CN111566684A - 用于优化广告的用户分组的方法和系统 - Google Patents

用于优化广告的用户分组的方法和系统 Download PDF

Info

Publication number
CN111566684A
CN111566684A CN202080001105.2A CN202080001105A CN111566684A CN 111566684 A CN111566684 A CN 111566684A CN 202080001105 A CN202080001105 A CN 202080001105A CN 111566684 A CN111566684 A CN 111566684A
Authority
CN
China
Prior art keywords
user
users
conversion
bucket
buckets
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.)
Granted
Application number
CN202080001105.2A
Other languages
English (en)
Other versions
CN111566684B (zh
Inventor
严佳
华致刚
奇峰
刘颖琪
操颖平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Publication of CN111566684A publication Critical patent/CN111566684A/zh
Application granted granted Critical
Publication of CN111566684B publication Critical patent/CN111566684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0277—Online 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0254—Targeted advertisements based on statistics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本文提供了用于将用户分组的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。所述方法的一个实施例包括：将被候选广告作为目标的多个用户划分为多个用户桶，其中，多个用户桶中的每个用户桶关联有第一转化得分；获得与所述广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；以及使用所述经训练预测模型来构建优化模型，其中，优化问题的目标函数是利用通过求解优化问题而确定的分组策略来最大化总转化得分。

Description

用于优化广告的用户分组的方法和系统
技术领域
本公开总体上涉及用于优化在线广告投放的系统和方法，特别是用于优化在线广告投放的用户分组的系统和方法。
背景技术
在线广告是一种营销和广告形式，其使用互联网向用户投放促销性营销信息(例如，广告、促销、优惠券)。通常，一个广告可以基于广告商正在推广的产品和/或人，而针对具有某些特征的用户。
当确定要向一个用户显示哪些广告时，主机(例如，搜索引擎、网站)可以首先确定以该用户作为目标的候选广告，然后选择它们中的一个或多个显示给该用户(例如，取决于可用广告位的数量)。
传统上，被广告作为目标的用户根据用户的转化率被分为几组。通常，用户按其转化率以降序排列，只有列表顶部的用户才可能有机会被选择去接收广告。尽管仅向转化率高的少数用户显示广告可以提供短期利益，但它限制了用户基础(例如，接收广告的用户数量)，并可能导致降低的整体用户曝光度。因此，期望优化广告的消费者分组方法，以提高在线广告的公平性和整体有效性。
发明内容
本文的各种实施例可以包括用于将广告个性化的系统、方法和非暂时性计算机可读介质。
根据一个方面，用于将用户分组的方法可以包括：将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分；获得与所述广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；使用所述经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；求解所述优化问题以确定所述多个决策变量的值；以及根据所述分组策略，将所述多个用户桶分配至所述候选广告的一个或多个用户组。
在一些实施例中，所述确定投放所述每个候选广告的得分可以包括：至少基于与多个用户桶中包括所述用户的一个用户桶相关联的第一转化得分以及与一个或多个用户组中包括所述一个用户桶的一个用户组相关联的第二转化得分来确定所述得分。
在一些实施例中，所述识别多个广告中的一个或多个可以包括：识别具有最高得分的一个或多个候选广告。
在一些实施例中，多个用户中的每一个可以关联有对应于所述广告的第三转化得分；多个用户桶中的每个用户桶可以包括多个用户中的一个或多个；以及与所述多个用户桶中的每个用户桶相关联的第一转化得分包括与所述多个用户桶中的每个用户桶中所述多个用户中的一个或多个相关联的一个或多个第三转化得分的平均值。
在一些实施例中，所述第三转化得分可以是响应于所述广告的点击率。
在一些实施例中，与所述多个用户桶中的一个或多个的一组相关联的第二转化得分可以至少基于与所述组中的多个用户桶中的一个或多个相关联的第一转化得分和所述多个用户桶中的一个或多个中每个用户桶中的用户数量来确定。
在一些实施例中，所述预测模型可以是张量流模型，所述张量流模型拟合曝光率的历史数据以估计逻辑(logistic)函数的多个参数。
在一些实施例中，所述优化模型的方案可以包括决策变量的向量，每个决策变量表示是否将所述多个用户桶中的一个用户桶分配至所述一个或多个用户组中的一个。
在一些实施例中，所述多个决策变量的值可以是二进制值；以及所述多个决策变量中的每一个可以表示是否将多个用户桶中的一个分配至所述一个或多个用户组中的一个。
在一些实施例中，所述一个或多个用户组的数量可以是与所述广告相关联的可配置值。
在一些实施例中，所述优化模型可以包括一个用户桶被分配至一个且仅一个用户组的约束条件。
在一些实施例中，优化问题的目标函数是
Figure BDA0002559742900000031
其中，J是一个或多个用户组的数量；其中，j对应于第j用户组；其中，I是多个用户桶的数量；其中，i对应于第i用户桶；其中，f(si，tj)对应于经训练预测模型；其中，si对应于第i用户桶的第一转化得分；其中，tj对应于第j用户组的第二转化得分；其中，ni对应于第i用户桶中的多个用户；以及其中，xij对应于指示所述第i用户桶是否被分配给所述第j用户组的决策变量。
根据其他实施例，一种用于将用户分组的系统包括一个或多个处理器以及一个或多个计算机可读存储器，所述一个或多个计算机可读存储器耦接至所述一个或多个处理器并且在其上存储有指令，所述指令可由一个或多个处理器执行以执行前述任一实施例的方法。
根据其他实施例，一种非暂时性计算机可读存储介质配置有指令，所述指令可由一个或多个处理器执行，以使所述一个或多个处理器执行前述任一实施例的方法。
根据其他实施例，一种用于将用户分组的装置包括用于执行前述任一实施例的方法的多个模块。
根据另一个方面，一种用于将用户分组的系统可以包括计算机系统，所述计算机系统包括处理器和存储指令的非暂时性计算机可读存储介质，所述指令可被处理器执行以使计算机系统执行操作，所述操作包括：将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分；获得与所述广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；使用所述经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；求解所述优化问题以确定所述多个决策变量的值；以及根据所述分组策略，将所述多个用户桶分配至所述候选广告的一个或多个用户组。
根据又一个方面，一种用于将用户分组的非暂时性计算机可读存储介质可以配置有指令，所述指令可由一个或多个处理器执行以使所述一个或多个处理器执行操作，所述操作包括：将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分；获得与所述广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；使用所述经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；求解所述优化问题以确定所述多个决策变量的值；以及根据所述分组策略，将所述多个用户桶分配至所述候选广告的一个或多个用户组。
根据再一个方面，一种用于将用户分组的装置可以包括第一分组模块、训练模块、优化建模模块、优化求解模块和第二分组模块。在一些实施例中，第一分组模块可以将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分；训练模块可以获得与所述广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；优化建模模块可以使用所述经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；优化求解模块可以求解所述优化问题以确定所述多个决策变量的值；以及第二分组模块可以根据所述分组策略，将所述多个用户桶分配至所述候选广告的一个或多个用户组。
本文中公开的实施例具有一种或多种技术效果。在一个实施例中，所公开的方法和系统将被广告或广告组(例如，共有针对共同主题的相似目标用户的一个或多个广告)作为目标的多个用户(例如，数亿个)划分为大量的桶(例如，数万或数十万个)。与将用户分为少数几个组(例如，通常少于一百个)的现有方案相比，所公开的方法和系统提供了更细粒度和准确的用户管理。在另一个实施例中，所公开的方法和系统训练机器学习模型以利用广告的个性化转化得分来学习曝光曲线。在一个实施例中，可以通过将广告的历史曝光率拟合到张量流模型中以估计logistic函数的参数来训练该模型。在训练之后，该模型可以预测投放广告给用户的转化得分。特别地，该模型不仅考虑表示用户的“质量”的用户个人点击率(CTR)，而且考虑包括该用户的用户组的、在某种程度上表示该广告对于该用户组的“质量”的平均CTR。因此，该模型所做的预测是准确的，具有较小的偏差。在又一个实施例中，所公开的方法和系统基于对约束优化问题的解来确定用户分组策略。优化问题的决策变量建议应将哪些用户分组在一起，并且优化问题的目标函数是最大化全局转化得分。根据优化问题的解将用户分组，避免了现有方案中不必要的偏差和不公平，并且可以从全局角度实现最佳转换结果。
在参照附图考虑以下描述和所附权利要求时，本文公开的系统、方法和非暂时性计算机可读介质的这些和其他特征，以及相关结构要素和部件组合的操作方法和功能以及制造的经济性将变得更加明显，所有这些均构成本说明书的一部分，其中，相同的附图标记在各个附图中表示相应的部分。然而，应当明确地理解，附图仅出于说明和描述的目的，并且无意作为对本发明进行限制的限定。
附图说明
图1示出了根据各种实施例的用于优化广告的用户分组的示例环境。
图2示出了根据各种实施例的用于向用户投放广告的示例流程。
图3示出了根据各种实施例的示例用户分组流程。
图4示出了根据各种实施例的用于确定要显示给用户的广告的方法。
图5示出了根据各种实施例的用于分组用户的示例方法。
图6示出了根据一些实施例的用于优化广告的用户分组的计算机系统装置的框图。
图7示出了可在其中实现本文描述的任何实施例的示例计算设备。
具体实施方式
本文公开的技术可以优化在线广告的准确性和整体效率。在一些实施例中，页面(例如，网页、应用的首页、消息)可以具有向用户显示促销、广告、优惠券等的几个广告位(例如，横幅)。尽管广告位的数量高度受限(例如，为了良好的用户体验，有三个或更少)，但是候选广告的数量通常为数百万。为了最大化整体曝光率，托管页面的平台(例如，搜索引擎、电子商务平台、移动应用)可以选择性地向用户显示某些广告。这些选定的广告在投放给用户时应产生最佳的转化率。在本文中，一个广告可以指单个广告或一个广告组(例如，共有针对一个共同主题的相似目标用户的一个或多个广告)。转化率可以指用户点击广告的概率，或者用户点击广告、然后完成购买/转化的概率。在本文中，转化率和点击率(CTR)可以互换使用，以表示一系列广告指标。
为了预测将广告投放给一个特定用户的转化率(例如，以转化得分的形式)，可以考虑多个因素。在一个实施例中，这些因素可以包括用户本身的“质量”(例如，由与广告相对应的个人转化率表示)，其可以从广告商处获得或从历史数据中获得。在一个实施例中，这些因素可以进一步包括与特定用户相对应的广告本身的“质量”，其可以由包括特定用户的一组目标用户的平均转化率来表示。结果，用于将目标用户分组的策略的公平性和效率可能直接影响针对用户的广告选择。
在一些实施例中，将具有高个人转化率的用户分组并且仅将相应的广告投放到该组可以实现最高的转化率。但是，这种用户分组方法忽略了用户群的规模，这可能会降低整体用户体验(例如，广告商可能会抱怨其广告组仅被投放给小目标用户组，即使他们具有高转化率)。在一些实施例中，可以设计更平衡的分组方法以量化实际曝光率相对于用户转化行为的个性化转化率的曲线。在一些实施例中，分组方法可以被阐述为非线性整数编程，并且可以由开源求解器(例如Bonmin)求解。
在本文中，转化率和转化得分可以互换使用；广告(ad)和广告(advertisement)可以互换使用。
图1示出了根据各种实施例的用于优化广告的用户分组的示例环境。以下呈现的系统100的各组件旨在说明。取决于实施方式的不同，系统100可以包括更多、更少或替代性的组件。
