CN111523939B - 一种推广内容的投放方法、装置、存储介质和电子设备 - Google Patents
一种推广内容的投放方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111523939B CN111523939B CN202010327487.XA CN202010327487A CN111523939B CN 111523939 B CN111523939 B CN 111523939B CN 202010327487 A CN202010327487 A CN 202010327487A CN 111523939 B CN111523939 B CN 111523939B
- Authority
- CN
- China
- Prior art keywords
- content
- distribution parameter
- model
- user
- target
- 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
Links
- 238000002716 delivery method Methods 0.000 title description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 194
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 115
- 230000001737 promoting effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 230000008685 targeting Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了一种推广内容的投放方法、装置、存储介质和电子设备,所述方法涉及人工智能领域中的深度学习方向,包括:获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成预测流量分配参数,基于期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到更新后分配参数生成模型。该方案可以提升推广内容投放的效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种推广内容的投放方法、装置、存储介质和电子设备。
背景技术
合约广告是通过担保式合约进行售卖的广告。针对合约广告而言,广告系统要保证完成广告主所要求的定向条件的广告投放,但是广告投放有时间限制,如果超过时间没有完成指定投放任务,需要进行赔偿。这对于广告系统而言意味着,广告系统需要决定当前进行展示的广告,而且要保证其他投放任务也完成。因此,准确高效地确定广告的投放策略十分必要。然而,现有技术在确定广告投放策略时,需要在多次迭代过程中对最优化方程进行求解,由于方程求解过程十分复杂,导致计算效率低。
发明内容
本申请实施例提供一种推广内容的投放方法、装置、存储介质和电子设备,该方案可以提升推广内容投放的效率。
本申请实施例提供一种推广内容的投放方法,包括:
获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息;
基于所述内容投放特征信息与所述用户特征信息之间的信息匹配关系,确定所述推广内容与所述待投放用户之间的匹配关系;
基于分配参数生成模型、所述内容投放特征信息、以及所述用户特征信息,生成所述匹配关系中每个所述待投放用户分配给各个所述推广内容的预测流量分配参数;
基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果;
基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
相应的,本申请实施例还提供一种推广内容的投放装置,包括:
获取模块,用于获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息;
确定模块,用于基于所述内容投放特征信息与所述用户特征信息之间的信息匹配关系,确定所述推广内容与所述待投放用户之间的匹配关系;
生成模块,用于基于分配参数生成模型、所述内容投放特征信息、以及所述用户特征信息,生成所述匹配关系中每个所述待投放用户分配给各个所述推广内容的预测流量分配参数;
评价模块,用于基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果;
更新模块,用于基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
可选的,在一些实施例中,所述评价模块可以包括流量获取子模块、确定子模块、参数获取子模块和评价子模块,如下:
流量获取子模块,用于获取每个推广内容对应的预定流量;
用户确定子模块,用于基于所述匹配关系,确定与所述推广内容匹配的至少一个待投放用户;
流量确定子模块,用于基于与所述推广内容匹配的至少一个待投放用户对应的预估流量,确定所述推广内容对应的可用流量;
参数获取子模块,用于基于所述预定流量、以及所述可用流量,获取所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数;
评价子模块,用于基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果。
可选的,在一些实施例中,所述评价子模块可以包括第一构建子模块、第二构建子模块、第三构建子模块和模型评价子模块,如下:
第一构建子模块,用于基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数;
第二构建子模块,用于基于内容投放约束条件,构建约束模型评价函数;
第三构建子模块,用于基于所述目标模型评价函数、以及所述约束模型评价函数,构建模型评价函数;
模型评价子模块,用于基于所述模型评价函数、以及所述预测流量分配参数,对所述分配参数生成模型进行模型评价,得到模型评价结果。
则此时,所述第一构建子模块,具体可以用于基于所述推广内容未投放流量所对应的惩罚参数,构建惩罚函数,基于所述期望流量分配参数与所述预测流量分配参数之间的差异、所述惩罚函数、以及推广内容点击率,构建目标模型评价函数。
则此时,所述第二构建子模块,具体可以用于基于所述频次约束条件,确定所述待投放用户对应的预估流量中可用于所述推广内容的可用流量比例,基于所述可用流量比例,构建约束模型评价函数。
则此时,所述更新模块,具体可以用于基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,当分配参数生成模型不满足模型收敛条件时,返回执行基于所述模型评价结果,更新所述分配参数生成模型中的模型参数的步骤,直至分配参数生成模型收敛,将收敛的所述分配参数生成模型,确定为用于投放推广内容的更新后分配参数生成模型。
可选的,在一些实施例中,所述推广内容的投放装置还可以包括信息获取模块、生成模块和投放模块,如下:
信息获取模块,用于获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息;
生成模块,用于基于所述更新后分配参数生成模型、所述目标内容投放特征信息、以及所述目标用户特征信息,生成所述目标待投放用户分配给各个所述目标推广内容的目标流量分配参数;
投放模块,用于基于所述目标流量分配参数进行推广内容投放。
则此时,所述信息获取模块,具体可以用于获取目标待投放用户对应的目标用户特征信息,基于所述匹配关系,确定与所述目标待投放用户相匹配的目标推广内容,获取所述目标推广内容对应的目标内容投放特征信息。
此外,本申请实施例还提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例提供的任一种推广内容的投放方法中的步骤。
此外,本申请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如本申请实施例提供的任一种推广内容的投放方法中的步骤。
本申请实施例可以获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。该方案可以提升推广内容投放的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的推广内容的投放系统的场景示意图;
图2是本申请实施例提供的推广内容的投放方法的第一流程图;
图3是本申请实施例提供的推广内容的投放方法的第二流程图;
图4是本申请实施例提供的分配参数生成模型的网络结构示意图;
图5是本申请实施例提供的训练分配参数生成模型的流程图;
图6是本申请实施例提供的应用分配参数生成模型的流程图;
图7是本申请实施例提供的二部图的示意图;
图8是本申请实施例提供的推广内容的投放装置的结构示意图;
图9是本申请实施例提供的电子设备的结构示意图。
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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
本申请实施例提供一种推广内容的投放方法、装置、存储介质和电子设备。具体地,本申请实施例的推广内容的投放方法可以由电子设备执行,其中,该电子设备可以为终端或者服务器等设备,该终端可以为手机、平板电脑、笔记本电脑、智能电视、穿戴式智能设备、个人计算机(PC,Personal Computer)等设备。其中,终端可以包括客户端,该客户端可以是视频客户端或浏览器客户端等,服务器可以是单台服务器,也可以是由多个服务器组成的服务器集群。
例如,参见图1,以该推广内容的投放方法由电子设备执行为例,该电子设备可以获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
本申请实施例提供的推广内容的投放方法涉及人工智能领域中的机器学习方向。本申请实施例可以先利用神经网络模型生成一个可行解,并利用评价函数根据该可行解对神经网络模型中的模型参数进行更新,然后得到可以用于投放推广内容的神经网络。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。其中,人工智能软件技术主要包括计算机视觉技术、机器学习/深度学习等方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例提供了一种推广内容的投放方法,该方法可以由终端或服务器执行,也可以由终端和服务器共同执行;本申请实施例以推广内容的投放方法由服务器执行为例来进行说明,如图2所示,该推广内容的投放方法的具体流程可以如下:
201、获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息。
其中,推广内容是指为了将产品、服务、技术、文化、事迹等内容让更多的人和组织机构等了解、接受,而宣传或者普及的内容。本申请实施例中的推广内容可以指合约广告。其中,合约广告是通过担保式合约进行售卖的广告,与广告主每签订一个合约,就相应地对应一个广告订单,该广告订单中包括广告主所要求的定向条件。针对合约广告而言,广告系统要保证完成广告主所要求的定向条件的广告投放,但是广告投放有时间限制,如果超过时间没有完成订单中指定的投放任务,需要进行赔偿。这对于广告系统而言意味着,广告系统需要决定当前进行展示的广告,而且要保证其他投放任务也完成。当一次广告投放机会到来时,可能会有多个广告主的订单满足投放要求。
其中,内容投放特征信息是指广告主所要求的,在推广内容的投放中应当满足的特征信息,也即广告订单对应的特征信息。比如,在推广内容投放之前,广告主会与供应方签订合约,该合约对应的订单内容会包括广告主与供应方约定好的目标受众特征信息、推广内容的投放数量、投放频次等信息,这些订单中的信息可以称为推广内容所对应的内容投放特征信息,供应方需要根据订单中给出的内容投放特征信息,进行推广内容的投放,以满足广告主的需求。其中,为了能够根据广告主的需求进行推广内容的投放,供应方会将与每个广告主签订的订单信息存储在服务器中,因而在进行推广内容投放时,服务器可以根据存储的订单信息,获取推广内容对应的内容投放特征信息。
其中,在合约广告的场景下,广告主会与供应方签订至少一个广告订单,每个订单都可以表示为一个需求节点,每个需求节点都对应着相应的内容投放特征信息。为了完成订单的要求,可以设置多个供应节点,并建立供应节点与需求节点之间的匹配关系,以便根据该匹配关系完成推广内容的投放。那么,本申请实施例中的待投放用户可以与供应节点相对应,而每个供应节点对应着若干需要投放推广内容的对象,比如,一个供应节点可以对应用户或者用户维度,那么在向该用户或者用户维度展示广告内容的过程,就是完成订单内容的过程。
其中,用户特征信息是指待投放用户所对应的特征信息,比如,用户特征信息中可以包括用户所在的地域信息、用户的性别信息、用户的年龄信息、针对该用户投放广告的平台信息、频道信息,等等。
在实际应用中,比如,可以获取多个订单中推广内容对应的内容投放特征信息,如可以获取到某个广告订单中要求的内容投放特征信息为{体育},代表广告主希望保证该广告订单展示给访问体育频道的用户。还可以获取多个待投放用户对应的用户特征信息,如可以获取到某个待投放用户对应的用户特征信息为{男,北京,体育},代表该用户为来自北京的访问体育频道的男性用户。在一实施例中,获取到的特征可以不仅限于上述提及的内容投放特征信息、以及用户特征信息,还可以根据实际需求选择获取上下文特征等。
202、基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系。
其中,可以将合约广告的投放问题视为二部图G=(I∪J,E)上的分配问题。比如,如图7所示,I可以表示供应节点集合,一般可以达到数亿乃至数十亿维度,每个供应节点i都对应不同的用户特征信息、以及不同的权重si,该权重si代表该供应节点对应的预估流量,也即该供应节点对应的定向条件下的预估投放量。如供应节点1对应的用户特征信息为{男,北京,体育},代表该用户为来自北京的访问体育频道的男性用户,该供应节点1对应的s1为8M,代表具有这种定向信息{男,北京,体育}的预估流量为8M。
J可以表示需求节点集合,一般可以达到数千或者数万维度,每个需求节点都对应不同的内容投放特征信息、以及不同的权重dj,该权重dj代表该需求节点j对应的预定流量,也即该推广内容对应的合约所要求的广告投放数。如需求节点1对应的内容投放特征信息为{体育},代表广告主希望保证该广告订单展示给访问体育频道的用户,该需求节点对应的d1为15M,代表广告主希望保证该广告订单向访问体育频道的用户的投放次数为15M。
E可以表示供应节点与需求节点之间的连线集合,对于具有连线的任一对供应节点和需求节点而言,该供应节点所对应的用户特征信息、与需求节点所对应的内容投放特征信息存在相匹配的关系,可以考虑向该供应节点对应的用户投放该需求节点对应的推广内容。如供应节点1所对应的用户特征信息中包括{体育},代表该用户访问体育频道,需求节点1所对应的内容投放特征信息中包括{体育},代表广告主希望保证该广告订单展示给访问体育频道的用户,那么供应节点1与需求节点1之间可以进行连线,表示供应节点1满足需求节点1的定向条件。
在实际应用中,比如,在获取到多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息之后,可以根据内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,并构建表示推广内容与待投放用户之间关系的二部图,其中,可以利用多个需求节点代表多个推广内容,利用多个供应节点代表多个待投放用户,并用需求节点与供应节点之间的连线代表推广内容与待投放用户之间的匹配关系。
由于不是每个推广内容和每个待投放用户之间都存在匹配关系,因此,通过特征信息之间的信息匹配关系,确定推广内容和待投放用户之间的匹配关系,就可以确定出需要进行匹配的部分,并且后续步骤中可以仅对这些需要进行匹配的部分进行相应的计算,而无需计算不存在匹配关系的部分,降低了需要计算流量分配参数的数量,从而提升了推广内容的投放效率。
203、基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数。
其中,流量分配参数表示待投放用户分配给推广内容的流量的比例。比如,如图7所示,二部图中每条供应节点与需求节点之间的连线,代表该供应节点与该需求节点之间存在匹配关系,每条连线都对应着一个流量分配参数xij,表示供应节点i的流量有xij比例部分分配给需求节点j。
其中,分配参数生成模型是能够根据推广内容对应的内容投放特征信息、以及待投放用户对应的用户特征信息,预测出待投放用户分配给推广内容的流量分配参数的网络模型。分配参数生成模型包括但不限于深度神经网络和LSTM网络,如DNN、CNN、RNN等。
在实际应用中,由于合约广告投放算法的核心在于计算待投放用户分配给各个推广内容的流量分配参数,合适的流量分配参数可以在满足广告主要求的情况下,使投放效果达到最优,因此,需要获取到合适的流量分配参数。比如,如图4所示,可以获取预测机制为xij=f(Fij,ω)的分配参数生成模型,其中,xij表示生成的预测流量分配参数,Fij代表推广内容j和待投放用户i的特征,也即推广内容j对应的内容投放特征信息、以及待投放用户i对应的用户特征信息,ω表示分配参数生成模型中可学习的模型参数。也即,可以将推广内容j对应的内容投放特征信息、以及待投放用户i对应的用户特征信息输入至分配参数生成模型中,并利用分配参数生成模型中的卷积层、全连接层等网络结构对输入的特征信息进行处理,得到推广内容与待投放用户之间的匹配关系中,每个待投放用户分配给各个推广内容的预测流量分配参数xij。
204、基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果。
其中,期望流量分配参数是预先设定好的理想的流量分配参数,比如,该期望流量分配参数可以设置为推广内容对应的预定流量、和与该推广内容匹配的待投放用户对应的可用流量之间的比值,这表示均匀投放给所定向的受众。
其中,内容投放约束条件可以为在需求节点与供应节点之间进行流量分配的过程中,所需要满足的约束条件,该内容投放约束条件可以为广告主在广告合约中要求满足的条件。比如,内容投放约束条件中可以包括频次约束条件、定向限制条件、需求约束条件、供给约束条件、非负约束条件、媒体新鲜度约束条件中的一种或几种。
在实际应用中,由于预测出预测流量分配参数的分配参数生成模型未必是预测结果十分准确的模型,因此需要对该分配参数生成模型进行评价,并根据模型评价结果对该分配参数生成模型进行进一步地优化。比如,可以利用已经预测出的匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数、匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、以及各种内容投放约束条件,对该分配参数生成模型进行模型评价,并得到模型评价结果。
在一实施例中,可以利用推广内容对应的预定流量、和与该推广内容匹配的待投放用户对应的可用流量,获取预先设定的期望流量分配参数。具体地,步骤“基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果”,可以包括:
获取每个推广内容对应的预定流量;
基于所述匹配关系,确定与所述推广内容匹配的至少一个待投放用户;
基于与所述推广内容匹配的至少一个待投放用户对应的预估流量,确定所述推广内容对应的可用流量;
基于所述预定流量、以及所述可用流量,获取所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数;
基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果。
其中,预定流量是指推广内容j所对应的权重dj,该权重dj代表该推广内容j对应的预定流量,也即该推广内容对应的合约所要求的广告投放数。如推广内容1对应的预定流量d1为15M,代表广告主希望保证该广告订单向访问体育频道的用户的投放次数为15M。
其中,可用流量与推广内容相对应,表示与该推广内容匹配的所有待投放用户对应的预估流量的总和。比如,待投放用户i对应的预估流量为si,那么可用流量的表示公式可以如下:
其中,Γ(j)表示j的邻居节点集合,该可用流量Sj表示与推广内容j匹配的所有待投放用户对应的预估流量si的总和。
在实际应用中,可以首先获取推广内容j对应的预定流量dj,再基于推广内容与待投放用户之间的匹配关系,确定与推广内容j相匹配的全部待投放用户、以及每个待投放用户对应的预估流量si,并根据匹配出的待投放用户,计算推广内容j对应的可用流量Sj,其中,可用流量Sj的计算公式可以如下:
期望流量分配参数θj可以设置为推广内容j对应的预定流量dj、与该推广内容j对应的可用流量Sj之间的比值,这表示均匀投放给所定向的受众,其中,期望流量分配参数θj的计算公式可以如下:
获取到期望流量分配参数θj后,可以根据期望流量分配参数θj、预测流量分配参数xij、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果。
在一实施例中,可以利用构建函数的方式,将基于分配参数生成模型生成的预测流量分配参数输入至构建好的函数中,实现对于网络模型的评价。具体地,步骤“基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果”,可以包括:
基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数;
基于内容投放约束条件,构建约束模型评价函数;
基于所述目标模型评价函数、以及所述约束模型评价函数,构建模型评价函数;
基于所述模型评价函数、以及所述预测流量分配参数,对所述分配参数生成模型进行模型评价,得到模型评价结果。
在实际应用中,比如,可以基于期望流量分配参数θj与预测流量分配参数xij之间的差异,构建目标模型评价函数,其中,目标模型评价函数的函数公式可以如下:
其中,Γ(j)表示j的邻居节点集合,Vj表示订单j的重要度,θj表示期望流量分配参数,xij表示预测流量分配参数,uj表示推广内容j的未投放流量,pj表示未投放流量对应的惩罚参数,xij*CTRij表示推广内容点击率。
基于内容投放约束条件,构建约束模型评价函数,其中,内容投放约束条件可以有多种,多种内容投放约束条件的表示公式可以如下:
供给约束条件:
频次约束条件:
媒体新鲜度约束条件:
其中,f表示可用流量比例,k表示所有用户的索引,m表示所有用户连续N次投放场景的索引,该媒体新鲜度约束条件可以表示一个用户连续N次广告投放中,给一个合约订单的概率和要小于1,也即为了保证用户体验,广告主会要求在相同用户的连续N条广告中,相同广告只能出一条。
根据多个内容投放约束条件可以构建约束模型评价函数,其中,约束模型评价函数的公式可以如下:
然后基于目标模型评价函数、以及约束模型评价函数,构建模型评价函数,其中,模型评价函数的公式可以如下:
其中,Γ(j)表示j的邻居节点集合,Vj表示订单j的重要度,θj表示期望流量分配参数,xij表示预测流量分配参数,uj表示推广内容j的未投放流量,pj表示未投放流量对应的惩罚参数,xij*CTRij表示推广内容点击率,f表示可用流量比例,k表示所有用户的索引,m表示所有用户连续N次投放场景的索引。
获取到模型评价函数之后,可以将之前基于分配参数生成模型生成的全部预测流量分配参数,一次性输入至该模型评价函数中,并基于该模型评价函数对分配参数生成模型进行打分,该打分后得到的分数即可称为模型评价结果。
在一实施例中,为了更好的满足广告主的需求,还可以在目标模型评价函数中将订单未投放流量、以及推广内容点击率等广告主所关心的内容添加进去。具体地,步骤“基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数”,可以包括:
基于所述推广内容未投放流量所对应的惩罚参数,构建惩罚函数;
基于所述期望流量分配参数与所述预测流量分配参数之间的差异、所述惩罚函数、以及推广内容点击率,构建目标模型评价函数。
在实际应用中,比如,可以利用uj表示推广内容j的未投放流量,利用pj表示未投放流量对应的惩罚参数,然后将推广内容j的未投放流量与未投放流量对应的惩罚参数相乘,以构建惩罚函数,其中,惩罚函数的计算公式可以如下:
基于期望流量分配参数与预测流量分配参数之间的差异构建差异函数,可以利用Γ(j)表示j的邻居节点集合,利用Vj表示订单j的重要度,利用θj表示期望流量分配参数,利用xij表示预测流量分配参数,其中,差异函数的计算公式可以如下:
基于差异函数、惩罚函数、以及广告主所关注的推广内容点击率,构建目标模型评价函数,可以利用xij*CTRij表示推广内容点击率,其中,目标模型评价函数的计算公式可以如下:
在一实施例中,该目标模型评价函数中不仅可以考虑订单发生缺量时的惩罚、推广内容点击率,还可以考虑广告的转换率目标等,以便更好地满足广告主的要求。
在一实施例中,由于广告投放场景在实际应用中,不仅要考虑推广内容和待投放用户之间的匹配关系,还要考虑频次控制、多贴不重复等投放时的限制条件,因此,为了提升推广内容投放方法的准确性,还需要考虑多种内容投放约束条件。具体地,步骤“基于内容投放约束条件,构建约束模型评价函数”,可以包括:
基于所述频次约束条件,确定所述待投放用户对应的预估流量中可用于所述推广内容的可用流量比例;
基于所述可用流量比例,构建约束模型评价函数。
其中,频次约束条件是指广告商为了提升广告的价值和用户的体验,而对用户观看同一广告的次数进行的限制,要求用户观看同一广告的次数不能超过广告主所要求的频次上限。
在实际应用中,当一个广告被指定了频次约束条件后,满足其定向的可用流量就只有部分可用了。举例来说,假如合约中要求推广内容j对投放频次的要求是n天k次,那么对于n天内访问次数较多的用户来说,只有k次以内的访问次数才是推广内容j的可用流量。因此,可以根据广告主对推广内容的频次约束条件,确定出待投放用户对应的预估流量中可用于推广内容的可用流量比例f,然后基于可用流量比例f构建约束模型评价函数。可以利用k表示所有用户的索引,那么频次约束条件的公式可以表示如下:
在一实施例中,约束模型评价函数中可以包括多种约束条件,比如,约束模型评价函数的公式可以如下:
/>
其中,约束模型评价函数中的部分可以表示供给约束的损失,而供给约束条件可以表示为/>代表流量分配参数的总和要小于1。约束模型评价函数中的/>部分可以表示频次约束的损失,而频次约束条件可以表示为/>代表一个用户下面的所有广告投放给一个合约订单的概率和,要小于等于订单频次约束。约束模型评价函数中的/>部分可以表示媒体新鲜度约束的损失,而媒体新鲜度约束条件可以表示为/>
其中,m可以表示所有用户连续N次投放场景的索引,该媒体新鲜度约束条件可以表示一个用户连续N次广告投放中,给一个合约订单的概率和要小于1,也即为了保证用户体验,广告主会要求在相同用户的连续N条广告中,相同广告只能出一条。
在一实施例中,内容投放约束条件可以不仅限于供给约束条件、频次约束条件、以及媒体新鲜度约束条件,还可以包括非负约束条件、需求约束条件、广告反选约束,等等。
其中,非负约束条件的表示公式可以如下:
其中,需求约束条件的表示公式可以如下:
其中,uj表示推广内容j的未投放流量,dj代表需求节点j对应的预定流量。
205、基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
在实际应用中,该模型评价结果能够实现对于网络模型是否能够生成相对准确的流量分配参数的评估,可以根据该模型评价结果对分配参数生成模型中的模型参数w进行更新,并得到用于投放推广内容的更新后分配参数生成模型。
在一实施例中,可以利用交替迭代地对模型参数进行更新,使得更新后分配参数生成模型达到收敛条件,得到需要的网络模型。具体地,步骤“基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型”,可以包括:
基于所述模型评价结果,更新所述分配参数生成模型中的模型参数;
当分配参数生成模型不满足模型收敛条件时,返回执行基于所述模型评价结果,更新所述分配参数生成模型中的模型参数的步骤,直至分配参数生成模型收敛;
将收敛的所述分配参数生成模型,确定为用于投放推广内容的更新后分配参数生成模型。
在实际应用中,比如,获取到模型评价结果后,可以根据该模型评价结果对分配参数生成模型中的模型参数进行更新,当分配参数生成模型依然不满足模型收敛条件时,可以返回执行基于模型评价结果,更新分配参数生成模型中的模型参数的步骤,直至分配参数生成模型收敛,然后该收敛的分配参数生成模型,就可以确定为用于投放推广内容的更新后分配参数生成模型。
在一实施例中,最终的更新后分配参数生成模型未必一定满足收敛条件,如果交替迭代次数达到要求或者超时,也可以终止,并将终止时的分配参数生成模型,确定为更新后分配参数生成模型。
其中,还可以将目标模型评价函数作为一种最优化函数,并通过求解其最小值确定合适的流量分配参数,但是为了提升推广内容投放的准确性,还需要考虑多种内容投放约束条件,随着约束条件的增多,最优化问题会变得越来越复杂,其中,持续的重新设计和推导最优化问题会浪费人力成本,并且计算时间和空间复杂度会非线性地提升,耗费运算成本。然而,利用深度学习网络模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导网络模型的更新。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等。
在一实施例中,在得到能够生成较为准确的流量分配参数的更新后分配参数生成模型之后,就可以利用该更新后分配参数生成模型进行推广内容的投放。具体地,该推广内容的投放方法还可以包括:
获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息;
基于所述更新后分配参数生成模型、所述目标内容投放特征信息、以及所述目标用户特征信息,生成所述目标待投放用户分配给各个所述目标推广内容的目标流量分配参数;
基于所述目标流量分配参数进行推广内容投放。
在实际应用中,比如,可以获取需要投放推广内容的目标待投放用户所对应的目标用户特征信息、以及与该目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息,然后将目标内容投放特征信息、以及目标用户特征信息输入至更新后分配参数生成模型中,得到目标待投放用户分配给各个目标推广内容的目标流量分配参数,然后根据该目标流量分配参数进行推广内容投放。
具体地,步骤“获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息”,可以包括:
获取目标待投放用户对应的目标用户特征信息;
基于所述匹配关系,确定与所述目标待投放用户相匹配的目标推广内容;
获取所述目标推广内容对应的目标内容投放特征信息。
在实际应用中,比如,如图6所示,线上服务器可以接收来自用户的推广内容投放请求,并根据该推广内容投放请求中的用户信息,确定与该用户相匹配的供应节点,这里的供应节点可以指代目标待投放用户。然后根据推广内容与待投放用户之间的匹配关系,确定与目标待投放用户相对应的多个目标推广内容,并且获取目标待投放用户对应的目标用户特征信息、以及多个目标推广内容对应的目标内容投放特征信息。然后将目标用户特征信息、以及目标内容投放特征信息输入至更新后分配参数生成模型中,生成目标待投放用户分配给各个目标推广内容的目标流量分配参数,根据该目标流量分配参数进行选单处理。
本申请利用分配参数生成模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导分配参数生成模型中模型参数的更新,达到优化分配参数生成模型的目的。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等,有利于推广内容投放业务的扩展。同时,由于本申请实施例考虑了多种内容投放约束条件,因此本申请可以使得真实环境下的合约广告投放策略更加合理,降低订单的补量率,提高订单的点击率,进而保障广告主的利益。
由上可知,本申请实施例可以获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。该方案可以利用分配参数生成模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导分配参数生成模型中模型参数的更新,达到优化分配参数生成模型的目的。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等,有利于推广内容投放业务的扩展。同时,由于本申请实施例考虑了多种内容投放约束条件,因此本申请可以使得真实环境下的合约广告投放策略更加合理,降低订单的补量率,提高订单的点击率,进而保障广告主的利益。
根据前面实施例所描述的方法,以下将以该推广内容的投放装置具体集成在电子设备中举例作进一步详细说明。
参考图3,本申请实施例的推广内容的投放方法的具体流程可以如下:
301、电子设备获取多个订单对应的订单特征、以及多个流量曝光对应的曝光特征。
在实际应用中,比如,如图5所示,可以获取满足定向需求的多个广告订单对应的订单特征、以及多个流量曝光对应的曝光特征,其中,订单特征可以包括定向属性特征和频次属性特征,如订单ID、频次要求等;曝光特征可以包括地域、性别、年龄、平台、频道等信息。
302、电子设备基于订单特征与曝光特征之间的匹配关系,匹配多个订单以及多个流量曝光。
在实际应用中,比如,如图5所示,可以根据订单特征与曝光特征之间的特征匹配关系,确定订单与流量曝光之间的匹配关系,以便降低需要生成播放概率的数量。如订单特征中包括{体育},代表广告主希望保证该订单展示给访问体育频道的用户,曝光特征中包括{体育},代表该用户访问体育频道,那么这样的订单与流量曝光之间就可以建立匹配关系。
在一实施例中,还可以将订单与流量曝光之间的匹配关系在二部图G=(I∪J,E)中进行表示,其中,I是流量曝光集合,表示各种定向条件下的曝光,一般可以达到数亿乃至数十亿维度,每个流量曝光节点i对应不同的权重si,该权重si表示该定向条件下的曝光总数。J是订单集合,表示广告主的订单,一般可以达到数千或者数万维度,每个订单节点j对应不同的权重dj,该权重dj表示该订单所需求的广告曝光数。流量曝光节点i和订单节点j之间的连线(i,j)∈E,表示该流量曝光节点i满足该订单节点j的定向条件。
303、电子设备将订单特征、以及曝光特征输入至分配参数生成模型中,得到订单在曝光上的播放概率。
在实际应用中,比如,如图5所示,由于合约广告分配算法的核心在于计算合约订单给任意一条曝光的播放概率xij,合适的播放概率xij可以在满足广告主和媒体要求的情况下,使缺量率、合约CTR、媒体整体收益等投放目标达到最优。因此,可以将获取到的订单特征和曝光特征,输入至分配参数生成模型中,并基于该分配参数生成模型生成订单在曝光上的播放概率xij,该曝光概率xij对应着流量曝光节点i和订单节点j之间的连线,表示流量曝光节点i的流量有比例部分分配给订单j。其中,该分配参数生成模型是一种深度学习网络模型,包括但不限于DNN、CNN、RNN等。
在一实施例中,该分配参数生成模型中的算法机制可以表示为xij=f(Fij,w),其中,xij为生成的播放概率,Fij表示订单特征和曝光特征,w表示分配参数生成模型中可学习的模型参数。
304、电子设备确定模型评价函数。
在实际应用中,比如,如图5所示,由于合约广告分配问题是媒体(也即供给方)在规定的时间内,根据广告主(也即需求方)的定向条件,完成相应的投放合约的基础上增加更多目标、更多约束的问题。因此对于广告主而言,它在保证广告投放量完成的基础上,还会要求订单的点击率、用户观看次此条广告的次数等满足约束条件。对于媒体而言,为了保证用户体验,会要求在相同用户的连续N条广告中,相同广告只能出一条,并且在保证合约不缺量的情况下,优先将价值高的流量给竞价订单,从而使媒体收益更大化。因此可以根据订单的需求确定模型评价函数,其中,该模型评价函数的公式可以如下:
其中,Γ(i)和Γ(j)分别表示流量曝光节点i和订单节点j的邻居节点集合,为分配目标,/>表示dj全部可用流量,Vj表示订单j的重要度,pj表示订单j发生缺量时的惩罚系数,xij*CTRij表示广告主关注的合约订单点击率,k表示所有用户的索引,/>表示一个用户下面的所有曝光给一个合约订单的概率和小于订单频次约束,m表示所有用户连续N次曝光场景的索引,/>表示一个用户连续N次曝光中给一个合约订单的概率和要小于1。
在一实施例中,在构建该模型评价函数时,会应用到多种约束条件,各种约束条件可以表示如下:
供给约束条件:
频次约束条件:
媒体新鲜度约束条件:
非负约束条件:
需求约束条件:
305、电子设备将播放概率输入至模型评价函数中,得到模型评分。
在实际应用中,比如,如图5所示,可以将基于分配参数生成模型获得的播放概率xij一次性输入至模型评价函数中进行打分,得到此时分配参数生成模型对应的模型评分。
306、电子设备根据模型评分更新分配参数生成模型的模型参数,直至分配参数生成模型收敛。
在实际应用中,比如,xij播放概率的生成依赖于分配参数生成模型的模型参数w,而模型参数w的更新依赖于最优化问题的目标和约束,因此可以通过的梯度来更新分配参数生成模型的模型参数w。
其中,表示供给约束的损失,/>表示频次约束的损失,/>表示媒体新鲜度约束的损失。
然后可以交替迭代地更新分配参数生成模型的模型参数,直至满足收敛条件或者超时,然后得到训练好的分配参数生成模型、以及训练好的模型参数。
307、电子设备接收曝光请求,并根据曝光请求提取所有订单对应的目标订单特征和本次曝光对应的目标曝光特征。
308、电子设备将目标订单特征、以及目标曝光特征输入至分配参数生成模型中,得到订单在曝光上的目标播放概率。
309、电子设备根据目标播放概率的归一化结果选单。
由上可知,本申请实施例可以通过电子设备获取多个订单对应的订单特征、以及多个流量曝光对应的曝光特征,基于订单特征与曝光特征之间的匹配关系,匹配多个订单以及多个流量曝光,将订单特征、以及曝光特征输入至分配参数生成模型中,得到订单在曝光上的播放概率,确定模型评价函数,将播放概率输入至模型评价函数中,得到模型评分,根据模型评分更新分配参数生成模型的模型参数,直至分配参数生成模型收敛,接收曝光请求,并根据曝光请求提取所有订单对应的目标订单特征和本次曝光对应的目标曝光特征,将目标订单特征、以及目标曝光特征输入至分配参数生成模型中,得到订单在曝光上的目标播放概率,根据目标播放概率的归一化结果选单。该方案可以利用分配参数生成模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导分配参数生成模型中模型参数的更新,达到优化分配参数生成模型的目的。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等,有利于推广内容投放业务的扩展。同时,由于本申请实施例考虑了多种内容投放约束条件,因此本申请可以使得真实环境下的合约广告投放策略更加合理,降低订单的补量率,提高订单的点击率,进而保障广告主的利益。
为了更好地实施以上方法,相应的,本申请实施例还提供一种推广内容的投放装置,该推广内容的投放装置可以集成在电子设备中,参考图8,该推广内容的投放装置包括获取模块81、确定模块82、生成模块83、评价模块84和更新模块85,如下:
获取模块81,用于获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息;
确定模块82,用于基于所述内容投放特征信息与所述用户特征信息之间的信息匹配关系,确定所述推广内容与所述待投放用户之间的匹配关系;
生成模块83,用于基于分配参数生成模型、所述内容投放特征信息、以及所述用户特征信息,生成所述匹配关系中每个所述待投放用户分配给各个所述推广内容的预测流量分配参数;
评价模块84,用于基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果;
更新模块85,用于基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
在一实施例中,所述评价模块84可以包括流量获取子模块841、确定子模块842、参数获取子模块843和评价子模块844,如下:
流量获取子模块841,用于获取每个推广内容对应的预定流量;
用户确定子模块842,用于基于所述匹配关系,确定与所述推广内容匹配的至少一个待投放用户;
流量确定子模块843,用于基于与所述推广内容匹配的至少一个待投放用户对应的预估流量,确定所述推广内容对应的可用流量;
参数获取子模块844,用于基于所述预定流量、以及所述可用流量,获取所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数;
评价子模块845,用于基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果。
在一实施例中,所述评价子模块845可以包括第一构建子模块8451、第二构建子模块8452、第三构建子模块8453和模型评价子模块8454,如下:
第一构建子模块8451,用于基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数;
第二构建子模块8452,用于基于内容投放约束条件,构建约束模型评价函数;
第三构建子模块8453,用于基于所述目标模型评价函数、以及所述约束模型评价函数,构建模型评价函数;
模型评价子模块8454,用于基于所述模型评价函数、以及所述预测流量分配参数,对所述分配参数生成模型进行模型评价,得到模型评价结果。
在一实施例中,所述第一构建子模块8451可以具体用于:
基于所述推广内容未投放流量所对应的惩罚参数,构建惩罚函数;
基于所述期望流量分配参数与所述预测流量分配参数之间的差异、所述惩罚函数、以及推广内容点击率,构建目标模型评价函数。
在一实施例中,所述第二构建子模块8452可以具体用于:
基于所述频次约束条件,确定所述待投放用户对应的预估流量中可用于所述推广内容的可用流量比例;
基于所述可用流量比例,构建约束模型评价函数。
在一实施例中,所述更新模块85可以具体用于:
基于所述模型评价结果,更新所述分配参数生成模型中的模型参数;
当分配参数生成模型不满足模型收敛条件时,返回执行基于所述模型评价结果,更新所述分配参数生成模型中的模型参数的步骤,直至分配参数生成模型收敛;
将收敛的所述分配参数生成模型,确定为用于投放推广内容的更新后分配参数生成模型。
