CN115456529B - 素材库存预警方法、系统和计算机设备和存储介质 - Google Patents

素材库存预警方法、系统和计算机设备和存储介质 Download PDF

Info

Publication number
CN115456529B
CN115456529B CN202211110881.3A CN202211110881A CN115456529B CN 115456529 B CN115456529 B CN 115456529B CN 202211110881 A CN202211110881 A CN 202211110881A CN 115456529 B CN115456529 B CN 115456529B
Authority
CN
China
Prior art keywords
advertisement
materials
advertisement materials
types
acquiring
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.)
Active
Application number
CN202211110881.3A
Other languages
English (en)
Other versions
CN115456529A (zh
Inventor
周峰
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.)
Shanghai Shuhe Information Technology Co Ltd
Original Assignee
Shanghai Shuhe Information 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 Shanghai Shuhe Information Technology Co Ltd filed Critical Shanghai Shuhe Information Technology Co Ltd
Priority to CN202211110881.3A priority Critical patent/CN115456529B/zh
Publication of CN115456529A publication Critical patent/CN115456529A/zh
Application granted granted Critical
Publication of CN115456529B publication Critical patent/CN115456529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请涉及一种素材库存预警方法、系统、计算机设备和存储介质。所述方法包括：按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；与当前素材库中未使用的素材的种类及数量对比，若当前素材库中未使用的素材不足时发出告警信息。实现了对素材库的库存自动监管，而且可准确预期所需的各类不同种类的投放广告数量，达到合理管控素材库存的效果。

