CN102110265A - 一种预估网络广告效果的方法及系统 - Google Patents

Abstract

一种预估网络广告效果的方法，该方法包括：将原始数据依据广告效果影响因子进行分类；从广告效果影响因子中提取广告效果影响子因子；依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立不少于一个预估模型；由十折交叉验证方法从预估模型中选择出最佳预估模型；利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。本文还公开了一种预估网络广告效果的系统。应用本发明实施例以后，可以对广告投放效果做出高精度预测且预估结果是多样化的。

Description

一种预估网络广告效果的方法及系统

技术领域

本发明涉及网络技术领域，更具体地，涉及一种预估网络广告效果的方法及系统。

背景技术

网络广告称为在线广告或者互联网广告，是以计算机为核心，计算机网络为媒介的广告行为。网络广告效果预估结果的高低，与该网络广告的直接收益有着密切的联系。现有广告效果预估方法是一种以经验为主的预估方法，即根据广告位在前一个预测周期内的实际效果数据，取其平均值作为下一个预测周期的预估结果。

比如在11月底，想要预估12月份的某一广告位的曝光数。曝光数是统计周期内，用户浏览网站页面的总次数，重复访问则重复统计。以经验为主的预估方法是将11月份的该广告位每天的曝光数相加，然后求平均作为12月份该广告位曝光的预估效果。实际上就是利用广告位近期的效果估算下一个周期的效果。

然而，影响广告投放效果的因素有很多，在不同周期内影响因素是不一样的，仅仅根据广告位在前一预测周期内的实际效果数据无法对下一周期内的效果做出准确的预估。另外，以经验为主的预估方法对同一广告位上的不同广告，得到的是单一的预估结果，无法根据不同的投放条件做出不同的效果预估。

发明内容

本发明实施例提出一种预估网络广告效果的方法，可以对广告投放效果做出高精度预测且预估结果是多样化的。

本发明实施例还提出一种预估网络广告效果的系统，可以对广告投放效果做出高精度预测且预估结果是多样化的。

本发明实施例的技术方案如下：

一种预估网络广告效果的方法，该方法包括：

将原始数据依据广告效果影响因子进行分类；

从广告效果影响因子中提取广告效果影响子因子；

依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立至少于一个预估模型；

由交叉验证方法从预估模型中选择出最佳预估模型；

利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。

所述交叉验证算法是十折交叉验证算法。

所述广告效果影响因子包括广告位属性、广告属性、日期因子、广告主属性、用户属性、历史效果数据属性、突发事件和偶然因子。

所述回归分析方法包括保序回归IsotonicRegression、回归剪枝树REPTree和局部加权回归Locally weighted learning。

所述将原始数据依据广告效果影响因子进行分类与所述从广告效果影响因子提取广告效果影响子因子之间进一步包括，对分类后的原始数据进行预处理。

所述预处理包括利用预估广告位上一周期内的效果数据的平均值替代缺失或错误数据。

所述预处理包括对数据进行平滑处理，得到缺失或错误数据。

所述得到广告预估效果后进一步包括，根据广告预估效果安排不同广告的投放时间。

所述得到广告预估效果后进一步包括，根据广告预估效果和实际效果发现原始数据的错误，对原始数据进行校正。

一种预估网络广告效果的系统，该系统包括：

数据模块，将原始数据依据广告效果影响因子进行分类。

特征模块，从广告效果影响因子中提取广告效果影响子因子。

模型模块，依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立至少一个预估模型，由交叉验证方法从预估模型中选择出最佳预估模型，利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。

所述模型模块由十折交叉验证方法从预估模型中选择出最佳预估模型。

所述系统进一步包括预处理模块，对分类后的原始数据进行预处理。

所述预处理模块包括替代单元，利用预估广告位上一周期内的效果数据的平均值替代缺省或错误数据。

所述预处理模块包括平滑处理单元，对数据进行平滑处理，得到缺失或错误数据。

所述系统进一步包括分析模块，对预处理后的广告效果因子进行分析，为广告产品的设计，广告创意的设计提供支持；

排期模块，根据广告预估效果安排不同广告的投放时间；

监控模块，根据广告预估效果和实际效果发现原始数据的错误，对原始数据进行校正。

从上述技术方案中可以看出，在本发明实施例中，将原始数据依据广告效果影响因子进行分类；从广告效果影响因子中提取广告效果影响子因子；依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立不少于一个预估模型；由十折交叉验证方法从预估模型中选择出最佳预估模型；利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。由不同的广告效果影响因子建模可以对广告投放效果做出高精度预测，且输入不同的广告效果影响因子有不同的预估结果。

附图说明

图1为本发明实施例一种预估网络广告效果的方法中模型选择示意图；

图2为本发明实施例中广告效果影响因子的分类示意图；

图3为本发明实施例一种预估网络广告效果的方法流程示意图；

图4为本发明实施例一种预估网络广告效果的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施例对本发明再作进一步详细的说明。

在本发明实施例中，通过分析不同广告效果影响因子与广告效果之间的相关性，提取出相关性大的影响因子作为预估模型的建模字段，采用回归分析的方法建立广告效果预估模型，对广告的曝光量和点击量进行有效预测。从而提高广告效果的预估精度，并针对不同的投放条件自动产生不同的预估效果。

参见附图1，广告效果预估模型的构建共采用了三种回归分析方法，分别是保序回归(IsotonicRegression)、回归剪枝树(REPTree)以及局部加权回归(Locally weighted learning)。具体模型的训练采用了重抽样算法(Bagging)的方法，即针对某一学习算法，让该学习算法训练多轮，每轮的训练数据由从初始的训练数据集中随机采样组成，每次采样固定比例的样本，训练之后得到一个预估函数序列，最终的预估函数采用简单平均方法对示例进行预测。同时，本发明中利用十折交叉验证方法对模型的参数进行选择，最后从所有的模型中选择出一个最优的模型作为最佳预估模型。当然也可以利用多种交叉验证方法对模型的参数进行选择，例如，九折交叉验证方法，八折交叉验证方法等。

如图2所示，在本发明中广告效果影响因子包括，广告位属性、广告属性、日期因子、广告主属性、用户属性、历史效果数据属性、突发事件和偶然因子。每个广告效果影响因子又包括多个广告效果影响子因子。

广告位属性包括，广告位大小、广告位资源级别、广告位所属频道及频道的曝光数据、广告位分类、广告位的轮播数、广告位位置。

广告属性包括，广告播放类型、广告轮播数、广告的播出时间、是否弹出广告、广告创意属性(代言明星数、主色系、有无奖品吸引、互动、创意格式、清晰度、价格/促销/奖品、产品卖点/品牌特性、创意大小)。

日期相关因子包括，是否工作日、是否农历节假日、是否阳历节假日、是否西方节日、季节性因子。

广告主属性包括，广告主所属行业、广告主在行业中的排名。

用户属性包括，年龄、性别、地理、上网场景、时段、行为。

历史效果数据属性包括，前n天的历史效果数据、周同期历史数据、月同期历史数据。

突发事件和偶然因子包括，网站及页面改版、重大社会事件(如高考、两会等)。

参见附图3，是本发明实施例一种预估网络广告效果的方法流程示意图，该方法具体包括以下步骤：

步骤301、对所有收集到的数据按照广告效果影响因子分类。将数据按照广告位属性、广告属性、日期因子、广告主属性、用户属性、历史效果数据属性、突发事件和偶然因子分类。

步骤302、对分类后的数据预处理。由于监测错误或数据缺失等原因，首先需要对原始数据进行预处理，减少噪音数据对整个模型预估精度的影响。

数据预处理主要包括以下两种情况：

a)由于故障导致的数据缺失或者数据错误，则利用预估广告位上一周期内的效果数据的平均值替代缺失或错误数据。

b)对于未知原因的数据跳变进行平滑处理。

平滑处理的公式如下：

$\mathrm{PV}=\left\{\begin{array}{c}\mathrm{avgPV}-\mathrm{stdPV},\mathrm{PV}\&le;\mathrm{avgPV}-\mathrm{stdPV}\\ \mathrm{PV},\mathrm{avgPV}-\mathrm{stdPV}<\mathrm{PV}<\mathrm{avgPV}+\mathrm{stdPV}\\ \mathrm{avgPV}+\mathrm{stdPV},\mathrm{PV}\&GreaterEqual;\mathrm{avgPV}+\mathrm{stdPV}\end{array}\right.$

其中PV是指广告位的天曝光量，avgPV和stdPV分别表示广告位当月每日曝光量的平均值和方差。由该平滑处理公式就可以得到缺失或错误数据。

步骤303、对预处理后的广告效果因子进行分析，为广告产品的设计，广告创意的设计等提供支持，即分析哪些广告效果影响因子对预估结果的影响更大，那么就可以提高相关广告效果影响因子的质量，从而积累数据上的产品知识库。

步骤304、对预处理后的数据特征提取，即根据用户设定的投放条件，从原始数据中提取出广告效果影响子因子。

比如用户想要在某一广告位上投放一个化妆品广告，投放类型是横幅广告，轮播数是5，设定的目标对象是20-35岁的女性人群，投放日期是11月1号至11月15号等，从现有的原始历史数据中抽取出具有相同或相似投放条件的历史数据，抽取历史数据的属性即广告效果影响子因子。

步骤305、构建模型。依据提取出的广告效果影响子因子，采用回归分析的方法建立预估模型；

3051、选择三种基本回归分析方法：保序回归、回归剪枝树、局部加权回归。三种回归分析方式是现有技术，在此就不再赘述。

3052、根据需要自行设定各回归分析方法的参数寻优范围和参数变化步长，对于三种基本回归分析方法分别得到N1、N2、N3组参数。寻优范围和变化步长的设定与广告效果影响因子没有关系，根据具体情况进行设定。

3053、以十折交叉验证方法为例，采用Bagging方法训练各参数下的预估模型，即针对每一组参数，对训练样本进行采样，其中采样比例为90％。利用采样后的样本建立预估模型，共采样十次，将采样十次后得到的模型平均作为此组参数下的预估模型。对于三种基本回归分析方法，分别得到N1、N2、N3个预估模型。

步骤306、利用十折交叉验证方法选择模型。即利用十折交叉验证方法从N1+N2+N3个模型中选择预估精度最高的模型作为最佳预估模型。

步骤307、利用建立的最佳预估模型，对下一预测周期内的广告效果进行预估；用户可选择自己感兴趣的广告效果影响因子，查看模型的预估效果。

步骤308、利用广告效果预估数据，提供给广告主更专业、更精准的效果预估数据，并可以根据广告预估效果安排不同广告的投放时间。

步骤309、通过将广告效果预估数据、广告所属频道和曝光量等数据应用于广告的效果监控中。利用预估效果和实际效果之间的比对，尽早发现数据的异常波动及错误，从而得到较为精准的监控结果。

参见附图4，是本发明实施例一种预估网络广告效果的结构示意图，包括：

数据模块401，将原始数据依据广告效果影响因子进行分类。

预处理模块402，对分类好的原始数据进行预处理。

预处理模块包括替代单元和平滑处理单元。

替代单元，对于故障导致的数据缺失或错误，利用预估广告位上一周期内的效果数据的平均值替代缺省或错误数据；

平滑处理单元，对于未知原因的数据跳变，对数据进行平滑处理，得到缺失或错误数据。

特征模块403，从广告效果影响因子中提取广告效果影响子因子。

模型模块404，依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立不少于一个预估模型，由十折交叉验证方法从预估模型中选择出最佳预估模型，利用最佳预估模型对下一预测周期内的广告效果进行预估。

分析模块405，对预处理后的广告效果因子进行分析，为广告产品的设计，广告创意的设计等提供支持。

排期模块406，根据广告预估效果安排不同广告的投放时间。

监控模块407，根据广告预估效果和实际效果发现原始数据的错误，对原始数据进行校正。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种预估网络广告效果的方法，其特征在于，该方法包括：

将原始数据依据广告效果影响因子进行分类；

从广告效果影响因子中提取广告效果影响子因子；

依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立至少一个预估模型；

由交叉验证方法从预估模型中选择出最佳预估模型；

利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。

2.根据权利要求1所述预估网络广告效果的方法，其特征在于，所述交叉验证算法是十折交叉验证算法。

3.根据权利要求1所述预估网络广告效果的方法，其特征在于，所述广告效果影响因子包括广告位属性、广告属性、日期因子、广告主属性、用户属性、历史效果数据属性、突发事件和偶然因子。

4.根据权利要求1所述预估网络广告效果的方法，其特征在于，所述回归分析方法包括保序回归IsotonicRegression、回归剪枝树REPTree和局部加权回归Locally weighted learning。

5.根据权利要求1所述预估网络广告效果的方法，其特征在于，所述将原始数据依据广告效果影响因子进行分类与所述从广告效果影响因子提取广告效果影响子因子之间进一步包括，对分类后的原始数据进行预处理。

6.根据权利要求5所述预估网络广告效果的方法，其特征在于，所述预处理包括利用预估广告位上一周期内的效果数据的平均值替代缺失或错误数据。

7.根据权利要求5所述预估网络广告效果的方法，其特征在于，所述预处理包括对数据进行平滑处理，得到缺失或错误数据。

8.根据权利要求1至7中任意一项权利要求所述预估网络广告效果的方法，其特征在于，所述得到广告预估效果后进一步包括，根据广告预估效果安排不同广告的投放时间；

根据广告预估效果和实际效果发现原始数据的错误，对原始数据进行校正。

9.一种预估网络广告效果的系统，其特征在于，该系统包括：

数据模块，将原始数据依据广告效果影响因子进行分类；

特征模块，从广告效果影响因子中提取广告效果影响子因子；

模型模块，依据广告效果影响子因子，采用回归分析和重抽样算法Bagging建立至少一个预估模型，由交叉验证方法从预估模型中选择出最佳预估模型，利用最佳预估模型对下一预测周期内的广告效果进行预估，得到广告预估效果。

10.根据权利要求9所述预估网络广告效果的系统，其特征在于，所述模型模块由十折交叉验证方法从预估模型中选择出最佳预估模型。

11.根据权利要求9所述预估网络广告效果的系统，其特征在于，所述系统进一步包括预处理模块，对分类后的原始数据进行预处理。

12.根据权利要求11所述所述预估网络广告效果的系统，其特征在于，所述预处理模块包括替代单元，利用预估广告位上一周期内的效果数据的平均值替代缺省或错误数据。

13.根据权利要求11所述所述预估网络广告效果的系统，其特征在于，所述预处理模块包括平滑处理单元，对数据进行平滑处理，得到缺失或错误数据。

14.根据权利要求10所述预估网络广告效果的系统，其特征在于，所述系统进一步包括排期模块，根据广告预估效果安排不同广告的投放时间；

监控模块，根据广告预估效果和实际效果发现原始数据的错误，对原始数据进行校正；

分析模块，对预处理后的广告效果因子进行分析，为广告产品的设计，广告创意的设计提供支持。

Images