CN112308588A - 广告的投放方法、装置及存储介质 - Google Patents
广告的投放方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112308588A CN112308588A CN201910703707.1A CN201910703707A CN112308588A CN 112308588 A CN112308588 A CN 112308588A CN 201910703707 A CN201910703707 A CN 201910703707A CN 112308588 A CN112308588 A CN 112308588A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- data
- similarity
- user
- stage
- 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
- 239000013598 vector Substances 0.000 claims abstract description 146
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 30
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 4
- 238000002716 delivery method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000003416 augmentation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种广告的投放方法、装置及存储介质,涉及到广告技术领域,其中,所述方法包括:获取用户特征数据和广告特征数据;将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;利用所述相似度执行广告投放操作。本公开减轻了广告投放的难度,节省了广告投放的时间,而且,提高了广告投放的准确性。
Description
技术领域
本公开涉及广告技术领域,尤其涉及一种广告的投放方法、装置及存储介质。
背景技术
随着互联网技术的不断发展,越来越多的广告被投放到网络平台。由于网络平台的用户来源广泛,针对不同用户进行智能化投放广告的需要日益增加。
相关技术中,可以使用传统机器学习方法或深度学习算法,训练网络模型以学习到用户与广告之间的关联性。但是,无论是传统机器学习方法还是深度学习算法,均依赖于训练样本的质量和数量。训练样本的处理过程(包括特征处理、统计等)需要耗费大量的人力和时间,造成目前的广告投放方案实现难度大、耗时长的问题。
发明内容
本公开提供了一种广告的投放方法、装置及存储介质,以至少解决相关技术中广告投放实现难度大、耗时长的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种广告的投放方法,包括:
获取用户特征数据和广告特征数据;
将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;
根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;
利用所述相似度执行广告投放操作。
可选地,所述利用所述相似度执行广告投放操作的步骤,包括:
根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作。
可选地,所述根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作的步骤,包括:
在所述各广告投放阶段内,将所述相似度与对应的所述相似度阈值进行比较,确定得到所述相似度大于对应的所述相似度阈值的多个目标广告;
在多个所述目标广告中筛选出所述相似度最大的预设数量的最终目标广告;
针对所述用户执行所述最终目标广告的广告投放操作。
可选地,所述各广告投放阶段的相似度阈值的计算步骤,包括:
获取所述各广告投放阶段中初始阶段的广告实际投放数据;
根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值。
可选地,所述根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值的步骤,包括:
根据所述初始广告目标投放数据和所述广告实际投放数据进行PID调节得到初始PID调节结果;
根据所述初始PID调节结果和所述初始相似度阈值,更新得到所述初始阶段的下一阶段的相似度阈值;
根据所述下一阶段的广告目标投放数据和所述下一阶段的广告实际投放数据进行PID调节得到所述下一阶段的PID调节结果;
根据所述下一阶段的PID调节结果和所述下一阶段的相似度阈值,更新得到所述下一阶段的下一阶段的相似度阈值,直至得到所述各广告投放阶段的相似度阈值。
可选地,所述根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值的步骤,包括:
根据如下公式计算得到所述各广告投放阶段的相似度阈值:
error=target_value-real_value;
pid=k_p*error+k_i*sum(error)+k_d*delta(error);
cur_value*=exp(-pid/target_value);
cos_thresholdn=cos_thresholdn-1*pid;
其中,target_value表示所述初始广告目标投放数据、real_value表示所述广告实际投放数据、error表示广告投放差值数据、k_p表示比例调节参数、k_i表示积分调节参数、k_d表示微分调节参数、pid表示PID调节结果、cur_value表示当前广告投放阶段的下一广告投放阶段的广告投放数据、cos_thresholdn-1表示所述当前广告投放阶段的相似度阈值、cos_thresholdn表示所述当前广告投放阶段的下一广告投放阶段的相似度阈值、n表示广告投放阶段数,n≥1,n为整数,当n=1时,cos_thresholdn-1表示所述初始相似度阈值。
可选地,所述神经网络的训练步骤,包括:
获取包含广告二跳点击率的样本数据;
根据所述样本数据和初始神经网络模型前向学习得到损失函数;
计算所述损失函数的梯度值,并根据所述梯度值更新所述初始神经网络模型的各层的网络参数。
可选地,所述根据所述样本数据和初始神经网络模型前向学习得到损失函数的步骤,包括:
将所述样本数据输入至对应的所述初始神经网络模型中,分别输出用户样本向量和广告样本向量;
计算所述用户样本向量和所述广告样本向量的内积;
将所述内积转换为广告二跳点击率的概率;
根据所述样本数据、所述样本数据的标签、所述初始神经网络模型的各层的网络参数和所述广告二跳点击率的概率前向学习得到损失函数。
可选地,所述计算所述用户样本向量和所述广告样本向量的内积的步骤,包括:
根据如下公式计算所述用户样本向量和所述广告样本向量的内积:
其中,distance表示内积函数、Ai表示第i维度的用户样本向量、Bi表示第i维度的广告样本向量、n表示用户样本向量或广告样本向量的总维度数。
可选地,所述将所述内积转换为广告二跳点击率的概率的步骤,包括:
根据如下公式将所述内积转换为广告二跳点击率的概率:
σ(a)=1/(1+exp(-a))
其中,σ表示阈值函数、a表示所述内积。
可选地,所述根据所述样本数据、所述样本数据的标签、所述初始神经网络模型的各层的网络参数和所述广告二跳点击率的概率前向学习得到损失函数的步骤,包括:
根据如下公式计算得到损失函数:
lt(wt)=-ytlog pt-(1-yt)log(1-pt)
其中,lt表示所述损失函数、wt表示所述网络参数、pt表示所述广告二跳点击率的概率、yt表示所述样本数据的标签、pt=σ(wt·xt)、xt表示所述样本数据、t表示所述初始神经网络模型的层数。
可选地,所述根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度的步骤,包括:
计算所述用户特征向量和所述广告特征向量之间的余弦距离;
将所述余弦距离确定为所述相似度。
可选地,所述获取用户特征数据和广告特征数据的步骤,包括:
获取用户特征信息和广告特征信息;
分别将所述用户特征信息和所述广告特征信息依次执行独热编码处理和随机初始化处理,得到所述用户特征数据和所述广告特征数据。
可选地,所述用户特征信息包括:年龄信息、性别信息、位置信息、广告触发信息,其中,所述广告触发信息包括:广告名称、广告编号、广告数量、广告类型、广告时长;
所述广告特征信息包括:用户与广告之间的交互特征,所述交互特征包括:广告名称、广告编号、广告数量、广告类型、交互时间。
可选地,所述神经网络用于将所述用户特征数据映射为所述用户特征向量,所述神经网络还用于将所述广告特征数据映射为所述广告特征向量;所述神经网络包含三个全连接层。
根据本公开实施例的第二方面,提供一种广告的投放装置,包括:
获取单元,被配置为获取用户特征数据和广告特征数据;
确定单元,被配置为将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;
生成单元,被配置为根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;
投放单元,被配置为利用所述相似度执行广告投放操作。
可选地,所述投放单元,被配置为根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作。
可选地,所述投放单元,包括:
比较模块,被配置为在所述各广告投放阶段内,将所述相似度与对应的所述相似度阈值进行比较,确定得到所述相似度大于对应的所述相似度阈值的多个目标广告;
筛选模块,被配置为在多个所述目标广告中筛选出所述相似度最大的预设数量的最终目标广告;
投放模块,被配置为针对所述用户执行所述最终目标广告的广告投放操作。
可选地,所述装置还包括:计算单元,被配置为计算所述各广告投放阶段的相似度阈值;所述计算单元,包括:
第一获取模块,被配置为获取所述各广告投放阶段中初始阶段的广告实际投放数据;
调节模块,被配置为根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值。
可选地,所述调节模块,包括:
调节子模块,被配置为根据所述初始广告目标投放数据和所述广告实际投放数据进行PID调节得到初始PID调节结果;
更新子模块,被配置为根据所述初始PID调节结果和所述初始相似度阈值,更新得到所述初始阶段的下一阶段的相似度阈值;
所述调节子模块,还被配置为根据所述下一阶段的广告目标投放数据和所述下一阶段的广告实际投放数据进行PID调节得到所述下一阶段的PID调节结果;
所述更新子模块,还被配置为根据所述下一阶段的PID调节结果和所述下一阶段的相似度阈值,更新得到所述下一阶段的下一阶段的相似度阈值。
可选地,所述调节模块,被配置为根据如下公式计算得到所述各广告投放阶段的相似度阈值:
error=target_value-real_value;
pid=k_p*error+k_i*sum(error)+k_d*delta(error);
cur_value*=exp(-pid/target_value);
cos_thresholdn=cos_thresholdn-1*pid;
其中,target_value表示所述初始广告目标投放数据、real_value表示所述广告实际投放数据、error表示广告投放差值数据、k_p表示比例调节参数、k_i表示积分调节参数、k_d表示微分调节参数、pid表示PID调节结果、cur_value表示当前广告投放阶段的下一广告投放阶段的广告投放数据、cos_thresholdn-1表示所述当前广告投放阶段的相似度阈值、cos_thresholdn表示所述当前广告投放阶段的下一广告投放阶段的相似度阈值、n表示广告投放阶段数,n≥1,n为整数,当n=1时,cos_thresholdn-1表示所述初始相似度阈值。
可选地,所述装置还包括:训练单元,被配置为训练所述神经网络;所述训练单元,包括:
第二获取模块,被配置为获取包含广告二跳点击率的样本数据;
学习模块,被配置为根据所述样本数据和初始神经网络模型前向学习得到损失函数;
更新模块,被配置为计算所述损失函数的梯度值,并根据所述梯度值更新所述初始神经网络模型的各层的网络参数。
可选地,所述学习模块,包括:
输入子模块,被配置为将所述样本数据输入至对应的所述初始神经网络模型中,分别输出用户样本向量和广告样本向量;
计算子模块,被配置为计算所述用户样本向量和所述广告样本向量的内积;
转换子模块,被配置为将所述内积转换为广告二跳点击率的概率;
学习子模块,被配置为根据所述样本数据、所述样本数据的标签、所述初始神经网络模型的各层的网络参数和所述广告二跳点击率的概率前向学习得到损失函数。
可选地,所述计算子模块,被配置为根据如下公式计算所述用户样本向量和所述广告样本向量的内积:
其中,distance表示内积函数、Ai表示第i维度的用户样本向量、Bi表示第i维度的广告样本向量、n表示用户样本向量或广告样本向量的总维度数。
可选地,所述转换子模块,被配置为根据如下公式将所述内积转换为广告二跳点击率的概率:
σ(a)=1/(1+exp(-a))
其中,σ表示阈值函数、a表示所述内积。
可选地,所述学习子模块,被配置为根据如下公式计算得到损失函数:
lt(wt)=-ytlog pt-(1-yt)log(1-pt)
其中,lt表示所述损失函数、wt表示所述网络参数、pt表示所述广告二跳点击率的概率、yt表示所述样本数据的标签、pt=σ(wt·xt)、xt表示所述样本数据、t表示所述初始神经网络模型的层数。
可选地,所述生成单元,包括:
计算模块,被配置为计算所述用户特征向量和所述广告特征向量之间的余弦距离;
确定模块,被配置为将所述余弦距离确定为所述相似度。
可选地,所述获取单元,包括:
第三获取模块,被配置为获取用户特征信息和广告特征信息;
处理模块,被配置为分别将所述用户特征信息和所述广告特征信息依次执行独热编码处理和随机初始化处理,得到所述用户特征数据和所述广告特征数据。
可选地,所述用户特征信息包括:年龄信息、性别信息、位置信息、广告触发信息,其中,所述广告触发信息包括:广告名称、广告编号、广告数量、广告类型、广告时长;
所述广告特征信息包括:用户与广告之间的交互特征,所述交互特征包括:广告名称、广告编号、广告数量、广告类型、交互时间。
可选地,所述神经网络用于将所述用户特征数据映射为所述用户特征向量,所述神经网络还用于将所述广告特征数据映射为所述广告特征向量;所述神经网络包含三个全连接层。
根据本公开实施例的第三方面,提供一种装置,包括:处理器;
用于存储所述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所述指令,以实现如第一方面所述的广告的投放方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由装置的处理器执行时,使得所述装置能够执行如第一方面所述的广告的投放方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括
处理器;
用于存储所述处理器可读性程序代码的存储器;
其中,所述处理器被配置为执行所述程序代码,以实现如第一方面所述的广告的投放方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开的实施例根据用户特征数据确定得到用户特征向量,根据广告特征数据确定得到广告特征向量,用户特征向量和广告特征向量可以表征用户对广告的偏好情况。再利用用户特征向量和广告特征向量确定用户与广告之间的相似度,进而根据相似度为用户投放广告。本公开的实施例避免了使用传统机器学习方法或深度学习算法进行广告投放,不需要高质量和巨大数量的训练样本,减轻了广告投放的难度,节省了广告投放的时间。而且,通过用户特征向量和广告特征向量表征用户对广告的偏好情况,利用用户与广告之间的相似度执行广告投放操作,提高了广告投放的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种广告的投放方法的流程图。
图2是根据一示例性实施例示出的一种神经网络的训练过程的流程图。
图3是根据一示例性实施例示出的一种广告投放操作的流程图。
图4是根据一示例性实施例示出的一种计算广告二跳点击率的概率的示意图。
图5是根据一示例性实施例示出的一种计算余弦相似距离的示意图。
图6是根据一示例性实施例示出的应用广告的智能扩量方法进行广告投放的流程图。
图7是根据一示例性实施例示出的一种广告的投放装置的框图。
图8是根据一示例性实施例示出的一种投放广告的装置的框图。
图9是根据一示例性实施例示出的一种投放广告的装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本方案所涉及的用户相关信息,均是经用户充分授权而采集并进行后续处理或分析的。
图1是根据一示例性实施例示出的一种广告的投放方法的流程图,如图1所示,广告的投放方法用于服务器中,包括以下步骤。
在步骤S11中,获取用户特征数据和广告特征数据。
本公开实施例中,用户特征数据可以基于用户特征信息而得。用户特征信息可以包括:年龄信息、性别信息、位置信息、广告触发信息等,其中,广告触发信息可以包括:广告名称、广告编号、广告数量、广告类型、广告时长等。获取用户特征信息之后,可以将用户特征信息处理成离散变量后再将离散后的用户特征信息利用初始化随机向量表示。在实际应用中,可以将用户特征信息依次执行独热编码处理和随机初始化处理,得到用户特征数据。
本公开实施例中,广告特征数据可以基于广告特征信息而得。广告特征信息可以包括:用户与广告之间的交互特征,交互特征可以包括:广告名称、广告编号、广告数量、广告类型、交互时间等。获取广告特征信息之后,可以将广告特征信息处理成离散变量后再将离散后的广告特征信息利用初始化随机向量表示。在实际应用中,可以将广告特征信息依次执行独热编码处理和随机初始化处理,得到广告特征数据。
独热编码即One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。例如对六个状态进行编码:自然顺序码为000,001,010,011,100,101。独热编码则是000001,000010,000100,001000,010000,100000。随机初始化处理过程中,可以将独热编码处理后的用户特征信息初始化为-1到1之间的浮点数。
在步骤S12中,将用户特征数据和广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量。
本步骤S12中,可以将用户特征数据输入至神经网络,输出得到用户特征向量;将广告特征数据输入至神经网络,输出得到广告特征向量。其中,用户特征数据和广告特征数据输入至同一个神经网络,该神经网络用于将用户特征数据映射为用户特征向量,该神经网络还用于将广告特征数据映射为广告特征向量;该神经网络可以包含三个全连接层,本公开实施例对神经网络的各层的网络参数的具体内容等不做限制。
上述神经网络可以采用如下步骤进行训练。
在步骤S21中,获取包含广告二跳点击率的样本数据。
首先,介绍广告二跳点击率的含义。用户在广告着陆页面产生的第一次点击称为二跳,二跳的次数即为二跳量。二跳量与到达量的比值称为广告二跳点击率。针对第一神经网络的样本数据可以包含用户样本特征数据,针对第二神经网络的样本数据可以包含广告样本特征数据。
在步骤S22中,根据样本数据和初始神经网络模型前向学习得到损失函数。
本本步骤S22中,可以先将样本数据输入至对应的初始神经网络模型中,分别输出用户样本向量和广告样本向量,再计算用户样本向量和广告样本向量的内积,将内积转换为广告二跳点击率的概率,然后根据样本数据、样本数据的标签、初始神经网络模型的各层的网络参数和广告二跳点击率的概率前向学习得到损失函数。
在计算用户样本向量和广告样本向量的内积的过程中,可以采用如下公式:
其中,distance表示内积函数、Ai表示第i维度的用户样本向量、Bi表示第i维度的广告样本向量、n表示用户样本向量或广告样本向量的总维度数。在实际应用中,n可以为64。
在将内积转换为广告二跳点击率的概率的过程中,可以采用如下公式:
σ(a)=1/(1+exp(-a))
其中,σ表示阈值函数、a表示内积。
在根据样本数据、样本数据的标签、初始神经网络模型的各层的网络参数和广告二跳点击率的概率前向学习得到损失函数的过程中,可以采用如下公式:
lt(wt)=-ytlog pt-(1-yt)log(1-pt)
其中,lt表示损失函数、wt表示网络参数、pt表示广告二跳点击率的概率、yt表示样本数据的标签、pt=σ(wt·xt)、xt表示样本数据、t表示初始神经网络模型的层数。
当样本数据中的某广告的二跳被点击,则yt为1;当样本数据中的某广告的二跳未被点击,则yt为0。
在步骤S23中,计算损失函数的梯度值,并根据梯度值更新初始神经网络模型的各层的网络参数。
本步骤S23中,可以采用梯度下降法计算损失函数的梯度值。梯度下降法的目的是确定损失函数的最小值。在确定损失函数的最小值的过程中,可以计算损失函数给定点的梯度,然后朝着梯度相反的方向,就能让损失函数的数值减小的最快。梯度的方向就是损失函数变化最快的方向。反复求取损失函数的梯度,最后就能到达局部的最小值。
在步骤S13中,根据用户特征向量和广告特征向量生成用户与广告之间的相似度。
本步骤S13中,可以计算用户特征向量和广告特征向量之间的余弦距离,将余弦距离确定为相似度。
在计算余弦距离的过程中,可以采用如下公式:
其中,similarity表示余弦距离,Ai表示第i维度的用户特征向量、Bi表示第i维度的广告特征向量、n表示用户特征向量或广告特征向量的总维度数。在实际应用中,n可以为64。Similarity的取值范围可以为-1到1。-1表示用户特征向量的方向与广告特征向量的方向截然相反,可以理解为用户特征向量对应的用户大概率不会点击广告特征向量对应的广告;1表示用户特征向量的方向与广告特征向量的方向完全相同,可以理解为用户特征向量对应的用户大概率会点击广告特征向量对应的广告;0表示用户特征向量的方向与广告特征向量的方向相互独立。
在步骤S14中,利用相似度执行广告投放操作。
本步骤S14中,可以根据相似度和预设的各广告投放阶段的相似度阈值执行针对各广告投放阶段的广告投放操作。
在实际应用中,可以按照如下步骤执行广告投放操作。
在步骤S31中,在各广告投放阶段内,将相似度与对应的相似度阈值进行比较,确定得到相似度大于对应的相似度阈值的多个目标广告。
本步骤S31中,可以将某一广告投放阶段内的相似度与该广告投放阶段的相似度阈值进行比较,在比较结果中将大于相似度阈值的相似度对应的广告确定为目标广告。
在实际应用中,本步骤S31中可以按照如下公式计算各广告投放阶段的相似度阈值。
error=target_value-real_value;
pid=k_p*error+k_i*sum(error)+k_d*delta(error);
cur_value*=exp(-pid/target_value);
cos_thresholdn=cos_thresholdn-1*pid;
其中,target_value表示初始广告目标投放数据、real_value表示广告实际投放数据、error表示广告投放差值数据、k_p表示比例调节参数、k_i表示积分调节参数、k_d表示微分调节参数、pid表示PID调节结果、cur_value表示当前广告投放阶段的下一广告投放阶段的广告投放数据、cos_thresholdn-1表示当前广告投放阶段的相似度阈值、cos_thresholdn表示当前广告投放阶段的下一广告投放阶段的相似度阈值、n表示广告投放阶段数,n≥1,n为整数,当n=1时,cos_thresholdn-1表示初始相似度阈值。PID调节即比例、积分、微分控制,为应用最为广泛的调节器控制规律。
在步骤S32中,在多个目标广告中筛选出相似度最大的预设数量的最终目标广告。
具体的预设数量可以根据实际情况而定,例如,预设数量为10个、100个或10万个等等,本公开实施例对预设数量的具体数值和单位等不作具体限制。
在步骤S33中,针对用户执行最终目标广告的广告投放操作。
在筛选出最终目标广告之后,可以将最终目标广告投放到用户所登陆的终端,以实现针对该用户进行广告投放操作。
基于上述关于一种广告的投放方法的相关说明,下面介绍一种广告的智能扩量方法。当投放出的广告无法符合预期要求时,可以依据此智能扩量方法继续投放广告,以满足预期要求。该智能扩量方法需要统计用户特征数据和广告特征数据,然后将用户特征数据作为神经网络模型的输入项,输出得到用户特征向量,并将广告特征数据作为神经网络模型的输入项,输出得到广告特征向量。在输出得到用户特征向量和广告特征向量之后,再计算用户特征向量和广告特征向量二者之间的余弦相似度。将计算得到的余弦相似度与所在广告投放阶段的相似度阈值进行比较,过滤掉小于相似度阈值的余弦相似度。获取到大于相似度阈值且排在前几位的广告,并将获取到的广告进行投放。通常,一个广告投放阶段可以设置为10分钟。若当前广告投放阶段结束,则可以计算下一广告投放阶段的广告扩量的倍数,以及,下一广告投放阶段的相似度阈值。
在本公开的一种实施例中,可以获取各广告投放阶段中初始阶段的广告实际投放数据,再根据预设的初始广告目标投放数据、预设的初始相似度阈值和广告实际投放数据进行PID调节,得到各广告投放阶段的相似度阈值。广告实际投放数据可以包括广告编号、广告类型、广告数量、广告位置等等。确定各广告投放阶段的相似度阈值可以理解为一个根据当前阶段的相似度阈值和当前阶段的PID调节结果,更新得到下一阶段的相似度阈值的过程。例如,可以根据初始广告目标投放数据和广告实际投放数据进行PID调节得到初始PID调节结果,再根据初始PID调节结果和初始相似度阈值,更新得到初始阶段的下一阶段的相似度阈值。接下来,根据初始阶段的下一阶段的广告目标投放数据和初始阶段的下一阶段的广告实际投放数据进行PID调节得到初始阶段的下一阶段的PID调节结果,再根据初始阶段的下一阶段的PID调节结果和初始阶段的下一阶段的相似度阈值,更新得到初始阶段的下一阶段的下一阶段的相似度阈值,如此循环,直至得到各广告投放阶段的相似度阈值。
该智能扩量方法可以应用于服务器中,该服务器中预先设定各广告投放阶段的时间段、初始投放阶段的广告目标投放数据、初始投放阶段的相似度阈值。该服务器获取到广告特征数据和用户特征数据之后,分别将广告特征数据和用户特征数据映射为广告特征向量和用户特征向量,进而计算广告特征向量与用户特征向量之间的余弦相似度,将余弦相似度与初始阶段的相似度阈值进行比较,选择大于相似度阈值的余弦相似度对应的广告进行投放。在初始广告投放阶段结束,该服务器可以根据初始阶段的广告实际投放数据和初始阶段的广告目标投放数据进行PID调节,再利用PID调节结果和初始阶段的相似度阈值,更新得到下一阶段的相似度阈值,继续执行下一阶段的广告投放。
需要说明的是,该智能扩量方法中的用户特征数据可以使用简单的用户特征,以减少特征工程所需要的时间。具体地,简单的用户特征可以包括年龄、性别、位置等基础属性,还可以包括用户的广告观看历史信息,如有过行为的广告、有过行为的广告类型、观看广告的时长等。所有的简单的用户特征都可以处理成离散变量,再将离散之后的特征使用初始化随机向量表示。该智能扩量方法中的广告特征数据可以为用户与广告之间的交互特征,如用户历史有过行为的广告类型、个数、交互时间、广告编号等简单特征。所有的广告特征数据都可以处理成离散变量,再将离散之后的特征使用初始化随机向量表示。
如图4所示,将用户特征数据和广告特征数据输入至三层神经网络模型,输出得到64维的用户特征向量和64维的广告特征向量。然后根据用户特征向量和广告特征向量进行阈值处理,得到广告二跳点击率的概率。该广告二跳点击率的概率的取值范围在(0,1)之间。
如图5所示,在智能扩量方法的执行过程中,可以将用户特征向量和广告特征向量输入至邻域检索引擎中,利用邻域检索引擎计算用户特征向量和广告特征向量之间的余弦相似距离。对于用户特征向量与广告特征向量之间的相似度阈值的设定,可以根据余弦设定的广告扩量的倍数和PID调节确定。具体的确定过程可以参照步骤S31中的相关说明,在此不再赘述。
图6示出了应用该智能扩量方法进行广告投放的过程,用户特征数据和广告特征数据输入至神经网络模型中,得到用户特征向量和广告特征向量。再将广告特征向量和用户特征向量输入至领域检索引擎,从邻域检索引擎中输出相似度靠前的广告,将输出的广告投放至用户所登录的终端。
本公开的实施例根据用户特征数据确定得到用户特征向量,根据广告特征数据确定得到广告特征向量,用户特征向量和广告特征向量可以表征用户对广告的偏好情况。再利用用户特征向量和广告特征向量确定用户与广告之间的相似度,进而根据相似度为用户投放广告。本公开的实施例避免了使用传统机器学习方法或深度学习算法进行广告投放,不需要高质量和巨大数量的训练样本,减轻了广告投放的难度,节省了广告投放的时间。而且,通过用户特征向量和广告特征向量表征用户对广告的偏好情况,利用用户与广告之间的相似度执行广告投放操作,提高了广告投放的准确性。
本公开的实施例中的用户特征数据和广告特征数据可以采用简单的用户特征和简单的广告特征,避免了对简单的用户特征和简单的广告特征进行特征工程(特征工程可以理解为对连续的或离散的特征进行归一化处理),降低了对神经网络模型的输入数据的要求。
本公开的实施例可以收集用户对广告的反馈,按照不同的广告投放阶段计算各广告投放阶段的相似度阈值和扩量倍数,进而为目标用户投放对应的广告,不仅可以准确投放广告,还可以有效控制广告投放成本。
本公开的实施例在某一广告投放阶段的广告投放效果不符合预期要求的情况下,可以在下一广告投放阶段智能扩量,自动为下一广告阶段进行广告扩量投放。
图7是根据一示例性实施例示出的一种广告的投放装置的框图。参照图7,该装置包括如下单元和模块。
获取单元71,被配置为获取用户特征数据和广告特征数据;
确定单元72,被配置为将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;
生成单元73,被配置为根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;
投放单元74,被配置为利用所述相似度执行广告投放操作。
在本公开的一种实施例中,所述投放单元74,被配置为根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作。
