CN111598633A - 一种基于增量学习的在线广告投放方法、装置和电子设备 - Google Patents
一种基于增量学习的在线广告投放方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111598633A CN111598633A CN202010724441.1A CN202010724441A CN111598633A CN 111598633 A CN111598633 A CN 111598633A CN 202010724441 A CN202010724441 A CN 202010724441A CN 111598633 A CN111598633 A CN 111598633A
- Authority
- CN
- China
- Prior art keywords
- conversion rate
- rate evaluation
- training
- user
- current user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 claims abstract description 111
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000013210 evaluation model Methods 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims description 21
- 238000002716 delivery method Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于增量学习的在线广告投放方法、装置和电子设备。该方法包括：获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；使用所述转化率评估模型计算所述当前用户的转化率评估值；根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。本发明的方法实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于增量学习的在线广告投放方法、装置和电子设备。
背景技术
近年来，在线广告在整个广告行业的比重越来越高。在线广告中实时竞价的广告由于其良好的转化效果，占有的比重逐年升高。DSP（Demand-Side Platform）作为需求方平台，通过广告交易平台对每次曝光进行竞价尝试。对于每次竞价请求，DSP根据CookieMapping或者设备信息，尝试把正在浏览媒体网站、App的用户映射到DSP能够识别的用户，然后根据DSP从用户历史行为中挖掘的用户画像，进行流量筛选、点击率/转化率预估等，致力于ROI的最大化。
但是对于新增用户的客群进行处理的时候，会面临用户数据匮乏的情况。对于这些数据匮乏的用户，再通过原有模型进行转化率预估时，准确率会下降，导致不能准确地预测用户的转化率情况。
因此，有必要提供一种更为准确的在线广告投放方法。
发明内容
为了解决上述问题，本发明提供了一种基于增量学习的在线广告投放方法，用于根据实时评估的当前用户的转化率来进行在线广告的投放，包括：获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；使用所述转化率评估模型计算所述当前用户的转化率评估值；根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
优选地，根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式包括：根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。
优选地，通过广告竞价管理平台在广告投放平台投放广告；所述目标用户筛选规则和/或竞价策略存储于所述广告竞价管理平台上。
优选地，所述广告竞价管理平台获取所述当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该用户的转化率评估值。
优选地，根据预设筛选规则，确定增量学习方法，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构；在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。
优选地，在匹配度小于特定阈值的情况下，在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据训练所述新树，以进行增量训练。
优选地，在匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。
优选地，所述训练数据集包括历史用户的用户特征数据、页面点击率、流量转化数据和时间参数。
此外，本发明提供了一种基于增量学习的在线广告投放装置，用于根据实时评估的当前用户的转化率来进行在线广告的投放，包括：数据获取模块，用于获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；读取模块，用于若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；更新模块，用于使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；计算模块，用于使用所述转化率评估模型计算所述当前用户的转化率评估值；判断模块，用于根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
优选地，还包括确定模块，所述确定模块用于根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。
优选地，还包括投放模块，所述投放模块通过广告竞价管理平台在广告投放平台投放广告；所述目标用户筛选规则和/或竞价策略存储于所述广告竞价管理平台上。
优选地，所述广告竞价管理平台获取所述当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该用户的转化率评估值。
优选地，根据预设筛选规则，确定增量学习方法，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构；在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。
优选地，在匹配度小于特定阈值的情况下，在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据训练所述新树，以进行增量训练。
优选地，在匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。
优选地，还包括：所述训练数据集包括历史用户的用户特征数据、页面点击率、流量转化数据和时间参数。
此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的基于增量学习的在线广告投放方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的基于增量学习的在线广告投放方法。
有益效果
与现有技术相比，本发明的在线广告投放方法使用有丰富反馈样本的XGboost模型，以构建初始的转化率评估模型，通过增量学习的方式来调整所述初始的转化率评估模型模型，以使所述模型适应于小样本，实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性；基于用户转换率的评估结果，可提前预判用户流量的转换情况，有效降低了成本。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的基于增量学习的在线广告投放方法的一示例的流程图。
图2是本发明的基于增量学习的在线广告投放方法的应用场景的示意性图。
图3是本发明的基于增量学习的在线广告投放方法的另一示例的流程图。
图4是本发明的实施例2的基于增量学习的在线广告投放装置的一示例的示意图。
图5是本发明的实施例2的基于增量学习的在线广告投放装置的另一示例的示意图。
图6是本发明的实施例2的基于增量学习的在线广告投放装置的又一示例的示意图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
实施例1
下面，将参照图1至图3描述本发明的基于增量学习的在线广告投放方法的实施例。
图1是本发明的基于增量学习的在线广告投放方法的一示例的流程图。如图1所示，一种基于增量学习的在线广告投放方法，该方法包括如下步骤。
步骤S101，获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型。
步骤S102，若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据。
步骤S103，使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型。
步骤S104，使用所述转化率评估模型计算所述当前用户的转化率评估值。
步骤S105，根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
图2是本发明的基于增量学习的在线广告投放方法的应用场景的示意性图。
如图2所示，在本发明的在线广告投放方法的应用场景中，Adexchange平台（广告投放平台）和DSP平台（广告竞价管理平台）之间进行与广告竞价相关的数据交互，其中，Adexchange平台用于用于接收各广告渠道发送的用户信息，根据用户信息向各广告主的DSP平台发送竞价请求信息，并接收各广告主通过DSP平台发送的竞价信息；DSP平台则是广告主侧的竞价管理平台，其是广告主对管理广告和广告竞价的平台，各广告主通过广告竞价管理平台在广告投放平台投放广告，并将目标用户筛选规则和/或竞价策略存储于DSP平台上。以下将通过具体实例对本发明的在线广告投放方法进行说明。
首先，在步骤S101中，获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型。
具体地，所述训练数据集包括历史用户的用户特征数据、页面点击率、流量转化数据和时间参数。
更具体地，用户特征数据包括性别、年龄、职业、收入等，并且通过用户标识信息关联相关数据，其中，用户标识信息包括用户账号、手机号等；流量转化数据包括DSP平台统计的相关数据、各广告方所提供的流量转化数据等。
进一步地，时间参数包括设定获取用户数据的时间、特定时间段内的页面点击率，例如设定获取近7天或15天内的用户浏览页面数据、一个月内所有用户对A类页面的点击率等。换言之，通过时间参数的设定，获取近期时间用户的关注信息。由此，从时间维度对用户数据及相关数据进行拆分，以从数据角度进一步提高模型的预测准确性。
接下来，在步骤S102中，若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据。
如图3所示，还包括建立小客群样本数据库的步骤S301。
在步骤S301中，建立小客群样本数据库，以用于与训练数据集配合使用。
具体地，当DSP平台获取当前用户的信息数据时，判断当前用户是否属于所述训练数据集所不包含的小客群。
在当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据，进行数据匹配，以用于转化率评估，并将该当前用户的相关数据存储于小客群样本数据库。
接下来，在步骤S103中，使用所述小客群样本的历史用户数据，在所述转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型。
在本示例中，根据预设筛选规则，确定增量学习方法，以在使用训练数据集训练好初始的转化率评估模型的基础上，进行增量训练。
具体地，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构。在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。
一方面，在当前用户的数据与训练数据集中的用户数据的匹配度小于特定阈值的情况下（即在若当前用户属于所述训练数据集所不包含的小客群时），在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据（即使用小客群样本的历史用户数据）训练所述新树，以进行增量训练。在这种情况下，将当前用户判断为新用户。
另一方面，在当前用户的数据与训练数据集中的用户数据的匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。
进一步地，通过增量训练，更新转化率评估模型，由此，通过增量学习的方式来调整所述初始的转化率评估模型模型，以使所述模型适应于小样本，实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性。
需要说明的是，在本示例中，所述特定阈值是业务人员根据相关业务数据进行确定。但是不限于此，在其他示例中，还可以通过成本最小化算法计算获得。
接下来，步骤S104，使用所述转化率评估模型计算所述当前用户的转化率评估值。
在本示例中，DSP平台获取当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该当前标用户的转化率评估值，由此，对当前用户的转化率进行实时评估，从而根据实时评估的当前用户的转化率来进行在线广告的投放。
具体地，将当前用户的用户特征数据输入增量学习后的转化率评估模型，以计算当前用户的转化率评估值。
步骤S105，根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
具体地，根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序（计算机程序）。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明的在线广告投放方法使用有丰富反馈样本的XGboost模型，以构建初始的转化率评估模型，通过增量学习的方式来调整所述初始的转化率评估模型模型，以使所述模型适应于小样本，实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性；基于用户转换率的评估结果，可提前预判用户流量的转换情况，有效降低了成本。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于增量学习的在线广告投放装置400，用于根据实时评估的当前用户的转化率来进行在线广告的投放，包括：数据获取模块401，用于获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；读取模块402，用于若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；更新模块403，用于使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；计算模块404，用于使用所述转化率评估模型计算所述当前用户的转化率评估值；判断模块405，用于根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
如图5所示，还包括确定模块501，所述确定模块501用于根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。
如图6所示，还包括投放模块601，所述投放模块601通过广告竞价管理平台在广告投放平台投放广告；所述目标用户筛选规则和/或竞价策略存储于所述广告竞价管理平台上。
优选地，所述广告竞价管理平台获取所述当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该用户的转化率评估值。
优选地，根据预设筛选规则，确定增量学习方法，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构；在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。
优选地，在匹配度小于特定阈值的情况下，在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据训练所述新树，以进行增量训练。
优选地，在匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。
优选地，还包括：所述训练数据集包括历史用户的用户特征数据、页面点击率、流量转化数据和时间参数。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明的在线广告投放方法使用有丰富反馈样本的XGboost模型，以构建初始的转化率评估模型，通过增量学习的方式来调整所述初始的转化率评估模型模型，以使所述模型适应于小样本，实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性；基于用户转换率的评估结果，可提前预判用户流量的转换情况，有效降低了成本。
实施例3
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件（包括存储单元220和处理单元210）的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元（ROM）2203。
所述存储单元220还可以包括具有一组（至少一个）程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：使用历史用户的APP下载序列向量数据和逾期信息作为训练数据，对所创建的用户风险控制模型进行训练，使用所创建的用户风险控制模型计算目标用户的金融风险预测值。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于增量学习的在线广告投放方法，用于根据实时评估的当前用户的转化率来进行在线广告的投放，其特征在于，包括：
获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；
若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；
使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；
使用所述转化率评估模型计算所述当前用户的转化率评估值；
根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
2.根据权利要求1所述的基于增量学习的在线广告投放方法，其特征在于，根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式包括：
根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。
3.根据权利要求2所述的基于增量学习的在线广告投放方法，其特征在于，
通过广告竞价管理平台在广告投放平台投放广告；
所述目标用户筛选规则和/或竞价策略存储于所述广告竞价管理平台上。
4.根据权利要求3所述的基于增量学习的在线广告投放方法，其特征在于，
所述广告竞价管理平台获取所述当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该用户的转化率评估值。
5.根据权利要求4所述的基于增量学习的在线广告投放方法，其特征在于，在所述初始的转化率评估模型的基础上进行增量训练包括：
根据预设筛选规则，确定增量学习方法，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构；
在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；
在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。
6.根据权利要求5所述的基于增量学习的在线广告投放方法，其特征在于，
在匹配度小于特定阈值的情况下，在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据训练所述新树，以进行增量训练。
7.根据权利要求6所述的基于增量学习的在线广告投放方法，其特征在于，
在匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。
8.一种基于增量学习的在线广告投放装置，用于根据实时评估的当前用户的转化率来进行在线广告的投放，其特征在于，包括：
数据获取模块，用于获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；
读取模块，用于若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；
更新模块，用于使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；
计算模块，用于使用所述转化率评估模型计算所述当前用户的转化率评估值；
判断模块，用于根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的基于增量学习的在线广告投放方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的基于增量学习的在线广告投放方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724441.1A CN111598633B (zh) | 2020-07-24 | 2020-07-24 | 一种基于增量学习的在线广告投放方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724441.1A CN111598633B (zh) | 2020-07-24 | 2020-07-24 | 一种基于增量学习的在线广告投放方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598633A true CN111598633A (zh) | 2020-08-28 |
| CN111598633B CN111598633B (zh) | 2021-11-12 |
Family
ID=72190271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010724441.1A Active CN111598633B (zh) | 2020-07-24 | 2020-07-24 | 一种基于增量学习的在线广告投放方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598633B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288573A (zh) * | 2020-12-25 | 2021-01-29 | 支付宝(杭州)信息技术有限公司 | 一种构建风险评估模型的方法、装置及设备 |
| CN113298119A (zh) * | 2021-04-28 | 2021-08-24 | 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 |
| CN114266606A (zh) * | 2022-03-03 | 2022-04-01 | 北京派瑞威行互联技术有限公司 | 一种短视频广告投放优化评估方法及系统 |
| WO2022068280A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
| CN108510303A (zh) * | 2017-04-19 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 广告投放方法及装置 |
| CN109240090A (zh) * | 2018-11-08 | 2019-01-18 | 浙江大学 | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 |
-
2020
- 2020-07-24 CN CN202010724441.1A patent/CN111598633B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
| CN108510303A (zh) * | 2017-04-19 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 广告投放方法及装置 |
| CN109240090A (zh) * | 2018-11-08 | 2019-01-18 | 浙江大学 | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022068280A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112288573A (zh) * | 2020-12-25 | 2021-01-29 | 支付宝(杭州)信息技术有限公司 | 一种构建风险评估模型的方法、装置及设备 |
| CN113947471A (zh) * | 2020-12-25 | 2022-01-18 | 支付宝(杭州)信息技术有限公司 | 一种构建风险评估模型的方法、装置及设备 |
| CN113947471B (zh) * | 2020-12-25 | 2024-09-27 | 支付宝(杭州)信息技术有限公司 | 一种构建风险评估模型的方法、装置及设备 |
| CN113298119A (zh) * | 2021-04-28 | 2021-08-24 | 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 |
| 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 |
| CN114266606A (zh) * | 2022-03-03 | 2022-04-01 | 北京派瑞威行互联技术有限公司 | 一种短视频广告投放优化评估方法及系统 |
| CN114266606B (zh) * | 2022-03-03 | 2022-05-17 | 北京派瑞威行互联技术有限公司 | 一种短视频广告投放优化评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598633B (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598633B (zh) | 一种基于增量学习的在线广告投放方法、装置和电子设备 | |
| CN111192108B (zh) | 一种用于产品推荐的排序方法、装置和电子设备 | |
| US20190340641A1 (en) | Simulation-based evaluation of a marketing channel attribution model | |
| CN112348564B (zh) | 自动管理广告投放的方法、装置和电子设备 | |
| CN112465573B (zh) | 一种多渠道智能广告投放方法、装置和电子设备 | |
| CN108960901B (zh) | 数据处理方法、装置、介质及电子设备 | |
| CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
| CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
| CN111179030B (zh) | 广告出价方法、装置及电子设备 | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
| CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
| CN110796480A (zh) | 一种实时广告投放管理方法、装置和系统 | |
| CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN111681112A (zh) | 一种管理投放策略的方法、装置和电子设备 | |
| CN109087124A (zh) | 一种应用程序价值预测方法及装置 | |
| CN113139826A (zh) | 广告位的分配权限确定方法、装置、计算机设备 | |
| CN111353872A (zh) | 一种基于金融表现值的授信处理的方法、装置和电子设备 | |
| CN111582645A (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN112508692A (zh) | 基于卷积神经网络的资源回收风险预测方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |