本发明涉及广告推送，具体为一种电商广告推送方法及系统。
背景技术：
1、电商广告推送是指在电子商务平台上，通过各种数字广告渠道向用户传递商品或服务信息的过程。其主要目的是提高用户的购买意愿，增加销售额，并提升品牌知名度和用户忠诚度。电商广告推送的形式多样，包括但不限于电子邮件、短信、社交媒体广告、搜索引擎广告、展示广告、视频广告和app推送通知等。
2、精准的电商广告推送方法不仅仅是提升销售和品牌知名度的有效手段，更是增强用户体验和满意度的重要策略。随着大数据和人工智能技术的发展，电商广告推送的精准性和智能化水平不断提升，为电商平台带来更大的商业价值。
3、随着科学技术的不断发展，一些针对电商广告的推送方法被提出，然而，现有的广告推送方法还存在一定的缺陷，如技术申请号为cn202410080233.0的中国专利提供了一种物联网电商广告投放方法及系统。该方法步骤包括从电商平台、物联网设备中收集用户交互行为；对用户交互行为进行预处理，预处理包括数据清洗、分析用户交互行为以形成用户数据画像；使用机器学习模型对得到的用户数据画像进行处理，从中识别用户潜在需求信号；根据识别到的用户潜在需求信号，调整广告目标和关键词设置，再把广告内容推送到物联网设备上向用户展示；运用程序化购买技术调整广告的实时投放；实施实时广告表现监控，然后进一步结合网络拓扑图分析调整广告定向的空间精度；又如技术申请号为cn202310298391.9的中国专利提供了一种基于电商大数据的广告投放方法，包括：基于商品销售数据在不同时刻下的快照数据生成相应的交易子图序列；获取用户节点关联的所有一阶邻近用户节点、环路个数和自网络包含的边，以构建用户节点的第一节点特征，基于邻近用户节点的第一节点特征分析得到对应用户节点的第二节点特征；基于所述第一节点特征和所述第二节点特征分析得到对应时刻下的商品交易网络的迁移节点集合；基于所述迁移节点集合和各个用户节点扩充后的第一节点特征生成对应用户节点的属性集；基于所述属性集预测下一时刻对应用户节点的实时迁移用户节点，并基于所述实时迁移用户节点将目标用户作为对应目标广告投放的兴趣用户；上述方法从某一方面解决了广告推送的一些问题，但是考虑较为单一，一方面未充分考虑用户对商品的偏好情况且缺乏考虑广告推送的具体回报率与广告推送策略的相关性，使得电商广告对用户的商品广告推送缺乏精准度，无法精确匹配用户需求；另一方面未充分考虑推送商品以外的连带商品的推送价值，最终导致电商广告推送效率低的问题。
4、为此，提出一种电商广告推送方法及系统。
技术实现思路
1、本发明的目的在于提供一种电商广告推送方法及系统。首先，获取用户的第一兴趣数据和第二行为数据；分别对这两种数据进行预处理，得到第二兴趣数据和第二行为数据；并对第二兴趣数据和第二行为数据进行分析，得到综合偏好系数；其次，通过对综合偏好系数进行分析，得到第一商品和第一连带商品集；接着，通过对第一商品与第一连带商品集中各商品的第一相似度进行分析；得到广告推送商品集；最后，计算广告推送商品集中各商品的第一广告回报率，并求和得到第一总广告回报率；根据第一广告回报率、第一总广告回报率和预设广告回报率阈值动态调整广告推送商品集中各商品下一时段的广告推送时长和推送次数。
2、为实现上述目的，本发明提供如下技术方案：
3、一种电商广告推送方法，包括：
4、获取用户在电商平台的第一兴趣数据和第二行为数据；所述第一兴趣数据包括用户对各个商品的搜索信息、咨询信息和评价信息；所述第二行为数据包括用户的商品浏览信息、添加购物车信息、购买信息、退货信息、分享信息和收藏信息；分别对所述第一兴趣数据和第一行为数据进行预处理，分别得到第二兴趣数据和第二行为数据；
5、分别对所述第二兴趣数据和第二行为数据进行分析，得到第一兴趣偏好系数和第二行为偏好系数，并根据所述第一兴趣偏好系数和第二行为偏好系数，得到综合偏好系数；
6、通过对所述综合偏好系数进行分析，得到第一商品；并根据筛选条件确定所述第一商品的第一连带商品集；
