广告推送方法、装置、设备及存储介质

技术领域

本发明涉及广告推送技术领域，尤其涉及一种广告推送方法、装置、设备及存储介质。

背景技术

随着社会多媒体传播的发展，广告的重要性得到了大大的提升，越来越多的企业和公司通过互联网发布其公司旗下的产品广告，以达到让大众百姓熟知的目的。互联网广告，是指通过网站、网页、互联网应用程序等互联网媒介，以文字、图片、音频、视频或者其他形式，直接或者间接地推销商品或者服务的商业广告。

然而，当前的互联网广告推荐技术无法细粒度地评估或确定用户针对不同商品的主要关注点，导致对应商品的广告推送结果不准确，且分析效率低下，广告有效内容少、针对性不强，造成用户满意度低等技术问题。

发明内容

本发明的主要目的在于提供一种广告推送方法、装置、设备及存储介质，旨在解决现有技术广告推送结果不准确、效率低下，造成用户满意度低的技术问题。

为实现上述目的，本发明提供了一种广告推送方法，所述方法包括以下步骤：

提取商品销售网页中商品的多个商品特征；

确定商品的各个商品特征的变化率；

将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征；

基于与待推荐商品对应的敏感特征生成广告文本，并将所述广告文本推送给用户。

可选地，所述提取商品销售网页中商品的多个商品特征，包括：

获取商品销售网页中对应商品特征的元素信息；

对所述对应商品特征的元素信息进行归类，得到对应同一商品的多个技术指标；

将各个技术指标作商品特征，得到商品的多个商品特征。

可选地，所述确定商品的各个商品特征的变化率，包括：

初始化商品的各个商品特征的变化率；

根据用户浏览或点击商品的各个商品特征的频次、评价内容中出现次数多的关键字对应的商品特征、商品特征值的变化情况，确定商品的各个商品特征的变化率。

可选地，所述基于与待推荐商品对应的敏感特征生成广告文本，并将所述广告文本推送给用户之前，还包括：

获取用户访问所述商品销售网页时关注的商品特征以及敏感度标签，得到用户的敏感度样本数据；

根据所述用户的敏感度样本数据进行合成采样，得到敏感度样本数据集合；

基于所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行；

根据所述用户敏感度排行确定待推荐商品。

可选地，所述对所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行，包括：

沉淀所述敏感度样本数据集合，得到相似度样本数据；

基于所述相似度样本数据通过预设聚类算法进行聚类，得到聚类数据样本集合；

计算所述聚类数据样本集合中各个聚类数据样本的欧式距离；

根据所述各个聚类数据样本的欧式距离确定浏览记录数据；

根据所述浏览记录数据得到用户敏感度排行。

可选地，所述基于所述相似度样本数据通过预设聚类算法进行聚类，得到聚类数据样本集合，包括：

基于所述相似度样本数据得到各个商品之间的相似度；

根据各个商品之间的相似度通过预设聚类算法将商品分为多个簇，其中，每个簇包含相似度达到预设阈值的商品以及对应的商品数据，所述商品数据包括商品特征以及敏感度标签；

根据所述敏感度标签对各个簇进行数据归类，得到聚类数据样本集合。

可选地，所述根据所述各个聚类数据样本的欧式距离确定浏览记录数据，包括：

根据所述欧式距离对所述各个聚类数据样本进行从小到大排序，得到聚类数据样本序列；

取所述聚类数据样本序列中前预设数量的聚类数据样本作为浏览记录数据。

此外，为实现上述目的，本发明还提出一种广告推送装置，所述广告推送装置包括：

提取模块，用于提取商品销售网页中商品的多个商品特征；

确定模块，用于确定商品的各个商品特征的变化率；

所述确定模块，还用于将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征；

推送模块，用于基于与待推荐商品对应的敏感特征生成广告文本，并将所述广告文本推送给用户。

此外，为实现上述目的，本发明还提出一种广告推送设备，所述广告推送设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的广告推送程序，所述广告推送程序配置为实现如上文所述的广告推送方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有广告推送程序，所述广告推送程序被处理器执行时实现如上文所述的广告推送方法的步骤。

