CN115705581A - 广告推荐成功率预测、广告推荐方法及装置 - Google Patents
广告推荐成功率预测、广告推荐方法及装置 Download PDFInfo
- Publication number
- CN115705581A CN115705581A CN202110882097.3A CN202110882097A CN115705581A CN 115705581 A CN115705581 A CN 115705581A CN 202110882097 A CN202110882097 A CN 202110882097A CN 115705581 A CN115705581 A CN 115705581A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- target
- success rate
- recommendation
- recommendation success
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种广告推荐成功率预测、广告推荐方法及装置,该方法包括:获取目标广告投放场景的特征数据;将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果;其中,所述推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的所述样本数据对应的推荐成功率进行训练后得到。本发明提供的广告推荐成功率预测、广告推荐方法及装置,基于多维度的目标广告投放场景的特征数据获取推荐成功率的预测结果,通过广告投放场景的自动识别计算,对广告推荐成功率的预测更准确,能提高广告推荐的精细性和准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种广告推荐成功率预测、广告推荐方法及装置。
背景技术
互联网广告作为互联网的主要盈利模式,已经形成了以人群为投放目标、以产品为导向的技术型投放模式。
当前大多基于协同过滤算法,给目标人群展示最合适的广告。具体可分为:基于用户访问广告页面特征的推荐、基于站内站外流量的推荐和基于用户、载体内容和广告标识的关系进行推荐。其中,基于用户访问页面特征的推荐,是指根据用户访问页面的访问特征给用户进行喜好标签标注,通过与预设的广告内容标签进行匹配,查看最高的广告内容匹配度。基于站内站外流量的推荐,是指站内通过最近一次登录账号信息来推荐广告,站外以对于各广告转化率最高的信息标签对应的外部渠道作为站外流量的推荐方式,。基于用户、载体内容和广告标识的关系进行推荐,是指根据用户标识和载体内容标识,获取预先建立的用户标识、载体内容标识和广告标识的对应关系,分析广告认可度并推荐给相关用户。
上述三种现有广告推荐方法都属于较粗颗粒度的推荐方法,推荐的准确性不足。
发明内容
本发明提供一种广告推荐成功率预测方法,用以解决现有技术中广告推荐的准确性不足的缺陷,实现准确度高的广告推荐。
第一方面,本发明提供一种广告推荐成功率预测方法,包括:
获取目标广告投放场景的特征数据;
将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果;
其中,所述推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的所述样本数据对应的推荐成功率进行训练后得到。
在一个实施例中,根据本发明提供一种的广告推荐成功率预测方法,所述特征数据包括:广告位的标识信息、广告的标识信息、广告的投放时刻信息、终端类型的信息、用户的性别信息、所述用户的所属区域信息和所述用户目标时间周期的消费信息
在一个实施例中,根据本发明提供一种的广告推荐成功率预测方法,所述将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果包括:
基于所述广告位的标识信息、所述广告的投放时刻信息和所述用户的所属区域信息,获取对应的广告位平均CTR、时间分区平均CTR和区域平均CTR;
基于所述对应的广告位平均CTR、所述时间分区平均CTR、所述区域平均CTR、性别取值信息、ARPU赋值信息,获得与所述目标广告投放场景对应的推荐成功率的预测结果并输出。
第二方面,本发明还提供一种的广告推荐方法,包括:
基于如上任一所述的广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;
基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
在一个实施例中,根据本发明提供一种的广告推荐方法,所述基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告,包括:
基于各目标广告投放场景对应的推荐成功率的预测结果,进行排序,获取排序结果;
基于所述排序结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
在一个实施例中,根据本发明提供一种的广告推荐方法,所述基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告,包括:
对于每一个所述目标广告投放场景,在所述目标广告投放场景对应的推荐成功率的预测结果大于所述目标预设阈值的情况下,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
第三方面,本发明还提供一种广告推荐成功率预测装置,包括:
样本数据获取模块,用于获取目标广告投放场景的特征数据;
推荐成功率获取模块,用于将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果;
其中,所述推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的所述样本数据对应的推荐成功率进行训练后得到。
第四方面,本发明还提供一种广告推荐装置,包括:
模型预测结果获取模块,用于基于如上任一所述的广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;
