CN108573392A - 一种广告投放方法和装置 - Google Patents

Abstract

本公开涉及一种广告投放方法和装置。其中，所述广告投放方法包括：确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；根据所述正样本用户和所述负样本用户来训练扩充模型；利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及向所述扩充用户投放所述特定行业的广告。根据本公开的各方面的广告投放方法和装置能够最大程度上保证所述扩充用户是对广告所展现的内容较为关注和敏感的群体，即保证了所述扩充用户的有效性。从而通过向所述扩充用户投放所述特定行业的广告，能够实现针对该特定行业的广告的点击率提升，以在最大程度上实现广告投放的意义。

Description

一种广告投放方法和装置

技术领域

本公开涉及广告投放领域，尤其涉及一种广告投放方法和装置。

背景技术

为了宣传自身的产品和服务，或者向公众传达企业信息，越来越多的商家选择向消费者或者潜在客户投放广告。众所周知，若广告投放不当、例如所投放的群体对广告展现的内容并不关注等，不仅造成巨大浪费，还失去了广告的意义。

目前存在一种如下所述的广告投放方法，能够最大程度地保证所投放的群体对广告展现的内容的关注度和敏感性。该方法统计在过去的预定时间段(例如180天内)对某个广告(以下称为广告A)有点击的用户(以下称为用户B)，根据广告A的素材ID找到该广告A所属的行业(以下称为行业C)，并认为用户B具有行业C的广告偏好，然后将用户B打上行业C的行业标签。由所统计出的具有行业C的行业标签的所有用户B组成行业C的广告可投容量，并优选向所有的用户B投放行业C的广告。

然而，由于上述的方法只将预定时间段内有点击广告行为的用户打上广告行业标签，而有点击行为的用户占总用户的比例非常少。因此，在有针对性地向有行业偏好的用户(即打上广告行业标签的用户)投放该行业的广告时，可投放容量也十分少，不利于广告的推广。

发明内容

有鉴于此，本公开提出了一种广告投放方法和装置，能够扩充对广告所展现的内容较为关注和敏感的群体的可投放容量，从而最大程度上实现广告的意义。

根据本公开的一方面，提供了一种广告投放方法，包括：确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；根据所述正样本用户和所述负样本用户来训练扩充模型；利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及向所述扩充用户投放所述特定行业的广告。

对于上述广告投放方法，在一种可能的实现方式中，确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户，包括：提取所有用户的针对所述特定行业的广告的用户日志；将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户，其中，所述广告投放方法还包括：将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。

对于上述广告投放方法，在一种可能的实现方式中，所述扩充模型用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。

对于上述广告投放方法，在一种可能的实现方式中，根据所述正样本用户和所述负样本用户来训练扩充模型，包括：从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值；令所述正样本用户为所述扩充模型的概率值为1，所述负样本用户为所述扩充模型的概率值为0；以及根据所述正样本用户的所述正样本特征值和相对应的概率值、以及所述负样本用户的所述负样本特征值和相对应的概率值模拟出所述扩充模型。

对于上述广告投放方法，在一种可能的实现方式中，所述用户观影行为包括：所述用户在预定时间段内每单位时间的观影次数、以及所述用户在预定时间段内观看某个视频的次数。

对于上述广告投放方法，在一种可能的实现方式中，利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户，包括：从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；利用所述扩充模型，计算出所述其它用户为所述扩充用户的概率值；以及将概率值大于阈值的其它用户提取为所述扩充用户。

根据本公开的另一方面，提供了一种广告投放装置，包括：确定模块，用于确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；训练模块，与所述确定模块连接，用于根据所述正样本用户和所述负样本用户来训练扩充模型；提取模块，与所述训练模块连接，用于利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及投放模块，与所述提取模块连接，用于向所述扩充用户投放所述特定行业的广告。

对于上述广告投放装置，在一种可能的实现方式中，还包括：获取模块，与所述确定模块连接，用于获取所有用户的针对所述特定行业的广告的用户日志；所述确定模块用于将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户，所述确定模块还用于将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。

对于上述广告投放装置，在一种可能的实现方式中，所述扩充模型用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。

对于上述广告投放装置，在一种可能的实现方式中，所述训练模块包括：第一特征获取单元，用于从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值；赋值单元，用于令所述正样本用户为所述扩充用户的概率值为1，所述负样本用户为所述扩充用户的概率值为0；以及模拟单元，用于根据所述正样本用户的所述正样本特征值和相对应的概率值、以及所述负样本用户的所述负样本特征值和相对应的概率值模拟出所述扩充模型。

对于上述广告投放装置，在一种可能的实现方式中，所述用户观影行为包括：所述用户在预定时间段内每单位时间的观影次数、以及所述用户在预定时间段内观看某个视频的次数。

对于上述广告投放装置，在一种可能的实现方式中，所述提取模块包括：第二特征获取单元，用于从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；计算单元，用于利用所述扩充模型，计算出所述其它用户为所述扩充用户的概率值；以及提取单元，用于将概率值大于阈值的其它用户提取为所述扩充用户。

根据本公开的又一方面，提供了一种广告投放装置，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本公开任一实现方式的广告投放方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，当所述存储介质中的指令由终端和/或服务器的处理器执行时，使得终端和/或服务器能够执行本公开任一实现方式的广告投放方法。

通过根据点击了特定行业的广告的正样本用户和未完整观看所述特定行业的广告的负样本用户来训练扩充模型，然后利用该扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户。根据本公开的各方面的广告投放方法和装置能够最大程度上保证所述扩充用户是对广告所展现的内容较为关注和敏感的群体，即保证了所述扩充用户的有效性。从而通过向所述扩充用户投放所述特定行业的广告，能够实现针对该特定行业的广告的点击率提升，以在最大程度上实现广告投放的意义。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的广告投放方法的流程图；

图2示出根据本公开另一实施例的广告投放方法的流程图；

图3示出根据本公开另一实施例的广告投放方法的流程图；

图4示出根据本公开又一实施例的广告投放方法的流程图；

图5示出根据本公开一实施例的广告投放装置的结构图；

图6示出根据本公开另一实施例的广告投放装置的结构图；

图7示出根据本公开又一实施例的广告投放装置的结构图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

实施例1

图1示出根据本公开一实施例的广告投放方法的流程图。如图1所示，该广告投放方法包括：

步骤S100、确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；其中，这里所述的正样本用户可以是打上了所述特定行业的广告行业标签的用户。广告的行业例如可以包括：食品、电子产品、家居用品、护肤品等。这里不对所述特定行业进行限定，任何行业都能够利用本公开所述的广告投放方法来实现可投容量的扩充。

步骤S200、根据所述正样本用户和所述负样本用户来训练扩充模型；这里所述的扩充模型可以是任何能够判断某一用户是否能够作为特定行业可投容量的模型，将在后面给出扩充模型的具体示例。

步骤S300、利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；其它用户是与所述正样本用户和所负样本用户不同的用户。以及

步骤S400、向所述扩充用户投放所述特定行业的广告。

本公开上述实施例的广告投放方法能够利用少量的、有广告点击行为的正样本用户以及有广告关闭行为的负样本用户建立模型，来预测大量的其他用户的广告行业偏好。以此能够给更多用户打上广告行业标签，增加广告行业的可投容量，并能够最大程度上保证所增加的可投容量是对广告所展现的内容较为关注和敏感的群体，即保证了所述扩充用户的有效性。从而通过向所述扩充用户投放所述特定行业的广告，能够实现针对该特定行业的广告的点击率提升，以在最大程度上实现广告投放的意义。

对于本公开上述实施例所述的广告投放方法，在一种可能的实现方式中，如图2所示，步骤S100、确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户可以包括：

步骤S110、提取所有用户的针对所述特定行业的广告的用户日志，其中，每个用户的用户日志可以包括三个方面：点击日志(以下也称为click日志)、演示日志(以下也称为show日志)和结束日志(以下也称为over日志)；

步骤S120、将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及

步骤S130、将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户。

一般来说，当用户点击了一条广告时，会记录一条关于用户cookie的click日志，用户cookie是用于辨别用户身份的数据。从数据上看，在播放一条广告时就会记录一条show日志，在播放完成后会记录一条over日志。如果一位用户观看了完整的广告，则会同时记录有关该用户cookie的show日志和over日志。

如果对于某条广告，在所记录的关于用户cookie的用户日志中，包括click日志。则说明该用户点击了该广告，并认为该用户是对该条广告所属行业感兴趣的用户。因此，将该用户标记为该条广告所属行业的正样本用户，可将针对该用户的标识符tag记为1。

如果对于某条广告，在所记录的关于用户cookie的用户日志中，只包括show日志而不包括over日志，则说明该用户虽然观看了该条广告，但在广告结束前就关掉了。因此，认为该用户是对该条广告所属行业不感兴趣的用户，并将该用户标记为该条广告所属行业的负样本用户，可将针对该用户的标识符tag记为0。

一般来说，网络平台的所有用户中除了所述正样本用户和所述负样本用户之外的所述其他用户是完整观看了整条广告但未点击该广告的用户，本公开将这部分用户作为投放特定行业的广告的潜在客户。因此，在一种可能的实现方式中，所述广告投放方法还可以包括：将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。

另外，需要说明的是，在所述的三份日志中查找同一个用户时可以根据用户cookie进行串联。

在一种可能的实现方式中，可以根据正样本用户和负样本用户的观影行为来建立模型，以此预测其它用户的广告行业偏好，从而增加广告行业的可投容量。在这种实现方式中，所述扩充模型可以用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。在步骤S200中训练的扩充模型可以简化表示为如下函数：其中，Xi是用于表示用户观影行为的特征值；i是整数，用于表示所述特征值的序号；Ai是模型参数，与所述特征值Xi一一对应；f(X)用于表示具有所述特征值Xi的用户为所述扩充用户的概率。f(Ai,Xi)的具体形式与所选取的模型类型有关，本公开不限制所选取的模型类型，也不限制f(Ai,Xi)的具体形式。

作为所选取的模型的一个实施例，可以采用Xgboost(eXtreme GradientBoosting)模型。该Xgboost算法模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，其主要优点是精度高，不需要做特征的归一化处理，能自动进行特征选择，容易处理缺失值，模型可解释性较好，可适应多种损失函数，并在算法中对损失函数做了二阶的泰勒展开，在目标函数之外加入了正则项整体求最优解，用以权衡目标函数的下降和模型的复杂程度，来避免过拟合等。其中，可以将本公开所述的扩充模型封装成xgboost库，这样只需要对相关参数进行调整便可使用。

在这种实现方式中，对于本公开上述实施例所述的广告投放方法，在一种可能的实现方式中，如图3所示，步骤S200、根据所述正样本用户和所述负样本用户来训练扩充模型可以包括：

步骤S210、从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值。

例如，可以从预定时间段、例如七天内同一用户(包括正样本用户和负样本用户)的观影行为中提取特征。所提取出的特征可以包括：七天中每单位时间(例如每小时)内的观影次数总和以及七天中某个视频的观影次数总和。需要说明的是，本公开以所述用户观影行为包括：所述用户在预定时间段内每单位时间的观影次数、以及所述用户在预定时间段内观看某个视频的次数为例，说明了从用户的观影行为中所提取的特征。但是，本领域技术人员应能理解，用户的观影行为不限于此，还可以包括在预定时间段内观看某种类型的视频的次数等。另外，本公开也不限制特征的具体形式，只要其能够反映用户的观影行为的特性即可。

发明人注意到，用户的观影行为与用户特定行业广告的偏好有一定的关联性，本公开实施例通过“观影行为”中提取的特征来构建模型，巧妙地利用了这种关联性，使得利用少量用户(正样本用户和负样本用户)的行为特征对模型进行训练，即可对大量用户进行区分，从而确定特定行业的可投容量的扩充用户。

举例而言，七天内，一位cookie为cookieA的用户每天18点观影3次(3次×7天＝21次)，某一天的22点观影2次，其它时间段没有观影，则该用户的“七天中每小时内的观影次数总和”这一特征为cookieA，18点：21次，22点：2次。若七天内，一位cookie为cookieA的用户看视频A共计6次，视频B共计5次，视频C共计1次，则该用户的“七天中某个视频的观影次数总和”这一特征为cookieA，视频A：6次，视频B：5次，视频C：1次。将cookieA用户的以上两种特征组合起来，构成一条完整的特征，即cookieA，18点：21次，22点：2次，视频A：6次，视频B：5次，视频C：1次。

接下来，可通过将特征处理为输入模型所需要的格式，得到相应的特征值。以采用现有的XGBOOST模型作为训练模型为例，说明特征值化的具体方法。首先，将所有出现过的观影时段特征和视频类型特征进行编号，并合并为稀疏矩阵格式。比如，将上面出现过的18点这一特征维度编号1，22点编号2，视频A编号3，视频B编号4，视频C编号5。如果cookieA用户为正样本用户(即该cookieA用户的tag＝1)，则关于cookieA用户的特征可以被描述成以下特征之：1，1：21，2：2，3：6，4：5，5：1(tag，index1:value1，…，indexN:valueN)。

如果在模型训练过程中，出现了某个未被编号的特征，则将这些未被编号的特征都取为0。比如，提取出某负样本用户cookieB(其tag＝0)七天内在18点共看过2次视频，看过视频A共计5次，视频Z共计2次。由于视频Z未被编号，则cookieB的特征可以被描述成以下特征之：0，0：2，1：2，3：5。

以特征值来表示特征，是为了便于后续的处理，本公开对特征的选取及特征值的表示方式均不做限制。

步骤S220、令所述正样本用户的f(X)值为1，所述负样本用户的f(X)值为0；以及

步骤S230、根据所述正样本用户的所述正样本特征值和相对应的f(X)值、以及所述负样本用户的所述负样本特征值和相对应的f(X)值模拟出所述模型参数Ai。

另外，也可以将针对某一行业整理好的正负样本数据随机分为两部分，例如80％和20％两部分。将其中一部分，例如80％部分输入XGBOOST模型中进行训练，然后用另一部分，例如20％部分输入训练好的模型进行模型测试。根据测试结果，调节模型参数，以提高模型的AUC与KS指标。其中，AUC(英文：Area Under Curve)为ROC(英文：receiveroperating characteristic curve)曲线下的面积，用于衡量分类器的性能。KS(英文：Kolmogorov-Smirnov Test)是常用的一种判断二元分类(预测)模型准确度的方法，其值在0到100之间，值越大，模型表现越好。

在调节好模型参数后，将没有行业标签用户的特征数据，输入模型，得到每个用户属于该行业正样本的概率(例如可由f(X)值表示)，可将此概率从高到低进行排序，可以根据对行业容量的需求，取出其中的一部分，例如总量的前20％，40％，60％，将这部分用户标记为正样本，打上该行业标签，这部分用户可作为新增的行业可投容量。

举例来说，如图4所示，步骤S300、利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户可以包括：

步骤S310、从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；

步骤S320、利用所述扩充模型计算出针对所述其它用户的f(X)值；以及

步骤S330、将f(X)值大于阈值的其它用户提取为所述扩充用户。

以上以模型输出f(X)表示具有所述特征值Xi的用户为所述扩充用户的概率为例对训练模型进行了说明。在这种情况下，根据行业对容量的需求，将概率大于例如40％的这部分用户作为该行业的可投容量，并打上该行业标签。然而本领域技术人员应能理解，本公开不限于此。也可以根据行业对容量的需求预先进行设置，使得模型输出f(X)表示具有所述特征值Xi的用户是否为所述扩充用户。将是扩充用户的这部分用户作为该行业的可投容量，并打上该行业标签。

这样，通过使用少量的、有广告点击行为的正样本用户以及有广告关闭行为的负样本用户的观影行为建立模型，去预测大量的其他用户的广告行业偏好，可以给更多用户打上广告行业标签，以此增加广告行业的可投容量。因此，根据本公开上述实施例的广告投放方法能够最大程度上保证所增加的可投容量是对广告所展现的内容较为关注和敏感的群体，即保证了所述扩充用户的有效性。从而通过向所述扩充用户投放所述特定行业的广告，能够实现针对该特定行业的广告的点击率提升，以在最大程度上实现广告投放的意义。

实施例2

图5示出根据本公开一实施例的广告投放装置的结构框图。如图5所示，该广告投放装置可以包括：确定模块100，用于确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；训练模块200，与所述确定模块100连接，用于根据所述正样本用户和所述负样本用户来训练扩充模型；提取模块300，与所述训练模块200连接，用于利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及投放模块400，与所述提取模块300连接，用于向所述扩充用户投放所述特定行业的广告。其中，根据确定模块100、训练模块200、提取模块300和提取模块300的具体实现机理可参考实施例1中对步骤S100至步骤S400的相关说明，这里不再赘述。

在一种可能的实现方式中，根据本公开实施例的广告投放装置还可以包括：获取模块，与所述确定模块100连接，用于获取所有用户的针对所述特定行业的广告的用户日志；所述确定模块100用于将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户，所述确定模块100还用于将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。其中，获取模块和确定模块100的具体实现机理可参考实施例1中对步骤S110至步骤S130的相关说明，这里不再赘述。

在一种可能的实现方式中，根据本公开实施例所述的扩充模型可以用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。所述扩充模型可以为如下函数：其中，i是整数，Ai是模型参数，Xi是用于表示用户观影行为的特征值，f(X)用于表示具有所述特征值Xi的用户为所述扩充用户的概率。

在一种可能的实现方式中，根据本公开实施例的广告投放装置所包括的训练模块200可以包括：第一特征获取单元，用于从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值；赋值单元，用于令所述正样本用户的f(X)值为1，所述负样本用户的f(X)值为0；以及模拟单元，用于根据所述正样本用户的所述正样本特征值和相对应的f(X)值、以及所述负样本用户的所述负样本特征值和相对应的f(X)值模拟出所述模型参数Ai。其中，第一特征获取单元、赋值单元和模拟单元的具体实现机理可参考实施例1中对步骤S210至步骤S230的相关说明，这里不再赘述。

在一种可能的实现方式中，根据本公开实施例的广告投放装置所包括的提取模块300可以包括：第二特征获取单元，用于从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；计算单元，用于利用所述扩充模型计算出针对所述其它用户的f(X)值；以及提取单元，用于将f(X)值大于阈值的其它用户提取为所述扩充用户。其中，第二特征获取单元、计算单元和提取单元的具体实现机理可参考实施例1中对步骤S310至步骤S330的相关说明，这里不再赘述。

本领域技术人员应能理解，也可以将第一特征获取单元配置为能够执行第二特征获取单元所执行的处理，或者将第二特征获取单元配置为能够执行第一特征获取单元所执行的处理。由此可以省略中的第一特征获取单元和第二特征获取单元中的一个。

另外，根据本公开上述实施例的广告投放装置也能够获得与实施例1同样的效果，这里不再赘述。

实施例3

本公开还提供了一种广告投放装置，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1中任一实现方式的广告投放方法。并且，根据本实施例的广告投放装置能够获得与实施例1和2同样的效果，这里不再赘述。

实施例4

图6是根据一示例性实施例示出的一种用于广告投放的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述实施例1所述的广告投放方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例1所述的广告投放方法。

在示例性实施例中，还提供了一种包括指令的非易失性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述实施例1所述的广告投放方法。

实施例5

图7是根据一示例性实施例示出的一种用于广告投放的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述实施例1所述的广告投放方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种包括指令的非易失性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述实施例1所述的广告投放方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种广告投放方法，其特征在于，包括：

确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；

根据所述正样本用户和所述负样本用户来训练扩充模型；

利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及

向所述扩充用户投放所述特定行业的广告。

2.根据权利要求1所述的广告投放方法，其特征在于，确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户，包括：

提取所有用户的针对所述特定行业的广告的用户日志；

将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及

将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户，

其中，所述广告投放方法还包括：将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。

3.根据权利要求1或2所述的广告投放方法，其特征在于，所述扩充模型用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。

4.根据权利要求3所述的广告投放方法，其特征在于，根据所述正样本用户和所述负样本用户来训练扩充模型，包括：

从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值；

令所述正样本用户为所述扩充用户的概率值为1，所述负样本用户为所述扩充用户的概率值为0；以及

根据所述正样本用户的所述正样本特征值和相对应的概率值、以及所述负样本用户的所述负样本特征值和相对应的概率值模拟出所述扩充模型。

5.根据权利要求3所述的广告投放方法，其特征在于，所述用户观影行为包括：所述用户在预定时间段内每单位时间的观影次数、以及所述用户在预定时间段内观看某个视频的次数。

6.根据权利要求3所述的广告投放方法，其特征在于，利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户，包括：

从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；

利用所述扩充模型，计算出所述其它用户为所述扩充用户的概率值；以及

将概率值大于阈值的其它用户提取为所述扩充用户。

7.一种广告投放装置，其特征在于，包括：

确定模块，用于确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；

训练模块，与所述确定模块连接，用于根据所述正样本用户和所述负样本用户来训练扩充模型；

提取模块，与所述训练模块连接，用于利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及

投放模块，与所述提取模块连接，用于向所述扩充用户投放所述特定行业的广告。

8.根据权利要求7所述的广告投放装置，其特征在于，还包括：获取模块，与所述确定模块连接，用于获取所有用户的针对所述特定行业的广告的用户日志；

所述确定模块用于将所述用户日志中包括点击日志的用户确定为所述正样本用户；以及

将所述用户日志中只包括演示日志而不包括结束日志的用户确定为所述负样本用户，

所述确定模块还用于将所述用户日志中包括演示日志和结束日志而不包括点击日志的用户确定为所述其它用户。

9.根据权利要求7或8所述的广告投放装置，其特征在于，所述扩充模型用于表示描述用户观影行为的特征值与具有该特征值的用户为扩充用户的概率之间的关联关系。

10.根据权利要求9所述的广告投放装置，其特征在于，所述训练模块包括：

第一特征获取单元，用于从所述正样本用户的观影行为中提取正样本特征，从所述负样本用户的观影行为中提取负样本特征，并将所述正样本特征和所述负样本特征分别格式化为正样本特征值和负样本特征值；

赋值单元，用于令所述正样本用户为所述扩充用户的概率值为1，所述负样本用户为所述扩充用户的概率值为0；以及

模拟单元，用于根据所述正样本用户的所述正样本特征值和相对应的概率值、以及所述负样本用户的所述负样本特征值和相对应的概率值模拟出所述扩充模型。

11.根据权利要求9所述的广告投放装置，其特征在于，所述用户观影行为包括：所述用户在预定时间段内每单位时间的观影次数、以及所述用户在预定时间段内观看某个视频的次数。

12.根据权利要求9所述的广告投放装置，其特征在于，所述提取模块包括：

第二特征获取单元，用于从所述其它用户的观影行为中提取特征，并将所提取出的特征格式化为特征值；

计算单元，用于利用所述扩充模型，计算出所述其它用户为所述扩充用户的概率值；以及

提取单元，用于将概率值大于阈值的其它用户提取为所述扩充用户。

13.一种广告投放装置，其特征在于，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：

确定点击了特定行业的广告的正样本用户、以及未完整观看所述特定行业的广告的负样本用户；

根据所述正样本用户和所述负样本用户来训练扩充模型；

利用所述扩充模型，从其它用户中提取作为所述特定行业的可投容量的扩充用户；以及

向所述扩充用户投放所述特定行业的广告。