一种基于神经网络的广告推荐方法、系统、设备及介质

技术领域

本发明涉及数据处理技术领域，具体的，本发明应用于数据服务平台，特别是涉及一种基于神经网络的广告推荐方法、系统、设备及介质。

背景技术

目前，在大多网络平台上均会使用广告推荐技术，而广告推荐技术可以为广告主提供更高效的广告投放方式，同时提供用户个性化的广告体验；现有技术中，存在如下广告推荐方案：

在涉及召回方面的广告推荐常采用协同过滤、基于内容的推荐、上下文广告推荐、基于机器学习的广告推荐以及实时竞价广告推荐；

在涉及排序方面的广告推荐常采用基于传统的机器学习模型（LR、SVM等）、基于树模型（GBDT、随机森林、XGboost等）、基于交叉特征模型（FM、FFM、LR+GBDT等）以及基于深度学习模型（DNN、DCN、deepFM）的精排模型进行广告排序推荐；

以上这些技术常结合使用，根据不同广告平台进行定制化的应用，但是以上现有技术中，仍存在着如下多方面的缺陷：

第一方面，兴趣均衡问题：现有的广告推荐技术主要基于短期用户行为数据进行推荐，其缺乏对用户长期兴趣和变化的建模；那么推荐结果就极大可能受到用户行为的临时偏好影响，进而忽略了用户长期兴趣趋势，影响了推荐精准性；

第二方面，应用对象存在局限性：广告推荐技术在面对老用户时，具有较大的用户行为信息来源，能够进行正常的应用和推荐；而由于新用户缺乏足够的个人化信息，以及新广告缺乏用户的评估数据，这使广告推荐技术在面对新用户或新广告时存在一定的局限性，往往无法推荐出较为准确的结果，推荐效果也受到了限制，存在较大的局限性；

第三方面，算法具有透明性：广告推荐算法大多基于机器学习和深度学习等复杂模型构建，这导致算法的决策过程非透明；基于此，在用户端缺乏对推荐结果的解释和可控性，用户和广告主往往难以理解某个广告推荐的原因或逻辑，影响了部分用户体验感；

第四方面，广告灵活性差：一些广告推荐技术过于追求个性化，使用户被过度定制的广告所围绕，导致用户缺乏多样性和新颖性的体验；长周期下，极易引起用户对广告的疲劳感，降低了用户的兴趣和参与度。

