CN112967096A - 多媒体资源的转化率确定方法、装置、服务器及存储介质 - Google Patents

多媒体资源的转化率确定方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN112967096A
CN112967096A CN202110308726.1A CN202110308726A CN112967096A CN 112967096 A CN112967096 A CN 112967096A CN 202110308726 A CN202110308726 A CN 202110308726A CN 112967096 A CN112967096 A CN 112967096A
Authority
CN
China
Prior art keywords
behavior
conversion
conversion rate
multimedia resource
rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110308726.1A
Other languages
English (en)
Inventor
陈健
程佳
张腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110308726.1A priority Critical patent/CN112967096A/zh
Publication of CN112967096A publication Critical patent/CN112967096A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • 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
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

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

Abstract

本公开提供了一种多媒体资源的转化率确定方法、装置、服务器及存储介质，属于互联网技术领域。所述方法包括：将多媒体资源输入到转化率预估模型中，输出多媒体资源中每种转化行为的预估转化率；获取多媒体资源中每种转化行为的转化系数；根据多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定多媒体资源的转化率。本公开中转化率预估模型训练过程与各种转化行为的转化系数进行解耦，使得模型的训练过程不再依赖于转化系数，转化系数的更新也不再依赖于模型进行更新，从而无需每天都对模型进行更新，只需要获取离线状态下计算的每种转化行为的转化系数即可，降低了多媒体资源的转化率确定过程的计算量，确定方法更简单。

Description

多媒体资源的转化率确定方法、装置、服务器及存储介质
技术领域
本公开涉及互联网技术领域，特别涉及一种多媒体资源的转化率确定方法、装置、服务器及存储介质。
背景技术
多媒体资源的转化率是指用户通过查看浏览或点击多媒体资源的一系列行为，在查看多媒体资源后某个时间段产生了线上支付订单、线下到店订单，以及某些被认为高概率成交订单的行为按照一定的系数折算成订单。由于多媒体资源展示通常会按照多媒体资源的转化率对多媒体资源进行投放，因此，需要确定出多媒体资源的转化率。
相关技术中，确定多媒体资源的转化率时，主要采用如下方法：预先训练转化率预估模型，该转化率预估模型包括点击率预估模块、曝光转化率预估模块及转化率计算模块等；基于点击率预估模块，预估多媒体资源的点击率；基于曝光转化率预估模块，预估多媒体资源从曝光到转化的曝光转化率；基于转化率计算模块计算曝光转化率与点击率的比值，得到多媒体资源的转化率。
然而，曝光转化率预估模块拟合了各种转化行为的转化系数，该转化系数每天进行更新，这样，所训练的转化率预估模型也需要每天进行更新，导致多媒体资源的转化率确定过程较为繁琐。
发明内容
本公开实施例提供了一种多媒体资源的转化率确定方法、装置、服务器及存储介质，能够减低多媒体资源的转化率确定过程的复杂度。所述技术方案如下：
第一方面，提供了一种多媒体资源的转化率确定方法，所述方法包括：
将多媒体资源输入到转化率预估模型中，输出所述多媒体资源中每种转化行为的预估转化率；
获取所述多媒体资源中每种转化行为的转化系数；
根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率。
在本公开的另一个实施例中，所述将多媒体资源输入到转化率预估模型中，输出每种转化行为的预估转化率之前，所述方法还包括：
获取多个训练样本多媒体资源，所述训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到所述转化率预估模型。
在本公开的另一个实施例中，所述获取所述多媒体资源中每种转化行为的转化系数，包括：
根据所述多媒体资源的资源类型和当前日期，获取所述当前日期和所述资源类型对应的每种转化行为的转化系数。
在本公开的另一个实施例中，所述转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为及在线咨询沟通行为。
