CN111144944B - 一种广告投放方法、装置、电子设备及存储介质 - Google Patents

一种广告投放方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111144944B
CN111144944B CN201911372342.5A CN201911372342A CN111144944B CN 111144944 B CN111144944 B CN 111144944B CN 201911372342 A CN201911372342 A CN 201911372342A CN 111144944 B CN111144944 B CN 111144944B
Authority
CN
China
Prior art keywords
target
advertisement
existing
portrait
advertisement putting
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.)
Active
Application number
CN201911372342.5A
Other languages
English (en)
Other versions
CN111144944A (zh
Inventor
陈方之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhimeng Big Data Co ltd
Original Assignee
Zhejiang Zhimeng Big Data Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhimeng Big Data Co ltd filed Critical Zhejiang Zhimeng Big Data Co ltd
Priority to CN201911372342.5A priority Critical patent/CN111144944B/zh
Publication of CN111144944A publication Critical patent/CN111144944A/zh
Application granted granted Critical
Publication of CN111144944B publication Critical patent/CN111144944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请公开了一种广告投放方法、装置、电子设备及存储介质，所述方法包括：获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；根据所述目标广告投放资金确定所述目标相似度；根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。本发明实现广告的定向投放。

Description

一种广告投放方法、装置、电子设备及存储介质
技术领域
本申请涉及广告数据处理领域，尤其涉及一种广告投放方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的飞速发展，产生了越来越多的大数据，基于大数据进行广告投放也日益盛行。广告能够为人们的生活创造便利，并且具备巨大的商业价值，可以推动各个行业的进步，因此，本领域对于广告投放的研究也从未停止。如何高效，精准的进行广告投放，从而获得理想的点击率达到投放的效果是亟待解决的问题。
发明内容
为了进行高效，精准的进行广告投放，本发明实施例提供了一种广告投放方法、装置、电子设备及存储介质。
一种广告投放方法，所述方法包括：
获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
根据所述目标广告投放资金确定所述目标相似度；
根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。
优选的，所述画像抽取模型可以通过下述方法训练得到，包括：
获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
优选的，所述获取每个已有主题对应的联合向量序列，包括：
对所述已有主题进行分词得到初始分词向量；
将所述初始分词向量输入权重配比模型，得到所述初始分词向量中每一元素对应的权重向量；
根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列。
优选的，所述关联广告为这样一种广告，其对应的广告投放主题对应的画像与所述目标广告投放主题的画像的相似度小于预设阈值，并且所述关联广告的投放地域与所述目标广告投放地域存在交集；
所述关联广告的正向数据包括点击所述关联广告的用户标识和所述用户标识对应的用户画像。
优选的，基于双向样本训练所述用户画像模型。
优选的，所述质负样本集合获取方法，包括：
获取全部用户和所述关联广告的命中用户的差集；
按照预设的正负样本的比值，根据所述正样本集合中正样本的数量，在所述差集中随机抽取用户作为负样本用户，提取负样本用户的用户标识和用户画像得到负样本，进而构建负样本集合。
一种广告投放装置，所述装置包括：
目标广告获取模块，用于获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
画像获取模块，用于将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
关联广告获取模块，用于根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
目标用户画像获取模块，用于根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
目标相似度获取模块，用于根据所述目标广告投放资金确定所述目标相似度；
投放模块，用于根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。
优选的，还包括画像抽取模块训练模块，所述画像抽取模块训练模块，包括：
样本数据集获取单元，用于获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
训练数据集获取单元，用于获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
神经网络预测单元，用于构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
训练单元，用于基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现一种广告投放方法。
一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现所述的一种广告投放方法。
本发明实施例提供一种广告投放方法、装置、电子设备及存储介质，可以在有限的目标广告投放主题，目标广告投放资金和目标广告投放地域的约束下，获得精准的目标用户，从而实现广告的定向投放，获得较高的点击率，最大化广告的投放效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它附图。
图1是本申请实施例提供的一种广告投放方法流程图；
图2是本申请实施例提供的画像抽取模型训练方法流程示意图；
图3是本申请实施例提供的获取每个已有主题对应的联合向量序列流程示意图；
图4是本申请实施例提供的一种负样本集合获取方法流程示意图；
图5是本申请实施例提供的一种广告投放装置框图；
图6是本申请实施例提供的画像抽取模块训练模块框图；
图7本申请实施例提供的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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、产品或服务器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。
为了进行高效，精准的进行广告投放，本发明实施例提供了一种广告投放方法，所述方法包括：
S101.获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域。
S103.将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像。
具体地，所述画像可以是由所述目标广告投放主题的属性集或标签集来表征，画像的含义是本领域技术人员均明确知晓的公知内容，在此不做赘述。
具体地，所述画像抽取模型可以通过下述方法训练得到，如图2所示，包括：
S1.获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像。
S3.获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集。
具体地，所述获取每个已有主题对应的联合向量序列，如图3所示，包括：
S31.对所述已有主题进行分词得到初始分词向量。
S33.将所述初始分词向量输入权重配比模型，得到所述初始分词向量中每一元素对应的权重向量。
具体地，所述权重配比模型用于根据所述初始分词向量确定出与所述初始分词向量中每个元素对应的词元素集合，进而计算出每一元素对应的权重向量。比如，权重配比模型确定出词元素x3关联的词元素集合的词元素为x1，x2，x4和x5，词元素集合对应的权重向量集合包括词元素x1对应的权重向量a3,1；词元素x2对应的权重向量a3,2；词元素x4对应的权重向量a3,4；词元素x5对应的权重向量a3,5。
其中，词元素集合中每个词元素对应的权重计算用的公式为：
Figure BDA0002340006420000081
Figure BDA0002340006420000082
上述的公式(3)和公式(4)可以通过softmax规范实现。
具体地，所述计算出每一元素对应的权重向量包括：通过对所述词元素集合中各个词元素及其对应的权重向量进行加权求和，得到所述元素对应的权重向量，比如词向量x3的注意力向量g3＝x1*a3,1+x2*a3,2+x4*a3,4+x5*a3,5。
S35.根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列。
具体地，将所述初始分词向量和所述初始分词向量中每一元素对应的权重向量拼接即可得到联合向量序列。
S5.构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像。
S7.基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
S105.根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据。
具体地，所述关联广告为这样一种广告，其对应的广告投放主题对应的画像与所述目标广告投放主题的画像的相似度小于预设阈值，并且所述关联广告的投放地域与所述目标广告投放地域存在交集。
所述关联广告的正向数据包括点击所述关联广告的用户标识和所述用户标识对应的用户画像。具体地，所述用户画像可以通过用户的标签集或属性集进行表征。
S107.根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像。
具体地，为了避免训练空间和实际的目标用户画像的预测空间存在偏移降低目标用户画像的输出精度，本发明实施例中基于双向样本训练所述用户画像模型。
具体地，基于关联广告的正向数据构建正样本集合，具体地，可以为正样本集合添加第一标签(比如可以为第一标签取值为1)；
本发明实施例还提供了一种负样本集合获取方法，如图4所示，包括：
S10.获取全部用户和所述关联广告的命中用户的差集。
具体地，所述关联广告的命中用户为被推送了所述关联广告的用户和/或被推送了所述关联广告并且点击所述关联广告的用户。
S30.按照预设的正负样本的比值，根据所述正样本集合中正样本的数量，在所述差集中随机抽取用户作为负样本用户，提取负样本用户的用户标识和用户画像得到负样本，进而构建负样本集合。
具体地，可以为正样本集合添加第二标签(比如可以为第二标签取值为*-1)。
S109.根据所述目标广告投放资金确定所述目标相似度。
本发明实施例中各个参与训练的模型均可以使用现有的机器学习模型，本发明实施例并不限定模型的具体结构。
具体地，目标相似度越高，则可以确定出来的用于投放目标广告的人用户数量越少，目标相似度越低，则可以确定出来的用于投放目标广告的人用户数量越多。
因此，目标广告投放资金与所述目标相似度可以为反相关关系，即目标广告投放资金数量越高，则目标相似度越低；目标广告投放资金数量越低，则目标相似度越高。
S1011.根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。
具体地，所述目标用户的用户画像与所述目标用户画像的相似度高于所述目标相似度。
本发明实施例提供一种广告投放方法，可以在有限的目标广告投放主题，目标广告投放资金和目标广告投放地域的约束下，获得精准的目标用户，从而实现广告的定向投放，获得较高的点击率，最大化广告的投放效果。
本发明实施例还提供一种广告投放装置，如图5所示，所述装置包括：
目标广告获取模块201，用于获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
画像获取模块203，用于将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
关联广告获取模块205，用于根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
目标用户画像获取模块207，用于根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
目标相似度获取模块209，用于根据所述目标广告投放资金确定所述目标相似度；
投放模块2011，用于根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。
进一步地，还可以包括画像抽取模块训练模块210，所述画像抽取模块训练模块210，如图6所示，包括：
样本数据集获取单元2101，用于获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
训练数据集获取单元2102，用于获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
神经网络预测单元2103，用于构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
训练单元2104，用于基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
本申请实施例中的装置与方法实施例基于同样地申请构思。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令。所述指令可以适于由处理器加载并执行本发明实施例所述的一种广告投放方法，所述方法包括：
获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
根据所述目标广告投放资金确定所述目标相似度；
根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告。
优选的，所述画像抽取模型可以通过下述方法训练得到，包括：
获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件。
优选的，所述获取每个已有主题对应的联合向量序列，包括：
对所述已有主题进行分词得到初始分词向量；
将所述初始分词向量输入权重配比模型，得到所述初始分词向量中每一元素对应的权重向量；
根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列。
优选的，所述关联广告为这样一种广告，其对应的广告投放主题对应的画像与所述目标广告投放主题的画像的相似度小于预设阈值，并且所述关联广告的投放地域与所述目标广告投放地域存在交集；
所述关联广告的正向数据包括点击所述关联广告的用户标识和所述用户标识对应的用户画像。
优选的，基于双向样本训练所述用户画像模型。
优选的，所述质负样本集合获取方法，包括：
获取全部用户和所述关联广告的命中用户的差集；
按照预设的正负样本的比值，根据所述正样本集合中正样本的数量，在所述差集中随机抽取用户作为负样本用户，提取负样本用户的用户标识和用户画像得到负样本，进而构建负样本集合。
进一步地，图7示出了一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图，所述设备可以参与构成或包含本发明实施例所提供的装置或系统。如图7所示，设备10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图7所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，设备10还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中所述的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种广告投放方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种广告投放方法，其特征在于，
所述方法包括：
获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
根据所述目标广告投放资金确定目标相似度；
根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告；
所述画像抽取模型通过下述方法训练得到，包括：
获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件；
所述获取每个已有主题对应的联合向量序列，包括：
对所述已有主题进行分词得到初始分词向量；
将所述初始分词向量输入权重配比模型，得到所述初始分词向量中每一元素对应的权重向量；
根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列；
所述权重配比模型用于根据所述初始分词向量确定出与所述初始分词向量中每个元素对应的词元素集合，进而计算出每一元素对应的权重向量；通过对所述词元素集合中各个词元素及其对应的权重向量进行加权求和，得到所述元素对应的权重向量。
2.根据权利要求1所述的方法，其特征在于：
所述关联广告为这样一种广告，其对应的广告投放主题对应的画像与所述目标广告投放主题的画像的相似度小于预设阈值，并且所述关联广告的投放地域与所述目标广告投放地域存在交集；
所述关联广告的正向数据包括点击所述关联广告的用户标识和所述用户标识对应的用户画像。
3.根据权利要求1所述的方法，其特征在于，
基于双向样本训练所述用户画像模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取全部用户和所述关联广告的命中用户的差集；
按照预设的正负样本的比值，根据正样本集合中正样本的数量，在所述差集中随机抽取用户作为负样本用户，提取负样本用户的用户标识和用户画像得到负样本，进而构建负样本集合。
5.一种广告投放装置，其特征在于，
所述装置包括：
目标广告获取模块，用于获取目标广告的广告投放需求数据，所述广告投放需求数据包括目标广告投放主题，目标广告投放资金和目标广告投放地域；
画像获取模块，用于将所述目标广告投放主题输入画像抽取模型，由所述画像抽取模型输出所述目标广告投放主题对应的画像；
关联广告获取模块，用于根据所述画像和所述目标广告投放地域确定与所述目标广告投放主题相近的关联广告，调取所述关联广告的正向数据；
目标用户画像获取模块，用于根据所述关联广告的正向数据训练用户画像模型，根据所述用户画像模型确定目标用户画像；
目标相似度获取模块，用于根据所述目标广告投放资金确定所述目标相似度；
投放模块，用于根据所述目标相似度确定目标用户，并向所述目标用户投放所述目标广告;
还包括画像抽取模块训练模块，所述画像抽取模块训练模块，包括：
样本数据集获取单元，用于获取样本数据集，所述样本数据集包括多个已有主题和每个已有主题对应的已有画像；
训练数据集获取单元，用于获取每个已有主题对应的联合向量序列，以每个所述已有主题对应的联合向量序列以及所述已有主题的已有画像作为训练元素，得到训练数据集；
神经网络预测单元，用于构建神经网络模型，基于所述神经网络模型预测各个已有主题对应的联合向量序列指向的预测画像；
训练单元，用于基于具有对应关系的预测画像和已有画像得到损失值，并基于所述损失值进行反向传播优化所述神经网络的参数直至所述神经网络模型达到预设的收敛条件;
所述获取每个已有主题对应的联合向量序列，包括：
对所述已有主题进行分词得到初始分词向量；
将所述初始分词向量输入权重配比模型，得到所述初始分词向量中每一元素对应的权重向量；
根据所述初始分词向量和所述初始分词向量中每一元素对应的权重向量得到联合向量序列。
6.一种电子设备，其特征在于，
所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-4任一所述的一种广告投放方法。
7.一种计算机可读存储介质，其特征在于，
所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-4任一所述的一种广告投放方法。
CN201911372342.5A 2019-12-27 2019-12-27 一种广告投放方法、装置、电子设备及存储介质 Active CN111144944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911372342.5A CN111144944B (zh) 2019-12-27 2019-12-27 一种广告投放方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911372342.5A CN111144944B (zh) 2019-12-27 2019-12-27 一种广告投放方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111144944A CN111144944A (zh) 2020-05-12
CN111144944B true CN111144944B (zh) 2023-05-16

Family

ID=70520752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911372342.5A Active CN111144944B (zh) 2019-12-27 2019-12-27 一种广告投放方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111144944B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639972A (zh) * 2020-05-29 2020-09-08 中国联合网络通信集团有限公司 多媒体数据投放方法及设备
CN112150199A (zh) * 2020-09-21 2020-12-29 北京小米松果电子有限公司 垂类特征的确定方法及装置、存储介质
CN112116395A (zh) * 2020-09-24 2020-12-22 北京百度网讯科技有限公司 一种用户数据处理方法、装置、电子设备以及存储介质
CN112907301B (zh) * 2021-03-29 2022-06-14 哈尔滨工业大学 一种基于Bi-LSTM-CRF模型的内容相关广告投放方法及系统
CN113592540B (zh) * 2021-07-14 2023-09-19 车智互联（北京）科技有限公司 一种用户裂变方法及计算设备
CN114565407B (zh) * 2022-03-01 2022-10-11 北京派瑞威行互联技术有限公司 一种广告投放数据分析方法及系统
CN115147156B (zh) * 2022-07-07 2023-04-07 浙江出海云技术有限公司 一种基于神经网络的广告精准投放方法
CN116777524A (zh) * 2023-07-18 2023-09-19 北京吉欣科技有限公司 基于人工智能的互动广告投放方法及相关装置
CN117291670B (zh) * 2023-09-14 2024-04-05 广州太棒了传媒科技有限公司 基于人群数据的视频广告播放方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063801A (zh) * 2014-06-23 2014-09-24 广州优蜜信息科技有限公司 一种基于聚类的移动广告推荐方法
CN105187866A (zh) * 2015-09-15 2015-12-23 百度在线网络技术（北京）有限公司 广告投放方法和装置
CN106886918A (zh) * 2017-02-06 2017-06-23 中国联合网络通信集团有限公司 一种目标用户的确定方法、装置及系统
CN109034896A (zh) * 2018-07-23 2018-12-18 北京奇艺世纪科技有限公司 一种广告投放人群预测方法及装置
CN109242537A (zh) * 2018-08-14 2019-01-18 平安普惠企业管理有限公司 广告投放方法、装置、计算机设备及存储介质
CN109615408A (zh) * 2018-10-24 2019-04-12 中国平安人寿保险股份有限公司 基于大数据的广告投放方法及装置、存储介质、电子设备
CN109784973A (zh) * 2018-12-14 2019-05-21 中国平安人寿保险股份有限公司 基于大数据分析的广告投放方法、装置及电子设备
CN109801100A (zh) * 2018-12-26 2019-05-24 北京达佳互联信息技术有限公司 广告投放方法、装置和计算机可读存储介质
CN110009401A (zh) * 2019-03-18 2019-07-12 康美药业股份有限公司 基于用户画像的广告投放方法、装置和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151334A1 (en) * 2011-12-13 2013-06-13 Microsoft Corporation Stratified delivery of advertisements based on affinity scores

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063801A (zh) * 2014-06-23 2014-09-24 广州优蜜信息科技有限公司 一种基于聚类的移动广告推荐方法
CN105187866A (zh) * 2015-09-15 2015-12-23 百度在线网络技术（北京）有限公司 广告投放方法和装置
CN106886918A (zh) * 2017-02-06 2017-06-23 中国联合网络通信集团有限公司 一种目标用户的确定方法、装置及系统
CN109034896A (zh) * 2018-07-23 2018-12-18 北京奇艺世纪科技有限公司 一种广告投放人群预测方法及装置
CN109242537A (zh) * 2018-08-14 2019-01-18 平安普惠企业管理有限公司 广告投放方法、装置、计算机设备及存储介质
CN109615408A (zh) * 2018-10-24 2019-04-12 中国平安人寿保险股份有限公司 基于大数据的广告投放方法及装置、存储介质、电子设备
CN109784973A (zh) * 2018-12-14 2019-05-21 中国平安人寿保险股份有限公司 基于大数据分析的广告投放方法、装置及电子设备
CN109801100A (zh) * 2018-12-26 2019-05-24 北京达佳互联信息技术有限公司 广告投放方法、装置和计算机可读存储介质
CN110009401A (zh) * 2019-03-18 2019-07-12 康美药业股份有限公司 基于用户画像的广告投放方法、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵竸.《网络营销完全实战手册-传统企业互联网运营从入门到精通》.团结出版社,2019,第1卷(第1版),第127-136页. *

Also Published As

Publication number Publication date
CN111144944A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144944B (zh) 一种广告投放方法、装置、电子设备及存储介质
TWI716057B (zh) 服務推薦方法、裝置及設備
CN105630977B (zh) 应用程序推荐方法、装置及系统
CN109388674A (zh) 数据处理方法、装置、设备及可读存储介质
CN107820114A (zh) 特效展示方法及装置
CN108269117A (zh) 数据的推送、确定方法及装置、计算机终端
CN110704045A (zh) 决策流程的构建方法、装置以及存储介质
CN109285233A (zh) 基于大数据的应用自动签到方法、装置、介质和设备
WO2022127166A1 (zh) 视频处理方法及电子设备
CN111476586A (zh) 广告投放方法、装置、终端设备及计算机存储介质
CN111178960B (zh) 一种广告资源整合平台
US20200363911A1 (en) Systems and methods for online coaching in a matching service
US20140178848A1 (en) Method and apparatus for administering learning contents
CN110011901B (zh) 搜索交友对象的方法、装置以及存储介质
CN110837562B (zh) 案件的处理方法、装置和系统
KR20210083823A (ko) 헬스 트레이닝 제공 시스템 및 그 방법
CN111080372B (zh) 一种广告精准发布装置及设备
CN110956350A (zh) 分配奖励的方法、装置及系统
CN112274929A (zh) 一种游戏控制方法、装置、电子设备及存储介质
CN112245915A (zh) 一种寻路结果显示方法、装置、电子设备及存储介质
CN112169336A (zh) 一种游戏角色路径显示方法、装置、电子设备及存储介质
CN109345228A (zh) 处理订单的方法、系统以及存储介质
CN114943868B (zh) 图像处理方法、装置、存储介质及处理器
CN111177560A (zh) 一种用户推荐方法、装置、电子设备及存储介质
CN109522076A (zh) 显示聊天信息的方法、装置以及存储介质

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
GR01 Patent grant
GR01 Patent grant