本技術涉及廣告推薦，具體而言，涉及一種基于用戶聲紋聚類的廣告推薦方法及裝置。

背景技術：

1、隨著互聯(lián)網(wǎng)技術的快速發(fā)展，在線廣告已成為企業(yè)進行營銷和推廣的重要手段。然而，由于用戶群體的多樣性和個性化需求的不斷增長，傳統(tǒng)的廣告投放方式難以滿足用戶的個性化需求，導致廣告效果不佳。當前，廣告推薦技術已廣泛應用于各種在線平臺，如搜索引擎、電子商務網(wǎng)站、社交媒體等，旨在為用戶提供更加相關和感興趣的廣告內(nèi)容，提升用戶體驗和廣告效果。

2、傳統(tǒng)的廣告推薦方法主要依賴于用戶的歷史行為數(shù)據(jù)(如瀏覽記錄、點擊記錄等)和用戶屬性信息(如人口統(tǒng)計學特征、興趣愛好等)來進行用戶畫像和廣告匹配。然而，這些方法往往受限于數(shù)據(jù)的可獲得性和完整性，且缺乏對用戶個性化特征的深入挖掘和理解，導致廣告推薦效果不理想。

技術實現(xiàn)思路

1、本技術實施例的目的在于提供一種基于用戶聲紋聚類的廣告推薦方法及裝置，用以解決現(xiàn)有的廣告推薦方法往往受限于數(shù)據(jù)的可獲得性和完整性，且缺乏對用戶個性化特征的深入挖掘和理解，導致廣告推薦效果不理想的問題。

2、第一方面，本技術實施例提供了一種基于用戶聲紋聚類的廣告推薦方法，包括：

3、獲取語音數(shù)據(jù)，并提取預處理后的語音數(shù)據(jù)的聲學特征，以構(gòu)建聲紋特征模型；

4、通過聚類算法對聲紋特征進行聲紋聚類，以劃分用戶群組；

5、根據(jù)聲紋聚類結(jié)果，提取每個用戶群組的共性特征，以構(gòu)建用戶畫像；

6、對廣告庫的每個廣告進行特征提取，構(gòu)建廣告特征；

7、根據(jù)用戶畫像和廣告特征，對每個廣告匹配用戶群組，并對每個用戶群組的廣告集進行排序篩選；

8、基于用戶的聲紋特征實時判斷其所屬的用戶群組，并從該群組的廣告集中選取廣告進行推薦。

9、在上述實現(xiàn)過程中，獲取語音數(shù)據(jù)，并提取預處理后的語音數(shù)據(jù)的聲學特征，以構(gòu)建聲紋特征模型；通過聚類算法對聲紋特征進行聲紋聚類，以劃分用戶群組；根據(jù)聲紋聚類結(jié)果，提取每個用戶群組的共性特征，以構(gòu)建用戶畫像；對廣告庫的每個廣告進行特征提取，構(gòu)建廣告特征；根據(jù)用戶畫像和廣告特征，對每個廣告匹配用戶群組，并對每個用戶群組的廣告集進行排序篩選；基于用戶的聲紋特征實時判斷其所屬的用戶群組，并從該群組的廣告集中選取廣告進行推薦；充分利用了用戶語音交互中蘊含的豐富信息，突破了傳統(tǒng)廣告推薦方法的局限性，能夠在保護用戶隱私的同時，提供更加精準、多樣、貼近用戶需求的廣告推薦服務。

10、進一步的，還包括：

11、收集用戶對推薦廣告的反饋信息，其中，該反饋信息包括顯式反饋和隱式反饋；

12、基于反饋信息和評估指標，對推薦效果進行綜合評估；

13、根據(jù)反饋評估結(jié)果，對推薦流程進行迭代優(yōu)化，其中，優(yōu)化措施包括聲紋聚類優(yōu)化、用戶畫像優(yōu)化、廣告庫擴充和推薦算法優(yōu)化。

