CN113011921A - 信息推送方法、装置、电子设备及可读存储介质 - Google Patents
信息推送方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113011921A CN113011921A CN202110291648.9A CN202110291648A CN113011921A CN 113011921 A CN113011921 A CN 113011921A CN 202110291648 A CN202110291648 A CN 202110291648A CN 113011921 A CN113011921 A CN 113011921A
- Authority
- CN
- China
- Prior art keywords
- information
- pushed
- pushing
- parameter
- push
- 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
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
- G06N3/04—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
- G06N3/08—Learning methods
-
- 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
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
-
- 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
- G06Q30/0273—Determination of fees for advertising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能的互联网技术领域,公开了一种信息推送方法、装置、电子设备及可读存储介质,信息推送方法包括:接收用户终端的信息推送请求,基于信息推送请求获取符合曝光需求的第一待推送信息;基于训练后的预测网络预测第一待推送信息的第一出价参数;基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息;将目标推送信息推送至用户终端。本申请提供的信息推送方法对于不同网络推送信息对应的多个推送方案,可以有效减少计算量,并且提高计算效率。
Description
技术领域
本申请涉及互联网技术领域,具体而言,本申请涉及一种信息推送方法、装置、电子设备及可读存储介质。
背景技术
随着网络的快速发展和普及,网络推送信息,即网络广告作为新兴的广告产业也随之兴起。推送信息包括两种形式:合约形式和竞价形式,合约推送信息是媒体需在规定的时间内,根据广告主的定向条件,完成相应的广告推送合约;竞价推送信息是一种由用户自主投放,自主管理,按照广告效果付费的新型网络广告形式。
目前业界对于网络推送信息的推送方案的研究主要是在需求约束和供给约束下的广告分配的最优化求解问题,对于不同网络推送信息对应的多个推送方案,计算量较大,且计算效率较低。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特提出以下技术方案:
第一方面,提供了一种信息推送方法,包括:
接收用户终端的信息推送请求,基于信息推送请求获取符合曝光需求的第一待推送信息;第一待推送信息为第一类型的推送信息;第一类型的推送信息是按照约定参数进行推送的;
基于训练后的预测网络预测第一待推送信息的第一出价参数;其中,预测网络是基于样本推送信息进行训练生成的;
基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息;其中,第二待推送信息为第二类型的推送信息;第二类型的推送信息是基于用户的出价参数进行推送的;
将目标推送信息推送至用户终端。
在第一方面的可选实施例中,获取符合曝光需求的第一待推送信息,包括:
基于信息推送请求获取曝光需求信息;
从多个第一类型的待推送信息中筛选出与曝光需求信息相匹配的第一待推送信息。
在第一方面的可选实施例中,曝光需求信息中携带有曝光特征;基于训练后的预测网络预测第一待推送信息的第一出价参数,包括:
提取第一待推送信息中的待推送特征;
将待推送特征和曝光特征输入预测网络,得到第一待推送信息的第一出价参数。
在第一方面的可选实施例中,曝光需求信息中携带有曝光特征;基于训练后的预测网络预测第一待推送信息的第一出价参数,包括:
提取第一待推送信息中的待推送特征;
确定第一待推送信息的上下文特征;上下文特征包括点击率和转化率中的至少一种;
将待推送特征、曝光特征以及上下文特征输入预测网络,得到第一待推送信息的第一出价参数。
在第一方面的可选实施例中,待推送特征包括定向特征、频次特征中的至少一种;曝光特征包括地域特征、性别特征、年龄特征、推送平台特征、推送频道特征中的至少一种。
在第一方面的可选实施例中,预测网络通过如下方式训练得到:
获取符合样本曝光特征的样本待推送特征;
基于初始预测网络预测样本待推送特征的初始样本出价参数;
若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络。
在第一方面的可选实施例中,还包括:
若基于评价函数确定初始样本出价参数不符合预设条件,则更新初始预测网络的参数得到更新后的初始预测网络;
更新初始样本出价参数,直至基于评价函数确定更新后的初始样本出价参数符合预设条件,或直至累计更新时长或更新次数超过预设阈值,则将初始预测网络设为预测网络。
在第一方面的可选实施例中,若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络之前,还包括:
基于预设的评价函数确定初始样本出价参数的评价结果;
若评价结果为收敛,则初始样本出价参数符合预设条件。
在第一方面的可选实施例中,基于预设的评价函数确定初始样本出价参数的评价结果,包括:
判断初始样本出价参数是否符合预设约束信息;预设约束信息包括转化率目标信息、反选约束信息中的至少一种;
若初始样本出价参数符合预设约束信息,则基于预设的评价函数确定初始样本出价参数的评价结果。
在第一方面的可选实施例中,基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息,包括:
基于第一出价参数和第二出价参数分别确定对应的第一待推送信息和第二待推送信息的推送数值;推送数值用于表示推送信息与用户终端的适配度;
基于第一待推送信息和第二待推送信息的推送数值确定目标推送信息。
第二方面,提供了一种信息推送装置,包括:
获取模块,用于接收用户终端的信息推送请求,基于信息推送请求获取符合曝光需求的第一待推送信息;第一待推送信息为第一类型的推送信息;第一类型的推送信息是按照约定参数进行推送的;
预测模块,用于基于训练后的预测网络预测第一待推送信息的第一出价参数;其中,预测网络是基于样本推送信息进行训练生成的;
确定模块,用于基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息;其中,第二待推送信息为第二类型的推送信息;第二类型的推送信息是基于用户的出价参数进行推送的;
推送模块,用于将目标推送信息推送至用户终端。
在第二方面的可选实施例中,获取模块在获取符合曝光需求的第一待推送信息时,具体用于:
基于信息推送请求获取曝光需求信息;
从多个第一类型的待推送信息中筛选出与曝光需求信息相匹配的第一待推送信息。
在第二方面的可选实施例中,曝光需求信息中携带有曝光特征;预测模块在基于训练后的预测网络预测第一待推送信息的第一出价参数时,具体用于:
提取第一待推送信息中的待推送特征;
将待推送特征和曝光特征输入预测网络,得到第一待推送信息的第一出价参数。
在第二方面的可选实施例中,曝光需求信息中携带有曝光特征;预测模块在基于训练后的预测网络预测第一待推送信息的第一出价参数时,具体用于:
提取第一待推送信息中的待推送特征;
确定第一待推送信息的上下文特征;上下文特征包括点击率和转化率中的至少一种;
将待推送特征、曝光特征以及上下文特征输入预测网络,得到第一待推送信息的第一出价参数。
在第二方面的可选实施例中,待推送特征包括定向特征、频次特征中的至少一种;曝光特征包括地域特征、性别特征、年龄特征、推送平台特征、推送频道特征中的至少一种。
在第二方面的可选实施例中,还包括训练模块,用于:
获取符合样本曝光特征的样本待推送特征;
基于初始预测网络预测样本待推送特征的初始样本出价参数;
若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络。
在第二方面的可选实施例中,还包括更新模块,用于:
若基于评价函数确定初始样本出价参数不符合预设条件,则更新初始预测网络的参数得到更新后的初始预测网络;
更新初始样本出价参数,直至基于评价函数确定更新后的初始样本出价参数符合预设条件,或直至累计更新时长或更新次数超过预设阈值,则将初始预测网络设为预测网络。
在第二方面的可选实施例中,还包括评价模块,用于:
基于预设的评价函数确定初始样本出价参数的评价结果;
若评价结果为收敛,则初始样本出价参数符合预设条件。
在第二方面的可选实施例中,评价模块在基于预设的评价函数确定初始样本出价参数的评价结果时,具体用于:
判断初始样本出价参数是否符合预设约束信息;预设约束信息包括转化率目标信息、反选约束信息中的至少一种;
若初始样本出价参数符合预设约束信息,则基于预设的评价函数确定初始样本出价参数的评价结果。
在第二方面的可选实施例中,确定模块在基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息时,具体用于:
基于第一出价参数和第二出价参数分别确定对应的第一待推送信息和第二待推送信息的推送数值;推送数值用于表示推送信息与用户终端的适配度;
基于第一待推送信息和第二待推送信息的推送数值确定目标推送信息。
第三方面,提供了一种电子设备,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,处理器执行程序时实现本申请第一方面所示的信息推送方法。
第四方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的信息推送方法。
本申请提供的技术方案带来的有益效果是:
通过预测网络预测合第一待推送信息的第一出价参数,并根据预测的第一出价参数确定对应的推送方案,对于不同网络推送信息对应的多个推送方案,预测网络可以有效减少计算量,并且提高计算效率。
进一步的,通过预测网络预测合约形式的第一待推送信息的第一出价参数,并根据第一出价参数和第二出价参数确定第一推送信息和第二推送信息的推送顺序,可以使得分配方案满足收益最大化这个目标。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为现有技术中计算推送信息的出价参数的方案的示意图;
图2为本申请实施例提供的一种信息推送方法的应用场景图;
图3为本申请实施例提供的一种信息推送方法的流程示意图;
图4为本申请实施例提供的一种确定第一出价参数的方案的示意图;
图5为本申请一个示例提供的一种确定第一出价参数的方案的示意图;
图6为本申请实施例提供的一种确定第一出价参数的方案的示意图;
图7为本申请实施例提供的示例中的训练预测网络的方案的示意图;
图8为本申请实施例提供的示例中的信息推送方法的流程示意图;
图9为本申请实施例提供的一种信息推送装置的结构示意图;
图10为本申请实施例提供的一种信息推送的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算(cloud computing)指IT基础设施的交付和使用模式,指通过网络以按需、易扩展的方式获得所需资源;广义云计算指服务的交付和使用模式,指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关,也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(DistributedComputing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network StorageTechnologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展,以及搜索服务、社会网络、移动商务和开放协作等需求的推动,云计算迅速发展起来。不同于以往的并行分布式计算,云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
本申请提供的信息推送方法,可以有效减少推送信息的推送方案的计算量,提高计算效率。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
平台产品服务层提供典型应用的基本能力和实现框架,开发人员可以基于这些基本能力,叠加业务的特性,完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
本申请实施例提供的推送信息,包括第一待推送信息和第二待推送信息,均可预先存储于区块链中,用于进行信息推送的服务器或终端在执行信息推送时,从区块链中获取符合需求的第一待推送信息和第二待推送信息。
本申请实施例提供的方案涉及人工智能的信息推送技术,具体通过如下实施例进行说明。
合约广告是展示广告的主流形式,即媒体(供给方)需在规定的时间内,根据广告主(需求方)的定向条件,完成相应的投放合约。一般来说,这个过程可以看作是二部图G=(I∪J,E)上的分配问题,如图1所示。I是Supply(供给方)集合,表示各种定向条件下的曝光,一般可以达到数亿乃至数十亿维度,每个Supply结点i对应不同的权重si,表示该定向条件下的曝光总数。J是Demand(需求方)集合,表示广告主的订单,一般可以达到数千或数万维度,每个Demand结点j对应不同的权重dj,表示该订单所需求的广告曝光数。Supply结点和Demand结点之间连线(i,j)∈E,表示该Supply结点满足该Demand节点的定向条件。
分配问题的目标是找到一个可行的分配方案,分配方案是每条边上有一个值xij,表示i结点流量有xij比例部份分配给合约广告j。如何求解xij是合约广告分配算法的关键问题。为了寻找最优的xij,可以将其建模为一个最优化问题。
在目标函数的选择上,现有技术同时考虑最大化广告价值和最小化缺量:前者是为了提高广告价值,提升广告商满意度,后者是为了保证媒体方的收益。一般来说,可以先设定一个理想的分配目标,例如设置为需求量和可用供应量之比——这表示均匀曝光给所定向的受众,然后最小化与分配目标的距离。
需要注意的是,一个完全由xij组成的解决方案需要O(|E|)大小的存储空间。考虑到Supply结点高达数十亿维度,这样的方案是难以实现的。现有技术证明了当目标函数满足well-structured(良构)条件时,可以得到一个紧凑分配方案(Compact AllocationPlan),只需要O(|J|)大小的空间。
在无频控的情况下,最优化问题的具体形式为:
其中:Γ(i)和Γ(j)分别表示i和j的邻居结点集合,θij=dj/sj为分配目标,Sj=Σi∈Γ(j)si表示dj全部可用流量,Vj表示订单j的重要度,pj表示订单j发生缺量时的惩罚系数。第一个不等式约束称之为需求约束,第二个约束为供给约束,第三个和第四个约束为非负约束。
上述最优化模型满足well-structured(良构)条件,因此可以得到一个紧凑分配方案。具体方法分为离线和在线两个阶段。在离线阶段计算出紧凑分配方案,由Demand的对偶变量组成;在线阶段根据Demand的对偶变量计算出xij,然后据此选择合适的订单进行展示。
现有推送信息分配方案针对不同的推送方案,计算量较大,且计算效率低。此外,仅考虑了合约广告的推送,没有考虑竞价广告参与的情况,无法使得分配方案满足媒体收益最大化这个目标;现有方法得到的是订单在曝光请求(也可称为曝光需求信息)的播放概率,而竞价单给出的是订单在曝光需求信息上的出价,两者量纲不同,无法直接比较。而且现有合约广告分配方案无法计算出合适的合约订单出价。
现有合约广告分配问题是媒体(供给方)在规定的时间内,根据广告主(需求方)的定向条件,完成相应的投放合约的基础上增加更多目标、更多约束的问题。对于广告主而言,它在保证投放量完成的基础上还会要求订单的点击率、用户观看次此条广告的次数是否满足要求。对于媒体而言,在保证合约不缺量的情况下可以优先将价值高的流量给竞价订单,从而使媒体收益更大化。因此,对于原问题的形式化表示,会变得更复杂。
其中,∑ieCPMi(∑j∈Γ(i)xij)表示合约单占据竞价单的价值,eCPMi曝光二价eCPM,oj表示订单j的超播,uj表示订单j的缺量,oclickj表示订单j超出的点击量,uclickj表示订单j缺少的点击量,biasj表示订单j的出价,cpcj表示订单j的点击率权重,loseijk表示订单j在曝光i上和订单k的折价,winijk表示订单j在曝光i上和订单k的溢价,loseij表示订单j在曝光i上和竞价最高价的折价,winij表示订单j在曝光i上和竞价最高价的溢价,pctrij表示订单j在曝光i上的点击率。此外,新问题的目标和约束包括但不限于上述样例。
合约广告分配算法的核心在于计算合约订单的出价参数,合适的出价参数可以在满足广告主和媒体要求的情况下,使投放目标(缺量率,合约CTR,媒体整体收益)达到最优。
现有的播放概率xij在之前的最优化算法中是通过采用拉格朗日对偶法简化最优化问题,通过梯度下降法或坐标下降法求解对偶问题,得到对偶变量的解,从而计算出播放概率xij。这种方法计算量大,参数多,求解复杂,新增约束和目标需要重新推导公式。
本申请提供的信息推送方法,通过预测网络预测合第一待推送信息的出价参数,并根据预测的出价参数确定对应的推送方案,对于不同网络推送信息对应的多个推送方案,预测网络可以有效减少计算量,并且提高计算效率;通过预测网络预测合约形式的第一待推送信息的出价参数,并根据出价参数确定合约形式的第一推送信息和竞价形式的第二推送信息的推送顺序,不仅仅针对合约形式的第一推送信息的推送,也考虑到了竞价形式的第二推送信息参与的情况,可以使得分配方案满足收益最大化这个目标。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
如图2所示,本申请的信息推送方法,可以应用于图2所示的场景中,具体的,服务器201接收终端202的曝光需求,服务器201获取第一待推送信息和第二待推送信息,服务器201确定出符合曝光需求的第一待推送信息,并基于训练后的预测网络预测第一待推送信息的第一出价参数,服务器201基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息,并推送目标推送信息至终端202。
图2所示的场景中,上述信息推送方法可以在服务器中进行,在其他的场景中,也可以在终端中进行。
本技术领域技术人员可以理解,这里所使用的“终端”可以是手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、MID(Mobile Internet Device,移动互联网设备)等;“服务器”可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例中提供了一种可能的实现方式,如图3所示,提供了一种信息推送方法,该方法可以应用于终端或服务器,可以包括以下步骤:
步骤S301,接收用户终端的信息推送请求,基于信息推送请求获取符合曝光需求的第一待推送信息。
其中,推送信息可以是网络推送信息,例如,可以包括广告信息;第一待推送信息为第一类型的推送信息;第一类型的推送信息是按照约定参数进行推送的,例如,第一待推送信息可以是合约广告信息。
具体的,约定参数可以包括约定曝光量需求、约定点击量需求、约定供给参数等等。
在具体实施过程中,用于进行信息推送的终端或服务器可以接收用户终端发送的约定参数,从第一类型的推送信息中筛选出符合约定参数的推送信息推送给用户终端。其中,曝光需求可以是针对第一待推送信息的用户需求,曝光需求可以包括第一待推送信息针对的用户的地域、性别、年龄等等。
具体的,可以从多种第一待推送信息中筛选出符合曝光需求的第一待推送信息。
步骤S302,基于训练后的预测网络预测第一待推送信息的第一出价参数。
其中,预测网络是基于样本推送信息进行训练生成的;出价参数可以包括偏离率(bias)和单点击计费(cpc)中的至少一种。
其中,预测网络可以包括但不限于DNN(Deep Neural Networks,深度神经网络)、RNN(Recurrent Neural Networks,循环神经网络)和CNN(Convolutional NeuralNetworks,卷积神经网络)等等。
具体的,可以将样本推送信息输入到初始预测网络中,得到初始预测网络预测的初始出价参数,并对初始出价参数进行评价,若初始出价参数符合预设条件,则可以将初始预测网络作为预测网络,对于预测网络的训练方式将在下文进行详细阐述。
步骤S303,基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息。
其中,第二待推送信息为第二类型的推送信息;第二类型的推送信息是基于用户的出价参数进行推送的,还可以是结合用户的出价参数、用户画像等多种信息进行推送的,例如,第二待推送信息可以为竞价广告。
在具体实施过程中,用于进行信息推送的终端或服务器可以接收用户终端发送的出价参数,从第二类型的推送信息中筛选出符合出价参数的推送信息推送给用户终端;还可以获取用户终端的用户偏好信息,形成用户画像,结合用户画像和出价参数筛选出推送信息推送给用户终端。
具体的,可以根据第一出价参数和第二出价参数分别计算出对应的第一待推送信息和第二待推送信息的推送数值,根据推送数值确定目标推送信息,具体确定目标推送信息的过程将在下文进行详细阐述。
步骤S304,将目标推送信息推送至用户终端。
具体的,在推送信息为广告信息的场景中,用户终端可以针对一个广告位发送对应的信息推送请求,服务器从多个合约广告和竞价广告中确定出对应的目标广告,将目标广告推送至用户终端,用于适配用户终端的一个广告位。
上述实施例中,通过预测网络预测合第一待推送信息的第一出价参数,并根据预测的第一出价参数确定对应的推送方案,对于不同网络推送信息对应的多个推送方案,预测网络可以有效减少计算量,并且提高计算效率。
此外,通过预测网络预测合约形式的第一待推送信息的第一出价参数,并根据第一出价参数和第二出价参数确定第一推送信息和第二推送信息的推送顺序,可以使得分配方案满足收益最大化这个目标。
本申请实施例中提供了一种可能的实现方式,步骤S301的获取符合曝光需求的第一待推送信息,可以包括:
(1)基于信息推送请求获取曝光需求信息;
(2)从多个合约形式的待推送信息中筛选出与曝光需求信息相匹配的第一待推送信息。
其中,待推送信息具有定向特征,例如,定向推送至某一特定区域;待推送信息还可以具有频次特征,例如,在某预设时间段内要推送预设次数。
具体的,可以根据待推送信息的属性,从待推送信息中筛选出符合曝光需求信息的第一待推送信息,例如,待推送信息中有部分是定向推送至A区域,另一部分是推送至B区域,而曝光需求针对的地域为A区域,则可以将定向推送至A区域的待推送信息设为第一待推送信息。
上述实施例阐述了针对第一待推送信息的获取过程,以下将结合具体实施例阐述确定第一出价参数的具体过程。
在一种实施方式中,可以根据待推送特征和曝光特征预测第一出价参数。
在具体实施过程中,曝光需求信息中携带有曝光特征;步骤S202的基于训练后的预测网络预测第一待推送信息的第一出价参数,可以包括:
(1)提取第一待推送信息中的待推送特征;
(2)将待推送特征和曝光特征输入预测网络,得到第一待推送信息的第一出价参数。
其中,待推送特征包括定向特征、频次特征中的至少一种;例如,定向推送至某一特定区域,在某预设时间段内要推送预设次数。
其中,曝光特征包括地域特征、性别特征、年龄特征、推送平台特征、推送频道特征中的至少一种;曝光特征可以包括针对第一待推送信息的用户特征,例如,第一待推送信息针对的用户的地域特征、性别特征、年龄特征等等;曝光特征还可以包括推送主体的特征,例如,推送平台特征和推送频道特征。
在本实施方式中,如图4所示,将曝光特征和待推送特征均输入到预测网络,可以得到第一待推送信息的第一出价参数。
在一个示例中,可以通过如下公式计算第一出价参数:
biasj,cpcj=f(Fij,w) (1)
其中,Fij是第一待推送信息j和曝光需求i的特征,特征包括不限于订单j的定向特征、频次要求,曝光i的平台属性,i所属用户的性别、年龄等属性;f代表预测网络;w表示预测网络的网络参数。
如图5所示,可以将曝光特征和待推送特征,即图中所示的性别、地域、平台、年龄、频次要求等特征Fij输入到预测网络中,得到预测网络输出的第一出价参数bias和cpc。
在另一种实施方式中,可以根据待推送特征、曝光特征和上下文特征预测第一出价参数。
在具体实施过程中,曝光需求信息中携带有曝光特征;步骤S302的基于训练后的预测网络预测第一待推送信息的第一出价参数,可以包括:
(1)提取第一待推送信息中的待推送特征;
(2)确定第一待推送信息的上下文特征;上下文特征包括点击率和转化率中的至少一种;
(3)将待推送特征、曝光特征以及上下文特征输入预测网络,得到第一待推送信息的第一出价参数。
其中,上下文特征可以是符合曝光需求的第一待推送信息的点击率和转化率中的至少一种,以第一待推送信息为合约广告为例,上下文特征可以是合约广告的转化率和点击率。
在本实施方式中,如图6所示,先确定第一待推送信息的上下文特征,然后将曝光特征、待推送特征和上下文特征均输入到预测网络,可以得到第一待推送信息的第一出价参数。
上述实施例阐述了确定第一出价参数的具体过程,以下将结合具体实施例阐述预测模型的训练过程。
本申请实施例中提供了一种可能的实现方式,预测网络可以通过如下方式训练得到:
(1)获取符合样本曝光特征的样本待推送特征。
具体的,获取样本待推送特征的具体过程与获取符合曝光需求的第一带推送信息的过程相类似,在此不再赘述。
在一些实施方式中,在获取样本待推送特征的过程中,除了要筛选符合样本曝光特征之外,还可以根据上述的点击量需求约束、合约竞价单出价约束、供给约束、非负约束等等进行筛选,即获取符合样本曝光特征的样本待推送特征,可以包括:
获取符合样本曝光特征以及样本约定参数的样本待推送特征。
这样筛选出来的样本待推送特征也可以符合第一类型的推送信息的约定参数,从而使得最终训练得到的预测网络适用于第一类型的推送信息的约定参数。
(2)基于初始预测网络预测样本待推送特征的初始样本出价参数。
具体的,可以将样本待推送特征、样本曝光特征输入到初始预测网络,得到初始样本出价参数;也可以先确定样本待推送特征的样本上下文特征,将样本上下文特征、样本待推送特征和样本曝光特征输入到初始预测网络,得到初始样本出价参数。
(3)若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络。
具体的,可以根据评价函数判断出价参数是否符合预设条件,也可以先判断初始样本出价参数是否符合预设约束信息,再根据评价函数判断出价参数是否符合预设条件,具体确定初始样本出价参数是否符合预设条件的过程将在下文进行详细阐述。
在一种实施方式中,若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络之前,还可以包括:
(1)基于预设的评价函数确定初始样本出价参数的评价结果;
(2)若评价结果为收敛,则初始样本出价参数符合预设条件。
在本实施方式中,可以通过评价函数的评价结果判断初始样本出价参数是否符合预设条件。
在一种实施方式中,基于预设的评价函数确定初始样本出价参数的评价结果,可以包括:
a、判断初始样本出价参数是否符合预设约束信息;预设约束信息包括转化率目标信息、反选约束信息中的至少一种;
b、若初始样本出价参数符合预设约束信息,则基于预设的评价函数确定初始样本出价参数的评价结果。
在本实施方式中,可以先判断初始样本出价参数是否符合预设约束信息,再根据评价函数判断出价参数是否符合预设条件。
本申请实施例中提供了一种可能的实现方式,还包括:
(1)若基于评价函数确定初始样本出价参数不符合预设条件,则更新初始预测网络的参数得到更新后的初始预测网络;
(2)更新初始样本出价参数,直至基于评价函数确定更新后的初始样本出价参数符合预设条件,或直至累计更新时长或更新次数超过预设阈值,则将初始预测网络设为预测网络。
以下将结合实施例进一步阐述确定目标推送信息的具体过程。
本申请实施例中提供了一种可能的实现方式,步骤S303的基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息,可以包括:
(1)基于第一出价参数和第二出价参数分别确定对应的第一待推送信息和第二待推送信息的推送数值。
其中,推送数值用于表示推送信息与用户终端的适配度,适配度可以与推送信息发送给用户终端后,用户针对推送信息的点击率、转化率正相关。
也就是说,推送数值越高,用户针对推送信息的点击率、转化率越高。
具体的,针对第一出价参数和第二出价参数中的任一种,可以先获取实时的广告点击率预测(pctr,Predict Click-Through Rate);根据出价参数和pctr确定推送数值,具体可以根据如下公式:
score=bias+cpc×pctr (2)
式中,score为推送数值;bias为出价参数中的偏离率;cpc为出价参数中的单点击计费;pctr为实时的广告点击率预测。
(2)基于第一待推送信息和第二待推送信息的推送数值确定目标推送信息。
具体的,可以将第一带推送信息和第二待推送信息中对应推送数值最高的推送信息,设为目标推送信息。
为了更好地理解上述的训练预测网络的过程,以下详细阐述一个本发明的训练预测网络的示例:
如图7所示,在一个示例中,训练预测网络的具体过程,可以包括如下步骤:
1)获取待推送信息的待推送特征,即图中所示的待推送特征提取;待推送特征包含定向特征、频次特征等;
2)获取曝光特征,即图中所示的曝光特征提取;曝光特征包括地域、性别、年龄、平台、频道等;
3)获取符合样本曝光特征的样本待推送特征,即图中所示的进行待推送特征和曝光特征匹配;
4)通过初始预测模型生成初始样本出价参数;例如,可以通过深度学习生成模型生成广告订单在曝光上的初始样本出价参数bias和cpc;
5)将得到的初始出价参数输入到最优化函数中进行评价,若评价结果为收敛,则将初始预测模型设为预测模型,即图中所示的输出模型;
6)若评价结果不是收敛,则根据评价结果更新初始预测模型的参数,直至评价结果为收敛。
上述示例阐述了预测网络的训练过程,为了更好地理解上述信息推送方法,如图8所示,以下详细阐述一个本发明的信息推送方法的示例:
在一个示例中,本申请提供的信息推送方法,可以包括如下步骤:
1)基于信息推送请求获取曝光需求信息;
2)从多个合约形式的待推送信息中筛选出与曝光需求信息相匹配的第一待推送信息;即图中所示的根据曝光请求过滤第一待推送信息;
3)提取第一待推送信息中的待推送特征,提取曝光特征;
4)将待推送特征和曝光特征输入预测网络,得到第一待推送信息的第一出价参数;即图中所示的预测第一出价参数;
5)基于第一出价参数和第二出价参数从第一待推送信息和第二待推送信息中确定出目标推送信息;即图中所示的基于出价参数确定目标推送信息;
6)推送目标推送信息至用户终端。
上述的信息推送方法,通过预测网络预测合第一待推送信息的第一出价参数,并根据预测的第一出价参数确定对应的推送方案,对于不同网络推送信息对应的多个推送方案,预测网络可以有效减少计算量,并且提高计算效率。
进一步的,通过预测网络预测合约形式的第一待推送信息的第一出价参数,并根据第一出价参数和第二出价参数确定第一推送信息和第二推送信息的推送顺序,可以使得分配方案满足收益最大化这个目标。
本申请实施例中提供了一种可能的实现方式,如图9所示,提供了一种信息推送装置90,该信息推送装置90可以包括:获取模块901、预测模块902、确定模块903和推送模块904,其中,
获取模块901,用于接收用户终端的信息推送请求,基于信息推送请求获取符合曝光需求的第一待推送信息;第一待推送信息为第一类型的推送信息;第一类型的推送信息是按照约定参数进行推送的;
预测模块902,用于基于训练后的预测网络预测第一待推送信息的第一出价参数;其中,预测网络是基于样本推送信息进行训练生成的;
确定模块903,用于基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息;其中,第二待推送信息为第二类型的推送信息;第二类型的推送信息是基于用户的出价参数进行推送的;
推送模块904,用于将目标推送信息推送至用户终端。
本申请实施例中提供了一种可能的实现方式,获取模块901在获取符合曝光需求的第一待推送信息时,具体用于:
基于信息推送请求获取曝光需求信息;
从多个第一类型的待推送信息中筛选出与曝光需求信息相匹配的第一待推送信息。
本申请实施例中提供了一种可能的实现方式,曝光需求信息中携带有曝光特征;预测模块902在基于训练后的预测网络预测第一待推送信息的第一出价参数时,具体用于:
提取第一待推送信息中的待推送特征;
将待推送特征和曝光特征输入预测网络,得到第一待推送信息的第一出价参数
本申请实施例中提供了一种可能的实现方式,曝光需求信息中携带有曝光特征;预测模块902在基于训练后的预测网络预测第一待推送信息的第一出价参数时,具体用于:
提取第一待推送信息中的待推送特征;
确定第一待推送信息的上下文特征;上下文特征包括点击率和转化率中的至少一种;
将待推送特征、曝光特征以及上下文特征输入预测网络,得到第一待推送信息的第一出价参数。
本申请实施例中提供了一种可能的实现方式,待推送特征包括定向特征、频次特征中的至少一种;曝光特征包括地域特征、性别特征、年龄特征、推送平台特征、推送频道特征中的至少一种。
本申请实施例中提供了一种可能的实现方式,还包括训练模块,用于:
获取符合样本曝光特征的样本待推送特征;
基于初始预测网络预测样本待推送特征的初始样本出价参数;
若初始样本出价参数符合预设条件,则将初始预测网络设为预测网络。
本申请实施例中提供了一种可能的实现方式,还包括更新模块,用于:
若基于评价函数确定初始样本出价参数不符合预设条件,则更新初始预测网络的参数得到更新后的初始预测网络;
更新初始样本出价参数,直至基于评价函数确定更新后的初始样本出价参数符合预设条件,或直至累计更新时长或更新次数超过预设阈值,则将初始预测网络设为预测网络。
本申请实施例中提供了一种可能的实现方式,还包括评价模块,用于:
基于预设的评价函数确定初始样本出价参数的评价结果;
若评价结果为收敛,则初始样本出价参数符合预设条件。
本申请实施例中提供了一种可能的实现方式,评价模块在基于预设的评价函数确定初始样本出价参数的评价结果时,具体用于:
判断初始样本出价参数是否符合预设约束信息;预设约束信息包括转化率目标信息、反选约束信息中的至少一种;
若初始样本出价参数符合预设约束信息,则基于预设的评价函数确定初始样本出价参数的评价结果。
本申请实施例中提供了一种可能的实现方式,确定模块903在基于第一出价参数和第二待推送信息的第二出价参数,从第一待推送信息和第二待推送信息中确定出目标推送信息时,具体用于:
基于第一出价参数和第二出价参数分别确定对应的第一待推送信息和第二待推送信息的推送数值;推送数值用于表示推送信息与用户终端的适配度;
基于第一待推送信息和第二待推送信息的推送数值确定目标推送信息。
上述的信息推送装置,通过预测网络预测合第一待推送信息的第一出价参数,并根据预测的第一出价参数确定对应的推送方案,对于不同网络推送信息对应的多个推送方案,预测网络可以有效减少计算量,并且提高计算效率。
进一步的,通过预测网络预测合约形式的第一待推送信息的第一出价参数,并根据第一出价参数和第二出价参数确定第一推送信息和第二推送信息的推送顺序,可以使得分配方案满足收益最大化这个目标。
本公开实施例的图片的信息推送装置可执行本公开的实施例所提供的一种图片的信息推送方法,其实现原理相类似,本公开各实施例中的图片的信息推送装置中的各模块所执行的动作是与本公开各实施例中的图片的信息推送方法中的步骤相对应的,对于图片的信息推送装置的各模块的详细功能描述具体可以参见前文中所示的对应的图片的信息推送方法中的描述,此处不再赘述。
基于与本公开的实施例中所示的方法相同的原理,本公开的实施例中还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机操作指令;处理器,用于通过调用计算机操作指令执行实施例所示的信息推送方法。与现有技术相比,本申请中的信息推送方法对于不同网络推送信息对应的多个推送方案,可以有效减少计算量,并且提高计算效率。
在一个可选实施例中提供了一种电子设备,如图10所示,图10所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,本申请中的信息推送方法对于不同网络推送信息对应的多个推送方案,可以有效减少计算量,并且提高计算效率。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行时实现如下情况:
获取符合曝光需求的第一待推送信息;所述第一待推送信息为合约形式的推送信息;
基于训练后的预测网络预测所述第一待推送信息的出价参数;其中,所述预测网络是基于样本推送信息进行训练生成的;
基于所述出价参数确定所述第一待推送信息和第二待推送信息的推送顺序;其中,所述第二待推送信息为竞价形式的推送信息;
依照所述推送顺序推送所述第一待推送信息和第二待推送信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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。也应当注意,在有些作为替换的实现中,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,预测模块还可以被描述为“用于预测出价参数的模块”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种信息推送方法,其特征在于,包括:
接收用户终端的信息推送请求,基于所述信息推送请求获取符合曝光需求的第一待推送信息;所述第一待推送信息为第一类型的推送信息;所述第一类型的推送信息是按照约定参数进行推送的;
基于训练后的预测网络预测所述第一待推送信息的第一出价参数;其中,所述预测网络是基于样本推送信息进行训练生成的;
基于所述第一出价参数和第二待推送信息的第二出价参数,从所述第一待推送信息和第二待推送信息中确定出目标推送信息;其中,所述第二待推送信息为第二类型的推送信息;所述第二类型的推送信息是基于用户的出价参数进行推送的;
将所述目标推送信息推送至所述用户终端。
2.根据权利要求1所述的信息推送方法,其特征在于,所述获取符合曝光需求的第一待推送信息,包括:
基于所述信息推送请求获取曝光需求信息;
从多个第一类型的待推送信息中筛选出与所述曝光需求信息相匹配的所述第一待推送信息。
3.根据权利要求2所述的信息推送方法,其特征在于,所述曝光需求信息中携带有曝光特征;所述基于训练后的预测网络预测所述第一待推送信息的第一出价参数,包括:
提取所述第一待推送信息中的待推送特征;
将所述待推送特征和所述曝光特征输入所述预测网络,得到所述第一待推送信息的第一出价参数。
4.根据权利要求2所述的信息推送方法,其特征在于,所述曝光需求信息中携带有曝光特征;所述基于训练后的预测网络预测所述第一待推送信息的第一出价参数,包括:
提取所述第一待推送信息中的待推送特征;
确定所述第一待推送信息的上下文特征;所述上下文特征包括点击率和转化率中的至少一种;
将所述待推送特征、所述曝光特征以及所述上下文特征输入所述预测网络,得到所述第一待推送信息的第一出价参数。
5.根据权利要求3或4所述的信息推送方法,其特征在于,所述待推送特征包括定向特征、频次特征中的至少一种;所述曝光特征包括地域特征、性别特征、年龄特征、推送平台特征、推送频道特征中的至少一种。
6.根据权利要求1所述的信息推送方法,其特征在于,所述预测网络通过如下方式训练得到:
获取符合样本曝光特征的样本待推送特征;
基于初始预测网络预测所述样本待推送特征的初始样本出价参数;
若所述初始样本出价参数符合预设条件,则将所述初始预测网络设为所述预测网络。
7.根据权利要求6所述的信息推送方法,其特征在于,还包括:
若基于所述评价函数确定所述初始样本出价参数不符合预设条件,则更新所述初始预测网络的参数得到更新后的初始预测网络;
更新所述初始样本出价参数,直至基于所述评价函数确定更新后的初始样本出价参数符合预设条件,或直至累计更新时长或更新次数超过预设阈值,则将所述初始预测网络设为所述预测网络。
8.根据权利要求6所述的信息推送方法,其特征在于,若所述初始样本出价参数符合预设条件,则将所述初始预测网络设为所述预测网络之前,还包括:
基于预设的评价函数确定所述初始样本出价参数的评价结果;
若所述评价结果为收敛,则所述初始样本出价参数符合所述预设条件。
9.根据权利要求8所述的信息推送方法,其特征在于,所述基于预设的评价函数确定所述初始样本出价参数的评价结果,包括:
判断所述初始样本出价参数是否符合预设约束信息;所述预设约束信息包括转化率目标信息、反选约束信息中的至少一种;
若所述初始样本出价参数符合所述预设约束信息,则基于预设的评价函数确定所述初始样本出价参数的评价结果。
10.根据权利要求1所述的信息推送方法,其特征在于,所述基于所述第一出价参数和第二待推送信息的第二出价参数,从所述第一待推送信息和第二待推送信息中确定出目标推送信息,包括:
基于所述第一出价参数和所述第二出价参数分别确定对应的第一待推送信息和第二待推送信息的推送数值;所述推送数值用于表示推送信息与所述用户终端的适配度;
基于第一待推送信息和第二待推送信息的推送数值确定所述目标推送信息。
11.一种信息推送装置,其特征在于,包括:
获取模块,用于接收用户终端的信息推送请求,基于所述信息推送请求获取符合曝光需求的第一待推送信息;所述第一待推送信息为第一类型的推送信息;所述第一类型的推送信息是按照约定参数进行推送的;
预测模块,用于基于训练后的预测网络预测所述第一待推送信息的第一出价参数;其中,所述预测网络是基于样本推送信息进行训练生成的;
确定模块,用于基于所述第一出价参数和第二待推送信息的第二出价参数,从所述第一待推送信息和第二待推送信息中确定出目标推送信息;其中,所述第二待推送信息为第二类型的推送信息;所述第二类型的推送信息是基于用户的出价参数进行推送的;
推送模块,用于将所述目标推送信息推送至所述用户终端。
12.一种电子设备,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1-10任一项所述的信息推送方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现权利要求1-10任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291648.9A CN113011921B (zh) | 2021-03-18 | 2021-03-18 | 信息推送方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291648.9A CN113011921B (zh) | 2021-03-18 | 2021-03-18 | 信息推送方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011921A true CN113011921A (zh) | 2021-06-22 |
CN113011921B CN113011921B (zh) | 2023-09-22 |
Family
ID=76409738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291648.9A Active CN113011921B (zh) | 2021-03-18 | 2021-03-18 | 信息推送方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011921B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090061801A (ko) * | 2007-12-12 | 2009-06-17 | 삼성전자주식회사 | 광고 경매 방법, 이에 적합한 기록 매체 그리고 광고 경매시스템 |
US20100250332A1 (en) * | 2009-03-30 | 2010-09-30 | Arpita Ghosh | System and Method for Adaptive Bidding for Display Advertising |
CN104951965A (zh) * | 2015-06-26 | 2015-09-30 | 深圳市腾讯计算机系统有限公司 | 广告投放方法及装置 |
WO2017044474A1 (en) * | 2015-09-09 | 2017-03-16 | Google Inc. | Systems and methods for providing content |
US20170091828A1 (en) * | 2015-09-24 | 2017-03-30 | Cox Media Group Digital Development, Inc. | Optimization of online advertising bid requests and dynamic floor pricing |
US20170169465A1 (en) * | 2015-12-10 | 2017-06-15 | Facebook, Inc. | Modifying advertisement bids using predicted advertisement performance |
US20170358007A1 (en) * | 2016-06-08 | 2017-12-14 | Adobe Systems Incorporated | Methods for Determining Targeting Parameters and Bids for Online Ad Distribution |
US20180232660A1 (en) * | 2017-02-15 | 2018-08-16 | Yahoo Holdings, Inc. | Method and system for adaptive online updating of ad related models |
CN108898436A (zh) * | 2018-06-29 | 2018-11-27 | 清华大学 | 广告投放方法和系统、服务器以及计算机可读存储介质 |
EP3474214A1 (en) * | 2017-10-20 | 2019-04-24 | Oath Inc. | System and method for automated bidding using deep neural language models |
US10565622B1 (en) * | 2015-03-24 | 2020-02-18 | Amazon Technologies, Inc. | Optimization of real-time probabilistic model evaluation for online advertising |
CN111210255A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 广告推送方法、装置及电子设备 |
-
2021
- 2021-03-18 CN CN202110291648.9A patent/CN113011921B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090061801A (ko) * | 2007-12-12 | 2009-06-17 | 삼성전자주식회사 | 광고 경매 방법, 이에 적합한 기록 매체 그리고 광고 경매시스템 |
US20100250332A1 (en) * | 2009-03-30 | 2010-09-30 | Arpita Ghosh | System and Method for Adaptive Bidding for Display Advertising |
US10565622B1 (en) * | 2015-03-24 | 2020-02-18 | Amazon Technologies, Inc. | Optimization of real-time probabilistic model evaluation for online advertising |
CN104951965A (zh) * | 2015-06-26 | 2015-09-30 | 深圳市腾讯计算机系统有限公司 | 广告投放方法及装置 |
WO2017044474A1 (en) * | 2015-09-09 | 2017-03-16 | Google Inc. | Systems and methods for providing content |
US20170091828A1 (en) * | 2015-09-24 | 2017-03-30 | Cox Media Group Digital Development, Inc. | Optimization of online advertising bid requests and dynamic floor pricing |
US20170169465A1 (en) * | 2015-12-10 | 2017-06-15 | Facebook, Inc. | Modifying advertisement bids using predicted advertisement performance |
US20170358007A1 (en) * | 2016-06-08 | 2017-12-14 | Adobe Systems Incorporated | Methods for Determining Targeting Parameters and Bids for Online Ad Distribution |
US20180232660A1 (en) * | 2017-02-15 | 2018-08-16 | Yahoo Holdings, Inc. | Method and system for adaptive online updating of ad related models |
EP3474214A1 (en) * | 2017-10-20 | 2019-04-24 | Oath Inc. | System and method for automated bidding using deep neural language models |
CN108898436A (zh) * | 2018-06-29 | 2018-11-27 | 清华大学 | 广告投放方法和系统、服务器以及计算机可读存储介质 |
CN111210255A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 广告推送方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113011921B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
Ali et al. | SynergyChain: Blockchain-assisted adaptive cyber-physical P2P energy trading | |
Saputra et al. | Federated learning meets contract theory: Economic-efficiency framework for electric vehicle networks | |
US8732015B1 (en) | Social media pricing engine | |
CN113283948B (zh) | 预测模型的生成方法、装置、设备和可读介质 | |
CN114282681A (zh) | 多任务处理及模型的训练方法、装置、介质及设备 | |
CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN111523939A (zh) | 一种推广内容的投放方法、装置、存储介质和电子设备 | |
Ng et al. | A double auction mechanism for resource allocation in coded vehicular edge computing | |
CN112328646B (zh) | 多任务课程推荐方法、装置、计算机设备及存储介质 | |
US20240005165A1 (en) | Machine learning model training method, prediction method therefor, apparatus, device, computer-readable storage medium, and computer program product | |
Chu | Task offloading based on deep learning for blockchain in mobile edge computing | |
Jain et al. | Auction based cost‐efficient resource allocation by utilizing blockchain in fog computing | |
CN113011911B (zh) | 基于人工智能的数据预测方法、装置、介质及电子设备 | |
CN115249082A (zh) | 用户兴趣预测方法、装置、存储介质和电子设备 | |
CN110196949A (zh) | 信息推送方法、装置、电子设备及计算机可读介质 | |
CN116910373A (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN110717537B (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 | |
Davami et al. | Improving the performance of mobile phone crowdsourcing applications | |
CN113011921B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
Wang et al. | Learning List-wise Representation in Reinforcement Learning for Ads Allocation with Multiple Auxiliary Tasks | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 | |
CN114581114A (zh) | 推广资源配置方法、系统、装置和存储介质 | |
Jiang et al. | Rational delegation of computation based on reputation and contract theory in the UC framework |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045924 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |