CN111667311A - 一种广告投放的方法、相关装置、设备以及存储介质 - Google Patents
一种广告投放的方法、相关装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111667311A CN111667311A CN202010512050.3A CN202010512050A CN111667311A CN 111667311 A CN111667311 A CN 111667311A CN 202010512050 A CN202010512050 A CN 202010512050A CN 111667311 A CN111667311 A CN 111667311A
- Authority
- CN
- China
- Prior art keywords
- conversion
- deep
- estimated
- weight value
- advertisement
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000002716 delivery method Methods 0.000 title description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 1048
- 238000000034 method Methods 0.000 claims abstract description 108
- 238000012163 sequencing technique Methods 0.000 claims abstract description 30
- 238000010992 reflux Methods 0.000 claims description 223
- 230000001186 cumulative effect Effects 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 78
- 238000012545 processing Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 14
- 230000009466 transformation Effects 0.000 description 39
- 230000008569 process Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 30
- 238000002407 reforming Methods 0.000 description 21
- 238000013461 design Methods 0.000 description 16
- 238000013519 translation Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000007306 turnover Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种应用于人工智能领域的广告投放方法,该方法还可应用云技术实现如下步骤:获取目标广告在历史时间段内的上报转化数;获取目标广告在历史时间段内的预估转化率累积值;基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数;根据预估转化数确定目标广告的排序结果;若排序结果满足广告投放条件,则投放目标广告。本申请还提供了相关装置、设备以及存储介质。本申请基于贝叶斯函数对预估转化率累积值和上报转化数进行共同决策预估转化数,一方面具有更好的解释性,另一方面能够降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种广告投放的方法、相关装置、设备以及存储介质。
背景技术
随着数字媒体技术的飞速发展,各种形式的广告可以通过数字媒体触达用户,对企业来说,广告可以触达潜在用户而获得即时或未来的收益。因此,企业不断提高在广告方面的投入,但是如何更好地将所投入的广告转化变现是一个值得深究的问题。
在广告投放之前往往需要关注投放成本,目前,在优化广告排序的过程中,可基于上报转化数以及回流比例确定预估转化数,再根据预估转化数确定成本达成调节系数,然后通过成本达成调节系数对广告进行排序,最后优先投放排序靠前的广告。
然而,不同时间段内的回流比例可能不同,因此,只能根据一段时间内的统计情况估计回流比例,由此导致估计得到的回流比例与实际的回流比例之间存在固有偏差,造成广告排序不够精确,降低了广告投放效果。
发明内容
本申请实施例提供了一种广告投放的方法、相关装置、设备以及存储介质,基于贝叶斯函数对预估转化率累积值和上报转化数进行共同决策预估转化数,一方面具有更好的解释性,另一方面能够降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
有鉴于此,本申请一方面提供一种广告投放的方法,包括:
获取目标广告在历史时间段内的上报转化数,其中,目标广告属于至少一个待投放广告;
获取目标广告在历史时间段内的预估转化率累积值,预估转化率累积值表示在历史时间段内累计点击目标广告得到的预估转化率之和;
基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数;
根据预估转化数确定目标广告在至少一个待投放广告中的排序结果;
若排序结果满足广告投放条件,则投放目标广告。
本申请另一方面提供一种广告投放装置,包括:
获取模块,用于获取目标广告在历史时间段内的上报转化数,其中,目标广告属于至少一个待投放广告;
获取模块,还用于获取目标广告在历史时间段内的预估转化率累积值,预估转化率累积值表示在历史时间段内累计点击目标广告得到的预估转化率之和;
确定模块,用于基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数;
确定模块,还用于根据预估转化数确定目标广告在至少一个待投放广告中的排序结果;
投放模块,用于若排序结果满足广告投放条件,则投放目标广告。
在一种可能的设计中,在本申请实施例的另一方面的一种实现方式中,
获取模块,具体用于获取目标广告在历史时间段内的广告特征、用户特征以及上下文特征,其中,广告特征为广告信息所对应的特征,用户特征为用户画像所对应的特征,上下文特征为广告播放场景所对应的特征;
基于广告特征、用户特征以及上下文特征,通过转化率模型获取N个点击所对应的预估转化率,其中,N为大于或等于1的整数;
对N个点击所对应的预估转化率进行求和处理,得到预估转化率累积值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数表示浅层转化类型所对应的已回流的转化数;
获取模块,还用于获取目标广告所对应的浅层转化回流率,其中,浅层转化回流率表示浅层上报转化数与完全回流浅层转化数之间的比值;
确定模块,还用于根据浅层转化回流率以及浅层上报转化数确定第一权重值;
确定模块,还用于根据预估转化率累积值确定第二权重值;
确定模块,具体用于根据第一权重值、第二权重值、浅层转化回流率、浅层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于对浅层转化回流率以及浅层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与浅层上报转化数之间的比值,确定第一权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据预估转化率累积值的倒数,确定第二权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据第一权重值、浅层转化回流率以及浅层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于获取目标广告在历史时间段内的深层上报转化数,其中,深层上报转化数表示深层转化类型所对应的已回流的转化数;
获取模块,还用于获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
确定模块,还用于根据深层转化回流率以及深层上报转化数确定第一权重值;
确定模块,还用于根据预估转化率累积值确定第二权重值;
确定模块,具体用于根据第一权重值、第二权重值、深层转化回流率、深层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及深层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据预估转化率累积值的倒数,确定第二权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,具体用于获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数包括M个浅层子上报转化数,M为大于或等于1的整数;
获取目标广告在历史时间段内的深层上报转化数,其中深层上报转化数表示深层转化类型所对应的已回流的转化数;
获取模块,还用于获取目标广告在历史时间段内的浅层到深层转化率,其中,浅层到深层转化率包括M个浅层到深层子转化率,且浅层到深层子转化率与浅层子上报转化数具有一一对应的关系;
确定模块,还用于根据浅层上报转化数以及浅层到深层转化率,确定目标广告在历史时间段内的深层转化预估值;
确定模块,具体用于根据深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
获取模块,还用于获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
确定模块,还用于根据深层转化回流率以及深层上报转化数确定第一权重值;
确定模块,还用于根据预估转化率累积值确定第二权重值;
确定模块,还用于根据深层转化预估值确定第三权重值;
确定模块,还用于根据第一权重值、第二权重值、第三权重值、深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据预估转化率累积值的倒数,确定第二权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于获取深层转化预估值所对应的完全回流浅层转化数以及浅层到深层转化率;
根据完全回流浅层转化数的倒数确定第四结果;
根据第四结果与浅层到深层转化率之间的比值,确定第三权重值。
在一种可能的设计中,在本申请实施例的另一方面的另一种实现方式中,
确定模块,具体用于根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
根据第三权重值以及深层转化预估值,计算得到第三中间量;
对第一中间量、第二中间量以及第三中间量进行求和处理,得到第二目标中间量;
对第一权重值、第二权重值以及第三权重值进行求和处理,得到第二目标权重值;
根据第二目标中间量与第二目标权重值之间的比值,确定目标广告所对应的预估转化数。
本申请另一方面提供一种计算机设备,包括:存储器、收发器、处理器以及总线系统;
其中,存储器用于存储程序;
处理器用于执行存储器中的程序,处理器用于根据程序代码中的指令执行上述各方面所述的方法;
总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信。
本申请另一方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种广告投放的方法,首先获取目标广告在历史时间段内的上报转化数,然后获取目标广告在历史时间段内的预估转化率累积值,再基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数,最后根据预估转化数确定目标广告在至少一个待投放广告中的排序结果,如果排序结果满足广告投放条件,则投放目标广告。通过上述方式,引入预估转化率累积值确定预估转化率,而预估转化率累积值是在历史时间段内累计点击目标广告得到的预估转化率之和,相比于直接估计一个回流比例而言,预估转化率累积值是基于过去一段时间内的累计结果,因此具有更好的解释性。此外,利用贝叶斯函数将对预估转化率累积值和上报转化数进行共同决策预估转化数,能够降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
附图说明
图1为本申请实施例中基于转化延时的一个示意图;
图2为本申请实施例中基于上报转化数以及回流比例确定预估转化数的一个示意图;
图3为本申请实施例中浅层转化至深层转化的一个漏斗式示意图;
图4为本申请实施例中浅层转化至深层转化的一个链式示意图;
图5为本申请实施例中目标成本与当前成本之间的一个关系示意图;
图6为本申请实施例中广告投放系统的一个交互环境示意图;
图7为本申请实施例中广告系统的一个架构示意图;
图8为本申请实施例中广告投放方法的一个实施例示意图;
图9为本申请实施例中基于贝叶斯函数输出预估转化数的一个框架示意图;
图10为本申请实施例中调整目标广告排序的一个实施例示意图;
图11为本申请实施例中通过转化率模型输出N个点击的预估转化率的一个示意图;
图12为本申请实施例中预估转化率累积值的一个关系示意图;
图13为本申请实施例中基于浅层目标广告的实现广告投放的一个流程示意图;
图14为本申请实施例中浅层转化类型影响深层转化类型的一个示意图;
图15为本申请实施例中基于贝叶斯函数输出预估转化数的另一个框架示意图;
图16为本申请实施例中基于深层目标广告的实现广告投放的一个流程示意图;
图17为本申请实施例中广告投放装置的一个实施例示意图;
图18为本申请实施例中计算机设备的一个结构示意图。
具体实施方式
本申请实施例提供了一种广告投放的方法、相关装置、设备以及存储介质,基于贝叶斯函数对预估转化率累积值和上报转化数进行共同决策,一方面具有更好的解释性,另一方面能够降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本申请提供了一种基于人工智能(Artificial Intelligence,AI)技术的广告投放方法,该方法适用于网站的在线广告投放,例如,在搜索引擎上、信息流产品中、视频网站上以及电视中进行广告投放等。AI技术力图为广告主提供智能化的营销策略,如何推送用户感兴趣的广告,将用户最可能购买的商品(高转化率)放在顶端位置是关键的问题,由此不仅可以极大的提升企业的利润,也可以在一定程度上提升用户粘性。本申请提供的广告投放方法能够向用户精准推荐广告,使得广告的投放更加精准地触及人群,实现更加节约成本和更加高效的营销。
可以理解的是,AI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,AI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。AI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。其中,AI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。AI基础技术一般包括如传感器、专用AI芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。AI软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请涉及到较多的专业术语,为了更好地理解本申请,下面将分别对这些专业术语进行介绍。
1、优化行为出价(Optimized Cost per Action,oCPA):广告主选定优化的目标后出价,同时回传转化效果数据,经过预估后使得出价和实际转化成本达到平衡。其中,优化的行为包含但不仅限于激活、注册以及下单等,oCPA本质上还是按照每次行动成本(Costper Action,CPA)进行付费。
2、优化点击付费(Optimized Cost per Click,oCPC):采取转化率预估机制,提供给广告主优质流量并且保证转化率,在广告主出价的基础上,系统会基于多维度、实时反馈和历史积累的数据,并根据预估的转化率和竞争环境进行动态调整出价,进而优化广告的排序,帮助广告主找到合适的流量,降低转化成本。oCPC本质上还是按照每点击成本(Costper Click,CPC)进行付费。
3、优化千次展现出价(Optimized Cost per Mille,oCPM):采用更加精准的点击率和转化率预估机制,将广告展现给适合该广告并且容易转化的用户,提升广告的转化率并降低转化成本。oCPM本质上还是按照千人成本(Cost per Mille,CPM)进行付费。
4、实时调价算法,表示通过成本达成调节系数调节线上出价,从而达到控制成本目的的算法。
5、成本达成调节系数:在线上的oCPA竞价排序公式中,存在一个成本达成调节系数,可以调节出价,从而控制成本的目的。
6、转化回流:广告主把转化回传至后台,其中,“转化”表示受网络广告影响而发生购买、注册或信息需求行为。
7、转化延时:从用户点击广告到广告系统得知用户进行应用激活通常会有较长的时间间隔,主要由以下两方面原因导致,一方面,用户可能在下载应用后过了很久才启动该应用,另一方面,用户启动应用的行为需要广告主上报并回传给广告系统,因此会有一定的延时。为了便于介绍,请参阅图1,图1为本申请实施例中基于转化延时的一个示意图,如图所示,从广告曝光到点击广告通常仅需几秒或者几分钟,从点击广告到下载该广告对应的应用只需要几秒,从点击广告到按照该广告对应的应用需要几分钟。然而,从点击广告到在该广告对应的应用中付费通常需要几天的时间,因此,在点击操作发生后,转化回流会有较长的时间延时。
8、上报转化数(rch):是一个随机变量,表示已经回流的转化数。
9、预估转化数(convh):在使用上报转化数(rch)以及回流比例确定预估转化数的过程中,需要预估一个回流比例(ratio),为了便于介绍,请参阅图2,图2为本申请实施例中基于上报转化数以及回流比例确定预估转化数的一个示意图,如图所示,根据15个小时内的已回流转化和未回流转化估计得到回流比例(ratio),然后采用如下方式计算预估转化数:
10、浅层转化和深层转化:请结合图3和图4进行理解,请参阅图3,图3为本申请实施例中浅层转化至深层转化的一个漏斗式示意图,如图所示,靠近漏斗上端的为浅层转化,其特点是转化行为数据量充足,回流及时。浅层转化具有多种浅层转化类型,例如,点击、激活以及表单预约等。靠近漏斗下端的为深层转化,其特点是转化行为数据量稀疏,回流较慢。深层转化具有多种深层转化类型,例如,付费、申请以及网页咨询等。请参阅图4,图4为本申请实施例中浅层转化至深层转化的一个链式示意图,如图所示,在转化链路上靠前的为浅层转化,靠后的为深层转化,例如,激活应用以及在应用中下单都属于浅层转化,而在应用中付费属于深层转化。
11、广告浅层转化到深层转化的转化率:可以表示为深层转化数/浅层转化数,深层转化数和浅层转化数都是统计得到的结果,可采用模型预估预估浅层到深层的转化率。
12、完全回流浅层转化数(shallow total conversion,stc),表示在浅层转化中完全回流的转化数。
13、完全回流深层转化数(deep total conversion,dtc),表示在深层转化中完全回流的转化数。
14、上报转化数(report conversion,rc),表示已回流的转化数,其中,rc是一个泛指的概念,其参数形式为rch。
15、浅层上报转化数(shallow report conversion,src),表示浅层转化类型所对应的已回流的转化数,其中,src是一个泛指的概念,其参数形式为srch。
16、深层上报转化数(deep report conversion,drc)表示深层转化类型所对应的已回流的转化数,其中,drc是一个泛指的概念,其参数形式为drch。
17、预估转化率累积值(predicted conversion rate sum,pc),表示从0到当前时刻内,所有点击累积得到的预估转化率(predicted conversion rate,pCVR),其中,pc是一个泛指的概念,其参数形式为pCVRh。
18、pCVR,表示点击到转化的概率。
19、浅层转化回流率(shallow ratio,sr),表示浅层上报转化数(src)与完全回流浅层转化数(stc)之间的比值,即sr=src/stc,其中,sr是一个泛指的概念,其参数形式为srh。
20、深层转化回流率(deep ratio,dr),表示深层上报转化数(drc)与完全回流深层转化数(dtc)之间的比值,即dr=drc/dtc,其中,dr是一个泛指的概念,其参数形式为drh。
21、深层转化预估值(deep predict conversion,dpc),表示根据浅层转化计算得到深度转化的估计结果,其中,dpc是一个泛指的概念,其参数形式为dconvh。
22、完全回流浅层转化数(shallow total conversion,stc),表示完全回流之后的浅层实际转化数。
23、浅层到深层转化率(shallow deep ratio,sdr),表示从浅层转化到深层转化的一个转化率。
基于上述介绍,为了更好地理解本申请的应用背景,下面将详细介绍与本申请相关的应用背景。
应理解,对于对媒体方而言,一方面追求平台产品的长期体验,另一方面追求流量效益的最大化。媒体广告总收益的公式为:
总收益=广告总流量×流量填充率×每次曝光价格;
其中,每次曝光价格即为千次展示收益(effective cost per mile,eCPM)。流量填充率是指在一段时间内广告展示数(或称广告曝光数)与广告展示机会数(或广告请求数)的比率。流量填充率=广告展示数/广告展示机会数×100%。
如果广告主期望效果最大化,则最直接的优化策略是,采用最低的流量价格(即eCPM)获取足够多且足够好的转化量。以CPM计费模式、CPC计费模式、CPA计费模式以及oCPA计费模式为例,下面将介绍在不同计费模式下计算eCPM的方式。
请参阅表1,表1为不同计费模式下计算eCPM的一个示意。
表1
基于表1所示的内容,“出价”表示广告主为广告每个点击出的价格,“计费”表示一个广告被点击后,最终的扣费方式,其中,“曝光”表示用户访问一个媒体网站,媒体展现广告,用户每看到一次就曝光一次。“点击”表示广告曝光后用户点击一次。“转化”表示用户指受网络广告影响而发生的激活、购买以及注册等行为。“目标相关度”表示如果广告主的目标是获取转化,而广告的投放机制是保证转化,则目标相关度高,如果广告的投放机制是保证点击或者其他类型,则目标相关度不高。“转化成本控制”表示控制转化的成本。“收益稳定度”表示流量方(或媒体方)获得收益的稳定程度。
流量方(或媒体方)可以理解为网站或者应用,例如,某个资讯类应用(application,APP)属于流量方(或媒体方)。广告主则是获取定向业务的企业,例如,某款游戏的广告主目标是获取游戏用户,所以需要在网站或应用上投放游戏广告,让用户下载游戏。
在CPM计费模式下,流量方(或媒体方))收益可以得到保证,而广告主的转化成本不可控。在CPC计费模式下,用户无法优化转化成本,没有表达自己真实目标的途径,缺乏有效的优化手段,因此,需要根据目标转化成本估算点击出价,不仅无法针对不同流量精细化出价,而且转化成本不可控。而在CPA计费模式下,媒体方(或流量方)承担pCVR和广告点击率预测(Predict Click-Through Rate,pCTR)预估误差带来的收益风险,以及转化作弊带来的风险。在这个情况下,oCPA、oCPC以及oCPM应运而生,下面将以oCPA计费模式为例进行介绍。
计费模式oCPA的竞价排序公式中,智能出价(SmartBid)=目标成本(TagetCPA)×计费比系数×成本达成调节系数,其中,目标成本(TagetCPA)表示广告主愿意支付的成本,计费比系数表示点击后实际扣费与目标成本(TagetCPA)之间的比值。基于此,CPM计费模式的eCPM计算方式如下:
eCPM=(TagetCPA×计费比系数×成本达成调节系数)×(pCVR×pCVR修正系数)×pCTR;
其中,pCVR修正系数是根据历史数据对pCVR进行修正,从而使得pCVR更准确。由于广告主的目标是控制广告的转化成本,因此,为了达到控制成本的目的,在oCPA竞价排序公式中增加了一个成本达成调节系数,该成本达成调节系数愿意调节出价,从而控制广告的消耗和成本。
为了便于说明,请参阅图5,图5为本申请实施例中目标成本与当前成本之间的一个关系示意图,如图所示,广告主先设定一个目标成本(TagetCPA),假设当前处于t时刻,从0时刻至t时刻(不包含第t时刻)均属于历史时间段,在历史时间段内可以获取到已知量,这里的已知量包括从0时刻至t时刻的历史累计消耗(costh)、从0时刻至t时刻的历史累计转化数(convh)以及历史成本达成调节系数(λh)。而从t时刻(包含第t时刻)至24点均属于未来时间段,在未来时间段内可以预估未知量,这里的未知量包括从t时刻(包含第t时刻)至24点的未来累计消耗(coste)、从t时刻(包含第t时刻)至24点的未来累计转化数(conve)以及未来成本达成调节系数(λe)。
对于未来累计消耗(coste)而言,可以采用如下方式进行估计:
1、消耗和成本达成调节系数(λ)存在函数式,可基于数据进行拟合,即:
其中,costh_1.0表示在历史时间段内如果不调价所对应的消耗,不调价的情况下,历史成本达成调节系数(λh)=1。
2、不调价消耗占比随时间存在函数式,基于大盘数据进行拟合,即:
其中,coste_1.0表示在未来时间段内如果不调价所对应的消耗。
3、给定未来成本达成调节系数(λe),即可计算未来累计消耗(coste):
由此得到待求解的变量,即未来成本达成调节系数(λe)的函数。
对于未来累计转化数(conve)而言,可以采用如下方式进行估计:
1、在未来成本估计中,假设平均转化成本(CPA1.0)和成本达成调节系数(λ)存在函数式,基于大盘数据近似得到:
其中,图5所示的当前成本即为CPAh,CPAh等于历史累计消耗(costh)与历史累计转化数(convh)的比值。在t时刻,当前成本(CPAh)和目标成本(TagetCPA)之间存在一定的成本偏差,而在未来时间段内,预估成本可能与实际成本之间会有较大误差,其中,预估成本等于未来累计消耗(coste)除以未来累计转化数(conve)。
2、在未来转化估计中,基于未来累计消耗(coste)以及未来每次行动成本(CPAe),可以得到如下式子:
由此得到待求解的变量,即未来成本达成调节系数(λe)的函数。
基于此,在控制成本的策略原理中,初始问题是根据优化目标来求解未来成本达成调节系数(λe),而优化目标是最终成本接近目标成本(TagetCPA),即:
因此,终极问题就是如何估计未来成本达成调节系数(λe)。将未来累计消耗(coste)和未来累计转化数(conve)代入优化目标,可以求解如下估计方式:
由上述公式可知,目标成本(TagetCPA)最终只与历史累计转化数(convh)有关,也就是说,对历史累计转化数(convh)的预估是关键,因此,在本申请中,将历史累计转化数(convh)统一描述为“预估转化数”。
在深度目标广告的转化数据非常稀疏,通常只有几个转化,所以如果采用回流比例进行预估,仍然存在较大的固有偏差。假设每个转化在窗口内的回流比例为ratio,那么时间窗口内实际回传的上报转化数(rch)服从二项分布B(convh,ratio),期望是convh×ratio,方差是convh×ratio×(1-ratio),即:
表2
基于此,本申请提供的技术方案能够更好地估计历史累计转化数(convh),从而能够达到更好地控制目标成本(TagetCPA)的目的。
本申请提出了一种广告投放的方法,该方法应用于图6所示的广告投放系统,请参阅图6,图6为本申请实施例中广告投放系统的一个交互环境示意图,如图所示,广告投放系统包括终端设备以及服务器,用户通过终端设备观看广告,并通过终端设备触发相关的操作,例如,点击、下载、安装、激活、下单以及付费等,终端设备将一段时间内(或即时)的操作信息上报至服务器,由服务器基于采集到的操作信息进行统计和计算,根据计算结果决定广告的排序,再将新的排序结果推送至终端设备,于是用户可通过终端设备观看到排序变化后的广告。至此,完成一轮广告排序的更新。
在在线广告系统中,终端设备会即时向服务器反馈用户的操作信息,服务器将根据操作信息实时调整广告排序,从而达到在线调整广告排序的目的。
在离线广告系统中,服务器采集一段时间内的用户操作信息,然后根据操作信息调整广告排序,从而达到离线调整广告排序的目的。
需要说明的是,图6所示的终端设备和服务器的数量和类型仅为一个示意,在实际应用中,终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机、语音交互设备及个人电脑(personal computer,PC)。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和AI平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
由于广告内容和广告数量非常庞大,在实际应用中,本申请提供的广告投放方法可以采用云技术(Cloud technology)实现对大量广告的计算和排序。具体地,云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为基础设施即服务(Infrastructure as a Service,IaaS)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备和网络设备。按照逻辑功能划分,在IaaS层上可以部署平台即服务(Platform as a Service,PaaS)层,在PaaS层之上再部署软件即服务(Software as aService,SaaS)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
进一步地,广告投放系统还可以为广告主提供AI云服务(AI as a Service,AIaaS),这是目前主流的一种AI平台的服务方式,具体来说AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城,所有的开发者都可以通过应用程序接口(Application Programming Interface,API)的方式来接入使用平台提供的一种或者是多种AI服务,部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云AI服务。
应理解,本申请提供的广告投放系统属于广告系统的一部分,为了便于介绍,请参阅图7,图7为本申请实施例中广告系统的一个架构示意图,一个典型的广告系统如图7所示,广告要经历请求、曝光、粗排和精排的过程。用户可以通过终端设备观看曝光的广告A,还可以基于该广告A进行后续一系列操作(例如,点击、下载、安装和付费等),这些操作通过流量接入层进入广告投放系统。广告投放系统中的用户画像检索模块调用用户画像的数据库,获取用户对应的用户画像。广告检索模块调用广告数据库,获取广告A的广告数据。模型训练模块调用日志库中的日志数据,并基于广告A的广告数据以及用户的用户画像,对转化预估模型进行训练。此外,模型训练模块还可以通过转化预估模型预测广告的eCPM,以此对线上的广告进行排序,排序之前需要经过粗选和精选两个过程,精选后的广告将进行曝光。
粗选主要使用转化预估模型所包括的轻量级转化预估(light conversion rate,LiteCVR)模型,使用轻量级转化预估(LiteCVR)模型进行排序的公式如下所示:
eCPM=SmartBid×LiteCVR×LiteCVR×1000;
其中,SmartBid表示智能出价。
精选主要使用转化预估模型所包括的预估转化率(pCVR)模型,使用预估转化率(pCVR)模型进行排序的公式如下所示:
eCPM=SmartBid×pCVR×pCTR×1000;
其中,SmartBid表示智能出价,pCTR表示广告点击率预测。
经过精选之后根据eCPM从大至小对广告进行排序,并且对这些广告进行曝光。
本申请实施例提供的方案涉及AI的机器学习等技术,结合上述介绍,下面将对本申请中广告投放的方法进行介绍,请参阅图8,本申请实施例中广告投放方法的一个实施例包括:
101、获取目标广告在历史时间段内的上报转化数,其中,目标广告属于至少一个待投放广告;
本实施例中,以针对目标广告为例进行具体说明,可以理解的是,在实际应用中,对于每支待投放广告均可以采用如本申请提供的广告投放方法进行处理。广告投放装置获取目标广告在历史时间段内的上报转化数(rch),这里的历史时间段表示在当前时刻(即第t时刻)之前的一段时间,历史时间段可以包括当前时刻,也可以不包括当前时刻,此处不做限定。需要说明的是,广告投放装置部署于计算机设备,该计算机设备可以是服务器,也可以是具有较高计算能力的终端设备,此处不做限定。
若目标广告为浅层目标广告,则上报转化数(rch)具体为浅层上报转化数(srch),若目标广告为深层目标广告,则上报转化数(rch)包括浅层上报转化数(srch)以及深层上报转化数(drch)。
目标广告包含但不仅限于游戏行业的广告、网站门户行业的广告、电商行业的广告、金融行业的广告、教育行业的广告以及旅游行业的广告。基于不同行业下的目标广告,往往上报的转化类型也不同,为了便于理解,请参阅表3,表3为基于不同行业类型上报相应转化类型的一个示意。
表3
行业类型 | 可上报的转化类型 |
游戏 | 激活、注册、次日留存及付费行为 |
网站门户 | 激活、注册及次日留存 |
电商 | 激活、注册、商品详情页浏览、搜索、收藏、加入购物车及下单 |
金融 | 表单预约、网页咨询、激活、次日留存、注册、申请及付费 |
教育 | 表单预约、网页咨询、下单及付费 |
旅游 | 表单预约、网页咨询、下单及付费 |
表3仅为一个示意,在广告主还可以根据所在行业的特点,上传所关注的转化类型。
102、获取目标广告在历史时间段内的预估转化率累积值,其中,预估转化率累积值表示在历史时间段内累计点击目标广告得到的预估转化率之和;
本实施例中,广告投放装置还需要获取目标广告在历史时间段内的预估转化率累积值(pCVRh),预估转化率累积值(pCVRh)是指在历史时间段内,所有点击累计得到的pCVR,其中,pCVR表示从点击到转化的概率。
103、基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数;
本实施例中,广告投放装置将上报转化数(rch)以及预估转化率累积值(pCVRh)作为贝叶斯函数的输入,由贝叶斯函数输出相应的预估转化数(convh)。具体地,请参阅图9,图9为本申请实施例中基于贝叶斯函数输出预估转化数的一个框架示意图,如图所示,在得到上报转化数(rch)可以直接输入至贝叶斯函数,可选地,在得到上报转化数(rch)之后还可以先输入至模型A,这里的模型A可以表示为关系式y1=f1(x),其中,y1表示输出的结果,x表示输入的上报转化数(rch),f1()表示模型A的函数。模型A输出的结果再输入至贝叶斯函数。类似地,在得到预估转化率累积值(pCVRh)可以直接输入至贝叶斯函数,可选地,在得到预估转化率累积值(pCVRh)之后还可以先输入至模型B,这里的模型B可以表示为关系式y2=f2(x),其中,y2表示输出的结果,x表示输入的预估转化率累积值(pCVRh),f2()表示模型B的函数。模型B输出的结果再输入至贝叶斯函数。
具体地,贝叶斯函数可以整合多个模型,共同决策最后的模型输出,贝叶斯函数可以表示为:
其中,P(A)表示事件A的先验概率,P(A|B)表示已知事件B发生之后事件A的条件概率,即事件A的后验概率,P(B|A)表示已知事件A发生之后事件B的条件概率,即事件B的后验概率,P(B)表示事件B的先验概率。
104、根据预估转化数确定目标广告在至少一个待投放广告中的排序结果;
本实施例中,由于目标成本(TagetCPA)是确定的数值,因此,在广告投放装置确定预估转化数(convh)之后即可得到未来成本达成调节系数(λe),基于未来成本达成调节系数(λe)能够计算该广告的eCPM。假设需要对100个待投放广告进行排序,则根据每个待投放广告所对应的eCPM,确定目标广告的排序结果。
具体地,为了便于介绍,请参阅图10,图10为本申请实施例中调整目标广告排序的一个实施例示意图,如图10中(a)图所示,假设当前时刻为17点,此时,“XXXX旗舰店”上展示的广告包括“圆点衬衣”、“小熊T恤”、“白领西裤”、“小猫T恤”、“条形衬衣”以及“全黑皮带”。经过一个小时后,广告投放装置基于这一个小时内对应的预估转化数(convh)对“XXXX旗舰店”内的广告进行重新排序,如图10中(b)图所示,假设当前时刻为18点,“XXXX旗舰店”上展示的广告包括“小猫T恤”、“条形衬衣”、“米色工作裤”、“黑白T恤”、“全黑皮带”以及“小熊T恤”。
105、若排序结果满足广告投放条件,则投放目标广告。
本实施例中,广告投放装置需要判断目标广告的排序结果是否满足广告投放条件。具体地,一种判定条件为,假设排序结果小于或等于排序阈值,则表示目标广满足广告投放条件,假设排序结果大排序阈值,则表示目标广告不满足广告投放条件,例如,排序结果为15,排序阈值为20,那么该目标广告满足广告投放条件。另一种判定条件为,假设排序结果为第一的情况下,表示该目标广告满足广告投放条件。可以理解的是,在实际应用中,还可以根据情况设定其他的广告投放条件,此处仅为一个示意,不应理解为对本申请的限定。
本申请实施例中,提供了一种广告投放的方法,首先获取目标广告在历史时间段内的上报转化数,然后获取目标广告在历史时间段内的预估转化率累积值,再基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数,最后根据预估转化数确定目标广告在至少一个待投放广告中的排序结果,如果排序结果满足广告投放条件,则投放目标广告。通过上述方式,引入预估转化率累积值确定预估转化率,而预估转化率累积值是在历史时间段内累计点击目标广告得到的预估转化率之和,相比于直接估计一个回流比例而言,预估转化率累积值是基于过去一段时间内的累计结果,因此具有更好的解释性。此外,利用贝叶斯函数将对预估转化率累积值和上报转化数进行共同决策预估转化数,能够降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,获取目标广告在历史时间段内的预估转化率累积值,可以包括如下步骤:
获取目标广告在历史时间段内的广告特征、用户特征以及上下文特征,其中,广告特征为广告信息所对应的特征,用户特征为用户画像所对应的特征,上下文特征为广告播放场景所对应的特征;
基于广告特征、用户特征以及上下文特征,通过转化率模型获取N个点击所对应的预估转化率,其中,N为大于或等于1的整数;
对N个点击所对应的预估转化率进行求和处理,得到预估转化率累积值。
本实施例中,介绍了一种获取预估转化率累积值的方式,广告投放装置先获取目标广告在历史时间段内的广告特征、用户特征以及上下文特征,下面将分别对广告特征、用户特征以及上下文特征进行介绍。请参阅表4,表4为广告特征、用户特征以及上下文特征的一个示意。
表4
广告特征 | 用户特征 | 上下文特征 |
账户标识 | 用户标识 | 广告位标识 |
推广计划标识 | 年龄 | 站点计划标识 |
广告标识 | 性别 | 广告位类型 |
素材标识 | 学历 | 联网方式 |
应用标识 | 婚恋情况 | 运营商 |
应用分类标识 | 育儿状态 | |
应用平台标识 | 籍贯 | |
应用安装列表 | ||
安装流水 |
基于此,为了便于说明,请参阅图11,图11为本申请实施例中通过转化率模型输出N个点击的预估转化率的一个示意图,如图所示,分别将广告特征、用户特征以及上下文特征输入至转化率模型,转化率模型包括若干网络层,通过转化率模型可以输出N个点击所对应的预估转化率,对N个点击的预估转化率进行求和处理,即:
其中,pCVRi表示第i个点击所对应的预估转化率,pCVRh表示预估转化率累积值。
请参阅图12,图12为本申请实施例中预估转化率累积值的一个关系示意图,如图所示,根据N个点击所对应的预估转化率计算得到预估转化率累积值(pCVRh),这里的预估转化率累积值(pCVRh)为6。
其次,本申请实施例中,提供了一种获取预估转化率累积值的方式,通过上述方式,在预测N个点击所对应的预估转化率时,利用了目标广告在历史时间段内的广告特征、用户特征以及上下文特征,多个维度的特征能够更全面地体现每个点击对应的预估转化率,从而有利于提升预估转化率累积值的准确度。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,获取目标广告在历史时间段内的上报转化数,可以包括如下步骤:
获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数表示浅层转化类型所对应的已回流的转化数;
还可以包括如下步骤:
获取目标广告所对应的浅层转化回流率,其中,浅层转化回流率表示浅层上报转化数与完全回流浅层转化数之间的比值;
根据浅层转化回流率以及浅层上报转化数确定第一权重值;
根据预估转化率累积值确定第二权重值;
其中,基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数,可以包括如下步骤:
根据第一权重值、第二权重值、浅层转化回流率、浅层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,获取目标广告在历史时间段内的上报转化数,可以包括如下步骤:
获取目标广告在历史时间段内的深层上报转化数,其中,深层上报转化数表示深层转化类型所对应的已回流的转化数;
还可以包括如下步骤:
获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
根据深层转化回流率以及深层上报转化数确定第一权重值;
根据预估转化率累积值确定第二权重值;
其中,基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数,可以包括如下步骤:
根据第一权重值、第二权重值、深层转化回流率、深层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
本实施例中,介绍了一种基于浅层目标广告获取预估转化数的方式,以及基于无浅层转化的深层目标广告获取预估转化数的方式,在实际应用中,针对深层目标广告也可以进行类似处理,下面将分别针对目标广告为浅层目标广告和深层目标广告为例进行说明。
一、浅层目标广告;
广告投放装置需要获取目标广告在历史时间段内的浅层上报转化数(srch),以及目标广告所对应的浅层转化回流率(srh),根据浅层转化回流率以及浅层上报转化数确定第一权重值(W1),并且根据预估转化率累积值(pCVRh)确定第二权重值(W2),最后根据第一权重值(W1)、第二权重值(W2)、浅层转化回流率(srh)、浅层上报转化数(srch)以及预估转化率累积值(pCVRh),通过贝叶斯函数确定目标广告所对应的预估转化数(convh)。
具体地,下面将介绍针对浅层目标广告确定预估转化数(convh)的方式,基于贝叶斯函数得到如下式子:
P(stc=x|src,pc)∝P(src|stc=x)×P(stc=x|pc);
其中,P(·)表示概率。stc表示完全回流浅层转化数,x表示未知数,也就是待求解的预估转化数(convh),在这个式子中,将完全回流浅层转化数(stc)对应的结果作为最终要求解的预估转化数(convh)。src表示浅层上报转化数,可代入目标广告在历史时间段内的浅层上报转化数(srch)进行计算。pc表示预估转化率累积值,可代入根据N个点击所对应的预估转化率计算得到预估转化率累积值(pCVRh)。符号“∝”表示正比于,符号“|”表示条件。
基于上述式子,广告投放装置需要对P(src|stc=x)×P(stc=x|pc)进行计算,分别得到第一权重值(W1)和第二权重值(W2),其中,第一权重值(W1)对应于浅层上报转化数(src),或对应于模型A输出的结果。第二权重值(W2)对应于预估转化率累积值(pc),或对应于模型B输出的结果。
二、深层目标广告(即无浅层转化的深层目标广告);
针对深层目标广告而言,也可以采用类似方式确定预估转化数(convh),不同之处在于,深层目标广告所对应的贝叶斯函数表示为:
P(dtc=x|drc,pc)∝P(drc|dtc=x)×P(dtc=x|pc);
其中,dtc表示完全回流深层转化数,x表示未知数,也就是待求解的预估转化数(convh),在这个式子中,将完全回流深层转化数(dtc)对应的结果作为最终要求解的预估转化数(convh)。drc表示深层上报转化数,可代入目标广告在历史时间段内的深层上报转化数(drch)进行计算。
基于上述式子,广告投放装置需要对P(drc|dtc=x)×P(dtc=x|pc)进行计算,分别得到第一权重值(W1′)和第二权重值(W2′),其中,第一权重值(W1′)对应于深层上报转化数(drc),或对应于模型A输出的结果。第二权重值(W2′)对应于预估转化率累积值(pc),或对应于模型B输出的结果。
再次,本申请实施例中,提供了一种基于浅层目标广告获取预估转化数的方式,以及基于无浅层转化的深层目标广告获取预估转化数的方式,通过上述方式,能够计算出更加准确的预估转化数,增加目标广告在排序方面的准确度,有利于提升目标广告的投放效果。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据浅层转化回流率以及浅层上报转化数确定第一权重值,可以包括如下步骤:
对浅层转化回流率以及浅层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与浅层上报转化数之间的比值,确定第一权重值。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据浅层转化回流率以及浅层上报转化数确定第一权重值,可以包括如下步骤:
对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及深层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
本实施例中,介绍了一种基于浅层目标广告计算第一权重值的方式,以及基于无浅层转化的深层目标广告计算第一权重值的方式,在实际应用中,针对深层目标广告也可以进行类似处理,下面将分别针对目标广告为浅层目标广告和深层目标广告为例进行说明。
一、浅层目标广告;
结合上述实施例,可以获知采用如下方式能够计算浅层目标广告的预估转化数(convh):
P(stc=x|src,pc)∝P(src|stc=x)×P(stc=x|pc);
其中,基于P(src|stc=x)×P(stc=x|pc)可以计算得到第一权重值(W1),下面将说明如何确定第一权重值(W1)。
具体地,假设转化回流过程可以理解为,进行完全回流浅层转化数(stc)对应次数的伯努利实验,每次回流的概率为浅层转化回流率(sr),那么浅层上报转化数(src)服从二项分布(stc,sr)。采用正态分布近似二项分布,使用二项分布对P(src|stc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(stc=x|pc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为stc×sr,正态分布和二项分布的方差为stc×sr×(1-sr),均值stc×sr与方差stc×sr×(1-sr)相等,且src≈stc×sr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W1=(sr×sr)/(1-sr)/src;
基于上述式子,广告投放装置对浅层转化回流率(sr)以及浅层转化回流率(sr)进行求积处理,得到第一结果(sr×sr),对第一目标值(即1)以及浅层转化回流率(sr)进行求差处理,得到第二结果(1-sr),根据第一结果(sr×sr)以及第二结果(1-sr)之间的比值,得到第三结果(sr×sr)/(1-sr),根据第三结果(sr×sr)/(1-sr)与浅层上报转化数(src)之间的比值,确定第一权重值(W1)。
二、深层目标广告(即无浅层转化的深层目标广告);
针对深层目标广告而言,也可以采用类似方式确定第一权重值(W1′),不同之处在于,深层目标广告所对应的贝叶斯函数表示为:
P(dtc=x|drc,pc)∝P(drc|dtc=x)×P(dtc=x|pc);
其中,基于P(drc|dtc=x)×P(dtc=x|pc)可以计算得到第一权重值(W1′),下面将说明如何确定第一权重值(W1′)。
具体地,假设转化回流过程可以理解为,进行完全回流深层转化数(dtc)对应次数的伯努利实验,每次回流的概率为深层转化回流率(dr),那么深层上报转化数(drc)服从二项分布(dtc,dr)。采用正态分布近似二项分布,使用二项分布对P(drc|dtc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(dtc=x|pc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为drc×dr,正态分布和二项分布的方差为dtc×dr×(1-dr),均值dtc×dr与方差dtc×dr×(1-dr)相等,且drc≈dtc×dr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W1′=(dr×dr)/(1-dr)/drc;
基于上述式子,广告投放装置对深层转化回流率(dr)以及深层转化回流率(dr)进行求积处理,得到第一结果(dr×dr),对第一目标值(即1)以及深层转化回流率(dr)进行求差处理,得到第二结果(1-dr),根据第一结果(dr×dr)以及第二结果(1-dr)之间的比值,得到第三结果(dr×dr)/(1-dr),根据第三结果(dr×dr)/(1-dr)与深层上报转化数(drc)之间的比值,确定第一权重值(W1′)。
进一步地,本申请实施例中,提供了一种基于浅层目标广告计算第一权重值的方式,以及基于无浅层转化的深层目标广告计算第一权重值的方式,通过上述方式,利用上报转化数服从二项分布的特点,对第一权重值进行求解,由此提升方案的可行性和可操作性。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据预估转化率累积值确定第二权重值,可以包括如下步骤:
根据预估转化率累积值的倒数,确定第二权重值。
本实施例中,介绍了一种基于浅层目标广告或无浅层转化的深层目标广告计算第二权重值的方式,在实际应用中,针对深层目标广告也可以进行类似处理,下面将分别针对目标广告为浅层目标广告和深层目标广告为例进行说明。
一、浅层目标广告;
结合上述实施例,可以获知采用如下方式能够计算浅层目标广告的预估转化数(convh):
P(stc=x|src,pc)∝P(src|stc=x)×P(stc=x|pc);
其中,基于P(src|stc=x)×P(stc=x|pc)可以计算得到第二权重值(W2),下面将说明如何确定第二权重值(W2)。
具体地,假设转化回流过程可以理解为,进行完全回流浅层转化数(stc)对应次数的伯努利实验,每次回流的概率为浅层转化回流率(sr),那么浅层上报转化数(src)服从二项分布(stc,sr)。采用正态分布近似二项分布,使用二项分布对P(src|stc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(stc=x|pc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为stc×sr,正态分布和二项分布的方差为stc×sr×(1-sr),均值stc×sr与方差stc×sr×(1-sr)相等,且src≈stc×sr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W2=1/pc;
基于上述式子,广告投放装置可以根据预估转化率累积值的倒数(pc),确定第二权重值(W2)。
二、深层目标广告(即无浅层转化的深层目标广告);
针对深层目标广告而言,也可以采用类似方式确定第二权重值(W2′),不同之处在于,深层目标广告所对应的贝叶斯函数表示为:
P(dtc=x|drc,pc)∝P(drc|dtc=x)×P(dtc=x|pc);
其中,基于P(drc|dtc=x)×P(dtc=x|pc)可以计算得到第二权重值(W2′),下面将说明如何确定第二权重值(W2′)。
具体地,假设转化回流过程可以理解为,进行完全回流深层转化数(dtc)对应次数的伯努利实验,每次回流的概率为深层转化回流率(dr),那么深层上报转化数(drc)服从二项分布(dtc,dr)。采用正态分布近似二项分布,使用二项分布对P(drc|dtc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(dtc=x|pc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为dtc×dr,正态分布和二项分布的方差为dtc×dr×(1-dr),均值dtc×dr与方差dtc×dr×(1-dr)相等,且drc≈dtc×dr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W2′=1/pc;
基于上述式子,广告投放装置可以根据预估转化率累积值的倒数(pc),确定第二权重值。
进一步地,本申请实施例中,提供了一种基于浅层目标广告或无浅层转化的深层目标广告计算第二权重值的方式,通过上述方式,采用泊松能够对第二权重值进行求解,由此提升方案的可行性和可操作性。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据第一权重值、第二权重值、浅层转化回流率、浅层上报转化数以及预估转化率累积值,确定目标广告所对应的预估转化数,可以包括如下步骤:
根据第一权重值、浅层转化回流率以及浅层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据第一权重值、第二权重值、浅层转化回流率、浅层上报转化数以及预估转化率累积值,确定目标广告所对应的预估转化数,可以包括如下步骤:
根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
本实施例中,介绍了一种计算浅层目标广告对应的预估转化数的具体方式,以及计算无浅层转化的深层目标广告对应的预估转化数的具体方式。在实际应用中,针对深层目标广告也可以进行类似处理,下面将分别针对目标广告为浅层目标广告和深层目标广告为例进行说明。
一、浅层目标广告;
广告投放装置在获取到第一权重值(W1)和第二权重值(W2)之后,还可以采用如下方式计算目标广告所对应的预估转化数(convh):
x=stc=(W1×src×sr+W2×pc)/(W1+W2);
其中,完全回流浅层转化数(stc)对应的结果为未知数x,且x为要求解的预估转化数(convh)。首先根据第一权重值(W1)、浅层转化回流率(sr)以及浅层上报转化数(src),计算得到第一中间量(W1×src×sr),并且根据第二权重值(W2)以及预估转化率累积值(pc),计算得到第二中间量(W2×pc)。再对第一中间量(W1×src×sr)以及第二中间量(W2×pc)进行求和处理,得到第一目标中间量(W1×src×sr+W2×pc)。还需要对第一权重值(W1)以及第二权重值(W2)进行求和处理,得到第一目标权重值(W1+W2),最后根据第一目标中间量(W1×src×sr+W2×pc)与第一目标权重值(W1+W2)之间的比值,确定目标广告所对应的预估转化数(stc),即得到预估转化数(convh)。
二、深层目标广告(即无浅层转化的深层目标广告);
广告投放装置在获取到第一权重值(W1′)和第二权重值(W2′)之后,还可以采用如下方式计算目标广告所对应的预估转化数(convh):
x=dtc=(W1′×drc×dr+W2′×pc)/(W1′+W2′);
其中,完全回流深层转化数(dtc)对应的结果为未知数x,且x为要求解的预估转化数(convh)。首先根据第一权重值(W1′)、深层转化回流率(dr)以及深层上报转化数(drc),计算得到第一中间量(W1′×drc×dr),并且根据第二权重值(W2′)以及预估转化率累积值(pc),计算得到第二中间量(W2′×pc)。再对第一中间量(W1′×drc×dr)以及第二中间量(W2′×pc)进行求和处理,得到第一目标中间量(W1′×drc×dr+W2′×pc)。还需要对第一权重值(W1′)以及第二权重值(W2′)进行求和处理,得到第一目标权重值(W1′+W2′),最后根据第一目标中间量(W1′×src×sr+W2′×pc)与第一目标权重值(W1′+W′)之间的比值,确定目标广告所对应的预估转化数(dtc),即得到预估转化数(convh)。
下面将结合图13,以投放浅层目标广告为例,对浅层目标广告的投放流程进行介绍,请参阅图13,图13为本申请实施例中基于浅层目标广告的实现广告投放的一个流程示意图,如图所示,具体地:
在步骤201中,获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数表示浅层转化类型所对应的已回流的转化数。
在步骤202中,获取目标广告在历史时间段内的预估转化率累积值,其中,预估转化率累积值表示在历史时间段内累计点击目标广告得到的预估转化率之和。
在步骤203中,基于浅层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在步骤204中,根据预估转化数确定目标广告在至少一个待投放广告中的排序结果。
在步骤205中,若排序结果满足广告投放条件,则投放目标广告。
步骤201至步骤205的介绍可参阅上述各个实施例,此处不做赘述。
进一步地,本申请实施例中,提供了一种计算浅层目标广告对应的预估转化数的具体方式,以及一种计算无浅层转化的深层目标广告对应的预估转化数的具体方式,通过上述方式,利用贝叶斯函数确定第一权重值和第二权重值之后,将对预估转化率累积值和上报转化数进行共同决策预估转化数,有效地降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升广告投放效果。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,获取目标广告在历史时间段内的上报转化数,可以包括如下步骤:
获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数包括M个浅层子上报转化数,M为大于或等于1的整数;
获取目标广告在历史时间段内的深层上报转化数,其中深层上报转化数表示深层转化类型所对应的已回流的转化数;
还可以包括如下步骤:
获取目标广告在历史时间段内的浅层到深层转化率,其中,浅层到深层转化率包括M个浅层到深层子转化率,且浅层到深层子转化率与浅层子上报转化数具有一一对应的关系;
根据浅层上报转化数以及浅层到深层转化率,确定目标广告在历史时间段内的深层转化预估值;
其中,基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数,可以包括如下步骤:
根据深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
本实施例中,介绍了一种基于有浅层转化的深层目标广告确定预估转化数的方式,对于有浅层转化的深层目标广告而言,还可以引入浅层转化,再基于贝叶斯函数输出更加准确的预估转化数。
具体地,首先介绍根据浅层上报转化数确定深层转化预估值的过程,广告投放装置需要获取目标广告在历史时间段内的浅层上报转化数(srch),其中,浅层上报转化数(srch)包括M个浅层子上报转化数,这里的每个浅层子上报转化数分别对应一种浅层类型的转换,为了便于理解,请参阅图14,图14为本申请实施例中浅层转化类型影响深层转化类型的一个示意图,如图所示,例如,浅层转化类型包括“激活”以及“下单”,深层转化类型为“付费”,那么浅层子上报转化数包括2个浅层子上报转化数,分别为“激活”操作所对应的浅层子上报转化数,以及“下单”操作所对应的浅层子上报转化数。此外,广告投放装置还需要获取目标广告在历史时间段内的浅层到深层转化率,其中,浅层到深层转化率包括M个浅层到深层子转化率,且每个浅层到深层子转化率分别对应一种浅层类型的转换。即如图14所示,例如,浅层到深层转化率包括2个浅层到深层子转化率,分别为“激活”操作所对应的浅层到深层子转化率,以及“下单”操作所对应的浅层到深层子转化率。于是,基于浅层上报转化数以及浅层到深层转化率,可以采用如下方式计算目标广告在历史时间段内的深层转化预估值:
其中,dconvh表示浅层转化加权平均后计算出来的历史时间段内的深层转化预估值(dtc),i表示目标广告对应的第i个浅层转化类型,ai表示第i个浅层转化类型的权重,表示第i个浅层转化类型在历史时间段内的浅层转化数量,shallowToDeepCVRi表示第i个浅层转化类型的浅层到深层子转化率,表示第i个浅层转化类型的浅层子上报转化数,shallowRatioi表示第i个浅层转化类型的在历史时间段内的浅层转化回流比例。
结合图14,假设取ai=1/M,那么对于深层转化类型“付费”而言,采用如下方式计算计算付费数的深层转化预估值(dconvh):
付费数的深层转化预估值(dconvh)=0.5×浅层转化类“激活”的浅层子上报转化数÷浅层转化类“激活”的回流比例×从“激活”到“付费”的浅层到深层子转化率+0.5×浅层转化类“下单”的浅层子上报转化数÷浅层转化类“下单”的回流比例×从“下单”到“付费”的浅层到深层子转化率。
再介绍根据深层上报转化数(drch)、预估转化率累积值(pCVRh)以及深层转化预估值(dconvh)共同确定预估转化数的过程。
具体地,广告投放装置将深层上报转化数(drch)、预估转化率累积值(pCVRh)以及深层转化预估值(dconvh)共同作为贝叶斯函数的输入,由贝叶斯函数输出相应的预估转化数(convh)。具体地,请参阅图15,图15为本申请实施例中基于贝叶斯函数输出预估转化数的另一个框架示意图,如图所示,在得到深层上报转化数(drch)可以直接输入至贝叶斯函数,可选地,在得到深层上报转化数(drch)之后还可以先输入至模型A,这里的模型A可以表示为关系式y1=f1(x),其中,y1表示输出的结果,x表示输入的深层上报转化数(drch),f1()表示模型A的函数。模型A输出的结果再输入至贝叶斯函数。类似地,在得到预估转化率累积值(pCVRh)可以直接输入至贝叶斯函数,可选地,在得到预估转化率累积值(pCVRh)之后还可以先输入至模型B,这里的模型B可以表示为关系式y2=f2(x),其中,y2表示输出的结果,x表示输入的预估转化率累积值(pCVRh),f2()表示模型B的函数。模型B输出的结果再输入至贝叶斯函数。
在得到浅层上报转化数(srch)之后先输入至模型C,这里的模型C可以表示为关系式dconvh=f3(srch),其中,dconvh表示输出的深层转化预估值,f3()表示模型C的函数。模型C输出的结果再输入至贝叶斯函数。
再次,本申请实施例中,提供了一种基于有浅层转化的深层目标广告确定预估转化数的方式,通过上述方式,对于有浅层转化的深层目标广告而言,能够利用浅层上报转化数计算深层转化预估值,并将深层转化预估值作为贝叶斯函数的另一个输入值,结合深层上报转化数和预估转化率累积值共同计算预估转化数,进一步降低预估转化率累积值的固有偏差,提升预估转化数的准确度,进而有利于增加广告排序的准确度,从而提升广告投放效果。此外,基于浅层上报转化数计算深层转化预估值,适用于存在延迟反馈的情况,降低了因为延迟反馈而导致对深层目标广告预估偏差过大的问题。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,还可以包括如下步骤:
获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
根据深层转化回流率以及深层上报转化数确定第一权重值;
根据预估转化率累积值确定第二权重值;
根据深层转化预估值确定第三权重值;
根据第一权重值、第二权重值、第三权重值、深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
本实施例中,介绍了一种基于有浅层转化的深层目标广告获取预估转化数的方式,广告投放装置需要获取目标广告所对应的深层转化回流率(drh),其中,深层转化回流率(drh)满足如下满足如下关系式:
深层转化回流率(dr)=深层上报转化数(drc)/完全回流深层转化数(dtc);
广告投放装置根据获取到的历史时间段所对应的深层转化回流率(drh)以及深层上报转化数(drch)确定第一权重值(W1″)。并且根据预估转化率累积值(pCVRh)确定第二权重值(W2″)。并且根据深层转化预估值(dconvh)确定第三权重值(W3″)。最后根据第一权重值(W1″)、第二权重值(W2″)、第三权重值(W3″)、深层上报转化数(drch)、预估转化率累积值(pCVRh)以及深层转化预估值(dconvh),通过贝叶斯函数确定目标广告所对应的预估转化数(convh)。
具体地,下面将介绍针对浅层转化的深层目标广告确定预估转化数(convh)的方式,基于贝叶斯函数得到如下式子:
其中,P(·)表示概率。dtc表示完全回流深层转化数,x表示未知数,也就是待求解的预估转化数(convh),在这个式子中,将完全回流深层转化数(dtc)对应的结果作为最终要求解的预估转化数(convh)。drc表示深层上报转化数,可代入目标广告在历史时间段内的深层上报转化数(drch)进行计算。pc表示预估转化率累积值,可代入根据N个点击所对应的预估转化率计算得到预估转化率累积值(pCVRh)。dpc表示深层转化预估值,可代入目标广告在历史时间段内的深层转化预估值(dconvh)进行计算。符号“∝”表示正比于,符号“|”表示条件。
根据上述式子,分别对P(drc|dtc=x)、P(dtc=x|pc)和P(dtc=x|dpc)进行计算,通过P(drc|dtc=x)可以计算得到第一权重值(W1″),通过P(dtc=x|pc)可以计算得到第二权重值(W2″),通过P(dtc=x|dpc)可以计算得到第三权重值(W3″),其中,第一权重值(W1″)对应于深层上报转化数(drc),或对应于模型A输出的结果。第二权重值(W2″)对应于预估转化率累积值(pc),或对应于模型B输出的结果。第三权重值(W3″)对应于深层转化预估值(dpc),或对应于模型C输出的结果。
进一步地,本申请实施例中,提供了一种基于有浅层转化的深层目标广告获取预估转化数的方式,通过上述方式,能够计算出更加准确的预估转化数,增加深层目标广告在排序方面的准确度,有利于提升深层目标广告的投放效果。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据深层转化回流率以及深层上报转化数确定第一权重值,可以包括如下步骤:
对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
本实施例中,介绍了一种基于有浅层转化的深层目标广告计算第一权重值的方式,结合上述实施例,可以获知采用如下方式能够计算有浅层转化的深层目标广告的预估转化数(convh):
P(dtc=x|drc,pc,dpc)∝P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc);
其中,基于P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc)可以计算得到第一权重值(W1″),下面将说明如何确定第一权重值(W1″)。
具体地,假设转化回流过程可以理解为,进行完全回流深层转化数(dtc)对应次数的伯努利实验,每次回流的概率为深层转化回流率(dr),那么深层上报转化数(drc)服从二项分布(dtc,dr)。采用正态分布近似二项分布,使用二项分布对P(drc|dtc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(dtc=x|pc)和P(dtc=x|dpc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为dtc×dr,正态分布和二项分布的方差为dtc×dr×(1-dr),均值dtc×dr与方差dtc×dr×(1-dr)相等,且drc≈dtc×dr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W1″=(dr×dr)/(1-dr)/drc;
基于上述式子,广告投放装置可对深层转化回流率(dr)以及深层转化回流率(dr)进行求积处理,得到第一结果(dr×dr),对第一目标值(即1)以及深层转化回流率(dr)进行求差处理,得到第二结果(1-dr),根据第一结果(dr×dr)以及第二结果(1-dr)之间的比值,得到第三结果(dr×dr)/(1-dr),根据第三结果(dr×dr)/(1-dr)与深层上报转化数(drc)之间的比值,确定第一权重值(W1″)。
更进一步地,本申请实施例中,提供了一种基于有浅层转化的深层目标广告计算第一权重值的方式,通过上述方式,利用上报转化数服从二项分布的特点,对第一权重值进行求解,由此提升方案的可行性和可操作性。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据预估转化率累积值确定第二权重值,可以包括如下步骤:
根据预估转化率累积值的倒数,确定第二权重值。
本实施例中,介绍了一种基于有浅层转化的深层目标广告计算第二权重值的方式,结合上述实施例,可以获知采用如下方式能够计算有浅层转化的深层目标广告的预估转化数(convh):
P(dtc=x|drc,pc,dpc)∝P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc);
其中,基于P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc)可以计算得到第二权重值(W2″),下面将说明如何确定第二权重值(W2″)。
具体地,假设转化回流过程可以理解为,进行完全回流深层转化数(dtc)对应次数的伯努利实验,每次回流的概率为深层转化回流率(dr),那么深层上报转化数(drc)服从二项分布(dtc,dr)。采用正态分布近似二项分布,使用二项分布对P(drc|dtc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(dtc=x|pc)和P(dtc=x|dpc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为dtc×dr,正态分布和二项分布的方差为dtc×dr×(1-dr),均值dtc×dr与方差dtc×dr×(1-dr)相等,且drc≈dtc×dr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W2″=1/pc;
基于上述式子,广告投放装置可以根据预估转化率累积值的倒数(pc),确定第二权重值(W2″)。
更进一步地,本申请实施例中,提供了一种基于有浅层转化的深层目标广告计算第二权重值的方式,通过上述方式,采用泊松能够对第二权重值进行求解,由此提升方案的可行性和可操作性。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据深层转化预估值确定第三权重值,可以包括如下步骤:
获取深层转化预估值所对应的完全回流浅层转化数以及浅层到深层转化率;
根据完全回流浅层转化数的倒数确定第四结果;
根据第四结果与浅层到深层转化率之间的比值,确定第三权重值。
本实施例中,介绍了一种基于有浅层转化的深层目标广告计算第三权重值的方式,
结合上述实施例,可以获知采用如下方式能够计算有浅层转化的深层目标广告的预估转化数(convh):
P(dtc=x|drc,pc,dpc)∝P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc);
其中,基于P(drc|dtc=x)×P(dtc=x|pc)×P(dtc=x|dpc)可以计算得到第三权重值(W3″),下面将说明如何确定第三权重值(W3″)。
具体地,假设转化回流过程可以理解为,进行完全回流深层转化数(dtc)对应次数的伯努利实验,每次回流的概率为深层转化回流率(dr),那么深层上报转化数(drc)服从二项分布(dtc,dr)。采用正态分布近似二项分布,使用二项分布对P(drc|dtc=x)中的未知数求解。
具体地,由于泊松分布适合由于描述某段时间内随机事件发生次数,且期望和方差都表示为λ,因此,可以采用泊松分布对P(dtc=x|pc)和P(dtc=x|dpc)中的未知数求解。转化回流过程中的平均速率可表示为λ,且λ可以为预估转化率累积值(pc)的近似,或深层转化预估值(dpc)的近似。采用正态分布近似泊松分布,得到如下式子:
其中,正态分布和二项分布的均值为dtc×dr,正态分布和二项分布的方差为dtc×dr×(1-dr),均值dtc×dr与方差dtc×dr×(1-dr)相等,且drc≈dtc×dr。正态分布的方差和泊松分布的方差相等,正态分布的均值和泊松分布的均值也相等。λ可以为预估转化率累积值(pc)或深层转化预估值(dpc),深层转化预估值(dpc)的满足如下关系式:
深层转化预估值(dpc)=完全回流浅层转化数(stc)×浅层到深层转化率(sdr);
即,深层转化预估值(dpc)=浅层上报转化数(src)/浅层转化回流率(sr)×浅层到深层转化率(sdr);
W3″=(1/stc)/sdr;
基于上述式子,广告投放装置获取深层转化预估值(dpc)所对应的完全回流浅层转化数(stc)以及浅层到深层转化率(sdr),然后根据完全回流浅层转化数(stc)的倒数确定第四结果(1/stc),最后根据第四结果(1/stc)与浅层到深层转化率(sdr)之间的比值,确定第三权重值(W3″)。
更进一步地,本申请实施例中,提供了一种基于有浅层转化的深层目标广告计算第三权重值的方式,通过上述方式,采用泊松能够对第三权重值进行求解,由此提升方案的可行性和可操作性。
可选地,在上述图8对应的实施例的基础上,在本申请实施例提供的广告投放方法的另一个可选实施例中,根据第一权重值、第二权重值、第三权重值、深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数,可以包括如下步骤:
根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
根据第三权重值以及深层转化预估值,计算得到第三中间量;
对第一中间量、第二中间量以及第三中间量进行求和处理,得到第二目标中间量;
对第一权重值、第二权重值以及第三权重值进行求和处理,得到第二目标权重值;
根据第二目标中间量与第二目标权重值之间的比值,确定目标广告所对应的预估转化数。
本实施例中,介绍了一种基于有浅层转化的深层目标广告,计算预估转化数的具体方式,广告投放装置在获取到第一权重值(W1″)、第二权重值(W2″)和第三权重值(W3″)之后,还可以采用如下方式计算目标广告所对应的预估转化数(convh):
x=dtc=(W1″×drc×dr+W2″×pc+W3″×dpc)/(W1″+W2″+W3″)
=(W1″×drc×dr+W2″×pc+W3″×stc×sdr)/(W1″+W2″+W3″);
其中,完全回流深层转化数(dtc)对应的结果为未知数x,且x为要求解的预估转化数(convh)。首先根据第一权重值(W1″)、深层转化回流率(dr)以及深层上报转化数(drc),计算得到第一中间量(W1″×drc×dr)。并且根据第二权重值(W2″)以及预估转化率累积值(pc),计算得到第二中间量(W2″×pc)。并且根据第三权重值(W3″)以及深层转化预估值(dpc),计算得到第三中间量(W3″×dpc),为了便于后续计算,这里将第三中间量替换为(W3″×stc×sdr)。再对第一中间量(W1″×drc×dr)、第二中间量(W2″×pc)和第三中间量进行求和处理,得到第二目标中间量(W1″×drc×dr+W2″×pc+W3″×stc×sdr)。还需要对第一权重值(W1″)、第二权重值(W2″)和第三权重值(W3″)进行求和处理,得到第二目标权重值(W1″+W2″+W3″),最后根据第二目标中间量(W1″×drc×dr+W2″×pc+W3″×stc×sdr)与第二目标权重值(W1″+W2″+W3″)之间的比值,确定目标广告所对应的预估转化数(dtc),即得到预估转化数(convh)。
为了便于理解,下面将结合图16,对深层目标广告的投放流程进行介绍,请参阅图16,图16为本申请实施例中基于深层目标广告的实现广告投放的一个流程示意图,如图所示,具体地:
在步骤301中,获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数包括M个浅层子上报转化数,M为大于或等于1的整数。
在步骤302中,获取目标广告在历史时间段内的深层上报转化数,其中深层上报转化数表示深层转化类型所对应的已回流的转化数。
在步骤303中,获取目标广告在历史时间段内的浅层到深层转化率,其中,浅层到深层转化率包括M个浅层到深层子转化率,且浅层到深层子转化率与浅层子上报转化数具有一一对应的关系。
在步骤304中,根据浅层上报转化数以及浅层到深层转化率,确定目标广告在历史时间段内的深层转化预估值。
在步骤305中,根据深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
在步骤306中,根据预估转化数确定目标广告在至少一个待投放广告中的排序结果。
在步骤307中,若排序结果满足广告投放条件,则投放目标广告。
步骤301至步骤307的介绍可参阅上述各个实施例,此处不做赘述。
更进一步地,本申请实施例中,提供了一种基于有浅层转化的深层目标广告,计算预估转化数的具体方式,通过上述方式,利用贝叶斯函数确定第一权重值、第二权重值和第三权重值之后,将对预估转化率累积值、上报转化数和深层转化预估值进行共同决策预估转化数,有效地降低预估转化率累积值的固有偏差,从而提升预估转化数的准确度,进而有利于增加广告排序的准确度,提升深层广告投放效果。
下面将结合实际试验结果,对本申请提供的基于贝叶斯函数计算预估转化数的方法,与现有技术中基于上报转化数与回流比例之间比值计算预估转化数的方法,进行比对,且比对的指标为平均绝对误差(mean absolute error,MAE),MAE=|预估转化数-实际转化数|,即预估转化数与实际转化数之差的绝对值。
一、针对浅层目标广告;
请参阅表5,表5为基于浅层目标广告将本申请与现有技术进行对比的一个示意。
表5
预估方式 | 本申请 | 现有技术 |
平均绝对误差 | 8555.08 | 8875.35 |
由表5可知,本申请采用贝叶斯函数计算预估转化数,该预估转化数为8555.08,现有技术采用上报转化数与回流比例之间比值计算预估转化数,该预估转化数为8875.35,显然,8555.08小于8875.35,因此,对于浅层目标广告而言,采用本申请提供的方法能够得到与实际情况更加接近的预估转化数,即预估转化数的准确度更高。
二、针对无浅层转化的深层目标广告;
请参阅表6,表6为基于无浅层转化的深层目标广告将本申请与现有技术进行对比的一个示意。
表6
预估方式 | 本申请 | 现有技术 |
平均绝对误差 | 10722.6 | 10800.4 |
由表6可知,本申请采用贝叶斯函数计算预估转化数,该预估转化数为10722.6,现有技术采用上报转化数与回流比例之间比值计算预估转化数,该预估转化数为10800.4,显然,10722.6小于10800.4,因此,对于无浅层转化的深层目标广告而言,采用本申请提供的方法能够得到与实际情况更加接近的预估转化数,即预估转化数的准确度更高。
三、针对有浅层转化的深层目标广告;
请参阅表7,表7为基于有浅层转化的深层目标广告将本申请与现有技术进行对比的一个示意。
表7
预估方式 | 本申请 | 现有技术 |
平均绝对误差 | 901.901 | 976.557 |
由表7可知,本申请采用贝叶斯函数计算预估转化数,该预估转化数为901.901,现有技术采用上报转化数与回流比例之间比值计算预估转化数,该预估转化数为976.557,显然,901.901小于976.557,因此,对于有浅层转化的深层目标广告而言,采用本申请提供的方法能够得到与实际情况更加接近的预估转化数,即预估转化数的准确度更高。
下面对本申请中的广告投放装置进行详细描述,请参阅图17,图17为本申请实施例中广告投放装置一个实施例示意图,广告投放装置40包括:
获取模块401,用于获取目标广告在历史时间段内的上报转化数,其中,目标广告属于至少一个待投放广告;
获取模块401,还用于获取目标广告在历史时间段内的预估转化率累积值,预估转化率累积值表示在历史时间段内累计点击目标广告得到的预估转化率之和;
确定模块402,用于基于上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数;
确定模块402,还用于根据预估转化数确定目标广告在至少一个待投放广告中的排序结果;
投放模块403,用于若排序结果满足广告投放条件,则投放目标广告。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
获取模块401,具体用于获取目标广告在历史时间段内的广告特征、用户特征以及上下文特征,其中,广告特征为广告信息所对应的特征,用户特征为用户画像所对应的特征,上下文特征为广告播放场景所对应的特征;
基于广告特征、用户特征以及上下文特征,通过转化率模型获取N个点击所对应的预估转化率,其中,N为大于或等于1的整数;
对N个点击所对应的预估转化率进行求和处理,得到预估转化率累积值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
获取模块401,具体用于获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数表示浅层转化类型所对应的已回流的转化数;
获取模块401,还用于获取目标广告所对应的浅层转化回流率,其中,浅层转化回流率表示浅层上报转化数与完全回流浅层转化数之间的比值;
确定模块402,还用于根据浅层转化回流率以及浅层上报转化数确定第一权重值;
确定模块402,还用于根据预估转化率累积值确定第二权重值;
确定模块402,具体用于根据第一权重值、第二权重值、浅层转化回流率、浅层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于对浅层转化回流率以及浅层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与浅层上报转化数之间的比值,确定第一权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据预估转化率累积值的倒数,确定第二权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据第一权重值、浅层转化回流率以及浅层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
获取模块401,具体用于获取目标广告在历史时间段内的深层上报转化数,其中,深层上报转化数表示深层转化类型所对应的已回流的转化数;
获取模块401,还用于获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
确定模块402,还用于根据深层转化回流率以及深层上报转化数确定第一权重值;
确定模块402,还用于根据预估转化率累积值确定第二权重值;
确定模块402,具体用于根据第一权重值、第二权重值、深层转化回流率、深层上报转化数以及预估转化率累积值,通过贝叶斯函数确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及深层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据预估转化率累积值的倒数,确定第二权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
对第一中间量以及第二中间量进行求和处理,得到第一目标中间量;
对第一权重值以及第二权重值进行求和处理,得到第一目标权重值;
根据第一目标中间量与第一目标权重值之间的比值,确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
获取模块401,具体用于获取目标广告在历史时间段内的浅层上报转化数,其中,浅层上报转化数包括M个浅层子上报转化数,M为大于或等于1的整数;
获取目标广告在历史时间段内的深层上报转化数,其中深层上报转化数表示深层转化类型所对应的已回流的转化数;
获取模块401,还用于获取目标广告在历史时间段内的浅层到深层转化率,其中,浅层到深层转化率包括M个浅层到深层子转化率,且浅层到深层子转化率与浅层子上报转化数具有一一对应的关系;
确定模块402,还用于根据浅层上报转化数以及浅层到深层转化率,确定目标广告在历史时间段内的深层转化预估值;
确定模块402,具体用于根据深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
获取模块401,还用于获取目标广告所对应的深层转化回流率,其中,深层转化回流率表示深层上报转化数与完全回流深层转化数之间的比值;
确定模块402,还用于根据深层转化回流率以及深层上报转化数确定第一权重值;
确定模块402,还用于根据预估转化率累积值确定第二权重值;
确定模块402,还用于根据深层转化预估值确定第三权重值;
确定模块402,还用于根据第一权重值、第二权重值、第三权重值、深层上报转化数、预估转化率累积值以及深层转化预估值,通过贝叶斯函数确定目标广告所对应的预估转化数。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于对深层转化回流率以及深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及浅层转化回流率进行求差处理,得到第二结果;
根据第一结果以及第二结果之间的比值,确定第三结果;
根据第三结果与深层上报转化数之间的比值,确定第一权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据预估转化率累积值的倒数,确定第二权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于获取深层转化预估值所对应的完全回流浅层转化数以及浅层到深层转化率;
根据完全回流浅层转化数的倒数确定第四结果;
根据第四结果与浅层到深层转化率之间的比值,确定第三权重值。
可选地,在上述图17所对应的实施例的基础上,本申请实施例提供的广告投放装置40的另一实施例中,
确定模块402,具体用于根据第一权重值、深层转化回流率以及深层上报转化数,计算得到第一中间量;
根据第二权重值以及预估转化率累积值,计算得到第二中间量;
根据第三权重值以及深层转化预估值,计算得到第三中间量;
对第一中间量、第二中间量以及第三中间量进行求和处理,得到第二目标中间量;
对第一权重值、第二权重值以及第三权重值进行求和处理,得到第二目标权重值;
根据第二目标中间量与第二目标权重值之间的比值,确定目标广告所对应的预估转化数。
图18是本申请实施例提供的一种计算机设备结构示意图,该计算机设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对计算机设备中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在计算机设备500上执行存储介质530中的一系列指令操作。
计算机设备500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由计算机设备所执行的步骤可以基于该图18所示的计算机设备结构。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如前实施例描述的方法。
本申请实施例中还提供一种包括程序的计算机程序产品,当其在计算机上运行时,使得计算机执行如前实施例描述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (19)
1.一种广告投放的方法,其特征在于,包括:
获取目标广告在历史时间段内的上报转化数,其中,所述目标广告属于至少一个待投放广告;
获取所述目标广告在所述历史时间段内的预估转化率累积值,其中,所述预估转化率累积值表示在所述历史时间段内累计点击所述目标广告得到的预估转化率之和;
基于所述上报转化数以及所述预估转化率累积值,通过贝叶斯函数确定所述目标广告所对应的预估转化数;
根据所述预估转化数确定所述目标广告在所述至少一个待投放广告中的排序结果;
若所述排序结果满足广告投放条件,则投放所述目标广告。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标广告在所述历史时间段内的预估转化率累积值,包括:
获取所述目标广告在所述历史时间段内的广告特征、用户特征以及上下文特征,其中,所述广告特征为广告信息所对应的特征,所述用户特征为用户画像所对应的特征,所述上下文特征为广告播放场景所对应的特征;
基于所述广告特征、所述用户特征以及所述上下文特征,通过转化率模型获取N个点击所对应的预估转化率,其中,所述N为大于或等于1的整数;
对所述N个点击所对应的预估转化率进行求和处理,得到所述预估转化率累积值。
3.根据权利要求1或2所述的方法,其特征在于,所述获取目标广告在历史时间段内的上报转化数,包括:
获取所述目标广告在所述历史时间段内的浅层上报转化数,其中,所述浅层上报转化数表示浅层转化类型所对应的已回流的转化数;
所述方法还包括:
获取所述目标广告所对应的浅层转化回流率,其中,所述浅层转化回流率表示所述浅层上报转化数与完全回流浅层转化数之间的比值;
根据所述浅层转化回流率以及所述浅层上报转化数确定第一权重值;
根据所述预估转化率累积值确定第二权重值;
所述基于所述上报转化数以及所述预估转化率累积值,通过贝叶斯函数确定所述目标广告所对应的预估转化数,包括:
根据所述第一权重值、所述第二权重值、所述浅层转化回流率、所述浅层上报转化数以及所述预估转化率累积值,通过所述贝叶斯函数确定所述目标广告所对应的所述预估转化数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述浅层转化回流率以及所述浅层上报转化数确定第一权重值,包括:
对所述浅层转化回流率以及所述浅层转化回流率进行求积处理,得到第一结果;
对第一目标值以及所述浅层转化回流率进行求差处理,得到第二结果;
根据所述第一结果以及所述第二结果之间的比值,确定第三结果;
根据所述第三结果与所述浅层上报转化数之间的比值,确定所述第一权重值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述预估转化率累积值确定第二权重值,包括:
根据所述预估转化率累积值的倒数,确定所述第二权重值。
6.根据权利要求3所述的方法,其特征在于,所述根据所述第一权重值、所述第二权重值、所述浅层转化回流率、所述浅层上报转化数以及所述预估转化率累积值,确定所述目标广告所对应的所述预估转化数,包括:
根据所述第一权重值、所述浅层转化回流率以及所述浅层上报转化数,计算得到第一中间量;
根据所述第二权重值以及所述预估转化率累积值,计算得到第二中间量;
对所述第一中间量以及所述第二中间量进行求和处理,得到第一目标中间量;
对所述第一权重值以及所述第二权重值进行求和处理,得到第一目标权重值;
根据所述第一目标中间量与所述第一目标权重值之间的比值,确定所述目标广告所对应的预估转化数。
7.根据权利要求1或2所述的方法,其特征在于,所述获取目标广告在历史时间段内的上报转化数,包括:
获取所述目标广告在所述历史时间段内的深层上报转化数,其中,所述深层上报转化数表示深层转化类型所对应的已回流的转化数;
所述方法还包括:
获取所述目标广告所对应的深层转化回流率,其中,所述深层转化回流率表示所述深层上报转化数与完全回流深层转化数之间的比值;
根据所述深层转化回流率以及所述深层上报转化数确定第一权重值;
根据所述预估转化率累积值确定第二权重值;
所述基于所述上报转化数以及所述预估转化率累积值,通过贝叶斯函数确定所述目标广告所对应的预估转化数,包括:
根据所述第一权重值、所述第二权重值、所述深层转化回流率、所述深层上报转化数以及所述预估转化率累积值,通过所述贝叶斯函数确定所述目标广告所对应的所述预估转化数。
8.根据权利要求7所述的方法,其特征在于,所述根据所述深层转化回流率以及所述深层上报转化数确定第一权重值,包括:
对所述深层转化回流率以及所述深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及所述深层转化回流率进行求差处理,得到第二结果;
根据所述第一结果以及所述第二结果之间的比值,确定第三结果;
根据所述第三结果与所述深层上报转化数之间的比值,确定所述第一权重值。
9.根据权利要求7所述的方法,其特征在于,所述根据所述预估转化率累积值确定第二权重值,包括:
根据所述预估转化率累积值的倒数,确定所述第二权重值。
10.根据权利要求7所述的方法,其特征在于,所述根据所述第一权重值、所述第二权重值、所述深层转化回流率、所述深层上报转化数以及所述预估转化率累积值,确定所述目标广告所对应的所述预估转化数,包括:
根据所述第一权重值、所述深层转化回流率以及所述深层上报转化数,计算得到第一中间量;
根据所述第二权重值以及所述预估转化率累积值,计算得到第二中间量;
对所述第一中间量以及所述第二中间量进行求和处理,得到第一目标中间量;
对所述第一权重值以及所述第二权重值进行求和处理,得到第一目标权重值;
根据所述第一目标中间量与所述第一目标权重值之间的比值,确定所述目标广告所对应的预估转化数。
11.根据权利要求1或2所述的方法,其特征在于,所述获取目标广告在历史时间段内的上报转化数,包括:
获取所述目标广告在所述历史时间段内的所述浅层上报转化数,其中,所述浅层上报转化数包括M个浅层子上报转化数,所述M为大于或等于1的整数;
获取所述目标广告在所述历史时间段内的深层上报转化数,其中所述深层上报转化数表示深层转化类型所对应的已回流的转化数;
所述方法还包括:
获取所述目标广告在所述历史时间段内的浅层到深层转化率,其中,所述浅层到深层转化率包括M个浅层到深层子转化率,且所述浅层到深层子转化率与所述浅层子上报转化数具有一一对应的关系;
根据所述浅层上报转化数以及所述浅层到深层转化率,确定所述目标广告在所述历史时间段内的深层转化预估值;
所述基于所述上报转化数以及所述预估转化率累积值,通过贝叶斯函数确定所述目标广告所对应的预估转化数,包括:
根据所述深层上报转化数、所述预估转化率累积值以及所述深层转化预估值,通过所述贝叶斯函数确定所述目标广告所对应的所述预估转化数。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
获取所述目标广告所对应的深层转化回流率,其中,所述深层转化回流率表示所述深层上报转化数与完全回流深层转化数之间的比值;
根据所述深层转化回流率以及所述深层上报转化数确定第一权重值;
根据所述预估转化率累积值确定第二权重值;
根据所述深层转化预估值确定第三权重值;
根据所述第一权重值、所述第二权重值、所述第三权重值、所述深层上报转化数、所述预估转化率累积值以及所述深层转化预估值,通过所述贝叶斯函数确定所述目标广告所对应的所述预估转化数。
13.根据权利要求12所述的方法,其特征在于,所述根据所述深层转化回流率以及所述深层上报转化数确定第一权重值,包括:
对所述深层转化回流率以及所述深层转化回流率进行求积处理,得到第一结果;
对第一目标值以及所述浅层转化回流率进行求差处理,得到第二结果;
根据所述第一结果以及所述第二结果之间的比值,确定第三结果;
根据所述第三结果与所述深层上报转化数之间的比值,确定所述第一权重值。
14.根据权利要求12所述的方法,其特征在于,所述根据所述预估转化率累积值确定第二权重值,包括:
根据所述预估转化率累积值的倒数,确定所述第二权重值。
15.根据权利要求12所述的方法,其特征在于,所述根据所述深层转化预估值确定第三权重值,包括:
获取所述深层转化预估值所对应的完全回流浅层转化数以及浅层到深层转化率;
根据所述完全回流浅层转化数的倒数确定第四结果;
根据所述第四结果与所述浅层到深层转化率之间的比值,确定所述第三权重值。
16.根据权利要求12所述的方法,其特征在于,所述根据所述第一权重值、所述第二权重值、所述第三权重值、所述深层上报转化数、所述预估转化率累积值以及所述深层转化预估值,通过所述贝叶斯函数确定所述目标广告所对应的所述预估转化数,包括:
根据所述第一权重值、所述深层转化回流率以及所述深层上报转化数,计算得到第一中间量;
根据所述第二权重值以及所述预估转化率累积值,计算得到第二中间量;
根据所述第三权重值以及所述深层转化预估值,计算得到第三中间量;
对所述第一中间量、所述第二中间量以及所述第三中间量进行求和处理,得到第二目标中间量;
对所述第一权重值、所述第二权重值以及所述第三权重值进行求和处理,得到第二目标权重值;
根据所述第二目标中间量与所述第二目标权重值之间的比值,确定所述目标广告所对应的预估转化数。
17.一种广告投放装置,其特征在于,包括:
获取模块,用于获取目标广告在历史时间段内的上报转化数,其中,所述目标广告属于至少一个待投放广告;
所述获取模块,还用于获取所述目标广告在所述历史时间段内的预估转化率累积值,所述预估转化率累积值表示在所述历史时间段内累计点击所述目标广告得到的预估转化率之和;
确定模块,用于基于所述上报转化数以及所述预估转化率累积值,通过贝叶斯函数确定所述目标广告所对应的预估转化数;
所述确定模块,还用于根据所述预估转化数确定所述目标广告在所述至少一个待投放广告中的排序结果;
投放模块,用于若所述排序结果满足广告投放条件,则投放所述目标广告。
18.一种计算机设备,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,所述处理器用于根据所述程序代码中的指令执行权利要求1至16中任一项所述的方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
19.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至16中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512050.3A CN111667311B (zh) | 2020-06-08 | 2020-06-08 | 一种广告投放的方法、相关装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512050.3A CN111667311B (zh) | 2020-06-08 | 2020-06-08 | 一种广告投放的方法、相关装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667311A true CN111667311A (zh) | 2020-09-15 |
CN111667311B CN111667311B (zh) | 2023-12-12 |
Family
ID=72385877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010512050.3A Active CN111667311B (zh) | 2020-06-08 | 2020-06-08 | 一种广告投放的方法、相关装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667311B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288146A (zh) * | 2020-10-15 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 页面显示方法、装置、系统、计算机设备以及存储介质 |
CN112667892A (zh) * | 2020-12-25 | 2021-04-16 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、服务器和存储介质 |
CN112950273A (zh) * | 2021-03-09 | 2021-06-11 | 加和(北京)信息科技有限公司 | 广告投放策略的处理方法和装置 |
CN113592549A (zh) * | 2021-07-30 | 2021-11-02 | 北京奇艺世纪科技有限公司 | 一种转化率预测方法、装置和电子设备 |
CN113868522A (zh) * | 2021-09-26 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
WO2023016085A1 (zh) * | 2021-08-11 | 2023-02-16 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120310729A1 (en) * | 2010-03-16 | 2012-12-06 | Dalto John H | Targeted learning in online advertising auction exchanges |
CN108681920A (zh) * | 2018-05-14 | 2018-10-19 | 微梦创科网络科技(中国)有限公司 | 基于广告创意优化广告投放的方法及系统 |
CN111028005A (zh) * | 2019-11-29 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 广告展示方法、装置 |
CN111160638A (zh) * | 2019-12-20 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种转化预估方法及装置 |
-
2020
- 2020-06-08 CN CN202010512050.3A patent/CN111667311B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120310729A1 (en) * | 2010-03-16 | 2012-12-06 | Dalto John H | Targeted learning in online advertising auction exchanges |
CN108681920A (zh) * | 2018-05-14 | 2018-10-19 | 微梦创科网络科技(中国)有限公司 | 基于广告创意优化广告投放的方法及系统 |
CN111028005A (zh) * | 2019-11-29 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 广告展示方法、装置 |
CN111160638A (zh) * | 2019-12-20 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种转化预估方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘恩伯;赵玲玲;苏小红;: "基于轻量梯度提升机的广告转化率预估方法", 智能计算机与应用, no. 05 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288146A (zh) * | 2020-10-15 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 页面显示方法、装置、系统、计算机设备以及存储介质 |
CN112667892A (zh) * | 2020-12-25 | 2021-04-16 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、服务器和存储介质 |
CN112667892B (zh) * | 2020-12-25 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 一种信息推荐方法、装置、服务器和存储介质 |
CN112950273A (zh) * | 2021-03-09 | 2021-06-11 | 加和(北京)信息科技有限公司 | 广告投放策略的处理方法和装置 |
CN112950273B (zh) * | 2021-03-09 | 2024-04-09 | 加和(北京)信息科技有限公司 | 广告投放策略的处理方法和装置 |
CN113592549A (zh) * | 2021-07-30 | 2021-11-02 | 北京奇艺世纪科技有限公司 | 一种转化率预测方法、装置和电子设备 |
CN113592549B (zh) * | 2021-07-30 | 2024-03-12 | 北京奇艺世纪科技有限公司 | 一种转化率预测方法、装置和电子设备 |
WO2023016085A1 (zh) * | 2021-08-11 | 2023-02-16 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
CN113868522A (zh) * | 2021-09-26 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111667311B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667311A (zh) | 一种广告投放的方法、相关装置、设备以及存储介质 | |
CN111178981B (zh) | 一种广告投放方法、装置、计算机设备及存储介质 | |
CN111667312A (zh) | 一种广告投放的方法、相关装置、设备以及存储介质 | |
JP6427417B2 (ja) | 多次元広告入札 | |
US8364525B2 (en) | Using clicked slate driven click-through rate estimates in sponsored search | |
US11875380B2 (en) | Method for matching influencers to brands and pairing influencer videos to products for intra-video transactions | |
US20140089106A1 (en) | Method and system for formulating bids for internet advertising using forecast data | |
US20170293269A1 (en) | Control system with machine learning time-series modeling | |
CN109636490A (zh) | 广告转化率的实时预测方法、广告评价方法与系统 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
US20180204250A1 (en) | Predictive attribution-adjusted bidding for electronic advertisements | |
US20120078730A1 (en) | Automatic Internet Search Advertising Campaign Variable Optimization for Aiding Advertising Agency Efficiencies | |
US10181130B2 (en) | Real-time updates to digital marketing forecast models | |
CN115409575A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
US10628855B2 (en) | Automatically merging multiple content item queues | |
US20210382952A1 (en) | Web content organization and presentation techniques | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
Ikonomovska et al. | Real-time bid prediction using thompson sampling-based expert selection | |
US20210133807A1 (en) | Multitask transfer learning for optimization of targeted promotional programs | |
CN114331499A (zh) | 媒体信息的确定方法和装置、存储介质及电子设备 | |
WO2016195594A1 (en) | Method and apparatus for selectively allocating data to different online delivery platforms | |
US20230214876A1 (en) | System and method for real-time user response prediction for content presentations on client devices | |
Jha et al. | Optimizing Real-Time Bidding Strategies: An Experimental Analysis of Reinforcement Learning and Machine Learning Techniques | |
CN114756777A (zh) | 推荐信息的投放方法、装置、电子设备及存储介质 | |
KR20230100266A (ko) | 광고 방법 및 장치 |
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: 40028043 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 |