在一实施例中,所述推广内容的投放装置还可以包括信息获取模块86、生成模块87和投放模块88,如下:
信息获取模块86,用于获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息;
生成模块87,用于基于所述更新后分配参数生成模型、所述目标内容投放特征信息、以及所述目标用户特征信息,生成所述目标待投放用户分配给各个所述目标推广内容的目标流量分配参数;
投放模块88,用于基于所述目标流量分配参数进行推广内容投放。
在一实施例中,所述信息获取模块86可以具体用于:
获取目标待投放用户对应的目标用户特征信息;
基于所述匹配关系,确定与所述目标待投放用户相匹配的目标推广内容;
获取所述目标推广内容对应的目标内容投放特征信息。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本申请实施例可以通过获取模块81获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,通过确定模块82基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,通过生成模块83基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,通过评价模块84基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,通过更新模块85基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。该方案可以利用分配参数生成模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导分配参数生成模型中模型参数的更新,达到优化分配参数生成模型的目的。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等,有利于推广内容投放业务的扩展。同时,由于本申请实施例考虑了多种内容投放约束条件,因此本申请可以使得真实环境下的合约广告投放策略更加合理,降低订单的补量率,提高订单的点击率,进而保障广告主的利益。
本申请实施例还提供一种电子设备,该电子设备可以集成本申请实施例所提供的任一种推广内容的投放装置。
例如,如图9所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器91、一个或一个以上计算机可读存储介质的存储器92、电源93和输入单元94等部件。本领域技术人员可以理解,图9中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中:
处理器91是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器92内的软件程序和/或模块,以及调用存储在存储器92内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器91可包括一个或多个处理核心;优选的,处理器91可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器91中。
存储器92可用于存储软件程序以及模块,处理器91通过运行存储在存储器92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。存储器92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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器92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、或其他易失性固态存储器件。相应地,存储器92还可以包括存储器控制器,以提供处理器91对存储器92的访问。
电子设备还包括给各个部件供电的电源93,优选的,电源93可以通过电源管理系统与处理器91逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源93还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元94,该输入单元94可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器91会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文本加载到存储器92中,并由处理器91来运行存储在存储器92中的应用程序,从而实现各种功能,如下:
获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本申请实施例可以获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。该方案可以利用分配参数生成模型获取预测流量分配参数,并利用模型评价函数对生成的结果进行评价,指导分配参数生成模型中模型参数的更新,达到优化分配参数生成模型的目的。这种方法需要求解的参数少、收敛快、并且方便添加特征、新的约束条件等,有利于推广内容投放业务的扩展。同时,由于本申请实施例考虑了多种内容投放约束条件,因此本申请可以使得真实环境下的合约广告投放策略更加合理,降低订单的补量率,提高订单的点击率,进而保障广告主的利益。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种电子设备,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种推广内容的投放方法中的步骤。例如,该指令可以执行如下步骤:
获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息,基于内容投放特征信息与用户特征信息之间的信息匹配关系,确定推广内容与待投放用户之间的匹配关系,基于分配参数生成模型、内容投放特征信息、以及用户特征信息,生成匹配关系中每个待投放用户分配给各个推广内容的预测流量分配参数,基于匹配关系中每个待投放用户分配给各个推广内容的期望流量分配参数、预测流量分配参数、以及内容投放约束条件,对分配参数生成模型进行模型评价,得到模型评价结果,基于模型评价结果,更新分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种推广内容的投放方法中的步骤,因此,可以实现本申请实施例所提供的任一种推广内容的投放方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种推广内容的投放方法、装置、存储介质和电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种推广内容的投放方法,其特征在于,包括:
获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息;
基于所述内容投放特征信息与所述用户特征信息之间的信息匹配关系,确定所述推广内容与所述待投放用户之间的匹配关系;
基于分配参数生成模型、所述内容投放特征信息、以及所述用户特征信息,生成所述匹配关系中每个所述待投放用户分配给各个所述推广内容的预测流量分配参数;
基于模型评价函数对所述分配参数生成模型进行模型评价,得到模型评价结果,其中,所述模型评价函数包括目标模型评价函数、以及约束模型评价函数,所述约束模型评价函数为基于多种内容投放约束条件构建的,所述目标模型评价函数是基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数构建的,所述目标模型评价函数如下:
其中,i表示待投放用户,Γ(j)表示推广内容j的邻居节点集合,Vj表示推广内容j的重要度,θj表示推广内容j对应的所述期望流量分配参数,xij表示所述预测流量分配参数,uj表示推广内容j的未投放流量,pj表示未投放流量对应的惩罚参数,xij*CTRij表示推广内容点击率;
基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
2.根据权利要求1所述的推广内容的投放方法,其特征在于,基于模型评价函数对所述分配参数生成模型进行模型评价,得到模型评价结果,包括:
获取每个推广内容对应的预定流量;
基于所述匹配关系,确定与所述推广内容匹配的至少一个待投放用户;
