目标人群挖掘方法、广告推送方法及装置与流程

1.本技术涉及人工智能技术领域，尤其涉及目标人群挖掘方法、广告推送方法及装置。


背景技术：

2.随着互联网技术飞速发展，以及智能终端的普及，人们越来越依赖智能终端进行相关事务，例如，网上购物、网上理财等，为了向用户提供更加精准的服务，各类app或网站需要进行特定的目标人群挖掘，进而实现相关业务的推荐。
3.但是，相关技术中的目标人群挖掘方案通常采用模型训练和推断的方式得到目标人群，例如，可以预先训练一个挖掘电商行业目标人群的模型，然后对全量人群做预测，得到电商行业目标人群。一方面，全量人群的量级很大，可达到10亿 ，而模型推断过程通常很慢，无法保证时效性，而在某些行业时效性非常重要，例如，在电商行业，如果一个用户想买一件商品，可能在1-2天内就买了，而模型更新2-3天甚至更久才完成，就会出现用户刚买了某个商品，系统又给她推荐此类商品的广告。
4.而且，当挖掘不同行业的人群时，需要分别进行模型调参。如果挖掘不同广告类别的目标人群时，则需要设计更加精细的多任务学习模型等，而且，当广告类别增加时，还需要修改模型架构等信息，可见，基于模型的方案通用性较差。此外，当数据分布发生变化后也需要对模型进行调参。


技术实现要素：

5.有鉴于此，本技术提供了一种目标人群挖掘方法、广告推送方法及装置，以解决相关技术中采用模型推断方法导致目标人群挖掘结果的时效性差，进而导致服务推荐准确率低的技术问题，其公开的技术方案如下：
6.一方面，本技术提供了一种目标人群挖掘方法，包括：
7.获取历史转化用户对应的互联网行为数据；
8.统计所述互联网行为数据，得到与互联网行为相匹配的显著特征，所述显著特征表征所述历史转化用户的偏好；
9.根据所述显著特征的重要程度由高到低的顺序，获得特征候选集，并获得所述特征候选集覆盖的人群；
10.根据所述特征候选集覆盖的人群，获得与挖掘目标相匹配的目标人群。
11.在一种可能的实现方式中，所述根据所述特征候选集覆盖的人群，获得与挖掘目标相匹配的目标人群，包括：
12.获取所述挖掘目标中待推荐广告所属的类别；
13.对网站中全量用户的互联网行为数据进行过滤，得到对所述待推荐广告的类别有意向的意向人群，所述网站是用户产生所述互联网行为数据的网站；
14.确定所述特征候选集覆盖的人群和所述意向人群的交集内的人群，为所述目标人
群。
15.在另一种可能的实现方式中，所述对网站中全量用户的互联网行为数据进行过滤，得到对所述待推荐广告的类别有意向的意向人群，包括：
16.分析所述用户的互联网行为数据中是否包含与所述待推荐广告的类别相匹配的信息；
17.如果所述用户的互联网行为数据中包含与所述待推荐广告的类别相匹配的信息，则确定所述用户对所述待推荐广告有意向；
18.如果所述用户的互联网行为数据中不包含与所述待推荐广告的类别相匹配的信息，则确定所述用户对所述待推荐广告无意向；
19.从所述网站的全量用户中筛选出对所述待推荐广告有意向的用户，获得所述意向人群。
20.在另一种可能的实现方式中，所述根据所述显著特征的重要度由高到低的顺序，获得特征候选集，包括：
21.根据所述历史转化用户的互联网行为数据，计算得到所述历史转化用户对每个显著特征的偏好度；
22.按照所述偏好度由高到低的顺序，确定前预设数量个所述显著特征为所述特征候选集。
23.在又一种可能的实现方式中，所述根据所述历史转化用户的互联性行为数据，计算得到所述历史转化用户对每个显著特征的偏好度，包括：
24.计算所述历史转化用户中具有预设互联网行为的用户占比，与网站的全量用户中具有所述预设互联网行为的用户占比的比值，得到所述历史转化用户针对所述预设互联网行为对应的显著特征的偏好度；
25.其中，所述网站是所述历史转化用户产生所述预设互联网行为的网站。
26.第二方面，本技术还提供了一种广告推荐方法，包括：
27.获取待推荐广告的类别；