本发明通过提取商品销售网页中商品的多个商品特征；确定商品的各个商品特征的变化率；将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征；基于与待推荐商品对应的敏感特征生成广告文本，并将广告文本推送给用户。通过上述方式，根据商品的各个商品特征的变化率确定商品的敏感特征，基于与待推荐商品对应的敏感特征生成广告文本并推送给用户，解决了广告推送结果不准确、效率低下，造成用户满意度低的技术问题，有效提升广告推送精准性、有效性以及提升用户满意度。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的广告推送设备的结构示意图；

图2为本发明广告推送方法第一实施例的流程示意图；

图3为本发明广告推送方法一实施例中的广告推荐装置原理框图；

图4为本发明广告推送方法一实施例中的广告推荐系统结构示意图；

图5为本发明广告推送方法第二实施例的流程示意图；

图6为本发明广告推送方法第三实施例的流程示意图；

图7为本发明广告推送方法一实施例中的提取商品特征样本流程图；

图8为本发明广告推送方法一实施例中的获取用户敏感度排行流程图；

图9为本发明广告推送装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的广告推送设备结构示意图。

如图1所示，该广告推送设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对广告推送设备的限定，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。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及广告推送程序。

在图1所示的广告推送设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明广告推送设备中的处理器1001、存储器1005可以设置在广告推送设备中，所述广告推送设备通过处理器1001调用存储器1005中存储的广告推送程序，并执行本发明实施例提供的广告推送方法。

本发明实施例提供了一种广告推送方法，参照图2，图2为本发明广告推送方法第一实施例的流程示意图。

本实施例中，所述广告推送方法包括以下步骤：

步骤S10：提取商品销售网页中商品的多个商品特征。

需要说明的是，本实施例的执行主体为广告推送装置，还可为其他可实现相同或相似功能的装置，本实施例对此不加以限定，本实施例以广告推送装置为例进行说明。

可以理解的是，本实施例中所述广告推送方法用于广告推送装置，如图3所示，图3为本实施例为广告推送方法中的广告推荐装置原理框图，广告推送装置包括数据采集系统、离线挖掘系统以及在线推荐系统，离线挖掘系统包括数据集、数据处理模块、数据挖掘模块以及数据集，在线推荐系统包括记录模块、广告发布模块、广告推荐系统、客户端以及网页(web)服务器。数据采集系统用于采集平台内的商品信息，离线挖掘系统将用户浏览商品的信息记录保存在数据集中；数据处理模块对数据集中的数据进行处理操作得到用户敏感度排行，数据挖掘模块对用户敏感度排行进行数据挖掘得到数据库，将数据库中的用户敏感度最大的商品特征发送至记录模块，广告发布模块将广告信息发送至记录模块和网页(web)服务器，记录模块根据用户敏感度最大的商品特征和广告发布模块发布的广告信息对客户端进行广告推送(生成包含用户敏感度最大的商品特征数据的广告文本)，形成广告推荐系统。

如图4所示，图4为本实施例为广告推送方法中的广告推荐系统结构示意图，广告推荐系统包括：广告模块、用户模块、以及管理员模块，广告模块包括发布广告单元、管理广告单元以及投放广告单元，用户模块包括用户注册单元、收集记录单元以及用户聚类单元，管理员模块包括常规设置单元。会员管理单元以及广告管理单元。

在具体实现中，通过数据采集系统采集平台内的商品信息，离线挖掘系统将大量用户浏览商品的信息记录保存在数据集中，通过利用数据处理模块对数据集中的数据进行处理，提取商品的多个商品特征。

步骤S20：确定商品的各个商品特征的变化率。

需要说明的是，商品特征包括颜色、规格(尺寸)、版型、功率、销量、配送时长、是否有售后承诺等，本实施例对此不作具体限制。

可以理解的是，商品特征的变化率即商品特征在预设周期内的变化情况。

进一步地，所述确定商品的各个商品特征的变化率，包括：初始化商品的各个商品特征的变化率；根据用户浏览或点击商品的各个商品特征的频次、评价内容中出现次数多的关键字对应的商品特征、商品特征值的变化情况，确定商品的各个商品特征的变化率。

需要说明的是，设定或初始化各项商品特征的变化率，得到各项商品特征的变化率的初始值，变化率的初始值可以为0，本实施例对此不作具体限制。

可以理解的是，根据用户浏览或点击相应商品特征的频次、评价内容中出现次数多的关键字、商品特征值在预设周期内的变化情况，得到对应商品特征的变化率，所述预设周期可以为一周或一个月，本实施例对此不作具体限制，例如：某商品下的用户评价中每出现一次“色”，则将颜色特征对应的变化率增加一个单位；某电吹风商品的功耗指标初期为1000瓦，一段时间后功耗指标变为800瓦，再一段时间后变成600瓦，则功耗特征对应的变化率合计增加两个单位。

值得说明的是，根据用户浏览或点击商品的各个商品特征的频次、评价内容中出现次数多的关键字对应的商品特征、商品特征值的变化情况，确定商品的各个商品特征的变化率，根据多维度的商品数据确定商品特征的变化率，提高商品特征的变化率的准确度。

步骤S30：将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征。

需要说明的是，变化率越大代表用户越关心该项指标，厂家也更会快速针对市场进行反馈，提供更贴合市场的产品修改方案，因此将变化率最大的商品特征确定为该商品对应的敏感特征，并添加敏感度标签。

可以理解的是，例如，一周内，某商品的“是否有售后承诺”特征，由“三天内无理由退款”变更为了“七天内无理由退款”，一周后又变更成了“一月内无理由退款”，变化率较其它特征明显更大，因此表明用户对“是否有售后承诺”具有敏感度。

步骤S40：基于与待推荐商品对应的敏感特征生成广告文本，并将所述广告文本推送给用户。

在具体实现中，根据商品的敏感特征以及敏感度标签确定用户敏感度排行，并基于用户敏感度排行确定待推荐商品，确定待推送商品对应的敏感特征，并根据待推送商品对应的敏感特征生成相应的广告文本，向用户提供其最关心、最能影响其购买行为的广告。例如：咖啡杯类商品的敏感特征包括规格(尺寸)、颜色、配送时长、是否有售后承诺，那么针对待推荐的咖啡杯商品，可以对应生成的广告文本为：某咖啡杯商品390ML容量、包括红、黄、蓝三种颜色，配送时长为三个小时，承诺七天无理由退款。

需要说明的是，用户敏感度排行表明用户对不同商品特征的关注程度，根据用户敏感度排行确定用户最感兴趣的商品，作为待推荐商品。

可以理解的是，通过数据处理模块对商品的敏感特征以及敏感度标签进行处理得到各类用户的敏感度排行，将各类用户的敏感度排储存在数据库中，所述数据库可以为clickhouse数据库，clickhouse数据库对于列的聚合、计数、求和等统计操作优于行式存储，并且存在多样化引擎，包括合并树、日志、接口和其他四大类20多种引擎，高吞吐写入能力，数据分区与线程及并行，进行分布式数据处理等优点，本实施例对此不作具体限制。

本实施例通过提取商品销售网页中商品的多个商品特征；确定商品的各个商品特征的变化率；将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征；基于与待推荐商品对应的敏感特征生成广告文本，并将广告文本推送给用户。通过上述方式，根据商品的各个商品特征的变化率确定商品的敏感特征，基于与待推荐商品对应的敏感特征生成广告文本并推送给用户，解决了广告推送结果不准确、效率低下，造成用户满意度低的技术问题，有效提升广告推送精准性、有效性以及提升用户满意度。

参考图5，图5为本发明广告推送方法第二实施例的流程示意图。

基于上述第一实施例，本实施例广告推送方法中所述步骤S10，包括：

步骤S101：获取商品销售网页中对应商品特征的元素信息。

需要说明的是，数据处理模块通过抓包技术获取含有商品特征的商品销售网页，通过页面识别技术或者数据包抓取技术提取商品销售网页中各种对应商品的元素信息。

步骤S102：对所述对应商品特征的元素信息进行归类，得到对应同一商品的多个技术指标。

需要说明的是，商品销售网页中含有商品的各项指标特征，即商品特征，通过页面识别技术或者数据包抓取技术对商品销售网页进行处理，提取对应同一商品的多个指标特征，指标特征包括但不限于颜色、规格(尺寸)、版型、功率、销量、配送时长、是否有售后承诺等，本实施例对此不作具体限制。

步骤S103：将各个技术指标作商品特征，得到商品的多个商品特征。

可以理解的是，各种对应商品的元素信息进行归类，得到对应同一商品的多个技术指标，将各个技术指标作为商品特征，得到各个商品的商品特征。

本实施例通过获取商品销售网页中对应商品特征的元素信息；对所述对应商品特征的元素信息进行归类，得到对应同一商品的多个技术指标；将各个技术指标作商品特征，得到商品的多个商品特征。通过上述方式，对商品销售网页中对应商品特征的元素信息进行归类得到商品的商品特征，从而确定商品特征中的敏感特征并根据敏感特征推荐广告，提高广告推送的准确度。

参考图6，图6为本发明广告推送方法第三实施例的流程示意图。

基于上述第一实施例，本实施例广告推送方法中所述步骤S40之前，还包括：

步骤S31：获取用户访问所述商品销售网页时关注的商品特征以及敏感度标签，得到用户的敏感度样本数据。

需要说明的是，获取不同用户访问商品销售网页时关注的技术的商品特征以及敏感度，得到不同用户的敏感度样本数据。

步骤S32：根据所述用户的敏感度样本数据进行合成采样，得到敏感度样本数据集合。

需要说明的是，通过SMOTE采样技术根据敏感度样本数据进行合成采样，合成新的少量类别样本，来增加少数类别在训练集中出现的频率，得到敏感度样本数据集合。

可以理解的是，SMOTE(Synthetic Minority Oversampling Technique)采样技术即合成少数过采样技术，通过一定策略生成大量新样本的方式来谋求训练样本集类分布的平衡，采用SMOTE技术所新生成的样本往往都出现在少数类的决策空间内，从而足以保证其合理性。新生成的样本与原始样本不再是简单的覆盖关系，可以保证经SMOTE算法处理后的训练集可近似逼近原始少数类样本训练集的分布。

在具体实现中，SMOTE采样技术即对于少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择的近邻为x

步骤S33：基于所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行。

在具体实现中，基于用户浏览页面中商品信息的内的商品属性值聚类获取用户的敏感度标签，通过聚类算法将自动识别出来的商品的数据集分成不同的簇，每个簇内包括相似的数据点，将敏感度标签同每个簇进行数据归类后落地知识库，得到用户敏感度排行。

如图7所示，图7为本实施例为广告推送方法中的提取商品特征样本流程图，WEB页面即商品销售网页中包括颜色、销售额、销售量、商品信息以及价格信息等商品特征，颜色、销售额、销售量、商品信息以及价格信息等商品特征对应存在颜色标签、销售额标签、销售量标签、商品信息标签以及价格信息标签，根据颜色标签、销售额标签、销售量标签、商品信息标签以及价格信息标签分别得到颜色样例1-100、销售额样例1-100、销售量样例1-100、商品信息样例1-100以及价格信息样例1-100，进行SMOTE采样后沉淀数据，得到颜色样例1、39、49、88，销售额样例8、37、66、99，销售量样例5、42、87、97，商品信息样例1-100以及价格信息样例4、57、91、96。

进一步地，所述对所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行，包括：沉淀所述敏感度样本数据集合，得到相似度样本数据；基于所述相似度样本数据通过预设聚类算法进行聚类，得到聚类数据样本集合；计算所述聚类数据样本集合中各个聚类数据样本的欧式距离；根据所述各个聚类数据样本的欧式距离确定浏览记录数据；根据所述浏览记录数据得到用户敏感度排行。

需要说明的是，由于不同用户对同一商品的敏感度关注特征不同，通过对敏感度样本数据集合进行数据沉淀获取用户对于商品特征的敏感度，例如：某一用户对该商品关注的特征对应的敏感度为：颜色80％，销售价格85％，商品信息50％；另一用户对该商品的关注的技术特征的敏感度为：颜色95％，销售价格2％，商品信息10％。

可以理解的是，通过对相似度样本数据进行聚类，得到聚类数据样本集合并计算各个聚类数据样本的欧式距离，根据欧式距离确定浏览记录数据并得到用户敏感度排行，从而确定待推荐商品，提高广告定位的准确性。

进一步地，所述基于所述相似度样本数据通过预设聚类算法进行聚类，得到聚类数据样本集合，包括：基于所述相似度样本数据得到各个商品之间的相似度；根据各个商品之间的相似度通过预设聚类算法将商品分为多个簇，其中，每个簇包含相似度达到预设阈值的商品以及对应的商品数据，所述商品数据包括商品特征以及敏感度标签；根据所述敏感度标签对各个簇进行数据归类，得到聚类数据样本集合。

可以理解的是，所述预设聚类算法可以为K-Means算法，通过K-Means算法聚类相似度样本数据得到聚类数据样本。K-Means算法是输入聚类个数以及包含n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。K-Means算法接受输入量k，将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高，不同聚类中的对象相似度较小。

可以理解的是，根据各个商品之间的相似度通过预设聚类算法进行聚类，得到聚类数据样本集合，提高数据处理效率以及聚类数据样本的准确度。

进一步地，所述根据所述各个聚类数据样本的欧式距离确定浏览记录数据，包括：根据所述欧式距离对所述各个聚类数据样本进行从小到大排序，得到聚类数据样本序列；取所述聚类数据样本序列中前预设数量的聚类数据样本作为浏览记录数据。

可以理解的是，通过欧式距离来衡量聚类数据样本中的相似度，相似度与数据对象间的距离成反比，相似度越大，距离越小。

在具体实现中，根据所述欧式距离对所述各个聚类数据样本进行从小到大排序，取前100最近距离(即相似度最高的前100个)的聚类数据样本作为浏览记录数据，并将浏览记录数据落地到簇后得到用户敏感度排行。

如图8所示，图8为本实施例为广告推送方法中的获取用户敏感度排行流程图，通过获取浏览样本数据，得到用户敏感度样本，例如颜色80％，销售价85％，商品信息50％；通过沉淀样本数据获得相似度样本数据；根据相似度样本数据得到相似度数据，例如颜色80％，销售额7％，商品信息20％；通过K-Means算法进行聚类，得到K-Means算法中的聚类样本数据；用欧式聚类作为衡量数据对象间相似度的指标，相似度与数据对象间的距离成反比，相似度越大，距离越小；得出前100最近距离的浏览记录数据，落地到簇，得到用户敏感度排行。

需要说明的是，根据欧式距离对各个聚类数据样本进行排序，得到聚类数据样本序列并确定浏览记录数据，从而得到用户敏感度排行，提高用户用户敏感度排行的准确性。

步骤S34：根据所述用户敏感度排行确定待推荐商品。

需要说明的是，根据用户敏感度排行确定用户敏感度最高的商品，作为待推荐商品。

本实施例通过获取用户访问所述商品销售网页时关注的商品特征以及敏感度标签，得到用户的敏感度样本数据；根据所述用户的敏感度样本数据进行合成采样，得到敏感度样本数据集合；基于所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行；根据所述用户敏感度排行确定待推荐商品。通过上述方式，对用户的敏感度样本数据进行采样合成以及数据沉淀后得到用户敏感度排行并确定待推荐商品，从而进行广告推送，提升广告推送有效性和用户敏感度。

参照图9，图9为本发明广告推送装置第一实施例的结构框图。

如图9所示，本发明实施例提出的广告推送装置包括：

提取模块10，用于提取商品销售网页中商品的多个商品特征。

确定模块20，用于确定商品的各个商品特征的变化率。

所述确定模块20，还用于将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征。

推送模块30，用于基于与待推荐商品对应的敏感特征生成广告文本，并将所述广告文本推送给用户。

本实施例通过提取商品销售网页中商品的多个商品特征；确定商品的各个商品特征的变化率；将商品的各个商品特征的变化率中变化率最大的商品特征作为对应商品的敏感特征；基于与待推荐商品对应的敏感特征生成广告文本，并将广告文本推送给用户。通过上述方式，根据商品的各个商品特征的变化率确定商品的敏感特征，基于与待推荐商品对应的敏感特征生成广告文本并推送给用户，解决了广告推送结果不准确、效率低下，造成用户满意度低的技术问题，有效提升广告推送精准性、有效性以及提升用户满意度。

在一实施例中，所述提取模块10，还用于获取商品销售网页中对应商品特征的元素信息；对所述对应商品特征的元素信息进行归类，得到对应同一商品的多个技术指标；将各个技术指标作商品特征，得到商品的多个商品特征。

在一实施例中，所述确定模块20，还用于初始化商品的各个商品特征的变化率；根据用户浏览或点击商品的各个商品特征的频次、评价内容中出现次数多的关键字对应的商品特征、商品特征值的变化情况，确定商品的各个商品特征的变化率。

在一实施例中，所述推送模块30，还用于获取用户访问所述商品销售网页时关注的商品特征以及敏感度标签，得到用户的敏感度样本数据；根据所述用户的敏感度样本数据进行合成采样，得到敏感度样本数据集合；基于所述敏感度样本数据集合进行数据沉淀，得到用户敏感度排行；根据所述用户敏感度排行确定待推荐商品。

在一实施例中，所述推送模块30，还用于沉淀所述敏感度样本数据集合，得到相似度样本数据；基于所述相似度样本数据通过预设聚类算法进行聚类，得到聚类数据样本集合；计算所述聚类数据样本集合中各个聚类数据样本的欧式距离；根据所述各个聚类数据样本的欧式距离确定浏览记录数据；根据所述浏览记录数据得到用户敏感度排行。

在一实施例中，所述推送模块30，还用于基于所述相似度样本数据得到各个商品之间的相似度；根据各个商品之间的相似度通过预设聚类算法将商品分为多个簇，其中，每个簇包含相似度达到预设阈值的商品以及对应的商品数据，所述商品数据包括商品特征以及敏感度标签；根据所述敏感度标签对各个簇进行数据归类，得到聚类数据样本集合。

在一实施例中，所述推送模块30，还用于根据所述欧式距离对所述各个聚类数据样本进行从小到大排序，得到聚类数据样本序列；取所述聚类数据样本序列中前预设数量的聚类数据样本作为浏览记录数据。

此外，为实现上述目的，本发明还提出一种广告推送设备，所述广告推送设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的广告推送程序，所述广告推送程序配置为实现如上文所述的广告推送方法的步骤。

由于本广告推送设备采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有广告推送程序，所述广告推送程序被处理器执行时实现如上文所述的广告推送方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的广告推送方法，此处不再赘述。

此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

应该理解的是，虽然本申请实施例中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，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。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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(如只读存储器(Read Only Memory，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，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，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。