CN116485468A - 一种信息推送的方法以及相关装置 - Google Patents
一种信息推送的方法以及相关装置 Download PDFInfo
- Publication number
- CN116485468A CN116485468A CN202210031731.7A CN202210031731A CN116485468A CN 116485468 A CN116485468 A CN 116485468A CN 202210031731 A CN202210031731 A CN 202210031731A CN 116485468 A CN116485468 A CN 116485468A
- Authority
- CN
- China
- Prior art keywords
- advertisements
- advertisement
- information
- conversion rate
- predicted value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims abstract description 268
- 238000012163 sequencing technique Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 28
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0254—Targeted advertisements based on statistics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于人工智能技术的信息推送的方法,该方法适用于网站的在线广告投放,例如,在搜索引擎上、信息流产品中、视频网站上以及电视中进行广告投放等。本申请可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。信息推送装置根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。可以有效提升广告排序的精确程度,进而提升信息推送效果,使得广告的投放更加精准地触及人群,实现更加节约成本和更加高效的营销。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种信息推送的方法以及相关装置。
背景技术
随着数字媒体技术的飞速发展,各种形式的广告可以通过数字媒体触达用户,对企业来说,广告可以触达潜在用户而获得即时或未来的收益。因此,企业不断提高在广告方面的投入,但是如何更好地将所投入的广告转化变现是一个值得深究的问题。
目前,信息推送系统中收到目标用户的请求后,从候选的多个广告中选择合适的广告投放给该目标用户。信息推送系统根据该目标用户对各个广告的点击率预估结果,对多个广告进行排序,并确定所投放的广告。
然而上述方案,存在信息推送效果较差,广告排序不够精确的缺陷。
发明内容
本申请提供了一种基于人工智能(Artificial Intelligence,AI)技术的信息推送的方法,该方法适用于网站的在线广告投放,例如,在搜索引擎上、信息流产品中、视频网站上以及电视中进行广告投放等。当信息推送装置获取目标用户的目标对象特征信息和多个广告的广告场景特征信息后,可以根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。综合点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,可以有效提升广告排序的精确程度,进而提升信息推送效果,使得广告的投放更加精准地触及人群,实现更加节约成本和更加高效的营销。
有鉴于此,本申请一方面提供一种信息推送的方法,包括:
获取目标用户的目标对象特征信息和多个广告的广告场景特征信息,其中,目标对象特征信息和广告场景特征信息用于确定针对目标用户的多个广告的排序;
根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值,其中,点击率预估值指示目标用户对多个广告中每个广告的点击率,浅层转化率预估值指示目标用户对多个广告中每个广告的浅层转化率,深层转化率预估值指示目标用户对多个广告中每个广告的深层转化率;
根据点击率预估值、浅层转化率预估值和深层转化率预估值,对多个广告进行排序,得到多个广告的排序结果;
根据多个广告的排序结果,确定向目标用户推送的目标广告
本申请另一方面提供一种信息推送装置,包括:
收发模块,用于获取目标用户的目标对象特征信息和多个广告的广告场景特征信息,其中,目标对象特征信息和广告场景特征信息用于确定针对目标用户的多个广告的排序;
处理模块,用于根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值,其中,点击率预估值指示目标用户对多个广告中每个广告的点击率,浅层转化率预估值指示目标用户对多个广告中每个广告的浅层转化率,深层转化率预估值指示目标用户对多个广告中每个广告的深层转化率;
处理模块,还用于根据点击率预估值、浅层转化率预估值和深层转化率预估值,对多个广告进行排序,得到多个广告的排序结果;
处理模块,还用于根据多个广告的排序结果,确定向目标用户推送的目标广告
在一种可能的实现方式中,
处理模块,还用于当多个广告中广告的目标设置为浅层转化目标或者深层转化目标,根据广告的点击率预估值、广告的浅层转化率预估值和广告的目标广告出价,计算得到广告的得分;
处理模块,还用于根据多个广告中各个广告的得分,依照得分的高低次序对多个广告排序,得到多个广告的排序结果,其中,排序最高的广告的得分最高。
在一种可能的实现方式中,
处理模块,还用于当多个广告中广告的目标设置为浅层转化目标和深层转化目标,且广告的深层转化率预估值小于广告的浅层转化率预估值,则根据广告的点击率预估值、广告的浅层转化率预估值和广告的浅层转化目标广告出价,计算得到广告的得分;
处理模块,还用于当多个广告中广告的目标设置为浅层转化目标和深层转化目标,且广告的深层转化率预估值大于或等于广告的浅层转化率预估值,则根据广告的点击率预估值、广告的深层转化率预估值和广告的深层转化目标广告出价,计算得到广告的得分;
处理模块,还用于根据多个广告中各个广告的得分,依照得分的高低次序对多个广告排序,得到多个广告的排序结果,其中,排序最高的广告的得分最高。
在一种可能的实现方式中,
处理模块,还用于将目标用户的目标对象特征信息和多个广告的广告场景特征信息设置为第一神经网络的输入参数;
处理模块,还用于使用第一神经网络进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。
在一种可能的实现方式中,
第一神经网络包括:第一模型、第二模型和第三模型;
第一模型的输入参数包括第一训练信息,第一训练信息包括以下信息的一项或多项:广告场景特征信息,资讯场景特征信息和目标对象特征信息;
第二模型的输入参数包括第二训练信息,第二训练信息包括以下一项或多项:广告曝光序列信息、广告点击序列信息或者广告转化序列信息;
第三模型的输入参数包括第三训练信息,第三训练信息包括以下一项或多项:资讯阅读序列、资讯收藏序列或者资讯播放序列;
第一模型的输出参数、第二模型的输出参数和第三模型的输出参数作为第一神经网络中多层感知机MLP层的输入参数;
MLP层的输出参数包括:点击率预估值、浅层转化率预估值和深层转化率预估值。
在一种可能的实现方式中,
第二模型的输出参数包括:第二训练向量,第二训练向量为第二模型根据第二训练信息提取的第二特征向量序列,和第二特征向量序列中每个特征向量对应的权重求和得到;
第三模型的输出参数包括:第三训练向量,第三训练向量为第三模型根据第三训练信息提取得到的第三特征向量序列,和第三特征向量序列中每个特征向量对应的权重求和得到。
在一种可能的实现方式中,
广告场景特征信息包括以下信息的至少一项:广告语义特征信息、广告图像特征信息、广告点击信息、广告标识信息或者广告转化率信息;
资讯场景特征信息包括以下信息的至少一项:资讯阅读信息、资讯收藏信息或者资讯播放信息;
目标对象特征信息包括以下信息的至少一项:用户身份特征信息、用户属地特征信息或者目标对象行为特征信息。
本申请另一方面提供一种计算机设备,包括:存储器、处理器以及总线系统;
其中,存储器用于存储程序;
处理器用于执行存储器中的程序,处理器用于根据程序代码中的指令执行上述各方面的方法;
总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信。
本申请的另一方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
本申请的另一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方面所提供的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
当获取目标用户的目标对象特征信息和多个广告的广告场景特征信息后,可以根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。综合点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,可以有效提升广告排序的精确程度,进而提升信息推送效果。
附图说明
图1为本申请实施例中浅层转化至深层转化的一个漏斗式示意图;
图2为本申请实施例中浅层转化至深层转化的一个链式示意图;
图3为本申请实施例中信息推送系统的一个交互环境示意图;
图4为本申请实施例提出的一种信息推送方法的实施例示意图;
图5为本申请实施例提出的一种信息推送方法的又一种实施例示意图;
图6为本申请实施例中涉及的第一神经网络的结构示意图;
图7为本申请实施例提出的第一模型的结构示意图;
图8为本申请实施例提出的第二模型的结构示意图;
图9为本申请实施例提出的第三模型的结构示意图;
图10为本申请实施例提出的一种信息推送装置的结构示意图;
图11是本申请实施例提供的一种服务器结构示意图;
图12是本申请实施例提供的一种终端设备结构示意图。
具体实施方式
本申请实施例提供了一种基于人工智能(Artificial Intelligence,AI)技术的信息推送的方法,该方法适用于网站的在线广告投放,例如,在搜索引擎上、信息流产品中、视频网站上以及电视中进行广告投放等。当信息推送装置获取目标用户的目标对象特征信息和多个广告的广告场景特征信息后,可以根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。综合点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,可以有效提升广告排序的精确程度,进而提升信息推送效果,使得广告的投放更加精准地触及人群,实现更加节约成本和更加高效的营销。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请涉及到较多的专业术语,为了更好地理解本申请,下面将分别对这些专业术语进行介绍。
1、浅层转化和深层转化:请结合图1和图2进行理解,请参阅图1,图1为本申请实施例中浅层转化至深层转化的一个漏斗式示意图,如图所示,靠近漏斗上端的为浅层转化,其特点是转化行为数据量充足,回流及时。浅层转化具有多种浅层转化类型,例如,点击、激活以及表单预约等。靠近漏斗下端的为深层转化,其特点是转化行为数据量稀疏,回流较慢。深层转化具有多种深层转化类型,例如,付费、申请以及网页咨询等。
请参阅图2,图2为本申请实施例中浅层转化至深层转化的一个链式示意图,如图所示,在转化链路上靠前的为浅层转化,靠后的为深层转化,例如,激活应用以及在应用中下单都属于浅层转化,而在应用中付费属于深层转化。
本申请提出了一种信息推送的方法,该方法应用于图3所示的信息推送系统,请参阅图3,图3为本申请实施例中信息推送系统的一个交互环境示意图,如图所示,信息推送系统包括终端设备以及服务器,用户通过终端设备观看广告,并通过终端设备触发相关的操作,例如,点击、下载、安装、激活、下单以及付费等,终端设备将一段时间内(或即时)的操作信息上报至服务器,由服务器基于采集到的操作信息进行统计和计算,根据计算结果决定广告的排序,再将新的排序结果推送至终端设备,于是用户可通过终端设备观看到排序变化后的广告。至此,完成一轮广告排序的更新。
在在线广告系统中,终端设备会即时向服务器反馈用户的操作信息,服务器将根据操作信息实时调整广告排序,从而达到在线调整广告排序的目的。
在离线广告系统中,服务器采集一段时间内的用户操作信息,然后根据操作信息调整广告排序,从而达到离线调整广告排序的目的。
需要说明的是,图3所示的终端设备和服务器的数量和类型仅为一个示意,在实际应用中,终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机、语音交互设备及个人电脑(personal computer,PC)。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network,CDN)、以及大数据和AI平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
由于广告内容和广告数量非常庞大,在实际应用中,本申请提供的广告投放方法可以采用云技术(cloud technology)实现对大量广告的计算和排序。具体地,云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为基础设施即服务(infrastructure as a service,IaaS)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备和网络设备。按照逻辑功能划分,在IaaS层上可以部署平台即服务(platform as a service,PaaS)层,在PaaS层之上再部署软件即服务(software as aservice,SaaS)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
进一步地,信息推送系统还可以为广告主提供AI云服务(AI as a service,AIaaS),这是目前主流的一种AI平台的服务方式,具体来说AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城,所有的开发者都可以通过应用程序接口(application programming interface,API)的方式来接入使用平台提供的一种或者是多种AI服务,部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云AI服务。
目前,信息推送系统中收到目标用户的请求后,从候选的多个广告中选择合适的广告投放给该目标用户。信息推送系统根据该目标用户对各个广告的点击率预估结果,对多个广告进行排序,并确定所投放的广告。然而上述方案,存在信息推送效果较差,广告排序不够精确的缺陷。
基于此,本申请提出一种信息推送方法,当获取目标用户的目标对象特征信息和多个广告的广告场景特征信息后,可以根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。综合点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,可以有效提升广告排序的精确程度,进而提升信息推送效果。
具体的,本申请提出的信息推送方法由信息推送装置实现。该信息推送装置可以运行于终端设备中,该信息推送装置也可以运行于服务器,该信息推送装置还可以分别部署于终端设备和服务器,本申请对此不作限制。请参阅图4,图4为本申请实施例提出的一种信息推送方法的实施例示意图。本申请实施例提出的一种信息推送方法,包括:
401、信息推送装置获取目标用户的目标对象特征信息和多个广告的广告场景特征信息。
本实施例中,信息推送装置获取目标用户的目标对象特征信息和多个广告的广告场景特征信息。示例性的,目标对象特征信息包括以下信息的至少一项:用户身份特征信息、用户属地特征信息或者目标对象行为特征信息。例如表1所示:
表1
广告场景特征信息包括以下信息的至少一项:广告语义特征信息、广告图像特征信息、广告点击信息、广告标识信息或者广告转化率信息。例如表2所示:
表2
可选的,从数据源获取广告语义特征信息。数据源可以包括外部数据源和/或内部数据源。外部数据源也可称为互联网数据源,可以从互联网中抓取文本数据作为训练语料,如一些百科网站上的数据、一些新闻网站上的数据,或者一些较大型或权威的门户网站上的数据,本申请对此不作限定。内部数据源是指业务方自身所拥有的数据。假设业务方是视频业务提供方,那么可以从内部数据源中获取视频相关的文本数据作为训练语料,包括但不限于视频标题、视频光学字符识别(optical character recognition,OCR)或自动语音识别(automatic speech recognition,ASR)识别的文本、评论、贴子等。
可选的,目标语言为中文。在目标语言为中文的情况下,上述从数据源获取广告语义特征信息,可以是简体中文的广告语义特征信息,也可以是繁体中文的广告语义特征信息,还可以同时包括简体中文和繁体中文的广告语义特征信息。
可选的,在待识别图像中包括图片的情况下,可以提取对应的图像特征向量,图像特征向量包括基础特征向量,该基础特征向量用于表示普通图片的尺寸信息。
402、信息推送装置根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。
本实施例中,信息推送装置根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。
点击率预估值指的是用户对该多个广告中每个广告的点击率的预估值。例如:多个广告包括:广告A、广告B和广告C。用户A对广告A的点击率预估值为:10次。用户A对广告B的点击率预估值为:5次。用户A对广告C的点击率预估值为:3次。
可选的,点击率预估值还可以指一段时间内某个用户对该多个广告中每个广告的点击率预估值。例如:多个广告包括:广告A、广告B和广告C。用户A对广告A的点击率预估值为:24小时内点击10次。用户A对广告B的点击率预估值为:24小时内点击5次。用户A对广告C的点击率预估值为:24小时内点击3次。
浅层转化率预估值指的是用户对该多个广告中每个广告的浅层转化率预估值。例如:多个广告包括:广告A、广告B和广告C。用户A对广告A的浅层转化率预估值为:15%。用户A对广告B的浅层转化率预估值为:35%。用户A对广告C的浅层转化率预估值为:3%。
以广告A对应应用程序A(APP A)为例,则用户A对广告A的浅层转化率预估值可以是用户A通过广告A点击下载该应用程序A的预估值。
深层转化率预估值指的是用户对该多个广告中每个广告的深层转化率预估值。例如:多个广告包括:广告A、广告B和广告C。用户A对广告A的深层转化率预估值为:7%。用户A对广告B的深层转化率预估值为:13%。用户A对广告C的深层转化率预估值为:1%。
以广告A对应应用程序A(APP A)为例,则用户A对广告A的深层转化率预估值可以是用户A通过广告A为该应用程序A付费的预估值。
一种可能的实现方式为:信息推送装置使用神经网络并根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。本申请中,将该神经网络称为第一神经网络,关于第一神经网络的描述请参阅后续实施例。
另一种可能的实现方式中,信息推送装置使用神经网络并根据目标用户的目标对象特征信息、多个广告的广告场景特征信息和其它训练信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。该其它训练信息包括但不限于:资讯场景特征信息。例如:资讯场景特征信息包括以下一项或多项:资讯阅读信息、资讯收藏信息或者资讯播放序列。
资讯阅读信息可以是用户在一段时间内所阅读的新闻、文章、应用程序的推送信息、其它文本信息、图片信息或者音频信息等。
资讯收藏信息可以是用户在一段时间内所收藏(摘抄或者记录)的新闻、文章、应用程序的推送信息、其它文本信息、图片信息、流媒体信息或者音频信息等。
资讯播放信息可以是用户在一段时间内所点击播放的流媒体信息。具体可以是用户所点击播放的流媒体的播放次数、播放时长、用户对该流媒体的点赞率、或者完播率等。
需要说明的是,本申请实施例对该其它训练信息不作限制。
403、信息推送装置根据点击率预估值、浅层转化率预估值和深层转化率预估值,对多个广告进行排序,得到多个广告的排序结果。
本实施例中,信息推送装置根据点击率预估值、浅层转化率预估值和深层转化率预估值,对多个广告进行排序,得到多个广告的排序结果。
一种可能的实现方式中,信息推送装置针对点击率预估值、浅层转化率预估值和深层转化率预估值分别设置不同的权重。然后,信息推送装置根据多个预估值的权重对上述点击率预估值、浅层转化率预估值和深层转化率预估值进行加权处理,并根据加权结果对多个广告进行排序,得到多个广告的排序结果。
在另一种可能的实现方式中,信息推送装置将点击率预估值、浅层转化率预估值和深层转化率预估值作为判断依据,然后基于该判断依据计算多个广告的得分。然后根据该多个广告的得分对多个广告进行排序,得到多个广告的排序结果。具体请参阅后续实施例。
404、信息推送装置根据多个广告的排序结果,确定向目标用户推送目标广告。
本实施例中,信息推送装置根据多个广告的排序结果,确定向目标用户推送目标广告。具体的,该目标广告可以是一个广告也可以是多个广告。当该目标广告为多个广告时,信息推送装置可以按照多个广告的排序结果,按照顺序向用户推送该多个广告。
例如:多个广告包括:广告A、广告B、广告C和广告D。信息推送装置所确定的多个广告的排序结果为:广告D、广告B、广告A和广告C。目标广告为一个广告时,则信息推送装置向目标用户推送的目标广告为广告D。当目标广告为3个广告时,则信息推送装置向目标用户推送的目标广告为:广告D、广告B和广告A。
本申请实施例中,当获取目标用户的目标对象特征信息和多个广告的广告场景特征信息后,可以根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。然后,根据点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,并根据该排序结果确定向目标用户推送的目标广告。综合点击率预估值、浅层转化率预估值和深层转化率预估值确定多个广告的排序结果,可以有效提升广告排序的精确程度,进而提升信息推送效果。
结合上述实施例,请参阅图5,图5为本申请实施例提出的一种信息推送方法的又一种实施例示意图。本申请实施例提出的一种信息推送方法,具体包括:
501、信息推送装置检测多个广告中广告的目标。
本实施例中,信息推送装置检测多个广告中广告的目标。该目标指的是:浅层转化目标和深层转化目标。
具体的,浅层转化目标指的是该广告的转化目标设置为浅层转化。深层转化目标指的是该广告的转化目标设置为深层转化。信息推送装置根据广告的目标,确定计算该广告得分的方法。
当广告的目标设置为浅层转化目标或者深层转化目标时,进入步骤502;当广告的目标设置为浅层转化目标和深层转化目标时,进入步骤503。
502、当广告的目标设置为浅层转化目标或者深层转化目标时,信息推送装置根据该广告的点击率预估值、该广告的浅层转化率预估值和该广告的目标广告出价,计算得到该广告的得分。
本实施例中,当广告的目标设置为浅层转化目标或者深层转化目标时,信息推送装置根据该广告的点击率预估值、该广告的浅层转化率预估值和该广告的目标广告出价,计算得到该广告的得分。为了便于说明,本申请实施例中,将该广告的得分设为ecpm,该广告的点击率预估值设为ectr,将该广告的浅层转化率预估值设为ecvr1,将该广告的深层转化率预估值设为ecvr2,该广告的目标广告出价设为bid。
一种可能的实现方式为:ecpm=ectr*ecvr1*bid。
可以理解的是,本申请还可以采用其它方式计算得到该广告的得分,本申请对此不作限制。例如:ecpm=Q*ectr*ecvr1*bid,其中Q为不等于0的系数。
503、当广告的目标设置为浅层转化目标和深层转化目标时,信息推送装置检测该广告的深层转化率预估值是否小于该广告的浅层转化率预估值。
本实施例中,当广告的目标设置为浅层转化目标和深层转化目标时,信息推送装置首先检测该广告的深层转化率预估值是否小于该广告的浅层转化率预估值。本申请中,设该广告的深层转化率预估值为ecvr2。
若该广告的深层转化率预估值小于该广告的浅层转化率预估值(ecvr1>ecvr2),则进入步骤504;若该广告的深层转化率预估值大于或等于该广告的浅层转化率预估值(ecvr1≧ecvr2),则进入步骤505。
504、当广告的深层转化率预估值小于广告的浅层转化率预估值,则信息推送装置根据该广告的点击率预估值、该广告的浅层转化率预估值和该广告的浅层转化目标广告出价,计算得到该广告的得分。
本实施例中,当广告的深层转化率预估值小于广告的浅层转化率预估值,则信息推送装置根据该广告的点击率预估值、该广告的浅层转化率预估值和该广告的浅层转化目标广告出价,计算得到该广告的得分。该广告的浅层转化目标广告出价设为bid1。
一种可能的实现方式为:ecpm=ectr*ecvr1*bid1。
可以理解的是,本申请还可以采用其它方式计算得到该广告的得分,本申请对此不作限制。例如:ecpm=Q*ectr*ecvr1*bid1,其中Q为不等于0的系数。
505、当广告的深层转化率预估值大于或等于广告的浅层转化率预估值,则信息推送装置根据该广告的点击率预估值、该广告的深层转化率预估值和该广告的深层转化目标广告出价,计算得到该广告的得分。
本实施例中,当广告的深层转化率预估值大于或等于广告的浅层转化率预估值,则信息推送装置根据该广告的点击率预估值、该广告的深层转化率预估值和该广告的深层转化目标广告出价,计算得到该广告的得分。该广告的深层转化目标广告出价设为bid2。
一种可能的实现方式为:ecpm=ectr*ecvr2*bid2。
可以理解的是,本申请还可以采用其它方式计算得到该广告的得分,本申请对此不作限制。例如:ecpm=Q*ectr*ecvr2*bid2,其中Q为不等于0的系数。
506、信息推送装置根据多个广告中各个广告的得分,依照得分的高低次序对多个广告排序,得到多个广告的排序结果。
本实施例中,信息推送装置计算得到多个广告中各个广告的得分后,依照得分的高低次序对多个广告排序,得到多个广告的排序结果。
示例性的,多个广告包括:广告A、广告B、广告C和广告D。信息推送装置计算该多个广告的得分如下:广告A:80分、广告B:60分、广告C:55分和广告D:90分。则根据该多个广告的得分,依照得分的高低次序对多个广告进行排序,该多个广告的排序结果为:广告D、广告A、广告B和广告C。
进一步的,信息推送装置可以向目标用户推送得分最高的广告,例如:向目标用户推送广告D。
本申请实施例中,基于广告的目标,使用不同的方法计算广告的得分。以提升多个广告的排序结果的准确性。
结合上述实施例,本申请实施例中信息推送装置可以使用第一神经网络预测得到点击率预估值、浅层转化率预估值和深层转化率预估值。下面结合附图对第一神经网络进行说明。请参阅图6,图6为本申请实施例中涉及的第一神经网络的结构示意图。第一神经网络包括第一模型、第二模型和第三模型,其中,第一模型的输入包括第一训练信息,第一模型的输入还包括第二模型的输出和第三模型的输出。
具体的,第一训练信息包括以下信息的一项或多项:广告场景特征信息、资讯场景特征信息和目标对象特征信息。第二训练信息包括以下信息的一项或多项:广告曝光序列信息、广告点击序列信息或者广告转化序列信息。第三训练信息包括以下信息的一项或多项:资讯阅读序列、资讯收藏序列或者资讯播放序列。
广告曝光序列信息例如是该用户在一段时间内所查看(或浏览)的所有广告,这些广告按照时间顺序排列,称为广告曝光序列信息。
广告点击序列信息例如是该用户在一段时间内点击的所有广告,这些广告按照时间顺序排序,称为广告点击序列信息。
广告转化序列信息例如是该用户一段时间内对多个广告的浅层转化结果和/或该用户一段时间内对多个广告的深层转化结果,然后对上述浅层转化结果和/或深层转化结果按照时间顺序进行排序,得到的一组序列称为广告转化序列信息。
资讯阅读序列例如是该用户在一段时间内所查看(或浏览)的所有资讯,这些资讯按照时间顺序排列,称为资讯阅读序列。本申请实施例中,资讯包括但不限于:新闻、文章、链接、流媒体或者其它小程序。
资讯收藏序列例如是该用户在一段时间内收藏的所有资讯,这些资讯按照时间顺序排序,称为资讯收藏序列。
资讯播放序列例如是该用户一段时间内播放的所有资讯,然后对上述资讯按照时间顺序进行排序,得到的一组序列称为资讯播放序列。
在另一种可能的实现方式中,第一神经网络可以仅包括第一模型。或者第一神经网络仅包括第一模型和第二模型。又或者,第一神经网络仅包括第一模型和第三模型,本申请实施例对此不作限制。
本申请实施例中,可以采用多种训练信息训练第一神经网络,以提升点击率预估值、浅层转化率预估值和深层转化率预估值的准确性。
下面对第一神经网络中包括的第一模型、第二模型和第三模型分别进行说明。可以理解的是,第一神经网络中可以仅包括第一模型。第一神经网络中也可以包括第一模型和第二模型。第一神经网络中还可以包括第一模型、第二模型和第三模型。
当第一神经网络同时包括第一模型、第二模型和第三模型时,可以有效提升第一神经网络的输出结果(该输出结果包括:点击率预估值、浅层转化率预估值和深层转化率预估值)的精度。进而提升广告排序的精确程度,提升信息推送效果。
请参阅图7,图7为本申请实施例提出的第一模型的结构示意图。第一模型,具体包括:多个嵌入(embedding)层、多个多层感知机(multilayer perceptron,MLP),专家(expert)网络和门(gate)网络。门网络又称为门控网络。
嵌入(embedding)层用于将高维特征映射到低维特征。例如:以对广告标识的处理为例,使用哈希(hash)函数转换该广告标识,该广告标识作为hash函数的输入值,hash函数的输出值为hash(id)。该hash(id)作为键(key)。该广告标识在嵌入层的输出结果称为该广告标识的嵌入值,该嵌入值作为值(value)。在第一神经网络中,以嵌入值查询表(embedding table)分别存储上述hash(id)和对应的嵌入值,该hash(id)和对应的嵌入值可以视为一组键值对。对第一神经网络进行训练前,初始化所有的嵌入值(取值在0~1之间)。在第一神经网络进行训练的过程中,根据反向梯度更新嵌入值查询表中的值。
示例性的,图7示意的第一神经网络中包括多个嵌入层:嵌入层#1、嵌入层#2和嵌入层#3,其中,嵌入层#1的输入为广告场景特征信息、嵌入层#2的输入为目标对象特征信息,嵌入层#3的输入为资讯场景特征信息。上述嵌入层的输出指向多层感知机层#1。
多层感知机是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上。
示例性的,图7示意的第一神经网络中包括多个多层感知机:多层感知机#1、多层感知机#2、多层感知机#3、多层感知机#4和多层感知机#5。其中,多层感知机#1用于接收来自嵌入层#1、嵌入层#2和嵌入层#3的输出,多层感知机#1的输出指向专家网络#1和专家网络#2。多层感知机#2的输入包括门网络的输出、第二模型的输出(第二训练向量)和第三模型的输出(第三训练向量)。多层感知机#2的输出包括多层感知机#3、多层感知机#4和多层感知机#5。其中,多层感知机#3的输出可以是点击率预估值、多层感知机#4的输出可以是浅层转化率预估值,多层感知机#5的输出可以是深层转化率预估值。
第一神经网络中定义多个专家网络,例如Expert#1和Expert#2分别为全连接的神经网络,该专家网络使用线性激活函数(Relu)。每一个专家网络在第一神经网络中进行自适应的学习。再通过门控网络的机制,通过这种门控Gate来学习每个目标对每一个专家网络组的权重关系,实现底层特征的信息共享。假设第i个专家网络的输出为fi(x),i为正整数。
门网络又称为门控网络,在第一神经网络中分别针对广告场景和资讯场景设置对应的门网络。门网络用于将输入的数据线性变换后映射到多维,然后基于多维的数据进行softmax处理,得到每个专家网络所对应的权重其中/>表示第i个门控网络的权重。
则第i个门控网络的输出为:
进一步的,对于第一模型中多个门控网络的输出为:
N为正整数。
请参阅图8,图8为本申请实施例提出的第二模型的结构示意图。第二模型,具体包括:嵌入层、注意力(attention)层和求和池化层(sum-pooling)。其中,第二模型的输出参数包括:第二训练向量,第二训练向量为第二模型根据第二训练信息提取的第二特征向量序列,和第二特征向量序列中每个特征向量对应的权重求和得到。
具体的,嵌入层根据广告曝光序列、广告点击序列和\或广告转化序列中的一项或多项,生成第二特征向量序列。注意力层对嵌入层的输出嵌入值进行自注意力(self-attention)处理,计算得到第二训练向量。
示例性的,注意力层中的处理如下;令[f1,f2…,fN]表示序列特征的嵌入值,假设总共有N个序列,N为正整数,其中,fk表示上述序列中第k个特征的嵌入值:
Q=K=V=[fk];
计算的self-attention权重得分Wi为:
则最终的输出向量E为:
针对第二模型,则第二特征向量序列为[f1,f2…,fN],Wk为第二特征向量序列中每个特征向量对应的权重。最终的输出向量为第二训练向量,该第二训练向量设为Ead。
请参阅图9,图9为本申请实施例提出的第三模型的结构示意图。第三模型,具体包括:嵌入层、注意力(attention)层和求和池化层(sum-pooling)。第三模型的输出参数包括:第三训练向量,第三训练向量为第三模型根据第三训练信息提取得到的第三特征向量序列,和第三特征向量序列中每个特征向量对应的权重求和得到。
与第二模型类似,针对第三模型,则第三特征向量序列为[f1,f2…,fN],Wk为第三特征向量序列中每个特征向量对应的权重。最终的输出向量为第三训练向量,为了便于区分,该第三训练向量设为Enews。
多层感知机MLP层#2将第一模型的输出(即第一模型中多个门网络的输出Emain)、第二网络的输出Ead和第三网络的输出Enews进行拼接,得到输出值:E=concat(Emain,Ead,Enews)。
下面,针对第一神经网络中各个模型的损失函数进行说明。由于第一神经网络的训练目的是为了拟合点击率预估值、浅层转化率预估值和深层转化率预估值,因此针对上述三种预估值,分别设置对应的训练任务。每个训练任务分别存在对应的损失函数。
具体如下:点击率预估值对应点击率预估任务,点击率预估任务对应的模型称为预估点击率模型,令θCTR为预估点击率模型参数,点击率预估值ectr=f(xi;θCTR);
浅层转化率预估值对应浅层转化率预估任务,浅层转化率预估任务对应的模型称为预估浅层转化率模型,令为预估浅层转化率模型参数,浅层转化率预估值/>
深层转化率预估值对应深层转化率预估任务,深层转化率预估任务对应的模型称为预估深层转化率模型,令为预估深层转化率模型参数,深层转化率预估值/>
针对上述三种训练任务的训练样本如下:y1为发生过点击行为的样本,例如点击某个广告。y2为发生过浅层转化行为的样本,例如点击某个广告后,下载该广告对应的应用程序。y3为发生过深层转化行为的样本,例如点击某个广告后,下载并为该广告对应的应用程序进行付费。
点击率预估任务损失函数:
浅层转化率预估任务损失函数:
深层转化率预估任务损失函数:
对于第一神经网络的总的损失函数如下: 其中,G1、G2和G3分别为三个损失函数的权重。
下面对本申请中的信息推送装置进行详细描述,请参阅图10,图10为本申请实施例提出的一种信息推送装置的结构示意图。该信息推送装置1000包括:
收发模块1001,用于获取目标用户的目标对象特征信息和多个广告的广告场景特征信息,其中,目标对象特征信息和广告场景特征信息用于确定针对目标用户的多个广告的排序;
处理模块1002,用于根据目标用户的目标对象特征信息和多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值,其中,点击率预估值指示目标用户对多个广告中每个广告的点击率,浅层转化率预估值指示目标用户对多个广告中每个广告的浅层转化率,深层转化率预估值指示目标用户对多个广告中每个广告的深层转化率;
处理模块1002,还用于根据点击率预估值、浅层转化率预估值和深层转化率预估值,对多个广告进行排序,得到多个广告的排序结果;
处理模块1002,还用于根据多个广告的排序结果,确定向目标用户推送的目标广告在一种可能的实现方式中,
处理模块1002,还用于当多个广告中广告的目标设置为浅层转化目标或者深层转化目标,根据广告的点击率预估值、广告的浅层转化率预估值和广告的目标广告出价,计算得到广告的得分;
处理模块1002,还用于根据多个广告中各个广告的得分,依照得分的高低次序对多个广告排序,得到多个广告的排序结果,其中,排序最高的广告的得分最高。
在一种可能的实现方式中,
处理模块1002,还用于当多个广告中广告的目标设置为浅层转化目标和深层转化目标,且广告的深层转化率预估值小于广告的浅层转化率预估值,则根据广告的点击率预估值、广告的浅层转化率预估值和广告的浅层转化目标广告出价,计算得到广告的得分;
处理模块1002,还用于当多个广告中广告的目标设置为浅层转化目标和深层转化目标,且广告的深层转化率预估值大于或等于广告的浅层转化率预估值,则根据广告的点击率预估值、广告的深层转化率预估值和广告的深层转化目标广告出价,计算得到广告的得分;
处理模块1002,还用于根据多个广告中各个广告的得分,依照得分的高低次序对多个广告排序,得到多个广告的排序结果,其中,排序最高的广告的得分最高。
在一种可能的实现方式中,
处理模块1002,还用于将目标用户的目标对象特征信息和多个广告的广告场景特征信息设置为第一神经网络的输入参数;
处理模块1002,还用于使用第一神经网络进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值。
在一种可能的实现方式中,
第一神经网络包括:第一模型、第二模型和第三模型;
第一模型的输入参数包括第一训练信息,第一训练信息包括以下信息的一项或多项:广告场景特征信息,资讯场景特征信息和目标对象特征信息;
第二模型的输入参数包括第二训练信息,第二训练信息包括以下一项或多项:广告曝光序列信息、广告点击序列信息或者广告转化序列信息;
第三模型的输入参数包括第三训练信息,第三训练信息包括以下一项或多项:资讯阅读序列、资讯收藏序列或者资讯播放序列;
第一模型的输出参数、第二模型的输出参数和第三模型的输出参数作为第一神经网络中多层感知机MLP层的输入参数;
MLP层的输出参数包括:点击率预估值、浅层转化率预估值和深层转化率预估值。
在一种可能的实现方式中,
第二模型的输出参数包括:第二训练向量,第二训练向量为第二模型根据第二训练信息提取的第二特征向量序列,和第二特征向量序列中每个特征向量对应的权重求和得到;
第三模型的输出参数包括:第三训练向量,第三训练向量为第三模型根据第三训练信息提取得到的第三特征向量序列,和第三特征向量序列中每个特征向量对应的权重求和得到。
在一种可能的实现方式中,
广告场景特征信息包括以下信息的至少一项:广告语义特征信息、广告图像特征信息、广告点击信息、广告标识信息或者广告转化率信息;
资讯场景特征信息包括以下信息的至少一项:资讯阅读信息、资讯收藏信息或者资讯播放信息;
目标对象特征信息包括以下信息的至少一项:用户身份特征信息、用户属地特征信息或者目标对象行为特征信息。
图11是本申请实施例提供的一种服务器结构示意图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)722(例如,一个或一个以上处理器)和存储器732,一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器722可以设置为与存储介质730通信,在服务器700上执行存储介质730中的一系列指令操作。
服务器700还可以包括一个或一个以上电源726,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口758,和/或,一个或一个以上操作系统741,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图11所示的服务器结构。
图12是本申请实施例提供的一种终端设备结构示意图,如图12所示,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、销售终端设备(Point of Sales,POS)、车载电脑等任意终端设备,以终端设备为手机为例:
图12示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图12,手机包括:射频(Radio Frequency,RF)电路810、存储器820、输入单元830、显示单元840、传感器850、音频电路860、无线保真(wireless fidelity,WiFi)模块870、处理器880、以及电源890等部件。本领域技术人员可以理解,图12中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图12对手机的各个构成部件进行具体的介绍:
RF电路810可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器880处理;另外,将设计上行的数据发送给基站。通常,RF电路810包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路810还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器820可用于存储软件程序以及模块,处理器880通过运行存储在存储器820的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器820可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元830可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元830可包括触控面板831以及其他输入设备832。触控面板831,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板831上或在触控面板831附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板831可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器880,并能接收处理器880发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板831。除了触控面板831,输入单元830还可以包括其他输入设备832。具体地,其他输入设备832可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元840可包括显示面板841,可选的,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板841。进一步的,触控面板831可覆盖显示面板841,当触控面板831检测到在其上或附近的触摸操作后,传送给处理器880以确定触摸事件的类型,随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图12中,触控面板831与显示面板841是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板831与显示面板841集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器850,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板841的亮度,接近传感器可在手机移动到耳边时,关闭显示面板841和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路860、扬声器861,传声器862可提供用户与手机之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号,传输到扬声器861,由扬声器861转换为声音信号输出;另一方面,传声器862将收集的声音信号转换为电信号,由音频电路860接收后转换为音频数据,再将音频数据输出处理器880处理后,经RF电路810以发送给比如另一手机,或者将音频数据输出至存储器820以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块870可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图12示出了WiFi模块870,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器820内的软件程序和/或模块,以及调用存储在存储器820内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监测。可选的,处理器880可包括一个或多个处理单元;可选的,处理器880可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器880中。
手机还包括给各个部件供电的电源890(比如电池),可选的,电源可以通过电源管理系统与处理器880逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
上述实施例中由终端设备所执行的步骤可以基于该图12所示的终端设备结构。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如前述各个实施例描述的方法。
本申请实施例中还提供一种包括程序的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例描述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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)执行本申请各个实施例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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上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。
Claims (10)
1.一种信息推送的方法,其特征在于,包括:
获取目标用户的目标对象特征信息和多个广告的广告场景特征信息,其中,所述目标对象特征信息和所述广告场景特征信息用于确定针对所述目标用户的所述多个广告的排序;
根据所述目标用户的目标对象特征信息和所述多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值,其中,所述点击率预估值指示所述目标用户对所述多个广告中每个广告的点击率,所述浅层转化率预估值指示所述目标用户对所述多个广告中每个广告的浅层转化率,所述深层转化率预估值指示所述目标用户对所述多个广告中每个广告的深层转化率;
根据所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值,对所述多个广告进行排序,得到所述多个广告的排序结果;
根据所述多个广告的排序结果,确定向所述目标用户推送的目标广告。
2.根据权利要求1所述的方法,其特征在于,根据所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值,对所述多个广告进行排序,得到所述多个广告的排序结果,包括:
当所述多个广告中广告的目标设置为浅层转化目标或者深层转化目标,根据所述广告的点击率预估值、所述广告的所述浅层转化率预估值和所述广告的目标广告出价,计算得到所述广告的得分;
根据所述多个广告中各个广告的得分,依照得分的高低次序对所述多个广告排序,得到所述多个广告的排序结果,其中,排序最高的广告的得分最高。
3.根据权利要求1-2中任一项所述的方法,其特征在于,根据所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值,对所述多个广告进行排序,得到所述多个广告的排序结果,包括:
当所述多个广告中广告的目标设置为浅层转化目标和深层转化目标,且所述广告的所述深层转化率预估值小于所述广告的所述浅层转化率预估值,则根据所述广告的点击率预估值、所述广告的所述浅层转化率预估值和所述广告的浅层转化目标广告出价,计算得到所述广告的得分;
当所述多个广告中广告的目标设置为浅层转化目标和深层转化目标,且所述广告的所述深层转化率预估值大于或等于所述广告的所述浅层转化率预估值,则根据所述广告的点击率预估值、所述广告的所述深层转化率预估值和所述广告的深层转化目标广告出价,计算得到所述广告的得分;
根据所述多个广告中各个广告的得分,依照得分的高低次序对所述多个广告排序,得到所述多个广告的排序结果,其中,排序最高的广告的得分最高。
4.根据权利要求1-3任一项所述的方法,其特征在于,根据所述目标用户的目标对象特征信息和所述多个广告的广告场景特征信息进行预测,得到所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值,包括:
将所述目标用户的目标对象特征信息和所述多个广告的广告场景特征信息设置为第一神经网络的输入参数;
使用所述第一神经网络进行预测,得到所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值。
5.根据权利要求4所述的方法,其特征在于,所述第一神经网络包括:第一模型、第二模型和第三模型;
所述第一模型的输入参数包括所述第一训练信息,所述第一训练信息包括以下信息的一项或多项:广告场景特征信息,资讯场景特征信息和目标对象特征信息;
所述第二模型的输入参数包括所述第二训练信息,所述第二训练信息包括以下一项或多项:广告曝光序列信息、广告点击序列信息或者广告转化序列信息;
所述第三模型的输入参数包括所述第三训练信息,所述第三训练信息包括以下一项或多项:资讯阅读序列、资讯收藏序列或者资讯播放序列;
所述第一模型的输出参数、所述第二模型的输出参数和所述第三模型的输出参数作为所述第一神经网络中多层感知机MLP层的输入参数;
所述MLP层的输出参数包括:所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值。
6.根据权利要求5所述的方法,其特征在于,所述第二模型的输出参数包括:第二训练向量,所述第二训练向量为所述第二模型根据所述第二训练信息提取的第二特征向量序列,和所述第二特征向量序列中每个特征向量对应的权重求和得到;
所述第三模型的输出参数包括:第三训练向量,所述第三训练向量为所述第三模型根据所述第三训练信息提取得到的第三特征向量序列,和所述第三特征向量序列中每个特征向量对应的权重求和得到。
7.一种信息推送装置,其特征在于,包括:
收发模块,用于获取目标用户的目标对象特征信息和多个广告的广告场景特征信息,其中,所述目标对象特征信息和所述广告场景特征信息用于确定针对所述目标用户的所述多个广告的排序;
处理模块,用于根据所述目标用户的目标对象特征信息和所述多个广告的广告场景特征信息进行预测,得到点击率预估值、浅层转化率预估值和深层转化率预估值,其中,所述点击率预估值指示所述目标用户对所述多个广告中每个广告的点击率,所述浅层转化率预估值指示所述目标用户对所述多个广告中每个广告的浅层转化率,所述深层转化率预估值指示所述目标用户对所述多个广告中每个广告的深层转化率;
所述处理模块,还用于根据所述点击率预估值、所述浅层转化率预估值和所述深层转化率预估值,对所述多个广告进行排序,得到所述多个广告的排序结果;
所述处理模块,还用于根据所述多个广告的排序结果,确定向所述目标用户推送的目标广告。
8.一种计算机设备,其特征在于,包括:存储器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,所述处理器用于根据程序代码中的指令执行权利要求1至6中任一项所述的方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序和指令,其特征在于,该计算机程序/指令被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031731.7A CN116485468A (zh) | 2022-01-12 | 2022-01-12 | 一种信息推送的方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031731.7A CN116485468A (zh) | 2022-01-12 | 2022-01-12 | 一种信息推送的方法以及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485468A true CN116485468A (zh) | 2023-07-25 |
Family
ID=87221877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210031731.7A Pending CN116485468A (zh) | 2022-01-12 | 2022-01-12 | 一种信息推送的方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485468A (zh) |
-
2022
- 2022-01-12 CN CN202210031731.7A patent/CN116485468A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11169827B2 (en) | Resource loading at application startup using attributes of historical data groups | |
CN110245293B (zh) | 一种网络内容召回方法和装置 | |
CN110166828A (zh) | 一种视频处理方法和装置 | |
CN112685578B (zh) | 一种多媒体信息内容提供方法及装置 | |
CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
CN114430504B (zh) | 一种媒体内容的推荐方法以及相关装置 | |
CN110929882A (zh) | 一种基于人工智能的特征向量计算方法和相关装置 | |
CN116992162A (zh) | 一种对象的推荐方法、装置以及存储介质 | |
CN111988407B (zh) | 一种内容推送方法和相关装置 | |
CN116485468A (zh) | 一种信息推送的方法以及相关装置 | |
CN116205686A (zh) | 一种多媒体资源推荐的方法、装置、设备和存储介质 | |
CN116453005A (zh) | 一种视频封面的提取方法以及相关装置 | |
CN114969493A (zh) | 一种内容推荐方法和相关装置 | |
CN113886674A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN112163164B (zh) | 一种用户标签确定方法和相关装置 | |
CN118035567B (zh) | 模型训练和数据推荐方法、装置、设备、介质及程序产品 | |
CN115730030B (zh) | 一种评论信息的处理方法以及相关装置 | |
CN111428060B (zh) | 一种媒体内容推荐的方法以及相关装置 | |
CN113254503B (zh) | 一种内容挖掘方法、装置及相关产品 | |
CN116992125A (zh) | 一种对象的推荐方法、装置以及存储介质 | |
CN116958638A (zh) | 一种视频的处理方法、装置以及存储介质 | |
CN117273827A (zh) | 一种目标对象的挖掘方法、装置以及存储介质 | |
CN115204921A (zh) | 一种推荐内容的推送方法以及相关装置 | |
CN117370657A (zh) | 物品推荐的方法、装置、设备及存储介质 | |
CN117373093A (zh) | 基于人工智能的图像识别方法、装置、设备以及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40089853 Country of ref document: HK |