CN102867265A - 一种网络广告权值计算系统及计算方法 - Google Patents
一种网络广告权值计算系统及计算方法 Download PDFInfo
- Publication number
- CN102867265A CN102867265A CN 201110190694 CN201110190694A CN102867265A CN 102867265 A CN102867265 A CN 102867265A CN 201110190694 CN201110190694 CN 201110190694 CN 201110190694 A CN201110190694 A CN 201110190694A CN 102867265 A CN102867265 A CN 102867265A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- parameter
- user
- weights
- web
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网络广告权值计算系统及利用该系统进行网络广告权值计算的方法。本发明的网络广告权值计算系统包括网站分类库、用户分类库、广告库,并分别存储有网站分类参数、用户分类参数和广告参数,通过系统中的计算模块进行网络广告权值的计算。本发明的网络广告权值计算方法是通过将分别存储于所述网站分类库、用户分类库、广告库中的网站分类参数、用户分类参数、广告参数进行权值计算,从而得到网络广告的权值信息。通过本发明的系统和方法计算出的网络广告权值是基于用户行为、网站内容及广告自身属性进行科学分析的结果,能够为网络广告发布者提供用于选择广告投放媒体和广告内容的科学依据。
Description
技术领域
本发明涉及网络广告领域,特别涉及一种网络广告权值计算系统及利用该系统对网络广告进行权值计算的方法。
背景技术
自从互联网产生之初,其作为信息媒介的功能就不断被产业界所挖掘。与传统媒体类似,网络媒体大多提供广告刊载服务,以促进广告主的商品服务销售,并取得广告收入。网络广告的发布方和广告主一直为提高网络广告的发布效果在不断探索。
由于传统媒体都是事先印刷或者录制完成的,其某一特定时刻展示给其读者或者观众的广告是相同的。这种机械的、单向的广告传播,虽然设置比较简单,但是效果往往无法与交互式的广告媲美。
互联网产生以来,随着网络交互技术的不断普及和应用,网络广告发布者可以通过技术手段与广告受众进行交互,以进行广告内容的个性化和关联化。这种个性化的互动广告模式以Google的关键词搜索为代表,并受到来自其他搜索引擎服务提供商的模仿。
但是,通过搜索引擎提供的网络广告只是网络广告中的一小部分,并非所有网络广告的展示媒体都允许用户通过搜索关键词来定义自己所感兴趣的广告类别和范围。即使是搜索引擎网站,由于同样关键字对不同的人所产生的影响也不相同,点击率也不相同,故搜索相同关键字的情况下,仍然有必要针对不同的浏览者进行广告优化展示,而现有关键词搜索模式显然没有能够做到这一点。
为了精准地向不同类别和兴趣的浏览者投放具有更强相关性的广告,从而提高广告投放的投资回报率,有必要提供一种基于用户行为、网站内容及广告自身属性进行科学分析的网络广告权值计算系统,并使用该系统对不同的网络广告权值进行计算,为网络广告发布者提供用于选择广告投放媒体和广告内容的科学依据。目前这一问题还没有得到解决。
发明内容
为克服现有技术不足,本发明特别提供一种基于用户行为、网站内容及广告自身属性的网络广告权值计算系统,并使用该系统对不同的网络广告权值进行计算,以达到精准化定位分析,提高网络广告的投资回报率。
发明技术方案如下:
一种网络广告权值计算系统,包括网站分类库、用户分类库、广告库、计算模块;所述网站分类库用于存储网站分类参数;所述用户分类库用于存储用户分类参数;所述广告库用于存储广告参数;所述计算模块分别从网站分类库、用户分类库、广告库中取得网站分类参数、用户分类参数、广告参数,并利用上述参数进行计算,得出网络广告权值。
进一步的,所述广告参数包括广告分类参数和广告出价参数。
一种网络广告权值计算方法,包括如下步骤:
取得网站分类参数并将其存入网站分类库;
取得用户分类参数并将其存入用户分类库;
将广告参数录入广告库;
在用户访问特定网页时,从用户分类库和网站分类库中分别取出用户分类参数和网站分类参数,与从广告库中取出的广告参数进行权值计算,得到该网络广告的权值。
所述网站分类参数是通过对网页的URL的词法分析或网络爬虫对网页内容的中文分词取得的。
所述用户分类参数是通过对用户访问的网页分类参数或用户的搜索关键字进行累计排名算法和衰减算法取得的。
所述广告参数中包括广告分类参数、广告出价参数。
具体来讲,所述网站分类参数的取得过程包括如下步骤:
设置种子分类;
建立自动训练学习模型;
使用所述种子分类,通过所述自动训练学习模型进行自动训练学习,形成分类库;
对网站内容进行分析,在所述分类库基础上形成包含关键字分类库和URL分类库的匹配库;
在用户访问特定网站时,根据该网站URL在匹配库中所对应的网站类别,取得该网站分类参数。
具体来讲,所述用户分类参数的取得过程包括如下步骤:
在用户访问特定网站时,根据该网站在匹配库中所对应的分类参数,取得该网站分类参数;
将所述用户访问特定类别网站的历史记录进行累计/衰减算法计算,取得用户分类参数。
具体来讲,在取得网站分类参数、用户分类参数、广告分类参数后,所述权值计算方法为:
AD=f(UserCate,PageCate,AdCate)
<UserCate=用户分类参数,PageCate=网站分类参数,AdCate=广告分类参数>
进一步的,所述权值计算方法具体包括如下步骤:
第一步、采用归并算法计算出广告与网站的分类权值(Cp),计算公式如下:
AD(Cp)=f(AdCate1、AdCate2、...AdCatei)f(PageCate1、PageCate2、......PageCatem)
公式中AD(Cp)指广告与网站的分类权值,AdCatei指第i个广告分类参数,PageCatem指第M个网站分类参数;
第二步、采用归并算法计算出广告与用户的分类权值(Up),计算公式如下:
AD(Up)=f(AdCate1、AdCate2、...AdCatei)f(UserCate1、UserCate2、......UserCatem)
公式中AD(Up)指广告与用户的分类权值,UserCatem是指第m个用户分类参数;
第三步、计算出广告的分类总权值(C),计算公式如下:
AD(C)=aAD(Cp)+βAD(Up)
公式中a、β是由系统设置人员根据效果进行不断调整后优化出来的两个给定值;
第四步、采用归一化,算出竞价权值(B),计算公式如下:
AD(B)=γ([ADb-min(ADb)]/[max(ADb)-min(ADb)]+X)
ADb是指广告竞价参数,max(ADb)是指广告最高竞价,min(ADb)是指广告最低竞价;γ、X值是系统配置人员根据需要按照效果优化方法根据经验给出的常量;
最后,再算出广告分类权值和竞价权值的总和,即可得到网络广告权值,计算公式如下:
AD=AD(C)AD(B)
本发明显著优点在于:
通过对用户行为、网站内容及广告自身属性的精准化定位分析,为网络广告发布者提供用于选择广告投放媒体和广告内容的科学依据,提高网络广告的投资回报率。
附图说明
图1为本发明网络广告权值计算系统示意图
图2为本发明网络广告权值计算方法流程图
具体实施方式
为了说明本发明的技术方案内容,结合附图介绍本发明所述网络广告权值计算系统及方法的具体实施方式。
参见图1,本发明的一种网络广告权值计算系统,包括网站分类库、用户分类库、广告库、计算模块;所述网站分类库用于存储网站分类参数;所述用户分类库用于存储用户分类参数;所述广告库用于存储广告参数;所述计算模块分别从网站分类库、用户分类库、广告库中取得网站分类参数、用户分类参数、广告参数,并利用上述参数进行计算,得出网络广告权值。
进一步的,所述广告参数包括广告分类参数和广告出价参数。
参见图2,本发明的网络广告权值计算方法,包括如下步骤:
参照Google、淘宝等第三方分类机构的种子分类,再通过自动训练学习模型,得出完整的分类库。自动训练学习模型运作模式如下:在种子分类基础上,对每一种子分类再进行聚类运算,算法可采用划分法(但不局限于此算法),得出小分类,依次迭代运行,最终得出完整分类库(3000+)。分类库中包含了所有重要分类,例如:汽车、IT、计算机、电器、购物、化妆品等。
使用网络爬虫程序,对网页内容进行分析,根据网页内容与类别库中相关类别的相关度将该网页URL与特定类别进行匹配,形成URL分类库;
例如:
www.pconline.com.cn→IT
www.pconline.com.cn→计算机
www.pconline.com.cn→电器
www.csdn.net→IT
......
根据用户使用特定关键词进行搜索操作的搜索结果页面内容进行分析,根据搜索关键词与类别库中相关类别的相关度,将搜索关键字与特定类别进行匹配,形成关键字分类库;
例如:用户分别搜索“宝马”、“奔驰”、“Auto”这几个关键词后产生的搜索结果具有高度相似性,并且搜索结果指向的网站绝大部分是汽车类网站,因此将这几个关键词归类为汽车类别:
宝马→汽车
奔驰→汽车
Auto→汽车
......
上述关键字分类库和URL分类库共同构成匹配库;
在用户访问特定网站时,系统根据该网站在匹配库中所对应的分类参数,取得该网站分类参数。例如,用户在访问网站www.pconline.com.cn时,系统根据该网站在匹配库中所对应的分类,并按照匹配相关性给出该网站分类参数为:IT=90、计算机=80、电器=60。
系统通过对用户访问的网页分类参数及搜索关键词参数,通过累计排名算法和衰减算法,得出用户分类参数(User)。例如假设某一用户曾经80次访问金融类网站、60次访问运动类网站,或者80次搜索金融类关键词、60次搜索运动类关键词,则系统根据该用户访问网页的网站分类参数或者其搜索关键词分类参数,通过累计排名算法和衰减算法,得出该用户的用户分类参数为:金融-80,运动-60。
广告主及代理商或运营配置人员对广告参数(Ad)进行配置,包括广告分类参数、广告出价参数。例如:广告:欧莱雅,配置:购物-70(竞价),化妆品-100(竞价)
系统将所述网站分类参数、用户分类参数和广告参数分别存储至网站分类库、用户分类库和广告库。
系统使用网络广告权值算法公式计算网络广告权值,公式为:
AD=f(UserCate,PageCate,AdCate)
<UserCate=用户分类参数,PageCate=网站分类参数,AdCate=广告分类参数>。
具体计算方法:
首先,系统计算出广告与网站的分类权值(Cp),计算采用归并算法,但不局限于此算法。
AD1(Cp)=f(Ad1Cate1、Ad1Cate2、...Ad1Catei)f(PageCate1、PageCate2、......PageCatem)
AD2(Cp)=f(Ad2Cate1、Ad2Cate2、...Ad2Catei)f(PageCate1、PageCate2、......PageCatem)
ADn(Cp)=f(AdnCate1、AdnCate2、...AdnCatei)f(PageCate1、PageCate2、......PageCatem)
公式中ADn(Cp)指第N个广告的分类权值,Catei是指第i个广告的分类参数、Catem是指第m个广告的广告分类参数。
其次,系统计算出广告与用户的分类权值(Up),计算也采用归并算法,但不局限于此算法。
AD1(Up)=f(Ad1Cate1、Ad1Cate2、...Ad1Catei)f(UserCate1、UserCate2、......UserCatem)
AD2(Up)=f(Ad2Cate1、Ad2Cate2、...Ad2Catei)f(UserCate1、UserCate2、......UserCatem)
ADn(Up)=f(AdnCate1、AdnCate2、...AdnCatei)f(UserCate1、UserCate2、......UserCatem)
公式中ADn(Up)指第N个广告与用户的分类权值,Catei是指第i个广告的分类参数、Catem是指第m个广告的广告分类参数。
然后,系统再算出广告的分类总权值(C),计算公式如下:
AD1(C)=aAD1(Cp)+βAD1(Up)
AD2(C)=aAD2(Cp)+βAD2(Up)
ADn(C)=aADn(Cp)+βADn(Up)
公式中a、β是由系统设置人员根据效果进行不断调整后优化出来的两个给定值。例如:可假设a+β=1,则按照枚举法a=0.1、a=0.2、a=0.3、、a=0.9,则β值也可以相应确定。
系统再采用归一化,算出竞价权值(B),计算公式如下:
AD1(B)=γ([ADb1-min(ADb)]/[max(ADb)-min(ADb)]+X)
AD2(B)=γ([ADb2-min(ADb)]/[max(ADb)-min(ADb)]+X)
ADn(B)=γ([ADbn-min(ADb)]/[max(ADb)-min(ADb)]+X)
上述公式中,ADb是指AD的竞价,ADbn指第N个广告的竞价,max(ADb)是指广告最高竞价,min(ADb)是指广告最低竞价。γ、X值是系统配置人员根据需要按照效果优化方法根据经验给出的常量。
最后,系统再算出广告分类权值和竞价权值的总和,计算公式如下:
AD1=AD1(C)AD1(B)
AD2=AD2(C)AD2(B)
ADn=ADn(C)ADn(B)
如前所述,当用户分类参数为Cate1=80,Cate2=20的用户访问网站分类参数为Cate1=20,Cate2=5的网站时,假设广告库中已有广告1和广告2两个广告,并且该两个广告的分类参数分别为Cate1和Cate2,竞价参数分别为20和100。
并且,系统配置人员按照效果优化方法根据经验给出的常量α、β、γ、X值分别为0.9、0.1、5、10。
则我们可以通过计算可知:
广告与网站的分类权值(Cp)为:
AD1(Cp)=20
AD2(Cp)=5
广告与用户的分类权值(Up)为:
AD1(Up)=80
AD2(Up)=20
分类总权值(C)为:
AD1(C)=0.9*20+0.1*80=26
AD2(C)=0.9*5+0.1*20=6.5
竞价权值(B)为:
AD1(B)=γ([ADb1-min(ADb)]/[max(ADb)-min(ADb)]+X)
AD1(B)=5([20-20]/[100-20]+10)=50
AD2(B)=5([100-20]/[100-20]+10)=55
最后,系统再算出广告分类权值和竞价权值的总和为:
AD1=26*50=1300
AD2=6.5*55=357.5
这样,我们就得到了与用户行为、网站内容及广告自身属性相关的网络广告权值。通过对不同权值的网络广告进行筛选,系统可以挑选那些网络权值最高的广告进行展示,以取得更加有针对性的广告宣传效果。
本发明不限于上述实施方式,对于本领域普通技术人员而言,对上述实施方式所做出的任何显而易见的改进或变更,都不会超出本发明的构思和所附权利要求的保护范围。
Claims (10)
1.一种网络广告权值计算系统,其特征在于:
包括网站分类库、用户分类库、广告库、计算模块;
所述网站分类库用于存储网站分类参数;
所述用户分类库用于存储用户分类参数;
所述广告库用于存储广告参数;
所述计算模块分别从网站分类库、用户分类库、广告库中取得网站分类参数、用户分类参数、广告参数,并利用上述参数进行计算,得出网络广告权值。
2.根据权利要求1所述一种网络广告权值计算系统,其特征在于:所述广告参数包括广告分类参数和广告出价参数。
3.一种网络广告权值计算方法,其特征在于包括如下步骤:
取得网站分类参数并将其存入网站分类库;
取得用户分类参数并将其存入用户分类库;
将广告参数录入广告库;
在用户访问特定网页时,从用户分类库和网站分类库中分别取出用户分类参数和网站分类参数,与从广告库中取出的广告参数进行权值计算,得到该网络广告的权值。
4.根据权利要求3所述一种网络广告权值计算方法,其特征在于:所述网站分类参数是通过对网页的URL的词法分析或网络爬虫对网页内容的中文分词取得的。
5.根据权利要求3所述一种网络广告权值计算方法,其特征在于:所述用户分类参数是通过对用户访问的网页分类参数或用户的搜索关键字进行累计排名算法和衰减算法取得的。
6.根据权利要求3所述一种网络广告权值计算方法,其特征在于:所述广告参数中包括广告分类参数、广告出价参数。
7.根据权利要求3或4所述一种网络广告权值计算方法,其特征在于:所述网站分类参数的取得过程包括如下步骤:
设置种子分类;
建立自动训练学习模型;
使用所述种子分类,通过所述自动训练学习模型进行自动训练学习,形成分类库;
对网站内容进行分析,在所述分类库基础上形成包含关键字分类库和URL分类库的匹配库;
在用户访问特定网站时,根据该网站URL在匹配库中所对应的网站类别,取得该网站分类参数。
8.根据权利要求3或5所述一种网络广告权值计算方法,其特征在于:所述用户分类参数的取得过程包括如下步骤:
在用户访问特定网站时,根据该网站在匹配库中所对应的分类参数,取得该网站分类参数;
将所述用户访问特定类别网站的历史记录进行累计/衰减算法计算,取得用户分类参数。
9.根据权利要求3、4、5或6所述一种网络广告权值计算方法,其特征在于:
在取得网站分类参数、用户分类参数、广告分类参数后,所述权值计算方法为:
AD=f(UserCate,PageCate,AdCate)
<UserCate=用户分类参数,PageCate=网站分类参数,AdCate=广告分类参数>。
10.根据权利要求3至6任一所述一种网络广告权值计算方法,其特征在于:所述权值计算方法具体包括如下步骤:
第一步、采用归并算法计算出广告与网站的分类权值(Cp),计算公式如下:
AD(Cp)=f(AdCate1、AdCate2、...AdCatei)f(PageCate1、PageCate2、......PageCatem)
公式中AD(Cp)指广告与网站的分类权值,AdCatei指第i个广告分类参数,PageCatem指第M个网站分类参数;
第二步、采用归并算法计算出广告与用户的分类权值(Up),计算公式如下:
AD(Up)=f(AdCate1、AdCate2、...AdCatei)f(UserCate1、UserCate2、......UserCatem)
公式中AD(Up)指广告与用户的分类权值,UserCatem是指第m个用户分类参数;
第三步、计算出广告的分类总权值(C),计算公式如下:
AD(C)=aAD(Cp)+βAD(Up)
公式中a、β是由系统设置人员根据效果进行不断调整后优化出来的两个给定值;
第四步、采用归一化,算出竞价权值(B),计算公式如下:
AD(B)=γ([ADb-min(ADb)]/[max(ADb)-min(ADb)]+X)
ADb是指广告竞价参数,max(ADb)是指广告最高竞价,min(ADb)是指广告最低竞价;γ、X值是系统配置人员根据需要按照效果优化方法根据经验给出的常量;
最后,再算出广告分类权值和竞价权值的总和,即可得到网络广告权值,计算公式如下:
AD=AD(C)AD(B)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110190694 CN102867265A (zh) | 2011-07-08 | 2011-07-08 | 一种网络广告权值计算系统及计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110190694 CN102867265A (zh) | 2011-07-08 | 2011-07-08 | 一种网络广告权值计算系统及计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102867265A true CN102867265A (zh) | 2013-01-09 |
Family
ID=47446125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110190694 Pending CN102867265A (zh) | 2011-07-08 | 2011-07-08 | 一种网络广告权值计算系统及计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867265A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142968A (zh) * | 2013-11-19 | 2014-11-12 | 东南大学 | 一种基于solr技术的分布式搜索方法及系统 |
CN104462241A (zh) * | 2014-11-18 | 2015-03-25 | 北京锐安科技有限公司 | 基于url中锚文字和周边文本的人口属性分类方法及装置 |
CN105447713A (zh) * | 2014-08-21 | 2016-03-30 | 乐视网信息技术(北京)股份有限公司 | 投放网络广告的方法和装置 |
US20210365969A1 (en) * | 2020-05-19 | 2021-11-25 | Punchh Inc. | Offer selection optimization for persona segments |
-
2011
- 2011-07-08 CN CN 201110190694 patent/CN102867265A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142968A (zh) * | 2013-11-19 | 2014-11-12 | 东南大学 | 一种基于solr技术的分布式搜索方法及系统 |
CN105447713A (zh) * | 2014-08-21 | 2016-03-30 | 乐视网信息技术(北京)股份有限公司 | 投放网络广告的方法和装置 |
CN104462241A (zh) * | 2014-11-18 | 2015-03-25 | 北京锐安科技有限公司 | 基于url中锚文字和周边文本的人口属性分类方法及装置 |
US20210365969A1 (en) * | 2020-05-19 | 2021-11-25 | Punchh Inc. | Offer selection optimization for persona segments |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11494457B1 (en) | Selecting a template for a content item | |
Lu et al. | BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services | |
Cheng et al. | Video ecommerce++: Toward large scale online video advertising | |
US11036795B2 (en) | System and method for associating keywords with a web page | |
US9111287B2 (en) | Video content-aware advertisement placement | |
CN104035927B (zh) | 一种基于用户行为的搜索方法及系统 | |
JP5367505B2 (ja) | ウェブブラウザ・ウィジェットをソーシャルインデクシングとインターフェースさせるためのシステム及び方法 | |
CN103970850B (zh) | 网站信息推荐方法和系统 | |
US20080133483A1 (en) | Paid content based on visually illustrative concepts | |
US20080256056A1 (en) | System for building a data structure representing a network of users and advertisers | |
US20080133505A1 (en) | Search results presented as visually illustrative concepts | |
CN105426528A (zh) | 一种商品数据的检索排序方法及系统 | |
CN103914484A (zh) | 一种页面内容的生成方法及装置 | |
US7937403B2 (en) | Time-based analysis of related keyword searching | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其系统 | |
CN103886074A (zh) | 基于社交媒体的商品推荐系统 | |
CA2629568A1 (en) | Automatic detection of online commercial intention | |
WO2010085773A1 (en) | Hybrid contextual advertising and related content analysis and display techniques | |
CN105279224A (zh) | 信息推送方法及装置 | |
CN103019550A (zh) | 关联内容实时展现方法及系统 | |
CN106326318B (zh) | 搜索方法及装置 | |
US20090234734A1 (en) | Bidding on related keywords | |
Lin et al. | A consumer review-driven recommender service for web e-commerce | |
US9053363B1 (en) | Object identification in visual media | |
CN102867265A (zh) | 一种网络广告权值计算系统及计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130109 |