CN107657488A - 基于广告匹配的广告投放处理方法及装置 - Google Patents

Abstract

本公开揭示了一种基于广告匹配的广告投放处理方法及装置，该方法包括：接收广告投放请求；根据广告投放请求所携带的广告投放计划，从广告数据库中获取满足广告投放计划的候选广告；根据广告投放请求所携带的用户标签信息，将用户标签信息与每条候选广告对应的定向用户信息进行比对；从所有候选广告中，筛选出定向用户信息与用户标签信息匹配的目标广告进行投放处理。本公开提供的技术方案，通过用户标签信息和广告定向用户信息匹配的方式，从而向满足广告投放要求的用户投放广告，使投放的广告更加满足用户的需求，避免了毫无针对性地投放广告造成广告资源浪费的问题，保证了广告投放效果。

Description

基于广告匹配的广告投放处理方法及装置

技术领域

本公开涉及互联网技术领域，特别涉及一种基于广告匹配的广告投放处理方法及装置。

背景技术

众所周知，互联网广告是互联网行业最主要的赢利模式，流量变现成为互联网商业产品非常重要的评价标准。随着互联网人群定向技术的发展，互联网广告也开始摆脱单一、古板的交易模式，转而向更精确高效的交易模式转变。

传统媒体广告的投放，都是预先设定好，不管设定好的位置有没有用户观看，都会定时定点进行展示，使用户产生被强迫收看的不良感觉，致使部分用户伴随离开行为，对于广告公司来说，广告的投放，都是预先谈好价格和模式，以固定时间，固定模式进行广告的投放，不论投放效果如何，一旦确定好价格和模式，就必须定时定点进行广告投放，缺乏灵活性。

通常情况下，传统媒体广告的投放都是按照的“先竞标，后制作，再投放”的流程进行的，此种广告投放形式存在如下缺陷：投放模式相对固定，缺乏灵活性，不能确保实际的投放效果，造成广告资源浪费。

发明内容

为了解决相关技术中存在的不能确保实际的投放效果，造成广告资源浪费的问题，本公开提供了一种基于信息匹配的信息投放处理方法。

一方面，本公开提供了一种基于广告匹配的广告投放处理方法，该方法包括：

接收广告投放请求；

根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

另一方面，本公开还提供了一种基于广告匹配的广告投放处理装置，包括：

请求接收模块，用于接收广告投放请求；

广告获取模块，用于根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

信息比对模块，用于根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

投放处理模块，用于从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开提供的技术方案，通过用户标签信息和广告定向用户信息匹配的方式，从而向满足广告投放要求的用户投放广告，使投放的广告更加满足用户的需求，避免了毫无针对性地投放广告造成广告资源浪费的问题，保证了广告投放效果，相对现有的广告投放方式，本公开可以随时根据用户状况改变投放的广告，灵活性更大，广告被点击的可能性更大，投放效果更好。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本公开所涉及的实施环境的示意图；

图2是根据一示例性实施例示出的一种服务器的框图；

图3是根据一示例性实施例示出的一种基于广告匹配的广告投放处理方法的流程图；

图4是图3对应实施例的步骤340的细节的流程图；

图5是在图3对应实施例的基础上另一示例性实施例示出的一种基于广告匹配的广告投放处理方法的流程图；

图6是图5对应实施例的步骤503的细节的流程图；

图7是根据一示例性实施例示出的一种基于广告匹配的广告投放处理装置的框图；

图8是图7对应实施例的广告投放模块的细节框图；

图9是在图7对应实施例的基础上另一示例性实施例示出的一种基于广告匹配的广告投放处理装置的框图；

图10是图9对应实施例的向量构建模块的细节框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据本公开所涉及的实施环境的示意图。该实施环境包括：服务器110和多个移动终端120。

服务器110和多个移动终端120之间的关联方式，包括硬件的网络关联方式和/或协议，以及二者之间往来的数据关联方式。服务器110具备数据处理能力，服务器110可以接收移动终端120发送的广告投放请求，之后根据广告投放请求选择合适的广告进行投放。

参见图2，图2是本发明实施例提供的一种服务器结构示意图。该服务器200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)222(例如，一个或一个以上处理器)和存储器232，一个或一个以上存储应用程序242或数据244的存储介质230(例如一个或一个以上海量存储设备)。其中，存储器232和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对服务器200中的一系列指令操作。更进一步地，中央处理器222可以设置为与存储介质230通信，在服务器200上执行存储介质230中的一系列指令操作。服务器200还可以包括一个或一个以上电源226，一个或一个以上有线或无线网络接口250，一个或一个以上输入输出接口258，和/或，一个或一个以上操作系统241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。下述图3-图6所示实施例中所述的由服务器所执行的步骤可以基于该图2所示的服务器结构。

本领域普通技术人员可以理解实现下述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

图3是根据一示例性实施例示出的一种基于广告匹配的广告投放处理方法的流程图。该广告投放处理方法的适用范围和执行主体，例如，该方法用于图1所示实施环境的服务器110。如图3所示，该广告投放处理方法，可以由服务器110执行，具体包括以下步骤。

在步骤310中，接收广告投放请求；

具体的，移动终端120中安装了软件APP，服务器110接收移动终端120通过软件APP发送的广告投放请求。其中，该广告投放请求中记录了广告投放计划、用户标签信息。广告投放计划可以包括广告投放位置、广告投放时间(投放开始时间、投放时段)。用户标签信息可以是指软件APP用户的身份信息(记经期，怀孕，备孕，辣妈)、所处经期阶段(月经期，易孕期，安全期，预测经期)、所处孕期阶段(1～39周、>＝40周)、备孕周数(0～1，1～2(含一周)，2～4(含2周)，4～8周(含4周)，8周以上(含8周))、年龄区间(18岁以前、18～24岁、25～35岁、35岁以后)和兴趣爱好信息(购物、亲子宝贝、房产、投资、汽车、居家生活、美容护理、教育出国、旅游、减肥健康)中的至少一种。

根据需要用户标签信息还可以包括宝宝月龄(0～6个月、7～12个月、13～24月、25～36月、37个月以上)、所处地域(省份、城市)、终端设备所用操作系统(IOS、Android)、网络环境(WIFI、流量环境)等。对于不同的用户，根据用户输入的信息和历史习惯可以生成该用户对应的用户标签信息。换句话说，为该用户打上特定的标签。

在步骤320中，根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

需要说明的是，广告相关数据主要存放在广告数据库中，不同的信息存放在数据库不同的表中。如下表1所示，为列举的数据库中主要的表和字段。

表1数据库中主要的表和字段

从表1中可以看出每个广告都有自身对应的广告计划、素材、广告主信息、代理商信息，广告计划是指广告主决定的该广告的投放位置、投放时间等信息。根据广告投放请求中所携带的广告投放计划(投放位置、投放时间等)，将该广告投放计划作为条件，在广告数据库中可以根据每个广告对应的广告计划筛选出符合条件的候选广告。比如广告投放请求指示的投放位置为第3位，广告数据库中某一广告的广告计划是要投放在第2位-第5位，那么该广告就是符合条件的候选广告之一。依次类推，可以从数据库中筛选出所有满足条件的候选广告。

另外，根据需要还可以对所有广告进行标记，每个广告可以标记为上架或下架两种状态，上架状态代表广告可以投放，下架状态表示广告不能投放。从而，候选广告可以是从所有上架状态的广告中筛选出的符合条件的广告。

在步骤330中，根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

如上文所述的，用户标签信息可以包括用户的身份信息、所处经期阶段、所处孕期阶段、备孕周数、年龄区间和兴趣爱好信息中的至少一种。定向用户信息是指广告主决定的每条广告可以投放的用户特点，用于限定广告的投放人群。同样的，定向用户信息可以包括定向用户身份信息、所处经期阶段、所处孕期阶段、备孕周数、年龄区间和兴趣爱好信息中的至少一种。举例来说，某一广告只能投放给怀孕的人群，那么该广告的定向用户信息中用户身份信息是怀孕。如果某一广告只适合投放给月经期女性，那么该广告的定向用户信息中所处经期阶段为月经期。由此，针对每个广告的适合人群，可以为每个广告绑定对应的定向用户信息。

举例来说，广告投放请求中指示用户带有“记经期”标签信息，则可以将“记经期”标签信息与每条候选广告的定向用户信息进行比对，找出定向用户信息中包括“记经期”字样的候选广告作为目标广告。例如，可以计算用户标签信息中的用户身份信息和定向用户信息中的定向用户身份信息之间的相似度，将用户标签信息中的用户身份信息与每条候选广告中的定向用户身份信息进行比对。其他信息(如所处经期阶段)的比对也可以参照上述计算相似度的方式，在此不再赘述。

在步骤340中，从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

需要说明的是，从所有候选广告中筛选出目标广告，对目标广告进行投放处理。而目标广告是指候选广告中，定向用户信息与用户标签信息匹配的广告。需要解释的是，定向用户信息与用户标签信息匹配是指用户标签信息在定向用户信息限定的范围内。比如，用户标签信息中年龄区段是18-24岁，某广告的定向用户信息中年龄区段是18-55岁，那么仅从考虑年龄区段的角度来说，用户标签信息和定向用户信息是匹配的。其中，当用户标签信息中的每条标签内容都处于定向用户信息限定的内容范围时，可以认为是匹配的。

现有技术对于广告的投放都是按照“先竞标，后制作，再投放”的流程进行的，此种广告投放形式存在如下缺陷：投放模式相对固定，缺乏灵活性，不能确保实际的投放效果，造成广告资源浪费。

本公开上述实施例提供的技术方案，通过用户标签信息和广告定向用户信息匹配的方式，从而向满足广告投放要求的用户投放广告，使投放的广告更加满足用户的需求，避免了毫无针对性地投放广告造成广告资源浪费的问题，保证了广告投放效果，相对现有的广告投放方式，本公开可以随时根据用户状况改变投放的广告，灵活性更大，广告被点击的可能性更大，投放效果更好。

进一步的，如图4所示，上述步骤340具体包括：

在步骤341中，从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的所有目标广告；

参照上文描述，可以通过将用户标签信息与每个广告的定向用户信息进行比对，从所有候选广告中筛选出定向用户信息与所述用户标签信息匹配的所有候选广告作为目标广告。

在步骤342中，获取每条目标广告的特征信息，将所述用户标签信息与每条目标广告的特征信息一一组合编码，构建每条目标广告对应的新特征向量；

可选的，每条目标广告的特征信息包括目标广告静态特征信息和目标广告动态特征信息；目标广告静态特征信息包括目标广告投放位置(如信息流第三位)、目标广告所属行业(如食品、汽车、金融)和目标广告类型(如文字链、图片、下载等)；目标广告动态特征信息可以认为是用户和广告交叉的反馈点击率。目标广告动态特征信息包括目标广告在不同用户群中的历史点击率。例如，广告在用户各身份模式下过去一段时间的点击率(如广告1在所有怀孕用户中过去48小时内的点击率)。

具体的，对于所有用户标签信息和目标广告静态特征信息可以做0、1编码(OHE，One-Hot-Encoding独热编码)，例如婚姻状态特征有两个取值，未婚和已婚，用一个二维向量表示，向量值为0或者1，假设第一个维度表示未婚，第二个维度表示已婚，由于一个用户只有一个状态，那么其向量只有一个维度的值是1，如未婚：[1,0]，已婚：[0,1]。

对于OHE后的用户标签信息和OHE后的目标广告特征信息做“与”(同时为1才为1，否则为0)运算，可以得到一个新向量。

目标广告动态特征信息(目标广告在不同用户群中的历史点击率)可以采用浮点数编码方式。点击率是一个浮点数，需要将其离散化，即采用等频划分的方法，将浮点数映射到区间段中，如按照[0,0.001)、[0.001,0.002)、[0.002,0.003)、[0.003,1]映射到这4个区间段，对应一个4维向量，当某个点击率(浮点数)的大小处于当前区间段中时，当前维度的值为1，其余为0。如当前反馈点击率为0.00243时，映射后得到的向量为[0,0,1,0]。

