本发明涉及广告投放领域，尤其涉及一种在线平台的广告自动投放方法、装置、设备及存储介质。
背景技术：
1、随着互联网的快速发展，在线广告投放已成为企业营销的重要手段。目前，主流的在线平台广告投放方法通常包括用户行为数据收集、用户画像构建、广告候选集生成和广告排序等步骤。这些方法通过分析用户的历史行为数据，构建用户兴趣模型，然后根据用户兴趣和广告特征进行匹配，最终向用户推送相关性较高的广告。
2、在用户行为分析方面，现有技术通常采用简单的统计方法或浅层神经网络模型来处理用户的历史行为数据，构建用户特征向量。在广告候选集生成阶段，常见的方法是基于内容相似度或协同过滤算法进行广告检索。而在广告排序阶段，大多数系统采用单一目标的机器学习模型，如逻辑回归或梯度提升决策树，来预测广告的点击率或转化率。
3、然而，现有方法在进行广告检索和排序时，往往依赖于单一或有限的数据源，如用户的直接行为记录或简单的相似度计算。这种方法忽视了用户之间的相似关系、社交网络结构以及用户与广告之间的复杂交互模式。因此，难以全面地利用各种可用的信息源来提高广告投放的相关性和精准度。
技术实现思路
1、本发明的主要目的在于解决现有的自动化加工方法往往无法全面考虑弧形工件复杂的曲率变化，导致加工路径规划不合理的技术问题。
2、本发明第一方面提供了一种在线平台的广告自动投放方法，所述在线平台的广告自动投放方法包括：
3、对用户在在线平台上的多模态行为数据进行收集、清洗、标准化和时序编码处理，得到用户行为序列；
4、通过预设的多模态并行transformer网络根据所述用户行为序列对用户表示进行学习处理，得到融合多模态信息和时序动态的所述用户的用户表示嵌入；
5、对所述用户表示嵌入进行聚类搜索分析，得到聚类分析结果，并根据所述聚类分析结果构建有向图结构，得到用户相似关系图；
6、将所述用户相似关系图与预设的用户社交关系图、广告互动图和广告相似度图进行多源图融合，得到融合结果，并根据所述融合结果进行广告检索，得到广告候选集；
7、利用预设的多任务深度学习模型对所述广告候选集的广告排序和投放进行优化处理，得到所述用户的个性化广告投放方案。
8、可选的，在本发明第一方面的第一种实现方式中，所述多模态并行transformer网络包括k个并行的transformer模块、复杂特征富集编码器、多层transformer结构和嵌入压缩模块；
9、所述通过预设的多模态并行transformer网络根据所述用户行为序列对用户表示进行学习处理，得到融合多模态信息和时序动态的所述用户的用户表示嵌入包括：
10、对所述用户行为序列进行分割处理，得到k种不同模态的输入序列，并对每种模态的输入序列分别通过k个并行的transformer模块进行处理，得到k组初步用户表示；
11、对所述用户行为序列中的时间戳信息通过复杂特征富集编码器进行编码处理，得到时序特征编码，并将所述时序特征编码作为偏置项添加到各transformer模块的注意力权重矩阵中，得到时序增强的注意力权重；
12、根据所述时序增强的注意力权重与k组初步用户表示进行融合处理，得到融合用户表示；
13、对所述融合后的用户表示通过多层transformer结构和所述嵌入压缩进行多层次处理和压缩处理，得到用户表示嵌入。
14、可选的，在本发明第一方面的第二种实现方式中，所述对所述用户行为序列中的时间戳信息通过复杂特征富集编码器进行编码处理，得到时序特征编码，并将所述时序特征编码作为偏置项添加到各transformer模块的注意力权重矩阵中，得到时序增强的注意力权重包括：
15、对所述用户行为序列中的时间戳信息进行绝对位置编码处理，得到绝对位置编码，并对所述时间戳信息进行对数变换处理，得到时间衰减编码，并对所述时间戳信息进行周期性变换处理，得到周期模式编码；
16、计算所述用户行为序列中各行为之间的时间间隔，并对所述时间间隔进行相对位置编码处理，得到相对位置编码；
17、将所述绝对位置编码、时间衰减编码、周期模式编码和相对位置编码进行组合，得到时序特征编码；
18、将所述时序特征编码按预设比例添加到各transformer模块的注意力权重矩阵中，得到时序增强的注意力权重。
19、可选的，在本发明第一方面的第三种实现方式中，所述对所述用户表示嵌入进行聚类搜索分析，得到聚类分析结果，并根据所述聚类分析结果构建有向图结构，得到用户相似关系图包括：
20、对所述用户表示嵌入进行聚类搜索分析，得到聚类分析结果，其中，所述聚类分析结果为所述用户的多个最相似用户以及多个最相似用户之间的相似关系；
21、将所述用户和对应的多个最相似用户作为节点，将所述相似关系作为边，构建有向图，得到初始用户相似关系图；
22、使用聚类分析结果过程中用户表示嵌入的余弦相似度对所述初始用户相似关系图中的边进行权重赋值处理，得到加权用户相似关系图，并对所述加权用户相似关系图进行稀疏化处理，得到用户相似关系图。
23、可选的，在本发明第一方面的第四种实现方式中，所述将所述用户相似关系图与预设的用户社交关系图、广告互动图和广告相似度图进行多源图融合，得到融合结果，并根据所述融合结果进行广告检索，得到广告候选集包括：
24、对所述用户相似关系图、用户社交关系图、广告互动图和广告相似度图中的边权重进行归一化处理，得到统一尺度的图结构；
25、对归一化后的图结构进行加权组合处理，得到初步融合图，并对初步融合图进行随机游走采样，得到初步融合图中节点的上下文表示，其中，所述节点包括用户节点和广告节点；
26、根据所述上下文表示生成所述广告节点的广告表示嵌入，并根据所述用户的用户表示嵌入和所述广告表示嵌入，对所述用户节点和广告节点进行相似度计算，构建用户-广告二部图，得到融合结果；
27、根据所述融合结果，对所述用户在用户-广告二部图中进行广度优先搜索，提取与用户相关的广告节点，得到初始广告候选集；
28、对所述初始广告候选集引入时间衰减因子，根据广告与用户的历史交互时间进行重新排序，得到广告候选集。
29、可选的，在本发明第一方面的第五种实现方式中，所述对归一化后的图结构进行加权组合处理，得到初步融合图，并对初步融合图进行随机游走采样，得到初步融合图中节点的上下文表示，其中，所述节点包括用户节点和广告节点包括：
30、对每种图结构分配预设权重系数，得到图权重向量，并将每种图结构表示为邻接矩阵，得到各图结构的邻接矩阵；
31、对各图结构的邻接矩阵与对应的权重系数进行加权求和运算，得到融合邻接矩阵，并根据所述融合邻接矩阵中元素值与预设阈值的比较结果，确定节点间是否建立连接，得到初步融合图；
32、在所述初步融合图上定义跨图元路径，包括用户-用户路径、用户-广告路径和广告-广告路径，得到元路径集合；
33、根据所述元路径集合设计随机游走策略，在初步融合图上进行有偏随机游走，得到节点序列；
34、对所述节点序列应用滑动窗口，提取每个节点的局部上下文，得到初步融合图中节点的上下文表示。
35、可选的，在本发明第一方面的第六种实现方式中，所述利用预设的多任务深度学习模型对所述广告候选集的广告排序和投放进行优化处理，得到所述用户的个性化广告投放方案包括：
36、对所述用户表示嵌入和所述广告候选集中每个广告的广告表示嵌入进行特征提取处理，得到用户-广告特征向量；
37、将所述用户-广告特征向量输入到多层神经网络中进行非线性变换处理，得到隐层表示；
38、对所述隐层表示应用注意力机制，计算特征间的交互权重，得到注意力加权的特征表示；
39、将所述注意力加权的特征表示分别输入到点击率预测、转化率预测和收入预测三个任务相关的子网络中，得到多任务预测结果；
40、根据所述多任务预测结果对广告候选集进行排序处理，得到初步排序结果；
41、对所述初步排序结果进行预算控制和频次限制处理，得到满足约束条件的广告排序；
42、根据所述满足约束条件的广告排序，对广告投放时机进行优化配置，得到所述用户的个性化广告投放方案。
43、本发明第二方面提供了一种在线平台的广告自动投放装置，所述在线平台的广告自动投放装置包括：
44、数据处理模块，用于对用户在在线平台上的多模态行为数据进行收集、清洗、标准化和时序编码处理，得到用户行为序列；
45、用户表示生成模块，用于通过预设的多模态并行transformer网络根据所述用户行为序列对用户表示进行学习处理，得到融合多模态信息和时序动态的所述用户的用户表示嵌入；
46、关系图生成模块，用于对所述用户表示嵌入进行聚类搜索分析，得到聚类分析结果，并根据所述聚类分析结果构建有向图结构，得到用户相似关系图；
47、广告检索模块， 用于将所述用户相似关系图与预设的用户社交关系图、广告互动图和广告相似度图进行多源图融合，得到融合结果，并根据所述融合结果进行广告检索，得到广告候选集；
48、方案生成模块，用于利用预设的多任务深度学习模型对所述广告候选集的广告排序和投放进行优化处理，得到所述用户的个性化广告投放方案。
49、本发明第三方面提供了一种在线平台的广告自动投放装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述在线平台的广告自动投放设备执行上述的在线平台的广告自动投放方法的步骤。
50、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的在线平台的广告自动投放方法的步骤。
51、上述在线平台的广告自动投放方法、装置、设备及存储介质，通过收集用户在在线平台上的多模态行为数据，并进行数据处理，生成用户行为序列；利用多模态并行的网络对用户行为序列进行学习处理，得到用户表示嵌入并进行聚类搜索分析，生成用户相似关系图；将用户相似关系图与用户社交关系图、广告互动图和广告相似度图进行多源图融合，得到融合结果；根据融合结果进行广告检索，生成广告候选集；利用预设的多任务深度学习模型对广告候选集进行优化排序和投放，生成个性化广告投放方案。本方法通过多源图融合技术，利用用户相似关系、社交网络和广告交互信息，实现了更全面的广告检索，提高了广告投放的相关性和精准度。
52、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
53、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种在线平台的广告自动投放方法，其特征在于，所述在线平台的广告自动投放方法包括：
2.根据权利要求1所述的在线平台的广告自动投放方法，其特征在于，所述多模态并行transformer网络包括k个并行的transformer模块、复杂特征富集编码器、多层transformer结构和嵌入压缩模块；
3.根据权利要求2所述的在线平台的广告自动投放方法，其特征在于，所述对所述用户行为序列中的时间戳信息通过复杂特征富集编码器进行编码处理，得到时序特征编码，并将所述时序特征编码作为偏置项添加到各transformer模块的注意力权重矩阵中，得到时序增强的注意力权重包括：
4.根据权利要求1所述的在线平台的广告自动投放方法，其特征在于，所述对所述用户表示嵌入进行聚类搜索分析，得到聚类分析结果，并根据所述聚类分析结果构建有向图结构，得到用户相似关系图包括：
5.根据权利要求1所述的在线平台的广告自动投放方法，其特征在于，所述将所述用户相似关系图与预设的用户社交关系图、广告互动图和广告相似度图进行多源图融合，得到融合结果，并根据所述融合结果进行广告检索，得到广告候选集包括：
6.根据权利要求5所述的在线平台的广告自动投放方法，其特征在于，所述对归一化后的图结构进行加权组合处理，得到初步融合图，并对初步融合图进行随机游走采样，得到初步融合图中节点的上下文表示，其中，所述节点包括用户节点和广告节点包括：
7.根据权利要求5所述的在线平台的广告自动投放方法，其特征在于，所述利用预设的多任务深度学习模型对所述广告候选集的广告排序和投放进行优化处理，得到所述用户的个性化广告投放方案包括：
8.一种在线平台的广告自动投放装置，其特征在于，所述在线平台的广告自动投放装置包括：
9.一种在线平台的广告自动投放设备，其特征在于，所述在线平台的广告自动投放设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述在线平台的广告自动投放方法的步骤。