7、计算所述第一商品与所述第一连带商品集中各商品的第一相似度；并根据所述第一相似度和预设相似度阈值确定第二连带商品集，然后合并所述第一商品与所述第一连带商品集，得到广告推送商品集；
8、计算预设时段内所述广告推送商品集中各商品的第一广告回报率，并求和得到第一总广告回报率；并根据所述第一总广告回报率和预设回报率阈值，动态调整所述广告推送商品集中各商品下一时段的广告推送时长和推送次数。
9、优选的，所述预处理包括对所述第一兴趣数据进行去噪、停用词去除和标准化，以及对所述第一行为数据进行去噪和标准化；所述第一兴趣偏好系数的获取过程包括：
10、分别对第二兴趣数据中的所述用户对各个商品的搜索信息、咨询信息和评价信息进行分词，得到词语集合；所述词语集合包括用户的搜索信息词语集合、咨询信息词语集合和评价信息词语集合；并计算词语在上述各词语集合中的重要度；并对各重要度进行加权求和，得到所述第一兴趣偏好系数；
11、所述第一兴趣偏好系数为：
12、
13、tfidfsu,i(t)＝tfsu,i(t)*idf(t)；
14、tfidfqu,i(t)＝tfqu,i(t)*idf(t)；
15、tfidfru,i(t)＝tfru,i(t)*idf(t)；
16、其中，ipu,i表示为用户u对商品i的第一兴趣偏好系数；tfidfsu,i(t)表示词语t在所述搜索信息词语集合中的重要度；tfidfqu,i(t)表示词语t在所述咨询信息词语集合中的重要度；tfidfru,i(t)表示词语t在所述评价信息词语集合中的重要度；tfsu,i(t)表示为词语t在所述搜索信息词语集合的出现频率；tfqu,i(t)表示为词语t在所述咨询信息词语集合的出现频率；tfru,i(t)表示为词语t在所述评价信息词语集合的出现频率；idf(t)表示为词语t在所述各词语集合的稀有度；αs表示第一调节参数；αq表示第二调节参数；αr表示第三调节参数；tsu,i表示为所述搜索信息词语集合；tqu,i表示为所述咨询信息词语集合；tru,i表示为所述评价信息词语集合。
17、优选的，所述第二行为偏好系数的计算公式为：
18、apu,i＝βc*scorec+βb*scoreb-βr*scorer+βs*scores+βf*scoref；
19、scorec＝ep(c|v)；
20、scoreb＝ep(b|v)；
21、scorer＝e-p(r|v)；
22、scores＝ep(s|v)；
23、scoref＝ep(f|v)；
24、其中，apu,i表示用户u对商品i的第二行为偏好系数；scorec、scoreb、scorer、scores、scoref分别表示用户u对商品i的第一偏好评分值、第二偏好评分值、第三偏好评分值、第四偏好评分值和第五偏好评分值；p(c|v)、p(b|v)、p(r|v)、p(s|v)、p(f|v)分别表示预设时段内用户u对商品i浏览次数v下的添加购物车概率、购买概率、退货概率、分享概率和收藏概率；c、b、r、s、f分别表示预设时段内用户u对商品i添加购物车次数、购买次数、退货次数、分享次数和收藏次数；βc表示为第一偏好评分值权重；βb表示为第二偏好评分值权重；βr表示为第三偏好评分值权重；βs表示为第四偏好评分值权重；βf表示为第五偏好评分值权重。
25、优选的，所述综合偏好系数的计算公式为：
26、cpu,i＝γip*ipu,i+γap*apu,i；
27、其中，cpu,i表示为用户u对商品i的所述综合偏好系数；γip表示为第一兴趣偏好系数权重；γap表示为第二行为偏好系数权重。
28、优选的，所述筛选条件包括：相同品牌、相同类别和价格区间误差在预设范围内；所述第一相似度公式的获取流程为：
29、获取所述第一商品和所述第一连带商品集中各商品的第一描述文本；并对所述第一描述文本进行预处理，得到第二描述文本；通过bert模型对所述第二描述文本转换为高维向量表示；得到所述第一商品和所述第一连带商品集中各商品的第一高维向量；并基于多头注意力机制对所述第一商品和所述第一连带商品集中各商品的第一高维向量进行分析，得到第一相似度；所述第一相似度公式为：
30、
31、其中，sim(i,j)表示为所述第一相似度；vi,h表示为所述第一商品在第h个注意力头上的第一高维向量表示；vj,h表示为所述第一连带商品集中各商品在第h个注意力头上的第一高维向量表示；attention(vi,h,vj,h)表示通过多头注意力机制计算得到的加权向量；ah表示注意力机制权重；
32、选择所述第一连带商品集中第一相似度高于所述预设阈值的商品，得到所述第二连带商品集，并将第一商品和第二连带商品集合并，得到所述广告推送商品集。
33、优选的，所述第一总广告回报率的计算公式为：
34、total_roiu,i＝∑i∈l(λ*(α*ctru,i+γ*rpcu,i*clicku,i+δ*twtu,i)-costi)；
35、其中，total_roiu,i表示为所述第一总广告回报率；l表示为所述广告推送商品集；λ表示为整体调节参数；ctru,i表示为用户u对商品i的点击率；rpcu,i表示为用户u对商品i单次点击的广告收益；clicku,i表示为用户u对商品i的点击次数；twtu,i表示为用户u对商品i的总停留时长；costi表示为商品i的总广告成本；α表示为点击率调节参数；γ表示为单次点击收益调节参数；δ表示为停留时长调节参数；
36、所述广告推送商品集中各商品的广告推送时长和推送次数计算公式为：
37、
38、其中，tnew,u,i商品i对用户u的单次广告推送时长调整值；tbase,u,i商品i对用户u的单次广告推送时长初始值；total_roiu,i表示为所述第一总广告回报率；roithreshold表示为所述预设广告回报率阈值；nnew,u,i商品i对用户u的广告推送次数调整值；nbase,u,i商品i对用户u的广告推送次数初始值；kt表示第一广告调节参数，用于控制单次广告推送时长的调整幅度；kn表示第二广告调节参数，用于控制广告推送次数的调整幅度。
39、一种电商广告推送系统，所述系统包括数据获取模块、用户偏好分析模块、商品分析模块和广告推送模块；
40、数据获取模块，用于获取第二兴趣数据和第二行为数据；
41、用户偏好分析模块，用于获取第一兴趣偏好系数、第二行为偏好系数、综合偏好系数和第一商品；
42、商品分析模块，用于确定第一连带商品集、第二连带商品集和广告推送商品集；
43、广告推送模块，用于获取广告推送商品集中各商品下一时段的广告推送时长和推送次数。
44、优选的，所述第二兴趣数据和第二行为数据通过对第一兴趣数据和第一行为数据进行预处理得到，所述第一兴趣数据包括用户对各个商品的搜索信息、咨询信息和评价信息；所述第二行为数据包括用户的商品浏览信息、添加购物车信息、购买信息、退货信息、分享信息和收藏信息；
45、所述第一兴趣偏好系数和第二行为偏好系数通过对所述第二兴趣数据和第二行为数据进行分析得到，并通过加权得到所述综合偏好系数；所述第一商品为所述综合偏好系数值最高的商品；并根据筛选条件确定所述第一连带商品集；
46、计算所述第一商品与所述第一连带商品集中各商品的第一相似度；并根据所述第一相似度和预设相似度阈值确定第二连带商品集，然后合并所述第一商品与所述第二连带商品集，得到广告推送商品集；
47、计算预设时段内所述广告推送商品集中各商品的第一广告回报率，并求和得到第一总广告回报率；并根据所述第一总广告回报率和预设回报率阈值，动态调整所述广告推送商品集中各商品下一时段的广告推送时长和推送次数。
48、优选的，所述综合偏好系数的计算公式为：
49、cpu,i＝γip*ipu,i+γap*apu,i；
50、其中，cpu,i表示为用户u对商品i的所述综合偏好系数；ipu,i表示为用户u对商品i的第一兴趣偏好系数；apu,i表示用户u对商品i的第二行为偏好系数；γip表示为第一兴趣偏好系数权重；γap表示为第二行为偏好系数权重；
51、所述第一相似度公式为：
52、
53、其中，sim(i,j)表示为所述第一相似度；vi,h表示为所述第一商品在第h个注意力头上的第一高维向量表示；vj,h表示为所述第一连带商品集中各商品在第h个注意力头上的第一高维向量表示；attention(vi,h,vj,h)表示通过多头注意力机制计算得到的加权向量；ah表示注意力机制权重。
54、优选的，所述第一总广告回报率的计算公式为：
55、total_roiu,i＝∑i∈l(λ*(α*ctru,i+γ*rpcu,i*clicku,i+δ*twtu,i)-costi)；
56、其中，total_roiu,i表示为所述第一总广告回报率；l表示为所述第二连带商品集；λ表示为整体调节参数；ctru,i表示为用户u对商品i的点击率；rpcu,i表示为用户u对商品i单次点击的广告收益；clicku,i表示为用户u对商品i的点击次数；twtu,i表示为用户u对商品i的总停留时长；costi表示为商品i的总广告成本；α表示为点击率调节参数；γ表示为单次点击收益调节参数；δ表示为停留时长调节参数；
57、所述广告推送商品集中各商品的广告推送时长和推送次数计算公式为：
58、
59、其中，tnew,u,i商品i对用户u的单次广告推送时长调整值；tbase,u,i商品i对用户u的单次广告推送时长初始值；total_roiu,i表示为所述第一总广告回报率；roithreshold表示为所述预设广告回报率阈值；nnew,u,i商品i对用户u的广告推送次数调整值；nbase,u,i商品i对用户u的广告推送次数初始值；kt表示第一广告调节参数，用于控制单次广告推送时长的调整幅度；kn表示第二广告调节参数，用于控制广告推送次数的调整幅度。
60、与现有技术相比，本发明的有益效果为：
61、1、本发明通过综合用户的搜索信息、咨询信息和评价信息，并将多种用户行为数据进行分析，实现全面精准地反映用户对商品的真实兴趣和需求，并利用计算得到的综合偏好系数，为每个用户生成个性化的广告推荐方案，提升用户体验，从而提升广告点击率和转化率，进而有效提升电商广告推送的效率及销售价值。
62、2、本发明通过捕捉用户的偏好商品，进一步识别与用户偏好商品对应的连带商品，实现广告推送的多样性，更加迎合用户的多样性购物需求，有利于提升用户对推荐商品的接受度和满意度，从而改善整体购物体验，避免无效的广告推荐，减少广告资源的浪费，进而利于提升电商广告推送的效率及广告推送的整体效益。
63、3、本发明通过获取电商广告推送的广告推送回报率，实现动态调整电商广告的推送时长和推送次数，可以确保广告预算得到最有效的利用，减少对低效广告的投入，将更多资源集中在高回报率的广告上，从而利于提升整体广告推送效果和效率。
1.一种电商广告推送方法，其特征在于，包括：
2.根据权利要求1所述的一种电商广告推送方法，其特征在于，所述预处理包括对所述第一兴趣数据进行去噪、停用词去除和标准化，以及对所述第一行为数据进行去噪和标准化；所述第一兴趣偏好系数的获取过程包括：
3.根据权利要求1所述的一种电商广告推送方法，其特征在于，所述第二行为偏好系数的计算公式为：
4.根据权利要求1所述的一种电商广告推送方法，其特征在于，所述综合偏好系数的计算公式为：
5.根据权利要求1所述的一种电商广告推送方法，其特征在于，所述筛选条件包括：相同品牌、相同类别和价格区间误差在预设范围内；所述第一相似度公式的获取流程为：
6.根据权利要求1所述的一种电商广告推送方法，其特征在于，所述第一总广告回报率的计算公式为：
7.一种电商广告推送系统，其特征在于，所述系统包括数据获取模块、用户偏好分析模块、商品分析模块和广告推送模块；
8.根据权利要求7所述的一种电商广告推送系统，其特征在于，所述第二兴趣数据和第二行为数据通过对第一兴趣数据和第一行为数据进行预处理得到，所述第一兴趣数据包括用户对各个商品的搜索信息、咨询信息和评价信息；所述第一行为数据包括用户的商品浏览信息、添加购物车信息、购买信息、退货信息、分享信息和收藏信息；
9.根据权利要求8所述的一种电商广告推送系统，其特征在于，所述综合偏好系数的计算公式为：
10.根据权利要求8所述的一种电商广告推送系统，其特征在于，所述第一总广告回报率的计算公式为：
