CN109767267B - 一种用于广告投放的目标用户推荐方法及装置 - Google Patents

Abstract

本发明实施例提供一种用于广告投放的目标用户推荐方法及装置，所示方法包括：预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户。根据本发明的技术方案，通过聚类和推荐度的设置，使得对数据单元的推荐具有行业针对性，并通过行业间的相似数据单元的推荐，不断拓展广告主投放的视野，寻找更多的可能性，为广告主提供了一种简单有效的广告投放方法。

Description

一种用于广告投放的目标用户推荐方法及装置

技术领域

本发明涉及互联网广告领域，具体涉及一种用于广告投放的目标用户推荐方法及装置。

背景技术

社交软件广告投放的任务是将广告主投放的广告按时按量的投放给合适的用户。

现有技术中，广告投放端一般是采用特征定向的方式来寻找用户，例如将一个广告的定向设置为【地点：北京】，这时如果有符合这个条件的用户来访问社交软件，广告投放端就会将上述广告投放给这些用户。

另一种方式是通过人群包的方式进行投放，即广告主可以选择一些特定的人群(也就是人群包)，只将广告投放给这些特定人群。人群包可以是广告主自己收集的一些用户，也可以是通过第三方购买过来的，也可以选择社交软件自己挖掘收集的用户。

采用特征定向的方式进行广告投放的缺点是很难同时满足精准度和用户数量两方面的要求，因为如果想要投放精准的话，设置的定向维度就需要很多很苛刻，此时能满足条件的用户数就会减少。比如一个广告主投放汽车广告，设置的定向条件是上述举例中的【地点：北京】，显然符合这个条件的人会有不少，但是这些人并不一定都是对汽车感兴趣的，如果为了提高定向的精准度，将定向条件设置为【地点：北京，男性，20～40岁，兴趣：汽车周边，消费水平：高消费】，人群中对汽车感兴趣的比例增加了，但是绝对数量却会直线下降。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

当有多个人群包可供选择时，广告主应该选择哪个人群包进行投放才能达到最佳的收益。

发明内容

本发明实施例提供一种用于广告投放的目标用户推荐方法及装置，改进人群包投放方式，为广告主提供了一种简单有效的广告投放方法。

为达到上述目的，一方面，本发明实施例提供了一种用于广告投放的目标用户推荐方法，所述方法包括：

预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户。

另一方面，本发明实施例提供了一种用于广告投放的目标用户推荐装置，所述装置包括：

聚类单元，用于预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

第一推荐单元，用于获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

第二推荐单元，用于选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

最终推荐单元，用于将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户。

区别于现有技术，上述技术方案具有如下有益效果：

根据本发明的上述技术方案，通过对数据单元进行行业分类，使得对数据单元的推荐具有行业针对性，进一步的，对数据单元设置推荐度作为数据单元的推荐参考，为数据单元进一步的定向提供条件，在此基础上，通过行业间的相似数据单元的推荐，不断拓展广告主投放的视野，寻找更多的可能性，为广告主提供了一种简单有效的广告投放方法。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例的用于广告投放的目标用户推荐方法流程图；

图2为本发明实施例的用于广告投放的目标用户推荐装置结构示意图；

图3为本发明实施例的第一推荐单元结构示意图；

图4为本发明实施例的第二推荐单元结构示意图；

图5为本发明实施例的基于推荐度计算公式的贝塔分布示意图；

图6为本发明实施例的广告投放系统架构图；

图7为本发明实施例的广告投放的目标用户推荐方法流程图。

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。

如图1所示，本发明提供的一种用于广告投放的目标用户推荐方法，包括：

101，预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

102，获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

103，选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

104，将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户。

进一步地，在所述选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元之前，还包括，通过以下方法分别计算任两个数据单元的相似度：

对比所述任两个数据单元中的用户数据；其中，每个数据单元中包括多个用户数据；

将所述任两个数据单元中相同用户数据的个数作为所述任两个数据单元的相似度。

由于相似人群包所属行业和广告主的行业不一定相同，因此可以防止行业越推荐越窄。

进一步地，所述选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元，包括：

根据历史数据中每个数据单元被投放广告的次数及每次被投放广告后的互动率，计算每个数据单元的推荐度。

根据历史数据中数据单元的选中次数结合互动率进行推荐度的计算，对于互动率效果好的人群包，可以以较高的概率推荐给广告主，保证了广告主投放的效果。

再进一步地，所述根据历史数据中每个数据单元被投放广告的次数及每次被投放广告后的互动率，计算每个数据单元的推荐度，包括：

为互动率设置阈值，为每个数据单元设置参数a和b；

根据历史数据，参数a表示为该数据单元被投放广告且当次被投放广告后的互动率大于所述阈值的次数；参数b表示为该数据单元被投放广告且当次被投放广告后的互动率不大于所述阈值的次数；

根据以下函数式，获取数据单元的推荐度：

其中Γ是伽马分布函数，μ为微积分变量；

取函数值f(x；a,b)最大时，所对应的x值作为数据单元的推荐度。

通过该算法确定推荐度，如果一个数据单元被选中的次数很多，也就是a+b很大，它的分布会很窄，换句话说这个人群包的效果已经非常确定了，用它产生的随机数，基本上就在中心位置附近，接近其平均效果。

如果一个数据单元不但a+b很大，即分布很窄，而且a/(a+b)也很大，接近1，那就确定这是个好的候选项，平均效果很好，每次被推荐给广告主的概率就很大，这个数据单元就进入利用阶段，反之则几乎再无出头之日。

如果一个数据单元的a+b很小，则β分布很宽，也就是没有被选择太多次，说明这个数据单元是好是坏还不太确定，那么用它产生随机数就有可能得到一个较高的推荐度(比a/(a+b)很小时得到大的推荐度的概率大)，在排序时被优先输出，也就是优先推荐给广告主，以进一步确认这个数据单元效果的好坏。这样就可以解决在一个数据单元新上线时，得不到推荐机会的问题，解决了新的数据单元加入后的冷启动问题，使新的数据单元被推荐的几率更大，避免了数据单元越推荐越窄。

更进一步地，所述互动率根据以下公式计算：

如图2所示，本发明提供的一种用于广告投放的目标用户推荐装置，包括：

聚类单元21，用于预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

第一推荐单元22，用于获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

第二推荐单元23，用于选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

最终推荐单元24，用于将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户。

进一步地，如图4所示，作为一种可选的结构，所述第二推荐单元23包括：

相似度确定模块231，用于在所述选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元之前，通过以下方法分别计算任两个数据单元的相似度：

对比所述任两个数据单元中的用户数据；其中，每个数据单元中包括多个用户数据；

将所述任两个数据单元中相同用户数据的个数作为所述任两个数据单元的相似度。

再进一步地，如图3所示，作为一种可选的结构，所述第一推荐单元22包括：

推荐度计算模块221，用于根据历史数据中每个数据单元被投放广告的次数及每次被投放广告后的互动率，计算每个数据单元的推荐度。

再进一步地，所述推荐度计算模块221，具体用于：

为互动率设置阈值，为每个数据单元设置参数a和b；

根据历史数据，参数a表示为该数据单元被投放广告且当次被投放广告后的互动率大于所述阈值的次数；参数b表示为该数据单元被投放广告且当次被投放广告后的互动率不大于所述阈值的次数；

根据以下函数式，获取数据单元的推荐度：

其中Γ是伽马分布函数，μ为微积分变量；

取函数值f(x；a,b)最大时，所对应的x值作为数据单元的推荐度。

更进一步地，如图3所示，

所述第一推荐单元22还包括：

互动率计算模块222，用于根据以下公式计算互动率：

本发明另一实施例，如图7所示，提供一种广告投放的目标用户推荐方法。

人群包供应商或广告主本人需要上传人群包到广告投放平台，如图6所示，在人群包上传的同时，将人群包按照行业进行分类，如美食生鲜，母婴幼儿，摄影婚纱，电子游戏等等(分类是由人工指定的)。最终，在每个分类中会有若干人群包，每个人群包会被分配一个唯一的编号(人群包ID)

对上传到广告平台的所有人群包，根据人群包中用户的ID,计算两两人群包间的相似度，两人群包中相同的用户ID数越多，相似度越高。

当广告主投放广告时，广告投放系统会根据广告主的行业，向广告主推荐若干人群包，广告主可以选择其中一个人群包进行广告投放。推荐人群包的算法采用基于汤普森采样的bandit算法，具体根据以下函数式，获取人群包的随机数作为推荐度：

其中Γ是伽马分布函数，μ为微积分变量；根据上述函数式得出函数值f(x；a,b)与x值的关系如如图5所示，取函数值f(x；a,b)最大时，所对应的x值为随机数作为人群包的即推荐度。具体描述如下：

1每个行业的每个人群包背后绑定了一个β概率分布，用a和b作为β分布的参数。在每个行业下，针对每个广告主都需要维护一套a，b参数，初始值都为0.5，β分布的概率密度函数，每次做选择时，根据广告主的行业，取出这个行业下的所有人群包，每个人群包根据与其绑定的β概率分布产生一个随机数作为推荐度，按照随机数大小排序，输出最大随机数对应的推荐度最高的人群包。

2当根据bandit算法找出随机数最大的一个人群包后，获取其人群包ID，并根据这个包ID在所有行业的包中查找取其相似度最高的人群包，将这个包和根据bandit算法找出随机数前5大的人群包一起推荐给广告主。由于相似人群包所属行业和广告主的行业不一定相同，因此可以防止行业越推荐越窄。

3如图7所示，广告主选择一个人群包进行投放，广告投放模块负责将用户流量中和人群包匹配的流量筛选出来，并将广告主的广告投放给这个用户，投放日志中会记录投放的人群包ID。之后，投放日志收集模块根据人群包ID将该广告主投放人群包后的广告曝光与互动日志收集起来，并计算互动率：

如果互动率大于5％(可配置)，则给这个人群包中的参数a加1(有收益)，否则给参数b加1(无收益)

4如图5所示，根据β分布的特性，如果一个人群包被选中的次数很多，也就是a+b很大，如图5中当a＝300,b＝300时对应的线1所示，它的β分布会很窄，换句话说这个人群包的效果已经非常确定了，用它产生的随机数，基本上就在中心位置附近，接近其平均效果。

如果一个人群包不但a+b很大，即β分布很窄，而且a/(a+b)也很大，接近1，如图5中当a＝300,b＝20时对应的线3所示，那就确定这是个好的候选项，平均效果很好，每次被推荐给广告主的概率就很大，这个包就进入利用阶段，反之则几乎再无出头之日。

如果一个人群包的a+b很小，则β分布很宽，如图5中当a＝0.5,b＝0.5时对应的线4所示，也就是没有被选择太多次，说明这个人群包是好是坏还不太确定，那么用它产生随机数就有可能得到一个较大的随机数(比a/(a+b)很小，如图5中当a＝20,b＝300时对应的线3所示时，得到大随机数的概率大)，在排序时被优先输出，也就是优先推荐给广告主，以进一步确认这个包效果的好坏。这样就可以解决在一个人群包新上线时，得不到推荐机会的问题，也就是冷启动的问题。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。

基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于广告投放的目标用户推荐方法，其特征在于，包括：

预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户；

其中，

所述选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元，包括：

根据历史数据中每个数据单元被投放广告的次数及每次被投放广告后的互动率，计算每个数据单元的推荐度，具体为：

为互动率设置阈值，为每个数据单元设置参数a和b；

根据历史数据，参数a表示为该数据单元被投放广告且当次被投放广告后的互动率大于所述阈值的次数；参数b表示为该数据单元被投放广告且当次被投放广告后的互动率不大于所述阈值的次数；

根据以下函数式，获取数据单元的推荐度：

其中Γ是伽马分布函数，μ为微积分变量；

取函数值f(x；a,b)最大时，所对应的x值作为数据单元的推荐度。

2.根据权利要求1所述的方法，其特征在于，在所述选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元之前，还包括，通过以下方法分别计算任两个数据单元的相似度：

对比所述任两个数据单元中的用户数据；其中，每个数据单元中包括多个用户数据；

将所述任两个数据单元中相同用户数据的个数作为所述任两个数据单元的相似度。

3.根据权利要求1所述的方法，其特征在于，所述互动率根据以下公式计算：

4.一种用于广告投放的目标用户推荐装置，其特征在于，包括：

聚类单元，用于预先获取多个数据单元，并根据行业对所述多个数据单元进行聚类；

第一推荐单元，用于获取广告投放的目标行业，并据此选定对应行业的数据类中推荐度高的设定个数个数据单元作为第一待推荐数据单元；

第二推荐单元，用于选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元；

最终推荐单元，用于将所述第一待推荐数据单元以及所述第二待推荐数据单元推荐给广告用户；

其中，

所述第一推荐单元包括：

推荐度计算模块，用于根据历史数据中每个数据单元被投放广告的次数及每次被投放广告后的互动率，计算每个数据单元的推荐度；

所述推荐度计算模块，具体用于：

为互动率设置阈值，为每个数据单元设置参数a和b；

根据历史数据，参数a表示为该数据单元被投放广告且当次被投放广告后的互动率大于所述阈值的次数；参数b表示为该数据单元被投放广告且当次被投放广告后的互动率不大于所述阈值的次数；

根据以下函数式，获取数据单元的推荐度：

其中Γ是伽马分布函数，μ为微积分变量；

取函数值f(x；a,b)最大时，所对应的x值作为数据单元的推荐度。

5.根据权利要求4所述的装置，其特征在于，所述第二推荐单元包括：

相似度确定模块，用于在所述选取与所述对应行业的数据类中推荐度最高的数据单元相似度最高的数据单元作为第二待推荐数据单元之前，通过以下方法分别计算任两个数据单元的相似度：

对比所述任两个数据单元中的用户数据；其中，每个数据单元中包括多个用户数据；

将所述任两个数据单元中相同用户数据的个数作为所述任两个数据单元的相似度。

6.根据权利要求4所述的装置，其特征在于，所述第一推荐单元还包括：

互动率计算模块，用于根据以下公式计算互动率：

Images