[发明专利]基于用户兴趣学习的个性化广告推送方法与系统

权利要求书

1.一种基于用户兴趣学习的个性化广告推送方法，其特征在于，该方法包括：

通过多任务排序学习得到多个用户兴趣模型；

根据所述用户兴趣模型，在视频中提取兴趣物体；

提取所述兴趣物体的多种视觉特征，根据所述视觉特征在广告库中检索相关的广告信息。

2.如权利要求1所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述通过多任务排序学习得到多个用户兴趣模型，具体包括：

获取训练数据中的各种场景，提取所述各场景中各宏块的底层视觉特征；

根据所述底层视觉特征，通过多任务排序学习算法，进行用户聚类和场景聚类，并为每类用户在每类场景上构建兴趣模型。

3.如权利要求2所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述提取所述各场景中各宏块的底层视觉特征具体为：

从多尺度多视觉通道上提取所述各场景中各宏块的底层视觉特征。

4.如权利要求2或3所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述底层视觉特征包括局部特征和全局特征。

5.如权利要求4所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述局部特征是通过计算宏块与其周边宏块的多种视觉特性的差异得到的；所述全局特征是通过计算宏块与其所在的整个场景的多种视觉特性的差异得到的。

6.如权利要求2所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述通过多任务排序学习算法，进行用户聚类和场景聚类，并为每类用户在每类场景上构建兴趣模型，具体包括：

随机将用户和场景分别组合为多个类别，并为每类用户在每类场景上初始化一个兴趣模型；

使用初始化后的兴趣模型在训练集上建立损失函数，作为最优化目标；

通过最优化算法，最小化损失函数，进而更新各个兴趣模型参数值，并优化用户和场景的聚类划分；

获取最终的用户和场景聚类以及多个用户兴趣模型。

7.如权利要求6所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述损失函数包括：经验损失和惩罚损失。

8.如权利要求7所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述经验损失具体为：所述各场景中各宏块的底层视觉特征在所述兴趣模型下的函数值和该场景对应的用户反馈的兴趣值的差异。

9.如权利要求7所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述惩罚损失包括：场景聚类惩罚，用户聚类惩罚，模型差别惩罚和模型复杂度惩罚。

10.如权利要求1所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述根据所述用户兴趣模型，在视频中提取兴趣物体，具体包括：

接收输入的视频流，检测所述视频流中内容具有代表性的关键帧；

对每一个关键帧，根据其宏块的底层视觉特征计算出该关键帧对应场景的整体视觉特征；

根据所述整体视觉特征，将所述关键帧对应的场景归入构建用户兴趣模型过程中所划分的场景类别中的其中一类；

根据所述得到的用户兴趣模型，计算所述关键帧所在场景的兴趣度分布图；

从所述兴趣度分布图中提取出兴趣度最高的物体。

11.如权利要求10所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述将所述关键帧对应的场景归入构建用户兴趣模型过程中所划分的场景类别中的其中一类，具体为：

利用所述场景中宏块的底层视觉特征计算出该场景的整体特征，根据所述整体特征对该场景进行分类。

12.如权利要求10所述的基于用户兴趣学习的个性化广告推送方法，其特征在于，所述根据所述得到的用户兴趣模型，计算所述关键帧所在场景的兴趣度分布图，具体为：

利用所述得到的用户兴趣模型，推断出所述关键帧所在场景内候选块的排序，并将其映射为各候选块的兴趣程度，从而得到场景兴趣度分布图。