CN109784978A - 基于大数据的广告竞争力计算方法、装置、介质及设备 - Google Patents
基于大数据的广告竞争力计算方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN109784978A CN109784978A CN201811554855.3A CN201811554855A CN109784978A CN 109784978 A CN109784978 A CN 109784978A CN 201811554855 A CN201811554855 A CN 201811554855A CN 109784978 A CN109784978 A CN 109784978A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- clicking rate
- information
- big data
- prediction
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于数据处理技术领域,涉及一种基于大数据的广告竞争力计算方法及装置、计算机可读存储介质、电子设备,该基于大数据的广告竞争力计算方法包括:获取待投放广告的特征信息和所述待投放广告对应的用户信息;将所述特征信息和所述用户信息输入至一点击率预测模型,以获得与所述待投放广告对应的预测点击率;根据所述预测点击率获得所述待投放广告的竞争力。该方法一方面能够预估广告竞争力,并指导广告投放量的分配;另一方面能够提升广告投放效率和平台广告价值。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种基于大数据的广告竞争力计算方法、基于大数据的广告竞争力计算装置、计算机可读存储介质以及电子设备。
背景技术
广告产业链中包含三个基本角色:广告主、广告媒体和用户,其中广告主希望通过向有效用户投放合适的广告来提高用户购买商品或是网站注册等行为的可能性,从而获取最优的宣传效果;用户希望看到有用的广告信息而不是骚扰信息;发布者则通过发布广告获取应有的版面利润,因此在三方利益交互过程中,广告点击率是三方获取利益的重要核心和平衡点,是精准投放广告、最大化广告主、用户利益的重要环节。
通过对点击率进行测试,可以预测广告的竞争力,同时广告的竞争力与广告主及广告媒体的收益正相关,因此通过计算广告竞争力可以指导广告投放时的流量分配。
因此,本领域亟需一种基于大数据的广告竞争力计算方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于大数据的广告竞争力计算方法、基于大数据的广告竞争力计算装置、计算机可读存储介质以及电子设备,进而至少在一定程度上通过获取广告投放前的竞争力以确定广告投放时的流量分配,进而提升广告投放效率和平台广告价值。
根据本公开的一个方面,提供一种基于大数据的广告竞争力计算方法,包括:
获取待投放广告的特征信息和所述待投放广告对应的用户信息;
将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
根据所述预测点击率获得所述待投放广告的竞争力。
在本公开的示例性实施例中,在获取待投放广告的特征信息和所述待投放广告对应的用户信息之前,所述方法还包括:
获取历史广告投放日志及用户访问日志,所述历史广告投放日志包括多个广告素材信息,所述用户访问日志包括多个与各所述广告素材信息对应的用户访问信息;
根据所述广告素材信息和所述用户访问信息获取各所述广告素材的点击率;
将所述广告素材信息、与所述广告素材信息对应的用户访问信息及所述点击率输入所述点击率预测模型,以对所述点击率预测模型进行训练。
在本公开的示例性实施例中,所述广告素材信息包括广告展现量,所述用户访问信息包括用户点击量;根据所述广告素材信息和所述用户访问信息获取各所述广告素材的点击率,包括:
将所述用户点击量与所述广告展现量作比,以获得所述点击率。
在本公开的示例性实施例中,根据所述预测点击率获得所述待投放广告的竞争力,包括:
将所述预测点击率与预设点击率进行比较;
当所述预测点击率高于所述预设点击率时,所述待投放广告的竞争力高。
在本公开的示例性实施例中,所述方法还包括:
根据所述待投放广告的预测点击率指导所述待投放广告的投放量。
在本公开的示例性实施例中,根据所述待投放广告的预测点击率指导所述待投放广告的投放量,包括:
根据下述公式计算所述待投放广告的投放量:
R=fCTR×(P×N-MC)
其中,R为所述待投放广告的投放量,fCTR为所述预测点击率,P为所述待投放广告的价格,N为广告投放平台的注册用户量,MC为所述待投放广告的成本。
在本公开的示例性实施例中,所述点击率预测模型为深度学习网络模型或逻辑回归模型。
根据本公开的一个方面,提供了一种基于大数据的广告竞争力计算装置,包括:
信息获取模块,用于获取待投放广告的特征信息和所述待投放广告对应的用户信息;
点击率预测模块,用于将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
竞争力获取模块,用于根据所述预测点击率获得所述待投放广告的竞争力。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的基于大数据的广告竞争力计算方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于大数据的广告竞争力计算方法。
本公开的基于大数据的广告竞争力计算方法,通过将待投放广告的特征信息和待投放广告对应的用户信息输入至一训练完成的点击率预测模型,以获取与待投放广告对应的预测点击率,最后再根据预测点击率获得待投放广告的竞争力。本公开中的基于大数据的广告竞争力计算方法,一方面能够预估广告竞争力,并指导广告投放量的分配;另一方面能够提升广告投放效率和平台广告价值。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出一种基于大数据的广告竞争力计算方法的流程图;
图2示意性示出一种基于大数据的广告竞争力计算方法的应用场景示例图;
图3示意性示出一种训练点击率预测模型的流程示意图;
图4示意性示出一种基于大数据的广告竞争力计算装置的结构示意图;
图5示意性示出一种用于实现基于大数据的广告竞争力计算方法的电子设备示例框图;
图6示意性示出一种用于实现基于大数据的广告竞争力计算方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种基于大数据的广告竞争力计算方法,该方法可以运行于服务器,也可以运行于服务器集群或云服务器等,当然,本领域技术人员也可以根据需求在其他平台运行本公开的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该基于大数据的广告竞争力计算方法可以包括以下步骤:
步骤S110.获取待投放广告的特征信息和所述待投放广告对应的用户信息;
步骤S120.将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
步骤S130.根据所述预测点击率获得所述待投放广告的竞争力。
上述基于大数据的广告竞争力计算方法中,通过将待投放广告的特征信息和待投放广告对应的用户信息输入至一训练完成的点击率预测模型,以获取与待投放广告对应的预测点击率,最后再根据预测点击率获得待投放广告的竞争力。本公开中的基于大数据的广告竞争力计算方法一方面能够通过点击率预测模型预测点击率,并根据预测点击率预估广告竞争力,进而指导广告投放量的分配;另一方面能够提升广告投放效率和平台广告价值。
下面,将结合图2对本示例实施方式中上述基于大数据的广告竞争力计算方法的各步骤进行详细的解释以及说明。
在步骤S110中,获取待投放广告的特征信息和所述待投放广告对应的用户信息。
在本公开的示例性实施例中,待投放广告为广告主计划投放的广告,其对应的特征信息可以包括广告素材的类型、品类、价格区间、主题标签等,其中广告素材的类型为一级分类,品类为二级分类,具体地,广告素材的类型包括保险、电商、理财、贷款、信用卡、车、资讯等,相应地,对应每一类型的广告素材,其包含多个不同的品类,例如保险品类包括寿险、产险、养老险、健康险、车险等品类;电商类包括美妆个护、食品生鲜、家居日用、3C数码、母婴育儿等品类。广告素材的主题标签是指素材的主题风格,如偏向于健康医疗的主题,偏向于户外旅游的主题,偏向于男性用户的主题,偏向于高价值客户的主题等。目前常用的主题标签有健康医疗、户外旅游、出行交通、高富帅、白富美、保险达人、高价值客户、购物达人、吃瓜群众等等。用户信息包括用户的基础属性数据,如年龄、性别、职业、居住地等,还包括用户的行为数据,如用户点击广告的点击量、点击频率、浏览时间等,进一步的,还可以包括用户的交易数据,如购买广告产品的时间、数量、价格等等。
在本公开的示例性实施例中,可以将广告素材各个维度的属性数据添加到素材表中,方便用户提取数据,用于预测点击率和竞争力。
在步骤S120中,将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率。
在本公开的示例性实施例中,可以根据通过一个点击率预测模型对待投放广告的点击率进行预测。该点击率预测模型可以是深度学习网络模型或者是逻辑回归模型,图3示出了训练点击率预测模型的流程示意图,如图3所示,具体的训练方法为:
步骤S301:获取历史广告投放日志及用户访问日志,所述历史广告投放日志包括多个广告素材信息,所述用户访问日志包括多个与各所述广告素材信息对应的用户访问信息;
步骤S302:根据所述广告素材信息和所述用户访问信息获取各所述广告素材的点击率;
在本公开的示例性实施例中,广告素材信息包括历史投放广告的类型、品类、价格区间、主题标签、展现量等,用户访问信息包括用户的基础属性数据、行为数据和交易数据,该行为数据包括广告的点击量。通过将用户的点击量与广告的展现量作比,即可获得广告素材的点击率。
步骤S303:将所述广告素材信息、与所述广告素材信息对应的用户访问信息及所述点击率输入至所述点击率预测模型,以对所述点击率预测模型进行训练。
在本公开的示例性实施例中,可以将广告素材信息、用户访问信息作为输入向量,点击率作为输出向量输入至点击率预测模型,以对点击率预测模型进行训练。本公开以神经网络模型为点击率预测模型为例进行说明,神经网络模型包含输入层、隐藏层和输出层,输入层、隐藏层和输出层中分别设置有多个神经元,且输入层中的神经元与第一隐藏层中各神经元全连接,输出层中的神经元与最后一层隐藏层中的神经元全连接。对于神经网络模型中隐藏层的层数及各隐藏层中神经元的数量可以根据实际需要进行设定。通过将广告素材信息、用户访问信息和点击率输入至神经网络模型以训练该神经网络模型。在训练的过程中,判断神经网络模型是否收敛,如果收敛,则停止训练;如果不收敛,则通过调整模型的超参数等继续训练,直至模型收敛。
在本公开的示例性实施例中,当点击率预测模型训练完成后,可以获取待投放广告的特征信息和用户信息,并将该特征信息和用户信息输入至训练好的点击率预测模型以获得与待投放广告对应的预测点击率。
在步骤S130中,根据所述预测点击率获得所述待投放广告的竞争力。
在本公开的示例性实施例中,在获取预测点击率后,可以将预测点击率与一预设点击率进行比较,该预设点击率例如可以是70%、85%、90%等等,当预测点击率高于预设点击率时,待投放广告的竞争力就高;当预测点击率低于预设点击率时,待投放广告的竞争力就低。也就是说,预测点击率与竞争力正相关,作为一种实施例,可以设置一系数k(0<k<1),通过计算公式(1)以获取竞争力的具体值。计算公式(1)如下所述:
C=kfCTR (1)
其中C为待投放广告的竞争力,k为系数,fCTR为预测点击率。
在本公开的示例性实施例中,获取待投放广告的竞争力后,进一步可以根据预测点击率指导待投放广告的投放量,当预测点击率高于预设点击率时,待投放广告的投放量就;当预测点击率低于预设点击率时,待投放广告的投放量就小,甚至可以不投放。投放量还可以根据计算公式(2)获得,具体如下:
R=fCTR×(P×N-MC) (2)
其中,R为待投放广告的投放量,fCTR为预测点击率,P为待投放广告的价格,N为广告投放平台的注册用户量,MC为待投放广告的成本。
在本公开的示例性实施例中,还可以根据产品类型、产品品类或产品主题标签训练相应的点击率预测模型,通过将待投放广告的特征信息和对应的用户信息输入点击率预测模型,以获取各类型产品、各品类产品或各主题标签对应的产品的预测点击率,进而可以确定产品的投放量。
本公开的基于大数据的广告竞争力计算方法,一方面能够通过点击率预测模型预测点击率,并根据预测点击率预估广告竞争力,进而指导广告投放量的分配;另一方面能够提升广告投放效率和平台广告价值。
本公开还提供了一种基于大数据的广告竞争力计算装置。图4示出了基于大数据的广告竞争力计算装置的结构示意图,如图4所示,该基于大数据的广告竞争力计算装置可以包括信息获取模块410、点击率预测模块420和竞争力获取模块430。其中:
信息获取模块410,用于获取待投放广告的特征信息和所述待投放广告对应的用户信息;
点击率预测模块420,用于将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
竞争力获取模块430,用于根据所述预测点击率获得所述待投放广告的竞争力。
上述基于大数据的广告竞争力计算装置中各模块的具体细节已经在对应的基于大数据的广告竞争力计算方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S110:获取待投放广告的特征信息和所述待投放广告对应的用户信息;步骤S120:将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;步骤S130:根据所述预测点击率获得所述待投放广告的竞争力。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图6所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于大数据的广告竞争力计算方法,其特征在于,包括:
获取待投放广告的特征信息和所述待投放广告对应的用户信息;
将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
根据所述预测点击率获得所述待投放广告的竞争力。
2.根据权利要求1所述的基于大数据的广告竞争力计算方法,其特征在于,在获取待投放广告的特征信息和所述待投放广告对应的用户信息之前,所述方法还包括:
获取历史广告投放日志及用户访问日志,所述历史广告投放日志包括多个广告素材信息,所述用户访问日志包括多个与各所述广告素材信息对应的用户访问信息;
根据所述广告素材信息和所述用户访问信息获取各所述广告素材的点击率;
将所述广告素材信息、与所述广告素材信息对应的用户访问信息及所述点击率输入所述点击率预测模型,以对所述点击率预测模型进行训练。
3.根据权利要求2所述的基于大数据的广告竞争力计算方法,其特征在于,所述广告素材信息包括广告展现量,所述用户访问信息包括用户点击量;根据所述广告素材信息和所述用户访问信息获取各所述广告素材的点击率,包括:
将所述用户点击量与所述广告展现量作比,以获得所述点击率。
4.根据权利要求1所述的基于大数据的广告竞争力计算方法,其特征在于,根据所述预测点击率获得所述待投放广告的竞争力,包括:
将所述预测点击率与预设点击率进行比较;
当所述预测点击率高于所述预设点击率时,所述待投放广告的竞争力高。
5.根据权利要求1所述的基于大数据的广告竞争力计算方法,其特征在于,所述方法还包括:
根据所述待投放广告的预测点击率指导所述待投放广告的投放量。
6.根据权利要求5所述的基于大数据的广告竞争力计算方法,其特征在于,根据所述待投放广告的预测点击率指导所述待投放广告的投放量,包括:
根据下述公式计算所述待投放广告的投放量:
R=fCTR×(P×N-MC)
其中,R为所述待投放广告的投放量,fCTR为所述预测点击率,P为所述待投放广告的价格,N为广告投放平台的注册用户量,MC为所述待投放广告的成本。
7.根据权利要求1所述的基于大数据的广告竞争力计算方法,其特征在于,所述点击率预测模型为深度学习网络模型或逻辑回归模型。
8.一种基于大数据的广告竞争力计算装置,其特征在于,包括:
信息获取模块,用于获取待投放广告的特征信息和所述待投放广告对应的用户信息;
点击率预测模块,用于将所述特征信息和所述用户信息输入至点击率预测模型,以获得与所述待投放广告对应的预测点击率;
竞争力获取模块,用于根据所述预测点击率获得所述待投放广告的竞争力。
9.一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,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的基于大数据的广告竞争力计算方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的基于大数据的广告竞争力计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554855.3A CN109784978A (zh) | 2018-12-19 | 2018-12-19 | 基于大数据的广告竞争力计算方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554855.3A CN109784978A (zh) | 2018-12-19 | 2018-12-19 | 基于大数据的广告竞争力计算方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784978A true CN109784978A (zh) | 2019-05-21 |
Family
ID=66497410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554855.3A Pending CN109784978A (zh) | 2018-12-19 | 2018-12-19 | 基于大数据的广告竞争力计算方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784978A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222894A (zh) * | 2019-06-06 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 广告投放方法、装置及设备 |
CN110288375A (zh) * | 2019-05-23 | 2019-09-27 | 北京鑫宇创世科技有限公司 | 一种广告素材可信度确定方法及装置 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN111192602A (zh) * | 2019-12-03 | 2020-05-22 | 广州荔支网络技术有限公司 | 一种基于音频内容画像系统的白噪音音频内容价值评估方法 |
CN111242690A (zh) * | 2020-01-14 | 2020-06-05 | 苏宁云计算有限公司 | 广告图片的测评方法、装置、存储介质及计算机设备 |
CN111340561A (zh) * | 2020-03-04 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息点击率的计算方法、装置、设备及可读存储介质 |
CN111626779A (zh) * | 2020-05-26 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种媒体信息处理方法、装置和存储介质 |
CN112258207A (zh) * | 2020-06-16 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 一种广告流量确定方法、装置、设备及存储介质 |
CN112348564A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 自动管理广告投放的方法、装置和电子设备 |
CN112418896A (zh) * | 2019-08-20 | 2021-02-26 | 北京国双科技有限公司 | 数据挖掘方法,装置、存储介质及电子设备 |
CN112529604A (zh) * | 2019-08-30 | 2021-03-19 | 百度在线网络技术(北京)有限公司 | 物料投放方法、装置、电子设备和存储介质 |
CN112801693A (zh) * | 2021-01-18 | 2021-05-14 | 百果园技术(新加坡)有限公司 | 基于高价值用户的广告特征分析方法及系统 |
CN116109355A (zh) * | 2023-04-12 | 2023-05-12 | 广东玄润数字信息科技股份有限公司 | 基于偏好数据的广告投放分析方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657486A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 一种广告投放方法及装置 |
CN108734499A (zh) * | 2017-04-25 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 推广信息效果分析方法及装置、计算机可读介质 |
-
2018
- 2018-12-19 CN CN201811554855.3A patent/CN109784978A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734499A (zh) * | 2017-04-25 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 推广信息效果分析方法及装置、计算机可读介质 |
CN107657486A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 一种广告投放方法及装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288375A (zh) * | 2019-05-23 | 2019-09-27 | 北京鑫宇创世科技有限公司 | 一种广告素材可信度确定方法及装置 |
CN110222894A (zh) * | 2019-06-06 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 广告投放方法、装置及设备 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN112418896A (zh) * | 2019-08-20 | 2021-02-26 | 北京国双科技有限公司 | 数据挖掘方法,装置、存储介质及电子设备 |
CN112529604B (zh) * | 2019-08-30 | 2023-09-15 | 百度在线网络技术(北京)有限公司 | 物料投放方法、装置、电子设备和存储介质 |
CN112529604A (zh) * | 2019-08-30 | 2021-03-19 | 百度在线网络技术(北京)有限公司 | 物料投放方法、装置、电子设备和存储介质 |
CN111192602A (zh) * | 2019-12-03 | 2020-05-22 | 广州荔支网络技术有限公司 | 一种基于音频内容画像系统的白噪音音频内容价值评估方法 |
CN111242690A (zh) * | 2020-01-14 | 2020-06-05 | 苏宁云计算有限公司 | 广告图片的测评方法、装置、存储介质及计算机设备 |
CN111340561A (zh) * | 2020-03-04 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息点击率的计算方法、装置、设备及可读存储介质 |
CN111626779A (zh) * | 2020-05-26 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种媒体信息处理方法、装置和存储介质 |
CN112258207A (zh) * | 2020-06-16 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 一种广告流量确定方法、装置、设备及存储介质 |
CN112348564A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 自动管理广告投放的方法、装置和电子设备 |
CN112801693A (zh) * | 2021-01-18 | 2021-05-14 | 百果园技术(新加坡)有限公司 | 基于高价值用户的广告特征分析方法及系统 |
CN116109355A (zh) * | 2023-04-12 | 2023-05-12 | 广东玄润数字信息科技股份有限公司 | 基于偏好数据的广告投放分析方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784978A (zh) | 基于大数据的广告竞争力计算方法、装置、介质及设备 | |
Zhang et al. | Explicit factor models for explainable recommendation based on phrase-level sentiment analysis | |
US10509837B2 (en) | Modeling actions for entity-centric search | |
CN109919417A (zh) | 金融系统的任务分配方法及装置、电子设备、存储介质 | |
US20160342911A1 (en) | Method and system for effecting customer value based customer interaction management | |
CN107729937A (zh) | 用于确定用户兴趣标签的方法及装置 | |
CN111670435A (zh) | 使用交流话语树来检测对解释的请求 | |
CN109242044A (zh) | 车货匹配模型的训练方法、装置、存储介质及电子设备 | |
CN112308650B (zh) | 推荐理由生成方法、装置、设备及存储介质 | |
US20150120432A1 (en) | Graph-based ranking of items | |
CN109670161A (zh) | 商品相似度计算方法及装置、存储介质、电子设备 | |
CN110378545A (zh) | 商户信用评估方法及装置、存储介质、电子设备 | |
CN107609958A (zh) | 行为引导策略确定方法以及装置、存储介质以及电子设备 | |
CN103534697A (zh) | 使用web数据训练口述对话系统中的统计对话管理器 | |
CN111598596A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109635184A (zh) | 基于数据分析的金融产品推荐方法、装置和计算机设备 | |
CN112633690A (zh) | 服务人员信息分配方法、装置、计算机设备和存储介质 | |
CN111191894A (zh) | 基于用户分类进行资源需求处理的方法、装置和电子设备 | |
CN109284450A (zh) | 订单成单路径的确定方法及装置、存储介质、电子设备 | |
CN109426983A (zh) | 闪购活动自动生成方法及装置、存储介质、电子设备 | |
CN113344723B (zh) | 用户保险认知演进路径预测方法、装置和计算机设备 | |
Howard et al. | Designing great data products | |
CN108984681A (zh) | 保险信息推荐的方法、装置存储介质及电子设备 | |
CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
CN109299250A (zh) | 答案的展示方法、装置、存储介质及电子设备 |
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 |