CN111369293A - 一种广告出价方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例提供一种广告出价方法、装置及电子设备。所述方法包括：接收广告出价请求，所述广告出价请求中包含与用户相关联的信息；根据所述信息判断所述用户是否为目标用户，并当用户为目标用户时，获取目标用户的用户特征数据及广告特征数据；将用户特征数据输入第一机器学习模型中，得到所述目标用户的第一转化概率，第一转化概率表示自然转化概率；将用户特征数据以及广告特征数据输入第二机器学习模型中，得到所述目标用户的第二转化概率，第二转化概率表示曝光转化概率；再根据所述第一转化概率和第二转化概率计算得到第三转化概率，第三转化概率表示净转化概率，基于所述第三转化概率对广告进行出价。

Description

一种广告出价方法、装置及电子设备

技术领域

本说明书涉及互联网技术领域，尤其涉及一种广告出价方法、装置及电子设备。

背景技术

随着互联网技术的快速发展，使得广告主利用互联网平台进行广告精准营销成为可能。在用户通过互联网平台浏览某个媒体页面时，该媒体页面可能会出现可供展示广告信息的机会，媒体平台通常会以价格拍卖的方式来决定对该广告位流量展示哪个广告主的广告。因此，对于广告主而言，广告主通过对广告位流量进行出价，从而达成广告主设定广告投放的目标，比如在用户促活场景下，广告主的目标是使不活跃用户在广告的引导下重新登录APP，因此通过对广告进行出价以获得对不活跃用户进行定向广告投放的机会，是重新召回不活跃的用户一种有效方式。

现有技术中，以用户促活场景下的广告竞价过程为例，广告主一般基于该媒体页面下广告位流量的点击转化率(即广告被曝光后，被用户点击且带来用户转化的概率)并结合广告主的目标进行出价，但是由于不活跃用户存在一定的自然转化的情况，即使不对其投放广告，一段时间后不活跃的用户也可能会因为其他渠道的原因，主动回来重新登录客户端。因此，现有的广告出价方式导致广告的价值与广告主真正的收益没有完全匹配，对广告的出价不够合理，降低了用户的转化率。

基于现有技术，需要提供一种更加合理，更符合广告主的实际利益，提高用户转化率的广告出价方案。

发明内容

本说明书实施例提供一种广告出价方法、装置及电子设备，以解决现有技术存在的出价方式不够合理，不符合广告主的实际利益，降低了用户转化率的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供的一种广告出价方法，所述方法包括：

接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率；

将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率；

根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

第二方面，本说明书实施例提供的一种广告出价方法，所述方法包括：

接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；

其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

第三方面，本说明书实施例提供的一种广告出价装置，所述装置包括：

接收模块，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

第一预测模块，用于将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率；

第二预测模块，用于将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率；

出价模块，用于根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

第四方面，本说明书实施例提供的一种广告出价装置，所述装置包括：

接收模块，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

预测出价模块，用于将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；

其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

第五方面，本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面中所述的方法。

第六方面，本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第二方面中所述的方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过接收广告出价请求，广告出价请求中包含与用户相关联的信息；根据信息判断用户是否为目标用户，并当用户为目标用户时，获取目标用户的用户特征数据及广告特征数据；将用户特征数据输入第一机器学习模型中，得到目标用户的第一转化概率，第一转化概率表示自然转化概率；将用户特征数据以及广告特征数据输入第二机器学习模型中，得到目标用户的第二转化概率，第二转化概率表示曝光转化概率；再根据第一转化概率和第二转化概率计算得到第三转化概率，第三转化概率表示净转化概率，基于第三转化概率对广告进行出价。基于本方案，根据用户特征数据，利用第一机器学习模型预测得到目标用户的自然转化概率，并基于用户特征数据以及广告特征数据，利用第二机器学习模型预测得到目标用户的曝光转化概率，通过自然转化概率和曝光转化概率即可得到净转化概率；净转化概率的大小能够反映出广告曝光与否对目标用户转化程度的影响，因此基于净转化概率对广告进行出价，能够合理、准确的衡量广告的价值，避免浪费广告投入，使广告主的实际利益达到了最大化，并且有利于提升用户的转化率。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例一提供的一种广告出价方法的流程示意图；

图2为本说明书实施例一中对第一机器学习模型和第二机器学习模型进行训练的过程示意图；

图3为本说明书实施例二提供的一种广告出价方法的流程示意图；

图4为本说明书实施例二中对第三机器学习模型进行训练的过程示意图；

图5为本说明书实施例一提供的一种广告出价装置的结构示意图；

图6为本说明书实施例二提供的一种广告出价装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

互联网营销是重要的营销手段之一，当用户访问某个媒体页面时，如果该媒体页面可以提供广告位的话，媒体平台会向不同的广告主发送竞价请求，广告主根据自身目标，通过广告系统对该广告位流量进行出价，以此来衡量广告的价值。例如在用户促活场景下，为了维护不活跃用户,促使不活跃用户变得活跃是很多公司(即广告主)运营的目标，通过对不活跃的用户进行定向投放广告，此时广告投放的目标主要是使不活跃用户能够重新登录客户端，定向投放广告也是重新召回不活跃的用户一种有效方式，因此如何保证在广告竞价过程中合理、准确的出价，使竞价广告能够为广告主带来最大化的收益，这对广告主来说是一件非常重要的事情。

目前在广告竞价过程中，广告系统中一般将ctr*cvr值作为出价算法的核心因子，其中ctr表示广告被点击的概率，cvr表示广告的点击转化率，即广告被曝光后，被用户点击且带来转化的概率；基于该数值来衡量广告的价值，即用户对广告的点击转化率越高，说明流量对广告主的价值越大，相应的，算法的出价也就越高。但是在用户促活场景下，下面以支付宝促活场景为例，对现有的广告出价模型所存在的缺陷进行说明，在促活场景下广告所带来的用户转化可以被定义为，不活跃用户在广告的引导下重新登录支付宝APP，即促活的目标就是使更多不活跃的用户重新登录支付宝APP，进而继续留在支付宝并使用它。

但是，由于不活跃用户存在一定的自然转化的情况，即使不对其投放广告，一段时间后不活跃的用户也可能会因为其他渠道的原因，主动回来重新登录客户端。然而现有的广告出价模型在计算广告给广告主带来的转化数时，并未考虑这部分因素，于是，当广告主在促活目标基础上，想要实现净召回的目标时，评价流量价值的方式必然与现有的通过计算用户对广告的点击转化率的方式是不一致的。所以说现有的广告出价方法导致广告的价值与广告主真正的收益没有完全匹配，对广告的出价不够合理，无法实现广告主利益最大化的目标，同时也降低了用户的转化率。

针对上述情形，为了保证通过广告竞得方式转化的用户是广告本身带来的转化价值，而不是从人群中挑选出自然准化率高的人群，因为对于自然转化而来的用户，从广告主的角度而言并没有带来实际的价值，本方案在净召回的目标下，提供了一种出价更加合理，符合广告主的实际利益，提升用户转化率的广告出价方法。

基于上述场景，下面对本说明书的方案进行详细说明。

实施例一

图1为本说明书实施例一提供的一种广告出价方法的流程示意图，该方法具体可以包括以下步骤：

在步骤S110中，接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息。

在本说明书一个或多个实施例中，当用户通过终端设备浏览或访问某些媒体平台时，若该媒体平台中的媒体页面有可供买卖的广告位时，媒体平台会向预定的广告主发送流量(可以认为是广告出价请求)，广告出价请求中包含与用户相关联的信息。在实际应用中，所述终端设备可以是移动终端(如手机、平板电脑等)，也可以是PC等终端设备；媒体平台也可称为第三方平台，可以指广告主自身之外的其它互联网平台，例如今日头条、百度、阿里妈妈等；广告位也可以认为是媒体页面所提供的用户流量，因此对广告出价可以认为是对用户流量进行的出价。

进一步地，在本说明书一具体实施例中，上述与用户相关联的信息可以包括用户手机的设备ID号，当用户通过手机访问第三方的媒体平台时，媒体平台可检测到用户所使用的移动终端设备的ID，或者媒体平台将用户注册时所使用的移动终端设备的ID发送给广告主。

在步骤S120中，根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据。

在本说明书一个或多个实施例中，在接收媒体平台发送的广告出价请求后，广告系统(广告主用于对广告进行出价、投放、管理等的平台)根据广告出价请求中的信息判断该用户是不是目标用户，即判断用户是否符合目标用户的条件，当用户为目标用户时，则进一步获取目标用户的用户特征数据，否则直接放弃掉该用户，在实际应用中，可以采用以下方式判断用户是否为目标用户，具体可以包括以下内容：

将信息与预设的备选集中的信息进行匹配，若匹配成功则用户为目标用户；其中，备选集中包含目标用户的身份标识，以及与目标用户的身份标识相关联的信息，信息包括目标用户的移动设备标识。

进一步地，在本说明书一具体实施例中，通过将获取到的广告出价请求中的信息与广告系统内预设的备选集中的信息进行相互比对，即可判断该用户是否属于广告主的目标用户；备选集中记录有目标用户的身份标识以及与目标用户身份标识相对应的信息，该信息与上述广告出价请求中的信息在实质上是相同的内容，比如当广告出价请求中的信息为移动设备ID时，备选集中的信息也应当是移动设备ID。

在将广告出价请求中的移动设备ID与备选集中的移动设备ID匹配成功之后，即判断用户属于目标用户时，则进一步从广告系统的数据库中获取该目标用户的用户特征数据，并获取广告主想要展示广告的特征数据。在实际应用中，所述用户特征数据可以包括用户的画像特征，比如年龄、性别、居住地等，还可以包括一些其他的特征，比如用户的手机型号、手机屏幕的大小、IP地址对应的城市、省份等；广告特征数据可以包括广告ID、广告类型、广告词等特征。

在本说明书一个或多个实施例中，为了说明备选集中的目标用户包括哪些用户，这里仍以用户促活场景为例，广告主的目标是使不活跃用户能够重新变得活跃，因此，为了向这部分特定用户投放广告，可以将目标用户设置为低活跃用户，低活跃用户包括已注册且在预设的时间段内未登陆客户端的用户，例如将30天内未登陆过支付宝APP的用户认为是目标用户。

在步骤S130中，将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率。

在步骤S140中，将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率。

下面结合具体实施例分别对步骤S130和步骤S140中的第一机器学习模型和第二机器学习模型的训练过程进行详细介绍，具体请参见以下实施例的内容：

在本说明书一个或多个实施例中，第一机器学习模型包括第一深度学习模型，采用以下方法训练得到第一深度学习模型，具体的，

获取预定的第一样本数据，第一样本数据中包含第一样本用户的用户特征数据，将第一样本用户的转化情况作为模型训练的标签，并将第一样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第一深度学习模型。

具体地，在本说明书实施例中，可以预先选取一部分非活跃用户作为第一样本用户，将第一样本用户的用户特征数据作为模型训练的第一样本数据，对第一样本用户不进行投放广告，然后确定第一样本用户在无广告情形下是否有转化(即第一样本用户的转化情况)；由于第一深度学习模型的训练样本是未对其投放广告的样本用户所对应的样本数据，因此第一深度学习模型的输出结果能够反映出这类用户(未经广告曝光的用户)的自然转化情况，所谓自然转化情况即在用户促活场景下，在没有广告投放的情况下，目标用户重新登录支付宝APP的可能性。

在本说明书一个或多个实施例中，第二机器学习模型包括第二深度学习模型，采用以下方法训练得到第二深度学习模型，具体的，

获取预定的第二样本数据，第二样本数据中包含第二样本用户的用户特征数据以及对第二样本用户所曝光广告对应的广告特征数据，将第二样本用户的转化情况作为模型训练的标签，并将第二样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第二深度学习模型。

具体地，在本说明书实施例中，可以预先选取另一部分非活跃用户作为第二样本用户，将第二样本用户的用户特征数据以及广告特征数据作为模型训练的第二样本数据，第二样本用户为经过广告曝光的非活跃用户，并确定第二样本用户在观看了广告的情形下是否有转化(即第二样本用户的转化情况)；由于第二深度学习模型的训练样本是经过广告曝光的样本用户所对应的样本数据，因此第二深度学习模型的输出结果能够反映出这类用户(经广告曝光的用户)的曝光转化情况，所谓曝光转化情况即在用户促活场景下，在经过广告曝光的情况下，目标用户重新登录支付宝APP的可能性。

进一步地，在本说明书另一具体实施例中，在对第二深度学习模型进行训练时，第二样本数据中除了包含用户特征数据和广告特征数据外，还可以包含媒体特征数据，用户通过媒体观看和点击广告，媒体即上述的媒体平台，媒体特征数据包括媒体类型特征、广告位特征等；所以在实际操作中，还可以将用户特征数据、广告特征数据以及媒体特征数据组成的数据集合作为第二样本数据进行模型训练，在利用第二深度学习模型进行预测时，也可以将用户特征数据、广告特征数据以及媒体特征数据组成的数据集合输入到第二深度学习模型中进行预测，得到目标用户的第二转化概率。

下面结合附图对上述第一机器学习模型和第二机器学习模型的训练过程进行简要说明，如图2所示，其示出了本说明书实施例一中对第一机器学习模型和第二机器学习模型进行训练的过程示意图，可以看出，通过预先准备的两种不同的训练样本，一部分样本为无广告下的自然转化样本，可以用S0来表示，另一部分样本为投广告下的曝光转化样本，可以用S1来表示；利用S0样本和S1样本分别对两个不同的深度学习模型进行训练，得到训练后的第一深度学习模型(用S0模型表示)和第二深度学习模型(用S1模型表示)，由于两个模型的优化目标相同，都是准确的估计出预测概率，S0模型所预测出的概率为自然转化概率，而S1模型所预测出的概率为曝光转化概率，可以用s0和s1分别表示自然转化概率和曝光转化概率，由于上述深度学习的过程属于机器学习中的二分类问题，因此可以采用以下深度学习模型：DNN，Wide and Deep，DeepFM等。

在步骤S150中，根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

在本说明书一个或多个实施例中，可以采用以下方式计算得到第三转化概率，即将第二转化概率对应的值减去第一转化概率对应的值，得到第三转化概率的值。继而，在基于第三转化概率对广告进行出价时，可以采用以下公式，

bid*max(s1-s0,0)

其中，bid表示广告主预先配置的出价系数；s1-s0表示第三转化概率对应的值。

进一步地，在本说明书一具体实施例中，通过将第二转化概率减去第一转化概率所得到的第三转化概率来衡量广告价值，由于第三转化概率能够反映目标用户的净转化概率，所谓净转化概率是指在净召回目标下的用户转化概率，下面结合一具体实施例对净召回目标进行解释说明，例如在不投广告的情况下，30天不活跃的用户重新登录支付宝APP的人数是900万，在投了广告之后，不活跃的用户中重新登录APP的人数变为1000万，那么就可以认为广告所带来额外的100万就是净召回的用户数。

因此，s1-s0的值越大说明目标用户在不观看广告的情况下，主动活跃起来的概率比较小，且在观看广告的情况下，被召回的可能性大，如果对此目标用户投放广告，可以极大提高用户的转化率；而当s1-s0的值较小时，甚至为0或负数时，说明此用户的自然转化的概率较高，因此无需对其投放广告，该用户依然可能会重新活跃起来。本方案基于净召回目标的广告出价方法，极大匹配了广告价值与广告主之间的收益，能够合理、准确的衡量广告的价值，避免浪费广告，使广告主的利益实现最大化，即在相同的广告投入成本下使转化数的净增加最大。

实施例二

图3为本说明书实施例二提供的一种广告出价方法的流程示意图，该方法具体可以包括以下步骤：

在步骤S310中，接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息。

在步骤S320中，根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据。

在实施例二中，步骤S310和步骤S320与实施例一中的步骤S110和步骤S120相对应，具体实施方式请参照前述实施例中的内容，在此不再进行赘述，下面主要介绍实施例二中如何基于另外的深度学习模型(第三深度学习模型)来对目标用户的转化概率进行预测的。

在步骤S330中，将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

在本说明书一个或多个实施例中，在基于深度学习框架对模型进行训练时，可以将实施例一中的两个深度学习模型在形式上合并为一个，例如基于TensorFlow等深度学习框架将前述实施例中的第一机器学习模型和第二机器学习模型合并为第三机器学习模型，由于通过合并后的一个模型(即第三机器学习模型)可以同时得到这两个模型的打分，即通过第三机器学习模型可以直接预测输出s1-s0，而s1-s0的值可用于表示目标用户的净转化概率，因此第三机器学习模型也可以被称为净召回模型或净转化模型。

下面结合具体实施例对第三机器学习模型的训练过程进行详细介绍，具体可以包括以下内容：第三机器学习模型包括第三深度学习模型，采用以下方法训练得到所述第三深度学习模型，具体的，

获取预定的第三样本数据，第三样本数据是由第一样本数据和第二样本数据组成的数据集合，其中，第一样本数据中包含第一样本用户的用户特征数据以及与第一样本用户相对应的广告特征数据，第二样本数据中包含第二样本用户的用户特征数据以及与第二样本用户相对应的广告特征数据，与第一样本用户相对应的广告特征数据被设置为零；

将第三样本数据中对应的各个用户的转化情况作为模型训练的标签，并将第三样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第三深度学习模型。

具体地，在本说明书实施例中，由于净召回模型(第三深度学习模型)是由两个深度学习模型在形式上合在一起形成的，因此在对净召回模型进行训练时，也应当在形式上将两个模型合在一起训练，此时，用于净召回模型训练的样本数据(即第三样本数据)便可以采用由第一样本数据和第二样本数据所组成的数据集合。但值得注意的是，由于实施例二中仅通过一个模型来直接输出净转化概率，因此实际上净召回模型内部仍然采用了这两个模型的算法逻辑，因此，在输入时仍然需要区分两种不同的样本数据，即一部分样本数据用来表示非活跃用户在无广告情形下的转化情况，而另一部分样本数据用来表示非活跃用户在观看了广告情形下的转化情况。但为了便于模型训练，可以将这两种样本数据的格式进行简单的统一，即无论是第一样本数据还是第二样本数据都可以包含至少两种维度特征(用户特征和广告特征)的数据，但为了区分两种不同情形对非活跃用户转化概率的影响，因此可以将第一样本数据中的广告特征数据设置为零，使第一样本数据成为无广告下的自然转化样本。

进一步地，在本说明书另一具体实施例中，在对第三深度学习模型进行训练时，第三样本数据中除了包含用户特征数据和广告特征数据外，还可以包含媒体特征数据，与前述将第一样本数据中的广告特征数据设置为零相同的道理，第三样本数据中与第一样本用户相对应的媒体特征数据也可以被设置为零；基于用户特征数据、广告特征数据以及媒体特征数据所组成的第三样本数据进行训练得到的第三深度学习模型，在利用第三深度学习模型对目标用户的净转化概率进行预测时，可以将目标用户的用户特征数据、广告特征数据以及媒体特征数据作为第三深度学习模型的输入进行预测。

下面结合附图对上述第三机器学习模型的训练过程进行简要说明，如图4所示，其示出了本说明书实施例二中对第三机器学习模型进行训练的过程示意图，可以看出，与实施例一中利用两种不同的样本分别对S0模型和S1模型进行训练的方式不同，第三机器学习模型将S0模型和S1模型在形式上合并为一个模型，因此在输入方面，输入样本中既包含了自然转化样本又包含曝光转化样本，且输入样本的特征在格式上保持了一致；在输出方面，不再各自单独输出自然转化概率s0和曝光转化概率s1，而是直接输出净转化概率的结果，即输出s1-s0的值。

进一步地，在基于第三转化概率(即净转化概率)对广告进行出价时所采用的公式与前述实施例一中的相同，在此不再赘述。

与实施例一相比，实施例二通过将多个任务模型合并为一个模型进行训练并使用的方法，使得合并后的深度学习模型形式上与单个模型一致，能够适配原来的广告系统，因此不需要为此进行定制修改，而如果将净召回模型拆开为两个模型(即实施例一中的方式)，则需要在相应的广告系统上做一些修改，比如在策略中给出净召回的出价评估公式，以便支持原来的广告系统。本说明书实施例二所公开的技术方案只需在训练模型中对网络结构进行调整，因此可以无需对原来的广告系统进行修改，适用性更强。但是无论哪种实施例所提供的技术方案均是以净召回做为目标给出算法出价参与广告竞价的，因此本说明书实施例中的广告出价方法能够与广告主的业务目标完全一致，是更加合理的出价方式。

基于同样的思路，本说明书实施例还提供了一种广告出价装置，如图5为本说明书实施例一提供的一种广告出价装置的结构示意图，该装置500主要包括：

接收模块501，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块502，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

第一预测模块503，用于将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率；

第二预测模块504，用于将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率；

出价模块505，用于根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

基于同样的思路，本说明书实施例还提供了另一种广告出价装置，如图6为本说明书实施例二提供的一种广告出价装置的结构示意图，该装置600主要包括：

接收模块601，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块602，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

预测出价模块603，用于将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；

其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例一中的一种广告出价方法。

本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例二中的一种广告出价方法。

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、电子设备、非易失性计算机存储介质实施例而言，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。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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，对于系统实施例而言，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。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (24)

1.一种广告出价方法，所述方法包括：

接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率；

将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率；

根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

2.如权利要求1所述的方法，所述接收一个或多个广告出价请求，包括：

当用户通过终端设备访问媒体平台时，接收所述媒体平台发送的广告出价请求。

3.如权利要求1所述的方法，所述根据所述信息判断所述用户是否为目标用户，包括：

将所述信息与预设的备选集中的信息进行匹配，若匹配成功则所述用户为目标用户；其中，所述备选集中包含目标用户的身份标识，以及与所述目标用户的身份标识相关联的信息，所述信息包括目标用户的移动设备标识。

4.如权利要求1或3所述的方法，所述目标用户为低活跃用户，所述低活跃用户包括已注册且在预设的时间段内未登陆客户端的用户。

5.如权利要求1所述的方法，所述第一机器学习模型包括第一深度学习模型，采用以下方法训练得到所述第一深度学习模型，具体的，

获取预定的第一样本数据，所述第一样本数据中包含第一样本用户的用户特征数据，将所述第一样本用户的转化情况作为模型训练的标签，并将所述第一样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第一深度学习模型。

6.如权利要求1所述的方法，所述第二机器学习模型包括第二深度学习模型，采用以下方法训练得到所述第二深度学习模型，具体的，

获取预定的第二样本数据，所述第二样本数据中包含第二样本用户的用户特征数据以及对所述第二样本用户所曝光广告对应的广告特征数据，将所述第二样本用户的转化情况作为模型训练的标签，并将所述第二样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第二深度学习模型。

7.如权利要求6所述的方法，所述第二样本数据中还包含媒体特征数据，将所述用户特征数据、广告特征数据以及媒体特征数据输入到第二深度学习模型中进行预测，得到所述目标用户的第二转化概率。

8.如权利要求1所述的方法，所述根据所述第一转化概率和第二转化概率计算得到第三转化概率，包括：

将所述第二转化概率对应的值减去第一转化概率对应的值，得到第三转化概率的值。

9.如权利要求8所述的方法，所述基于所述第三转化概率对广告进行出价，包括根据以下公式对所述广告进行出价，具体的，

bid*max(s1-s0,0)

其中，bid表示广告主预先配置的出价系数；s1-s0表示第三转化概率对应的值。

10.一种广告出价方法，所述方法包括：

接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；

其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

11.如权利要求10所述的方法，所述第三机器学习模型包括第三深度学习模型，采用以下方法训练得到所述第三深度学习模型，具体的，

获取预定的第三样本数据，所述第三样本数据是由第一样本数据和第二样本数据组成的数据集合，其中，所述第一样本数据中包含第一样本用户的用户特征数据以及与第一样本用户相对应的广告特征数据，所述第二样本数据中包含第二样本用户的用户特征数据以及与第二样本用户相对应的广告特征数据，所述与第一样本用户相对应的广告特征数据被设置为零；

将所述第三样本数据中对应的各个用户的转化情况作为模型训练的标签，并将所述第三样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第三深度学习模型。

12.如权利要求11所述的方法，所述第三样本数据中还包含媒体特征数据，与所述第一样本用户相对应的媒体特征数据被设置为零；将所述用户特征数据、广告特征数据以及媒体特征数据输入到第三深度学习模型中进行预测，得到所述目标用户的第三转化概率。

13.如权利要求10所述的方法，所述基于所述第三转化概率对广告进行出价，包括根据以下公式对所述广告进行出价，具体的，

bid*max(s1-s0,0)

其中，bid表示广告主预先配置的出价系数；s1-s0表示第三转化概率对应的值。

14.一种广告出价装置，所述装置包括：

接收模块，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

第一预测模块，用于将所述用户特征数据输入到预定的第一机器学习模型中进行预测，得到所述目标用户的第一转化概率，其中，所述第一转化概率用于表示目标用户的自然转化概率；

第二预测模块，用于将所述用户特征数据以及广告特征数据输入到预定的第二机器学习模型中进行预测，得到所述目标用户的第二转化概率，其中，所述第二转化概率用于表示目标用户的曝光转化概率；

出价模块，用于根据所述第一转化概率和第二转化概率计算得到第三转化概率，所述第三转化概率用于表示目标用户的净转化概率，基于所述第三转化概率对广告进行出价。

15.如权利要求14所述的装置，所述判断模块还用于：

将所述信息与预设的备选集中的信息进行匹配，若匹配成功则所述用户为目标用户；其中，所述备选集中包含目标用户的身份标识，以及与所述目标用户的身份标识相关联的信息，所述信息包括目标用户的移动设备标识。

16.如权利要求14所述的装置，所述第一机器学习模型包括第一深度学习模型，所述第一预测模块还用于：

获取预定的第一样本数据，所述第一样本数据中包含第一样本用户的用户特征数据，将所述第一样本用户的转化情况作为模型训练的标签，并将所述第一样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第一深度学习模型。

17.如权利要求14所述的装置，所述第二机器学习模型包括第二深度学习模型，所述第二预测模块还用于：

获取预定的第二样本数据，所述第二样本数据中包含第二样本用户的用户特征数据以及对所述第二样本用户所曝光广告对应的广告特征数据，将所述第二样本用户的转化情况作为模型训练的标签，并将所述第二样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第二深度学习模型。

18.如权利要求17所述的装置，所述第二样本数据中还包含媒体特征数据，将所述用户特征数据、广告特征数据以及媒体特征数据输入到第二深度学习模型中进行预测，得到所述目标用户的第二转化概率。

19.如权利要求14所述的装置，所述出价模块还用于：

将所述第二转化概率对应的值减去第一转化概率对应的值，得到第三转化概率的值。

20.一种广告出价装置，所述装置包括：

接收模块，用于接收一个或多个广告出价请求，所述广告出价请求中包含与用户相关联的信息；

判断模块，用于根据所述信息判断所述用户是否为目标用户，当所述用户为目标用户时，获取所述目标用户的用户特征数据，并获取广告特征数据；

预测出价模块，用于将所述用户特征数据以及广告特征数据输入到预定的第三机器学习模型中进行预测，得到所述目标用户的第三转化概率，并基于所述第三转化概率对广告进行出价；

其中，所述第三机器学习模型由第一机器学习模型和第二机器学习模型合并而成，所述第三转化概率用于表示所述目标用户的净转化概率。

21.如权利要求20所述的装置，所述第三机器学习模型包括第三深度学习模型，所述预测出价模块还用于：

获取预定的第三样本数据，所述第三样本数据是由第一样本数据和第二样本数据组成的数据集合，其中，所述第一样本数据中包含第一样本用户的用户特征数据以及与第一样本用户相对应的广告特征数据，所述第二样本数据中包含第二样本用户的用户特征数据以及与第二样本用户相对应的广告特征数据，所述与第一样本用户相对应的广告特征数据被设置为零；

将所述第三样本数据中对应的各个用户的转化情况作为模型训练的标签，并将所述第三样本数据以及标签输入到深度学习模型中进行训练，得到训练后的第三深度学习模型。

22.如权利要求21所述的装置，所述第三样本数据中还包含媒体特征数据，与所述第一样本用户相对应的媒体特征数据被设置为零；将所述用户特征数据、广告特征数据以及媒体特征数据输入到第三深度学习模型中进行预测，得到所述目标用户的第三转化概率。

23.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至9中任一项所述的方法。

24.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求10至13中任一项所述的方法。

Images