CN111178943B - 广告实时出价方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种广告实时出价方法、装置、电子设备及计算机可读介质。该方法包括：基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价。本公开涉及的广告实时出价方法、装置、电子设备及计算机可读介质，直接通过用户集合获得用户的价值评估，不需实时进行机器学习模型的计算，能够快速准确的得到用户的评估值，进而进行实时广告出价。

Description

广告实时出价方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种广告实时出价方法、装置、电子设备及计算机可读介质。

背景技术

竞价广告是一种由广告主自主投放，自主管理，通过调整价格来进行排名，按照广告效果付费的新型网络广告形式。在一个典型的竞价广告产品生态中，主要的参与方有三个：广告主、广告平台(媒体平台)和用户，其中广告主的目标在于通过投放广告获取更多的流量，媒体平台的目标则在于平衡短期价值(广告收入)和长期价值(用户粘性)的关系。

在搜索效果广告竞价系统中，媒体平台提供了出价参数设置这一工具，广告主可在媒体平台上面设定预期价格，预期用户等等，媒体平台预估用户是否符合广告主的预期，然后进行辅助出价。一旦媒体平台判定该用户为目标用户后，就用直接按照预期价格进行出价。这种考虑到广告主对不同的用户可能存在不同的出价价值，单单依靠媒体对用户进行筛选出价的方式，广告主方经常不能获得预期的广告效果。

因此，需要一种新的广告实时出价方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种广告实时出价方法、装置、电子设备及计算机可读介质，能够快速准确的得到用户的评估值，进而进行实时广告出价。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种广告实时出价方法，该方法包括：基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价。

可选地，还包括：基于所述广告实时出价进行广告竞价操作；以及在广告竞价成功时，为所述实时用户推送预设广告。

可选地，还包括：基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。

可选地，基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型，包括：获取历史上已进行落地转化的第一用户的基础数据；获取历史上未进行落地转化的第二用户的基础数据；以及通过所述第一用户和所述第二用户的基础数据对机器学习模型进行训练，生成所述用户转化评估模型。

可选地，还包括：通过多个第三方数据源的用户数据生成用户初始数据；以及对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。

可选地，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合，包括：通过全量用户数据中的用户标识确定全量用户的用户状态；筛选出预设状态的用户数据生成所述第一用户集合；以及通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

可选地，基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合，包括：通过用户评估值大于等于所述阈值的用户数据生成所述第二用户集合；以及通过用户评估值小于所述阈值的用户数据生成所述第三用户集合。

可选地，基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估，包括：获取实时用户的流量数据；以及在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。

可选地，基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估，还包括：在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。

可选地，基于所述价值评估结果生成广告实时出价，包括：对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及对具有第二价值的实时用户以第二广告价格进行广告出价。

根据本公开的一方面，提出一种广告实时出价装置，该装置包括：筛选模块，用于基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；模型模块，用于将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；集合模块，用于基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；评估模块，用于基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及出价模块，用于基于所述价值评估结果生成广告实时出价。

可选地，还包括：竞价模块，用于基于所述广告实时出价进行广告竞价操作；以及广告模块，用于在广告竞价成功时，为所述实时用户推送预设广告。

可选地，还包括：模型建立模块，用于基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。

可选地，所述模型建立模块，包括：第一数据单元，用于获取历史上已进行落地转化的第一用户的基础数据；第二数据单元，用于获取历史上未进行落地转化的第二用户的基础数据；以及模型训练单元，用于通过所述第一用户和所述第二用户的基础数据对机器学习模型进行训练，生成所述用户转化评估模型。

可选地，还包括：数据模块，用于通过多个第三方数据源的用户数据生成用户初始数据；以及处理模块，用于对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。

可选地，所述筛选模块，包括：状态单元，用于通过全量用户数据中的用户标识确定全量用户的用户状态；第一单元，用于筛选出预设状态的用户数据生成所述第一用户集合；以及其他单元，用于通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

可选地，所述集合模块，包括：第二单元，用于通过用户评估值大于等于所述阈值的用户数据生成所述第二用户集合；以及第三单元，用于通过用户评估值小于所述阈值的用户数据生成所述第三用户集合。

可选地，所述评估模块，包括：流量单元，用于获取实时用户的流量数据；以及剔除单元，用于在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。

可选地，所述评估模块，还包括：价值单元，用于在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。

可选地，所述出价模块，还用于对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及对具有第二价值的实时用户以第二广告价格进行广告出价。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的广告实时出价方法、装置、电子设备及计算机可读介质，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价的方式，将全量用户事先进行用户评估，根据评估结果将全量用户分为不同的集合，在需要进行广告出价的场景中，直接通过用户集合获得用户的价值评估，不需要实时进行机器学习模型的计算，这种方式能够快速准确的得到用户的评估值，进而进行实时广告出价。

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，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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他的附图。

图1是根据一示例性实施例示出的一种广告实时出价方法及装置的系统框图。

图2是根据一示例性实施例示出的一种广告实时出价方法的流程图。

图3是根据另一示例性实施例示出的一种广告实时出价方法的流程图。

图4是根据另一示例性实施例示出的一种广告实时出价方法的流程图。

图5是根据一示例性实施例示出的一种广告实时出价装置的框图。

图6是根据另一示例性实施例示出的一种广告实时出价装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

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公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开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公开的各方面。

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。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种广告实时出价方法及装置的系统框图。

如图1所示，系统架构10可以包括用户终端101、102、103，网络104、媒体服务器105、广告主服务器106。网络104用以在用户终端101、102、103和媒体服务器105之间提供通信链路的介质；网络104还用以在媒体服务器105和广告主服务器106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用用户终端101、102、103通过网络104与媒体服务器105交互，以接收或发送消息等。用户终端101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

用户终端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

媒体服务器105可以是提供各种服务的服务器，例如对用户利用用户终端101、102、103所浏览的新闻浏览类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将广告推送给用户。

广告主服务器106可以是提供各种金融类服务的服务器，在用户利用用户终端101、102、103浏览的新闻网站时，广告主服务器106可向目标用户提供本网站的广告信息。

广告主服务器106可例如基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；广告主服务器106可例如将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；广告主服务器106可例如基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；广告主服务器106可例如基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；广告主服务器106可例如基于所述价值评估结果生成广告实时出价。

广告主服务器106还可例如基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。

媒体服务器105可例如基于所述广告实时出价进行广告竞价操作；以及在广告竞价成功时，为所述实时用户推送预设广告。

媒体服务器105和广告主服务器106可以分别是一个实体的服务器，还可例如为多个服务器组成。需要说明的是，本公开实施例所提供的广告实时出价可以由广告主服务器106执行，相应地，广告实时出价装置可以设置于广告主服务器106中。而提供给用户进行新闻平台浏览的网页端一般位于用户终端101、102、103中。

图2是根据一示例性实施例示出的一种广告实时出价方法的流程图。广告实时出价方法20至少包括步骤S202至S210。

如图2所示，在S202中，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合。

在一个实施例中，可通过多个第三方数据源的用户数据生成用户初始数据；以及对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。全量用户数据可为能够获取到的全部用户数据，更进一步的，可为全国用户的数据。

在一个实施例中，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合，包括：通过全量用户数据中的用户标识确定全量用户的用户状态；筛选出预设状态的用户数据生成所述第一用户集合；以及通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

更具体的，可由全量用户数据中筛选出已经在广告主平台上进行过注册的用户，由于广告主平台推荐广告的目的是吸引新的用户注册，已经注册的用户对广告主而言是没有价值的用户，所以将这类用户放入第一用户集合中。

在S204中，将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值。可例如，基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。

在S206中，基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合。包括：通过用户评估值大于等于所述阈值的用户数据生成所述第二用户集合；以及通过用户评估值小于所述阈值的用户数据生成所述第三用户集合。

阈值可通过历史经验生成，可例如，阈值为0.7，即代表用户评估值大于0.7的用户是非常有可能进行落地转化的用户，对这类用户可重点监控，进行较高的广告出价，这类用户被放入第二用户集合中，第二用户集合也成为白名单用户集合。

对于用户评估值小于0.7的用户，是不太可能进行落地转化的用户，对于这类用户可暂不进行广告推送，但是这类用户又没在广告主平台进行过注册，所以将这类用户放入第三用户集合中。

广告主可在预定的时间对全量用户数据进行更新，再次计算用户评估值，进而对第一、第二和第三用户集合中的用户进行调整。

在S208中，基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估。

在一个实施例中，可包括：获取实时用户的流量数据；以及在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。对于无价值的第一用户集合中的用户，广告主可不进行出价。

在一个实施例中，还包括：在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。对于第二和第三用户集合中的用户，可分别指定对应的用户价值。

在S210中，基于所述价值评估结果生成广告实时出价。可包括：对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及对具有第二价值的实时用户以第二广告价格进行广告出价。

其中，第二用户集合中的用户的出价值可为固定价值，还可为浮动价值，具体内容可参考图4中的实施例。

其中，第三用户集合中的而用户出价值可为0，也可为其他较少量的出价值，对于这类不太有价值但是还未进行广告主平台注册的用户，可用较小的广告出价进行竞价。

在一个实施例中，还包括：基于所述广告实时出价进行广告竞价操作；以及在广告竞价成功时，为所述实时用户推送预设广告。

竞价是一种拍卖形式。拍卖的历史悠久，有公开增价拍卖、公开减价拍卖、价格密封拍卖等。衍变到互联网广告竞价则出现了GFP(Generalized First Price，广义第一高阶)、GSP(Generalized Second Price，广义第二高阶)和VCG(Vickrey-Clarke-Groves，多位置最优策略)这三种竞价方式。不管用哪种方式进行竞价，广告主的出价是一个数字，表示广告主认为目标受众中某用户的优化事件价值。媒体平台会根据广告主所选择的竞价策略参与竞价。

根据本公开的广告实时出价方法，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价的方式，能够快速准确的得到用户的评估值，进而进行实时广告出价。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种广告实时出价方法的流程图。图3所示的流程是对“基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型”的详细描述。

如图3所示，在S302中，获取历史上已进行落地转化的第一用户的基础数据。第一用户的基础数据可包括用户基本数据、用户转化时间、用户借贷数据、用户状态数据等等。

在S304中，获取历史上未进行落地转化的第二用户的基础数据。第二用户的基础数据可包括用户基本数据、用户浏览时间、用户承接平台等等。

在S306中，通过所述第一用户和所述第二用户的基础数据对机器学习模型进行训练，生成所述用户转化评估模型。

其中，机器学习模型可为梯度提升决策树模型(Gradient Boosting DecisionTree，GBDT)，GBDT是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT是一个应用很广泛的算法，可以用于分类，回归和特征选择。

图4是根据另一示例性实施例示出的一种广告实时出价方法的流程图。图4所示的流程是对图2所示的流程中S210“基于所述价值评估结果生成广告实时出价”的详细描述，

如图4所示，在S402中，根据目标用户数量和运营投放成本确定所述转化价值估值。

在S404中，基于所述转化价值估值确定出价最大值。

在S406中，基于所述出价最大值和所述所述价值评估结果生成所述目标用户的广告实时出价。

可例如，广告主的广告预算为100万，需要在1万个用户进行落地转化。那么平均每个落地用户的价值为100块钱。基于平均用户价值，可依据历史经验将价值限值定位平均价值的2,3倍，可例如用户价值限值为200元。可例如，用户价值限值为200元，用户的价值评分为0.9分，即为极容易进行落地转化的目标用户。则该用户流量的出价可为180元。当然，还可以有其他的出价规律，本公开不以此为限。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开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。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种广告实时出价装置的框图。如图5所示，广告实时出价装置50包括：筛选模块502，模型模块504，集合模块506，评估模块508，出价模块510。

筛选模块502用于基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；所述筛选模块502包括：状态单元用于通过全量用户数据中的用户标识确定全量用户的用户状态；第一单元，用于筛选出预设状态的用户数据生成所述第一用户集合；以及其他单元，用于通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

模型模块504用于将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；

集合模块506用于基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；所述集合模块506包括：第二单元，用于通过用户评估值大于等于所述阈值的用户数据生成所述第二用户集合；以及第三单元，用于通过用户评估值小于所述阈值的用户数据生成所述第三用户集合。

评估模块508用于基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；所述评估模块508包括：流量单元，用于获取实时用户的流量数据；以及剔除单元，用于在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。价值单元，用于在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。

出价模块510用于基于所述价值评估结果生成广告实时出价。所述出价模块510还用于对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及对具有第二价值的实时用户以第二广告价格进行广告出价。

图6是根据另一示例性实施例示出的一种广告实时出价装置的框图。如图6所示，广告实时出价装置60在广告实时出价装置50的基础上还包括：数据模块602，处理模块604，模型建立模块606，竞价模块608，广告模块610。

数据模块602用于通过多个第三方数据源的用户数据生成用户初始数据；

处理模块604用于对所述用户初始数据进行数据清洗和特性处理生成所述全量用户数据。

模型建立模块606用于基于历史用户的基础数据对机器学习模型进行训练生成所述用户评估模型。所述模型建立模块606包括：第一数据单元，用于获取历史上已进行落地转化的第一用户的基础数据；第二数据单元，用于获取历史上未进行落地转化的第二用户的基础数据；以及模型训练单元，用于通过所述第一用户和所述第二用户的基础数据对机器学习模型进行训练，生成所述用户转化评估模型。

竞价模块608用于基于所述广告实时出价进行广告竞价操作；以及

广告模块610用于在广告竞价成功时，为所述实时用户推送预设广告。

根据本公开的广告实时出价装置，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价的方式，能够快速准确的得到用户的评估值，进而进行实时广告出价。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。

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710执行，使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4中所示的步骤。

所述存储单元720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)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205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730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700也可以与一个或多个外部设备700’(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700交互的设备通信，和/或与使得该电子设备700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750进行。并且，电子设备700还可以通过网络适配器760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。网络适配器760可以通过总线730与电子设备700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700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，如图8所示，根据本公开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、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件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。

所述计算机可读存储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。可读存储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。可读存储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公开操作的程序代码，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)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；基于所述用户评估值和阈值将所述其他用户结合划分为第二用户集合、第三用户集合；基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及基于所述价值评估结果生成广告实时出价。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例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、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (14)

1.一种广告实时出价方法，其特征在于，包括：

通过多个第三方数据源的用户数据生成用户初始数据并对所述用户初始数据进行数据清洗和特性处理生成全量用户数据；

通过全量用户数据中的用户标识确定全量用户的用户状态，并且，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合，包括：由全量用户数据中筛选出已经在广告主平台上进行过注册的用户，将已经注册的用户放入第一用户集合中；

获取历史上已进行落地转化的第一用户的基础数据；获取历史上未进行落地转化的第二用户的基础数据；通过第一用户的基础数据和第二用户的基础数据对机器学习模型进行训练，生成用户评估模型；

将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；

基于所述用户评估值和历史经验生成的阈值将所述其他用户集合划分为第二用户集合、第三用户集合；其中，用户评估值大于等于阈值的用户数据生成第二用户集合，用户评估值小于阈值的用户数据生成所述第三用户集合；

基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及

基于所述价值评估结果生成相应目标用户的广告实时出价，包括：根据目标用户数量和运营投放成本确定转化价值估值；基于转化价值估值确定出价最大值；基于所述出价最大值和所述价值评估结果生成目标用户的广告实时出价。

2.如权利要求1所述的方法，其特征在于，还包括：

基于所述广告实时出价进行广告竞价操作；以及

在广告竞价成功时，为所述实时用户推送预设广告。

3.如权利要求1所述的方法，其特征在于，基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合，还包括：

通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

4.如权利要求1所述的方法，其特征在于，基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估，包括：

获取实时用户的流量数据；以及

在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。

5.如权利要求4所述的方法，其特征在于，基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估，还包括：

在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及

在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。

6.如权利要求5所述的方法，其特征在于，基于所述价值评估结果生成相应目标用户的广告实时出价，包括：

对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及

对具有第二价值的实时用户以第二广告价格进行广告出价。

7.一种广告实时出价装置，其特征在于，包括：

数据模块，用于通过多个第三方数据源的用户数据生成用户初始数据；

处理模块，用于对所述用户初始数据进行数据清洗和特性处理生成全量用户数据；

筛选模块，用于基于用户状态对全量用户数据进行筛选生成第一用户集合和其他用户集合；其包括状态单元，用于通过全量用户数据中的用户标识确定全量用户的用户状态；其中，由全量用户数据中筛选出已经在广告主平台上进行过注册的用户，将已经注册的用户放入第一用户集合中；

模型建立模块，用于基于历史用户的基础数据对机器学习模型进行训练生成用户评估模型，包括：第一数据单元，用于获取历史上已进行落地转化的第一用户的基础数据；第二数据单元，用于获取历史上未进行落地转化的第二用户的基础数据；模型训练单元，用于通过所述第一用户和所述第二用户的基础数据对机器学习模型进行训练，生成所述用户评估模型；

模型模块，用于将所述其他用户集合中的用户数据输入用户评估模型生成用户评估值；

集合模块，用于基于所述用户评估值和历史经验生成的阈值将所述其他用户集合划分为第二用户集合、第三用户集合；包括：第二单元，用户评估值大于等于阈值的用户数据生成第二用户集合，第三单元，用户评估值小于阈值的用户数据生成所述第三用户集合；

评估模块，用于基于所述第一用户集合、所述第二用户集合、所述第三用户集合对实时用户的流量数据进行价值评估；以及

出价模块，用于基于所述价值评估结果生成相应目标用户的广告实时出价，包括：根据目标用户数量和运营投放成本确定转化价值估值；基于转化价值估值确定出价最大值；基于所述出价最大值和所述价值评估结果生成目标用户的广告实时出价。

8.如权利要求7所述的装置，其特征在于，还包括：

竞价模块，用于基于所述广告实时出价进行广告竞价操作；以及

广告模块，用于在广告竞价成功时，为所述实时用户推送预设广告。

9.如权利要求7所述的装置，其特征在于，所述筛选模块，还包括：

第一单元，用于筛选出预设状态的用户数据生成所述第一用户集合；以及

其他单元，用于通过全量用户数据中非第一用户集合中的用户数据生成所述其他用户集合。

10.如权利要求7所述的装置，其特征在于，所述评估模块，包括：

流量单元，用于获取实时用户的流量数据；以及

剔除单元，用于在所述流量数据中的用户标识和所述第一用户集合中的用户数据中的用户标识一致时，不进行价值评估。

11.如权利要求10所述的装置，其特征在于，所述评估模块，还包括：

价值单元，用于在所述流量数据中的用户标识和所述第二用户集合中的用户数据中的用户标识一致时，生成第一价值；以及在所述流量数据中的用户标识和所述第三用户集合中的用户数据中的用户标识一致时，生成第二价值。

12.如权利要求11所述的装置，其特征在于，所述出价模块，还用于：

对具有第一价值的实时用户以第一广告价格进行广告实时出价；以及

对具有第二价值的实时用户以第二广告价格进行广告出价。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。