CN111695918A - 广告投放方法、装置、电子设备及存储介质 - Google Patents

广告投放方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111695918A
CN111695918A CN201910181854.7A CN201910181854A CN111695918A CN 111695918 A CN111695918 A CN 111695918A CN 201910181854 A CN201910181854 A CN 201910181854A CN 111695918 A CN111695918 A CN 111695918A
Authority
CN
China
Prior art keywords
user
value
advertisement
information
released
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910181854.7A
Other languages
English (en)
Inventor
韩静波
龚平华
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910181854.7A priority Critical patent/CN111695918A/zh
Publication of CN111695918A publication Critical patent/CN111695918A/zh
Pending legal-status Critical Current

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
    • G06Q30/0273—Determination of fees for advertising
    • G06Q30/0275—Auctions
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种广告投放方法、装置、电子设备及存储介质，包括：接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识；根据所述用户身份标识，获得用户的历史行为信息；根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望；根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。由于该报价是依据价值增量期望获得，而价值增量期望与用户自身的历史行为信息有关，因此报价能够更加准确地贴合用户，从而使得广告位对于用户的价值能够得到更加准确的衡量。

Description

广告投放方法、装置、电子设备及存储介质
技术领域
本申请涉及互联网技术领域，具体而言，涉及一种广告投放方法、装置、电子设备及存储介质。
背景技术
目前，广告交易平台通常与多个需求方平台(Demand-Side Platform，DSP)对接，需求方广告主通常通过DSP与广告交易平台通信。广告交易平台帮助需求方广告主进行广告投放。当有用户浏览网站内容时，常常网站会有可以展示广告的广告位。此时，网站将展示广告的机会通过广告交易平台向多个DSP发起广告请求。多个DSP中的每个均会对该广告展示的机会给出相应的报价，并将报价发送给广告交易平台。广告交易平台在收到各个DSP的报价后，进行比价，并选出报价最高的DSP，展示该DSP的需求方广告主的广告。
然而现有技术中，DSP常常难以衡量广告位对于用户的价值，造成资源的较大浪费。
发明内容
有鉴于此，本申请实施例的目的在于提供一种广告投放方法、装置、电子设备及存储介质，能够通过用户的历史行为信息和价值增长评估模型获得用户被投放广告的价值增量期望，从而根据价值增量期望确定广告的报价，改善了现有技术难以衡量广告位对于用户的价值的问题。
一方面，本申请实施例提供一种广告投放方法，所述方法包括：接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识；根据所述用户身份标识，获得用户的历史行为信息；根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望；根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
本申请实施例提供的广告投放方法可以根据用户自身的历史行为信息和价值增长评估模型来获得用户若被投放广告的价值增量期望，并根据该增量期望算出向该用户投放广告的报价，然后将报价发送给广告交易平台。由于该报价是依据价值增量期望获得，而价值增量期望与用户自身的历史行为信息有关，因此报价能够更加准确地贴合用户，从而使得广告位对于用户的价值能够得到更加准确的衡量。
可选地，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：根据用户的历史行为信息确定所述用户所属的目标特征人群；获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值；获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
在一种实施方式中，可以根据用户的历史行为信息确定用户属于的目标特征人群。然后从与用户属于同一特征人群的群体中计算出被投放广告的部分人的平均值，以及未被投放广告的部分人的平均值，然后求两者的差值，并将该差值作为价值增量期望，通过确定特征人群并得出相应特征人群的群体数据的价值增量的方式来求价值增量期望，提高了价值增量期望的准确性。
可选地，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：根据用户的历史行为信息确定所述用户所属的目标特征人群；计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差；所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队；计算所述每组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。由于该方式以时效性强的行为状态作为参考依据，向处于同一行为状态的部分用户施加投放广告这一新状态，从而收集被施加了投放广告这一新状态的用户与保持原行为状态的用户的消费金额差，因此获得的消费金额差更加准确真实。
可选地，所述计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差，包括：对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
在计算每组子人群的消费金额差时，可以分别计算投放小队的消费金额的平均值以及未投放小队的消费金额的平均值，然后计算两者的差值。
可选地，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：根据用户的历史行为信息确定所述用户所属的目标特征人群；获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布；根据所述CTR分布和LTV分布计算预估系数；获得所述目标特征人群的CTR预估值；计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
CTR分布、历史时间段的LTV分布、以及CTR的预估值均较容易获得，因此可以根据CTR分布和LTV分布计算预估系数，再求预估系数与CTR预估值的乘积，从而计算价值增量期望。
可选地，所述根据所述CTR分布和LTV分布计算预估系数，包括：根据公式D(P||Q)＝∑x∈XP(x)log P(x)-∑x∈XP(x)log Q(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
可选地，在所述根据所述用户身份标识，获得用户的历史行为信息之后，以及所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望之前，所述方法还包括：根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
可以先根据用户的历史行为信息来判断当前用户是否为需要投放广告的用户，具体可以通过一系列标准来进行判断，若用户达到上述的一系列标准，则认为用户为需要投放广告的对象。
可选地，所述根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象，包括：若所述用户的用户帐号未被推送过与所述待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
上述的一系列标准具体可以包括判断用户的用户帐号是否曾被推送过与待投放广告的内容相同的广告，或用户帐号在预设时间段内消费的次数是否低于预设阈值。
可选地，所述用户的历史行为信息包括动作信息以及作用对象信息，所述获得用户的历史行为信息之前，所述方法还包括：将所述动作信息存储于第一存储区域；将所述作用对象信息存储于第二存储区域；建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。将历史行为信息进行整理后再进行存储，使得历史行为信息的存储更加系统化。
另一方面，本申请实施例还提供一种广告投放装置，所述装置包括：信息接收模块，用于接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识；行为信息获得模块，用于根据所述用户身份标识，获得用户的历史行为信息；期望获得模块，用于根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望；报价发送模块，用于根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
本申请实施例提供的广告投放方法可以根据用户自身的历史行为信息和价值增长评估模型来获得用户若被投放广告的价值增量期望，并根据该增量期望算出向该用户投放广告的报价，然后将报价发送给广告交易平台。由于该报价是依据价值增量期望获得，而价值增量期望与用户自身的历史行为信息有关，因此报价能够更加准确地贴合用户，从而使得广告位对于用户的价值能够得到更加准确的衡量。
可选地，所述期望获得模块包括：第一目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；平均值获取子模块，用于获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值；差值计算子模块，用于获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
可以根据用户的历史行为信息确定用户属于的目标特征人群。然后从与用户属于同一特征人群的群体中计算出被投放广告的部分人的平均值，以及未被投放广告的部分人的平均值，然后求两者的差值，并将该差值作为价值增量期望，通过确定特征人群并得出相应特征人群的群体数据的价值增量的方式来求价值增量期望，提高了价值增量期望的准确性。
可选地，所述期望获得模块包括：第二目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；消费金额差子模块，用于计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差；所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队；稳态值子模块，用于计算所述每组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。
在获得用户所在的特征人群之后，可以在几个小时前收集的数据中，从特征人群中选出处于同一行为状态的多组子人群。由于行为状态是实时变化的，因此，多组子人群的组成也具有一定的时效性。对于多组子人群中的每组子人群均包括投放小队和未投放小队，获得每组子人群投放小队与未投放小队的消费金额差之后，再计算多个消费金额差的稳态值，然后将稳态值作为价值增量期望。由于该方式以时效性强的行为状态作为参考依据，向处于同一行为状态的部分用户施加投放广告这一新状态，从而收集被施加了投放广告这一新状态的用户与保持原行为状态的用户的消费金额差，因此获得的消费金额差更加准确真实。
可选地，所述消费金额差子模块包括：平均值次子模块，用于对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；差值计算次子模块，用于获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
在计算每组子人群的消费金额差时，可以分别计算投放小队的消费金额的平均值以及未投放小队的消费金额的平均值，然后计算两者的差值。
可选地，所述期望获得模块包括：第三目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；分布获取子模块，用于获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布；系数计算子模块，用于根据所述CTR分布和LTV分布计算预估系数；预估值获得子模块，用于获得所述目标特征人群的CTR预估值；乘积计算子模块，用于计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
CTR分布、历史时间段的LTV分布、以及CTR的预估值均较容易获得，因此可以根据CTR分布和LTV分布计算预估系数，再求预估系数与CTR预估值的乘积，从而计算价值增量期望。
可选地，系数计算子模块还用于根据公式D(P||Q)＝∑x∈XP(x)log P(x)-∑x∈XP(x)log Q(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
可选地，所述装置还包括：对象确定模块，用于根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
可以先根据用户的历史行为信息来判断当前用户是否为需要投放广告的用户，具体可以通过一系列标准来进行判断，若用户达到上述的一系列标准，则认为用户为需要投放广告的对象。
可选地，所述对象确定模块还用于若所述用户的用户帐号未被推送过与所述待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
上述的一系列标准具体可以包括判断用户的用户帐号是否曾被推送过与待投放广告的内容相同的广告，或用户帐号在预设时间段内消费的次数是否低于预设阈值，若用户帐号未被推送过内容类似的广告或用户帐号在预设时间段内消费的次数较低，低于预设阈值，可以判定该用户为需要投放广告的用户。
可选地，所述装置还包括：第一存储区域模块，用于将所述动作信息存储于第一存储区域；第二存储区域模块，用于将所述作用对象信息存储于第二存储区域；对应关系建立模块，用于建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。
用户的历史行为信息由动作信息和动作作用的作用对象信息组成，可以将动作信息存储在一个存储区域，将作用对象信息存储在另一个存储区域，然后建立两者之间的对应关系，然后按照对应关系来获取历史行为信息，将历史行为信息进行整理后再进行存储，使得历史行为信息的存储更加系统化。
另一方面，本申请实施例还提供一种电子设备，包括：处理器、存储介质和总线；存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行时执行如上述一方面提供的广告投放方法。
另一方面，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述一方面提供的广告投放方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备结构示意图；
图2示出了本申请实施例所提供的一种广告投放方法的流程示意图；
图3示出了本申请实施例所提供的一种广告投放方法的步骤S130的一种具体实施方式的流程示意图；
图4示出了本申请实施例所提供的一种广告投放方法的步骤S130的另一种具体实施方式的流程示意图；
图5示出了本申请实施例所提供的一种广告投放方法的步骤S130的又一种具体实施方式的流程示意图；
图6示出了本申请实施例所提供的广告投放方法的部分步骤流程示意图；
图7示出了本申请实施例提供的广告投放装置的示意性结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合广告投放方法，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕广告投放方法进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他根据用户的价值增量期望进行评估的方案。例如，本申请可以应用于根据用户的价值增量期望对目标用户进行筛选的方案。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。此外，本申请实施例中，“多个”是指两个或两个以上。
图1为本申请实施例提供的电子设备结构示意图。例如，处理器可以用于电子设备100上，并且用于执行本申请中的功能。
电子设备100可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的广告投放方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口150。
为了便于说明，在电子设备100中仅描述了一个处理器。然而，应当注意，本申请中的电子设备100还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备100的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
现有技术中，需求方平台在对广告位进行报价时，往往只能根据广告交易平台发送的用户信息和广告位信息来评估该广告位的报价。然而，广告交易平台发送的用户信息往往只是基于广告交易平台的收集，而广告交易平台收集到的用户信息有可能对需求方平台的参考价值较小，从而导致需求方平台无法准确评估广告位对用户的价值，造成资源的较大浪费。因此，本申请实施例提供了一种广告投放方法，能够基于需求方平台收集的用户历史数据进行广告位价值的评估，提高评估的准确率。
请参见图2，图2示出了本申请实施例提供的广告投放方法，具体包括如下步骤：
步骤S110，接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识。
广告位信息为反映该广告位的尺寸以及该广告位的显示效果的信息，例如，可以包括广告位的长度和宽度、广告位的显示效果(例如振动、渐变或闪烁等)、广告位的显示时长。
用户信息包括该广告交易平台记录的用户使用习惯和表征用户身份的用户身份标识。对于广告交易平台记录的用户使用习惯，若该广告交易平台为资讯类应用程序APP对应的广告交易平台，则用户使用习惯可以包括用户喜爱阅读的资讯类型、阅读时段，阅读时长等；若该广告交易平台为购物类APP对应的广告交易平台，则用户使用习惯可以包括用户经常购买的物品类型、购买品牌、购买行为的平均消费额等。对于用户身份标识，可以是用户的IP地址或MAC地址，也可以是用户使用的设备身份标识，例如终端设备的品牌、终端设备的身份标识。用户身份标识的具体类型不应该理解为是对本申请的限制。
用户在终端设备的某一APP浏览信息时，该APP的界面的边缘位置可能会有广告位，当用户滑动该APP的界面以便继续浏览信息时，有可能将该广告位滑动到用户的视野中。此时，该APP对应的广告交易平台会将该广告位的广告位信息以及当前进行浏览的用户的用户信息向多个需求方平台DSP发送。本申请实施例提供的广告投放方法所对应的DSP便会接收到上述的广告位信息以及用户信息。
步骤S120，根据所述用户身份标识，获得用户的历史行为信息。
本申请实施例提供的广告投放方法对应的DSP在接收到用户身份标识后，可以根据用户身份标识查找该用户在本DSP上注册并使用的用户帐号，并根据用户帐号收集用户使用DSP对应的APP产生的历史行为信息。例如，若DSP对应的APP为网约车APP时，用户的历史行为信息可以包括用户在一定时间段内预约网约车的次数、用户在一定时间段内预约网约车所消费的金额或用户最近一次预约网约车的日期距当前时刻的时间间隔；若DSP对应的APP为阅读APP时，用户的历史行为信息可以包括用户在一定时间段内进行阅读的次数、用户在一定时间段内阅读所消耗的时长或用户最近一次阅读距当前时刻的时间间隔等。上述的一定时间段可以为具有明确时长的时间段，例如，可以为7天，也可以为19天，一定时间段的具体时间长度不应该理解为是对本申请的限制。
可选地，对于网约车APP，在一些具体的实施例中，历史行为信息包括营销行为数据和产品操作行为数据，对于营销行为数据，可以包括例如接收到的短信营销内容、APP推送营销内容、广告营销内容、推荐新用户的行为日志内容等；对于产品操作行为数据，可以包括打开APP、关闭APP、APP后台运行、APP产品点击、详情页点击、收藏预定、订单完成等。
步骤S130，根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望。
价值增长评估模型为一个可以预测用户在被投放广告后所产生的价值增量的数额的模型，价值增量期望为用户在被投放广告时与未被投放广告时相比，用户消费增加的预测值。例如，若用户在未被投放广告时，月均消费x元，用户在被投放广告时，预测得到的月均消费为y元，则该用户月均的价值增量期望为(y-x)元。例如，对于高价值用户，可以计算预期更高价值与当前价值的差值；对于流失性用户，可以计算预期价值与发生流失后的价值的差值。
该价值增长评估模型可以将用户的历史行为信息作为输入量，将用户被投放广告的价值增量期望作为输出量。
步骤S140，根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
价值增量期望与向用户投放广告的报价可以存在预先设置的对应关系，该对应关系可以预先存储在服务器中。可选地，价值增量期望的数值区间与报价的数额具有映射关系，当价值增量期望的具体值落在某数值区间时，该数值区间对应着相应的报价的数额。例如，价值增量期望的数值区间包括[a1～a2],[a2～a3],[a3～a4],[a4～a5],[a5～a6]，报价相应的有b1、b2、b3、b4、b5。其中，数值区间[a1～a2]对应报价b1，数值区间[a2～a3]对应报价b2，数值区间[a3～a4]对应报价b3，数值区间[a4～a5]对应报价b4，数值区间[a5～a6]对应报价b5。可选地，价值增量期望a与报价b之间也可以具有函数关系b＝f(a)，函数关系f的具体关系不应该理解为是对本申请的限制。
本申请实施例提供的广告投放方法可以根据用户自身的历史行为信息和价值增长评估模型来获得用户若被投放广告的价值增量期望，并根据该增量期望算出向该用户投放广告的报价，然后将报价发送给广告交易平台。由于该报价是依据价值增量期望获得，而价值增量期望与用户自身的历史行为信息有关，因此报价能够更加准确地贴合用户，从而使得广告位对于用户的价值能够得到更加准确的衡量。
可选地，在步骤S120之后，在步骤S130之前，该方法还可以包括：根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
具体可以通过一系列标准来进行判断当前用户是否为需要投放广告的用户，若用户达到上述的一系列标准，则认为用户为需要投放广告的对象。
在一种具体实施方式中，上述的一系列标准包括如下标准：
若所述用户的用户帐号未被推送过与所述待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
若用户的用户帐号被推送过于待投放广告的内容相同的广告信息，表明已经对该用户帐号进行过相应的营销宣传，为了避免重复营销造成资源的浪费，可以判定用户帐号对应的用户不再为需要投放广告的对象。预设阈值为正常消费频率的分界线，若用户帐号在预设时间段的消费次数高于或等于预设阈值，表明该用户帐号对应的用户已经在频繁的使用待营销的APP，若再对其进行广告宣传，可能获得的收益较低，则可以判定超过预设阈值的用户不再为需要投放广告的对象。
可选地，在另一种具体实施方式中，用户的历史行为信息还可以包括敏感营销行为，用户的历史行为信息中还可以记录该用户为价格敏感类型的用户或服务敏感类型的用户。然后判断待投放广告的广告类型是否为该用户的敏感营销行为，若否，也可以判定该用户不再为本次投放广告的对象。例如，若用户是服务敏感类型的用户，而待投放广告为优惠券或代金券的投放，是为了吸引价格敏感类型的用户，则判定不再对该用户进行本次广告的投放。
判断用户的敏感营销行为可以采取如下措施进行：根据该用户历史被营销的数据进行判断，例如，若该用户过去在接收到优惠券、代金券等营销行为时，会进行相应的消费，而在接收到全新服务的通知时，消费行为未发生明显变化，则可以判定该用户的敏感营销行为是价格敏感；若该用户过去在接收到优惠券、代金券等营销行为时，消费行为未发生明显变化，而在接收到全新服务的通知时，会进行相应的消费，则可以判定该用户的敏感营销行为是服务敏感。
若某类用户为当前重点营销群体，但终端设备检测到营销短信被拦截或待投放广告对应的APP近期未被打开导致无法进行APP内推送，则可以将该类用户作为待投放广告的用户。
若某类用户已经到达某营销活动的中间环节，但尚未完成消费行为，也可以将该类用户作为待投放广告的用户，通过投放广告的方式提醒用户尚未完成的消费行为，例如，用户领取有时效限制的优惠券后，在时效限制的终止日前尚未使用该优惠券，则可以通过投放广告的方式提醒用户；若用户参与每日完成任务赢取奖励的活动，用户在某日未完成任务，也可以通过投放广告的方式提醒用户；对于网约车APP，用户打车到达某地后，该网约车APP通过大数据分析，预测用户接下来在某一时刻前往另一目的地的可能性较大，则可以在相应时刻将前往另一目的地的广告投放给该用户，或提醒该用户提前预约打车。
可选地，请参见图6，在步骤S120之前，该方法还可以包括如下步骤：
步骤S10，将所述动作信息存储于第一存储区域。
步骤S20，将所述作用对象信息存储于第二存储区域。
步骤S30，建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。
用户的历史行为通常包括动作以及动作所作用的作用对象，例如，对于“用户收到了一张7折优惠券”，“收到”为动作，“7折优惠券”为作用对象。动作还可以包括看到、点击、到达以及领取等，作用对象可以包括XX优惠券、XX广告、APP呼叫页以及APP付款页等。
因此，可以将历史行为信息分成动作信息和作用对象信息，然后将动作信息与作用对象信息分别存储于不同的存储区域，然后建立两者之间的对应关系，然后按照对应关系来获取历史行为信息。将历史行为信息进行整理后再进行存储，使得历史行为信息的存储更加系统化。可选地，对于当天、近三天、近七天、近十五天、近三十天、近九十天可以分别按照动作信息-作用对象信息的对应关系存储，使得所有的历史行为信息都可以按照统一的结构进行规整。
可选地，请参见图3，在一种具体实施方式中，步骤S130具体包括如下步骤：
步骤S131，根据用户的历史行为信息确定所述用户所属的目标特征人群。
历史行为信息包括用户最近一次消费的时刻R、用户在一定时间段内的消费频率F以及用户在一定时间段内消费金额M，对于R、F、M均可以分成5档进行划分。可选地，对于R，<30天对应R0，30～59天对应R1，60～89天对应R2，90～180天对应R3，>180天对应R4；对于F，1次对应F0，2次对应F1，3次对应F2，4次对应F3，>4次对应F4；对于M，<200元对应M0，200～399元对应M1，400～599元对应M2，600～900元对应M3，>900对应M4；可以根据历史行为信息所记录的用户的具体历史行为信息按照上述区间来确定用户所属的目标特征人群。
在一种具体实施方式中，还可以通过滑动收缩窗口来提取R、F、M的编码特征，例如可以获取3天前开始计算的7天内所有人的R、F、M编码值Xim，并利用：
Figure BDA0001991528470000161
Figure BDA0001991528470000162
求解w。
其中，f(xi)可以为忠诚度的预测得分，也可以为发展度的预测得分，也可以为价值度的预测得分，接下来不妨以f(xi)为忠诚度的预测得分为例进行说明，f(xi)的值范围在(0,1)之间，越靠近0表示用户的忠诚度越高，越靠近1表示用户的忠诚度越低；p表示特征量的个数；m表示特征量的特征编号；xim表示第m个特征量；wm表示第m个特征量的参数；w0表示参数的初始偏移量；w为特征参数向量；wT表示特征参数向量的转制；xi表示第i个样本的特征向量，具体的，xi可以是R、F、M中的任一个，也可以是R、F、M之间的两两组合，也可以是R、F、M三者的组合。
J(w)表示优化目标函数(也叫损失函数)，采用的是平方差的形式，J(w)越接近0表示优化的误差越小。n表示样本的数量；i表示第i个样本；yi表示第i个样本的真实值；y表示yi的整体向量表达形式；Xw表示wT以及xi的整体向量表达形式。
通过随机梯度下降法不断进行样本迭代，直到得到一组w使得J(w)稳定收敛到最小值，得到了损失函数J(w)最优的参数w，w为特征参数向量。
在获取用户的特征向量xi，然后，获得xi与J(w)最优的参数w的转置wT的乘积，即获得f(xi)，根据f(xi)的值在区间(0,1)之间靠近0或靠近1的位置来为用户划分该用户所属的目标特征人群。
步骤S132，获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值。
在获得目标特征人群之后，预设时间段为投放广告前的一个时间段，可以是一个较短的时间段，例如投放广告的几个小时前的时间段，可以在本次待投放广告的几个小时前对目标特征人群中的一部分投放广告，另一部分未投放广告，然后计算几个小时前至当前时刻这段时间内，被投放广告的投放组的消费金额的平均值，以及未被投放广告的未投放组的消费金额的平均值。
步骤S133，获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
计算投放组的消费金额的平均值与未投放组的消费金额的平均值的差值，将该差值作为价值增量期望。
可以根据用户的历史行为信息确定用户属于的目标特征人群。然后从与用户属于同一特征人群的群体中计算出被投放广告的部分人的平均值，以及未被投放广告的部分人的平均值，然后求两者的差值，并将该差值作为价值增量期望，通过确定特征人群并得出相应特征人群的群体数据的价值增量的方式来求价值增量期望，提高了价值增量期望的准确性。
可选地，请参见图4，在另一种具体实施方式中，步骤S130具体包括如下步骤：
步骤S231，根据用户的历史行为信息确定所述用户所属的目标特征人群。
步骤S231与图3示出的步骤S131对应相同，在此便不做赘述。
步骤S232，计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差。
预设历史时间段可以为距本次待投放广告的时刻时间较近的一个时间段，例如几个小时前。同一行为状态为时效性较强且较为不稳定的行为持续状态，例如用户使用同一APP，或检测到用户行走了相近长度的路程，或检测到用户身处同一区域等。上述行为状态均为容易发生变化的状态，例如，用户可能随时关闭当时使用的APP，或用户可能随时离开当时身处的区域等，因此，处于同一行为状态的群体是个动态变化的群体。对于该群体，依然可划分为多组子人群，划分的方式可以是随机划分，也可以平均分配。多组子人群中的每组子人群又均包括投放小队与未投放小队，所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队。投放小队的人数可以与未投放小队的人数相同，也可以不同。
可选地，步骤S232可以包括：对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
例如，多组子人群为500组子人群，且该500组子人群中有一组子人群(不妨记为Q组)的人数为20人，且Q组的20人中有8人属于投放小队，另外12人属于未投放小队，则可以计算属于投放小队的8人的消费金额的平均值，也可以计算属于未投放小队的12人的消费金额的平均值，然后获得8人的消费金额的平均值与12人的消费金额的平均值的差值，作为Q组的消费金额差。
步骤S233，计算所述多组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。
具体可以通过求方差的方式来计算多组子人群的消费金额差的稳态值，例如，可以通过步骤S232计算出500组子人群每组的消费金额差，即500个消费金额差，然后求500个消费金额差的方差，然后将500个消费金额差的方差中的最小方差对应的消费金额差作为500组子人群的稳态值，并将该稳态值作为价值增量期望。
在获得用户所在的特征人群之后，可以在几个小时前收集的数据中，从特征人群中选出处于同一行为状态的多组子人群。由于行为状态是实时变化的，因此，多组子人群的组成也具有一定的时效性。对于多组子人群中的每组子人群均包括投放小队和未投放小队，获得每组子人群投放小队与未投放小队的消费金额差之后，再计算多个消费金额差的稳态值，然后将稳态值作为价值增量期望。由于该方式以时效性强的行为状态作为参考依据，向处于同一行为状态的部分用户施加投放广告这一新状态，从而收集被施加了投放广告这一新状态的用户与保持原行为状态的用户的消费金额差，可以使得获得到的消费金额差更加准确真实。
可选地，请参见图5，在又一种具体实施方式中，步骤S130具体包括如下步骤：
步骤S331，根据用户的历史行为信息确定所述用户所属的目标特征人群。
步骤S331与图3示出的步骤S131对应相同，在此便不做赘述。
步骤S332，获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布。
点击通过率(Click-Through-Rate，CTR)指网络广告的点击到达率，即该广告的实际点击次数除以广告的展现量，具体地，获取目标特征人群中每个用户分别对应的广告展现量i以及实际点击次数c，然后根据CTR＝c/i来计算每个用户的CTR。分布是指在总体中所有单位按组归类整理，形成总体单位在各组间的分布，可以反映总体中所有单位在各组间的分布状态和分布特征。生命周期总价值(Life Time Value，LTV)为用户终生价值，是产品从用户获取到流失所得到的全部收益的总和。目标特征人群占总特征人群的CTR分布以及目标特征人群历史时间段内的LTV分布均可以直接从用户的历史行为信息中获得。具体地，获得目标特征人群中每个用户的R的预测得分，F的预测得分以及M的预测得分，然后根据s＝a*R+b*F+c*M来计算目标特征人群中每个用户的LTV得分，其中，a、b、c分别为相应的权重系数，默认取1，也可以根据具体实施情况进行相应的设置。然后可以建立每个用户的用户身份标识(user ID)、CTR以及LTV得分的对应关系。接着，对于该目标特征人群中的全部用户，按照CTR从大到小的顺序进行排列，获得该目标特征人群的CTR分布，由于LTV得分与CTR存在对应关系，所以在CTR分布中，每个CTR均有对应的LTV得分。因此，可以获得随CTR分布而产生的LTV分布。
步骤S333，根据所述CTR分布和LTV分布计算预估系数。
可以根据公式D(P||Q)＝∑x∈XP(x)log P(x)-∑x∈XP(x)log Q(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
步骤S334，获得所述目标特征人群的CTR预估值。
CTR预估值是对每次广告的点击情况做出预测，预测用户是点击还是不点击。CTR预估值和很多因素相关，比如历史点击率、广告位置、时间、用户等，具体可以通过CTR预估模型计算目标特征人群的CTR预估值。CTR预估模型就是综合考虑各种因素、特征，在大量历史数据上训练得到的模型。CTR预估值的训练样本一般从历史log、离线特征库获得。样本标签相对容易，例如，用户点击标记为1，没有点击标记为0，特征则会考虑很多，例如用户的人口学特征、广告自身特征、广告展示特征等。这些特征中会用到很多类别特征，例如用户所属职业、广告展示的IP地址等。
步骤S335，计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
CTR分布、历史时间段的LTV分布、以及CTR的预估值均较容易获得，因此可以根据CTR分布和LTV分布计算预估系数，再求预估系数与CTR预估值的乘积，从而计算价值增量期望。
图6示出了广告投放装置的示意性结构框图，该广告投放装置实现的功能对应上述方法执行的步骤。该装置可以理解为执行广告投放方法的服务器，或服务器中的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，该广告投放装置700可以包括：
信息接收模块710，用于接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识。
行为信息获得模块720，用于根据所述用户身份标识，获得用户的历史行为信息。
期望获得模块730，用于根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望。
报价发送模块740，用于根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
在上述实施例的基础上，第一目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；平均值获取子模块，用于获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值；差值计算子模块，用于获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
在上述实施例的基础上，所述期望获得模块包括：第二目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；消费金额差子模块，用于计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差；所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队；稳态值子模块，用于计算所述每组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。
在上述实施例的基础上，所述消费金额差子模块包括：平均值次子模块，用于对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；差值计算次子模块，用于获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
在上述实施例的基础上，所述期望获得模块包括：第三目标人群子模块，用于根据用户的历史行为信息确定所述用户所属的目标特征人群；分布获取子模块，用于获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布；系数计算子模块，用于根据所述CTR分布和LTV分布计算预估系数；预估值获得子模块，用于获得所述目标特征人群的CTR预估值；乘积计算子模块，用于计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
在上述实施例的基础上，系数计算子模块还用于根据公式D(P||Q)＝∑x∈XP(x)logP(x)-∑x∈XP(x)log Q(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
在上述实施例的基础上，所述装置还包括：对象确定模块，用于根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
在上述实施例的基础上，所述对象确定模块还用于若所述用户的用户帐号未被推送过与所述待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
在上述实施例的基础上，所述装置还包括：第一存储区域模块，用于将所述动作信息存储于第一存储区域；第二存储区域模块，用于将所述作用对象信息存储于第二存储区域；对应关系建立模块，用于建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
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，上述描述的装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，又例如，多个模块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通信接口，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块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。
所述功能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，可以存储在一个处理器可执行的非易失的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述一方面提供的广告投放方法的步骤。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (20)

1.一种广告投放方法，其特征在于，所述方法包括：
接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识；
根据所述用户身份标识，获得用户的历史行为信息；
根据价值增长评估模型以及所述历史行为信息，获得向所述用户投放广告的价值增量期望；
根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
2.根据权利要求1所述的方法，其特征在于，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：
根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差；所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队；
计算所述每组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。
3.根据权利要求2所述的方法，其特征在于，所述计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差，包括：
对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；
获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
4.根据权利要求1所述的方法，其特征在于，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：
根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值；
获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
5.根据权利要求1所述的方法，其特征在于，所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望，包括：
根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布；
根据所述CTR分布和LTV分布计算预估系数；
获得所述目标特征人群的CTR预估值；
计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
6.根据权利要求5所述的方法，其特征在于，所述根据所述CTR分布和LTV分布计算预估系数，包括：
根据公式D(P||Q)＝∑x∈XP(x)logP(x)-∑x∈XP(x)logQ(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述用户身份标识，获得所述用户的历史行为信息之后，以及所述根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望之前，所述方法还包括：
根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
8.根据权利要求7所述的方法，其特征在于，所述根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象，包括：
若所述用户的用户帐号未被推送过与待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
9.根据权利要求1所述的方法，其特征在于，所述用户的历史行为信息包括动作信息以及作用对象信息，所述获得所述用户的历史行为信息之前，所述方法还包括：
将所述动作信息存储于第一存储区域；
将所述作用对象信息存储于第二存储区域；
建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。
10.一种广告投放装置，其特征在于，所述装置包括：
信息接收模块，用于接收广告交易平台发送的广告位信息以及用户信息，所述用户信息包括用户身份标识；
行为信息获得模块，用于根据所述用户身份标识，获得所述用户的历史行为信息；
期望获得模块，用于根据价值增长评估模型以及历史行为信息，获得向所述用户投放广告的价值增量期望；
报价发送模块，用于根据所述价值增量期望，确定向所述用户投放广告的报价，并向所述广告交易平台发送所述报价。
11.根据权利要求10所述的装置，其特征在于，所述期望获得模块包括：
第二目标人群子模块，用于根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
消费金额差子模块，用于计算所述目标特征人群中在预设历史时间段内处于同一行为状态的多组子人群中的每组子人群的投放小队与未投放小队的消费金额差；所述投放小队为每组子人群中给予投放广告的小队，所述未投放小队为每组子人群中未给予投放广告的小队；
稳态值子模块，用于计算所述每组子人群的消费金额差的稳态值，将所述稳态值作为所述价值增量期望。
12.如权利要求11所述的装置，其特征在于，所述消费金额差子模块包括：
平均值次子模块，用于对于所述多组子人群中的每组子人群，分别计算所述投放小队的消费金额的平均值和所述未投放小队的消费金额的平均值；
差值计算次子模块，用于获得所述投放小队的消费金额的平均值与所述未投放小队的消费金额的平均值的差值，作为该组子人群的消费金额差。
13.根据权利要求10所述的装置，其特征在于，所述期望获得模块包括：
第一目标人群子模块，用于根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
平均值获取子模块，用于获取所述目标特征人群中在预设时间段内被投放广告的投放组的消费金额的平均值，与未投放广告的未投放组的消费金额的平均值；
差值计算子模块，用于获得所述投放组的消费金额的平均值与所述未投放组的消费金额的平均值的差值，将所述差值作为所述价值增量期望。
14.如权利要求10所述的装置，其特征在于，所述期望获得模块包括：
第三目标人群子模块，用于根据所述用户的历史行为信息确定所述用户所属的目标特征人群；
分布获取子模块，用于获取所述目标特征人群中的点击通过率CTR分布和所述目标特征人群中历史时间段内的生命周期总价值LTV分布；
系数计算子模块，用于根据所述CTR分布和LTV分布计算预估系数；
预估值获得子模块，用于获得所述目标特征人群的CTR预估值；
乘积计算子模块，用于计算所述CTR预估值与所述预估系数的乘积，将该乘积作为所述价值增量期望。
15.如权利要求14所述的装置，其特征在于，系数计算子模块还用于根据公式D(P||Q)＝∑x∈XP(x)logP(x)-∑x∈XP(x)logQ(x)获得预估系数D(P||Q)，其中，P(x)为CTR分布，Q(x)为LTV分布。
16.如权利要求10所述的装置，其特征在于，所述装置还包括：
对象确定模块，用于根据所述用户的历史行为信息，确定所述用户为需要投放广告的对象。
17.如权利要求16所述的装置，其特征在于，所述对象确定模块还用于若所述用户的用户帐号未被推送过与待投放广告的内容相同的广告信息，或所述用户帐号在预设时间段内消费的次数低于预设阈值，确定所述用户帐号对应的用户为需要投放广告的对象。
18.如权利要求10所述的装置，其特征在于，所述装置还包括：
第一存储区域模块，用于将动作信息存储于第一存储区域；
第二存储区域模块，用于将作用对象信息存储于第二存储区域；
对应关系建立模块，用于建立并存储所述第一存储区域中动作信息与第二存储区域中作用对象信息之间的对应关系，建立对应关系的动作信息与作用对象信息为所述历史行为信息。
19.一种电子设备，其特征在于，包括：处理器、存储介质和总线；所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-9任一所述的广告投放方法。
20.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-9任一所述的广告投放方法。
CN201910181854.7A 2019-03-11 2019-03-11 广告投放方法、装置、电子设备及存储介质 Pending CN111695918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910181854.7A CN111695918A (zh) 2019-03-11 2019-03-11 广告投放方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910181854.7A CN111695918A (zh) 2019-03-11 2019-03-11 广告投放方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111695918A true CN111695918A (zh) 2020-09-22

Family

ID=72474679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910181854.7A Pending CN111695918A (zh) 2019-03-11 2019-03-11 广告投放方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111695918A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587863A (zh) * 2022-10-21 2023-01-10 深圳柯赛标识智能科技有限公司 一种智能广告投放管理方法、装置、设备及存储介质
CN116051206A (zh) * 2023-03-27 2023-05-02 阿里健康科技(杭州)有限公司 广告投放请求发送方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576436A (zh) * 2009-08-14 2012-07-11 数据书公司 用于将竞争估价模型用于实时广告报价的学习系统
CN104081423A (zh) * 2012-01-26 2014-10-01 微软公司 广告客户建模
US20150161659A1 (en) * 2013-12-05 2015-06-11 Optimine Software, Inc. Systems and methods for assessing the cross-channel value of media advertising
CN107660294A (zh) * 2015-04-02 2018-02-02 万歌有限公司 用于广告库存的自主投标的系统和方法
US20180040032A1 (en) * 2016-08-03 2018-02-08 Mediamath, Inc. Methods, systems, and devices for counterfactual-based incrementality measurement in digital ad-bidding platform
CN109426980A (zh) * 2017-08-31 2019-03-05 腾讯科技（深圳）有限公司 确定广告竞价的方法、装置、服务器以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576436A (zh) * 2009-08-14 2012-07-11 数据书公司 用于将竞争估价模型用于实时广告报价的学习系统
CN104081423A (zh) * 2012-01-26 2014-10-01 微软公司 广告客户建模
US20150161659A1 (en) * 2013-12-05 2015-06-11 Optimine Software, Inc. Systems and methods for assessing the cross-channel value of media advertising
CN107660294A (zh) * 2015-04-02 2018-02-02 万歌有限公司 用于广告库存的自主投标的系统和方法
US20180040032A1 (en) * 2016-08-03 2018-02-08 Mediamath, Inc. Methods, systems, and devices for counterfactual-based incrementality measurement in digital ad-bidding platform
CN109426980A (zh) * 2017-08-31 2019-03-05 腾讯科技（深圳）有限公司 确定广告竞价的方法、装置、服务器以及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587863A (zh) * 2022-10-21 2023-01-10 深圳柯赛标识智能科技有限公司 一种智能广告投放管理方法、装置、设备及存储介质
CN115587863B (zh) * 2022-10-21 2023-09-01 深圳柯赛标识智能科技有限公司 一种智能广告投放管理方法、装置、设备及存储介质
CN116051206A (zh) * 2023-03-27 2023-05-02 阿里健康科技(杭州)有限公司 广告投放请求发送方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
Breuer et al. Incorporating long-term effects in determining the effectiveness of different types of online advertising
CA2516289C (en) Method for selecting relevant campaign messages for transmission to recipients
US20130246139A1 (en) System and method for sharing incentives among groups
US6990460B2 (en) Dynamic demand management
KR101728704B1 (ko) 통계적 유의성을 갖는 지리 위치 파라미터에 기초하는 동적 온라인 경험 수정 및 재고 최적화
US20110231246A1 (en) Online and offline advertising campaign optimization
Kaatz et al. Are you still online or are you already mobile?–Predicting the path to successful conversions across different devices
US20020116258A1 (en) Method for selecting and directing internet communications
US20110231243A1 (en) Customer state-based targeting
US20110231245A1 (en) Offline metrics in advertisement campaign tuning
EP1342199A1 (en) Promotion pricing system and method
AU2010216162B2 (en) Multichannel digital marketing platform
US20170221086A1 (en) Framework for generating coupons
US11157947B2 (en) System and method for real-time optimization and industry benchmarking for campaign management
US8676638B1 (en) System and method for determining an advertisement plan
Meyners et al. Reward-scrounging in customer referral programs
CN111695918A (zh) 广告投放方法、装置、电子设备及存储介质
US20120330881A1 (en) Evaluation of Next Actions by Customers
US11379859B1 (en) Method and apparatus for providing automated market analysis testing
JP6898665B2 (ja) 広告配信支援システム、広告配信支援方法及び広告配信支援プログラム
JP7091276B2 (ja) 提案装置、提案方法および提案プログラム
Kallier et al. Identifying marketing communication media that are influential to consumers
Kumar et al. Customer lifetime value management: strategies to measure and maximize customer profitability
Kim et al. A Multiattribute Model of the Timing of Buyer's Upgrading to Improved Versions of High Technology Products
Kumar et al. Customer Analytics Part I

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200922

WD01 Invention patent application deemed withdrawn after publication