1.一种基于电商大数据的广告投放方法,其特征在于,所述方法包括:
获取商品销售数据在不同时刻下的数据快照,基于所有数据快照组成的快照序列生成所述商品销售数据的交易子图序列,其中,所述交易子图序列中包括若干按快照时间顺序排列的商品交易网络,所述商品交易网络中的边表征两用户在对应时刻购买了同一种商品;
提取每个商品交易网络中各个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所有边,以构成各个用户节点在对应时刻下的第一节点特征,利用聚集函数递归各个用户节点的所有邻近用户节点的第一节点特征,直至递归所得的特征包含与所有待递归的邻近用户节点的第一节点特征相似的特征,得到各个用户节点的第二节点特征;
基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵,并基于不同时刻下的节点转移概率矩阵组成交易子图序列的节点转移概率矩阵序列;
基于节点转移概率矩阵中目标用户节点迁移至不同用户节点上的概率取值,获取概率取值最大的用户节点作为对应目标用户节点的迁移用户节点以生成对应时刻下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;
基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练,基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵,从目标用户节点对应的局部节点转移概率矩阵中获取概率取值最大的用户节点作为目标用户节点在下一时刻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。
2.根据权利要求1所述的方法,其特征在于,所述基于每个用户节点的第一节点特征和第二节点特征分析得到对应时刻下的商品交易网络的节点转移概率矩阵包括:基于每个用户节点的第一节点特征和第二节点特征生成不同时刻下对应用户节点的特征取值向量,基于对应时刻下的商品交易网络中所有用户节点的特征取值向量和所述快照序列生成交易子图序列的节点特征矩阵序列;
利用非负矩阵分解算法分析得到节点特征矩阵序列中各个节点特征矩阵的节点转移概率矩阵,其中,所述节点转移概率矩阵中的每个元素表示对应目标用户节点迁移至其它用户节点上的概率取值。
3.根据权利要求2所述的方法,其特征在于,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包括:将相邻时刻的两商品交易网络对应的两迁移节点集合进行比较以确定两迁移节点集合的匹配度,当两迁移节点集合的匹配度小于预设匹配度阈值时,基于相邻商品交易网络中不相匹配的各个迁移用户节点的概率取值之差确定每个不相匹配的迁移用户节点的迁移量;
基于每个用户节点的特征向量中心度、紧密中心度和聚集度系数对相应用户节点的第一节点特征进行扩充,基于扩充后的第一节点特征组成对应时刻下商品交易网络的节点度量矩阵,基于所述商品交易网络的节点转移概率矩阵对所述节点度量矩阵进行非负矩阵分解以得到所述商品交易网络的节点关系量化矩阵,其中,所述节点关系量化矩阵行对应若干个迁移用户节点,所述节点关系量化矩阵的列对应若干个度量属性,所述度量属性为扩充后的第一节点特征中包含的所有特征向量;
从节点关系量化矩阵中提取各个用户节点的量化关系列表,基于各个用户节点的迁移量、扩充后的第一节点特征、量化关系列表和候选迁移节点列表生成各个用户节点的属性集,其中,所述节点关系量化矩阵的每一行元素表征对应用户节点的迁移用户节点对各个度量属性的贡献,所述量化关系列表由节点关系量化矩阵中对应行的所有元素构成,所述属性集包括由对应用户节点的迁移量构成的第一节点属性、由对应用户节点扩充后的第一节点特征构成的第二节点属性、由对应用户节点的量化关系列表构成的第三节点属性和由对应用户节点的候选迁移节点列表构成的第四节点属性。
4.根据权利要求3所述的方法,其特征在于,所述候选迁移节点列表的获取步骤包括:
从对应时刻下的商品交易网络的节点转移概率矩阵中获取对应行的所有元素以得到对应目标用户节点的转移用户节点集,从所述转移用户节点集中获取若干概率取值大于预设阈值的多个用户节点以生成目标用户节点的候选迁移节点列表,其中,所述转移用户节点集中包括对应目标用户节点迁移至商品交易网络中的每个用户节点上的概率取值。
5.根据权利要求4所述的方法,其特征在于,所述基于获取到的若干历史商品交易网络中各个用户节点对应的属性集对迁移概率预测模型进行训练包括:基于获取到的若干历史商品交易网络中每个用户节点的属性集为每个预设候选迁移用户节点建立相应的属性数据集,其中,所述属性数据集中包括若干按序排列的训练数据对,每个训练数据对包括对应用户节点的属性集中的第一节点属性、第二节点属性、第三节点属性与第四节点属性在对应历史时刻下的特征和下一历史时刻下作为预测目标的,所述用户节点在对应预设候选迁移用户节点上的概率取值;
将不同预设候选迁移用户节点对应的属性数据集划分为若干属性数据段,并以每个属性数据段中的预测目标为变量对每个属性数据段进行线性回归以构建对应预设候选迁移用户节点的一阶回归模型,将利用所述一阶回归模型预测得到的对应预设候选迁移用户节点的预测概率取值重新合并至所述预设候选迁移用户节点的属性数据集中以对每个属性数据段进行属性扩充,其中,所述预测目标为对应用户节点在对应预设候选迁移用户节点上的概率取值;
对扩充后的各个属性数据段进行线性回归以得到对应预设候选迁移用户节点的二阶回归模型,并利用若干历史数据快照作为测试数据集对所述二阶回归模型进行测试并优化每个预设候选迁移用户节点对应的二阶回归模型的模型参数,基于每个预设候选迁移用户节点的二阶回归模型构成用户节点的迁移概率预测模型。
6.根据权利要求5所述的方法,其特征在于,所述基于训练完成的迁移概率预测模型预测下一时刻对应商品交易网络的局部节点转移概率矩阵包括:输入前一时刻下商品交易网络对应的各个用户节点的属性集至所述迁移概率预测模型中,合并所述迁移概率预测模型中各个二阶回归模型输出的下一时刻下对应用户节点在对应预设候选迁移用户节点上的预测概率取值以得到所述用户节点的转移概率分布向量;
基于所有用户节点的转移概率分布向量生成下一时刻下对应商品交易网络的局部节点转移概率矩阵。
7.根据权利要求6所述的方法,其特征在于,所述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包括:根据实时迁移用户节点下一时刻的购物特征将所述目标用户作为与所述购物特征相匹配的目标广告的兴趣用户,并将所述目标广告投放给该兴趣用户。
8.根据权利要求7所述的方法,其特征在于,所述一阶邻近用户节点为与对应用户节点直接相连的所有用户节点,对于用户节点用于递归的邻近用户节点包括其所对应的一阶邻近用户节点、二阶邻近用户节点直至N阶邻近用户节点。
9.根据权利要求8所述的方法,其特征在于,所述购物特征包括购买的所有商品的购买时间、商品类型、商品数量和商品特征。
10.根据权利要求9所述的方法,其特征在于,所述转移概率分布向量包括对应用户节点在所有不同预设候选迁移用户节点上的概率取值向量。