CN114358809A - 一种将深度神经网络应用于数字营销的数据分析系统 - Google Patents
一种将深度神经网络应用于数字营销的数据分析系统 Download PDFInfo
- Publication number
- CN114358809A CN114358809A CN202111381001.1A CN202111381001A CN114358809A CN 114358809 A CN114358809 A CN 114358809A CN 202111381001 A CN202111381001 A CN 202111381001A CN 114358809 A CN114358809 A CN 114358809A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- advertisement
- reconstruction
- sub
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000002776 aggregation Effects 0.000 claims abstract description 18
- 238000004220 aggregation Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 93
- 230000009466 transformation Effects 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000013606 potato chips Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种将深度神经网络应用于数字营销的数据分析系统，其包括：广告主终端、数据分析服务器和数据库，数据分析服务器分别与广告主终端和数据库具有通信连接。数据分析服务器包括特征提取单元、特征重构单元和特征分析单元，各单元具有通信连接。广告主终端发送广告投放请求到数据分析服务器。特征提取单元根据广告投放请求获取第一投放特征和第二投放特征。特征重构单元分别对第一投放特征和第二投放特征进行特征重构生成第一投放重构特征和第二投放重构特征，并对第一投放重构特征和第二投放重构特征进行线性聚合生成广告投放特征。特征分析单元根据广告投放特征生成广告收益分析图。
Description
技术领域
本发明涉及深度神经网络和数字营销领域，尤其涉及一种将深度神经网络应用于数字营销的数据分析系统。
背景技术
数字营销是使用数字传播渠道来推广产品和服务的商品营销活动，通过即时、特定相关，定制化、高效低费的方式与客户或潜在客户进行沟通，以期实现高效的营销效果，提高盈利的商业活动。目前的商品数字营销主要通过互联网的方式实现，利用计算机网络实现高效、集约的营销目的，开拓市场和消费领域。
数字营销中广告投放相当的重要，广告投放方案直接决定了数字营销的最终成果，好的广告投放方案能够帮助商家在资金预算最少的情况下实现广告投放效果最优和影响人数最多。现有技术中广告投放方案的制定通常通过人工完成或服务器自动生成，通过人工制定广告投放方案不仅成本较高、耗费时间较长还存在判断结果准确性不高的问题，而服务器自动生成广告投放方案也只能对表层特征进行分析，忽略了特征与特征之间关联性导致分析结果不准确，不能得到最佳的广告投放方案。
发明内容
有鉴于此，本发明提供了一种将深度神经网络应用于数字营销的数据分析系统，其包括：
广告主终端、数据分析服务器和数据库，其中，数据分析服务器分别与广告主终端和数据库具有通信连接；数据分析服务器包括特征提取单元、特征重构单元和特征分析单元，其中，各单元具有通信连接；
广告主终端发送广告投放请求到数据分析服务器；特征提取单元分别获取广告投放请求中产品类型、产品价格和广告预算的特征以生成产品类型特征、产品价格特征和投放预算特征，然后将产品类型特征、产品价格特征和投放预算特征进行双线性变换和特征重组以生成第一投放特征；
特征提取单元利用不同尺度的卷积核对产品类型特征、产品价格特征和投放预算特征进行卷积，并将进行卷积后的产品类型特征、产品价格特征和投放预算特征输入双层卷积网络以获取不同尺度的产品类型特征、产品价格特征和投放预算特征，然后将不同尺度的产品类型特征、产品价格特征和投放预算特征在相同维度的特征空间中进行特征拼接以得到第二投放特征；
特征重构单元对第一投放特征进行特征重构以生成第一投放重构特征，并对第二投放特征进行特征重构以生成第二投放重构特征，然后将第一投放重构特征和第二投放重构特征进行线性聚合以得到广告投放特征；
特征提取单元从数据库获取广告位的广告位数据，并提取广告位数据的特征以得到广告位的广告位时序特征，然后将广告位时序特征进行时序分解以得到广告位的时序特征和若干个广告位特征；
特征分析单元将广告位的所有广告位特征按照广告位的时序特征映射到广告收益空间以得到广告位的若干个广告位特征点，并根据广告位的时序特征将广告位的所有广告位特征点进行连接以得到广告位的时序特征轨迹；
特征分析单元将广告投放特征映射到广告收益空间以生成投放特征点，并根据投放特征点和所有广告位的时序特征轨迹生成广告收益分析图，然后将广告收益分析图输入广告投放模型以获取在广告投放收益最大时的广告投放轨迹特征从而输出广告投放方案。
根据一个优选实施方式，所述广告投放请求包括：产品类型、产品价格和广告投放预算；所述广告位数据包括：类型信息、受众信息、价格信息和转化率信息；所述广告主终端为广告主使用的具有通信功能和数据传输功能的智能设备，其包括：智能手机、笔记本电脑、平板电脑和台式电脑；所述广告投放方案包括广告位列表以及目标广告在广告位列表中各广告位的投放周期、投放比例、投放时间点和方案收益率。
进一步地，特征重构单元对第一投放特征进行特征重构生成第一投放重构特征包括：
特征重构单元将第一投放特征映射到特征向量空间以得到第一投放特征向量，并利用预设的线性变换系数和线性偏置系数对第一投放特征向量进行线性变换以生成线性投放特征向量；
特征重构单元将线性投放特征向量进行向量转置以得到转置投放特征向量，并通过对线性投放特征向量和转置投放特征向量进行外积运算以对线性投放特征和转置投放特征进行特征合成从而得到合成特征向量，然后将合成特征向量与权重特征向量进行内积运算以得到特征分布向量；
特征重构单元通过特征压缩函数将特征分布向量中的每个元素的值进行归一化以得到压缩特征向量；
特征重构单元对第一投放特征进行特征分解以得到若干个第一投放子特征，并根据压缩特征向量获取每个第一投放子特征的相关系数，然后根据每个第一投放子特征的相关系数将所有的第一投放子特征进行特征融合得到第一投放重构特征。
进一步地，特征重构单元对第二投放特征进行特征重构以生成第二投放重构特征包括：
特征重构单元将第二投放特征分解为若干个第二投放子特征，遍历所有的第二投放子特征，并将正在遍历的第二投放子特征作为目标投放子特征，然后获取目标投放子特征与其他每个第二投放子特征的关系特征以得到目标投放子特征的若干个投放关系子特征；
特征重构单元通过特征聚合函数将目标投放子特征的所有投放关系子特征迭代的聚合在目标投放子特征以得到目标投放子特征的聚合子特征；重复以上步骤以得到每个第二投放子特征的聚合子特征；
特征重构单元将所有第二投放子特征的聚合子特征输入卷积神经网络以对第二投放特征进行特征重构从而得到第二投放重构特征。
进一步地，特征重构单元将第一投放重构特征和第二投放重构特征进行线性聚合得到广告投放特征包括：
特征重构单元提取第一投放重构特征和第二投放重构特征的关联特征，并分别获取第一投放重构特征和第二投放重构特征中与关联特征对应的特征以得到第一关联特征和第二关联特征；
特征重构单元分别将第一关联特征和第二关联特征映射到相同维度的特征向量空间以得到第一关联特征向量和第二关联特征向量，并将第一关联特征向量和第二关联特征向量进行向量拼接以得到关联特征向量；
特征重构单元将关联特征向量进行向量分解以得到若干个关联子向量，并利用不同的线性变换系数和线性变换偏置分别对每个关联子向量进行线性变换以得到若干个线性关联子向量；
特征重构单元将所有的线性关联子向量进行向量聚合以对关联特征向量进行分段线性变换从而得到广告投放特征。
本发明具有以下有益效果：本发明通过深度神经网络对从广告投放请求中提取的特征进行特征重构不仅可以对表层特征进行分析，还能分析特征与特征间的深层次联系，提高了数据分析的准确性使得最后输出的广告投放方案为最佳广告投放方案。此外，本发明与现有技术中的人工制定广告投放方案相比，效率更高、获益更高。
附图说明
图1为一示例性实施例提供的一种将深度神经网络应用于数字营销的数据分析系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
另外，虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。另外，本文讨论的特定模块执行动作包括该特定模块本身执行动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此，执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
需要理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或元素，但是这些设备、元件、部件或元素不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或元素与另一个设备、元件、部件或元素相区分。
尽管已经结合一些实施例描述了本发明，但是其不旨在被限于在本文中所阐述的特定形式。相反，本发明的范围仅由所附权利要求来限制。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且不定冠词“一”或“一个”不排除多个。
参见图1，在一个实施例中，一种将深度神经网络应用于数字营销的数据分析系统可以包括：广告主终端、数据分析服务器和数据库，其中，数据分析服务器分别与广告主终端和数据库具有通信连接；数据分析服务器包括特征提取单元、特征重构单元和特征分析单元，其中，各单元具有通信连接；
广告主终端发送广告投放请求到数据分析服务器；特征提取单元分别获取广告投放请求中产品类型、产品价格和广告预算的特征以生成产品类型特征、产品价格特征和投放预算特征，然后将产品类型特征、产品价格特征和投放预算特征进行双线性变换和特征重组以生成第一投放特征；
特征提取单元利用不同尺度的卷积核对产品类型特征、产品价格特征和投放预算特征进行卷积，并将进行卷积后的产品类型特征、产品价格特征和投放预算特征输入双层卷积网络以获取不同尺度的产品类型特征、产品价格特征和投放预算特征，然后将不同尺度的产品类型特征、产品价格特征和投放预算特征在相同维度的特征空间中进行特征拼接以得到第二投放特征；
特征重构单元对第一投放特征进行特征重构以生成第一投放重构特征，并对第二投放特征进行特征重构以生成第二投放重构特征，然后将第一投放重构特征和第二投放重构特征进行线性聚合以得到广告投放特征；
特征提取单元从数据库获取广告位的广告位数据，并提取广告位数据的特征以得到广告位的广告位时序特征，然后将广告位时序特征进行时序分解以得到广告位的时序特征和若干个广告位特征；
特征分析单元将广告位的所有广告位特征按照广告位的时序特征映射到广告收益空间以得到广告位的若干个广告位特征点，并根据广告位的时序特征将广告位的所有广告位特征点进行连接以得到广告位的时序特征轨迹；
特征分析单元将广告投放特征映射到广告收益空间以生成投放特征点，并根据投放特征点和所有广告位的时序特征轨迹生成广告收益分析图，然后将广告收益分析图输入广告投放模型以获取在广告投放收益最大时的广告投放轨迹特征从而输出广告投放方案。
本发明通过深度神经网络对从广告投放请求中提取的特征进行特征重构不仅可以对表层特征进行分析，还能分析特征与特征间的深层次联系，提高了数据分析的准确性使得最后输出的广告投放方案为最佳广告投放方案。此外，本发明与现有技术中的人工制定广告投放方案相比，效率更高、获益更高。
为了便于理解，下面对本发明的工作方法和原理进行具体说明。
具体的，在一个实施例中，一种将深度神经网络应用于数字营销的数据分析系统执行的工作流程可以包括以下步骤：
S1、数据分析服务器接收广告主终端发送的广告投放请求。数据分析服务器的特征提取单元分别获取广告投放请求中产品类型、产品价格和广告预算的特征以生成产品类型特征、产品价格特征和投放预算特征，然后将产品类型特征、产品价格特征和投放预算特征进行双线性变换和特征重组以生成第一投放特征。
可选地，广告投放请求包括产品类型、产品价格和广告投放预算，产品类型为广告所营销的产品的具体品类和名称，例如，目标广告营销的产品是零食品类中的薯片或者鞋子品类中的高跟鞋；产品价格为产品的售卖价格，例如，目标广告营销的产品为零食品类中薯片，售卖价格为5元一包；广告投放预算为广告主愿意为目标广告的投放支付的价格，例如，广告主愿意为目标广告的投放支付100万元。
广告主终端为广告主使用的具有通信功能和数据传输功能的智能设备，其包括：智能手机、笔记本电脑、平板电脑和台式电脑。广告主为推销商品或者提供服务，自行或者委托他人设计、制作、发布广告的法人、其他经济组织或者个人。广告主是广告活动的发布者，是在网上销售或宣传自己产品和服务的商家，是联盟营销广告的提供者。任何推广、销售其产品或服务的商家都可以作为广告主。广告主负责提供市场及商品资料给广告方案制定平台，监督并验收广告的收益。
S2、数据分析服务器的特征提取单元利用不同尺度的卷积核对产品类型特征、产品价格特征和投放预算特征进行卷积，并将进行卷积后的产品类型特征、产品价格特征和投放预算特征输入双层卷积网络以获取不同尺度的产品类型特征、产品价格特征和投放预算特征，然后将不同尺度的产品类型特征、产品价格特征和投放预算特征在相同维度的特征空间中进行特征拼接以得到第二投放特征。
S3、数据分析服务器的特征重构单元对第一投放特征进行特征重构以生成第一投放重构特征，并对第二投放特征进行特征重构以生成第二投放重构特征，然后将第一投放重构特征和第二投放重构特征进行线性聚合以得到广告投放特征。
在一个实施例中，特征重构单元对第一投放特征进行特征重构生成第一投放重构特征包括：
特征重构单元将第一投放特征映射到特征向量空间以得到第一投放特征向量，并利用预设的线性变换系数和线性偏置系数对第一投放特征向量进行线性变换以生成线性投放特征向量；
特征重构单元将线性投放特征向量进行向量转置以得到转置投放特征向量，并通过对线性投放特征向量和转置投放特征向量进行外积运算以对线性投放特征和转置投放特征进行特征合成从而得到合成特征向量，然后将合成特征向量与权重特征向量进行内积运算以得到特征分布向量；
特征重构单元通过特征压缩函数将特征分布向量中的每个元素的值进行归一化以得到压缩特征向量；所述特征压缩函数为归一化指数函数；
特征重构单元对第一投放特征进行特征分解以得到若干个第一投放子特征，并根据压缩特征向量获取每个第一投放子特征的相关系数；
特征重构单元将相关系数大于预设阈值的第一投放子特征作为相关投放子特征，并根据每个第一投放子特征的相关系数将所有的第一投放子特征进行特征融合得到第一投放重构特征。
在一个实施例中，特征重构单元对第二投放特征进行特征重构生成第二投放重构特征包括：
特征重构单元将第二投放特征分解为若干个第二投放子特征，遍历所有的第二投放子特征，并将正在遍历的第二投放子特征作为目标投放子特征，然后获取目标投放子特征与其他每个第二投放子特征的关系特征以得到目标投放子特征的若干个投放关系子特征；
特征重构单元通过特征聚合函数将目标投放子特征的所有投放关系子特征迭代的聚合在目标投放子特征以得到目标投放子特征的聚合子特征；重复以上步骤以得到每个第二投放子特征的聚合子特征；
特征重构单元将所有第二投放子特征的聚合子特征输入卷积神经网络以对第二投放特征进行特征重构从而得到第二投放重构特征。
在一个实施例中，特征重构单元将第一投放重构特征和第二投放重构特征进行线性聚合得到广告投放特征包括：
特征重构单元提取第一投放重构特征和第二投放重构特征的关联特征，并分别获取第一投放重构特征和第二投放重构特征中与关联特征对应的特征以得到第一关联特征和第二关联特征；
特征重构单元分别将第一关联特征和第二关联特征映射到相同维度的特征向量空间以得到第一关联特征向量和第二关联特征向量，并将第一关联特征向量和第二关联特征向量进行向量拼接以得到关联特征向量；
特征重构单元将关联特征向量进行向量分解以得到若干个关联子向量，并利用不同的线性变换系数和线性变换偏置分别对每个关联子向量进行线性变换以得到若干个线性关联子向量；
特征重构单元将所有的线性关联子向量进行向量聚合以对关联特征向量进行分段线性变换从而得到广告投放特征。
S4、数据分析服务器的特征提取单元从数据库获取广告位的广告位数据，并提取广告位数据的特征以得到广告位的广告位时序特征，然后将广告位时序特征进行时序分解以得到广告位的时序特征和若干个广告位特征。
广告位数据包括类型信息、受众信息、价格信息和转化率信息；所述类型信息为广告位的类型，例如：电视广告、网络广告和广播广告。受众信息为广告位的受众，即，观看该广告位的人所具有的共同特征，例如：青年、学生和吃货等；所述价格信息为广告位在各个周期的各个时间点投放广告所需要支付的价格；所述转化率信息为历史在该广告位投放的每个广告的广告投放周期、广告投放时间点、广告点击率、广告收益率和广告转化率。
S5、数据分析服务器的特征分析单元将广告位的所有广告位特征按照广告位的时序特征映射到广告收益空间以得到广告位的若干个广告位特征点，并根据广告位的时序特征将广告位的所有广告位特征点进行连接以得到广告位的时序特征轨迹。
S6、数据分析服务器的特征分析单元将广告投放特征映射到广告收益空间以生成投放特征点，并根据投放特征点和所有广告位的时序特征轨迹生成广告收益分析图，然后将广告收益分析图输入广告投放模型以获取在广告投放收益最大时的广告投放轨迹特征从而输出广告投放方案。
广告投放方案包括广告位列表以及目标广告在广告位列表中各广告位的投放周期、投放比例、投放时间点和方案收益率。广告位列表为广告投放方案中涉及的所有广告位；投放周期为目标广告在广告位投放的时间段，例如2月7号到2月16号；投放时间点为目标广告每天在广告位投放的时间点，例如晚上6点到12点；投放比例为在每个广告位所花的钱占广告投放预算的比例。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
Claims (8)
1.一种将深度神经网络应用于数字营销的数据分析系统，其特征在于，其包括：广告主终端、数据分析服务器和数据库，其中，数据分析服务器分别与广告主终端和数据库具有通信连接；数据分析服务器包括特征提取单元、特征重构单元和特征分析单元，其中，各单元具有通信连接；
广告主终端发送广告投放请求到数据分析服务器；特征提取单元分别获取广告投放请求中产品类型、产品价格和广告预算的特征以生成产品类型特征、产品价格特征和投放预算特征，然后将产品类型特征、产品价格特征和投放预算特征进行双线性变换和特征重组以生成第一投放特征；
特征提取单元利用不同尺度的卷积核对产品类型特征、产品价格特征和投放预算特征进行卷积，并将进行卷积后的产品类型特征、产品价格特征和投放预算特征输入双层卷积网络以获取不同尺度的产品类型特征、产品价格特征和投放预算特征，然后将不同尺度的产品类型特征、产品价格特征和投放预算特征在相同维度的特征空间中进行特征拼接以得到第二投放特征；
特征重构单元对第一投放特征进行特征重构以生成第一投放重构特征，并对第二投放特征进行特征重构以生成第二投放重构特征，然后将第一投放重构特征和第二投放重构特征进行线性聚合以得到广告投放特征；
特征提取单元从数据库获取广告位的广告位数据，并提取广告位数据的特征以得到广告位的广告位时序特征，然后将广告位时序特征进行时序分解以得到广告位的时序特征和若干个广告位特征；
特征分析单元将广告位的所有广告位特征按照广告位的时序特征映射到广告收益空间以得到广告位的若干个广告位特征点，并根据广告位的时序特征将广告位的所有广告位特征点进行连接以得到广告位的时序特征轨迹；
特征分析单元将广告投放特征映射到广告收益空间以生成投放特征点，并根据投放特征点和所有广告位的时序特征轨迹生成广告收益分析图，然后将广告收益分析图输入广告投放模型以获取在广告投放收益最大时的广告投放轨迹特征从而输出广告投放方案。
2.根据权利要求1所述的系统，其特征在于，所述广告主终端为广告主使用的具有通信功能和数据传输功能的智能设备，其包括：智能手机、笔记本电脑、平板电脑和台式电脑。
3.根据权利要求2所述的系统，其特征在于，所述广告投放请求包括：产品类型、产品价格和广告投放预算。
4.根据权利要求1至3之一所述的系统，其特征在于，所述特征重构单元对第一投放特征进行特征重构生成第一投放放重构特征包括：
特征重构单元将第一投放特征映射到特征向量空间以得到第一投放特征向量，并利用预设的线性变换系数和线性偏置系数对第一投放特征向量进行线性变换以生成线性投放特征向量；
特征重构单元将线性投放特征向量进行向量转置以得到转置投放特征向量，并通过对线性投放特征向量和转置投放特征向量进行外积运算以对线性投放特征和转置投放特征进行特征合成从而得到合成特征向量，然后将合成特征向量与权重特征向量进行内积运算以得到特征分布向量；
特征重构单元通过特征压缩函数将特征分布向量中的每个元素的值进行归一化以得到压缩特征向量；
特征重构单元对第一投放特征进行特征分解以得到若干个第一投放子特征，并根据压缩特征向量获取每个第一投放子特征的相关系数，然后根据每个第一投放子特征的相关系数将所有的第一投放子特征进行特征融合得到第一投放重构特征。
5.根据权利要求4所述的系统，其特征在于，特征重构单元对第二投放特征进行特征重构以生成第二投放重构特征包括：
特征重构单元将第二投放特征分解为若干个第二投放子特征，遍历所有的第二投放子特征，并将正在遍历的第二投放子特征作为目标投放子特征，然后获取目标投放子特征与其他每个第二投放子特征的关系特征以得到目标投放子特征的若干个投放关系子特征；
特征重构单元通过特征聚合函数将目标投放子特征的所有投放关系子特征迭代的聚合在目标投放子特征以得到目标投放子特征的聚合子特征；重复以上步骤以得到每个第二投放子特征的聚合子特征；
特征重构单元将所有第二投放子特征的聚合子特征输入卷积神经网络以对第二投放特征进行特征重构从而得到第二投放重构特征。
6.根据权利要求1至5之一所述的系统，其特征在于，特征重构单元将第一投放重构特征和第二投放重构特征进行线性聚合得到广告投放特征包括：
特征重构单元提取第一投放重构特征和第二投放重构特征的关联特征，并分别获取第一投放重构特征和第二投放重构特征中与关联特征对应的特征以得到第一关联特征和第二关联特征；
特征重构单元分别将第一关联特征和第二关联特征映射到相同维度的特征向量空间以得到第一关联特征向量和第二关联特征向量，并将第一关联特征向量和第二关联特征向量进行向量拼接以得到关联特征向量；
特征重构单元将关联特征向量进行向量分解以得到若干个关联子向量，并利用不同的线性变换系数和线性变换偏置分别对每个关联子向量进行线性变换以得到若干个线性关联子向量；
特征重构单元将所有的线性关联子向量进行向量聚合以对关联特征向量进行分段线性变换从而得到广告投放特征。
7.根据权利要求6所述的系统，其特征在于，所述广告位数据包括：类型信息、受众信息、价格信息和转化率信息。
8.根据权利要求7所述的系统，其特征在于，所述广告投放方案包括广告位列表以及目标广告在广告位列表中各广告位的投放周期、投放比例、投放时间点和方案收益率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111381001.1A CN114358809A (zh) | 2021-11-20 | 2021-11-20 | 一种将深度神经网络应用于数字营销的数据分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111381001.1A CN114358809A (zh) | 2021-11-20 | 2021-11-20 | 一种将深度神经网络应用于数字营销的数据分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358809A true CN114358809A (zh) | 2022-04-15 |
Family
ID=81095744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111381001.1A Pending CN114358809A (zh) | 2021-11-20 | 2021-11-20 | 一种将深度神经网络应用于数字营销的数据分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375367A (zh) * | 2022-08-26 | 2022-11-22 | 江阴旺达商务贴有限公司 | 广告投放鉴定系统及方法 |
-
2021
- 2021-11-20 CN CN202111381001.1A patent/CN114358809A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375367A (zh) * | 2022-08-26 | 2022-11-22 | 江阴旺达商务贴有限公司 | 广告投放鉴定系统及方法 |
| CN115375367B (zh) * | 2022-08-26 | 2023-04-07 | 江阴旺达商务贴有限公司 | 广告投放鉴定系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | Brand relationship, consumption values and branded app adoption | |
| US8744908B2 (en) | System and method for management and optimization of off-line advertising campaigns with a consumer call to action | |
| US10262336B2 (en) | Non-converting publisher attribution weighting and analytics server and method | |
| US20140278795A1 (en) | Systems and methods to predict purchasing behavior | |
| US20140236706A1 (en) | System and method for measuring advertising effectiveness | |
| US20080103887A1 (en) | Selecting advertisements based on consumer transactions | |
| US20110295694A1 (en) | System and method for an individual data marketplace and monetization | |
| US20100312649A1 (en) | Method and apparatus for marketing over an on-line network | |
| US20110161165A1 (en) | Targeting messages | |
| Paulson et al. | Efficient large-scale internet media selection optimization for online display advertising | |
| US20120016738A1 (en) | Performance based pricing, promotion, and personalized offer management | |
| TW201140479A (en) | Advertisement analysis device and advertisement server | |
| CN103150669A (zh) | 广告主不披露私有信息并使用私有信息投放广告的方法 | |
| US20090037270A1 (en) | System, method, and computer program product for compensating a user for viewing an advertisement and purchasing a good or service | |
| US20160350814A1 (en) | Systems, methods, and apparatus for budget allocation | |
| Wu | Matching value and market design in online advertising networks: An empirical analysis | |
| CN114331543A (zh) | 一种大规模人群定向及动态化场景匹配的广告传播方法 | |
| Cho et al. | An Analysis of the Olympic Sponsorship Effect on Consumer Brand Choice in the Carbonated Soft Drink Market Using Household Scanner Data. | |
| Turow et al. | Advertising's new surveillance ecosystem | |
| US20140032275A1 (en) | System and method for improved app distribution | |
| CN114358809A (zh) | 一种将深度神经网络应用于数字营销的数据分析系统 | |
| US8527343B1 (en) | Distributing content across multiple content locations | |
| US20150134464A1 (en) | Advertisement information and bidding system | |
| CN117132328A (zh) | 广告投放控制方法及其装置、设备、介质 | |
| US9972027B1 (en) | System and method of tracking the effectiveness of viewing resources on electronic devices in causing transaction activity to subsequently occur at a physical location associated with the resources |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220415 |