CN114612139A - 一种广告方案处理方法、装置和电子设备 - Google Patents

一种广告方案处理方法、装置和电子设备 Download PDF

Info

Publication number
CN114612139A
CN114612139A CN202210212239.XA CN202210212239A CN114612139A CN 114612139 A CN114612139 A CN 114612139A CN 202210212239 A CN202210212239 A CN 202210212239A CN 114612139 A CN114612139 A CN 114612139A
Authority
CN
China
Prior art keywords
advertisement
user
scheme
information
behavior
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
Application number
CN202210212239.XA
Other languages
English (en)
Inventor
杨霄鹏
刘雅婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Qixiang Technology Co ltd
Original Assignee
Guangzhou Qixiang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Qixiang Technology Co ltd filed Critical Guangzhou Qixiang Technology Co ltd
Priority to CN202210212239.XA priority Critical patent/CN114612139A/zh
Publication of CN114612139A publication Critical patent/CN114612139A/zh
Pending legal-status Critical Current

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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (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)

Abstract

本发明提供了一种广告方案处理方法、装置和电子设备，其中，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。

Description

一种广告方案处理方法、装置和电子设备
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种广告方案处理方法、装置和电子设备。
背景技术
目前，一个广告通常有多个广告方案，不同用户对于不同广告方案的敏感度不同；因此，对广告的点击意愿也有所不同。但是无法明确知道每个用户对同一广告的哪个广告方案更感兴趣，更容易点击哪个广告方案。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种广告方案处理方法、装置和电子设备。
第一方面，本发明实施例提供了一种广告方案处理方法，包括：
将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
将得到的所述向所述用户推荐的广告方案展示给所述用户。
第二方面，本发明实施例还提供了一种广告方案处理装置，包括：
训练模块，用于将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
处理模块，用于当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
展示模块，用于将得到的所述向所述用户推荐的广告方案展示给所述用户。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种电子设备，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本发明实施例上述第一方面至第四方面提供的方案中，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，与相关技术中无法明确知道每个用户对同一广告的哪个广告方案更感兴趣的方式相比，可以将用户最近的广告行为输入到广告方案推荐模型，以向用户推荐与用户的广告行为最匹配的广告方案，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例1所提供的一种广告方案处理方法的流程图；
图2示出了本发明实施例2所提供的一种广告方案处理装置的结构示意图；
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
目前，一个广告通常有多个广告方案，不同用户对于不同广告方案的敏感度不同；因此，对广告的点击意愿也有所不同。但是无法明确知道每个用户对同一广告的哪个广告方案更感兴趣，更容易点击哪个广告方案。
相关技术中，为了提高广告的下单率，当前的做法是：运营人员在投放广告时，针对每个广告设计多个广告方案，在一小部分流量上随机投放，然后统计N天(比如N＝7)内的数据，人工选出下单率最高的方案，再全量上线。这种人工统计筛选的方法有几个缺点：一是效率低下，每上线一个广告都需要运营人员和技术人员配合做统计实验，如果有大量广告要上线的话，很耗费人力；二是没有实现个性化的推荐，因为统计出来下单率最高的方案，只是整体上表现最好，并不是每个人都感兴趣的广告方案。
基于此，本申请各实施例提出一种广告方案处理方法、装置和电子设备，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出一种广告方案处理方法的执行主体是服务器。
参见图1所示的一种广告方案处理方法的流程图，本实施例提出一种广告方案处理方法，包括以下具体步骤：
步骤100、将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数。
在上述步骤100、为了对所述xgboost模型进行训练，得到广告方案推荐模型，可以执行以下步骤(1)至步骤(5)：
(1)获取所述用户的行为打点数据，并从所述用户的行为打点数据中查询出所述用户的广告操作行为；其中，所述广告操作行为，包括：用户曝光广告操作、用户点击广告操作以及用户下单操作；
(2)获取用户的属性信息以及消费记录，并从所述消费记录中获取到所述用户的下单次数，将获取到的用户的属性信息、所述用户的下单次数以及查询到的所述用户的广告操作行为确定为所述用户的第一广告行为信息；
(3)从广告数据库中获取广告方案的特征信息；
(4)对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征；
(5)根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型。
在上述步骤(1)中，所述服务器，通过存储在服务器自身的行为日志，获取所述用户的行为打点数据。
所述行为打点数据，包括但不限于：产生行为的用户的用户标识、操作标识、操作时间和操作内容。
所述操作标识，包括但不限于：用户曝光非广告操作标识、用户曝光广告操作标识、用户点击广告操作标识以及用户下单操作标识。
所述非广告，是指用户登录服务器后对服务器首页或者查找商品页面等非广告的页面。
所述操作内容，包括：用户产生操作行为的广告的广告链接以及广告类型、用户曝光非广告操作、用户曝光广告操作、用户点击广告操作以及用户下单操作。
所述广告类型，包括但不限于：母婴、服饰和运动用品。
用户曝光广告操作标识、用户点击广告操作标识以及用户下单操作标识还分别预先存储在所述服务器中。
在一个实施方式中，所述用户曝光广告操作标识，可以表示为A-0001；用户点击广告操作标识可以表示为B-0002；用户下单操作标识可以表示为C-0003。
所述服务器，可以分别利用用户曝光广告操作标识、用户点击广告操作标识以及用户下单操作标识，从所述用户的行为打点数据中，分别查询出用户曝光广告操作、用户点击广告操作以及用户下单操作这些所述用户的广告操作行为。并得到具有用户曝光广告操作、用户点击广告操作和/或者用户下单操作的用户的行为打点数据。
所述产生行为的用户，用于表示登录所述服务器，并在上述服务器上执行操作行为的用户。所述产生行为的用户是在服务器上的注册用户，服务器在所述用户注册成功后向所述产生行为的用户分配用户标识。
所述产生行为的用户在所述服务器上注册成功后，会输入用户自身的用户的属性信息存储在所述服务器上。
在一个实施方式中，所述用户的属性信息存储在用户的账户上。
除了所述用户的属性信息外，所述用户的账户还包括用户的消费记录。
所述用户的属性信息，包括：用户标识、用户的性别、年龄、注册时间和在线时长。
所述消费记录，包括：下单方式、下单次数和下单信息。
所述下单方式，包括：广告下单和非广告下单。
所述广告下单，用于表示用户是通过点击广告页面上的商品购买入口来完成下单操作的。
所述非广告下单，用于表示用户是通过浏览服务器的首页/检索商品等非观看广告的方式来完成下单操作的。
所述下单信息，包括但不限于：商品名称、商品数量、商品资源信息和商品发送地址。
在上述步骤(2)中，所述服务器可以根据包括用户曝光广告操作、用户点击广告操作和/或者用户下单操作的用户的行为打点数据中记载的用户标识，对用户的账户进行查询，从而查询到用户的属性信息和消费记录。
在上述步骤(3)中，所述服务器中还设置有广告数据库。
所述广告数据库中，包括广告方案以及广告方案的特征信息。
在所述广告方案的特征信息中，所述广告方案的属性信息，包括：广告类型、广告时长和广告位。
在所述广告方案的特征信息中，所述被操作行为信息，包括：所述广告方案被用户曝光操作次数、被用户点击操作次数以及被用户下单操作次数。
当有用户对所述广告方案执行曝光操作、点击操作或者下单操作时，所述服务器会自动对所述广告方案的被操作行为信息中的所述广告方案被用户曝光操作次数、被用户点击操作次数以及被用户下单操作次数中的相应参数执行增量操作。
在所述广告方案的特征信息中，所述被下单次数，就是所述被操作行为信息中的所述用户下单操作次数。
所述用户下单操作次数，是指所述用户在观看广告时，点击广告并通过广告页面上的商品购买入口来完成下单操作的次数。
在上述步骤(4)中，为了分别得到用户特征和广告特征，可以执行以下步骤(41)至步骤(46)：
(41)确定所述用户的第一广告行为信息中的用户的广告操作行为中的空数据，并将所述用户的广告操作行为中的空数据删除，得到异常数据处理后的用户的广告操作行为；
(42)分别对所述用户点击的广告方案的次数和所述用户点击的广告方案的广告类型进行统计，将得到的统计结果作为所述用户的聚合统计数据；
(43)将异常数据处理后的用户的广告操作行为、所述用户的聚合统计数据、以及所述用户的第一广告行为信息中的用户的属性信息和下单次数确定为所述用户特征；
(44)确定所述广告方案的特征信息中被操作行为信息中的空数据，并将所述被操作行为信息中的空数据删除，得到异常数据处理后的被操作行为信息；
(45)将所述广告方案的特征信息中所述被操作行为信息记载的所述广告方案被用户曝光操作次数和被用户下单操作次数作为所述广告方案的聚合统计数据；
(46)将异常数据处理后的被操作行为信息、所述广告方案的聚合统计数据、以及所述广告方案的特征信息中的所述广告方案的属性信息确定为所述广告特征。
在上述步骤(41)中，通过以上步骤(1)的描述可知，用户的广告操作行为是由操作标识中的英文字符和数字组成的字符串表征出来的，但如果操作标识中没有数字，为空白数据，如所述用户曝光广告操作标识是A-；那么，就说明表征该用户曝光广告操作标识是无效的，这样无效的操作标识会被服务器确定为空数据。被服务器确定为空数据的操作标识，会被当作异常数据而被删除处理。
在上述步骤(42)中，通过对具有用户点击广告操作标识的用户的行为打点数据进行统计，得到的统计结果就是所述用户点击的广告方案的次数。
通过对用户的行为打点数据中的广告类型进行统计，得到的统计结果就是所述用户点击的不同的广告类型的数量。
所述服务器将所述用户点击的不同的广告类型的数量和所述用户点击的广告方案的次数作为所述用户的聚合统计数据使用。
在上述步骤(44)中，所述被操作行为信息如果为空数据，说明所述被操作行为信息存在异常，会被服务器当作异常数据而被删除处理，从而得到异常数据处理后的被操作行为信息。
那么，异常数据处理后的被操作行为信息，就是不为空数据的被操作行为信息。
所述用户特征和所述广告特征均为字符串。
在上述步骤(5)中，为了对所述xgboost模型进行训练，得到广告方案推荐模型，可以执行以下步骤(51)至步骤(54)：
(51)将所述用户特征中广告操作行为包括用户下单操作的用户特征确定为第一训练样本，并将所述用户特征中广告操作行为未包括用户下单操作的用户特征确定为待处理训练样本；
(52)统计所述第一训练样本的数量，并按照所述第一训练样本的数量与第二训练样本的数量的比值为预设比例的要求，对所述待处理训练样本进行采样，得到满足所述预设比例的要求数量的所述第二训练样本；
(53)将得到的所述广告特征拼接到所述第一训练样本和所述第二训练样本上；
(54)利用分别拼接有所述广告特征的所述第一训练样本以及所述第二训练样本，对所述xgboost模型进行训练，得到广告方案推荐模型。
在上述步骤(51)中，所述第一训练样本和所述第二训练样本，均为字符串的形式。
在上述步骤(52)中，由于广告操作行为未包括用户下单操作的用户特征的数量会远远大于广告操作行为包括用户下单操作的用户特征的数量，所以，需要对待处理训练样本进行采样，才能得到所述第二训练样本。
所述预设比例，可以是1:2；即所述第一训练样本的数量与第二训练样本的数量的比值是1:2。
按照所述第一训练样本的数量与第二训练样本的数量的比值为预设比例的要求，对所述待处理训练样本进行采样，得到满足所述预设比例的要求数量的所述第二训练样本的具体过程是现有技术，这里不再赘述。
在上述步骤(53)中，将得到的所述广告特征分别拼接到所述第一训练样本和所述第二训练样本上，就是将作为所述广告特征的字符串分别拼接到所述第一训练样本的字符串和所述第二训练样本的字符串上，具体过程就是字符串之间的拼接过程，为现有技术，这里不再赘述。
在上述步骤(54)中，利用分别拼接有所述广告特征的所述第一训练样本以及所述第二训练样本，对所述xgboost模型进行训练，得到广告方案推荐模型的具体过程是现有技术，这里不再赘述。
在通过上述步骤100对所述xgboost模型进行训练，得到广告方案推荐模型后，可以继续执行以下步骤102，利用训练好的广告方案推荐模型，得到向所述用户推荐的广告方案。
步骤102、当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案。
在上述步骤102中，所述第二广告行为信息的内容，包括：上次向用户推荐广告的时刻到当前时刻的时间长度内广告操作行为以及下单次数、以及用户的属性信息。
将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，所述广告方案推荐模型对所述用户的第二广告行为信息进行处理，可以得到所述用户与各广告方案的匹配度，将与所述用户匹配度最高的广告方案确定为向所述用户推荐的广告方案。
所述广告方案推荐模型对所述用户的第二广告行为信息进行处理，得到所述用户与各广告方案的匹配度的具体处理过程是现有技术，这里不再一一赘述。
所述预设时长，可以设置为24小时或者48小时。
步骤104、将得到的所述向所述用户推荐的广告方案展示给所述用户。
综上所述，本实施例提出一种广告方案处理方法，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，与相关技术中无法明确知道每个用户对同一广告的哪个广告方案更感兴趣的方式相比，可以将用户最近的广告行为输入到广告方案推荐模型，以向用户推荐与用户的广告行为最匹配的广告方案，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。
实施例2
本实施例提出一种广告方案处理装置，用于执行上述实施例1提出的广告方案处理方法。
参见图2所示的一种广告方案处理装置的结构示意图，本实施例提出一种广告方案处理装置，包括：
训练模块200，用于将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
处理模块202，用于当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
展示模块204，用于将得到的所述向所述用户推荐的广告方案展示给所述用户。
具体地，所述训练模块200，具体用于：
获取所述用户的行为打点数据，并从所述用户的行为打点数据中查询出所述用户的广告操作行为；其中，所述广告操作行为，包括：用户曝光广告操作、用户点击广告操作以及用户下单操作；
获取用户的属性信息以及消费记录，并从所述消费记录中获取到所述用户的下单次数，将获取到的用户的属性信息、所述用户的下单次数以及查询到的所述用户的广告操作行为确定为所述用户的第一广告行为信息；
从广告数据库中获取广告方案的特征信息；
对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征；
根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型。
具体地，所述训练模块200，用于对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征，包括：
确定所述用户的第一广告行为信息中的用户的广告操作行为中的空数据，并将所述用户的广告操作行为中的空数据删除，得到异常数据处理后的用户的广告操作行为；
分别对所述用户点击的广告方案的次数和所述用户点击的广告方案的广告类型进行统计，将得到的统计结果作为所述用户的聚合统计数据；
将异常数据处理后的用户的广告操作行为、所述用户的聚合统计数据、以及所述用户的第一广告行为信息中的用户的属性信息和下单次数确定为所述用户特征；
确定所述广告方案的特征信息中被操作行为信息中的空数据，并将所述被操作行为信息中的空数据删除，得到异常数据处理后的被操作行为信息；
将所述广告方案的特征信息中所述被操作行为信息记载的所述广告方案被用户曝光操作次数和被用户下单操作次数作为所述广告方案的聚合统计数据；
将异常数据处理后的被操作行为信息、所述广告方案的聚合统计数据、以及所述广告方案的特征信息中的所述广告方案的属性信息确定为所述广告特征。
具体地，所述训练模块200，用于根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型，包括：
将所述用户特征中广告操作行为包括用户下单操作的用户特征确定为第一训练样本，并将所述用户特征中广告操作行为未包括用户下单操作的用户特征确定为待处理训练样本；
统计所述第一训练样本的数量，并按照所述第一训练样本的数量与第二训练样本的数量的比值为预设比例的要求，对所述待处理训练样本进行采样，得到满足所述预设比例的要求数量的所述第二训练样本；
将得到的所述广告特征分别拼接到所述第一训练样本和所述第二训练样本上；
利用分别拼接有所述广告特征的所述第一训练样本以及所述第二训练样本，对所述xgboost模型进行训练，得到广告方案推荐模型。
综上所述，本实施例提出一种广告方案处理装置，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，与相关技术中无法明确知道每个用户对同一广告的哪个广告方案更感兴趣的方式相比，可以将用户最近的广告行为输入到广告方案推荐模型，以向用户推荐与用户的广告行为最匹配的广告方案，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。
实施例3
本实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例1描述的广告方案处理方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(3)：
(1)将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
(2)当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
(3)将得到的所述向所述用户推荐的广告方案展示给所述用户。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构(用总线51来代表)，总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本发明实施例中的存储器55可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出一种计算机可读存储介质和电子设备，通过将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对xgboost模型进行训练，得到广告方案推荐模型；使得训练得到的广告方案推荐模型能够将与用户的广告行为最匹配的广告方案推荐给用户，与相关技术中无法明确知道每个用户对同一广告的哪个广告方案更感兴趣的方式相比，可以将用户最近的广告行为输入到广告方案推荐模型，以向用户推荐与用户的广告行为最匹配的广告方案，从而向用户推荐用户最感兴趣的广告方案，达到广告个性化推荐的目的，而且，无需人工操作，就可以自动向用户推荐广告，大大提高了广告推荐效率。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种广告方案处理方法，其特征在于，包括：
将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
将得到的所述向所述用户推荐的广告方案展示给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型，包括：
获取所述用户的行为打点数据，并从所述用户的行为打点数据中查询出所述用户的广告操作行为；其中，所述广告操作行为，包括：用户曝光广告操作、用户点击广告操作以及用户下单操作；
获取用户的属性信息以及消费记录，并从所述消费记录中获取到所述用户的下单次数，将获取到的用户的属性信息、所述用户的下单次数以及查询到的所述用户的广告操作行为确定为所述用户的第一广告行为信息；
从广告数据库中获取广告方案的特征信息；
对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征；
根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征，包括：
确定所述用户的第一广告行为信息中的用户的广告操作行为中的空数据，并将所述用户的广告操作行为中的空数据删除，得到异常数据处理后的用户的广告操作行为；
分别对所述用户点击的广告方案的次数和所述用户点击的广告方案的广告类型进行统计，将得到的统计结果作为所述用户的聚合统计数据；
将异常数据处理后的用户的广告操作行为、所述用户的聚合统计数据、以及所述用户的第一广告行为信息中的用户的属性信息和下单次数确定为所述用户特征；
确定所述广告方案的特征信息中被操作行为信息中的空数据，并将所述被操作行为信息中的空数据删除，得到异常数据处理后的被操作行为信息；
将所述广告方案的特征信息中所述被操作行为信息记载的所述广告方案被用户曝光操作次数和被用户下单操作次数作为所述广告方案的聚合统计数据；
将异常数据处理后的被操作行为信息、所述广告方案的聚合统计数据、以及所述广告方案的特征信息中的所述广告方案的属性信息确定为所述广告特征。
4.根据权利要求3所述的方法，其特征在于，所述根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型，包括：
将所述用户特征中广告操作行为包括用户下单操作的用户特征确定为第一训练样本，并将所述用户特征中广告操作行为未包括用户下单操作的用户特征确定为待处理训练样本；
统计所述第一训练样本的数量，并按照所述第一训练样本的数量与第二训练样本的数量的比值为预设比例的要求，对所述待处理训练样本进行采样，得到满足所述预设比例的要求数量的所述第二训练样本；
将得到的所述广告特征分别拼接到所述第一训练样本和所述第二训练样本上；
利用分别拼接有所述广告特征的所述第一训练样本以及所述第二训练样本，对所述xgboost模型进行训练，得到广告方案推荐模型。
5.一种广告方案处理装置，其特征在于，包括：
训练模块，用于将用户的第一广告行为信息以及广告方案的特征信息输入到xgboost模型中，对所述xgboost模型进行训练，得到广告方案推荐模型；其中，所述用户的第一广告行为信息，包括：用户的属性信息、广告操作行为以及下单次数；所述广告方案的特征信息，包括：广告方案的属性信息、被操作行为信息以及被下单次数；
处理模块，用于当距离上次向用户推荐广告的时间长度达到预设时长时，获取上次向用户推荐广告的时刻到当前时刻的时间长度内用户的第二广告行为信息，将获取到的所述用户的第二广告行为信息输入到所述广告方案推荐模型中，得到向所述用户推荐的广告方案；
展示模块，用于将得到的所述向所述用户推荐的广告方案展示给所述用户。
6.根据权利要求5所述的装置，其特征在于，所述训练模块，具体用于：
获取所述用户的行为打点数据，并从所述用户的行为打点数据中查询出所述用户的广告操作行为；其中，所述广告操作行为，包括：用户曝光广告操作、用户点击广告操作以及用户下单操作；
获取用户的属性信息以及消费记录，并从所述消费记录中获取到所述用户的下单次数，将获取到的用户的属性信息、所述用户的下单次数以及查询到的所述用户的广告操作行为确定为所述用户的第一广告行为信息；
从广告数据库中获取广告方案的特征信息；
对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征；
根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型。
7.根据权利要求6所述的装置，其特征在于，所述训练模块，用于对所述用户的第一广告行为信息进行预处理，得到用户特征，并对所述广告方案的特征信息进行预处理，得到广告特征，包括：
确定所述用户的第一广告行为信息中的用户的广告操作行为中的空数据，并将所述用户的广告操作行为中的空数据删除，得到异常数据处理后的用户的广告操作行为；
分别对所述用户点击的广告方案的次数和所述用户点击的广告方案的广告类型进行统计，将得到的统计结果作为所述用户的聚合统计数据；
将异常数据处理后的用户的广告操作行为、所述用户的聚合统计数据、以及所述用户的第一广告行为信息中的用户的属性信息和下单次数确定为所述用户特征；
确定所述广告方案的特征信息中被操作行为信息中的空数据，并将所述被操作行为信息中的空数据删除，得到异常数据处理后的被操作行为信息；
将所述广告方案的特征信息中所述被操作行为信息记载的所述广告方案被用户曝光操作次数和被用户下单操作次数作为所述广告方案的聚合统计数据；
将异常数据处理后的被操作行为信息、所述广告方案的聚合统计数据、以及所述广告方案的特征信息中的所述广告方案的属性信息确定为所述广告特征。
8.根据权利要求7所述的装置，其特征在于，所述训练模块，用于根据得到的所述用户特征和所述广告特征，对所述xgboost模型进行训练，得到广告方案推荐模型，包括：
将所述用户特征中广告操作行为包括用户下单操作的用户特征确定为第一训练样本，并将所述用户特征中广告操作行为未包括用户下单操作的用户特征确定为待处理训练样本；
统计所述第一训练样本的数量，并按照所述第一训练样本的数量与第二训练样本的数量的比值为预设比例的要求，对所述待处理训练样本进行采样，得到满足所述预设比例的要求数量的所述第二训练样本；
将得到的所述广告特征分别拼接到所述第一训练样本和所述第二训练样本上；
利用分别拼接有所述广告特征的所述第一训练样本以及所述第二训练样本，对所述xgboost模型进行训练，得到广告方案推荐模型。
9.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1-4任一项所述的方法的步骤。
10.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-4任一项所述的方法的步骤。
CN202210212239.XA 2022-03-04 2022-03-04 一种广告方案处理方法、装置和电子设备 Pending CN114612139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210212239.XA CN114612139A (zh) 2022-03-04 2022-03-04 一种广告方案处理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210212239.XA CN114612139A (zh) 2022-03-04 2022-03-04 一种广告方案处理方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN114612139A true CN114612139A (zh) 2022-06-10

Family

ID=81860591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210212239.XA Pending CN114612139A (zh) 2022-03-04 2022-03-04 一种广告方案处理方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114612139A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012066A (zh) * 2023-03-28 2023-04-25 江西时刻互动科技股份有限公司 广告转化率的预测方法、装置、可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012066A (zh) * 2023-03-28 2023-04-25 江西时刻互动科技股份有限公司 广告转化率的预测方法、装置、可读存储介质

Similar Documents

Publication Publication Date Title
US11508012B2 (en) System and method for generating proactive underwriting offers using social media data
US20210056257A1 (en) Obtaining data from incomplete electronic forms
US8306840B2 (en) Providing an electronic marketplace to facilitate human performance of programmatically submitted tasks
US8170897B1 (en) Automated validation of results of human performance of tasks
EP3113037B1 (en) Adaptive adjustment of network responses to client requests in digital networks
US20170124184A1 (en) Method and system for performing a probabilistic topic analysis of search queries for a customer support system
US20080059447A1 (en) System, method and computer program product for ranking profiles
TWI677828B (zh) 基於資料源的業務客製裝置、方法及電腦可讀儲存介質
CN109582876B (zh) 旅游行业用户画像构造方法、装置和计算机设备
CN112631997A (zh) 数据处理方法、装置、终端及存储介质
US11250149B2 (en) Article management system
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
US20200099621A1 (en) Sensing device management apparatus
CN110457364A (zh) 用户信息视图生成的方法及装置
CN114612139A (zh) 一种广告方案处理方法、装置和电子设备
US10445695B2 (en) Method and system for providing continuous reference architecture and bill of material modeling
CN106383857A (zh) 一种信息处理方法及电子设备
CN111373395A (zh) 基于层次聚类的人工智能系统和方法
CN111241821A (zh) 确定用户的行为特征的方法和装置
CN115187330A (zh) 基于用户标签的产品推荐方法、装置、设备和介质
CN113392200A (zh) 基于用户学习行为的推荐方法及装置
CN110895463A (zh) 标签处理方法、装置、设备及计算机可读存储介质
JP2000315213A (ja) 情報提供システム及び情報提供方法
JP2023090212A (ja) プログラム、情報処理装置および情報処理方法
CN116542779A (zh) 基于人工智能的产品推荐方法、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