CN111401957A - 广告推荐系统的投放方法、装置、设备及存储介质 - Google Patents
广告推荐系统的投放方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111401957A CN111401957A CN202010185562.3A CN202010185562A CN111401957A CN 111401957 A CN111401957 A CN 111401957A CN 202010185562 A CN202010185562 A CN 202010185562A CN 111401957 A CN111401957 A CN 111401957A
- Authority
- CN
- China
- Prior art keywords
- advertisement recommendation
- recommendation system
- training data
- advertisement
- evaluation index
- 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.)
- Pending
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
- 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
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种广告推荐系统的投放方法、装置、设备及存储介质,一种广告推荐系统的投放方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应的第二训练数据;对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
Description
技术领域
本发明实施例涉及广告推荐技术,尤其涉及一种广告推荐系统的投放方法、装置、设备及存储介质。
背景技术
在开发算法模型来解决一个业务问题时,往往需要有一个指标来衡量我们开发的模型的效果如何,或者在优化模型时,需要有指标来衡量优化之后的模型与原来的模型的差异,目前常用的模型评价指标有AUC,logloss,PRC,召回率,准确率,F1值等等。
在广告推荐这一场景中,我们需要做的是对用户进行个性化推荐,提升广告的点击率。常用的模型评价指标衡量的是模型的全局排序能力,并不能准确地衡量个性化排序能力。当模型优化到一定程度后,AUC、PRC等指标就会失真,常常出现对模型做了一些优化使AUC指标提升了,但上线后广告的点击率却没有提升的现象。上线以及观察效果的整个流程会比较长,大大影响了模型迭代的速度。
发明内容
本发明提供一种广告推荐系统的投放方法、装置、设备及存储介质,以实现减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
第一方面,本发明实施例提供了一种广告推荐系统的投放方法,所述广告推荐系统包括多个广告推荐位,所述方法包括:
获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
统计所述每个广告推荐位对应的第二训练数据;
对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
根据所述评价指标确定所述广告推荐系统的投放策略。
可选的,所述第一训练数据包括广告展示量、广告运营位、广告点击量和广告点击率。
可选的,若所述评价指标越高,则所述广告推荐系统越好;
若所述评价指标越低,则所述广告推荐系统越差。
可选的,所述统计所述每个广告推荐位对应的第二训练数据包括:统计所述每个广告推荐位对应不同用户的第二训练数据。
可选的,所述评价指标为改进的AUC指标。
可选的,所述第一训练数据和第二训练数据包括正样本和负样本。
可选的,所述对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标之前包括:对所述第二数据进行特征优化获取处理过的第二数据。
第二方面,本发明实施例还提供了一种广告推荐系统的投放装置,该装置包括:
数据获取模块,用于获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
数据统计模块,用于统计所述每个广告推荐位对应的第二训练数据;
数据计算模块,用于对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
数据评价模块,用于根据所述评价指标确定所述广告推荐系统的投放策略。
第三方面,本发明实施例还提供了一种终端设备,所述终端设备包括:
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上述任一所述的广告推荐系统的投放方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,该程序指令被处理器执行时实现如上述任一所述的广告推荐系统的投放方法。
本发明实施例公开了一种广告推荐系统的投放方法、装置、设备及存储介质,一种广告推荐系统的投放方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应的第二训练数据;对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
附图说明
图1为本发明实施例一提供的一种广告推荐系统的投放方法的流程图;
图2为本发明实施例二提供的一种广告推荐系统的投放方法的流程图;
图3为本发明实施例三中的一种广告推荐系统的结构示意图;
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一训练数据为第二训练数据,且类似地,可将第二训练数据称为第一训练数据。第一训练数据和第二训练数据两者都是训练数据,但其不是同一训练数据。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种广告推荐系统的投放方法的流程图,本实施例可适用于评价广告推荐系统是否适合多数用户的情况,所述广告推荐系统包括多个广告推荐位,具体包括如下步骤:
步骤100、获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据。
在本实施例中,第一训练数据中包括历史广告推荐系统中的各项数据,包括但不限于:广告展示量、广告运营位、广告点击量和广告点击率。其中,广告展示量指广告在程序上各处展示的广告数量总和。广告运营位指在应用程序上广告展示的具体位置,示例性的,如屏幕正上方、屏幕左下角等等。广告点击量指所有展示广告被用户点击的数量总和。广告点击率指广告点击量/广告展示量,用于反应每个广告受用户欢迎的程度。第二训练数据中包括每个用户对于广告点击的各项数据,也包括但不限于:广告展示量、广告运营位、广告点击量和广告点击率。所述第一训练数据和第二训练数据包括正样本和负样本。其中,正样本指广告展示并且被用户点击,负样本是指展示但是没有被用户点击。
步骤110、统计所述每个广告推荐位对应的第二训练数据。
在本实施例中,从步骤100中获得第一训练数据中,统计每个广告推荐位对应点击量、点击率和运营位指等等,可以直观的看出每一个广告受到用户的关注程度,该关注程度在一定程度上反应了所有用户对于该不同广告的喜爱情况。
步骤120、对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标。
实施例中,对所有的第二训练数据进行分组,每一个广告运营位下的每个用户的所有数据为一个组,在模型训练完成后,计算每一个组的AUC,再进行加权求和,获得改进的AUC指标。在本实施例中,AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积,AUC就是衡量学习器优劣的一种性能指标,其中AUC=1,是完美分类器。AUC=[0.85,0.95],效果很好。AUC=[0.7,0.85],效果一般。AUC=[0.5,0.7],效果较低,但用于预测已经很不错了。AUC=0.5,跟随机猜测一样,示例性的,跟丢硬币一样,模型没有预测价值。AUC<0.5,比随机猜测还差;但只要总是反预测而行,就优于随机猜测。改进的AUC指标是对AUC指标的一种改进,计算方法为:
其中AUC指每个用户的评价指标,权重ω定义为该组的正样本数量(目的是使评估指标更偏向于活跃用户)。经过这样的加权平均后,改进的AUC能够衡量出模型对每个用户的排序能力的平均值,与线上的排序逻辑吻合。
步骤130、根据所述评价指标确定所述广告推荐系统的投放策略。
在本实施例中,根据评价指标确定所述广告推荐系统是否要进行更新,若所述评价指标越高,则所述广告推荐系统越好;可以进行更新优化并推出,可以获得更多的点击量,有利于广告系统的正常开发的运行,也有利于广告资金的回流。若所述评价指标越低,则所述广告推荐系统越差;不建议推出该广告推荐系统,若更新后可能用户点击数量会下降造成经济损失。
本实施例提供了一种广告推荐系统的投放方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应的第二训练数据;对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
实施例二
图2为本发明实施例二提供的一种广告推荐系统的投放方法的流程图,本实施例是在实施例一的基础上进行了拓展,可适用于评价广告推荐系统是否适合多数用户的情况,具体包括如下步骤:
步骤200、获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据。
步骤210、统计所述每个广告推荐位对应不同用户的第二训练数据。
在本实施例中,获取每个用户的广告点击信息,通过对每个用户的广告点击信息进行单独区分,可以对不同人群的广告喜好进行统计,便于广告推荐系统适用于大多数人群。示例性的,原有广告推荐系统的评价方式仅仅考虑大多数人的喜好,比如大多数人喜欢新闻广告,那么优先推荐新闻的广告系统评价会比较高,但是其实所有用户中青年人居多,而青年人多数喜欢娱乐广告,那么通过对不同人进行权重计算之后可以考虑到多数人群的喜爱,更有利于广告推荐系统适应于人群。
步骤220、对所述第二数据进行优化处理获取处理过的第二数据。
在本实施例中,在进行特征处理过程中,保留用户的唯一标识udid字段,并与广告运营位字段拼接,形成“udid+广告运营位”这样一个新的唯一标识作为组的标识,再对每个组的数据计算AUC,其中由于组内数据量比较小但组的数量比较多,使用Spark ml的AUC模块来计算AUC会有一定的性能问题,所以AUC的计算方式使用了以下在小数据集时比较高效的方法:
M表示正样本数量,N表示负样本数量,P表示模型对该样本的预测值。
最终将组的AUC和组的正样本数据量进行加权平均,得出改进的AUC。
步骤230、对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标。
步骤240、根据所述评价指标确定所述广告推荐系统的投放策略。
本实施例提供了一种广告推荐系统的投放方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应不同用户的第二训练数据;对所述第二数据进行优化处理获取处理过的第二数据;所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
实施例三
本发明实施例所提供的用于广告推荐系统的投放方法行本发明任意实施例所提供的广告推荐系统的投放方法,具备执行方法相应的功能模块和有益效果。图3是本发明实施例中的一种广告推荐系统的投放装置300的结构示意图。参照图3,本发明实施例提供的广告推荐系统的投放装置300具体可以包括:
数据获取模块310、用于获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
数据统计模块320、用于统计所述每个广告推荐位对应的第二训练数据;
数据计算模块330、用于对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
数据评价模块340、用于根据所述评价指标确定所述广告推荐系统的投放策略。
进一步的,所述第一训练数据包括广告展示量、广告运营位、广告点击量和广告点击率。
进一步的,若所述评价指标越高,则所述广告推荐系统越好;
若所述评价指标越低,则所述广告推荐系统越差。
进一步的,所述统计所述每个广告推荐位对应的第二训练数据包括:统计所述每个广告推荐位对应不同用户的第二训练数据。
进一步的,所述评价指标为改进的AUC指标。
进一步的,所述第一训练数据和第二训练数据包括正样本和负样本。
进一步的,所述对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标之前包括:对所述第二数据进行特征优化获取处理过的第二数据。
本实施例提供了一种广告推荐系统的投放装置,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述装置包括:数据获取模块,用于获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;数据统计模块,用于统计所述每个广告推荐位对应的第二训练数据;数据计算模块,用于对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;数据评价模块,用于根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
实施例四
图4为本发明实施例提供的一种计算机设备的结构示意图,如图4所示,该计算机设备包括存储器410、处理器420,计算机设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;设备中的存储器410、处理器420可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的广告推荐系统的投放方法对应的程序指令/模块(例如,用于广告推荐系统的投放装置300中的数据获取模块310、数据统计模块320、数据计算模块330、数据评价模块340)处理器420通过运行存储在存储器410中的软件程序、指令以及模块,从而执行设备/终端/设备的各种功能应用以及数据处理,即实现上述的广告推荐系统的投放方法。
其中,处理器420用于运行存储在存储器410中的计算机程序,实现如下步骤:
获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
统计所述每个广告推荐位对应的第二训练数据;
对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
根据所述评价指标确定所述广告推荐系统的投放策略。
在其中一个实施例中,本发明实施例所提供的一种计算机设备,其计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的广告推荐系统的投放方法中的相关操作。
存储器410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器410可进一步包括相对于处理器420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/终端/设备。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。
本实施例提供了一种广告推荐系统的投放设备,用于实现以下方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应的第二训练数据;对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种广告推荐系统的投放方法,该方法包括:
获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
统计所述每个广告推荐位对应的第二训练数据;
对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
根据所述评价指标确定所述广告推荐系统的投放策略。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的种广告推荐系统的投放方法中的相关操作。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本实施例提供了一种广告推荐系统的投放存储介质,用于实现以下方法,所述广告推荐系统用于向用户推送广告,所述广告推荐系统包括多个广告推荐位,所述方法包括:获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;统计所述每个广告推荐位对应的第二训练数据;对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;根据所述评价指标确定所述广告推荐系统的投放策略。本发明实施例提供的一种广告推荐系统的投放方法能更为准确地衡量优化模型后模型的效果是否有提升,减少模型上线次数,节省时间,也能避免错过有用的优化,使模型迭代速度加快。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种广告推荐系统的投放方法,所述广告推荐系统用于向用户推送广告,其特征在于,所述广告推荐系统包括多个广告推荐位,所述方法包括:
获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
统计所述每个广告推荐位对应的第二训练数据;
对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
根据所述评价指标确定所述广告推荐系统的投放策略。
2.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,所述第一训练数据包括广告展示量、广告运营位、广告点击量和广告点击率。
3.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,
若所述评价指标越高,则所述广告推荐系统越好;
若所述评价指标越低,则所述广告推荐系统越差。
4.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,所述统计所述每个广告推荐位对应的第二训练数据包括:统计所述每个广告推荐位对应不同用户的第二训练数据。
5.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,所述评价指标为改进的AUC指标。
6.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,所述第一训练数据和第二训练数据包括正样本和负样本。
7.根据权利要求1中所述的一种广告推荐系统的投放方法,其特征在于,所述对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标之前包括:对所述第二数据进行优化处理获取处理过的第二数据。
8.一种广告推荐系统的投放装置,其特征在于,包括:
数据获取模块,用于获取用于训练所述广告推荐系统的第一训练数据,所述第一训练数据包括多个对应不同用户的第二训练数据;
数据统计模块,用于统计所述每个广告推荐位对应的第二训练数据;
数据计算模块,用于对所述第二训练数据进行加权统计以获得所述广告推荐系统的评价指标;
数据评价模块,用于根据所述评价指标确定所述广告推荐系统的投放策略。
9.一种终端设备,其特征在于,所述终端设备包括:
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中任一所述的广告推荐系统的投放方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,其特征在于,该程序指令被处理器执行时实现如权利要求1-7中任一所述的广告推荐系统的投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185562.3A CN111401957A (zh) | 2020-03-17 | 2020-03-17 | 广告推荐系统的投放方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185562.3A CN111401957A (zh) | 2020-03-17 | 2020-03-17 | 广告推荐系统的投放方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401957A true CN111401957A (zh) | 2020-07-10 |
Family
ID=71436424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185562.3A Pending CN111401957A (zh) | 2020-03-17 | 2020-03-17 | 广告推荐系统的投放方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401957A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948699A (zh) * | 2021-04-14 | 2021-06-11 | 上海明略人工智能(集团)有限公司 | 一种人群定向推荐方法、系统、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472632A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 评价广告竞争力的方法、装置、介质及电子设备 |
-
2020
- 2020-03-17 CN CN202010185562.3A patent/CN111401957A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472632A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 评价广告竞争力的方法、装置、介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948699A (zh) * | 2021-04-14 | 2021-06-11 | 上海明略人工智能(集团)有限公司 | 一种人群定向推荐方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11016638B2 (en) | Interactive answer boxes for user search queries | |
CN108921624B (zh) | 广告融合方法、装置、存储介质和终端设备 | |
CN107784010B (zh) | 一种用于确定新闻主题的热度信息的方法与设备 | |
CN109889891B (zh) | 获取目标媒体文件的方法、装置及存储介质 | |
CN111144952A (zh) | 基于用户兴趣的广告推荐方法、装置、服务器及存储介质 | |
CN111368525A (zh) | 信息搜索方法、装置、设备及存储介质 | |
CN109255070B (zh) | 推荐信息处理方法、装置、计算机设备及存储介质 | |
CN105719164A (zh) | 一种推荐付费多媒体资源的方法及装置 | |
CN113934851A (zh) | 用于文本分类的数据增强方法、装置及电子设备 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN114281976A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN111401957A (zh) | 广告推荐系统的投放方法、装置、设备及存储介质 | |
CN114040216A (zh) | 直播间推荐方法、介质、装置和计算设备 | |
CN113971400B (zh) | 一种文本检测方法、装置、电子设备及存储介质 | |
CN111798281B (zh) | 作弊操作的判定方法、装置、计算机可读存储介质及设备 | |
CN110796505B (zh) | 一种业务对象推荐方法以及装置 | |
CN107169005A (zh) | Poi推荐方法、装置、设备及计算机可读存储介质 | |
CN110634024A (zh) | 一种用户属性标记方法、装置、电子设备及存储介质 | |
CN111262744A (zh) | 多媒体信息发送方法、备份服务器及介质 | |
CN106651410A (zh) | 一种应用管理方法及装置 | |
CN112182382B (zh) | 数据处理方法、电子设备及介质 | |
CN114782077A (zh) | 信息筛选方法、模型训练方法、装置、电子设备和介质 | |
CN109218411B (zh) | 数据处理方法及装置、计算机可读存储介质、电子设备 | |
CN104994062A (zh) | 一种信息推送方法及装置 | |
CN111476021B (zh) | 输出信息的方法、装置、电子设备和计算机可读介质 |
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 |