CN107748998A - 广告推荐的方法及系统 - Google Patents
广告推荐的方法及系统 Download PDFInfo
- Publication number
- CN107748998A CN107748998A CN201710950565.XA CN201710950565A CN107748998A CN 107748998 A CN107748998 A CN 107748998A CN 201710950565 A CN201710950565 A CN 201710950565A CN 107748998 A CN107748998 A CN 107748998A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- video
- classification
- candidate recommendation
- relevance scores
- 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
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
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种广告推荐的方法及系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件从广告集合中筛选得到目标推荐广告。相比传统方案而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏。
Description
技术领域
本发明涉及广告技术领域,更具体的说,涉及一种广告推荐的方法及系统。
背景技术
随着互联网技术的发展,通过互联网获取信息、生活、娱乐和工作成为人们生活的一部分。商家为了提高知名度,推广商品,往往通过互联网投放广告。
现有的广告推荐方法往往基于CPM(Cost Per Mille,千人成本)广告计费方式,是单纯的根据广告主的竞价来推荐广告,只有竞价高的广告主才能获得广告曝光的机会。
然而,对于通过竞价来获得曝光的广告,其收费却是按照二阶逻辑收费,即按照报价第二名广告主的出价收费,因此广告推荐的精确度不高,很容易因为广告主的恶意出价导致用户体验差,同时也会损坏其他广告主的利益,不利于广告平台的可持续发展。比如,一个低质广告的广告主恶意出高价,获得广告曝光的机会,而收费只按照报价第二名广告主的出价收费,这样,不仅因广告低质导致用户体验差,而且又损坏了其他广告主的利益。
发明内容
有鉴于此,本发明公开一种广告推荐的方法及系统,以解决传统方案中因单纯的根据广告主的竞价来推荐广告,而可能存在的用户体验差,损坏其他广告主的利益的问题。
一种广告推荐的方法,包括:
拉取预设时间段内所有广告的曝光点击日志,所述曝光点击日志至少包括:广告ID和广告曝光上下文的视频ID;
将所述广告ID映射到对应的广告分类,将所述视频ID映射到对应的视频标签;
分别计算所述视频标签的因子向量和所述广告分类的因子向量;
计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分;
利用所述相关性得分,确定每一个视频ID下所有广告ID的广告集合;
将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告。
优选的,所述分别计算所述视频标签的因子向量和所述广告分类的因子向量,具体包括:
构建包含所述视频标签和所述广告分类的矩阵;
利用矩阵分解法分别计算所述视频标签的因子向量和所述广告分类的因子向量。
优选的,所述将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告,具体包括:
将所述广告集合中的各个广告ID作为候选推荐广告,对所述候选推荐广告按照相关性得分从高到低的顺序进行排序;
将相关性得分高的预设数量的候选推荐广告作为所述预设筛选条件,从所述候选推荐广告中筛选出相关性得分高的所述预设数量的候选推广告作为所述目标推荐广告。
优选的,所述将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告,具体包括:
将所述广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为所述预设筛选条件,从所述候选推荐广告中筛选出不低于所述预设相关性得分的候选推荐广告作为所述目标推荐广告。
优选的,所述计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分,具体包括:
计算所述视频标签的因子向量与所述广告分类的因子向量的内积;
将所述视频标签逆映射到所述视频ID,将所述广告分类逆映射到所述广告ID;
将所述内积作为所述视频ID与所述广告ID的相关性得分。
优选的,还包括:
