CN105160545A - 投放信息样式确定方法及装置 - Google Patents

Abstract

本发明实施例公开了一种投放信息样式确定方法及装置。其中，所述方法包括：获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；根据预估结果从所述至少两种候选样式中确定所述当前投放信息的投放样式。本发明实施例提供的技术方案，能够提高投放信息的投放效果。

Description

投放信息样式确定方法及装置

技术领域

本发明实施例涉及互联网技术领域，尤其涉及投放信息样式确定方法及装置。

背景技术

随着互联网商业模式的不断探索发展，投放信息(例如互联网广告)已经成为互联网流量变现的一种重要业务形式。通过将投放信息通过各种附加创意类的样式(例如app应用下载、电话拨打、在线咨询、图片、文本链等)进行呈现，可以显著缩短投放信息所对应产品或服务的访问路径，提高投放信息整体的营销效果和投放效率，对优化用户体验以及产品或服务商的投资回报率都有着十分重要的意义。然而，现有技术并未给出具体方案，以从多种候选投放信息样式中合理选择一种投放信息样式进行投放信息的投放，以使投放信息可以达到较好的投放效果。

发明内容

本发明实施例提供一种投放信息样式确定方法及装置，以提高投放信息的投放效果。

一方面，本发明实施例提供了一种投放信息样式确定方法，该方法包括：

获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；

分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；

根据预估结果从所述至少两种候选样式中确定所述当前投放信息的投放样式。

另一方面，本发明实施例还提供了一种投放信息样式确定装置，该装置包括：

候选样式特征集获取单元，用于获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；

候选样式转化率预估单元，用于分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；

投放样式确定单元，用于根据所述候选样式转化率预估单元得到的预估结果，从所述至少两种候选样式中确定所述当前投放信息的投放样式。

本发明实施例提供的技术方案，能够利用预先创建的机器学习模型来预估投放信息在多种候选样式下的转化率，进而根据该转化率确定投放信息的投放样式，这样可以达到较好的投放效果，提高投放信息整体的营销效果和投放效率。

附图说明

图1是本发明实施例一提供的一种投放信息样式确定方法的流程示意图；

图2是本发明实施例二提供的一种投放信息样式确定方法的流程示意图；

图3是本发明实施例三提供的投放信息样式确定装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1是本发明实施例一提供的一种投放信息样式确定方法的流程示意图。本实施例可适用于从投放信息的多种候选样式中确定一种候选样式作为投放样式的情况，以便根据所确定的投放样式对投放信息进行投放，达到较好的投放效果。该方法可以由投放信息样式确定装置来执行，所述装置由软件实现，可被配置在为终端提供投放信息展示服务的物理设备上。参见图1，本实施例提供的投放信息样式确定方法所包括的执行操作具体如下。

S110、获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征。

S120、分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估当前投放信息在各候选样式下的转化率。

S130、根据预估结果从所述至少两种候选样式中确定当前投放信息的投放样式。

当前投放信息可以是搜索类投放信息，具体为：在接收到用户在终端显示的搜索页面输入的搜索词之后，通过搜索技术所确定的待在终端的搜索结果输出页面进行展现的候选投放信息，其对应的候选样式超过一种。例如，当前投放信息有文本链和图片这两种候选样式。当然，当前投放信息还可以是展示类投放信息，具体为：在接收到用户触发的对其他非搜索页面(例如京东主页面、搜狐主页面)的访问请求后，所确定的待在所述其他非搜索页面进行展现的候选样式超过一种的候选投放信息。

由于当前投放信息的候选样式不唯一，所以该以何种候选样式作为投放样式在终端进行展现变得至关重要。选择不同的候选样式，会使得终端用户对当前投放信息的点击率也存在差异，进而投放效果也就不同。为此，本实施例利用投放信息样式转化率模型，来对当前投放信息在其对应的各种候选样式下的转化率进行预估，进而根据预估结果来确定对当前投放信息的投放样式。其中，所述转化率指的是点击当前投放信息的用户形成转化(例如该用户由普通浏览者转化为购买用户、下载用户或咨询用户等)的比例。

具体的，可预先在线下建立好投放信息样式转化率模型。示例性的，在预估当前投放信息在各候选样式下的转化率之前，还包括：获取历史投放信息在历史投放样式下的特征集及对应的转化点击行为结果，作为训练样本；基于机器学习算法对训练样本进行训练，以建立投放信息样式转化率模型。其中，转化点击行为结果指的是：在历史投放信息以历史投放样式进行投放展现时，用户对历史投放信息中能够使用户身份转化的目标内容的点击行为结果，例如如果用户点击了该目标内容，则该转化点击行为结果为1，相反则为0。目标内容可以是下载按钮、电话咨询按钮、与历史投放信息所对应的产品或服务购买网站具有超链接关系的文本链等。机器学习算法可以是神经网络算法、决策树算法、或者逻辑回归算法等。

在线下建立好投放信息样式转化率模型后，可在线上实时地获取当前投放信息在其对应的至少两种候选样式中各候选样式下的特征集；进而，分别针对各候选样式：将当前投放信息在其对应的该候选样式下的特征集作为投放信息样式转化率模型的一次输入，并基于该模型中的特征模型参数对该特征集进行加权处理，进而预估得到当前投放信息在该候选样式下的转化率，作为该模型的输出。优选的，可以将当前投放信息的所对应的至少两种候选样式中，所对应的转化率最高的候选样式作为当前投放信息的投放样式。当然，还可以基于预估得到的转化率，并结合其他因素，综合考虑该将多种候选样式中的哪种候选样式作为投放样式，本实施例对此不作具体限定。

需要说明的是，在本发明实施例中，投放信息在任意一种样式下的特征集包括展现样式特征。展现样式特征用于表征投放信息被展现时的样式。具体的，当前投放信息在候选样式下的展现样式特征为用于描述该候选样式的特征。历史投放信息在投放样式下的展现样式特征为用于描述该投放样式的特征。

示例性的，展现样式特征包括如下至少一种特征：标题特征、创意特征和物料特征。其中，标题特征可包括标题描述、标题大小、标题飘红程度等；创意特征可包括创意类型，例如是属于幽默型创意、悬念型创意还是夸张型创意等；物料特征可包括物料类型，例如是属于文字链型物料、图片型物料、应用下载型物料还是电话拨打型物料等。

当然，除展现样式特征之外，特征集还可包括如下至少一种特征：用户特征、意图需求特征、投放信息特征和展现场景特征。其中，用户特征指的是输入搜索词的搜索用户的特征(对应于搜索类投放信息)，或者访问非搜索页面的浏览用户的特征(对应于展示类投放信息)，可具体包括用户标识、年龄、性别、所在地区等。如果投放信息为搜索类投放信息，则意图需求特征可包括用户输入的搜索词、搜索意图类别等。举例而言，可根据预先创建的多个搜索词与多个意图类别之间的映射关系，确定用户输入的搜索词所属的意图类别，将该类别作为搜索意图类别。如果投放信息为展示类投放信息，则意图需求特征可包括浏览意图类别。举例而言，可根据用户的历史浏览行为确定浏览意图类别。投放信息特征可包括投放信息标识。展现场景特征可包括：用于展现投放信息的终端类型、终端屏幕的宽高、终端屏幕的分辨率、网速、展现位置等。

作为本实施例的一种具体实施方式，获取历史投放信息的特征集及对应的转化点击行为结果，包括：对预先存储的投放信息展现点击日志数据进行预处理，以从中提取历史投放信息在历史投放样式下的特征集以及转化点击行为结果。

如果投放信息为搜索类投放信息，则投放信息展现点击日志可包括如下数据：最近预设时间段内大量用户在终端上输入过的搜索词，并在该搜索词下终端所展现的投放信息的标识，投放信息的投放样式(包括标题信息、创意信息和物料信息)，对所展现的投放信息的转化点击行为结果，以及一些其他数据(例如终端类型、终端屏幕的宽高、终端屏幕的分辨率、网速等)。该日志中所记录的任一用户所对应的在其输入过的搜索词下终端所展现的投放信息，可作为一条历史投放信息，对应的投放样式作为历史投放样式。在本实施例中，训练样本中的特征均是数值格式的特征，而投放信息展现点击日志中所记录的相关数据则有的可能是字符形式的数据，为此需要将其进行字符与数值之间的转换这一预处理操作。例如，日志中记录的投放信息的创意信息为幽默型创意所对应的字符串，则需要根据预先设定的创意类型与数值形式的创意类型标识之间的映射关系，将该字符串转换为相应的数值。

本实施例提供的技术方案，能够利用预先创建的机器学习模型来预估投放信息在多种候选样式下的转化率，进而根据该转化率确定投放信息的投放样式，这样可以达到较好的投放效果，提高投放信息整体的营销效果和投放效率。

实施例二

图2是本发明实施例二提供的一种投放信息样式确定方法的流程示意图。本实施例以上述实施例为基础，提供一优选实施例。在该实施例中，投放信息为搜索类投放信息，尤其为搜索广告。

参见图2，本实施例提供的投放信息样式确定方法，由线下训练系统和线上预估系统共同作用实现。

一、先是，线下训练系统依次执行如下操作：

获取投放信息展现点击日志数据；

对日志数据进行预处理以从中提取训练样本，其中训练样本包括：多条历史投放信息在历史投放样式下的特征集以及对应的转化点击行为结果；该特征集可包括历史投放信息的用户特征、意图需求特征、投放信息特征、展现场景特征和展现样式特征，其中展现样式特征可包括标题特征、创意特征和物料特征，展现场景特征包括历史投放信息在投放信息展现列表中的展现位次。

对训练样本进行训练得到投放信息样式转化率模型，该模型包括特征模型参数。

二、然后，线上预估系统依次执行如下操作：

遍历对应的各候选样式，生成对当前展现位次的投放信息队列中各投放信息的转化率进行预估的请求数据，该请求数据包括各投放信息在其对应的各候选样式下的特征集，该特征集可包括用户特征、意图需求特征、投放信息特征、展现场景特征和展现样式特征，其中展现样式特征可包括标题特征、创意特征和物料特征，展现场景特征包括在投放信息展现列表中的展现位次，即当前展现位次；

查询特征模型参数，根据预估请求预估投放信息队列中各投放信息在其对应的各候选样式下的转化率；

分别针对投放信息队列中各投放信息：按照转化率的高低，对投放信息所对应的各候选样式进行排序，以从中确定出投放信息在当前展现位次的投放样式。

在本实施例中，当前展现位次的投放信息队列可通过如下操作确定：

接收到用户在终端显示的搜索页面输入的搜索词，基于该搜索词在投放信息库中进行搜索，以得到与该搜索词关联的多条候选投放信息；

从搜索到的多条候选投放信息中选择至少一条投放信息；

按照展现位次序号从小到大的顺序，依次遍历终端搜索结果输出页面所包含的投放信息展现列表中的各展现位次：确定当前展现位次的投放信息队列。其中，投放信息队列中任一条候选投放信息为：从搜索到的多条候选投放信息中选择的一条投放信息。示例性的，第一展现位次的投放信息队列可由从搜索到的多条候选投放信息中选择的所有投放信息组成；而后每一展现位次的投放信息队列为：从搜索到的多条候选投放信息中选择的所有投放信息中，除之前各展现位次所选择的所有投放信息之外的投放信息组成。

本实施例能够提升投放信息的投放样式与展现场景和意图需求的匹配度和相关性，实现投放信息在不同展现场景和意图需求下的商业信息、样式与服务的有机智能化结合，提高投放的用户体验和收入，提高投放主投放的转化效率和营销效果。

实施例三

图3是本发明实施例三提供的投放信息样式确定装置的结构示意图。参见图3，该投放信息样式确定装置的具体结构如下：

候选样式特征获取单元310，用于获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；

候选样式转化率预估单元320，用于分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；

投放样式确定单元330，用于根据所述候选样式转化率预估单元320得到的预估结果，从所述至少两种候选样式中确定所述当前投放信息的投放样式。

示例性的，本实施例提供的投放信息样式确定装置还包括：

训练样本获取单元300，用于在所述候选样式转化率预估单元320预估所述当前投放信息在各候选样式下的转化率之前，获取历史投放信息在历史投放样式下的特征集及对应的转化点击行为结果，作为训练样本；

模型创建单元305，用于基于机器学习算法对所述训练样本获取单元300得到的训练样本进行训练，以建立所述投放信息样式转化率模型。

优选的，所述训练样本获取单元300，具体用于：对预先存储的投放信息展现点击日志数据进行预处理，以从中提取历史投放信息在历史投放样式下的特征集以及转化点击行为结果。

在上述技术方案的基础上，任一特征集还包括如下至少一种特征：用户特征、意图需求特征、投放信息特征和展现场景特征。

任一展现样式特征包括如下至少一种特征：标题特征、创意特征和物料特征。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种投放信息样式确定方法，其特征在于，包括：

获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；

分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；

根据预估结果从所述至少两种候选样式中确定所述当前投放信息的投放样式。

2.根据权利要求1所述的方法，其特征在于，在预估所述当前投放信息在各候选样式下的转化率之前，还包括：

获取历史投放信息在历史投放样式下的特征集及对应的转化点击行为结果，作为训练样本；

基于机器学习算法对所述训练样本进行训练，以建立所述投放信息样式转化率模型。

3.根据权利要求2所述的方法，其特征在于，获取历史投放信息的特征集及对应的转化点击行为结果，包括：

对预先存储的投放信息展现点击日志数据进行预处理，以从中提取历史投放信息在历史投放样式下的特征集以及转化点击行为结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，任一特征集还包括如下至少一种特征：用户特征、意图需求特征、投放信息特征和展现场景特征。

5.根据权利要求1-3中任一项所述的方法，其特征在于，任一展现样式特征包括如下至少一种特征：标题特征、创意特征和物料特征。

6.一种投放信息样式确定装置，其特征在于，包括：

候选样式特征获取单元，用于获取当前投放信息在至少两种候选样式中各候选样式下的特征集，其中所述特征集包括展现样式特征；

候选样式转化率预估单元，用于分别根据各候选样式下的特征集，采用预先根据机器学习算法创建的投放信息样式转化率模型，预估所述当前投放信息在各候选样式下的转化率；

投放样式确定单元，用于根据所述候选样式转化率预估单元得到的预估结果，从所述至少两种候选样式中确定所述当前投放信息的投放样式。

7.根据权利要求6所述的装置，其特征在于，还包括：

训练样本获取单元，用于在所述候选样式转化率预估单元预估所述当前投放信息在各候选样式下的转化率之前，获取历史投放信息在历史投放样式下的特征集及对应的转化点击行为结果，作为训练样本；

模型创建单元，用于基于机器学习算法对所述训练样本获取单元得到的训练样本进行训练，以建立所述投放信息样式转化率模型。

8.根据权利要求7所述的装置，其特征在于，所述训练样本获取单元，具体用于：对预先存储的投放信息展现点击日志数据进行预处理，以从中提取历史投放信息在历史投放样式下的特征集以及转化点击行为结果。

9.根据权利要求6-8中任一项所述的装置，其特征在于，任一特征集还包括如下至少一种特征：用户特征、意图需求特征、投放信息特征和展现场景特征。

10.根据权利要求6-8中任一项所述的装置，其特征在于，任一展现样式特征包括如下至少一种特征：标题特征、创意特征和物料特征。