为发生时间的间隔在第一预设阈值内的商品。
99.在示例性的实施方式中，各用户的历史行为数据中的商品序列可以是广告平台中所有用户的历史行为数据中的商品序列，也可以是具有特殊权限的所有用户的历史行为数据中的商品序列，还可以是预设的广告平台中的部分用户的历史行为数据中的商品序列。本示例性实施方式对此不做特殊限定。
100.其中，用户的历史行为数据中的商品序列可以是用户的点击、浏览、加购、购买等任何对商品的历史触发操作而生成的商品序列。
101.示例性的，不同的用户的历史行为会生成不同的商品序列，以广告平台是电商平台、各用户是电商平台的所有用户、用户的历史行为是点击商品为例，上述的步骤s310的具体实施方式可以是，获取电商平台的所有用户的历史行为数据中点击的商品序列，在所有的商品序列中确定各商品的共现商品。
102.其中，各商品可以包括所有商品序列中的任何商品。各商品和其对应的共现商品可以是各商品序列中两个商品行为发生时的时间戳不同的商品。一般而言，各商品的时间戳小于各商品的共现商品。
103.举例而言，用户1的历史行为数据对应的点击商品序列可以是“item1，time2，item3，
…
，itemi，itemn”。如果item1和time2的点击行为发生时的时间戳的差值在第一预设阈值内，例如600秒内，此时，item1和item2共现，且item2可以看作是item1的一个共现商品。当然，如果item1和item3的点击行为发生时的时间戳的差值在第一预设阈值内，此时，item3可以看作是item1的另一个共现商品。
104.此外，item1也可以在其它用户的历史行为数据的商品序列中和其它的商品共现。即，各商品的共现商品可以有多个，每个商品的共现商品可以根据上述的所有用户的历史行为数据中的商品序列确定。
105.确定各商品的共现商品之后，在步骤s320中，遍历各用户的历史行为数据中的商品序列，以统计各商品和其所对应的各共现商品的共现频次。
106.其中，各用户的历史行为数据中的商品序列已在上述的步骤s310中进行说明，此处不再进行赘述。
107.示例性的，上述步骤s320的具体实施方式可以是，遍历所有用户的历史行为数据中的商品序列，以统计每个具有共现商品的商品所对应的各共现商品的出现频次，根据该出现频次确定共现频次。
108.举例而言，第一个用户的历史行为数据对应的商品序列中item1和item2共现，item2作为item1的共现商品，第1次出现，那么，item1和item2的共现频次此时可以是1。当第二个用户的历史行为数据的商品序列中也存在item1和item2共现时，此时，item2作为item1的共现商品，第2次出现，item1和item2的共现频次相应的增加1。以此类推，当有n个用户时，遍历n个用户历史行为数据中的商品序列，统计n个用户的历史行为数据中item2作为item1的共现商品时，item2的出现次数，则可以确定item1和其对应的共现商品item2的共现频次。其它商品和其所对应的商品的共现频次，与item1和其对应的共现商品item2的共现频次的确定方式相同，此处不再进行赘述。
109.统计各商品和其所对应的各共现商品的共现频次后，在步骤s330中，获取共现频次大于第二预设阈值的共现商品，以确定各商品的目标共现商品，建立各商品与其对应的各目标共现商品的第一索引关系模型。
110.其中，第一索引关系模型可以包括各商品与其对应的各目标共现商品之间的索引关系的模型。
111.示例性的，上述的步骤s330的具体实施方式可以是，在各商品的所有共现商品中选择出共现频次大于第二预设阈值的共现商品，作为该商品的目标共现商品，以各商品作为主键，以各商品的目标共现商品作为值列表，建立各商品与其对应的各目标共现商品的索引关系模型。
112.示例性的，确定目标共现商品的具体实施方式还可以是，对商品和对应的各共现商品的共现频次按照从大到小的顺序进行排序，确定共现频次排序在前n的n个共现商品为目标共现商品。当然，还可以通过其他的任何方式从各共现商品中选择出共现频次较高的共现商品为目标共现商品，本示例性实施方式对此不做特殊限定。
