CN108109016A - 广告转化率预估方法和装置、计算机设备和存储介质 - Google Patents

广告转化率预估方法和装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108109016A
CN108109016A CN201711492718.7A CN201711492718A CN108109016A CN 108109016 A CN108109016 A CN 108109016A CN 201711492718 A CN201711492718 A CN 201711492718A CN 108109016 A CN108109016 A CN 108109016A
Authority
CN
China
Prior art keywords
prediction model
conversion ratio
advertisement
click
data
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
Application number
CN201711492718.7A
Other languages
English (en)
Inventor
谭晋
李百川
陈第
李展铿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Umi-Tech Co Ltd
Original Assignee
Umi-Tech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Umi-Tech Co Ltd filed Critical Umi-Tech Co Ltd
Priority to CN201711492718.7A priority Critical patent/CN108109016A/zh
Publication of CN108109016A publication Critical patent/CN108109016A/zh
Pending legal-status Critical Current

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
    • G06Q30/0242—Determining effectiveness of advertisements
    • 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)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (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)

Abstract

本发明涉及一种广告转化率预估方法和装置、计算机设备和存储介质。该方法包括：获取投放广告冷启动过程中的第一展示数据和第一点击数据，根据第一展示数据得到第一点击率预估模型，获取与投放广告对应的相似广告的第二点击数据，根据第一点击数据和第二点击数据得到点击转化率预估模型，根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型。通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在冷启动过程中、特别是没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。

Description

广告转化率预估方法和装置、计算机设备和存储介质
技术领域
本发明涉及在线广告投放领域，特别是涉及一种广告转化率预估方法和装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展，在线广告已经成为许多商家的主要广告投放方式，广告商或者广告投放平台通常需要对广告的转化率进行分析，以筛选出感兴趣的用户群体，进而可制定出有效的广告投放方式。
传统的转化率预估方法，均是采用广泛投放的方式或者以人工筛选流量进行限制投放的方式，在积累了足够多的转化量之后才对广告展示数据进行训练，构建转化率预估模型以便进行转化率的预估，广告前期积累时间长，成本高。
发明内容
基于此，有必要针对传统的转化率预估方法广告前期积累时间长的问题，提供一种广告转化率预估方法和装置、计算机设备和存储介质。
一种广告转化率预估方法，包括：
获取投放广告的第一展示数据和第一点击数据；
根据所述第一展示数据得到第一点击率预估模型；
获取与所述投放广告对应的相似广告的第二点击数据；
根据所述第一点击数据和所述第二点击数据得到点击转化率预估模型；
根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型。
在其中一个实施例中，所述获取与所述投放广告对应的相似广告的第二点击数据的步骤之前，还包括：
获取各待选广告的第二点击率预估模型；
根据各待选广告的第二点击率预估模型，分别得到所述第一展示数据对应的预估点击率；
根据各预估点击率和对应的第一展示数据的点击状态，得到各待选广告和所述投放广告的相似度；