基于与所述推广内容匹配的至少一个待投放用户对应的预估流量,确定所述推广内容对应的可用流量;
基于所述预定流量、以及所述可用流量,获取所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数;
基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果。
3.根据权利要求2所述的推广内容的投放方法,其特征在于,基于所述期望流量分配参数、所述预测流量分配参数、以及内容投放约束条件,对所述分配参数生成模型进行模型评价,得到模型评价结果,包括:
基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数;
基于内容投放约束条件,构建约束模型评价函数;
基于所述目标模型评价函数、以及所述约束模型评价函数,构建模型评价函数;
基于所述模型评价函数、以及所述预测流量分配参数,对所述分配参数生成模型进行模型评价,得到模型评价结果。
4.根据权利要求3所述的推广内容的投放方法,其特征在于,基于所述期望流量分配参数与所述预测流量分配参数之间的差异,构建目标模型评价函数,包括:
基于所述推广内容未投放流量所对应的惩罚参数,构建惩罚函数;
基于所述期望流量分配参数与所述预测流量分配参数之间的差异、所述惩罚函数、以及推广内容点击率,构建目标模型评价函数。
5.根据权利要求3所述的推广内容的投放方法,其特征在于,所述内容投放约束条件包括频次约束条件;
基于内容投放约束条件,构建约束模型评价函数,包括:
基于所述频次约束条件,确定所述待投放用户对应的预估流量中可用于所述推广内容的可用流量比例;
基于所述可用流量比例,构建约束模型评价函数。
6.根据权利要求1所述的推广内容的投放方法,其特征在于,基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型,包括:
基于所述模型评价结果,更新所述分配参数生成模型中的模型参数;
当分配参数生成模型不满足模型收敛条件时,返回执行基于所述模型评价结果,更新所述分配参数生成模型中的模型参数的步骤,直至分配参数生成模型收敛;
将收敛的所述分配参数生成模型,确定为用于投放推广内容的更新后分配参数生成模型。
7.根据权利要求1所述的推广内容的投放方法,其特征在于,所述方法还包括:
获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息;
基于所述更新后分配参数生成模型、所述目标内容投放特征信息、以及所述目标用户特征信息,生成所述目标待投放用户分配给各个所述目标推广内容的目标流量分配参数;
基于所述目标流量分配参数进行推广内容投放。
8.根据权利要求7所述的推广内容的投放方法,其特征在于,获取需要投放推广内容的目标待投放用户对应的目标用户特征信息、以及与所述目标待投放用户相匹配的多个目标推广内容对应的目标内容投放特征信息,包括:
获取目标待投放用户对应的目标用户特征信息;
基于所述匹配关系,确定与所述目标待投放用户相匹配的目标推广内容;
获取所述目标推广内容对应的目标内容投放特征信息。
9.一种推广内容的投放装置,其特征在于,包括:
获取模块,用于获取多个推广内容对应的内容投放特征信息、以及多个待投放用户对应的用户特征信息;
确定模块,用于基于所述内容投放特征信息与所述用户特征信息之间的信息匹配关系,确定所述推广内容与所述待投放用户之间的匹配关系;
生成模块,用于基于分配参数生成模型、所述内容投放特征信息、以及所述用户特征信息,生成所述匹配关系中每个所述待投放用户分配给各个所述推广内容的预测流量分配参数;
评价模块,用于基于模型评价函数对所述分配参数生成模型进行模型评价,得到模型评价结果,其中,所述模型评价函数包括目标模型评价函数、以及约束模型评价函数,所述约束模型评价函数为基于多种内容投放约束条件构建的,所述目标模型评价函数是基于所述匹配关系中每个所述待投放用户分配给各个所述推广内容的期望流量分配参数、所述预测流量分配参数构建的,所述目标模型评价函数如下:
其中,i表示待投放用户,Γ(j)表示推广内容j的邻居节点集合,Vj表示推广内容j的重要度,θj表示推广内容j对应的所述期望流量分配参数,xij表示所述预测流量分配参数,uj表示推广内容j的未投放流量,pj表示未投放流量对应的惩罚参数,xij*CTRij表示推广内容点击率;
更新模块,用于基于所述模型评价结果,更新所述分配参数生成模型中的模型参数,得到用于投放推广内容的更新后分配参数生成模型。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-8任一项所述的推广内容的投放方法。
11.一种电子设备,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,其中,所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327487.XA CN111523939B (zh) | 2020-04-23 | 2020-04-23 | 一种推广内容的投放方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327487.XA CN111523939B (zh) | 2020-04-23 | 2020-04-23 | 一种推广内容的投放方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523939A CN111523939A (zh) | 2020-08-11 |
CN111523939B true CN111523939B (zh) | 2023-11-28 |
Family
ID=71910768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327487.XA Active CN111523939B (zh) | 2020-04-23 | 2020-04-23 | 一种推广内容的投放方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523939B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435091B (zh) * | 2020-11-23 | 2024-03-29 | 百果园技术(新加坡)有限公司 | 推荐内容的选择方法、装置、设备及存储介质 |
CN112396474A (zh) * | 2020-12-23 | 2021-02-23 | 上海苍苔信息技术有限公司 | 一种根据广告主预算分配流量的系统和方法 |
CN112862539B (zh) * | 2021-03-03 | 2023-04-25 | 拉扎斯网络科技(上海)有限公司 | 流量处理方法、装置、电子设备及存储介质 |
CN112950052A (zh) * | 2021-03-19 | 2021-06-11 | 湖南美石信息技术有限公司 | 一种基于商砼管理的综合性智能服务平台系统 |
CN113298119B (zh) * | 2021-04-28 | 2023-02-24 | 上海淇玥信息技术有限公司 | 机器学习模型的投放策略评估方法、装置及电子设备 |
CN113794649B (zh) * | 2021-11-15 | 2022-02-22 | 浙江口碑网络技术有限公司 | 一种信息流量分配方法及装置、存储介质、计算设备 |
CN115018533A (zh) * | 2022-05-27 | 2022-09-06 | 北京有竹居网络技术有限公司 | 一种媒体数据处理方法、装置及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
CN103066595A (zh) * | 2012-12-26 | 2013-04-24 | 中国电力科学研究院 | 一种特高压暂态稳定控制的优化方法 |
CN103745388A (zh) * | 2014-01-28 | 2014-04-23 | 合一信息技术(北京)有限公司 | 广告拆分方法及系统 |
CN104978667A (zh) * | 2014-04-04 | 2015-10-14 | 北京千橡网景科技发展有限公司 | 广告交互方法以及广告交互系统 |
WO2018036307A1 (zh) * | 2016-08-23 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 推送信息订单的信息处理方法、分配方法、装置及存储介质 |
CN108122122A (zh) * | 2016-11-29 | 2018-06-05 | 腾讯科技(深圳)有限公司 | 广告投放方法和系统 |
CN108428144A (zh) * | 2017-02-15 | 2018-08-21 | 腾讯科技(北京)有限公司 | 推送信息订单的流量分配方法、服务分配方法及装置 |
CN109888788A (zh) * | 2019-02-18 | 2019-06-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种电力系统最优潮流的求解方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
CN110147883A (zh) * | 2019-05-28 | 2019-08-20 | 航天科工系统仿真科技(北京)有限公司 | 用于作战仿真的模型的训练方法、装置、设备和存储介质 |
CN110196949A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN110401209A (zh) * | 2019-05-14 | 2019-11-01 | 东华大学 | 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136118A (zh) * | 2010-11-12 | 2011-07-27 | 华为软件技术有限公司 | 广告订单预定方法、广告投放方法和系统 |
-
2020
- 2020-04-23 CN CN202010327487.XA patent/CN111523939B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158417A (zh) * | 2011-05-19 | 2011-08-17 | 北京邮电大学 | 实现多约束QoS路由选择的优化方法及装置 |
CN103066595A (zh) * | 2012-12-26 | 2013-04-24 | 中国电力科学研究院 | 一种特高压暂态稳定控制的优化方法 |
CN103745388A (zh) * | 2014-01-28 | 2014-04-23 | 合一信息技术(北京)有限公司 | 广告拆分方法及系统 |
CN104978667A (zh) * | 2014-04-04 | 2015-10-14 | 北京千橡网景科技发展有限公司 | 广告交互方法以及广告交互系统 |
WO2018036307A1 (zh) * | 2016-08-23 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 推送信息订单的信息处理方法、分配方法、装置及存储介质 |
CN108122122A (zh) * | 2016-11-29 | 2018-06-05 | 腾讯科技(深圳)有限公司 | 广告投放方法和系统 |
CN108428144A (zh) * | 2017-02-15 | 2018-08-21 | 腾讯科技(北京)有限公司 | 推送信息订单的流量分配方法、服务分配方法及装置 |
WO2018149371A1 (zh) * | 2017-02-15 | 2018-08-23 | 腾讯科技(深圳)有限公司 | 推送信息订单的流量、服务分配方法、装置及存储介质 |
CN110196949A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN109888788A (zh) * | 2019-02-18 | 2019-06-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种电力系统最优潮流的求解方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
CN110401209A (zh) * | 2019-05-14 | 2019-11-01 | 东华大学 | 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法 |
CN110147883A (zh) * | 2019-05-28 | 2019-08-20 | 航天科工系统仿真科技(北京)有限公司 | 用于作战仿真的模型的训练方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
刘荣辉著.《大数据架构技术与实例分析》.东北师范大学出版社,2018,第146-149页,第167-168页. * |
基于用户相似度和特征分化的广告点击率预测研究;潘书敏;颜娜;谢瑾奎;;计算机科学(第02期);第290-296页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111523939A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523939B (zh) | 一种推广内容的投放方法、装置、存储介质和电子设备 | |
Jin et al. | Real-time bidding with multi-agent reinforcement learning in display advertising | |
Cai et al. | Real-time bidding by reinforcement learning in display advertising | |
CN111242748B (zh) | 用于向用户推荐项目的方法、装置和存储介质 | |
CN102414705A (zh) | 用于向社交网络的用户提供广告的方法和系统 | |
CN102414706A (zh) | 用于社交网络的AdHeat广告模型 | |
CN110119474A (zh) | 推荐模型训练方法、基于推荐模型的预测方法及装置 | |
CN111241394B (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
CN109636490A (zh) | 广告转化率的实时预测方法、广告评价方法与系统 | |
CN112508256A (zh) | 一种基于众包的用户需求主动预测方法及系统 | |
CN111798280A (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN109690534A (zh) | 使用动态用户模型进行预取以减少等待时间 | |
US20220245495A1 (en) | Information processing method and apparatus, and computer-readable storage medium | |
CN113015010A (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
CN114298728A (zh) | 一种数据处理方法及相关装置 | |
CN113011911B (zh) | 基于人工智能的数据预测方法、装置、介质及电子设备 | |
CN110196949A (zh) | 信息推送方法、装置、电子设备及计算机可读介质 | |
CN113034188B (zh) | 一种多媒体内容投放方法、装置及电子设备 | |
JP7204800B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN109191159A (zh) | 数据定向方法、装置、计算机设备及计算机可读存储介质 | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 | |
CN112232878A (zh) | 虚拟展示资源处理方法、装置、计算机设备及存储介质 | |
CN112001753A (zh) | 推广信息的投放方法、装置、设备及存储介质 | |
CN112785328A (zh) | 一种内容推送方法、装置及计算机存储介质 | |
CN108510299B (zh) | 确定多媒体资源投放策略的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40027401 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |