CN113657926A - 一种广告效果预测方法、系统、电子设备及存储介质 - Google Patents
一种广告效果预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113657926A CN113657926A CN202110855751.1A CN202110855751A CN113657926A CN 113657926 A CN113657926 A CN 113657926A CN 202110855751 A CN202110855751 A CN 202110855751A CN 113657926 A CN113657926 A CN 113657926A
- Authority
- CN
- China
- Prior art keywords
- loss function
- advertisement
- time period
- parameters
- advertising
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种广告效果预测方法、系统、电子设备及存储介质,其方法技术方案包括确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段;确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数;当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数;根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。本申请解决了现有广告效果预测方法费时费力、操作性不强的问题。
Description
技术领域
本发明属于深度学习技术领域,尤其涉及一种广告效果预测方法、系统、电子设备及存储介质。
背景技术
电商平台上广告的有效投放对广告主在提升营业额、优化利润等方面起着至关重要的作用。如何在平台上投放广告的一个重要依据是广告所打来的效用,这些效用通常被定义为点击率或转化率,它们能比较直观地反映出潜在的或实际的经济效益,但是不能精准地评估某些非经济层面的效应,比如声量、热度、影响力等。所以,有人提出了用搜索量来解决这个评估层面的缺陷,也就是说用广告促销活动对应时期的相关搜索量来衡量包括潜在经济效应在内的综合效应。
然而,如何预测相关的搜索量并不是一个简单的问题,不同时期的促销活动有着不同的特点和相应的效果,在建模过程中,可能需要对不同促销活动进行分别建模或进行大量的参数调整工作,才能使相应的预测方法较好地工作并作出预测,所以说如何建立一个单一的模型对不同时间段的促销活动的特征加以考虑并更新相应的参数以作出较为准确的预测是一个很关键的工作。
发明内容
本申请实施例提供了一种广告效果预测方法、系统、电子设备及存储介质,以至少解决现有广告效果预测方法费时费力、操作性不强的问题。
第一方面,本申请实施例提供了一种广告效果预测方法,包括:时间段划分步骤,确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段;损失函数计算步骤,确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数;迭代更新计算步骤,当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数;广告效果预测步骤,根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
优选的,所述广告效果预测步骤进一步包括:在当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
优选的,所述损失函数的形式为二次函数形式。
优选的,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
第二方面,本申请实施例提供了一种广告效果预测系统,适用于上述一种广告效果预测方法,包括:时间段划分模块,确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段;损失函数计算模块,确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数;迭代更新计算模块,当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数;广告效果预测模块,根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
在其中一些实施例中,所述广告效果预测模块进一步包括:在当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
在其中一些实施例中,所述损失函数的形式为二次函数形式。
在其中一些实施例中,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上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如上述第一方面所述的一种广告效果预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的一种广告效果预测方法。
本申请可应用于深度学习技术领域。相比于相关技术,本申请实施例提供的一种广告效果预测方法,提供了一个在线学习的框架,利用实时的信息来对模型的参数进行更新,以进行实时的模型输出,当前的最新信息能够被很好地体现在模型中。充分利用了在线学习的思想方法,将实时获取的新信息作为模型的输入用以更新模型的参数,以便更好地反应当前的数据特征,用以进行实时预测。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明的广告效果预测方法流程图;
图2为本发明的广告效果预测系统的框架图;
图3为本发明的电子设备的框架图;
以上图中:
1、时间段划分模块;2、损失函数计算模块;3、迭代更新计算模块;4、广告效果预测模块;60、总线;61、处理器;62、存储器;63、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下,结合附图详细介绍本发明的实施例:
图1为本发明的广告效果预测方法流程图,请参见图1,本发明广告效果预测方法包括如下步骤:
S1:确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段。
在具体实施中,确定时间轴,并将时间轴根据具体的案例要求分成若干个离散的时间段,预测将在每个时间段上进行。
S2:确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数。
可选的,所述损失函数的形式为二次函数形式。可选的,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
S3:当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数。
在具体实施中,确定损失函数的形式,损失函数有很多种不同的形式,可选的,应选取可导的函数,同时考虑本问题是一个预测问题,故本申请实施例选择二次函数形式,在具体实施中,可选SSE(Sum of Squared Error)。
在具体实施中,利用当前时间段上的样例信息对模型进行训练并获得参数,选用随机梯度下降的方法对损失函数求取梯度,将梯度乘以事先选定的步长值作为当前的改变量去更新当前的模型参数,可选的,可以在零和一之间取固定值,初始化时,模型参数可以随机获得。
在具体实施中,当时间演进到下一个时间段时,利用当前时间段上的样例信息对模型进行训练。
在具体实施中,计算出当前的损失函数,并更新之前的损失函数,更新包括当前损失函数和之前损失函数加和后除以经历的时间段数目,即求取平均单个时间段的损失函数。
在具体实施中,样例信息是指已有的促销活动记录以及相应的搜索量,促销活动包含所采用的营销策略,例如打折的幅度,意见领袖在促销活动中的使用,是否有全平台的大促活动(6.18、双十一等)。促销活动的相关信息用来作为模型的输入,相应的搜索量作为输出。
S4:根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
可选的,当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
在具体实施中,利用当前时间段上的样例信息对模型进行训练并获得参数,选用随机梯度下降的方法对损失函数求取梯度,将梯度乘以事先选定的步长值作为当前的改变量去更新当前的模型参数,利用更新的模型参数作出相应的预测。
重复上述步骤,迭次利用最新的样例信息来更新模型的参数。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种广告效果预测系统,适用于上述的一种广告效果预测方法。如以下所使用的,术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图2为根据本发明的广告效果预测系统的框架图,请参见图2,包括:
时间段划分模块1:确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段。
在具体实施中,确定时间轴,并将时间轴根据具体的案例要求分成若干个离散的时间段,预测将在每个时间段上进行。
损失函数计算模块2:确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数。
可选的,所述损失函数的形式为二次函数形式。可选的,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
迭代更新计算模块3:当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数。
在具体实施中,确定损失函数的形式,损失函数有很多种不同的形式,可选的,应选取可导的函数,同时考虑本问题是一个预测问题,故本申请实施例选择二次函数形式,在具体实施中,可选SSE(Sum of Squared Error)。
在具体实施中,利用当前时间段上的样例信息对模型进行训练并获得参数,选用随机梯度下降的方法对损失函数求取梯度,将梯度乘以事先选定的步长值作为当前的改变量去更新当前的模型参数,可选的,可以在零和一之间取固定值,初始化时,模型参数可以随机获得。
在具体实施中,当时间演进到下一个时间段时,利用当前时间段上的样例信息对模型进行训练。
在具体实施中,计算出当前的损失函数,并更新之前的损失函数,更新包括当前损失函数和之前损失函数加和后除以经历的时间段数目,即求取平均单个时间段的损失函数。
在具体实施中,样例信息是指已有的促销活动记录以及相应的搜索量,促销活动包含所采用的营销策略,例如打折的幅度,意见领袖在促销活动中的使用,是否有全平台的大促活动(6.18、双十一等)。促销活动的相关信息用来作为模型的输入,相应的搜索量作为输出。
广告效果预测模块4:根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
可选的,当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
在具体实施中,利用当前时间段上的样例信息对模型进行训练并获得参数,选用随机梯度下降的方法对损失函数求取梯度,将梯度乘以事先选定的步长值作为当前的改变量去更新当前的模型参数,利用更新的模型参数作出相应的预测。
重复执行上述模块,迭次利用最新的样例信息来更新模型的参数。
另外,结合图1描述的一种广告效果预测方法可以由电子设备来实现。图3为本发明的电子设备的框架图。
电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地,上述处理器61可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器62可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器62可在数据处理装置的内部或外部。在特定实施例中,存储器62是非易失性(Non-Volatile)存储器。在特定实施例中,存储器62包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Al terable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62中存储的计算机程序指令,以实现上述实施例中的任意一种广告效果预测方法。
在其中一些实施例中,电子设备还可包括通信接口63和总线60。其中,如图3所示,处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信端口63可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线60包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线60可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的一种广告效果预测方法。
另外,结合上述实施例中的一种广告效果预测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种广告效果预测方法。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ReadOnly Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种广告效果预测方法,其特征在于,包括:
时间段划分步骤,确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段;
损失函数计算步骤,确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数;
迭代更新计算步骤,当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数;
广告效果预测步骤,根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
2.根据权利要求1所述的广告效果预测方法,其特征在于,所述广告效果预测步骤进一步包括:在当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
3.根据权利要求1或2所述的广告效果预测方法,其特征在于,所述损失函数的形式为二次函数形式。
4.根据权利要求1所述的广告效果预测方法,其特征在于,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
5.一种广告效果预测系统,其特征在于,包括:
时间段划分模块,确定一广告营销活动的时间轴,并将所述时间轴根据所述广告营销活动的阶段划分为多个离散的时间段;
损失函数计算模块,确定损失函数的形式,使用当前所述时间段上的样例信息训练一在线学习模型,并计算当前所述时间段的所述损失函数;
迭代更新计算模块,当所述广告营销活动进入下一个所述时间段时,再次进行所述在线学习模型的训练,并计算当前的所述损失函数,进一步计算平均损失函数;
广告效果预测模块,根据所述平均损失函数对所述在线学习模型的参数进行更新,并根据更新后的所述参数进行广告效果的预测。
6.根据权利要求5所述的广告效果预测系统,其特征在于,所述广告效果预测模块进一步包括:在当前所述时间段中,通过随机梯度下降的方式对所述平均损失函数求取梯度,并进一步根据所述梯度和一预设步长值对所述参数进行更新。
7.根据权利要求5或6所述的广告效果预测系统,其特征在于,所述损失函数的形式为二次函数形式。
8.根据权利要求5所述的广告效果预测系统,其特征在于,所述样例信息为所述广告营销活动所采用的营销策略,所述广告效果包括所述广告营销活动对应时期的相关搜索量。
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上并可在所述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计算机程序时实现如权利要求1至4中任一项所述的广告效果预测方法。
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,该程序被处理器执行时实现如权利要求1至4中任一项所述的广告效果预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855751.1A CN113657926A (zh) | 2021-07-28 | 2021-07-28 | 一种广告效果预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110855751.1A CN113657926A (zh) | 2021-07-28 | 2021-07-28 | 一种广告效果预测方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657926A true CN113657926A (zh) | 2021-11-16 |
Family
ID=78490754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110855751.1A Pending CN113657926A (zh) | 2021-07-28 | 2021-07-28 | 一种广告效果预测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823353A (zh) * | 2023-08-29 | 2023-09-29 | 阿里巴巴(成都)软件技术有限公司 | 广告投放效果的预测方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160548A (zh) * | 2015-08-20 | 2015-12-16 | 北京奇虎科技有限公司 | 对广告点击率进行预测的方法及装置 |
CN109104301A (zh) * | 2018-07-19 | 2018-12-28 | 国政通科技有限公司 | 一种基于深度学习模型针对综艺节目进行网络热度预测的方法和系统 |
CN110020877A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 点击率的预测方法、点击率的确定方法及服务器 |
CN110378434A (zh) * | 2019-07-24 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 点击率预测模型的训练方法、推荐方法、装置及电子设备 |
CN110796499A (zh) * | 2019-11-06 | 2020-02-14 | 中山大学 | 一种广告转化率预估模型及其训练方法 |
CN111191791A (zh) * | 2019-12-02 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 机器学习模型的应用方法、训练方法、装置、设备及介质 |
CN112270569A (zh) * | 2020-11-02 | 2021-01-26 | 创新奇智(成都)科技有限公司 | 广告投放方法及装置、电子设备、存储介质 |
-
2021
- 2021-07-28 CN CN202110855751.1A patent/CN113657926A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160548A (zh) * | 2015-08-20 | 2015-12-16 | 北京奇虎科技有限公司 | 对广告点击率进行预测的方法及装置 |
CN110020877A (zh) * | 2018-01-09 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 点击率的预测方法、点击率的确定方法及服务器 |
CN109104301A (zh) * | 2018-07-19 | 2018-12-28 | 国政通科技有限公司 | 一种基于深度学习模型针对综艺节目进行网络热度预测的方法和系统 |
CN110378434A (zh) * | 2019-07-24 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 点击率预测模型的训练方法、推荐方法、装置及电子设备 |
CN110796499A (zh) * | 2019-11-06 | 2020-02-14 | 中山大学 | 一种广告转化率预估模型及其训练方法 |
CN111191791A (zh) * | 2019-12-02 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 机器学习模型的应用方法、训练方法、装置、设备及介质 |
CN112270569A (zh) * | 2020-11-02 | 2021-01-26 | 创新奇智(成都)科技有限公司 | 广告投放方法及装置、电子设备、存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823353A (zh) * | 2023-08-29 | 2023-09-29 | 阿里巴巴(成都)软件技术有限公司 | 广告投放效果的预测方法及设备 |
CN116823353B (zh) * | 2023-08-29 | 2024-01-19 | 阿里巴巴(成都)软件技术有限公司 | 广告投放效果的预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359793B (zh) | 一种针对新场景的预测模型训练方法及装置 | |
KR101999471B1 (ko) | 정보 추천 방법 및 장치 | |
CN105094708B (zh) | 一种磁盘容量的预测方法及装置 | |
CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
CN110046175B (zh) | 一种缓存更新、数据返回方法及装置 | |
CN105183669A (zh) | 一种数据存储方法及装置 | |
US11568343B2 (en) | Data analytics model selection through champion challenger mechanism | |
CN112241904A (zh) | 商品销售量预测方法、装置、计算机设备和存储介质 | |
CN110674397B (zh) | 年龄点预测模型的训练方法及装置、设备与可读介质 | |
CN110968564A (zh) | 一种数据处理方法及数据状态预测模型的训练方法 | |
CN113065899A (zh) | 用户生命周期价值计算方法、系统、设备及存储介质 | |
CN113657926A (zh) | 一种广告效果预测方法、系统、电子设备及存储介质 | |
CN103324641A (zh) | 信息记录推荐方法和装置 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
US10684777B2 (en) | Optimizing performance of tiered storage | |
CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN112818219A (zh) | 解释推荐效果的方法、系统、电子设备及可读存储介质 | |
CN110210885B (zh) | 挖掘潜在客户的方法、装置、设备及可读存储介质 | |
CN110956490A (zh) | 一种提升广告投放完成率的方法及装置 | |
CN108154377B (zh) | 广告作弊预测方法及装置 | |
CN115345653A (zh) | 一种增益值获取方法、装置、存储介质及电子设备 | |
CN113468398A (zh) | 书籍级别的确定方法、计算设备及计算机存储介质 | |
US20210182696A1 (en) | Prediction of objective variable using models based on relevance of each model | |
CN112396466A (zh) | 电商平台流量预测方法、系统、存储介质及电子设备 |
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 |