28.获取与所述类别相匹配的目标人群，所述目标人群根据第一方面任一种可能的实现方式所述的方法获得；
29.将所述待推荐广告推送给所述目标人群。
30.第三方面，本技术提供了一种目标人群挖掘装置，包括：
31.第一获取模块，用于获取历史转化用户对应的互联网行为数据；
32.统计模块，用于统计所述互联网行为数据，得到与互联网行为相匹配的显著特征，所述显著特征表征所述历史转化用户的偏好；
33.第一人群获取模块，用于根据所述显著特征的重要程度由高到低的顺序，获得特征候选集，并获得所述特征候选集覆盖的人群；
34.目标人群确定模块，用于根据所述特征候选集覆盖的人群，获得与待推荐广告相匹配的目标人群。
35.第四方面，本技术还提供了一种广告推荐装置，包括：
36.广告类别获取模块，用于获取待推荐广告的类别；
37.目标人群获取模块，用于获取与所述类别相匹配的目标人群，所述目标人群根据
第三方面所述的方法获得；
38.广告推送模块，用于将所述待推荐广告推送给所述目标人群。
39.第五方面，本技术还提供了一种服务器，包括
40.处理器和存储器；
41.其中，所述处理器用于执行所述存储器中存储的程序；
42.所述存储器用于存储程序，所述程序至少用于：
43.获取历史转化用户对应的互联网行为数据；
44.统计所述互联网行为数据，得到与互联网行为相匹配的显著特征，所述显著特征表征所述历史转化用户的偏好；
45.根据所述显著特征的重要程度由高到低的顺序，获得特征候选集，并获得所述特征候选集覆盖的人群；
46.根据所述特征候选集覆盖的人群获得所述目标人群；
47.第六方面，本技术还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现第一方面任一种可能的实现方式所述的目标人群挖掘方法，或者，实现第二方面所述的广告推荐方法。
48.本技术提供的目标人群挖掘方法，获取网站中的历史转化用户对应的互联网行为数据，统计互联网行为数据得到与互联网行为相匹配的显著特征，该显著特征表征历史转化用户的偏好。根据显著特征的重要程度由高到低的顺序得到特征候选集，并确定特征候选集覆盖的人群。最终根据特征候选集覆盖的人群获得与挖掘目标相匹配的目标人群。该方案在挖掘目标人群时使用统计方法，与基于模型的人群挖掘方案相比，该方案不需要预先训练模型，实现简单，而且基于统计的方式时效高，能够快速复制，即通用性更强。
附图说明
49.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的实施例，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。
50.图1示出了本技术实施例提供的一种广告推荐系统的结构示意图；
51.图2示出了本技术实施例提供的一种目标人群挖掘方法的流程图；
52.图3示出了本技术实施例提供的一种获得特征候选集覆盖的人群过程的流程图；
53.图4示出了本技术实施例提供的另一种目标人群挖掘方法的流程图；
54.图5示出了本技术实施例提供的一种获取待推荐广告所属的类别的过程的流程图；
55.图6示出了本技术实施例提供的一种获得意向人群的过程的流程图；
56.图7示出了本技术实施例提供的一种广告推送方法的流程图；
57.图8示出了本技术实施例提供的一种目标人群挖掘装置的结构示意图；
58.图9示出了本技术实施例提供的另一种目标人群挖掘装置的结构示意图；
59.图10示出了本技术实施例提供的一种广告推荐装置的结构示意图；
60.图11示出了本技术实施例提供的一种服务器的结构示意图。
具体实施方式
61.相关技术中的目标人群挖掘方案，通常采用模型推断方式，此种方式存在实现复杂、通用性差且时效性差的问题，本技术提供了一种目标人群挖掘方法，该方法基于统计方法实现，具体的，获取当前网站的历史转化用户对应的互联网行为数据，统计互联网行为数据得到与互联网行为相匹配的显著特征，该显著特征表征历史转化用户的偏好。根据显著特征的重要程度由高到低的顺序得到特征候选集，并确定特征候选集覆盖的人群。最终根据特征候选集覆盖的人群获得目标人群。该方案不需要预先训练模型，实现简单，而且基于统计的方式时效高，能够快速复制，即通用性更强。
