CN109102311A - 一种广告区划分方法及装置、设备 - Google Patents

Abstract

本发明实施例公开了一种广告区划分方法及装置、设备，其中，所述方法包括：获取用于描述广告区内商家的订单量的最大阈值；获取待划分的区域；对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

Description

一种广告区划分方法及装置、设备

技术领域

本发明涉及互联网技术，尤其涉及一种广告区划分方法及装置、设备。

背景技术

随着互联网技术的发展，手机、平板电脑等终端成为人们生活中的必需品。基于移动互联网技术而衍生的互联网服务等已经不再陌生。

目前很多互联网服务如广告推广、网上外卖餐饮、对时长有要求的网上销售(例如果蔬、家政服务)等都是基于位置信息，换句话说，目前很多互联网服务都是基于位置的服务(Location Based Service，LBS)。LBS一般包括两层含义：首先是确定终端所在的地理位置；其次是提供与位置相关的各类信息服务。基于位置的服务有很多优势，例如基于LBS的移动广告的优势在于，当消费者路过一个商场时，用户打开手机应用，发现推送的广告都是离他不到20米的商城中的商品打折信息；如果推送的是与用户实时相关的折扣信息，那么超过80％的用户不会排斥，对比那些无法快速接触到线下实物的广告，基于LBS的移动广告的转化率将会更高。

从以上描述可知，在提供LBS时候，往往需要根据用户的位置信息确定用户所处的商圈(广告区)，然后在该商圈内为用户提供相应的服务。如果商圈划分不合理，那么将导致用户无法享受到多样的服务，或者说，要享受某一服务的时候，会有较大的时间延迟或有交通不便利的问题。

目前现有技术中存在两种划分商圈的方法，其中，第一种方法是按业务数据人工划分，如蜂窝，即将城市划分为蜂窝状的商圈；第二种方法是基于密度的聚类算法，该方法包括将城市划分网格，并确定每个网格中的人流密度；然后从划分的网格中确定出核心网格，以一个核心网格作为起点，将其密度范围内的所有网格作为一个初始的网格簇，以获得一个最终的网格簇，将最终获得的每个网格簇作为一个商圈。

现有技术的缺点在于，第一种，人工划分方法依赖业务端数据，具有粒度不可控、人力成本高、耗时长等缺点。第二种基于密度的聚类算法的划分方法，划分的效果依赖初始网格划分，而且该方法中只是用人流密度作为聚类依据，没有考虑商家维度特征，然而作为一种商圈划分方法不考虑商家维度特征显然不够准确；另外，聚类算法中的参数不容易确定，而且这些参数并不能直观的反映业务数据，由于聚类算法中的参数不能反映业务数据，从而导致难于线下优化。

发明内容

有鉴于此，本发明实施例为解决现有技术中存在的至少一个问题而提供一种广告区划分方法及装置、设备。

本发明实施例的技术方案是这样实现的：

一方面，本发明实施例提供一种广告区划分方法，所述方法包括：

获取用于描述广告区内商家的订单量的最大阈值；

获取待划分的区域；

对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

另一方面，本发明实施例提供一种广告区划分装置，所述装置包括：

第一获取单元，用于获取用于描述广告区内商家的订单量的最大阈值；

第二获取单元，用于获取待划分的区域；

划分单元，用于对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

第一确定单元，用于将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

又一方面，本发明实施例提供一种广告区划分设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的广告区划分方法的步骤。

再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的广告区划分方法的步骤。

本发明实施例提供一种广告区划分方法及装置、设备，其中，获取用于描述广告区内商家的订单量的最大阈值；获取待划分的区域；对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；将区块内商家的订单量低于所述最大阈值的区块确定为广告区；如此，能够从商家维度进行广告区的划分，并且能够解决目前划分广告区的耗时和费力问题，从而快速便捷的划分广告区。

