CN107871244B

CN107871244B - 一种广告效果的检测方法和装置

Info

Publication number: CN107871244B
Application number: CN201610859248.2A
Authority: CN
Inventors: 蒋杰; 肖磊; 谭奔
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2016-09-28
Filing date: 2016-09-28
Publication date: 2021-08-20
Anticipated expiration: 2036-09-28
Also published as: CN107871244A

Abstract

本发明公开了一种广告效果的检测方法和装置，用于提高广告效果的评估效率，并可以实现精准的广告投放。本发明实施例提供一种广告效果的检测方法，包括：获取广告主提供的待投放广告；将所述待投放广告输入到用户属性预测模型中进行预测，输出所述待投放广告对应的目标用户属性，所述用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立；根据所述目标用户属性从网络平台中选择与所述目标用户属性匹配的用户集，并将所述待投放广告投放给选择出的所述用户集；收集所述用户集中的用户对已投放广告产生的用户反馈信息，并根据所述用户反馈信息确定所述已投放广告匹配的用户群体。

Description

一种广告效果的检测方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种广告效果的检测方法和装置。

背景技术

广告是企业形象传播、产品推广的重要途径和手段。企业通过生动、富有成效的宣传，向社会公众传递企业优良的产品和服务，以及良好的管理水平和生产技术，从而在公众心目中形成好的企业形象，获得他们对产品的认知与信赖，对企业的认同和支持，促进企业的持续经营与发展。好的广告能帮助消费者认识和了解各种商品的商标、性能、用途等项内容，从而起到传递信息，沟通产销的作用。好的广告能起到诱导消费者的兴趣和感情，引起消费者购买该商品的欲望，促进消费者的购买行动。好的广告能够把品牌的形象、意义和消费者的社会环境及文化背景联系起来，使消费者产生品牌忠诚。

鉴于广告的重要性，企业在广告上的投入也是巨大的。然而，如果在广告设计和受众人群预估等环节出现了问题，广告投入不能收到预期的效果，甚至带来负面影响，这给企业带来巨大的经济损失。因此分析广告投放效果、了解广告对消费者产生的影响也是广告投放的重要环节。及时的了解投放的广告在受众人群中的影响可以帮助企业针对广告做出正确的反应，从而让广告投入发挥最大的经济效应。一般而言，广告投入和反馈流程主要包括：确定广告目标、确定广告预算、确定受众人群、确定广告投放形式、广告效果检测和评估等几个环节。

由于广告目标和受众人群的多样性、复合性，以及期望测定结果的真实可靠，在广告效果检测和评估过程中需要尽可能的确保数据样本的典型性、代表性，样本数量尽可能的大，同时需要反复测试和评估多次。为此，目前常通过发放调查问卷给不同受众人群，然后收集问卷的方式进行广告效果评估，这个是一个耗时耗力的工作，大大降低了广告效果的评估效率。另外，现有技术中广告投放策略没有较好地考虑到不同用户对不同广告的实地需求，不能较为精确地预测用户对广告的需求，从而不能精准地投放用户感兴趣的广告。

发明内容

本发明实施例提供了一种广告效果的检测方法和装置，用于提高广告效果的评估效率，并可以实现精准的广告投放。

为解决上述技术问题，本发明实施例提供以下技术方案：

第一方面，本发明实施例提供一种广告效果的检测方法，包括：

获取广告主提供的待投放广告；

将所述待投放广告输入到用户属性预测模型中进行预测，输出所述待投放广告对应的目标用户属性，所述用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立；

根据所述目标用户属性从网络平台中选择与所述目标用户属性匹配的用户集，并将所述待投放广告投放给选择出的所述用户集；

收集所述用户集中的用户对已投放广告产生的用户反馈信息，并根据所述用户反馈信息确定所述已投放广告匹配的用户群体。

第二方面，本发明实施例还提供一种广告效果的检测装置，包括：

广告获取模块，用于获取广告主提供的待投放广告；

用户属性预测模块，用于将所述待投放广告输入到用户属性预测模型中进行预测，输出所述待投放广告对应的目标用户属性，所述用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立；

