CN111028005B - 广告展示方法、装置 - Google Patents

Abstract

本申请提供了一种广告展示方法、装置。该方法包括获取广告集合，所述广告集合中包括多个广告；将所述广告集合输入到校准模型中，生成多个广告的排序，所述校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的；基于所述排序确定待展示的广告，使校准模型能够获得在训练时取得的线下广告数据的特征，使校准模型在使用时取得的线上广告数据的特征，使校准模型能够更加准确的基于其获得的广告数据的特征对后续的广告进行预测，从而使校准模型能够合理的对广告进行排序。再基于排序确定待展示的广告，从而合理的解决了广告展示中的排序问题。

Description

广告展示方法、装置

技术领域

本申请涉及互联网领域，特别涉及一种广告展示方法、装置。

背景技术

目前，广告收入已成为许多互联网公司营收的重要组成部分。互联网公司在展示广告时，如果排序在前的广告不够有吸引力，用户往往就不再继续浏览排序在后的广告，从而互联网公司的用户会逐渐流失。因此，找到一种能够合理解决广告展示中的排序问题的方法，是亟待解决的问题。

发明内容

本申请旨在提供一种广告展示方法、装置，能够合理解决广告展示中的排序问题。

根据本申请实施例的一个方面，提供了一种广告展示方法，包括：获取广告集合，所述广告集合中包括多个广告；将所述广告集合输入到校准模型中，生成多个广告的排序，所述校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的；基于所述排序确定待展示的广告。

根据本申请实施例的一个方面，提供了一种广告展示装置，包括：获取模块，用于获取广告集合，所述广告集合中包括多个广告；排序模块，用于将所述广告集合输入到校准模型中，生成多个广告的排序，所述校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的；展示模块，用于基于所述排序确定待展示的广告。

在本申请的一些实施例中，基于前述方案，所述广告展示装置还包括：模型生成模块，用于使用所述线下广告数据进行训练得到初始模型；将实时的广告输入所述初始模型中以获取所述线上广告数据；通过所述线上广告数据对所述初始模型进行校准以生成所述校准模型。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：确定所述线上广告数据的稳定系数；若所述稳定系数未达到阈值，则通过所述线上广告数据对所述初始模型进行校准以生成所述校准模型。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：确定所述线上广告数据中广告预估转化率的稳定系数。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：获取所述线下广告数据的稳定系数，根据所述线下广告数据的稳定系数确定所述阈值。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：对所述线上广告数据进行校正处理；使用校正后的所述线上广告数据对所述初始模型进行校准以生成所述校准模型。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：将所述线上广告数据乘以校正系数以进行所述校正处理。

在本申请的一些实施例中，基于前述方案，所述模型生成模块配置为：获取所述线上广告数据对应的时间，根据所述线上广告数据对应的时间获取与所述线上广告数据对应的时间相应的校正系数。

在本申请的一些实施例中，基于前述方案，所述排序模块配置为：将所述广告集合输入到所述校准模型中，得到所述校准模型输出的所述多个广告的预估转化率；获取所述多个广告的行为出价、所述多个广告的预估点击率；基于所述多个广告的预估转化率、所述广告的行为出价、所述多个广告的预估点击率确定所述多个广告的排序。

根据本申请实施例的一个方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行上任一项所述的方法。

根据本申请实施例的一个方面，提供了一种电子装置，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上任一项所述的方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

在本申请的一些实施例所提供的技术方案中，通过获取广告集合，广告集合中包括多个广告，对多个广告进行排序处理。先将广告集合输入到校准模型中，生成多个广告的排序，校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的。通过使用线下广告数据训练，使校准模型能够获得在训练时使用的线下广告数据的特征；通过使用线上广告数据校准，使校准模型能够获得在使用过程中取得的线上广告数据的特征，从而使校准模型中既携带线下广告数据的特征，又携带使用过程中取得的广告数据的特征，使校准模型能够更加准确的基于其获得的广告数据的特征对后续的广告进行预测，从而使校准模型能够合理的对广告进行排序。再基于排序确定待展示的广告，从而合理的解决了广告展示中的排序问题。

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的，并不能限制本申请。

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，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。

图1A示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图1B示出了可以应用本申请一个实施例的技术方案的数据共享系统的示意图；