113.一般而言，共现频次可以表示商品和其对应的共现商品的共现相似度，共现频次的数值越大，共现相似度也就越高。共现相似度越高，则共现商品和用户的历史行为数据中的商品序列中的各商品的相关性也就越高，那么用户点击、浏览、加购、购买该商品的概率也就越大，商品广告投放的准确度也就越高。因此，通过对共现频次的筛选，可以提高广告投放的准确度。
114.此外，由于进行了共现频次的筛选，可以对广告的数量进行限制，从而在相对较少的数量中进行广告投放的选择，进而可以在提高准确度的同时，提升系统的响应速度。
115.示例性的，通过上述的步骤s310-步骤s330，建立各商品与其对应的各目标共现商
品的第一索引关系模型后，可以通过上述的第一索引关系模型获取与当前用户相关的商品广告集合。
116.具体的，获取与当前用户相关的商品广告集合的实施方式可以是，首先，获取当前用户的历史行为数据中的商品序列，确定该商品序列中各商品的行为发生时间的时间戳；然后，根据第一索引关系模型确定时间戳在预设时间内的各商品所对应的共现商品，以获取与当前用户相关的商品广告集合。
117.在示例性的实施方式中，上述的当前用户的历史行为数据中的商品序列可以包括当前用户的点击、浏览、加购、购买等任何对商品的历史触发操作而生成的商品序列。
118.其中，商品序列中的每个商品都有对应的行为发生时间的时间戳，例如，t1时刻点击了商品序列中的商品1，则商品1对应的行为发生时间的时间戳为t1；t2时刻购买了商品行为序列中的商品2，则商品2的行为发生时间的时间戳为t2等。
119.一般而言，当前用户的历史行为数据的商品序列中行为发生时间戳和当前时间戳(可以是用户访问广告平台时的时间戳)越接近的商品，与当前用户的相关性越高。
120.因此，在获取与当前用户相关的商品广告集合时，可以根据上述的第一索引关系模型，确定时间戳在预设时间内的各商品所对应的共现商品，以获取与当前用户相关的商品广告集合。其中，预设时间内的各商品可以是最近n天内的各商品。
121.示例性的，获取与当前用户相关的商品广告集合的实施方式还可以是，首先，获取当前用户的历史行为数据中的商品序列，确定该商品序列中各商品的行为发生时间的时间戳；然后，获取当前用户访问广告平台时的当前时间戳，确定当前时间戳和各商品的行为发生时间的时间戳的差值，按照差值从小到大的顺序对当前用户的历史行为数据的商品序列中的各商品进行排序，通过上述的第一索引关系模型，依次确定排序后的各商品的共现商品，直到获取的商品集合中的商品数量达到预设数量为止，从而获取与用户相关的商品广告集合。
122.举例而言，例如，预设数量可以是300个，按照时间戳差值从小到大排序后得到的商品序列为“item3，item4，item2，item7，
…
，itemn”，那么，可以通过上述的第一索引关系，先获取item3的共现商品20个，没有到达预设数量300，则继续按顺序获取item4、item2、item7的共现商品，直到获取的商品广告数量达到300为止。
123.其中，在获取各商品的共现商品时，也可以按照共现频次从大到小的顺序进行获取，例如，item2的所有目标共现商品获取完成后，目前的商品广告集合中的数量为270，当item7的目标共现商品大于30时，则获取前30个目标共现商品即可。
124.进一步的，图4示出本公开一示例性实施例中建立第二索引关系模型的方法的流程示意图。参考图4，该方法可以包括步骤s410-步骤s430。
125.在步骤s410中，获取各用户的历史行为数据中搜索的查询词与其对应的后续行为商品的序列，在查询词与其对应的后续行为商品的序列中确定各查询词的共现商品。
126.其中，各查询词的共现商品的行为发生时间与其对应的查询词的行为发生时间在第三预设阈值内。第三预设阈值和上述的第一预设阈值可以相等，也可以不相等，本示例性实施方式对此不做特殊限定。
127.在示例性的实施方式中，查询词对应的后续行为商品可以包括在搜索了该查询词后，用户点击、浏览、购买、加购等行为操作对应的商品。
128.其中，查询词与其对应的后续行为商品的序列的形式可以是“query，item1，item2，
…
，itemn”，其中，query为查询词，item1、item2、
…
、itemn为该查询词对应的后续行为商品。
129.在示例性的实施方式中，各用户的历史行为数据中搜索的查询词与其对应的后续行为商品的序列可以是广告平台中所有用户的历史行为数据中的查询词与其对应的后续行为商品的序列，也可以是具有特殊权限的所有用户的历史行为数据中的查询词与其对应的后续行为商品的序列，还可以是预设的广告平台中的部分用户的历史行为数据中的查询词与其对应的后续行为商品的序列。
130.其中，每个用户的历史数据中的查询词与对应的后续行为商品的序列可以是多个。各用户的历史行为数据中的查询词与其对应的后续行为商品的序列，还可以是所有用户或部分用户的历史行为数据中的满足预设条件的查询词与其对应的查询词的后续行为商品的序列。例如，服装类目的查询词与其对应的查询词的后续行为商品的序列。本示例性实施方式对此不做特殊限定。
131.示例性的，在查询词与其对应的后续行为商品的序列中确定各查询词的共现商品的具体实施方式可以是，获取广告平台中所有或部分用户的历史数据中的所有查询词与其对应的后续行为商品的序列，在所有或部分用户的所有或部分查询词与其对应的后续行为商品的序列中确定各查询词的共现商品。
132.其中，每个查询词在不同的用户的序列中所对应的后续行为商品可以不同，每个查询词所对应的共现商品可以是多个。
133.确定各查询词的共现商品后，在步骤s420中，遍历各查询词与其对应的后续行为商品的序列，以统计各查询词和其所对应的各共现商品的共现频次。
134.示例性的，步骤s420的具体实施方式可以是，遍历所有用户的历史行为数据中的所有的查询词与其对应的后续行为商品的序列，以统计每个具有共现商品的查询词所对应的各共现商品的出现频次，根据该出现频次确定共现频次。
135.举例而言，第一个用户的历史行为数据中的查询词与其对应的后续行为商品的序列可以有2个，分别是“query1，item1，item2，
…
，itemn”和“query2，item4，item7，
…
，itemn”，在第一个序列中，商品item1和查询词query1共现，item1作为query1的共现商品，第1次出现，那么，item1和query1的共现频次此时是1；在第二个序列中，item4和query2共现，商品item4作为query2的共现商品，第1次出现，那么，item4和query2的共现频次此时是1。当第二个用户的历史行为数据中也存在item1和query1共现时，此时，item1作为query1的共现商品，第2次出现，则item1和query1的共现频次相应的增加1，当第二个用户的历史行为数据中不存在item4和query2共现时，item4和query2的共现频次不变，直到其它序列中存在item4和query2共现时，对应的共现频次增加1。当然，在第二个用户的历史行为数据中也可以出现新的查询词和其对应的共现商品。以此类推，当有n个用户时，遍历n个用户历史行为数据中的商品序列，统计n个用户的历史行为数据中item1作为query1的共现商品时，item1的出现次数，则可以确定query1和其对应的共现商品item1的共现频次。其它查询词和其对应的共现商品的共现频次，与query1和其对应的共现商品item1的共现频次的确定方式相同，此处不再进行赘述。
136.统计各查询词和其所对应的各共现商品的共现频次后，在步骤s430中，获取共现
频次大于第四预设阈值的共现商品，以确定查询词的目标共现商品，建立各查询词与其对应的各目标共现商品的第二索引关系模型。
137.其中，第二索引关系模型可以包括各查询词与其所对应的各目标共现商品之间的索引关系的模型。
138.示例性的，步骤s430的具体实施方式和上述的步骤s330的具体实施方式相同，将步骤s330中的技术术语“各商品”替换为“查询词”、“各商品和其所对应的共现商品”替换为“各查询词和其所对应的共现商品”即可，此处不再进行赘述。
139.示例性的，通过上述的步骤s410-步骤s430，建立各查询词与其对应的各目标共现商品的第一索引关系模型后，可以获取与当前用户相关的商品广告集合。
140.具体的，获取与当前用户相关的商品广告集合的实施方式可以是，首先，获取当前用户的历史行为数据中的历史查询词序列，确定所述历史查询系序列中各查询词的搜索行为发生时的时间戳；根据第二索引关系模型确定时间戳在预设时间内的各查询词所对应的共现商品，以获取与当前用户相关的商品广告集合。
141.其中，历史查询词序列中的每个查询词都有对应的搜索行为发生时间的时间戳，例如，t1时刻搜索了查询词1，则查询词1对应的行为发生时间的时间戳为t1；t2时刻搜索了查询词2，则查询词2的行为发生时间的时间戳为t2等。