Description

素材库存预警方法、系统和计算机设备和存储介质
技术领域
本申请涉及素材库存预警技术领域，特别是涉及一种素材库存预警方法、系统、计算机设备和存储介质。
背景技术
当前投放广告的公司在投放广告时，依赖供应商产出素材用于投放广告，但是供应商每天需要产出多少素材，没有一个可参考的数据。例如在某天接收到较大数量的投放广告需求时，会导致由于素材缺乏的空窗期导致没有素材可用，这会导致投放计划没法及时完成。当天让供应商产出大量的素材，不但对供应商造成过大压力，同时，再短时间内产出的素材质量也得不到保证。但如果超出预期预先让供应商产出过多的素材，则会占用大量投入资金，导致库存过剩。目前投放广告的数量和投入的广告资金受限于素材的数量和质量，无法依靠人为判断方式准确预期所需的各类不同质量的投放广告数量，经常导致素材库存出现紧缺的现象。因此，不能依靠人为判断方式来管理素材库存，应当提供一种依靠计算机处理的方式来预期所需的各类不同种类的投放广告数量，达到合理管控素材库存的效果。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确预期所需的投放广告数量的素材库存预警方法、系统、计算机设备和存储介质，能够解决目前投放广告的数量和投入的广告资金受限于素材的数量和质量，无法准确预期所需的各类不同种类的投放广告数量，经常导致素材库存出现紧缺的技术问题。
一方面，提供一种素材库存预警方法，所述方法包括：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
在其中一个实施例中，在训练预设机器学习分类模型时，还包括：
根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
在其中一个实施例中，对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure BDA0003843073010000021
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
在其中一个实施例中，所述通过计算获得当前所需广告素材的种类及数量，包括步骤：
根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；
获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量。
在其中一个实施例中，在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
在其中一个实施例中，所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
在其中一个实施例中，在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；
在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；
在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
另一方面，提供了一种素材库存预警系统，所述系统包括：
训练数据获取模块，用于按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
模型训练模块，用于将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
模型应用模块，用于根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
库存管理模块，用于获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
又一方面，提供了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：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
上述素材库存预警方法、系统、计算机设备和存储介质，通过训练好的机器学习分类模型能计算获得当前所需广告素材的种类及数量，与当前素材库中未使用的素材的种类及数量对比，可知每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若否则发出告警信息，从而实现了对素材库的库存自动监管，而且可准确预期所需的各类不同种类的投放广告数量，达到合理管控素材库存的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为一个实施例中素材库存预警方法的应用环境图；
图2为一个实施例中素材库存预警方法的流程示意图；
图3为一个实施例中素材库存预警方法的流程图；
图4为一个实施例中在训练预设机器学习分类模型时步骤的流程示意图；
图5为一个实施例中对收敛的机器学习分类模型进行优化步骤的流程图；
图6为一个实施例中通过计算获得当前所需广告素材的种类及数量步骤的流程示意图；
图7为一个实施例中素材库存预警系统的结构框图；
图8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。
如背景技术所述，目前投放广告的数量和投入的广告资金受限于素材的数量和质量，无法依靠人为判断方式准确预期所需的各类不同质量的投放广告数量，经常导致素材库存出现紧缺的现象。供应商如果没有素材数量作为指导的话，供应商产出的素材质量得不到保证，如果产出的素材数量过多，没法全部利用起来，是对素材的浪费，如果产出的素材数量过少无法满足业务的投放需求。如果可以提前知道自己需要产出的素材数量，有利于提高供应商的效率和产出的素材质量。
为解决上述问题，本发明实施例中创造性的提出了一种素材库存预警方法，不是依靠人为判断方式来管理素材库存，而是一种依靠计算机处理的方式来预期所需的各类不同种类的投放广告数量，来达到合理管控素材库存的效果。
本申请提供的素材库存预警方法，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通过网络进行通信。服务器104中存储有素材库，素材库为广告素材库，其中存储有未使用的广告素材的种类及数量。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、图3所示，提供了一种素材库存预警方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S1，按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值。其中第一时间段为历史数据中的一段时间，可以为累积记录的部分数据，也可是全部数据，第一时间段为连续的几个月份数据也可是连续的几年数据。
步骤S2，将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛。
步骤S3，根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量。
步骤S4，获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
可理解的是，在当前所需广告素材的种类及数量与当前素材库中未使用的素材的种类及数量对比时，若当前素材库中未使用的素材不足时发出告警信息。素材供应商可以提前知道自己所需产出的素材数量，素材供应商可以根据计划来保质保量的产出素材，从而提升广告的转化率，质量可以得到保证。告警信息也可以给业务人员一个预警作用，从而不用担心后续的广告投放没有足够的素材可使用。
如图4、图5所示，在本实施例步骤S2中，在训练预设机器学习分类模型时，还包括：
步骤S21，根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
步骤S22，获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
步骤S23，计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
在图5中，展示了对收敛的机器学习分类模型进行优化步骤的流程图。其中收敛的机器学习分类模型也是训练好的机器学习分类模型，训练好的机器学习分类模型同时也是不断迭代优化的当前收敛的机器学习分类模型。
在本实施例中，对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure BDA0003843073010000071
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
如图6所示，在本实施例步骤S3中，所述通过计算获得当前所需广告素材的种类及数量，包括步骤：
步骤S31，根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；
步骤S32，获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量。
其中第二时间段的时长小于第一时间段的时长，根据第二时间段的数据是为了获取在所述第二时间段内的广告素材的种类及数量的变化趋势，可准确预判获得当前日期所需广告素材的种类及数量。
在本实施例中，在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
在本实施例中，所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
设置品质类别是针对广告资金受限于素材的数量和质量，能够对高品质的广告素材进行合理的广告资金消耗值管理，避免素材库中的高品质的广告素材过多。这样还能准确预期所需的各类不同品质的投放广告数量，达到合理管控素材库存的效果。
在本实施例中，在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
上述素材库存预警方法中，通过训练好的机器学习分类模型能计算获得当前所需广告素材的种类及数量，与当前素材库中未使用的素材的种类及数量对比，可知每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若否则发出告警信息，从而实现了对素材库的库存自动监管，而且可准确预期所需的各类不同种类的投放广告数量，达到合理管控素材库存的效果。
应该理解的是，虽然图2-图6的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，图2-图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子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7所示，提供了一种素材库存预警系统10，包括：训练数据获取模块1、模型训练模块2、模型应用模块3以及库存管理模块4。
所述训练数据获取模块1用于按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值。
所述模型训练模块2用于将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛。
所述模型应用模块3用于根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
所述库存管理模块4用于获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
在本实施例中，在训练预设机器学习分类模型时，还包括：
根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
在本实施例中，对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure BDA0003843073010000091
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
在本实施例中，所述通过计算获得当前所需广告素材的种类及数量，包括步骤：
根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；
获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量。
在本实施例中，在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
在本实施例中，所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
设置品质类别是针对广告资金受限于素材的数量和质量，能够对高品质的广告素材进行合理的广告资金消耗值管理，避免素材库中的高品质的广告素材过多。这样还能准确预期所需的各类不同品质的投放广告数量，达到合理管控素材库存的效果。
在本实施例中，在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
上述素材库存预警系统中，通过训练好的机器学习分类模型能计算获得当前所需广告素材的种类及数量，与当前素材库中未使用的素材的种类及数量对比，可知每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若否则发出告警信息，从而实现了对素材库的库存自动监管，而且可准确预期所需的各类不同种类的投放广告数量，达到合理管控素材库存的效果。
关于素材库存预警系统的具体限定可以参见上文中对于素材库存预警方法的限定，在此不再赘述。上述素材库存预警系统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8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、网络接口和数据库。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素材库存预警数据。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素材库存预警方法。
本领域技术人员可以理解，图8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、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在训练预设机器学习分类模型时，还包括：
根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure BDA0003843073010000111
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述通过计算获得当前所需广告素材的种类及数量，包括步骤：
根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；
获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
设置品质类别是针对广告资金受限于素材的数量和质量，能够对高品质的广告素材进行合理的广告资金消耗值管理，避免素材库中的高品质的广告素材过多。这样还能准确预期所需的各类不同品质的投放广告数量，达到合理管控素材库存的效果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；
在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；
在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
关于处理器执行计算机程序时实现步骤的具体限定可以参见上文中对于素材库存预警的方法的限定，在此不再赘述。
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以下步骤：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在训练预设机器学习分类模型时，还包括：
根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure BDA0003843073010000131
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述通过计算获得当前所需广告素材的种类及数量，包括步骤：
根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；
获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
设置品质类别是针对广告资金受限于素材的数量和质量，能够对高品质的广告素材进行合理的广告资金消耗值管理，避免素材库中的高品质的广告素材过多。这样还能准确预期所需的各类不同品质的投放广告数量，达到合理管控素材库存的效果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；
在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；
在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
关于计算机程序被处理器执行时实现步骤的具体限定可以参见上文中对于素材库存预警的方法的限定，在此不再赘述。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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 (9)

1.一种素材库存预警方法，其特征在于，包括：
按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；其中所述通过计算获得当前所需广告素材的种类及数量，包括步骤：根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量；
获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
2.根据权利要求1所述的素材库存预警方法，其特征在于，在训练预设机器学习分类模型时，还包括：
根据收敛的机器学习分类模型，通过计算获得在所述第一时间段内某一天的预测所需广告素材的种类及数量；
获取在所述第一时间段内某一天的实际投放广告素材的种类及数量；
计算每一种类对应的广告素材的预测所需广告素材数量与实际投放广告素材数量的差值，并将该差值反馈至收敛的机器学习分类模型中进行优化。
3.根据权利要求2所述的素材库存预警方法，其特征在于，对收敛的机器学习分类模型进行优化后获得训练好的机器学习分类模型，训练好的机器学习分类模型的损失函数L为：
Figure FDA0004240232930000011
其中，N为总数，Yi为每一种类对应的实际投放广告素材数量，^yi为每一种类对应的广告素材的预测所需广告素材数量，i为自然数，i表示广告素材的种类。
4.根据权利要求1所述的素材库存预警方法，其特征在于，在发出的告警信息中，包含每一种类素材在当前素材库中的缺货数量，所述缺货数量为当前所需广告素材的数量与当前素材库中的数量的差值。
5.根据权利要求4所述的素材库存预警方法，其特征在于，所述广告素材的种类包括口播类、动画类、人物类；每一种类素材还根据素材的质量分为多个品质类别。
6.根据权利要求5所述的素材库存预警方法，其特征在于，
在根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系时，还针对每一种类素材的品质类别及数量获取与对应的广告资金消耗值的关系；
在通过计算获得当前所需广告素材的种类及数量时，还获得当前所需广告素材的品质类别及数量；
在发出告警信息时，所述告警信息中包含每一种类素材对应的每一品质类别在当前素材库中的缺货数量。
7.一种素材库存预警系统，其特征在于，所述系统包括：
训练数据获取模块，用于按照时间顺序获取第一时间段内的每天在投广告素材的种类及数量，并获取每天广告资金消耗值；
模型训练模块，用于将获取的每天在投广告素材的种类及数量和获取的每天广告资金消耗值输入至预设机器学习分类模型中进行训练，直至模型收敛；
模型应用模块，用于根据训练好的机器学习分类模型，获取广告资金消耗值和广告素材的种类及数量之间的关系，并通过计算获得当前所需广告素材的种类及数量；其中所述通过计算获得当前所需广告素材的种类及数量，包括步骤：根据训练好的机器学习分类模型，获取广告素材的种类及数量的变化趋势，并找出影响广告素材需求的相关影响因子及对应权重；获取当前日期之前第二时间段内的每天在投广告素材的种类及数量，结合在所述第二时间段内的广告素材的种类及数量的变化趋势，并结合所述第二时间段内的相关影响因子，通过计算获得当前所需广告素材的种类及数量；
库存管理模块，用于获取当前素材库中未使用的素材的种类及数量，分别判断每一种类对应的广告素材在当前素材库中的数量是否大于等于当前所需广告素材的数量，若是则结束，若否则发出告警信息。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至6中任一项所述方法的步骤。
9.一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6中任一项所述的方法的步骤。
CN202211110881.3A 2022-09-13 2022-09-13 素材库存预警方法、系统和计算机设备和存储介质 Active CN115456529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211110881.3A CN115456529B (zh) 2022-09-13 2022-09-13 素材库存预警方法、系统和计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211110881.3A CN115456529B (zh) 2022-09-13 2022-09-13 素材库存预警方法、系统和计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115456529A CN115456529A (zh) 2022-12-09
CN115456529B true CN115456529B (zh) 2023-06-27

Family

ID=84303050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211110881.3A Active CN115456529B (zh) 2022-09-13 2022-09-13 素材库存预警方法、系统和计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115456529B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239865A1 (en) * 2013-10-28 2016-08-18 Tencent Technology (Shenzhen) Company Limited Method and device for advertisement classification
CN110163665A (zh) * 2019-04-30 2019-08-23 腾讯科技（深圳）有限公司 一种广告库存询量方法、装置、设备及存储介质
CN110956505B (zh) * 2019-12-04 2021-03-16 腾讯科技（深圳）有限公司 一种广告库存的预估方法以及相关装置
CN111260414B (zh) * 2020-01-23 2023-04-07 湖南快乐阳光互动娱乐传媒有限公司 广告库存预测方法及装置
CN111696180A (zh) * 2020-05-06 2020-09-22 广东康云科技有限公司 一种虚拟仿真人的生成方法、系统、装置和存储介质
CN215076626U (zh) * 2021-03-24 2021-12-10 沈阳工学院 一种广告设计制作素材图库存储装置
CN113743981B (zh) * 2021-08-03 2023-11-28 深圳市东信时代信息技术有限公司 素材投放成本预测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN115456529A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
US20220121971A1 (en) Deep causal learning for continuous testing, diagnosis, and optimization
CN110109750B (zh) 虚拟资源获取方法、装置、计算机设备和存储介质
CN108876255A (zh) 仓库资产盘点方法、装置、计算机设备及存储介质
CN110490594A (zh) 业务数据处理方法、装置、计算机设备和存储介质
US10445828B2 (en) Method and system for generating stock price alerts based on real-time market data
CN110138688A (zh) 动态调整业务接口的方法、装置、设备及可读存储介质
US20220351207A1 (en) System and method for optimization of fraud detection model
CN111221834B (zh) 一种商品库存价值计算方法
CA3143827A1 (en) Fund data processing method, apparatus, computer device and storage medium
CN110322298B (zh) 信息跟踪的智能管理方法、装置和计算机设备
CN113723956A (zh) 异常监控方法、装置、设备及存储介质
CN115456529B (zh) 素材库存预警方法、系统和计算机设备和存储介质
CN105940418B (zh) 用于在零售中管理额外日历时段的系统和方法
CN115587844A (zh) 控制用户转化数据回传的方法、装置、设备和存储介质
CN116662572A (zh) 基于金融事理图谱的资产分析方法、装置、系统及介质
CN111783487B (zh) 一种读卡器设备的故障预警方法及装置
CN111783486B (zh) 一种读卡器设备的维护预警方法及装置
CN110766307A (zh) 智能化的电网实时资金监测方法、装置、设备和介质
CN110991945B (zh) 设备备件的信息处理方法及装置、存储介质和处理器
CN115983593B (zh) 一种电力营销服务方法和服务平台
CN112465461A (zh) 业务对象信息变更方法、系统、计算机设备和存储介质
CN110969430A (zh) 可疑用户的识别方法、装置、计算机设备和存储介质
Nguyen et al. Optimal maintenance and replacement decisions under technological change
CN109886570A (zh) 统计区域的设备信息处理方法、装置和计算机设备
CN114331670B (zh) 资金排期方案的确定方法、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
GR01 Patent grant
GR01 Patent grant