附图说明

图1A为本发明实施例为广告区划分方法的实现流程示意图；

图1B为本发明实施例分裂式划分的示意图；

图1C为本发明实施例分裂式划分的划分方法示意图；

图2A为本发明实施例进行广告区划分的实现流程示意图；

图2B为本发明实施例进行广告区划分的伪代码示意图；

图2C为本发明实施例一座城市划分后的广告区的示意图；

图2D为本发明实施例通过机器学习方法获得最大收益对应的划分参数的流程示意图；

图3为本发明实施例广告区划分装置的组成结构示意图；

图4为本发明实施例中计算设备的一种硬件实体示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。

本发明实施例提供一种广告区划分方法，应用于计算设备，该方法所实现的功能可以通过计算设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。

图1A为本发明实施例为广告区划分方法的实现流程示意图，如图1A所示，该方法包括：

步骤S101，获取用于描述广告区内商家的订单量的最大阈值；

本实施例中，步骤S101可以获取预先设置的或者指示的订单参数范围，所述订单参数范围用于描述划分后的广告区内商家订单量的范围，订单参数范围至少包括订单量的最大阈值和订单量的最小阈值。

本实施例中，订单参数范围可以是用户设置的，也可以是其他设备发送给计算设备的，计算设备接收订单参数范围。需要说明的是，订单参数范围是为广告区而设置的，而不是为广告区内一个商家而设置的，假设订单参数范围为[M,N]，其中M、N均为整数，方括号[]表示取值可以等于其中的数值，M表示该广告区内订单数下限，即订单参数范围的最小阈值，N为该广告区内订单数上限，即订单参数范围的最大阈值。

步骤S102，获取待划分的区域；

本实施例中，待划分的区域可以为一座城市或其它地理单位例如自治区，待划分的区域采用地图来描述，以城市为例，获取该座城市的地图。在本发明的其他实施例中，所述方法还包括：步骤S11A，获取城市的标识，步骤S12A，根据城市的标识确定城市的地图，步骤S13A，将所述城市的地图作为所述待划分的区域。其中获取城市的标识可以是接收用户的设置操作或者其他设备发送的划分请求消息，该划分请求消息用于请求划分的广告区作为请求结果，并且该划分请求消息中携带有城市的标识。在实现的过程中，城市的标识可以采用城市的名称或者城市的区号、简称、邮编等来表示。例如用户要对北京进行广告区的划分，用户利用计算设备的输入设备如触摸屏输入“北京”，计算设备接收用户输入的城市的标识“北京”，根据北京确定北京的地图，然后将北京的地图作为待划分的区域。在实施的过程中，根据城市的标识确定城市的地图，可以根据城市的标识从网络上或者本地数据库中获取城市的地图。

步骤S103，对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

本发明的各实施例中，表示与面积有关的词语包括区域、区块、广告区等，其中区域用于待划分的对象，广告区用于描述划分后得到的最终结果，区块用于联系区域和广告区，区块是用于划分过程中划分结果的名称，如果区块满足一定的条件，则该区块就可以成为广告区。

本实施例中，订单量是用户向商家下单的数量，接单量为商家接受订单的数量；用户下单后商家可能由于某些原因无法全部接单，所以理论上接单量小于订单量。在本实施例中在对区域进行划分时，以订单量作为参考因素。

在其他的实施例中，所述方法还包括：在对所述待划分的区域进行划分后，得到至少两个划分后的区块；确定每一所述划分后的区块内商家的订单量，然后判断区块内商家的订单量是否低于所述订单参数范围的最大阈值，如果区块内商家的订单量低于所述订单参数范围的最大阈值，则进入步骤S104，如区块内商家的订单量高于等于所述订单参数范围的最大阈值，则进一步对划分后的区块进行划分，然后确定划分后的区块内的商家的订单量，然后判断区块内商家的订单量是否低于所述订单参数范围的最大阈值，如此循环直到区块内商家的订单量低于所述订单参数范围的最大阈值。在实现的过程中，确定划分后的区块内商家的订单量，包括确定划分后的广告区的商家的数量和商家的标识，然后根据商家的标识获取每一商家对应的总订单量，然后确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；根据所述每一商家的总订单量和对应的覆盖面积比计算，得到每一商家的订单量；对所述区块内每一商家的订单量进行累加，得到所述区块内商家的订单量。其中每一商家的总订单量可以根据历史数据确定，如果该商家刚开业暂时还没有历史数据，可以根据其他连锁店的售卖数据进行确定，如果该商家没有其他类似的连锁店，则根据商家所属类别和所处的人流量等参数确定该商家的总订单量。