142.一般而言，当前用户的历史行为数据的历史查询词序列中行为发生时间戳和当前时间戳(可以是用户访问广告平台时的时间戳)越接近的查询词，与当前用户的相关性越高。
143.因此，在获取与当前用户相关的商品广告集合时，可以根据上述的第二索引关系模型，确定时间戳在预设时间内的各查询词所对应的共现商品，以获取与当前用户相关的商品广告集合。其中，预设时间内的各查询词可以是最近n天内的查询词。
144.示例性的，在根据各查询词与其对应的各目标共现商品的第一索引关系模型获取与当前用户相关的广告集合时，如果在推荐场景中，即当前用户未输入任何查询词时，可以根据当前用户的历史查询词序列获取与当前用户相关的广告集合；如果在搜索场景中，即当前用户输入查询词进行搜索时，可以根据本次搜索请求的查询词获取与当前用户相关的广告集合。
145.示例性的，获取与当前用户相关的商品广告集合的实施方式还可以是，首先，获取当前用户的历史行为数据中的历史查询词序列，确定该商历史查询词序列中各查询词的行为发生时间的时间戳；然后，获取当前用户访问广告平台时的当前时间戳，确定当前时间戳和各查询词的行为发生时间的时间戳的差值，按照差值从小到大的顺序对当前用户的历史行为数据中的历史查询词序列中的各查询词进行排序，通过上述的第二索引关系模型，依次确定排序后的各查询词的共现商品，直到获取的商品集合中的商品数量达到预设数量为止，从而获取与用户相关的商品广告集合。
146.图5示出本公开一示例性实施例中通过向量空间模型获取与当前用户相关的商品广告集合的方法。示例性的，参考图5，该方法可以包括步骤s510-步骤s530。
147.在步骤s510中，获取当前用户的历史行为数据中的商品序列，将商品序列输入到商品向量空间模型中，以得到当前用户的商品向量表示。
148.在示例性的实施方式中，当前用户的历史行为数据中的商品序列可以是预设时间
内的商品序列，例如，最近50天的历史行为数据中商品序列。其中，预设时间可以根据需求进行设置。
149.在将商品序列输入到商品向量空间模型之前，可以先建立该商品向量空间模型。
150.示例性的，建立商品向量空间模型的具体实施方式可以是：获取用户的历史行为数据中的商品序列，将各商品序列作为训练数据，对机器学习模型进行训练以得到商品向量空间模型。
151.在示例性的实施方式中，机器学习模型可以包括任何的深度学习模型，例如gru(gate recurrent unit，门控循环单元)模型等。
152.举例而言，可以获取广告平台中所有用户的历史行为数据中的商品序列，其可以是用户点击、浏览、购买过的任何商品序列。将每个用户的商品序列作为训练数据，输入到gru模型，以对gru模型进行离线训练。以商品序列是“item1,time2,item3,
…
itemi,itemn”为例，该商品序列可以作为一个训练数据，不同用户的商品序列的可以作为gru模型的不同的训练数据。
153.在进行离线训练时，可以将每个训练数据对应的商品序列进行向量化，得到每个商品序列的商品向量序列。然后，将每个商品向量序列作为训练数据，输入到初始的gru模型中，以通过离线训练，使得gru模型可以根据任何用户的商品序列预测该用户的商品向量表示。
154.其中，商品向量表示的大小可以根据实际需求进行设置，例如，可以是32维的商品向量表示。
155.得到商品向量空间模型后，可以获取当前用户的历史行为数据中的商品序列，对该商品序列进行向量化，以得到该商品序列的商品向量序列，然后，将该商品向量序列输入到商品向量空间模型中，以得到当前用户的商品向量表示。其中，该当前用户的商品向量表示可以作为当前用户的向量表示。
156.得到当前用户的商品向量表示后，在步骤s520中，确定当前用户的商品向量表示和各商品广告中的商品的向量表示的相似度。
157.其中，步骤s520中的相似度可以根据任何能够衡量两个向量相似度的方法确定。
158.示例性的，步骤s520的具体实施方式可以是，获取广告平台中各商品广告中的商品的向量表示，计算当前用户的商品向量表示和各商品广告中的商品的向量表示的余弦相似度。
159.确定相似度后，在步骤s530中，获取相似度大于第五预设阈值的商品所对应的商品广告，以确定与当前用户相关的商品广告集合。其中，第五预设阈值可以根据实际情况进行设置。
160.示例性的，在步骤s530中确定与当前用户相关的商品广告集合的具体实施方式还可以是，确定相似度后，根据相似度从大到小的顺序对各个商品广告进行排序，获取相似度排名前n的n个商品广告，以确定与当前用户相关的商品广告集合。
161.需要说明的是，本示例性实施例只是以图3-图5所示的各个方法对获取与当前用户相关的商品广告集合的方法进行示例性说明，使用其它的任何方法以达到获取与当前用户相关的商品广告集合的目的，也在本公开的保护范围之内。
162.与此同时，最终确定的与当前用户相关的商品广告集合可以是通过多个方法获取
的与当前用户相关的商品广告集合的并集或交集。例如，上述的图3-图5所示的各个方法获取的与当前用户相关的广告集合的并集作为与当前用户相关的目标广告集合。这样，可以从多个相关性的角度获取与当前用户相关的广告集合，以提高获取的广告集合的相关度，进而改善广告投放的准确度。
163.获取与当前用户相关的广告集合后，可以查询与当前用户相关的广告集合中的每个广告所对应的定向人群标签。
164.具体的，可以根据广告主为每个广告圈定的特定人群标签查询每个广告所对应的定向人群标签。
165.查询到每个广告所对应的定向人群标签后，在步骤s230中，确定定向人群标签与当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向当前用户投放所述目标广告。
166.在示例性的实施方式中，每个广告的定向人群标签可以是一个，也可以是多个。其中，不同的定向人群标签可以对应不同的广告出价，也可以对应相同的广告出价。
167.示例性的，确定目标广告的具体实施方式可以是，获取每个广告的定向人群标签与当前用户的标签的集合中的标签的交集，当该交集不为空时，确定该广告为目标广告。
168.示例性的，向当前用户投放目标广告的具体实施方式可以是，获取目标广告的定向人群标签与当前用户的标签的集合中的标签的交集，并确定该交集中广告价格最高的标签所对应的价格为该目标广告的目标价格；预测当前用户对各该目标广告进行行为操作的概率，根据该概率和目标价格确定各目标广告的展示位置的排序，以按照该排序向当前用户投放各目标广告。其中，上述的行为操作包括点击、浏览、购买中的至少一种。
169.一般而言，广告主可以为每个广告圈定多个定向人群标签，且为多个定向人群标签确定广告价格。换言之，每个广告对应多个定向人群标签，每个定向人群标签有对应的广告价格。可以将每个目标广告中定向人群标签对应的价格最高的标签作为该广告的目标标签，将该目标标签对应的价格作为目标广告的目标价格。
170.可以根据目标标签对应的标签人群对该目标广告的历史行为操作的频率，预测当前用户对该目标广告的行为操作的概率，然后，根据该概率和目标价格的期望值确定每个目标广告的期望收益，根据期望收益从大到小的顺序对各目标广告进行位置排序，并按照该位置排序在当前用户的广告平台界面中展示目标广告。当然也可以根据其它的方式预测当前用户对该目标广告的行为操作的概率，本示例性实施方式对此不做特殊限定。
171.通过上述的步骤s210-步骤s230，可以根据获取的与当前用户相关的广告集合提高当前用户和广告的相关性，有效的解决现有的广告投放方法可解释性差的问题，同时能够提高广告投放的准确度；此外，通过对目标广告的筛选，可以使得用户标签和广告主选择的定向人群标签进行高效的匹配，进而提高广告投放的效率。
172.进一步的，通过用户标签和定向人群标签的匹配，可以使得广告可以定向的投放给广告主圈定的人群标签所对应的人群，更加提高广告投放的准确度，满足广告主的需求的同时可以提升用户体验。
173.本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，
磁盘或光盘等。
174.此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
175.图6示出本公开示例性实施例中广告投放装置的结构示意图。示例性的参考图6，该广告投放装置600可以包括当前用户标签获取模块610、定向人群标签查询模块620、目标广告投放模块630。其中：
176.上述的当前用户标签获取模块610，被配置为响应于对广告平台的访问操作，获取当前用户的标签的集合；