发明内容

本发明的目的在于，提供一种基于神经网络的广告推荐方法、系统、设备及介质，进而解决现有技术中存在的上述所有缺陷或缺陷之一。

为解决上述技术问题，本发明的具体技术方案如下：

一方面，本发明提供一种基于神经网络的广告推荐方法，包括以下步骤：

特征处理步骤：

采集特征数据，并对所述特征数据进行预处理；

基于预处理后的所述特征数据提取用户特征以及广告特征；

召回处理步骤：

基于所述用户特征、所述广告特征以及预处理后的所述特征数据，进行热门召回以及偏好召回，得到推荐候选集；

精排推荐步骤：

基于神经网络模型对所述推荐候选集中广告进行排序处理，得到排序列表；

设置机制层，根据所述机制层对所述排序列表中的广告进行推荐。

作为一种改进的方案，所述特征数据，包括：

用户数据、广告数据以及上下文数据；

所述预处理，包括：

对采集的所述用户数据、所述广告数据以及所述上下文数据进行噪声去除处理、缺失值处理以及异常值处理。

作为一种改进的方案，所述基于预处理后的所述特征数据提取用户特征以及广告特征，包括：

基于预处理后的所述特征数据提取用户场景特征、用户基础属性特征以及用户行为兴趣特征作为所述用户特征；

基于预处理后的所述特征数据提取广告基础属性特征、广告内容特征以及广告统计特征作为所述广告特征。

作为一种改进的方案，所述热门召回，包括：

将用户历史行为数据划分为三日热门数据和七日热门数据；

基于所述三日热门数据中广告的用户点击数据以及曝光数据计算三日点击率；

基于所述七日热门数据中广告的用户点击数据以及曝光数据计算七日点击率；

基于所述三日热门数据中广告的阅读数据以及完读数据计算三日完读率；

基于所述七日热门数据中广告的阅读数据以及完读数据计算七日完读率；

基于所述三日热门数据中广告的点赞数据、评论数据以及收藏数据计算三日互动率；

基于所述七日热门数据中广告的点赞数据、评论数据以及收藏数据计算七日互动率；

将所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行去异常以及归一化处理；

将处理后的所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行加权计算，得到对应广告的广告热门分；

在所述三日热门数据和所述七日热门数据中，基于所述广告热门分筛选热门召回广告，基于所述热门召回广告构建初始候选集。

作为一种改进的方案，所述偏好召回，包括：

分别计算用户的分类偏好得分、价格偏好得分以及品牌偏好得分；

基于所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分，筛选待归一化广告：

基于所述待归一化广告的所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分分别计算价格归一化得分、类别归一化得分以及品牌归一化得分；

基于所述价格权重归一化、所述类别权重归一化以及所述品牌权重归一化得分计算用户偏好分；

计算所述待归一化广告的广告热门分，基于所述待归一化广告的广告热门分选取所述待归一化广告加入所述初始候选集；

对所述待归一化广告的所述用户偏好分以及广告热门分进行融合加权计算，得到最终得分；

根据所述最终得分筛选所述待归一化广告再次加入所述初始候选集，得到所述推荐候选集。

作为一种改进的方案，所述神经网络模型训练时，将分类处理后的特征数据作为所述神经网络模型的输入；

在输入时，将特征数据转换为长数组，采用DNN模型构造三层模型结构；

在训练时，在所述神经网络模型的三层全连接上引入Dropout技术。

作为一种改进的方案，所述机制层，包括：对于同品牌广告的混淆推荐机制、对于相同广告的推荐时长限制以及设置基于用户类别的推荐机制；

所述根据所述机制层对所述排序列表中的广告进行推荐，包括；

设置对于同品牌广告的混淆推荐机制；

设置对于相同广告的推荐时长限制；

设置基于用户类别的推荐机制；

基于所述混淆推荐机制、所述推荐时长限制以及所述基于用户类别的推荐机制对所述排序列表中的广告进行分类推荐。

另一方面，本发明还提供一种基于神经网络的广告推荐系统，包括：

特征处理模块、召回处理模块和精排推荐模块；

所述特征处理模块，用于采集特征数据，并对所述特征数据进行预处理；所述特征处理模块基于预处理后的所述特征数据提取用户特征以及广告特征；

所述召回处理模块，用于基于所述用户特征、所述广告特征以及预处理后的所述特征数据，进行热门召回以及偏好召回，得到推荐候选集；

所述精排推荐模块，用于基于神经网络模型对所述推荐候选集中广告进行排序处理，得到排序列表；所述精排推荐模块设置机制层，并根据所述机制层对所述排序列表中的广告进行推荐。

另一方面，本发明还提供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计算机程序，所述计算机程序被处理器执行时实现所述基于神经网络的广告推荐方法的步骤。

另一方面，本发明还提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：

所述存储器，用于存放计算机程序；

所述处理器，用于通过运行所述存储器上所存放的程序来执行所述基于神经网络的广告推荐方法的步骤。

本发明技术方案的有益效果是：

1、本发明所述的基于神经网络的广告推荐方法，可以实现在召回阶段采用用户长短期偏好加权的方式，解决过分依赖用户临时偏好的情况，进而在使用用户兴趣时，设计用户长期兴趣召回策略，提升算法的推荐精准性以及全面性，在排序方面使用深度神经网络，增加算法透明性，使推荐结果有更强的可解释性，提升用户体验感；另外，本发明还添加了机制层，进而增加广告的多样性和新颖性，防止广告过度定制化而导致用户的审美疲劳，提升用户对于广告的长期兴趣度，弥补了现有技术的缺陷。

2、本发明所述的基于神经网络的广告推荐系统，可以通过特征处理模块、召回处理模块和精排推荐模块的相互配合，进而实现在召回阶段采用用户长短期偏好加权的方式，解决过分依赖用户临时偏好的情况，进而在使用用户兴趣时，设计用户长期兴趣召回策略，提升算法的推荐精准性以及全面性，在排序方面使用深度神经网络，增加算法透明性，使推荐结果有更强的可解释性，提升用户体验感；另外，本发明还添加了机制层，进而增加广告的多样性和新颖性，防止广告过度定制化而导致用户的审美疲劳，提升用户对于广告的长期兴趣度，弥补了现有技术的缺陷。

3、本发明所述的计算机可读存储介质，可以实现引导特征处理模块、召回处理模块和精排推荐模块进行配合，进而实现本发明所述的基于神经网络的广告推荐方法，且本发明所述的计算机可读存储介质还有效提高所述基于神经网络的广告推荐方法的可操作性。

4、本发明所述的计算机设备，可以实现存储并执行所述计算机可读存储介质，进而实现本发明所述的基于神经网络的广告推荐方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1是本发明实施例1所述基于神经网络的广告推荐方法的流程示意图；

图2是本发明实施例1所述基于神经网络的广告推荐方法的详细流程示意图；

图3是本发明实施例2所述基于神经网络的广告推荐系统的架构示意图；

图4是本发明实施例4所述计算机设备的结构示意图；

附图中的标记说明如下：

1501、处理器；1502、通信接口；1503、存储器；1504、通信总线。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

在本发明的描述中，需要说明的是，本发明所描述的实施例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。

本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、装置、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。

实施例1

本实施例提供一种基于神经网络的广告推荐方法，如图1和图2所示，包括以下步骤：

作为本发明的一种实施方式，本方法应用于摩托车线上数据服务平台（摩托范）中，主要针对该平台进行信息推荐优化，当然本方法的推荐逻辑及原理也可以应用于其他数据平台中进行拓展使用；

作为本发明的一种实施方式，本方法同样分为召回阶段和精排阶段；不同于现有技术的是，本方法在召回阶段，根据用户的行为序列，分别构建用户的长期偏好，根据用户偏好的类别、价格、品牌，将与其匹配度高的广告作为候选进行召回，召回过程中进行多方面的加权计算，确保召回信息的有效性和精准性；另外，在精排阶段，使用深度神经网络，进行特征交叉及学习训练，提升模型性能，进而提升推荐准确性，优化用户体验；本方法的步骤具体如下：

S100、收集数据以及预处理数据：

在本步骤中，首先基于大数据平台收集并存储各种用户数据、广告数据以及上下文数据；其中，用户数据包括但不限于：用户的历史行为数据（其中，主要的历史行为数据包括：用户近30日的曝光和点击内容的行为数据，以及内容相关的车型类别、车型价格以及车品牌数据）、兴趣偏好数据以及个人信息数据；广告数据包括但不限于：广告的特征数据、内容数据和点展数据；上下文数据包括但不限于：用户的环境信息，如：设备类型信息、地理位置信息以及时间信息等；

在本步骤中，收集完毕前述的各种用户数据、广告数据以及上下文数据后，需要对上述收集的数据进行预处理和清洗；预处理和清洗中，包括但不限于：去除噪声、处理缺失值以及处理异常值等，这样做的目的在于确保数据的质量和可用性。

S200、提取用户特征和广告特征：

在本步骤中，分别在所应用的数据平台中对上述预处理后的数据进行用户特征的提取以及广告特征的提取，用户特征的提取作为对用户建模的主要过程，广告特征的提取作为对广告进行建模的主要过程；其中，用户特征提取将用户历史行为数据、社交网络数据以及搜索关键词等多种信息作为主要来源；广告特征提取将广告的文本特征、图像特征以及视频特征等多种信息作为主要来源；

在本步骤中，提取的用户特征，主要包括：用户场景特征、用户基础属性特征以及用户行为兴趣特征；其中，用户场景特征包括：网络以及系统时间等；用户基础属性特征包括：用户注册时间以及用户使用的设备信息、用户活跃度等；用户行为兴趣特征包括：车型兴趣以及内容兴趣等；

在本步骤中，提取的广告特征，主要包括：广告基础属性特征、广告内容特征以及广告统计特征；其中，广告基础属性特征包括：广告内容形态以及发布位置等；广告内容特征包括：标题相关、正文相关以及关联车的信息等；广告统计特征包括：固定时间窗口的点展信息；具体的，进行广告特征的选择和提取时，基于广告的内容、目标受众以及投放渠道等多方面因素进行操作。

S300、广告召回，构建初始候选集：

在本步骤中，主要分为两个召回步骤：热门召回步骤以及偏好召回步骤；其中，热门召回步骤作为基础同时不可或缺的召回策略，基于广告的热度进行召回；偏好召回步骤中，基于用户的长期偏好以及用户的喜好进行个性化召回；

在本步骤中，热门召回步骤包括：

根据时间窗口的大小，将用户的历史行为数据划分为3日热门数据和7日热门数据；

采用广告的近3日/7日用户点击数据以及曝光数据计算点击率；

采用广告的近3日/7日阅读数据以及完读数据计算完读率；

采用用户对平台物品的近3日/7日点赞数据、评论数据以及收藏数据计算互动率；计算互动率时，基于公式“互动次数=点赞*1+评论*1+收藏*2”计算互动次数；

将计算得到的点击率、完读率和互动率采用均值或中位数平滑进行去异常及归一化处理；

将处理后的点击率、完读率和互动率加权计算得到每个广告对应的广告热门分，本实施方式中，广告热门分=0.6*点击率+0.2*完读率+0.2*互动率；当然，可以根据实际应用情况对点击率、完读率和互动率的权重进行调整，进而选取指标最优的组合；

本实施方式中，选取3日热门和7日热门中，得分由高到低排序的前50名构建初始的推荐候选集；

在本步骤中，偏好召回步骤包括：

分别计算用户的车型分类偏好得分、价格偏好得分以及品牌偏好得分，具体如下：

计算用户近30天（即时间段内）的价格偏好得分、类别偏好得分以及品牌偏好得分；

其中，价格偏好得分=某个价格的点击次数/所有价格点击次数；

其中，类别偏好得分=某个类别点击次数/所有类别的点击次数；

其中，品牌偏好得分=某个品牌的点击次数/所有品牌的点击次数；

基于计算得出的三种得分，计算车型分类的偏好得分：

分别选取价格偏好得分、类别偏好得分、品牌偏好得分中用户得分高的前两个车型（即待归一化广告）价格、车型类别以及车型品牌，并基于前述的得分进行得分归一化处理；

其中，价格归一化得分=当前价格得分/最大价格得分；

其中，类别归一化得分=当前类别得分/最大类别得分；

其中，品牌归一化得分=当前品牌得分/最大品牌得分；

基于价格权重归一化、类别权重归一化以及品牌权重归一化得分计算用户偏好分；具体的，用户偏好分=价格归一化得分*类型归一化得分*品牌归一化得分（由于前述的价格、类别以及品牌都选择了两种，故最终产生的用户偏好分为2*2*2个，得到8组不同组合的用户偏好分）；

对于每个组合下的广告，根据前述热门召回的逻辑，计算7日热度的广告热门分由高到低排序，最终选取排名前top 15加入前述的初始的推荐候选集中；

对8个组合进行融合计算，即分别计算8个组合对应的热度分与权重分的加权求和值，8个组合分别对应的最终得分=0.5*用户偏好分+0.5*广告7日热门分；对8个组合下的广告分别对应的最终得分进行由高到低排序，选取排名前 top60，加入前述的初始的推荐候选集中，至此候选集构建完毕。

S400、基于深度神经网络模型进行广告精排：

在本步骤中，排序模型采用深度神经网络模型；具体的，由于广告推荐中用户兴趣和广告特征往往是高度非线性的，而采用深度神经网络模型则能够对非线性关系进行建模，能够捕捉更复杂的用户和广告之间的关联关系，实现对复杂关系进行更好的挖掘，有利于提升广告推荐的精准度；深度神经网络模型的结构还较为简单，能为广告推荐提供一定的可解释性；

在本步骤中，训练深度神经网络模型自动学习特征表示，进而从原始的用户行为和广告特征中提取高层次、抽象的特征表达；具体的，训练深度神经网络模型所采用的特征包括：广告特征、用户特征以及上下文特征；

其中，广告特征主要包括：广告距今发布时长、广告的播放时长、广告的title/content长度、广告的历史一段时间内的有效曝光/点击次数、广告的点击率/完读率等统计特征以及广告的标签特征（广告关键标签、物品关联车的类别标签）；

其中，用户特征主要包括：用户活跃性、用户长短期偏好（标签、物品类别、视频类别、车类别以及车价格等）以及用户正反馈类别等；

其中，上下文特征主要包括：平台、省份以及召回类型等；

在本步骤中，为了更好的提升模型性能，在上述特征基础上，添加了两侧交叉统计特征，包括：物品标签和用户偏好标签的交集个数、物品关联车的类别和用户偏好车类别是否一致以及用户偏好价格和物品关联车的价格的一致率等；

在本步骤中，注重于广告和用户两侧的语义表达，添加两侧的行为向量特征、title内容向量特征以及关键词向量特征；

在本步骤中，对于不同类型特征分别进行处理：

其中，将连续型特征离散化分桶；通过分桶处理，能够较好的兼容异常值问题，提高特征的非线性表达能力，同时减小模型的学习压力；

其中，对类别型特征进行one-hot化，将特征转化为模型能够识别的数字（例如：将platform类别特征映射为数字01，将android映射为10，将ios映射为01）；

其中，对多类别特征进行multi-hot化，即命中的类别处标记1，其余标记0；

在本步骤中，经过上述处理后，将所有特征转化为长数组作为模型的输入，维度在1000左右，采用DNN模型构造三层模型结构；

其中，三层模型使用的神经元数量分别是：(256, 128, 64)；

其中，三层模型的激活函数都是Relu；

其中，为了防止模型过分拟合训练数据，并增强模型的泛化性，在三层全连接上，采用Dropout技术分别丢弃(0.3, 0.2, 0.1)的神经元信息，使模型不仅充分学习训练集的数据，还可以在不同的测试集上展示良好的效果；

在本步骤中，基于训练后的模型进行前述候选集中广告的排序处理，输出对应的排序列表。

S500、基于机制层在广告推荐前进行适应性处理：

在本步骤中，考虑到排序之后可能出现以下情况，如：

A1、用户可能连续看到同一品牌的广告，产生审美疲劳的情况；

B1、有些厂商选择的广告由于各种原因可能长时间曝光不完、广告计划时间过长；

为了针对性解决上述情况，故设立机制层，在采用排序后的广告列表进行推送时，基于机制层对推送策略进行分类处理，例如：

A2、对于多个厂商的广告，进行打散后循环出现（即对于同品牌广告的混淆推荐机制）；

B2、对于同一个广告，设置其短时间内不允许重复曝光，长时间内允许限定次数的曝光（即对于相同广告的推荐时长限制）；

C2、针对用户类别进行广告推送匹配：使老用户保底能够看到1个广告，使新用户保底看到2个广告（即基于用户类别的推荐机制）。

实施例2

本实施例基于与实施例1中所述的一种基于神经网络的广告推荐方法相同的发明构思，提供一种基于神经网络的广告推荐系统，如图3所示，包括：特征处理模块、召回处理模块和精排推荐模块；

所述特征处理模块，用于采集特征数据，并对所述特征数据进行预处理；所述特征处理模块基于预处理后的所述特征数据提取用户特征以及广告特征；

在本系统中，所述特征数据，包括：用户数据、广告数据以及上下文数据；

在本系统中，所述预处理，包括：所述特征处理模块对采集的所述用户数据、所述广告数据以及所述上下文数据进行噪声去除处理、缺失值处理以及异常值处理。

在本系统中，所述基于预处理后的所述特征数据提取用户特征以及广告特征，包括：所述特征处理模块基于预处理后的所述特征数据提取用户场景特征、用户基础属性特征以及用户行为兴趣特征作为所述用户特征；所述特征处理模块基于预处理后的所述特征数据提取广告基础属性特征、广告内容特征以及广告统计特征作为所述广告特征。

所述召回处理模块，用于基于所述用户特征、所述广告特征以及预处理后的所述特征数据，进行热门召回以及偏好召回，得到推荐候选集；

在本系统中，所述热门召回，包括：所述召回处理模块将用户历史行为数据划分为三日热门数据和七日热门数据；所述召回处理模块基于所述三日热门数据中广告的用户点击数据以及曝光数据计算三日点击率；所述召回处理模块基于所述七日热门数据中广告的用户点击数据以及曝光数据计算七日点击率；所述召回处理模块基于所述三日热门数据中广告的阅读数据以及完读数据计算三日完读率；所述召回处理模块基于所述七日热门数据中广告的阅读数据以及完读数据计算七日完读率；所述召回处理模块基于所述三日热门数据中广告的点赞数据、评论数据以及收藏数据计算三日互动率；所述召回处理模块基于所述七日热门数据中广告的点赞数据、评论数据以及收藏数据计算七日互动率；所述召回处理模块将所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行去异常以及归一化处理；所述召回处理模块将处理后的所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行加权计算，得到对应广告的广告热门分；所述召回处理模块在所述三日热门数据和所述七日热门数据中，基于所述广告热门分筛选热门召回广告，基于所述热门召回广告构建初始候选集。

在本系统中，所述偏好召回，包括：所述召回处理模块分别计算用户的分类偏好得分、价格偏好得分以及品牌偏好得分；所述召回处理模块基于所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分，筛选待归一化广告：所述召回处理模块基于所述待归一化广告的所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分分别计算价格归一化得分、类别归一化得分以及品牌归一化得分；所述召回处理模块基于所述价格权重归一化、所述类别权重归一化以及所述品牌权重归一化得分计算用户偏好分；所述召回处理模块计算所述待归一化广告的广告热门分，基于所述待归一化广告的广告热门分选取所述待归一化广告加入所述初始候选集；所述召回处理模块对所述待归一化广告的所述用户偏好分以及广告热门分进行融合加权计算，得到最终得分；所述召回处理模块根据所述最终得分筛选所述待归一化广告再次加入所述初始候选集，得到所述推荐候选集。

所述精排推荐模块，用于基于神经网络模型对所述推荐候选集中广告进行排序处理，得到排序列表；所述精排推荐模块设置机制层，并根据所述机制层对所述排序列表中的广告进行推荐；

在本系统中，所述神经网络模型训练时，将分类处理后的特征数据作为所述神经网络模型的输入；在输入时，将特征数据转换为长数组，采用DNN模型构造三层模型结构；在训练时，在所述神经网络模型的三层全连接上引入Dropout技术。

在本系统中，所述机制层，包括：对于同品牌广告的混淆推荐机制、对于相同广告的推荐时长限制、设置基于用户类别的推荐机制；

在本系统中，所述根据所述机制层对所述排序列表中的广告进行推荐，包括；所述精排推荐模块基于所述混淆推荐机制、所述推荐时长限制以及所述基于用户类别的推荐机制对所述排序列表中的广告进行分类推荐。

实施例3

本实施例提供一种计算机可读存储介质，包括：

所述存储介质用于储存将上述实施例1所述的基于神经网络的广告推荐方法实现所用的计算机软件指令，其包含用于执行上述为所述基于神经网络的广告推荐方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的基于神经网络的广告推荐系统中，这样，基于神经网络的广告推荐系统就可以通过执行内置的可执行程序实现所述实施例1所述的基于神经网络的广告推荐方法。

此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的系统、装置或器件，或者以上任意组合。

实施例4

本实施例提供一种电子设备，如图4所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例1中所述基于神经网络的广告推荐方法的步骤。

作为本发明的一种实施方式，上述终端提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

作为本发明的一种实施方式，通信接口用于上述终端与其他设备之间的通信。

作为本发明的一种实施方式，存储器可以包括随机存取存储器(Random AccessMemory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

作为本发明的一种实施方式，上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

区别于现有技术，采用本申请一种基于神经网络的广告推荐方法、系统、设备及介质，可以在召回阶段采用用户长短期偏好加权的方式，解决过分依赖用户临时偏好的情况，进而在使用用户兴趣时，设计用户长期兴趣召回策略，提升算法的推荐精准性以及全面性，在排序方面使用深度神经网络，增加算法透明性，使推荐结果有更强的可解释性，提升用户体验感；另外，本发明还添加了机制层，进而增加广告的多样性和新颖性，防止广告过度定制化而导致用户的审美疲劳，提升用户对于广告的长期兴趣度，弥补了现有技术的缺陷。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，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文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，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。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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单元来实现本文实施例方案的目的。

另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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，本文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)执行本文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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。