CN109886749A - 一种广告投放方法及系统 - Google Patents

Abstract

本发明公开一种广告投放方法及系统，包括：根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；选取所述第一特征标签所对应的广告进行投放。本发明提供的技术方案，能够针对不同的用户精准地投放其感兴趣的广告内容，从而提高广告收益和用户体验。

Description

一种广告投放方法及系统

技术领域

本发明涉及互联网应用技术领域，尤其涉及一种广告投放方法及系统。

背景技术

在应用程序内投放广告是目前广告商一种重要的营销手段，而广告所产生的效益高低受到多方面的影响，其中，广告是否符合用户需求是主要的影响因素。一方面，当用户对所投放的广告不感兴趣时，想要让该条广告在该用户处产生效益，成功率无疑是极低的。另一方面，当广告在应用程序内强制弹出、用户被迫观看时，也大大降低了用户体验，甚至会导致该应用程序的用户流失。

因此，如何建立一套符合用户需求的广告投放系统，是目前需要解决的问题。

发明内容

本发明旨在提供一种广告投放方法及系统，能够针对不同的用户精准地投放其感兴趣的广告内容，从而提高广告收益和用户体验。

为达到上述目的，本发明采用的技术方案如下：

一种广告投放方法，包括：根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；选取所述第一特征标签所对应的广告进行投放。

优选地，所述目标用户对两个以上预设资源集的行为信息包括以下反馈指标：所述目标用户对每个所述资源集中的每条资源的点赞状况、送花数量、评论数量、停留时长、分享状况。

优选地，所述根据所述行为信息，获取所述目标用户感兴趣的资源集包括：根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值；根据所述喜好值，筛选出所述目标用户感兴趣的资源集。

优选地，所述根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值包括：将所述反馈指标数值化，获取每个所述反馈指标下所述目标用户对每个所述资源集中的每条资源的反馈值，为第一反馈值；根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值；在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值。

优选地，所述将所述反馈指标数值化包括：将所述反馈指标中的第一预定反馈指标进行二值化；计算所述反馈指标中的第二预定反馈指标与系统预先获取的反馈平均值的比值。

优选地，所述根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值的方法为：

其中，p_x为单个资源集中单个反馈指标的所述第二反馈值，p_xn为单个资源集中单个反馈指标的所述第一反馈值，n为单个资源集中资源的数量。

优选地，所述在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值的方法为：

其中，为所述目标用户对单个资源集的喜好值，p₁，p₂…p_m为单个资源集中的每个反馈指标，w₁，w₂…w_m为单个资源集中每个反馈指标对应的预设权重。

优选地，所述应用内的每条资源设置有两个以上的所述特征标签；所述应用内的每条广告设置有两个以上的所述特征标签。

优选地，所述应用内投放的广告与所述应用内资源的展示方式相同；用户对所述应用内投放的广告的操作方式与对所述应用内资源的操作方式相同；所述操作方式包括：删除、替换、点赞、评论、分享。

一种广告投放系统，包括：特征标签设置模块，用于根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；用户行为采集模块，用于采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；数据处理模块，用于根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；广告投放模块，用于选取所述第一特征标签所对应的广告进行投放。

本发明实施例提供的广告投放方法及系统，通过对应用内的资源和广告设置相应的特征标签，并采集目标用户对预设资源集的行为信息，可获取目标用户感兴趣的资源集，进而获取目标用户感兴趣的资源集所对应的特征标签，通过该特征标签，即可针对该目标用户进行精准的广告投放。与现有的对不同用户投放相同广告内容的方式相比，本发明的技术方案能够在提高用户体验的同时，大大提高广告收益。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的系统结构图一；

图3为本发明实施例的系统结构图二。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

图1为本发明实施例的方法流程图，包括：

步骤101，根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；

本实施例中，首先需要建立一套特征标签系统，将应用内的每条资源与每条广告按照其内容进行特征化，每条资源和每条广告都可以拥有多个特征标签，即在设置特征标签时，为每条资源、每条广告均设置两个以上的特征标签。例如，某一条资源的特征标签为：美食、电影；另一条资源的特征标签为：美食、旅游。我们可以通过多个特征标签，定位到同一条资源或同一条广告。这样，只要通过系统预测出用户最喜欢的一类特征标签，那么在广告投放时，便可以筛选出具有相同特征标签的广告，进行针对性地投放。这样一来，用户对所投放的广告的抵触情绪会降低很多，广告的吸引力也就上去了。

步骤102，采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；

本步骤中，所述目标用户对两个以上预设资源集的行为信息包括以下反馈指标：所述目标用户对每个所述资源集中的每条资源的点赞状况、送花数量、评论数量、停留时长、分享状况等。下面对每个反馈指标进行详细描述：

点赞状况：目标用户可以对自己喜欢的资源进行点赞，亦可取消点赞。通过点赞操作，能够体现用户对该资源的喜好程度。

送花数量：这个反馈指标与点赞状况类似。不同的地方在于，同一个用户，对同一条资源，只能做点赞和取消点赞这样单一的操作，而送花则可以进行次数的叠加。用户可以直接通过送花的数量，精确地表达自己对某个资源的喜好。

评论数量：即用户参与某个资源的评论，无论评论内容的褒贬，均可以反映出用户对该资源的关注程度。

停留时长：即用户在应用内某条资源上的停留时长，通过这个反馈指标，可以排除用户“秒切”(不看内容，直接切换到下一条资源)的资源，避免造成统计上的干扰；亦可通过时长辅助分析用户的喜好。

分享状况：即用户分享资源的数据，应用内的大部分资源均可通过不同的渠道(如各种通讯工具、微博等)来进行分享。用户是否会选择分享某个资源，也对鉴别用户的喜好有着重要影响。

此外，反馈指标还包括：用户在应用内浏览资源的日浏览量和用户通过资源创造的商业价值。用户在应用内浏览资源的日浏览量，统计用户在自然日的24小时内浏览资源的总量，这个反馈指标可以反映出用户在整体用户群中的活跃程度，在数据统计上，是比较重要的参考值。用户通过资源创造的商业价值，这个反馈指标可以解释为用户通过浏览广告，实现转化所带来的收益。

以上几种反馈指标，是反映用户喜好的比较明显的反馈指标，当然，还有其它一些隐性的反馈指标，这里不再一一列举。

步骤103，根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；

本实施例中，所述根据所述行为信息，获取所述目标用户感兴趣的资源集包括：根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值；根据所述喜好值，筛选出所述目标用户感兴趣的资源集。

优选地，所述根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值包括：将所述反馈指标数值化，获取每个所述反馈指标下所述目标用户对每个所述资源集中的每条资源的反馈值，为第一反馈值；根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值；在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值。

本实施例中，所述将所述反馈指标数值化包括：将所述反馈指标中的第一预定反馈指标进行二值化；计算所述反馈指标中的第二预定反馈指标与系统预先获取的反馈平均值的比值。对于本实施例的几个反馈指标来说，数据类型大体分为两类：第一类反馈指标如用户的点赞状况，只会存在点赞和未点赞两种状态。我们将点赞状态计为1，未点赞状态计为0，即对该类反馈指标进行二值化处理，得到p_x＝{1|0}，二值化处理后直接参与后续的计算。第二类反馈指标属于某个数值区间内的随机值。例如单个用户对单个资源的送花数量，可能是[0，1000]区间内的某个值i_x，针对系统所有用户，我们可以求得系统用户平均送花数量我们将单用户的送花数量与系统用户平均送花数量相除，便可得到该用户的送花数量与平均数量直接的差异

通过将反馈指标数值化，我们即得到了单个用户、单个反馈指标、单个特征标签下的第一反馈值p_x。这些数据是单个用户针对某个单一资源的反馈指标数据，也就是说，这些反馈指标数据，只能表示该用户对某一个资源的喜好程度在系统平均水平上的高低。我们并不能因此断定该用户对某个特征标签下的资源会不会送花，会不会点赞。因此，想要知道该用户对某个特征标签下的资源会有哪些行为，就必须再对数据进行进一步的处理，即需要计算上述第二反馈值，第二反馈值就是每个反馈指标下该用户对某一个资源集的反馈值。例如，我们需要计算的资源集的特征标签为“汽车”，则首先需要统计该汽车资源集中所有资源的数量，假设资源数量为n；然后，对这n条资源的各个反馈指标分别进行计算。还是拿送花数量举例，通过资源1，我们得到单个用户对资源1的基础数据p_x1，同理对第n个资源，得到基础数据p_xn。

根据这些资源，我们可以为每个特征标签的每个反馈指标计算出一个反馈指标参考值，即根据第一反馈值，计算每个所述反馈指标下目标用户对每个资源集的反馈值，将该反馈值称为第二反馈值。具体计算方法如下：

其中，p_x为单个资源集中单个反馈指标的所述第二反馈值，p_xn为单个资源集中单个反馈指标的所述第一反馈值，n为单个资源集中资源的数量。

通过上述计算出来的反馈指标参考值(即第二反馈值)，我们可以得到目标用户针对不同的特征标签表现出的一系列行为上的差异。只要找出这些差异值中的规律，就可以知道目标用户的喜好。

基于这些反馈指标参考值，我们甚至可以额外地判断出哪些是高价值用户。扩展开去，我们可以实现很多有趣的功能，但这些功能不在本次发明的叙述范围内，这里不再展开说明。

计算出了反馈指标参考值(即第二反馈值)，还无法直观地判断某个资源是否真正地吸引用户。同一个用户，在面对不同的资源，甚至多次面对同一条资源，他们的反应都会存在一定的差异。例如，用户面对某一条资源的时候，因为喜欢，他可能会直接送出10朵鲜花。面对另一条资源，他也喜欢，却因为鲜花不足，就做了点赞操作。回到前面一条资源，用户是否会对这条资源点赞，我们却无法做出肯定的结果。所以，我们不能单纯地通过某一个反馈指标的反馈指标参考值(即第二反馈值)来判断用户是否喜欢某条资源。因此，我们需要引入一个新的计算模型来将这些第二反馈值进行再整合，以期得到一个综合的可直接用于判断用户喜欢程度的数值。因此，我们引入了权重体系。

在系统部署的初期，尤其是用户数据不足，甚至没有的时候，我们可以综合各方面的数据，人工配置一套权重体系，为每个反馈指标设置一个权重值。

可行的人工权重配置方法如下：

通过不限于问卷、网络爬虫、已有相关业务数据得到一批统计数据；针对该统计数据，人工判定各个反馈指标的重要程度，并排序。例如，统计得出的结果显示，用户送花数量的多少比点赞与否，更能反映出用户的真实情况，则用户送花数量的判定优先级要高于点赞与否；根据优先级的高低，按由高到底的顺序，分别分配一个由高到低的权重值。

这里的权重值分配存在两种方式：一种是按百分比分配，如最高优先级的反馈指标分配权重50％，最低的分配3％，所有权重相加的总和为100％；另一种则是指定一个数值区间，如[0，10000]，最高优先级的反馈指标配置为8000，最低优先级的反馈指标可能分配为1000。这里不需要将数值配置到最高和最低，以便于应对后续需要将最高优先级的数值再调高的情况。经过以上步骤，我们便人工配置出了一套权重体系。

当系统运行一段时间后，已经积累了一定量的用户数据，此时，我们可以不再使用人工配置权重的方法，而采用一套智能化的权重计算系统进行系统自动配置。该系统通过机器学习，对大量的用户反馈指标数据进行回归运算，计算出各个反馈指标的重要程度。在该系统部署完成后，基本不再需要人为干预，便可自动计算出每个反馈指标的权重。最重要的是，随着用户数据的不断增加，这套系统会不断地微调这些权重值，进而不断地逼近一个最能反馈用户行为习惯的理想数值。这意味着，随着时间的推移，这套数据将会更加容易猜中用户的心思。通过这样的实施方法，运营人员只需要在最开始的时候，为所有资源挑选一批合适的特征标签，此后的所有操作都交给系统自动完成。这无疑也节省了大量的人力，提高了系统运行效率。

引入权重体系后，就可以针对单用户，单特征标签(即单资源集)，通过对所有反馈指标求加权平均值，得到一个唯一的计量值，该计量值就是目标用户对某个特征标签的感兴趣程度。即在每个资源集中，将每个反馈指标的所述第二反馈值进行融合，获取目标用户对每个资源集的喜好值。具体计算方法如下：

其中，为所述目标用户对单个资源集的喜好值，p₁，p₂…p_m为单个资源集中的每个反馈指标，w₁，w₂…w_m为单个资源集中每个反馈指标对应的预设权重。可以直接对目标用户的喜好进行判定和排序，可以选取值最高的前几个值作为目标用户感兴趣的特征标签，即所述第一特征标签。值也称为用户特征标签喜好值。

步骤104，选取所述第一特征标签所对应的广告进行投放。

由于应用内广告与资源具有一套相同的特征标签体系，均是按其展示的内容来进行特征标签分配，因此，有了用户特征标签喜好值便可以筛选出用户最感兴趣的特征标签，进而匹配到含有相同特征标签的广告。

当用户进入应用浏览感兴趣的内容时，在合适的位置，系统便可以从广告中，根据用户各个值的大小，优先选取含有高用户特征标签喜好值的广告进行展示。

随着用户浏览的内容量增加，各个特征的用户特征标签喜好值将越发清晰地展示出用户的喜好。可以预见，若是推送的广告与用户特征标签喜好值最高的特征标签吻合，该广告的推送成功率与转化率将得到有效的提高。

在本实施例中，为了进一步提高用户体验，将应用内投放的广告的展示方式设置为与应用内资源的展示方式相同；且用户对应用内投放的广告的操作方式与对应用内资源的操作方式相同。也就是说，应用内资源可以做的那些操作(点赞、评论、分享等)，在针对广告时，一样可以进行。甚至用户如果确实不喜欢某个广告，完全可以手动对其进行删除和替换。这样做的目的，是要将所有广告彻底融入到应用内资源中，完全作为一种特殊的内容来进行展示，这在一定程度上提高了用户体验。

如图2和图3所示，本发明还公开一种广告投放系统，包括：特征标签设置模块，用于根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；用户行为采集模块，用于采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；数据处理模块，用于根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；广告投放模块，用于选取所述第一特征标签所对应的广告进行投放。

本实施例中，所述目标用户对两个以上预设资源集的行为信息包括以下反馈指标：所述目标用户对每个所述资源集中的每条资源的点赞状况、送花数量、评论数量、停留时长、分享状况。

优选地，所述数据处理模块包括：计算模块，用于根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值；筛选模块，用于根据所述喜好值，筛选出所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签。

优选地，所述计算模块包括：第一反馈值计算单元，用于将所述反馈指标数值化，获取每个所述反馈指标下所述目标用户对每个所述资源集中的每条资源的反馈值，为第一反馈值；第二反馈值计算单元，用于根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值；用户喜好值计算单元，用于在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值。

优选地，所述第一反馈值计算单元包括：

第一计算子单元，用于将所述反馈指标中的第一预定反馈指标进行二值化；

第二计算子单元，用于计算所述反馈指标中的第二预定反馈指标与系统预先获取的反馈平均值的比值。

本实施例中，优选地，所述第二反馈值计算单元的计算方法为：

其中，p_x为单个资源集中单个反馈指标的所述第二反馈值，p_xn为单个资源集中单个反馈指标的所述第一反馈值，n为单个资源集中资源的数量。

本实施例中，所述用户喜好值计算单元还包括：权重配置单元，用于为所述第二反馈值配置权重；所述用户喜好值计算单元的计算方法为：

其中，为所述目标用户对单个资源集的喜好值，p₁，p₂…p_m为单个资源集中的每个反馈指标，w₁，w₂…w_m为单个资源集中每个反馈指标对应的预设权重。

本实施例中，所述应用内的每条资源设置有两个以上的所述特征标签；所述应用内的每条广告设置有两个以上的所述特征标签。所述应用内投放的广告与所述应用内资源的展示方式相同；用户对所述应用内投放的广告的操作方式与对所述应用内资源的操作方式相同；所述操作方式包括：删除、替换、点赞、评论、分享。

本发明实施例提供的广告投放方法及系统，通过对应用内的资源和广告设置相应的特征标签，并采集目标用户对预设资源集的行为信息，可获取目标用户感兴趣的资源集，进而获取目标用户感兴趣的资源集所对应的特征标签，通过该特征标签，即可针对该目标用户进行精准的广告投放。与现有的对不同用户投放相同广告内容的方式相比，本发明的技术方案能够在提高用户体验的同时，大大提高广告收益。本发明提供的技术方案可应用于手机app以及各种网站的广告投放中。

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。

Claims (10)

1.一种广告投放方法，其特征在于，包括：

根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；

采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；

根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；

选取所述第一特征标签所对应的广告进行投放。

2.根据权利要求1所述的广告投放方法，其特征在于，所述目标用户对两个以上预设资源集的行为信息包括以下反馈指标：

所述目标用户对每个所述资源集中的每条资源的点赞状况、送花数量、评论数量、停留时长、分享状况。

3.根据权利要求2所述的广告投放方法，其特征在于，所述根据所述行为信息，获取所述目标用户感兴趣的资源集包括：

根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值；

根据所述喜好值，筛选出所述目标用户感兴趣的资源集。

4.根据权利要求3所述的广告投放方法，其特征在于，所述根据所述反馈指标，计算所述目标用户对每个所述资源集的喜好值包括：

将所述反馈指标数值化，获取每个所述反馈指标下所述目标用户对每个所述资源集中的每条资源的反馈值，为第一反馈值；

根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值；

在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值。

5.根据权利要求4所述的广告投放方法，其特征在于，所述将所述反馈指标数值化包括：

将所述反馈指标中的第一预定反馈指标进行二值化；

计算所述反馈指标中的第二预定反馈指标与系统预先获取的反馈平均值的比值。

6.根据权利要求4所述的广告投放方法，其特征在于，所述根据所述第一反馈值，计算每个所述反馈指标下所述目标用户对每个所述资源集的反馈值，为第二反馈值的方法为：

其中，p_x为单个资源集中单个反馈指标的所述第二反馈值，P_xn为单个资源集中单个反馈指标的所述第一反馈值，n为单个资源集中资源的数量。

7.根据权利要求4所述的广告投放方法，其特征在于，所述在每个所述资源集中，将每个所述反馈指标的所述第二反馈值进行融合，获取所述目标用户对每个所述资源集的喜好值的方法为：

其中，为所述目标用户对单个资源集的喜好值，p₁，p₂...p_m为单个资源集中的每个反馈指标，w₁，w₂...w_m为单个资源集中每个反馈指标对应的预设权重。

8.根据权利要求1所述的广告投放方法，其特征在于，所述应用内的每条资源设置有两个以上的所述特征标签；所述应用内的每条广告设置有两个以上的所述特征标签。

9.根据权利要求1所述的广告投放方法，其特征在于，所述应用内投放的广告与所述应用内资源的展示方式相同；用户对所述应用内投放的广告的操作方式与对所述应用内资源的操作方式相同；所述操作方式包括：删除、替换、点赞、评论、分享。

10.一种广告投放系统，其特征在于，包括：

特征标签设置模块，用于根据应用内的资源和广告所展示的内容信息，为所述资源和广告设置特征标签；

用户行为采集模块，用于采集目标用户对两个以上预设资源集的行为信息；每个所述资源集具有不同的特征标签；每个所述资源集中的每条资源具有与其所属资源集相同的特征标签；

数据处理模块，用于根据所述行为信息，获取所述目标用户感兴趣的资源集；将所述目标用户感兴趣的资源集所对应的特征标签作为第一特征标签；

广告投放模块，用于选取所述第一特征标签所对应的广告进行投放。