广告推荐获取模块,用于基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端的目标广告位投放目标广告。
第五方面,本发明还提供一种电子设备,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程序时实现如上述任一种所述广告推荐成功率预测方法的步骤和如上述任一种所述广告推荐方法的步骤。
第六方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述广告推荐成功率预测方法的步骤和如上述任一种所述广告推荐方法的步骤。
本发明提供的广告推荐成功率预测、广告推荐方法及装置,基于多维度的目标广告投放场景的特征数据获取推荐成功率的预测结果,通过广告投放场景的自动识别计算,对广告推荐成功率的预测更准确,能提高广告推荐的精细性和准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的广告推荐成功率预测方法的流程示意图;
图2是本发明实施例提供的广告推荐方法的流程示意图;
图3是本发明实施例提供的广告推荐成功率预测装置的结构示意图;
图4是本发明实施例提供的广告推荐装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的广告推荐成功率预测方法的流程示意图。如图1所示,本发明实施例提供的广告推荐成功率预测方法,包括:步骤101、获取目标广告投放场景的特征数据。
需要说明的是,本发明实施例提供的广告推荐成功率预测方法的执行主体是广告推荐成功率预测装置。
需要说明的是,本申请实施例提供的广告推荐成功率预测方法适用于对电子设备进行广告推荐成功率预测。
上述电子设备可以以各种形式来实施。例如,本申请实施例中描述的电子设备可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置、智能手环、智能手表等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。下面,假设电子设备是移动终端。然而,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本申请实施例的构造也能够应用于固定类型的终端。
需要说明的是,广告投放场景是对用户的多方面行为结合起来分析,可以体现一个用户当时的目的或者需求。通过针对不同用户需求进行实时分析,可以将广告个性化投放。
其中,广告投放场景可以是由设备、空间、时间和用户的操作行为这四个方面组成。
优选地,目标广告投放场景是指,某一目标用户在目标时间点使用目标类型终端获取页面上的目标广告位展示的目标广告物料。
在步骤101中,广告推荐成功率预测装置根据广告平台中的广告投放日志,对广告投放日志中的投放数据进行数据清洗处理,获取与任一目标用户处于目标广告投放场景下的相关特征数据。
步骤102、将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果。
需要说明的是,推荐成功率是指某一目标用户在某一时间点处于某区域使用某种类型终端在终端页面上的某一广告位展示的某种广告物料的感兴趣程度,用户对该广告投放场景下的广告内容感兴趣程度越高,即推荐成功率越高,说明广告投放的越精准。
需要说明的是,推荐成功率预测模型是一种神经网络模型,神经网络的结构和参数包括但不限于神经网络的输入层,隐含层和输出层的层数,以及每一层的权重参数等。本发明实施例对神经网络的种类和结构不作具体限定。
优选地,推荐成功率预测模型是一种前馈神经网络。
可选地,广告推荐成功率预测装置设置有推荐成功率预测模型,该模型由输入层、隐藏层和输出层构成,其中:
输入层在整个网络的最前端部分,直接接收由目标广告投放场景的特征数据组成的输入向量。
隐藏层可以有一层或多层,通过自身的神经元对输入向量以加权求和的方式来进行运算,计算公式可以表达为:
z=b+w1*x1+w2*x2+…+wm*xm
其中,z是隐藏层输出的权重加和值,x1、x2、x3……xm是每个样本的m个特征向量,b为偏置,w1、w2……wm为每个特征向量对应的权重。
输出层是最后一层,用来输出推荐成功率的预测结果,根据不同的需求输出推荐成功率的预测结果的类型,这个值可以是一个分类向量值,也可以是一个类似线性回归那样产生的连续的值,还可以是别的复杂类型的值或者向量,本发明实施例对此不作具体限定。
激励函数是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端,采用激活函数进行逻辑回归处理,即将隐藏层输出的权重加和值转换为非线性的推荐成功率预测结果,本发明实施例对激活函数的种类不作具体限定。
优选地,采用Sigmoid函数进行逻辑回归处理,Sigmoid函数的表达公式为:
g(z)=1/(1+e-z)
其中,z是隐藏层输出的权重加和值,g(z)是推荐成功率预测结果。
其中,推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的样本数据对应的推荐成功率进行训练后得到。
需要说明的是,样本数据是指,将样本数据对应的推荐成功率和某一阈值进行比较。若样本数据对应的推荐成功率大于该阈值,则将样本数据的样本类别标记为正样本;若样本数据对应的推荐成功率小于或等于该阈值,则将样本数据的样本类别标记为负样本。采用样本数据的目标广告投放场景的特征数据以及样本数据的样本类别构成与样本数据对应的训练样本。
广告投放场景的样本数据包含正样本和负样本,本发明实施例对正负样本的比例不作具体限定。
优选地,样本数据中正样本的比例大于或者等于20%。
可选地,将广告投放场景的样本数据划分为训练集和测试集,本发明实施例对训练集和测试机的样本比例不作具体限定。
优选地,将60%的样本数据作为训练集,其余的40%样本数据作为测试集。
广告推荐成功率预测装置对构建好的推荐成功率预测模型各层间的权值系数初始化,再将训练集中的一组训练样本输入到当前权值系数下的神经网络,依次计算输入层、隐藏层和输出层的各节点的输出。输出层最后的输出结果与其实际连接位置状态类型之间的累积误差,根据梯度下降法,修正输入层与隐藏层各节点间的权值系数。依照上述过程,直至遍历训练集中的所有训练样本,可以得到输入层与隐藏层的权值系数。
广告推荐成功率预测装置根据神经网络输入层与隐藏层的权值系数,还原步骤102中的推荐成功率预测模型,并将测试集中的一组测试样本输入到训练好的推荐成功率预测模型,可以得到该测试样本对应的推荐成功率的预测结果。
本发明实施例基于待预测的广告投放场景,多维度的获取该广告投放场景的特征数据,以特征数据作为推荐成功率预测模型的输入,输出的结果为推荐成功率的预测结果,通过神经网络对广告投放场景的自动识别计算,对广告推荐成功率的预测更准确,能提高广告推荐的精细性和准确性。
在上述任一实施例的基础上,特征数据包括:广告位的标识信息、广告的标识信息、广告投放时刻的信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息。
可选地,广告推荐成功率预测装置至少可以从五个维度去描述目标广告投放场景,即广告的显示位置、广告内容、广告投放时间、接触用户使用的物理媒介以及用户的个人行为。并且,根据步骤102中的广告推荐成功率预测模型不同的构建方式,获取类别不同、数值类型不同的特征数据。
优选地,用来表征目标广告投放场景包括七个维度的特征数据:广告位的标识信息、广告的标识信息、广告投放时刻的信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息。
下面结合一个实例对具体实施方式进行说明,在步骤101之前,广告推荐成功率预测装置根据某一目标用户在某一目标时间周期内的广告投放日志,经数据清洗后生成如表1所示。
表1投放数据表
字段名 | 是否采用 | 备注 |
IMEI | 否 | 关联后不需要受众标识 |
MOBILE | 否 | 关联后不需要受众标识 |
BUYER_ID | 否 | 订单ID:粒度可由物料ID代替 |
AD_POS_ID | 是 | 广告位ID |
AREA_ID | 是 | 省份ID |
OS | 否 | 操作系统:超过90%是安卓,区分度不足 |
DEVICE_BRAND | 否 | 终端品牌:粒度可由终端型号代替 |
DEVICE_MODEL | 是 | 终端型号 |
SESSIONID | 否 | 关联后不再需要 |
MAT_ID | 是 | 物料ID:关联其他表用 |
DATEE | 否 | 日期:粒度可由小时代替 |
HOUR | 是 | 小时 |
BUYER_TYPE | 否 | 订单类型:已作为数据过滤条件 |
EVENT_TYPE | 否 | 事件类型:关联后不再需要 |
AGE | 否 | 年龄:完整度不足8%,所以不采用 |
GENDER | 是 | 性别 |
AREA | 否 | 区域:与日志数据字段重叠,采用完整度比较高的日志表字段 |
P_BRAND | 否 | 套餐品牌,绝大部分是全球通,区分度不足 |
ARPU_AVER_3M | 否 | 近3个月平均ARPU |
ARPU | 是 | 本目标时间周期的ARPU |
T_BRAND | 否 | 终端品牌:与日志数据字段重叠,采用完整度比较高的日志表字段 |
T_MODEL | 否 | 终端型号:与日志数据字段重叠,采用完整度比较高的日志表字段 |
根据广告平台的广告投放日志,制成投放数据表。根据目标广告投放场景中所包含的维度,获取与目标广告投放场景相关的字段,以相关字段对投放数据表中进行无关字段过滤,并获取广告投放场景相关字段下对应存储的相关数据。
优选地,目标广告投放场景相关的字段如表2所示。
表2目标广告投放场景相关的字段表
字段名 | 是否采用 | 备注 |
AD_POS_ID | 是 | 广告位ID |
AREA_ID | 是 | 省份ID |
DEVICE_MODEL | 是 | 终端型号 |
MAT_ID | 是 | 物料ID:关联其他表用 |
HOUR | 是 | 小时 |
GENDER | 是 | 性别 |
ARPU | 是 | 本时间周期的ARPU |
其中,ARPU是运营商用来测定其取自每个最终用户的收入的一个指标。
优选地,ARPU是指用户的话费账单,其时间周期可以是以日结算也可以是以月结算,本发明实施例对此不作具体限定。
由于步骤102中的推荐成功率预测模型的隐藏层和输出层质检采用了逻辑回归算法,其自变量只能是数值型变量,所以在步骤101的特征数据获取过程中,需要把从投放数据表获取的相关维度中,具有名义型变量的原始数据进行变量类型转换,变换成适用于逻辑回归算法的数值型变量。
其中,“MAT_ID”字段下存储的数据是指待进行投放的广告物料的标识信息,不同的物料ID对应不同广告物料,即广告内展现的内容,其内容包括广告的物料形式和物料主题。
物料形式是指,广告物料在用户终端中的表现形式。基本的物料形式包括文字型物料、图片型物料或者Flash型物料等等。物料主题是指,进行广告宣传的对象。
并且,“MAT_ID”字段下存储的数据无需作为样本数据输入至推荐成功率预测模型,仅用于关联其他数据内容,使待进行广告投放的对象以对应的物料形式进行投放。对于除“MAT_ID”字段以外的其他字段,在应用推荐成功率预测模型之前,需要将不同字段名对应的原始数据使用对应不同的转换方法,进行数据类转换。
优选地,对字段名为“AD_POS_ID”、“AREA_ID”、“DEVICE_MODEL”和“HOUR”下存储的数据利用比例值变换的方法分别转换成广告位的标识信息、用户的所属区域信息、终端类型的信息和广告投放时刻的信息,并赋值给X1、X2、X3和X4。对字段名为“GENDER”下存储的数据利用独热编码方法转换成用户的性别信息,并赋值给X5。
例如,以“GENDER”字段为例,利用独热编码方法进行变换的具体操作是:
需要说明的是,运用独热编码(One-Hot Encoding)方法,将名义变量变成若干哑变量。而哑变量,也就是取值只能为0或1的变量。
“GENDER”字段是性别,其取值共有4个,分别是NULL、0、1、2,代表空值、未知、男、女。其中NULL在逻辑上等同于未知。所以“性别”这个变量,其逻辑取值有3个。需要用2个哑变量表示其值,因为2个哑变量的容量为3(N个哑变量的容量为N+1),可包含“性别”变量的3个取值。这两个哑变量可设计为is_male、is_female。其取值规则如表3所示。
表3取值规则对照表
GENDER取值 | Is_male | Is_female |
NULL或0 | 0 | 0 |
1 | 1 | 0 |
2 | 0 | 1 |
对于“GENDER”字段下存储数据为1,即为男性,转后的用户的性别信息则为(1,0)。
再例如,以“HOUR”字段为例,利用比例值变换的方法进行变换的具体计算方法:
需要说明的是,运用比例值变换方法,将名义变量变换为该名义变量取不同的具体值时,样本子集中的因变量取值为1的个例占比(或称为浓度)。
“HOUR”字段是小时,其取值为0~23,表示0点~23点,共24个取值。小时之间不能比较大小,所以HOUR变量并不是数值型变量,而是名义变量。具体的变换规则示例:当HOUR=10时,假设HOUR=10的样本量为10000,其中因变量=1(正样本)的个例有3000,那么代替HOUR=10的广告投放时刻的信息的取值就为3000/10000=0.3。
可选地,在获取的特征数据中,只有“ARPU”字段下存储的数据为数值型变量。在步骤101中,可以直接使用ARPU数据作为输入参与推荐成功率的预测,也可以对ARPU数据进行标准化处理,使其值域控制在[0,1]区间,本发明实施例对标准化方法不作具体限定。
优选地,若进行标准化处理,采用均匀分布算法将“ARPU”字段下存储的数据转换成用户目标时间周期的消费信息,并赋值给X6。
例如,ARPU数据的分布情况如表4所示。
表4ARPU数据分布表
p10 | P25 | P50 | P75 | P90 | P95 |
8 | 28 | 53 | 119 | 195 | 281 |
其中,p10是指有10%的ARPU低于8,根据这个分布进行标准化,标准化计算公式为:
new=(N-min)/(max-min)
其中,new为用户目标时间周期的消费信息,N为“ARPU”字段下存储的数据分布,max=300,min=0。对于p10的用户目标时间周期的消费信息为(8-0)/(300-0),约等于0.0267。并且,在计算过程中,若当N<0时,其对应的用户目标时间周期的消费信息new=0。
在步骤102中,广告推荐成功率预测装置将由X1、X2、X3、X4、X5和X6组成的向量,输入至训练好的广告推荐成功率预测模型,并由广告推荐成功率预测模型经由逻辑回归处理输出广告推荐成功率的预测值。
本发明实施例基于广告投放日志多维度的获取与用户所处的广告投放场景相关的数据,并根据广告推荐成功率预测模型进行对应的数据处理,利用广告位的标识信息、广告的标识信息、广告投放时刻的信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息来表征目标广告投放场景。通过对广告投放场景的多维度划分,能够准确的理解了用户的目的(意图),进而可以根据用户的目的(意图)组织广告语言,利用合适的图像、文字、声音或视频的方式向有针对性的向用户投放感兴趣的广告内容。
在上述任一实施例的基础上,将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果包括:基于广告位的标识信息、广告投放时刻的信息和用户的所属区域信息,获取对应的广告位平均CTR、时间分区平均CTR和区域平均CTR。
需要说明的是,CTR(Click-Through-Rate)即点击通过率,是互联网广告常用的术语,指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率,即该广告的实际点击次数(严格的来说,可以是到达目标页面的数量)除以广告的展现量(Show content)。
平均CTR是指,对于多维度的目标广告投放场景的特征数据,至少将其中一个维度对应的变量作为自变量,获取目标时间周期内该自变量对应的CTR平均值。可选地,广告推荐成功率预测装置根据目标广告投放场景的特征数据中的所有表征维度的相关信息,进行与所使用的广告推荐成功率预测方法对应的数据处理,将处理后的数据作为推荐成功率预测模型的输入,本发明实施例对具体的数据处理过程不作具体限定。
优选地,广告推荐成功率预测装置根据步骤201中的目标广告投放场景的特征数据中的广告位的标识信息、广告投放时刻的信息和用户的所属区域信息,在预先建立的历史行为数据表进行查表查询,分别获取与广告位的标识信息对应的广告位平均CTR、与广告投放时刻的信息对应的时间分区平均CTR和与用户的所属区域信息对应的区域平均CTR。
基于对应的广告位平均CTR、时间分区平均CTR、区域平均CTR、性别取值信息、ARPU赋值信息,获得与目标广告投放场景对应的推荐成功率的预测结果并输出。
需要说明的是,性别取值信息和ARPU赋值信息分别是根据步骤101中的用户的性别信息和用户目标时间周期的消费信息计算获得的,用于与获取到的CTR数据处于同一个数量级,便于应用广告推荐成功率预测模型进行预测。
可选地,对于目标广告投放场景,广告推荐成功率预测装置将获得的广告位平均CTR、时间分区平均CTR和区域平均CTR,再结合性别取值信息、ARPU赋值信息作为训练好的广告推荐成功率预测模型的输入向量,由该广告推荐成功率预测模型的输出层最后输出的数值,就是目标广告投放场景对应的推荐成功率的预测结果。
下面结合一个实例对具体实施方式进行说明,其中,用户的目标时间周期可以以日结算,也可以以月结算,该实例中的用户目标时间周期是以日结算。在应用推荐成功率预测模型之前,先根据步骤101的获取的相关数据,预先构建用于表征各相关自变量与CTR(点击率)映射关系的历史行为数据表。
关于广告位的标识信息的广告位平均CTR历史行为数据表可以如表5所示。
表5广告位平均CTR历史行为数据表
其中,广告位平均CTR是指,在广告位平均CTR历史行为数据表中,目标时间周期、广告投放时刻和广告的标识信息是固定量,广告位的标识信息是自变量,在其余固定量的条件下获取与广告位的标识信息对应的CTR平均值。
关于广告的投放时刻信息的时间分区平均CTR历史行为数据表可以如表6所示:
表6时间分区平均CTR历史行为数据表
其中,时间分区平均CTR是指,在时间分区CTR历史行为数据表中,目标时间周期和广告的标识信息是固定量,并将目标时间周期下的所有广告投放时刻按照某一预设规则划分成不同的时间分区。以时间分区为自变量,在其余固定量的条件下获取与时间分区对应的CTR平均值。
本发明实施例对时间分区划分方法不作具体限定,可以是对目标时间周期平均划分,也可以根据目标时间周期内的时间特性不平均划分。
关于用户的所属区域信息的区域平均CTR历史行为数据表可以如表7所示:
表7区域平均CTR历史行为数据表
其中,区域平均CTR是指,在区域CTR历史行为数据表中,目标时间周期、广告投放时刻信息和广告的标识信息是固定量,并将用户的所属区域信息中的所有地理信息按照某一预设规则划分成不同的区域。以区域为自变量,在其余固定量的条件下获取与区域对应的CTR平均值。
本发明实施例对区域划分方法不作具体限定,可以是直接以用户的所属区域信息进行划分,也可以根据具有某种规律的多个用户的所属区域信息进行划分区域。例如,可以是直接根据用户手机号码的归属省份进行区域划分,也可以是将北京、上海和广州作为一个区域,若用户手机号码归属省份属于该区域中的任意一个,则确定用户属于该区域。
紧接着,分别根据广告位的标识信息、广告的投放时刻信息和用户的所属区域信息获取对应的平均CTR数据。
对于广告位平均CTR,根据目标时间周期、广告投放时刻、广告的标识信息和广告位的标识信息,在广告位平均CTR历史行为数据表中查找相应的CTR,赋值给x1。
对于时间分区平均CTR,根据广告投放时刻信息H,获取广告的投放时刻信息的时间分区:
当H在0~6点,对应的时间分区=“hour_00_06”,
当H在7~17点,对应的时间分区=“hour_07_17”,
当H在18~23点,对应的时间分区=“hour_18_23”,
然后根据目标时间周期、广告投放时刻、广告的标识信息和广告的投放时刻信息的时间分区,在时间分区平均CTR历史行为数据表中查找相应的CTR,赋值给x2。
对于区域平均CTR,可以根据目标时间周期内的用户信息画像,通过用户的手机号段获取其归属省份,根据目标时间周期、广告投放时刻、广告的标识信息和用户的所属区域信息,在区域平均CTR历史行为数据表中查找相应的CTR,赋值给x3。
还要再分别根据用户的性别信息和用户目标时间周期的消费信息,获取对应的性别取值信息和ARPU赋值信息。
对于性别取值,可以根据目标时间周期内的用户信息画像,通过用户手机号对应的身份证信息获取用户的性别信息。若该用户的性别信息为男,则性别取值信息为常数K1。若该用户的性别信息为女,则性别取值信息为常数K2。若该用户的性别信息为其他,则性别取值信息为0。根据用户的性别信息进行判断,将对应的性别取值信息赋值给x4。
对于ARPU赋值信息,可以根据目标时间周期内的用户信息画像,通过用户手机号在目标时间周期内的总费用,获取用户目标时间周期的消费信息,本发明实施例对用户目标时间周期的消费信息的精确度不作具体限定。
优选地,用户目标时间周期的消费信息的衡量单位精确到“分”。
若用户目标时间周期的消费信息大于或者等于30000元,则ARPU赋值信息为1,否则ARPU赋值信息为ARPU/30000。根据用户目标时间周期的消费信息与某一预设金额阈值进行大小比较,将对应的ARPU赋值信息赋值给x5。
推荐成功率的预测装置将由x1、x2、x3、x4和x5组成的向量作为目标广告投放场景样本,输入至训练好的推荐成功率预测模型,最后将经由Sigmoid函数处理输出的广告推荐成功率预测值作为输出,其具体的计算公式为:
z=Sigmoid(b+w1x1+w2x2+w3x3+w4x4+w5x5)
其中,z为广告推荐成功率预测值,x1、x2、x3、x4和x5分别为不同维度下的特征数据,w1、w2、w3、w4和w5分别为与不同维度下的特征数据在推荐成功率预测模型中对应的最优权重,b为推荐成功率预测模型的偏置。
本发明实施例基于目标广告投放场景的特征数据中的广告位的标识信息、广告的投放时刻信息和用户的所属区域信息,获取对应的广告位平均CTR、时间分区平均CTR和区域平均CTR,再结合用户的性别信息和用户目标时间周期的消费信息的特征,即性别取值信息和ARPU赋值信息,将多维度的特征数据作为训练好的推荐成功率的预测模型的输入,通过对用户在目标广告投放场景下的行为进行准确的分析,可以得到目标广告投放场景对应的推荐成功率的预测结果,提高广告推荐的准确性。
图2是根据本发明实施例提供的广告推荐方法的流程示意图。基于上述任一实施例的内容,如图2所示,该广告推荐方法,包括:步骤201、基于如上述实施例的任一的广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果。
需要说明的是,广告推荐方法的执行主体是广告推荐装置。
可选地,广告推荐装置可以直接获取到各种不同目标广告投放场景对应的推荐成功率的预测结果。
步骤202、基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
需要说明的是,广告推荐装置至少使用一种维度去进行广告推荐效果。
可选地,在广告推荐装置进行广告推荐之前,可以先由人为或者AI推荐去确定推荐维度个数。根据推荐维度的个数,可以获取以该荐维度为变量组成的各种不同目标广告投放场景,进而通过多组目标广告投放场景对应的推荐成功率的预测结果,决定目标广告内容的投放场景,本发明实施例对推荐维度的选择不作具体限定。
例如,可以是以某一用户的广告的投放时刻信息作为变量去确定广告内容的投放场景。其中,广告位的标识信息、广告的标识信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息均为定量。不同目标广告投放场景就是对于某一种已知的目标广告以不同的目标时刻向某一目标终端显示页面的某一目标广告位进行投放。其不同的目标广告投放场景对应的推荐成功率的预测结果,就是不同目标时刻下,对于某用户的多组目标广告推荐成功率预测值。根据多组目标广告推荐成功率预测值获取最适合在哪一个时刻进行广告投放对用户的吸引力最高。
优选地,将广告位的标识信息、广告的标识信息、广告的投放时刻信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息均作为待推荐的维度,获取对于任一用户,在目标时刻向目标终端显示页面的所有的目标广告位投放目标广告内容。
本发明实施例基于推荐成功率的预测结果,可以对广告平台页面设置其结果对应的目标广告投放场景,即在目标时刻向目标终端显示页面的目标广告位投放目标广告。能够实现对于目标用户多维度、个性化的广告投放,提高了广告推荐的精准度。
基于上述任一实施例的内容,基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端的目标广告位投放目标广告,包括:基于各目标广告投放场景对应的推荐成功率的预测结果,进行排序,获取排序结果。
需要说明的是,不同的目标广告投放场景,对应多组推荐成功率的预测结果。根据推荐维度个数不同,对多组推荐成功率的预测结果以不同推荐维度进行排序。
可选地,若推荐维度个数为一个,广告推荐装置根据该推荐维度下的多组推荐成功率的预测结果进行排序,本发明实施例对排序顺序不作具体限定。
基于排序结果,在目标时刻向目标终端的目标广告位投放目标广告。
可选地,广告推荐装置根据不同推荐维度下的多组推荐成功率的预测结果的排序结果,对该维度不同变化程度给予与排序结果匹配的优先程度。
例如,根据多组不同时刻下的目标广告推荐成功率预测值进行排序,将广告推荐成功率预测值的最大值对应的时刻,作为对于目标用户最适合进行广告投放的时刻。
本发明实施例将推荐成功率的预测结果进行排序,基于排序结果可以对广告平台页面具有优先度的设置对应的目标广告投放场景,即在目标时刻向目标终端显示页面的目标广告位投放目标广告。能够实现对于目标用户多维度、个性化的广告投放,提高了广告推荐的精准度。
基于上述任一实施例的内容,基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告,包括:对于每一个目标广告投放场景,在目标广告投放场景对应的推荐成功率的预测结果大于目标预设阈值的情况下,在目标时刻向目标终端的目标广告位投放目标广告。
需要说明的是,目标预设阈值的个数可以是一个或者多个。若目标预设阈值的个数为一个,则所有的符合比较结果的广告可以进行滚动投放。若目标预设阈值的个数为多个,即不同变化程度对应不同的目标预设阈值,对于符合比较结果的给予对应该变化程度的投放场景。
可选地,广告推荐装置根据不同推荐维度下的多组推荐成功率的预测结果与预设阈值进行大小比较。若比较结果为推荐成功率的预测结果大于预设阈值,则进行对应的目标广告投放场景的设置。若比较结果为推荐成功率的预测结果小于或者等于预设阈值,则不进行对应的目标广告投放场景的设置。
例如,根据多组不同广告位的目标广告推荐成功率预测值依次与所有广告位对应的多个阈值进行比较。
可以理解的是,位置越好的广告位对应的阈值越大,根据不同广告位置的不同阈值将多组目标广告推荐成功率预测值以对应的不同广告位进行划分,获取对于目标用户最适合进行广告投放的位置。
本发明实施例将推荐成功率的预测结果与预设的目标阈值进行比较,基于比较结果可以直接对广告平台页面具有优先度的设置对应的目标广告投放场景,即在目标时刻向目标终端显示页面的目标广告位投放目标广告。能够实现对于目标用户多维度、个性化的广告投放,提高了广告推荐的精准度。
图3是根据本发明实施例提供的广告推荐成功率预测装置的结构示意图。基于上述任一实施例的内容,如图3所示,该装置包括样本数据获取模块310和推荐成功率获取模块320,其中:
样本数据获取模块410,用于获取目标广告投放场景的特征数据。
推荐成功率获取模块420,用于将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果。
具体地,样本数据获取模块410和推荐成功率获取模块420顺次电连接。
样本数据获取模块410根据广告平台中的广告投放日志,对广告投放日志中的投放数据进行数据清洗处理,获取与任一目标用户处于目标广告投放场景下的相关特征数据。
推荐成功率获取模块420根据训练好的的权值系数,还原推荐成功率预测模型,并将测试集中的一组测试样本输入到训练好的推荐成功率预测模型,可以得到该测试样本对应的推荐成功率的预测结果。
样本数据获取模块410,具体用于特征数据包括:广告位的标识信息、广告的标识信息、广告的投放时刻信息、终端类型的信息、用户的性别信息、用户的所属区域信息和用户目标时间周期的消费信息。
推荐成功率获取模块420还包括CTR获取子模块和结果获取子模块,其中:
CTR获取子模块,用于基于广告位的标识信息、广告的投放时刻信息和用户的所属区域信息,获取对应的广告位平均CTR、时间分区平均CTR和区域平均CTR;
结果获取子模块,用于基于对应的广告位平均CTR、时间分区平均CTR、区域平均CTR、性别取值信息、ARPU赋值信息,获得与目标广告投放场景对应的推荐成功率的预测结果并输出。
本发明实施例提供的广告推荐成功率预测装置,用于执行本发明上述基于广告推荐成功率预测方法,其实施方式与本发明提供的广告推荐成功率预测方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
本发明实施例基于待预测的广告投放场景,多维度的获取该广告投放场景的特征数据,以特征数据作为推荐成功率预测模型的输入,输出的结果为推荐成功率的预测结果,通过神经网络对广告投放场景的自动识别计算,对广告推荐成功率的预测更准确,能提高广告推荐的精细性和准确性。
图4是根据本发明实施例提供的广告推荐装置的结构示意图。基于上述任一实施例的内容,如图4所示,该装置包括模型预测结果获取模块410和广告推荐获取模块420,其中:
模型预测结果获取模块410,用于基于任一种广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;
广告推荐获取模块420,用于基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端的目标广告位投放目标广告。
具体地,模型预测结果获取模块410和广告推荐获取模块420顺次电连接。
模型预测结果获取模块410直接获取到各种不同目标广告投放场景对应的推荐成功率的预测结果
广告推荐获取模块420根据推荐维度的个数,可以获取以该荐维度为变量组成的各种不同目标广告投放场景,进而通过多组目标广告投放场景对应的推荐成功率的预测结果,决定目标广告内容的投放场景。
广告推荐获取模块420包括排序子模块和第一投放子模块。
排序子模块,用于基于各目标广告投放场景对应的推荐成功率的预测结果,进行排序,获取排序结果;
第一投放子模块,用于基于排序结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
广告推荐获取模块420,还具体用于对于每一个目标广告投放场景,在目标广告投放场景对应的推荐成功率的预测结果大于目标预设阈值的情况下,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
本发明实施例提供的广告推荐装置,用于执行本发明上述基于广告推荐方法,其实施方式与本发明提供的广告推荐方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
本发明实施例基于推荐成功率的预测结果,可以对广告平台页面设置其结果对应的目标广告投放场景,即在目标时刻向目标终端显示页面的目标广告位投放目标广告。能够实现对于目标用户多维度、个性化的广告投放,提高了广告推荐的精准度。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(CommunicationsInterface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行广告推荐成功率预测方法,该方法包括:获取目标广告投放场景的特征数据;将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果;其中,推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的样本数据对应的推荐成功率进行训练后得到。还可以执行广告推荐方法,该方法包括:基于如上的任一广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
此外,上述的存储器530中的逻辑指令可以通过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,本发明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)执行本发明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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述提供的广告推荐成功率预测方法,该方法包括:获取目标广告投放场景的特征数据;将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果;其中,推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的样本数据对应的推荐成功率进行训练后得到。还可以执行广告推荐方法,该方法包括:基于如上的任一广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的广告推荐成功率预测方法,该方法包括:获取目标广告投放场景的特征数据;将目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与目标广告投放场景对应的推荐成功率的预测结果;其中,推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的样本数据对应的推荐成功率进行训练后得到。还可以执行广告推荐方法,该方法包括:基于如上的任一广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种广告推荐成功率预测方法,其特征在于,包括:
获取目标广告投放场景的特征数据;
将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果;
其中,所述推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的所述样本数据对应的推荐成功率进行训练后得到。
2.根据权利要求1所述的广告推荐成功率预测方法,其特征在于,所述特征数据包括:广告位的标识信息、广告的标识信息、广告的投放时刻信息、终端类型的信息、用户的性别信息、所述用户的所属区域信息和所述用户目标时间周期的消费信息。
3.根据权利要求2所述的广告推荐成功率预测方法,其特征在于,所述将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果包括:
基于所述广告位的标识信息、所述广告的投放时刻信息和所述用户的所属区域信息,获取对应的广告位平均CTR、时间分区平均CTR和区域平均CTR;
基于所述对应的广告位平均CTR、所述时间分区平均CTR、所述区域平均CTR、性别取值信息、ARPU赋值信息,获得与所述目标广告投放场景对应的推荐成功率的预测结果并输出。
4.一种广告推荐方法,其特征在于,包括:
基于如权利要求1至3任一所述的广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;
基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
5.根据权利要求4所述的广告推荐方法,其特征在于,所述基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告,包括:
基于各目标广告投放场景对应的推荐成功率的预测结果,进行排序,获取排序结果;
基于所述排序结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
6.根据权利要求4所述的广告推荐方法,其特征在于,所述基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端显示页面的目标广告位投放目标广告,包括:
对于每一个所述目标广告投放场景,在所述目标广告投放场景对应的推荐成功率的预测结果大于所述目标预设阈值的情况下,在目标时刻向目标终端显示页面的目标广告位投放目标广告。
7.一种广告推荐成功率预测装置,其特征在于,包括:
样本数据获取模块,用于获取目标广告投放场景的特征数据;
推荐成功率获取模块,用于将所述目标广告投放场景的特征数据输入至推荐成功率预测模型,输出与所述目标广告投放场景对应的推荐成功率的预测结果;
其中,所述推荐成功率预测模型是基于广告投放场景的样本数据以及预先确定的所述样本数据对应的推荐成功率进行训练后得到。
8.一种广告推荐装置,其特征在于,包括:
模型预测结果获取模块,用于基于如权利要求1至3任一所述的广告推荐成功率预测方法,获取各目标广告投放场景对应的推荐成功率的预测结果;
广告推荐获取模块,用于基于各目标广告投放场景对应的推荐成功率的预测结果,在目标时刻向目标终端的目标广告位投放目标广告。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至3任一项所述广告推荐成功率预测方法的步骤或者如权利要求4至6任一项所述广告推荐方法的步骤。
10.一种非暂态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如权利要求1至3任一项所述广告推荐成功率预测方法的步骤或者如权利要求4至6任一项所述广告推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110882097.3A CN115705581A (zh) | 2021-08-02 | 2021-08-02 | 广告推荐成功率预测、广告推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110882097.3A CN115705581A (zh) | 2021-08-02 | 2021-08-02 | 广告推荐成功率预测、广告推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115705581A true CN115705581A (zh) | 2023-02-17 |
Family
ID=85178399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110882097.3A Pending CN115705581A (zh) | 2021-08-02 | 2021-08-02 | 广告推荐成功率预测、广告推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115705581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843388A (zh) * | 2023-08-29 | 2023-10-03 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及系统 |
-
2021
- 2021-08-02 CN CN202110882097.3A patent/CN115705581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843388A (zh) * | 2023-08-29 | 2023-10-03 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及系统 |
CN116843388B (zh) * | 2023-08-29 | 2023-11-17 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019242331A1 (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN106570718A (zh) | 信息的投放方法及投放系统 | |
CN113781139B (zh) | 物品推荐方法、物品推荐装置、设备和介质 | |
CN113222653B (zh) | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 | |
CN112015996B (zh) | 业务资源推荐方法、装置、计算机设备及存储介质 | |
CN111161104A (zh) | 一种社区用户画像的生成方法及装置 | |
CN111159553A (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN114330752A (zh) | 排序模型训练方法和排序方法 | |
CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN111538909A (zh) | 一种信息推荐方法及装置 | |
CN115705581A (zh) | 广告推荐成功率预测、广告推荐方法及装置 | |
CN114581140A (zh) | 一种广告投放楼盘的推荐方法、装置及电子设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN110413852A (zh) | 一种信息推送方法、装置、设备及介质 | |
CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN116127189A (zh) | 用户运营方法、装置、设备以及计算机存储介质 | |
CN117172851A (zh) | 一种互联网广告效果的评估方法、装置及电子设备 | |
CN115659005A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
CN113220986A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN114723469A (zh) | 用户满意度预测与归因的方法、系统以及电子设备 | |
CN118114890B (zh) | 一种城市体检问卷调研方法及其相关设备 | |
CN116186417B (zh) | 推荐方法、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 |