62.请参见图1，示出了本技术实施例提供的一种广告推荐系统的结构示意图，该系统包括客户端1和服务器2。
63.客户端1是指安装在终端设备(如，pc机、智能手机或平板电脑等)中的网页客户端，或者应用程序等。
64.服务器2根据历史转化用户对应的客户端1上报的互联网行为数据，得到与互联网行为相匹配的显著特征，进一步，根据显著特征的重要程度由高到低的顺序获得特征候选集，并获得特征候选集覆盖的人群，最终根据该人群确定出与待推荐广告相匹配的目标人群。
65.服务器2确定出待推荐广告对应的目标人群后，将待推荐广告推荐给目标人群的客户端。
66.下面将详细介绍服务器挖掘目标人群的过程：
67.请参见图2，示出了本技术实施例提供的一种目标人群挖掘方法的流程图，该方法应用于服务器中，如图2所示，该方法可以包括以下步骤：
68.s110，获取历史转化用户对应的互联网行为数据。
69.以电商行业为例，如果某个用户看到电商平台的某个广告后，购买了广告中的商品或服务，则称该用户为转化用户。历史转化用户是指在历史数据中具有转化行为的用户。
70.当需要对某个维度的转化用户进行人群扩展(即，获取潜在转化用户)时，获取该维度的历史转化用户对应的互联网行为数据。
71.此外，可以不设定维度，此种情况下，需要获取网站中全部历史转化用户。
72.用户在于互联网交互的过程中，必然会产生一些行为数据，例如，社交类app中的行为数据，如微博关注行为数据、抖音关注行为数据，或，其它能够区分用户不同偏好的行为数据，如文章阅读行为数据、电商行为数据等。
73.s120，统计互联网行为数据，得到与互联网行为相匹配的显著特征。
74.其中，该显著特征表征历史转化用户的偏好特点的特征。
75.用户在互联网中的行为数据具有比较明显的特点，例如，关注行为数据，通过用户关注的对象能够得到用户的偏好特点，如有的人群喜欢游戏，有的人群喜欢购物。此种情况下，用户关注的对象就是一种显著特征。
76.又如，用户的阅读文章的行为数据，根据用户阅读的文章类型也可以区分用户的偏好特点，其中，文章类型可以根据文章的标题、文章内容或文章作者确定。
77.s130，根据显著特征的重要程度由高到低的顺序，获得特征候选集，并获得特征候选集覆盖的人群。
78.在本技术的一个实施例中，显著特征的重要程度可以利用用户对该显著特征的偏好程度来衡量，如图3所示，s130可以包括以下步骤：
79.s131，根据历史转化用户的互联网行为数据，计算得到历史转化用户对每个显著特征的偏好度。
80.在本技术的一个实施例中，计算用户对某个显著特征的偏好度的过程可以包括：计算历史转化用户中具有预设互联网行为的用户占比，与网站的全量用户中具有预设互联网行为的用户占比的比值，得到历史转化用户针对预设互联网行为对应的显著特征的偏好度。
81.其中，网站的全量用户是指产生互联网行为的网站的全部用户，例如，针对抖音关注行为数据，全量用户是指抖音app中的全部用户。
82.偏好度的计算公式如下所示：
83.偏好度＝100*历史转化用户中具有某个预设互联网行为的人数占比/网站的全量用户中具有该预设互联网行为的人数占比
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式1)
84.不同的应用场景中，公式1中各个参数的含义有所不同，例如，以用户的关注行为数据为例，用户对某个关注对象的偏好度的计算公式如下：
85.偏好度＝100*历史转化用户中关注目标对象的人数占比/目标对象所在平台中关注目标对象的人数占比。
86.当然，在其它应用场景中，偏好度的计算公式相应变为该应用场景中的参数，此处不再一一详述。
