CN112270569A - 广告投放方法及装置、电子设备、存储介质 - Google Patents
广告投放方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112270569A CN112270569A CN202011206819.5A CN202011206819A CN112270569A CN 112270569 A CN112270569 A CN 112270569A CN 202011206819 A CN202011206819 A CN 202011206819A CN 112270569 A CN112270569 A CN 112270569A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- advertisement putting
- evaluation
- putting
- strategy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 88
- 238000013210 evaluation model Methods 0.000 claims abstract description 72
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000002716 delivery method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种广告投放方法及装置、电子设备、计算机可读存储介质,方法包括:将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数;基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略;基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值‑方差模型计算每一广告投放组合最大的整体评估参数;筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。本申请避免了依赖个人经验而产生的错误,减少了资源浪费。
Description
技术领域
本申请涉及网络广告技术领域,特别涉及一种广告投放方法及装置、电子设备、计算机可读存储介质。
背景技术
日常的信息流管理主要是定期地从广告投放平台(比如:巨量引擎、百度推广等)导出数据报表,由信息流优化师依据数据报表中的信息分析广告投放的效果,并确定下一次投放广告的策略。一般,在信息流广告投放前,会进行预投放以检查广告投放效果。预投放的广告投放策略依赖于从业者的个人经验,预投放结果难以预测。若预投放效果不佳,需重新进行预投放。可见,在广告投放过程中,无论是预投放还是依据数据报表分析投放策略,都需依赖从业者经验,对从业者的要求非常高。若从业者判断失误,致使投放效果不佳,会产生资源浪费。
发明内容
本申请实施例的目的在于提供一种广告投放方法及装置、电子设备、计算机可读存储介质,用于选择投放效果最好的广告投放策略。
一方面,本申请提供了一种广告投放方法,包括:
将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数;
基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略;
基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数;
筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。
在一实施例中,在将所述广告投放策略作为所述广告评估模型的输入之前,所述方法还包括:
依据所述待推广对象的基础类别,查找预设的目标受众库,获得对应于所述基础类别的受众特征;其中,所述目标受众库包括与每一基础类别对应的多种受众特征;
根据预设特征关联策略,确定与所述受众特征相关联的多种特征数据;
依据所述多种特征数据构造所述广告投放策略。
在一实施例中,在将所述广告投放策略作为所述广告评估模型的输入之前,所述方法还包括:
对多个广告投放平台的数据报表进行标准化处理,获得对应于多个广告投放平台的标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构造样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对机器学习模型进行训练,获得所述广告评估模型。
在一实施例中,所述根据携带标签的所述样本数据对机器学习模型进行训练,获得所述广告评估模型,包括:
将所述样本数据作为所述机器学习模型的输入,获得所述机器学习模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述机器学习模型的网络参数;
重复上述过程,直至所述机器学习模型收敛,获得所述广告评估模型。
在一实施例中,在对所述待推广对象进行广告投放后,所述方法还包括:
对所述广告投放策略指示的广告投放平台的数据报表进行标准化处理,获得标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构建样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对广告评估模型进行训练,获得更新后的广告评估模型。
在一实施例中,所述根据携带标签的所述样本数据对广告评估模型进行训练,获得更新后的广告评估模型,包括:
将所述样本数据作为所述广告评估模型的输入,获得所述广告评估模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述广告评估模型的网络参数;
重复上述过程,直至所述广告评估模型收敛,获得更新后的广告评估模型。
另一方面,本申请还提供了一种广告投放装置,包括:
预测模块,用于将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数;
构建模块,用于基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略;
计算模块,用于基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数;
投放模块,用于筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。
在一实施例中,所述预测模块,还用于:
依据所述待推广对象的基础类别,查找预设的目标受众库;其中,所述目标受众库包括与每一基础类别对应的多种受众特征;
根据预设特征关联策略,确定与所述受众特征相关联的多种特征数据;
依据所述多种特征数据构造所述广告投放策略。
进一步,本申请还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述广告投放方法。
另外,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成上述广告投放方法。
在本申请实施例中,通过广告评估模型预测出待推广对象的每一广告投放策略对应的预测评估参数后,可以构建包括多种广告投放策略的广告投放组合,并以均值-方差模型计算出每一广告投放组合最大的整体评估参数;在筛选出整体评估参数最大的指定数量的广告投放组合后,以上述广告投放组合中的广告投放策略进行广告投放,可以获得最佳的投放效果;该方法避免了依赖个人经验而产生的错误,减少了资源浪费。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的广告投放方法的应用场景示意图;
图2为本申请一实施例提供的电子设备的结构示意图;
图3为本申请一实施例提供的广告投放方法的流程示意图;
图4为本申请一实施例提供的广告投放策略构造方法的流程示意图;
图5为本申请一实施例提供的广告评估模型的训练方法的流程示意图;
图6为本申请一实施例提供的广告评估模型的更新方法的流程示意图;
图7为本申请一实施例提供的广告投放装置的框图。
具体实施方式
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描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请一实施例提供的广告投放方法的应用场景示意图。如图1所示,该应用场景包括服务端30和客户端20,客户端20可以是用户终端设备,用于响应于用户的输入,向服务端30发送广告投放的对象和多种广告投放策略;服务端30可以是服务器、服务器集群或者云计算中心,服务端30可以对客户端20上传的广告投放策略进行筛选,选择最佳的多种广告投放策略进行广告投放。
如图2所示,本实施例提供一种电子设备1,包括:至少一个处理器11和存储器12,图2中以一个处理器11为例。处理器11和存储器12通过总线10连接,存储器12存储有可被处理器11执行的指令,指令被处理器11执行,以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中,电子设备1可以是上述服务端30。
存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器11执行以完成本申请提供的广告投放方法。
参见图3,为本申请一实施例提供的广告投放方法的流程示意图,如图3所示,该方法可以包括以下步骤310-步骤340。
步骤310:将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得广告评估模型输出的与每一广告投放策略对应的预测评估参数。
其中,待推广对象是指需投放信息流广告进行推广的对象,待推广对象可以包括网站、商品、应用软件等。
广告投放策略包括多个维度的特征数据,特征数据可以包括待推广对象的类别、广告投放平台、投放位置、投放时间段、目标受众的人物画像等。
评估参数用于评估广告投放的效果,示例性的,评估参数可以是点击率、显示率、转换率等中的任意一种。预测评估参数是由广告评估模型预测出的评估参数。
广告评估模型可以由处理回归问题的机器学习模型训练得到,用于为每一广告投放策略计算出对应的预测评估参数。
在执行本申请实施例的广告投放方法时,服务端可以从客户端获取一种待推广对象和针对该待推广对象的多个候选的广告投放策略,或者,服务端可以从客户端获取多种相关联的待推广对象和针对每一待推广对象的多个候选的广告投放策略。比如:当需要对某购物网站进行推广时,服务端可以获取针对该购物网站的多种候选的广告投放策略。当需要对某品牌同一系列的饮料进行推广时,服务端可以获取针对该系列不同品类的饮料的多种候选的广告投放策略。不同的广告投放策略之间至少有一个维度的特征数据存在差异。
步骤320:基于广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略。
服务端可以从待推广对象的多种候选的广告投放策略中,每次选择预设数量的广告投放策略进行组合,得到一个广告投放组合。示例性的,待推广对象有10个候选的广告投放策略,广告投放组合中包括4个广告投放策略,服务端可以从10个候选的广告投放策略中多次选出4个广告投放策略,构成广告投放组合,从而得到多个广告投放组合。
步骤330:基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数。
服务端可以依据均值-方差模型计算每一广告投放组合的最大整体评估参数。该整体评估参数用于评估以广告投放组合中的广告投放策略进行广告投放时的效果。示例性的,依据均值-方差模型计算整体评估参数时可通过如下公式(1)来表示:
其中,σp 2表示广告投放组合中广告投放策略的方差;xi表示广告投放组合n种广告投放策略中第i个广告投放策略在总预算中的花销占比;(σij)n*n表示n种广告投放策略之间的协方差矩阵;X=(x1,x2,…,xn)T表示广告投放策略的权重向量;Ri=E(ri)表示第i个广告投放策略的预测评估参数;E(rp)为广告投放组合的整体评估参数。
针对每一广告投放组合,通过均值-方差模型进行求解,服务端可以获得该广告投放组合的最大整体评估参数,以及在获得最大整体评估参数时,广告投放组合中各广告投放策略的花销占比。
步骤340:筛选出整体评估参数最大的指定数量的广告投放组合,并依据广告投放组合中广告投放策略进行广告投放。
指定数量可以是经验值。示例性的,服务端可以从多个广告投放组合中筛选出整体评估参数排在前三位的广告投放组合。
服务端可以依据筛选出的广告投放组合中广告投放策略,确定广告投放平台、投放位置、投放时间段、目标受众的人物画像等特征数据,从而进行广告投放。
在一实施例中,服务端在确定待推广对象后,可以自主地为待推广对象构造广告投放策略。参见图4,为本申请一实施例提供的广告投放策略构造方法的流程示意图,如图4所示,该方法可以包括如下步骤301-步骤303。
步骤301:依据待推广对象的基础类别,查找预设的目标受众库,获得对应于所述基础类别的受众特征;其中,目标受众库包括与每一基础类别对应的多种受众特征。
基础类别指的是待推广对象的最低级别的类别。示例性的,待推广对象为某品牌的果汁,该待推广对象的类别为商品,基础类别为饮料。服务端可在获取待推广对象时,同时获取对应的基础类别。
目标受众库可以包括大量基础类别与受众特征之间的映射关系。受众特征可以包括目标受众的年龄区间、爱好、性别、婚姻状况等。服务端可以依据基础类别确定若干对应的受众特征。示例性的,基础类别为理财类应用软件,服务端可以在目标受众库中查找到对应的受众特征包括多个23周岁以上的年龄区间。
步骤302:根据预设特征关联策略,确定与受众特征相关联的多种特征数据。
特征关联策略用于筛选与受众特征相关联的特征数据。特征关联策略可以包括单一的受众特征与特征数据之间的关联关系,也可以包括多个受众特征与特征数据之间的关联关系。
服务端可以依据单一的受众特征,以及多个受众特征的组合,确定多种特征数据。示例性的,待推广对象为理财类应用软件,受众特征为多个年龄区间,服务端可以基于特征关联策略确定相关联的特征数据包括投放时间段为中午的时间段。
步骤303:依据多种特征数据构造广告投放策略。
服务端根据多个受众特征可以确定目标受众的人物画像,根据人物画像以及其它与受众特征向关联的特征数据,可以构造待推广对象的广告投放策略。在一实施例中,如果服务端根据受众特征确定的多个维度的特征数据,不足以构成一个完整的广告投放策略,服务端可以在广告投放策略的其它维度填充随机值,从而构成完整的广告投放策略。
通过该措施,服务端可以自主地为待推广对象构造候选的广告投放策略,上述广告投放策略与待推广对象的基础类别相关,因此,后续可以从中筛选出最合适的广告投放策略,提高了广告投放的效益。
在一实施例中,服务端在执行上述广告投放方法之前,可以训练出上述广告评估模型。参见图5,为本申请一实施例提供的广告评估模型的训练方法的流程示意图,如图5所示,该方法可以包括如下步骤304-步骤306。
步骤304:对多个广告投放平台的数据报表进行标准化处理,获得对应于多个广告投放平台的标准数据报表;其中,标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数。
广告投放平台上广告投放的数据报表可以记录各种投放对象的广告投放策略中的特征数据。不同广告投放平台上数据报表的形式、内容可能存在差异,服务端可以从多个广告投放平台采集数据报表后,对数据报表进行数据清洗,从而实现对数据报表的标准化处理。
针对任一广告投放平台的数据报表进行标准化处理后,可以得到该广告投放平台的标准数据报表。标准数据报表中包括广告投放策略中预设的多个维度的特征数据和广告投放策略的评估参数。在一实施例中,如果任一广告投放平台的数据报表中缺乏广告投放策略中若干维度的特征数据,在该广告投放平台的标准数据报表中,可以填空值。
步骤305:依据标准数据报表中多个广告投放策略中多个维度的特征数据,构造样本数据;其中,样本数据的标签为广告投放策略对应的评估参数。
服务端可以依据标准数据报表中多个维度的特征数据,构造多个广告投放策略对应的样本数据。样本数据可以是机器学习模型可以计算的特征向量或特征矩阵。服务端可以依据词向量转换、独热编码等特征转换方法,将多种维度的特征数据构成的多个广告投放策略,转换为样本数据。相应的,在后续执行广告投放方法时,服务端可以依据上述特征转换方法将多个候选的广告投放策略转换为多个特征向量或特征矩阵,从而可以通过广告评估模型进行计算。
步骤306:根据携带标签的样本数据对机器学习模型进行训练,获得广告评估模型。
服务端可以将样本数据作为机器学习模型的输入,获得机器学习模型输出的预测评估参数。
服务端可以每一样本数据的预测评估参数与已标注的评估参数之间的差异,调整机器学习模型的网络参数。服务端可以依据预设损失函数评估预测评估参数与评估参数之间的差异,从而调整机器学习模型的网络参数。该过程经过多次迭代,直至损失函数的函数值的变化趋于稳定,此时,可以认为机器学习模型收敛,获得广告评估模型。
通过利用广告投放平台的数据训练机器学习模型,可以获得用于预测广告投放策略的效果的广告评估模型,用于实现本申请的广告投放方法。
在一实施例中,服务端在执行上述广告投放方法之后,可以对上述广告评估模型进行更新。参见图6,为本申请一实施例提供的广告评估模型的更新方法的流程示意图,如图6所示,该方法可以包括如下步骤331-步骤333。
步骤331:对广告投放策略指示的广告投放平台的数据报表进行标准化处理,获得标准数据报表;其中,标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数。
服务端在执行上述广告投放方法之后,可以从广告投放平台采集数据报表。该数据报表中记录了此前广告投放策略对应的实际的评估参数。服务端可以依据广告投放策略,确定广告投放所选择的广告投放平台,并采集数据报表进行数据清洗,从而获得标准数据报表。
步骤332:依据标准数据报表中多个广告投放策略中多个维度的特征数据,构建样本数据;其中,样本数据的标签为广告投放策略对应的评估参数。
服务端可以依据标准数据报表中多个广告投放策略中多个维度的特征数据,构建多个已投放的广告投放策略对应的样本数据,并以标准数据报表中对应于广告投放策略的实际的评估参数标注样本数据。
步骤333:根据携带标签的样本数据对广告评估模型进行训练,获得更新后的广告评估模型。
服务端可以将样本数据作为广告评估模型的输入,获得广告评估模型输出的预测评估参数。针对每一样本数据,服务端可以根据样本数据对应的预测评估参数和评估参数之间的差异,调整广告评估模型的网络参数。服务端可以依据预设损失函数评估预测评估参数与评估参数之间的差异,从而调整广告评估模型的网络参数。该过程经过多次迭代,直至损失函数的函数值的变化趋于稳定,此时,可以认为广告评估模型收敛,获得更新后的广告评估模型。
通过该措施,服务端在为待投放对象进行广告投放后,可以采集广告投放策略及对应的实际评估参数,进一步更新广告评估模型,从而可以提高广告评估模型的准确性。
图7是本发明一实施例提供的广告投放装置的框图,如图7所示,该装置可以包括:预测模块710、构建模块720、计算模块730、投放模块740。
预测模块710,用于将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数。
构建模块720,用于基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略。
计算模块730,用于基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数。
投放模块740,用于筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。
在一实施例中,所述预测模块710,还用于:
依据所述待推广对象的基础类别,查找预设的目标受众库;其中,所述目标受众库包括与每一基础类别对应的多种受众特征;
根据预设特征关联策略,确定与所述受众特征相关联的多种特征数据;
依据所述多种特征数据构造所述广告投放策略。
在一实施例中,所述预测模块710,还用于:
对多个广告投放平台的数据报表进行标准化处理,获得对应于多个广告投放平台的标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构造样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对机器学习模型进行训练,获得所述广告评估模型。
在一实施例中,所述预测模块710,还用于:
将所述样本数据作为所述机器学习模型的输入,获得所述机器学习模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述机器学习模型的网络参数;
重复上述过程,直至所述机器学习模型收敛,获得所述广告评估模型。
在一实施例中,所述预测模块710,还用于:
对所述广告投放策略指示的广告投放平台的数据报表进行标准化处理,获得标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构建样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对广告评估模型进行训练,获得更新后的广告评估模型。
在一实施例中,所述预测模块710,还用于:
将所述样本数据作为所述广告评估模型的输入,获得所述广告评估模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述广告评估模型的网络参数;
重复上述过程,直至所述广告评估模型收敛,获得更新后的广告评估模型。
上述装置中各个模块的功能和作用的实现过程具体详见上述广告投放方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也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,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种广告投放方法,其特征在于,包括:
将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数;
基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略;
基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数;
筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。
2.根据权利要求1所述的方法,其特征在于,在将所述广告投放策略作为所述广告评估模型的输入之前,所述方法还包括:
依据所述待推广对象的基础类别,查找预设的目标受众库,获得对应于所述基础类别的受众特征;其中,所述目标受众库包括与每一基础类别对应的多种受众特征;
根据预设特征关联策略,确定与所述受众特征相关联的多种特征数据;
依据所述多种特征数据构造所述广告投放策略。
3.根据权利要求1所述的方法,其特征在于,在将所述广告投放策略作为所述广告评估模型的输入之前,所述方法还包括:
对多个广告投放平台的数据报表进行标准化处理,获得对应于多个广告投放平台的标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构造样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对机器学习模型进行训练,获得所述广告评估模型。
4.根据权利要求3所述的方法,其特征在于,所述根据携带标签的所述样本数据对机器学习模型进行训练,获得所述广告评估模型,包括:
将所述样本数据作为所述机器学习模型的输入,获得所述机器学习模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述机器学习模型的网络参数;
重复上述过程,直至所述机器学习模型收敛,获得所述广告评估模型。
5.根据权利要求1所述的方法,其特征在于,在对所述待推广对象进行广告投放后,所述方法还包括:
对所述广告投放策略指示的广告投放平台的数据报表进行标准化处理,获得标准数据报表;其中,所述标准数据报表中包括广告投放策略中多个维度的特征数据和对应的评估参数;
依据所述标准数据报表中多个广告投放策略中多个维度的特征数据,构建样本数据;其中,所述样本数据的标签为所述广告投放策略对应的评估参数;
根据携带标签的所述样本数据对广告评估模型进行训练,获得更新后的广告评估模型。
6.根据权利要求5所述的方法,其特征在于,所述根据携带标签的所述样本数据对广告评估模型进行训练,获得更新后的广告评估模型,包括:
将所述样本数据作为所述广告评估模型的输入,获得所述广告评估模型输出的预测评估参数;
根据所述预测评估参数与所述样本数据对应的评估参数之间的差异,调整所述广告评估模型的网络参数;
重复上述过程,直至所述广告评估模型收敛,获得更新后的广告评估模型。
7.一种广告投放装置,其特征在于,包括:
预测模块,用于将待推广对象的多个广告投放策略作为已训练的广告评估模型的输入,获得所述广告评估模型输出的与每一广告投放策略对应的预测评估参数;
构建模块,用于基于所述广告投放策略构建多种广告投放组合,每一广告投放组合包括预设数量的广告投放策略;
计算模块,用于基于每一广告投放组合中每一广告投放策略对应的预测评估参数,根据均值-方差模型计算每一广告投放组合最大的整体评估参数;
投放模块,用于筛选出所述整体评估参数最大的指定数量的广告投放组合,并依据所述广告投放组合中广告投放策略进行广告投放。
8.根据权利要求7所述的装置,其特征在于,所述预测模块,还用于:
依据所述待推广对象的基础类别,查找预设的目标受众库;其中,所述目标受众库包括与每一基础类别对应的多种受众特征;
根据预设特征关联策略,确定与所述受众特征相关联的多种特征数据;
依据所述多种特征数据构造所述广告投放策略。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-6任意一项所述的广告投放方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-6任意一项所述的广告投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206819.5A CN112270569A (zh) | 2020-11-02 | 2020-11-02 | 广告投放方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206819.5A CN112270569A (zh) | 2020-11-02 | 2020-11-02 | 广告投放方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270569A true CN112270569A (zh) | 2021-01-26 |
Family
ID=74345073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011206819.5A Pending CN112270569A (zh) | 2020-11-02 | 2020-11-02 | 广告投放方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270569A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819553A (zh) * | 2021-04-01 | 2021-05-18 | 郭举 | 一种结合大数据分析的在线广告推送方法及云服务器 |
CN113256335A (zh) * | 2021-05-27 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 数据筛选方法、多媒体数据的投放效果预测方法及装置 |
CN113298119A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 机器学习模型的投放策略评估方法、装置及电子设备 |
CN113487370A (zh) * | 2021-07-29 | 2021-10-08 | 广州数励科技有限公司 | 一种广告投放方法、装置、计算机设备和存储介质 |
CN113554473A (zh) * | 2021-08-11 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 信息搜索量的预测方法、装置、电子设备和可读存储介质 |
CN113657926A (zh) * | 2021-07-28 | 2021-11-16 | 上海明略人工智能(集团)有限公司 | 一种广告效果预测方法、系统、电子设备及存储介质 |
CN113868549A (zh) * | 2021-09-22 | 2021-12-31 | 浙江大学 | 一种广告投放优化方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140006141A1 (en) * | 2012-06-29 | 2014-01-02 | Yahoo! Inc. | Methods incorporating pacing constriants for bidding online advertisement display and apparatus conducting the same |
CN108830660A (zh) * | 2018-06-27 | 2018-11-16 | 杭州祁睿信息技术有限公司 | 一种基于深度机器学习与组合优化的数字广告投放方法 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN110517080A (zh) * | 2019-08-26 | 2019-11-29 | 北京百度网讯科技有限公司 | 户外广告投放方法、装置、设备及计算机可读存储介质 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN111651722A (zh) * | 2020-04-08 | 2020-09-11 | 西窗科技(苏州)有限公司 | 一种针对广告主广告投放效果的风险评估方法及平台 |
-
2020
- 2020-11-02 CN CN202011206819.5A patent/CN112270569A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140006141A1 (en) * | 2012-06-29 | 2014-01-02 | Yahoo! Inc. | Methods incorporating pacing constriants for bidding online advertisement display and apparatus conducting the same |
CN108830660A (zh) * | 2018-06-27 | 2018-11-16 | 杭州祁睿信息技术有限公司 | 一种基于深度机器学习与组合优化的数字广告投放方法 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN110517080A (zh) * | 2019-08-26 | 2019-11-29 | 北京百度网讯科技有限公司 | 户外广告投放方法、装置、设备及计算机可读存储介质 |
CN111651722A (zh) * | 2020-04-08 | 2020-09-11 | 西窗科技(苏州)有限公司 | 一种针对广告主广告投放效果的风险评估方法及平台 |
Non-Patent Citations (3)
Title |
---|
杨德平: "《金融计算与分析及MATLAB GUI开发应用》", 29 February 2020, 机械工业出版社, pages: 144 * |
黄学平: "《2015年中国广播收听市场年鉴》", 31 August 2015, 中国传媒大学出版社, pages: 116 - 120 * |
黄梦帆: "基于大数据的广告投放策略研究", 《经济与管理科学辑》, pages 1 - 53 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819553A (zh) * | 2021-04-01 | 2021-05-18 | 郭举 | 一种结合大数据分析的在线广告推送方法及云服务器 |
CN112819553B (zh) * | 2021-04-01 | 2022-02-15 | 上海墨幸文化传播有限公司 | 一种结合大数据分析的在线广告推送方法及云服务器 |
CN113298119A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 机器学习模型的投放策略评估方法、装置及电子设备 |
CN113298119B (zh) * | 2021-04-28 | 2023-02-24 | 上海淇玥信息技术有限公司 | 机器学习模型的投放策略评估方法、装置及电子设备 |
CN113256335A (zh) * | 2021-05-27 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 数据筛选方法、多媒体数据的投放效果预测方法及装置 |
CN113657926A (zh) * | 2021-07-28 | 2021-11-16 | 上海明略人工智能(集团)有限公司 | 一种广告效果预测方法、系统、电子设备及存储介质 |
CN113487370A (zh) * | 2021-07-29 | 2021-10-08 | 广州数励科技有限公司 | 一种广告投放方法、装置、计算机设备和存储介质 |
CN113554473A (zh) * | 2021-08-11 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 信息搜索量的预测方法、装置、电子设备和可读存储介质 |
CN113868549A (zh) * | 2021-09-22 | 2021-12-31 | 浙江大学 | 一种广告投放优化方法、装置、电子设备及存储介质 |
CN113868549B (zh) * | 2021-09-22 | 2024-05-17 | 浙江大学 | 一种广告投放优化方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270569A (zh) | 广告投放方法及装置、电子设备、存储介质 | |
US11232408B2 (en) | Model-assisted evaluation and intelligent interview feedback | |
CN110503565B (zh) | 行为风险识别方法、系统、设备及可读存储介质 | |
JP2023531100A (ja) | エンティティがターゲットパラメータを充足しない確率を計算するための機械学習モデルアンサンブル | |
CN112529716B (zh) | 额度预测方法、设备及计算机可读存储介质 | |
CN110163655B (zh) | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 | |
US20170262275A1 (en) | System and method for run-time update of predictive analytics system | |
CN110322093B (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
US20170154268A1 (en) | An automatic statistical processing tool | |
US11934971B2 (en) | Systems and methods for automatically building a machine learning model | |
CN110782291A (zh) | 广告投放用户确定方法及装置、存储介质及电子装置 | |
Gallego et al. | Assessing the effect of advertising expenditures upon sales: a Bayesian structural time series model | |
CN111626864B (zh) | 信息推送方法和装置、存储介质和电子装置 | |
US20210357699A1 (en) | Data quality assessment for data analytics | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
US20210117828A1 (en) | Information processing apparatus, information processing method, and program | |
Vander Donckt et al. | The new FAO global database on agriculture investment and capital stock | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN111178934B (zh) | 获取目标对象的方法及装置 | |
US20220351223A1 (en) | System and method for predicting prices for commodities in a computing environment | |
CN112070564B (zh) | 广告拉取方法、装置、系统与电子设备 | |
CN112613920A (zh) | 一种流失几率预测方法及装置 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
CN110659754A (zh) | 车辆信息确定方法和装置 | |
CN116468341B (zh) | 仲裁工单的处理方法、装置、系统及存储介质 |
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 |