14、在上述實現(xiàn)過程中，通過持續(xù)的迭代優(yōu)化，可以不斷改進推薦流程的性能，適應用戶不斷變化的需求，保持推薦效果的先進性和競爭力。

15、進一步的，所述獲取語音數(shù)據(jù)，并提取預處理后的語音數(shù)據(jù)的聲學特征，以構(gòu)建聲紋特征模型，包括：

16、收集用戶各種語音交互場景的語音數(shù)據(jù)，其中，所述語音交互場景包括但不限于語音搜索、語音助手和語音客服；

17、對語音數(shù)據(jù)進行預處理，其中，所述預處理包括但不限于語音降噪、端點檢測和語音分段；

18、對預處理后的語音數(shù)據(jù)進行聲學特征提取，其中，所述聲學特征包括但不限于梅爾頻率倒譜系數(shù)、線性預測倒譜系數(shù)、基音頻率和短時能量；

19、基于聲學特征構(gòu)建聲紋特征模型，以獲得聲紋特征向量。

20、在上述實現(xiàn)過程中，對收集的語音數(shù)據(jù)進行預處理，提高聲紋特征提取的質(zhì)量；通過提取不同的聲學特征，可以全面刻畫語音的各種特性；通過聲紋特征建模，可以將原始的聲學特征轉(zhuǎn)化為緊湊、有效的聲紋特征向量，為后續(xù)的聲紋聚類提供良好的特征表示。

21、進一步的，所述通過聚類算法對聲紋特征進行聲紋聚類，以劃分用戶群組，包括：

22、選擇相似度度量方法定義聲紋特征之間的相似度度量；

23、根據(jù)聲紋特征的相似度，選擇適配的聚類算法對聲紋特征進行聲紋聚類，以將聲紋特征劃分為不同的用戶群組；

24、通過計算聚類評估指標，以對聚類算法進行評估，反饋最優(yōu)聚類算法。

25、在上述實現(xiàn)過程中，選擇合適的相似度度量方法，能夠準確反映聲紋特征之間的相似程度，為聚類算法提供可靠的判斷依據(jù)；根據(jù)聲紋特征的相似度，選擇合適的聚類算法，能夠準確劃分用戶群組，為后續(xù)的用戶畫像構(gòu)建和廣告推薦奠定基礎；通過計算聚類評估指標，可以客觀評價聚類算法的性能，選擇最優(yōu)的聚類參數(shù)。

26、進一步的，所述根據(jù)聲紋聚類結(jié)果，提取每個用戶群組的共性特征，以構(gòu)建用戶畫像，包括：

27、所述根據(jù)聲紋聚類結(jié)果，提取每個用戶群組的群組共性特征，以構(gòu)建群組層面的用戶畫像；其中，所述群組共性特征包括但不限于人口統(tǒng)計學特征、行為偏好特征和情感情緒特征；

28、提取每個用戶的個性化特征，以刻畫每個用戶的個性化特點；其中，所述個性化特征包括但不限于偏好強度、興趣細分和情感狀態(tài)；

29、根據(jù)用戶的最新語音交互數(shù)據(jù)對用戶畫像進行實時更新和維護，包括對用戶畫像進行增量更新、定期重構(gòu)和衰減機制。

30、在上述實現(xiàn)過程中，通過群組特征提取，可以全面刻畫每個用戶群組的共性特征，構(gòu)建群組層面的用戶畫像；通過個體特征提取，可以在群組畫像的基礎上，進一步刻畫每個用戶的個性化特點，實現(xiàn)更加精細化的用戶理解；通過畫像更新與維護，可以確保用戶畫像與用戶的實際特征保持同步，提高廣告推薦的時效性和準確性。

31、進一步的，所述對廣告庫的每個廣告進行特征提取，構(gòu)建廣告特征，包括：

32、對廣告庫中的每個廣告進行特征提取，構(gòu)建每個廣告的廣告特征；其中，所述廣告特征包括內(nèi)容特征、屬性特征和交互特征。

33、在上述實現(xiàn)過程中，通過廣告特征提取，可以全面刻畫廣告庫中每個廣告的特點，為后續(xù)的廣告和群組匹配提供依據(jù)。

34、進一步的，所述根據(jù)用戶畫像和廣告特征，對每個廣告匹配用戶群組，并對每個用戶群組的廣告集進行排序篩選，包括：

35、基于用戶畫像和廣告特征，計算每個廣告與每個用戶群組之間的相似度，以獲取廣告與用戶群組的匹配程度；其中，相似度包括特征相似度、語義相似度和效果相似度；

36、根據(jù)廣告與用戶群組的匹配程度，對每個群組的候選廣告集進行排序和篩選；其中，排序包括相似度排序，篩選包括多樣性篩選和業(yè)務規(guī)則篩選。

37、在上述實現(xiàn)過程中，綜合考慮多個維度的相似度，可以全面評估廣告與群組之間的相關性和匹配度；通過廣告的排序與篩選，可以為每個用戶群組生成一個優(yōu)質(zhì)的候選廣告集，作為后續(xù)個性化推薦的基礎。

38、進一步的，所述基于用戶的聲紋特征實時判斷其所屬的用戶群組，并從該群組的廣告集中選取廣告進行推薦，包括：

39、當用戶進行語音交互時，根據(jù)用戶的聲紋特征實時判斷其所屬的用戶群組，并從該群組的候選廣告集中選取適配度最高的廣告進行推薦；其中，推薦的廣告包括廣告的解釋說明；

40、接收用戶的反饋行為，優(yōu)化廣告的推薦策略；

41、其中，優(yōu)化推薦策略包括：

42、將用戶隨機分為若干組，對不同組應用不同的推薦策略，通過比較各組的廣告效果，選擇最優(yōu)的策略組合；

43、將廣告推薦問題建模為一個序貫決策過程，通過強化學習算法動態(tài)優(yōu)化推薦策略，最大化累積收益；

44、通過遷移學習的方式，將知識遷移到當前的語音場景中，加速推薦策略的優(yōu)化和收斂。

45、實時判斷其所屬的用戶群組，并從該群組的廣告集中選取廣告進行推薦。

46、在上述實現(xiàn)過程中，通過實時推薦，可以在用戶進行語音交互的過程中自然地插入個性化廣告，提升用戶的接受度和廣告效果；通過推薦廣告的解釋說明，可以增強推薦結(jié)果的可解釋性和說服力，提升用戶對推薦廣告的接受程度和互動意愿；根據(jù)用戶的反饋行為不斷調(diào)整和改進推薦策略，可以不斷提升廣告推薦的效果和用戶體驗，實現(xiàn)推薦系統(tǒng)的自我進化和完善。

47、第二方面，本技術實施例提供一種基于用戶聲紋聚類的廣告推薦裝置，包括：

48、語音獲取模塊，用于獲取語音數(shù)據(jù)，并提取預處理后的語音數(shù)據(jù)的聲學特征，以構(gòu)建聲紋特征模型；

49、用戶劃分模塊，用于通過聚類算法對聲紋特征進行聲紋聚類，以劃分用戶群組；

50、畫像構(gòu)建模塊，用于根據(jù)聲紋聚類結(jié)果，提取每個用戶群組的共性特征，以構(gòu)建用戶畫像；

51、特征構(gòu)建模塊，用于對廣告庫的每個廣告進行特征提取，構(gòu)建廣告特征；

52、廣告匹配模塊，用于根據(jù)用戶畫像和廣告特征，對每個廣告匹配用戶群組，并對每個用戶群組的廣告集進行排序篩選；

53、廣告推薦模塊，用于基于用戶的聲紋特征實時判斷其所屬的用戶群組，并從該群組的廣告集中選取廣告進行推薦。

54、第三方面，本技術實施例提供一種基于用戶聲紋聚類的廣告推薦系統(tǒng)，包括：如上述的基于用戶聲紋聚類的廣告推薦裝置及鎖機構(gòu)，所述基于用戶聲紋聚類的廣告推薦裝置連接所述鎖機構(gòu)。

55、第四方面，本技術實施例提供一種電子設備，包括：

56、處理器、存儲器和總線，所述處理器通過所述總線與所述存儲器相連，所述存儲器存儲有計算機可讀取指令，當所述計算機可讀取指令由所述處理器執(zhí)行時，用于實現(xiàn)如上所述的基于用戶聲紋聚類的廣告推薦方法。

57、第五方面，本技術實施例提供一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被服務器執(zhí)行時實現(xiàn)如上所述的基于用戶聲紋聚類的廣告推薦方法。

58、第六方面，本技術實施例提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括指令，所述指令在由計算機執(zhí)行時，使得所述計算機實施如上所述的基于用戶聲紋聚類的廣告推薦方法。