步骤S104，将区块内商家的订单量低于所述最大阈值的区块确定为广告区；

在其他的实施例中，所述方法还包括：保存划分后的广告区的描述参数，所述描述参数用于描述唯一的划分后的广告区的位置。

本发明实施例中获取用于描述广告区内商家的订单量的最大阈值；获取待划分的区域；对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；将区块内商家的订单量低于所述最大阈值的区块确定为广告区；如此，能够从商家维度进行广告区的划分，并且能够解决目前划分广告区的耗时和费力问题，从而快速便捷的划分广告区。

在其他的实施例中，对所述待划分的区域进行划分可以采用分裂式划分，分裂式划分后的区块的形状一致，前一次划分的区块面积相同，且前一次划分的区块与后一次划分后的区块具有一定的倍数关系，参见图1B所示，划分后的区块10、20和30面积相同，因此划分后的区块10、20和30是前一次划分的结果，其中区块20和30内商家的订单量低于所述订单参数范围的最大阈值，所以不再对区块20和30进行划分，从而区块20和30成为广告区；然而区块10内商家的订单量高于等于所述订单参数范围的最大阈值，所以还需对区块10进行划分，区块10再次被分裂式划分，划分后的区块分别为11、12、13和14。在图1B中采用四分裂式划分，在其他的实施例中，还可以采用二分裂、三分裂等，为了提高划分的准确性，可以采用二分裂。在图1B中广告区的形状为正方形，本领域的技术人员应当理解，广告区的形状还可以为长方形、蜂窝状、三角形等其他规则形状，当然广告区的形状也可以不采用规则的形状。采用规则的形状可以提高划分的效率，并且缩小存储广告区的位置参数，例如如果广告区如正方形，只需要记录每一个广告区的一个对应点(例如中心点或角)和边长或半边长，这样即可以唯一地确定出该广告区，例如记录广告区20和30的位置信息，可以记录广告区20的中心点和边长，记录广告区30的中心点和边长，如此一个广告区只需要两个参数即可完成记录。如果广告区非规则，那么需要记录每一个广告区的轮廓，轮廓可以采用轮廓点来表示。在实现的过程中，位置可以采用坐标点、经纬度等来表示。

在本发明的其他实施例中，所述对所述待划分的区域进行划分，直到每一划分后得到的区块区内商家的订单量低于所述最大阈值，包括：

步骤11B，如果所述区块内商家的订单量低于所述最大阈值，则划分结束；

本实施例中，如果所述区块内商家的订单量在所述订单参数范围内或者低于所述订单参数范围的最低阈值，则划分结束，保留划分后的广告区的描述参数。

步骤12B，如果所述区块内商家的订单量高于所述订单参数范围的最大阈值，则继续对划分后得到的区块进行划分，直到每一划分后的区块内商家的订单量低于所述最大阈值。

在本发明的其他实施例中，所述对所述待划分的区域进行划分，包括：

步骤21，确定广告区的形状；

本实施例中，采用分裂式的规则形状的划分，广告区的形状可以为矩形、蜂窝状、三角形等其他规则形状。

步骤22，按照所述广告区的形状和所述待划分的区域内的道路位置信息对所述待划分的区域进行分裂式划分；

本实施例中，如果采用规则划分，可以沿着道路的延伸方向进行划分，例如北京的道路包括二环、三环、四环、五环和六环，那么应该沿着道路的延伸方向进行划分，即将二环等作为规则形状的一条边，例如将二环的一部分道路作为矩形的一条边。

本实施例中，区块内的商家数不能太多也不能太少，因为商家数决定该广告区内用户终端可以选择的商家种类，例如一个广告区内不能没有甜品店，而只要川菜馆，在满足商家数的同时，还需要满足不同种类的商家。在本发明的其他实施例中，所述方法还包括：

步骤S1，如果划分后的区块内的商家数满足预设的第一阈值(例如200家)后，判断划分后的区块内商家的种类数是否满足预设的第二阈值(例如50、30等)，例如，商家的种类数达到50种以上；

步骤S2，如果划分后的区块内商家的种类数满足预设的第二阈值，将划分后的区块确定为广告区；

步骤S3，如果划分后的区块内的商家数不满足第一阈值，或者区块内商家的种类数不满足预设的第二阈值，则重新对所述待划分的区域进行划分。

需要说明的是，图1A所示实施例中的步骤S103中包括一个判断步骤，即判断区块内商家的订单量是否低于所述最大阈值的区块，如果区块内商家的订单量低于所述最大阈值的区块，则将区块内商家的订单量低于所述最大阈值的区块确定为广告区。上述的步骤S1至S3可以在步骤S103的判断步骤之前执行，也可以在步骤S103的判断步骤之后执行。

另外，步骤S3中的“重新对所述待划分的区域进行划分”可以包括对前一次划分结果进行重新划分，例如，当步骤S1至S3在步骤S103的判断步骤之后执行时，满足步骤S103是第三次划分的结果，此时继续执行步骤S1至S3，若步骤S3中第三次划分后的区块内的商家数不满足第一阈值，或者第三次划分后的区块内商家的种类数不满足预设的第二阈值，那么无需对第一次划分开始重新划分，只需要重新划分第三次即可。其中，划分可以采用分裂式划分，例如采用一分为R的分裂式划分，其中R为大于2的整数，那么划分方式有多种多样，以划分后的区块为矩形、一分为二的分裂式划分为例，参见图1C，矩形的区块包括四个顶点A1至A4和四条边的中点A5至A8，对于一分为二的分裂式划分来说，至少有四种划分方式，参见图1C的A图至D图。

在本发明的其他实施例中，所述方法还包括：

步骤31，确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；

在其他的实施例中，商家的覆盖面积比可以通过下面的方式进行确定，该确定方式包括：确定区块内每一商家的总订单量和对应的配送范围；确定所述每一商家的配送范围与所述区块之间交集面积；确定每一商家的交集面积与所述区块之间的比值，将所述比值确定为每一商家的覆盖面积比。

步骤32，确定所述区块内商家的覆盖面积比大于等于预设的比例阈值的商家数；

步骤33，如果所述商家数大于等于预设的商家数阈值K，则将商家数大于等于预设的商家数阈值K的区块确定为广告区。

步骤34，如果所述商家数小于所述商家数阈值K，对商家数小于所述商家数阈值K的区块进行进一步划分，直到每一划分后的区块内商家的订单量低于所述最大阈值；

在步骤34之后，所述方法还包括：确定所述区块内商家的配送范围大于等于预设的比例阈值的商家数；如果商家数大于等于预设的商家数阈值K，则将商家数大于等于预设的商家数阈值K的区块确定为广告区；如果商家数小于所述商家数阈值K，对商家数小于所述商家数阈值K的区块进行进一步划分，直到每一划分后的区块内商家的订单量低于所述最大阈值。

本实施例中，在广告区内，商家集合内商家的配送范围可以相互重合，也可以相互不重叠，如果商家内配送范围(特别是不同种类的商家的配送范围)是不重叠的，即属于同一广告区的不同商家分别独占一部分区块。当两个以上的商家售卖同一类产品时，可以采用本实施例提供的技术方案，如此，能够保证和提高商家的投资回报率(ROI)。当两个以上的商家售卖不同类产品时，在其他的实施例中，商家集合内商家的配送范围可以相互重叠，例如一个商家是售卖饮料的，另一个商家是售卖川菜的，二者属于不同的类别的产品，同一个顾客可以同时买第一个商家的饮料，又可以买第二个商家的川菜，在这种情况下，两位商家可以不相互独占广告区。

在本发明的其他实施例中，所述方法还包括：

步骤41，获取广告主的位置信息和所述广告主的待投放广告；

步骤42，根据所述广告主的位置信息和所述广告区的描述参数确定所述广告主对应的广告区的标识；

本实施例中，广告区的描述参数用于表征广告区的位置信息，位置信息在实现时可以为经纬度信息、广告区内的道路信息、广告区内的商场信息等。

步骤43，按照所述广告区的标识将所述待投放广告投放在所述广告区内的终端上。

本实施例中，根据广告区的位置信息和广告区的描述参数确定位置相匹配的广告区，然后将广告主的广告投放在该广告区内。例如，广告主的位置在三里屯，在三里屯的广告区的标识为1143，假设广告区的标识采用编码来表示，编码1143的广告区包括北京三里屯这一区域，那么广告主需要将广告投放在该区域，以吸引更多的顾客来店里消费。假设顾客G1现在三里屯附近逛街，那么计算设备投放广告主S1的广告H1时就会将广告投放在顾客G1的手机上，然后顾客G1看到广告H1后，非常感兴趣，然后就根据广告H1到广告主S1的店里消费。

在上述的实施例中，步骤S101订单量的最大阈值是订单参数范围的上限，订单参数范围的下限为订单量的最小阈值。订单参数范围是为广告区而设置的，而不是为广告区内一个商家而设置的，假设订单参数范围为[M,N]，其中M、N均为整数，方括号[]表示取值可以等于其中的数值，M表示该广告区内订单数下限，即订单参数范围的最小阈值，N为该广告区内订单数上限，即订单参数范围的最大阈值。因此，订单参数范围实际上是划分参数，该划分参数是划分广告区时所依据的参数，而本实施例再提供一种通过模型优化迭代划分参数的方法，从而达到分区的最优化，该方法还包括：

步骤51，获取将历史售卖广告区的数据作为训练样本，所述训练样本的特征中至少包括订单参数范围和收益参数；

本实施例中，历史售卖广告区的数据指的是：假设某个城市有100个广告区，某一天卖出了30个，这样就有了30个正样本和70个负样本。连续n天的售卖之后，我们就有了100*n个训练样本。训练样本的特征就是广告区的一些泛化特征，例如广告区的面积大小、广告区内商家数K、广告区售价、订单参数范围(N、M)、人流量、人流密度和收益参数；其中，收益参数包括训练样本的售卖标签(label)以及卖出后收益，其中，售卖标签就是卖出(1)或未卖出(0)。

步骤52，对所述训练样本进行训练，得到所述预测模型；

步骤53，获取用于划分广告区的划分参数，所述划分参数至少包括两个不同的阈值；

其中，该步骤53中的阈值任意之一都作为订单参数范围的上限，一般不同的阈值输入到预测模型后，会得到不同的收益参数。

步骤54，将所述划分参数中的每一阈值输入到所述预测模型中，得到每一阈值对应的广告区的收益参数；

步骤55，根据所述广告区的收益参数将收益最大对应的阈值确定为所述最大阈值。

在其他实施例中，划分参数中也可以只包括一个阈值，或者阈值范围，将该阈值输入到预测模型后，会得到对应的收益参数；将得到的收益参数与训练样本中的最大的收益参数进行比较，如果得到的收益参数小于训练样本中的最大的收益参数，则更改划分参数中的阈值，将更改后的阈值重新输入到预测模型中。在其他实施例中，如果得到的广告区的收益参数未达到预设的收益阈值(训练样本中的最大收益参数)，更改订单参数范围的数值；将更改后的订单参数范围再次输入到所述预测模型中，直到得到的收益参数达到预设的收益阈值；将达到所述收益阈值对应的订单参数范围作为所述预先设置的或者指示的订单参数范围。

本实施例中，预测模型可以采用线性回归(Linear Regression，LR)或者迭代的决策树算法例如梯度提升决策树(Gradient Boosting Decision Tree，GBDT)，预测售卖率是一个二分类问题。训练时：输入历史售卖广告区的数据和标签，预测时：输入新划分出的广告区，输出的结果是该广告区的预估售卖率(0-1之间)和收益。

需要说明的是，上述的订单参数范围实际上是划分广告区的一种划分参数，然而在实施的过程中，划分参数不止包括订单参数范围，还可以包括比例阈值、商家数量、广告区的面积大小、人流密度或人流量等；例如如果广告区的面积太大或太小都不能划分为广告区，如果广告区的面积太大，配送范围就会很大，导致配送路程很长，从而导致收益比较低。如果广告区的面积太小，商家数、人流量就可能很少，那么外卖服务的订单量就会很低，那么外卖从业人员很可能就会比较空闲，不利于合理配送。划分参数中的各参数相互影响，因此每个参数都会影响广告区的划分。

基于前述的实施例，本发明实施例再提供一种广告区划分方法，该方法包括两部分，其中：

第一部分，进行广告区划分：通过人工设置迭代终止参数(划分参数)，使用递归算法，分裂式的自动划分广告区。其中迭代终止参数包括：M为该广告内订单数下限，N为该广告区内订单数上限，K为广告区内商家数，COV为预设的比例阈值。该部分的流程图参见图2A和图2B所示，该部分包括：

步骤S61，初始化：将所需要切分的城市的最小包含矩形(MBR)作为初始化的矩形区域。

在实施例的过程中，获取城市的地图信息，然后沿着城市的轮廓做最小的外接矩形，即得到该城市的最小包含矩形。

步骤S62，按照上述的迭代终止参数分裂式划分，得到广告区。

在实施的过程中，可以采用二等分、三等分、四等分等；等分可以在不同维度上，例如在面积上的等分，在人流量上的等分等等。针对一个广告区，切分的过程包括判断切分后的广告区的订单数是否小于M，如果小于M，则进入步骤S63；如果大于等于M，则判断订单数是否大于N，如果大于N，则继续对该区块进行切分；如果小于N，则判断该区块内商家的覆盖面积比是否大于预设的COV，如果是，进入步骤S63。

步骤S63，保存为广告区：因为广告区都为矩形，最终生成的广告区只要保存两个点的坐标即可，图2C为本发明实施例一座城市划分后的广告区的示意图，如图2C所示，该城市内的广告区均为矩形，采用的是在面积上的四等分。

第二部分，通过机器学习方法，学到能获得最大收益对应的划分参数，进而改进广告区划分。参见图2D所示，该部分包括以下步骤：

步骤S71，生成的广告区上线售卖一段时间后，会得到历史的线上真实售卖数据。

历史线上真实售卖数据指的是：假设全国有100个广告区，某一天卖出了30个，这样就有了30个正样本和70个负样本。连续n天的售卖之后，我们就有了100*n个训练样本。样本的特征就是广告区的一些泛化特征(广告区大小、广告区内商家数、广告区售价等)；样本的标签就是1/0(卖出/未卖出)和收益。

特征包括：广告区的展现位置(ad_position)、商家数(city_poi_num)、城市的日订单量(city_order_num)、市场占有率(market_ratio)、广告区面积(ad_area)、投放广告区的商家数(ad_poi_num)、覆盖面积大于50％的商家数(poi_num_gt50)、广告区主列表页价格(hp_price)、广告区美食频道价格(fp_price)、星期几(weekday)。

步骤S72，通过机器学习算法，对训练样本进行训练，学习拥有不同特征(面积、商家数等)的广告区的预估售卖率，得到预测模型。

本实施例中，模型采用线性回归或者迭代的决策树算法例如梯度提升决策树，预测售卖率是一个二分类问题。训练时：输入历史的广告区和是否被卖出，预测时：输入新划分出的广告区，输出的结果是该广告区的预估售卖率(0-1之间)和收益。

步骤S73，利用预测模型使用网格搜索(grid search)方法遍历不同切分参数下预测所能取得的预期收益；

本实施例中，就是使用所有参数组合进行分区，预估每个参数组合下的整体预期收益。

步骤S74，预期收益最大的参数即为最优参数。

本发明实施例中，采用递归算法，分裂式的自动划分广告区，根据业务需要设置迭代终止条件。通过模型优化迭代参数，从而达到分区的最优化。与相比人工划分相比，本实施例提供的技术方案比较节约人力成本，从而提高效率。此外，在划分区域的时候，考虑了包括商家配送范围在内的其他因素，更适合基于LBS的业务。相比聚类算法，本实施例采用的分裂算法使得迭代终止条件更直观，更可控。

基于前述的实施例，本发明实施例提供一种广告区划分装置，该装置所包括的各单元以及各单元所包括的各模块，都可以通过计算设备中的处理器来实现，当然也可通过逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

图3为本发明实施例广告区划分装置的组成结构示意图，如图3所示，该装置包括：

第一获取单元301，用于获取用于描述广告区内商家的订单量的最大阈值；

第二获取单元302，用于获取待划分的区域；

划分单元303，用于对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

第一确定单元304，用于将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

在本发明的其他实施例中，所述划分单元，用于：如果所述区块内商家的订单量低于所述最大阈值，则划分结束；如果所述区块内商家的订单量高于所述最大阈值，则继续对划分后得到的区块进行划分，直到每一划分后的区块内商家的订单量低于所述最大阈值。

在本发明的其他实施例中，所述划分单元，还用于：确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；确定所述区块内商家的覆盖面积比大于等于预设的比例阈值的商家数；如果所述商家数大于等于预设的商家数阈值K，则将商家数大于等于预设的商家数阈值K的区块确定为广告区。所述划分单元，还用于：如果所述商家数小于所述商家数阈值K，对商家数小于所述商家数阈值K的区块进行进一步划分，直到每一划分后的区块内商家的订单量低于所述最大阈值；确定所述区块内商家的配送范围大于等于预设的比例阈值的商家数；如果商家数大于等于预设的商家数阈值K，则将商家数大于等于预设的商家数阈值K的区块确定为广告区；如果商家数小于所述商家数阈值K，对商家数大于所述商家数阈值K的区块进行进一步划分，直到每一划分后的区块内商家的订单量低于所述最大阈值。

在本发明的其他实施例中，所述划分单元包括：

确定模块，用于确定广告区的形状；

划分模块，用于按照所述广告区的形状和所述待划分的区域内的道路位置信息对所述待划分的区域进行分裂式划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值。

在本发明的其他实施例中，所述装置还包括：

第三获取单元，用于获取广告主的位置信息和所述广告主的待投放广告；

第二确定单元，用于根据所述广告主的位置信息和所述广告区的描述参数确定所述广告主对应的广告区的标识；

投放单元，用于按照所述广告区的标识将所述待投放广告投放在所述广告区内的终端上。

在本发明的其他实施例中，所述装置还包括：

第四获取单元，用于获取用于划分广告区的划分参数，所述划分参数至少包括两个不同的阈值；

输入单元，用于将所述划分参数中的每一阈值输入到预测模型中，得到每一阈值对应的广告区的收益参数；

第三确定单元，用于根据所述广告区的收益参数将收益最大对应的阈值确定为所述最大阈值；

在本发明的其他实施例中，所述装置还包括：

第四确定单元，用于将所述广告区的最大阈值和收益参数确定为训练样本；

训练单元，用于对所述训练样本进行训练，得到所述预测模型。

在本发明的其他实施例中，所述装置还包括：

第五确定单元，用于确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；

计算单元，用于根据所述每一商家的总订单量和对应的覆盖面积比计算，得到每一商家的订单量；

累加单元，用于对所述区块内每一商家的订单量进行累加，得到所述区块内商家的订单量。

这里需要指出的是：以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。

需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的广告区划分方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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一个存储介质中，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方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。

对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的广告区划分方法的步骤。

对应地，本发明实施例一种广告区划分设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的广告区划分方法的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明存储介质和设备实施例的描述而理解。

需要说明的是，为广告区分配广告主的设备可以采用如计算机、服务器等计算设备实现，图4为本发明实施例中计算设备的一种硬件实体示意图，该计算设备400的硬件实体包括：处理器401、通信接口402和存储器403，其中

处理器401通常控制计算设备400的总体操作。

通信接口402可以使计算设备通过网络与其他终端或服务器通信。

存储器403配置为存储由处理器401可执行的指令和应用，还可以缓存待处理器401以及计算设备400中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccessMemory，RAM)实现。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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一个存储介质中，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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种广告区划分方法，其特征在于，所述方法包括：

获取用于描述广告区内商家的订单量的最大阈值；

获取待划分的区域；

对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

2.根据权利要求1所述的方法，其特征在于，所述对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值，包括：

如果所述区块内商家的订单量低于所述最大阈值，则划分结束；

如果所述区块内商家的订单量高于所述最大阈值，则继续对划分后得到的区块进行划分，直到每一划分后的区块内商家的订单量低于所述最大阈值。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；

确定所述区块内商家的覆盖面积比大于等于预设的比例阈值的商家数；

根据所述商家数和预设的商家数阈值K确定广告区。

4.根据权利要求3所述的方法，其特征在于，所述根据所述商家数和预设的商家数阈值K确定广告区，包括：

如果所述商家数大于等于预设的商家数阈值K，则将商家数大于等于预设的商家数阈值K的区块确定为广告区；

如果所述商家数小于所述商家数阈值K，对商家数小于所述商家数阈值K的区块进行进一步划分。

5.根据权利要求1所述的方法，其特征在于，所述对所述待划分的区域进行划分，包括：

确定广告区的形状；

按照所述广告区的形状和所述待划分的区域内的道路位置信息对所述待划分的区域进行分裂式划分。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

如果划分后的区块内的商家数满足预设的第一阈值且划分后的区块内商家的种类数满足预设的第二阈值，将划分后的区块确定为广告区。

7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

获取用于划分广告区的划分参数，所述划分参数至少包括两个不同的阈值；

将所述划分参数中的每一阈值输入到预测模型中，得到每一阈值对应的广告区的收益参数；

根据所述广告区的收益参数将收益最大对应的阈值确定为所述最大阈值。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

将所述广告区的最大阈值和收益参数作为训练样本；

对所述训练样本进行训练，得到所述预测模型。

9.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

确定所述区块内每一商家的配送范围在所属区块内的覆盖面积比；

根据所述每一商家的总订单量和对应的覆盖面积比计算得到每一商家的订单量；

对所述区块内每一商家的订单量进行累加，得到所述区块内商家的订单量。

10.一种广告区划分装置，其特征在于，所述装置包括：

第一获取单元，用于获取用于描述广告区内商家的订单量的最大阈值；

第二获取单元，用于获取待划分的区域；

划分单元，用于对所述待划分的区域进行划分，直到每一划分后得到的区块内商家的订单量低于所述最大阈值；

第一确定单元，用于将区块内商家的订单量低于所述最大阈值的区块确定为广告区。

11.一种广告区划分设备，包括存储器、处理器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，所述处理器执行所述程序时实现权利要求1-9中任一项所述广告区划分方法的步骤。

12.一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，该计算机程序被处理器执行时实现权利要求1-9中任一项所述广告区划分方法的步骤。