用户选择模块，用于根据所述目标用户属性从网络平台中选择与所述目标用户属性匹配的用户集，并将所述待投放广告投放给选择出的所述用户集；

用户反馈分析模块，用于收集所述用户集中的用户对已投放广告产生的用户反馈信息，并根据所述用户反馈信息确定所述已投放广告匹配的用户群体。

从以上技术方案可以看出，本发明实施例具有以下优点：

在本发明实施例中，首先获取广告主提供的待投放广告，然后将待投放广告输入到用户属性预测模型中进行预测，输出待投放广告对应的目标用户属性，该用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立，接下来根据目标用户属性从网络平台中选择与目标用户属性匹配的用户集，并将待投放广告投放给选择出的用户集，最后收集用户集中的用户对已投放广告产生的用户反馈信息，并根据用户反馈信息确定已投放广告匹配的用户群体。由于本发明实施例中可以使用用户属性预测模型来预测出待投放广告对应的目标用户属性，因此在待投放广告需要投放时可以从网络平台中选择出与该目标用户属性匹配的用户集，从而增加广告投放的精准度，能够按照预测出的目标用户属性进行受众用户的选取，可以实现精准的广告投放。本发明实施例中针对用户集中的用户收集对已投放广告的用户反馈信息，由于该用户反馈信息是针对目标用户属性匹配的用户集收集的，因此通过该用户反馈信息可以快速的分析出已投放广告适配的用户群体，提高广告效果的评估效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，对于本领域的技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种广告效果的检测方法的流程方框示意图；

图2为本发明实施例提供的基于用户行为数据的属性预测过程示意图；

图3为本发明实施例提供的广告效果检测和评估过程示意图；

图4-a为本发明实施例提供的一种广告效果的检测装置的组成结构示意图；

图4-b为本发明实施例提供的另一种广告效果的检测装置的组成结构示意图；

图4-c为本发明实施例提供的另一种广告效果的检测装置的组成结构示意图；

图4-d为本发明实施例提供的另一种广告效果的检测装置的组成结构示意图；

图5为本发明实施例提供的广告效果的检测方法应用于服务器的组成结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域的技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

本发明实施例可以基于网络广告进行广告效果的实时检测，本发明实施例依靠网络平台上大量用户产生的行为数据，可以完成对用户属性预测模型的训练学习，该用户属性预测模型又可以用于从网络平台上筛选出符合待评估广告需求的用户集，从而实时监控广告在受众用户上产生的效果。以下分别进行详细说明。

本发明广告效果的检测方法的一个实施例，具体可以应用于网络平台中用户对已投放广告的快速检测中，请参阅图1所示，本发明一个实施例提供的广告效果的检测方法，可以包括如下步骤：

101、获取广告主提供的待投放广告。

在本发明实施例中，广告主是广告活动的发布者，也是在网上销售或宣传自己产品和服务的商家，也是联盟营销广告的提供者，广告主根据自己营销的需求选择待投放广告，该待投放广告是指需要在网络平台上投放的网络广告，网络广告利用网站上的广告横幅、文本链接、多媒体等方法，在互联网刊登或发布广告，网络广告是通过网络传递到互联网用户的一种广告运作方式。举例说明，待投放广告可以是需要在网络平台上投放的广告图片、广告文字、广告音频、广告视频等。

102、将待投放广告输入到用户属性预测模型中进行预测，输出待投放广告对应的目标用户属性。

其中，用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立。

在本发明实施例中，需要使用网络数据源中的用户行为数据集进行机器学习训练后建立用户属性预测模型，该用户属性预测模型能够用于对用户进行属性预测。具体的，本发明实施例中机器学习采用的模型建立方法可以有多种，举例说明如下，可以采用逻辑回归算法、决策树、随机森林、梯度提升决策树、支持向量机(Support Vector Machine，缩写：SVM)、神经网络、深度学习算法等上述算法中的至少一种来建立用户属性预测模型，上述算法只是举例说明，不能作为对本发明的限定。

