CN110866651B - 一种广告点击率预测方法 - Google Patents

Abstract

本发明公开了一种广告点击率预测方法，属于广告点击预测技术领域，通过把广告信息和点击真实需求进行分析，从而可以分析出用户点击广告的真实意图，通过把广告基础信息和广告被点击信息进行分类，然后进行属性确定，对属性的用户需求进行分析得到了用户点击广告的真实需求动机，并且在分析出需求后对需求进行分解，得到最底层需求，更好的了解用户点击广告的初衷，更好的覆盖所有的人员，使得预测的广告点击率更加准确，创新出一个新的预测思路，打破了传统的简单模型预测的方法。

Description

一种广告点击率预测方法

技术领域

本发明涉及广告点击预测技术领域，尤其涉及一种广告点击率预测方法。

背景技术

广告本身是向社会大众传递信息的宣传手段，也是许多公司的重要收入来源之一。随着互联网广告的不断发展，在巨大利润的驱动下，怎样提高广告投放带来的利润也成为了研究热点。通过对广告点击率进行预测，可以有效地判断一个用户对一个广告点击行为的可能性，从而对其进行定向的广告投放，有效地提高被投放广告的广告商的利润。目前广告投放大体上分为两种：基于内容的广告点投放和定向技术。

基于内容的广告投放实行内容匹配策略，即投放广告时以用户搜索的搜索词内容或浏览网页的内容为中心，将广告内容与搜索词内容或网页内容进行匹配并投放匹配的广告，这种投放方式对广告内容进行匹配，并没有考虑针对于不同用户进行精确个性化推荐，对不同用户来说，可能在搜索相同搜索词或浏览同一页面时看到的广告都是一样的，但这些广告并不一定是他们感兴趣的内容，这种投放方式效果较差。定向技术是一种在投放广告方面比较流行的技术，它利用历史数据对用户特征进行描述，然后根据用户特征向用户投放精确的广告，所以能够很好地提升用户的体验，所以目前较多的都是采用定向技术来进行广告投放。

现有的广告点击预测基本是通过把检测的数据进行通过深度学习模型机那里预测模型然后预测概率。这种概率的预测经常会根据深度学习模型的具体结构有关，还有前期数据的平滑处理，但是使用这种模型处理后预测的广告点击预测不能根据点击的原因进行预测，不能解决点击广告的深层次的动机，使得预测概率不够准确。

发明内容

本发明的目的在于提供一种广告点击率预测方法，解决现有广告点击率预测精度不够的技术问题。通过反向分析用户点击广告的原因，详细的根据用户群体进行分析，得到广义上的用户广告点击需求模型，然后根据需求模型再对广告进行预测，使得预测得更贱准确。

一种广告点击率预测方法，所述方法包括如下步骤：

步骤1：采集广告基础信息和广告被点击信息，通过API接口获取广告的基础信息，并通过时间戳收集广告的日志数据；

步骤2：对广告基础信息和广告被点击信息进行分类，得到分类信息，广告基础信息分类根据广告投放数据、广告素材信息、媒体信息和上下文信息这四个属性进行分类，广告被点击信息根据点击时间分布、点击区域分布和点击用户信息这三个属性进行分类；

步骤3：根据广告基础信息和广告被点击信息的分类信息进行构建点击与广告信息的映射模型，通过把每一个广告的被点击的信息与广告的基础信息进行映射，并汇总映射关系得到映射模型；

步骤4：根据映射模型分析出点击广告的需求，把广告被点击的信息输入神经网络模型输出广告被点击的信息的需求；

步骤5：分解需求得到子需求，并收集相关子需求信息并汇总得到子需求数据集；

步骤6：把步骤2中已经分类好的广告被点击信息进行分解得到子点击信息，广告被点击信息按照最小粒度进行分解得到子点击信息，直到所有的广告被点击信息不能再分，子点击信息之间彼此独立，子点击信息之间不能够有一样的功能信息和语义重叠的需求；

步骤7：把子点击信息与广告基础信息构建深度映射模型；

步骤8：根据深度映射模型分析出子点击信息的子需求集合；

步骤9：汇总子需求数据集和需求集合，构建子需求模型，并反向分析出子点击模型；

步骤10：根据子点击模型反向构建点击与广告信息模型，输入广告信息到点击与广告信息模型预测广告点击率结果。

进一步地，所述步骤2中对广告基础信息分类和广告被点击信息分类的具体过程为，对广告基础信息进行广告基础信息根据广告投放数据、广告素材信息、媒体信息和上下文信息四个属性检测广告基础信息的属性信息，然后把属性信息进行统计分类，得到广告基础信息分类信息，广告被点击信息根据点击时间分布极性统计每一次广告点击的时间分布，同时统计每一个的点击区域分布，收集点击用户信息，并对用户信息进行分类。

进一步地，所述步骤3的具体过程为：把每一次广告点击信息的属性分别列出数据库表格，然后把被点击的广告基础信息的属性信息存入另外一个数据库表格，然后把没一行的点击属性和信息属性建立时间、空间的二级映射关系，然后把所有的广告的所有点击日志数据的映射广西进行汇总，得到映射模型。

进一步地，所述步骤4的具体过程为：

把映射模型中的所有属性分别列出并一一输入金字塔网络模型，然后由神经网络模型输出每个属性的需求；

神经网络模型由克隆网络、属性特征网络和分类定位输出网络组成，克隆网络由两个VGG构成的子网组成，两个VGG构成的子网共享相同的参数，两个VGG构成的子网用于分别对形成映射关系的信息属性和点击属性的特征进行提取，克隆网络完成信息属性和点击属性的特征提取后，分别获得不同尺度的信息特征层和点击特征层，从不同层次和不同尺度的特征层中抽取10层特征，用于构建属性特征网络；

属性特征网络构建完成后，与分类定位并行输出网络结合，用于对模型的信息需求实时定位和跟踪，分类定位并行输出网络由候选框子网、分类器子网和定位回归子网组成，候选框子网、分类器子网和定位回归子网分别生成候选框、置信度和坐标偏移量，且分类器子网和定位回归子网并行执行；

两个VGG构成的子网为信息子网和点击子网，分别对信息属性和点击属性进行特征提取，并共享相同的权重和偏置，信息子网和点击子网均是由十一层卷积层构成，十一层卷积层分别是：第一层由2个卷积单元构成，第二层由2个卷积单元构成，第三层由3个卷积单元构成，第四层由3个卷积单元构成，第五层由3个卷积单元构成，第六层由1个卷积单元构成，第七层由1个卷积单元构成，第八层由2个卷积单元构成，第九层由2个卷积单元构成，第十层由2个卷积单元构成，第十一层由2个卷积单元构成。

进一步地，所述步骤5的具体过程为：

基于UML的用例图描述属性的需求，对每个需求分解到最小粒度的需求元，直到所有需求都不能再分，得到的需求元之间彼此独立，需求元之间不能够有一样的需求信息和语义重叠的需求；

需求元之间应满足以下数学关系：

r_i∩r_j＝(i,j＝1,...,n,i≠j)

式中，R表示一个需要划分的上级需求，r₁，r₂，r₃，···，r_i，···，r_n代表分解后得到的n个需求元，按此得到子需求数据集。

进一步地，所述步骤7中的具体过程为：

把点击时间信息、点击区域信息和点击用户信息进行细化分解，把每一次点击设置成动态点动动画，即每一次的点击均是一个动态响应，然后把动态响应与广告基础信息进行匹配，每个动态响应涉及到的广告基础信息均进行统一分类收集，构成基于广告基础信息的点击动态响应，构成深度映射模型。

进一步地，所述步骤8的具体过程为：以每一次的动态响应作为基础客体，然后根据基础客体寻找子需求集，然后把所有的子需求集极性汇总得到子需求集合。

进一步地，所述步骤9中，反向分析出子点击模型的具体过程为：把子需求模型内的每个子需求进行分类得到分类属性需求模型，然后假设一个广告场景，将分类属性需求模型融入广告场景内得到广告点击的动态模型，人后从广告点击的动态模型分析出每个属性所对应点击汇总的子点击模型。

