CN110288379A - 广告的转化价格预测方法、装置、存储介质及计算机设备 - Google Patents

Abstract

本发明公开了一种广告的转化价格预测方法、装置、存储介质及计算机设备。其中，该方法包括：获取要投放广告的对象的网上行为特征；将网上行为特征输入转化价格模型，由转化价格模型预测出与网上行为特征对应的要投放广告的对象的转化价格，其中，转化价格模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：网上行为特征和网上行为特征对应的要投放广告的对象的转化价格。本发明解决了在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的技术问题。

Description

广告的转化价格预测方法、装置、存储介质及计算机设备

技术领域

本发明涉及互联网广告领域，具体而言，涉及一种广告的转化价格预测方法、装置、存储介质及计算机设备。

背景技术

互联网技术的发展正在改变广告产业的模式，在传统的广告中，通过人与人的口口相传、报纸、杂志等，缺乏实时性。相比于传统的广告，在当前的互联网广告中，广告主可以在互联网终端投放广告，使得广告的投放更加灵活，且具备实时性。对于广告的投放通常采用实时竞价的方式，因而如何实现实时竞价成为互联网广告投放中一个关键性的问题。在相关技术中，主要是针对广告位置的价格进行估算，例如依据广告位的历史数据和待投放广告数据来预估出本次竞价最合理的广告位价格。然而，对于互联网广告的访客来讲，浏览广告并不一定会产生购买行为，若投放广告成本与该广告投放后所带来的利润不成正比，就会大大降低广告主的投资回报率，这样对广告主来讲是不利的。

因此，在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种广告的转化价格预测方法、装置、存储介质及计算机设备至少解决在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的技术问题。

根据本发明实施例的一个方面，提供了一种广告的转化价格预测方法，包括：获取要投放广告的对象的网上行为特征；将所述网上行为特征输入转化价格模型，由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格，其中，所述转化价格模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：网上行为特征和所述网上行为特征对应的要投放广告的对象的转化价格。

可选地，获取要投放广告的对象的网上行为特征包括：获取要投放广告的对象的当前网络流量数据；从所述当前网络流量数据中提取要投放广告的对象的网上行为特征，其中，所述网上行为特征包括以下至少之一：上网时间、访问商品数量、站内搜索行为、历史购买行为以及访问商品类别。

可选地，在将所述网上行为特征输入转化价格模型之前，还包括：获取多个历史对象在历史时间范围内的网上行为特征，以及所述多个历史对象的转化价格；采用所述多个历史对象在历史时间范围内的网上行为特征，以及所述多个历史对象的转化价格进行训练，得到所述转化价格模型。

可选地，在得到所述转化价格模型之后，还包括：获取所述转化价格模型的性能指标，其中，所述性能指标包括：均方差，其中，所述均方差为所述转化价格模型输出的预测价格与实际转化价格差距的平方；在所述性能指标达到预定性能指标的情况下，确定采用所述转化价格模型进行转化价格预测。

可选地，在由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格之后，还包括：依据所述转化价格，确定要投放的广告的竞标出价。

根据本发明实施例的另一方面，还提供了一种广告的转化价格预测装置，包括：第一获取模块，用于获取要投放广告的对象的网上行为特征；预测模块，用于将所述网上行为特征输入转化价格模型，由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格，其中，所述转化价格模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：网上行为特征和所述网上行为特征对应的要投放广告的对象的转化价格。

可选地，还包括：第二获取模块，用于获取所述转化价格模型的性能指标，其中，所述性能指标包括：均方差，其中，所述均方差为所述转化价格模型输出的预测价格与实际转化价格差距的平方；第一确定模块，用于在所述性能指标达到预定性能指标的情况下，确定采用所述转化价格模型进行转化价格预测。可选地，还包括：第二确定模块，用于依据所述转化价格，确定要投放的广告的竞标出价。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质存储有程序，其中，在所述程序被处理器运行时控制所述处理器执行上述中任意一项所述的广告的转化价格预测方法。

根据本发明实施例的另一方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有程序，所述处理器用于执行所述程序，所述程序运行时使得所述处理器执行上述中任意一项所述的广告的转化价格预测方法。

在本发明实施例中，采用获取要投放广告的对象的网上行为特征；将所述网上行为特征输入转化价格模型，由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格，其中，所述转化价格模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：网上行为特征和所述网上行为特征对应的要投放广告的对象的转化价格的方式，通过转化价格模型预测要投放广告的对象的转化价格，达到了利用转化价格，指导广告主出价的目的，从而实现了节约广告成本，使广告主的利润达到最大化的技术效果，进而解决了在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的广告的转化价格预测方法的流程图；

图2是根据本发明优选实施例的广告的转化价格预测方法的流程图；

图3是根据本发明实施例的广告的转化价格预测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种广告的转化价格预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的广告的转化价格预测方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取要投放广告的对象的网上行为特征；

步骤S104，将网上行为特征输入转化价格模型，由转化价格模型预测出与网上行为特征对应的要投放广告的对象的转化价格，其中，转化价格模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：网上行为特征和网上行为特征对应的要投放广告的对象的转化价格。

通过上述步骤，可以实现通过转化价格模型预测要投放广告的对象的转化价格，达到了利用转化价格，指导广告主出价的目的，由于考虑了投放广告的对象的网上行为特征，投放广告的对象的网上行为特征反映了对象的一定特征，例如，反映了对象的经济基础，或者反映了对象的消费水平等。因此，依据投放广告的对象的网上行为特征，获得针对对象的转化价格，在一定程度上提高了对象的转化率，实现广告依据对象的区别个性化投放，使广告主的投资回报率最大化的技术效果，进而解决了在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的技术问题。

作为一种可选的实施例，上述要投放广告的对象可以是有消费意向或者发生购买行为网络买家等互联网用户。网上行为特征为基于电商类广告主提供的网络平台，互联网用户的访问数据。例如，顾客通过移动终端浏览网页上的商品，将自己喜欢且有意愿购买的商品放入购物车中，最终该顾客从购物车中选择商品进行支付，完成交易。其中，电商类广告主，可以是电商平台，淘宝店铺，微店等等，还可以是一些推送产品的门户网站或者应用软件。需要说明的是，可以通过不同的方式获取要投放广告的对象的网上行为特征，比如，调用用户的历史访问记录，网络问卷调查等，但是在具体实施中，并不局限于上述所提及的方式。其中，网上行为特征可以根据不同的应用需求进行选择，比如，用户的上网时间、浏览时访问商品数量、站内搜索行为、历史购买行为以及访问商品类别等，这些网上行为特征均可以选取一种或者多种组合方式，以便于对电商访客或者互联网用户的历史行为进行有针对针对性的分析。当然，在具体实施中，网上行为特征并不局限于上述所举例说明的内容，在此不再一一赘述。

作为一种可选的实施例，上述转化价格模型可以是基于神经网络、向量机等模型构建的，同时通过机器学习的方式对构建的转化价格模型进行训练，其中，大量的用于训练的数据包括网上行为特征和网上行为特征对应的要投放广告的对象的转化价格，其中，上述训练数据来自发生购买行为的转化用户，以及未发生购买行为的未转化用户，对于转化用户，其对应的转化价格高低与该用户的消费水平高低是紧密关联的。一般情况下，消费水平较高的用户，转化价格也高；消费水平较低的用户，转化价格也低。另外，对于为未转化用户，该类用户只是浏览商品，视为有购买意向，并未发生购买行为，其对应的转化价格为零。通常情况下，消费水平较高的用户，一旦发生购买行为，就会给卖家带来巨大的收益，对于广告主而言也可以通过广告投放刺激用户的消费行为。因此，通过该转化价格模型，能够根据输入该模型的网上行为特征得到其对应的要投放广告的对象的转化价格。由于转化价格与消费水平呈正相关关系，既可以实现合理的分配电商广告主的预算，并能够提高投资回报率ROI(Return on Investment，简称为ROI)。

可选地，获取要投放广告的对象的网上行为特征包括：获取要投放广告的对象的当前网络流量数据；从当前网络流量数据中提取要投放广告的对象的网上行为特征，其中，网上行为特征包括以下至少之一：上网时间、访问商品数量、站内搜索行为、历史购买行为以及访问商品类别。

作为一种可选的实施例，上述当前网络流量数据为一段预设时间范围内的数据，比如，最近一周的网络流量数据，最近一个月的网络流量数据，还可以是最近半年的网络流量数据，其中，预设时间范围可以根据实际需要进行灵活调整。这些网络流量数据可以充分反馈在预设时间范围内用户的网上行为，例如，浏览了哪些商品、通过哪些关键搜索商品等等，可以获知用户的购买意愿以及购买行为等。

作为一种可选的实施例，可以从当前网络流量数据中提取要投放广告的对象的网上行为特征，例如，可以是上网时间、访问商品数量、站内搜索行为、历史购买行为以及访问商品类别等等。例如，用户访问某一电商平台的时间超过一定预定访问时间，可以是10分钟、30分钟等，则可以认为该用户对电商平台上的商品感兴趣；用户访问商品数量达到某一类或某一个商品数量预设值时，则认为用户对该类商品或者该商品有购买意愿；又比如，用户在电商平台的搜索框中使用过的搜索词，则用户比较关注搜索词对应的商品；以及用户购买行为，比如用户购买的商品，以及用户购买的时间等，进而可以根据该商品的可使用的时间，在超过可使用的时间后，向用户投放广告。还可以根据用户访问的商品进行分类，进而获知访问商品类别，例如，该商品是玩具、厨房用品等等。在具体实施过程中，并不仅仅局限于上述的网上行为特征，可以根据应用需求设置。通过提取网上行为特征可以充分了解要投放广告的对象的浏览商品、购买商品等操作行为，为后续投放广告提供有利的客观数据支持。

可选地，在将网上行为特征输入转化价格模型之前，还包括：获取多个历史对象在历史时间范围内的网上行为特征，以及多个历史对象的转化价格；采用多个历史对象在历史时间范围内的网上行为特征，以及多个历史对象的转化价格进行训练，得到转化价格模型。

作为一种可选的实施例，需要对构建的转化价格模型进行训练，其中，利用大量的训练数据对该模型进行训练。上述训练数据来源于多个历史对象，即训练数据包括每个历史对象在历史时间范围内的网上行为特征以及该历史对象的转化价格，利用上述训练数据通过机器学习进行训练，得到转化价格模型。需要说明的是，上述训练转化价格模型的训练数据是在预定历史时间范围内的，预定历史时间范围可以依据具体选择，不能太长也不能太短，预定历史时间范围过长则不能反映用户的近期的购买行为，预定历史时间范围过短，则可利用的用户购买行为的数据较少。因此，选择合适的预定历史时间范围使得这个模型的有效性增强，使得训练转化价格模型的使用范围更广，可靠性也得到了一定程度的提高。

可选地，在得到转化价格模型之后，还包括：获取转化价格模型的性能指标，其中，性能指标包括：均方差，其中，均方差为转化价格模型输出的预测价格与实际转化价格差距的平方；在性能指标达到预定性能指标的情况下，确定采用转化价格模型进行转化价格预测。

作为一种可选的实施例，为了保证转化价格模型预测转化价格的可靠性，需要对训练后的转化价格模型进行评估，在转化价格模型的性能指标满足预定性能指标的情况下，则可以使用该转化价格模型进行转化价格预测，反之，则不可以使用该转化价格模型进行转化价格预测。需要说明的是，在本发明优选的实施方式中，用于对转化价格模型进行评估的性能指标包括均方差，即转化价格模型输出的预测价格与实际转化价格差距的平方。当然，在具体实施中，可以根据应用场景的不同采用其他的性能指标对转化价格模型进行评估，从而更好的确保通过该模型预测转化价格的可靠性。针对不同的应用场景，比如用户的购物喜好、用户平均消费水平、电商平台商品类型等等，综合考虑各方面的影响设计预定性能指标，使得经过预定性能指标评估后的转化价格模型，满足不同的应用需求，提高预测转化价格的合理性。

可选地，在由转化价格模型预测出与网上行为特征对应的要投放广告的对象的转化价格之后，还包括：依据转化价格，确定要投放的广告的竞标出价。

作为一种可选的实施例，在获得转化价格后，可以以该转化价格作为依据，从而确定要投放的广告的竞标出价。例如，不同用户的消费水平也是不同，对于消费水平较高的用户，一旦发生购买行为，其转化价格通常也很高，而消费水平较低的用户，发生转化后的转化价格会相对较低。因此，可以根据转化价格获知用户的消费水平，针对不同消费水平的用户广告出价不同，高消费水平的用户广告出高价，低消费水平的用户广告出低价，这样可以合理的分配广告主的预算，并能够提高ROI(投资回报率)。

下面对本发明优选的实施方式进行说明。

图2是根据本发明优选实施例的广告的转化价格预测方法的流程图，如图2所示，该方法的具体实施步骤如下：

1.首先获取电商类广告主近一个月的网络流量数据，该网络流量数据包括用户的行为数据。

2.对用户过去一个月的行为数据做特征提取：上网时间，访问商品数量，站内搜索行为，历史购买行为等，用户访问的是哪些类别的商品等等。

3.对于转化和未转化用户，建立转化价格模型，并利用一定的指标，例如，均方误差MSE(Mean Square Error，简称为MSE)，在本发明优选的实施例中，MSE为预测价格与实际转化价格差距的平方，进而用来评估模型的性能。

4.在转化价格模型训练好之后，当线上实时来了流量之后，广告主可以调取当前流量的历史访问行为特征，并将特征放到训练好的模型中计算转化价格，对于转化价格较高的流量，广告主可较高的价格来竞得，对于转化价格较低或者接近0的流量，广告主可出低价。

在本发明优选的实施方式中，通过对电商访客的历史行为做分析，建立转化价格模型，实现高低价值用户动态出价，从而预测访客的转化价格，调整广告主的出价，对于高价值用户出高价，低价值用户出低价。另外，可以帮助电商类广告主更合理的出价，对于价值较高的用户，应该不惜代价对其投放广告，因为一旦用户发生转化，带来的利润会很大。对于价值较低的用户可以出低价或者不出价。这样可以合理的分配广告主的预算，并能够提高ROI(投资回报率)，既节约了广告成本，又使广告主的利润达到最大化。

图3是根据本发明实施例的广告的转化价格预测装置的结构示意图，如图3所示，该广告的转化价格预测装置包括：第一获取模块32和预测模块34。下面对该广告的转化价格预测装置进行详细说明。

第一获取模块32，用于获取要投放广告的对象的网上行为特征；预测模块34，连接至上述第一获取模块32，用于将网上行为特征输入转化价格模型，由转化价格模型预测出与网上行为特征对应的要投放广告的对象的转化价格，其中，转化价格模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：网上行为特征和网上行为特征对应的要投放广告的对象的转化价格。

通过上述实施方式，可以实现通过转化价格模型预测要投放广告的对象的转化价格，达到了利用转化价格，指导广告主出价的目的，从而实现了节约广告成本，使广告主的利润达到最大化的技术效果，进而解决了在相关技术中，存在预估的广告价格并不能实现投放对象的高转化率的技术问题。

可选地，还包括：第二获取模块，用于获取转化价格模型的性能指标，其中，性能指标包括：均方差，其中，均方差为转化价格模型输出的预测价格与实际转化价格差距的平方；第一确定模块，用于在性能指标达到预定性能指标的情况下，确定采用转化价格模型进行转化价格预测。可选地，还包括：第二确定模块，用于依据转化价格，确定要投放的广告的竞标出价。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质存储有程序，其中，在程序被处理器运行时控制处理器执行上述中任意一项的广告的转化价格预测方法。

根据本发明实施例的另一方面，还提供了一种计算机设备，包括存储器和处理器，存储器存储有程序，处理器用于执行程序，程序运行时使得处理器执行上述中任意一项的广告的转化价格预测方法。

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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或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(可为个人计算机、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步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种广告的转化价格预测方法，其特征在于，包括：

获取要投放广告的对象的网上行为特征；

将所述网上行为特征输入转化价格模型，由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格，其中，所述转化价格模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：网上行为特征和所述网上行为特征对应的要投放广告的对象的转化价格。

2.根据权利要求1所述的方法，其特征在于，获取要投放广告的对象的网上行为特征包括：

获取要投放广告的对象的当前网络流量数据；

从所述当前网络流量数据中提取要投放广告的对象的网上行为特征，其中，所述网上行为特征包括以下至少之一：上网时间、访问商品数量、站内搜索行为、历史购买行为以及访问商品类别。

3.根据权利要求1所述的方法，其特征在于，在将所述网上行为特征输入转化价格模型之前，还包括：

获取多个历史对象在历史时间范围内的网上行为特征，以及所述多个历史对象的转化价格；

采用所述多个历史对象在历史时间范围内的网上行为特征，以及所述多个历史对象的转化价格进行训练，得到所述转化价格模型。

4.根据权利要求3所述的方法，其特征在于，在得到所述转化价格模型之后，还包括：

获取所述转化价格模型的性能指标，其中，所述性能指标包括：均方差，其中，所述均方差为所述转化价格模型输出的预测价格与实际转化价格差距的平方；

在所述性能指标达到预定性能指标的情况下，确定采用所述转化价格模型进行转化价格预测。

5.根据权利要求1至4中任一项所述的方法，其特征在于，在由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格之后，还包括：

依据所述转化价格，确定要投放的广告的竞标出价。

6.一种广告的转化价格预测装置，其特征在于，包括：

第一获取模块，用于获取要投放广告的对象的网上行为特征；

预测模块，用于将所述网上行为特征输入转化价格模型，由所述转化价格模型预测出与所述网上行为特征对应的要投放广告的对象的转化价格，其中，所述转化价格模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：网上行为特征和所述网上行为特征对应的要投放广告的对象的转化价格。

7.根据权利要求6所述的装置，其特征在于，还包括：

第二获取模块，用于获取所述转化价格模型的性能指标，其中，所述性能指标包括：均方差，其中，所述均方差为所述转化价格模型输出的预测价格与实际转化价格差距的平方；

第一确定模块，用于在所述性能指标达到预定性能指标的情况下，确定采用所述转化价格模型进行转化价格预测。

8.根据权利要求6或7所述的装置，其特征在于，还包括：

第二确定模块，用于依据所述转化价格，确定要投放的广告的竞标出价。

9.一种存储介质，其特征在于，所述存储介质存储有程序，其中，在所述程序被处理器运行时控制所述处理器执行权利要求1至5中任意一项所述的广告的转化价格预测方法。

10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有程序，所述处理器用于执行所述程序，所述程序运行时使得所述处理器执行权利要求1至5中任意一项所述的广告的转化价格预测方法。