根据各待选广告和所述投放广告的相似度得到相似广告。
在其中一个实施例中，所述获取与所述投放广告对应的相似广告的第二点击数据的步骤，包括：
获取所述投放广告的激活量；
根据所述激活量和预设的敏感系数，得到所述相似广告的点击数据的抽样比例；
按照所述抽样比例对相似广告的点击数据进行抽样，得到第二点击数据。
在其中一个实施例中，所述根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型的步骤，包括：将所述第一点击率预估模型和所述点击转化率预估模型相乘，得到转化率预估模型。
在其中一个实施例中，所述根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型的步骤之后，还包括：
当间隔时间达到预设时长时，获取所述投放广告的转化量；
当所述转化量小于预设转化量时，返回所述获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。
在其中一个实施例中，当所述转化量大于或等于预设转化量时，还包括：
获取所述投放广告的第二展示数据；
根据所述第二展示数据得到转化率预估子模型；
根据所述转化率预估子模型当前转化率预估模型，更新所述转化率预估模型。
在其中一个实施例中，所述根据所述转化率预估子模型和冷启动过程中的转化率预估模型，更新所述转化率预估模型的步骤之后，还包括：
当间隔时间达到预设时长时，返回所述获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。
一种广告转化率预估装置，包括：
第一获取模块，用于获取投放广告的第一展示数据和第一点击数据；
第一点击率模块，用于根据所述第一展示数据得到第一点击率预估模型；
第二获取模块，用于获取与所述投放广告对应的相似广告的第二点击数据；
点击转化率模块，用于根据所述第一点击数据和所述第二点击数据得到点击转化率预估模型；
转化率模块，用于根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型。
一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现任一项实施例所述的广告转化率预估方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任一项实施例所述的广告转化率预估方法。
上述广告转化率预估方法和装置、计算机设备和存储介质，通过冷启动过程中投放广告的第一展示数据得到第一点击率预估模型，并结合相似广告的第二点击数据得到点击转化率预估模型，进而根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，根据所得转化率预估模型进行转化率预估计算，通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在冷启动过程中、特别是没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。
附图说明
图1为一实施例中广告转化率预估方法的流程示意图；
图2为一实施例中获取相似广告的流程示意图；
图3为一实施例中获取第二点击数据的流程示意图；
图4为另一实施例中广告转化率预估方法的流程示意图；
图5为另一实施例中广告转化率预估方法的流程示意图；
图6为一实施例中广告转化率预估装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一实施例中，提供一种广告转化率预估方法，如图1所示，该方法包括步骤S110至步骤S150：
S110，获取投放广告的第一展示数据和第一点击数据。
在建立新广告计划时，投放广告的激活量和转化量等可用作评分数据的稀疏，广告商难以辨别对该广告感兴趣的用户群体，这个过程称为广告冷启动。激活量是指访客下载广告内容并启动的数量，具体还可根据广告商的需求进行定义，比如访客下载广告内容并注册的数量等。转化量是指转化指潜在客户完成一次推广商户期望的行动的数量，比如在网站上提交订单、完成实际付款、成交的数量等，具体也可根据广告商的需求进行定义。
在本实施例中，首先构建投放广告的特征参数，特征参数包括用户特征、广告供应商特征以及广告位特征等，一个字段表示一个特征类型，同一字段的不同值用于表示同一特征类型的不同表现形式，进一步地，通过不同的字段组合组成特征数据，并将特征数据、以及用于表示该特征数据对应的点击标识和/或转化标识组成展示数据，用于表示该广告在展示过程中存在的一种情况。而展示数据具体是包含点击标识还是转化标识，可根据需要进行的下一步处理确定，比如，当只需要了解特征数据对应的点击状态时，则展示数据可仅包含特征数据及其对应的点击标识；当只需要了解特征数据对应的转化状态时，则展示数据可仅包含特征数据及其对应的转化标识；当继续需要了解特征数据对应的点击状态又需要了解转化状态时，则展示数据可包含特征数据及其对应的点击标识、转化标识。点击数据是指已知特征数据被点击时，由对应的特征数据以及用于表示该特征数据的转化标识组成数据。
