CN113850416A - 广告推广合作对象确定方法和装置 - Google Patents
广告推广合作对象确定方法和装置 Download PDFInfo
- Publication number
- CN113850416A CN113850416A CN202110990509.5A CN202110990509A CN113850416A CN 113850416 A CN113850416 A CN 113850416A CN 202110990509 A CN202110990509 A CN 202110990509A CN 113850416 A CN113850416 A CN 113850416A
- Authority
- CN
- China
- Prior art keywords
- social network
- characteristic data
- product
- conversion rate
- historical
- 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
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本申请涉及一种广告推广合作对象确定方法和装置。所述方法包括:获取待投放产品特征数据和初始社交网络用户的特征数据,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,将特征向量输入至已训练的广告转化率预测模型中,得到广告转化率预测值,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象,其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。上述方案能得到客观准确的广告转化率预测值,量化产品的转化效应,以提高广告转化率。
Description
技术领域
本申请涉及机器学习技术领域,特别是涉及一种广告推广合作对象确定方法和装置。
背景技术
近年来,随着媒介技术的迅速发展,直播电商交易模式进入爆发式增长阶段,直播电商交易模式因其能够拉动社交、内容、电商等各平台的流量势能的优势,几乎成为各大网络营销平台的标配。
在广告推送投放的应用场景中,对于广告投放商来说,合作方的选择是需要重点考虑的因素。选择合适的合作方进行产品推广可以提高广告投放的转化率,因此,正确选择合作方进行产品推送显得尤为重要。
目前,现有的广告推广合作方(以下可简称为合作方)的选择方式主要是凭借合作经验和合作方的知名度来选择,而在当前社交网络“网红”数量较多,推送产品繁杂的情况下,无法准确预测选择的合作方对产品的宣传效应,无法准确保证产品转化率的提升效果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高广告转化率的广告推广合作对象确定方法、装置、计算机设备和存储介质。
一种广告推广合作对象确定方法,所述方法包括:
获取待投放产品特征数据和初始社交网络用户的特征数据;
基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量;
将特征向量输入至已训练的广告转化率预测模型中,得到初始社交网络用户对应的广告转化率预测值;
基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。
在一个实施例中,获取初始社交网络用户的特征数据,具体包括:
根据待投放产品特征数据所对应的产品领域在预设社交网络平台获取社交网络用户;
基于社交网络用户筛选出初始社交网络用户;
获取初始社交网络用户的特征数据。
在一个实施例中,基于社交网络用户筛选出初始社交网络用户,具体包括:
基于社交网络用户,结合与各社交网络用户的历史合作数据以及各社交网络用户发布的与产品领域相关的动态数据的讨论率,筛选出初始社交网络用户。
在一个实施例中,初始社交网络用户的特征数据包括知名度特征数据、领域专业度特征数据以及产品专业度特征数据;
其中,知名度特征数据基于初始社交网络用户的平均浏览量和有效关注者数量得到,领域专业度特征数据基于初始社交网络用户发布的与待投放产品特征数据所对应的产品领域相关的动态数据得到,产品专业度特征数据基于初始社交网络用户的历史广告转化率和历史直播购买转化率得到。
在一个实施例中,获取待投放产品特征数据和初始社交网络用户的特征数据之前,还包括:
获取初始社交网络用户的关注者的社交动态数据;
基于初始社交网络用户的关注者的社交动态数据,筛选出初始社交网络用户的有效关注者,有效关注者为具有社交动态数据的用户;
统计初始社交网络用户的有效关注者数量和平均浏览量,确定知名度特征数据。
在一个实施例中,将特征向量输入至已训练的广告转化率预测模型中,得到初始社交网络用户对应的广告转化率预测值之前,还包括:
获取社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率,历史产品特征数据与待投放产品特征数据对应同一产品领域;
对社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率进行数据标准化处理,构建模型训练集;
获取基于DNN(Deep Neural Networks,深度神经网络)算法构建的初始广告转化率预测模型,初始广告转化率预测模型包含多层神经网络;
基于模型训练集,对初始广告转化率预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的广告转化率预测模型。
在一个实施例中,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象,具体包括:
筛选出预设名次范围内的广告转化率预测值;
将筛选出的广告转化率预测值对应的目标社交网络用户确定为广告推广合作对象。
一种广告推广合作对象确定装置,所述装置包括数据获取单元和数据处理单元,其中:
数据获取单元,用于获取待投放产品特征数据和初始社交网络用户的特征数据;
数据处理单元,用于基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,将特征向量输入至已训练的广告转化率预测模型中,得到初始社交网络用户对应的广告转化率预测值,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待投放产品特征数据和初始社交网络用户的特征数据;
基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量;
将特征向量输入至已训练的广告转化率预测模型中,得到初始社交网络用户对应的广告转化率预测值;
基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。
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以下步骤:
获取待投放产品特征数据和初始社交网络用户的特征数据;
基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量;
将特征向量输入至已训练的广告转化率预测模型中,得到初始社交网络用户对应的广告转化率预测值;
基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。
上述广告推广合作对象确定方法、装置、计算机设备和存储介质,基于社交网络用户的历史特征数据、社交网络用户所推送的与待投放产品特征数据所对应同一产品领域的历史产品特征数据以及历史广告转化率训练得到广告转化率预测模型,然后,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,再将特征向量输入至已训练的广告转化率预测模型中,便能得到广告转化率预测值,进而根据广告转化率预测值,筛选出目标社交网络用户,确定广告推广合作对象。上述方案,充分利用机器学习的优势,能够得到客观且准确的广告转化率预测值,量化合作方对待投放产品的转化效应,便于广告推广合作方的精准选择,以提高广告转化率。
附图说明
图1为一个实施例中广告推广合作对象确定方法的应用环境图;
图2为一个实施例中广告推广合作对象确定方法的流程示意图;
图3为一个实施例中训练广告转化率预测模型步骤的流程示意图;
图4为另一个实施例中广告推广合作对象确定方法的流程示意图;
图5为一个实施例中广告推广合作对象确定装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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,对本申请进行进一步详细说明。应当理解,此处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。
本申请提供的广告推广合作对象确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。具体可以是用户于终端102进行操作,上传待投放产品特征数据和初始社交网络用户的特征数据至服务器104,通过终端102发送广告推广合作对象确定消息至服务器104,服务器104响应该广告推广合作对象确定消息,获取待投放产品特征数据和初始社交网络用户的特征数据,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,将特征向量输入至已训练的广告转化率预测模型中,得到广告转化率预测值,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象,其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104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。
在一个实施例中,如图2所示,提供了一种广告推广合作对象确定方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取待投放产品特征数据和初始社交网络用户的特征数据。
本实施例中,初始社交网络用户指社交网络红人(简称网红),即本申请中的广告推广合作对象,亦可称为广告推广合作方。待投放产品特征数据包括待投放产品的产品名称、产品类型、产品价格以及产品属性参数等,其中,产品属性参数包括产品尺寸、产品颜色以及产品材质等。初始社交网络用户的特征数据包括基础数据、历史推送记录和推送相关性参数等。其中,基础数据包括姓名、性别以及年龄等数据。本实施例中,获取的是多个初始社交网络用户的特征数据,且获取的待投放产品特征数据和初始社交网络用户的特征数据的数量可以是1000条左右。
在一个实施例中,初始社交网络用户的特征数据包括知名度特征数据、领域专业度特征数据以及产品专业度特征数据;
其中,知名度特征数据基于目标社交网络用户的平均浏览量和有效关注者数量得到,领域专业度特征数据基于目标社交网络用户发布的与待投放产品特征数据所对应的产品领域相关的动态数据得到,产品专业度特征数据基于目标社交网络用户的历史广告转化率得到。
有效关注者数量即指粉丝数量。具体实施时,知名度特征数据的确定可以是统计“网红”用户的社交账户如微博账户在近一个月内的平均浏览量,具体可以是筛选该“网红”用户发表微博的关键词,将出现了专业领域相关的关键词的微博作为样本数据,计算统计该样本数据范围内微博的平均浏览量。平均浏览量=相关微博浏览总量/相关微博数量。然后,统计该“网红”用户的有效粉丝数量,对有效粉丝数量和平均浏览量进行标准化处理,得到知名度特征变量即知名度特征数据。如此,可以综合判断该合作方的流量和知名度,相对来说,知名度越高的合作方,产品购买成功率越高。
领域专业度特征数据的确定可以是统计“网红”用户在相关领域发布的动态数据如相关产品领域的发布微博频率和话题量排名比例,进而确定其领域专业度,得到领域专业度特征数据。其中,话题量排名=用户热门微博排名/统计热门微博数量。具体的可以是,统计该“网红”用户在相关领域的话题量排名比例(例如有10000条发表类似话题的微博博文,该用户的微博评论数和浏览数总和在10000条中排名前100,则位次比例是1%)。例如广告投放商本次重点推荐电子产品广告,则选取近期1个月较热门的电子产品领域微博博文10000条,分别统计其评论与点击数量总和,再将“网红”用户近1个月发布的涉及相关领域的热门微博进行同样的计算统计,计算该“网红”用户的排名,得到位次比例。发表话题频率的确定可以是统计“网红”用户近1个月在相关话题领域发表微博的频率,例如统计每天发表手机产品相关的微博的条数。例如一个月30天,该用户发表了120条相关话题领域的微博,则话题发表频率为4次/天。发表微博频率=当月用户发表话题相关微博条数/该月天数。对话题量排名比例和发表微博频率进行数据标准化后,得到领域专业度特征数据。
产品专业度特征数据的确定可以是统计合作方的历史带货或推送的同领域的产品的广告转化率和直播购买转化率得到。其中,广告转化率=产品广告点击次数/直播观看人数;直播购买转化率=产品销售数量/直播观看人数,对广告转化率和直播购买转化率进行数据标准化后,得到产品专业度特征数据。
本实施例中,通过知名度特征数据、领域专业度特征数据以及产品专业度特征数据,能体现该合作方在该领域的推送成功率,体现其自身知名度和专业度与同类产品的相关性,提高广告转化率预测值的准确性。
在一个实施例中,步骤202之前,还包括:
步骤200,获取初始社交网络用户的关注者的社交动态数据;
步骤220,基于初始社交网络用户的关注者的社交动态数据,筛选出初始社交网络用户的有效关注者,有效关注者为具有社交动态数据的用户;
步骤240,统计初始社交网络用户的有效关注者数量和平均浏览量,确定知名度特征数据。
具体实施时,可以是通过网络爬虫技术,爬取初始社交网络用户的关注者的社交动态数据例如微博数据,将发微博量为0,点赞量为0的关注者定义为无效关注者,剔除该部分无效关注者,筛选出有效关注者,然后,统计初始社交网络用户的有效关注者数量和平均浏览量,确定知名度特征数据。本实施例中,剔除了初始社交网络用户的无效关注者,能够保证数据的有效性。
步骤204,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量。
当获取待投放产品特征数据和初始社交网络用户的特征数据之后,可对待投放产品特征数据和初始社交网络用户的特征数据进行标准化处理,根据标准化处理后的待投放产品特征数据和初始社交网络用户的特征数据,构建出多维的特征向量。
步骤206,将特征向量输入至已训练的广告转化率预测模型中,得到广告转化率预测值,其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据对应同一产品领域。
广告转化率(Conversion Rate)是指通过点击广告进入推广网站的网民形成转化的比例,通常可反映广告的直接收益。本实施例中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,其中,历史产品特征数据与待投放产品特征数据所对应同一产品领域。在实际应用中,若社交网络用户所推送的历史产品特征数据中,没有与待投放产品相同的产品特征数据,可选择同类定位的产品特征数据,例如,若待投放产品为手机,则电脑、平板等电子产品的特征数据均可作为可选数据。
步骤208,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象。
在得到广告转化率预测值之后,可将广告转化率预测值作为参考依据,推送广告投放策略,具体的,可以是选择广告转化率预测值较高的目标社交网络用户作为广告推广合作对象。
上述广告推广合作对象确定方法中,基于社交网络用户的历史特征数据、社交网络用户所推送的与待投放产品特征数据所对应同一产品领域的历史产品特征数据以及历史广告转化率训练得到广告转化率预测模型,然后,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,再将特征向量输入至已训练的广告转化率预测模型中,便能得到广告转化率预测值,进而根据广告转化率预测值,筛选出目标社交网络用户,确定广告推广合作对象。上述方案,充分利用机器学习的优势,能够得到客观且准确的广告转化率预测值,量化合作方对待投放产品的转化效应,便于广告推广合作方的精准选择,以提高广告转化率。
如图3所示,在一个实施例中,步骤202之前,还包括:
步骤201,获取社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率;
步骤221,对社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率进行数据标准化处理,构建模型训练集;
步骤241,获取基于DNN算法构建的初始广告转化率预测模型,初始广告转化率预测模型包含多层神经网络;
步骤261,基于模型训练集,对初始广告转化率预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的广告转化率预测模型。
具体的,可以是针对每个产品领域(如电子产品类、化妆品类以及生活用品类)训练对应的广告转化率预测模型。本实施例中,待投放产品以电子产品为例,可以是从广告投放商的历史合作方中选取部分有电子产品推送记录的“网红”(选取合作次数最多,有大量数据作为参考的),同时选取在微博平台中,涉及电子产品话题较多的网红,获取其相关的特征数据及其所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率作为训练样本,训练样本数量在100条左右。然后,对训练样本进行数据标准化处理,得到模型训练集。然后,采用DNN算法构建初始广告转化率预测模型,该模型是多层神经网络,包含输入层和输出层,每层有权重值和截距项参数。基于社交网络用户的历史特征数据和社交网络用户所推送的历史产品特征数据,构建历史特征向量,以历史特征向量为输入,历史广告转化率为预测变量即输出,采用tensorflow软件自带的DNNRegressor进行回归分析,对模型进行拟合,确定使得误差最小的各层神经网络的权重和截距,保存模型的权重和截距,完成模型训练。本实施例中,根据同产品领域的历史产品特征数据和社交网络用户的历史特征数据进行模型训练,能够使得模型的应用更加贴合实际需求,提高广告转化率的准确性。
在一个实施例中,获取初始社交网络用户的特征数据包括:步骤222,根据待投放产品特征数据所对应的产品领域在预设社交网络平台获取社交网络用户,基于社交网络用户筛选出初始社交网络用户,获取初始社交网络用户的特征数据。
具体实施时,例如广告投放平台近期会主要投放电子产品类广告,则可以是通过微博平台获取电子产品类话题量最高的用户,然后,可以是选取排名前50的用户作为初始社交网络用户即目标“网红”,选取目标“网红”后,从多个维度获取其特征数据。在另一个实施例中,可以是从曾经合作推广方中筛选出具有影响力的广告发布方。本实施例中,基于待投放产品特征数据所对应的产品领域于社交网络平台获取初始社交网络用户,成本低且便利度高。
在一个实施例中,基于社交网络用户筛选出初始社交网络用户包括:基于社交网络用户,结合与各社交网络用户的历史合作数据以及各社交网络用户发布的与产品领域相关的动态数据的讨论率,筛选出初始社交网络用户。
本实施例中,在得到社交网络用户的搜索结果后,从客观角度出发,可以是结合历史合作次数以及各社交网络用户的社交网络账户中发布的关于待投放产品特征数据所对应的产品领域的微博的话题热度,筛选出话题热度前50名的社交网络用户作为初始社交网络用户。其中,话题热度的量化可以是基于点击量和产品搜索次数确定。
如图4所示,在一个实施例中,步骤208包括:步骤228,筛选出预设名次范围内的广告转化率预测值,将筛选出的广告转化率预测值对应的目标社交网络用户确定为广告推广合作对象。
具体实施时,由于获取的是多个“网红”的特征数据,故,模型输出的广告转化率预测值也为多个,且与“网红”是一一对应关系。在得到模型输出的多个广告转化率预测值之后,可以是以广告转化率预测值作为参照依据,进行排名,选出前10%的广告转化率预测值,然后,将该前10%的广告转化率预测值的对应的网红作为广告推广合作对象。进一步的,还可以基于广告推广合作对象,并推送广告投放策略,具体的,广告投放策略可以是直接推送筛选出的目标社交网络用户的特征数据如姓名和知名度特征数据等。本实施例中,根据广告转化率预测值确定广告推广合作对象,能够提高产品推送成功率。
应该理解的是,虽然上述实施例涉及的各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,这些步骤可以以其它的顺序执行。而且,上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种广告推广合作对象确定装置,包括:数据获取单元510和数据处理单元520,其中:
数据获取单元510,用于获取待投放产品特征数据和初始社交网络用户的特征数据。
数据处理单元520,用于基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,将特征向量输入至已训练的广告转化率预测模型中,得到广告转化率预测值,基于广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,已训练的广告转化率预测模型基于社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,历史产品特征数据与待投放产品特征数据所对应同一产品领域。
上述广告推广合作对象确定装置,基于社交网络用户的历史特征数据、社交网络用户所推送的与待投放产品特征数据所对应同一产品领域的历史产品特征数据以及历史广告转化率训练得到广告转化率预测模型,然后,基于待投放产品特征数据和初始社交网络用户的特征数据,构建特征向量,再将特征向量输入至已训练的广告转化率预测模型中,便能得到广告转化率预测值,进而根据广告转化率预测值,筛选出目标社交网络用户,确定广告推广合作对象。使用上述装置,充分利用机器学习的优势,能够得到客观且准确的广告转化率预测值,量化合作方对待投放产品的转化效应,便于广告推广合作方的精准选择,以提高广告转化率。
在一个实施例中,数据获取单元510还用于根据待投放产品特征数据所对应的产品领域,于预设社交网络平台获取社交网络用户,基于社交网络用户筛选出初始社交网络用户,获取初始社交网络用户的特征数据。
在一个实施例中,数据获取单元510还用于基于社交网络用户,结合与各社交网络用户的历史合作数据以及各社交网络用户发布的与产品领域相关的动态数据的讨论率,筛选出初始社交网络用户。
在一个实施例中,数据获取单元510还用于基于初始社交网络用户的平均浏览量和有效关注者数量得到知名度特征数据,基于初始社交网络用户发布的与待投放产品特征数据所对应的产品领域相关的动态数据得到领域专业度特征数据,基于目标社交网络用户的历史广告转化率和历史直播购买转化率得到产品专业度特征数据。
在一个实施例中,数据获取单元510还用于获取初始社交网络用户的关注者的社交动态数据;基于初始社交网络用户的关注者的社交动态数据,筛选出初始社交网络用户的有效关注者;统计初始社交网络用户的有效关注者数量和平均浏览量,确定知名度特征数据。
在一个实施例中,数据处理单元520,还用于获取社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率;对社交网络用户的历史特征数据、社交网络用户所推送的历史产品特征数据,以及与历史产品特征数据对应的历史广告转化率进行数据标准化处理,构建模型训练集;获取基于DNN算法构建的初始广告转化率预测模型,初始广告转化率预测模型包含多层神经网络;基于模型训练集,对初始广告转化率预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的广告转化率预测模型。
在一个实施例中,数据处理单元520还用于筛选出预设名次范围内的广告转化率预测值;将筛选出的广告转化率预测值对应的目标社交网络用户确定为广告推广合作对象。
关于广告推广合作对象确定装置的具体实施例可以参见上文中对于广告推广合作对象确定方法的实施例,在此不再赘述。上述广告推广合作对象确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待投放产品特征数据、初始社交网络用户的特征数据和广告投放策略等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种广告推广合作对象确定方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述广告推广合作对象确定方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述广告推广合作对象确定方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上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)
1.一种广告推广合作对象确定方法,其特征在于,所述方法包括:
获取待投放产品特征数据和初始社交网络用户的特征数据;
基于所述待投放产品特征数据和所述初始社交网络用户的特征数据,构建特征向量;
将所述特征向量输入至已训练的广告转化率预测模型中,得到所述初始社交网络用户对应的广告转化率预测值;
基于所述广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,所述已训练的广告转化率预测模型基于社交网络用户的历史特征数据、所述社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,所述历史产品特征数据与所述待投放产品特征数据对应同一产品领域。
2.根据权利要求1所述的广告推广合作对象确定方法,其特征在于,获取所述初始社交网络用户的特征数据,具体包括:
根据所述待投放产品特征数据所对应的产品领域在预设社交网络平台获取社交网络用户;
基于所述社交网络用户筛选出初始社交网络用户;
获取所述初始社交网络用户的特征数据。
3.根据权利要求2所述的广告推广合作对象确定方法,其特征在于,所述基于所述社交网络用户筛选出初始社交网络用户,具体包括:
基于所述社交网络用户,结合与各社交网络用户的历史合作数据以及各社交网络用户发布的与所述产品领域相关的动态数据的讨论率,筛选出初始社交网络用户。
4.根据权利要求1所述的广告推广合作对象确定方法,其特征在于,所述初始社交网络用户的特征数据包括知名度特征数据、领域专业度特征数据以及产品专业度特征数据;
其中,所述知名度特征数据基于所述初始社交网络用户的平均浏览量和有效关注者数量得到,所述领域专业度特征数据基于所述初始社交网络用户发布的与所述待投放产品特征数据所对应的产品领域相关的动态数据得到,所述产品专业度特征数据基于所述初始社交网络用户的历史广告转化率和历史直播购买转化率得到。
5.根据权利要求4所述的广告推广合作对象确定方法,其特征在于,所述获取待投放产品特征数据和初始社交网络用户的特征数据之前,还包括:
获取所述初始社交网络用户的关注者的社交动态数据;
基于所述初始社交网络用户的关注者的社交动态数据,筛选出所述初始社交网络用户的有效关注者,所述有效关注者为具有社交动态数据的用户;
统计所述初始社交网络用户的有效关注者数量和平均浏览量,确定所述知名度特征数据。
6.根据权利要求1至5任一项所述的广告推广合作对象确定方法,其特征在于,所述将所述特征向量输入至已训练的广告转化率预测模型中,得到所述初始社交网络用户对应的广告转化率预测值之前,还包括:
获取社交网络用户的历史特征数据、所述社交网络用户所推送的历史产品特征数据,以及与所述历史产品特征数据对应的历史广告转化率,所述历史产品特征数据与所述待投放产品特征数据对应同一产品领域;
对所述社交网络用户的历史特征数据、所述社交网络用户所推送的历史产品特征数据,以及与所述历史产品特征数据对应的历史广告转化率进行数据标准化处理,构建模型训练集;
获取基于DNN算法构建的初始广告转化率预测模型,所述初始广告转化率预测模型包含多层神经网络;
基于所述模型训练集,对所述初始广告转化率预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的广告转化率预测模型。
7.根据权利要求1至5任一项所述的广告推广合作对象确定方法,其特征在于,所述基于所述广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象,具体包括:
筛选出预设名次范围内的广告转化率预测值;
将筛选出的广告转化率预测值对应的目标社交网络用户确定为广告推广合作对象。
8.一种广告推广合作对象确定装置,其特征在于,所述装置包括数据获取单元和数据处理单元,其中:
所述数据获取单元,用于获取待投放产品特征数据和初始社交网络用户的特征数据;
所述数据处理单元,用于基于所述待投放产品特征数据和所述初始社交网络用户的特征数据,构建特征向量,将所述特征向量输入至已训练的广告转化率预测模型中,得到所述初始社交网络用户对应的广告转化率预测值,基于所述广告转化率预测值筛选出目标社交网络用户,得到广告推广合作对象;
其中,所述已训练的广告转化率预测模型基于社交网络用户的历史特征数据、所述社交网络用户所推送的历史产品特征数据以及历史广告转化率训练得到,所述历史产品特征数据与所述待投放产品特征数据对应同一产品领域。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110990509.5A CN113850416A (zh) | 2021-08-26 | 2021-08-26 | 广告推广合作对象确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110990509.5A CN113850416A (zh) | 2021-08-26 | 2021-08-26 | 广告推广合作对象确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850416A true CN113850416A (zh) | 2021-12-28 |
Family
ID=78976249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110990509.5A Pending CN113850416A (zh) | 2021-08-26 | 2021-08-26 | 广告推广合作对象确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387041A (zh) * | 2022-03-22 | 2022-04-22 | 北京鑫宇创世科技有限公司 | 一种多媒体数据采集方法及系统 |
-
2021
- 2021-08-26 CN CN202110990509.5A patent/CN113850416A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387041A (zh) * | 2022-03-22 | 2022-04-22 | 北京鑫宇创世科技有限公司 | 一种多媒体数据采集方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10958748B2 (en) | Resource push method and apparatus | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US10162891B2 (en) | Determining demographics based on user interaction | |
US9704165B2 (en) | Systems and methods for determining value of social media pages | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN108763502A (zh) | 信息推荐方法和系统 | |
CN111178970B (zh) | 广告投放的方法及装置、电子设备和计算机可读存储介质 | |
WO2019080662A1 (zh) | 信息推荐方法及装置、设备 | |
CN111126495B (zh) | 模型训练方法、信息预测方法、装置、存储介质及设备 | |
CN106062743A (zh) | 用于关键字建议的系统和方法 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
US20150134380A1 (en) | Computerized system and method for determining an action person's value to parties to a transaction | |
CN113538070B (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN110782291A (zh) | 广告投放用户确定方法及装置、存储介质及电子装置 | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
CN113850416A (zh) | 广告推广合作对象确定方法和装置 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN111738754A (zh) | 对象推荐方法及装置、存储介质、计算机设备 | |
CN111865753B (zh) | 媒体信息的参数确定方法和装置、存储介质、电子装置 | |
KR20220020624A (ko) | 광고 관리 장치 및 이의 동작 방법 | |
CN112085332A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113795859A (zh) | 贡献增量机器学习模型 | |
WO2015179717A1 (en) | Determination of initial value for automated delivery of news items | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 |
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 |