CN116228325A

CN116228325A - 一种广告投放方法、装置、介质及设备

Info

Publication number: CN116228325A
Application number: CN202310003045.3A
Authority: CN
Inventors: 蔡嘉辉; 张成林; 高蕾
Original assignee: Wuhan Douyu Network Technology Co Ltd
Current assignee: Wuhan Douyu Network Technology Co Ltd
Priority date: 2023-01-03
Filing date: 2023-01-03
Publication date: 2023-06-06

Abstract

本发明提供了一种广告投放方法、装置、介质及设备，方法包括：确定用户回流至目标应用中的自然回流分数；基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数；基于所述预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户；基于预设的出价寻优策略对每层用户进行出价寻优，获得目标广告投放价格；如此，考虑到用户的留存率对用户进行分层，然后对不同层的用户进行出价寻优，相当于是根据不同层用户的留存率对各层用户的出价进行调整，最终确保目标广告投放价格可提高用户的整体留存率。

Description

一种广告投放方法、装置、介质及设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种广告投放方法、装置、介质及设备。

背景技术

直播平台会通过在站外第三方平台中投放广告，去拉活(唤醒)第三方平台中的用户，使得这些用户回流至直播平台中。

相关技术中，在向第三方平台用户投放广告时，一般是通过单一出价的方式，导致广告投放成本以及对用户的拉活成功率无法得到确保。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种广告投放方法、装置、介质及设备，以解决或者部分解决现有技术中向站外平台用户投放广告时，无法根据用户的差异进行个性化出价，导致广告投放成本以及对用户的拉活成功率无法得到确保的技术问题。

本发明的第一方面，提供一种广告投放方法，所述方法包括：

确定用户回流至目标应用中的自然回流分数；

基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数；

基于所述预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户；

基于预设的出价寻优策略对每层用户进行出价寻优，获得目标广告投放价格。

上述方案中，所述基于所述用户的自然回流分数确定用户在目标应用中的预测留存分数之前，所述方法还包括：

获取用户在预设时间段内的回流行为数据；

基于预设的用户质量预估模型以及所述回流行为数据进行用户质量预测，获得所述用户在各质量类别下的回流概率；

基于所述用户的各质量类别下以及各质量类别下的回流概率确定所述用户的回流质量分数。

上述方案中，基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数，包括：

基于所述目标应用的业务需求确定所述自然回流分数的惩罚因子；

基于所述自然回流分数以及所述惩罚因子确定所述用户的回流惩罚分数；

基于所述用户的回流质量分数以及所述回流惩罚分数确定所述用户在所述目标应用中的预测留存分数。

上述方案中，基于所述预测留存分数以及用户分层策略对所述用户进行分层，包括：

按照预测留存分数从大到小的顺序对所有用户进行排序；

将排序后的用户按照第一分位点和第二分位点分为三层用户；

确定每层用户在预设时间段内的留存率，并基于每层用户的留存率对所述第一分位点及所述第二分位点进行调整，直至相邻层用户的留存率满足预设的留存率阈值；

基于调整后的第一分位点和第二分位点重新对所述用户进行分层。

上述方案中，所述确定每层用户在预设时间段内的留存率，包括：

获取每层用户中在当日返回至目标应用中的第一用户数量；

获取第一用户中在预设时间段的剩余天数内继续返回至所述目标应用中的第二用户数量；

根据所述第一用户的数量及所述第二用户的数量确定所述每层用户在预设时间段内的留存率。

上述方案中，所述基于预设的出价寻优策略对每层用户进行出价寻优，获得目标广告投放价格，包括：

根据出价上限值、出价下限值以及预设的出价总寻优次数确定出价寻优步长以及各层用户的初始出价系数；

将各层用户随机放置在预设数量的用户桶中，并将所述用户桶划分为三类；

根据各层用户的初始出价系数、出价寻优步长以及当前轮寻优次数确定每类用户桶每次出价寻优对应的寻优出价系数；

在基于所述寻优出价系数对每类用户桶进行广告投放后，获取每类用户桶中各层用户的留存率；

基于每类用户桶中各层用户的留存率确定每类用户桶对应的目标出价系数；

从每类用户桶对应的目标出价系数中确定出最优出价系数，将所述最优出价系数作为所述目标广告投放价格。

上述方案中，所述根据各层用户的初始出价系数、出价寻优步长以及当前轮寻优次数确定每类用户桶每次出价寻优对应的寻优出价系数，包括：

根据所述出价寻优步长以及所述当前轮寻优次数确定每次出价寻优时的当前价格；

根据所述当前价格及所述初始出价系数逐次提升第一类用户桶中每层用户的寻优出价系数；所述第一类用户桶中第一层用户的寻优出价系数为

所述第一类用户桶中第二层用户的寻优出价系数为

所述第一类用户桶中第三层用户的寻优出价系数为

根据所述当前价格及所述初始出价系数逐次增加第二类用户桶中第一层用户的寻优出价系数、逐次降低第二类用户桶中第三层用户的寻优出价系数；所述第二类用户桶中第一层用户的寻优出价系数为

所述第二类用户桶中第三层用户的寻优出价系数为

所述第二类用户桶中第二层用户的寻优出价系数为

根据所述当前价格及所述初始出价系数逐次降低第三类用户桶中各层用户的寻优出价系数，所述第三类用户桶中第一层用户的寻优出价系数

所述第三类用户桶中第二层用户的寻优出价系数为

所述第三类用户桶中第三层用户的寻优出价系数为

其中，

所述M为所述出价下限，所述N为所述出价上限，所述μ_b为第b轮出价寻优次数，所述

为所述出价寻优步长；第一层用户的留存率大于第二层用户的留存率，第二层用户的留存率大于第三层用户的留存率。

本发明的第二方面，提供一种广告投放装置，所述装置包括：

第一确定单元，用于确定用户回流至目标应用中的自然回流分数；

第二确定单元，用于基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数；

分层单元，用于基于所述预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户；

第三确定单元，用于基于预设的出价寻优策略确定每层用户对应的广告投放价格。

本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。

本发明的第三方面，提供一种计算机设备，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程序时实现第一方面中任一项所述方法的步骤。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

在附图中：

图1示出了根据本发明一个实施例的广告投放方法流程示意图；

图2示出了根据本发明一个实施例的XGBoost模型运算示意图；

图3示出了根据本发明一个实施例的广告投放装置结构示意图；

图4示出了根据本发明一个实施例的计算机设备结构示意图；

图5示出了根据本发明一个实施例的计算机可读存储介质结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供一种广告投放方法，如图1所示，方法包括以下步骤：

S110，确定用户回流至目标应用中的自然回流分数；

本实施例主要采用梯度提升决策树(GBDT，Gradient Boosting Decision Tree)+逻辑回归(LR，Logistic Regression)来确定用户回流至目标应用中的自然回流分数，实现如下：

根据训练样本对梯度提升决策树GBDT进行一次训练，获得自然回流离散特征；训练样本包括：正样本和负样本，正样本为沉默d天，第d+1天在直播平台上存在点击行为的用户，负样本为沉默d天，第d+1天在直播平台上不存在点击行为的用户；

将自然回流离散特征输入至逻辑回归模型LR中进行二次训练，获得自然回流预测模型；

利用自然回流预测模型对用户进行预测，获得对应的自然回流分数。

具体来讲，首先需要确定出训练样本。本实施例中将目标应用中沉默14～90天的用户作为目标用户。目标应用可以为直播应用，也可以为其他应用。

然后在目标用户中将沉最近沉默14天，第15天在目标应用上存在点击行为的用户作为训练样本的正样本，将最近沉默14天，第15天在目标应用上不存在点击行为的用户作为训练样本的负样本；其中，训练样本中训练集和验证集的比例为9:1。

由于实际应用中，正样本和负样本的数量比例不平衡，因此本实施例还需要对正样本和负样本进行增强，使得正样本和负样本的比例维持在1：2左右。

然后根据回流情况(用户返回至目标应用的情况)确定训练样本的标签。本实施例是基于后续7天内用户回流情况设置对应的标签，比如将7天之内未回流时，对应的标签可以为0；7天之内存在1天回流，对应的标签可以为1；7天之内存在2天回流，对应的标签可以为2；7天之内存在3天回流，对应的标签可以为3；7天之内存在至少4天回流，对应的标签可以为4。后续在进行GBDT-LR训练时可以根据标签为每个用户设置对应的权重，其中，回流天数越多的用户对应的权重越大。

在利用训练样本对GBDT进行训练时，在GDBT的建树过程中相当于是自动对特征进行组合和离散化，最终输出自然回流离散特征(每个叶子节点代表一个离散特征，每个离散特征对应一个权重)。然后把所有的自然回流离散特征以one-hot形式传入LR模型中二次训练，获得自然回流预测模型。

在进行预测时，可遍历GBDT的每棵树，得到每个叶子节点对应的离散特征，将离散特征以one-hot形式传入LR模型中进行加权预测，最终为每个用户输出一个自然回流得分。

本实施例相比传统的二分类方法(回流为1，不回流为0)，考虑到了用户回流的实际情况，以后续7天的回流情况以及用户在目标应用中的点击数据来预测自然回流分数，后续利用自然回流分数来评估用户的留存质量时，可提升评估精度。

S111，基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数；

在一种实施方式中，基于用户的自然回流分数确定用户在目标应用中的预测留存分数之前，方法还包括：

获取用户在预设时间段内的回流行为数据；

基于预设的用户质量预估模型以及回流行为数据进行用户质量预测，获得用户在各质量类别下的回流概率；

基于用户的各质量类别下以及各质量类别下的回流概率确定用户的回流质量分数。

本实施例的预设时间段可以为7天，如上文所述，本实施例是基于后续7天内用户回流情况为用户设置对应的标签，这里是将每个标签对应设置一个质量类别，在利用用户质量预估模型及7天内的回流行为数据进行用户质量预测时，可以为每个质量类别下输出一个概率。最终基于于用户的各质量类别下以及各质量类别下的回流概率确定用户的质量数学期望值，质量数学期望值即为回流质量分数。

也即可根据公式(1)确定出用户的回流质量分数S1：

在公式(1)中，e为质量类别序号，n为质量类别数量，label_e为第e个质量类别，pre_score_e为第e个质量类别对应的回流概率。

比如针对某个用户，质量类别如上述标签类别，分别包括0、1、2、3、4；对应的概率分别为p1、p2、p3、p4和p5，那么该用户对应的回流质量分数为：S1＝0*p1+1*p2+2*p3+3*p4+4*p4+5*p5。

本实施例的用户质量预估模型为xgboost模型，下面介绍一下用户质量预估模型的训练过程：

首先确定质量预估模型的训练样本，质量预估模型的训练样本的时间窗口为7天，根据7天回流情况将训练样本分为5类、质量类别分别为上述的0、1、2、3、4。

由于xgboost模型是由k个CART树模型组成的一个加法运算式，如公式(2)所示：

其中，k为CART树模型中树(加法项)的序号，K为加法项的总量，f_k为第k个基模型，

为第i个样本的预测值，预测值为7天之内预测第几天回流对应的结果值；x_i为第i个样本。

损失函数可由预测值与真实值表示，可参考公式(3)：

其中，m为质量预估模型的训练样本的数量，y_i为第i个样本的真实值。

损失函数代表了质量预估模型的偏差，目标函数还需控制模型方差，减小模型复杂度，因此需要为损失函数引入正则项，目标函数由损失函数和正则项组成，构建的目标函数如公式(4)所示：

公式(4)中，

为正则项，k为CART树模型中第k棵树，t为CART树模型中第t棵树。正则项主要是用于控制模型的复杂度，防止过拟合。

XGBoost模型时向前加法模型，如图2所示，将样本x_i放入第一棵树会得到一个预测值f₁(x_i)，将样本x_i放入第二棵树会得到一个预测值f₂(x_i)，依次类推，则有：

……

从公式(8)可以看出，到第k棵树累加的结果是前k-1棵树累计的预测值和第k棵树输出值的总和，因此目标函数可以为：

此时求解最优化目标函数，相当于求解f_k(x_i)，

为第k-1步的模型输出的预测值，是已知常数。

根据泰勒公式可以把目标函数在x处进行泰勒二次展开，泰勒二次展开公式可参考公式(10)：

应用到本实施例中，将

看作为泰勒公式中的x，将f_k(x_i)看作是Δx，则有：

那么目标函数进行泰勒展开后，得到：

在公式(13)中，g_i相当于是

的一阶导数，h_i相当于是

的二阶导数。

进而可以将目标函数简化为：

接下来需要确定树的复杂度，可通过Ω(f_k)参数化确定树的复杂度，树复杂度由两部分构成，包括：所有决策树的叶子节点数量，和所有节点权重所组成的向量的L2范式。那么则有：

在公式(15)中，T为决策树的叶子节点，j为叶子节点的序号，w_j为叶子节点j对应的权重初始值。

分别对公式(15)中的两项加入一个超参数，以防止训练过程中模型出现过拟合，得到公式(16)：

公式(16)中，γ为T对应的超参数，λ为

对应的超参数。

将原目标函数参数化后得到：

为简化参数化后的目标函数，定义

那么目标函数可以为：

由韦达定理，关于w_j二次函数最优解问题可以得到叶子节点j对应的目标权重w_j ^*：

因此，目标函数最终可以简化为：

然后基于目标函数在决策树生长(节点分裂)的过程中，利用贪心算法来划分最优切分点，实现如下：

首先，从深度为0的树开始，对每个叶节点枚举所有的可用的样本特征；

然后，针对每个特征，将属于该节点的训练样本对应的特征值(标签)进行升序排列，再通过线性扫描的方式来决定每个特征的最佳分裂点，并记录该特征的分裂收益。

选择分裂收益最大的特征作为分裂特征，利用分裂特征的最佳分裂点作为分裂位置，在最佳分裂点上分裂出左右两个新的叶子节点，并为每个新叶子节点关联对应的训练样本。

然后按照上述方式递归执行，直至满足预设条件，决策树构建完毕，也即质量预估模型训练完毕。本实施例中的预设条件是满足树的深度。

其中，每个特征的分裂收益可基于公式(20)确定，即根据各特征obj_j-obj_j+1的值来判断哪个特征为分裂特征，本实施例是将最大obj_j-obj_j+1值对应的特征确定为分裂特征。obj_j表示当前叶子节点对应的目标函数值，obj_j+1表示当前叶子结点分裂后的节点对应的目标函数值。

承接上文，利用质量预估模型确定出每个用户的回流质量分数后，在一种实施方式中，用户的自然回流分数确定用户在目标应用中的预测留存分数，包括：

基于目标应用的业务需求确定自然回流分数的惩罚因子；

基于自然回流分数以及惩罚因子确定用户的回流惩罚分数；

基于用户的回流质量分数以及回流惩罚分数确定用户在所述目标应用中的预测留存分数。

其中，惩罚因子可基于实际业务需求确定，具体取值为0～1。比如若业务需求说明自然回流分数对整个平台影响很大，那么惩罚因子可适当取大，比如0.3～0.4；若业务说明自然回流分数对整个平台影响很大，那么惩罚因子可适当取小，比如0.05～0.1。

然后基于公式(21)确定用户的预测留存分数S2：

S2＝S1-β*sil_score (21)

在公式(21)中，S1为用户的回流质量分数，β为惩罚因子，sil_score为自然回流分数；β*sil_score为回流惩罚分数。

本实施例确定出每个用户的预测留存分数，后续可基于预测留存分数对用户进行分层，进而可对不同层的用户进行不同的广告出价，根据不同层的留存率得到一个最优的广告出价。

S112，基于所述预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户；

用户的预测留存分数确定出之后，可基于预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户，包括：

按照预测留存分数从大到小的顺序对所有用户进行排序；

将排序后的用户按照第一分位点和第二分位点分为三层；

确定每层用户在预设时间段内的留存率，并基于每层用户的留存率对第一分位点及第二分位点进行调整，直至相邻层用户的留存率满足预设的留存率阈值；

基于调整后的第一分位点和第二分位点重新对用户进行分层。

具体来讲，本实施例需要将用户划分为第一层用户(A层用户)、第二层用户(B层用户)和第三层用户(C层用户)三个档位，因此需要设置两个初始分位点，第一分位点可以为0.25，第二分位点可以为0.75。

然后统计用户在目标应用中预设时段内(一般为7天)的留存数据，对第一分位点和第二分位点进行调整，最终需要满足A层用户留存率>B层用户留存率>C层用户留存率；且相邻层用户的留存率差值满足预设的留存率阈值；留存率阈值可以为2％～3％，也可基于实际情况确定，在此不做限制。

其中，确定每层用户在预设时间段内的留存率，包括：

获取每层用户中在当日返回至目标应用中的第一用户数量；

获取第一用户中在预设时间段的剩余天数内继续返回至目标应用中的第二用户数量；

根据第一用户的数量及第二用户的数量确定每层用户在预设时间段内的留存率。

以A层用户举例来说，假设A层用户在当日返回至目标应用中的第一用户数量为500，第一用户中在后续6天内继续返回至目标应用的第二用户数量为300，那么A层用户留存率为300/500＝60％。

若A层用户留存率、B层用户留存率和C层用户留存率不满足留存率阈值，则需要调整第一分位点和第二分位点，具体调整情况如下：

若A层用户留存率与B层用户留存率之间的留存率差值不满足留存率阈值，B层用户留存率与C层用户留存率之间的留存率差值满足留存率阈值时，基于预设的分位点步长提升第一分位点。比如分位点步长可以为0.05，基于预设的分位点步长降低第一分位点时，可以将第一分位点从0.25降低至0.2。

若A层用户留存率与B层用户留存率之间的留存率差值满足留存率阈值，B层用户留存率与C层用户留存率之间的留存率差值不满足留存率阈值时，基于预设的分位点步长提升第二分位点。比如可以将第二分位点从0.75提升至0.8。

这样基于用户留存率可不断对分层用户进行优化，确保分层精度，以在后续进行出价寻优时，能准确地对高质量用户给予高投放价格，低质量用户给予低投放价格，确保出价寻优的精度。

S113，基于预设的出价寻优策略对每层用户进行出价寻优，获得目标广告投放价格。

在一种实施方式中，基于预设的出价寻优策略对每层用户进行出价寻优，获得目标广告投放价格，包括：

将各层用户随机放置在预设数量的用户桶中，并将用户桶划分为三类；

在基于寻优出价系数对每类用户桶进行广告投放后，获取每类用户桶中各层用户的留存率；

具体来讲，对于上述ABC三层用户，需要对每层用户设置初始出价系数，使用该初始出价去投放广告；初始出价系数一般是按照经验值来设置，或者是基于与第三方平台沟通的价格来设置，在此不做限制。

其中，初始出价系数根据出价上限值、出价下限值以及预设的出价总寻优次数确定。假设出价上限值为M，出价下限值为N，出价总寻优次数为S，那么A层用户的初始出价系数为

B层用户的初始出价系数为

C层用户的初始出价系数为

按照初始出价系数对各层用户进行投放广告后，在预设时段内统计各层用户在目标应用中的留存率，再根据留存率基于预设的出价寻优步长不断迭代优化出价，获得最终的目标广告投放价格。

其中，出价寻优步长根据出价上限值、出价下限值以及预设的出价总寻优次数确定，继续承接上述举例，那么出价寻优步长

为：

但是实际应用中，因为统计留存率是需要一定时长的(比如7天)，进而才能根据留存率优化出价，若分别对三层用户进行独立的出价优化时，将会耗时较长(3*7＝21天)，为了缩短出价优化周期，本实施例将各层用户随机放置在预设数量的用户桶中，并将用户桶划分为三类，同时对三类用户桶进行出价寻优，那么寻优时间可以缩短为7天。

举例来说，用户桶包括1～10号桶，然后将上述三层用户平均放置在各个桶中，再将用户桶分为三类用户桶，第一类用户桶包括1～3号桶，第二类用户桶包括4～6号桶，第三类用户桶包括7～9号桶，第四类用户桶包括10号桶。其中，第一类用户桶的出价寻优策略为向上寻优策略，第二类用户桶的出价寻优策略为上下扩散寻优策略，第三类用户桶的出价寻优策略为向下寻优策略，第四类用户桶为验证桶，主要是用于验证在初始出价系数的基础上进行出价寻优时，用户留存率会发生改变。

其中，向上寻优策略为在每一轮出价寻优时，在三层用户的初始出价系数的基础上，分别提升三层用户的出价。上下扩散寻优策略为在每一轮出价寻优时，在三层用户的初始出价系数的基础上，提升A层用户的出价，降低C层用户的出价，保持B层用户的出价。向下寻优策略为在每一轮出价寻优时，在三层用户的初始出价系数的基础上，分别降低三层用户的出价。

也即，根据各层用户的初始出价系数、出价寻优步长以及当前轮寻优次数确定每类用户桶每次出价寻优对应的寻优出价系数，包括：

根据出价寻优步长以及当前轮寻优次数确定每次出价寻优时的当前价格；

根据当前价格及初始出价系数逐次提升第一类用户桶中每层用户的寻优出价系数；第一类用户桶中第一层用户的寻优出价系数为

第一类用户桶中第二层用户的寻优出价系数为

第一类用户桶中第三层用户的寻优出价系数为

根据当前价格及初始出价系数增加第二类用户桶中第一层用户的寻优出价系数、逐次降低第二类用户桶中第三层用户的寻优出价系数；第二类用户桶中第一层用户的寻优出价系数为

第二类用户桶中第三层用户的寻优出价系数为

第二类用户桶中第二层用户的寻优出价系数为

根据当前价格及初始出价系数逐次降低第三类用户桶中各层用户的寻优出价系数，第三类用户桶中第一层用户的寻优出价系数

第三类用户桶中第二层用户的寻优出价系数为

第三类用户桶中第三层用户的寻优出价系数为

其中，

M为出价下限，N为出价上限，μ_b为第b轮出价寻优次数，

为出价寻优步长；

为当前价格，第一层用户的留存率大于第二层用户的留存率，第二层用户的留存率大于第三层用户的留存率。

针对任一类桶中的任一层用户来说，若进行S次出价寻优后，每层用户均对应的有一个出价系数和对应的留存率。那么针对除验证桶之外的三类桶，可以分别对比三层用户的出价系数以及留存率，确定出该类桶对应的目标出价系数。

以第一类桶举例来说，第一类桶中的A层用户出价系数为A1，留存率为60％；第一类桶中的B层用户出价系数为A2，留存率为40％；第一类桶中的C层用户出价系数为A3，留存率为30％；且出价系数A1、A2和A3均不高于业务所限的价格阈值，那么第一类桶的目标出价系数为A1。

这样三类桶最终都对应有一个目标出价系数，然后再从三个目标出价系数中确定出最终的目标广告投放价格。

举例来说，假设第一类用户桶对应的目标出价系数为A1、留存率为60％；第二类用户桶对应的目标出价系数为B1、留存率为50％；第三类用户桶对应的目标出价系数为C1、留存率为65％；且目标出价系数A1、B1和C1均不高于业务所限的价格阈值，那么则将目标出价系数为C1作为最终的目标广告投放价格。

然后将目标广告投放价格和上述确定出的目标用户包(沉默14～90天的用户)发送给第三方平台，进行广告投放。

需要说明的是，目标应用在第三方平台中注册有多个账号，在第三方平台中投放广告时，是利用多个账号进行投放的。多个账号的广告投放价格相同，目标用户包也相同。

本实施例中考虑到用户的留存率对用户进行分层，然后对不同层的用户进行智能出价寻优，相当于是根据不同层用户的留存率对各层用户的出价进行调整，最终确保目标广告投放价格可提高用户的整体留存率。

基于与前述实施例中同样的发明构思，本实施例还提供广告投放装置，如图3所示，装置包括：

第一确定单元31，用于确定用户回流至目标应用中的自然回流分数；

第二确定单元32，用于基于所述用户的自然回流分数确定所述用户在目标应用中的预测留存分数；

分层单元33，用于基于所述预测留存分数以及用户分层策略对所述用户进行分层，获得不同层的用户；

第三确定单元34，用于基于预设的出价寻优策略确定每层用户对应的广告投放价格。

由于本发明实施例所介绍的装置，为实施本发明实施例的广告投放方法所采用的装置，故而基于本发明实施例所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例的方法所采用的装置都属于本发明所欲保护的范围。

基于同样的发明构思，本实施例提供一种计算机设备400，如图4所示，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现前文所述方法的任一步骤。

基于同样的发明构思，本实施例提供一种计算机可读存储介质500，如图5所示，其上存储有计算机程序511，该计算机程序511被处理器执行时实现前文任一所述方法的步骤。

通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。