CN111210255A - 广告推送方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种广告推送方法、装置、电子设备及计算机可读介质。该方法包括：获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端。本公开涉及的广告推送方法、装置、电子设备及计算机可读介质，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。

Description

广告推送方法、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，涉及一种广告推送方法、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。

在互联网行业，广告主需要设定相应的出价单元。对于广告主而言，在设定出价单元的时候，会面临一个困难：在期望广告出现在某个目标用户之前应该为这个广告出多少钱。

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，需要一种新的广告推送方法、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推送方法、装置、电子设备及计算机可读介质，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。

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，提出一种广告推送方法，该方法包括：获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端。

可选地，还包括：基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

可选地，基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型，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，获取目标用户的基础数据之前，包括：在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户。

可选地，在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户，包括：基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及在所述用户满足所述广告主规则时，将所述用户确定为目标用户。

可选地，基于所述用户转化评分生成所述目标用户的广告出价，包括：在用户转化评分大于阈值时，基于所述用户转化评分生成所述目标用户的广告出价。

可选地，基于所述用户转化评分生成所述目标用户的广告出价，包括：确定转化价值估值；基于所述转化价值估值确定出价最大值；以及基于所述出价最大值和所述用户转化评分生成所述目标用户的广告出价。

可选地，确定转化价值估值，包括：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。

可选地，基于所述广告出价将预设广告推送至目标用户端，包括：将所述广告出价推送至媒体方；所述媒体方基于所述广告出价进行广告竞价；以及在广告竞价成功后，媒体方将预设广告推送至所述目标用户端。

可选地，还包括：跟踪所述目标用户的落地转化数据；以及通过所述目标用户的落地转化数据更新所述用户转化评估模型。

根据本公开的一方面，提出一种广告推送装置，该装置包括：用户流量模块，用于获取目标用户的基础数据；模型计算模块，用于将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；广告出价模块，用于基于所述用户转化评分生成所述目标用户的广告出价；以及广告推送模块，用于基于所述广告出价将预设广告推送至目标用户端。

可选地，还包括：模型训练模块，用于基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

可选地，所述模型训练模块，包括：第一信息单元，用于获取历史上已进行落地转化的第一用户的基础数据；第二信息单元，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：目标用户模块，用于在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户。

可选地，所述目标用户模块，包括：第一判断单元，用于基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；第二判断单元，用于在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及目标用户单元，用于在所述用户满足所述广告主规则时，将所述用户确定为目标用户。

可选地，所述广告出价模块，还用于在用户转化评分大于阈值时，基于所述用户转化评分生成所述目标用户的广告出价。

可选地，所述广告出价模块，包括：估值单元，用于确定转化价值估值；极值单元，用于基于所述转化价值估值确定出价最大值；以及出价单元，用于基于所述出价最大值和所述用户转化评分生成所述目标用户的广告出价。

可选地，所述估值单元，还用于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。

可选地，所述广告推送模块，还用于将所述广告出价推送至媒体方；所述媒体方基于所述广告出价进行广告竞价；以及在广告竞价成功后，媒体方将预设广告推送至所述目标用户端。

可选地，其特征在于，还包括：模型更新模块，用于跟踪所述目标用户的落地转化数据；以及通过所述目标用户的落地转化数据更新所述用户转化评估模型。

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。

根据本公开的广告推送方法、装置、电子设备及计算机可读介质，获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端的方式，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。

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推送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推送方法的流程图。

图3是根据另一示例性实施例示出的一种广告推送方法的流程图。

图4是根据另一示例性实施例示出的一种广告推送方法的流程图。

图5是根据一示例性实施例示出的一种广告推送装置的框图。

图6是根据另一示例性实施例示出的一种广告推送装置的框图。

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。

在互联网行业，常见的广告投放形态有展示计费CPM(Cost Per Mille)、点击计费CPC(Cost Per Click)和转化计费CPA(Cost Per Action)等，无论是哪种投放形态，广告主都需要设定相应的出价单元(CPM：千次展示，CPC：单次点击，CPA：单次转化)。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。如上文所述，由于媒体平台仅能从本媒体用户的相关信息方面去判断该用户是否会是广告主平台的目标用户，而且，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。

本公开的发明人发现，这种方式没有考虑到广告主方面对用户的进一步的筛选能力，仅仅适用于没有用户判断能力的小广告主。比如对于提供金融服务的广告平台的广告主而言，这种类型的广告主本身就是具有大数据分析能力的，而且也积累了非常多的用户数据。对于同一个用户而言，在媒体平台的表现和其在金融平台的表现是没有必然的相关性的。所以，如果仅仅让媒体通过该用户在媒体平台的表现来为金融服务类平台推荐用户流量的话，用户定位的偏差较大，这种情况下金融平台投放的广告效果也欠佳。

而且，对于广告出价而言，媒体平台仅仅提供了广告主的设置页面，对所有的媒体平台筛选出来的用户均用统一的出价，这种方式也没考虑到广告主对不同的用户可能存在不同的出价价值，对于广告主而言，有较高价值的用户是值得用较高的出价去争取用户流量的，而对于一般价值的用户，可用适中的出价去争取，这样的做法可以最大限度的利用广告投放资金。

本公开的发明人根据以上的分析，提出了一种广告推送方法，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。下面将结合具体的实施例对本公开的内容进行详细描述。

图1是根据一示例性实施例示出的一种广告推送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可例如获取目标用户的基础数据；广告主服务器106可例如将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；广告主服务器106可例如基于所述用户转化评分生成所述目标用户的广告出价；广告主服务器106可例如基于所述广告出价将预设广告推送至目标用户端。

广告主服务器106还可例如基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

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推送方法可以由广告主服务器106执行，相应地，广告推送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推送方法的流程图。广告推送方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取目标用户的基础数据。可包括：在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户。

更具体的，可例如：基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及在所述用户满足所述广告主规则时，将所述用户确定为目标用户。

在一个实施例中，媒体平台方将用户流量数据推送至广告主平台之前，可例如，媒体平台获取预设参数；媒体平台获取实时流量数据；以及媒体平台通过所述预设参数生成媒体规则以对所述实时流量数据进行筛选，生成所述用户流量数据。

其中，媒体平台获取预设参数，包括：所述媒体平台获取由广告主平台设置的所述预设参数。广告主预设的参数可为目标用户的年龄、职业、用户画像关键词等等，在广告主有多个袋投放的广告时，可为每个广告分别设置参数。以使得用不同广告适应不同人群。

在一个实施例中，广告主平台根据预设策略生成广告主规则，在判断所述用户流量数据满足预设策略时，确定所述用户为目标用户。具体可包括：广告主平台由所述用户流量数据中提出用户识别码；以及基于所述用户识别码判断所述用户流量数据是否满足预设策略。

其中，用户流量数据可包括用户的注册名称、用户画像的关键词、用户地址、用户手机号码等等媒体平台能够获得到的用户的相关信息。在本公开的实施例中，用户识别码可为用户的手机号码，还可为用户其他设备的硬件编码。由于大部分情况下，用户可移动设备是绑定的关系，所以通过用户的手机号码或者硬件地址编码可以唯一的确定出用户的身份。根据用户的识别码，可在广告主本身的数据库中对用户的特征进行判断，以确定所述用户流量数据是否满足预设策略。

在一个实施例中，基于所述用户识别码判断所述用户流量数据是否满足预设策略，包括：获取用户策略筛选表格；以及基于所述用户识别码和所述用户策略筛选表格判断所述用户流量数据是否满足预设策略。

在S204中，将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率。

在一个实施例中，可基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

在S206中，基于所述用户转化评分生成所述目标用户的广告出价。可包括：在用户转化评分大于阈值时，基于所述用户转化评分生成所述目标用户的广告出价。

可例如，在用户评分大于0.7时，基于所述用户转化评分生成所述目标用户的广告出价，在用户评分小于等于0.7时，广告主可不进行出价，放弃本次竞价程序。

在S208中，基于所述广告出价将预设广告推送至目标用户端。包括：将所述广告出价推送至媒体方；所述媒体方基于所述广告出价进行广告竞价；以及在广告竞价成功后，媒体方将预设广告推送至所述目标用户端。

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。

广义第一高阶，规定价高者得，且需要按照自己的报价支付。

广义第二高阶，规定价高者得，但只需按照第二报价支付。相比于GFP，GSP能让竞价成功的广告主失去调低出价的动力，因为无论是否调低出价，自己的真实出价都不会改变，除非竞价失败，这是其一；其二，GSP还能让未竞价成功的广告主失去以最小竞价单位递增出价的动力，因为这种出价策略很难赢得竞价。因此，GSP被称为单位置最优竞价策略。由于GSP的这种优势，现在几乎所有的互联网竞价广告都采用这种方式。

多位置最优策略，对于赢得某个位置的广告主，其成本应该等于其占据这个位置给其他参与者带来的损害之和。这种方式让每一个广告主都获得了自己最理想的位置，其成本也是最少的。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。

在一个实施例中，还包括：在所述广告主平台的广告竞价成功后，媒体平台将所述广告主的预设广告展示在用户端。

根据本公开的广告推送方法，获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端的方式，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。

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推送方法的流程图。图3所示的流程是对“基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型”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。

在S308中，跟踪所述目标用户的落地转化数据以通过所述目标用户的落地转化数据更新所述用户转化评估模型。

图4是根据另一示例性实施例示出的一种广告推送方法的流程图。图4所示的流程是对图2所示的流程中S206“基于所述用户转化评分生成所述目标用户的广告出价”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用户转化评分生成所述目标用户的广告出价。

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推送装置的框图。如图5所示，广告推送装置50包括：用户流量模块502，模型计算模块504，广告出价模块506，广告推送模块508，模型训练模块510，以及目标用户模块512。

用户流量模块502用于获取目标用户的基础数据；

模型计算模块504用于将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；

广告出价模块506用于基于所述用户转化评分生成所述目标用户的广告出价；所述广告出价模块506还用于在用户转化评分大于阈值时，基于所述用户转化评分生成所述目标用户的广告出价。

其中，广告出价模块506包括：估值单元，用于确定转化价值估值；所述估值单元，还用于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。极值单元，用于基于所述转化价值估值确定出价最大值；以及出价单元，用于基于所述出价最大值和所述用户转化评分生成所述目标用户的广告出价。

广告推送模块508用于基于所述广告出价将预设广告推送至目标用户端。所述广告推送模块508还用于将所述广告出价推送至媒体方；所述媒体方基于所述广告出价进行广告竞价；以及在广告竞价成功后，媒体方将预设广告推送至所述目标用户端。

模型训练模块510用于基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

目标用户模块512用于在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户。所述目标用户模块512包括：第一判断单元，用于基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；第二判断单元，用于在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及目标用户单元，用于在所述用户满足所述广告主规则时，将所述用户确定为目标用户。

图6是根据另一示例性实施例示出的一种广告推送装置的框图。如图6所示，模型训练模块510包括：第一信息单元5102，第二信息单元5104，模型训练单元5106，模型更新单元5108。

第一信息单元5102用于获取历史上已进行落地转化的第一用户的基础数据；

第二信息单元5104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5106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。

模型更新单元5108用于跟踪所述目标用户的落地转化数据；以及通过所述目标用户的落地转化数据更新所述用户转化评估模型。

根据本公开的广告推送装置，获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端的方式，使得广告主能够在进行广告竞价时根据用户的特征调整广告出价，保证广告主的广告在目标用户处进行展示，最大限度的利用广告主的营销资金。

大数据时代的今天，越来越的广告主拥有自己的数据积累和算法能力，而这些广告主也大都是投放中的头部客户。

当前的投放模式中，有如下的弊端：

1.媒体直投模式中，媒体在发挥主要作用，广告主在投放过程中的参与度和发挥的作用非常有限。

2.无法发挥媒体的算法能力和用户数据价值，广告主独立控制成本也比较艰难。

根据本公开中的广告竞价方法，广告主能完整参与投放流程，实现双方数据和算法的叠加效果；广告主和媒体方互相配合实时请求和响应，方便实时策略部署和实现，能够更及时准确地评估用户；粒度细到每次请求，个性化出价和广告动态展示等都完美支持；能够实现广告主和媒体的数据互动，互相补足；完整保留媒体现有的人群筛选定向、竞价逻辑和转化价格控制。

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：获取目标用户的基础数据；将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；基于所述用户转化评分生成所述目标用户的广告出价；以及基于所述广告出价将预设广告推送至目标用户端。

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 (10)

1.一种广告推送方法，其特征在于，包括：

获取目标用户的基础数据；

将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；

基于所述用户转化评分生成所述目标用户的广告出价；以及

基于所述广告出价将预设广告推送至目标用户端。

2.如权利要求1所述的方法，其特征在于，还包括：

基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型。

3.如权利要求1-2所述的方法，其特征在于，基于历史用户的基础数据和机器学习模型生成所述用户转化评估模型，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。

4.如权利要求1-3所述的方法，其特征在于，获取目标用户的基础数据之前，包括：

在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户。

5.如权利要求1-4所述的方法，其特征在于，在用户满足媒体规则和广告主规则时，将所述用户确定为目标用户，包括：

基于用户在媒体平台的数据判断所述用户是否满足所述媒体规则；

在所述用户满足所述媒体规则时，基于用户在广告主平台的数据判断所述用户是否满足所述广告主规则；以及

在所述用户满足所述广告主规则时，将所述用户确定为目标用户。

6.如权利要求1-5所述的方法，其特征在于，基于所述用户转化评分生成所述目标用户的广告出价，包括：

在用户转化评分大于阈值时，基于所述用户转化评分生成所述目标用户的广告出价。

7.如权利要求1-6所述的方法，其特征在于，基于所述用户转化评分生成所述目标用户的广告出价，包括：

确定转化价值估值；

基于所述转化价值估值确定出价最大值；以及

基于所述出价最大值和所述用户转化评分生成所述目标用户的广告出价。

8.一种广告推送装置，其特征在于，包括：

用户流量模块，用于获取目标用户的基础数据；

模型计算模块，用于将所述目标用户的基础数据输入用户转化评估模型中，生成用户转化评分，所述用户转化评分表示所述用户进行落地转化的概率；

广告出价模块，用于基于所述用户转化评分生成所述目标用户的广告出价；以及

广告推送模块，用于基于所述广告出价将预设广告推送至目标用户端。

9.一种电子设备，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1-7中任一所述的方法。

10.一种计算机可读介质，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1-7中任一所述的方法。

Images