87.s132，按照偏好度由高到低的顺序，确定前预设数量个显著特征为特征候选集。
88.计算得到历史转化用户对各个显著特征的偏好度后，可以按照偏好度由高到低的顺序选取前n个显著特征构成特征候选集。其中，n可以根据实际需求设定，例如，n＝10。
89.s133，确定特征候选集覆盖的人群。
90.如果历史转化用户的互联网行为数据与特征候选集中的各个显著特征相匹配，则确定该历史转化用户为特征候选集覆盖的用户，根据此方法得到特征候选集覆盖的所有用户。
91.特征候选集覆盖的人群是指对与特征候选集包含的特征相匹配的广告的消费能力偏强的人群。
92.在广告推荐过程中，某些受众用户对特定广告天然具有消费的冲动，例如，青少年对游戏广告更偏爱，消费能力更强；又如，女性对服饰、护肤品等类型的广告更加偏爱，消费能力更强。这种对某类广告消费能力偏强的人群可以称为该类广告的冲动人群。换言之，特征候选集覆盖的人群可以称为与该特征候选集相匹配的广告的冲动人群。
93.在本技术的其它实施例中，还可以采用其它参数表征显著特征的重要程度，例如，可以采用基尼指数衡量显著特征的重要程度。
94.s140，根据特征候选集覆盖的人群获得与挖掘目标相匹配的目标人群。
95.挖掘目标可以根据实际需求设定，例如，在电商广告推荐的应用场景中，目标人群挖掘过程中可以针对历史转化用户的转化商品或服务的不同类别，分别挖掘对应的目标人群，例如，对于游戏相关品类，根据游戏相关品类的历史转化用户的行为数据进行人群挖掘得到与游戏品类相匹配的目标人群。
96.以挖掘目标为电商广告为例，在一种应用场景中，如果未指定待推荐广告的类别，此种情况下，确定出的冲动人群即目标人群。
97.在另一种应用场景中，如果指定了待推荐广告的类别，则获取该类别对应的历史转化用户，进而从此类历史转化用户中获得特征候选集覆盖的人群。进而从网站的全量用户中筛选出对待推荐广告的类别有意向的人群，进而确定两个人群的交集所对应的人群即目标人群。
98.本技术提供的目标人群挖掘方法，获取当前网站的历史转化用户对应的互联网行为数据，统计互联网行为数据得到与互联网行为相匹配的显著特征，该显著特征表征历史转化用户的偏好。根据显著特征的重要程度由高到低的顺序得到特征候选集，并确定特征候选集覆盖的人群。最终根据特征候选集覆盖的人群获得与挖掘目标相匹配的目标人群。该方案在挖掘目标人群时使用统计方法，与基于模型的人群挖掘方案相比，该方案不需要预先训练模型，实现简单，而且基于统计的方式时效高，能够快速复制，即通用性更强。
99.请参见图4，示出了本技术实施例提供的另一种目标人群挖掘方法的流程图，本实施例以挖掘目标为电商广告的应用场景进行说明，如图4所示，该方法包括以下步骤：
100.s210，获取与待推荐广告的类别相匹配的历史转化用户，对应的互联网行为数据。
101.与待推荐广告的类别相匹配的历史转化用户是指历史转化数据中包含的转化商品或服务所属的类别与待推荐广告的类别相匹配的转化用户。
102.s220，统计互联网行为数据，得到与互联网行为相匹配的显著特征。
103.其中，显著特征用于表征历史转化用户的偏好。
104.s230，根据显著特征的重要程度由高到低的顺序，获得特征候选集，并获得特征候选集覆盖的人群。
105.s240，获取待推荐广告所属的类别。
106.在本技术的一个实施例中，如图5所示，获取待推荐广告所属的类别的过程可以包括如下过程：
107.s241，获取待推荐广告所属的品类名称。
108.待推荐广告的品类名称可以根据运营侧指定的待推荐广告确定，例如，运营侧指定的待推荐广告的品类是“面霜”则品类名称是“面霜”。
109.s242，对品类名称进行扩展，得到待推荐广告的类别。
110.对获得的待推荐广告的品类名称进行泛化，得到相近的品类，这些品类作为待推荐广告的类别。
111.在本技术的一个实施例中，可以通过人工手段，或者，基于物品的协同过滤，或者，利用自然语言处理(natural language processing，nlp)分词工具等方法对品类词进行泛化扩展。
112.nlp是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。其中，本技术涉及的nlp技术是文本处理和语义理解等技术。
113.例如，品类词是“面霜”，则泛化扩展后的相似品类包括：面膜，乳液，晚霜，护肤，美妆，面部精华，隔离霜，妆前乳，眼霜，眼部精华，洁面，日霜，防晒隔离,口红，腮红，爽肤水，化妆水，素颜霜，粉底液，香水，卸妆乳，彩妆盘，洁面皂，美妆，卸妆巾，眼膜，男士精华，唇膜，定妆喷雾。
114.s250，对网站中全量用户的互联网行为数据进行过滤，得到对待推荐广告的类别有意向的意向人群。
115.此处的网站是指用户产生所述互联网行为数据的网站，例如，对于微博网站或app而言，即获取微博网站的所有用户的互联网行为数据；对于抖音app而言，则获取抖音app中所有用户的行为数据。
116.将网站中全部用户的互联网行为数据与待推荐广告的类别进行匹配，如果匹配成功，则表明该用户对待推荐广告有消费意向。
117.在本技术的一个实施例中，如图6所示，获得意向人群的过程可以包括如下步骤：
118.s251，分析用户的互联网行为数据中是否包含与待推荐广告的类别相匹配的信息；如果是，则执行s252；如果否，则执行s253。
119.例如，对于用户的关注行为数据而言，分析用户的关注行为数据中是否包含与待推荐广告的类别相匹配的信息。如，用户关注的抖音号与化妆品有关，而且，待推荐广告的类别是与化妆品相关的类别，则确定该用户的光柱行为数据与待推荐广告的类别相匹配。
120.s252，确定用户对待推荐广告有意向。
121.s253，确定用户对待推荐广告无意向。
122.如果用户的互联网行为数据中不存在与待推荐广告的类别相匹配的信息，则确定该用户的互联网行为数与待推荐广告的类别不匹配，进而确定该用户对待推荐广告无意向。
123.s254，从网站的全部用户中筛选出对待推荐广告有意向的人群，得到意向人群。
124.对于一个网站中的全部用户，都进行s251的判断过程，从而从网站的所有用户中筛选出对待推荐广告有意向的用户，这些对待推荐广告有意向的用户组成意向人群。
125.在本技术的实施例中，可以先执行s240～s250，再执行s210～s230；或者，s210～s230与s240～s250分别由不同的线程并行执行，本技术对此不做限定。
126.s260，确定特征候选集覆盖的人群和意向人群的交集内的人群为目标人群。
127.最终确定出的目标人群是对待推荐广告的冲动人群和对待推荐广告有意向的意向人群的交集覆盖的用户。
128.本实施例提供的目标人群挖掘方法，针对网站中与待推荐广告的类别相匹配的历史转化用户，统计此类历史转化用户的互联网行为数据得到与互联网行为相匹配的显著特征，进而根据显著特征的重要程度由高到低的顺序特征特征候选集，并确定特征候选集覆盖的人群，即待推荐广告的冲动人群。与此同时，基于网站的全量用户的互联网行为数据，从网站的全量用户中筛选出对待推荐广告有意向的用户，即意向人群。最后，对待推荐广告的冲动人群和意向人群取交集得到的人群即待推荐广告的目标人群。该方案利用统计方法，不需要预先训练模型，实现简单，而且，统计方式的时效高，能够快速复制，通用性强。
129.上述的目标人群挖掘方法可以离线执行，在得到某类广告对应的目标人群后，可以向此类人群推送相关类别的广告，能够提高广告的转化率。
130.请参见图7，示出了本技术实施例提供的一种广告推荐方法的流程图，该方法应用于服务器中，如图7所示，该方法可以包括以下步骤：
131.s310，服务器获取待推荐广告的类别。
132.待推荐广告的类别即广告中的商品或服务所属的类别，例如，待推荐广告的类别是某个品牌的面霜，则该待推荐广告的类别即“面霜”。
133.其中，待推荐广告可以根据实际需求选取。
134.s320，服务器获取与该类别相匹配的目标人群。
135.服务器利用上述的目标人群挖掘方法后的与待推荐广告的类别相匹配的目标人群。
136.s330，服务器将待推荐广告推送给该目标人群的客户端。
137.将待推荐广告与该目标人群绑定，以实现将该推荐广告推送给该目标人群。
138.s340，目标人群的客户端显示待推荐广告。
139.例如，需要优化电商广告下的清洁剂广告，利用上述的目标人群挖掘方法挖掘得到清洁剂的目标人群，定义为l27。以及，配置清洁剂广告的广告主账户，以便确定待推荐的广告。在广告重排阶段，如果该用户属于l27，且广告属于预先配置的广告主账户(即，该广告是优先推荐的广告)，则对该广告进行ecpm(effective cost per mile，千次展示收益)扶持，即，对该广告进行加权使得该广告的排名更靠前，最终实现向相匹配的人群推送该广告。通过上述过程实现了目标人群包的线上使用。
140.在实际应用中，本实施例提供的广告推荐方法已在皮衣和羊绒衫品类进行应用，应用显示新增用户在皮衣和羊绒衫的广告转化率从原来的1.2％提高到2％，可见，该利用该方法能够明显提高广告的转化率。
141.本实施例提供的广告推荐方法，获得待推荐广告的类别，并利用上述的目标人群挖掘方法获得此类别相匹配的目标人群，最终将该推荐广告推送给目标人群。在提高目标人群的准确率的基础上，实现了广告推送的准确率，进而提高了广告的转化率。
142.相应于上述的目标人群挖掘方法实施例，本技术还提供了目标人群挖掘装置实施例。
143.请参见图8，示出了本技术实施例提供的一种目标人群挖掘装置的结构示意图，该装置应用于服务器中，如图8所示，该装置可以包括：
144.第一获取模块110，用于获取历史转化用户对应的互联网行为数据。
145.统计模块120，用于统计所述互联网行为数据，得到与互联网行为相匹配的显著特征，所述显著特征表征所述历史转化用户的偏好。
146.第一人群获取模块130，用于根据所述显著特征的重要程度由高到低的顺序，获得特征候选集，并获得所述特征候选集覆盖的人群。
147.在本技术的一个实施例中，第一人群获取模块用于根据所述显著特征的重要程度由高到低的顺序，获得特征候选集时，具体用于：
148.根据所述历史转化用户的互联网行为数据，计算得到所述历史转化用户对每个显著特征的偏好度；
149.按照所述偏好度由高到低的顺序，确定前预设数量个所述显著特征为所述特征候选集。
150.在本技术的另一个实施例中，根据所述历史转化用户的互联网行为数据，计算得到所述历史转化用户对每个显著特征的偏好度，具体包括：
151.计算所述历史转化用户中具有预设互联网行为的用户占比，与网站的全量用户中具有所述预设互联网行为的用户占比的比值，得到所述历史转化用户针对所述预设互联网行为对应的显著特征的偏好度；
152.其中，所述网站是所述历史转化用户产生所述预设互联网行为的网站。
153.目标人群确定模块140，用于根据所述特征候选集覆盖的人群，获得与挖掘目标相匹配的目标人群。
154.在一种应用场景中，如果挖掘目标未指定具体类别，则直接确定特征候选集覆盖的人群为与挖掘目标相匹配的目标人群。
155.在另一种应用场景中，如果挖掘目标指定了具体类别，则还需要进一步获取所指定类别对应的意向人群，进而选取特征候选集所覆盖人群与意向人群的交集所覆盖的人群作为最终的目标人群。
156.本技术提供的目标人群挖掘装置，获取当前网站的历史转化用户对应的互联网行为数据，统计互联网行为数据得到与互联网行为相匹配的显著特征，该显著特征表征历史转化用户的偏好。根据显著特征的重要程度由高到低的顺序得到特征候选集，并确定特征候选集覆盖的人群。最终根据特征候选集覆盖的人群获得与挖掘目标相匹配的目标人群。该方案在挖掘目标人群时使用统计方法，与基于模型的人群挖掘方案相比，该方案不需要预先训练模型，实现简单，而且基于统计的方式时效高，能够快速复制，即通用性更强。
157.请参见图9，示出了本技术实施例提供的另一种目标人群挖掘装置的结构示意图，该装置在图8所示实施例的基础上还包括：
158.广告类别获取模块210，用于获取所述挖掘目标中待推荐广告所属的类别。
159.获取待推荐广告的品类名称，并对该品类名称进行扩展得到待推荐广告的类别。
160.意向人群确定模块220，用于对网站中全量用户的互联网行为数据进行过滤，得到对所述待推荐广告的类别有意向的意向人群，所述网站是用户产生所述互联网行为数据的网站。
161.在本技术的一个实施例中，意向人群确定模块220具体用于：
162.分析所述用户的互联网行为数据中是否包含与所述待推荐广告的类别相匹配的信息；如果是，则确定所述用户对所述待推荐广告有意向；如果否，则确定所述用户对所述待推荐广告无意向；从所述网站的全量用户中筛选出对所述待推荐广告有意向的用户，获得所述意向人群。
163.在本技术的实施例中，目标人群确定模块140具体用于：确定特征候选集覆盖的人群和所述意向人群的交集内的人群，为目标人群。
164.本实施例提供的目标人群挖掘装置，针对网站中与待推荐广告的类别相匹配的历史转化用户，统计此类历史转化用户的互联网行为数据得到与互联网行为相匹配的显著特征，进而根据显著特征的重要程度由高到低的顺序特征特征候选集，并确定特征候选集覆盖的人群，即待推荐广告的冲动人群。与此同时，基于网站的全量用户的互联网行为数据，从网站的全量用户中筛选出对待推荐广告有意向的用户，即意向人群。最后，对待推荐广告的冲动人群和意向人群取交集得到的人群即待推荐广告的目标人群。该方案利用统计方
法，不需要预先训练模型，实现简单，而且，统计方式的时效高，能够快速复制，通用性强。
165.请参见图10，示出了本技术实施例提供的一种广告推荐装置的结构示意图，该装置应用于服务器中，如图10所示，该装置包括：
166.广告类别获取模块310，用于获取待推荐广告的类别。
167.目标人群获取模块320，用于获取与所述类别相匹配的目标人群。
168.其中，目标人群根据上述的目标人群挖掘装置得到。
169.广告推送模块330，用于将所述待推荐广告推送给所述目标人群。
170.本实施例提供的广告推荐装置，获得待推荐广告的类别，并利用上述的目标人群挖掘方法获得此类别相匹配的目标人群，最终将该推荐广告推送给目标人群。在提高目标人群的准确率的基础上，实现了广告推送的准确率，进而提高了广告的转化率。
171.另一方面，本技术还提供了一种服务器，参见图11，其示出了本技术的服务器的一种组成结构示意图，本实施例的服务器可以包括：处理器1101和存储器1102。
172.可选的，该服务器还可以包括通信接口1103、输入单元1104和显示器1105和通信总线1106。
173.处理器1101、存储器1102、通信接口1103、输入单元1104、显示器1105、均通过通信总线1106完成相互间的通信。
174.在本技术实施例中，该处理器1101，可以为中央处理器(central processing unit，cpu)，特定应用集成电路，数字信号处理器、现成可编程门阵列或者其他可编程逻辑器件等。
175.该处理器可以调用存储器1102中存储的程序。具体的，处理器可以执行上述的目标人群挖掘方法或广告推荐方法。
176.存储器1102中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令，在本技术的一个实施例中，该存储器中至少存储有用于实现以下功能的程序：
177.获取历史转化用户对应的互联网行为数据；
178.统计所述互联网行为数据，得到与互联网行为相匹配的显著特征，所述显著特征表征所述历史转化用户的偏好；
179.根据所述显著特征的重要程度由高到低的顺序，获得特征候选集，并获得所述特征候选集覆盖的人群；
180.根据所述特征候选集覆盖的人群，获得与挖掘目标相匹配的目标人群。
181.在一种可能的实现方式中，所述根据所述特征候选集覆盖的人群，获得与挖掘目标相匹配的目标人群，包括：
182.获取所述挖掘目标中待推荐广告所属的类别；
183.对网站中全量用户的互联网行为数据进行过滤，得到对所述待推荐广告的类别有意向的意向人群，所述网站是用户产生所述互联网行为数据的网站；
184.确定所述特征候选集覆盖的人群和所述意向人群的交集内的人群，为所述目标人群。
185.在一种可能的实现方式中，所述对网站中全量用户的互联网行为数据进行过滤，得到对所述待推荐广告的类别有意向的意向人群，包括：
186.分析所述用户的互联网行为数据中是否包含与所述待推荐广告的类别相匹配的信息；
187.如果所述用户的互联网行为数据中包含与所述待推荐广告的类别相匹配的信息，则确定所述用户对所述待推荐广告有意向；
188.如果所述用户的互联网行为数据中不包含与所述待推荐广告的类别相匹配的信息，则确定所述用户对所述待推荐广告无意向；
189.从所述网站的全量用户中筛选出对所述待推荐广告有意向的用户，获得所述意向人群。
190.在一种可能的实现方式中，所述根据所述显著特征的重要度由高到低的顺序，获得特征候选集，包括：
191.根据所述历史转化用户的互联网行为数据，计算得到所述历史转化用户对每个显著特征的偏好度；
192.按照所述偏好度由高到低的顺序，确定前预设数量个所述显著特征为所述特征候选集。
193.在一种可能的实现方式中，所述根据所述历史转化用户的互联性行为数据，计算得到所述历史转化用户对每个显著特征的偏好度，包括：
194.计算所述历史转化用户中具有预设互联网行为的用户占比，与网站的全量用户中具有所述预设互联网行为的用户占比的比值，得到所述历史转化用户针对所述预设互联网行为对应的显著特征的偏好度；
195.其中，所述网站是所述历史转化用户产生所述预设互联网行为的网站。
196.在本技术的另一个实施例中，该存储器中至少存储有用于实现以下功能的程序：
197.获取待推荐广告的类别；
198.获取与所述类别相匹配的目标人群，所述目标人群根据权利要求1-5任一项所述的方法获得；
199.将所述待推荐广告推送给所述目标人群。
200.在一种可能的实现方式中，该存储器1102可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、以及至少一个功能(比如图像播放功能等)所需的应用程序等；存储数据区可存储根据计算机的使用过程中所创建的数据，比如，用户数据及图像数据等等。
201.此外，存储器1102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
202.该通信接口1103可以为通信模块的接口，如gsm模块的接口。
203.本技术还可以包括显示器1104和输入单元1105等等。
204.当然，图11所示的服务器的结构并不构成对本技术实施例中服务器的限定，在实际应用中服务器可以包括比图11所示的更多或更少的部件，或者组合某些部件。
205.另一方面，本技术实施例还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任意一个目标人群挖掘方法实施例，或者，实现如上的广告推荐方法实施例。
206.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重
点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
207.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
208.对所公开的实施例的上述说明，使本领域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。
209.以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。