在一些实施例中，系统100可以包括计算系统102、中心广告系统104和计算设备106。可以预期，尽管图1中示出了一个计算设备，但是系统100中可以包括任意数量的计算设备。可以在一个或多个网络(例如，企业网络)、一个或多个端点、一个或多个服务器(例如，服务器130)或一个或多个云中实现计算系统102。服务器130可以包括管理对网络中的集中式资源或服务的访问的硬件或软件。云可以包括在网络上分布的服务器和其他设备的集群。
计算系统102可以被理解为在线营销平台，诸如搜索引擎、网页、移动应用。中心广告系统104可以指在线决策系统，在该在线决策系统中做出有关哪些广告将被投放给用户的最终决策。可以在中心广告系统与计算系统102之间交换各种数据(例如，计算系统102可以将用户分组结果发送到中心广告系统104，和/或收集由中心广告系统104做出的历史广告投放决策)。计算系统102内的服务器130可以为计算系统102提供存储和/或计算能力。在一些实施例中，计算设备106可以与一个或多个广告商(例如，为计算系统生成要显示给用户的候选广告的实体)相关联。在一些实施例中，与广告商相关联的计算设备106可以从其目标用户处收集各种数据。如图1所示，计算设备106可以执行从与一个或多个目标用户相关联的设备140a和设备140b的数据收集126。在一些实施例中，数据收集126可以指广告商将候选广告发送给用户以收集响应数据的过程。然后，收集到的响应数据可以用于确定每个用户响应于候选广告的“质量”(例如，转化率、点击率)。在一些实施例中，由与广告商相关联的计算设备106执行的数据收集126，可以被委托给计算系统102。例如，在通过计算设备106从广告商接收候选广告之后，在线标记平台(例如，通过计算系统102)可以进行数据收集126以学习目标用户的响应曲线。
计算系统102可以包括获取组件112、建模组件114、优化组件116和分组组件118。计算系统102可以包括其他组件。计算系统102可以包括一个或多个处理器(例如，数字处理器、模拟处理器、设计用于处理信息的数字电路、中央处理单元、图形处理单元、微控制器或微处理器、设计用于处理信息的模拟电路、状态机和/或用于以电子方式处理信息的其他装置)和一个或多个存储器(例如，永久存储器、临时存储器、非暂时性计算机可读存储介质)。一个或多个存储器可以被配置为具有可被一个或多个处理器执行的指令。处理器可以被配置为通过解释存储在存储器中的机器可读指令来执行各种操作。计算系统102可以安装有用于访问系统100的其他设备的适当软件(例如，平台程序等)和/或硬件(例如，连接线、无线连接等)。
在一些实施例中，计算设备106可以被实现在诸如移动电话、平板电脑、服务器、台式计算机、膝上型计算机等的各种设备上，或被实现为上述各种设备。计算系统102可以与计算设备106以及其他计算设备通信。设备之间的通信可能会通过局域网(例如，LAN)、通过直接通信(例如，BLUETOOTHTM、射频、红外)等在互联网上发生。
在一些实施例中，系统100可以包括用户分组平台。例如，计算系统102和/或其他计算设备可以实现该用户分组平台。用户分组平台可以建立或训练模型以预测向用户投放一个广告(例如，或者一个广告组)的转化率，并实现其应用。在一些实施例中，可以由在线标记平台或由广告商通过历史数据来构建用于预测转化率的模型。用户分组平台还可以解决对于一个广告的优化问题，以确定最佳的用户分组策略。一旦用户被分组，就可以将用户分组结果递送到中心广告系统104。响应于向用户投放一个或多个广告的请求(例如，当用户打开网页或移动应用时，或在广播广告时)，中心广告系统104可以基于用户分组结果确定哪些广告要投放给用户。
在一些实施例中，计算系统102中的获取组件112可以被配置用于收集各种数据。所述数据可以包括被广告作为目标的用户的信息、中心广告系统104投放给用户的历史广告(例如，实际曝光)、用户响应于广告的个体转化率、用于将目标用户分组的组的数量(例如，此数量可以由广告商、计算系统102或合适的另一方配置)、合适的其他历史数据或其任意组合。计算设备106和/或计算系统102可以预先、实时或周期性地获得或存储这样的数据。例如，可以首先将广告投放给一百万个用户(例如，广告投放决策)，然后获取组件112可以收集相应的响应以及用户的信息。响应可以包括具有各种特征的数据条目，例如个人转化得分(例如，个人转化率)、广告标识、点击(是或否)、时间、广告位置(例如，横幅位置)、网站标识、网站域、网站类别、应用标识、应用域、应用类别、设备标识、设备IP、设备型号、设备类型、设备连接类型、其他合适的特征或其任意组合。
在一些实施例中，基于获得的数据，计算系统102的建模组件114可以响应于一个广告(或广告组)来建立或训练转化率预测模型。一个或多个广告可以共享一个转化率预测模型。该模型可以部署在远程服务器、云、客户端侧设备等中。在一些实施例中，建模组件114可以选择机器学习算法以拟合所获得的数据，例如公式(1)中所示的logistic函数。
Figure BDA0002559742900000101
logistic函数可以具有两个输入特征v1和v2，其中v1可以表示个性化转化得分，而v2可以表示一个广告组中所有用户的平均转化得分。logistic函数还可以具有三个参数w0、w1、w2，这三个参数的值有待通过拟合所获得(历史)数据来习得。公式(1)中的e表示自然对数底(也称为欧拉数)。在一些实施例中，可以通过将广告的历史曝光率拟合到张量流模型(tensor-flow model)中以估计logistic函数的参数，来训练logistic函数。
在一些实施例中，计算系统102的优化组件116可以制定优化问题以便确定最佳分组策略。在一些实施例中，分组策略可以在个体级别(例如，最细粒度级别)上将目标用户分组。在一些实施例中，为了减少个体级别上的数据噪声，可以首先将目标用户分配到小用户桶中，并且将每个桶作为优化问题的最小单元处理。例如，可以首先将一千万个目标用户根据他们的个人转化率(例如，实际个人转化率)而划分为一万个桶，其中第一个桶包括个人转化率在100％到99.99％之间的用户，第二个桶包括个人转化率在99.99％到99.98％之间的用户，依此类推。在下面讨论中，可以将一个用户桶作为一个用户处理。在一些实施例中，可以将每个个体用户认为是一个桶，这样可以认为目标用户被划分为多个桶，每个桶具有一个用户。应当认为这样的实施例被本文描述的发明所覆盖。
在一些实施例中，优化问题的目标函数可以是通过使用上述转化率预测模型来最大化整体曝光率(例如，在广告的背景中曝光于唯一的访问者/观看者)。例如，优化问题可以表示为公式(2)，而相应的约束条件可以被表示为公式(3)。
Figure BDA0002559742900000102
受约束于
Figure BDA0002559742900000103
其中，I可以表示用户桶的数量，而i可以表示第i桶；J可以表示要创建的组数量(例如，该数量可由广告商或平台配置)，而j可以表示第j组；ni可以表示第i桶中的用户数量；f(si，tj)可以表示公式(1)中所示的转化率预测模型，si可以表示第i用户桶的转化得分，而tj可以表示在给定特定分配(例如，
Figure BDA0002559742900000111
)的情况下，第j组的平均转化率。在一些实施例中，决策变量xij可以具有二进制值，其表示第i用户桶是否应被分到第j组中。在其他实施例中，决策变量xij可以具有连续值。在一些实施例中，如果公式(2)中的优化问题中使用公式(1)中的logistic函数，则目标函数是非线性整数规划，其可以由各种开源求解器(例如，Bonmin)求解，以获得xij向量(或矩阵)。公式(3)中的约束条件可以指示一个用户桶可以被分到一个且仅一个组。
在一些实施例中，计算系统102的分组组件118可以根据公式(2)中所示的优化问题的解来确定分组策略。可以预期，该分组策略可以应用于与历史数据相关联的特定广告(或共有相似点的广告组)。在一些实施例中，计算系统102可以为每个广告(或每个广告组)执行所述处理(例如，获取数据、建立转化率预测模型、求解优化问题)。
图2示出了根据各种实施例的用于向用户投放广告的示例流程。在通过现有的用户分组方案或本文公开的用户分组方法将用户分组之后，可以确定要投放哪个广告。在一些实施例中，流程可以从用户通过计算设备210(例如计算机、智能电话)访问网页(或另一个合适的在线页面)230开始，其中在网页上存在有限数量的广告位可用于显示广告或促销。如图2所示，网页230在网页内容旁边具有一个广告位。在此，用户210可以指单个个人、实体、计算设备或其他合适的用户。计算设备220可以首先确定以用户210为目标的一个或多个广告(例如，广告商可以指定被其广告作为目标的用户)。如图2所示，在广告Ad_1、Ad_2…Ad_N之中，Ad_1和Ad_2被确定为以用户210为目标。Ad_1和Ad_2可以称为候选广告240。在一些实施例中，每个候选广告240都可以具有目标用户250(包括用户210)，并且可以根据各种分组策略将每个候选广告的目标用户250分组为多个组260。如图2所示，Ad_1的目标用户被划分为三个组G1、G2和G3，Ad_2的目标用户被划分为一个组G(例如，所有用户都在同一组中)。然后，为了选择两个候选广告240之一来显示给用户210，计算设备220可以确定哪个候选广告在被投放给用户210时可能产生更高的转化率。假设用户210处于与Ad_1对应的G2中，同时也处于与Ad_2对应的G1中，则计算设备220可以确定对应于向用户210投放Ad_1的第一转化得分，以及对应于向用户210投放Ad_2的第二转化得分。在一些实施例中，可以基于各种因素来确定第一转化得分，所述因素包括用户210的个人转化率(例如，用户将点击广告的可能性)以及包括用户210的组的转化率(例如，G2的转化率)。在一些实施例中，可以计算G2的转化率来作为组G2中所有用户的平均转化率。该平均转化率可以反映Ad_1对G2中的用户多有“吸引力”(例如，G2中的用户将点击Ad_1的多大可能性)。在一些实施例中，可以以相同的方式来计算与Ad_2对应的第二转化得分。随后，可以选择具有最高转化得分的候选广告，以为用户210显示在网页230上的广告位中。
图3示出了根据各种实施例的用于用户分组的示例流程。图3使用来自图2的Ad_N310作为示例来描述如何对Ad_N的目标用户320进行分组。在一些实施例中，可以由广告商、在线营销平台或合适的另一方来配置要为一个广告创建的组的数量。例如，图3中的Ad_N310的目标用户320将被划分为两个组：组_1 330和组_2 340。
在一些实施例中，每个目标用户320可以具有个人转化率(或转化得分)。例如，个人转化率可以是介于0％与100％之间的浮动值，其中转化率为0％的用户不会点击任何广告，而转化率为100％的用户则会点击每个广告。基于这些个人转化率，可以首先将这些目标用户320划分为许多个桶350。例如，Ad_N具有一千万个目标用户320，可以将其划分为数万个用户桶350，其中第一个桶包括个人转化率在100％与99.99％之间的用户，第二个桶包括个人转化率在99.99％与99.98％之间的用户，依此类推。因此，具有相似转化率的用户被分到同一个桶中。可以预期，各用户桶中的用户数量可以不同。
在一些实施例中，为了确定将用户桶350分配到用户组330和340中的最优分组策略，可以首先确定优化问题的解。优化问题可以包括最大化全局转化得分的目标函数。例如，优化问题可以表示为公式(2)，而相应的约束条件可以被表示为公式(3)。如上所述，优化问题可以取决于转化率预测模型，以基于输入(例如，个人转化率和组平均转化率)预测转化得分。例如，可以基于历史数据将转化率预测模型训练为logistic函数(例如，公式(1))。在一些实施例中，可以周期性地更新转化率预测模型。例如，可以每天(或每小时)收集广告投放和用户响应，并且可以调整转化率预测模型以拟合新收集的数据。
公式(2)中所示的优化问题的解可以提供二进制决策变量的向量(或矩阵)。每个决策变量可以确定一个用户桶是否被分配给一个用户组。例如，假设决策变量x351，1＝x353，1＝x356，1＝x352，2＝x354，2＝x355，2＝1，并且所有其他决策变量均为0，则可将用户桶351、353和356分配给组_1 330，而将用户桶352、354和355分配给组_2 340。
下面描述一个示例以证明与现有方案相比，本文公开的用户分组方法可以实现更高的全局转化得分(例如，仅根据用户的个人转化率将用户分配到各组中)。
首先，可以假定公式(1)中的logistic函数已经通过拟合响应于一个广告而收集的历史数据进行了训练，并被表示为公式(4)。
Figure BDA0002559742900000131
其中，v1表示与用户(或用户桶)相关联的第一转化得分，并且v2表示与包括该用户的一个或多个用户(例如，一组用户或一组用户桶)相关联的第二转化得分。在公式(4)中，v1越高(例如，个人转化率越高)或v2越高(例如，组平均转化率越高)，可能会导致f(例如，整体曝光率)越高。
其次，假设该广告有四个目标用户：A、B、C和D，相应的个人转化率分别为100％、90％、2％和1％。根据现有的用户分组方法，A和B可以分组在一起，C和D可以分组在一起。然而，本文公开的用户分组方法可以将A和D分组在一起，将B和C分组在一起。表1列出了两种分组方法的比较。
Figure BDA0002559742900000141
表1.现有方案与本文公开的方案的比较
根据公式(2)中的优化函数和公式(4)中的经训练logistic函数，现有方案的全局转化得分提供f(100％，95％)*2+f(90％，95％)*2+f(2％，1.5％)*2+f(1％，1.5％)*2＝5.509，而本文公开的方案的全局转化得分提供f(100％，50.5％)*2+f(1％，50.5％)*2+f(90％，46％)*2+f(2％，46％)*2＝5.715，这可能是更佳的用户分组策略。
图4示出了根据各种实施例的用于确定要显示给用户的广告的示例方法。示例方法可以包括几个阶段。例如，图4中440的步骤可以指准备阶段，图4中450的步骤可以指服务阶段，而图4中460的步骤可以指数据收集阶段。在一些实施例中，这些阶段可以以不同的顺序或并行地执行。在一些实施例中，该方法可以包括替代性的阶段或更多的阶段。
如图4所示，托管一个或多个广告组410(例如，每个广告组可包括以相似用户为目标的一个或多个广告)的设备(或一组设备)可将数据发送到计算设备420(例如，与网页的主机、应用服务器等相关联的计算设备)。在一些实施例中，每个广告组410可以具有目标用户。例如，婴儿配方奶粉广告可能主要以新任父母为目标，而不太可能以青少年为目标。托管广告组410的设备可以向计算设备420发送关于目标用户412的信息(例如，身份信息、类别信息)，以使其识别这样的目标用户。在一些实施例中，广告组410还可以执行点击率(CTR)确定414，以获得个体用户的个人CTR率。例如，广告组410可以通过采样将其广告投放给一组用户(例如，一组具有不同特征的人)，并且测量不同类型的用户的CTR率。在一些实施例中，广告组410可以将这样的CTR信息416发送到计算设备420。在其他实施例中，个体用户的个人CTR率(或其他转化度量)可以由计算设备420学习或收集，或者可以通过其他合适的方式(例如，通过第三方)获得。
在一些实施例中，在获得目标用户的信息和相应的个人CTR率之后，可以基于历史数据来建立CTR预测模型。该模型可以由广告组410、计算设备420或合适的另一方来建立。在一些实施例中，CTR预测模型可以是logistic函数，该logistic函数接受两个输入参数：个体转化率和组平均转化率。个体转化率可以指个体用户的转化率，或者一小群(例如，一个桶)用户的平均转化率。组平均转化率可以指用户组(例如，通常远大于用户桶)中所有用户的平均转化率。个体转化率可以表示个体将点击广告的多大可能性，而组平均转化率可以表示特定广告的主观“质量”(例如，每个用户的转化率都可以被视为对广告质量的评级，而平均评级可以反映该广告对组中用户的“吸引力”)。
在一些实施例中，利用CTR预测模型，计算设备420可以通过制定优化问题来执行用户分组确定422。优化问题的目标函数可以是使总转化得分(例如，整体曝光率)最大化，并且优化问题的决策变量可以提供最佳的用户分组策略。
随后，在步骤423，可以将最佳用户分组策略发送给中心广告系统440，中心广告系统440确定广告的投放。在一些实施例中，中心广告系统440可以是与计算设备420分离的黑箱系统。在其他实施例中，中心广告系统440可以被集成到计算设备420中。
在一些实施例中，当用户430打开允许显示广告的网页、应用或另一个在线界面时，中心广告系统440在步骤432自动检测广告请求。在步骤424，中心广告系统440可以从候选广告中选择一些广告，并且在步骤426，将它们投放给用户。例如，中心广告系统440可以首先确定以该用户为目标的多个广告。然后，对于这些广告中的每一个，中心广告系统440可以确定与该用户相关联的个体转化率以及与包括该用户的用户组相关联的组平均转化率。基于这两个转化率，中心广告系统440可以计算与将特定广告投放给特定用户相对应的总得分。中心广告系统440可以对以该用户为目标的其他广告组进行相同的操作(例如，并行地)，然后选择总转化得分最高(例如，整体曝光率最高)的广告投放给该用户。在一些实施例中，当用户430打开计算设备(例如，图1中的计算机140a或移动设备140b)上的应用或网络浏览器时，这些所选广告将被自动投放给用户430。例如，这些所选广告可以显示在网页或应用的首页上的横幅(例如，包含广告位的部分)中。在此，“自动”投放意味着中心广告系统440可以自动检测到用户已经打开了具有用于广告显示的广告位的界面(例如网页、应用)，并且自动投放所选广告并为用户将其显示在相应的广告位中。
在一些实施例中，可以收集用户对所投放的广告的反应428作为历史数据。在预定时间段内收集的历史数据可用于更新CTR预测模型。在一些实施例中，也可以周期性地更新每个用户的CTR或与一个广告相对应的另一转化率度量。在一些实施例中，预定时间段可以是固定的或可变的。例如，在购物淡季期间，这个时间段可以设置为“每天”，而在假日季节期间，这个时间段可以更短(例如，每三个小时)，使得预测模型为最新近的，用户分组反应更快。
图5示出了根据各种实施例的用于对用户分组的示例方法。方法500可以由用于将用户的优惠个性化的设备、装置或系统执行。方法500可以由图1至图4所示的环境或系统的一个或多个组件来执行，例如计算系统102和计算设备220。取决于实施方式，方法500可以包括以各种顺序执行或并行执行的更多、更少或替代性的步骤。
框510包括将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分。
框520包括获得与广告相对应的经训练预测模型，其中经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括该用户桶的一组用户桶相关联的第二转化得分来预测转化得分。在一些实施例中，多个用户中的每个用户关联有对应于广告的第三转化得分；多个用户桶中的每个用户桶包括多个用户中的一个或多个；以及与多个用户桶中的每个用户桶相关联的第一转化得分包括与多个用户桶中的每个用户桶中多个用户中的一个或多个相关联的一个或多个第三转化得分的平均值。在一些实施例中，第三转化得分是响应于广告的点击率。在一些实施例中，与包括多个用户桶中的一个或多个用户桶的组相关联的第二转化得分至少基于与多个用户桶中在该组内的一个或多个用户桶相关联的第一转化得分以及该多个用户桶中的所述一个或多个用户桶各自内的用户数量来确定。
框530包括使用经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分。在一些实施例中，预测模型是张量流模型，其拟合曝光率的历史数据以估计logistic函数的多个参数。在一些实施例中，优化模型包括一个用户桶被分配给一个且仅一个用户组的约束条件。在一些实施例中，优化问题的目标函数是
Figure BDA0002559742900000171
其中，J是一个或多个用户组的数量；j对应于第j用户组；I是多个用户桶的数量；i对应于第i用户桶；f(si，tj)对应于经训练预测模型；si对应于第i用户桶的第一转化得分；tj对应于第j用户组的第二转化得分；ni对应于第i用户桶中用户的数量；以及xij对应于指示第i用户桶被分配到第j用户组的决策变量。
框540包括利用求解器(例如，用于求解优化问题的开源或商业程序)来求解优化问题，以确定多个决策变量的值。在一些实施例中，多个决策变量的值是二进制值；以及多个决策变量中的每一个表示是否将多个用户桶中的一个分配给一个或多个用户组中的一个。
框550包括根据分组策略将多个用户桶分配到候选广告的一个或多个用户组。在一些实施例中，一个或多个用户组的数量是与广告相关联的可配置值。
在一些实施例中，方法500可以还包括：识别以用户为目标的多个候选广告；对于多个候选广告中的每一个，确定用于将每个候选广告投放给用户的得分，其中，至少基于分组策略来确定得分；至少基于一个或多个相应得分来识别多个候选广告中的一个或多个；以及自动将一个或多个候选广告投放给与用户相关联的计算设备，以使一个或多个候选广告显示在计算设备上。
在一些实施例中，所述确定投放每个候选广告的得分可以包括：至少基于与多个用户桶中包括该用户的一个用户桶相关联的第一转化得分以及与一个或多个用户组中包括该一个用户桶的一个用户组相关联的第二转化得分来确定该得分。
在一些实施例中，所述识别多个广告中的一个或多个可以包括：识别具有最高得分的一个或多个候选广告。
图6示出了根据一些实施例的用于优化广告的用户分组的计算机系统600装置的框图。以下呈现的计算机系统600的组件旨在说明。取决于实施方式，计算机系统600可以包括更多、更少或替代性的组件。
计算机系统600可以是计算系统102的一个或多个组件的实现的示例。图2至图5所示的流程和方法可被计算机系统600实现。计算机系统600可以包括一个或多个处理器以及耦接到所述一个或多个处理器并且配置有指令的一个或多个非暂时性计算机可读存储介质(例如，一个或多个存储器)，所述指令可被所述一个或多个处理器执行以使系统或设备(例如，处理器)执行上述方法，例如，方法500。计算机系统600可以包括与所述指令(例如，软件指令)相对应的各种单元/模块。