将所述目标推荐广告导入数据库,以供在互联网投放广告时使用。
优选的,所述矩阵分解法包括:交替最小二乘法ALS。
一种广告推荐的系统,包括:
拉取单元,用于拉取预设时间段内所有广告的曝光点击日志,所述曝光点击日志至少包括:广告ID和广告曝光上下文的视频ID;
映射单元,用于将所述广告ID映射到对应的广告分类,将所述视频ID映射到对应的视频标签;
构建单元,用于构建行为所述视频标签,列为所述广告分类的矩阵;
第一计算单元,用于分别计算所述视频标签的因子向量和所述广告分类的因子向量;
第二计算单元,用于计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分;
确定单元,用于利用所述相关性得分,确定每一个视频ID下所有广告ID的广告集合;
筛选单元,用于将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告。
优选的,所述第一计算单元包括:
构建子单元,用于构建包含所述视频标签和所述广告分类的矩阵;
因子向量计算子单元,用于利用矩阵分解法分别计算所述视频标签的因子向量和所述广告分类的因子向量。
优选的,所述筛选单元具体用于:
将所述广告集合中的各个广告ID作为候选推荐广告,对所述候选推荐广告按照相关性得分从高到低的顺序进行排序;
将相关性得分高的预设数量的候选推荐广告作为所述预设筛选条件,从所述候选推荐广告中筛选出相关性得分高的所述预设数量的的候选推广告作为所述目标推荐广告。
优选的,所述筛选单元具体还用于:
将所述广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为所述预设筛选条件,从所述候选推荐广告中筛选出不低于所述预设相关性得分的候选推荐广告作为所述目标推荐广告。
优选的,所述第二计算单元包括:
内积计算子单元,用于计算所述视频标签的因子向量与所述广告分类的因子向量的内积;
映射子单元,用于将所述视频标签逆映射到所述视频ID,将所述广告分类逆映射到所述广告ID;
确定子单元,用于将所述内积作为所述视频ID与所述广告ID的相关性得分。
优选的,还包括:
导入单元,用于将所述目标推荐广告导入数据库,以供在互联网投放广告时使用。
从上述的技术方案可知,本发明公开了一种广告推荐的方法及系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种广告推荐的方法流程图;
图2为本发明实施例公开的一种从候选推荐广告中筛选得到目标推荐广告的方法流程图;
图3为本发明实施例公开的一种确定视频标签对应的视频ID与广告分类对应的广告ID的相关性得分的方法流程图;
图4为本发明实施例公开的一种广告推荐的系统的结构示意图;
图5为本发明实施例公开的一种第二计算单元的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种广告推荐的方法及系统,以解决传统方案中因单纯的根据广告主的竞价来推荐广告,而可能存在的用户体验差,损坏其他广告主的利益的问题。
参见图1,本发明一实施例公开的一种广告推荐的方法流程图,该方法包括步骤:
步骤S101、拉取预设时间段内所有广告的曝光点击日志;
具体的,拉取是一种描述因特网内容提供者和因特网用户之间两种工作方式的术语,一般指用户从网站上“拖下”数据,与“推送”相反。
广告的曝光量通俗地说就是网页页面(带广告)被浏览的次数,广告的点击量即广告的点击次数,简单的说,就是指网页上广告被点击的次数。
本步骤中,所有广告的曝光点击日志指的是在预设时间段内出现的每一个广告被浏览点击的历史数据,预设时间段的具体数值依据实际需要而定,如28天,本发明在此不做限定。
在实际应用中,曝光点击日志至少包括:广告ID(身份标识号)和广告曝光上下文的视频ID;
本步骤中的视频指的是:广告曝光场景的上下文视频,比如一个视频位于一个广告的右侧,则该视频即是该广告曝光场景的上下文视频。
步骤S102、将广告ID映射到对应的广告分类,将视频ID映射到对应的视频标签;
在实际应用中,不同的分类标准对应不同的广告分类,比如,将广告内容作为分类标准时,可将广告分为:产品广告、品牌广告、观念广告和公益广告四个类型。将广告目的作为分类标准时,可将广告分为:告知广告、促销广告、形象广告、建议广告、公益广告和推广广告六类。其中,广告分类类型具体依据实际需要而定,本发明在此不做限定。另外,广告ID在广告下单时,其对应的广告分类就已经确定。
本实施例中,视频标签具体指的是视频关键词,如视频标题,每个视频ID都有独立的视频标签,而不同的视频标签可能不一样。
步骤S103、计算视频标签的因子向量和广告分类的因子向量;
具体的,构建包含视频标签和广告分类的矩阵,在实际应用中,可以构建行为视频标签,列为广告分类的矩阵,或是行为广告分类,列为视频标签的矩阵,利用矩阵分解法分别计算视频标签的因子向量和广告分类的因子向量。
需要说明的是,由于视频标签和广告分类在一些情况下,存在不对应的情况,因此本步骤中构建的矩阵中,存在某些矩阵元素为空的情况。
本步骤中,利用矩阵分解法分别得到视频标签和广告分类给子的一个向量表示,在实际应用中,矩阵分解法可以采用ALS(Aternating Last Suares,交替最小二乘法)算法。
步骤S104、计算视频标签的因子向量与广告分类的因子向量的内积,并将所述内积作为视频标签对应的视频ID与广告分类对应的广告ID的相关性得分;
其中,内积又称数量积、点积,是接受在实数R上的两个向量并返回一个实数值标量的二元运算。
本步骤中,通过计算视频标签的因子向量与广告分类的因子向量的内积,来填充缺失历史投放记录的某视频下某类广告的相关性。
其中,内积越大,与内积相对应的相关性得分越高。
步骤S105、利用相关性得分,确定每一个视频ID下所有广告ID的广告集合;
步骤S106、将广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从候选推荐广告中筛选得到目标推荐广告。
其中,预设筛选条件可以是相关性得分高的预设数量的候选推荐广告、预设相关性得分等,具体依据实际需要而定,本发明在此不做限定。
综上可知,本发明公开的广告推荐的方法,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
进一步,本发明通过将广告ID映射到对应的广告分类,将视频ID映射到对应的视频标签,来得到历史曝光量不足的视频ID和广告ID的相关性,从而解决了视频ID和广告ID的冷启动问题。
为进一步优化上述实施例,本发明还公开了从候选推荐广告中筛选得到目标推荐广告的具体实现方案。
参见图2,本发明一具体实施例公开的一种从候选推荐广告中筛选得到目标推荐广告的方法流程图,该方法包括步骤:
步骤S201、将每一个视频ID的广告集合中的各个广告ID作为候选推荐广告,对候选推荐广告按照相关性得分从高到低的顺序进行排序;
步骤S202、将相关性得分高的预设数量的候选推荐广告作为预设筛选条件,从候选推荐广告中筛选出相关性得分高的所述预设数量的候选推广告作为目标推荐广告。
举例说明,假设某一视频ID的广告集合中有25个候选推荐广告,将这25个候选推荐广告按照相关性得分从高到低的顺序进行排序;假设预设排名临界值为11,则将25个候选推荐广告中,排名1~10的候选推荐广告,作为该视频ID的目标推荐广告。
综上可知,本发明公开的广告推荐的方法,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
需要说明的是,在实际应用中,从候选推荐广告中筛选目标推荐广告的预设筛选条件包括但不局限于预设排名临界值,还可以采用其它的筛选条件,比如,预设相关性得分。
具体的,将广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从候选推荐广告中筛选得到目标推荐广告,具体可以包括:
将广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为预设筛选条件,从候选推荐广告中筛选出不低于预设相关性得分的候选推荐广告作为目标推荐广告。
其中,预设相关性得分的数值具体依据实际需要而定,本发明在此不做限定。
为进一步优化图1所示的实施例,参见图3,本发明一具体实施例公开的一种确定视频标签对应的视频ID与广告分类对应的广告ID的相关性得分的方法流程图,该方法包括:
步骤S301、计算视频标签的因子向量与广告分类的因子向量的内积;
步骤S302、将视频标签逆映射到视频ID,将广告分类逆映射到广告ID;
步骤S303、将所述内积作为视频ID与广告ID的相关性得分。
需要说明的是,上述实施例中,在从候选推荐广告中筛选得到目标推荐广告后,还需将得到的目标推荐广告导入至数据库,该数据块可选用couchbase,以供在互联网投放广告时使用。
综上可知,本发明公开的广告推荐的方法,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
与上述方法实施例相对应,本发明还公开了一种广告推荐的系统。
参见图4,本发明一实施例公开的一种广告推荐的系统的结构示意图,该系统包括:
拉取单元401,用于拉取预设时间段内所有广告的曝光点击日志,所述曝光点击日志至少包括:广告ID和广告曝光上下文的视频ID;
具体的,拉取是一种描述因特网内容提供者和因特网用户之间两种工作方式的术语,一般指用户从网站上“拖下”数据,与“推送”相反。
广告的曝光量通俗地说就是网页页面(带广告)被浏览的次数,广告的点击量即广告的点击次数,简单的说,就是指网页上广告被点击的次数。
本步骤中,所有广告的曝光点击日志指的是在预设时间段内出现的每一个广告被浏览点击的历史数据,预设时间段的具体数值依据实际需要而定,如28天,本发明在此不做限定。
映射单元402,用于将所述广告ID映射到对应的广告分类,将所述视频ID映射到对应的视频标签;
在实际应用中,不同的分类标准对应不同的广告分类,比如,将广告内容作为分类标准时,可将广告分为:产品广告、品牌广告、观念广告和公益广告四个类型。将广告目的作为分类标准时,可将广告分为:告知广告、促销广告、形象广告、建议广告、公益广告和推广广告六类。其中,广告分类类型具体依据实际需要而定,本发明在此不做限定。另外,广告ID在广告下单时,其对应的广告分类就已经确定。
本实施例中,视频标签具体指的是视频关键词,如视频标题,每个视频ID都有独立的视频标签,而不同的视频标签可能不一样。
第一计算单元403,用于计算所述视频标签的因子向量和所述广告分类的因子向量;
具体的,第一计算单元403包括:构建子单元和因子向量计算子单元;
构建子单元,用于构建包含所述视频标签和所述广告分类的矩阵,在实际应用中,可以构建行为视频标签,列为广告分类的矩阵,或是行为广告分类,列为视频标签的矩阵。
需要说明的是,由于视频标签和广告分类在一些情况下,存在不对应的情况,因此构建的矩阵中,存在某些矩阵元素为空的情况。
因子向量计算子单元,用于利用矩阵分解法分别计算所述视频标签的因子向量和所述广告分类的因子向量。
利用矩阵分解法分别得到视频标签和广告分类给子的一个向量表示,在实际应用中,矩阵分解法可以采用ALS(Aternating Last Suares,交替最小二乘法)算法。
第二计算单元404,用于计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分;
其中,内积又称数量积、点积,是接受在实数R上的两个向量并返回一个实数值标量的二元运算。
本实施例中,通过计算视频标签的因子向量与广告分类的因子向量的内积,来填充缺失历史投放记录的某视频下某类广告的相关性。
确定单元405,用于利用所述相关性得分,确定每一个视频ID下所有广告ID的广告集合;
筛选单元406,用于将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告。
其中,预设筛选条件可以是相关性得分的排名临界值、预设相关性得分等,具体依据实际需要而定,本发明在此不做限定。
综上可知,本发明公开的广告推荐的系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
进一步,本发明通过将广告ID映射到对应的广告分类,将视频ID映射到对应的视频标签,来得到历史曝光量不足的视频ID和广告ID的相关性,从而解决了视频ID和广告ID的冷启动问题。
为进一步优化上述实施例,本发明还公开了从候选推荐广告中筛选得到目标推荐广告的具体实现方案。
上述实施例中,筛选单元407具体用于:
将每一个视频ID的广告集合中的各个广告ID作为候选推荐广告,对候选推荐广告按照相关性得分从高到低的顺序进行排序;
将相关性得分高的预设数量的候选推荐广告作为预设筛选条件,从候选推荐广告中筛选出相关性得分高的所述预设数量的候选推广告作为目标推荐广告。
举例说明,假设某一视频ID的广告集合中有25个候选推荐广告,将这25个候选推荐广告按照相关性得分从高到低的顺序进行排序;假设预设排名临界值为11,则将25个候选推荐广告中,排名1~10的候选推荐广告,作为该视频ID的目标推荐广告。
综上可知,本发明公开的广告推荐的系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
需要说明的是,在实际应用中,从候选推荐广告中筛选目标推荐广告的预设筛选条件包括但不局限于上述方案,还可以采用其它的筛选条件,比如,预设相关性得分。
因此,筛选单元407具体还用于:
将广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为预设筛选条件,从候选推荐广告中筛选出不低于预设相关性得分的候选推荐广告作为目标推荐广告。
其中,预设相关性得分的数值具体依据实际需要而定,本发明在此不做限定。
综上可知,本发明公开的广告推荐的系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
为进一步优化上述实施例,参见图5,本发明一实施例公开的一种第二计算单元的结构示意图,第二计算单元包括:
内积计算子单元501,用于计算视频标签的因子向量与广告分类的因子向量的内积;
映射子单元502,用于将视频标签逆映射到视频ID,将广告分类逆映射到广告ID;
确定子单元503,用于根据内积,确定视频ID与广告ID的相关性得分。
需要说明的是,上述实施例中,在从候选推荐广告中筛选得到目标推荐广告后,还需将得到的目标推荐广告导入至数据库,该数据块可选用couchbase。
因此,广告推荐的系统在图4所示实施例的基础上,还包括:
导入单元,用于将目标推荐广告导入数据库,以供在互联网投放广告时使用。
综上可知,本发明公开的广告推荐的系统,结合预设时间段内所有广告的广告ID和广告曝光上下文的视频ID,获得视频标签的因子向量和广告分类的因子向量,计算视频标签的因子向量和广告分类的因子向量的内积,将该内积作为视频ID与广告ID的相关性得分,利用该相关性得分,确定每一个视频ID下所有广告ID的广告集合,并根据预设筛选条件,从广告集合中筛选得到目标推荐广告。相比传统方案单纯的根据广告主的竞价来推荐广告而言,本发明在推荐广告的过程中,考虑了视频ID与广告ID的相关性,并依据视频ID与广告ID的相关性得分和预设筛选条件进行目标推荐广告的筛选,从而大大提高了广告推荐的精确度和用户体验,减小了对其他广告主利益的损坏,保证了广告平台的可持续发展。
另外,由于本发明在筛选目标推荐广告时,考虑了广告的曝光量,因此本发明还有效避免了点击率低的广告的无效曝光。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种广告推荐的方法,其特征在于,包括:
拉取预设时间段内所有广告的曝光点击日志,所述曝光点击日志至少包括:广告ID和广告曝光上下文的视频ID;
将所述广告ID映射到对应的广告分类,将所述视频ID映射到对应的视频标签;
分别计算所述视频标签的因子向量和所述广告分类的因子向量;
计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分;
利用所述相关性得分,确定每一个视频ID下所有广告ID的广告集合;
将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告。
2.根据权利要求1所述的方法,其特征在于,所述分别计算所述视频标签的因子向量和所述广告分类的因子向量,具体包括:
构建包含所述视频标签和所述广告分类的矩阵;
利用矩阵分解法分别计算所述视频标签的因子向量和所述广告分类的因子向量。
3.根据权利要求1所述的方法,其特征在于,所述将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告,具体包括:
将所述广告集合中的各个广告ID作为候选推荐广告,对所述候选推荐广告按照相关性得分从高到低的顺序进行排序;
将相关性得分高的预设数量的候选推荐广告作为所述预设筛选条件,从所述候选推荐广告中筛选出相关性得分高的所述预设数量的候选推广告作为所述目标推荐广告。
4.根据权利要求1所述的方法,其特征在于,所述将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告,具体包括:
将所述广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为所述预设筛选条件,从所述候选推荐广告中筛选出不低于所述预设相关性得分的候选推荐广告作为所述目标推荐广告。
5.根据权利要求1所述的方法,其特征在于,所述计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分,具体包括:
计算所述视频标签的因子向量与所述广告分类的因子向量的内积;
将所述视频标签逆映射到所述视频ID,将所述广告分类逆映射到所述广告ID;
将所述内积作为所述视频ID与所述广告ID的相关性得分。
6.根据权利要求1所述的方法,其特征在于,还包括:
将所述目标推荐广告导入数据库,以供在互联网投放广告时使用。
7.根据权利要求1所述的方法,其特征在于,所述矩阵分解法包括:交替最小二乘法ALS。
8.一种广告推荐的系统,其特征在于,包括:
拉取单元,用于拉取预设时间段内所有广告的曝光点击日志,所述曝光点击日志至少包括:广告ID和广告曝光上下文的视频ID;
映射单元,用于将所述广告ID映射到对应的广告分类,将所述视频ID映射到对应的视频标签;
构建单元,用于构建行为所述视频标签,列为所述广告分类的矩阵;
第一计算单元,用于分别计算所述视频标签的因子向量和所述广告分类的因子向量;
第二计算单元,用于计算所述视频标签的因子向量与所述广告分类的因子向量的内积,并将所述内积作为所述视频标签对应的所述视频ID与所述广告分类对应的所述广告ID的相关性得分;
确定单元,用于利用所述相关性得分,确定每一个视频ID下所有广告ID的广告集合;
筛选单元,用于将所述广告集合中的各个广告ID作为候选推荐广告,根据预设筛选条件,从所述候选推荐广告中筛选得到目标推荐广告。
9.根据权利要求8所述的系统,其特征在于,所述第一计算单元包括:
构建子单元,用于构建包含所述视频标签和所述广告分类的矩阵;
因子向量计算子单元,用于利用矩阵分解法分别计算所述视频标签的因子向量和所述广告分类的因子向量。
10.根据权利要求8所述的系统,其特征在于,所述筛选单元具体用于:
将所述广告集合中的各个广告ID作为候选推荐广告,对所述候选推荐广告按照相关性得分从高到低的顺序进行排序;
将相关性得分高的预设数量的候选推荐广告作为所述预设筛选条件,从所述候选推荐广告中筛选出相关性得分高的所述预设数量的的候选推广告作为所述目标推荐广告。
11.根据权利要求8所述的系统,其特征在于,所述筛选单元具体还用于:
将所述广告集合中的各个广告ID作为候选推荐广告,以预设相关性得分作为所述预设筛选条件,从所述候选推荐广告中筛选出不低于所述预设相关性得分的候选推荐广告作为所述目标推荐广告。
12.根据权利要求8所述的系统,其特征在于,所述第二计算单元包括:
内积计算子单元,用于计算所述视频标签的因子向量与所述广告分类的因子向量的内积;
映射子单元,用于将所述视频标签逆映射到所述视频ID,将所述广告分类逆映射到所述广告ID;
确定子单元,用于将所述内积作为所述视频ID与所述广告ID的相关性得分。
13.根据权利要求8所述的系统,其特征在于,还包括:
导入单元,用于将所述目标推荐广告导入数据库,以供在互联网投放广告时使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710950565.XA CN107748998A (zh) | 2017-10-13 | 2017-10-13 | 广告推荐的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710950565.XA CN107748998A (zh) | 2017-10-13 | 2017-10-13 | 广告推荐的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748998A true CN107748998A (zh) | 2018-03-02 |
Family
ID=61253704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710950565.XA Pending CN107748998A (zh) | 2017-10-13 | 2017-10-13 | 广告推荐的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748998A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764952A (zh) * | 2018-03-23 | 2018-11-06 | 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 |
CN109241423A (zh) * | 2018-08-29 | 2019-01-18 | 北京小米移动软件有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150052003A1 (en) * | 2013-08-19 | 2015-02-19 | Wal-Mart Stores, Inc. | Providing Personalized Item Recommendations Using Scalable Matrix Factorization With Randomness |
CN105183925A (zh) * | 2015-10-30 | 2015-12-23 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
CN105302880A (zh) * | 2015-10-14 | 2016-02-03 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
CN106547908A (zh) * | 2016-11-25 | 2017-03-29 | 三星电子(中国)研发中心 | 一种信息推送方法和系统 |
CN106959966A (zh) * | 2016-01-12 | 2017-07-18 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法及系统 |
US20170228599A1 (en) * | 2016-02-09 | 2017-08-10 | Yahoo! Inc. | Content-Based Video Representation |
CN107229557A (zh) * | 2017-06-26 | 2017-10-03 | 微鲸科技有限公司 | 异常点击检测方法及装置、点击量统计方法及装置 |
-
2017
- 2017-10-13 CN CN201710950565.XA patent/CN107748998A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150052003A1 (en) * | 2013-08-19 | 2015-02-19 | Wal-Mart Stores, Inc. | Providing Personalized Item Recommendations Using Scalable Matrix Factorization With Randomness |
CN105302880A (zh) * | 2015-10-14 | 2016-02-03 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
CN105183925A (zh) * | 2015-10-30 | 2015-12-23 | 合一网络技术(北京)有限公司 | 内容关联推荐方法及装置 |
CN106959966A (zh) * | 2016-01-12 | 2017-07-18 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法及系统 |
US20170228599A1 (en) * | 2016-02-09 | 2017-08-10 | Yahoo! Inc. | Content-Based Video Representation |
CN106547908A (zh) * | 2016-11-25 | 2017-03-29 | 三星电子(中国)研发中心 | 一种信息推送方法和系统 |
CN107229557A (zh) * | 2017-06-26 | 2017-10-03 | 微鲸科技有限公司 | 异常点击检测方法及装置、点击量统计方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764952A (zh) * | 2018-03-23 | 2018-11-06 | 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 |
CN109241423A (zh) * | 2018-08-29 | 2019-01-18 | 北京小米移动软件有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5899275B2 (ja) | オンラインシステムにおける広告及びコンテンツの品質スコア付けシステム及び方法 | |
US20200234344A1 (en) | Integrated Architecture for Performing Online Advertising Allocations | |
US20180150873A1 (en) | Online advertising with enhanced publisher involvment | |
CN107004205B (zh) | 向广告主建议用于在线内容项的创意类型的系统和方法 | |
Miralles-Pechuán et al. | A novel methodology for optimizing display advertising campaigns using genetic algorithms | |
JP5904766B2 (ja) | 推薦キーワードを提供するシステムおよび方法 | |
TW201520936A (zh) | 使用者參與度上下文相關之非保證交付自動標價 | |
US9342559B1 (en) | Automatic matching of users and service providers | |
KR20100086489A (ko) | 광고에 대한 특징-값 첨부, 순위 재조정 및 필터링 | |
CN102541893A (zh) | 关键词分析方法及装置 | |
US20100121706A1 (en) | Method and system for selecting advertisements | |
US20090299855A1 (en) | Predicting keyword monetization | |
JP2015046185A (ja) | オンラインシステムにおける広告及びコンテンツの統合型市場 | |
CN107004179A (zh) | 动态选择通信标识符的系统和方法 | |
CN106062743A (zh) | 用于关键字建议的系统和方法 | |
CN104992347A (zh) | 一种视频匹配广告的方法及装置 | |
CN105809478B (zh) | 一种广告标签的标注方法及系统 | |
CN105989107A (zh) | 一种应用推荐方法及装置 | |
CN106445954A (zh) | 一种业务对象的展示方法和装置 | |
CN105574198A (zh) | 一种栏目推荐方法及装置 | |
CN103853789A (zh) | 一种用于向用户推荐信息的方法和设备 | |
CN107748998A (zh) | 广告推荐的方法及系统 | |
US20110191171A1 (en) | Search engine output-associated bidding in online advertising | |
CN103530794A (zh) | 在线广告中的基于内容的投标 | |
CN102498498A (zh) | 在线广告拍卖中的表达性出价 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180302 |
|
RJ01 | Rejection of invention patent application after publication |