CN112801712A - 一种广告投放策略的优化方法及装置 - Google Patents
一种广告投放策略的优化方法及装置 Download PDFInfo
- Publication number
- CN112801712A CN112801712A CN202110177409.0A CN202110177409A CN112801712A CN 112801712 A CN112801712 A CN 112801712A CN 202110177409 A CN202110177409 A CN 202110177409A CN 112801712 A CN112801712 A CN 112801712A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- advertisement space
- predicted
- flow
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 118
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 22
- 239000011800 void material Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011093 media selection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q30/0244—Optimization
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种广告投放策略的优化方法及装置,方法包括:获取各广告位的属性信息,以及各广告位在多个连续预定采样时间段内采集到的多个历史流量数据,分别对各广告位的属性信息和多个历史流量数据进行量化处理,生成广告位信息序列,将广告位信息序列输入至已训练的流量预测模型中,通过多级残差卷积网络获得广告位信息序列的高维特征,并根据高维特征和流量预测函数,确定各广告位的预测流量特征,通过对预测流量特征进行降维处理,获得待预测时间范围内各广告位的预测流量数据,根据各广告位的预测流量数据,优化各广告位的广告投放策略,这样,能够在保证计算量较小的基础上同时实现对多个广告位投放策略的优化。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种广告投放策略的优化方法及装置。
背景技术
目前,随着互联网技术的飞速发展,程序化广告已经成为了广告行业的重要组成部分,越来越多的媒体通过在线的方式在广告位中展示广告。对于广告投放来说,广告位的流量数据会直接影响对广告位中展示的广告的投放策略。因此,如何能够实现对广告位的流量数据的预测,成为了一个亟待解决的问题。
相关技术中,在对广告位的流量数据进行预测时,通常是以数理统计等传统统计方法为基础的预测模型,但是,现有技术中的方法仅能够预测各广告位的流量数据的总和,无法对每一个广告位的流量数据进行预测,若需要对每一个广告位的流量数据进行预测时,就需要对每一个广告位均进行建模,计算量较大。
发明内容
本申请实施例提供一种广告投放策略的优化方法及装置,以在保证计算量较小的基础上实现对广告投放策略的优化。
本申请实施例提供的具体技术方案如下:
一种广告投放策略的优化方法,包括:
分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据,其中,所述历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数;
分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,其中,所述广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据;
基于已训练的流量预测模型,以所述广告位信息序列为输入参数,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,并根据所述高维特征和流量预测函数,确定所述各广告位的预测流量特征,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据;
根据所述各广告位的预测流量数据,优化所述各广告位的广告投放策略。
可选的,分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,生成广告位信息序列,具体包括:
对所述各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列;
确定所述多个历史流量数据所属的量级,并从确定出的所述多个历史流量数据所属的量级中,确定出最小的量级,基于均值对数变换算法,分别将所述多个历史流量数据转换至确定出的最小的量级,并生成包含有多个转换后的历史流量数据的流量序列;
将所述属性序列与所述流量序列进行合并,生成广告位信息序列。
可选的,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据,具体包括:
通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征;
根据所述降维后的预测流量特征,获得所述各广告位的初始预测流量数据;
将各初始预测流量数据还原至对应的各历史流量数据对应的量级,获得待预测时间范围内所述各广告位的预测流量数据。
可选的,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,具体包括:
将所述广告位信息序列输入第一级残差卷积网络进行残差卷积特征提取,并将获得的残差特征作为下一级残差卷积网络的输入,直至获得最后一级残差卷积网络输出的残差特征,其中,所述流量预测模型中包含有多级残差卷积网络,每个残差卷积网络包括三层卷积层;
将所述各级残差卷积网络第三层卷积层的输出对应的残差特征相加,获得所述各广告位的高维特征。
可选的,若该残差卷积网络的第二层卷积层包括第一空洞卷积层和第二空洞卷积层,则获得每级残差卷积网络输出的残差特征,具体包括:
通过该残差卷积网络中的第一层卷积层,对所述广告位信息序列进行残差卷积特征提取,获得一维卷积特征;
通过第一空洞卷积层对所述一维卷积特征进行特征提取,通过第一激活函数输出第一空洞特征,并通过第二空洞卷积层对所述一维卷积特征进行特征提取,通过第二激活函数输出第二空洞特征;
通过对所述第一空洞特征和第二空洞特征进行点乘运算,获得所述第二层卷积层的输出;
通过该残差卷积网络中的第三层卷积层,对所述第二层卷积层的输出进行特征提取,获得该残差卷积网络最终输出的残差特征,其中,所述第三层卷积层为一维卷积层。
可选的,通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征,具体包括:
通过降维网络中的第一降维卷积层对所述预测流量特征进行降维处理,获得初始降维后的预测流量特征;
通过所述降维网络中的第二降维卷积层,对所述初始降维后的预测流量特征进行降维处理,获得降维后的预测流量特征,其中,所述第一降维卷积层与所述第二降维卷积层所包含的卷积核的数量不同。
可选的,所述流量预测模型的训练方式为:
获取广告位信息序列样本集,其中,所述广告位信息序列样本集中包含有各广告位信息序列样本和对应的序列标签,所述广告位信息序列样本中包含有各广告位的属性信息样本和多个历史流量数据样本;
将所述广告位信息序列样本集输入至初始的流量预测模型中,确定出所述各广告位的预测流量数据,并基于各预测流量数据和对应的序列标签,对所述初始的流量预测模型中的各参数进行调整,直至所述流量预测模型的平均绝对误差最小化,获得训练完成的所述流量预测模型,其中,所述平均绝对误差为根据广告位信息序列样本的样本数量、序列标签和各广告位的预测流量数据确定出的。
可选的,获取广告位信息序列样本集,具体包括:
获取各广告位在连续预定时间范围内的多个初始历史流量数据样本,并根据预设的滑窗大小对所述多个初始历史流量数据样本进行连续滑窗处理,获得多组历史流量数据样本和对应的真实流量数据样本;
分别根据多组历史流量数据样本和对应的真实流量数据样本,以及所述滑窗大小生成各流量序列样本和真实流量序列样本;
分别根据属性信息样本和所述滑窗大小生成各属性序列样本,并分别对各属性序列样本中的属性信息的维度进行扩充,以使所述各属性序列样本的维度与所述流量序列样本的维度相同;
分别基于各属性序列样本和各流量序列样本生成各广告位信息序列样本,并分别根据各属性序列样本和真实流量序列样本生成各序列标签;
生成包含有各广告位信息序列样本和对应的序列标签的广告位信息序列样本集。
可选的,所述属性信息至少包括以下一种:广告位来源渠道、广告位所属应用软件或广告位位置信息。
一种广告投放策略的优化装置,包括:
获取模块,用于分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据,其中,所述历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数;
处理模块,用于分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,其中,所述广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据;
预测模块,用于基于已训练的流量预测模型,以所述广告位信息序列为输入参数,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,并根据所述高维特征和流量预测函数,确定所述各广告位的预测流量特征,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据;
优化模块,用于根据所述各广告位的预测流量数据,优化所述各广告位的广告投放策略。
可选的,处理模块具体用于:
对所述各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列;
确定所述多个历史流量数据所属的量级,并从确定出的所述多个历史流量数据所属的量级中,确定出最小的量级,基于均值对数变换算法,分别将所述多个历史流量数据转换至确定出的最小的量级,并生成包含有多个转换后的历史流量数据的流量序列;
将所述属性序列与所述流量序列进行合并,生成广告位信息序列。
可选的,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据时,预测模块具体用于:
通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征;
根据所述降维后的预测流量特征,获得所述各广告位的初始预测流量数据;
将各初始预测流量数据还原至对应的各历史流量数据对应的量级,获得待预测时间范围内所述各广告位的预测流量数据。
可选的,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征时,预测模块具体用于:
将所述广告位信息序列输入第一级残差卷积网络进行残差卷积特征提取,并将获得的残差特征作为下一级残差卷积网络的输入,直至获得最后一级残差卷积网络输出的残差特征,其中,所述流量预测模型中包含有多级残差卷积网络,每个残差卷积网络包括三层卷积层;
将所述各级残差卷积网络第三层卷积层的输出对应的残差特征相加,获得所述各广告位的高维特征。
可选的,若该残差卷积网络的第二层卷积层包括第一空洞卷积层和第二空洞卷积层,则获得每级残差卷积网络输出的残差特征时,预测模块具体用于:
通过该残差卷积网络中的第一层卷积层,对所述广告位信息序列进行残差卷积特征提取,获得一维卷积特征;
通过第一空洞卷积层对所述一维卷积特征进行特征提取,通过第一激活函数输出第一空洞特征,并通过第二空洞卷积层对所述一维卷积特征进行特征提取,通过第二激活函数输出第二空洞特征;
通过对所述第一空洞特征和第二空洞特征进行点乘运算,获得所述第二层卷积层的输出;
通过该残差卷积网络中的第三层卷积层,对所述第二层卷积层的输出进行特征提取,获得该残差卷积网络最终输出的残差特征,其中,所述第三层卷积层为一维卷积层。
可选的,通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征时,预测模块具体用于:
通过降维网络中的第一降维卷积层对所述预测流量特征进行降维处理,获得初始降维后的预测流量特征;
通过所述降维网络中的第二降维卷积层,对所述初始降维后的预测流量特征进行降维处理,获得降维后的预测流量特征,其中,所述第一降维卷积层与所述第二降维卷积层所包含的卷积核的数量不同。
可选的,所述广告投放策略的优化装置进一步包括训练模块,训练模块具体用于:
获取广告位信息序列样本集,其中,所述广告位信息序列样本集中包含有各广告位信息序列样本和对应的序列标签,所述广告位信息序列样本中包含有各广告位的属性信息样本和多个历史流量数据样本;
将所述广告位信息序列样本集输入至初始的流量预测模型中,确定出所述各广告位的预测流量数据,并基于各预测流量数据和对应的序列标签,对所述初始的流量预测模型中的各参数进行调整,直至所述流量预测模型的平均绝对误差最小化,获得训练完成的所述流量预测模型,其中,所述平均绝对误差为根据广告位信息序列样本的样本数量、序列标签和各广告位的预测流量数据确定出的。
可选的,获取广告位信息序列样本集时,训练模块具体用于:
获取各广告位在连续预定时间范围内的多个初始历史流量数据样本,并根据预设的滑窗大小对所述多个初始历史流量数据样本进行连续滑窗处理,获得多组历史流量数据样本和对应的真实流量数据样本;
分别根据多组历史流量数据样本和对应的真实流量数据样本,以及所述滑窗大小生成各流量序列样本和真实流量序列样本;
分别根据属性信息样本和所述滑窗大小生成各属性序列样本,并分别对各属性序列样本中的属性信息的维度进行扩充,以使所述各属性序列样本的维度与所述流量序列样本的维度相同;
分别基于各属性序列样本和各流量序列样本生成各广告位信息序列样本,并分别根据各属性序列样本和真实流量序列样本生成各序列标签;
生成包含有各广告位信息序列样本和对应的序列标签的广告位信息序列样本集。
可选的,所述属性信息至少包括以下一种:广告位来源渠道、广告位所属应用软件或广告位位置信息。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述广告投放策略的优化方法的步骤。
一种计算机可读存储介质,其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上述广告投放策略的优化方法的步骤。
本申请实施例中,分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内的采集到的多个历史流量数据,分别对各广告位的属性信息和多个历史流量数据进行量化处理,生成包含有各广告位的量化后的属性信息和量化后的多个历史流量数据的广告位信息序列,基于已训练的流量预测模型,以广告位信息序列为输入参数,通过多级残差卷积网络对广告位信息序列进行高维特征提取,获得广告位信息序列的高维特征,并根据高维特征和流量预测函数,确定各广告位的预测流量特征,通过对预测流量特征进行降维处理,获得待预测时间范围内各广告位的预测流量数据,从而就能够根据预测获得的各广告位的预测流量数据来优化各广告位的广告投放策略,这样,将各广告位的属性信息和多个历史流量数据作为各广告位的特征,从而根据各广告位的特征以及已训练的流量预测模型确定出每一个广告位的预测流量数据,无需对每一个广告位均进行建模,只需要建立一个流量预测模型,就能够在保证计算量较小的基础上实现对每一个广告位的流量数据进行预测,从而实现对各广告位的广告投放策略进行优化。
附图说明
图1为本申请实施例中一种广告投放策略的优化方法的流程图;
图2为本申请实施例中流量预测模型预测过程的效果示意图;
图3为本申请实施例中每一级残差卷积网络的结构示意图;
图4为本申请实施例中预测流量模型的训练方法的流程图;
图5为本申请实施例中构建训练集、验证集和测试集的示意图;
图6为本申请实施例中模型训练示意图;
图7为本申请实施例中一种广告投放策略优化装置的结构示意图;
图8为本申请实施例中广告投放策略的优化装置的另一结构示意图;
图9为本申请实施例中电子设备的结构示意图。
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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
为了方便理解,下面对本申请实施例中涉及的名词进行解释。
1、广告位:指的是应用程序(Application,APP)的展示界面上用于展示广告的子区域。
本申请实施例中,APP的展示界面被划分为多个子区域,每一个子区域的功能可能是不同的,功能为展示广告的子区域为广告位。
例如,以用于展示新闻的APP为例,在多个子区域中,一些子区域用于向用户展示新闻,另一些子区域用于向用户展示广告,这些用于展示广告的子区域即为广告位。
2、属性信息:指的是广告位的来源渠道、所属应用程序APP、广告位在APP的展示界面上的位置信息等。
3、历史流量数据:指的是在预设的采样时间段内广告位上展示的广告的被浏览次数。
目前,随着互联网技术的飞速发展,程序化广告已经成为了广告行业的重要组成部分,越来越多的媒体和APP通过在线的方式接入广告。对于需求方平台(Demand-sidePlatform,DSP)和提供广告的广告供应方而言,每一个广告位上的广告流量数据会直接影响对广告位中展示的广告策略,例如预算控制、媒体选择、素材制作、人群定向、投放效果、出价指导等。因此,如何能够实现对广告位的流量数据的预测,成为了一个亟待解决的问题。
相关技术中,在对广告位的流量数据进行预测时,可以通过以下两种方式实现,第一种方式为是以数理统计等传统统计方法为基础的预测模型,例如自回归模型,自回归移动平均模型,卡尔曼滤波模型等,第二种方式为以神经网络为基础的预测模型,如卷积神经网络(Convolutional Neural Networks,CNN)、递归神经网络(Recursive NeuralNetwork,RNN)等。
但是,现有技术中的方法仅能够预测各广告位的流量数据的总和,无法对每一个广告位的流量数据进行预测,若需要对每一个广告位的流量数据进行预测时,就需要对每一个广告位均进行建模,计算量较大。
本申请实施例中,分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内的采集到的多个历史流量数据,分别对各广告位的属性信息和多个历史流量数据进行量化处理,生成包含有各广告位的量化后的属性信息和量化后的多个历史流量数据的广告位信息序列,基于已训练的流量预测模型,以广告位信息序列为输入参数,通过多级残差卷积网络对广告位信息序列进行高维特征提取,获得广告位信息序列的高维特征,并根据高维特征和流量预测函数,确定各广告位的预测流量特征,通过对预测流量特征进行降维处理,获得待预测时间范围内各广告位的预测流量数据,从而就能够根据预测获得的各广告位的预测流量数据来优化各广告位的广告投放策略,这样,通过流量预测模型、各广告位的多个历史流量数据和属性信息对各广告位的预测流量数据进行预测,能够在对广告位的流量数据进行预测时,细粒度区分到各广告位的流量,并且,利用广告位之间的相似性进行推断,能够使得流量预测模型在新广告位或数据严重缺失的广告位中减小预测偏差,另外,通过本申请实施例中的方法还能够关注短时细粒度的预测。
基于上述实施例,参阅图1所示,为本申请实施例中一种广告投放策略的优化方法的流程图,具体包括:
步骤100:分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据。
其中,历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数。
本申请实施例中,当用户在浏览APP的展示界面时,展示界面被划分为多个展示区域,其中一些展示区域用于展示被展示对象,另一些展示区域为广告位,广告位用于展示广告,并且,每一个广告位上展示的广告均有可能被用户浏览到。因此,可以基于展示界面上的各广告位的历史流量数据与各广告位的属性信息,来预测各广告位在待预测时间范围内的预测流量数据。因此,在对每一个广告位的预测流量数据进行预测之前,需要先获得各广告位的属性信息和各历史流量数据,下面对本申请实施例中获取各广告位的属性信息和历史流量数据的步骤进行详细阐述。
S1:获取各广告位的属性信息。
本申请实施例中,采集各个广告位的属性信息。
其中,属性信息例如包括如下种类:广告位来源渠道、广告位所属应用软件或广告位位置信息,但并不仅限于上述三种种类。
广告位来源渠道表征广告位的原始来源,即广告位来源于哪一公司。广告位来源渠道例如可以为A公司,又例如可以为B公司,本申请实施例中对此并不进行限制。
广告位所属应用软件表征广告位位于哪一应用软件上。例如,广告位位于A公司的新闻APP上,本申请实施例中对此并不进行限制。
广告位位置信息表征广告位的位置的来源信息,广告位位置信息例如可以是开屏,又例如可以是信息流,本申请实施例中对此并不进行限制。
其中,广告位位置信息为开屏表征广告位位于打开应用软件时的屏幕上。广告位位置信息表为信息流表征广告位位于社交媒体用户的好友动态、资讯媒体或视听媒体内容流中,主要展现形式是广告位上的广告穿插在其它信息之中。
需要说明的是,本申请实施例中对属性信息的种类和数量并不进行限制,属性信息例如可以为1种,又例如可以为3种。
S2:预先设定采样时间段。
本申请实施例中,预先设定采集各广告位的历史流量数据的采样时间段。
其中,采样时间段例如可以为一个小时,本申请实施例中对此并不进行限制。
S3:分别针对各广告位,获取该广告位在连续预定采样时间段内采集到的多个历史流量数据。
本申请实施例中,分别针对各广告位,基于预先设定的采样时间段,获取该广告位在预设的采集天数内的预定采样时间段内连续采集到的多个历史流量数据。
例如,当采集天数为M,广告位数量为N,每一天中包含有X个采样时间段,则在预设的采集天数每一个广告位能够采集到M*X个历史流量数据,各广告位共能够采集到N*M*X个历史流量数据。
其中,M表示采集天数,数据采集时长例如可以为50天,150天,300天,本申请实施例中对此并不进行限制。
以采样时间段为1小时为例,假设共有10个广告位,需要采集7天中各广告位的历史流量数据时,则在7天中以每小时为单位,采集每个小时内各广告位上展示的广告的被浏览次数,从而获得10*7*24个历史流量数据。
需要说明的是,每一个采样时间段对应一个历史流量数据,可以通过收集用户设备的日志记录,并聚合日志记录中的需求方平台(Demand-side Platform,DSP)请求数据,从而获得历史流量数据。
步骤110:分别对各广告位的属性信息和多个历史流量数据进行量化处理,生成广告位信息序列。
其中,广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据。
本申请实施例中,为了能够将各广告位的属性信息和多个历史流量数据转换为流量预测模型能够识别的格式,从而提高流量预测模型预测的准确度,因此,在将属性信息和多个历史流量数据输入至流量预测模型之前,需要先对输入至流量预测模型中的各广告位的属性信息进行量化处理,并分别对各广告位的多个历史流量数据进行量化处理,从而生成包含有各广告位的量化后的属性信息和量化后的多个历史流量数据的信息序列。
进一步地,由于每一个广告位上展示的广告不同,因此,不同广告位之间的历史流量数据之间的量级差异可能会较大,而通过量级差异较大的多个历史流量数据对各广告位在待预测时间范围内的预测流量数据进行预测时,可能会导致量级较小的广告位的预测流量数据的误差较大。因此,为了减小多个历史流量数据之间的量级差异,可以通过将多个历史流量数据转换至相同的量级,从而缩小各广告位的多个历史流量数据之间的量级差异,从而降低各广告位的预测流量数据的误差,下面对本申请实施例中的步骤110进行详细阐述,具体包括:
S1:对各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列。
本申请实施例中,在对各广告位的属性信息进行量化处理时,可以采用对属性信息和采样时间段进行one-hot编码的方式,从而获得包含有编码后的属性信息的属性序列。
其中,属性序列例如可以为二维矩阵,本申请实施例中对此并不进行限制。
例如,属性信息仅有一种,为广告位来源渠道,共有10个广告位来源渠道,分别为A公司、B公司、C公司、D公司、E公司、F公司、G公司、H公司、I公司和J公司。若广告位Pi来源于A公司,则A公司渠道列的取值为1,其余9列的取值为0,因此,将广告位Pi的属性信息转换为仅包含0-1的一维数组一维数组可以表示为“1000000000”,长度为Ls=10。按上述方式对所有广告位构建属性编码,得到大小为N×Ls的二维属性矩阵Xs。
需要说明的是,一维数组和二维属性矩阵的长度由属性信息的类别的多少决定,例如,假设属性信息为2种,共有5个广告位,每一个广告位的其中一种属性信息可以组成长度为10的一维数组,另一种属性信息可以组成长度为3的一维数组,则每一个广告位的属性信息的一维数组长度为13,从而可以得到大小为5*13的二维属性矩阵。
S2:确定多个历史流量数据所属的量级,并从确定出的多个历史流量数据所属的量级中,确定出最小的量级,基于均值对数变换算法,分别将多个历史流量数据转换至确定出的最小的量级,并生成包含有多个转换后的历史流量数据的流量序列。
本申请实施例中,由于每一个历史流量数据有所属的量级,且各个广告位的历史流量数据之间的量级差异可能较大,因此,为了能够提高对各广告位的预测流量数据预测的准确率,需要将各个广告位的多个历史流量数据转换至相同的量级。
首先,确定多个历史流量数据所属的量级,由于每一个历史流量数据对应一个量级,因此,有多少个历史流量数据,就能够确定出多少个量级。
例如,假设共有10个广告位共采集到1000个历史流量数据,每一个历史流量数据对应一个量级,则能够确定出1000个量级。
其中,确定出的各量级之间可能是相同的,也可能是不同的,量级表征数量的级别,例如,个位数量级、万位数量级,本申请实施例中对此并不进行限制。
