CN114881712A - 智能广告投放方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种智能广告投放方法、装置、设备及存储介质，用于提高智能广告投放的准确率。所述方法包括：若目标用户符合预设用户类型，则根据用户数据匹配问卷模板并对问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；基于前段问题路径生成问卷模板对应的前段结束节点和前段答题路径并对目标用户进行用户真实属性实时解析，得到实时解析结果；根据实时解析结果对后段问题路径进行路径更新，生成目标结束节点和目标答题路径；将目标结束节点和目标答题路径输入问卷数据处理模型进行用户真实需求分析，生成用户真实需求；根据用户真实需求对目标用户进行智能广告投放。

Description

智能广告投放方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种智能广告投放方法、装置、设备及存储介质。

背景技术

随着计算机技术的高速发展，互联网媒体以其受众面广、传播效率高等特点已成为企业投放广告的一个重要渠道。为了最大化地提高媒体的广告收益，将广告提供方的广告资源投放至媒体，实现媒体的广告位变现。

现有方案无法实现对用户的精准广告投放，无法多维化、精细化管理，从而大大降低了智能广告投放策略的精准度，无法实现媒体的广告收益最大化，也无法满足广告提供方广告的精准投放需求，即现有方案的准确率低。

发明内容

本发明提供了一种智能广告投放方法、装置、设备及存储介质，用于提高智能广告投放的准确率。

本发明第一方面提供了一种智能广告投放方法，所述智能广告投放方法包括：接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

可选的，在本发明第一方面的第一种实现方式中，所述对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放，包括：分别对所述用户数据中的用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长进行标签化处理，得到所述用户数据对应的多个用户标签；获取预设用户类型模板对应的模板标签；计算所述多个用户标签和所述模板标签之间的标签命中率，并将所述标签命中率作为所述用户标签和预设用户类型模板之间的相似度，得到目标相似度；根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放。

可选的，在本发明第一方面的第二种实现方式中，所述若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径，包括：若所述目标用户符合所述预设用户类型，则对所述用户数据进行关键信息提取，得到所述用户数据对应的关键信息，其中，所述关键信息包括用户性别和年龄以及用户自定义兴趣种类；对所述关键信息和预置的多个问卷模板进行匹配，得到每个问卷模板对应的信息匹配度；对个问卷模板对应的信息匹配度进行信息匹配度排序，得到目标排序结果，并将所述目标排序结果中排名最高的信息匹配度对应的问卷模板作为所述目标用户对应的问卷模板；调用预置的模板解析模型对所述问卷模板进行路径分段解析，得到所述问卷模板对应的前段问题路径和后段问题路径。

可选的，在本发明第一方面的第三种实现方式中，所述基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果，包括：基于所述前段问题路径对所述问卷模板进行问卷填写，得到填写后的问卷；对所述填写后的问卷进行问卷信息解析，得到所述问卷模板对应的前段结束节点和前段答题路径；对所述前段结束节点和所述前段答题路径进行实时内容解析，得到前段问卷内容；调用预置的属性数据库对所述前段问卷内容进行用户真实属性实时解析，得到实时解析结果。

可选的，在本发明第一方面的第四种实现方式中，所述对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络，包括：对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量；将所述初始输入向量输入预置的问卷数据处理模型，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；通过所述特征提取网络对所述初始输入向量进行特征提取，得到特征向量；提供所述双向长短时记忆网络对所述特征向量进行特征归一化处理，得到特征归一化向量；通过所述预测网络对所述特征归一化向量进行特征预测，得到预测节点；对所述预测节点和所述结束节点进行分析，得到分析结果，并根据所述分析结果生成所述目标用户对应的用户真实需求。

可选的，在本发明第一方面的第五种实现方式中，所述根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放，包括：获取预置的广告数据库中的多个候选广告；基于所述用户真实需求对所述多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；根据每个候选广告对应的目标可信度对所述多个候选广告进行排名，并将排名最高的候选广告作为与所述目标用户对应的待投放广告，得到目标广告；通过所述客户端的展示页面对所述目标广告进行广告投放展示，以对所述目标用户进行智能广告投放。

可选的，在本发明第一方面的第六种实现方式中，所述智能广告投放方法还包括：当所述目标用户接收到所述目标广告时，实时获取所述目标用户对所述目标广告的反馈信息，其中，所述反馈信息包括：广告评价分数和广告点击操作数据；对所述广告点击操作数据进行操作数据分析，得到点击操作分析结果；根据所述广告评价分数和所述点击操作分析结果对所述反馈信息进行综合解析，得到目标反馈结果；基于所述目标反馈结果对从所述多个候选广告中选取下一位次的广告进行智能广告投放。

本发明第二方面提供了一种智能广告投放装置，获取模块，用于接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；计算模块，用于对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；匹配模块，用于若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；填写模块，用于基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；更新模块，用于根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；分析模块，用于对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；投放模块，用于根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

可选的，在本发明第二方面的第一种实现方式中，所述计算模块具体用于：分别对所述用户数据中的用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长进行标签化处理，得到所述用户数据对应的多个用户标签；获取预设用户类型模板对应的模板标签；计算所述多个用户标签和所述模板标签之间的标签命中率，并将所述标签命中率作为所述用户标签和预设用户类型模板之间的相似度，得到目标相似度；根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放。

可选的，在本发明第二方面的第二种实现方式中，所述匹配模块具体用于：若所述目标用户符合所述预设用户类型，则对所述用户数据进行关键信息提取，得到所述用户数据对应的关键信息，其中，所述关键信息包括用户性别和年龄以及用户自定义兴趣种类；对所述关键信息和预置的多个问卷模板进行匹配，得到每个问卷模板对应的信息匹配度；对个问卷模板对应的信息匹配度进行信息匹配度排序，得到目标排序结果，并将所述目标排序结果中排名最高的信息匹配度对应的问卷模板作为所述目标用户对应的问卷模板；调用预置的模板解析模型对所述问卷模板进行路径分段解析，得到所述问卷模板对应的前段问题路径和后段问题路径。

可选的，在本发明第二方面的第三种实现方式中，所述填写模块还包括：基于所述前段问题路径对所述问卷模板进行问卷填写，得到填写后的问卷；对所述填写后的问卷进行问卷信息解析，得到所述问卷模板对应的前段结束节点和前段答题路径；对所述前段结束节点和所述前段答题路径进行实时内容解析，得到前段问卷内容；调用预置的属性数据库对所述前段问卷内容进行用户真实属性实时解析，得到实时解析结果。

可选的，在本发明第二方面的第四种实现方式中，所述分析模块具体用于：对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量；将所述初始输入向量输入预置的问卷数据处理模型，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；通过所述特征提取网络对所述初始输入向量进行特征提取，得到特征向量；提供所述双向长短时记忆网络对所述特征向量进行特征归一化处理，得到特征归一化向量；通过所述预测网络对所述特征归一化向量进行特征预测，得到预测节点；对所述预测节点和所述结束节点进行分析，得到分析结果，并根据所述分析结果生成所述目标用户对应的用户真实需求。

可选的，在本发明第二方面的第五种实现方式中，所述投放模块具体用于：获取预置的广告数据库中的多个候选广告；基于所述用户真实需求对所述多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；根据每个候选广告对应的目标可信度对所述多个候选广告进行排名，并将排名最高的候选广告作为与所述目标用户对应的待投放广告，得到目标广告；通过所述客户端的展示页面对所述目标广告进行广告投放展示，以对所述目标用户进行智能广告投放。

可选的，在本发明第二方面的第六种实现方式中，所述智能广告投放装置还包括：优化模块，用于当所述目标用户接收到所述目标广告时，实时获取所述目标用户对所述目标广告的反馈信息，其中，所述反馈信息包括：广告评价分数和广告点击操作数据；对所述广告点击操作数据进行操作数据分析，得到点击操作分析结果；根据所述广告评价分数和所述点击操作分析结果对所述反馈信息进行综合解析，得到目标反馈结果；基于所述目标反馈结果对从所述多个候选广告中选取下一位次的广告进行智能广告投放。

本发明第三方面提供了一种智能广告投放设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能广告投放设备执行上述的智能广告投放方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的智能广告投放方法。

本发明提供的技术方案中，通过预先对用户数据进行分析，对目标用户进行类型划分，通过匹配与目标用户最吻合的问卷模板以供目标用户进行填报，提高了问卷模板的匹配准确率，使问卷的内容与用户的实际需求更加符合，并且，本发明通过将问卷分割为前段问卷和后段问卷，前段问卷用于对用户进行属性分析，并将属性分析的结果用于对后段问卷进行实时调整，通过对问卷进行实时调整，使问卷更加符合目标用户，通过构造每个目标用户的特异性问卷数据，并通过对用户实时反馈的问卷进行用户真实需求进行分析，使分析得到的用户真实需求更加符合用户的实际需求，针对问卷中用户回答的路径进行数据解析查询到最符合用户的目标广告，从而提高了智能广告投放的准确率。

附图说明

图1为本发明实施例中智能广告投放方法的一个实施例示意图；

图2为本发明实施例中智能广告投放方法的另一个实施例示意图；

图3为本发明实施例中智能广告投放装置的一个实施例示意图；

图4为本发明实施例中智能广告投放装置的另一个实施例示意图；

图5为本发明实施例中智能广告投放设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种智能广告投放方法、装置、设备及存储介质，用于提高智能广告投放的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中智能广告投放方法的一个实施例包括：

101、接收客户端发送的智能广告投放分析请求，并根据智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

可以理解的是，本发明的执行主体可以为智能广告投放装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

需要说明的是，接收客户端发送的智能广告投放分析请求，该目标用户通过客户端中的应用程序进行浏览，并通过点击该应用程序界生成智能广告投放分析请求，通过该客户端将该智能广告投放分析请求传输至服务器，通过服务器对该智能广告投放分析请求进行解析，并从预设的云数据库中获取目标用户的用户数据，该目标用户输入的用户数据包括个人性别和年龄和兴趣数据，用户自定义兴趣种类、用户上线时段以及单次浏览时长等。

102、对用户数据进行标签化处理，得到用户数据对应的多个用户标签，并计算用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据目标相似度判断目标用户是否符合预设用户类型，其中，用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

具体的，对用户数据进行标签化处理，得到用户数据对应的多个用户标签，针对目标用户的个人属性、日常行为、活动场景等特征，确定出一定数量的与目标用户具有“相似属性”、“相似行为”、“相似场景”等关系的其他用户，并将这些确定出的用户进行汇聚形成关于目标用户的用户组，用户组内的用户均为与目标用户特征相似的用户，初始标签建立从对象和对象联系的角度来组织、挖掘用户组的用户数据中在个人属性、日常行为、活动场景的特征，对于用户特征从对象和对象联系的角度进行投射，形成对用户组有效的对象和对象联系，从而基于对目标用户所属的用户组有效的对象和对象联系建立用户标签。然后计算用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据目标相似度判断目标用户是否符合预设用户类型，其中，用户类型包括用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放，服务器根据该目标用户输入的用户数据对预设用户类型进行识别，并判断该目标用户是否符合上述预设用户类型。

103、若目标用户符合预设用户类型，则根据用户数据匹配与目标用户对应的问卷模板，并对问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

需要说明的是，如果该目标用户符合预设用户类型则目标用户进入问卷填报，服务器首先根据目标用户的用户数据匹配问卷模版，该问卷模版包含了用户偏好路径，类似树图，包含了多个问题选项，不同的回答可能导向不同的分支。该目标用户接收到该问卷模板之后回答该问卷模版中的问题，服务器将填充模版节点并抛出新的问题，直到走到了结束节点，根据结束节点回溯该问卷模板，解析得到该问卷模板对应的问题路径。本实施例中将问卷模板进行路径分段解析，得到前段问题路径和后段问题路径，其中，前段问题路径主要是预设的标准问题，其作用是根据用户对前段问题路径的回答分析出用户的真实属性，根据用户的真实属性实时生成与目标用户更加吻合的后段问题路径。

104、基于前段问题路径对问卷模板进行问卷填写，生成问卷模板对应的前段结束节点和前段答题路径，并根据前段结束节点和前段答题路径对目标用户进行用户真实属性实时解析，得到实时解析结果；

其中，该目标用户填写该问卷模版中的问题，服务器将填充模版节点并抛出新的问题，直到填充完前段结束节点的问题节点或结束节点。服务器根据最终节点和中间的用户回答路径，通过深度学习网络模型预测一个目标用户进行用户真实属性，服务器再根据预测的用户需求生成该目标用户对应的实时解析结果。本实施例将前段答题路径中的每一个问题和目标用户反馈的答案设置了对应的特征因子，基于前段结束节点和前段答题路径可确定以上各个特征因子对应的特征值，也可以将特征值进行离散化、归一化处理后的值作为前段答题路径对应的特征因子，离散化或者归一化处理，将各个特征因子对应的特征值所组成的数组作为目标特征，根据目标特征对目标用户进行用户真实属性实时解析，得到实时解析结果。

105、根据实时解析结果和预设路径更新策略对后段问题路径进行路径更新，生成更新问题路径，并根据更新问题路径对问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

具体的，该实时解析结果用于指示目标用户的用户真实属性，根据实时解析结果和预设路径更新策略对后段问题路径进行路径更新，生成更新问题路径，其中，预设路径更新策略具体为：首先建立路径更新规则库，通过该路径更新规则库把所有的与该目标用户相关的实现路径都罗列出来，在进行路径更新的过程中直接查询这个路径更新规则库，导出规则形成更新问题路径。根据预置路径搜索法或者规则库等方法罗列出路径更新的可能途径，即各个候选问题路径，对每个候选问题路径中的问题相关度进行统计，结合该目标用户的用户上线时段以及单次浏览时长等数据，从多个候选问题路径中选取最佳路径，生成更新问题路径，最后根据更新问题路径对问卷模板进行问卷填报，得到目标结束节点和目标答题路径。

106、对目标结束节点和目标答题路径进行向量映射，得到初始输入向量，并将初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

具体的，对目标结束节点和目标答题路径进行向量映射，得到初始输入向量，具体是通过词向量层进行向量映射，该词向量层中包括多个编码单元，通过词向量层中的多个编码单元将目标结束节点和目标答题路径转换为向量，其中，每个编码单元都会输出一个目标特征值，最终得到多个编码单元对应的多个目标特征值，然后将多个目标特征值转换为向量，得到初始输入向量。通过对目标结束节点和目标答题路径进行向量转换，得到初始输入向量，可以加快神经网络的识别速率。其中，双向长短时记忆网络包括正向长短时记忆网络和反向长短时记忆网络，正向长短时记忆网络包括多个LSTM单元，每个LSTM单元输出一个序列元素，根据序列元素输出正向隐状态序列，同理反向长短时记忆网络包括多个LSTM单元，每个LSTM单元输出一个序列元素，根据序列元素输出反向隐状态序列。需要说明的是，预测网络用于对目标特征序列进行信息标注，信息标注可以按照不同侧层次或级别进行标注，本实施例中以句子级别进行信息分类，以每一个句子为最小单元对目标特征序列进行标记，得到目标句子级序列，从而依据目标句子级序列生成目标用户对应的用户真实需求。

107、根据用户真实需求从预置的广告数据库中匹配与用户真实需求对应的目标广告，并将目标广告投放至客户端，以对目标用户进行智能广告投放。

具体的，服务器根据用户真实需求计算可信度，得到目标可信度，服务器对目标可信度的大小进行排序，并选取目标可信度对应候选广告的最大值，得到候选广告的最大值，服务器将最大值对应的候选广告作为目标广告，并根据目标广告对目标用户进行智能广告投放。具体的，服务器在智能广告投放结束之后，在用户浏览该应用程序中预设一个时间周期，对该目标用户再次发送问卷信息，获取该目标用户对目标广告的反馈信息；服务器对反馈信息进行信息解析，得到反馈结果，该反馈结果反映了该目标用户对该应用程序的智能广告投放的满意度；服务器基于反馈结果对智能广告投放过程进行优化。

可选的，服务器当目标用户接收到目标广告时，实时获取目标用户对目标广告的反馈信息，其中，反馈信息包括：广告评价分数和广告点击操作数据；对广告点击操作数据进行操作数据分析，得到点击操作分析结果；根据广告评价分数和点击操作分析结果对反馈信息进行综合解析，得到目标反馈结果；基于目标反馈结果对从多个候选广告中选取下一位次的广告进行智能广告投放。

本发明实施例中，通过预先对用户数据进行分析，对目标用户进行类型划分，通过匹配与目标用户最吻合的问卷模板以供目标用户进行填报，提高了问卷模板的匹配准确率，使问卷的内容与用户的实际需求更加符合，并且，本发明通过将问卷分割为前段问卷和后段问卷，前段问卷用于对用户进行属性分析，并将属性分析的结果用于对后段问卷进行实时调整，通过对问卷进行实时调整，使问卷更加符合目标用户，通过构造每个目标用户的特异性问卷数据，并通过对用户实时反馈的问卷进行用户真实需求进行分析，使分析得到的用户真实需求更加符合用户的实际需求，针对问卷中用户回答的路径进行数据解析查询到最符合用户的目标广告，从而提高了智能广告投放的准确率。

请参阅图2，本发明实施例中智能广告投放方法的另一个实施例包括：

201、接收客户端发送的智能广告投放分析请求，并根据智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

具体的，服务器从预置的应用程序中查询目标用户的用户数据，其中，用户数据包括用户性别、用户年龄和用户兴趣；服务器基于用户性别、用户年龄和用户兴趣生成目标用户对应的用户画像；服务器计算用户画像和预设用户类型之间的相似度，并对相似度和预设目标值进行比较；服务器若相似度大于或等于预设目标值，则确定用户符合预设用户类型。进一步地，若该相似度小于预设目标值，则确定用户不符合预设用户类型，服务器基于用户性别、用户年龄和用户兴趣生成用户对应的用户画像，服务器生成该目标用户对应的三元组，三元组中包括性别、年龄和兴趣；服务器计算用户画像是否符合预设用户类型对应的相似度，并对相似度和预设目标值进行比对；服务器若相似度大于或等于预设目标值，则确定用户符合预设用户类型，若相似度小于该预设目标值，则服务器确定该目标用户不符合上述三类用户。

202、对用户数据进行标签化处理，得到用户数据对应的多个用户标签，并计算用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据目标相似度判断目标用户是否符合预设用户类型，其中，用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

具体的，分别对用户数据中的用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长进行标签化处理，得到用户数据对应的多个用户标签；获取预设用户类型模板对应的模板标签；计算多个用户标签和模板标签之间的标签命中率，并将标签命中率作为用户标签和预设用户类型模板之间的相似度，得到目标相似度；根据目标相似度判断目标用户是否符合预设用户类型，其中，用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放。进一步地，若用户符合预设用户类型，则对用户数据进行关键词提取，得到用户数据对应的关键信息；服务器将关键信息和预置的多个问卷模板进行匹配，得到关键信息和每个问卷模板对应的关键词命中率；服务器对每个问卷模板对应的关键词命中率进行排序，并将关键词命中率最高的问卷模板作为目标用户对应的问卷模板；服务器调用预置的模板解析模型对问卷模板进行路径解析，得到问卷模板对应的问题路径。其中，若该目标用户符合预设用户类型，则服务器对该用户数据进行关键词提取，得到目标关键词，服务器进行关键词提取首先是将用户数据转换为文本数据，再通过预置的OCR文字识别模型对文本数据进行提取，得到标准文本数据，最后通过对标准文本数据进行重复内容去除，得到目标关键词；服务器分别将目标关键词和预置的多个问卷模板进行匹配，得到每个问卷模板对应的关键词命中率，关键词命中率也就是关键词命中的个数；服务器对每个问卷模板对应的关键词命中率进行排序，并将关键词命中率最高的问卷模板作为该目标用户对应的问卷模板。

基于问题路径获取跑通率和推荐点击率；具体的，服务器通过线上业务数据统计分析得到的跑通率和推荐点击率等指标去优化模版，跑通率指用户是否能走到模版的最终节点。基于跑通率和推荐点击率对问卷模板进行信息填充，得到填充后的问卷模板；其中，一个模版可作为别的模版的节点，即子模版。模版之间可能会出现包含关系，例如通用模版可能包含若干类型模版作为子模版，模版节点的权重会根据用户的实际填写情况进行调整。对填充后的问卷模板进行数据提取，得到问卷模板对应的结束节点和用户答题路径；具体的，服务器基于跑通率和推荐点击率对问卷模板进行信息填充，得到填充后的问卷模板；服务器对填充后的问卷模板进行数据提取，得到问卷模板对应的结束节点和用户回答路径；服务器基于结束节点和用户回答路径生成用户真实需求。

203、若目标用户符合预设用户类型，则根据用户数据匹配与目标用户对应的问卷模板，并对问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

具体的，若目标用户符合预设用户类型，则对用户数据进行关键信息提取，得到用户数据对应的关键信息，其中，关键信息包括用户性别和年龄以及用户自定义兴趣种类；对关键信息和预置的多个问卷模板进行匹配，得到每个问卷模板对应的信息匹配度；对个问卷模板对应的信息匹配度进行信息匹配度排序，得到目标排序结果，并将目标排序结果中排名最高的信息匹配度对应的问卷模板作为目标用户对应的问卷模板；调用预置的模板解析模型对问卷模板进行路径分段解析，得到问卷模板对应的前段问题路径和后段问题路径。其中，将问卷模板进行路径分段解析，得到前段问题路径和后段问题路径，其中，前段问题路径主要是预设的标准问题，其作用是根据用户对前段问题路径的回答分析出用户的真实属性，根据用户的真实属性实时生成与目标用户更加吻合的后段问题路径。

204、基于前段问题路径对问卷模板进行问卷填写，生成问卷模板对应的前段结束节点和前段答题路径，并根据前段结束节点和前段答题路径对目标用户进行用户真实属性实时解析，得到实时解析结果；

具体的，基于前段问题路径对问卷模板进行问卷填写，得到填写后的问卷；对填写后的问卷进行问卷信息解析，得到问卷模板对应的前段结束节点和前段答题路径；对前段结束节点和前段答题路径进行实时内容解析，得到前段问卷内容；调用预置的属性数据库对前段问卷内容进行用户真实属性实时解析，得到实时解析结果。其中，将前段答题路径中的每一个问题和目标用户反馈的答案设置了对应的特征因子，基于前段结束节点和前段答题路径可确定以上各个特征因子对应的特征值，也可以将特征值进行离散化、归一化处理后的值作为前段答题路径对应的特征因子，离散化或者归一化处理，将各个特征因子对应的特征值所组成的数组作为目标特征，根据目标特征对目标用户进行用户真实属性实时解析，得到实时解析结果。

205、根据实时解析结果和预设路径更新策略对后段问题路径进行路径更新，生成更新问题路径，并根据更新问题路径对问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

206、对目标结束节点和目标答题路径进行向量映射，得到初始输入向量，并将初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

具体的，对目标结束节点和目标答题路径进行向量映射，得到初始输入向量；将初始输入向量输入预置的问卷数据处理模型，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；通过特征提取网络对初始输入向量进行特征提取，得到特征向量；提供双向长短时记忆网络对特征向量进行特征归一化处理，得到特征归一化向量；通过预测网络对特征归一化向量进行特征预测，得到预测节点；对预测节点和结束节点进行分析，得到分析结果，并根据分析结果生成目标用户对应的用户真实需求。服务器通过双向长短时记忆网络层中的正向长短时记忆网络对初始词向量进行特征提取，得到正向隐状态序列；服务器通过双向长短时记忆网络层中的反向长短时记忆网络对初始词向量进行特征提取，得到反向隐状态序列；服务器对正向隐状态序列和反向隐状态序列进行拼接，得到目标特征序列。需要说明的是，正向隐状态序列是通过正向长短时记忆网络的线性通道，捕获初始词向量每个正向维度上的最大特征值，正向隐状态序列为线性序列；反向隐状态序列是通过反向长短时记忆网络的线性通道，捕获初始词向量每个反向维度上的最大特征值，反向隐状态序列为线性序列。其中，正向长短时记忆网络包括多个LSTM单元，每个LSTM单元输出一个序列元素，根据序列元素输出正向隐状态序列，同理反向长短时记忆网络包括多个LSTM单元，每个LSTM单元输出一个序列元素，根据序列元素输出反向隐状态序列，例如：当正向隐状态序列为[1,2,1]，反向隐状态序列为[2,3,4]时，服务器对正向隐状态序列和反向隐状态序列进行拼接，得到目标特征序列为[1,2,1,2,3,4]。

可选的，本实施例中的问卷数据处理模型还可以为卷积神经网络模型，该卷积神经网络模型将结束节点和用户答题路径输入预置的问卷数据处理模型；服务器通过问卷数据处理模型中的卷积神经网络对问卷数据和用户答题路径进行卷积运算，得到问卷数据对应的特征向量；服务器对特征向量进行特征归一化处理，得到预测节点；服务器对预测节点和结束节点进行分析，得到分析结果；服务器基于分析结果生成目标用户对应的用户真实需求。需要说明的是，预置的问卷数据处理模型包括输入层、卷积神经网络和输出层，输入层：独热向量编码层（one-hot vector）；隐藏层：卷积运算函数，也就是线性的单元；输出层：维度跟输入层的维度一样，用的是逻辑回归。服务器通过输入层对目标填报信息进行独热向量编码，得到低维度向量，低维度向量例如：[0,0,0,1,0,1,0,0]，服务器通过卷积神经网络层对低维度向量进行特征抽象运算，得到抽象特征值，抽象特征值也就是特征向量；服务器通过输出层对抽象特征值进行逻辑回归运算，得到预测节点，其中，逻辑回归运算为softmax回归运算，其中，预测节点可以为线上预测结果。

207、获取预置的广告数据库中的多个候选广告；

208、基于用户真实需求对多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；

209、根据每个候选广告对应的目标可信度对多个候选广告进行排名，并将排名最高的候选广告作为与目标用户对应的待投放广告，得到目标广告；

210、通过客户端的展示页面对目标广告进行广告投放展示，以对目标用户进行智能广告投放。

具体的，服务器获取预置的广告数据库中的多个候选广告；服务器基于用户真实需求对多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；服务器根据每个候选广告对应的目标可信度对多个候选广告进行排名，并将排名最高的候选广告作为与目标用户对应的待投放广告，得到目标广告；服务器通过应用程序的展示页面对目标广告进行展示，以对目标用户进行智能广告投放。服务器基于目标可信度对预置的候选广告列表进行排序，得到排名，服务器基于该目标用户并考虑用户偏好和候选广告的匹配度，服务器定义了用户的偏好程度来衡量用户对候选广告的偏好指数，服务器生成该目标用户对应的偏好指数，服务器计算完所有候选广告中的广告对目标用户的匹配程度后，根据最高目标可信度和偏好指数推荐目标广告。

本发明实施例中，通过预先对用户数据进行分析，对目标用户进行类型划分，通过匹配与目标用户最吻合的问卷模板以供目标用户进行填报，提高了问卷模板的匹配准确率，使问卷的内容与用户的实际需求更加符合，并且，本发明通过将问卷分割为前段问卷和后段问卷，前段问卷用于对用户进行属性分析，并将属性分析的结果用于对后段问卷进行实时调整，通过对问卷进行实时调整，使问卷更加符合目标用户，通过构造每个目标用户的特异性问卷数据，并通过对用户实时反馈的问卷进行用户真实需求进行分析，使分析得到的用户真实需求更加符合用户的实际需求，针对问卷中用户回答的路径进行数据解析查询到最符合用户的目标广告，从而提高了智能广告投放的准确率。

上面对本发明实施例中智能广告投放方法进行了描述，下面对本发明实施例中智能广告投放装置进行描述，请参阅图3，本发明实施例中智能广告投放装置一个实施例包括：

获取模块301，用于接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

计算模块302，用于对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

匹配模块303，用于若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

填写模块304，用于基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；

更新模块305，用于根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

分析模块306，用于对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

投放模块307，用于根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

本发明实施例中，通过预先对用户数据进行分析，对目标用户进行类型划分，通过匹配与目标用户最吻合的问卷模板以供目标用户进行填报，提高了问卷模板的匹配准确率，使问卷的内容与用户的实际需求更加符合，并且，本发明通过将问卷分割为前段问卷和后段问卷，前段问卷用于对用户进行属性分析，并将属性分析的结果用于对后段问卷进行实时调整，通过对问卷进行实时调整，使问卷更加符合目标用户，通过构造每个目标用户的特异性问卷数据，并通过对用户实时反馈的问卷进行用户真实需求进行分析，使分析得到的用户真实需求更加符合用户的实际需求，针对问卷中用户回答的路径进行数据解析查询到最符合用户的目标广告，从而提高了智能广告投放的准确率。

请参阅图4，本发明实施例中智能广告投放装置另一个实施例包括：

获取模块301，用于接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

计算模块302，用于对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

匹配模块303，用于若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

填写模块304，用于基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；

更新模块305，用于根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

分析模块306，用于对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

投放模块307，用于根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

可选的，所述计算模块302具体用于：分别对所述用户数据中的用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长进行标签化处理，得到所述用户数据对应的多个用户标签；获取预设用户类型模板对应的模板标签；计算所述多个用户标签和所述模板标签之间的标签命中率，并将所述标签命中率作为所述用户标签和预设用户类型模板之间的相似度，得到目标相似度；根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放。

可选的，所述匹配模块303具体用于：若所述目标用户符合所述预设用户类型，则对所述用户数据进行关键信息提取，得到所述用户数据对应的关键信息，其中，所述关键信息包括用户性别和年龄以及用户自定义兴趣种类；对所述关键信息和预置的多个问卷模板进行匹配，得到每个问卷模板对应的信息匹配度；对个问卷模板对应的信息匹配度进行信息匹配度排序，得到目标排序结果，并将所述目标排序结果中排名最高的信息匹配度对应的问卷模板作为所述目标用户对应的问卷模板；调用预置的模板解析模型对所述问卷模板进行路径分段解析，得到所述问卷模板对应的前段问题路径和后段问题路径。

可选的，所述填写模块304还包括：基于所述前段问题路径对所述问卷模板进行问卷填写，得到填写后的问卷；对所述填写后的问卷进行问卷信息解析，得到所述问卷模板对应的前段结束节点和前段答题路径；对所述前段结束节点和所述前段答题路径进行实时内容解析，得到前段问卷内容；调用预置的属性数据库对所述前段问卷内容进行用户真实属性实时解析，得到实时解析结果。

可选的，所述分析模块306具体用于：对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量；将所述初始输入向量输入预置的问卷数据处理模型，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；通过所述特征提取网络对所述初始输入向量进行特征提取，得到特征向量；提供所述双向长短时记忆网络对所述特征向量进行特征归一化处理，得到特征归一化向量；通过所述预测网络对所述特征归一化向量进行特征预测，得到预测节点；对所述预测节点和所述结束节点进行分析，得到分析结果，并根据所述分析结果生成所述目标用户对应的用户真实需求。

可选的，所述投放模块307具体用于：获取预置的广告数据库中的多个候选广告；基于所述用户真实需求对所述多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；根据每个候选广告对应的目标可信度对所述多个候选广告进行排名，并将排名最高的候选广告作为与所述目标用户对应的待投放广告，得到目标广告；通过所述客户端的展示页面对所述目标广告进行广告投放展示，以对所述目标用户进行智能广告投放。

可选的，所述智能广告投放装置还包括：

优化模块308，用于当所述目标用户接收到所述目标广告时，实时获取所述目标用户对所述目标广告的反馈信息，其中，所述反馈信息包括：广告评价分数和广告点击操作数据；对所述广告点击操作数据进行操作数据分析，得到点击操作分析结果；根据所述广告评价分数和所述点击操作分析结果对所述反馈信息进行综合解析，得到目标反馈结果；基于所述目标反馈结果对从所述多个候选广告中选取下一位次的广告进行智能广告投放。

本发明实施例中，通过预先对用户数据进行分析，对目标用户进行类型划分，通过匹配与目标用户最吻合的问卷模板以供目标用户进行填报，提高了问卷模板的匹配准确率，使问卷的内容与用户的实际需求更加符合，并且，本发明通过将问卷分割为前段问卷和后段问卷，前段问卷用于对用户进行属性分析，并将属性分析的结果用于对后段问卷进行实时调整，通过对问卷进行实时调整，使问卷更加符合目标用户，通过构造每个目标用户的特异性问卷数据，并通过对用户实时反馈的问卷进行用户真实需求进行分析，使分析得到的用户真实需求更加符合用户的实际需求，针对问卷中用户回答的路径进行数据解析查询到最符合用户的目标广告，从而提高了智能广告投放的准确率。

上面图3和图4从模块化功能实体的角度对本发明实施例中的智能广告投放装置进行详细描述，下面从硬件处理的角度对本发明实施例中智能广告投放设备进行详细描述。

图5是本发明实施例提供的一种智能广告投放设备的结构示意图，该智能广告投放设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对智能广告投放设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在智能广告投放设备500上执行存储介质530中的一系列指令操作。

智能广告投放设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的智能广告投放设备结构并不构成对智能广告投放设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种智能广告投放设备，所述智能广告投放设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述智能广告投放方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述智能广告投放方法的步骤。

进一步地，计算机可读存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种智能广告投放方法，其特征在于，所述智能广告投放方法包括：

接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；

根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

2.根据权利要求1所述的智能广告投放方法，其特征在于，所述对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放，包括：

分别对所述用户数据中的用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长进行标签化处理，得到所述用户数据对应的多个用户标签；

获取预设用户类型模板对应的模板标签；

计算所述多个用户标签和所述模板标签之间的标签命中率，并将所述标签命中率作为所述用户标签和预设用户类型模板之间的相似度，得到目标相似度；

根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放。

3.根据权利要求1所述的智能广告投放方法，其特征在于，所述若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径，包括：

若所述目标用户符合所述预设用户类型，则对所述用户数据进行关键信息提取，得到所述用户数据对应的关键信息，其中，所述关键信息包括用户性别和年龄以及用户自定义兴趣种类；

对所述关键信息和预置的多个问卷模板进行匹配，得到每个问卷模板对应的信息匹配度；

对个问卷模板对应的信息匹配度进行信息匹配度排序，得到目标排序结果，并将所述目标排序结果中排名最高的信息匹配度对应的问卷模板作为所述目标用户对应的问卷模板；

调用预置的模板解析模型对所述问卷模板进行路径分段解析，得到所述问卷模板对应的前段问题路径和后段问题路径。

4.根据权利要求1所述的智能广告投放方法，其特征在于，所述基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果，包括：

基于所述前段问题路径对所述问卷模板进行问卷填写，得到填写后的问卷；

对所述填写后的问卷进行问卷信息解析，得到所述问卷模板对应的前段结束节点和前段答题路径；

对所述前段结束节点和所述前段答题路径进行实时内容解析，得到前段问卷内容；

调用预置的属性数据库对所述前段问卷内容进行用户真实属性实时解析，得到实时解析结果。

5.根据权利要求3所述的智能广告投放方法，其特征在于，所述对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络，包括：

对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量；

将所述初始输入向量输入预置的问卷数据处理模型，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

通过所述特征提取网络对所述初始输入向量进行特征提取，得到特征向量；

提供所述双向长短时记忆网络对所述特征向量进行特征归一化处理，得到特征归一化向量；

通过所述预测网络对所述特征归一化向量进行特征预测，得到预测节点；

对所述预测节点和所述结束节点进行分析，得到分析结果，并根据所述分析结果生成所述目标用户对应的用户真实需求。

6.根据权利要求2所述的智能广告投放方法，其特征在于，所述根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放，包括：

获取预置的广告数据库中的多个候选广告；

基于所述用户真实需求对所述多个候选广告进行可信度计算，得到每个候选广告对应的目标可信度；

根据每个候选广告对应的目标可信度对所述多个候选广告进行排名，并将排名最高的候选广告作为与所述目标用户对应的待投放广告，得到目标广告；

通过所述客户端的展示页面对所述目标广告进行广告投放展示，以对所述目标用户进行智能广告投放。

7.根据权利要求1-6中任一项所述的智能广告投放方法，其特征在于，所述智能广告投放方法还包括：

当所述目标用户接收到所述目标广告时，实时获取所述目标用户对所述目标广告的反馈信息，其中，所述反馈信息包括：广告评价分数和广告点击操作数据；

对所述广告点击操作数据进行操作数据分析，得到点击操作分析结果；

根据所述广告评价分数和所述点击操作分析结果对所述反馈信息进行综合解析，得到目标反馈结果；

基于所述目标反馈结果对从所述多个候选广告中选取下一位次的广告进行智能广告投放。

8.一种智能广告投放装置，其特征在于，所述智能广告投放装置包括：

获取模块，用于接收客户端发送的智能广告投放分析请求，并根据所述智能广告投放分析请求从预设的云数据库中获取目标用户的用户数据，其中，所述用户数据包括用户性别和年龄、用户自定义兴趣种类、用户上线时段以及单次浏览时长；

计算模块，用于对所述用户数据进行标签化处理，得到所述用户数据对应的多个用户标签，并计算所述用户标签和预设用户类型模板之间的相似度，得到目标相似度，以及根据所述目标相似度判断所述目标用户是否符合预设用户类型，其中，所述用户类型包括：用户不清楚自身的喜好、用户对自身需求不明确以及用户主动选择智能广告投放；

匹配模块，用于若所述目标用户符合所述预设用户类型，则根据所述用户数据匹配与所述目标用户对应的问卷模板，并对所述问卷模板进行路径分段解析，得到前段问题路径和后段问题路径；

填写模块，用于基于所述前段问题路径对所述问卷模板进行问卷填写，生成所述问卷模板对应的前段结束节点和前段答题路径，并根据所述前段结束节点和所述前段答题路径对所述目标用户进行用户真实属性实时解析，得到实时解析结果；

更新模块，用于根据所述实时解析结果和预设路径更新策略对所述后段问题路径进行路径更新，生成更新问题路径，并根据所述更新问题路径对所述问卷模板进行问卷填报，得到目标结束节点和目标答题路径；

分析模块，用于对所述目标结束节点和所述目标答题路径进行向量映射，得到初始输入向量，并将所述初始输入向量输入预置的问卷数据处理模型进行用户真实需求分析，生成所述目标用户对应的用户真实需求，其中，所述问卷数据处理模型包括：特征提取网络、双向长短时记忆网络和预测网络；

投放模块，用于根据所述用户真实需求从预置的广告数据库中匹配与所述用户真实需求对应的目标广告，并将所述目标广告投放至所述客户端，以对所述目标用户进行智能广告投放。

9.一种智能广告投放设备，其特征在于，所述智能广告投放设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能广告投放设备执行如权利要求1-7中任一项所述的智能广告投放方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的智能广告投放方法。

Images