在本公开的一种示例性实施例中,所述投放单元74,包括:比较模块741,被配置为在所述各广告投放阶段内,将所述相似度与对应的所述相似度阈值进行比较,确定得到所述相似度大于对应的所述相似度阈值的多个目标广告;筛选模块742,被配置为在多个所述目标广告中筛选出所述相似度最大的预设数量的最终目标广告;投放模块743,被配置为针对所述用户执行所述最终目标广告的广告投放操作。
在本公开的一种示例性实施例中,所述装置还包括:计算单元75,被配置为计算所述各广告投放阶段的相似度阈值;所述计算单元75,包括:第一获取模块751,被配置为获取所述各广告投放阶段中初始阶段的广告实际投放数据;调节模块752,被配置为根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值。
在本公开的一种示例性实施例中,所述调节模块752,包括:调节子模块,被配置为根据所述初始广告目标投放数据和所述广告实际投放数据进行PID调节得到初始PID调节结果;更新子模块,被配置为根据所述初始PID调节结果和所述初始相似度阈值,更新得到所述初始阶段的下一阶段的相似度阈值;所述调节子模块,还被配置为根据所述下一阶段的广告目标投放数据和所述下一阶段的广告实际投放数据进行PID调节得到所述下一阶段的PID调节结果;所述更新子模块,还被配置为根据所述下一阶段的PID调节结果和所述下一阶段的相似度阈值,更新得到所述下一阶段的下一阶段的相似度阈值。
在本公开的一种示例性实施例中,所述调节模块752,被配置为根据如下公式计算得到所述各广告投放阶段的相似度阈值:
error=target_value-real_value;
pid=k_p*error+k_i*sum(error)+k_d*delta(error);
cur_value*=exp(-pid/target_value);
cos_thresholdn=cos_thresholdn-1*pid;
其中,target_value表示所述初始广告目标投放数据、real_value表示所述广告实际投放数据、error表示广告投放差值数据、k_p表示比例调节参数、k_i表示积分调节参数、k_d表示微分调节参数、pid表示PID调节结果、cur_value表示当前广告投放阶段的下一广告投放阶段的广告投放数据、cos_thresholdn-1表示所述当前广告投放阶段的相似度阈值、cos_thresholdn表示所述当前广告投放阶段的下一广告投放阶段的相似度阈值、n表示广告投放阶段数,n≥1,n为整数,当n=1时,cos_thresholdn-1表示所述初始相似度阈值。
在本公开的一种示例性实施例中,所述装置还包括:训练单元76,被配置为训练所述神经网络;所述训练单元76,包括:第二获取模块761,被配置为获取包含广告二跳点击率的样本数据;学习模块762,被配置为根据所述样本数据和初始神经网络模型前向学习得到损失函数;更新模块763,被配置为计算所述损失函数的梯度值,并根据所述梯度值更新所述初始神经网络模型的各层的网络参数。
在本公开的一种示例性实施例中,所述学习模块762,包括:输入子模块,被配置为将所述样本数据输入至对应的所述初始神经网络模型中,分别输出用户样本向量和广告样本向量;计算子模块,被配置为计算所述用户样本向量和所述广告样本向量的内积;转换子模块,被配置为将所述内积转换为广告二跳点击率的概率;学习子模块,被配置为根据所述样本数据、所述样本数据的标签、所述初始神经网络模型的各层的网络参数和所述广告二跳点击率的概率前向学习得到损失函数。
在本公开的一种示例性实施例中,所述计算子模块,被配置为根据如下公式计算所述用户样本向量和所述广告样本向量的内积:
其中,distance表示内积函数、Ai表示第i维度的用户样本向量、Bi表示第i维度的广告样本向量、n表示用户样本向量或广告样本向量的总维度数。
在本公开的一种示例性实施例中,所述转换子模块,被配置为根据如下公式将所述内积转换为广告二跳点击率的概率:
σ(a)=1/(1+exp(-a))
其中,σ表示阈值函数、a表示所述内积。
在本公开的一种实施例中,所述学习子模块,被配置为根据如下公式计算得到损失函数:
lt(wt)=-ytlog pt-(1-yt)log(1-pt)
其中,lt表示所述损失函数、wt表示所述网络参数、pt表示所述广告二跳点击率的概率、yt表示所述样本数据的标签、pt=σ(wt·xt)、xt表示所述样本数据、t表示所述初始神经网络模型的层数。
在本公开的一种示例性实施例中,所述生成单元73,包括:计算模块731,被配置为计算所述用户特征向量和所述广告特征向量之间的余弦距离;确定模块732,被配置为将所述余弦距离确定为所述相似度。
在本公开的一种示例性实施例中,所述获取单元71,包括:第三获取模块711,被配置为获取用户特征信息和广告特征信息;处理模块712,被配置为分别将所述用户特征信息和所述广告特征信息依次执行独热编码处理和随机初始化处理,得到所述用户特征数据和所述广告特征数据。
在本公开的一种实施例中,所述用户特征信息包括:年龄信息、性别信息、位置信息、广告触发信息,其中,所述广告触发信息包括:广告名称、广告编号、广告数量、广告类型、广告时长;所述广告特征信息包括:用户与广告之间的交互特征,所述交互特征包括:广告名称、广告编号、广告数量、广告类型、交互时间。
在本公开的一种实施例中,所述神经网络用于将所述用户特征数据映射为所述用户特征向量,所述神经网络还用于将所述广告特征数据映射为所述广告特征向量;所述神经网络包含三个全连接层。
关于上述实施例中的装置,其中各个单元、各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种投放广告的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804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(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,该计算机程序产品包括可读性程序代码,该可读性程序代码可由装置800的处理器820执行以完成上述方法。可选地,该程序代码可以存储在装置800的存储介质中,该存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图9是根据一示例性实施例示出的一种用于投放广告的装置900的框图。例如,装置900可以被提供为一服务器。参照图9,装置900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件922被配置为执行指令,以执行上述广告的投放方法。
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理,一个有线或无线网络接口950被配置为将装置900连接到网络,和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种广告的投放方法,其特征在于,包括:
获取用户特征数据和广告特征数据;
将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;
根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;
利用所述相似度执行广告投放操作。
2.根据权利要求1所述的广告的投放方法,其特征在于,所述利用所述相似度执行广告投放操作的步骤,包括:
根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作。
3.根据权利要求2所述的广告的投放方法,其特征在于,所述根据所述相似度和预设的各广告投放阶段的相似度阈值执行针对所述各广告投放阶段的广告投放操作的步骤,包括:
在所述各广告投放阶段内,将所述相似度与对应的所述相似度阈值进行比较,确定得到所述相似度大于对应的所述相似度阈值的多个目标广告;
在多个所述目标广告中筛选出所述相似度最大的预设数量的最终目标广告;
针对所述用户执行所述最终目标广告的广告投放操作。
4.根据权利要求3所述的广告的投放方法,其特征在于,所述各广告投放阶段的相似度阈值的计算步骤,包括:
获取所述各广告投放阶段中初始阶段的广告实际投放数据;
根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值。
5.根据权利要求4所述的广告的投放方法,其特征在于,所述根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值的步骤,包括:
根据所述初始广告目标投放数据和所述广告实际投放数据进行PID调节得到初始PID调节结果;
根据所述初始PID调节结果和所述初始相似度阈值,更新得到所述初始阶段的下一阶段的相似度阈值;
根据所述下一阶段的广告目标投放数据和所述下一阶段的广告实际投放数据进行PID调节得到所述下一阶段的PID调节结果;
根据所述下一阶段的PID调节结果和所述下一阶段的相似度阈值,更新得到所述下一阶段的下一阶段的相似度阈值,直至得到所述各广告投放阶段的相似度阈值。
6.根据权利要求4所述的广告的投放方法,其特征在于,所述根据预设的初始广告目标投放数据、预设的初始相似度阈值和所述广告实际投放数据进行比例微分积分PID调节,得到所述各广告投放阶段的相似度阈值的步骤,包括:
根据如下公式计算得到所述各广告投放阶段的相似度阈值:
error=target_value-real_value;
pid=k_p*error+k_i*sum(error)+k_d*delta(error);
cur_value*=exp(-pid/target_value);
cos_thresholdn=cos_thresholdn-1*pid;
其中,target_value表示所述初始广告目标投放数据、real_value表示所述广告实际投放数据、error表示广告投放差值数据、k_p表示比例调节参数、k_i表示积分调节参数、k_d表示微分调节参数、pid表示PID调节结果、cur_value表示当前广告投放阶段的下一广告投放阶段的广告投放数据、cos_thresholdn-1表示所述当前广告投放阶段的相似度阈值、cos_thresholdn表示所述当前广告投放阶段的下一广告投放阶段的相似度阈值、n表示广告投放阶段数,n≥1,n为整数,当n=1时,cos_thresholdn-1表示所述初始相似度阈值。
7.根据权利要求1所述的广告的投放方法,其特征在于,所述神经网络的训练步骤,包括:
获取包含广告二跳点击率的样本数据;
根据所述样本数据和初始神经网络模型前向学习得到损失函数;
计算所述损失函数的梯度值,并根据所述梯度值更新所述初始神经网络模型的各层的网络参数。
8.一种广告的投放装置,其特征在于,包括:
获取单元,被配置为获取用户特征数据和广告特征数据;
确定单元,被配置为将所述用户特征数据和所述广告特征数据输入同一个预先训练的神经网络,得到用户特征向量和广告特征向量;
生成单元,被配置为根据所述用户特征向量和所述广告特征向量生成用户与广告之间的相似度,所述相似度表示所述用户与所述广告之间的可能交互程度;
投放单元,被配置为利用所述相似度执行广告投放操作。
9.一种装置,其特征在于,包括:
处理器;
用于存储所述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所述指令,以实现如权利要求1至7中任一项所述的广告的投放方法。
10.一种存储介质,当所述存储介质中的指令由装置的处理器执行时,使得所述装置能够执行如权利要求1至7中任一项所述的广告的投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703707.1A CN112308588A (zh) | 2019-07-31 | 2019-07-31 | 广告的投放方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703707.1A CN112308588A (zh) | 2019-07-31 | 2019-07-31 | 广告的投放方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308588A true CN112308588A (zh) | 2021-02-02 |
Family
ID=74485076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703707.1A Pending CN112308588A (zh) | 2019-07-31 | 2019-07-31 | 广告的投放方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308588A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078312A (zh) * | 2023-09-05 | 2023-11-17 | 北京玖众科技股份有限公司 | 一种基于人工智能的广告投放管理方法及系统 |
WO2024055228A1 (zh) * | 2022-09-15 | 2024-03-21 | 华为技术有限公司 | 一种模型训练方法、广告投放方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110264519A1 (en) * | 2010-04-26 | 2011-10-27 | Webjuice, LLC | Social behavioral targeting of advertisements in a social networking environment |
CN107437111A (zh) * | 2017-07-31 | 2017-12-05 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
CN108596687A (zh) * | 2018-05-09 | 2018-09-28 | 南京大学 | 一种基于哈希学习的广告定向投放方法 |
CN109299981A (zh) * | 2018-09-17 | 2019-02-01 | 北京点网聚科技有限公司 | 一种广告推荐方法及装置 |
CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
-
2019
- 2019-07-31 CN CN201910703707.1A patent/CN112308588A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110264519A1 (en) * | 2010-04-26 | 2011-10-27 | Webjuice, LLC | Social behavioral targeting of advertisements in a social networking environment |
CN107437111A (zh) * | 2017-07-31 | 2017-12-05 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
CN108596687A (zh) * | 2018-05-09 | 2018-09-28 | 南京大学 | 一种基于哈希学习的广告定向投放方法 |
CN109299981A (zh) * | 2018-09-17 | 2019-02-01 | 北京点网聚科技有限公司 | 一种广告推荐方法及装置 |
CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024055228A1 (zh) * | 2022-09-15 | 2024-03-21 | 华为技术有限公司 | 一种模型训练方法、广告投放方法、装置及电子设备 |
CN117078312A (zh) * | 2023-09-05 | 2023-11-17 | 北京玖众科技股份有限公司 | 一种基于人工智能的广告投放管理方法及系统 |
CN117078312B (zh) * | 2023-09-05 | 2024-02-27 | 北京玖众科技股份有限公司 | 一种基于人工智能的广告投放管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871896B (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110516745B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
CN108256555B (zh) | 图像内容识别方法、装置及终端 | |
CN109684510B (zh) | 视频排序方法、装置、电子设备及存储介质 | |
CN109543066B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN107133354B (zh) | 图像描述信息的获取方法及装置 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
CN109670632B (zh) | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 | |
CN109819288B (zh) | 广告投放视频的确定方法、装置、电子设备及存储介质 | |
CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
CN114266840A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111814538B (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
CN111753917A (zh) | 数据处理方法、装置及存储介质 | |
CN112308588A (zh) | 广告的投放方法、装置及存储介质 | |
CN110941727A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 |
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 |