在一些实施例中，计算机系统600可以被称为用于优化广告的用户分组的装置。该装置可以包括第一分组模块610、训练模块620、优化建模模块630、优化求解模块640和第二分组模块650。在一些实施例中，第一分组模块610可以将被候选广告作为目标的多个用户划分为多个用户桶，其中，多个用户桶中的每一个关联有第一转化得分；训练模块620可以获取与该广告相对应的经训练预测模型，其中该经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括该用户桶的一组用户桶相关联的第二转化得分来预测转化得分；优化建模模块630可以使用经训练预测模型来构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；优化求解模块640可以求解优化问题，以确定多个决策变量的值；第二分组模块650可以根据分组策略将多个用户桶分配到该候选广告的一个或多个用户组。
图7示出了可在其中实现本文描述的任何实施例的示例计算设备。所述计算设备可以用于实现图1至图6所示的系统和方法的一个或多个组件。计算设备700可以包括总线702或用于通信信息的其他通信构造，以及与总线702耦接用于处理信息的一个或多个硬件处理器704。硬件处理器704可以是例如一个或多个通用微处理器。
计算设备700还可以包括耦接到总线702用于存储将由处理器704执行的信息和指令的主存储器707，例如随机存取存储器(RAM)、缓存和/或其他动态存储设备。主存储器707还可用于在要被处理器704执行的指令的执行期间，存储临时变量或其他中间信息。在将这些指令存储在处理器704可访问的存储介质中时，这些指令可以使计算设备700成为专用机器，该专用机器被定制用于执行指令中指定的操作。主存储器707可以包括非易失性介质和/或易失性介质。非易失性介质可以包括，例如，光盘或磁盘。易失性介质可以包括动态存储器。常见形式的介质可以包括，例如，软盘、柔性盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、任何带有孔洞图案的物理介质、RAM、DRAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储芯片或盒式磁带、或它们的网络版本。
计算设备700可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑来实现本文所述的技术，所述定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑和元件与该计算设备结合可以使计算设备700成为专用机器，或将计算设备700编程为专用机器。根据一个实施例，响应于处理器704执行包含在主存储器707中的一个或多个指令的一个或多个序列，由计算设备700来执行本文的技术。可以从诸如存储设备709的另一存储介质将这样的指令读入主存储器707中。执行包含在主存储器707中的指令序列可以使处理器704执行本文所述的过程步骤。例如，本文公开的过程/方法可以通过存储在主存储器707中的计算机程序指令来实现。当这些指令由处理器704执行时，它们可以执行如相应的附图所示且如上所述的步骤。在替代性的实施例中，可以使用硬连线电路代替软件指令或与软件指令结合使用。
计算设备700还包括耦接到总线702的通信接口710。通信接口710可以提供耦接到一个或多个网络链接的双向数据通信，所述网络链接与一个或多个网络连接。再例如，通信接口710可以是局域网(LAN)卡，以提供与兼容性LAN(或与WAN通信的WAN组件)的数据通信连接。也可实现无线链接。
某些操作的执行可能会分布在处理器之间，不仅驻留在单个机器中，而且会部署在多个机器上。在一些示例实施例中，处理器或处理器实现的引擎可以位于单个地理位置(例如，在家庭环境、办公室环境或服务器集群中)。在其他示例实施例中，处理器或处理器实现的引擎可分布在多个地理位置。
前面各部分描述的每个过程、方法和算法都可以体现在由一个或多个计算机系统或包含计算机硬件的计算机处理器执行的代码模块中，并且可以由这些代码模块完全或部分自动化。这些过程和算法可以在专用电路中部分或完全实现。
当本文公开的功能以软件功能单元的形式实现并且以独立产品被出售或使用时，这些功能可以被存储在处理器可执行的非易失性计算机可读存储介质中。本文(全部或部分)公开的特定技术方案或对当前技术有贡献的方面可以实现为软件产品的形式。该软件产品可以存储在存储介质中，该存储介质包括使计算设备(可以是个人计算机、服务器、网络设备等)执行本申请实施例的方法的全部或某些步骤的多个指令。该存储介质可以包括闪存驱动器、便携式硬盘驱动器、ROM、RAM、磁盘、光盘、可操作来存储程序代码的另一种介质或其任意组合。
特定实施例还提供一种系统，该系统包括处理器和存储指令的非暂时性计算机可读存储介质，所述指令可被处理器执行以使系统执行与以上公开的实施例的任何方法中的步骤相对应的操作。特定实施例还提供一种配置有指令的非暂时性计算机可读存储介质，所述指令可由一个或多个处理器执行，以使一个或多个处理器执行与以上公开的实施例的任何方法中的步骤相对应的操作。
可以通过与客户端交互的云平台、服务器或服务器组(以下统称为“服务系统”)来实现本文公开的实施例。客户端可以是终端设备，也可以是用户在平台上注册的客户端，其中，终端设备可以是移动终端、个人计算机(PC)以及可以安装有平台应用程序的任何设备。
以上描述的各特征和过程可以彼此独立地使用，或者可以以各种方式组合。所有可能的组合和子组合旨在落入本公开的范围内。另外，在一些实施方式中，某些方法或过程框可以省略。本文描述的方法和过程也不限于任何特定的顺序，并且可以以适当的其他顺序执行与之相关的框或状态。例如，可以以不同于具体公开的顺序来执行所描述的框或状态，或者可以将多个框或状态组合成单个框或状态。示例性的框或状态可以以串行、并行或其他方式执行。可以将框或状态添加到所公开的示例实施例中，或从中删除。本文描述的示例性系统和组件可以按照与所描述的不同的方式被配置。例如，与所公开的示例实施例相比，可以添加、删除或重新布置元素。
本文描述的示例性方法的各种操作可以至少部分地通过算法来执行。该算法可以包括在存储在存储器(例如，上述非暂时性计算机可读存储介质)中的程序代码或指令中。这样的算法可以包括机器学习算法。在一些实施例中，机器学习算法可以不显式地编程计算机以执行功能，而是可以从训练数据中学习以形成执行该功能的预测模型。
此处描述的示例性方法的各种操作可以至少部分地由一个或多个被临时配置(例如，通过软件)或永久配置以执行相关操作的处理器执行。无论是临时配置还是永久配置，这样的处理器都可以构成处理器实现的引擎，该引擎运行以执行本文所述的一个或多个操作或功能。
类似地，本文描述的方法可以至少部分地由处理器实现，其中一个或多个特定处理器是硬件的示例。例如，一种方法的至少一些操作可以由一个或多个处理器或处理器实现的引擎执行。此外，一个或多个处理器还可在“云计算”环境中或作为“软件即服务”(SaaS)来支持相关操作的执行。例如，至少一些操作可以由一组计算机(作为包括处理器的机器的示例)执行，这些操作可以通过网络(例如互联网)和一个或多个适当的接口(例如，应用程序接口(API))被访问。
某些操作的执行可能会分布在处理器之间，不仅驻留在单个机器中，而且会部署在多个机器上。在一些示例实施例中，处理器或处理器实现的引擎可以位于单个地理位置(例如，在家庭环境、办公室环境或服务器集群中)。在其他示例实施例中，处理器或处理器实现的引擎可分布在多个地理位置。
在本文中的各处，多个实例可以实现被描述为单个实例的组件、操作或结构。尽管将一种或多种方法的单个操作示出并描述为单独的操作，但是可以同时执行一个或多个单独操作，并且不需要按照所示顺序执行操作。在示例配置中表示为单独组件的结构和功能可以实现为组合结构或组件。类似地，呈现为单个组件的结构和功能可以被实现为单独的组件。这些和其他变型、修改、添加和改进落入本文主题的范围内。
尽管已经参考特定示例实施例对本主题做出了概述，但是在不脱离本公开的实施例的较宽范围的情况下，可以对这些实施例进行各种修改和改变。在本文中，可以仅出于方便的目的，通过术语“发明”来单独地或共同地指代主题的此类实施例，如果实际上所公开的不止一个，这种指代无意自动将本申请的范围限制为任何单个公开或概念。
本文示出的实施例已被充分详细地描述，以使本领域技术人员能够实践所公开的教导。可以使用其他实施例并从本文示出的实施例中得出其他实施例，从而可以在不脱离本公开的范围的情况下进行结构和逻辑上的替换和改变。因此，不应在限制的意义上理解具体实施方式，并且各种实施例的范围仅由所附权利要求以及这些权利要求所享有的等同物的全部范围来限定。
本文描述的和/或在附图中描绘的流程图中的任何过程描述、要素或框都应理解为潜在地表示代码的模块、段或部分，其包括用于实施特定逻辑功能或过程的步骤的一个或多个可执行指令。如本领域技术人员会理解的那样，替代实施方式包括在本文所述实施例的范围内，其中取决于所涉及的功能，元件或功能可以被删除、被按照不同于所示出或所讨论的顺序执行，包括实质上同时执行或以相反的顺序执行。
如本文所使用的，“或”是包括性的而不是排他性的，除非另有明确指示，或通过上下文另外指出。因此，在本文中，“A、B或C”表示“A，B，A和B，A和C，B和C，或者A、B和C”，除非另有明确指示，或通过上下文另外指出。此外，“和”既表示共同的也表示个别的，除非另有明确指示，或通过上下文另外指出。因此，本文中，“A和B”表示“A和B，共同地且个别地”，除非另有明确指示，或通过上下文另外指出。此外，本文中描述为单个实例的资源、操作或结构可被提供为多个实例。另外，各种资源、操作、引擎和数据存储之间的边界在某种程度上是任意的，并且在具体说明性配置的上下文中说明了具体操作。功能的其他分配方式是可以设想的，并且可以落入本公开的各种实施例的范围内。总体而言，在示例配置中表示为单独资源的结构和功能可以实现为组合结构或资源。类似地，呈现为单个资源的结构和功能可以被实现为单独的资源。这些和其他变型、修改、添加和改进落入如所附权利要求所表示的本公开的实施例的范围内。因此，说明书和附图应被认为是说明性的而不是限制性的。
术语“包含”或“包括”被用于表示随后声明的特征的存在，但不排除其他特征的添加。条件性语言，例如“可”、“能”、“可以”或“可能”等，通常旨在表达某些实施例包括某些特征、要素和/或步骤，而其他实施例不包括某些特征、要素和/或步骤，除非另外明确说明或在上下文中根据使用的情况以其他方式理解。因此，这样的条件性语言通常无意暗示特征、要素和/或步骤对于一个或多个实施例而言在任何方式上是必需的，或者一个或多个实施例必然包括用于在有或无用户输入或提示的情况下确定这些特征、要素和/或步骤是否包括在任何特定实施例中或将在任何特定实施例中执行的逻辑。

Claims (15)

1.一种计算机实现的用于将用户分组的方法，包括：
将被候选广告作为目标的多个用户划分为多个用户桶，其中，所述多个用户桶中的每个用户桶关联有第一转化得分；
获得与所述候选广告相对应的经训练预测模型，其中，所述经训练预测模型能够至少基于与用户桶相关联的第一转化得分以及与包括所述用户桶的一组用户桶相关联的第二转化得分来预测转化得分；
使用所述经训练预测模型构建优化模型，其中，优化问题的目标函数是利用由多个决策变量表示的分组策略来最大化总转化得分；
求解所述优化问题以确定所述多个决策变量的值；以及
根据所述分组策略，将所述多个用户桶分配至所述候选广告的一个或多个用户组。
2.根据权利要求1所述的方法，还包括：
识别以用户为目标的多个候选广告；
对于所述多个候选广告中的每个候选广告，确定将该候选广告投放至所述用户的得分，其中，所述得分至少基于所述分组策略来确定；
至少基于一个或多个相应得分，识别所述多个候选广告中的一个或多个候选广告；以及
自动将所述一个或多个候选广告投放到与所述用户相关联的计算设备，以使所述一个或多个候选广告显示在所述计算设备上。
3.根据权利要求2所述的方法，其中，所述确定投放所述每个候选广告的得分包括：
至少基于与所述多个用户桶中包括所述用户的一个用户桶相关联的第一转化得分以及与所述一个或多个用户组中包括所述一个用户桶的一个用户组相关联的第二转化得分来确定所述得分。
4.根据权利要求2所述的方法，其中，所述识别多个广告中的一个或多个候选广告包括：
识别具有最高得分的一个或多个候选广告。
5.根据权利要求1所述的方法，其中：
所述多个用户中的每个用户关联有对应于所述候选广告的第三转化得分；
所述多个用户桶中的每个用户桶包括所述多个用户中的一个或多个用户；以及
与所述多个用户桶中的每个用户桶相关联的第一转化得分包括与所述多个用户中在该用户桶内的一个或多个用户相关联的一个或多个第三转化得分的平均值。
6.根据权利要求5所述的方法，其中：
所述第三转化得分是响应于所述候选广告的点击率。
7.根据权利要求1所述的方法，其中：
与所述多个用户桶中的一个或多个用户桶的组相关联的第二转化得分至少基于与所述多个用户桶中在该组内的一个或多个用户桶相关联的第一转化得分以及所述多个用户桶中的所述一个或多个用户桶各自内的用户数量来确定。
8.根据权利要求1所述的方法，其中：
所述预测模型是张量流模型，所述张量流模型拟合曝光率的历史数据以估计逻辑函数的多个参数。
9.根据权利要求1所述的方法，其中：
所述多个决策变量的值是二进制值；以及
所述多个决策变量中的每一个决策变量表示是否将所述多个用户桶中的一个用户桶分配至所述一个或多个用户组中的一个用户组。
10.根据权利要求1所述的方法，其中：
所述一个或多个用户组的数量是与所述候选广告相关联的可配置值。
11.根据权利要求1所述的方法，其中：
所述优化模型包括一个用户桶被分配至一个且仅一个用户组的约束条件。
12.根据权利要求1所述的方法，其中：
所述优化问题的目标函数是
Figure FDA0002559742890000031
其中，J是所述一个或多个用户组的数量；
其中，j对应于第j用户组；
其中，I是所述多个用户桶的数量；
其中，i对应于第i用户桶；
其中，f(si，tj)对应于所述经训练预测模型；
其中，si对应于所述第i用户桶的第一转化得分；
其中，tj对应于所述第j用户组的第二转化得分；
其中，ni对应于所述第i用户桶中的用户数量；以及
其中，xij对应于指示所述第i用户桶是否被分配给所述第j用户组的决策变量。
13.一种用于将用户分组的系统，包括一个或多个处理器以及耦接到所述一个或多个处理器并且配置有指令的一个或多个非暂时性计算机可读存储器，所述指令能够被所述一个或多个处理器执行以使所述系统执行权利要求1至12中任一项所述的方法。
14.一种配置有指令的非暂时性计算机可读存储介质，所述指令能够由一个或多个处理器执行以使所述一个或多个处理器执行权利要求1至12中任一项所述的方法。
15.一种用于将用户分组的装置，包括用于执行权利要求1至12中任一项所述的方法的多个模块。
CN202080001105.2A 2020-04-13 2020-04-13 用于优化广告的用户分组的方法和系统 Active CN111566684B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/084490 WO2020143849A2 (en) 2020-04-13 2020-04-13 Method and system for optimizing user grouping for advertisement

Publications (2)

Publication Number Publication Date
CN111566684A true CN111566684A (zh) 2020-08-21
CN111566684B CN111566684B (zh) 2022-05-27

Family

ID=71522301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080001105.2A Active CN111566684B (zh) 2020-04-13 2020-04-13 用于优化广告的用户分组的方法和系统

Country Status (4)

Country Link
US (1) US11227309B2 (zh)
CN (1) CN111566684B (zh)
SG (1) SG11202102680YA (zh)
WO (1) WO2020143849A2 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11458622B2 (en) * 2019-03-25 2022-10-04 Honeywell International Inc. System using natural conversation for monitoring a facility
WO2020143849A2 (en) * 2020-04-13 2020-07-16 Alipay (Hangzhou) Information Technology Co., Ltd. Method and system for optimizing user grouping for advertisement
KR102501496B1 (ko) * 2020-06-11 2023-02-20 라인플러스 주식회사 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램
US20230051225A1 (en) * 2021-08-10 2023-02-16 Visa International Service Association System, Method, and Computer Program Product for Segmenting Accounts
CN113781122B (zh) * 2021-09-14 2023-09-12 深圳市酷开网络科技股份有限公司 广告投放方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655695B1 (en) * 2010-05-07 2014-02-18 Aol Advertising Inc. Systems and methods for generating expanded user segments
CN105160548A (zh) * 2015-08-20 2015-12-16 北京奇虎科技有限公司 对广告点击率进行预测的方法及装置
US20170061481A1 (en) * 2015-08-27 2017-03-02 Staples, Inc. Realtime Feedback Using Affinity-Based Dynamic User Clustering
CN107480124A (zh) * 2017-07-05 2017-12-15 小草数语（北京）科技有限公司 广告投放方法和装置
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
CN109034896A (zh) * 2018-07-23 2018-12-18 北京奇艺世纪科技有限公司 一种广告投放人群预测方法及装置
CN110443647A (zh) * 2019-08-01 2019-11-12 北京字节跳动网络技术有限公司 信息投放方法及设备
CN110458220A (zh) * 2019-07-31 2019-11-15 腾讯科技（深圳）有限公司 人群定向方法、装置、服务器及存储介质
CN110570232A (zh) * 2019-08-05 2019-12-13 科大讯飞股份有限公司 互联网广告投放方法、装置、服务器及存储介质
CN110796499A (zh) * 2019-11-06 2020-02-14 中山大学 一种广告转化率预估模型及其训练方法
US20200058025A1 (en) * 2018-08-15 2020-02-20 Royal Bank Of Canada System, methods, and devices for payment recovery platform
CN113869931A (zh) * 2021-08-26 2021-12-31 卓尔智联(武汉)研究院有限公司 广告投放策略确定方法、装置、计算机设备和存储介质

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8538803B2 (en) 2001-06-14 2013-09-17 Frank C. Nicholas Method and system for providing network based target advertising and encapsulation
US20050033641A1 (en) 2003-08-05 2005-02-10 Vikas Jha System, method and computer program product for presenting directed advertising to a user via a network
KR100910517B1 (ko) 2007-03-21 2009-07-31 엔에이치엔비즈니스플랫폼 주식회사 브라우저-로그인 맵핑을 통한 타겟 인벤토리 확장 방법 및시스템
US8380563B2 (en) 2007-06-28 2013-02-19 Google Inc. Using previous user search query to target advertisements
US9071859B2 (en) 2007-09-26 2015-06-30 Time Warner Cable Enterprises Llc Methods and apparatus for user-based targeted content delivery
US8494978B2 (en) 2007-11-02 2013-07-23 Ebay Inc. Inferring user preferences from an internet based social interactive construct
US8666909B2 (en) 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
US9159034B2 (en) 2007-11-02 2015-10-13 Ebay Inc. Geographically localized recommendations in a computing advice facility
US9367823B1 (en) 2007-11-09 2016-06-14 Skyword, Inc. Computer method and system for ranking users in a network community of users
CN101520878A (zh) * 2009-04-03 2009-09-02 华为技术有限公司 向用户进行广告推送的方法、装置和系统
US9779434B2 (en) 2009-07-20 2017-10-03 Wenxuan Tonnison Online e-commerce and networking system with user-participated advertisements, joint online purchasing and dynamic user interactions
US8359616B2 (en) 2009-09-30 2013-01-22 United Video Properties, Inc. Systems and methods for automatically generating advertisements using a media guidance application
US8666812B1 (en) 2009-11-10 2014-03-04 Google Inc. Distributing content based on transaction information
US8645209B2 (en) 2010-12-14 2014-02-04 Yellowpages.Com Llc Real time user activity-driven targeted advertising system
WO2013010024A1 (en) 2011-07-12 2013-01-17 Thomas Pinckney Recommendations in a computing advice facility
US20130179252A1 (en) * 2012-01-11 2013-07-11 Yahoo! Inc. Method or system for content recommendations
CN102663519A (zh) * 2012-04-01 2012-09-12 浙江盘石信息技术有限公司 网络广告投放中媒体选择的优化系统及方法
KR20140098947A (ko) 2013-01-31 2014-08-11 삼성전자주식회사 광고 제공 시스템, 사용자 단말 및 광고 제공 방법
US20150012363A1 (en) 2013-03-15 2015-01-08 Ad-Vantage Networks, Inc. Methods and systems for processing and displaying content
US9792630B2 (en) * 2015-04-02 2017-10-17 Vungle, Inc. Systems and methods for autonomous bids of advertisement inventory
US20170061502A1 (en) * 2015-08-31 2017-03-02 Ebay Inc. Unified cross-channel advertisement platform
KR20180126452A (ko) * 2016-01-05 2018-11-27 센티언트 테크놀로지스 (바베이도스) 리미티드 인공 신경망을 이용하는 웹 인터페이스 생성 및 테스팅
US10482491B2 (en) * 2016-02-01 2019-11-19 International Business Machines Corporation Targeted marketing for user conversion
US11134086B2 (en) * 2016-06-10 2021-09-28 OneTrust, LLC Consent conversion optimization systems and related methods
US20180012166A1 (en) * 2016-07-07 2018-01-11 Pluto7 Consulting Inc. Method and system for determining forecasts
US20180068350A1 (en) * 2016-09-02 2018-03-08 Scientific Revenue, Inc. Automated method for allocation of advertising expenditures to maximize performance through look-alike customer acquisition
US10853428B2 (en) * 2017-07-14 2020-12-01 Facebook, Inc. Computing a ranked feature list for content distribution in a first categorization stage and second ranking stage via machine learning
CN111033494A (zh) * 2017-08-21 2020-04-17 费赛特实验室有限责任公司 用于多个搜索机器人和行为机器人的计算体系架构以及相关的设备和方法
US20190080367A1 (en) * 2017-09-12 2019-03-14 Facebook, Inc. Optimizing delivery of content items to users of an online system to promote physical store visits as conversion events
US20190172089A1 (en) * 2017-12-01 2019-06-06 Facebook, Inc. Normalizing user interactions for third-party systems
EP3738093A4 (en) * 2018-01-11 2021-08-25 Editorji Technologies Private Limited PROCEDURE AND SYSTEM FOR PERSONALIZED CONTENT
CN108197845B (zh) * 2018-02-28 2022-03-18 四川新网银行股份有限公司 一种基于深度学习模型lstm的交易指标异常的监测方法
CN109167816B (zh) * 2018-08-03 2021-11-16 广州虎牙信息科技有限公司 信息推送方法、装置、设备和存储介质
CN111091400A (zh) * 2018-10-23 2020-05-01 第四范式（北京）技术有限公司 广告转化预测模型的生成以及投放广告的方法和装置
US20200175415A1 (en) * 2018-11-29 2020-06-04 Didi Research America, Llc System and method for customizing information feed
WO2020143849A2 (en) * 2020-04-13 2020-07-16 Alipay (Hangzhou) Information Technology Co., Ltd. Method and system for optimizing user grouping for advertisement

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655695B1 (en) * 2010-05-07 2014-02-18 Aol Advertising Inc. Systems and methods for generating expanded user segments
CN105160548A (zh) * 2015-08-20 2015-12-16 北京奇虎科技有限公司 对广告点击率进行预测的方法及装置
US20170061481A1 (en) * 2015-08-27 2017-03-02 Staples, Inc. Realtime Feedback Using Affinity-Based Dynamic User Clustering
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
CN107480124A (zh) * 2017-07-05 2017-12-15 小草数语（北京）科技有限公司 广告投放方法和装置
CN109034896A (zh) * 2018-07-23 2018-12-18 北京奇艺世纪科技有限公司 一种广告投放人群预测方法及装置
US20200058025A1 (en) * 2018-08-15 2020-02-20 Royal Bank Of Canada System, methods, and devices for payment recovery platform
CN110458220A (zh) * 2019-07-31 2019-11-15 腾讯科技（深圳）有限公司 人群定向方法、装置、服务器及存储介质
CN110443647A (zh) * 2019-08-01 2019-11-12 北京字节跳动网络技术有限公司 信息投放方法及设备
CN110570232A (zh) * 2019-08-05 2019-12-13 科大讯飞股份有限公司 互联网广告投放方法、装置、服务器及存储介质
CN110796499A (zh) * 2019-11-06 2020-02-14 中山大学 一种广告转化率预估模型及其训练方法
CN113869931A (zh) * 2021-08-26 2021-12-31 卓尔智联(武汉)研究院有限公司 广告投放策略确定方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUO XINYU: "An Optimization Strategy Based on Impression and Click-Through Rate for User Segments", 《JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT》 *

Also Published As

Publication number Publication date
US20210241314A1 (en) 2021-08-05
US11227309B2 (en) 2022-01-18
WO2020143849A3 (en) 2021-02-11
CN111566684B (zh) 2022-05-27
WO2020143849A2 (en) 2020-07-16
SG11202102680YA (en) 2021-04-29

Similar Documents

Publication Publication Date Title
CN111566684B (zh) 用于优化广告的用户分组的方法和系统
US10455363B2 (en) Systems and methods for using geo-blocks and geo-fences to discover lookalike mobile devices
CN109902849B (zh) 用户行为预测方法及装置、行为预测模型训练方法及装置
CN108476334B (zh) 广告投放的跨屏优化
US20180338189A1 (en) Sequential delivery of advertising content across media devices
US20120089455A1 (en) System and method for real-time advertising campaign adaptation
JP2021534499A (ja) モバイル機器位置予測システム及び方法
CN108574706B (zh) 媒体文件的推送方法及装置
US8650184B2 (en) System and method for identifying a targeted consumer
US20140358694A1 (en) Social media pricing engine
US20150066956A1 (en) User matching method, apparatus, and system
US20160210656A1 (en) System for marketing touchpoint attribution bias correction
US11743679B2 (en) Systems and methods for pacing information delivery to mobile devices
US20110251889A1 (en) Inventory clustering
JP2020537252A (ja) 類似のモバイル装置を予測するためのシステムと方法
US20220122118A1 (en) Planning device and computer program
EP3055816A1 (en) Systems and methods for use in marketing
CN110196949A (zh) 信息推送方法、装置、电子设备及计算机可读介质
JP6181817B1 (ja) 決定装置、決定方法、及び決定プログラム
CN113139826A (zh) 广告位的分配权限确定方法、装置、计算机设备
US20140200990A1 (en) Scoring and ranking advertisement content creators
US20120004957A1 (en) Forecasting supply for advertisements according to a non-parametric supply model
CN115345635A (zh) 推荐内容的处理方法、装置、计算机设备和存储介质
JP2022079394A (ja) ターゲテッド位置イベント予測システム及び方法
Koutsopoulos et al. Native advertisement selection and allocation in social media post feeds

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40036087

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant