CN111951047A - 基于人工智能的广告效果评价方法、终端及存储介质 - Google Patents
基于人工智能的广告效果评价方法、终端及存储介质 Download PDFInfo
- Publication number
- CN111951047A CN111951047A CN202010798025.6A CN202010798025A CN111951047A CN 111951047 A CN111951047 A CN 111951047A CN 202010798025 A CN202010798025 A CN 202010798025A CN 111951047 A CN111951047 A CN 111951047A
- Authority
- CN
- China
- Prior art keywords
- data index
- period
- area
- data
- 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.)
- Pending
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
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种基于人工智能的广告效果评价方法、终端及存储介质,包括:根据无广告期内第一区域的第一数据指标序列及多个第二区域的多个第二数据指标序列构建第一目标函数,在第一约束条件下迭代计算第一目标函数得到多个第一目标参数,多个第二区域为通过模型训练确定的;获取广告期内多个第二区域的第三数据指标序列,并根据多个第一目标参数及所述第三数据指标序列模拟计算对应广告期内所述第一区域的第四数据指标序列;获取广告期内第一区域的第五数据指标序列,并计算第五数据指标序列与第四数据指标序列之间的差值得到广告期内第一区域的增量值;根据增量值评价第一区域的广告效果。本发明能够准确的评价广告效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的广告效果评价方法、终端及存储介质。
背景技术
伴随着科技的发展,广告媒体行业发展的越来越好,广告几乎在生活中随处可见。尤其是在金融、保险以及互联网电商场景中,往往通过在一些特定的城市或区域投放广告进行业务的推进,最后评估投放广告在特定的城市或区域的增量效果。
常见的传统方法是对一些重要指标进行监控,比如销量的时间序列,然后比较这个广告区域或者试点区域在广告前和广告后的平均表现,或者通过线性回归或者决策树同比、环比等方式进行分析比较,评价广告的效果。然而,发明人在实现本发明的过程中发现,现有技术容易造成过拟合问题,导致活动期的数据指标序列拟合较差;且由于业务时间趋势具有不稳定性和波动性,现有技术并未考虑所观察到的提升(或下降)效果是因为季节性的自然增长还是广告的效果而产生,导致对广告投放效果的评价结果不准确。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的广告效果评价方法、终端及存储介质,能够准确的评价广告效果。
本发明第一方面提供一种基于人工智能的广告效果评价方法,所述方法包括:
根据无广告期内第一区域的第一数据指标序列及所述无广告期内多个第二区域的多个第二数据指标序列构建第一目标函数,并在第一约束条件下对所述第一目标函数进行迭代计算,得到所述第一目标函数中的多个第一目标参数,其中,所述多个第二区域为通过模型训练确定的;
获取广告期内所述多个第二区域的第三数据指标序列,并根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列;
获取所述广告期内所述第一区域的第五数据指标序列,并计算所述第五数据指标序列与所述第四数据指标序列之间的差值得到所述广告期内所述第一区域的增量值;
根据所述增量值评价所述第一区域的广告效果。
可选的,通过模型训练确定所述多个第二区域的过程包括:
将所述无广告期切分为训练期和测试期;
按照第一切分粒度将所述无广告期的原始区域切分为多个第一分区域,根据所述训练期内所述多个第一分区域的数据指标序列模拟计算得到模拟数据指标序列;
采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确,则确定所述多个第一分区域为所述多个第二区域;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列不准确,则按照第二切分粒度将所述无广告期的原始区域切分为多个第二分区域,从所述多个第二分区域中选取多个候选分区域,并重复上述过程直至选取的多个候选分区域为所述多个第二区域。
可选的,所述采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确包括:
根据所述训练期内第一区域的第六数据指标序列及所述训练期内所述多个第一分区域的多个第七数据指标序列构建第二目标函数,并在第二约束条件下对所述第二目标函数进行迭代计算,得到所述第二目标函数中的多个第二目标参数;
获取所述测试期内所述多个第一分区域的第八数据指标序列,并根据所述多个第二目标参数及所述第八数据指标序列模拟计算对应所述测试期内所述第一区域的第九数据指标序列;
获取所述测试期内所述第一区域的第十数据指标序列,并计算所述第十数据指标序列与所述第九数据指标序列之间的差值得到所述测试期内所述第一区域的模拟增量值;
判断所述模拟增量值是否为0;
当所述模拟增量值为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确;
当所述模拟增量值不为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列错误。
可选的,所述从所述多个第二分区域中选取多个候选分区域包括:
判断所述多个候选分区域的数量是否大于预设数量阈值;当所述多个候选分区域的数量大于所述预设数量阈值时,对多个参考参数按照从大到小的顺序进行排序,并选取排序在前第一数量的第一目标参考参数及选取所述第一目标参考参数对应的第一目标候选分区域;
当所述多个候选分区域的数量小于或者等于所述预设数量阈值时,计算任意两个候选分区域的数据指标序列之间的皮尔逊系数,对多个皮尔逊系数按照从大到小的顺序进行排序,并选取排序在前第二数量的目标皮尔逊系数;获取与所述目标皮尔逊系数对应的第二目标候选分区域;对所述目标候选分区域对应的多个参考参数按照从大到小的顺序进行排序,并选取排序在前第三数量的第二目标参考参数及选取所述第二目标参考参数对应的第三目标候选分区域。
可选的,在构建所述第一目标函数之前,所述方法还包括:
获取所述无广告期内所述第一区域的多个第一监控数据指标,获取所述无广告期内所述多个第二区域的多个第二监控数据指标;
计算所述多个第一监控数据指标的第一均值及第一方差,计算每个所述第二区域的所述多个第二监控数据指标的第二均值及第二方差;
根据所述第一均值及所述第一方差对所述多个第一监控数据指标进行标准化处理得到第一数据指标序列,根据所述第二均值及所述第二方差对对应第二区域的所述多个第二监控数据指标进行标准化处理得到第二数据指标序列。
可选的,所述获取广告期内所述多个第二区域的第三数据指标序列包括:
获取所述广告期内所述多个第二区域的多个第三监控数据指标;
根据所述第二均值及所述第二方差对对应第二区域的所述多个第三监控数据指标进行标准化处理得到第三数据指标序列。
可选的,所述根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列包括:
计算每个目标参数与对应第二区域的第三数据指标序列的乘积得到第一计算值;
累加所有第二区域对应的乘积得到第二计算值;
根据所述第一均值、所述第一方差及所述第二计算值得到第三计算值,作为所述广告期内所述第一区域的第四数据指标序列。
可选的,所述根据所述增量值评价所述第一区域的广告效果包括:
判断所述增量值是否大于预设阈值;
当所述增量值大于所述预设阈值时,为所述第一区域的广告效果生成第一标识;
当所述增量值小于或者等于所述预设阈值时,为所述第二区域的广告效果生成第二标识。
本发明的第二方面提供一种终端,所述终端包括:
存储器,用于存储计算机程序;
处理器,所述处理器用于执行所述计算机程序时实现所述的基于人工智能的广告效果评价方法。
本发明的第三方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于人工智能的广告效果评价方法。
综上所述,本发明所述的基于人工智能的广告效果评价方法、终端及存储介质,通过数据标准化,排除了不同区域由于体量和规模不一样而造成的拟合时对目标的影响。再根据无广告期内第一区域的第一数据指标序列及多个第二区域的多个第二数据指标序列构建第一目标函数,在第一约束条件下迭代计算第一目标函数得到多个第一目标参数,多个第二区域为通过模型训练确定的,使得基于多个目标第一目标参数能够有效的拟合出对应广告期内所述第一区域的第四数据指标序列;并计算出广告期内所述第一区域真实的第五数据指标序列与拟合出的第四数据指标序列之间的差值得到广告期内第一区域的增量值,从而消除了季节性等时间因素的影响,拟合出的第四数据指标序列能够有效的代表第一区域的指标序列,根据增量值评价第一区域的广告效果,准确度较高。
附图说明
图1是本发明实施例一提供的基于人工智能的广告效果评价方法的流程图。
图2是本发明实施例二提供的基于人工智能的广告效果评价装置的结构图。
图3是本发明实施例三提供的终端的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
图1是本发明实施例一提供的基于人工智能的广告效果评价方法的流程图。所述基于人工智能的广告效果评价方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,根据无广告期内第一区域的第一数据指标序列及所述无广告期内多个第二区域的多个第二数据指标序列构建第一目标函数,并在第一约束条件下对所述第一目标函数进行迭代计算,得到所述第一目标函数中的多个第一目标参数。
其中,所述无广告期是指没有投放广告的时间期间,可以依据实际情况进行设置。计算机设备获取所述第一区域的预设指标项的多个监控数据指标及所述多个第二区域的预设指标项的多个监控数据指标。所述预设指标项为宏观经济研究分析的重要指标,比如日销量数据,日销售总价,日点击率等。所述第一区域是指在某段时期内投放有广告的区域,因而又称之为实验区域。所述第二区域是指在任何时期内没有投放任何广告的区域,因而又称之为对照区域。
示例性的,假设公司在区域1,区域2,区域3及区域4都有业务经营,计算机设备选择在3月22日-4月4日期间在区域1投放线下广告,而在其它区域(区域2,区域3,区域4)不投放任何广告。计算机设备对4个区域的日销量数据进行监控追踪,并基于这4个区域的日销量数据评估在区域1中投放广告的效果。
其中,所述多个第二区域为通过模型训练确定的。
在一个可选的实施例中,所述第一目标函数可以为如下所示:
C=∑wi*Ci:
f=min∑(C-T)2。
其中,wi为第i个目标参数,Ci为多个第二数据指标序列中的第i个第二数据指标序列,C为所有第二数据指标序列及对应的目标参数的乘积之和,f为所述第一目标函数,T为所述第一数据指标序列。
在一个可选的实施例中,所述第一约束条件可以为如下所示:
wi>=0,且∑wi=1。
具体实施时,可以先初始化wi,然后通过梯度下降算法迭代计算所述第一目标函数,使得所述第一目标函数最小化。为了防止在迭代计算过程中,过分最小化所述第一目标函数,计算得到的wi为负,因而需要设置第一约束条件,如此能够确保wi不为负,从而符合数据变化趋势具有正相关性的特性。
在一个可选的实施例中,在构建所述第一目标函数之前,所述方法还包括:
获取所述无广告期内所述第一区域的多个第一监控数据指标,获取所述无广告期内所述多个第二区域的多个第二监控数据指标;
计算所述多个第一监控数据指标的第一均值及第一方差,计算每个所述第二区域的所述多个第二监控数据指标的第二均值及第二方差;
根据所述第一均值及所述第一方差对所述多个第一监控数据指标进行标准化处理得到第一数据指标序列,根据所述第二均值及所述第二方差对对应第二区域的所述多个第二监控数据指标进行标准化处理得到第二数据指标序列。
对于所述无广告期,计算机设备获取所述第一区域的多个监控数据指标并按照时间顺序进行排序得到第一监控数据指标,计算机设备获取每个第二区域的多个监控数据指标并按照时间顺序进行排序得到第二监控数据指标。
示例性的,针对无活动期(3月1日-3月21日)的数据,先对第一数据指标序列及每个第二数据指标序列分别进行标准化处理:
T=(t–mean(t))/std(t);
Ci=(ci-mean(ci))/std(ci)。
其中,mean()为均值,std()为标准差,T为所述第一数据指标序列,Ci为多个第二数据指标序列中的第i个第二数据指标序列。
由于第一数据指标序列及每个第二数据指标序列的体量并不相同,通过标准化处理,使得第一数据指标序列及每个第二数据指标序列都能在相同的等级下进行比较。
S12,获取广告期内所述多个第二区域的第三数据指标序列,并根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列。
其中,所述广告期是指对所述第一区域投放广告的时间期间,为所述无广告期之后的时间期间。计算机设备基于所述多个第一目标参数及所述第三数据指标序列模拟计算出第四数据指标序列,便于后续为广告期内所述第一区域的广告效果的评价提供准确的参考标准。
在一个可选的实施例中,所述获取广告期内所述多个第二区域的第三数据指标序列包括:
获取所述广告期内所述多个第二区域的多个第三监控数据指标;
根据所述第二均值及所述第二方差对对应第二区域的所述多个第三监控数据指标进行标准化处理得到第三数据指标序列。
计算机设备获取所述每个第二区域的预设指标项的多个监控数据指标并按照时间顺序进行排序得到第三监控数据指标,并对广告期内每个第二区域的多个第三监控数据指标进行标准化处理得到第三数据指标序列。示例性的,计算每个第二区域的第三监控数据指标与对应的第二均值的差值,计算每个差值与对应的第二方差,得到第三数据指标序列。
在一个可选的实施例中,所述根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列包括:
计算每个目标参数与对应第二区域的第三数据指标序列的乘积得到第一计算值;
累加所有第二区域对应的乘积得到第二计算值;
根据所述第一均值、所述第一方差及所述第二计算值得到第三计算值,作为所述广告期内所述第一区域的第四数据指标序列。
示例性的,第二计算值C′=∑wi*Ci′,其中,Ci′为第i个第一计算值,第四数据指标序列C″=C′*std(t)+mean(t)。
通过所述多个第一目标参数及所述第三数据指标序列模拟计算所述第一区域的第四数据指标序列,有效的剔除了受季节性因素的影响而带来的宏观经济效应,从而能够准确的模拟出与所述广告期对应的这一时期没有在所述第一区域内投放广告的宏观经济指标,为后续提高广告投放效果的准确度提供了有力的支撑。
S13,获取所述广告期内所述第一区域的第五数据指标序列,并计算所述第五数据指标序列与所述第四数据指标序列之间的差值得到所述广告期内所述第一区域的增量值。
第五数据指标序列为真实广告期内所述第一区域的宏观经济指标,第四数据指标序列为模拟计算得到的对应所述广告期内所述第一区域的宏观经济指标。通过比较所述第四数据指标序列与所述第五数据指标,确定二者之间的差异。
S14,根据所述增量值评价所述第一区域的广告效果。
其中,所述增量值代表了在第一区域投放广告的时间期间内的宏观经济指标的差异。
在一个可选的实施例中,所述根据所述增量值评价所述第一区域的广告效果包括:
判断所述增量值是否大于预设阈值;
当所述增量值大于所述预设阈值时,为所述第一区域的广告效果生成第一标识;
当所述增量值小于或者等于所述预设阈值时,为所述第二区域的广告效果生成第二标识。
其中,所述预设阈值可以为0,或者依据实际应用情况设置为大于0的数。
当所述增量值大于0,表明在所述第一区域投放广告后具有正向效益;当所述增量值等于0,表明在所述第一区域投放广告后不具有任何效益,与未投放广告的宏观经济指标是一样的。
在一个可选的实施例中,通过模型训练确定所述多个第二区域的过程包括:
将所述无广告期切分为训练期和测试期;
按照第一切分粒度将所述无广告期的原始区域切分为多个第一分区域,根据所述训练期内所述多个第一分区域的数据指标序列模拟计算得到模拟数据指标序列;
采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确,则确定所述多个第一分区域为所述多个第二区域;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列不准确,则按照第二切分粒度将所述无广告期的原始区域切分为多个第二分区域,从所述多个第二分区域中选取多个候选分区域,并重复上述过程直至选取的多个候选分区域为所述多个第二区域。
为了定向监控在所述第一区域投放广告的效果及提高广告效果的评价准确度,则需要确定出能够真实且准确的模拟计算出所述第四数据指标序列的所述多个第二区域。
在一个可选的实施例中,所述采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确包括:
根据所述训练期内第一区域的第六数据指标序列及所述训练期内所述多个第一分区域的多个第七数据指标序列构建第二目标函数,并在第二约束条件下对所述第二目标函数进行迭代计算,得到所述第二目标函数中的多个第二目标参数;
获取所述测试期内所述多个第一分区域的第八数据指标序列,并根据所述多个第二目标参数及所述第八数据指标序列模拟计算对应所述测试期内所述第一区域的第九数据指标序列;
获取所述测试期内所述第一区域的第十数据指标序列,并计算所述第十数据指标序列与所述第九数据指标序列之间的差值得到所述测试期内所述第一区域的模拟增量值;
判断所述模拟增量值是否为0;
当所述模拟增量值为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确;
当所述模拟增量值不为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列错误。
为了确保计算得到的目标参数的有效性,可以先舍弃广告期内的数据指标序列,将无广告期内的最后一段时间(例如,最后一周)设立为伪活动期做为测试期,无广告期内的伪活动期之前的日期为训练期。对于训练期及测试期内的拟合过程同上述S11-S14,不再详细阐述。拟合后计算得到的模拟增量值应当为0,即没有任何增量效果。
如果拟合后计算得到的模拟增量值为0,表明当前选取的这几个区域能够有效的模拟出第四数据指标序列,如果拟合后计算得到的模拟增量值不为0,表明当前选取的这几个区域不能够有效的模拟出第四数据指标序列,需要重新选取区域。
其中,所述第一切分粒度大于所述第二切分粒度,即通过逐次降低分区域的切分颗粒度,使得每次切分出的分区域越来越小,数量越来越多,如此能够有利于从众多的分区域中找到一个或者多个分区域,从而能够较好的拟合出第四数据指标序列,进而提高广告效果的评价准确度。
在一个可选的实施例中,所述从所述多个第二分区域中选取多个候选分区域包括:
判断所述多个候选分区域的数量是否大于预设数量阈值;
当所述多个候选分区域的数量大于所述预设数量阈值时,对多个参考参数按照从大到小的顺序进行排序,并选取排序在前第一数量的第一目标参考参数及选取所述第一目标参考参数对应的第一目标候选分区域;
当所述多个候选分区域的数量小于或者等于所述预设数量阈值时,计算任意两个候选分区域的数据指标序列之间的皮尔逊系数,对多个皮尔逊系数按照从大到小的顺序进行排序,并选取排序在前第二数量的目标皮尔逊系数;获取与所述目标皮尔逊系数对应的第二目标候选分区域;对所述目标候选分区域对应的多个参考参数按照从大到小的顺序进行排序,并选取排序在前第三数量的第二目标参考参数及选取所述第二目标参考参数对应的第三目标候选分区域。
需要说明的是,在实践中有时会出现无广告期拟合效果不准的情况,在这种情况,需要重点关注广告期前(在本例中比如活动前一周)的拟合效果。如果广告前一周的第一区域和多个第二区域的表现已经有很大差距,则广告期的增量效果评估准确度较差。具体的做法是通过控制不同时间的样本权重来重点拟合广告期前的一段时间,比如广告期前一周的测试集重复3遍,广告期前2周的样本重复2遍,其它时间段的样本只出现1遍等等。通过调整样本权重防止过拟合。
综上所述,通过数据标准化,排除了不同区域由于体量和规模不一样而造成的拟合时对目标的影响。假设直接用线性回归(不做标准化)来做拟合,那么体量大(均值)的第二区域所获得的系数w很可能偏小,而体量小的第二区域所获得的系数w很可能偏大,而且为了追求训练集拟合的精确,很可能有的权重为负值。这样的模型在训练集拟合的很好,可是在预测集(广告期)时由于系数没有控制而造成预测的不稳定也就是过拟合问题。而且第二区域的拟合系数为负也不符合常理,因为第二区域和总区域的时间序列趋势一般为高度正相关,贡献也应该为正。通过先标准化,每个时间序列去掉量纲,在相同的等级下,并且在w为正且和为1的约束找到的最优w,在训练集的拟合和准确率略微不如直接用线性回归,但是却能极大的缓解由于第二区域的数据体量不一致而造成的过拟合问题,并且权重w有很好的解释性,w越大则意味着该区域和测试区域的时间趋势越相似,而且符合子区域对总区域的时间序列高度正相关且贡献为正的基本假设。本发明能够提高对广告投放效果的评价的准确度。
所述基于人工智能的广告投放效果评价方法,可应用智慧政务中,推动智慧城市的建设。
需要强调的是,为进一步保证上述第一目标函数及第二目标函数的私密性和安全性,上述第一目标函数及第二目标函数可存储于区块链的节点中。
图2是本发明实施例二提供的基于人工智能的广告效果评价装置的结构图。
在一些实施例中,所述基于人工智能的广告效果评价装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的广告效果评价装置20中的各个程序段的计算机程序可以存储于终端的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)基于人工智能的广告效果评价的功能。
本实施例中,所述基于人工智能的广告效果评价装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:参数计算模块201、数据处理模块202、模拟计算模块203、增量计算模块204、效果评价模块205及模型训练模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述参数计算模块201,用于根据无广告期内第一区域的第一数据指标序列及所述无广告期内多个第二区域的多个第二数据指标序列构建第一目标函数,并在第一约束条件下对所述第一目标函数进行迭代计算,得到所述第一目标函数中的多个第一目标参数。
其中,所述无广告期是指没有投放广告的时间期间,可以依据实际情况进行设置。计算机设备获取所述第一区域的预设指标项的多个监控数据指标及所述多个第二区域的预设指标项的多个监控数据指标。所述预设指标项为宏观经济研究分析的重要指标,比如日销量数据,日销售总价,日点击率等。所述第一区域是指在某段时期内投放有广告的区域,因而又称之为实验区域。所述第二区域是指在任何时期内没有投放任何广告的区域,因而又称之为对照区域。
示例性的,假设公司在区域1,区域2,区域3及区域4都有业务经营,计算机设备选择在3月22日-4月4日期间在区域1投放线下广告,而在其它区域(区域2,区域3,区域4)不投放任何广告。计算机设备对4个区域的日销量数据进行监控追踪,并基于这4个区域的日销量数据评估在区域1中投放广告的效果。
其中,所述多个第二区域为通过模型训练确定的。
在一个可选的实施例中,所述第一目标函数可以为如下所示:
C=∑wi*Ci:
f=min∑(C-T)2。
其中,wi为第i个目标参数,Ci为多个第二数据指标序列中的第i个第二数据指标序列,C为所有第二数据指标序列及对应的目标参数的乘积之和,f为所述第一目标函数,T为所述第一数据指标序列。
在一个可选的实施例中,所述第一约束条件可以为如下所示:
wi>=0,且∑wi=1。
具体实施时,可以先初始化wi,然后通过梯度下降算法迭代计算所述第一目标函数,使得所述第一目标函数最小化。为了防止在迭代计算过程中,过分最小化所述第一目标函数,计算得到的wi为负,因而需要设置第一约束条件,如此能够确保wi不为负,从而符合数据变化趋势具有正相关性的特性。
所述数据处理模块202,用于获取所述无广告期内所述第一区域的多个第一监控数据指标,获取所述无广告期内所述多个第二区域的多个第二监控数据指标;计算所述多个第一监控数据指标的第一均值及第一方差,计算每个所述第二区域的所述多个第二监控数据指标的第二均值及第二方差;根据所述第一均值及所述第一方差对所述多个第一监控数据指标进行标准化处理得到第一数据指标序列,根据所述第二均值及所述第二方差对对应第二区域的所述多个第二监控数据指标进行标准化处理得到第二数据指标序列。
对于所述无广告期,计算机设备获取所述第一区域的多个监控数据指标并按照时间顺序进行排序得到第一监控数据指标,计算机设备获取每个第二区域的多个监控数据指标并按照时间顺序进行排序得到第二监控数据指标。
示例性的,针对无活动期(3月1日-3月21日)的数据,先对第一数据指标序列及每个第二数据指标序列分别进行标准化处理:
T=(t-mean(t))/std(t);
Ci=(ci-mean(ci))/std(ci)。
其中,mean()为均值,std()为标准差,T为所述第一数据指标序列,Ci为多个第二数据指标序列中的第i个第二数据指标序列。
由于第一数据指标序列及每个第二数据指标序列的体量并不相同,通过标准化处理,使得第一数据指标序列及每个第二数据指标序列都能在相同的等级下进行比较。
所述模拟计算模块203,用于获取广告期内所述多个第二区域的第三数据指标序列,并根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列。
其中,所述广告期是指对所述第一区域投放广告的时间期间,为所述无广告期之后的时间期间。计算机设备基于所述多个第一目标参数及所述第三数据指标序列模拟计算出第四数据指标序列,便于后续为广告期内所述第一区域的广告效果的评价提供准确的参考标准。
在一个可选的实施例中,所述模拟计算模块203获取广告期内所述多个第二区域的第三数据指标序列包括:
获取所述广告期内所述多个第二区域的多个第三监控数据指标;
根据所述第二均值及所述第二方差对对应第二区域的所述多个第三监控数据指标进行标准化处理得到第三数据指标序列。
计算机设备获取所述每个第二区域的预设指标项的多个监控数据指标并按照时间顺序进行排序得到第三监控数据指标,并对广告期内每个第二区域的多个第三监控数据指标进行标准化处理得到第三数据指标序列。示例性的,计算每个第二区域的第三监控数据指标与对应的第二均值的差值,计算每个差值与对应的第二方差,得到第三数据指标序列。
在一个可选的实施例中,所述模拟计算模块203根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列包括:
计算每个目标参数与对应第二区域的第三数据指标序列的乘积得到第一计算值;
累加所有第二区域对应的乘积得到第二计算值;
根据所述第一均值、所述第一方差及所述第二计算值得到第三计算值,作为所述广告期内所述第一区域的第四数据指标序列。
示例性的,第二计算值C′=∑wi*Ci′,其中,Ci′为第i个第一计算值,第四数据指标序列C″=C′*std(t)+mean(t)。
通过所述多个第一目标参数及所述第三数据指标序列模拟计算所述第一区域的第四数据指标序列,有效的剔除了受季节性因素的影响而带来的宏观经济效应,从而能够准确的模拟出与所述广告期对应的这一时期没有在所述第一区域内投放广告的宏观经济指标,为后续提高广告投放效果的准确度提供了有力的支撑。
所述增量计算模块204,用于获取所述广告期内所述第一区域的第五数据指标序列,并计算所述第五数据指标序列与所述第四数据指标序列之间的差值得到所述广告期内所述第一区域的增量值。
第五数据指标序列为真实广告期内所述第一区域的宏观经济指标,第四数据指标序列为模拟计算得到的对应所述广告期内所述第一区域的宏观经济指标。通过比较所述第四数据指标序列与所述第五数据指标,确定二者之间的差异。
所述效果评价模块205,用于根据所述增量值评价所述第一区域的广告效果。
其中,所述增量值代表了在第一区域投放广告的时间期间内的宏观经济指标的差异。
在一个可选的实施例中,所述效果评价模块205根据所述增量值评价所述第一区域的广告效果包括:
判断所述增量值是否大于预设阈值;
当所述增量值大于所述预设阈值时,为所述第一区域的广告效果生成第一标识;
当所述增量值小于或者等于所述预设阈值时,为所述第二区域的广告效果生成第二标识。
其中,所述预设阈值可以为0,或者依据实际应用情况设置为大于0的数。
当所述增量值大于0,表明在所述第一区域投放广告后具有正向效益;当所述增量值等于0,表明在所述第一区域投放广告后不具有任何效益,与未投放广告的宏观经济指标是一样的。
所述模型训练模块206,用于通过模型训练确定所述多个第二区域。
在一个可选的实施例中,所述模型训练模块206通过模型训练确定所述多个第二区域包括:
将所述无广告期切分为训练期和测试期;
按照第一切分粒度将所述无广告期的原始区域切分为多个第一分区域,根据所述训练期内所述多个第一分区域的数据指标序列模拟计算得到模拟数据指标序列;
采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确,则确定所述多个第一分区域为所述多个第二区域;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列不准确,则按照第二切分粒度将所述无广告期的原始区域切分为多个第二分区域,从所述多个第二分区域中选取多个候选分区域,并重复上述过程直至选取的多个候选分区域为所述多个第二区域。
为了定向监控在所述第一区域投放广告的效果及提高广告效果的评价准确度,则需要确定出能够真实且准确的模拟计算出所述第四数据指标序列的所述多个第二区域。
在一个可选的实施例中,所述采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确包括:
根据所述训练期内第一区域的第六数据指标序列及所述训练期内所述多个第一分区域的多个第七数据指标序列构建第二目标函数,并在第二约束条件下对所述第二目标函数进行迭代计算,得到所述第二目标函数中的多个第二目标参数;
获取所述测试期内所述多个第一分区域的第八数据指标序列,并根据所述多个第二目标参数及所述第八数据指标序列模拟计算对应所述测试期内所述第一区域的第九数据指标序列;
获取所述测试期内所述第一区域的第十数据指标序列,并计算所述第十数据指标序列与所述第九数据指标序列之间的差值得到所述测试期内所述第一区域的模拟增量值;
判断所述模拟增量值是否为0;
当所述模拟增量值为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确;
当所述模拟增量值不为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列错误。
为了确保计算得到的目标参数的有效性,可以先舍弃广告期内的数据指标序列,将无广告期内的最后一段时间(例如,最后一周)设立为伪活动期做为测试期,无广告期内的伪活动期之前的日期为训练期。对于训练期及测试期内的拟合过程同上述S11-S14,不再详细阐述。拟合后计算得到的模拟增量值应当为0,即没有任何增量效果。
如果拟合后计算得到的模拟增量值为0,表明当前选取的这几个区域能够有效的模拟出第四数据指标序列,如果拟合后计算得到的模拟增量值不为0,表明当前选取的这几个区域不能够有效的模拟出第四数据指标序列,需要重新选取区域。
其中,所述第一切分粒度大于所述第二切分粒度,即通过逐次降低分区域的切分颗粒度,使得每次切分出的分区域越来越小,数量越来越多,如此能够有利于从众多的分区域中找到一个或者多个分区域,从而能够较好的拟合出第四数据指标序列,进而提高广告效果的评价准确度。
在一个可选的实施例中,所述从所述多个第二分区域中选取多个候选分区域包括:
判断所述多个候选分区域的数量是否大于预设数量阈值;
当所述多个候选分区域的数量大于所述预设数量阈值时,对多个参考参数按照从大到小的顺序进行排序,并选取排序在前第一数量的第一目标参考参数及选取所述第一目标参考参数对应的第一目标候选分区域;
当所述多个候选分区域的数量小于或者等于所述预设数量阈值时,计算任意两个候选分区域的数据指标序列之间的皮尔逊系数,对多个皮尔逊系数按照从大到小的顺序进行排序,并选取排序在前第二数量的目标皮尔逊系数;获取与所述目标皮尔逊系数对应的第二目标候选分区域;对所述目标候选分区域对应的多个参考参数按照从大到小的顺序进行排序,并选取排序在前第三数量的第二目标参考参数及选取所述第二目标参考参数对应的第三目标候选分区域。
需要说明的是,在实践中有时会出现无广告期拟合效果不准的情况,在这种情况,需要重点关注广告期前(在本例中比如活动前一周)的拟合效果。如果广告前一周的第一区域和多个第二区域的表现已经有很大差距,则广告期的增量效果评估准确度较差。具体的做法是通过控制不同时间的样本权重来重点拟合广告期前的一段时间,比如广告期前一周的测试集重复3遍,广告期前2周的样本重复2遍,其它时间段的样本只出现1遍等等。通过调整样本权重防止过拟合。
综上所述,通过数据标准化,排除了不同区域由于体量和规模不一样而造成的拟合时对目标的影响。假设直接用线性回归(不做标准化)来做拟合,那么体量大(均值)的第二区域所获得的系数w很可能偏小,而体量小的第二区域所获得的系数w很可能偏大,而且为了追求训练集拟合的精确,很可能有的权重为负值。这样的模型在训练集拟合的很好,可是在预测集(广告期)时由于系数没有控制而造成预测的不稳定也就是过拟合问题。而且第二区域的拟合系数为负也不符合常理,因为第二区域和总区域的时间序列趋势一般为高度正相关,贡献也应该为正。通过先标准化,每个时间序列去掉量纲,在相同的等级下,并且在w为正且和为1的约束找到的最优w,在训练集的拟合和准确率略微不如直接用线性回归,但是却能极大的缓解由于第二区域的数据体量不一致而造成的过拟合问题,并且权重w有很好的解释性,w越大则意味着该区域和测试区域的时间趋势越相似,而且符合子区域对总区域的时间序列高度正相关且贡献为正的基本假设。本发明能够提高对广告投放效果的评价的准确度。
所述基于人工智能的广告投放效果评价装置,可应用智慧政务中,推动智慧城市的建设。
需要强调的是,为进一步保证上述第一目标函数及第二目标函数的私密性和安全性,上述第一目标函数及第二目标函数可存储于区块链的节点中。
参阅图3所示,为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中,所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的终端的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述终端3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述终端3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的终端,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述终端3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的广告效果评价方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述终端3的控制核心(ControlUnit),利用各种接口和线路连接整个终端3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行终端3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于人工智能的广告效果评价方法的全部或者部分步骤;或者实现基于人工智能的广告效果评价装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述终端3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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,终端,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明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。例如,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。
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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的广告效果评价方法,其特征在于,所述方法包括:
根据无广告期内第一区域的第一数据指标序列及所述无广告期内多个第二区域的多个第二数据指标序列构建第一目标函数,并在第一约束条件下对所述第一目标函数进行迭代计算,得到所述第一目标函数中的多个第一目标参数,其中,所述多个第二区域为通过模型训练确定的;
获取广告期内所述多个第二区域的第三数据指标序列,并根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列;
获取所述广告期内所述第一区域的第五数据指标序列,并计算所述第五数据指标序列与所述第四数据指标序列之间的差值得到所述广告期内所述第一区域的增量值;
根据所述增量值评价所述第一区域的广告效果。
2.如权利要求1所述的基于人工智能的广告效果评价方法,其特征在于,通过模型训练确定所述多个第二区域的过程包括:
将所述无广告期切分为训练期和测试期;
按照第一切分粒度将所述无广告期的原始区域切分为多个第一分区域,根据所述训练期内所述多个第一分区域的数据指标序列模拟计算得到模拟数据指标序列;
采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确,则确定所述多个第一分区域为所述多个第二区域;
当采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列不准确,则按照第二切分粒度将所述无广告期的原始区域切分为多个第二分区域,从所述多个第二分区域中选取多个候选分区域,并重复上述过程直至选取的多个候选分区域为所述多个第二区域。
3.如权利要求2所述的基于人工智能的广告效果评价方法,其特征在于,所述采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列是否准确包括:
根据所述训练期内第一区域的第六数据指标序列及所述训练期内所述多个第一分区域的多个第七数据指标序列构建第二目标函数,并在第二约束条件下对所述第二目标函数进行迭代计算,得到所述第二目标函数中的多个第二目标参数;
获取所述测试期内所述多个第一分区域的第八数据指标序列,并根据所述多个第二目标参数及所述第八数据指标序列模拟计算对应所述测试期内所述第一区域的第九数据指标序列;
获取所述测试期内所述第一区域的第十数据指标序列,并计算所述第十数据指标序列与所述第九数据指标序列之间的差值得到所述测试期内所述第一区域的模拟增量值;
判断所述模拟增量值是否为0;
当所述模拟增量值为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列准确;
当所述模拟增量值不为0时,确定采用所述测试期内所述多个第一分区域的数据指标序列验证所述模拟数据指标序列错误。
4.如权利要求2或3所述的基于人工智能的广告效果评价方法,其特征在于,所述从所述多个第二分区域中选取多个候选分区域包括:
判断所述多个候选分区域的数量是否大于预设数量阈值;
当所述多个候选分区域的数量大于所述预设数量阈值时,对多个参考参数按照从大到小的顺序进行排序,并选取排序在前第一数量的第一目标参考参数及选取所述第一目标参考参数对应的第一目标候选分区域;
当所述多个候选分区域的数量小于或者等于所述预设数量阈值时,计算任意两个候选分区域的数据指标序列之间的皮尔逊系数,对多个皮尔逊系数按照从大到小的顺序进行排序,并选取排序在前第二数量的目标皮尔逊系数;获取与所述目标皮尔逊系数对应的第二目标候选分区域;对所述目标候选分区域对应的多个参考参数按照从大到小的顺序进行排序,并选取排序在前第三数量的第二目标参考参数及选取所述第二目标参考参数对应的第三目标候选分区域。
5.如权利要求4所述的基于人工智能的广告效果评价方法,其特征在于,在构建所述第一目标函数之前,所述方法还包括:
获取所述无广告期内所述第一区域的多个第一监控数据指标,获取所述无广告期内所述多个第二区域的多个第二监控数据指标;
计算所述多个第一监控数据指标的第一均值及第一方差,计算每个所述第二区域的所述多个第二监控数据指标的第二均值及第二方差;
根据所述第一均值及所述第一方差对所述多个第一监控数据指标进行标准化处理得到第一数据指标序列,根据所述第二均值及所述第二方差对对应第二区域的所述多个第二监控数据指标进行标准化处理得到第二数据指标序列。
6.如权利要求5所述的基于人工智能的广告效果评价方法,其特征在于,所述获取广告期内所述多个第二区域的第三数据指标序列包括:
获取所述广告期内所述多个第二区域的多个第三监控数据指标;
根据所述第二均值及所述第二方差对对应第二区域的所述多个第三监控数据指标进行标准化处理得到第三数据指标序列。
7.如权利要求6所述的基于人工智能的广告效果评价方法,其特征在于,所述根据所述多个第一目标参数及所述第三数据指标序列模拟计算对应所述广告期内所述第一区域的第四数据指标序列包括:
计算每个目标参数与对应第二区域的第三数据指标序列的乘积得到第一计算值;
累加所有第二区域对应的乘积得到第二计算值;
根据所述第一均值、所述第一方差及所述第二计算值得到第三计算值,作为所述广告期内所述第一区域的第四数据指标序列。
8.如权利要求7所述的基于人工智能的广告效果评价方法,其特征在于,所述根据所述增量值评价所述第一区域的广告效果包括:
判断所述增量值是否大于预设阈值;
当所述增量值大于所述预设阈值时,为所述第一区域的广告效果生成第一标识;
当所述增量值小于或者等于所述预设阈值时,为所述第二区域的广告效果生成第二标识。
9.一种终端,其特征在于,所述终端包括:
存储器,用于存储计算机程序;
处理器,所述处理器用于执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于人工智能的广告效果评价方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于人工智能的广告效果评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798025.6A CN111951047A (zh) | 2020-08-10 | 2020-08-10 | 基于人工智能的广告效果评价方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010798025.6A CN111951047A (zh) | 2020-08-10 | 2020-08-10 | 基于人工智能的广告效果评价方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951047A true CN111951047A (zh) | 2020-11-17 |
Family
ID=73333179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010798025.6A Pending CN111951047A (zh) | 2020-08-10 | 2020-08-10 | 基于人工智能的广告效果评价方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951047A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506956A (zh) * | 2020-12-10 | 2021-03-16 | 余朴芬 | 一种基于区块链技术的服饰管理系统 |
CN113742927A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种气象预报数据质量检测的方法 |
CN114638629A (zh) * | 2020-12-15 | 2022-06-17 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
-
2020
- 2020-08-10 CN CN202010798025.6A patent/CN111951047A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506956A (zh) * | 2020-12-10 | 2021-03-16 | 余朴芬 | 一种基于区块链技术的服饰管理系统 |
CN114638629A (zh) * | 2020-12-15 | 2022-06-17 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113742927A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种气象预报数据质量检测的方法 |
CN113742927B (zh) * | 2021-09-08 | 2024-01-26 | 成都卡普数据服务有限责任公司 | 一种气象预报数据质量检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951047A (zh) | 基于人工智能的广告效果评价方法、终端及存储介质 | |
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN111563703B (zh) | 项目管理系统、方法、计算机设备和计算机可读存储介质 | |
CN111652279B (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
CN111694844B (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
US11403555B2 (en) | Sequence, frequency, and time interval based journey recommendation | |
WO2022211918A1 (en) | Systems and methods for probabilistic parts forecasting based on machine utilization patterns | |
US20200301805A1 (en) | Estimating treatment effect of user interface changes using a state-space model | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN112199417B (zh) | 基于人工智能的数据处理方法、装置、终端及存储介质 | |
CN116313016A (zh) | 医疗物资调配方法、装置、电子设备及计算机可读存储介质 | |
WO2013061324A2 (en) | A method for estimating the total cost of ownership (tcp) for a requirement | |
CN113435746B (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115471215A (zh) | 一种业务流程处理方法及装置 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN114968336A (zh) | 应用灰度发布方法、装置、计算机设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN114399368A (zh) | 基于人工智能的商品推荐方法、装置、电子设备及介质 |
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 |