然后,由于确定出的不同量级之间是有大小之分的,因此,可以从确定出的多个量级中,确定出最小的量级。
例如,假设获取到的多个历史流量数据对应的量级中,包含有个位数量级和百位数量级,则确定出的最小的量级为个位数量级。
然后,基于均值对数变换算法,分别对各广告位的多个历史流量数据进行量级转换,将多个历史流量数据转换至确定出的最小的量级,这样,获得各广告位的多个转换后的历史流量数据,并且,确定出的多个转换后的历史流量数据均为同一量级。
其中,将多个历史流量数据转换至相同的量级时,可以通过均值对数变换实现。
例如,假设共有N个广告位,采集时长为M天,采样时间段为1小时,则获取连续采样时间段内的历史流量数据,并生成包含有各广告位的多个历史流量数据的二维矩阵,二维矩阵的大小为N×(M×24),在二维矩阵中,每一个广告位对应一个一维向量,第i个广告位的一维向量由长度为(M×24)的一维向量表示,一维向量的具体组成为:
则均值对数变换公式可以表示为:
最后,生成包含有多个转换后的历史流量数据的流量序列。
进一步地,若在第c个采样时间段内,第i个广告位的历史流量数据为空,则采用前后采样时间段的历史流量数据的均值补齐,即,计算第c-1个采样时间段内该广告位的历史流量数据与第c+1个采样时间段内该广告位的历史流量数据之间的均值,并根据计算出的均值补齐第c个采样时间段内该广告位的历史流量数据,从而保证生成的流量序列的每一位均有数据。
例如,假设在第3个采样时间段内,某个广告位的历史流量数据为空,则计算第2个采样时间段内该广告位的历史流量数据与第4个采样时间段内该广告位的历史流量数据之间的均值,并根据计算出的均值补齐第3个采样时间段内该广告位的历史流量数据。
S3:将属性序列与流量序列进行合并,生成广告位信息序列。
本申请实施例中,在获得包含有各广告位的属性信息的属性序列,以及包含有个广告位的多个转换后的历史流量数据的流量序列之后,若确定属性序列的长度小于流量序列的长度,则对属性序列进行扩充,使得属性序列的长度与流量序列的长度相同,若确定属性序列的长度大于流量序列的长度,则对流量序列进行扩充,使得流量序列的长度与属性序列的长度相同,然后,将属性序列和流量序列进行合并,生成广告位信息序列。
以属性序列为二维属性矩阵、流量序列为二维流量矩阵为例,假设共有N个广告位,采样时长为D天,采样时间段为1小时,二维属性矩阵的长度为A1,二维流量属性矩阵的长度为a1,且a1大于A1,则将二维属性矩阵中的量化后的属性信息进行复制,使得二维属性矩阵的长度与二维流量属性矩阵的长度相同,获得扩充后的二维属性矩阵,此时扩充后的二维属性矩阵的长度也为a1,然后,将二维属性矩阵处理为大小为N×(24×D)×1的三维矩阵并将二维流量矩阵处理为大小为N×(24×D)×1的三维矩阵并将和进行合并,获得最终输入至流量预测模型中的广告位信息序列
步骤120:基于已训练的流量预测模型,以广告位信息序列为输入参数,通过多级残差卷积网络对广告位信息序列进行高维特征提取,获得广告位信息序列的高维特征,并根据高维特征和流量预测函数,确定各广告位的预测流量特征,通过对预测流量特征进行降维处理,获得待预测时间范围内各广告位的预测流量数据。
本申请实施例中,将广告位信息序列输入至已训练的流量预测模型,通过流量预测模型获得各广告位的预测流量数据,参阅图2所示,为本申请实施例中流量预测模型预测过程的效果示意图。下面对本申请实施例中流量预测模型的处理过程进行详细阐述,具体包括:
S1:通过多级残差卷积网络对广告位信息序列进行高维特征提取,获得广告位信息序列的高维特征。
下面对本申请实施例中获得广告位信息序列的高维特征的步骤进行详细阐述,具体包括:
A1:将广告位信息序列输入第一级残差卷积网络进行残差卷积特征提取,并将获得的残差特征作为下一级残差卷积网络的输入,直至获得最后一级残差卷积网络输出的残差特征。
其中,流量预测模型中包含有多级残差卷积网络,每个残差卷积网络包括三层卷积层。
本申请实施例中,流量预测模型中包含有多级残差卷积网络,每一级残差卷积网络用于提取广告位信息序列的残差特征,将广告位信息序列输入至第一级残差卷积网络,对广告位信息序列进行残差卷积特征提取,获得第一级残差卷积网络输出的残差特征,并确定第一级残差卷积网络输出的残差特征与输入至第一级残差卷积网络的广告位信息序列之和,将第一级残差卷积网络输出的残差特征与输入至第一级残差卷积网络的广告位信息序列之和作为第二级残差卷积网络的输入,对流量预测模型中的每一级残差卷积网络均执行该操作,直至获得最后一级残差卷积网络输出的残差特征,从而能够获得流量预测模型的各级残差卷积网络输出的残差特征。
其中,流量预测模型中包含有多级残差卷积网络,例如包含有8级残差卷积网络,又例如包含有16级残差卷积网络,本申请实施例中对此并不进行限制。
以流量预测模型中包含有16级残差卷积网络为例,每一级残差卷积网络为Bi,i∈{1,2,…,16}。输入至第一级残差卷积网络B1的广告位信息序列为X1,第一级残差卷积网络B1输出的残差特征为计算与广告位信息序列X1之和 并将作为第二级残差卷积网络B2的输入X2,通过第二级残差卷积网络输出的残差特征为以此类推,则通过第i级残差卷积网络输出的残差特征为并计算与第i级残差卷积网络的输入Xi之和 将作为下一级残差卷积网络Bi+1的输入Xi+1,直至获得第16级残差卷积网络输出的残差特征
需要说明的是,参阅图3所示,为本申请实施例中每一级残差卷积网络的结构示意图,每一级残差卷积网络至少包括三层,分别为第一层卷积层、第二层卷积层和第三层卷积层。其中,第二层卷积层至少包括第一空洞卷积层和第二空洞卷积层,下面对本申请实施例中每一级残差卷积网络的处理流程进行详细阐述,具体包括:
N1:通过该残差卷积网络中的第一层卷积层,对广告位信息序列进行残差卷积特征提取,获得一维卷积特征。
本申请实施例中,当任意一级残差卷积网络中包含有第一层卷积层、第二层卷积层和第三层卷积层时,则通过该残差卷积网络中的第一层卷积层对广告位信息序列进行特征提取,并通过第一层卷积层中的激活函数获得第一层卷积层的输出,即一维卷积特征。
其中,c为一维卷积层,包含32个卷积核,每个卷积核的大小为1×1,并且,在一维卷积层中,使用线性整流函数(Rectified Linear Unit,ReLU)作为该一维卷积层的激活函数。
N2:通过第一空洞卷积层对一维卷积特征进行特征提取,通过第一激活函数输出第一空洞特征,并通过第二空洞卷积层对一维卷积特征进行特征提取,通过第二激活函数输出第二空洞特征。
本申请实施例中,通过第一层卷积层获得一维卷积特征之后,通过第二层卷积层的两条分支,分别对一维卷积特征进行空洞特征提取。第二层卷积层的第一条分支包含有第一空洞卷积层和第一激活函数,通过第一空洞卷积层对一维卷积特征进行特征提取,获得第一空洞卷积层的输出,由于第一空洞卷积层的输出是线性输出,需要对第一空洞卷积层的输出添加非线性因素,因此,可以通过第一激活函数输出第一空洞特征。第二层卷积层的第二条分支包含有第二空洞卷积层和第二激活函数,通过第二空洞卷积层对一维卷积特征进行特征提取,并通过第二激活函数输出第二空洞特征,从而能够获得第二层卷积层输出的第一空洞特征和第二空洞特征。
其中,第一激活函数例如可以为sigmoid函数,第二激活函数例如可以为tanh函数,本申请实施例中对此并不进行限制。
需要说明的是,如图3所示,第二层卷积层中包含有两级空洞卷积层,分别为第一空洞卷积层和第二空洞卷积层,第一空洞卷积层和第二空洞卷积层的输入均为第一层卷积层输出的一维卷积特征,通过第一空洞卷积层对一维卷积特征进行特征提取,并且,通过第二空洞卷积层对一维卷积特征进行特征提取时,不区分先后顺序,是并行实现的。
例如,第二层卷积层包含有第一空洞卷积层和第二空洞卷积层{f,g},第一空洞卷积层和第二空洞卷积层为一维空洞因果卷积层,第一空洞卷积层包含32个卷积核,膨胀率为2i%8,第二空洞卷积层包含32个卷积层,膨胀率为2i%8,将第一层卷积层输出的一维卷积特征输入到第二层卷积层的第一空洞卷积层中,并将得到的第一空洞卷积特征通过tanh函数获得输出的第一空洞特征tanh(f),将第一层卷积层输出的一维卷积特征输入到第二层卷积层的第二空洞卷积层中,并将得到第二空洞卷积特征通过sigmoid函数获得输出的第二空洞特征sigmoid(g)。
N3:通过对第一空洞特征和第二空洞特征进行点乘运算,获得第二层卷积层的输出。
本申请实施例中,在获得第一空洞卷积特征和第二空洞卷积特征之后,通过对第一空洞特征和第二空洞特征进行点乘运算,获得该残差卷积网络中第二层卷积层的输出。
N4:通过该残差卷积网络中的第三层卷积层,对第二层卷积层的输出进行特征提取,获得该残差卷积网络最终输出的残差特征。
其中,第三层卷积层为一维卷积层。
本申请实施例中,通过该残差卷积网络中的第三层卷积层,再次对第二层卷积层的输出进行高维特征提取,并通过激活函数获得该残差卷积网络的最终输出,即该残差卷积网络的残差特征。
A2:将各级残差卷积网络第三层卷积层的输出对应的残差特征相加,获得各广告位的高维特征。
本申请实施例中,通过上述方式可以获得流量预测模型中每一级残差卷积网络的第三层卷积层输出的残差特征,然后,将各级残差卷积网络输出的残差特征相加,从而获得最终的各广告位的高维特征。
其中,O表示各广告位的高维特征,i表示第i个广告位。
S2:根据高维特征和流量预测函数,确定各广告位的预测流量特征。
本申请实施例中,由于流量预测模型中包含有流量预测函数,流量预测函数用于根据高维特征对各广告位的流量数据进行预测,则获得广告位信息序列的高维特征之后,根据流量预测模型中的流量预测函数和高维特征,确定各广告位的预测流量特征。
需要说明的是,本申请实施例中在确定出高维特征之后,可以通过流量预测函数,以及确定出的高维特征,从而确定出各广告位的预测流量特征,例如,假设预测流量特征为f(x),则f(x)=ax。
其中,a为流量预测模型的各参数,x为高维特征。
S3:通过对预测流量特征进行降维处理,获得待预测时间范围内各广告位的预测流量数据。
本申请实施例中,由于预测流量特征是基于广告位信息序列的高维特征获得的,因此,在获得各广告位的预测流量数据之前,首先要将高维的特征降维到低维空间中,并根据低维的预测流量特征确定待预测时间范围内各广告位的预测流量数据。
下面对本申请实施例中对预测流量特征进行降维处理的步骤进行详细阐述,执行步骤S3时,具体包括:
A1:通过流量预测模型中的降维网络,对预测流量特征进行降维处理,获得降维后的预测流量特征。
本申请实施例中,流量预测模型中还包含有降维网络,降维网络例如可以为一维卷积层,然后,通过一维卷积层对高维的预测流量特征进行降维处理,获得降维后的预测流量特征,下面对本申请实施例中对预测流量特征进行降维处理的步骤进行详细阐述,则执行步骤A1时,具体包括:
N1:通过降维网络中的第一降维卷积层对预测流量特征进行降维处理,获得初始降维后的预测流量特征。
本申请实施例中,通过降维网络中的第一降维卷积层对预测流量特征进行第一次降维处理,获得初始降维后的预测流量特征。
其中,第一降维卷积层为一维卷积层,包含128个卷积核,每个卷积核的大小为1×1。
N2:通过降维网络中的第二降维卷积层,对初始降维后的预测流量特征进行降维处理,获得降维后的预测流量特征。
其中,第一降维卷积层与第二降维卷积层所包含的卷积核的数量不同。
本申请实施例中,通过降维网络中的第二降维卷积层,对初始降维后的预测流量特征进行降维处理,获得最终降维后的预测流量特征。
其中,第二降维卷积层为一维卷积层,包含1个卷积核,该卷积核的大小小为1×1。
A2:根据降维后的预测流量特征,获得各广告位的初始预测流量数据。
本申请实施例中,由于降维后的预测流量特征为低维的预测特征,因此,可以根据降维后的预测流量特征,获得各广告位的初始预测流量数据。
A3:将各初始预测流量数据还原至对应的各历史流量数据对应的量级,获得待预测时间范围内各广告位的预测流量数据。
本申请实施例中,由于在对各广告位进行流量预测之前,将各广告位的多个历史流量数据转换至相同的量级,因此,预测获得的初始流量数据为相同量级的流量数据。需要将初始流量数据还原回其原始所属的量级,从而获得待预测时间范围内各广告位的预测流量数据。
步骤130:根据各广告位的预测流量数据,优化各广告位的广告投放策略。
本申请实施例中,在获得各广告位的预测流量数据之后,就能够根据各预测流量数据,优化各广告位的广告投放策略。
其中,广告投放策略表征在广告位上投放广告的策略,例如可以为预算控制、媒体选择、素材制作、人群定向、投放效果、出价指导等,本申请实施例中对此并不进行限制。
本申请实施例中,将各广告位的属性信息和多个历史流量数据输入至流量预测模型中,利用多级残差卷积网络对模型的输入进行高维特征抽取,最后通过残差合并,并通过一维卷积层降维获得各广告位的预测流量数据,这样,通过提取各广告位流量变化的高维特征对待预测时间范围内的各广告位的预测流量数据进行预测,能够利用有限的数据,建立各广告位之间的相关性,能够提高流量预测的准确度和鲁棒性,并且,本申请实施例中针对各广告位的流量特性,对流量预测模型的结构进行了改进,大幅提升了流量预测模型的准确性,另外,本申请实施例中的方法能够针对短时细粒度场景进行建模,可以有效应对流量的突发影响,对异常响应更加及时,利于广告主和广告平台进行决策。
基于上述实施例,参阅图4所示,为本申请实施例中预测流量模型的训练方法的流程图,具体包括:
步骤400:获取广告位信息序列样本集。
其中,广告位信息序列样本集中包含有各广告位信息序列样本和对应的序列标签,广告位信息序列样本中包含有各广告位的属性信息样本和多个历史流量数据样本。
下面对本申请实施例中的步骤400进行详细阐述,具体包括:
S1:获取各广告位在连续预定时间范围内的多个初始历史流量数据样本,并根据预设的滑窗大小对多个初始历史流量数据样本进行连续滑窗处理,获得多组历史流量数据样本和对应的真实流量数据样本。
本申请实施例中,首先,预先设定时间范围,时间范围表征流量预测模型输入的历史流量数据样本的数据长度。
其中,时间范围可以以天为单位,例如可以为7天,14天,30天,本申请实施例中对此并不进行限制。
然后,获取各广告位在时间范围内的初始历史流量数据样本。
需要说明的是,每一个广告位的初始历史流量数据样本是基于在预定时间范围内接收到的各DSP请求,以及发出各DSP请求时的时间信息生成的。
最后,获取预设的滑窗大小,并根据获取到的滑窗大小,对各广告位的初始历史流量数据样本进行连续滑窗处理,也就是说,分别将各广告位的初始历史流量数据样本划分为相同数据长度的样本,获得多组流量数据样本,并分别针对各广告位的初始历史流量数据样本,将任意一个广告位的初始流量数据样本的最后预设数个样本作为该组样本的样本标签,从而获得多组历史流量数据样本和对应的真实流量数据样本。
例如,假设共有N个广告位,输入至流量预测模型中的历史流量数据样本的长度为D,预设的时间范围为M,则取值范围为D∈[1,M],并将时间范围的后24小时的历史流量数据样本作为该组样本的样本标签Y∈R1×24。设定滑窗大小为t,单位为小时,t∈[1,24×D],按照预设的滑窗大小对各广告位的初始历史流量数据样本进行滑窗处理,可以划分出组历史流量数据样本和对应的真实流量数据样本。
以预设的时间范围为2019-11-01至2020-10-31为例,采集N个广告位从2019-11-01至2020-10-31的初始历史流量数据样本,则M=365,若将D的取值设为30,将滑窗大小设置为1,则第一组N条各广告位的历史流量数据样本为2019-11-01 00:00:00~2019-11-3024:00:00的流量,第一组N条各广告位的真实流量数据样本为2019-12-01 00:00:00~2019-12-01 24:00:00的流量,第二组N条各广告位的历史流量数据样本为2019-11-01 01:00:00~2019-12-01 01:00:00的流量,第二组N条各广告位的真实流量数据样本为2019-12-0101:00:00~2019-12-02 01:00:00的流量,同理,最后一组N条广告位的历史流量数据样本为2020-10-01 00:00:00~2020-10-30 24:00:00的流量,最后一组N条各广告位的真实流量数据样本为2020-10-31 00:00:00~2020-10-31 24:00:00的流量,这样,在365天中,一共可以生成组历史流量数据样本和对应的真实流量数据样本。
S2:分别根据多组历史流量数据样本和对应的真实流量数据样本,以及滑窗大小生成各流量序列样本和真实流量序列样本。
本申请实施例中,分别根据多组历史流量数据样本和对应的真实流量数据样本,以及预设的滑窗大小,生成各流量序列样本和真实流量序列样本。
例如,假设共有N个广告位,输入至流量预测模型中的历史流量数据样本的长度为D,预设的时间范围为M,则取值范围为D∈[1,M],流量序列样本为三维流量矩阵样本,真实流量序列样本为真实三维流量矩阵样本,则在获得组历史流量数据样本之后,分别针对各组历史流量数据样本,生成的三维流量矩阵样本,并合并真实三维流量矩阵样本中前23小时的流量从而生成输入至初始流量预测模型中的矩阵
S3:分别根据属性信息样本和滑窗大小生成各属性序列样本,并分别对各属性序列样本中的属性信息的维度进行扩充,以使各属性序列样本的维度与流量序列样本的维度相同。
本申请实施例中,根据各广告位的属性信息样本生成各属性序列样本,并且,由于生成的各属性序列样本的数量少于各组历史流量数据样本的数量,因此,需要将属性序列样本中的属性信息的维度进行扩充,使得各属性序列样本的维度与流量序列样本的维度相同。
例如,假设共有N个广告位,输入至流量预测模型中的历史流量数据样本的长度为D,预设的时间范围为M,则取值范围为D∈[1,M],则生成维度为N×1×Ls的三维属性矩阵为了使得三维属性矩阵的维度与历史流量数据样本的维度相同,将的第一维扩增第二维扩增(24×D+23)份,变换后的的维度为与历史流量数据样本的维度是相同的。
S4:分别基于各属性序列样本和各流量序列样本生成各广告位信息序列样本,并分别根据各属性序列样本和真实流量序列样本生成各序列标签。
本申请实施例中,在获得各属性序列样本和各组流量序列样本之后,由于属性序列样本和流量序列样本是相同维度的,因此,可直接将各属性序列样本和各流量序列样本生成各广告位信息序列样本,并且,可直接将各属性序列样本和真实流量序列样本生成各序列标签。
S5:生成包含有各广告位信息序列样本和对应的序列标签的广告位信息序列样本集。
本申请实施例中,将步骤S4中生成的每一条广告位信息序列样本和对应的序列标签组成一条输入序列,并将所有数据按上述步骤S1-S4方法构建样本,生成包含有各广告位信息序列样本和对应的序列标签的广告位信息序列样本集,并生成验证集和测试集,参阅图5所示,为本申请实施例中构建训练集、验证集和测试集的示意图。
步骤410:将广告位信息序列样本集输入至初始的流量预测模型中,确定出各广告位的预测流量数据,并基于各预测流量数据和对应的序列标签,对初始的流量预测模型中的各参数进行调整,直至流量预测模型的平均绝对误差最小化,获得训练完成的流量预测模型。
其中,平均绝对误差为根据广告位信息序列样本的样本数量、序列标签和各广告位的预测流量数据确定出的。
本申请实施例中,分别针对广告位信息序列样本集中的各广告位信息序列样本,将任意一个广告位信息序列样本输入至初始的流量预测模型中,确定出各广告位的预测流量数据,并根据该广告位信息序列样本对应的序列标签,计算该广告位信息序列样本与序列标签之间的平均绝对误差,并根据计算出的平均绝对误差对初始的流量预测模型中的各参数进行调整,直至流量预测模型的平均绝对误差最小化,选取MAE最小的参数作为模型最终训练完成的流量预测模型。
例如,参阅图6所示,为本申请实施例中模型训练示意图,取任意一个广告位信息序列样本Xi,Xi的维度为(24×D+23)×(Ls+1),并将Xi输入到初始的流量预测模型中,流量预测模型输出24×1的各广告位的预测流量数据计算MAE损失函数,并用Adam算法优化流量预测模型的各参数。
其中,流量预测模型的目标函数为平均绝对误差(MAE),MAE可以表示为:
本申请实施例中的流量预测模型相比于传统的统计模型来说,能够利用有限的数据,建立广告位之间的关联性,从而获得能够预测各广告位的预测流量数据的流量预测模型,提高了预测的准确性和鲁棒性。
基于上述实施例,参阅图7所示,为本申请实施例中一种广告投放策略优化装置的结构示意图,具体包括:
1、数据采集模块。
对各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列,并对D天内各广告位的多个历史流量数据进行聚合,获得包含有多个转换后的历史流量数据的流量序列,将属性序列与流量序列进行融合,生成广告位信息序列。
2、流量预测模块。
将广告位信息序列输入至已训练的流量预测模型中,通过多级残差卷积网络对广告位信息序列进行高维特征提取,获得广告位信息序列的高维特征,并根据高维特征和流量预测函数,确定各广告位的预测流量特征,通过一维卷积层对预测流量特征进行降维处理,并进行反归一化处理,获得待预测时间范围内各广告位的预测流量数据。
基于同一发明构思,本申请实施例中提供了广告投放策略的优化装置,该广告投放策略的优化装置可以是硬件结构、软件模块、或硬件结构加软件模块。基于上述实施例,参阅图8所示,为本申请实施例中广告投放策略的优化装置的另一结构示意图,具体包括:
获取模块800,用于分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据,其中,所述历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数;
处理模块810,用于分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,其中,所述广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据;
预测模块820,用于基于已训练的流量预测模型,以所述广告位信息序列为输入参数,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,并根据所述高维特征和流量预测函数,确定所述各广告位的预测流量特征,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据;
优化模块830,用于根据所述各广告位的预测流量数据,优化所述各广告位的广告投放策略。
可选的,处理模块810具体用于:
对所述各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列;
确定所述多个历史流量数据所属的量级,并从确定出的所述多个历史流量数据所属的量级中,确定出最小的量级,基于均值对数变换算法,分别将所述多个历史流量数据转换至确定出的最小的量级,并生成包含有多个转换后的历史流量数据的流量序列;
将所述属性序列与所述流量序列进行合并,生成广告位信息序列。
可选的,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据时,预测模块820具体用于:
通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征;
根据所述降维后的预测流量特征,获得所述各广告位的初始预测流量数据;
将各初始预测流量数据还原至对应的各历史流量数据对应的量级,获得待预测时间范围内所述各广告位的预测流量数据。
可选的,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征时,预测模块820具体用于:
将所述广告位信息序列输入第一级残差卷积网络进行残差卷积特征提取,并将获得的残差特征作为下一级残差卷积网络的输入,直至获得最后一级残差卷积网络输出的残差特征,其中,所述流量预测模型中包含有多级残差卷积网络,每个残差卷积网络包括三层卷积层;
将所述各级残差卷积网络第三层卷积层的输出对应的残差特征相加,获得所述各广告位的高维特征。
可选的,若该残差卷积网络的第二层卷积层包括第一空洞卷积层和第二空洞卷积层,则获得每级残差卷积网络输出的残差特征时,预测模块820具体用于:
通过该残差卷积网络中的第一层卷积层,对所述广告位信息序列进行残差卷积特征提取,获得一维卷积特征;
通过第一空洞卷积层对所述一维卷积特征进行特征提取,通过第一激活函数输出第一空洞特征,并通过第二空洞卷积层对所述一维卷积特征进行特征提取,通过第二激活函数输出第二空洞特征;
通过对所述第一空洞特征和第二空洞特征进行点乘运算,获得所述第二层卷积层的输出;
通过该残差卷积网络中的第三层卷积层,对所述第二层卷积层的输出进行特征提取,获得该残差卷积网络最终输出的残差特征,其中,所述第三层卷积层为一维卷积层。
可选的,通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征时,预测模块820具体用于:
通过降维网络中的第一降维卷积层对所述预测流量特征进行降维处理,获得初始降维后的预测流量特征;
通过所述降维网络中的第二降维卷积层,对所述初始降维后的预测流量特征进行降维处理,获得降维后的预测流量特征,其中,所述第一降维卷积层与所述第二降维卷积层所包含的卷积核的数量不同。
可选的,所述广告投放策略的优化装置进一步包括训练模块840,训练模块840具体用于:
获取广告位信息序列样本集,其中,所述广告位信息序列样本集中包含有各广告位信息序列样本和对应的序列标签,所述广告位信息序列样本中包含有各广告位的属性信息样本和多个历史流量数据样本;
将所述广告位信息序列样本集输入至初始的流量预测模型中,确定出所述各广告位的预测流量数据,并基于各预测流量数据和对应的序列标签,对所述初始的流量预测模型中的各参数进行调整,直至所述流量预测模型的平均绝对误差最小化,获得训练完成的所述流量预测模型,其中,所述平均绝对误差为根据广告位信息序列样本的样本数量、序列标签和各广告位的预测流量数据确定出的。
可选的,获取广告位信息序列样本集时,训练模块840具体用于:
获取各广告位在连续预定时间范围内的多个初始历史流量数据样本,并根据预设的滑窗大小对所述多个初始历史流量数据样本进行连续滑窗处理,获得多组历史流量数据样本和对应的真实流量数据样本;
分别根据多组历史流量数据样本和对应的真实流量数据样本,以及所述滑窗大小生成各流量序列样本和真实流量序列样本;
分别根据属性信息样本和所述滑窗大小生成各属性序列样本,并分别对各属性序列样本中的属性信息的维度进行扩充,以使所述各属性序列样本的维度与所述流量序列样本的维度相同;
分别基于各属性序列样本和各流量序列样本生成各广告位信息序列样本,并分别根据各属性序列样本和真实流量序列样本生成各序列标签;
生成包含有各广告位信息序列样本和对应的序列标签的广告位信息序列样本集。
可选的,所述属性信息至少包括以下一种:广告位来源渠道、广告位所属应用软件或广告位位置信息。
基于上述实施例,参阅图9所示为本申请实施例中电子设备的结构示意图。
本申请实施例提供了一种电子设备,该电子设备可以包括处理器910(CenterProcessing Unit,CPU)、存储器920、输入设备930和输出设备940等,输入设备930可以包括键盘、鼠标、触摸屏等,输出设备940可以包括显示设备,如液晶显示器(Liquid CrystalDisplay,LCD)、阴极射线管(Cathode Ray Tube,CRT)等。
存储器920可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器910提供存储器920中存储的程序指令和数据。在本申请实施例中,存储器920可以用于存储本申请实施例中任一种广告投放策略的优化方法的程序。
处理器910通过调用存储器920存储的程序指令,处理器910用于按照获得的程序指令执行本申请实施例中任一种广告投放策略的优化方法。
基于上述实施例,本申请实施例中,提供了一种计算机可读存储介质,其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上述任意方法实施例中的广告投放策略的优化方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种广告投放策略的优化方法,其特征在于,包括:
分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据,其中,所述历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数;
分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,其中,所述广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据;
基于已训练的流量预测模型,以所述广告位信息序列为输入参数,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,并根据所述高维特征和流量预测函数,确定所述各广告位的预测流量特征,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据;
根据所述各广告位的预测流量数据,优化所述各广告位的广告投放策略。
2.如权利要求1所述的方法,其特征在于,分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,生成广告位信息序列,具体包括:
对所述各广告位的属性信息进行one-hot编码,生成包含有编码后的属性信息的属性序列;
确定所述多个历史流量数据所属的量级,并从确定出的所述多个历史流量数据所属的量级中,确定出最小的量级,基于均值对数变换算法,分别将所述多个历史流量数据转换至确定出的最小的量级,并生成包含有多个转换后的历史流量数据的流量序列;
将所述属性序列与所述流量序列进行合并,生成广告位信息序列。
3.如权利要求1所述的方法,其特征在于,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据,具体包括:
通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征;
根据所述降维后的预测流量特征,获得所述各广告位的初始预测流量数据;
将各初始预测流量数据还原至对应的各历史流量数据对应的量级,获得待预测时间范围内所述各广告位的预测流量数据。
4.如权利要求1所述的方法,其特征在于,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,具体包括:
将所述广告位信息序列输入第一级残差卷积网络进行残差卷积特征提取,并将获得的残差特征作为下一级残差卷积网络的输入,直至获得最后一级残差卷积网络输出的残差特征,其中,所述流量预测模型中包含有多级残差卷积网络,每个残差卷积网络包括三层卷积层;
将所述各级残差卷积网络第三层卷积层的输出对应的残差特征相加,获得所述各广告位的高维特征。
5.如权利要求4所述的方法,其特征在于,若该残差卷积网络的第二层卷积层包括第一空洞卷积层和第二空洞卷积层,则获得每级残差卷积网络输出的残差特征,具体包括:
通过该残差卷积网络中的第一层卷积层,对所述广告位信息序列进行残差卷积特征提取,获得一维卷积特征;
通过第一空洞卷积层对所述一维卷积特征进行特征提取,通过第一激活函数输出第一空洞特征,并通过第二空洞卷积层对所述一维卷积特征进行特征提取,通过第二激活函数输出第二空洞特征;
通过对所述第一空洞特征和第二空洞特征进行点乘运算,获得所述第二层卷积层的输出;
通过该残差卷积网络中的第三层卷积层,对所述第二层卷积层的输出进行特征提取,获得该残差卷积网络最终输出的残差特征,其中,所述第三层卷积层为一维卷积层。
6.如权利要求3所述的方法,其特征在于,通过所述流量预测模型中的降维网络,对所述预测流量特征进行降维处理,获得降维后的预测流量特征,具体包括:
通过降维网络中的第一降维卷积层对所述预测流量特征进行降维处理,获得初始降维后的预测流量特征;
通过所述降维网络中的第二降维卷积层,对所述初始降维后的预测流量特征进行降维处理,获得降维后的预测流量特征,其中,所述第一降维卷积层与所述第二降维卷积层所包含的卷积核的数量不同。
7.如权利要求1所述的方法,其特征在于,所述流量预测模型的训练方式为:
获取广告位信息序列样本集,其中,所述广告位信息序列样本集中包含有各广告位信息序列样本和对应的序列标签,所述广告位信息序列样本中包含有各广告位的属性信息样本和多个历史流量数据样本;
将所述广告位信息序列样本集输入至初始的流量预测模型中,确定出所述各广告位的预测流量数据,并基于各预测流量数据和对应的序列标签,对所述初始的流量预测模型中的各参数进行调整,直至所述流量预测模型的平均绝对误差最小化,获得训练完成的所述流量预测模型,其中,所述平均绝对误差为根据广告位信息序列样本的样本数量、序列标签和各广告位的预测流量数据确定出的。
8.一种广告投放策略的优化装置,其特征在于,包括:
获取模块,用于分别针对各广告位,获取该广告位的属性信息,以及在多个连续预定采样时间段内采集到的多个历史流量数据,其中,所述历史流量数据表征在预定采样时间段内该广告位展示的对象被浏览的次数;
处理模块,用于分别对所述各广告位的属性信息和所述多个历史流量数据进行量化处理,生成广告位信息序列,其中,所述广告位信息序列中包括各广告位的量化后的属性信息和量化后的多个历史流量数据;
预测模块,用于基于已训练的流量预测模型,以所述广告位信息序列为输入参数,通过多级残差卷积网络对所述广告位信息序列进行高维特征提取,获得所述广告位信息序列的高维特征,并根据所述高维特征和流量预测函数,确定所述各广告位的预测流量特征,通过对所述预测流量特征进行降维处理,获得待预测时间范围内所述各广告位的预测流量数据;
优化模块,用于根据所述各广告位的预测流量数据,优化所述各广告位的广告投放策略。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其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权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177409.0A CN112801712B (zh) | 2021-02-09 | 2021-02-09 | 一种广告投放策略的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177409.0A CN112801712B (zh) | 2021-02-09 | 2021-02-09 | 一种广告投放策略的优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801712A true CN112801712A (zh) | 2021-05-14 |
CN112801712B CN112801712B (zh) | 2024-03-01 |
Family
ID=75814941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110177409.0A Active CN112801712B (zh) | 2021-02-09 | 2021-02-09 | 一种广告投放策略的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801712B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
CN113837814A (zh) * | 2021-11-01 | 2021-12-24 | 北京字节跳动网络技术有限公司 | 投放资源数量预测的方法、装置、可读介质及电子设备 |
CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399848A (zh) * | 2008-09-01 | 2009-04-01 | 腾讯科技(深圳)有限公司 | 针对网页广告进行带宽流量预测的系统及方法 |
KR20100030006A (ko) * | 2008-09-09 | 2010-03-18 | 엔에이치엔비즈니스플랫폼 주식회사 | 광고 트래픽에 따른 보상을 제공하는 광고 제공 방법 및 시스템 |
US20130275206A1 (en) * | 2012-04-11 | 2013-10-17 | Yahoo! Inc. | Per colo distribution in online advertising |
US20150348093A1 (en) * | 2014-05-27 | 2015-12-03 | Facebook, Inc. | Advertisement impression inventory manager |
CN109409504A (zh) * | 2018-10-10 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、计算机及存储介质 |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111310988A (zh) * | 2020-01-23 | 2020-06-19 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告流量预测方法及装置 |
CN111768251A (zh) * | 2020-09-03 | 2020-10-13 | 北京悠易网际科技发展有限公司 | 一种基于流量信息评估的广告投放方法、装置及电子设备 |
DE102019209644A1 (de) * | 2019-07-02 | 2021-01-07 | Robert Bosch Gmbh | Verfahren zum Trainieren eines neuronalen Netzes |
-
2021
- 2021-02-09 CN CN202110177409.0A patent/CN112801712B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101399848A (zh) * | 2008-09-01 | 2009-04-01 | 腾讯科技(深圳)有限公司 | 针对网页广告进行带宽流量预测的系统及方法 |
KR20100030006A (ko) * | 2008-09-09 | 2010-03-18 | 엔에이치엔비즈니스플랫폼 주식회사 | 광고 트래픽에 따른 보상을 제공하는 광고 제공 방법 및 시스템 |
US20130275206A1 (en) * | 2012-04-11 | 2013-10-17 | Yahoo! Inc. | Per colo distribution in online advertising |
US20150348093A1 (en) * | 2014-05-27 | 2015-12-03 | Facebook, Inc. | Advertisement impression inventory manager |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN109409504A (zh) * | 2018-10-10 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、计算机及存储介质 |
DE102019209644A1 (de) * | 2019-07-02 | 2021-01-07 | Robert Bosch Gmbh | Verfahren zum Trainieren eines neuronalen Netzes |
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111310988A (zh) * | 2020-01-23 | 2020-06-19 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告流量预测方法及装置 |
CN111768251A (zh) * | 2020-09-03 | 2020-10-13 | 北京悠易网际科技发展有限公司 | 一种基于流量信息评估的广告投放方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
熊文真;周娟;: "基于相空间重构的KPCA-HS-RVM网络流量预测模型", 荆楚理工学院学报, no. 06 * |
花蕾: "预测算法在广告效应中的应用研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 9 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
CN113837814A (zh) * | 2021-11-01 | 2021-12-24 | 北京字节跳动网络技术有限公司 | 投放资源数量预测的方法、装置、可读介质及电子设备 |
CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112801712B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801712B (zh) | 一种广告投放策略的优化方法及装置 | |
CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN107122327B (zh) | 一种利用训练数据训练模型的方法和训练系统 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN108549957B (zh) | 互联网话题趋势辅助预测方法及系统、信息数据处理终端 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN110569427A (zh) | 一种多目标排序模型训练、用户行为预测方法及装置 | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN106485348A (zh) | 一种交易数据的预测方法及装置 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN113255908A (zh) | 基于事件序列进行业务预测的方法、神经网络模型和装置 | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
CN114463036A (zh) | 一种信息处理方法及装置、存储介质 | |
CN113034193A (zh) | 一种app2vec在风控系统中建模的工作方法 | |
CN117421491A (zh) | 社交媒体账号运行数据的量化方法、装置及电子设备 | |
CN117036006A (zh) | 用户画像的生成方法及装置、存储介质、电子设备 | |
JP2005222445A (ja) | データマイニングにおける情報処理方法及び解析装置 | |
CN116401442A (zh) | 数据处理方法、装置、计算设备、系统及可读存储介质 | |
CN116228284A (zh) | 货品需求预测方法、训练方法、装置、计算机系统及介质 | |
CN115456039A (zh) | 点击率预估模型训练方法、点击率预估方法及电子设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |