CN106803190A - 一种广告个性化推送系统及方法 - Google Patents
一种广告个性化推送系统及方法 Download PDFInfo
- Publication number
- CN106803190A CN106803190A CN201710000832.7A CN201710000832A CN106803190A CN 106803190 A CN106803190 A CN 106803190A CN 201710000832 A CN201710000832 A CN 201710000832A CN 106803190 A CN106803190 A CN 106803190A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- advertisement
- click
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006399 behavior Effects 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 36
- 238000012384 transportation and delivery Methods 0.000 claims description 35
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 238000013523 data management Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 241000270322 Lepidosauria Species 0.000 abstract 1
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010809 targeting technique Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种广告个性化推送方法和系统,方法包括:步骤1)通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;步骤2)对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;步骤3)使用预处理后的数据进行训练,并选择用户画像的具体模型,形成用户标签库并将得到的用户的信息同步到广告平台,由广告平台将其存储于缓存标签库中;步骤4)采集平台中历史的广告展示和点击数据,形成CTR广告投放预测模型,并将其存储于CTR预估模型库中;步骤5)基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
Description
技术领域
本发明属于互联网领域,涉及一种广告个性化推送系统及方法。
背景技术
在互联网中,例如,百度,拥有大量的网页信息,而主题广告推广的对象不是用户而是某一类型的页面。通过类比,每种网页类型对应于推荐系统中的一个用户,而每一个广告就对应于推荐系统中的一个物品。
计算广告从前期调查到策划、制作、投放、反馈,再到效果测定的运作流程,本质上就是一系列算法模型组合演算的过程。计算广告的目的在于通过算法集合自动寻找广告、广告环境与受众三者之间的最佳匹配。这种自动化最佳匹配的实现是数据挖掘、信息检索、文本分析、情感计算、机器学习等多种程序算法交互作用的结果。
eCpm计算广告中最为核心的量化指标之一,eCpm=ROI(a,u,c)=CTR(a,u,c).Value(a,u,c),上式中CTR为广告的点击率、Value为广告的点击价值、a(Ad)为广告、c(context)为上下文、u(user)为用户。user由于Value是固定的,实际影响广告主收入的核心因素为广告的点击率。
可见广告点击率(Click-Through Rate Prediction)是互联网计算广告中的关键环节,预估准确性直接影响公司广告收入。提供广告的点击率能使得广告主有更好的ROI。点击率(Click-Through-Rate,CTR)预估是互联网广告投放的核心问题,通过使用机器学习方法,充分利用广告系统日志中的数据进行预测,计算出用户对候选广告点击概率的大小,从中选出被用户点击的概率较大的广告展示给用户。
从上面Ctr(a,u,c)可以看出,要改善广告的点击率,就必须在合适的情景下将广告推荐给匹配的用户。
广告推荐以下几个关键技术因素决定:
1.受众定向投放技术。
客户根据受众的人口统计学特征和兴趣爱好采买受众,包括地理位置、年龄、性别、职业/行业、收入状态、婚姻状态、教育程度和兴趣爱好。
2.用户画像。
通过用户调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,就形成了一个人物原型。
3.CTR预估。
通过采集的投放数据培训CTR预估的模型来预测广告的点击率。
4.机器学习(machine learning)。
计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
现有广告的推荐系统基于CTR预估模型,其主要包括以下步骤:
1.采集广告历史的投放数据;采集广告的展示数据和点击数据;
2.数据预处理,包括:
a)清洗数据格式不合法的记录
b)数据转换:通过广告的点击信息,给广告的展示数据增加相应的标签clicklabel,如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与click label为0的标签,数据样式,click label、impresion{user、ad,adslot、device、app}。将转换后的数据物化;
c)特征处理:将数字属性做归一化,将类别变量做onehotencoding,处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,特征选择可以使用(特征排序);
3.CTR预测模型训练,包括:
将经过特征选择和处理后的数据分成培训集和验证集,用培训集训练CTR模型(可以是LR,LibFm等模型)。
4.CTR预测验证,包括:
使用测试数据来验证训练的模型,通过logloss来评估模型的准确度:
5.CTR预测模型上线验证,包括:
a)使用CTR预测模型来预测线上的广告请求,并计算实际投放的CTR和预测值对比;
从现有的广告推荐系统的CTR预测模型来看,无论采用哪种CTR预测的模型,实际点击率的预测都受到下面数据的影响(请求的媒体(media)、请求的用户、请求的设备、请求中广告位位置信息、广告本身的属性),可以使用以下条件概率表示:P(click|media,device,adslot,ad,user)。从条件概率来看影响CTR模型的准确率在于选择的特征的准确性,即在请求中媒体的信息(media)、设备的信息(device)、广告位的信息(adslot)、广告的信息(信息)。通常下media、device、adslot和ad这些属性的值是准确和稳定的,那个user就是一个影响CTR预测的关键因素,现有机制缺少对用户进行精准画像的机制和数据来获取用户属性和用户属性数据准确度,从而导致CTR预估的准确性不高,从而推荐系统不佳。
发明内容
本发明所要解决的技术问题是提供一种广告个性化推送方法和系统,用于解决现有的广告推荐系统性能不佳的问题。
本发明解决上述技术问题所采取的技术方案如下:
一种广告个性化推送方法,具体包括:
步骤1)通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;
步骤2)对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;
步骤3)使用预处理后的数据进行训练,并选择用户画像的具体模型,形成用户标签库并将得到的用户的信息同步到广告平台,由广告平台将其存储于缓存标签库中;
步骤4)采集平台中历史的广告展示和点击数据,形成CTR广告投放预测模型,并将其存储于CTR预估模型库中;
步骤5)基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
优选的是,步骤1)行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
优选的是,步骤2)种,具体包括:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
优选的是,步骤3)种,用户画像的具体模型的训练过程,包括:
根据用户行为构建模型产出标签、权重,一个事件模型包括:
时间、地点、人物三个要素,其中,每一次用户行为本质上是一次随机事件,可以详细描述为:什么用户,在什么时间,什么地点,做了什么事;
用户画像的数据模型,概括为下面的公式:
用户标识、时间、行为类型+接触点,即某用户因为在什么时间、地点、做了什么事,并对其打上标签;其中,用户标签的权重随时间的增加而衰减,故定义时间为衰减因子r,行为类型、网址决定了权重,内容决定了标签,进一步转换为公式:标签权重=衰减因子×行为权重×App子权重加载使用的模型。
优选的是,步骤4)中,具体包括:
采集线上投放的广告的展示和点击数据;数据预处理,清洗数据格式不合法的记录;
数据转换步骤,具体包括:
根据展示请求数据中的设备ID获取用户标签库中用户的信息(user),并将user合并到展示数据中;
其中,通过广告的点击信息,给广告的展示数据增加相应的标签click label:如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与clicklabel为0的标签,给展示数据数据样式,click label、impresion{user、ad,adslot、device、media}。将转换后的数据物化。
优选的是,还包括:将数字属性做归一化,将类别变量做onehotencoding,处理完后,进行特征选择:分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,或者,使用GBDT、random forest来进行特征选择;
通过训练数据使用以上选定的特征来进行模型的训练,其中,CTR候选模型可以为:LR、LibFM。
优选的是,步骤5)中,具体包括:
接收广告请求,根据请求中的设备ID从用户的标签库中获取到用户的信息,并提供给广告定投使用根据请求中的数据匹配广告定投条件来过滤广告;
将请求数据中media信息、device信息、adslot信息、从标签库中获取的用户信息user和广告的ad,封装成CTR预估模型要求的格式,调用CTR预估模型来获取候选广告的点击率,使用预测点击率和每个广告的成本来获取ROI,选择ROI最高的广告投放。
一种广告个性化推送系统,包括:
数据管理平台,用于通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;使用预处理后的数据进行训练,并选择用户画像的具体模型,并将得到的用户的信息同步到广告平台;
广告平台,用于采集平台中历史的广告展示和点击数据,构建CTR广告投放预测模型;基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
优选的是,所述用户的行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
优选的是,所述数据管理平台,进一步用于:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
本发明通过采集更多的用户数据而不仅仅是展示和点击数据来训练用户画像的模型,改善用户画像的准确性,能有更丰富的数据和精度来描述用户,将广告推荐给最匹配的用户,可以改善用户体验,从而也提高CTR预测模型的准确度。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
下面结合附图对本发明进行详细的描述,以使得本发明的上述优点更加明确。其中,
图1是本发明广告个性化推送方法的流程示意图;
图2是本发明广告个性化推送方法的流程示意图;
图3是本发明广告个性化推送方法的流程示意图;
图4是本发明广告个性化推送方法的流程示意图;
图5是本发明广告个性化推送系统的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
CPM:按广告每千次被展现,成为一个CPM;
CTR:Click-Through Rate Prediction点击转化率
DMP:Data manage Platform数据管理平台
ROI:Return Of Investment投资回报率
GBDT:Gradient Boost Decision Tree随机梯度下降树
RF:Random Forest随机森林
LR:logic regression逻辑回归算法
LibFm:Factorization Machine Library
AUC:area under curve评估模型的准确度,越大模型越优
LogLoss:逻辑损失函数,值越小,模型更优
实施例一:
具体来说,如图1所示,从广告点击率预测模型的训练和使用来看,要想提高广告点击率预测的准确度,就必须将广告推荐给合适的用户,这就要求我们对用户的画像足够精准,如果要得到更精准的用户画像,我们必须采集更多的用户数据(不仅仅是展示和点击数据)来训练用户画像的模型,改善用户画像的准确性,能有更丰富的数据和精度来描述用户,将广告推荐给最匹配的用户,可以改善用户体验,从而也提高CTR预测模型的准确度。
如图1,一种广告个性化推送方法,具体包括:
步骤1)通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;
步骤2)对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;
步骤3)使用预处理后的数据进行训练,并选择用户画像的具体模型,形成用户标签库并将得到的用户的信息同步到广告平台,由广告平台将其存储于缓存标签库中;
步骤4)采集平台中历史的广告展示和点击数据,形成CTR广告投放预测模型,并将其存储于CTR预估模型库中;
步骤5)基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
本发明通过采集更多的用户数据而不仅仅是展示和点击数据来训练用户画像的模型,改善用户画像的准确性,能有更丰富的数据和精度来描述用户,将广告推荐给最匹配的用户,可以改善用户体验,从而也提高CTR预测模型的准确度。
实施例二:
更具体地说,本发明的技术实现原理,如下:
第一步:用户画像
数据采集:在广告提供中加入用户在广告互动信息的信息的采集,通过爬虫程序获取外部数据,从而丰富数据,提高画像的准确率和覆盖程度
用户画像模型选择:使用采集的数据培训和选择用户画像的模型
用户画像将用户画像得到的用户的信息同步到广告平台
第二步:训练CTR预测模型,包括:
采集历史广告展示和点击数据
数据预处理:将数据转化为具有准确用户信息和标签的数据样本
模型培训和选择:使用预处理后的数据培训和选择CTR预测模型
第三步:CTR预估模型线上验证
使用选定的CTR预估模型来投放广告,并根据反馈计算实际的CTR,比较预测的CTR。
其中,优选的是,步骤1)行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
优选的是,步骤2)种,具体包括:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
优选的是,步骤3)种,用户画像的具体模型的训练过程,包括:
根据用户行为构建模型产出标签、权重,一个事件模型包括:
时间、地点、人物三个要素,其中,每一次用户行为本质上是一次随机事件,可以详细描述为:什么用户,在什么时间,什么地点,做了什么事;
用户画像的数据模型,概括为下面的公式:
用户标识、时间、行为类型+接触点,即某用户因为在什么时间、地点、做了什么事,并对其打上标签;其中,用户标签的权重随时间的增加而衰减,故定义时间为衰减因子r,行为类型、网址决定了权重,内容决定了标签,进一步转换为公式:标签权重=衰减因子×行为权重×App子权重加载使用的模型。
优选的是,步骤4)中,具体包括:
采集线上投放的广告的展示和点击数据;数据预处理,清洗数据格式不合法的记录;
数据转换步骤,具体包括:
根据展示请求数据中的设备ID获取用户标签库中用户的信息(user),并将user合并到展示数据中;
其中,通过广告的点击信息,给广告的展示数据增加相应的标签click label:如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与clicklabel为0的标签,给展示数据数据样式,click label、impresion{user、ad,adslot、device、media}。将转换后的数据物化。
优选的是,还包括:将数字属性做归一化,将类别变量做onehotencoding,处理完后,进行特征选择:分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,或者,使用GBDT、random forest来进行特征选择;
通过训练数据使用以上选定的特征来进行模型的训练,其中,CTR候选模型可以为:LR、LibFM。
优选的是,步骤5)中,具体包括:
接收广告请求,根据请求中的设备ID从用户的标签库中获取到用户的信息,并提供给广告定投使用根据请求中的数据匹配广告定投条件来过滤广告;
将请求数据中media信息、device信息、adslot信息、从标签库中获取的用户信息user和广告的ad,封装成CTR预估模型要求的格式,调用CTR预估模型来获取候选广告的点击率,使用预测点击率和每个广告的成本来获取ROI,选择ROI最高的广告投放。
实施例三:
如图2-4所示,其中,在一个实施例中,本发明先采集历史的广告平台中用户的展示、点击和互动数据,并且通过爬虫采集外部的用户行为数据,通过数据来进行用户画像,然后通过对画像的用户数据合并到用户的展示数据数据中来训练CTR模型。最后将CTR模型应用到广告投放中。
其中,主要包括以下几个主要步骤:
1)DMP用户画像:
1.1.数据采集:
在广告提供中加入用户在广告互动信息的信息的采集,通过爬虫程序获取外部数据,静态信息数据,用户相对稳定的信息,如图所示,主要包括人口属性、商业属性等方面数据。这类信息,自成标签,如果企业有真实信息则无需过多建模预测,更多的是数据清洗工作。动态信息数据;用户不断变化的行为信息:比如浏览、搜索、评论转发、购买、like等等一切用户在移动互联网上的行为。用户行为的接触点:用户产生行为的各类媒介和app,比如新闻网站、游戏、视频等等接触点
1.2.数据预处理:
1.2.1.清洗数据格式不合法的记录;
1.2.2.数据转换:将转换后的数据物化;
1.2.3.特征处理:
将数字属性做归一化,将类别变量做onehotencoding,处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择;
1.3.画像模型训练:
根据用户行为构建模型产出标签、权重,一个事件模型包括:时间、地点、人物三个要素。每一次用户行为本质上是一次随机事件,可以详细描述为:什么用户,在什么时间,什么地点,做了什么事。用户画像的数据模型,可以概括为下面的公式:用户标识+时间+行为类型+接触点(app+内容),某用户因为在什么时间、地点、做了什么事。所以会打上**标签。用户标签的权重可能随时间的增加而衰减,因此定义时间为衰减因子r,行为类型、网址决定了权重,内容决定了标签,进一步转换为公式:标签权重=衰减因子×行为权重×App子权重加载使用的模型;
1.4.模型验证:
使用测试数据来验证模型预测的准确度,选择精度最好的模型。
1.5.用户画像:
使用用户画像数据给用户画像;
2)CRT预估模型训练:
2.1.采集线上投放的广告的展示和点击数据;
2.2.数据预处理;
2.2.1.清洗数据格式不合法的记录;
2.2.2.数据转换;
根据展示请求数据中的设备ID获取用户标签库中用户的信息(user),并将user合并到展示数据中。通过广告的点击信息,给广告的展示数据增加相应的标签click label:如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与clicklabel为0的标签,给展示数据数据样式,click label、impresion{user、ad,adslot、device、media}。将转换后的数据物化;
2.2.3.特征处理;
将数字属性做归一化,将类别变量做onehotencoding,处理完后,进行特征选择:分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,也可使用GBDT、random forest来进行特征选择;
2.3.CTR预测的模型培训;
通过训练数据使用2.2.3选定的特征来进行模型的训练(CTR候选模型可以为:LR、LibFM);
2.4.CTR预估模型验证;
使用损失函数在测试数据来评估各个模型的准确度(分类的损失函数可以AUC\logLoss),选择精确度最高的模型作为CTR预估模型;
2.5.CTR预估上线验证;
将2.4选择的模型同步给广告投放引擎进行CTR预测使用;
3)线上投放验证,使用CRT预估模型进行广告投放;
3.1.定投过滤;
接收广告请求,根据请求中的设备ID从用户的标签库中获取到用户的信息,并提供给广告定投使用根据请求中的数据匹配广告定投条件来过滤广告;
3.2.CTR预估;
将请求数据中media信息、device信息、adslot信息、从标签库中获取的用户信息user和广告的ad,封装成CTR预估模型要求的格式,调用CTR预估模型来获取候选广告的点击率,使用预测点击率和每个广告的成本来获取ROI,选择ROI最高的广告投放;
3.3.广告投放;
将3.2选择的广告投放是用户侧;
3.4.模型效果评估;
计算使用CTR预估模型投放的广告,计算实际广告的CTR。
其中,在另一个实施例中,其中,
1)DMP用户画像;
1.1.数据采集;
在广告提供中加入用户在广告互动信息的信息的采集,通过爬虫程序获取外部数据,包括静态信息数据和动态信息数据(用户的广告互动行为);
1.2.数据预处理;
1.2.1.清洗数据格式不合法的记录;
1.2.2.数据转换:将转换后的数据物化;
1.2.3.特征处理;
将数字属性做归一化,将类别变量做onehotencoding,处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,特征选择可以使用(特征排序);
1.3.画像模型训练;
使用下面的模型来训练:标签权重=衰减因子×行为权重×App权重;
1.4.模型验证;
使用测试数据来验证模型预测的准确度;
1.5.用户画像;
使用用户画像数据给用户画像,选择标签权重>0.8的标签来给用户画像,将用户画像物化并同步到广告系统;
2)CRT预估模型训练;
2.1.采集线上投放的广告的展示和点击数据;
2.2.数据预处理;
2.2.1.清洗数据格式不合法的记录;
2.2.2.数据转换;
根据展示请求数据中的设备ID获取用户标签库中用户的信息(user),并将user合并到展示数据中。通过广告的点击信息,给广告的展示数据增加相应的标签click label:如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与clicklabel为0的标签,给展示数据数据样式,click label、impresion{user、ad,adslot、device、media}。将转换后的数据物化;
2.2.3.特征处理;
将数字属性做归一化,将类别变量做onehotencoding,处理完后,使用GBDT进行特征选择。
2.3.CTR预测的模型培训;
通过训练数据使用5.2.3使用GBDT特征选择算法选定的特征来进行对LibFM模型进行训练;
2.4.CTR预估模型验证;
使用损失函数在测试数据上来评估libFm模型在不同参数的准确度(分类的损失函数为logLoss),选择精确度最高的模型作为CTR预估模型。
2.5.CTR预估上线验证;
将2.4选择的模型同步给广告投放引擎进行CTR预测使用;
3)线上投放验证:使用CRT预估模型进行广告投放,验证实际点击率和预测值的差别;
3.1.线上投放验证定投过滤;
接收广告请求,根据请求中的设备ID从用户的标签库中获取到用户的信息,并提供给广告定投使用根据请求中的数据匹配广告定投条件来过滤广告;
3.2.CTR预估;
将请求数据中media信息、device信息、adslot信息、从标签库中获取的用户信息user和广告的ad,封装成CTR预估模型要求的格式,调用CTR预估模型来获取候选广告的点击率,使用预测点击率和每个广告的成本来获取ROI,选择ROI最高的广告投放;
3.3.广告投放;
将3.2选择的广告投放是用户侧;
3.4.模型效果评估;
计算使用libFm预估模型投放的广告,计算实际广告的CTR。
实施例四:
如图5所示,一种广告个性化推送系统,包括:
数据管理平台,用于通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;使用预处理后的数据进行训练,并选择用户画像的具体模型,并将得到的用户的信息同步到广告平台;
广告平台,用于采集平台中历史的广告展示和点击数据,构建CTR广告投放预测模型;基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
优选的是,所述用户的行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
优选的是,所述数据管理平台,进一步用于:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
本发明通过采集更多的用户数据而不仅仅是展示和点击数据来训练用户画像的模型,改善用户画像的准确性,能有更丰富的数据和精度来描述用户,将广告推荐给最匹配的用户,可以改善用户体验,从而也提高CTR预测模型的准确度。
需要说明的是,对于上述方法实施例而言,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种广告个性化推送方法,其特征在于,包括:
步骤1)通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;
步骤2)对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;
步骤3)使用预处理后的数据进行训练,并选择用户画像的具体模型,形成用户标签库并将得到的用户的信息同步到广告平台,由广告平台将其存储于缓存标签库中;
步骤4)采集平台中历史的广告展示和点击数据,形成CTR广告投放预测模型,并将其存储于CTR预估模型库中;
步骤5)基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
2.根据权利要求1所述的广告个性化推送系统,其特征在于,步骤1)行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
3.根据权利要求1所述的广告个性化推送系统,其特征在于,步骤2)种,具体包括:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
4.根据权利要求1所述的广告个性化推送方法,其特征在于,步骤3)种,用户画像的具体模型的训练过程,包括:
根据用户行为构建模型产出标签、权重,一个事件模型包括:
时间、地点、人物三个要素,其中,每一次用户行为本质上是一次随机事件,可以详细描述为:什么用户,在什么时间,什么地点,做了什么事;
用户画像的数据模型,概括为下面的公式:
用户标识、时间、行为类型+接触点,即某用户因为在什么时间、地点、做了什么事,并对其打上标签;其中,用户标签的权重随时间的增加而衰减,故定义时间为衰减因子r,行为类型、网址决定了权重,内容决定了标签,进一步转换为公式:标签权重=衰减因子×行为权重×App子权重加载使用的模型。
5.根据权利要求1所述的广告个性化推送方法,其特征在于,步骤4)中,具体包括:
采集线上投放的广告的展示和点击数据;数据预处理,清洗数据格式不合法的记录;
数据转换步骤,具体包括:
根据展示请求数据中的设备ID获取用户标签库中用户的信息(user),并将user合并到展示数据中;
其中,通过广告的点击信息,给广告的展示数据增加相应的标签click label:如果展示在后续被点击,则给此展示click label为1的标签,未产生点击的展示给与click label为0的标签,给展示数据数据样式,click label、impresion{user、ad,adslot、device、media}。将转换后的数据物化。
6.根据权利要求5所述的广告个性化推送方法,其特征在于,还包括:
将数字属性做归一化,将类别变量做onehotencoding,处理完后,进行特征选择:分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择,或者,使用GBDT、random forest来进行特征选择;
通过训练数据使用以上选定的特征来进行模型的训练,其中,CTR候选模型可以为:LR、LibFM。
7.根据权利要求1所述的广告个性化推送方法,其特征在于,步骤5)中,具体包括:
接收广告请求,根据请求中的设备ID从用户的标签库中获取到用户的信息,并提供给广告定投使用根据请求中的数据匹配广告定投条件来过滤广告;
将请求数据中media信息、device信息、adslot信息、从标签库中获取的用户信息user和广告的ad,封装成CTR预估模型要求的格式,调用CTR预估模型来获取候选广告的点击率,使用预测点击率和每个广告的成本来获取ROI,选择ROI最高的广告投放。
8.一种广告个性化推送系统,其特征在于,包括:
数据管理平台,用于通过爬虫获取第三方外部数据,并从中统计出某一用户的行为数据;获取平台中对用户的广告的展示、点击和互动数据的内部数据;对以上第三方外部数据和内部数据进行预处理,并将其据转化为具有准确用户信息和标签的数据样本;使用预处理后的数据进行训练,并选择用户画像的具体模型,并将得到的用户的信息同步到广告平台;
广告平台,用于采集平台中历史的广告展示和点击数据,构建CTR广告投放预测模型;基于所述用户的信息和所述CTR广告投放预测模型,对某一用户进行广告精准投放。
9.根据权利要求8所述的广告个性化推送系统,其特征在于,所述用户的行为数据具体包括:
静态数据,包括:人口属性、商业属性方面数据,这些数据自成标签;
动态信息数据,包括:用户不断变化的行为信息,即:
包括:用户浏览、搜索、评论转发、购买或like一切用户在移动互联网上的行为和用户行为的接触点,其中,所述接触点为用户产生行为的各类媒介和app。
10.根据权利要求8所述的广告个性化推送系统,其特征在于,所述数据管理平台,进一步用于:数据清洗,清洗数据格式不合法的记录,将转换后的数据物化;
将数字属性做归一化,将类别变量做独热编码(onehotencoding);
处理完后,分析点击标签和展示数据各个属性的相关关系,采用wrapping的方式进行特征的选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710000832.7A CN106803190A (zh) | 2017-01-03 | 2017-01-03 | 一种广告个性化推送系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710000832.7A CN106803190A (zh) | 2017-01-03 | 2017-01-03 | 一种广告个性化推送系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106803190A true CN106803190A (zh) | 2017-06-06 |
Family
ID=58985752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710000832.7A Pending CN106803190A (zh) | 2017-01-03 | 2017-01-03 | 一种广告个性化推送系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803190A (zh) |
Cited By (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426220A (zh) * | 2017-07-28 | 2017-12-01 | 浙江每日互动网络科技股份有限公司 | 一种信息精准投放的方法 |
CN107424016A (zh) * | 2017-08-10 | 2017-12-01 | 安徽大学 | 一种在线招聘广告推荐的实时竞价方法及其系统 |
CN107463853A (zh) * | 2017-08-04 | 2017-12-12 | 晶赞广告(上海)有限公司 | 受众标签分析的方法及系统 |
CN107481031A (zh) * | 2017-07-19 | 2017-12-15 | 安徽拓通信科技集团股份有限公司 | 基于大数据的广告roi检测方法 |
CN107562857A (zh) * | 2017-08-28 | 2018-01-09 | 江西博瑞彤芸科技有限公司 | 一种资讯管理方法及系统 |
CN107786376A (zh) * | 2017-10-20 | 2018-03-09 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN107908606A (zh) * | 2017-10-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 基于不同信息源自动生成报表的方法和系统 |
CN108038732A (zh) * | 2017-12-25 | 2018-05-15 | 北京比利信息技术有限公司 | 一种品牌广告运营方法及装置 |
CN108509806A (zh) * | 2018-04-09 | 2018-09-07 | 北京东方网润科技有限公司 | 一种具有隐私保护的大数据精准营销系统及设备 |
CN108564404A (zh) * | 2018-04-09 | 2018-09-21 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN108596647A (zh) * | 2018-03-16 | 2018-09-28 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置及电子设备 |
CN108665310A (zh) * | 2018-05-08 | 2018-10-16 | 多盟睿达科技(中国)有限公司 | 一种基于探测预估技术的广告投放方法及系统 |
CN108769198A (zh) * | 2018-05-29 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108776907A (zh) * | 2018-05-31 | 2018-11-09 | 康键信息技术(深圳)有限公司 | 广告智能推荐方法、服务器及存储介质 |
CN108805383A (zh) * | 2018-03-20 | 2018-11-13 | 东华大学 | 一种基于服装洗护大数据的用户画像平台及应用 |
CN108960899A (zh) * | 2018-06-11 | 2018-12-07 | 广东因特利信息科技股份有限公司 | 用于广告投放的用户信息交互方法及系统 |
CN109034907A (zh) * | 2018-08-06 | 2018-12-18 | 北京三快在线科技有限公司 | 广告数据投放方法及装置、电子设备、存储介质 |
CN109034855A (zh) * | 2017-06-12 | 2018-12-18 | 中国移动通信集团浙江有限公司 | 一种广告信息推送的方法及服务器 |
CN109067636A (zh) * | 2018-06-05 | 2018-12-21 | 网易无尾熊(杭州)科技有限公司 | 一种基于社交网络的信息推送装置方法、装置、介质和计算设备 |
CN109088942A (zh) * | 2018-09-14 | 2018-12-25 | 腾讯科技(北京)有限公司 | 广告请求流量筛选方法、装置及品牌广告引擎 |
CN109213802A (zh) * | 2018-08-16 | 2019-01-15 | 北京百度网讯科技有限公司 | 用户画像构建方法、装置、终端和计算机可读存储介质 |
CN109255067A (zh) * | 2018-07-19 | 2019-01-22 | 国政通科技有限公司 | 一种基于大数据智能推荐方法和装置 |
CN109360012A (zh) * | 2018-08-22 | 2019-02-19 | 中国平安人寿保险股份有限公司 | 广告投放渠道的选择方法及装置、存储介质、电子设备 |
CN109408723A (zh) * | 2018-11-06 | 2019-03-01 | 北京奇艺世纪科技有限公司 | 一种推送方法及装置 |
CN109447688A (zh) * | 2018-09-27 | 2019-03-08 | 平安科技(深圳)有限公司 | 广告投放方法、装置及存储设备、计算机设备 |
CN109615408A (zh) * | 2018-10-24 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于大数据的广告投放方法及装置、存储介质、电子设备 |
CN109636491A (zh) * | 2019-01-25 | 2019-04-16 | 西窗科技(苏州)有限公司 | 一种搜索引擎广告关键词投放的优化方法及装置 |
CN109784961A (zh) * | 2017-11-13 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN109840782A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 点击率预测方法、装置、服务器以及存储介质 |
CN109995865A (zh) * | 2019-04-03 | 2019-07-09 | 广东工业大学 | 一种基于移动边缘计算的数据信息的请求响应方法及装置 |
CN109993559A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 模型训练方法和系统 |
CN110009401A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 基于用户画像的广告投放方法、装置和存储介质 |
CN110097388A (zh) * | 2018-01-31 | 2019-08-06 | 上海甚术网络科技有限公司 | 一种网络广告数据分析方法 |
CN110189163A (zh) * | 2019-04-30 | 2019-08-30 | 北京三快在线科技有限公司 | 推广内容的评价方法、装置、电子设备和存储介质 |
CN110223108A (zh) * | 2019-05-27 | 2019-09-10 | 北京金山安全软件有限公司 | 点击通过率的预测方法、装置及设备 |
CN110288112A (zh) * | 2018-03-19 | 2019-09-27 | 朱将中 | 一种面向范围广的智能投顾的判断方法 |
CN110415063A (zh) * | 2018-07-31 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子设备及可读介质 |
CN110602531A (zh) * | 2019-08-28 | 2019-12-20 | 四川长虹电器股份有限公司 | 一种给智能电视推荐广告的系统 |
CN110648156A (zh) * | 2018-06-27 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 广告处理方法、装置和设备 |
CN110688553A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于数据分析的信息推送方法、装置、计算机设备及存储介质 |
CN110991490A (zh) * | 2019-11-11 | 2020-04-10 | 广州荔支网络技术有限公司 | 一种智能音频平台广告投放方法 |
CN111144924A (zh) * | 2019-11-25 | 2020-05-12 | 陈树铭 | 一种基于影视作品的广告制作、投放和互动方法 |
CN111160940A (zh) * | 2018-11-08 | 2020-05-15 | 中国移动通信集团上海有限公司 | 一种广告投放方法及系统 |
CN111178983A (zh) * | 2020-01-03 | 2020-05-19 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
CN111177571A (zh) * | 2020-01-13 | 2020-05-19 | 海南大学 | 价值驱动的多因素维度空间多介尺度融合的动态推荐系统 |
CN111222915A (zh) * | 2019-12-31 | 2020-06-02 | 上海昌投网络科技有限公司 | 一种基于线性回归模型的公众号roi预估方法及装置 |
CN111275486A (zh) * | 2020-01-17 | 2020-06-12 | 北京光速斑马数据科技有限公司 | 消费者研究方法和系统 |
CN111401963A (zh) * | 2020-03-20 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
WO2020142926A1 (zh) * | 2019-01-09 | 2020-07-16 | 深圳市欢太科技有限公司 | 一种广告推送方法及相关设备 |
CN111815368A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN111882347A (zh) * | 2020-06-28 | 2020-11-03 | 北京达佳互联信息技术有限公司 | 模型性能的检测方法、装置、计算机设备及存储介质 |
CN111950574A (zh) * | 2019-05-15 | 2020-11-17 | 北京荣森利泰科贸有限公司 | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 |
CN112015977A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112053179A (zh) * | 2019-06-06 | 2020-12-08 | 上海晶赞融宣科技有限公司 | 信息发布方法及装置、存储介质、终端 |
CN112085532A (zh) * | 2020-09-10 | 2020-12-15 | 网易(杭州)网络有限公司 | 一种插入广告的方法、装置、计算机设备和介质 |
CN112348549A (zh) * | 2020-09-16 | 2021-02-09 | 广州阿凡提电子科技有限公司 | 广告运营方法、智能终端以及存储装置 |
CN112418935A (zh) * | 2020-11-24 | 2021-02-26 | 陈敏 | 基于大数据和广告推送的数据处理方法及大数据平台 |
CN112508284A (zh) * | 2020-12-10 | 2021-03-16 | 网易(杭州)网络有限公司 | 展示物料预处理方法、投放方法、系统、装置与设备 |
CN112700285A (zh) * | 2021-01-08 | 2021-04-23 | 北京明略昭辉科技有限公司 | 用于预测用户属性标签的方法及装置、设备 |
CN112749984A (zh) * | 2019-10-31 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 推广信息的处理方法、装置、计算机可读介质及电子设备 |
CN112784151A (zh) * | 2019-11-08 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种确定推荐信息的方法及相关装置 |
CN112862544A (zh) * | 2021-03-15 | 2021-05-28 | 重庆度小满优扬科技有限公司 | 对象信息的获取方法、装置以及存储介质 |
CN113032445A (zh) * | 2021-05-24 | 2021-06-25 | 武汉卓尔数字传媒科技有限公司 | 一种数据转化排序方法、装置和电子设备 |
CN113052635A (zh) * | 2021-03-30 | 2021-06-29 | 北京明略昭辉科技有限公司 | 人口属性标签预测方法、系统、计算机设备和存储介质 |
CN113112308A (zh) * | 2021-05-06 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 设备标注方法、系统和定向信息推送的方法和系统 |
CN113139827A (zh) * | 2020-01-20 | 2021-07-20 | 上海哔哩哔哩科技有限公司 | 用户个性化特征挖掘方法和系统 |
CN113569264A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 数据安全处理方法、装置及电子设备 |
CN114331561A (zh) * | 2022-01-06 | 2022-04-12 | 广州岸边网络科技有限公司 | 一种智能广告信息投放匹配系统及方法 |
CN114663149A (zh) * | 2022-03-24 | 2022-06-24 | 润联软件系统(深圳)有限公司 | 一种基于隐私保护的产品投放方法及其相关设备 |
CN115115401A (zh) * | 2022-06-27 | 2022-09-27 | 上海汇付支付有限公司 | 一种网络广告聚合平台系统及其运行方法 |
CN115409553A (zh) * | 2022-08-30 | 2022-11-29 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN116228319A (zh) * | 2023-05-04 | 2023-06-06 | 广州钛动科技股份有限公司 | 基于埋点的智能广告投放方法与系统 |
CN116805255A (zh) * | 2023-06-05 | 2023-09-26 | 深圳市瀚力科技有限公司 | 基于用户画像分析的广告自动优化投放系统 |
CN116911929A (zh) * | 2023-09-13 | 2023-10-20 | 北京茄豆网络科技有限公司 | 基于大数据的广告服务终端及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592235A (zh) * | 2011-12-28 | 2012-07-18 | 北京品友互动信息技术有限公司 | 一种互联网广告投放系统 |
CN105260913A (zh) * | 2015-10-16 | 2016-01-20 | 上海晶赞科技发展有限公司 | 用于互联网广告投放的ctr预估方法、dsp服务器、系统 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN105787767A (zh) * | 2016-03-03 | 2016-07-20 | 上海珍岛信息技术有限公司 | 一种广告点击率预估模型获取方法与系统 |
CN105956888A (zh) * | 2016-05-31 | 2016-09-21 | 北京创意魔方广告有限公司 | 广告个性化展示方法 |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
-
2017
- 2017-01-03 CN CN201710000832.7A patent/CN106803190A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592235A (zh) * | 2011-12-28 | 2012-07-18 | 北京品友互动信息技术有限公司 | 一种互联网广告投放系统 |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
CN105260913A (zh) * | 2015-10-16 | 2016-01-20 | 上海晶赞科技发展有限公司 | 用于互联网广告投放的ctr预估方法、dsp服务器、系统 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN105787767A (zh) * | 2016-03-03 | 2016-07-20 | 上海珍岛信息技术有限公司 | 一种广告点击率预估模型获取方法与系统 |
CN105956888A (zh) * | 2016-05-31 | 2016-09-21 | 北京创意魔方广告有限公司 | 广告个性化展示方法 |
Non-Patent Citations (3)
Title |
---|
余孟杰: "产品研发中用户画像的数据模建――从具象到抽象", 《设计艺术研究》 * |
元明顺等: "《基于大数据驱动的市场研究实验教程》", 30 September 2016 * |
陆枫等: "基于细粒度标签的在线视频广告投放机制研究", 《计算机研究与发展》 * |
Cited By (100)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034855A (zh) * | 2017-06-12 | 2018-12-18 | 中国移动通信集团浙江有限公司 | 一种广告信息推送的方法及服务器 |
CN107481031A (zh) * | 2017-07-19 | 2017-12-15 | 安徽拓通信科技集团股份有限公司 | 基于大数据的广告roi检测方法 |
CN107426220A (zh) * | 2017-07-28 | 2017-12-01 | 浙江每日互动网络科技股份有限公司 | 一种信息精准投放的方法 |
CN107426220B (zh) * | 2017-07-28 | 2019-08-20 | 浙江每日互动网络科技股份有限公司 | 一种信息精准投放的方法 |
CN107463853A (zh) * | 2017-08-04 | 2017-12-12 | 晶赞广告(上海)有限公司 | 受众标签分析的方法及系统 |
CN107424016B (zh) * | 2017-08-10 | 2020-10-23 | 安徽大学 | 一种在线招聘广告推荐的实时竞价方法及其系统 |
CN107424016A (zh) * | 2017-08-10 | 2017-12-01 | 安徽大学 | 一种在线招聘广告推荐的实时竞价方法及其系统 |
CN107562857A (zh) * | 2017-08-28 | 2018-01-09 | 江西博瑞彤芸科技有限公司 | 一种资讯管理方法及系统 |
CN107786376A (zh) * | 2017-10-20 | 2018-03-09 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN107908606A (zh) * | 2017-10-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 基于不同信息源自动生成报表的方法和系统 |
CN109784961A (zh) * | 2017-11-13 | 2019-05-21 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
CN109840782A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 点击率预测方法、装置、服务器以及存储介质 |
CN108038732A (zh) * | 2017-12-25 | 2018-05-15 | 北京比利信息技术有限公司 | 一种品牌广告运营方法及装置 |
CN109993559A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 模型训练方法和系统 |
CN110097388A (zh) * | 2018-01-31 | 2019-08-06 | 上海甚术网络科技有限公司 | 一种网络广告数据分析方法 |
CN108596647A (zh) * | 2018-03-16 | 2018-09-28 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置及电子设备 |
CN108596647B (zh) * | 2018-03-16 | 2021-12-17 | 北京奇艺世纪科技有限公司 | 一种广告投放方法、装置及电子设备 |
CN110288112A (zh) * | 2018-03-19 | 2019-09-27 | 朱将中 | 一种面向范围广的智能投顾的判断方法 |
CN108805383A (zh) * | 2018-03-20 | 2018-11-13 | 东华大学 | 一种基于服装洗护大数据的用户画像平台及应用 |
CN108564404B (zh) * | 2018-04-09 | 2021-10-15 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN108509806A (zh) * | 2018-04-09 | 2018-09-07 | 北京东方网润科技有限公司 | 一种具有隐私保护的大数据精准营销系统及设备 |
CN108564404A (zh) * | 2018-04-09 | 2018-09-21 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN108509806B (zh) * | 2018-04-09 | 2022-03-11 | 北京东方网润科技有限公司 | 一种具有隐私保护的大数据精准营销系统及设备 |
CN108665310A (zh) * | 2018-05-08 | 2018-10-16 | 多盟睿达科技(中国)有限公司 | 一种基于探测预估技术的广告投放方法及系统 |
CN108769198A (zh) * | 2018-05-29 | 2018-11-06 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108769198B (zh) * | 2018-05-29 | 2021-11-12 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108776907A (zh) * | 2018-05-31 | 2018-11-09 | 康键信息技术(深圳)有限公司 | 广告智能推荐方法、服务器及存储介质 |
CN108776907B (zh) * | 2018-05-31 | 2023-07-25 | 康键信息技术(深圳)有限公司 | 广告智能推荐方法、服务器及存储介质 |
CN109067636A (zh) * | 2018-06-05 | 2018-12-21 | 网易无尾熊(杭州)科技有限公司 | 一种基于社交网络的信息推送装置方法、装置、介质和计算设备 |
CN108960899A (zh) * | 2018-06-11 | 2018-12-07 | 广东因特利信息科技股份有限公司 | 用于广告投放的用户信息交互方法及系统 |
CN110648156A (zh) * | 2018-06-27 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 广告处理方法、装置和设备 |
CN109255067A (zh) * | 2018-07-19 | 2019-01-22 | 国政通科技有限公司 | 一种基于大数据智能推荐方法和装置 |
CN110415063A (zh) * | 2018-07-31 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置、电子设备及可读介质 |
CN109034907A (zh) * | 2018-08-06 | 2018-12-18 | 北京三快在线科技有限公司 | 广告数据投放方法及装置、电子设备、存储介质 |
CN109213802A (zh) * | 2018-08-16 | 2019-01-15 | 北京百度网讯科技有限公司 | 用户画像构建方法、装置、终端和计算机可读存储介质 |
CN109213802B (zh) * | 2018-08-16 | 2020-12-22 | 北京百度网讯科技有限公司 | 用户画像构建方法、装置、终端和计算机可读存储介质 |
CN109360012A (zh) * | 2018-08-22 | 2019-02-19 | 中国平安人寿保险股份有限公司 | 广告投放渠道的选择方法及装置、存储介质、电子设备 |
CN109360012B (zh) * | 2018-08-22 | 2023-06-23 | 中国平安人寿保险股份有限公司 | 广告投放渠道的选择方法及装置、存储介质、电子设备 |
CN109088942A (zh) * | 2018-09-14 | 2018-12-25 | 腾讯科技(北京)有限公司 | 广告请求流量筛选方法、装置及品牌广告引擎 |
CN109088942B (zh) * | 2018-09-14 | 2022-02-25 | 腾讯科技(北京)有限公司 | 广告请求流量筛选方法、装置及品牌广告引擎 |
CN109447688A (zh) * | 2018-09-27 | 2019-03-08 | 平安科技(深圳)有限公司 | 广告投放方法、装置及存储设备、计算机设备 |
CN109615408A (zh) * | 2018-10-24 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于大数据的广告投放方法及装置、存储介质、电子设备 |
CN109615408B (zh) * | 2018-10-24 | 2024-04-05 | 中国平安人寿保险股份有限公司 | 基于大数据的广告投放方法及装置、存储介质、电子设备 |
CN109408723A (zh) * | 2018-11-06 | 2019-03-01 | 北京奇艺世纪科技有限公司 | 一种推送方法及装置 |
CN111160940A (zh) * | 2018-11-08 | 2020-05-15 | 中国移动通信集团上海有限公司 | 一种广告投放方法及系统 |
CN113015996A (zh) * | 2019-01-09 | 2021-06-22 | 深圳市欢太科技有限公司 | 一种广告推送方法及相关设备 |
WO2020142926A1 (zh) * | 2019-01-09 | 2020-07-16 | 深圳市欢太科技有限公司 | 一种广告推送方法及相关设备 |
CN109636491A (zh) * | 2019-01-25 | 2019-04-16 | 西窗科技(苏州)有限公司 | 一种搜索引擎广告关键词投放的优化方法及装置 |
CN110009401A (zh) * | 2019-03-18 | 2019-07-12 | 康美药业股份有限公司 | 基于用户画像的广告投放方法、装置和存储介质 |
CN109995865A (zh) * | 2019-04-03 | 2019-07-09 | 广东工业大学 | 一种基于移动边缘计算的数据信息的请求响应方法及装置 |
CN110189163A (zh) * | 2019-04-30 | 2019-08-30 | 北京三快在线科技有限公司 | 推广内容的评价方法、装置、电子设备和存储介质 |
CN111950574A (zh) * | 2019-05-15 | 2020-11-17 | 北京荣森利泰科贸有限公司 | 一种基于可穿戴设备的礼仪培训信息推送方法及装置 |
CN110223108A (zh) * | 2019-05-27 | 2019-09-10 | 北京金山安全软件有限公司 | 点击通过率的预测方法、装置及设备 |
CN112053179A (zh) * | 2019-06-06 | 2020-12-08 | 上海晶赞融宣科技有限公司 | 信息发布方法及装置、存储介质、终端 |
CN110688553A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于数据分析的信息推送方法、装置、计算机设备及存储介质 |
CN110602531A (zh) * | 2019-08-28 | 2019-12-20 | 四川长虹电器股份有限公司 | 一种给智能电视推荐广告的系统 |
CN110602531B (zh) * | 2019-08-28 | 2021-06-22 | 四川长虹电器股份有限公司 | 一种给智能电视推荐广告的系统 |
CN112749984A (zh) * | 2019-10-31 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 推广信息的处理方法、装置、计算机可读介质及电子设备 |
CN112784151B (zh) * | 2019-11-08 | 2024-02-06 | 北京搜狗科技发展有限公司 | 一种确定推荐信息的方法及相关装置 |
CN112784151A (zh) * | 2019-11-08 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种确定推荐信息的方法及相关装置 |
CN110991490A (zh) * | 2019-11-11 | 2020-04-10 | 广州荔支网络技术有限公司 | 一种智能音频平台广告投放方法 |
CN111144924A (zh) * | 2019-11-25 | 2020-05-12 | 陈树铭 | 一种基于影视作品的广告制作、投放和互动方法 |
CN111222915A (zh) * | 2019-12-31 | 2020-06-02 | 上海昌投网络科技有限公司 | 一种基于线性回归模型的公众号roi预估方法及装置 |
CN111178983A (zh) * | 2020-01-03 | 2020-05-19 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
CN111178983B (zh) * | 2020-01-03 | 2024-03-12 | 北京搜狐新媒体信息技术有限公司 | 用户性别预测方法、装置、设备及存储介质 |
CN111177571A (zh) * | 2020-01-13 | 2020-05-19 | 海南大学 | 价值驱动的多因素维度空间多介尺度融合的动态推荐系统 |
CN111177571B (zh) * | 2020-01-13 | 2020-11-27 | 海南大学 | 价值驱动的多因素维度空间多介尺度融合的动态推荐系统 |
CN111275486A (zh) * | 2020-01-17 | 2020-06-12 | 北京光速斑马数据科技有限公司 | 消费者研究方法和系统 |
CN113139827A (zh) * | 2020-01-20 | 2021-07-20 | 上海哔哩哔哩科技有限公司 | 用户个性化特征挖掘方法和系统 |
CN111401963A (zh) * | 2020-03-20 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
CN111401963B (zh) * | 2020-03-20 | 2022-06-07 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
CN111882347A (zh) * | 2020-06-28 | 2020-11-03 | 北京达佳互联信息技术有限公司 | 模型性能的检测方法、装置、计算机设备及存储介质 |
CN111815368B (zh) * | 2020-07-24 | 2024-05-03 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN112015977A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN111815368A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN112085532B (zh) * | 2020-09-10 | 2024-03-22 | 网易(杭州)网络有限公司 | 一种插入广告的方法、装置、计算机设备和介质 |
CN112085532A (zh) * | 2020-09-10 | 2020-12-15 | 网易(杭州)网络有限公司 | 一种插入广告的方法、装置、计算机设备和介质 |
CN112348549A (zh) * | 2020-09-16 | 2021-02-09 | 广州阿凡提电子科技有限公司 | 广告运营方法、智能终端以及存储装置 |
CN112418935B (zh) * | 2020-11-24 | 2021-08-20 | 上海东方财富金融数据服务有限公司 | 基于大数据和广告推送的数据处理方法及大数据平台 |
CN112418935A (zh) * | 2020-11-24 | 2021-02-26 | 陈敏 | 基于大数据和广告推送的数据处理方法及大数据平台 |
CN112508284A (zh) * | 2020-12-10 | 2021-03-16 | 网易(杭州)网络有限公司 | 展示物料预处理方法、投放方法、系统、装置与设备 |
CN112700285A (zh) * | 2021-01-08 | 2021-04-23 | 北京明略昭辉科技有限公司 | 用于预测用户属性标签的方法及装置、设备 |
CN112862544B (zh) * | 2021-03-15 | 2024-05-28 | 重庆度小满优扬科技有限公司 | 对象信息的获取方法、装置以及存储介质 |
CN112862544A (zh) * | 2021-03-15 | 2021-05-28 | 重庆度小满优扬科技有限公司 | 对象信息的获取方法、装置以及存储介质 |
CN113052635A (zh) * | 2021-03-30 | 2021-06-29 | 北京明略昭辉科技有限公司 | 人口属性标签预测方法、系统、计算机设备和存储介质 |
CN113112308B (zh) * | 2021-05-06 | 2024-03-12 | 支付宝(杭州)信息技术有限公司 | 设备标注方法、系统和定向信息推送的方法和系统 |
CN113112308A (zh) * | 2021-05-06 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 设备标注方法、系统和定向信息推送的方法和系统 |
CN113032445A (zh) * | 2021-05-24 | 2021-06-25 | 武汉卓尔数字传媒科技有限公司 | 一种数据转化排序方法、装置和电子设备 |
CN113032445B (zh) * | 2021-05-24 | 2021-08-17 | 武汉卓尔数字传媒科技有限公司 | 一种数据转化排序方法、装置和电子设备 |
CN113569264A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技(上海)有限公司 | 数据安全处理方法、装置及电子设备 |
CN114331561A (zh) * | 2022-01-06 | 2022-04-12 | 广州岸边网络科技有限公司 | 一种智能广告信息投放匹配系统及方法 |
CN114663149A (zh) * | 2022-03-24 | 2022-06-24 | 润联软件系统(深圳)有限公司 | 一种基于隐私保护的产品投放方法及其相关设备 |
CN115115401A (zh) * | 2022-06-27 | 2022-09-27 | 上海汇付支付有限公司 | 一种网络广告聚合平台系统及其运行方法 |
CN115409553B (zh) * | 2022-08-30 | 2024-05-10 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN115409553A (zh) * | 2022-08-30 | 2022-11-29 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN116228319A (zh) * | 2023-05-04 | 2023-06-06 | 广州钛动科技股份有限公司 | 基于埋点的智能广告投放方法与系统 |
CN116805255A (zh) * | 2023-06-05 | 2023-09-26 | 深圳市瀚力科技有限公司 | 基于用户画像分析的广告自动优化投放系统 |
CN116805255B (zh) * | 2023-06-05 | 2024-04-23 | 深圳市瀚力科技有限公司 | 基于用户画像分析的广告自动优化投放系统 |
CN116911929B (zh) * | 2023-09-13 | 2023-12-12 | 北京茄豆网络科技有限公司 | 基于大数据的广告服务终端及方法 |
CN116911929A (zh) * | 2023-09-13 | 2023-10-20 | 北京茄豆网络科技有限公司 | 基于大数据的广告服务终端及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106803190A (zh) | 一种广告个性化推送系统及方法 | |
US9824367B2 (en) | Measuring effectiveness of marketing campaigns across multiple channels | |
KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
JP5078910B2 (ja) | 観察したユーザの行動からの広告品質の推定 | |
US20210042767A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
US20150006286A1 (en) | Targeting users based on categorical content interactions | |
KR101385700B1 (ko) | 동영상 관련 광고를 제공하는 방법 및 그 장치 | |
CN108205766A (zh) | 信息推送方法、装置及系统 | |
US20140351046A1 (en) | System and Method for Predicting an Outcome By a User in a Single Score | |
KR102451099B1 (ko) | 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
JP2014531649A (ja) | ソーシャル・ネットワーキング・システムを通じて伝搬される通信の効果の理解 | |
US20120173338A1 (en) | Method and apparatus for data traffic analysis and clustering | |
US10672035B1 (en) | Systems and methods for optimizing advertising spending using a user influenced advertisement policy | |
CN102033883A (zh) | 一种提高网站数据传输速度的方法、装置及系统 | |
US20100228595A1 (en) | System and method for scoring target lists for advertising | |
US20150106190A1 (en) | Online campaign management | |
CN110019943A (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
CN103177129A (zh) | 互联网实时信息推荐预测系统 | |
CN112287238B (zh) | 用户特征的确定方法和装置、存储介质及电子设备 | |
US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
KR101441164B1 (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
WO2022247666A1 (zh) | 一种内容的处理方法、装置、计算机设备和存储介质 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
KR102537601B1 (ko) | 광고 전략을 생성하기 위한 광고 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170606 |