本发明采用了上述技术方案，本发明具有以下技术效果：

本发明通过把广告信息和点击真实需求进行分析，从而可以分析出用户点击广告的真实意图，通过把广告基础信息和广告被点击信息进行分类，然后进行属性确定，对属性的用户需求进行分析得到了用户点击广告的真实需求动机，并且在分析出需求后对需求进行分解，得到最底层需求，更好的了解用户点击广告的初衷，更好的覆盖所有的人员，使得预测的广告点击率更加准确，创新出一个新的预测思路，打破了传统的简单模型预测的方法。

附图说明

图1是本发明方法流程图。

图2是本发明广告基础信息分类的原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

如图1所示，本发明一种广告点击率预测方法，所述方法包括如下步骤：

步骤1：采集广告基础信息和广告被点击信息，通过API接口获取广告的基础信息，并通过时间戳收集广告的日志数据。API接口通过系统提供接口，然后直接获取发布的广告信息。广告的日志数据为广告被点击的时间信息、预览信息等，同时在点击时通过日志数据可以获取用户的具体信息，地址等。

步骤2：如图2所示，对广告基础信息和广告被点击信息进行分类，得到分类信息，广告基础信息分类根据广告投放数据、广告素材信息、媒体信息和上下文信息这四个属性进行分类，广告被点击信息根据点击时间分布、点击区域分布和点击用户信息这三个属性进行分类。

广告基础信息分类和广告被点击信息分类的具体过程为，对广告基础信息进行广告基础信息根据广告投放数据、广告素材信息、媒体信息和上下文信息四个属性检测广告基础信息的属性信息，然后把属性信息进行统计分类，得到广告基础信息分类信息，广告被点击信息根据点击时间分布极性统计每一次广告点击的时间分布，同时统计每一个的点击区域分布，收集点击用户信息，并对用户信息进行分类。

比如从广告投放数据进行分析，广告为游戏广告、商品推销广告、品牌推广或者服务行业等的广告素材信息属性。广告素材信息有图片、动画或者语音等，或者是相互的组合。

广告被点击信息的点击用户信息属性有少年、中年、老年，然后在细分后少年点击的动机为真实了解或者无意点击到的等，同时从少年的消费水平或者文化水平等进行细分。

步骤3：根据广告基础信息和广告被点击信息的分类信息进行构建点击与广告信息的映射模型，通过把每一个广告的被点击的信息与广告的基础信息进行映射，并汇总映射关系得到映射模型。把每一次广告点击信息的属性分别列出数据库表格，然后把被点击的广告基础信息的属性信息存入另外一个数据库表格，然后把没一行的点击属性和信息属性建立时间、空间的二级映射关系，然后把所有的广告的所有点击日志数据的映射广西进行汇总，得到映射模型。

映射模型为一个属性映射属性的关系链，明确指明了点击动作与背后的需求实际，从更好的反应用户的点击广告的真实意图。

步骤4：根据映射模型分析出点击广告的需求，把广告被点击的信息输入神经网络模型输出广告被点击的信息的需求。

把映射模型中的所有属性分别列出并一一输入金字塔网络模型，然后由神经网络模型输出每个属性的需求。

神经网络模型由克隆网络、属性特征网络和分类定位输出网络组成，克隆网络由两个VGG构成的子网组成，两个VGG构成的子网共享相同的参数，两个VGG构成的子网用于分别对形成映射关系的信息属性和点击属性的特征进行提取，克隆网络完成信息属性和点击属性的特征提取后，分别获得不同尺度的信息特征层和点击特征层，从不同层次和不同尺度的特征层中抽取10层特征，用于构建属性特征网络。

属性特征网络构建完成后，与分类定位并行输出网络结合，用于对模型的信息需求实时定位和跟踪，分类定位并行输出网络由候选框子网、分类器子网和定位回归子网组成，候选框子网、分类器子网和定位回归子网分别生成候选框、置信度和坐标偏移量，且分类器子网和定位回归子网并行执行。

两个VGG构成的子网为信息子网和点击子网，分别对信息属性和点击属性进行特征提取，并共享相同的权重和偏置，信息子网和点击子网均是由十一层卷积层构成，十一层卷积层分别是：第一层由2个卷积单元构成，第二层由2个卷积单元构成，第三层由3个卷积单元构成，第四层由3个卷积单元构成，第五层由3个卷积单元构成，第六层由1个卷积单元构成，第七层由1个卷积单元构成，第八层由2个卷积单元构成，第九层由2个卷积单元构成，第十层由2个卷积单元构成，第十一层由2个卷积单元构成。

步骤5：分解需求得到子需求，并收集相关子需求信息并汇总得到子需求数据集。基于UML的用例图描述属性的需求，对每个需求分解到最小粒度的需求元，直到所有需求都不能再分，得到的需求元之间彼此独立，需求元之间不能够有一样的需求信息和语义重叠的需求；

需求元之间应满足以下数学关系：

r_i∩r_j＝(i,j＝1,...,n,i≠j)

式中，R表示一个需要划分的上级需求，r₁，r₂，r₃，···，r_i，···，r_n代表分解后得到的n个需求元，按此得到子需求数据集。

步骤6：把步骤2中已经分类好的广告被点击信息进行分解得到子点击信息，广告被点击信息按照最小粒度进行分解得到子点击信息，直到所有的广告被点击信息不能再分，子点击信息之间彼此独立，子点击信息之间不能够有一样的功能信息和语义重叠的需求。

步骤7：把子点击信息与广告基础信息构建深度映射模型。把点击时间信息、点击区域信息和点击用户信息进行细化分解，把每一次点击设置成动态点动动画，即每一次的点击均是一个动态响应，然后把动态响应与广告基础信息进行匹配，每个动态响应涉及到的广告基础信息均进行统一分类收集，构成基于广告基础信息的点击动态响应，构成深度映射模型。

步骤8：根据深度映射模型分析出子点击信息的子需求集合。以每一次的动态响应作为基础客体，然后根据基础客体寻找子需求集，然后把所有的子需求集极性汇总得到子需求集合。

步骤9：汇总子需求数据集和需求集合，构建子需求模型，并反向分析出子点击模型。反向分析出子点击模型的具体过程为：把子需求模型内的每个子需求进行分类得到分类属性需求模型，然后假设一个广告场景，将分类属性需求模型融入广告场景内得到广告点击的动态模型，人后从广告点击的动态模型分析出每个属性所对应点击汇总的子点击模型。

步骤10：根据子点击模型反向构建点击与广告信息模型，输入广告信息到点击与广告信息模型预测广告点击率结果。通过把广告基础信息和广告被点击信息进行分类，然后进行属性确定，对属性的用户需求进行分析得到了用户点击广告的真实需求动机，并且在分析出需求后对需求进行分解，得到最底层需求，更好的了解用户点击广告的初衷，更好的覆盖所有的人员，使得预测的广告点击率更加准确，创新出一个新的预测思路，打破了传统的简单模型预测的方法。

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，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种广告点击率预测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集广告基础信息和广告被点击信息，通过API接口获取广告的基础信息，并通过时间戳收集广告的日志数据；

步骤2：对广告基础信息和广告被点击信息进行分类，得到分类信息，广告基础信息分类根据广告投放数据、广告素材信息、媒体信息和上下文信息这四个属性进行分类，广告被点击信息根据点击时间分布、点击区域分布和点击用户信息这三个属性进行分类；

步骤3：根据广告基础信息和广告被点击信息的分类信息进行构建点击与广告信息的映射模型，通过把每一个广告的被点击的信息与广告的基础信息进行映射，并汇总映射关系得到映射模型；

步骤4：根据映射模型分析出点击广告的需求，把广告被点击的信息输入神经网络模型输出广告被点击的信息的需求；

步骤5：分解需求得到子需求，并收集相关子需求信息并汇总得到子需求数据集；

步骤6：把步骤2中已经分类好的广告被点击信息进行分解得到子点击信息，广告被点击信息按照最小粒度进行分解得到子点击信息，直到所有的广告被点击信息不能再分，子点击信息之间彼此独立，子点击信息之间不能够有一样的功能信息和语义重叠的需求；

步骤7：把子点击信息与广告基础信息构建深度映射模型；

步骤8：根据深度映射模型分析出子点击信息的子需求集合；

步骤9：汇总子需求数据集和需求集合，构建子需求模型，并反向分析出子点击模型；

步骤10：根据子点击模型反向构建点击与广告信息模型，输入广告信息到点击与广告信息模型预测广告点击率结果。

2.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤2中对广告基础信息分类和广告被点击信息分类的具体过程为，对广告基础信息进行广告基础信息根据广告投放数据、广告素材信息、媒体信息和上下文信息四个属性检测广告基础信息的属性信息，然后把属性信息进行统计分类，得到广告基础信息分类信息，广告被点击信息根据点击时间分布极性统计每一次广告点击的时间分布，同时统计每一个的点击区域分布，收集点击用户信息，并对用户信息进行分类。

3.根据权利要求2所述的一种广告点击率预测方法，其特征在于：所述步骤3的具体过程为：把每一次广告点击信息的属性分别列出数据库表格，然后把被点击的广告基础信息的属性信息存入另外一个数据库表格，然后把没一行的点击属性和信息属性建立时间、空间的二级映射关系，然后把所有的广告的所有点击日志数据的映射广西进行汇总，得到映射模型。

4.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤4的具体过程为：

把映射模型中的所有属性分别列出并一一输入金字塔网络模型，然后由神经网络模型输出每个属性的需求；

神经网络模型由克隆网络、属性特征网络和分类定位输出网络组成，克隆网络由两个VGG构成的子网组成，两个VGG构成的子网共享相同的参数，两个VGG构成的子网用于分别对形成映射关系的信息属性和点击属性的特征进行提取，克隆网络完成信息属性和点击属性的特征提取后，分别获得不同尺度的信息特征层和点击特征层，从不同层次和不同尺度的特征层中抽取10层特征，用于构建属性特征网络；

属性特征网络构建完成后，与分类定位并行输出网络结合，用于对模型的信息需求实时定位和跟踪，分类定位并行输出网络由候选框子网、分类器子网和定位回归子网组成，候选框子网、分类器子网和定位回归子网分别生成候选框、置信度和坐标偏移量，且分类器子网和定位回归子网并行执行；

两个VGG构成的子网为信息子网和点击子网，分别对信息属性和点击属性进行特征提取，并共享相同的权重和偏置，信息子网和点击子网均是由十一层卷积层构成，十一层卷积层分别是：第一层由2个卷积单元构成，第二层由2个卷积单元构成，第三层由3个卷积单元构成，第四层由3个卷积单元构成，第五层由3个卷积单元构成，第六层由1个卷积单元构成，第七层由1个卷积单元构成，第八层由2个卷积单元构成，第九层由2个卷积单元构成，第十层由2个卷积单元构成，第十一层由2个卷积单元构成。

5.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤5的具体过程为：

基于UML的用例图描述属性的需求，对每个需求分解到最小粒度的需求元，直到所有需求都不能再分，得到的需求元之间彼此独立，需求元之间不能够有一样的需求信息和语义重叠的需求；

需求元之间应满足以下数学关系：

式中，R表示一个需要划分的上级需求，r₁，r₂，r₃，···，r_i，···，r_n代表分解后得到的n个需求元，按此得到子需求数据集。

6.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤7中的具体过程为：

把点击时间信息、点击区域信息和点击用户信息进行细化分解，把每一次点击设置成动态点动动画，即每一次的点击均是一个动态响应，然后把动态响应与广告基础信息进行匹配，每个动态响应涉及到的广告基础信息均进行统一分类收集，构成基于广告基础信息的点击动态响应，构成深度映射模型。

7.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤8的具体过程为：以每一次的动态响应作为基础客体，然后根据基础客体寻找子需求集，然后把所有的子需求集极性汇总得到子需求集合。

8.根据权利要求1所述的一种广告点击率预测方法，其特征在于：所述步骤9中，反向分析出子点击模型的具体过程为：把子需求模型内的每个子需求进行分类得到分类属性需求模型，然后假设一个广告场景，将分类属性需求模型融入广告场景内得到广告点击的动态模型，人后从广告点击的动态模型分析出每个属性所对应点击汇总的子点击模型。

Images