177.上述的定向人群标签查询模块620，被配置为获取与当前用户相关的广告集合，查询所述与当前用户相关的广告集合中的每个广告所对应的定向人群标签；
178.上述的目标广告投放模块630，被配置为确定所述定向人群标签与所述当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向所述当前用户投放所述目标广告。
179.在本公开的一些实施例中，基于前述方案，上述的定向人群标签查询模块620，还被具体配置为：
180.获取各用户的历史行为数据，根据所述各用户的历史行为数据建立与用户相关的广告的预测模型；
181.获取所述当前用户的历史行为数据，通过所述与用户相关的广告的预测模型确定所述当前用户的历史行为数据所对应的广告集合，以获取与所述当前用户相关的广告集合。
182.在本公开的一些实施例中，基于前述方案，上述的广告包括商品广告，上述的与用户相关的广告的预测模型包括商品与其对应的共现商品的第一索引关系模型、查询词与其对应的共现商品的第二索引关系模型、商品向量空间模型中的至少一种。
183.在本公开的一些实施例中，基于前述方案，上述的商品与其对应的共现商品的第一索引关系模型通过以下方式建立：
184.获取各用户的历史行为数据中的商品序列，确定所述商品序列中各商品的共现商品，其中，各商品的所述共现商品的行为发生时间与各商品的行为发生时间的间隔在第一预设阈值内；
185.遍历所述各用户的历史行为数据中的商品序列，以统计各商品和其所对应的各所述共现商品的共现频次；
186.获取所述共现频次大于第二预设阈值的所述共现商品，以确定各所述商品的目标共现商品，建立各所述商品与其对应的各所述目标共现商品的第一索引关系模型。
187.在本公开的一些实施例中，基于前述方案，上述的获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
188.所述获取与当前用户相关的商品广告集合包括：
189.获取当前用户的历史行为数据中的商品序列，确定所述商品序列中各商品的行为发生时间的时间戳；
190.根据所述第一索引关系模型确定所述时间戳在预设时间内的各商品所对应的共现商品，以获取与当前用户相关的商品广告集合。
191.在本公开的一些实施例中，基于前述方案，上述的查询词与其对应的共现商品的第二索引关系模型通过以下方式建立：
192.获取各用户的历史行为数据中搜索的查询词与其对应的后续行为商品的序列，在所述查询词与其对应的后续行为商品的序列中确定各所述查询词的共现商品，其中，各查询词的所述共现商品的行为发生时间与其对应的查询词的行为发生时间在第三预设阈值内；
193.遍历各所述查询词与其对应的后续行为商品的序列，以统计各所述查询词和其所对应的各所述共现商品的共现频次；
194.获取所述共现频次大于第四预设阈值的共现商品，以确定所述查询词的目标共现商品，建立各所述查询词与其对应的各所述目标共现商品的第二索引关系模型。
195.在本公开的一些示例性实施例中，基于前述方案，上述的获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
196.所述获取与当前用户相关的商品广告集合包括：
197.获取当前用户的历史行为数据中的历史查询词序列，确定所述历史查询系序列中各查询词的搜索行为发生时的时间戳；
198.根据所述第二索引关系模型确定所述时间戳在预设时间内的各查询词所对应的共现商品，以获取与当前用户相关的商品广告集合。
199.在本公开的一些示例性实施例中，基于前述方案，上述的商品向量空间模型通过以下方式建立：
200.获取用户的历史行为数据中的商品序列，将各所述商品序列作为训练数据，对机器学习模型进行训练以得到商品向量空间模型。
201.在本公开的一些示例性实施例中，基于前述方案，上述的获取与当前用户相关的广告集合包括获取与当前用户相关的商品广告集合；
202.所述获取与当前用户相关的商品广告集合包括：
203.获取当前用户的历史行为数据中的商品序列，将所述商品序列输入到所述商品向量空间模型中，以得到所述当前用户的商品向量表示；
204.确定所述当前用户的商品向量表示和各商品广告中的商品的向量表示的相似度；
205.获取所述相似度大于第五预设阈值的商品所对应的商品广告，以确定所述与当前用户相关的商品广告集合。
206.在本公开的一些示例性实施例中，基于前述方案，上述的向所述当前用户投放所述目标广告包括：
207.获取所述目标广告的定向人群标签与所述当前用户的标签的集合中的标签的交集，并确定所述交集中广告价格最高的标签所对应的价格为所述目标广告的目标价格；
208.预测当前用户对各所述目标广告进行行为操作的概率，根据所述概率和所述目标价格确定各所述目标广告的展示位置的排序，以按照所述排序向所述当前用户投放所述目标广告；
209.其中，所述行为操作包括点击、浏览、购买中的至少一种。
210.上述广告投放装置中各单元的具体细节已经在对应的广告投放方法中进行了详细的描述，因此此处不再赘述。
211.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
212.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
213.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
214.在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
215.参考图7所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
216.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
217.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
218.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
219.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
220.此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
221.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
222.下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
223.如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
224.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的：步骤s210，响应于对广告平台的访问操作，获取当前用户的标签的集合；步骤s220,获取与当前用户相关的广告集合，查询所述与当前用户相关的广告集合中的每个广告所对应的定向人群标签；步骤s230，确定所述定向人群标签与所述当前用户的标签的集合中的至少一个标签相匹配的广告为目标广告，向所述当前用户投放所述目标广告。
225.又如，所述处理单元810可以执行如图3、图4、图5所示的各个步骤。
226.存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(rom)8203。
227.存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
228.总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
229.电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，
例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
230.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
231.此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
232.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。