CN113869931A - 广告投放策略确定方法、装置、计算机设备和存储介质 - Google Patents
广告投放策略确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113869931A CN113869931A CN202110990542.8A CN202110990542A CN113869931A CN 113869931 A CN113869931 A CN 113869931A CN 202110990542 A CN202110990542 A CN 202110990542A CN 113869931 A CN113869931 A CN 113869931A
- Authority
- CN
- China
- Prior art keywords
- topic
- data
- target
- product
- trend prediction
- 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
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种广告投放策略确定方法、装置、计算机设备和存储介质。所述方法包括:接收广告投放策略确定消息,所述广告投放策略确定消息携带待投放产品数据;根据待投放产品数据,获取目标话题以及目标话题的特征数据;基于目标话题的特征数据,构建特征向量;将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果;基于目标话题的话题趋势预测结果,确定广告投放策略;其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品数据对应同一产品领域。采用本方法能够摆脱依赖人为经验预测热门话题的做法,保证了话题趋势预测的准确度,提高广告投放效果。
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投放策略确定方法、装置、计算机设备和存储介质。
背景技术
社交媒体是人们彼此之间用来分享意见、见解、经验和观点的工具和平台,现阶段主要包括社交网站、微博、微信、博客、论坛以及播客等等。
各社交媒体往往会针对用户发布的信息进行分类,筛选出热门话题,例如在微博平台中,热门话题是指在单位时间内用户发布的与话题相关的微博数达到一定阈值,引起微博平台中用户的广泛关注与讨论的微博话题,微博提供的热搜榜可作为参考。
在广告投放的应用场景中,为了提升广告转化率,出现了结合热门话题准备广告素材,确定广告投放策略的潮流。然而,目前,结合热门话题确定广告投放策略的方式中,主要是基于人工经验的方式判断话题趋势,无法准确预测话题趋势,进而出现广告投放效果不佳的问题。
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投放效果的广告投放策略确定方法、装置、计算机设备和存储介质。
一种广告投放策略确定方法,方法包括:
接收广告投放策略确定消息,所述广告投放策略确定消息携带待投放产品数据;
根据待投放产品数据,获取目标话题以及目标话题的特征数据;
基于目标话题的特征数据,构建特征向量;
将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果;
基于目标话题的话题趋势预测结果,确定广告投放策略;
其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品数据对应同一产品领域。
在一个实施例中,根据待投放产品数据,获取目标话题包括:
根据待投放产品数据,得到话题关键词;
调用第一预设接口以访问第三方社交网络平台、并根据话题关键词在第三方社交网络平台进行查询,得到查询结果;
根据查询结果和预设的评论数阈值,获取目标话题。
在一个实施例中,根据待投放产品数据,得到话题关键词包括:
调用第二预设接口以访问第三方数据搜索平台、并根据待投放产品数据对应的产品领域在第三方数据搜索平台进行数据搜索,基于数据搜索结果,选取数据搜索结果中的关键词,得到第一话题关键词;
和/或,基于待投放产品数据,通过爬虫机制,获取目标社交用户发布的与待投放产品数据对应的产品领域相关的动态数据,提取动态数据中的关键词,得到第二话题关键词。
在一个实施例中,获取目标话题的特征数据包括:
根据目标话题在第三方社交网络平台进行查询,获取目标话题的用户行为数据;
根据用户行为数据和预设特征数据确定规则,获取目标话题的特征数据。
在一个实施例中,目标话题的特征数据包括预设单位时间内目标话题的目标群体参与率、评论率、转发率和/或话题讨论增长率。
在一个实施例中,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果之前,还包括:
获取历史话题数据和携带话题分类标签的历史话题数据的特征信息;
对历史话题数据和携带话题分类标签的历史话题数据的特征信息进行数据标准化处理,得到模型训练集;
获取基于DNN(Deep Neural Networks,深度神经网络)算法构建的初始话题趋势预测模型,初始话题趋势预测模型包含多层神经网络;
基于模型训练集,对初始话题趋势预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的话题趋势预测模型。
在一个实施例中,基于目标话题的话题趋势预测结果,确定广告投放策略包括:
若目标话题的话题趋势预测结果携带热门话题分类标签,则将待投放产品标记为可投放产品、并推送广告投放提示消息。
一种广告投放策略确定装置,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,用于接收携带待投放产品数据的广告投放策略确定消息,根据待投放产品数据,获取目标话题以及目标话题的特征数据;
数据处理单元,用于基于目标话题的特征数据,构建特征向量,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,基于目标话题的话题趋势预测结果,确定广告投放策略;
其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品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:
接收广告投放策略确定消息,所述广告投放策略确定消息携带待投放产品数据;
根据待投放产品数据,获取目标话题以及目标话题的特征数据;
基于目标话题的特征数据,构建特征向量;
将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果;
基于目标话题的话题趋势预测结果,确定广告投放策略;
其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品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:
接收广告投放策略确定消息,所述广告投放策略确定消息携带待投放产品数据;
根据待投放产品数据,获取目标话题以及目标话题的特征数据;
基于目标话题的特征数据,构建特征向量;
将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果;
基于目标话题的话题趋势预测结果,确定广告投放策略;
其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品数据对应同一产品领域。
上述广告投放策略确定方法、装置、计算机设备和存储介质,接收到携带待投放产品数据的广告投放策略确定消息后,能够根据待投放产品数据,自动获取目标话题和目标话题的特征数据,构建特征向量,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,进而能够根据目标话题的话题趋势预测结果确定广告投放策略。上述方案,能够基于待投放产品数据,通过自动化的流程获取目标话题,并得到客观准确的目标话题的趋势预测结果,从根本上摆脱了依赖人为经验预测话题趋势的做法,保证了话题趋势预测的准确度,进而能够提高广告投放的效果。
附图说明
图1为一个实施例中广告投放策略确定方法的应用环境图;
图2为一个实施例中广告投放策略确定方法的流程示意图;
图3为一个实施例中获取目标话题步骤的流程示意图;
图4为另一个实施例中训练话题趋势预测模型步骤的流程示意图;
图5为一个实施例中广告投放策略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。
本申请提供的广告投放策略确定方法,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,发送携带待投放产品数据的广告投放策略确定消息至服务器104,服务器104响应广告投放策略确定消息,根据待投放产品数据,获取目标话题以及目标话题的特征数据,基于目标话题的特征数据,构建特征向量,然后,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,最后,基于目标话题的话题趋势预测结果,确定广告投放策略,其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品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,提供了一种广告投放策略确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收广告投放策略确定消息,广告投放策略确定消息携带待投放产品数据。
待投放产品数据即指广告商想要投放广告进行宣传的产品,待投放产品数据包括待投放产品名称、产品类型、所属领域以及产品。在实际应用中,可以是用户在终端的操作界面上输入待投放产品数据,如手机,然后通过终端发送携带待投放产品数据的广告投放策略确定消息。
步骤204,根据待投放产品数据,获取目标话题以及目标话题的特征数据。
目标话题即指与待投放产品数据的产品领域相关的重点讨论话题。目标话题的特征数据包括话题讨论增长率、评论率以及转发率等数据。当获取待投放产品数据后,可以是分析待投放产品数据的产品领域,通过第三方数据平台和关键词抽取技术,获取产品领域相关的重点话题,进而,获取目标话题的特征数据。
步骤206,基于目标话题的特征数据,构建特征向量。
在得到目标话题的特征数据后,可以是对特征数据进行标准化处理,构建特征向量。
步骤208,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,其中,题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品数据对应同一产品领域。
话题分类标签包括热门话题标签和非热门话题标签。具体实施时,开发人员可以基于历史话题数据以及携带话题分类标签的历史话题特征数据构建训练样本集,基于该训练样本集训练得到话题趋势预测模型,其中,历史话题数据与待投放产品数据对应同一产品领域。该模型目的即监测目标话题在发布一周内,话题的被关注度的变化趋势,根据变化趋势来预测该话题预设时间段内能否成为热门话题,并以此将话题分为热门话题和非热门话题,得到目标话题的话题趋势预测结果。
步骤210,基于目标话题的话题趋势预测结果,确定广告投放策略。
广告投放策略即指根据目标话题的话题趋势预测结果确定是否进行广告投放。具体实施时,可以是将话题的发布时间作为起始时间,统计起始时间一周内的话题的特征数据,以监测话题被关注度的变化趋势(被关注数,讨论增长率等),根据该变化趋势来预测话题一周后能否成为热门话题。目标话题的话题趋势预测结果包括未来预设时间段内会成为热门话题以及不能成为热门话题,若话题趋势预测结果表征该待投放产品能够在预设时间段内成为热门话题,则可筛选出该待投放产品或标记该待投放产品为可投放产品,以便针对该可投放产品准备广告素材,进行广告定制投放。
上述广告投放策略确定方法中,接收到携带待投放产品数据的广告投放策略确定消息后,能够根据待投放产品数据,自动获取目标话题和目标话题的特征数据,构建特征向量,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,进而能够根据目标话题的话题趋势预测结果确定广告投放策略。上述方案,能够基于待投放产品数据,通过自动化的流程获取目标话题,并得到客观准确的话题的趋势预测结果,从根本上摆脱了依赖人为经验预测话题趋势的做法,保证了话题趋势预测的准确度,进而能够提高广告投放的效果。
如图3所示,在一个实施例中,根据待投放产品数据,获取目标话题包括:
步骤222,根据待投放产品数据,得到话题关键词;
步骤242,调用第一预设接口以访问第三方社交网络平台、并根据话题关键词在第三方社交网络平台进行查询,得到查询结果;
步骤262,根据查询结果和预设的评论数阈值,获取目标话题。
话题关键词即指话题中具有代表性的关键词。如上述实施例所述,待投放产品数据包括产品所属的产品领域和产品名称等数据,本实施例中,可以是基于产品领域,获取该领域的重点讨论话题。具体的,可以是根据产品领域,得到话题关键词,然后调用预设的接口访问第三方社交网络平台如微博,然后,根据话题关键词在微博上进行搜索查询,得到有关于产品领域相关的社交动态数据,然后选取评论数超过预设的评论数阈值如1000条且排名最高的动态数据,基于该条选取出的动态数据,获取目标话题。本实施例中,基于第三方社交网络平台获取目标话题,成本低、时效性强,并且筛选出的目标话题具有代表性。
在一个实施例中,步骤222包括:调用第二预设接口以访问第三方数据搜索平台、并根据待投放产品数据对应的产品领域在第三方数据搜索平台进行数据搜索,得到数据搜索结果,选取数据搜索结果中的关键词,得到第一话题关键词;和/或,基于待投放产品数据,通过爬虫机制,获取目标社交用户发布的与待投放产品数据对应的产品领域相关的动态数据,提取动态数据中的关键词,得到第二话题关键词。
具体实施时,话题关键词的确定可以是基于百度的搜索指数和/或领域大V(大V是指在新浪、腾讯、网易等微博平台上获得个人认证,拥有众多粉丝的用户)的发言或动态数据进行关键词的提取。具体地,可以是调用第二预设接口以访问第三方数据搜索平台如百度指数,在百度指数每日公开的搜索指数中搜索产品领域的关键词,得到数据搜索结果,选取数据搜索结果中排行前5的关键词,将其确定为第一话题关键词。和/或,可以是基于scrapy爬虫机制,于各大社交网络平台如微博,搜索产品领域内大V的微博,再结合关键词提取技术,提取当天评论量最高的微博相关内容的关键词。例如某手机领域的大V微博发布了对某未上市手机的性能测试微博,评论数较高,可设定评论数的阈值,选取评论数超过预设评论数阈值的微博动态,从中提取出该领域的重点话题关键词。本实施例中,通过调用预设接口的方式访问第三方平台,再结合关键词提取技术,得到目标话题的话题关键词,同样具备成本低的特点,且确定的话题关键词具有代表性。
在一个实施例中,获取目标话题的特征数据包括:根据目标话题在第三方社交网络平台进行查询,获取目标话题的用户行为数据;根据用户行为数据和预设特征数据确定规则,获取目标话题的特征数据。
用户行为包括转发加评论、转发、评论和原创等。具体实施时,目标话题的特征数据的获取可以是根据目标话题在微博上进行查询,得到关于该目标话题的用户行为数据包括用户评论数量、评论时间、用户转发数量、转发时间以及发布原创动态时间和原创时间等,然后,结合预设特征数据确定规则,统计得到目标话题的特征数据。本实施例中,通过预设特征数据确定规则和第三方社交网络平台,能够快速获取目标话题的特征数据。
在另一个实施例中,目标话题的特征数据包括预设单位时间内目标话题的目标群体参与率、评论率、转发率和/或话题讨论增长率。
目标群体参与率可包括意见领袖参与率和舆论领袖参与率。意见领袖是两级传播中的重要角色,是人群中首先或较多接触大众传媒信息,并将经过自己再加工的信息传播给其他人的人。舆论领袖一般是指颇具人格魅力,具有较强综合能力和较高的社会地位或被认同感,在社交场合比较活跃,与受其影响者同处一个团体并有共同爱好,通晓特定问题并乐于接受和传播相关信息的人。本实施例中,特征数据可以是一周内的目标话题的意见领袖参与率、微博评论率、微博转发率和/或话题讨论增长率。
(1)意见领袖参与率是指单位时间(每小时)内参与热点话题讨论的意见领袖人数与意见领袖总人数百分比。意见领袖的参与以最直接的方式扩大了热点话题的传播范围,参与率越高,受影响的用户群体越大,参与讨论的普通用户和微博数也会增加,进而影响话题的发展趋势。
(2)微博评论率是指单位时间(每小时)内,与话题相关的微博的评论总数与所有微博的评论总数的百分比。在微博的四种用户行为中(转发加评论、转发、评论、原创),用户参与评论的成本最低,评论数的大小也直接表明了微博受关注的程度和用户讨论的激烈程度,评论数越多的微博,说明用户讨论得越激烈,用户关注度越大,传播范围也越广。因此微博的评论率也可以考虑作为影响话题发展趋势的因素之一。
(3)微博转发率是指单位时间(每小时)内发表的,与话题相关的微博的转发数之和与所有微博的转发数之和的百分比。微博转发率表现了话题在微博平台中受关注的程序,意见领袖的微博转发率越高,表明关注该话题的用户越多。相反,热点话题的微博转发率越低,表明用户已经开始转移对该话题的关注。
(4)话题讨论增长率,是先求得每小时该话题被讨论次数与前一小时相比的增长率,再取一天的增长率的平均值。
本实施例中,选取预设单位时间内目标话题的目标群体参与率、评论率、转发率和/或话题讨论增长率作为特征数据具备代表性,能够使得基于特征数得到的话题趋势预测结果更为准确。
如图4所示,在一个实施例中,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果之前,还包括:
步骤207,获取历史话题数据和携带话题分类标签的历史话题数据的特征信息;
步骤227,对历史话题数据和携带话题分类标签的历史话题数据的特征信息进行数据标准化处理,得到模型训练集;
步骤247,获取基于DNN算法构建的初始话题趋势预测模型,初始话题趋势预测模型包含多层神经网络;
步骤267,基于模型训练集,对初始话题趋势预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的话题趋势预测模型。
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)训练对应的话题趋势预测模型。本实施例中,待投放产品以电子产品为例,可以是从微博平台中,获取电子产品领域相关的热门话题和非热门话题,并统计出热门话题和非热门话题的特征数据。然后,对热门话题的特征数据添加“热门话题”分类标签,对非热门话题的特征数据添加“非热门话题”分类标签,热门话题与非热门话题的分类依据是话题发布一周后,该话题是否进入微博热搜磅的前100,若能进入前100,则为热门话题,否则为非热门话题,可以理解的是,具体可根据实际情况设定热门话题的判断条件。基于添加标签后的特征数据和话题数据,构建训练样本,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算法构建初始话题趋势预测模型,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。基于标准化处理后的历史话题数据和携带话题分类标签的特征信息,构建历史特征向量,以历史特征向量为输入,话题分类标签为预测变量即输出,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话题数据及其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,提高话题趋势的准确性。
在一个实施例中,基于目标话题的话题趋势预测结果,确定广告投放策略包括:若目标话题的话题趋势预测结果携带热门话题分类标签,则将待投放产品标记为可投放产品、并推送广告投放提示消息。
可投放产品即指可投放广告的产品。具体实施时,若目标话题的趋势预测结果携带“热门话题”分类标签,表征未来预设时间段内如一周内目标话题能成为热门话题,则将目标话题对应的待投放产品标记为可投放产品、并推送广告投放提示消息,该广告投放提示消息可以是以弹窗的形式或以文本信息的形式发送至用户终端或指定人员的终端或邮箱。若目标话题的趋势预测结果携带“非热门话题”分类标签,表征未来预设时间段内如一周内目标话题不能成为热门话题,则跳过该目标话题对应的待投放产品,对该待投放产品不进行广告投放,预测下一个待投放产品的话题趋势,进一步的,还可输出该待投放产品未达到广告投放要求的提示信息。本实施例中,通过推送广告投放提示消息能够及时通知相关人员进行广告素材准备,调整营销策略。
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,提供了一种广告投放策略确定装置,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,用于接收携带待投放产品数据的广告投放策略确定消息,根据待投放产品数据,获取目标话题以及目标话题的特征数据。
数据处理单元520,用于基于目标话题的特征数据,构建特征向量,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,基于目标话题的话题趋势预测结果,确定广告投放策略;
其中,话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,历史话题数据与待投放产品数据对应同一产品领域。
上述广告投放策略确定装置,接收到携带待投放产品数据的广告投放策略确定消息后,能够根据待投放产品数据,自动获取目标话题和目标话题的特征数据,构建特征向量,将特征向量输入至已训练的话题趋势预测模型,得到目标话题的趋势预测结果,进而能够根据目标话题的话题趋势预测结果确定广告投放策略。上述方案,能够基于待投放产品数据,通过自动化的流程获取目标话题,并得到客观准确的目标话题的趋势预测结果,从根本上摆脱了依赖人为经验预测话题趋势的做法,保证了话题趋势预测的准确度,进而能够提高广告投放的效果。
上述方案,能够基于待投放产品数据,通过自动化的流程获取目标话题,并得到客观准确的话题的趋势预测结果,从根本上摆脱了依赖人为经验预测话题趋势的做法,保证了话题趋势预测的准确度,进而能够提高广告投放的效果。
在一个实施例中,数据获取单元510还用于根据待投放产品数据,得到话题关键词,调用第一预设接口以访问第三方社交网络平台、并根据话题关键词在第三方社交网络平台进行查询,得到查询结果,根据查询结果和预设的评论数阈值,获取目标话题。
在一个实施例中,数据获取单元510还用于调用第二预设接口以访问第三方数据搜索平台、并根据待投放产品数据对应的产品领域在第三方数据搜索平台进行数据搜索,得到数据搜索结果,选取数据搜索结果中的关键词,得到第一话题关键词;和/或,基于待投放产品数据,通过爬虫机制,获取目标社交用户发布的与待投放产品数据对应的产品领域相关的动态数据,提取动态数据中的关键词,得到第二话题关键词。
在一个实施例中,数据获取单元510还用于根据目标话题在第三方社交网络平台进行查询,获取目标话题的用户行为数据,根据用户行为数据和预设特征数据确定规则,获取目标话题的特征数据。
在一个实施例中,数据处理单元520还用于获取历史话题数据和携带话题分类标签的历史话题数据的特征信息,对历史话题数据和携带话题分类标签的历史话题数据的特征信息进行数据标准化处理,得到模型训练集,获取基于DNN算法构建的初始话题趋势预测模型,初始话题趋势预测模型包含多层神经网络,基于模型训练集,对初始话题趋势预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的话题趋势预测模型。
在一个实施例中,数据处理单元520还用于若目标话题的话题趋势预测结果携带热门话题分类标签,则将待投放产品标记为可投放产品、并推送广告投放提示消息。
关于广告投放策略确定装置的具体实施例可以参见上文中对于广告投放策略确定方法的实施例,在此不再赘述。上述广告投放策略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数据以及目标话题的特征数据等。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投放策略确定方法。
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投放策略确定方法中的步骤。
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投放策略确定方法中的步骤。
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)
1.一种广告投放策略确定方法,其特征在于,所述方法包括:
接收广告投放策略确定消息,所述广告投放策略确定消息携带待投放产品数据;
根据所述待投放产品数据,获取目标话题以及所述目标话题的特征数据;
基于所述目标话题的特征数据,构建特征向量;
将所述特征向量输入至已训练的话题趋势预测模型,得到所述目标话题的趋势预测结果;
基于所述目标话题的话题趋势预测结果,确定广告投放策略;
其中,所述话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,所述历史话题数据与所述待投放产品数据对应同一产品领域。
2.根据权利要求1所述的广告投放策略确定方法,其特征在于,根据所述待投放产品数据,获取目标话题包括:
根据所述待投放产品数据,得到话题关键词;
调用第一预设接口以访问第三方社交网络平台、并根据所述话题关键词在所述第三方社交网络平台进行查询,得到查询结果;
根据所述查询结果和预设的评论数阈值,获取所述目标话题。
3.根据权利要求2所述的广告投放策略确定方法,其特征在于,所述根据所述待投放产品数据,得到话题关键词包括:
调用第二预设接口以访问第三方数据搜索平台、并根据所述待投放产品数据对应的产品领域在所述第三方数据搜索平台进行数据搜索,得到数据搜索结果,选取数据搜索结果中的关键词,得到第一话题关键词;
和/或,基于所述待投放产品数据,通过爬虫机制,获取目标社交用户发布的与所述待投放产品数据对应的产品领域相关的动态数据,提取所述动态数据中的关键词,得到第二话题关键词。
4.根据权利要求2所述的广告投放策略确定方法,其特征在于,获取所述目标话题的特征数据包括:
根据所述目标话题在所述第三方社交网络平台进行查询,获取所述目标话题的用户行为数据;
根据所述用户行为数据和预设特征数据确定规则,获取所述目标话题的特征数据。
5.根据权利要求1所述的广告投放策略确定方法,其特征在于,所述目标话题的特征数据包括预设单位时间内目标话题的目标群体参与率、评论率、转发率和/或话题讨论增长率。
6.根据权利要求1至5任意一项所述的广告投放策略确定方法,其特征在于,所述将所述特征向量输入至已训练的话题趋势预测模型,得到所述目标话题的趋势预测结果之前,还包括:
获取所述历史话题数据和携带话题分类标签的所述历史话题数据的特征信息;
对所述历史话题数据和所述携带话题分类标签的所述历史话题数据的特征信息进行数据标准化处理,得到模型训练集;
获取基于DNN算法构建的初始话题趋势预测模型,所述初始话题趋势预测模型包含多层神经网络;
基于所述模型训练集,对所述初始话题趋势预测模型进行回归分析,确定各层神经网络的权重和截距,得到已训练的话题趋势预测模型。
7.根据权利要求1至5任意一项所述的广告投放策略确定方法,其特征在于,所述基于所述目标话题的话题趋势预测结果,确定广告投放策略包括:
若所述目标话题的话题趋势预测结果携带热门话题分类标签,则将所述待投放产品标记为可投放产品、并推送广告投放提示消息。
8.一种广告投放策略确定装置,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,用于接收携带待投放产品数据的广告投放策略确定消息,根据所述待投放产品数据,获取目标话题以及所述目标话题的特征数据;
所述数据处理单元,用于基于所述目标话题的特征数据,构建特征向量,将所述特征向量输入至已训练的话题趋势预测模型,得到所述目标话题的趋势预测结果,基于所述目标话题的话题趋势预测结果,确定广告投放策略;
其中,所述话题趋势预测模型基于历史话题数据以及携带话题分类标签的历史话题特征数据训练得到,所述历史话题数据与所述待投放产品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 |
---|---|---|---|
CN202110990542.8A CN113869931A (zh) | 2021-08-26 | 2021-08-26 | 广告投放策略确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110990542.8A CN113869931A (zh) | 2021-08-26 | 2021-08-26 | 广告投放策略确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869931A true CN113869931A (zh) | 2021-12-31 |
Family
ID=78988443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110990542.8A Pending CN113869931A (zh) | 2021-08-26 | 2021-08-26 | 广告投放策略确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869931A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111566684A (zh) * | 2020-04-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 用于优化广告的用户分组的方法和系统 |
CN117217828A (zh) * | 2023-08-18 | 2023-12-12 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
CN117495459A (zh) * | 2024-01-02 | 2024-02-02 | 蓝色火焰科技成都有限公司 | 基于大数据的人机互动广告方法、装置、设备及存储介质 |
CN118052600A (zh) * | 2024-04-16 | 2024-05-17 | 成都信通信息技术有限公司 | 一种利用数字化分析筛选广告投放平台的方法及相关设备 |
-
2021
- 2021-08-26 CN CN202110990542.8A patent/CN113869931A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111566684A (zh) * | 2020-04-13 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 用于优化广告的用户分组的方法和系统 |
CN111566684B (zh) * | 2020-04-13 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 用于优化广告的用户分组的方法和系统 |
CN117217828A (zh) * | 2023-08-18 | 2023-12-12 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
CN117217828B (zh) * | 2023-08-18 | 2024-05-10 | 上海数禾信息科技有限公司 | 验证转化回传数据方法、装置、计算机设备和存储介质 |
CN117495459A (zh) * | 2024-01-02 | 2024-02-02 | 蓝色火焰科技成都有限公司 | 基于大数据的人机互动广告方法、装置、设备及存储介质 |
CN117495459B (zh) * | 2024-01-02 | 2024-03-19 | 蓝色火焰科技成都有限公司 | 基于大数据的人机互动广告方法、装置、设备及存储介质 |
CN118052600A (zh) * | 2024-04-16 | 2024-05-17 | 成都信通信息技术有限公司 | 一种利用数字化分析筛选广告投放平台的方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tatar et al. | From popularity prediction to ranking online news | |
Chen et al. | Predicting the influence of users’ posted information for eWOM advertising in social networks | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
US20170302613A1 (en) | Environment for Processing and Responding to User Submitted Posts | |
Zamani et al. | Situational context for ranking in personal search | |
KR101961711B1 (ko) | 온라인 소셜 네트워크 내 네트워크-인지 제품 시판 | |
Wang et al. | Is it time for a career switch? | |
US20160364736A1 (en) | Method and system for providing business intelligence based on user behavior | |
CN111382361B (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
JP5454357B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
CN109376237B (zh) | 客户稳定性的预测方法、装置、计算机设备和存储介质 | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN104254851A (zh) | 用于向用户推荐内容的方法和系统 | |
US20160117328A1 (en) | Influence score of a social media domain | |
CN108629010B (zh) | 一种基于主题和服务组合信息的web服务推荐方法 | |
CN109615060A (zh) | Ctr预估方法、装置及计算机可读存储介质 | |
CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN108153909A (zh) | 关键词投放拓词方法、装置及电子设备、存储介质 | |
Saleem et al. | Personalized decision-strategy based web service selection using a learning-to-rank algorithm | |
Kim et al. | Topic-Driven SocialRank: Personalized search result ranking by identifying similar, credible users in a social network | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
US10394804B1 (en) | Method and system for increasing internet traffic to a question and answer customer support system | |
US20170004402A1 (en) | Predictive recommendation engine | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 |
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 |