CN116452266A - 广告资源分配方法、装置、计算机设备及存储介质 - Google Patents
广告资源分配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116452266A CN116452266A CN202210009959.6A CN202210009959A CN116452266A CN 116452266 A CN116452266 A CN 116452266A CN 202210009959 A CN202210009959 A CN 202210009959A CN 116452266 A CN116452266 A CN 116452266A
- Authority
- CN
- China
- Prior art keywords
- account
- target
- sample
- classification model
- resource allocation
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013145 classification model Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/0277—Online advertisement
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
本申请提供了一种广告资源分配方法、装置、计算机设备及存储介质，涉及计算机网络技术领域，将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出待分类账户的目标归属集合。然后判断目标归属集合是否为目标账户集合，其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，只有当目标归属集合为正样本账户的数量占比大于或等于预设比例阈值的目标账户集合时，才向待分类账户分配广告资源，增强了广告资源分配的效果。
Description
技术领域
本申请涉及数据分析技术领域，尤其涉及一种广告资源分配方法、广告资源分配装置、计算机设备及存储介质。
背景技术
随着互联网的快速发展，不同领域业务种类的逐渐丰富，网络广告成为各大网站、搜索引擎及各终端设备、应用程序等的新型盈利方式，其发挥的效用也越来越重要。然而现有的广告资源分配方式，是直接将广告资源按照统一的权重随机分配给用户，导致广告资源分配的效果较差。
发明内容
基于此，有必要针对上述技术问题，提供一种广告资源分配方法，以解决现有的广告资源分配方案存在广告资源分配的效果较差的问题。
本申请实施例的第一方面提供了一种广告资源分配方法，包括：
将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
本申请实施例的第二方面提供了一种广告资源分配装置，包括：
输入模块：用于将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断模块：用于判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
分配模块：用于若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
本申请实施例的第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述广告资源分配方法。
本申请实施例的第四方面提供了一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述广告资源分配方法。
实施本申请实施例提供的一种广告资源分配方法、装置、计算机设备及存储介质，具有以下有益效果：
本申请实施例提供一种广告资源分配方法，由于训练好的用户分类模型包括至少一个基于不同特征维度划分的分类节点，目标归属集合是指训练好的用户分类模型的输出节点，因此将待分类账户的用户特征数据输入至训练好的用户分类模型，通过利用用户特征数据，可以确定出待分类账户的目标归属集合。然后判断目标归属集合是否为目标账户集合，其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，若目标归属集合为目标账户集合，则向目标归属集合中的每个目标账户分配广告资源。通过训练好的用户分类模型和待分类账户的用户特征数据，首先确定出待分类账户所属的目标归属集合，只有当目标归属集合正样本账户的数量占比大于或等于预设比例阈值时，才向待分类账户分配广告资源，增强了广告资源分配的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例中广告资源分配方法的一应用环境示意图；
图2是本申请实施例中广告资源分配方法的实现流程示意图；
图3是本申请另一实施例中广告资源分配方法的实现流程示意图；
图4是本申请实施例提供的一用户分类模型的训练框架示意图；
图5是本申请又一实施例中广告资源分配方法的实现流程示意图；
图6是本申请实施例中广告资源分配装置的结构示意图；
图7是本申请实施例中计算机设备的一示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参阅图1，图1示出了本申请实施例中广告资源分配方法的一应用环境示意图，以本实现方案应用于服务器为例，如图1所示，本申请实施例提供的广告资源分配方法，可应用在如图1的应用环境中，服务器采集在用户终端或用户终端的应用程序中，已注册的待分类账户的用户特征数据，并将该用户特征数据输入预先训练好的用户分类模型，利用该用户特征数据以确定出该待分类用户的目标归属集合，也即待分类账户的最终所属的分类集合。然后服务器对目标归属集合进行判断，判断其是否为目标账户集合，其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合，正样本账户又是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，也即较为活跃的账户，当某一归属集合中的正样本账户的数量占比大于或等于预设比例阈值时，该归属集合即为目标账户集合，目标账户集合也可以称为活跃账户集合。若待分类账户对应的目标归属集合为目标账户集合，服务器可判定待分类账户为目标账户，并向该目标账户分配广告资源。当服务器接收到该目标账户通过用户终端发送的登录请求时，根据该登录请求可以向目标账户所在的用户终端投放广告。其中，用户终端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑，还可以是数字机顶盒等。服务器可以是独立的服务器，或者是由若干台服务器所组成的服务器集群，还可以是云计算服务器等，这里不做限定。
请参阅图2，图2所示为本申请实施例中广告资源分配方法的实现流程图，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S11：将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合。
在步骤S11中，待分类账户可以是用于登录用户终端的账户，还可以是用于登录应用程序的账户，本实施例中对待分类账户的登录对象不做限定。用户特征数据包括但不限于待分类账户对应的用户的年龄、性别、职业。训练好的用户分类模型为一决策树模型，包括N个不同特征维度的分类节点，其中，N取大于1的整数，不同特征维度的分类节点是基于不同的用户特征数据确定的，例如一分类节点为年龄大于30岁的账户集合。目标归属集合是指所述训练好的用户分类模型的输出节点，其中，训练好的用户分类模型可以输出至少一个归属集合，也即至少存在一个输出节点，目标归属集合只是其中一个输出节点。
在本实施例中，将待分类账户的用户特征数据输入至训练好的用户分类模型，使其依次与各个分类节点的用户特征进行匹配，对待分类用户进行分类，最终确定出待分类账户所属的分类集合，也即目标归属集合。
S12：判断所述目标归属集合是否为目标账户集合。
在步骤S12中，目标账户集合是指正样本账户的数量在目标账户集合中总的账户样本的数量中的占比，大于或等于预设比例阈值的归属集合，优选地，预设数量阈值取大于90％的数值，这里不做限定。正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，也是待进行广告资源分配的账户，其中，该账户是指已注册的账户，该登录次数可以是指在预设时间范围内，通过已注册账户登录终端设备的次数，也可以是指在预设时间范围内，通过已注册账户登录某一应用程序的次数，还可以是指在预设时间范围内，通过已注册账户登录某个网页的次数等等，这里对已注册账户登录的对象不作限定。预设时间范围随机取值，可以是指一个月中的某段时间、一周内的某段时间、一天或几天中的某个时段，这里不做限定。优选地，预设数量阈值可以与预设时间范围对应配置，例如，若统计账户在三天内的某个时段总的登录次数，则可将预设数量阈值设置为3次，当账户在三天内的某个时段总的登录次数大于或等于3次时，即判定该账户为正样本账户，当然，预设数量阈值可以根据实际应用场景具体设置，这里不做限定。
在本实施例中，由于正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，预设时间范围是随机的，因此可以将正样本账户作为较为活跃的账户。而目标账户集合是指正样本账户的数量在目标账户集合中总的账户样本的数量中的占比，大于或等于预设比例阈值的归属集合，优选地，预设数量阈值取大于90％的数值，故可以将目标账户集合作为活跃度较高的账户的集合。通过计算目标归属集合中正样本账户的数量，并与预设数量阈值作比较，判断所述目标归属集合是否为目标账户集合，也即判断所述目标归属集合是否为活跃度较高的账户。
作为本申请一实施例，所述判断所述目标归属集合是否为目标账户集合，包括：判断所述目标归属集合中正样本账户的数量占总账户样本数量的比例是否大于预设比例阈值；若所述比例大于所述预设比例阈值，则所述目标归属集合为目标账户集合；否则所述目标归属集合不是目标账户集合。
在本实施例中，由于目标账户集合是指正样本账户的数量在目标账户集合中总的账户样本的数量中的占比，大于或等于预设比例阈值的归属集合，优选地，预设数量阈值取大于90％的数值，因此可以通过判断目标归属集合中正样本账户的数量占总账户样本的数量的比例是否大于预设比例阈值，来判断目标归属集合是否为目标账户集合。具体地，在确定出待分类账户的目标归属集合后，先统计目标归属集合中正样本账户的数量，并计算正样本账户的数量占目标归属集合中总账户样本数量的比例，若该比例大于预设比例阈值，则目标归属集合为目标账户集合；否则目标归属集合不是目标账户集合。
S13：若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
在步骤S13中，目标账户集合包含若干个目标账户，且若为目标账户集合，则会对目标账户集合中的每个目标账户进行广告资源分配。
在本实施例中，若判断出待分类账户所属的目标归属集合为目标账户集合，则可将待分类账户判定为目标账户，并向待分类账户分配广告资源。在实际应用场景中，还可以是统计在预设时间范围内，登录次数小于预设数量阈值的账户，并将这些账户作为负样本账户，对应的目标账户集合可以是指目标账户集合是指正样本账户的数量在目标账户集合中总的账户样本的数量中的占比，小于预设比例阈值的归属集合，相应的若待分类账户的目标归属集合为该目标账户集合时，就不向该待分类账户分配广告资源。
本申请实施例提供一种广告资源分配方法，由于训练好的用户分类模型包括至少一个基于不同特征维度划分的分类节点，目标归属集合是指训练好的用户分类模型的输出节点，因此将待分类账户的用户特征数据输入至训练好的用户分类模型，通过利用用户特征数据，可以确定出待分类账户的目标归属集合。然后判断目标归属集合是否为目标账户集合，其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户，若目标归属集合为目标账户集合，则向目标归属集合中的每个目标账户分配广告资源。通过训练好的用户分类模型和待分类账户的用户特征数据，首先确定出待分类账户所属的目标归属集合，只有当目标归属集合正样本账户的数量占比大于或等于预设比例阈值时，才向待分类账户分配广告资源，增强了广告资源分配的效果。
请参阅图3，图3所示为本申请另一实施例中广告资源分配方法的实现流程示意图，相对于图2所示的本申请实施例中广告资源分配方法的实现流程示意图，本实施例中在步骤S11之前，还包括步骤S21-S22，具体如下：
步骤S21：采集账户样本集合中各个账户样本的用户特征数据，得到特征样本集合。
在步骤S21中，账户样本集合中包括若干账户样本，用户特征数据包括但不限于性别、省份、职业、收入、学校、年龄、学历、血型、星座、联网方式、联网时间、偏好、婚恋情况。
在本实施例中，服务在对用户分类模型进行训练之前，先获取训练样本。其中，训练样本即账户样本集合及账户样本集合中各个账户样本的用户特征数据，根据采集到的用户特征数据，可以得到特征样本集合。
作为本申请一实施例，所述采集所述账户样本集合中各个账户样本的用户特征数据，得到特征样本集合，包括：采集账户样本集合中各个账户样本的用户特征数据；对所述用户特征数据进行二值化处理，得到特征样本集合。
在本实施例中，作为一种实施方式，可以采用数据埋点采集账户样本集合中各个账户样本的用户特征数据，其中，数据埋点是一种常用的数据采集方法，是数据产品经理、数据运营以及数据分析师，基于业务需求或产品需求对用户在应用内产生行为的每一个事件对应的页面和位置植入相关代码，并通过采集工具上报统计数据，以便相关人员追踪用户行为和应用使用情况，推动产品优化或指导运营的一项工程。包括访问数(Visits)，访客数(Visitor)，停留时长(Time On Site)，页面浏览数(Page Views)和跳出率(BounceRate)。这样的信息收集可以大致分为两种：页面统计(track this virtual page view)，统计操作行为(track this button by an event)。在实际应用场景中，也可采用器通数据采集方式采集用户特征数据，这里对数据采集方式不作限定。然后对采集到的用户特征数据进行二值化处理得到特征样本集合。其中，二值化处理是指将数值特征向量转换为布尔类型向量。二值化之后的数据点都是0 或者1，所以叫做二值化。计算方法是，将所有大于threshold的数据都改为1，小于等于threshold的都设为0，经常用于出现某种特征(比如设为1)，或者没有出现某种特征(设为0)的应用场合。本实施例中，对用户特征数据进行二值化处理，更便于后续用户分类模型的训练。
步骤S22：基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型。
在步骤S22中，特征样本集合即二值化处理后的用户特征数据的集合。用户特征数据是指账户样本集合中各个账户样本的用户特征数据。用户分类模型，可以以决策树模型为例，用于根据特征样本集合对账户样本集合进行分类训练，其包括预设的分类策略。预设的分类策略用于对基于特征样本集合中的各个特征样本对账户样本集合进行分类，划分出至少一个归属集合。
在本实施例中，在采集到账户样本集合中各个账户样本的用户特征数据，并对用户特征数据进行二值化预处理，得到账户样本集合对应的特征样本集合之后，将特征样本集合输入用户分类模型，用户分类模型中预设的分类策略，基于特征样本集合与账户样本集合，对用户分类模型进行训练，直至训练完成，得到训练好的用户分类模型。
作为本申请一实施例，所述基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型，包括：通过所述用户分类模型，根据所述特征样本集合对所述账户样本集合进行分类训练，直至得到所述特征样本集合中每个账户样本的归属集合时，所述用户分类模型收敛，得到训练好的用户分类模型；其中，所述归属集合中账户样本的数量大于或等于预设样本数量阈值。
在本实施例中，将特征样本集合输入用户分类模型，通过用户分类模型，根据特征样本集合对所述账户样本集合进行分类训练，具体地，按照预设的分类策略遍历特征样本集合中的每个特征样本，当选用该特征样本作为分类标准时，可以划分出的若干子集合，每个子集合可作为一个分类节点，计算所有子集合的整体基尼系数，选取最小整体基尼系数对应的特征样本作为用户分类模型中一层的用于分类的特征维度(若有多个最小整体基尼系数，则可随机选取一个)，按照预设的分类策略遍历特征样本集合中除用于划分出该子集合的特征样本外其他特征样本，对划分出的若干子集合中的每个子集合再进行划分，每个子集合再次划分出若干子集合，重复上述步骤直至划分出归属集合。其中，在对该归属集合再次进行划分时，因会划分出账户样本数量小于预设样本数量阈值的子集合而停止对其划分，使得归属集合中账户样本的数量大于或等于预设样本数量阈值，并将该归属集合对应的分类节点作为输出节点进行输出并保存。通过上述训练最终输出至少一个归属集合。
作为一示例，请参阅图4，图4所示为本申请实施例提供的一用户分类模型的训练框架示意图，参照图4所示的示例对用户分类模型的训练过程进行描述，具体地，A表示某一账户样本集合，预先采集A中每一账户样本集合的用户特征数据，并对该用户特征数据进行二值化处理，得到特征样本集合。按照预设的分类策略遍历特征A对应的特征样本集合中的每个特征样本，基于每个特征样本分别对A进行划分，可得到a1和a2两个子集合，按照下述公式计算整体子集(a1，a2)总的基尼系数：
1)基尼系数(a1)＝1-(P0^2+P1^2)；
2)基尼系数(a2)＝1-(P0^2+P1^2)；
3)基尼系数(a1+a2)＝(a1/A)x基尼系数(a1)+(a2/A)x基尼系数 (a2)
式1)中P0为标签为0的账户样本在子集合a1中出现的概率，P1为标签为1的账户样本在子集合a1中出现的概率；式2)中P0为标签为0的账户样本在子集合a2中出现的概率，P1为标签为1的账户样本在子集合a2中出现的概率；其中标签为0的账户样本是指在预设时间范围内，登录次数小于预设数量阈值的账户样本，标签为1的账户样本是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户样本。基尼系数(a1+a2)为最小基尼系数；
然后再次按照上述预设的分类策略遍历特征样本集合中除第一层利用的特征样本外其他特征样本，分别对划分出的a1和a2每个子集合进行划分，划分别得到a1_1和a1_2、以及a2_1和a2_2子集合，重复上述步骤直至划分出归属集合，如图4所示的a1_1子集合和a2_1子集合。其中，在对a1_1子集合或a2_1子集合再次进行划分时，因会划分出账户样本数量小于预设样本数量阈值500的子集合而停止对其划分，使得归属集合中账户样本的数量大于或等于预设样本数量阈值500，并将归属集合对应的分类节点作为输出节点进行输出并保存。通过上述训练，训练好的用户分类模型会最终输出若干个归属集合。
请参阅图5，图5所示为本申请又一实施例中广告资源分配方法的实现流程示意图，相对于图3所示的本申请另一实施例中广告资源分配方法的实现流程示意图，本实施例中在步骤S13之后，还包括步骤S31，具体如下：
S31：当接收到所述待分类账户的登录请求时，根据所述登录请求，将所述广告资源发送至所述待分类账户的登录终端进行展示。
在步骤S31中，登录请求可以是目标账户请求登录终端设备，终端设备包括但不限于手机、平板、计算机以及数字机顶盒等，也可以是目标账户请求登录应用程序，还可以是目标账户请求登录某网页等，这里不作限定。
在本实施例中，若判定待分类账户的目标归属集合为目标账户集合，则可以判定该待分类账户为待分配广告资源的目标账户，然后向待分类账户分配广告资源，分配完后，当用户要通过该待分类账户登录终端设备、或者应用程序、或者想要登录某网页等时，会向服务器发送登录请求，服务器接收到该登录请求后，通过对登录请求解析可以确定出该待分类账户，在查询到该待分类账户为目标账户后，会将该对应的广告资源发送给待分类账户所在的登录终端，使得广告资源在登录终端页面、或者应用程序操作页面、或者某网页页面等进行展示。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中，提供一种广告资源分配装置600，该广告资源分配装置与上述实施例中广告资源分配方法一一对应。如图6所示，该广告资源分配装置包括输入模块601、判断模块602以及分配模块603。各功能模块详细说明如下：
输入模块601：用于将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断模块602：用于判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
分配模块603：用于若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
其中，在所述输入模块601之前，还包括：
采集模块：用于采集账户样本集合中各个账户样本的用户特征数据，得到特征样本集合；
训练模块：用于基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型。
关于广告资源分配装置的具体限定可以参见上文中对于广告资源分配方法的限定，在此不再赘述。上述广告资源分配装置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7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可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储广告资源分配方法所涉及的数据。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。该计算机可读指令被处理器执行时以实现一种广告资源分配方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
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终端，其内部结构图可以如图7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、显示屏和输入装置。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可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种广告资源分配方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
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可读指令，处理器执行计算机可读指令时实现以下步骤：
将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
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，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种广告资源分配方法，其特征在于，包括：
将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
2.如权利要求1所述的广告资源分配方法，其特征在于，在所述将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合的步骤之前，还包括：
采集账户样本集合中各个账户样本的用户特征数据，得到特征样本集合；
基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型。
3.如权利要求2所述的广告资源分配方法，其特征在于，所述采集账户样本集合中各个账户样本的用户特征数据，得到特征样本集合，包括：
采集所述账户样本集合中各个账户样本的用户特征数据；
对所述用户特征数据进行二值化处理，得到特征样本集合。
4.如权利要求3所述的广告资源分配方法，其特征在于，所述基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型，包括：
通过所述用户分类模型，根据所述特征样本集合对所述账户样本集合进行分类训练，直至得到所述特征样本集合中每个账户样本的归属集合时，所述用户分类模型收敛，得到训练好的用户分类模型；其中，所述归属集合中账户样本的数量大于或等于预设样本数量阈值。
5.如权利要求1所述的广告资源分配方法，其特征在于，所述判断所述目标归属集合是否为目标账户集合，包括：
判断所述目标归属集合中正样本账户的数量占总账户样本数量的比例是否大于预设比例阈值；
若所述比例大于所述预设比例阈值，则所述目标归属集合为目标账户集合；否则所述目标归属集合不是目标账户集合。
6.如权利要求1所述的广告资源分配方法，其特征在于，在若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源的步骤之后，还包括：
当接收到所述待分类账户的登录请求时，根据所述登录请求，将所述广告资源发送至所述待分类账户的登录终端进行展示。
7.一种广告资源分配装置，其特征在于，包括：
输入模块：用于将待分类账户的用户特征数据输入至训练好的用户分类模型，确定出所述待分类账户的目标归属集合；其中，所述训练好的用户分类模型包括N个不同特征维度的分类节点，N取大于1的整数；所述目标归属集合是指所述训练好的用户分类模型的输出节点；
判断模块：用于判断所述目标归属集合是否为目标账户集合；其中，目标账户集合为正样本账户的数量占比大于或等于预设比例阈值的归属集合；所述正样本账户是指在预设时间范围内，登录次数大于或等于预设数量阈值的账户；
分配模块：用于若所述目标归属集合为所述目标账户集合，则向所述待分类账户分配广告资源。
8.如权利要求7所述的广告资源分配装置，其特征在于，在所述输入模块之前，还包括：
采集模块：用于采集账户样本集合中各个账户样本的用户特征数据，得到特征样本集合；
训练模块：用于基于所述特征样本集合与所述账户样本集合，对用户分类模型进行训练，得到训练好的用户分类模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时以实现权利要求1-6任意一项所述的广告资源分配方法。
10.一个或多个可读存储介质，所述可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1-6任意一项所述的广告资源分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210009959.6A CN116452266A (zh) | 2022-01-05 | 2022-01-05 | 广告资源分配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210009959.6A CN116452266A (zh) | 2022-01-05 | 2022-01-05 | 广告资源分配方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452266A true CN116452266A (zh) | 2023-07-18 |
Family
ID=87134259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210009959.6A Pending CN116452266A (zh) | 2022-01-05 | 2022-01-05 | 广告资源分配方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452266A (zh) |
-
2022
- 2022-01-05 CN CN202210009959.6A patent/CN116452266A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109787908B (zh) | 服务器限流方法、系统、计算机设备及存储介质 | |
| US20210360322A1 (en) | Methods and apparatus to categorize media impressions by age | |
| CN109684052B (zh) | 事务分析方法、装置、设备及存储介质 | |
| CN111309614A (zh) | A/b测试方法、装置及电子设备 | |
| CN111148018B (zh) | 基于通信数据识别定位区域价值的方法和装置 | |
| CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
| CN113379301A (zh) | 通过决策树模型对用户进行分类的方法、装置和设备 | |
| CN116308824A (zh) | 基于知识图谱的团伙欺诈风险识别方法及相关设备 | |
| CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
| CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
| CN115115004A (zh) | 决策树模型构建及应用方法、装置和相关设备 | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN116452266A (zh) | 广告资源分配方法、装置、计算机设备及存储介质 | |
| CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
| CN111448551A (zh) | 跟踪来自远程设备的应用活动数据并生成用于远程设备的校正动作数据结构的方法和系统 | |
| US20220091818A1 (en) | Data feature processing method and data feature processing apparatus | |
| CN114897426A (zh) | 分案信息处理方法、装置、计算机设备及存储介质 | |
| CN110020166A (zh) | 一种数据分析方法及相关设备 | |
| CN114065045A (zh) | 标签管理的方法、装置、设备以及存储介质 | |
| CN114048512A (zh) | 一种处理敏感数据的方法及装置 | |
| CN115129964A (zh) | 推送待推荐内容项的方法、推送系统、电子设备 | |
| CN110705736A (zh) | 宏观经济预测方法、装置、计算机设备及存储介质 | |
| CN116431366B (zh) | 行为路径分析方法、系统、存储端、服务端及客户端 | |
| CN115208831B (zh) | 请求处理方法、装置、设备及存储介质 | |
| CN112131607B (zh) | 资源数据处理方法、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 |