在本公开的另一个实施例中，所述根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率，包括：
将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；
将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；
将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；
将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；
将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值；
将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；
将所述第一数值、所述第二数值、所述第三数值、所述第四数值、所述第五数值及所述第六数值之和，确定为所述多媒体资源的转化率。
第二方面，提供了一种多媒体资源的准化率确定装置，所述装置包括：
输入输出模块，用于将多媒体资源输入到转化率预估模型中，输出所述多媒体资源中每种转化行为的预估转化率；
获取模块，用于获取所述多媒体资源中每种转化行为的转化系数；
确定模块，用于根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率。
在本公开的另一个实施例中，所述装置还包括：
所述获取模块，还用于获取多个训练样本多媒体资源，所述训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
计算模块，用于基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
所述计算模块，还用于基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
训练模块，用于基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到所述转化率预估模型。
在本公开的另一个实施例中，所述获取模块，用于根据所述多媒体资源的资源类型和当前日期，获取所述当前日期和所述资源类型对应的每种转化行为的转化系数。
在本公开的另一个实施例中，所述转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线点击行为及在线咨询沟通行为。
在本公开的另一个实施例中，所述确定模块，用于将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；将在线点击行为的预估转化率与在线点击行为的转化系数相乘，得到第五数值；将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；将所述第一数值、所述第二数值、所述第三数值、所述第四数值、所述第五数值及所述第六数值之和，确定为所述多媒体资源的转化率。
第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如第一方面所述的多媒体资源的转化率确定方法。
第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如第一方面所述的多媒体资源的转化率确定方法。
本公开实施例提供的技术方案带来的有益效果是：
转化率预估模型训练过程与各种转化行为的转化系数进行解耦，使得模型的训练过程不再依赖于转化系数，转化系数的更新也不再依赖于模型进行更新，从而无需每天都对模型进行更新，只需要获取离线状态下计算的每种转化行为的转化系数即可，降低了多媒体资源的转化率确定过程的计算量，确定方法更简单。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种多媒体资源的转化率确定方法所涉及的实施环境；
图2是本公开实施例提供的一种转化率预估模型的结构示意图；
图3是本公开实施例提供的一种多媒体资源的转化率确定方法的流程图；
图4是本公开实施例提供的另一种多媒体资源的转化率确定方法的流程图；
图5是本公开实施例提供的一种转化率时间曲线曲线；
图6是本公开实施例提供的一种投资回报率曲线；
图7是本公开实施例提供的一种多媒体资源的转化率确定装置的结构示意图；
图8是根据一示例性实施例示出的一种用于多媒体资源的转化率确定的服务器。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
在执行本公开实施例之前，首先对本公开实施例涉及的名词进行解释。
考虑到OTO(Online To Offline，线上到线下)行业效果转化无法完全在线上闭环完成的特点，目前除了使用类似电商的支付转化来评估多媒体资源(例如，广告)为商户带来的线上收益，同时还会关注多媒体资源为商户带来的线下收益，也即是，在OTO场景下需要同时评估多媒体资源为商户带来的线上线下收益。
多媒体资源的转化率是指用户通过查看浏览或点击多媒体资源的一系列行为，在查看多媒体资源后某个时间段产生了线上支付订单、线下到店订单，以及某些被认为高概率成交订单的行为按照一定的系数折算成订单。
多媒体资源的点击率(CVR，Conversion Rate)是指多媒体资源的点击次数和曝光次数的比值。
多媒体资源的转化率(CTR，Click Through Rate)是指多媒体资源的转化数与点击数的比值。
多媒体资源的曝光转化率(CTCVR，Click Through Conversion Rate)是指多媒体资源的转化次数与曝光次数的比值。
多媒体资源的点击率*多媒体资源的转化率＝多媒体资源的曝光转化率，即CTR*CVR＝CTCVR。
多媒体资源的评分＝多媒体资源的点击率*多媒体资源的转化率*转化出价。该多媒体资源的评分决定多个多媒体资源的展示顺序。
转化系数是指多媒体资源的每种转化行为折算成订单的比率。在OTO场景下场景转化行为有多种，不同转化行为在业务规则中的转化系数不同(该转化系数由业务侧按照确定的公式计算得到，且该转化系数通常每日进行更新)，例如，电话行为、收藏行为、分享行为等弱转化行为的转化系数在0～1之间，支付行为、到店行为等强转化行为的转化系数为1。多媒体资源的转化系数的确定规则为：支付行为(下单)>到店行为>弱转化(弱转化内部按照转化系数大小排序)，通常前一种转化行为发生，后面的转化行为不计入多媒体资源的转化，即Max(转化行为*转化系数)。
在OTO场景中，不同广告位上的强弱转化行为的分布、弱转化行为的分布差异较大，例如，表1所示的不同广告位上的转化行为及相应的转化数。
表1
Figure BDA0002988823390000061
Figure BDA0002988823390000071
参见表1，到餐广告位(50003/50004)的转化行为主要集中在支付行为、到店行为、电话行为、分享行为上，这几种行为的占比在90％以上，其中支付行为和到店行为占比达到40％以上，这是因为食客单价较低，支付行为和到店行为相对高频。
到综广告位(50005/50023)的转化行为主要集中在收藏行为、分享行为以及在线咨询行为上，占比达到80％以上，这是由于到综的客户单价较高，客户到店是否支付或到店的决策周期较长，因而支付行为或到店行为相对低频，更多的是通过收藏行为、分享行为及在线咨询行为等方式来辅助决策。
首页广告位(50007)的转化行为主要集中在支付行为、到店行为以及电话行为上，占比达到70％以上，这是由于通常首页美食流量占比达到60％以上，且支付行为和到店行为相对高频，但还会有一些到综流量，因而在线咨询等转化行为也占据一定的比例。
可以理解，本公开实施例所使用的术语“每个”、“多个”及“任一”等，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指对应的多个中的任意一个。举例来说，多个词语包括10个词语，而每个词语是指这10个词语中的每一个词语，任一词语是指10个词语中的任意一个词语。
请参考图1，其示出本公开实施例提供的多媒体资源的转化率确定方法所涉及的实施环境，参见图1，该实施环境包括：终端101和服务器102。
其中，终端101可以为智能手机、平板电脑、笔记本电脑、台式电脑、智能音响、智能手表等设备，本公开实施例不对终端的产品类型作具体的限定。终端101中安装有用于展示多媒体资源的应用，该应用可以为浏览器应用、购物应用、外卖应用、点评应用等，基于所安装的应用，终端101能够展示多媒体资源，并获取用户对多媒体资源的点击、支付、收藏、电话、分享、在线咨询点击、在线咨询沟通等行为，并将这些行为发送至服务器102，使得服务器102能够确定出多媒体资源的每种转化行为的点击率及转化率等。
服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。服务器102为终端101中安装的用于展示多媒体资源的应用的后台服务器，基于该应用服务器102能够获取多媒体资源的曝光数和点击数以及各种转化行为的转化次数、点击次数等，从而计算出每种转化行为的点击率、转化率及曝光转化率，并按照预设规则确定出每种转化行为的转化系数，进而基于所计算出的多媒体资源的点击率、转化率及曝光转化率，训练出多媒体资源的转化率预估模型，从而在在线状态下确定出多媒体资源的转化率。
上述终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本公开实施例对此不作具体的限定。
考虑到OTO场景下用户通常具有以下特点：
第一点、在电商平台中下单前用户通常会将需要购买的物品加入购物车或是心愿单，因而弱转化行为到强转化行为之间有较为明确的递进关系。但在OTO场景中，强转化行为(支付或到店)并不一定由弱转化行为(收藏行为、分享行为或电话行为等)转化而来，甚至部分用户在点击后会先发生强转化行为，再发生弱转化行为。例如，用户可能会在购买优惠券后才将商户分享给好友；或者是用户会在到店消费后才会收藏该商户。
第二点、支付行为和到店行为之间有很强的相关性，通常60％左右的支付订单都会伴随着到店行为。
结合上述两点内容，本公开实施例将多媒体资源的CTCVR拆分成六种转化行为，其中，支付行为和到店行为合并为一种转化行为，收藏行为、电话行为、分享行为、在线咨询点击行为、在线咨询沟通行为各自为一种转化行为。各种转化行为地位相同，位于同一层级。
针对现有技术中存在的问题，本公开实施例采用ESMM(Entire Space Multi-taskModel，全空间多任务模型)+Multitask的方式，将多媒体资源的CTCVR拆分成六种转化行为的CTCVR，进而针对六种转化行为进行建模。
参见图2，模型构建过程中总共涉及到七个任务，分别为点击率任务及六个转化率任务，模型训练完成之后，对于输入的任一多媒体资源，能够预估该多媒体资源的点击率及六个曝光集上的曝光转化率(包括曝光->支付行为&到店行为的概率、曝光->收藏行为的概率、曝光->电话行为的概率、曝光->分享行为的概率、曝光->在线咨询点击行为的概率、曝光->在线咨询沟通行为的概率，其中，曝光->表示从曝光到某种转化行为的概率)。
对多媒体资源进行排序时，所采用的转化率为点击后转化的概率，其计算方式为：
P(每种转化行为的转化率)＝P(每种转化行为的曝光转化率)/P(每种转化行为的点击率)，也即是，
P(支付行为&到店行为|点击)＝P(支付行为&到店行为|曝光)/P(点击|曝光)，其中，P(支付行为&到店行为|点击)表示点击->支付行为&到店行为的转化率，P(支付行为&到店行为|曝光)表示曝光->支付行为&到店行为的曝光转化率，P(点击|曝光)表示点击率。
P(收藏行为|点击)＝P(收藏行为|曝光)/P(点击|曝光)，其中，P(收藏行为|点击)表示点击->收藏的转化率，P(收藏行为|曝光)表示曝光->收藏行为的曝光转化率。
P(电话行为|点击)＝P(电话行为|曝光)/P(点击|曝光)，其中，P(电话行为|点击)表示点击->电话行为的转化率，P(电话行为|曝光)表示曝光->电话行为的曝光转化率。
P(分享行为|点击)＝P(分享行为|曝光)/P(点击|曝光)，其中，P(分享行为|点击)表示点击->分享行为的转化率，P(分享行为|曝光)表示曝光->分享行为的曝光转化率。
P(在线咨询点击行为|点击)＝P(在线咨询点击行为|曝光)/P(点击|曝光)，其中，P(在线咨询点击行为|点击)表示点击->在线咨询点击行为的转化率，P(在线咨询点击行为|曝光)表示曝光->在线咨询点击行为的曝光转化率。
P(在线咨询沟通行为|点击)＝P(在线咨询沟通行为|曝光)/P(点击|曝光)，其中，P(在线咨询沟通行为|点击)表示点击->在线咨询沟通行为的转化率，P(在线咨询沟通行为|曝光)表示曝光->在线咨询沟通行为的曝光转化率。
本公开实施例预估出每种转化行为的转化率之后，根据业务规则计算出各种转化行为的总转化率之和，作为多媒体资源的转化率。具体的计算方法为：多媒体资源的转化率＝P(支付行为&到店行为|点击)+P(电话行为|点击)*电话行为的转化系数+P(分享行为|点击)*分享行为的转化系数+P(收藏|点击)*收藏行为的转化系数+P(在线咨询点击行为|点击)*在线咨询点击的转化系数+P(在线咨询沟通行为|点击)*在线咨询沟通行为的转化系数。
本公开实施例提供了一种多媒体资源的转化率确定方法，参见图3，本公开实施例提供的方法流程包括：
301、将多媒体资源输入到转化率预估模型中，输出多媒体资源中每种转化行为的预估转化率。
302、获取多媒体资源中每种转化行为的转化系数。
303、根据多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定多媒体资源的转化率。
本公开实施例提供的方法，转化率预估模型训练过程与各种转化行为的转化系数进行解耦，使得模型的训练过程不再依赖于转化系数，转化系数的更新也不再依赖于模型进行更新，从而无需每天都对模型进行更新，只需要获取离线状态下计算的每种转化行为的转化系数即可，降低了多媒体资源的转化率确定过程的计算量，确定方法更简单。
在本公开的另一个实施例中，将多媒体资源输入到转化率预估模型中，输出每种转化行为的预估转化率之前，方法还包括：
获取多个训练样本多媒体资源，训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到转化率预估模型。
在本公开的另一个实施例中，获取多媒体资源中每种转化行为的转化系数，包括：
根据多媒体资源的资源类型和当前日期，获取当前日期和资源类型对应的每种转化行为的转化系数。
在本公开的另一个实施例中，转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为及在线咨询沟通行为。
在本公开的另一个实施例中，根据多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定多媒体资源的转化率，包括：
将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；
将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；
将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；
将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；
将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值；
将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；
将第一数值、第二数值、第三数值、第四数值、第五数值及第六数值之和，确定为多媒体资源的转化率。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本公开实施例提供了一种多媒体资源的转化率确定方法，参见图4，本公开实施例提供的方法流程包括：
401、服务器预先训练转化率预估模型。
其中，转化率预估模型用于预估多媒体资源的转化率。转化率预估模型的训练过程为：
4011、服务器获取多个训练样本多媒体资源。
其中，训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数等。转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为、在线咨询沟通行为等。
4012、基于每个训练样本多媒体资源的曝光次数和点击次数，服务器计算每个训练样本多媒体资源的点击率。
对于任一训练样本多媒体资源，服务器计算该训练样本多媒体资源的点击次数与曝光次数的比值，得到该训练样本多媒体资源的点击率。例如，训练样本多媒体资源的点击次数为1000次，曝光次数为2000次，则该多媒体资源的点击率为1000/2000＝0.5。
4013、基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，服务器计算每个训练样本多媒体资源中每种转化行为的曝光转化率。
对于任一训练样本多媒体资源，服务器计算该训练样本多媒体资源的每种转化行为的转化次数与该训练样本多媒体资源的曝光次数之间的比值，得到该训练样本多媒体资源中每种转化行为的曝光转化率。例如，训练样本多媒体资源的曝光次数为100000次，支付行为或到店行为的转化数为60000次，收藏行为的转化数为5000次，电话行为的转化数为10000次，分享行为的转化数为15000次，在线咨询点击行为的转化数为5000次，在线咨询沟通行为的转化数为5000次，则支付行为或到店行为的曝光转化率为60000/100000＝0.6，收藏行为的曝光转化率为5000/100000＝0.05，电话行为的曝光转化率为10000/100000＝0.1，分享行为的曝光转化率为15000/100000＝0.15，在线咨询点击行为的曝光转化率为5000/100000＝0.05，在线咨询沟通行为的曝光转化率为5000/100000＝0.05。
4014、基于每个训练样本多媒体资源的点击率和每种转化行为曝光转化率，服务器对初始转化率预估模型进行训练，得到转化率预估模型。
其中，初始转化率模型包括点击率预估模块、曝光转化率预估模块及转化率计算模块，该曝光转化率预估模块能够预估出每种转化行为的曝光转化率，在对初始转化率模型进行训练时，服务器可基于多个训练样本多媒体资源的点击率，对初始转化率预估模型中的点击率预估模块进行训练，并基于多个训练样本多媒体资源中每种转化行为的曝光转化率，对初始转化率预估模型中曝光转化率预估模块进行训练，然后将训练好的点击率预估模块、曝光转化率预估模块及转化率计算模块组成训练好的转化率预估模块。
402、服务器将多媒体资源输入到转化率预估模型中，输出多媒体资源中每种转化行为的预估转化率。
在多媒体资源投放场景下，服务器需要确定多媒体资源的投放顺序，而多媒体资源的预估转化率影响着多媒体资源的投放顺序，因此，为了确定出多媒体资源的投放顺序，服务器基于预先训练的转化率预估模型，将多媒体资源输入到转化率预估模型中，输出多媒体资源中每种转化行为的预估转化率。
403、服务器获取多媒体资源中每种转化行为的转化系数。
由于业务内容不同，不同类型的多媒体资源中每种转化行为的转化系数是不同的，且考虑到同一类型的多媒体资源在不同日期(例如工作日和节假日)的转化情况是不同的，为此，本公开实施例在多媒体资源所属商户的标识的一级类目下，为多媒体资源增加是否节假日和资源类型的二级类目。为了便于后续对不同类型的多媒体资源的转化系数进行应用，服务器可以表格形式存储多媒体资源的资源类型、是否节假日、多媒体资源所属商户的标识之间的对应关系，从而在后续使用时可直接查询该表格。另外，为了提高多媒体资源的转化率的准确性，且缩短多媒体资源投放过程的决策时间，服务器可在离线状态下计算每种类型的多媒体资源中每种转化行为的转化系数，并按天对每种类型的多媒体资源的转化系数进行更新。
在实际应用过程，服务器多媒体资源所属商户的标识从表格中查询到对应的二级类目，进而根据多媒体资源的资源类型和当前日期，获取当前日期和资源类型对应的每种转化行为的转化系数。
404、服务器根据多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定多媒体资源的转化率。
基于所获取到的多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，服务器在确定多媒体资源的转化率时，可将每种转化行为的预估转化率与相应的转化行为的转化系数相乘，并将各种转化行为的预估转化率与各种转化行为的转化系数的乘积之和，确定为多媒体资源的转化率。
具体的，服务器将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值，将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值，将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值，将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值，将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值，将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值，进而将第一数值、第二数值、第三数值、第四数值、第五数值及第六数值之和，确定为多媒体资源的转化率。
基于所确定的多媒体资源的转化率，服务器可计算出多媒体资源的展示分数，从而按照展示分数由高到低的顺序，确定多媒体资源的展示顺序。
为了验证本公开实施例中方案的有效性，下面将从离线AUC(Area Under Curve，曲线下的面积)、离线及线上效果等三个方面进行评估。
离线AUC：AUC的本质是评估将正样本预测为正的概率比将负样本预测为正的概率大的可能性。假设总共有(m+n)个样本，其中m个正样本，n个负样本，则总共有m*n个样本对，将正样本预测为正的概率大于负样本预测为正的概率的样本对记为1，将计算结果累加计数，然后除以(m*n)得到AUC的值。AUC越高说明正样本更多地排在负样本前面，排序方式也就越好。表2所示了原方案和本方案的对比。
表2
50007 曝光集 点击集
原方案 0.9023 0.8706
本方案 0.9265 0.8969
通过上述表2可以看出，本方案在曝光集和点击集上AUC均提升2％以上。
离线COPC：由于广告涉及到对商户收费，因而除了广告的顺序，打分的准确也同样重要。举例来说，假如按照一价计费，则最终计费就是CVR*转化出价，AUC保证了广告的顺序，但可能会存在CVR整体被预估偏高一倍的情况，即本来CVR是0.01，却被预估成0.02，则对于商户而言，会被多收一倍的钱(0.01*转化出价->0.02*倍转化出价)，因而通过离线COPC指标来评估本方案是否预估的时可通过公式COPC＝SUM(真实值)/SUM(预估值)进行评估。表3示出了本方案中所计算出的COPC。
表3
Figure BDA0002988823390000141
Figure BDA0002988823390000151
通过上述表3中对模型进行多天测试可以看出，本方案中的AUC基本稳定，与此同时COPC基本维持在0.9～1.1之间，所训练的模型较为精准。
线上效果：在线上对本方案进行实验，实验结果稳定置信。图5为转化率时间曲线，图6为ROI(Return On Investment，投资回报率)时间曲线，该ROI＝广告为商户带来收入/商户花在广告上的费用。通过对比原方案和本方案可以看出，本方案的效果有较大的提升。
本公开实施例提供的方法，转化率预估模型训练过程与各种转化行为的转化系数进行解耦，使得模型的训练过程不再依赖于转化系数，转化系数的更新也不再依赖于模型进行更新，从而无需每天都对模型进行更新，只需要获取离线状态下计算的每种转化行为的转化系数即可，降低了多媒体资源的转化率确定过程的计算量，确定方法更简单。
参见图7，本公开实施例提供了一种多媒体资源的转化率确定装置，该装置包括：
输入输出模块701，用于将多媒体资源输入到转化率预估模型中，输出多媒体资源中每种转化行为的预估转化率；
获取模块702，用于获取多媒体资源中每种转化行为的转化系数；
确定模块703，用于根据多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定多媒体资源的转化率。
在本公开的另一个实施例中，该装置还包括：
获取模块702，还用于获取多个训练样本多媒体资源，训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
计算模块，用于基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
计算模块，还用于基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
训练模块，用于基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到转化率预估模型。
在本公开的另一个实施例中，获取模块702，用于根据多媒体资源的资源类型和当前日期，获取当前日期和资源类型对应的每种转化行为的转化系数。
在本公开的另一个实施例中，转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为及在线咨询沟通行为。
在本公开的另一个实施例中，确定模块703，用于将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值；将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；将第一数值、第二数值、第三数值、第四数值、第五数值及第六数值之和，确定为多媒体资源的转化率。
综上所述，本公开实施例提供的装置，转化率预估模型训练过程与各种转化行为的转化系数进行解耦，使得模型的训练过程不再依赖于转化系数，转化系数的更新也不再依赖于模型进行更新，从而无需每天都对模型进行更新，只需要获取离线状态下计算的每种转化行为的转化系数即可，降低了多媒体资源的转化率确定过程的计算量，确定方法更简单。
图8是根据一示例性实施例示出的一种用于多媒体资源的转化率确定的服务器。参照图8，服务器800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理组件822的执行的指令，例如应用程序。存储器832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82被配置为执行指令，以执行上述多媒体资源的转化率确定方法中服务器所执行的功能。
服务器800还可以包括一个电源组件826被配置为执行服务器800的电源管理，一个有线或无线网络接口850被配置为将服务器800连接到网络，和一个输入输出(I/O)接口858。服务器800可以操作基于存储在存储器832的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本公开实施例提供的计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如图3或图4所示的多媒体资源的转化率确定方法。该计算机可读存储介质可以是非暂态的。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种多媒体资源的转化率确定方法，其特征在于，所述方法包括：
将多媒体资源输入到转化率预估模型中，输出所述多媒体资源中每种转化行为的预估转化率；
获取所述多媒体资源中每种转化行为的转化系数；
根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率。
2.根据权利要求1所述的方法，其特征在于，所述将多媒体资源输入到转化率预估模型中，输出每种转化行为的预估转化率之前，所述方法还包括：
获取多个训练样本多媒体资源，所述训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到所述转化率预估模型。
3.根据权利要求1所述的方法，其特征在于，所述获取所述多媒体资源中每种转化行为的转化系数，包括：
根据所述多媒体资源的资源类型和当前日期，获取所述当前日期和所述资源类型对应的每种转化行为的转化系数。
4.根据权利要求1所述的方法，其特征在于，所述转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为及在线咨询沟通行为。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率，包括：
将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；
将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；
将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；
将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；
将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值；
将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；
将所述第一数值、所述第二数值、所述第三数值、所述第四数值、所述第五数值及所述第六数值之和，确定为所述多媒体资源的转化率。
6.一种多媒体资源的转化率确定装置，其特征在于，所述装置包括：
输入输出模块，用于将多媒体资源输入到转化率预估模型中，输出所述多媒体资源中每种转化行为的预估转化率；
获取模块，用于获取所述多媒体资源中每种转化行为的转化系数；
确定模块，用于根据所述多媒体资源中每种转化行为的预估转化率与相应的转化行为的转化系数，确定所述多媒体资源的转化率。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
所述获取模块，还用于获取多个训练样本多媒体资源，所述训练样本多媒体资源标注有曝光次数、点击次数、每种转化行为的转化次数；
计算模块，用于基于每个训练样本多媒体资源的曝光次数和点击次数，计算每个训练样本多媒体资源的点击率；
所述计算模块，还用于基于每个训练样本多媒体资源的曝光次数和每种转化行为的转化次数，计算每个训练样本多媒体资源中每种转化行为的曝光转化率；
训练模块，用于基于每个训练样本多媒体资源的点击率和每种转化行为的曝光转化率，对初始转化率预估模型进行训练，得到所述转化率预估模型。
8.根据权利要求6所述的装置，其特征在于，所述获取模块，用于根据所述多媒体资源的资源类型和当前日期，获取所述当前日期和所述资源类型对应的每种转化行为的转化系数。
9.根据权利要求6所述的装置，其特征在于，所述转化行为包括支付行为、到店行为、电话行为、收藏行为、分享行为、在线咨询点击行为及在线咨询沟通行为。
10.根据权利要求9所述的装置，其特征在于，所述确定模块，用于将支付行为或到店转化行为的预估转化率与支付行为或到店行为的转化系数相乘，得到第一数值；将电话行为的预估转化率与电话行为的转化系数相乘，得到第二数值；将收藏行为的预估转化率与收藏行为的转化系数相乘，得到第三数值；将分享行为的预估转化率与分享行为的转化系数相乘，得到第四数值；将在线咨询点击行为的预估转化率与在线咨询点击行为的转化系数相乘，得到第五数值；将在线咨询沟通行为的预估转化率与在线咨询沟通行为的转化系数相乘，得到第六数值；将所述第一数值、所述第二数值、所述第三数值、所述第四数值、所述第五数值及所述第六数值之和，确定为所述多媒体资源的转化率。
11.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现如权利要求1至5中任一项所述的多媒体资源的转化率确定方法。
12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如权利要求1至5中任一项所述的多媒体资源的转化率确定方法。
CN202110308726.1A 2021-03-23 2021-03-23 多媒体资源的转化率确定方法、装置、服务器及存储介质 Pending CN112967096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110308726.1A CN112967096A (zh) 2021-03-23 2021-03-23 多媒体资源的转化率确定方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110308726.1A CN112967096A (zh) 2021-03-23 2021-03-23 多媒体资源的转化率确定方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN112967096A true CN112967096A (zh) 2021-06-15

Family

ID=76278086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110308726.1A Pending CN112967096A (zh) 2021-03-23 2021-03-23 多媒体资源的转化率确定方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN112967096A (zh)

Similar Documents

Publication Publication Date Title
JP6788667B2 (ja) 広告リフトの測定
CN111125574B (zh) 用于生成信息的方法和装置
US20120158456A1 (en) Forecasting Ad Traffic Based on Business Metrics in Performance-based Display Advertising
US8732015B1 (en) Social media pricing engine
US8676646B2 (en) Response attribution valuation
US8738440B2 (en) Response attribution valuation
US20200065852A1 (en) Reallocation of electronic resources using a predictive model of attribution
US11216850B2 (en) Predictive platform for determining incremental lift
Dinner et al. Driving online and offline sales: The cross-channel effects of digital versus traditional advertising
Tunuguntla et al. A near-optimal bidding strategy for real-time display advertising auctions
CN112215448A (zh) 分配客服的方法和装置
CN112446764A (zh) 游戏商品推荐方法、装置及电子设备
CN113379511A (zh) 用于输出信息的方法和装置
CN117132328A (zh) 广告投放控制方法及其装置、设备、介质
CN110766478A (zh) 一种提高用户连接性的方法和装置
CN112967096A (zh) 多媒体资源的转化率确定方法、装置、服务器及存储介质
CN110826823A (zh) 定价策略的评价方法和系统
CN111506643B (zh) 用于生成信息的方法、装置和系统
US20160343025A1 (en) Systems, methods, and devices for data quality assessment
CN111784091A (zh) 用于处理信息的方法和装置
CN113361834B (zh) 一种确定分配量的方法和装置
CN109767278B (zh) 用于输出信息的方法和装置
US20190026806A1 (en) System and method of responding to consumer demand to facilitate exchange of goods or services
CN118735598A (zh) 训练预测模型、确定广告投放人群的方法和装置
CN115392972A (zh) 一种数据分析方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210615

WD01 Invention patent application deemed withdrawn after publication