一种广告投放方法、装置、设备及其存储介质

技术领域

本申请涉及金融科技技术领域，应用于广告投放场景中，尤其涉及一种广告投放方法、装置、设备及其存储介质。

背景技术

随着互联网的飞速发展，各行各业都在依托互联网寻求行业突破点，近年来，金融行业也正在围绕着互联网进行线上业务拓展。由于金融行业涉及的业务量和数据量较大，随着用户对产品需求的不断提高，金融产品也在不断进行类别更新。

如何根据用户行为数据来实现产品广告推荐，一直是推荐系统的核心问题。用户标签作为产品广告推荐的重要组成部分，其准确性和实时性，对于推荐系统的性能和效果有着至关重要的作用。现有的用户标签计算模型中，使用传统的用户标签计算方法往往只使用一些简单的统计算法，这些算法会存在一些不足：传统的统计算法只能计算出标签的大致范围，对于标签的精准度较低；在大数据环境下，传统的统计算法需要大量的计算时间和计算资源，计算效率差；传统的统计算法只能通过全新数据来计算出一个新的标签，在用户的实时行为数据上计算标签是困难的。

因此，在向用户进行广告投放上，还存在无法快速结合用户实时兴趣变化及时调整将要投放的广告的问题。

发明内容

本申请实施例的目的在于提出一种广告投放方法、装置、设备及其存储介质，以解决现有技术在向用户进行广告投放上，还存在无法快速结合用户实时兴趣变化及时调整将要投放的广告的问题。

为了解决上述技术问题，本申请实施例提供广告投放方法，采用了如下所述的技术方案：

一种广告投放方法，包括下述步骤：

获取目标用户终端中的用户历史行为数据；

将所述用户历史行为数据输入待训练的标签模型内，进行模型训练，获得训练完成的标签模型，其中，所述训练完成的标签模型中包含了所述用户历史行为数据的特征分类结果以及所有特征分类结果分别对应的标签词；

根据预设的实时监听组件监听目标用户终端以获得用户实时行为数据；

将所述用户实时行为数据输入所述训练完成的标签模型内，进行模型实时更新，并通过模型输出预测所述用户实时行为数据所属的特征分类结果，以及所述特征分类结果对应的标签词；

根据所述标签词，向所述目标用户终端投放目标广告，其中，所述目标广告预先已根据所述标签词的不同进行了标注处理。

进一步的，所述将所述用户历史行为数据输入待训练的标签模型内，进行模型训练，获得训练完成的标签模型的步骤，具体包括：

将所述用户历史行为数据作为目标数据；

通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

根据所述特征向量计算结果和预设的特征分类策略对所述清洗处理后的目标数据进行特征分类，获得特征分类结果；

采用块采样方法对所述特征分类结果进行迭代式采样，获得所有特征分类结果分别对应的采样结果；

根据所述采样结果和所述词典，计算目标特征分类结果所对应的最高频率词语，将所述最高频率词语作为所述目标特征分类结果对应的标签词，获得所述训练完成的标签模型。

进一步的，所述根据预设的实时监听组件监听目标用户终端以获得用户实时行为数据的步骤，具体包括：

通过所述实时监听组件监听目标用户终端，获得监测结果；

解析所述监测结果，获得用户操作信息；

根据所述用户操作信息，从目标日志或者目标事件中获取用户实时行为数据。

进一步的，所述将所述用户实时行为数据输入所述训练完成的标签模型内，进行模型实时更新，并通过模型输出预测所述用户实时行为数据所属的特征分类结果，以及所述特征分类结果对应的标签词的步骤，具体包括：

将所述用户实时行为数据作为目标数据；

通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

根据所述特征向量计算结果，确定所述目标数据所属的特征分类结果；

根据所述目标数据所属的特征分类结果，将所述目标数据加入到所述特征分类结果中，进行模型实时更新；

通过所述目标数据所属的特征分类结果，识别所述用户实时行为数据所对应的标签词。

进一步的，所述通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据的步骤，具体包括：

基于所述清洗组件中预设的缺失值处理子组件对所述目标数据进行缺失值处理，获得一阶行为数据；

根据所述清洗组件中预设的异常值处理子组件对所述一阶行为数据进行异常值优化处理，获得二阶行为数据；

通过所述清洗组件中预设的去重处理子组件对所述二阶行为数据进行去重处理，获得三阶行为数据；

通过所述清洗组件中预设的数据格式统一化子组件对所述三阶行为数据的数值格式和数据类型格式进行统一化处理，获得所述清洗处理后的目标数据。

进一步的，所述将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果的步骤，具体包括：

获取输入到所述深度学习组件内的目标数据；

根据所述词典，识别出所述目标数据包括的目标词语，其中，所述目标词语为所述词典内包含的词语；

根据所述目标词语和所述词典中各个词语分别对应的词向量，计算所述目标数据对应的词向量和值作为所述特征向量计算结果。

进一步的，所述根据所述特征向量计算结果和预设的特征分类策略对所述清洗处理后的目标数据进行特征分类的步骤，具体包括：

根据预设的归一化处理组件对所述特征向量计算结果进行归一化处理，获得归一化处理结果；

识别预先根据所述特征分类策略所设置的分类区间；

根据所述分类区间对所述归一化处理结果进行区间分类，获得区间分类结果；

根据预设的统计组件，统计每个区间分类结果中归一化数值的数量，获得统计结果；

根据所述统计结果和预设的剔除策略，剔除掉归一化数值的数量小于预设目标数量的区间分类结果，并统计未被剔除掉的区间分类结果的分类类别数；

将所述分类类别数作为所述清洗处理后的目标数据进行特征分类的类别数；

根据所述未被剔除掉的区间分类结果和所述特征向量计算结果，识别出所述未被剔除掉的区间分类结果所对应的清洗处理后的目标数据，完成对所述清洗处理后的目标数据的特征分类。

为了解决上述技术问题，本申请实施例还提供广告投放装置，采用了如下所述的技术方案：

一种广告投放装置，包括：

用户历史行为数据获取模块，用于获取目标用户终端中的用户历史行为数据；

标签模型训练模块，用于将所述用户历史行为数据输入待训练的标签模型内，进行模型训练，获得训练完成的标签模型，其中，所述训练完成的标签模型中包含了所述用户历史行为数据的特征分类结果以及所有特征分类结果分别对应的标签词；

用户实时行为数据获取模块，用于根据预设的实时监听组件监听目标用户终端以获得用户实时行为数据；

标签模型预测模块，用于将所述用户实时行为数据输入所述训练完成的标签模型内，进行模型实时更新，并通过模型输出预测所述用户实时行为数据所属的特征分类结果，以及所述特征分类结果对应的标签词；

广告投放模块，用于根据所述标签词，向所述目标用户终端投放目标广告，其中，所述目标广告预先已根据所述标签词的不同进行了标注处理。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的广告投放方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

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可读指令，所述计算机可读指令被处理器执行时实现如上述所述的广告投放方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例所述广告投放方法，通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的广告投放方法的一个实施例的流程图；

图3是图2所示步骤202的一个具体实施例的流程图；

图4是图3所示步骤304的一个具体实施例的流程图；

图5是图2所示步骤203的一个具体实施例的流程图；

图6是图2所示步骤204的一个具体实施例的流程图；

图7是根据本申请的广告投放装置的一个实施例的结构示意图；

图8是图7所示标签模型训练模块702的一个具体实施例的结构示意图；

图9是图7所示标签模型预测模块704的一个具体实施例的结构示意图；

图10是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的广告投放方法一般由服务器/终端设备执行，相应地，广告投放装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的广告投放方法的一个实施例的流程图。所述的广告投放方法，包括以下步骤：

步骤201，获取目标用户终端中的用户历史行为数据。

本实施例中，所述用户历史行为数据，可以根据用户历史操作信息，所述用户历史操作信息包括页面历史浏览量、历史点击次数、历史付款和历史订阅信息等，然后根据所述用户历史操作信息从目标历史日志或者目标历史事件中获取用户历史行为数据，以及用户历史行为数据的动态变化情况。

步骤202，将所述用户历史行为数据输入待训练的标签模型内，进行模型训练，获得训练完成的标签模型，其中，所述训练完成的标签模型中包含了所述用户历史行为数据的特征分类结果以及所有特征分类结果分别对应的标签词。

继续参考图3，图3是图2所示步骤202的一个具体实施例的流程图，包括：

步骤301，将所述用户历史行为数据作为目标数据；

步骤302，通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

本实施例中，所述通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据的步骤，具体包括：基于所述清洗组件中预设的缺失值处理子组件对所述目标数据进行缺失值处理，获得一阶行为数据；根据所述清洗组件中预设的异常值处理子组件对所述一阶行为数据进行异常值优化处理，获得二阶行为数据；通过所述清洗组件中预设的去重处理子组件对所述二阶行为数据进行去重处理，获得三阶行为数据；通过所述清洗组件中预设的数据格式统一化子组件对所述三阶行为数据的数值格式和数据类型格式进行统一化处理，获得所述清洗处理后的目标数据。

步骤303，将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

本实施例中，所述将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果的步骤，具体包括：获取输入到所述深度学习组件内的目标数据；根据所述词典，识别出所述目标数据包括的目标词语，其中，所述目标词语为所述词典内包含的词语；根据所述目标词语和所述词典中各个词语分别对应的词向量，计算所述目标数据对应的词向量和值作为所述特征向量计算结果。

步骤304，根据所述特征向量计算结果和预设的特征分类策略对所述清洗处理后的目标数据进行特征分类，获得特征分类结果；

继续参考图4，图4是图3所示步骤304的一个具体实施例的流程图，包括：

步骤401，根据预设的归一化处理组件对所述特征向量计算结果进行归一化处理，获得归一化处理结果；

步骤402，识别预先根据所述特征分类策略所设置的分类区间；

步骤403，根据所述分类区间对所述归一化处理结果进行区间分类，获得区间分类结果；

步骤404，根据预设的统计组件，统计每个区间分类结果中归一化数值的数量，获得统计结果；

步骤405，根据所述统计结果和预设的剔除策略，剔除掉归一化数值的数量小于预设目标数量的区间分类结果，并统计未被剔除掉的区间分类结果的分类类别数；

步骤406，将所述分类类别数作为所述清洗处理后的目标数据进行特征分类的类别数；

步骤407，根据所述未被剔除掉的区间分类结果和所述特征向量计算结果，识别出所述未被剔除掉的区间分类结果所对应的清洗处理后的目标数据，完成对所述清洗处理后的目标数据的特征分类。

步骤305，采用块采样方法对所述特征分类结果进行迭代式采样，获得所有特征分类结果分别对应的采样结果；

本实施例中，采样迭代式和块采样方式，其中，块采样方式是指将大规模数据集切分成若干个小的子集，在每个子集上进行训练，并根据子集训练的结果来更新模型参数。例如，将数据集划分成小批量数据，然后在每个小批量数据上进行训练。保证了在进行标签模型训练时有效降低计算和存储资源的使用量，从而提高了训练的速度和效率。

步骤306，根据所述采样结果和所述词典，计算目标特征分类结果所对应的最高频率词语，将所述最高频率词语作为所述目标特征分类结果对应的标签词，获得所述训练完成的标签模型。

通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。

步骤203，根据预设的实时监听组件监听所述目标用户终端以获得用户实时行为数据。

继续参考图5，图5是图2所示步骤203的一个具体实施例的流程图，包括：

步骤501，通过所述实时监听组件监听目标用户终端，获得监测结果；

步骤502，解析所述监测结果，获得用户操作信息；

步骤503，根据所述用户操作信息，从目标日志或者目标事件中获取用户实时行为数据。

具体的，所述用户操作信息包括页面浏览量、点击次数、付款和订阅信息等，然后根据所述用户操作信息从目标日志或者目标事件中获取用户行为数据，以及用户行为数据的动态变化情况。所述目标日志或者目标事件指用于记录用户实时行为数据的日志或者用于记录用户实时行为数据的事件文本。

步骤204，将所述用户实时行为数据输入所述训练完成的标签模型内，进行模型实时更新，并通过模型输出预测所述用户实时行为数据所属的特征分类结果，以及所述特征分类结果对应的标签词。

继续参考图6，图6是图2所示步骤204的一个具体实施例的流程图，包括：

步骤601，将所述用户实时行为数据作为目标数据；

步骤602，通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

本实施例中，所述通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据的步骤，具体包括：基于所述清洗组件中预设的缺失值处理子组件对所述目标数据进行缺失值处理，获得一阶行为数据；根据所述清洗组件中预设的异常值处理子组件对所述一阶行为数据进行异常值优化处理，获得二阶行为数据；通过所述清洗组件中预设的去重处理子组件对所述二阶行为数据进行去重处理，获得三阶行为数据；通过所述清洗组件中预设的数据格式统一化子组件对所述三阶行为数据的数值格式和数据类型格式进行统一化处理，获得所述清洗处理后的目标数据。

步骤603，将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

本实施例中，所述将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果的步骤，具体包括：获取输入到所述深度学习组件内的目标数据；根据所述词典，识别出所述目标数据包括的目标词语，其中，所述目标词语为所述词典内包含的词语；根据所述目标词语和所述词典中各个词语分别对应的词向量，计算所述目标数据对应的词向量和值作为所述特征向量计算结果。

步骤604，根据所述特征向量计算结果，确定所述目标数据所属的特征分类结果；

步骤605，根据所述目标数据所属的特征分类结果，将所述目标数据加入到所述特征分类结果中，进行模型实时更新；

步骤606，通过所述目标数据所属的特征分类结果，识别所述用户实时行为数据所对应的标签词。

通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

步骤205，根据所述标签词，向所述目标用户终端投放目标广告，其中，所述目标广告预先已根据所述标签词的不同进行了标注处理。

本申请通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大广告投放技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例中，通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

进一步参考图7，作为对上述图2所示方法的实现，本申请提供了广告投放装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所述的广告投放装置700包括：用户历史行为数据获取模块701、标签模型训练模块702、用户实时行为数据获取模块703、标签模型预测模块704和广告投放模块705。其中：

用户历史行为数据获取模块701，用于获取目标用户终端中的用户历史行为数据；

标签模型训练模块702，用于将所述用户历史行为数据输入待训练的标签模型内，进行模型训练，获得训练完成的标签模型，其中，所述训练完成的标签模型中包含了所述用户历史行为数据的特征分类结果以及所有特征分类结果分别对应的标签词；

用户实时行为数据获取模块703，用于根据预设的实时监听组件监听目标用户终端以获得用户实时行为数据；

标签模型预测模块704，用于将所述用户实时行为数据输入所述训练完成的标签模型内，进行模型实时更新，并通过模型输出预测所述用户实时行为数据所属的特征分类结果，以及所述特征分类结果对应的标签词；

广告投放模块705，用于根据所述标签词，向所述目标用户终端投放目标广告，其中，所述目标广告预先已根据所述标签词的不同进行了标注处理。

继续参考图8，图8是图7所示标签模型训练模块702的一个具体实施例的结构示意图，所述的标签模型训练模块702包括目标数据第一确定子模块801、数据第一清洗子模块802、特征向量第一计算子模块803、特征分类子模块804、数据采样子模块805和标签词确定子模块806。其中：

目标数据第一确定子模块801，用于将所述用户历史行为数据作为目标数据；

数据第一清洗子模块802，用于通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

特征向量第一计算子模块803，用于将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

特征分类子模块804，用于根据所述特征向量计算结果和预设的特征分类策略对所述清洗处理后的目标数据进行特征分类，获得特征分类结果；

数据采样子模块805，用于采用块采样方法对所述特征分类结果进行迭代式采样，获得所有特征分类结果分别对应的采样结果；

标签词确定子模块806，用于根据所述采样结果和所述词典，计算目标特征分类结果所对应的最高频率词语，将所述最高频率词语作为所述目标特征分类结果对应的标签词，获得所述训练完成的标签模型。

继续参考图9，图9是图7所示标签模型预测模块704的一个具体实施例的结构示意图，所述的标签模型预测模块704包括目标数据第二确定子模块901、数据第二清洗子模块902、特征向量第二计算子模块903、特征分类确定子模块904、模型实时更新子模块905和标签词识别子模块906。

其中：

目标数据第二确定子模块901，用于将所述用户实时行为数据作为目标数据；

数据第二清洗子模块902，用于通过预设的清洗组件对所述目标数据进行清洗处理，获得清洗处理后的目标数据，其中，所述清洗处理包括预处理和去重处理；

特征向量第二计算子模块903，用于将所述清洗处理后的目标数据输入预设的深度学习组件内进行特征向量计算，获得特征向量计算结果，其中，所述深度学习组件内预先设置了词典以及词典中各个词语分别对应的词向量；

特征分类确定子模块904，用于根据所述特征向量计算结果，确定所述目标数据所属的特征分类结果；

模型实时更新子模块905，用于根据所述目标数据所属的特征分类结果，将所述目标数据加入到所述特征分类结果中，进行模型实时更新；

标签词识别子模块906，用于通过所述目标数据所属的特征分类结果，识别所述用户实时行为数据所对应的标签词。

本申请通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。

所述计算机设备10包括通过系统总线相互通信连接存储器10a、处理器10b、网络接口10c。需要指出的是，图中仅示出了具有组件10a-10c的计算机设备10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器10a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器10a可以是所述计算机设备10的内部存储单元，例如该计算机设备10的硬盘或内存。在另一些实施例中，所述存储器10a也可以是所述计算机设备10的外部存储设备，例如该计算机设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器10a还可以既包括所述计算机设备10的内部存储单元也包括其外部存储设备。本实施例中，所述存储器10a通常用于存储安装于所述计算机设备10的操作系统和各类应用软件，例如一种广告投放方法的计算机可读指令等。此外，所述存储器10a还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器10b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他广告投放芯片。该处理器10b通常用于控制所述计算机设备10的总体操作。本实施例中，所述处理器10b用于运行所述存储器10a中存储的计算机可读指令或者处理数据，例如运行所述广告投放方法的计算机可读指令。

所述网络接口10c可包括无线网络接口或有线网络接口，该网络接口10c通常用于在所述计算机设备10与其他电子设备之间建立通信连接。

本实施例提出的计算机设备，属于金融科技技术领域，应用于广告投放场景中。本申请通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的广告投放方法的步骤。

本实施例提出的计算机可读存储介质，属于金融科技技术领域，应用于广告投放场景中。本申请通过用户历史行为数据，进行标签模型训练，能够训练出更加符合用户行为数据的标签词，便于后续结合所述标签词，更加精准的向所述目标用户终端投放其感兴趣的广告。通过用户实时行为数据，进行模型预测和模型实时更新，能够通过预测获得用户实时行为数据对应的标签词，便于根据用户实时行为数据对应的标签词，及时调整将要投放的广告，精准结合了用户实时行为变化情况。能够在用户的兴趣点发生变化时，及时进行待投放广告的调整，充分考虑了用户的兴趣变化，同时，进行模型实时更新，使得每次模型预测之后的结果都能够为下一次模型预测做数据支持。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。