图1C示出了可以应用本申请一个实施例的区块链所在的节点存储程序行为数据的示意图；

图2示意性示出了根据本申请的一个实施例的广告展示方法的流程图；

图3示意性示出了根据本申请的一个实施例的广告展示方法中的校准模型的生成过程的流程图；

图4示意性示出了根据本申请的一个实施例的使用五天内的实时广告得到校准模型的过程的流程图；

图5给出了本申请一个实施例的模型上线过程的示意图；

图6给出了本申请的一个实施例的通过线上广告数据对初始模型进行校准以生成校准模型的过程的示意图；

图7给出了本申请的一个实施例的估计H5中广告的转化率时偏差的走势图示意图；

图8示意性示出了根据本申请的一个实施例的广告展示装置的框图；

图9是根据一示例性实施例示出的一种电子装置的硬件图。

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申请将更加全面和完整，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。

此外，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例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有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方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1A示出了可以应用本申请实施例的技术方案的示例性系统架构100的示意图。

如图1A所示，系统架构100A可以包括终端设备101A(终端设备可以为智能手机、平板电脑、便携式计算机、台式计算机中的一种或多种)、网络102A和服务器103A。网络102A用以在终端设备101A和服务器103A之间提供通信链路的介质。网络102A可以包括各种连接类型，例如有线通信链路、无线通信链路等等。

应该理解，图1A中的终端设备101A、网络102A和服务器103A的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备101A、网络102A和服务器103A。比如服务器103A可以是多个服务器组成的服务器集群等。

在本申请的一个实施例中，服务器103A通过获取广告集合，广告集合中包括多个广告，对多个广告进行排序处理。先将广告集合输入到校准模型中，生成多个广告的排序，校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的。通过使用线下广告数据训练，使校准模型能够获得在训练开始之前取得的广告数据的特征；通过使用线上广告数据校准，使校准模型能够获得在使用过程中取得的广告数据的特征，从而使校准模型中既携带训练开始之前取得的广告数据的特征，又携带使用过程中取得的广告数据的特征，使校准模型能够更加准确的基于其获得的广告数据的特征对后续的广告进行预测，从而使校准模型能够合理的对广告进行排序。再基于排序确定待展示的广告，从而合理的解决了广告展示中的排序问题。

需要说明的是，本申请实施例所提供的广告展示方法一般由服务器103A执行，相应地，广告展示装置一般设置于服务器103A中。但是，在本申请的其它实施例中，终端设备101A也可以与服务器103A具有相似的功能，从而执行本申请实施例所提供的广告展示方法。

图1B示出了可以应用本发明实施例的技术方案的示例性数据共享系统100B的示意图。

参见图1A所示的数据共享系统100B，数据共享系统100B是指用于进行节点与节点之间数据共享的系统，该数据共享系统中可以包括多个节点101B，多个节点101B可以是指数据共享系统中的多个终端设备101A，多个节点101B也可以是指数据共享系统中的服务器103A。每个节点101B在进行正常工作可以接收到输入信息，并基于接收到的输入信息维护该数据共享系统内的共享数据。为了保证数据共享系统内的信息互通，数据共享系统中的每个节点之间可以存在信息连接，节点之间可以通过上述信息连接进行信息传输。例如，当数据共享系统中的任意节点接收到输入信息时，数据共享系统中的其他节点便根据共识算法获取该输入信息，将该输入信息作为共享数据中的数据进行存储，使得数据共享系统中全部节点上存储的数据均一致。

对于数据共享系统中的每个节点，均具有与其对应的节点标识，而且数据共享系统中的每个节点均可以存储有数据共享系统中其他节点的节点标识，以便后续根据其他节点的节点标识，将生成的区块广播至数据共享系统中的其他节点。每个节点中可维护一个如下表所示的节点标识列表，将节点名称和节点标识对应存储至该节点标识列表中。其中，节点标识可为IP(Internet Protocol，网络之间互联的协议)地址以及其他任一种能够用于标识该节点的信息，表1中仅以IP地址为例进行说明。

节点名称	节点标识
		节点1	117.114.151.174
节点2	117.116.189.145
		…	…
节点N	119.123.789.258

表1

数据共享系统中的每个节点均存储一条相同的区块链。区块链由多个区块组成，参见图1B，区块链由多个区块组成，创始块中包括区块头和区块主体，区块头中存储有输入信息特征值、版本号、时间戳和难度值，区块主体中存储有输入信息；创始块的下一区块以创始块为父区块，下一区块中同样包括区块头和区块主体，区块头中存储有当前区块的输入信息特征值、父区块的区块头特征值、版本号、时间戳和难度值，并以此类推，使得区块链中每个区块中存储的区块数据均与父区块中存储的区块数据存在关联，保证了区块中输入信息的安全性。

在生成区块链中的各个区块时，参见图1C，区块链所在的节点在接收到输入信息时，对输入信息进行校验，完成校验后，将输入信息存储至内存池中，并更新其用于记录输入信息的哈希树；之后，将更新时间戳更新为接收到输入信息的时间，并尝试不同的随机数，多次进行特征值计算，使得计算得到的特征值可以满足下述公式：

SHA256(SHA256(version+prev_hash+merkle_root+ntime+nbits+x))＜TARGET

其中，SHA256为计算特征值所用的特征值算法；version(版本号)为区块链中相关区块协议的版本信息；prev_hash为当前区块的父区块的区块头特征值；merkle_root为输入信息的特征值；ntime为更新时间戳的更新时间；nbits为当前难度，在一段时间内为定值，并在超出固定时间段后再次进行确定；x为随机数；TARGET为特征值阈值，该特征值阈值可以根据nbits确定得到。

这样，当计算得到满足上述公式的随机数时，便可将信息对应存储，生成区块头和区块主体，得到当前区块。随后，区块链所在节点根据数据共享系统中其他节点的节点标识，将新生成的区块分别发送给其所在的数据共享系统中的其他节点，由其他节点对新生成的区块进行校验，并在完成校验后将新生成的区块添加至其存储的区块链中。

数据共享系统100B中存储的输入信息可以是广告、广告集合、线下广告数据或线上广告数据等。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示意性示出了根据本申请的一个实施例的广告展示方法的流程图，该广告展示方法的执行主体可以是服务器，比如可以是图1A中所示的服务器103A。

参照图2所示，该广告展示方法至少包括步骤S210至步骤S230，详细介绍如下：

在步骤S210中，获取广告集合，广告集合中包括多个广告。

在本申请的一个实施例中，可以获取一个或多个广告集合，每个广告集合中可以包括一个或多个广告，可以将每个广告集合作为一个整体，根据每个广告集合中的一个或多个广告确定待展示的广告集合。

在步骤S220中，将广告集合输入到校准模型中，生成多个广告的排序，校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的。

在本申请的一个实施例中，将广告集合输入到校准模型中后，校准模型可以直接输出广告集合中多个广告的排序结果。

在本申请的一个实施例中，可以将广告集合输入到校准模型中，得到校准模型输出的多个广告的预估转化率(pCVR，Predicted Conversion Rate)，可以根据多个广告的预估转化率的大小对多个广告进行排序。其中，转化是指通过该广告发生激活、注册、下单、购买等行为成为该广告中产品的顾客，广告的pCVR是指预估通过该广告发生转化的次数占该广告的点击次数的比例。

在本申请的一个实施例中，可以根据多个广告的pCVR计算多个广告的千次广告展示可以获得的广告收入(eCPM，effective cost per mille)，根据eCPM对多个广告进行排序。

在本申请的一个实施例中，得到校准模型输出的多个广告的预估转化率后，还可以获取多个广告的行为出价(CPA，Cost PerAction)、多个广告的预估点击率(pCTR，Predict Click-Through Rate)，基于多个广告的预估转化率、广告的行为出价、多个广告的预估点击率确定多个广告的排序，其中，广告的CPA是指广告主愿意为广告花费的钱的金额。

在本申请的一个实施例中，可以根据多个广告的pCVR、CPA、pCTR计算多个广告的eCPM，根据eCPM对多个广告进行排序。

在本申请的一个实施例中，可以根据公式eCPM＝pCVR*CPA*pCTR*1000

计算每个广告的eCPM。

继续参照图2，在步骤S230中，基于排序确定待展示的广告。

在本申请的一个实施例中，可以基于多个广告的排序确定待展示的广告顺序。

在本申请的一个实施例中，可以基于多个广告的排序在多个广告中挑选哪些广告能够被展示。

在本申请的一个实施例中，可以基于多个广告的排序确定待展示的广告所占的展示面积、待展示广告的展示方式等。

在本申请的一个实施例中，展示广告的平台可以基于多个广告的排序确定广告定价，广告主可以基于多个广告的排序确定出价。

在图2所示的实施例中，通过获取广告集合，广告集合中包括多个广告，对多个广告进行排序处理。先将广告集合输入到校准模型中，生成多个广告的排序，校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的。通过使用线下广告数据训练，使校准模型能够获得在训练时使用的线下广告数据的特征；通过使用线上广告数据校准，使校准模型能够获得在使用过程中取得的线上广告数据的特征，从而使校准模型中既携带线下广告数据的特征，又携带使用过程中取得的广告数据的特征，使校准模型能够更加准确的基于其获得的广告数据的特征对后续的广告进行预测，从而使校准模型能够合理的对广告进行排序。再基于排序确定待展示的广告，从而合理的解决了广告展示中的排序问题。

参照图3所示，本申请中广告展示方法中的校准模型可以通过步骤S310至步骤S330生成，得到该校准模型的执行主体可以是服务器，比如可以是图1A中所示的服务器103A。

在步骤S310中，使用线下广告数据对机器学习模型进行训练得到初始模型。

在本申请的一个实施例中，广告数据可以包括广告、pCVR、CPA、广告的优化行为出价(oCPA，Optimized Cost Per Action)、pCTR、CVR(广告转化率，Conversion Rate)、CTR(广告点击率，Click-Through Rate)等，其中，广告的oCPA是指广告主愿意为广告的优化目标花费的钱的金额。

在本申请的一个实施例中，线下广告数据包括已经获得的广告数据。可以包括在训练初始模型之前的时间段内获得的所有广告数据。

在本申请的一个实施例中，可以获取在训练初始模型之前的时间段内的广告和在训练初始模型之前的时间段内的广告的pCVR、CPA、oCPA、pCTR、CVR、CTR等，作为线下广告数据。

在本申请的一个实施例中，机器学习模型可以是LR模型(Logistic Regression，逻辑回归模型)、SVM模型(Support Vector Machine，支持向量机模型)、FM模型(Factorization Machine，因子分解机模型)、GBDT模型(Gradient Boosting DecisionTree，梯度提升决策树模型)、DNN模型(Deep Neural Networks，深度神经网络模型)等。

在本申请的一个实施例中，初始模型可以为广告进行排序，初始模型的输出结果可以是广告的排序。

在本申请的一个实施例中，初始模型可以输出广告的预估转化率，进而根据广告的转化率对广告进行排序。

在本申请的一个实施例中，初始模型可以输出广告的pCVR、CPA、pCTR，进而根据广告的pCVR、CPA、pCTR对广告进行排序。

在本申请的一个实施例中，可以采用初始模型训练之前能够获得的所有广告数据作为线下广告数据。若校准模型的输出结果是pCVR时，可以获取线下广告数据中的广告和广告的CVR，每一广告对应的CVR已知。将广告输入机器学习模型，获取机器学习模型输出的pCVR，将机器学习模型输出的pCVR与该广告的CVR比较，如果不一致，则调整机器学习模型，直到机器学习模型输出的pCVR与该广告的CVR一致。

继续参照图3，在步骤S320中，将实时的广告输入初始模型中以获取线上广告数据。

在本申请的一个实施例中，实时的广告可以为时间在线下广告数据之后且在获取广告集合之前的时间段内需要排序的广告。

在本申请的一个实施例中，实时的广告可以包括需要进行排序展示的广告集合中的部分广告，即使用初始模型处理广告集合中的部分广告的排序。

在本申请的一个实施例中，实时的广告可以包括广告集合在进行排序时首先输入校准模型中的部分广告。

在本申请的一个实施例中，线上广告数据可以包括将实时的广告输入初始模型后，初始模型输出的广告数据。

在本申请的一个实施例中，线上广告数据可以包括使用初始模型为实时的广告进行排序时获得的广告数据。

在本申请的一个实施例中，可以采用初始模型训练完成后一天内、两天内、三天内等需要的时间段内的实时广告获取线上广告数据。

在步骤S330中，通过线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一个实施例中，可以使用初始模型处理广告集合中的部分广告的排序获得的线上广告数据对初始模型进行校准。

在图3的实施例中，通过使用实时广告获得的线上广告数据对初始模型进行校准，即使用初始模型在应用过程中实时获得的真实数据对初始模型进行校准，可以使得到的校准模型更加准确。相比于从线下广告数据中分割出部分数据对初始模型进行校准，本申请中用于训练初始模型的线下广告数据没有被分割，线下广告数据完整性好、及时性高，得到的初始模型更加准确；使用线上广告数据校准初始模型，避免使用线下广告数据进行校准产生的数据穿越问题，使得到的校准模型更加准确。

在本申请的一个实施例中，可以采用初始模型训练完成后五天内的实时广告获取线上广告数据。使用五天内的实时广告得到校准模型的过程可以包括如图4所示的步骤S410至S440:

在步骤S410中，使用第一时刻之前的训练数据对机器学习模型进行训练得到初始模型；

在步骤S420中，从第一时刻向初始模型中输入实时广告，直至五天后的第二时刻；

在步骤S430中，在第二时刻获取第一时刻至第二时刻的时间段内的实时广告对应的线上广告数据；

在步骤S440中，使用线上广告数据对初始模型进行校准得到校准模型。

在该实施例中，初始模型的输出结果可以是广告数据的预估值，线上广告数据和线下广告数据的输出结果是广告数据的真实值。在第五天对线上广告数据进行统计，可以使得到的广告数据更加稳定，也能保证广告数据的及时性。

图4中得到标准模型的过程的示意图可以如图5所示，图5给出了本申请一个实施例的模型上线过程的示意图。初始模型在第一时刻上线，校准模型在第二时刻校准后上线。其中第一时刻至第二时刻之间是线上广告数据的回流窗口，能够使得到的线上广告数据更加稳定。

在本申请的一个实施例中，如图3所示的步骤S330中，通过线上广告数据对初始模型进行校准以生成校准模型的过程，可以如图6所示的步骤S610至S620，详细介绍如下：

在步骤S610中，确定线上广告数据的稳定系数。

在本申请的一个实施例中，可以根据广告数据随着时间变化而产生的变化来确定广告数据的稳定系数。

在本申请的一个实施例中，可以根据广告数据随着广告种类变化而产生的变化来确定广告数据的稳定系数。

在本申请的一个实施例中，广告种类可以包括广告内容的种类、广告形式的种类等。

在本申请的一个实施例中，可以计算线上广告数据的方差，根据线上广告数据的方差确定线上广告数据的稳定系数。

在本申请的一个实施例中，可以将线上广告数据的方差作为线上广告数据的稳定系数。

在本申请的一个实施例中，可以将线上广告数据对应的时间长度划分为多个时间段，根据多个时间段内的广告数据的平均值的变化大小来确定线上广告数据的稳定系数。

在步骤S620中，若稳定系数未达到阈值，则通过线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一个实施例中，若稳定系数未达到阈值，可以确认线上广告数据的稳定性不符合要求，可以确认线上广告数据不够稳定，可以确认初始模型在处理实时广告任务时不符合要求，因此，采用实时广告产生的线上广告数据对初始模型进行校准得到的校准模型，能够帮助初始模型更好的对广告进行排序。

在本申请的一个实施例中，可以确定线上广告数据中广告预估转化率的稳定系数。转化是指通过该广告发生激活、注册、下单、购买等行为成为该广告中产品的顾客，广告的预估转化率是指预估通过该广告发生转化的次数占该广告的点击次数的比例。

在该实施例中，广告转化率是影响广告主收益的重要因素，因此在对广告进行展示时，广告预估转化率是广告排序需要考虑的重要因素，因此在校准模型时考虑到广告预估转化率的稳定性，有利于使基于校准模型得到的排序更加准确。

在本申请的一个实施例中，可以将广告预估转化率作为线上广告的稳定系数，若广告预估转化率的值未超过阈值，则可以确认广告预估转化率稳定。

在本申请的一个实施例中，可以获取线下广告数据的稳定系数，根据线下广告数据的稳定系数确定阈值。

在本申请的一个实施例中，可以计算线上广告数据的方差和线下广告数据的方差，将线上广告数据的方差作为线上广告数据的稳定系数，将线下广告数据的方差作为线下广告数据的稳定系数。可以以线下广告数据的稳定系数为基准确定阈值，例如，可以将阈值确定为线下广告数据的稳定系数的(1+n％)倍，其中，n为自然数，n可以根据需要选择。若线上广告数据的方差在阈值内，则确定线上广告数据稳定；反之，若线上广告数据的方差不在阈值内，则确定线上广告数据不稳定。

在本申请的一个实施例中，可以将线上广告数据对应的时间长度划分为多个时间段，将线下广告数据按照相同的时间段划分后，计算线上广告数据和线下广告数据中每个时间段内广告数据的平均值，求线上广告数据的平均值的方差和线下广告数据的平均值的方差，根据线下广告数据的平均值的方差之间的差值来确定阈值，将线上广告数据的平均值的方差和阈值比较确定线上广告数据的稳定性。

在本申请的一个实施例中，若稳定性未达到阈值，可以对线上广告数据进行校正处理；使用校正后的线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一个实施例中，可以将根据初始模型得到的线上广告数据和实时广告实际的广告数据进行比较，根据比较结果对线上广告数据进行校正处理。

在本申请的一个实施例中，可以获取实时广告对应的时间段，可以获取线下广告数据中相同时间段的广告数据，根据线下广告数据中相同时间段的广告数据对线上广告数据进行校正处理。

在本申请的一个实施例中，若广告数据包括广告转化率，则可以根据线下广告数据中相同时间段内的广告转化率的准确性对线上广告数据进行校准。

在本申请的一个实施例中，可以将线上广告数据乘以校正系数以进行校正处理。

在本申请的一个实施例中，由于根据线上广告数据的稳定系数为线上广告数据设定校正系数，使校正后的线上广告数据的稳定系数在阈值内。

在本申请的一个实施例中，可以根据线下广告数据为线上广告数据设定校正系数。由于线下广告数据是已经获得的稳定不变准确的广告数据，因此使用线下广告数据设定校正系数可以使线上广告数据更加适合实际应用。

在本申请的一个实施例中，可以获取线上广告数据对应的时间，获取与线上广告数据对应的时间相应的校正系数。

在本申请的一个实施例中，可以将线上广告数据的时间和线上广告数据的校正系数对应存储，根据线上广告数据的时间查找到线上广告数据的校正系数。

在本申请的一个实施例中，不同时间的广告数据可能受当天不同情况因素影响，可能当天的热点新闻过于吸引流量，造成广告的点击率等降低，因此可以根据时间的找到时间对应的情况因素，根据时间对应的情况因素找到线上广告数据的校正系数。其中，线上数据的时间、时间对应的情况因素和线上广告数据的校正系数可以提前对应存储。

在本申请的一个实施例中，可以根据线上广告数据的时间计算线上广告数据的校正系数。

在本申请的一个实施例中，可以获得线上广告数据的时间和统计线上广告数据的时间之间的差值，差值越大则线上广告数据的时间对应的校正系数越大，差值越小则线上广告数据的时间对应的校正系数越低。可以将差值和校正系数的关系设置为：随着差值增加一天，校正系数增加5％。

例如，可以统计线下广告数据在五天的时间段内的广告转化率，可以根据第五天统计的第一天的转化率和第一天实际的转化率确定五天内第一天的校正系数，可以为99％；可以根据第五天统计的第二天的转化率和第二天实际的转化率确定五天内第二天的校正系数，可以为94％；可以根据第五天统计的第三天的转化率和第三天实际的转化率确定五天内第三天的校正系数，可以为89％；可以根据第五天统计的第四天的转化率和第四天实际的转化率确定五天内第四天的校正系数，可以为84％；可以根据第五天统计的第五天的转化率和第五天实际的转化率确定五天内第五天的校正系数，可以为80％。

在该实施例中，由于广告点击不一定当天进行广告转化，因此统计时间与广告点击时间距离越长，可以确定广告转化率的统计约准确，因此根据广告数据对应的时间为线上广告数据设置不同的校正系数能够更加准确的校正线上广告数据。

在本申请的一个实施例中，若稳定系数达到阈值，则可以确认初始模型能够很好的处理实时广告，则可以使用线下广告数据中的部分数据对初始模型进行校准。

例如，可以选取线下广告数据中最后五天内的广告数据对初始模型进行校准。

在本申请的一个实施例中，可以使用线下广告数据中的最新数据对初始模型进行校准。

在本申请的一个实施例中，可以对线下广告数据进行评分，从线下广告数据中挑选评分达到要求的数据对初始模型进行校准。

在本申请的一个实施例中，可以将本申请的广告展示方法用于腾讯广点通等广告平台中，也可以用于H5(HyperText Markup Language 5，超文本标记语言)的广告形式中。

在本申请的一个实施例中，对广告平台中广告的转化率进行估计。未使用本申请的校准模型估计广告平台中广告的转化率时，偏差为4.31％；使用本申请的校准模型估计广告平台中广告的转化率时，偏差为1.49％，偏差降幅达到64％。

在本申请的一个实施例中，对H5中广告的转化率进行估计。未使用本申请的校准模型估计H5中广告的转化率时，偏差为18.09％；使用本申请的校准模型估计广告平台中广告的转化率时，偏差为7.28％，偏差降幅达到60％。

在本申请的一个实施例中，图7给出了使用本申请的校准模型估计H5中广告的转化率时偏差的走势图示意图。如图7所示，在估计开始时，使用校准模型估计2019年6月29日之前的广告的转化率时，偏差最高约为26％；随着模型的使用，到2019年7月4日时广告的转化率偏差降低至9.41％；随着时间的推移，使用本申请的校准模型估计H5中广告的转化率进行估计时偏差趋于稳定约为9％。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的广告展示方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的广告展示方法的实施例。

图8示意性示出了根据本申请的一个实施例的广告展示装置的框图。

参照图8所示，根据本申请的一个实施例的广告展示装置800，包括获取模块801、排序模块802、展示模块803和模型生成模块804。

在本申请的一些实施例中，基于前述方案，获取模块801用于用于获取广告集合，广告集合中包括多个广告；排序模块802用于将广告集合输入到校准模型中，生成多个广告的排序，校准模型是通过线下广告数据进行训练、并使用线上广告数据进行校准得到的；展示模块803用于基于排序确定待展示的广告。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为使用线下广告数据进行训练得到初始模型；将实时的广告输入初始模型中以获取线上广告数据；通过线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：确定线上广告数据的稳定系数；若稳定系数未达到阈值，则通过线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：确定线上广告数据中广告预估转化率的稳定系数。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：获取线下广告数据的稳定系数，根据线下广告数据的稳定系数确定阈值。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：对线上广告数据进行校正处理；使用校正后的线上广告数据对初始模型进行校准以生成校准模型。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：将线上广告数据乘以校正系数以进行校正处理。

在本申请的一些实施例中，基于前述方案，模型生成模块804配置为：获取线上广告数据对应的时间，根据线上广告数据对应的时间获取与线上广告数据对应的时间相应的校正系数。

在本申请的一些实施例中，基于前述方案，排序模块803配置为：将广告集合输入到校准模型中，得到校准模型输出的多个广告的预估转化率；获取多个广告的行为出价、多个广告的预估点击率；基于多个广告的预估转化率、广告的行为出价、多个广告的预估点击率确定多个广告的排序。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请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9来描述根据本申请的这种实施方式的电子设备90。图9显示的电子设备90仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，电子设备90以通用计算设备的形式表现。电子设备90的组件可以包括但不限于：上述至少一个处理单元91、上述至少一个存储单元92、连接不同系统组件(包括存储单元92和处理单元91)的总线93、显示单元94。

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91执行，使得所述处理单元91执行本说明书上述“实施例方法”部分中描述的根据本申请各种示例性实施方式的步骤。

存储单元92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)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(ROM)923。

存储单元92还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925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93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90也可以与一个或多个外部设备(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90交互的设备通信，和/或与使得该电子设备90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95进行。并且，电子设备90还可以通过网络适配器96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96通过总线93与电子设备90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90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，根据本申请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)执行根据本申请实施方式的方法。

根据本申请一个实施例，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，本申请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申请各种示例性实施方式的步骤。

在本申请的一些实施例中，提供了一种本申请的实施方式的用于实现上述方法的程序产品，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，本申请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申请操作的程序代码，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申请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。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (12)

1.一种广告展示方法，其特征在于，包括：

使用线下广告数据进行训练得到初始模型，将实时的广告输入所述初始模型中以获取线上广告数据，所述线下广告数据包括已经获得的广告和与广告相关的数据；

确定所述线上广告数据的稳定系数；获取与所述线上广告数据在相同时间段内的线下广告数据的稳定系数，根据所述线下广告数据的稳定系数确定阈值；若所述线上广告数据的稳定系数未达到所述阈值，则对所述线上广告数据进行校正处理，使用校正后的线上广告数据对所述初始模型进行校准以生成校准模型；

获取广告集合，所述广告集合中包括多个广告；

将所述广告集合输入到所述校准模型中，生成多个广告的排序；

基于所述排序确定待展示的广告。

2.根据权利要求1所述的广告展示方法，其特征在于，所述确定所述线上广告数据的稳定系数，包括：

确定所述线上广告数据中广告预估转化率的稳定系数。

3.根据权利要求1所述的广告展示方法，其特征在于，所述对所述线上广告数据进行校正处理，包括：

将所述线上广告数据乘以校正系数以进行所述校正处理。

4.根据权利要求3所述的广告展示方法，其特征在于，在所述将所述线上广告数据乘以校正系数以进行所述校正处理之前，所述方法包括：

获取所述线上广告数据对应的时间，根据所述线上广告数据对应的时间获取与所述线上广告数据对应的时间相应的校正系数。

5.根据权利要求1所述的广告展示方法，其特征在于，所述将所述广告集合输入到校准模型中，生成多个广告的排序，包括；

将所述广告集合输入到所述校准模型中，得到所述校准模型输出的所述多个广告的预估转化率；

获取所述多个广告的行为出价、所述多个广告的预估点击率；

基于所述多个广告的预估转化率、所述广告的行为出价、所述多个广告的预估点击率确定所述多个广告的排序。

6.一种广告展示装置，其特征在于，包括：

模型生成模块，用于使用线下广告数据进行训练得到初始模型，将实时的广告输入所述初始模型中以获取线上广告数据，所述线下广告数据包括已经获得的广告和与广告相关的数据；确定所述线上广告数据的稳定系数；获取与所述线上广告数据在相同时间段内的线下广告数据的稳定系数，根据所述线下广告数据的稳定系数确定阈值；若所述线上广告数据的稳定系数未达到所述阈值，则对所述线上广告数据进行校正处理，使用校正后的线上广告数据对所述初始模型进行校准以生成校准模型；

获取模块，用于获取广告集合，所述广告集合中包括多个广告；

排序模块，用于将所述广告集合输入到所述校准模型中，生成多个广告的排序；

展示模块，用于基于所述排序确定待展示的广告。

7.根据权利要求6所述的广告展示装置，其特征在于，所述模型生成模块配置为：

确定所述线上广告数据中广告预估转化率的稳定系数。

8.根据权利要求6所述的广告展示装置，其特征在于，所述模型生成模块配置为：

将所述线上广告数据乘以校正系数以进行所述校正处理。

9.根据权利要求8所述的广告展示装置，其特征在于，在所述将所述线上广告数据乘以校正系数以进行所述校正处理之前，所述模型生成模块配置为：

获取所述线上广告数据对应的时间，根据所述线上广告数据对应的时间获取与所述线上广告数据对应的时间相应的校正系数。

10.根据权利要求6所述的广告展示装置，其特征在于，所述排序模块配置为：

将所述广告集合输入到所述校准模型中，得到所述校准模型输出的所述多个广告的预估转化率；

获取所述多个广告的行为出价、所述多个广告的预估点击率；

基于所述多个广告的预估转化率、所述广告的行为出价、所述多个广告的预估点击率确定所述多个广告的排序。

11.一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行权利要求1-5中任一项所述的方法。

12.一种电子设备，其特征在于，包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现权利要求1-5中任一项所述的方法。

Images