在用户属性预测模型的建立中，需要采用从网络数据源中获取到的用户行为数据集，该用户行为数据集中包括有从网络数据源中采集到的多种用户行为数据，本发明实施例中用户行为数据是指基于用户的用户行为在网络数据源中产生的数据。本发明实施例中，用户行为主要是指用户在互联网、移动互联网上的行为，例如浏览网页、使用应用软件、网络社交行为等等。本发明实施例中网络数据源可以指用户行为轨迹记录的数据库，具体可以通过一种网络数据源或者多种网络数据源来训练用户属性预测模型，此处不做限定。

在本发明的一些实施例中，本发明提供的广告效果的检测方法除了执行前述方法步骤之外，该广告效果的检测方法还可以执行如下步骤：

A1、从多个网络数据源中分别收集用户行为数据；

A2、根据收集到的每个用户对应的多条用户行为数据建立用户行为数据集，用户行为数据集包括：每个用户分别对应的用户行为向量，用户行为向量包括：对应于同一个用户的不同维度的用户行为数据；

A3、将每个用户分别对应的用户行为向量输入到用初始建立的户属性预测模型中，通过机器学习的方法对用户属性预测模型中的预测函数进行训练，当用户属性预测模型中预测函数输出的用户属性预测值满足误差条件时停止模型训练，并输出最终的用户属性预测模型。

其中，步骤A1至步骤A3中举例说明了用户属性预测模型的建立过程，不限定的是，对于每次从广告主获取到待投放广告之后，可以直接触发步骤102执行，从而输出待投放广告对应的目标用户属性，在本发明实施例的系统初始运行时可以执行步骤A1至步骤A3的模型建立过程。在步骤A1中可以针对不同的网络数据源独立的收集每个用户的用户行为数据，例如可以搜集用户所访问的网站、访问时间、网站内容，手机应用程序使用情况、全球定位系统(Global Positioning System，简写GPS)信息、无线局域网(Wireless Fidelity，简写WIFI)连接信息、移动设备传感器信息等等。针对每个用户收集到的多个用户行为数据，可以建立每个用户的用户行为向量，例如用户在各个时间段经常访问的网页、使用的应用程序、连接的WIFI、以及传感器记录的信息、以及这些数据的统计信息等等，将所有数据数值化，合并成一个用户行为向量，因此可以用一个用户行为向量来描述一个用户，这个向量的维度会非常的大，囊括了用户最近一段时间在互联网上的所有行为信息，在模型训练阶段，首先获取用户的属性信息、或者通过注册表等形式主动的获取部分用户的属性信息，接下来对初始建立的用户属性预测模型进行不断的训练，通过机器学习的方法找到多个预测函数，使用用户行为向量作为输入，将模型的输出值与真实值进行比较，当输出值满足误差条件，即没有差别，或者差别非常的小时，确定出最终的用户属性预测模型，该用户属性预测模型中使用的预测函数可以用于对待投放广告需求的用户属性进行预测。

进一步的，在本发明的一些实施例中，在前述执行步骤A1至步骤A3的实现场景下，步骤A1从多个网络数据源中分别收集用户行为数据之后，本发明实施例提供的广告效果的检测方法还可以包括如下步骤：

B1、对收集到的用户行为数据进行匿名化处理，和/或冗余信息删除，和/或噪声数据过滤。

具体的，在收集到用户行为数据之后，可以进入数据预处理和特征抽取阶段，首先进行匿名化处理，去除冗余信息、噪声数据。分时间分内容抽取不同网络数据源里面的信息，用户行为数据进行匿名化处理，使得网络数据源中的行为数据不能定位到具体的用户，避免用户私密信息的泄漏，冗余信息可以指的是从网络数据源中获取到与用户属性无关的行为数据的过滤，噪声数据是指从网络数据源中提取到的无效行为数据。具体冗余信息和噪声数据的过滤可以结合应用场景来完成。

在本发明实施例中，预先建立完成用户属性预测模型之后，可以将从广告主获取到的待投放广告输入到用户属性预测模型中，通过用户属性预测模型完成对匹配于该待投放广告的用户属性预测，将预测出的用户属性定义为目标用户属性。举例说明如下，可以根据用户属性预测模型来预测用户的属性信息。例如男性用户更偏向于游戏、体育类应用程序，女生会偏向于购物、美颜类应用程序。在本发明的一些实施例中，用户属性预测模型预测出的用户属性包括如下内容的至少一种：用户的性别、年龄、职业、所处地址区域、兴趣爱好、网龄。需要说明的是，在实际应用中，还可以根据广告主的预测需求来配置用户属性的具体类型，或者根据需要预测的广告类型来配置用户属性的具体类型，例如，该用户属性还可以包括：所使用的移动终端类型，上网时段轨迹等信息。

需要说明的是，在本发明的前述实施例中，通过用户属性预测模型预测出的目标用户属性可以是一种用户属性的预测，也可以是多种用户属性的预测，举例说明，可以分析不同用户属性对广告的喜好程度，例如P(喜欢广告|性别＝女)表示喜欢这个广告的男性用户的比例，称这种统计结果为一阶统计结果，本发明实施例中还可以非常方便的进行二阶甚至高阶的统计，例如P(喜欢广告|性别＝女，网龄＝5年，年龄＝20-30岁)等等。因此需要根据实际应用场景的需要来输出与待投放广告对应的目标用户属性。

在本发明的一些实施例中，步骤102中的将待投放广告输入到用户属性预测模型中进行预测，具体可以包括如下步骤：

C1、从待投放广告中提取出广告文字特征参数、广告图片特征参数、广告声音特征参数；

C2、将广告文字特征参数、广告图片特征参数、广告声音特征参数输入到用户属性预测模型中进行预测，通过用户属性预测模型对待投放广告对应的目标用户属性进行预测。

其中，对于待投放广告的特征参数提取可以有多种方式，例如广告文字特征参数、广告图片特征参数、广告声音特征参数，具体需要提取的广告特征方式可以结合广告主提供的待投放广告的广告素材来确定。接下来将广告文字特征参数、广告图片特征参数、广告声音特征参数输入到用户属性预测模型中进行预测，通过用户属性预测模型对待投放广告对应的目标用户属性进行预测，需要说明的是，输入到用户属性预测模型中的广告特征可以是广告文字特征参数、广告图片特征参数、广告声音特征参数中的至少一种，具体实现方式此处不做限定。

103、根据目标用户属性从网络平台中选择与目标用户属性匹配的用户集，并将待投放广告投放给选择出的用户集。

在本发明实施例中，通过用户属性预测模型预测出该待投放广告对应的目标用户属性之后，可以根据该目标用户属性从网络平台中选择与目标用户属性匹配的用户集，该用户集中包括的所有用户是该待投放广告的受众群体，举例说明如下，通过用户属性预测模型预测出广告主提供的待投放广告对应的目标用户属性为女性，且年龄段为20岁至30岁，则可以从网络平台中筛选出满足该目标用户属性的用户，从而筛选出的所有用户构成一个用户集，本发明实施例中描述的用户集指通过用户属性预测模型预测出的目标用户属性来匹配出的用户，待投放广告投放给这样的用户集，可以提高广告投放的精准度，实现广告的有针对性人群投放，可以满足不同用户对不同广告的实地需求。本发明实施例中，选择出用户集之后，可以将待投放广告投放给选择出的用户集，该用户集包括了从网络平台上选择出的具有目标用户属性的用户，这样的用户集中的用户和待投放广告的匹配程度高，广告效果会明显好于盲目投放广告的效果。

104、收集用户集中的用户对已投放广告产生的用户反馈信息，并根据用户反馈信息确定已投放广告匹配的用户群体。

在发明实施例中，在网络平台投放广告有众多的好处，包括传播方式多样、信息容量大、成本低、计费灵活等等。网络平台中选择出的用户集中投放了广告之后，在一些网络平台还可以实现即时互动，例如用户可以对喜欢的广告进行点击、评论甚至转发给好友。这些行为可以被网络平台实时的捕捉到并且以用户反馈信息的方式被实时收集，以便及时准确的了解到用户对广告的反馈，因此可以根据用户反馈信息确定已投放广告能够匹配的用户群体，确定出的这些匹配的用户群体就是已投放广告的真实需求群体，这样的群体对已投放广告的点击、评论、转发可以极大的提升广告效果。

在本发明的一些实施例中，步骤104根据用户反馈信息确定待投放广告匹配的用户群体之后，本发明实施例提供的广告效果的检查方法还可以包括如下步骤：

D1、将已投放广告匹配的用户群体通知给广告主。

在本发明的上述实施例中，在确定出已投放广告匹配的用户群体之后，实时监控广告在受众用户上产生的效果，并将分析结果实时反馈给广告主，使得广告主可以准确的获取到该广告主提供的待投放广告能够适配的用户群体，便于广告主对广告内容的修改和再次投放。

通过以上实施例对本发明实施例的描述可知，首先获取广告主提供的待投放广告，然后将待投放广告输入到用户属性预测模型中进行预测，输出待投放广告对应的目标用户属性，该用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立，接下来根据目标用户属性从网络平台中选择与目标用户属性匹配的用户集，并将待投放广告投放给选择出的用户集，最后收集用户集中的用户对已投放广告产生的用户反馈信息，并根据用户反馈信息确定已投放广告匹配的用户群体。由于本发明实施例中可以使用用户属性预测模型来预测出待投放广告对应的目标用户属性，因此在待投放广告需要投放时可以从网络平台中选择出与该目标用户属性匹配的用户集，从而增加广告投放的精准度，能够按照预测出的目标用户属性进行受众用户的选取，可以实现精准的广告投放。本发明实施例中针对用户集中的用户收集对已投放广告的用户反馈信息，由于该用户反馈信息是针对目标用户属性匹配的用户集收集的，因此通过该用户反馈信息可以快速的分析出已投放广告适配的用户群体，提高广告效果的评估效率。

为便于更好的理解和实施本发明实施例的上述方案，下面举例相应的应用场景来进行具体说明。

本发明实施例提出基于网络广告的广告效果实时检测和评估，依靠网络平台上用户的行为数据，实时监控广告在受众用户上产生的效果，并将分析结果实时反馈给广告主，请参阅图2和图3所示，图2为本发明实施例提供的基于用户行为数据的属性预测过程示意图，图3为本发明实施例提供的广告效果检测和评估过程示意图。接下来对本发明实施例提供的方法应用场景进行举例说明。

首先说明基于用户行为的属性预测，用户在互联网上产生有用户行为，例如在移动互联网上会产生大量的行为数据，包括浏览网页、使用应用程序、在各种应用程序中的停留时间、与社交网络中好友的互动行为等等。物以类聚，人以群分，本发明实施例中可以根据用户的行为数据来预测用户的属性信息。例如男性用户更偏向于游戏、体育类应用程序，女生会偏向于购物、美颜类应用程序。当汇聚了大量用户行为数据后，我们可以根据用户行为非常准确的反推出用户各方面的属性。

如图2所示，基于用户行为的属性预测过程可以包括如下内容：在数据收集阶段，可以搜集用户所访问的网站、访问时间、网站内容，手机应用程序使用情况、GPS信息、WIFI连接信息、移动设备传感器信息等等。在数据预处理和特征抽取阶段，首先进行匿名化处理、去除冗余信息、噪声数据，然后分时间分内容抽取不同数据源里面的信息，例如用户在各个时间段经常访问的网页、使用的应用程序、连接的WIFI、以及传感器记录的信息、以及这些数据的统计信息等等。最后，将所有数据数值化，合并成一个用户行为向量。这样可以用一个向量来描述一个用户，这个向量的维度会非常的大，囊括了用户最近一段时间在互联网上的所有行为信息，用字母x_i表示第i个用户的行为向量。在模型训练阶段，首先获取部分用户的属性信息、或者通过注册表等形式主动的获取部分用户的属性信息，可以用

表示用户i的k个属性。有了这些信息以后，再通过机器学习的方法找到k个函数，每个函数f_j(x_i),j＝1,...,k可以使用用户行为向量作为输入，它的输出值

与收集的真实值

进行比较判断，当两者没有差别，或者差别非常的小时，可以确定这k个函数就是用户属性预测模型所需要的预测函数。当一个新的用户过来时，只需要看这个用户过去一段时间的行为记录就可以通过预测函数的变换知道他/她的个人属性信息了。给定一些用户的行为数据和属性数据，通过机器学习这些预测函数的方法很多，例如逻辑回归算法、决策树、随机森林、梯度提升决策树、支持向量机、神经网络、深度学习算法等等。最后在属性预测阶段，可以将预测函数作用到所有用户上面就可以知道他们的属性信息了。

接下来说明广告效果检测和评估。如图3所示，在网络平台投放广告有众多的好处，包括传播方式多样、信息容量大、成本低、计费灵活等等。在一些网络平台还可以实现即时互动，用户可以对喜欢的广告进行点击、评论甚至转发给好友。这些行为可以被平台实时的捕捉到，从而了解到用户对广告的反馈。同时，由前述内容可知，通过用户行为数据可以分析出用户的个人属性。那么，将用户属性、用户对广告的反馈信息两者相结合，就可以实时地仔细地分析不同属性人群对广告的反馈。比如一个广告，很多女人点击，没有男性点击，那么可以推导出这个广告是一个具有“女人”属性的广告，当一个男性用户到来的时候，就没有必要向他来推荐这个广告。

在上述举例说明中，还可以分析不同用户属性对广告的喜好程度，例如P(喜欢广告|性别＝男性)表示喜欢这个广告的男性用户的比例，这个是直接根据行为数据得出的统计量，称这种统计结果为一阶统计结果，还可以非常方便的进行二阶甚至高阶的统计，例如P(喜欢广告|性别＝男，职业＝工程师，年龄＝20-30岁)等等，这些结果可以实时的反馈给广告主，帮助他们了解自己广告的受众人群。

本发明实施例中可以从至少两个方面帮助广告主优化其广告投放。一方面，在广告主不确定其受众人群时，可以在网络平台上小范围的投放广告，可以设计实验方法进行投放范围的控制，具体来说有很多种，一种常见的方法是随机流量抽样的方式，实时的捕捉用户的反馈，帮助广告主快速的定位受众人群，然后进行大范围的精准投放。另一方面，当广告主有目标受众人群时，根据用户属性帮助广告主寻找用户群体，并在投放过程中实时的反馈多阶层的统计结果，帮助广告主了解当前广告素材在受众人群中的影响程度。

通过前述的举例说明可知，本发明实施例可以基于用户行为实现实时网络广告投放效果分析以及高阶广告效果分析，为广告主提供更加精细化的分析结果。

需要说明的是，对于前述的各方法实施例，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，本发明并不受所描述的动作顺序的限制，因为依据本发明，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发明所必须的。

为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。

请参阅图4-a所示，本发明实施例提供的一种广告效果的检测装置400，可以包括：广告获取模块401、用户属性预测模块402、用户选择模块403、用户反馈分析模块404，其中，

广告获取模块401，用于获取广告主提供的待投放广告；

用户属性预测模块402，用于将所述待投放广告输入到用户属性预测模型中进行预测，输出所述待投放广告对应的目标用户属性，所述用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立；

用户选择模块403，用于根据所述目标用户属性从网络平台中选择与所述目标用户属性匹配的用户集，并将所述待投放广告投放给选择出的所述用户集；

用户反馈分析模块404，用于收集所述用户集中的用户对已投放广告产生的用户反馈信息，并根据所述用户反馈信息确定所述已投放广告匹配的用户群体。

在本发明的一些实施例中，请参阅图4-b所示，所述广告效果的检测装置400还包括：

用户行为数据获取模块405，用于从多个网络数据源中分别收集用户行为数据；

训练数据配置模块406，用于根据收集到的每个用户对应的多条用户行为数据建立用户行为数据集，所述用户行为数据集包括：每个用户分别对应的用户行为向量，所述用户行为向量包括：对应于同一个用户的不同维度的用户行为数据；

模型训练模块407，用于将所述每个用户分别对应的用户行为向量输入到初始建立的用户属性预测模型中，通过机器学习的装置对所述用户属性预测模型中的预测函数进行训练，当所述用户属性预测模型中预测函数输出的用户属性预测值满足误差条件时停止模型训练，并输出最终的用户属性预测模型。

在本发明的一些实施例中，请参阅图4-c所示，相对于图4-b所示，所述广告效果的检测装置400还包括：预处理模块408，用于所述用户行为数据获取模块405从多个网络数据源中分别收集用户行为数据之后，对收集到的用户行为数据进行匿名化处理，和/或冗余信息删除，和/或噪声数据过滤。

在本发明的一些实施例中，请参阅图4-d所示，相对于图4-a所示，所述广告效果的检测装置400还包括：发送模块409，用于所述用户反馈分析模块404根据所述用户反馈信息确定所述待投放广告匹配的用户群体之后，将所述已投放广告匹配的用户群体通知给所述广告主。

在本发明的一些实施例中，所述用户属性预测模型预测出的用户属性包括如下内容的至少一种：用户的性别、年龄、职业、所处地址区域、兴趣爱好、网龄。

在本发明的一些实施例中，所述用户属性预测模块402，具体用于从所述待投放广告中提取出广告文字特征参数、广告图片特征参数、广告声音特征参数；将所述广告文字特征参数、广告图片特征参数、广告声音特征参数输入到用户属性预测模型中进行预测，通过用户属性预测模型对所述待投放广告对应的目标用户属性进行预测。

通过以上对本发明实施例的描述可知，首先获取广告主提供的待投放广告，然后将待投放广告输入到用户属性预测模型中进行预测，输出待投放广告对应的目标用户属性，该用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立，接下来根据目标用户属性从网络平台中选择与目标用户属性匹配的用户集，并将待投放广告投放给选择出的用户集，最后收集用户集中的用户对已投放广告产生的用户反馈信息，并根据用户反馈信息确定已投放广告匹配的用户群体。由于本发明实施例中可以使用用户属性预测模型来预测出待投放广告对应的目标用户属性，因此在待投放广告需要投放时可以从网络平台中选择出与该目标用户属性匹配的用户集，从而增加广告投放的精准度，能够按照预测出的目标用户属性进行受众用户的选取，可以实现精准的广告投放。本发明实施例中针对用户集中的用户收集对已投放广告的用户反馈信息，由于该用户反馈信息是针对目标用户属性匹配的用户集收集的，因此通过该用户反馈信息可以快速的分析出已投放广告适配的用户群体，提高广告效果的评估效率。

图5是本发明实施例提供的一种服务器结构示意图，该服务器1100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(central processingunits，CPU)1122(例如，一个或一个以上处理器)和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1100上执行存储介质1130中的一系列指令操作。

服务器1100还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述实施例中由服务器所执行的广告效果的检测方法的步骤可以基于该图5所示的服务器结构。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

综上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照上述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对上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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种广告效果的检测方法，其特征在于，包括：

获取广告主提供的待投放广告；

收集所述用户集中的用户对已投放广告产生的用户反馈信息，并根据所述用户反馈信息确定所述已投放广告匹配的用户群体；

其中，所述用户属性预测模型预测出的用户属性包括如下内容的至少一种：用户的性别、年龄、职业、所处地址区域、兴趣爱好、网龄。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从多个网络数据源中分别收集用户行为数据；

根据收集到的每个用户对应的多条用户行为数据建立用户行为数据集，所述用户行为数据集包括：每个用户分别对应的用户行为向量，所述用户行为向量包括：对应于同一个用户的不同维度的用户行为数据；

将所述每个用户分别对应的用户行为向量输入到初始建立的用户属性预测模型中，通过机器学习的方法对所述用户属性预测模型中的预测函数进行训练，当所述用户属性预测模型中预测函数输出的用户属性预测值满足误差条件时停止模型训练，并输出最终的用户属性预测模型。

3.根据权利要求2所述的方法，其特征在于，所述从多个网络数据源中分别收集用户行为数据之后，所述方法还包括：

对收集到的用户行为数据进行匿名化处理，和/或冗余信息删除，和/或噪声数据过滤。

4.根据权利要求1所述的方法，其特征在于，所述根据所述用户反馈信息确定所述待投放广告匹配的用户群体之后，所述方法还包括：

将所述已投放广告匹配的用户群体通知给所述广告主。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述待投放广告输入到用户属性预测模型中进行预测，包括：

从所述待投放广告中提取出广告文字特征参数、广告图片特征参数、广告声音特征参数；

将所述广告文字特征参数、广告图片特征参数、广告声音特征参数输入到用户属性预测模型中进行预测，通过用户属性预测模型对所述待投放广告对应的目标用户属性进行预测。

6.一种广告效果的检测装置，其特征在于，包括：

广告获取模块，用于获取广告主提供的待投放广告；

用户属性预测模块，用于将所述待投放广告输入到用户属性预测模型中进行预测，输出所述待投放广告对应的目标用户属性，所述用户属性预测模型通过使用网络数据源中的用户行为数据集进行机器学习训练后建立；其中，所述用户属性预测模型预测出的用户属性包括如下内容的至少一种：用户的性别、年龄、职业、所处地址区域、兴趣爱好、网龄；

7.根据权利要求6所述的装置，其特征在于，所述广告效果的检测装置还包括：

用户行为数据获取模块，用于从多个网络数据源中分别收集用户行为数据；

训练数据配置模块，用于根据收集到的每个用户对应的多条用户行为数据建立用户行为数据集，所述用户行为数据集包括：每个用户分别对应的用户行为向量，所述用户行为向量包括：对应于同一个用户的不同维度的用户行为数据；

模型训练模块，用于将所述每个用户分别对应的用户行为向量输入到初始建立的用户属性预测模型中，通过机器学习的装置对所述用户属性预测模型中的预测函数进行训练，当所述用户属性预测模型中预测函数输出的用户属性预测值满足误差条件时停止模型训练，并输出最终的用户属性预测模型。

8.根据权利要求7所述的装置，其特征在于，所述广告效果的检测装置还包括：预处理模块，用于所述用户行为数据获取模块从多个网络数据源中分别收集用户行为数据之后，对收集到的用户行为数据进行匿名化处理，和/或冗余信息删除，和/或噪声数据过滤。

9.根据权利要求6所述的装置，其特征在于，所述广告效果的检测装置还包括：发送模块，用于所述用户反馈分析模块根据所述用户反馈信息确定所述待投放广告匹配的用户群体之后，将所述已投放广告匹配的用户群体通知给所述广告主。

10.根据权利要求6至9中任一项所述的装置，其特征在于，所述用户属性预测模块，具体用于从所述待投放广告中提取出广告文字特征参数、广告图片特征参数、广告声音特征参数；将所述广告文字特征参数、广告图片特征参数、广告声音特征参数输入到用户属性预测模型中进行预测，通过用户属性预测模型对所述待投放广告对应的目标用户属性进行预测。