具体地，以展示数据包括D个字段为例，对每一个字段进行OneHot处理后，分别被转换为OneHot向量，则特征数据X可表示为X1,X2,...,XD，其中，Xi表示第i个字段的OneHot向量。进一步地，展示数据可表示为(X,C1)＝(X1,X2,...,XD,C1)，其中，C1表示点击标识。具体地，C1＝1时表示被点击，C1＝-1时表示未被点击。点击数据用(X,C2)表示，其中，X表示被点击对应的特征数据，C2表示该特征数据是否被转化。具体地，C2＝1时表示被转化，C2＝-1时表示未被转化。
进一步地，可将出现频率较少的OneHot向量去掉，只保留20000个出现频率最高的项，以提升训练速度，并且避免过拟合现象。
在本实施例中，第一展示数据是指当投放广告的点击量达到预设点击量时，该投放广告的所有特征数据及其点击标识组成的展示数据。第一点击数据是指当投放广告的点击量达到预设点击量时，该投放广告的所有点击数据。
在一具体实施例中，预设点击量可设置为100，当投放广告的点击量达到100时，便可获取该广告的展示数据进行转化率预估。此外，预设点击量也可根据用户需求设置不同的值，只要满足在该预设点击量下，能够训练处稳定的点击率预估模型。
S120，根据第一展示数据得到第一点击率预估模型。
在获得投放广告的第一展示数据后，利用点击率训练方法对第一展示数据进行训练学习，得到CTR(Click Through Rate，点击通过率)的相关参数，进而根据所得的相关参数得到点击率预估模型。
具体地，通过逻辑回归方法对第一展示数据进行训练学习，得到权重向量W1和偏移量b1，其中，权重W1的元素个数等于展示数据的字段个数，权重W1的每个元素分别表示每个字段的权重值，偏移量b1为常数。得到权重向量W1和偏移量b1后，构建第一点击率预估模型，第一点击率预估模型为：
α＝sigmoid(W1 TX'+b1)，
其中，α表示第一预估点击率，X'表示待测特征数据，也即待测字段组合。
通过待测特征数据以及所得到的第一点击率预估模型，即可计算得到待测特征数据被点击的概率α，也即预估点击率。
S130，获取与投放广告对应的相似广告的第二点击数据。
确定一个与投放广告相似的相似广告，具体可将具有点击相似性的广告作为相似广告，并获取相似广告的点击数据作为第二点击数据。第二点击数据具有第一点击数据相同的特征类型。
S140，根据第一点击数据和第二点击数据得到点击转化率预估模型。
在获得第一点击数据和第二点击数据后，利用转化率训练方法对第一点击数据和第二点击数据进行训练学习，得到CVR(Conversion Rate，转化率)的相关参数，进而根据所得的相关参数得到点击转化率预估模型。
具体地，通过逻辑回归方法对第一点击数据和第二点击数据进行训练学习，得到权重向量W2和偏移量b2，其中，权重W2的元素个数等于第一点击数据或第二点击数据的字段个数，权重W2的每个元素分别表示每个字段的权重值，偏移量b2为常数。得到权重向量W2和偏移量b2后，构建点击转化率预估模型，点击转化率预估模型为：
β＝sigmoid(W2 TX'+b2)，
其中，β表示预估点击转化率，X'表示待测特征数据，也即待测字段组合。
通过待测特征数据以及所得到的点击转化率预估模型，即可计算得到待测特征数据在已经被点击的情况下，被转化的概率β，也即预估点击转化率。
S150，根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型。
根据点击率和点击转化率的关系，将第一点击率预估模型和点击转化率预估模型进行运算处理得到转化率预估模型。
上述广告转化率预估方法，通过投放广告的第一展示数据得到第一点击率预估模型，并结合相似广告的第二点击数据得到点击转化率预估模型，进而根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，根据所得转化率预估模型进行转化率预估计算，通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。
在另一实施例中，广告转化率预估方法还包括步骤：根据待测特征数据和转化率预估模型得到预估转化率。
将待测特征数据代入至所得到转化率预估模型进行运算，得到该待测特征数据的预估转化率，也即投放广告可能被转化的概率。
进一步地，如图2所示，获取与投放广告对应的相似广告的第二点击数据的步骤之前，还包括步骤S210至步骤S240：
S210，获取各待选广告的第二点击率预估模型。
在广告冷启动过程中，投放广告的转化量很少，因此，将点击相似性作为判断广告间相似性的依据。将满足激活量条件的历史投放广告作为待选广告，并获取各待选广告的第二点击率预估模型。
具体地，设定一个激活量预设值，将广告激活量达到激活量预设值的广告作为待选广告，以便从待选广告中选定的相似广告能够具有足够的转化数据来训练点击转化率预估模型。
S220，根据各待选广告的第二点击率预估模型，分别得到第一展示数据对应的预估点击率。
将投放广告的第一展示数据中的特征数据分别输入各待选广告的第二点击率预估模型中，得到根据各待选广告的第二点击率预估模型计算得到的预估点击率。每一条展示数据均可各待选广告的第二点击率预估模型，得到预估点击率。
S230，根据各预估点击率和对应的第一展示数据的点击状态，得到各待选广告和投放广告的相似度。
对应的第一展示数据的点击状态是指与预估点击率对应的第一展示数据实际被点击的情况，也即该第一展示数据是否被点击。将得到的各预估点击率和第一展示数据的点击状态进行对比，得到各待选广告和投放广告的相似度。
具体地，将得到的各预估点击率和投放广告的实际点击率进行对比得到AUC(AreaUnder Curve，ROC曲线下方的面积大小)值，AUC值即为相似度。针对每一个待选广告，均根据预估点击率、实际点击率以及展示数据的实际点击状态进行分类运算，绘制ROC(receiver operating characteristic curve，受试者工作特征曲线)，计算ROC曲线下方的面积得到AUC值，也即该待选广告与投放广告的相似度。
S240，根据各待选广告和投放广告的相似度得到相似广告。
比较各待选广告和投放广告的相似度，将相似度最高的待选广告作为相似广告。
具体地，可将AUC值对大的待选广告作为相似广告，AUC值越高则说明对应的待选广告与投放广告的点击模式越相似，对应的待选广告与投放广告的相似度越高。
进一步地，获取各待选广告的第二点击率预估模型的步骤包括：获取各待选广告的展示数据，根据各待选广告的展示数据分别得到各待选广告的第二点击率预估模型。具体地，各待选广告的第二点击率预估模型也可根据上述任一实施例的点击率训练方法进行训练获得。
在另一实施例中，如图3所示，获取与投放广告对应的相似广告的第二点击数据的步骤，包括步骤S310至步骤S330：
S310，获取投放广告的激活量。
获取投放广告在冷启动过程中的激活量。
S320，根据激活量和预设的敏感系数，得到相似广告的点击数据的抽样比例。
设置一预设敏感系数，并基于激活量和敏感系数构建相似广告的抽样比例计算模型，使得当激活量超过敏感系数时，抽样比例迅速减小，也即降低对相似广告的依赖性。
具体地，抽样比例计算公式为：
其中，r表示抽样比例，active表示投放广告的激活量，T表示敏感系数。
当投放广告的激活量不断增加时，抽样比例r的值趋近于0，也即当投放广告本身的激活量达到一定程度时，其本身已具备足够多展示数据来训练点击转化率预估模型，此时不再需要依赖于相似广告进行辅助计算点击转化率。基于该抽样机制实现了冷启动功能的渐进式关闭，而非阈值式的强制关闭，提高了转化率预估的稳定性和准确性。
进一步地，通过调节对相似广告的抽样比例，慢慢关闭辅助冷启动的实验得出，敏感系数T赋值300时，所得到转化率预估模型较为稳定。
S330，按照抽样比例对相似广告的点击数据进行抽样，得到第二点击数据。
按照抽样比例对相似广告的点击数据进行抽样，将抽样所得的点击数据作为第二点击数据，以便跟第一点击数据一起作为训练数据，构建点击转化率预估模型。
具体地，根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型的步骤，包括：将第一点击率预估模型和点击转化率预估模型相乘，得到转化率预估模型。也即：
CVR＝α*β。
在另一实施例中，根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型的步骤之后，还包括：当间隔时间达到预设时长时，获取投放广告的转化量；当转化量小于预设转化量时，返回获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。
设定以预设时长，在完成一次CVR预估模型的构建后，每隔预设时长即再进行一次更新操作，以便根据当前的展示数据训练得到更为稳定的转化率预估模型。其中，预设转化量可设为30，即使投放广告的转化量小于30，也仍然可以进行转化率预估。
在另一实施例中，如图4所示，当转化量大于或等于预设转化量时，还包括步骤S410至步骤S430：
S410，获取投放广告的第二展示数据。
第二展示数据是指当投放广告的转化量达到预设转化量后，该投放广告的所有特征数据及其转化标识组成的展示数据。
S420，根据第二展示数据得到转化率预估子模型。
利用转化率训练方法对第二展示数据进行训练学习，得到CVR(Conversion Rate，转化率)的相关参数，进而根据所得的相关参数得到转化率预估子模型。
具体地，通过逻辑回归方法对第二展示数据进行训练学习，得到权重向量W3和偏移量b3，其中，权重W3的元素个数等于第二展示数据的字段个数，权重W3的每个元素分别表示每个字段的权重值，偏移量b3为常数。得到权重向量W3和偏移量b3后，构建转化率预估子模型，转化率预估子模型为：
CVR2＝sigmoid(W3 TX'+b3)，
其中，CVR2表示投放广告的转化量达到预设转化量后的转化率预估子模型，X'表示待测特征数据，也即待测字段组合。
S430，根据转化率预估子模型和当前转化率预估模型，更新转化率预估模型。
在本实施例中，当前转化率预估模型是指根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，也即基于相似广告所得到的转化率预估模型。转化率预估子模型和当前转化率预估模型具有一定的线性无关性，取两个预估的平均值作为最终的CVR预估，以提高CVR预估的稳定性。
具体地，可取转化率预估子模型和基于相似广告得到转化率预估模型的几何平均值作为最终的CVR预估，为进一步区分基于相似广告得到的转化率预估模型和更新后得到的转化率预估模型，用CVR1表示基于相似广告得到的当前转化率预估模型，用CVR2表示投放广告的转化量达到预设转化量后的转化率预估子模型，用CVR表示根据CVR1和CVR2更新后得到的转化率预估模型，，则更新后得到的转化率预估模型CVR为：
进一步地，根据转化率预估子模型和当前转化率预估模型，更新转化率预估模型的步骤之后，还包括：当间隔时间达到预设时长时，返回获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。每隔一预设时长，便再次根据当前的展示数据更新转化率预估模型，以提高转化率预估模型的稳定性。
在RTB(Real Time Bidding，实时竞价)的新广告投放中，传统的转化率预估方法至少需在转化量达到30时，才可获得稳定的转化率预估模型，而采用本申请的广告转化率预估方法仅需在点击量达到100时，便可得到稳定的转化率预估模型，相比于传统方法的泛投时间缩短90％。并且，采用本申请的CVR评估方法，可实现在转化量处于0-30时，CVR预估对应的评价指标AUC可从0.55提升至0.62，在转化量大于30时，评价指标AUC可从0.78提升至0.795，也即本申请的CVR预估方法相比于传统方法的准确性和稳定性更高。
下面以预设点击量为100、预设转化量为30、敏感系数为300为例，并参照图5，对本申请的广告转化率预估方法进行说明：
对计划广告A进行泛投，当广告A的点击量达到100时，将所有展示数据进行OneHot处理，并均以(X,C1)的形式进行表示，通过逻辑回归方法对所有展示数据进行训练学习，得到权重向量W1和偏移量b1，基于权重向量W1和偏移量b1后，构建点击率预估模型：α＝sigmoid(W1 TX'+b1)。获取激活量超过200的待选广告，并对待选广告的展示数据进行训练，具体也可采用逻辑回归方法进行训练，分别得到各自的CTR模型，并利用各待选广告的CTR模型对本广告A的展示数据进行点击率预测，根据预测结果以及投放广告A本身的点击情况计算AUC值，将AUC最高的待选广告作为相似广告B，并根据公式计算相似广告B的抽样比例，根据计算得到的r抽取相似广告B的点击数据，将投放广告A的点击数据和相似广告B的点击数据按照逻辑回归方法进行训练得到点击转化率预估模型β＝sigmoid(W2 TX'+b2)，进而得到转化率预估模型CVR1＝α*β，将待测特征数据代入该公式中，即可得到预估转化率。每隔12小时再重复上述步骤并更新所得到的转化率预估模型，直到广告A的转化量达到30。当广告A的转化量达到30后，获取广告A的当前所有展示数据，通过逻辑回归方法对当前所有展示数据进行训练学习，得到权重向量W3和偏移量b3，基于权重向量W3和偏移量b3后，构建转化率预估子模型：CVR2＝sigmoid(W3 TX'+b3)，根据转化率预估模型CVR1和转化率预估子模型CVR2几何平均更新CVR模型，也即此后，将待测特征数据代入该公式中，即可得到预估转化率。后续同样地每隔12小时再重复上述步骤并更新所得到的转化率预估模型，以训练得到更为稳定的转化率预估模型。
上述广告转化率预估方法，通过投放广告的第一展示数据得到第一点击率预估模型，并结合相似广告的第二点击数据得到点击转化率预估模型，进而根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，根据所得转化率预估模型进行转化率预估计算，通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。在转化量达到一定程度时，以得到的所有第二展示数据继续进行训练，并结合已得到的转化率预估模型来更新转化率预估模型，进一步提高了转化率预估模型的稳定性。
在另一实施例中，还提供一种广告转化率预估装置，如图6所示，该装置包括：第一获取模块110、第一点击率模块120、第二获取模块130、点击转化率模块140和转化率模块150。
第一获取模块110，用于获取投放广告的第一展示数据和第一点击数据。
第一点击率模块120，用于根据第一展示数据得到第一点击率预估模型。
第二获取模块130，用于获取与投放广告对应的相似广告的第二点击数据。
点击转化率模块140，用于根据第一点击数据和第二点击数据得到点击转化率预估模型。
转化率模块150，用于根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型。
上述广告转化率预估装置，通过投放广告的第一展示数据得到第一点击率预估模型，并结合相似广告的第二点击数据得到点击转化率预估模型，进而根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，根据所得转化率预估模型进行转化率预估计算，通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。
在另一实施例中，还包括预估模块，用于根据待测特征数据和转化率预估模型得到预估转化率。
在另一实施例中，广告转化率预估装置还包括：第二点击率模块和相似模块。
第二点击率模块，用于获取各待选广告的第二点击率预估模型；根据各待选广告的第二点击率预估模型，分别得到第一展示数据对应的预估点击率。
相似模块，用于根据各预估点击率和对应的第一展示数据的点击状态，得到各待选广告和投放广告的相似度，根据各待选广告和投放广告的相似度得到相似广告。
在另一实施例中，广告转化率预估装置还包括：抽样模块，用于获取投放广告的激活量；根据激活量和预设的敏感系数，得到相似广告的点击数据的抽样比例；按照抽样比例对相似广告的点击数据进行抽样，得到第二点击数据。
此外，转化率模块150还用于将第一点击率预估模型和点击转化率预估模型相乘，得到转化率预估模型。
在另一实施例中，广告转化率预估装置还用于当间隔时间达到预设时长时，获取投放广告的转化量；当转化量小于预设转化量时，驱动第一获取模块110、第一点击率模块120、第二获取模块130、点击转化率模块140和转化率模块150再次执行相关操作。
进一步地，转化率模块150还用于当检测到投放广告的转化量小于预设转化量时，根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型。
在另一具体实施例中，广告转化率预估装置还包括：第三获取模块和转化率子模块。
第三获取模块，用于当转化量大于或等于预设转化量时，获取投放广告的第二展示数据。
转化率子模块，用于根据第二展示数据得到转化率预估子模型。
转化率模块150，还用于根据转化率预估子模型和当前转化率预估模型，更新转化率预估模型。
上述广告转化率预估装置，通过投放广告的第一展示数据得到第一点击率预估模型，并结合相似广告的第二点击数据得到点击转化率预估模型，进而根据第一点击率预估模型和点击转化率预估模型得到转化率预估模型，根据所得转化率预估模型进行转化率预估计算，通过该方式进行转化率预估仅需要满足投放广告的点击量达到预设点击量即可，而无需累积足够的转化量，并且在没有转化时也可以进行转化率的预估，减少了广告的前期投入时长以及成本，进而提高了广告投放效率。在转化量达到一定程度时，以得到的所有第二展示数据继续进行训练，并结合已得到的转化率预估模型来更新转化率预估模型，进一步提高了转化率预估模型的稳定性。
在另一实施例中，还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现任一项实施例的广告转化率预估方法。
在另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任一项实施例的广告转化率预估方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种广告转化率预估方法，其特征在于，包括：
获取投放广告的第一展示数据和第一点击数据；
根据所述第一展示数据得到第一点击率预估模型；
获取与所述投放广告对应的相似广告的第二点击数据；
根据所述第一点击数据和所述第二点击数据得到点击转化率预估模型；
根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型。
2.根据权利要求1所述的广告转化率预估方法，其特征在于，所述获取与所述投放广告对应的相似广告的第二点击数据的步骤之前，还包括：
获取各待选广告的第二点击率预估模型；
根据各待选广告的第二点击率预估模型，分别得到所述第一展示数据对应的预估点击率；
根据各预估点击率和对应的第一展示数据的点击状态，得到各待选广告和所述投放广告的相似度；
根据各待选广告和所述投放广告的相似度得到相似广告。
3.根据权利要求1所述的广告转化率预估方法，其特征在于，所述获取与所述投放广告对应的相似广告的第二点击数据的步骤，包括：
获取所述投放广告的激活量；
根据所述激活量和预设的敏感系数，得到所述相似广告的点击数据的抽样比例；
按照所述抽样比例对相似广告的点击数据进行抽样，得到第二点击数据。
4.根据权利要求1所述的广告转化率预估方法，其特征在于，所述根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型的步骤，包括：将所述第一点击率预估模型和所述点击转化率预估模型相乘，得到转化率预估模型。
5.根据权利要求1所述的广告转化率预估方法，其特征在于，所述根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型的步骤之后，还包括：
当间隔时间达到预设时长时，获取所述投放广告的转化量；
当所述转化量小于预设转化量时，返回所述获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。
6.根据权利要求5所述的广告转化率预估方法，其特征在于，当所述转化量大于或等于预设转化量时，还包括：
获取所述投放广告的第二展示数据；
根据所述第二展示数据得到转化率预估子模型；
根据所述转化率预估子模型和当前转化率预估模型，更新所述转化率预估模型。
7.根据权利要求6所述的广告转化率预估方法，其特征在于，所述根据所述转化率预估子模型和冷启动过程中的转化率预估模型，更新所述转化率预估模型的步骤之后，还包括：
当间隔时间达到预设时长时，返回所述获取投放广告冷启动过程中的第一展示数据和第一点击数据的步骤。
8.一种广告转化率预估装置，其特征在于，包括：
第一获取模块，用于获取投放广告的第一展示数据和第一点击数据；
第一点击率模块，用于根据所述第一展示数据得到第一点击率预估模型；
第二获取模块，用于获取与所述投放广告对应的相似广告的第二点击数据；
点击转化率模块，用于根据所述第一点击数据和所述第二点击数据得到点击转化率预估模型；
转化率模块，用于根据所述第一点击率预估模型和所述点击转化率预估模型得到转化率预估模型。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行程序时实现权利要求1-7任一项所述的广告转化率预估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的广告转化率预估方法。
CN201711492718.7A 2017-12-30 2017-12-30 广告转化率预估方法和装置、计算机设备和存储介质 Pending CN108109016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711492718.7A CN108109016A (zh) 2017-12-30 2017-12-30 广告转化率预估方法和装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711492718.7A CN108109016A (zh) 2017-12-30 2017-12-30 广告转化率预估方法和装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN108109016A true CN108109016A (zh) 2018-06-01

Family

ID=62215438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711492718.7A Pending CN108109016A (zh) 2017-12-30 2017-12-30 广告转化率预估方法和装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108109016A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299350A (zh) * 2018-09-13 2019-02-01 掌阅科技股份有限公司 电子书的排序方法、计算设备及计算机存储介质
CN110415032A (zh) * 2019-07-24 2019-11-05 深圳乐信软件技术有限公司 一种曝光转化率预估方法、装置、设备以及存储介质
CN111126649A (zh) * 2018-10-31 2020-05-08 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111159241A (zh) * 2019-12-20 2020-05-15 深圳前海微众银行股份有限公司 一种点击转化预估方法及装置
WO2020110664A1 (ja) * 2018-11-27 2020-06-04 日本電信電話株式会社 受注予測モデルの生成方法、受注予測モデル、受注予測装置、受注予測方法および受注予測プログラム
CN112270571A (zh) * 2020-11-03 2021-01-26 中国科学院计算技术研究所 一种用于冷启动广告点击率预估模型的元模型训练方法
CN112561554A (zh) * 2019-09-26 2021-03-26 腾讯科技（深圳）有限公司 确定待展示的多媒体资源方法、装置、服务器及存储介质
CN112801682A (zh) * 2019-11-14 2021-05-14 百度在线网络技术（北京）有限公司 数据修正方法、装置、设备和存储介质
CN113610582A (zh) * 2021-08-16 2021-11-05 脸萌有限公司 广告推荐方法、装置、存储介质及电子设备
CN113793160A (zh) * 2020-07-01 2021-12-14 北京沃东天骏信息技术有限公司 投放数据处理方法、装置、设备及存储介质
CN113837808A (zh) * 2021-09-27 2021-12-24 北京有竹居网络技术有限公司 一种推广信息的推送方法、装置、设备、介质及产品

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299350B (zh) * 2018-09-13 2019-08-20 掌阅科技股份有限公司 电子书的排序方法、计算设备及计算机存储介质
CN109299350A (zh) * 2018-09-13 2019-02-01 掌阅科技股份有限公司 电子书的排序方法、计算设备及计算机存储介质
CN111126649A (zh) * 2018-10-31 2020-05-08 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN111126649B (zh) * 2018-10-31 2023-08-11 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
WO2020110664A1 (ja) * 2018-11-27 2020-06-04 日本電信電話株式会社 受注予測モデルの生成方法、受注予測モデル、受注予測装置、受注予測方法および受注予測プログラム
CN110415032A (zh) * 2019-07-24 2019-11-05 深圳乐信软件技术有限公司 一种曝光转化率预估方法、装置、设备以及存储介质
CN112561554B (zh) * 2019-09-26 2023-07-28 腾讯科技（深圳）有限公司 确定待展示的多媒体资源方法、装置、服务器及存储介质
CN112561554A (zh) * 2019-09-26 2021-03-26 腾讯科技（深圳）有限公司 确定待展示的多媒体资源方法、装置、服务器及存储介质
CN112801682B (zh) * 2019-11-14 2023-10-17 百度在线网络技术（北京）有限公司 数据修正方法、装置、设备和存储介质
CN112801682A (zh) * 2019-11-14 2021-05-14 百度在线网络技术（北京）有限公司 数据修正方法、装置、设备和存储介质
CN111159241A (zh) * 2019-12-20 2020-05-15 深圳前海微众银行股份有限公司 一种点击转化预估方法及装置
CN111159241B (zh) * 2019-12-20 2023-04-07 深圳前海微众银行股份有限公司 一种点击转化预估方法及装置
CN113793160A (zh) * 2020-07-01 2021-12-14 北京沃东天骏信息技术有限公司 投放数据处理方法、装置、设备及存储介质
CN113793160B (zh) * 2020-07-01 2024-07-19 北京沃东天骏信息技术有限公司 投放数据处理方法、装置、设备及存储介质
CN112270571B (zh) * 2020-11-03 2023-06-27 中国科学院计算技术研究所 一种用于冷启动广告点击率预估模型的元模型训练方法
CN112270571A (zh) * 2020-11-03 2021-01-26 中国科学院计算技术研究所 一种用于冷启动广告点击率预估模型的元模型训练方法
CN113610582A (zh) * 2021-08-16 2021-11-05 脸萌有限公司 广告推荐方法、装置、存储介质及电子设备
CN113837808A (zh) * 2021-09-27 2021-12-24 北京有竹居网络技术有限公司 一种推广信息的推送方法、装置、设备、介质及产品
CN113837808B (zh) * 2021-09-27 2024-02-20 北京有竹居网络技术有限公司 一种推广信息的推送方法、装置、设备、介质及产品

Similar Documents

Publication Publication Date Title
CN108109016A (zh) 广告转化率预估方法和装置、计算机设备和存储介质
JP5078910B2 (ja) 観察したユーザの行動からの広告品質の推定
CN106372249B (zh) 一种点击率预估方法、装置及电子设备
US8429012B2 (en) Using estimated ad qualities for ad filtering, ranking and promotion
CN109729395B (zh) 视频质量评估方法、装置、存储介质和计算机设备
CN105808762B (zh) 资源排序方法和装置
US20120253945A1 (en) Bid traffic estimation
CN109615411A (zh) 基于算法模型的广告投放方法及装置、电子设备
CN108230009A (zh) 一种用户偏好的预测方法及装置，电子设备
CN110675177A (zh) 门店选址方法和装置
CN110110936A (zh) 订单时长的估计方法、估计装置、存储介质和电子设备
CN111144936B (zh) 基于用户标签的相似人群扩展方法及装置
CN109299981A (zh) 一种广告推荐方法及装置
CN112163886B (zh) 一种基于强化学习的实时竞价广告资源分配方法
KR20200003109A (ko) 샘플 가중치 설정방법 및 장치, 전자 기기
CN106777282B (zh) 相关搜索的排序方法和装置
CN109993382B (zh) 快递员派送顺序推荐方法及系统
CN111260449B (zh) 一种模型训练的方法、商品推荐的方法、装置及存储介质
US20140058793A1 (en) Forecasting a number of impressions of a prospective advertisement listing
CN106445954A (zh) 一种业务对象的展示方法和装置
CN111831918A (zh) 一种在线教育场景下的混合推荐系统
CN108320026A (zh) 机器学习模型训练方法和装置
CN110263973B (zh) 预测用户行为的方法及装置
CN113407849B (zh) 一种粗排序的方法及装置
CN112289405A (zh) 配速推荐方法、装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180601