将上述“与”运算后得到的新向量和上述目标广告动态特征信息的向量组成新特征向量。根据需要该新特征向量中还可以加入其它特征的向量，例如当天是周几、第一个小时、反馈特征。反馈特征是指当一个广告投放一段时间(比如一个小时)后，会有一个这段时间(这一小时)的点击率，这个点击率是不断随着投放的进行不断得到反馈，故也称反馈点击率。

此外，还可以获取当前所处上下文的特征，上下文特征指的是当前所处广告位置前后的内容情况，比如前一个广告是描述汽车的，接下来广告也是关于汽车的，二者是匹配的。总体而言，可以对上一广告的文字通过word2vec/doc2vec等将文字转换为(两个同维度的)向量，将待预测广告内容或标题也转换为向量，接着可以有三种做法：一)将两个向量直接放入新特征向量中；二)将向量通过按区间离散化后放入新特征向量中；三)计算两个向量的距离(如余弦距离)后加入到新特征向量中。

在步骤343中，将所述新特征向量输入预先建立的广告点击率预测模型，得到每条目标广告的点击率预测值；

其中，广告点击率预测模型可以是逻辑回归模型。逻辑回归(LogisticRegression)模型是用于预测二进制分类结果的分类模型，被广泛应用在诸多领域，适用于响应变量是二分类(0不点击/1点击)变量的情况，其目标是对响应变量取二值之一的概率建模，而不是直接预测其取值。逻辑回归模型能够很好地描述0/1概率问题，因此可以用于广告点击率预测模型。

所谓广告点击率预测模型是用来量化点击事件的数据指标，点击率预测模型的建立包括不同的用户、广告特征信息，而这些特征信息正是造成广告点击率差异的原因，通过已有的信息数据训练出逻辑回归模型参数。之后将用户标签信息和广告特征信息构成的新特征向量输入已经经过训练的逻辑回归模型，从而可以输出广告点击率。

由于不同用户的特点不同，即使是同一用户，在不同时期，所处身体状态、心情等都不同，所以按照传统广告的投放方式，投放模式相对固定，没有基于用户在不同时期的身体特点投放合适的广告，缺乏灵活性，不能确保实际的投放效果，造成广告资源浪费。

在步骤344中，根据每条目标广告的点击率预测值，按照预设规则选择相应的目标广告进行投放。

具体的，可以根据每条目标广告的点击率预测值，计算每条目标广告的展示概率。之后根据每条信息的展示概率，得到与每条信息的展示概率对应的数值区间，通过生成随机数，根据随机数所在数值区间，选择相应的广告向用户进行投放。

举例来说，假设存在三个目标广告A、B、C的展示概率分别为0.1，0.3，0.6。可以将展示概率乘以100，得到10，30，60，可以将1-10作为广告A的数值区间，将11-40作为广告B的数值区间，将41-100作为广告C的数值区间，之后可以通过生成一个随机数，判断随机数落在哪个数值区间内，就选择对应的广告向用户展示。

例如，生成的随机数为32，落在广告B的区间11-40，则可以向用户投放广告B，对广告B进行展示。假设生成的随机数为61落在广告C的区间41-100，则返回广告C进行展示。通过生成随机数的方式，可以保证每条信息都有被投放的可能，还不是每次都投放展示概率高的信息，从而可以避免每次都投放相同的信息，使投放的信息多样化，丰富信息种类。

其中，每条目标广告的展示概率是指每条目标广告获得展示的可能性大小。第i条广告的展示概率可以采用如下方式进行计算：

其中，Pi为第i条广告的展示概率，eCPM_i为第i条广告的千次展示收益，μ为展示概率系数，n代表一共有n条广告。

展示概率系数(μ)用于控制千次展示收益eCPM引起的展示概率差距大小。其中，展示概率系数越大，则千次展示收益差距带来的展示概率差距就越大。

需要解释的，千次展示收益(eCPM)，也就是投放一千次获得的收益，千次展示收益可以采用以下公式进行计算：以CPC(每次点击价格)出价时，eCPM＝1000*CTR*CPC，其中CTR为点击率预测值。以CPM(每千次展示价格)出价时：eCPM＝CPM。由此，即使不同广告采用了不同的出价方式，也可以分别估算出每条目标广告的千次展示收益。

可选的，如果某一广告的广告主剩余预算或账户余额较少，导致该广告的剩余展示次数较低时，则可以对该广告的展示概率乘以相应的降速系数。如下表1所示，为剩余展示次数和对应的降速系数示例。

表1剩余展示数和对应降速系数示例

从表1中可以看出，当剩余展示次数较多(>20000)时，降速系数为1，也就是不做降速，在剩余展示次数不多(<＝20000)时，对于不同的剩余展示数，可以分别设定降速系数值。降速系数与剩余展示数相对应，剩余展示数越少，降速系数越小。其中，降速系数和剩余展示数的对应关系可以根据历史经验提前设定。

因此，每条目标广告的展示概率还可以采用以下公式(2)进行计算：

其中，Pi为第i条广告的展示概率，CPMi为第i条广告的千次展示收益，μ为预设的展示概率系数，σi为第i条广告的降速系数，n为广告的总条数。

更进一步的，如图5所示，在上述步骤343之前，所述方法还包括：

在步骤501中，从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

具体的，可以从服务器110的存储介质230中获取历史广告投放日志。历史广告是指在判断用户对目标广告的点击率之前已经投放过的广告，是一个相对概念。另外需要说明的是，每条广告投放日志中记录了某用户的信息(如用户ID)、某广告的信息(如广告ID)，以及广告相对应的动作(如广告请求、下发、展示、点击)。因此，对投放日志做ETL(数据仓库技术，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程)，可以从每条广告投放日志中，获取到所投放广告ID，该广告ID对应的用户ID，以及该用户ID对应用户对该广告ID对应广告的点击情况。其中，根据一个广告展示后，是否被某用户点击可以打上两个标签值，展示-点击：1，展示-不点击：0。

在步骤502中，获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

具体的，在从投放日志中获取到广告ID和用户ID后，可以根据用户ID获取到用户ID对应的历史用户特征信息，根据广告ID可以获取到广告ID对应的历史广告特征信息。

其中，历史用户特征信息包括历史用户状态信息和历史用户偏好信息。进一步的，历史用户状态信息包括历史用户的身份状态信息、心情状态信息、所处经期阶段信息中的至少一种；历史用户偏好信息包括阅读偏好、购物偏好和广告偏好中的至少一种。举例来说，历史用户的身份状态信息可以包括用户年龄、所处城市、婚姻状态(已婚、未婚)、用户身份模式(记经期、备孕、怀孕、辣妈)、用户是否有宝宝(是、否)。心情状态信息可以是伤心、不开心、一般、开心或超开心。所处经期阶段包括月经期、安全期、易孕期和排卵后期。这些信息均可以在历史用户登入移动终端的120软件APP后进行输入，再上传至服务器110进行存储。

历史广告特征信息包括历史广告动态特征信息和历史广告静态特征信息。可选的，所述历史广告静态特征信息包括：历史广告位置、历史广告所属行业和历史广告类型；所述历史广告动态特征信息包括历史广告在不同用户群中的历史点击率。其中，历史广告在不同用户群(如月经期用户群、18岁用户群)中的历史点击率可以根据历史广告投放记录计算出来。

在步骤503中，将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

具体的，如图6所示，步骤503可以包括以下步骤：

在步骤601中，分别对历史用户特征信息和历史广告静态特征信息进行OHE独热编码，将OHE后的历史用户特征信息和OHE后的历史广告静态特征信息做“与”运算，得到历史静态特征向量；

其中，可以参照上述实施例中对用户标签信息和目标广告静态特征信息进行的编码方式。对历史用户特征信息和历史广告静态特征信息进行0-1编码(OHE)，如用户婚姻状态：未婚为[1,0]；已婚为[0,1]。如用户身份模式：记经期为[1,0,0,0]；备孕为[0,1,0,0]；怀孕为[0,0,1,0]；辣妈为[0,0,0,1]。如广告类型：文字链为[1,0,0]；图片为[0,1,0]；下载为[0,0,1]。以此类推，可以对历史用户特征信息和历史广告静态特征信息进行OHE编码。

将OHE编码后的历史用户特征信息和OHE编码后的历史广告静态特征信息两两进行“与”运算，也就是同时为1才为1，否则为0。“与”运算后得到历史组合特征向量。

在步骤602中，对所述历史广告动态特征信息进行浮点数编码得到历史动态特征向量；

步骤601和步骤602先后顺序不限，对历史广告动态特征信息的编码方式也可以参照前文对于目标广告动态特征信息的编码方式。历史广告动态特征信息为用户和广告的交叉反馈点击率，为一个浮点数，所以可以采用浮点数编码方式。例如上文所述的，采用等频划分的方法，将浮点数映射到区间段中，如按照[0,0.001)、[0.001,0.002)、[0.002,0.003)、[0.003,1]映射到这4个区间段，对应一个4维向量，当某个点击率(浮点数)的大小处于当前区间段中时，当前维度的值为1，其余为0。如当前反馈点击率为0.00243时，映射后得到的向量为[0,0,1,0]，也就是历史动态特征向量。

在步骤603中，将所述历史静态特征向量与所述历史动态特征向量进行组合，构成所述历史特征向量。

在步骤601得到历史静态特征向量和步骤602得到历史动态特征向量后，可以将历史动态特征向量连接在历史静态特征向量之后，得到历史特征向量。

需要说明的是，根据需要历史特征向量中还可以加入其它特征的向量。例如从广告投放日志中获得广告投放的时间是周几、第几个小时以及反馈特征。根据需要还可以增加广告投放位置的上下文特征。具体参见上文对于上下文特征的描述。

在步骤504中，根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到所述广告点击率预测模型。

其中，逻辑回归模型的表达形式为如下公式(3)：

a代表广告特征，u代表用户特征，c代表其他特征(例如时间特征、上下文特征等)。x为特征向量，也就是a、u、c特征构成的历史特征向量。y＝1表示点击、y＝0表示不点击。w为系数向量，也就是需要求解的参数，w^T表示转置。将构造出来的所有历史特征向量和对应的标签值(点击为1，不点击为0)作为训练集训练上述逻辑回归模型，通过极大似然估计法、梯度下降、随机梯度下降、拟牛顿法等(这些方法属于现有技术在此不再赘述)可以估计出模型参数w，将得到的参数w带入上式就可以得到广告点击率预测模型。

通常可以使用AUC值(Area Under Curve)来衡量广告点击率预测模型的好坏，AUC值一般在0.5-1.0之间。值越大表示模型判断准确性越高，即越接近1越好。AUC＝0.5表示模型的预测能力与随机结果没有差别。采用本公开上述示例性实施例建立的广告点击率预测模型的AUC值为0.8左右，点击率预测的准确性较高。

当得到某一用户的用户标签信息和某一目标广告的广告特征信息，以及其他特征信息就可以构建新特征向量，将新特征向量作为x值输入上述广告点击率预测模型，就可以计算出该用户对该目标广告的点击率预测值。

下述为本公开装置实施例，可以用于执行本公开上述服务器110执行的基于广告匹配的广告投放处理方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开基于广告匹配的广告投放处理方法实施例。

图7是根据一示例性实施例示出的一种基于广告匹配的广告投放处理装置的框图，该基于广告匹配的广告投放处理装置可以用于图1所示实施环境的服务器110中，执行图3-图6任一所示的基于广告匹配的广告投放处理方法的全部或者部分步骤。如图7所示，该处理装置包括但不限于：请求接收模块710、广告获取模块720、信息比对模块730以及投放处理模块740。

请求接收模块710，用于接收广告投放请求；

广告获取模块720，用于根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

信息比对模块730，用于根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

投放处理模块740，用于从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

上述装置中各个模块的功能和作用的实现过程具体详见上述基于广告匹配的广告投放处理方法中对应步骤的实现过程，在此不再赘述。

请求接收模块710比如可以是图2中的某一个物理结构有线或无线网络接口250。

广告获取模块720、信息比对模块730以及投放处理模块740也可以是功能模块，用于执行上述基于广告匹配的广告投放处理方法中的对应步骤。可以理解，这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时，这些模块可以实施为一个或多个硬件模块，例如一个或多个专用集成电路。当以软件方式实现时，这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序，例如图7的中央处理器222所执行的存储在存储器232中的程序。

可选的，所述定向用户信息包括定向用户身份信息、所处经期阶段、所处孕期阶段、备孕周数、年龄区间和兴趣爱好信息中的至少一种。

如图8所示，所述投放处理模块740包括：

目标筛选单元741，用于从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的所有目标广告；

组合编码单元742，用于获取每条目标广告的特征信息，将所述用户标签信息与每条目标广告的特征信息一一组合编码，构建每条目标广告对应的新特征向量；

点击率预测单元743，用于将所述新特征向量输入预先建立的广告点击率预测模型，得到每条目标广告的点击率预测值；

广告投放单元744，用于根据每条目标广告的点击率预测值，按照预设规则选择相应的目标广告进行投放。

可选的，所述目标广告的特征信息包括目标广告静态特征信息和目标广告动态特征信息；

所述目标广告静态特征信息包括目标广告投放位置、目标广告所属行业和目标广告类型；所述目标广告动态特征信息包括目标广告在不同用户群中的历史点击率。

在上述实施例的基础上，如图9所示，所述装置还包括：

日志获取模块910，用于从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

信息获取模块920，用于获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

向量构建模块930，用于将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

模型训练模块940，用于根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到所述广告点击率预测模型。

可选的，所述历史广告特征信息包括历史广告动态特征信息和历史广告静态特征信息；所述历史广告动态特征信息包括：历史广告位置、历史广告所属行业和历史广告类型；所述历史广告静态特征信息包括历史广告在不同用户群中的历史点击率。

进一步的，如图10所示，所述向量构建模块930包括：

第一编码单元931，用于分别对所述历史用户特征信息和所述历史广告静态特征信息进行OHE独热编码，将OHE后的历史用户特征信息和OHE后的历史广告静态特征信息做“与”运算，得到历史静态特征向量；

第二编码单元932，用于对所述历史广告动态特征信息进行浮点数编码得到历史动态特征向量；

编码组合单元933，用于将所述历史静态特征向量与所述历史动态特征向量进行组合，构成所述历史特征向量。

可选的，本公开还提供一种基于广告匹配的广告投放处理装置，该基于广告匹配的广告投放处理装置可以用于图1所示实施环境的服务器110中，执行图3-图6任一所示的基于广告匹配的广告投放处理方法的全部或者部分步骤。所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述实施例所述的基于广告匹配的广告投放处理方法。例如包括：

接收广告投放请求；

根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

该实施例中电子设备的处理器执行操作的具体方式已经在有关该基于广告匹配的广告投放处理方法的实施例中执行了详细描述，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质存储有计算机程序，该计算机程序可由处理器执行以完成上述基于广告匹配的广告投放处理方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (14)

1.一种基于广告匹配的广告投放处理方法，其特征在于，包括：

接收广告投放请求；

根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

2.根据权利要求1所述的方法，其特征在于，所述定向用户信息包括定向用户身份信息、所处经期阶段、所处孕期阶段、备孕周数、年龄区间和兴趣爱好信息中的至少一种。

3.根据权利要求1所述的方法，其特征在于，所述从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理，包括：

从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的所有目标广告；

获取每条目标广告的特征信息，将所述用户标签信息与每条目标广告的特征信息一一组合编码，构建每条目标广告对应的新特征向量；

将所述新特征向量输入预先建立的广告点击率预测模型，得到每条目标广告的点击率预测值；

根据每条目标广告的点击率预测值，按照预设规则选择相应的目标广告进行投放。

4.根据权利要求3所述的方法，其特征在于，所述目标广告的特征信息包括目标广告静态特征信息和目标广告动态特征信息；

所述目标广告静态特征信息包括目标广告投放位置、目标广告所属行业和目标广告类型；所述目标广告动态特征信息包括目标广告在不同用户群中的历史点击率。

5.根据权利要求3所述的方法，其特征在于，所述将新特征向量输入预先建立的广告点击率预测模型，得到每条目标广告的点击率预测值之前，所述方法还包括：

从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到所述广告点击率预测模型。

6.根据权利要求5所述的方法，其特征在于，所述历史广告特征信息包括历史广告动态特征信息和历史广告静态特征信息；所述历史广告动态特征信息包括：历史广告位置、历史广告所属行业和历史广告类型；所述历史广告静态特征信息包括历史广告在不同用户群中的历史点击率。

7.根据权利要求6所述的方法，其特征在于，所述将历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量包括：

分别对所述历史用户特征信息和所述历史广告静态特征信息进行OHE独热编码，将OHE后的历史用户特征信息和OHE后的历史广告静态特征信息做“与”运算，得到历史静态特征向量；

对所述历史广告动态特征信息进行浮点数编码得到历史动态特征向量；

将所述历史静态特征向量与所述历史动态特征向量进行组合，构成所述历史特征向量。

8.一种基于广告匹配的广告投放处理装置，其特征在于，包括：

请求接收模块，用于接收广告投放请求；

广告获取模块，用于根据所述广告投放请求所携带的广告投放计划，从广告数据库中获取满足所述广告投放计划的候选广告；

信息比对模块，用于根据所述广告投放请求所携带的用户标签信息，将所述用户标签信息与每条候选广告对应的定向用户信息进行比对；

投放处理模块，用于从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的目标广告进行投放处理。

9.根据权利要求8所述的装置，其特征在于，所述定向用户信息包括定向用户身份信息、所处经期阶段、所处孕期阶段、备孕周数、年龄区间和兴趣爱好信息中的至少一种。

10.根据权利要求8所述的装置，其特征在于，所述投放处理模块包括：

目标筛选单元，用于从所有候选广告中，筛选出定向用户信息与所述用户标签信息匹配的所有目标广告；

组合编码单元，用于获取每条目标广告的特征信息，将所述用户标签信息与每条目标广告的特征信息一一组合编码，构建每条目标广告对应的新特征向量；

点击率预测单元，用于将所述新特征向量输入预先建立的广告点击率预测模型，得到每条目标广告的点击率预测值；

广告投放单元，用于根据每条目标广告的点击率预测值，按照预设规则选择相应的目标广告进行投放。

11.根据权利要求10所述的装置，其特征在于，所述目标广告的特征信息包括目标广告静态特征信息和目标广告动态特征信息；

所述目标广告静态特征信息包括目标广告投放位置、目标广告所属行业和目标广告类型；所述目标广告动态特征信息包括目标广告在不同用户群中的历史点击率。

12.根据权利要求10所述的装置，其特征在于，所述装置还包括：

日志获取模块，用于从历史广告投放日志中，获取每条日志记录的所投放广告、所投放广告对应的历史投放用户，所述历史投放用户对所投放广告的点击情况；

信息获取模块，用于获取所述历史投放用户对应的历史用户特征信息和所投放广告对应的历史广告特征信息；

向量构建模块，用于将所述历史用户特征信息和历史广告特征信息进行组合编码，构建历史特征向量；

模型训练模块，用于根据所述历史投放用户对所投放广告的点击情况以及所述历史特征向量，训练逻辑回归模型，得到所述广告点击率预测模型。

13.根据权利要求12所述的装置，其特征在于，所述历史广告特征信息包括历史广告动态特征信息和历史广告静态特征信息；所述历史广告动态特征信息包括：历史广告位置、历史广告所属行业和历史广告类型；所述历史广告静态特征信息包括历史广告在不同用户群中的历史点击率。

14.根据权利要求13所述的装置，其特征在于，所述向量构建模块包括：

第一编码单元，用于分别对所述历史用户特征信息和所述历史广告静态特征信息进行OHE独热编码，将OHE后的历史用户特征信息和OHE后的历史广告静态特征信息做“与”运算，得到历史静态特征向量；

第二编码单元，用于对所述历史广告动态特征信息进行浮点数编码得到历史动态特征向量；

编码组合单元，用于将所述历史静态特征向量与所述历史动态特征向量进行组合，构成所述历史特征向量。