CN113222653A - 一种程序化广告用户受众扩展方法、系统、设备及存储介质 - Google Patents
一种程序化广告用户受众扩展方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113222653A CN113222653A CN202110475691.0A CN202110475691A CN113222653A CN 113222653 A CN113222653 A CN 113222653A CN 202110475691 A CN202110475691 A CN 202110475691A CN 113222653 A CN113222653 A CN 113222653A
- Authority
- CN
- China
- Prior art keywords
- audience
- user
- advertisements
- advertisement
- obtaining
- 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 62
- 238000009434 installation Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000009471 action Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 1
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 1
- 101150041570 TOP1 gene Proteins 0.000 description 1
- 101150104012 TOP2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 101150032437 top-3 gene Proteins 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种程序化广告用户受众扩展方法、系统、设备及存储介质：方法包括获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。通过三种扩展方法的结合得到最优的扩展人群，通过精准的人群圈选，一定可以在提升roi和各方面比率。
Description
技术领域
本发明涉及广告投放技术领域，特别涉及一种程序化广告用户受众扩展方法、系统、设备及存储介质。
背景技术
在程序化广告投放中，为降投放的花费，提升整体的ROI(投资回报率)水平，会采用圈定特殊的一批用户称之为“受众”，这些用户与其他用户的明显区别是安装广告的意愿程度更高，也就说圈出来的这部分用户更容易安装。在大数据时代，通过各种维度及对广告的理解，基于各种规则及算法产生的用户即为受众，也叫目标受众，在很多程序化投放中，目标受众定向为新用户和老用户的定向投放，也就是需相应的拉新和留存，既吸引新用户户和挽留老用户，根据二八原则，公司80％的利润来自于20％的重要用户，因此除了重点维护或者召回老用户外，还需要加大对新用户的投投放，这样才能不断补充老用户，才能不断维护这重要的20％的用户。因此在老用户的基础上进行站外人群扩展，扩展不意味的盲目的投放新用户，盲目通投(指不设定任何定向条件而进行的投放)会导致成本变高，但效果却未必随之提升，高质量的新用户从哪而来，常用的手段是设置合理的基础定向条件和人群标签，同时还可以利用LookAlike(相似人群扩展),获取搜索词用户等方案对人群进行扩展。在dsp(广告投放平台)投放系统中，构建标签定向基于用户和广告的lookAlike等功能，建立用户受众，进行精准化投放，减少投放成本，提升平台的ROI等指标。
发明内容
本发明的目的在于提供一种程序化广告用户受众扩展方法、系统、设备及存储介质。通过三种扩展方法的结合得到最优的扩展人群，通过精准的人群圈选，一定可以在提升roi和各方面比率。
为达到上述目的，本发明采用了以下技术方案：
一种程序化广告用户受众扩展方法，包括以下步骤：
获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
作为本发明的进一步改进，计算得到基于广告品类偏好得分顺序具体包括：
以将广告品类的安装个数作为其基础得分，并采用广告品类爱好计算出权重修正用户的基础得分，得到用户对广告品类的最终偏好得分，根据偏好得分得到用户的广告品类偏好得分顺序。
作为本发明的进一步改进，广告品类爱好权重是通过熵值法计算用户对各个广告品类爱好的权重得到。
作为本发明的进一步改进，待投放广告得到其相似广告的获得包括：
获取待投放广告的相似广告，或者基于历史数据，计算得出当前广告相似性的广告及其应用。
作为本发明的进一步改进，计算得出当前广告相似性的广告及其应用具体包括：
采用矩阵分解的方法，将用户的安装列表分解为用户-k隐向量及k-隐向量到物品的矩阵，生成的隐向量矩阵直接存储起来供其他业务场景使用，最后使用余弦相似性作为衡量两个广告及其应用的相似性。
作为本发明的进一步改进，用户的安装行为数据包括用户安装广告的序列。
作为本发明的进一步改进，通过兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案具体是：
人群用户受众、兴趣用户受众和相似性受众计算交集得到最终用户受众。
一种程序化广告用户受众扩展系统，包括：
人群用户受众构建模块，用于获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
兴趣用户受众构建模块，用于获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
相似性受众构建模块，用于根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
扩展方案确认模块，用于通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述程序化广告用户受众扩展方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述程序化广告用户受众扩展方法的步骤。
本发明的有益效果体现在：
本发明考虑在业务使用中的实际场景及对程序化投放的实际经验总结，设计了三种场景下的受众选择的方法，三种方法的受众相互结合得到最终的扩展方案，不仅能对新广告的投放提升收益，而且能够将这些经验应用于程序化ctr,cvr等预测的算法中，作为特征输入，能够明显提升模型的预测能力。通过三种扩展方法的结合得到最优的扩展人群，通过精准的人群圈选，一定可以在提升roi和各方面比率。
附图说明
图1为本发明基于广告的相似性受众流程图；
图2为本发明ALS(协同过滤的矩阵分解算法)算法示意图；
图3为本发明的数据降维示意图
图4为本发明的PUbagging的流程示意图。
图5为本发明的Two-StepApproach的流程示意图。
图6本发明的实施例基于受众的精准化程序化投放平台操作流程图。
图7为一种程序化广告用户受众扩展系统结构示意图；
图8为电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。所述实施例仅用于解释本发明，而非对本发明保护范围的限制。
图1为本发明基于广告的相似性受众流程图；
如图1所示，为了提供受众用户的准确性，本发明提供一种程序化广告用户受众扩展方法，包括以下步骤：
获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
为了提高准确性，本发明采用人群用户受众、兴趣用户受众和相似性受众计算交集得到最终用户受众。
在经过一轮的程序化广告技术难点突破的调研和分析之后，用户画像和预测算法作为广告投放研究的重点。
对基于用户画像的受众扩展，最基本的逻辑就是，通过精准的人群圈选，一定可以在提升roi和各方面比率。
通常业务场景为：
针对某个广告的种子用户(从广告主方面获得全部的老用户)，进行相似的人群扩展；
基于业务对广告的理解，从老用户分析或者历史老用户获取的方式，渠道等总结经验。基于用户行为数据，对各类兴趣进行权重打分，用以输出一定数据规模的某类兴趣用户受众，并可以作为预测算法的特征使用。
计算得到基于广告品类偏好得分顺序具体包括：
以将广告品类的安装个数作为其基础得分，并采用广告品类爱好权重修正用户的基础得分，得到用户对广告品类的最终偏好得分，根据偏好得分得到用户的广告品类偏好得分顺序。
其中，作为优选实施例，广告品类爱好权重是通过熵值法计算用户对各个广告品类爱好的权重得到。
基于业务理解，可以获取到当天广告的相似广告，或者基于历史数据，计算得出当前广告相似性的待投放广告得到其相似广告的获得包括：
获取待投放广告的相似广告，或者基于历史数据，计算得出当前广告相似性的广告及其应用。
其中，作为优选实施例，计算得出当前广告相似性的广告及其应用具体包括：
采用矩阵分解的方法，将用户的安装列表分解为用户-k隐向量及k-隐向量到物品的矩阵，生成的隐向量矩阵直接存储起来供其他业务场景使用，最后使用余弦相似性作为衡量两个广告及其应用的相似性。
以上总结为在业务场景中，按照如下的方式产生受众，进行精准投放，以下对上述方法个步骤进行详细说明。
1)广告相似扩展受众
对于投放的媒体，可以基于用户的安装列表，计算投放媒体与其他媒体的相似性，找到高相似性的媒体或者业务基于理解，也可以产生相似的广告，然后将安装高相似的设备作为目标受众进行精准投放。因此获得广告的相似性媒体或者广告成为该方案的关键之处，在本系统中，为了获得相似性媒体或者广告，采用了ALS(协同过滤的矩阵分解算法)算法获得媒体、广告的隐向量：
图2为本发明ALS(协同过滤的矩阵分解算法)算法示意图；
可以假设用户和广告之间存在若干关联维度(比如用户年龄、性别、受教育程度和商品的外观、价格等)，只需要将矩阵投射到这些维度上即可。这个投射的数学表示是：
这里的表明这个投射只是一个近似的空间变换。一般情况下，k的值远小于n和m的值，从而达到了数据降维的目的。
图3为本发明的数据降维示意图。
2)种子用户扩展
相似性高的用户作为目标受众进行投放，本申请中，结合实际的投放经验中获取扩展用户的经验，采用PUlearning的算法来实现基于种子用户的相似性人群扩展。
通常情况下，需要对给定的任务进行机器学习，比如对数据进行分类，但却面临数据标签不足或不可靠的问题。这些情况下，可以选择手工标签他们的数据，但手工标签可能是一项苛刻的任务，也可能导致人为偏见或重大错误。
正样本和无标签学习
数据集不足的示例，下面是一个例子：
总共1000个样本
其中100个样本你可以认为是可靠的正样本；
其中，900个可能是不可靠的负样本或未标记的样本；
这些样本中可能会有一些是正样本；
为了避免混淆，本发明将“未标记样本”和“不可靠的负样本”称为unknown。
PU学习(positiveand unlabeled learning)是一种半监督二值分类方法，它可以从数据中的未知情况中恢复标签。它是通过从数据中的正样本中学习，并应用所学到的知识来重新标记未知样本来做到这一点的。这种方法为任何需要对不可靠数据进行二进制分类的机器学习问题提供了好处，而不考虑领域。应用PU学习主要有两种方法。包括：PUbagging和Two-stepapproach两种方法；
其中，PUbagging是一种并行化的方法，它抽取unknown情况的随机子样本，并创建一个弱分类器集合来输出每个样本的分数。
如图4所示，具体步骤包括：
随机抽取unknown数据的子集和所有正样本，创建一个均衡的训练集；
用这个“bootstrap”数据集构建一个分类器，将正样本视为1，将unknown视为0；
预测在训练中没有被采样的unknown样本的概率分数，称为袋外样本(OOB)；
重复多次，计算OOB的平均分。
如图5所示，Two-StepApproach方法是一种更复杂的PU学习方法，它使用机器学习技术在训练时重新标记数据。实施步骤如下：
第一步，训练一个正样本和unknown样本的标准分类器。
得到一个确定的正样本的分数范围来标记确定的负样本。
第二步，在新标记的数据集上训练第二个分类器，反复重复这个过程，直到满足一个既定的标准。
3)基于用户画像的扩展受众：
利用用户画像建立用户标签体系，形成标签用户，考虑目标媒体与标签的关系，形成特定的扩展受众进行精准投放。
在广告行业中，考虑用户安装广告或者媒体的分类，如动作类广告，购物类广告等，假设用户安装这些广告基于自己的某些兴趣偏好，因此考虑用户安装广告的序列作为原始数据，从这些数据中推测用户的兴趣偏好将其作为用户的兴趣标签形成用户的标签数据，如在老用户中发现安装过动作类游戏(广告)的用户其兴趣比较稳定，也会对其他动作类游戏感兴趣，因此，我们称这类用户的标签为动作类游戏偏好标签。
如何形成该类标签？本系统中结合之前投放经验，根据DMP收集到的用户的安装行为数据作为数据来源，结合广告的类别数据(如shopping,action等)采用了熵值法来确定用户对各个品类爱好的权重，将品类的安装个数作为其基础得分，并将熵值法得到的权重修正用户的基础得分，得到用户对品类的最终偏好得分，从而根据该得分得到用户的top品类偏好得分(如某个用户的top1的品类为shopping,top2为action,top3品类为social类)。
熵值法确定权重的原理为：
在信息论中，熵是对不确定性的一种度量。不确定性越大，熵就越大，包含的信息量越大；不确定性越小，熵就越小，包含的信息量就越小。
根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响(权重)越大。比如样本数据在某指标下取值都相等，则该指标对总体评价的影响为0，权值为0。
熵权法是一种客观赋权法，因为它仅依赖于数据本身的离散性。
由于各项指标的计量单位并不统一，因此在用它们计算综合指标前，先要进行标准化处理，即把指标的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题。
另外，正向指标和负向指标数值代表的含义不同(正向指标数值越高越好，负向指标数值越低越好)，因此，对于正向负向指标需要采用不同的算法进行数据标准化处理：
正向指标：
负向指标：
在发明中，考虑在业务使用中的实际场景及对程序化投放的实际经验总结，设计了三种场景下的受众选择的方法，三种方法的受众不仅能对新广告的投放提升收益，而且能够将这些经验应用于程序化ctr,cvr等预测的算法中，作为特征输入，能够明显提升模型的预测能力。
以种子用户扩展的looklike的相似性受众，采用PUlearning的思想，计算出用户对广告的安装意愿的得分，经过验证及业务实际测试，随着安装意愿的得分越高，该广告在这些受众上转化的比例越大，这也真是验证了基于该算法的选择的top受众的有效性，另外也解决了从老用户的身上发现如何获取新用户的方式。
在实际的业务中，业务人员对广告更理解，因此从广告媒体出发，寻找媒体相似媒体的受众作为投放广告的目标用户也是实际业务中提升ROI的重要方法，因此如何获得相似的媒体广告便是该方法的关键之处，本技术中采用矩阵分解的方法，将用户的安装列表分解为用户-k隐向量及k-隐向量到物品的矩阵，从而避免了直接计算相似性造成的计算量，另外，生成的隐向量矩阵可以直接存储起来供其他业务场景使用，最后使用经典的余弦相似性作为衡量两个媒体广告的相似性。
在大多数场景下，直接对用户建立标签体系存储与业务系统中，业务人员能够快速的在投放初期基于自己的理解进行投放。因此建立标签体系便是这块技术的关键之处，在本实现中，基于用户的安装行为和物品与分类的关系，建立了基于熵值法修正的无监督的用户兴趣标签体系。
通过三种扩展方法的结合得到最优的扩展人群，通过精准的人群圈选，一定可以在提升roi和各方面比率。
如图7所示，本发明的另一目的在于提出一种程序化广告用户受众扩展系统，包括：
人群用户受众构建模块，用于获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
兴趣用户受众构建模块，用于获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
相似性受众构建模块，用于根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
扩展方案确认模块，用于通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
图6本发明的实施例基于受众的精准化程序化投放平台操作流程图。具体流程为：
基于用户兴趣标签体系受众的方法包括以下步骤：
1.用户属性受众
2.填充受众名称，并指定受众用户偏好定向条件，选择用户来源(ADX),并指定受众的规模，保存后点击受众生成；
3.媒体相似性受众；
4.应用安装受众；
5.指定受众名称，投放的bundle,国家，adx等条件点击生成受众即可；
对应用的受众基于相似性进行扩展；
基于种子用户相似性扩展；
将种子用户上传至DMP数据中心及算法相应的目录，最终生成可扩展的设备，然后上传至自定义受众即可。
如图8所示，本发明第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述程序化广告用户受众扩展方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述程序化广告用户受众扩展方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种程序化广告用户受众扩展方法，其特征在于，包括以下步骤：
获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
2.根据权利要求1所述的方法，其特征在于，
计算得到基于广告品类偏好得分顺序具体包括：
以将广告品类的安装个数作为其基础得分，并采用广告品类爱好计算出权重修正用户的基础得分，得到用户对广告品类的最终偏好得分，根据偏好得分得到用户的广告品类偏好得分顺序。
3.根据权利要求1所述的方法，其特征在于，
广告品类爱好权重是通过熵值法计算用户对各个广告品类爱好的权重得到。
4.根据权利要求1所述的方法，其特征在于，
待投放广告得到其相似广告的获得包括：
获取待投放广告的相似广告，或者基于历史数据，计算得出当前广告相似性的广告及其应用。
5.根据权利要求1所述的方法，其特征在于，
计算得出当前广告相似性的广告及其应用具体包括：
采用矩阵分解的方法，将用户的安装列表分解为用户-k隐向量及k-隐向量到物品的矩阵，生成的隐向量矩阵直接存储起来供其他业务场景使用，最后使用余弦相似性作为衡量两个广告及其应用的相似性。
6.根据权利要求1所述的方法，其特征在于，
用户的安装行为数据包括用户安装广告的序列。
7.根据权利要求1所述的方法，其特征在于，
通过兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案具体是：
人群用户受众、兴趣用户受众和相似性受众计算交集得到最终用户受众。
8.一种程序化广告用户受众扩展系统，其特征在于，包括：
人群用户受众构建模块，用于获取待投放广告的种子用户，通过相似人群扩展得到人群用户受众；
兴趣用户受众构建模块，用于获取用户的安装行为数据和广告的类别数据，计算得到基于广告品类偏好得分顺序，输出具有数据规模的一类兴趣用户受众；
相似性受众构建模块，用于根据待投放广告得到其相似广告，分析相似广告的用户的特征，生成基于广告的相似性受众；
扩展方案确认模块，用于通过人群用户受众、兴趣用户受众和相似性受众分析得到最终用户受众的扩展方案。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述程序化广告用户受众扩展方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述程序化广告用户受众扩展方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475691.0A CN113222653B (zh) | 2021-04-29 | 2021-04-29 | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475691.0A CN113222653B (zh) | 2021-04-29 | 2021-04-29 | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222653A true CN113222653A (zh) | 2021-08-06 |
| CN113222653B CN113222653B (zh) | 2024-08-06 |
Family
ID=77090319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110475691.0A Active CN113222653B (zh) | 2021-04-29 | 2021-04-29 | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222653B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570422A (zh) * | 2021-09-26 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 创意指导信息的生成方法、装置、计算机设备和存储介质 |
| CN113935789A (zh) * | 2021-12-20 | 2022-01-14 | 广州半城云信息科技有限公司 | 一种自定义人群划分的方法和系统 |
| CN114048294A (zh) * | 2022-01-11 | 2022-02-15 | 智者四海（北京）技术有限公司 | 相似人群扩展模型训练方法、相似人群扩展方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130036006A1 (en) * | 2011-08-04 | 2013-02-07 | Qatar Foundation | Advertisement matching |
| CN105550903A (zh) * | 2015-12-25 | 2016-05-04 | 腾讯科技（深圳）有限公司 | 目标用户确定方法及装置 |
| CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
| US20200294111A1 (en) * | 2018-03-06 | 2020-09-17 | Alibaba Group Holding Limited | Determining target user group |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784519A (zh) * | 2017-10-13 | 2018-03-09 | 厦门集微科技有限公司 | 一种广告效果评估方法及服务器 |
| CN110781394A (zh) * | 2019-10-24 | 2020-02-11 | 西北工业大学 | 一种基于多源群智数据的个性化商品描述生成方法 |
-
2021
- 2021-04-29 CN CN202110475691.0A patent/CN113222653B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130036006A1 (en) * | 2011-08-04 | 2013-02-07 | Qatar Foundation | Advertisement matching |
| CN105550903A (zh) * | 2015-12-25 | 2016-05-04 | 腾讯科技（深圳）有限公司 | 目标用户确定方法及装置 |
| US20200294111A1 (en) * | 2018-03-06 | 2020-09-17 | Alibaba Group Holding Limited | Determining target user group |
| CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郑雅羽等: "基于受众兴趣识别的智能广告展示系统设计", 《浙江工业大学学报》, no. 05, 12 October 2018 (2018-10-12), pages 28 - 33 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570422A (zh) * | 2021-09-26 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 创意指导信息的生成方法、装置、计算机设备和存储介质 |
| CN113570422B (zh) * | 2021-09-26 | 2022-02-08 | 腾讯科技（深圳）有限公司 | 创意指导信息的生成方法、装置、计算机设备和存储介质 |
| CN113935789A (zh) * | 2021-12-20 | 2022-01-14 | 广州半城云信息科技有限公司 | 一种自定义人群划分的方法和系统 |
| CN113935789B (zh) * | 2021-12-20 | 2022-04-01 | 咚咚来客(广州)信息技术有限公司 | 一种自定义人群划分的方法和系统 |
| CN114048294A (zh) * | 2022-01-11 | 2022-02-15 | 智者四海（北京）技术有限公司 | 相似人群扩展模型训练方法、相似人群扩展方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222653B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222653A (zh) | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 | |
| CN110582025A (zh) | 用于处理视频的方法和装置 | |
| CN106570718B (zh) | 信息的投放方法及投放系统 | |
| US20110289033A1 (en) | Supervised Learning with Multi-Scale Time Intervals Using a Statistical Classification Model to Classify Unlabeled Events | |
| CN105069483B (zh) | 一种对分类数据集进行测试的方法 | |
| CN108777701B (zh) | 一种确定信息受众的方法及装置 | |
| CN106951571B (zh) | 一种给应用标注标签的方法和装置 | |
| CN109949089B (zh) | 一种确定展示率的方法、装置及终端 | |
| CN110163376B (zh) | 样本检测方法、媒体对象的识别方法、装置、终端及介质 | |
| CN105069041A (zh) | 基于视频用户性别分类的广告投放方法 | |
| US10290032B2 (en) | Blacklisting based on image feature analysis and collaborative filtering | |
| CN112184290A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN113256335B (zh) | 数据筛选方法、多媒体数据的投放效果预测方法及装置 | |
| US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
| CN109308332B (zh) | 一种目标用户获取方法、装置和服务器 | |
| CN110704728A (zh) | 信息推荐的方法、装置、电子设备及存储介质 | |
| CN111144936A (zh) | 基于用户标签的相似人群扩展方法及装置 | |
| CN115210742A (zh) | 用于防止暴露于违反内容政策的内容的系统和方法 | |
| CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
| CN111639485A (zh) | 基于文本相似性的课程推荐方法及相关设备 | |
| CN114090401A (zh) | 处理用户行为序列的方法及装置 | |
| CN112464966B (zh) | 鲁棒性估计方法、数据处理方法和信息处理设备 | |
| CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
| US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
| CN112435070A (zh) | 确定用户年龄的方法、装置、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 |