CN116797282B - 一种用于广告投放的实时监控系统以及监控方法 - Google Patents
一种用于广告投放的实时监控系统以及监控方法 Download PDFInfo
- Publication number
- CN116797282B CN116797282B CN202311088243.0A CN202311088243A CN116797282B CN 116797282 B CN116797282 B CN 116797282B CN 202311088243 A CN202311088243 A CN 202311088243A CN 116797282 B CN116797282 B CN 116797282B
- Authority
- CN
- China
- Prior art keywords
- module
- advertisement
- user
- behavior
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 238000005457 optimization Methods 0.000 claims abstract description 75
- 230000007246 mechanism Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013079 data visualisation Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 204
- 230000000694 effects Effects 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 24
- 230000007547 defect Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于广告投放的实时监控系统以及监控方法,用于广告播放监控领域,该实时监控系统包括:数据采集模块、用户画像建立与行为分析模块、数据处理与行为模式发现模块、广告播放状况分析模块、广告质量监控模块、关键数据指标设定模块、数据可视化与预警机制模块及广告投放策略优化模块。本发明通过XGBoost算法和CNN模型对数据进行处理和学习,能够准确地挖掘和识别用户的行为模式,从而提高广告投放的精准度,通过对广告播放状况的深入分析、广告质量的监控以及关键数据指标的设定,可以帮助广告主更有针对性地优化广告的设计和投放策略。
Description
技术领域
本发明涉及广告播放监控领域,具体来说,尤其涉及一种用于广告投放的实时监控系统以及监控方法。
背景技术
在互联网广告监控方面,特别是针对不同发布渠道,可以通过发布特定广告包进行追踪。这样,就可以统计和分析各个渠道的用户增长情况。此外,也可以在用户下载广告时统计广告的下载次数,以及追踪激活的用户数量。同时,与各大主要广告平台结合,可以实现不同维度的转化跟踪。
视频广告是一种广告形式,它在视频内容中设置和投放,无论是在互联网平台还是在各种广告终端上。这种广告形式因为其形象、直观、生动的特点,越来越受到广告主和用户的青睐。常见的视频广告形式有前贴广告、中插广告、后贴广告以及悬浮广告等,然而,虽然现有的广告监控系统可以监控广告载体和广告系统的状态,但是对于是否有人正在观看广告,观看的广告是否有效,以及观看的人群特征、观看时间和观看行为等重要因素,监控的能力却较为有限。
例如,有些系统可能只能追踪视频广告的播放次数,但无法准确知道这些播放量背后的用户行为,比如用户是否真的观看了广告,观看了多少时间,是否在观看过程中进行了互动等。同时,对于广告的效果评估,也多停留在曝光量和点击量这两个比较粗糙的指标上,无法深入到转化率、用户满意度、用户留存等更深层次的指标。
此外,对于不同的广告形式和广告内容,现有的监控系统也难以给出精确的效果评估。比如,同样是视频广告,前贴广告和中插广告的效果可能会有很大差异。同样的广告,在不同的用户群体和播放环境下,效果也可能有很大不同。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出一种用于广告投放的实时监控系统以及监控方法,目的在于解决现有的监控系统也难以给出精确的效果评估问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种用于广告投放的实时监控系统,该实时监控系统包括:数据采集模块、用户画像建立与行为分析模块、数据处理与行为模式发现模块、广告播放状况分析模块、广告质量监控模块、关键数据指标设定模块、数据可视化与预警机制模块及广告投放策略优化模块;
所述数据采集模块,用于实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率;
所述用户画像建立与行为分析模块,用于获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析;
所述数据处理与行为模式发现模块,用于利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式;
所述广告播放状况分析模块,用于根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道;
所述广告质量监控模块,用于应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理;
所述关键数据指标设定模块,用于根据广告的形式和播放的频道,设定广告运营关键数据指标;
所述数据可视化与预警机制模块,用于根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制;
所述广告投放策略优化模块,用于根据行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放。
可选地,所述用户画像建立与行为分析模块包括:用户的行为数据获取模块、用户画像创建模块、用户分群模块及行为偏好分析模块;
所述用户的行为数据获取模块,用于获取用户的行为数据,所述用户的行为数据至少包括用户在网站或应用上的浏览历史、搜索历史、点击历史和购买历史;
所述用户画像创建模块,用于获取用户的行为特征,并根据用户的行为特征创建用户画像,所述用户的行为特征至少包括兴趣爱好、购买习惯、搜索习惯;
所述用户分群模块,用于根据用户画像,按照年龄、性别和兴趣将用户划分成不同的群体;
所述行为偏好分析模块,用于基于用户的行为数据和用户画像,对不同的群体的行为偏好进行分析。
可选地,所述数据处理与行为模式发现模块包括:数据整合模块、数据划分模块、XGBoost模型训练模块、CNN模型训练模块、模型融合与优化模块及模型评估与行为识别模块;
所述数据整合模块,用于对广告的各项数据、用户的行为数据以及行为偏好的分析结果进行整合,生成用户的特征数据和标签数据,所述特征数据至少包括用户的属性特征、兴趣特征和行为特征;
所述数据划分模块,用于将特征数据和标签数据划分为训练集、验证集和测试集;
所述XGBoost模型训练模块,用于建立XGBoost模型,并对训练集的特征数据和标签数据进行XGBoost模型训练;
所述CNN模型训练模块,用于建立CNN模型,并对训练集的特征数据进行CNN模型训练;
所述模型融合与优化模块,用于使用验证集对XGBoost模型和CNN模型进行单独评估,找到各自的最优超参数,并融合得到用户行为优化预测模型;
所述模型评估与行为识别模块,用于利用测试集对用户行为优化预测模型的泛化能力和效果进行评估,并根据用户行为优化预测模型的评估结果,识别用户的行为模式。
可选地,所述模型融合与优化模块包括:XGBoost模型调优模块、CNN模型调优模块、融合模块及用户行为优化预测模型评估模块;
所述XGBoost模型调优模块,用于使用验证集对XGBoost模型进行评估,调整XGBoost模型的超参数,所述XGBoost模型的超参数至少包括:树的深度和学习率,找到XGBoost模型的最优超参数组合;
所述CNN模型调优模块,用于使用验证集对CNN模型进行评估,调整CNN模型的超参数,所述CNN模型的超参数至少包括:卷积核数量、卷积核大小和池化核大小,找到CNN模型的最优超参数组合;
所述融合模块,用于利用XGBoost模型的最优超参数组合和CNN模型的最优超参数组合对XGBoost模型和CNN模型进行预测,同时利用加权平均法,设定XGBoost模型和CNN模型的权重,并根据权重将XGBoost模型和CNN模型的预测结果进行融合,得到用户行为优化预测模型;
所述用户行为优化预测模型评估模块,用于使用测试集对用户行为优化预测模型进行评估,验证用户行为优化预测模型的泛化能力和效果。
可选地,所述广告播放状况分析模块包括:广告播放的数据收集模块、描述性统计模块、用户反馈分析模块、用户行为分析模块、影响因素分析模块及广告投放策略模型构建模块;
所述广告播放的数据收集模块,用于根据用户的行为模式,收集各项有关广告播放的数据,所述广告播放的数据至少包括广告的播放次数、播放时长、播放频道、广告形式、用户对广告的反馈和用户的浏览行为;
所述描述性统计模块,用于对广告播放次数、播放时长进行描述性统计分析;
所述用户反馈分析模块,用于对用户对广告的反馈进行深入分析,所述深入分析包括用户点击广告的频率、给广告点赞的次数和用户对广告的评论内容;
所述用户行为分析模块,用于解析用户的浏览行为,所述浏览行为至少包括用户在广告播放页面的停留时间和用户是否选择跳过广告;
所述影响因素分析模块,用于分析广告形式、播放频道对广告效果的影响,识别对广告效果影响最大的因素;
所述广告投放策略模型构建模块,用于根据描述性统计分析、用户对广告的反馈、用户的浏览行为及播放频道对广告效果的影响的分析,使用决策树算法构建广告投放策略模型。
可选地,所述广告运营关键数据指标包括:广告被展示的次数、广告被点击的次数占展示次数的比例、广告引导用户下载某App次数、用户使用某App的时长、用户使用某App的频率、广告被点击的绝对次数、广告被点击后实际进行了下载App或购买商品的用户占点击用户的比例、用户实际使用某App的情况、用户观看视频广告至结束的比例、用户对广告的反馈和用户在广告页面的行为。
可选地,所述数据可视化与预警机制模块包括:设定指标模块、设定指标数据采集模块、设定指标阈值设定模块、数据可视化模块、预警机制模块及优化与改进模块;
所述设定指标模块,用于从广告运营关键数据指标中选择设定指标,所述设定指标需能全面反映广告的运营情况;
所述设定指标数据采集模块,用于实时采集被监控广告的设定指标的数据;
所述设定指标阈值设定模块,用于针对每个设定指标,设定正常范围的阈值;
所述数据可视化模块,用于将采集到的指标数据通过图表进行可视化,以便运营人员能够直观地看到广告运营的状况;
所述预警机制模块,用于当某个设定指标超出阈值范围时,立即触发预警,实时发送预警信息给相关人员;
所述优化与改进模块,用于当出现预警时,分析导致数据超出阈值的原因,提出并实施相应的改进措施。
可选地,所述广告投放策略优化模块包括:用户行为偏好分析模块、问题定位与策略优化模块、策略实施模块及效果跟踪模块;
所述用户行为偏好分析模块,用于对用户行为进行持续监测,不断收集用户行为数据,识别用户的最新偏好和习惯;
所述问题定位与策略优化模块,用于根据用户行为数据和预警机制的通知,定位当前广告投放策略中的问题,并基于当前广告投放策略中的问题,优化广告投放策略;
所述策略实施模块,用于将优化后的广告投放策略实施到实际运营中;
所述效果跟踪模块,用于跟踪新的广告投放策略的效果,通过分析设定指标来评估广告效果是否达到预期;若未达到预期,则再次进行策略优化。
可选地,所述问题定位与策略优化模块包括:用户需求分析模块、市场环境研究模块、问题识别模块、策略优化设计模块及策略效果验证模块;
所述用户需求分析模块,用于追踪用户行为数据,比较历史和当前数据,揭示用户的偏好趋势,得到用户需求的演变;
所述市场环境研究模块,用于关注市场环境,所述市场环境至少包括竞品策略和行业发展趋势,并规避潜在风险;
所述问题识别模块,用于基于用户行为数据和市场环境的分析,确定广告策略存在的问题;
所述策略优化设计模块,用于从广告形式、内容、投放时间、频道和目标受众的方面思考和制定针对性的优化策略;
所述策略效果验证模块,用于采用专家评审或用户调研的方式,预检新策略的效果,如未达预期,则调整优化策略。
根据本发明的另一个方面,还提供了一种用于广告投放的实时监控方法,所述实时监控方法包括以下步骤:
S1、实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率;
S2、获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析;
S3、利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式;
S4、根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道;
S5、应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理;
S6、根据广告的形式和播放的频道,设定广告运营关键数据指标;
S7、根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制;
S8、行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放。
相较于现有技术,本申请具有以下有益效果:
1、本发明通过XGBoost算法和CNN模型对数据进行处理和学习,能够准确地挖掘和识别用户的行为模式,从而提高广告投放的精准度;将数据划分为训练集、验证集和测试集,可以根据验证集对模型的表现进行调优,找到最优的超参数设置,具有很高的灵活性和可调整性;通过对模型的训练、评估和优化,能够保证模型的可靠性,模型的融合不仅可以提高预测的准确性,还可以增强模型的鲁棒性,使模型在面对不同的数据集时都能保持较高的性能;XGBoost和CNN两种模型分别在处理结构化数据和非结构化数据上具有优势,二者的结合可以更有效地处理复杂的数据,提高处理效率。
2、本发明通过对广告播放状况的深入分析、广告质量的监控以及关键数据指标的设定,可以帮助广告主更有针对性地优化广告的设计和投放策略,进而提高广告的效果,通过对用户行为和反馈的深入分析,可以更好地了解用户对广告的接受度和需求,从而优化广告内容,提高用户体验,通过分析影响广告效果的因素,可以识别并优化影响广告效果的最大因素,从而提高广告的投放效率,通过深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理,从而提高广告的质量,设定的关键数据指标可以为广告运营提供数据支持,使得广告运营更加科学、精准。
3、本发明通过实时采集、分析数据,并设置预警机制,能够实时发现并解决问题,优化广告投放效果,通过用户行为偏好分析,问题定位和策略优化,可以精准针对目标用户,提升广告的针对性和有效性,数据可视化模块能让运营人员直观地看到广告运营的状况,以便做出及时和有效的策略调整,用户需求分析、市场环境研究、问题识别等环节,帮助广告主全面理解市场和用户,从而制定出更有效的广告策略。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的一种用于广告投放的实时监控系统的原理框图。
图中:
1、数据采集模块;2、用户画像建立与行为分析模块;3、数据处理与行为模式发现模块;4、广告播放状况分析模块;5、广告质量监控模块;6、关键数据指标设定模块;7、数据可视化与预警机制模块;8、广告投放策略优化模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅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做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。
根据本发明的实施例,提供了一种用于广告投放的实时监控系统以及监控方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种用于广告投放的实时监控系统,该实时监控系统包括:数据采集模块1、用户画像建立与行为分析模块2、数据处理与行为模式发现模块3、广告播放状况分析模块4、广告质量监控模块5、关键数据指标设定模块6、数据可视化与预警机制模块7及广告投放策略优化模块8;
所述数据采集模块1,用于实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率。
需要解释说明的是,数据采集包括获取广告的各项数据和用户行为数据。广告的各项数据包括展示频次、点击数、下载量、使用时长和频率等。这些数据可以帮助理解广告的表现和用户的反应;在当前的大数据环境下,实时性成为数据采集的一个重要特性。实时采集可以帮助快速捕捉到广告表现和用户行为的变化,从而及时调整优化策略;数据采集之后,还需要通过数据处理和分析以获取有价值的信息。例如,可以通过分析用户行为数据来了解用户的兴趣和偏好,以便更精准地投放广告。在数据采集过程中,需要遵守相关的数据隐私和安全规定。一般需要对用户数据进行去标识化处理,以保护用户的隐私。同时,也需要对数据存储和传输进行安全保护,防止数据泄露。
所述用户画像建立与行为分析模块2,用于获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析。
优选地,所述用户画像建立与行为分析模块2包括:用户的行为数据获取模块、用户画像创建模块、用户分群模块及行为偏好分析模块;
所述用户的行为数据获取模块,用于获取用户的行为数据,所述用户的行为数据至少包括用户在网站或应用上的浏览历史、搜索历史、点击历史和购买历史;
所述用户画像创建模块,用于获取用户的行为特征,并根据用户的行为特征创建用户画像,所述用户的行为特征至少包括兴趣爱好、购买习惯、搜索习惯;
所述用户分群模块,用于根据用户画像,按照年龄、性别和兴趣将用户划分成不同的群体;
所述行为偏好分析模块,用于基于用户的行为数据和用户画像,对不同的群体的行为偏好进行分析。
需要解释说明的是,用户画像,也称为客户画像,是通过数据分析的方式对用户的基本属性、行为习惯、兴趣爱好等多维度信息进行标签化处理,以创建出对用户的深度描述。在这个模块中,根据用户行为特征,如兴趣爱好、购买习惯、搜索习惯等,制作出用户画像,从而更深层次地理解用户;用户分群是针对大量用户,按照某些特征,如年龄、性别、兴趣等,将其分类为不同的群体。这样做的目的是为了更准确地理解不同群体的需求和偏好,实现精准定向的广告投放;根据用户的行为数据和用户画像,对不同群体的行为偏好进行分析。例如,分析不同用户群体的购买习惯、活跃时间段、最喜欢的产品类型等,这对制定更有效的广告策略具有重要价值。
所述数据处理与行为模式发现模块3,用于利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式。
此外,用户的行为模式包括:用户的兴趣爱好和浏览偏好,比如用户更喜欢浏览什么类型的商品和内容等。这可以通过XGBoost算法对用户的历史浏览和购买数据进行分析获得;用户的互动方式和使用习惯,比如用户更喜欢在什么时间段使用该服务,用户更喜欢通过什么方式(文字、语音等)与机器人互动等。这可以通过CNN模型对用户的历史会话数据和交互记录进行分析获得;用户在某一方面表现出的稳定的响应方式和选择倾向,这反映了用户在这一方面存在的固有思维模式或习惯。这同样可以通过XGBoost算法和CNN模型对用户的数据进行分析获得。
行为模式分析的目标是通过分析用户的历史行为和数据,挖掘出用户的兴趣、习惯和思维模式,为后续的个性化推荐和服务提供依据。行为模式的分析可以让机器人更好地理解用户,并为用户提供更加个性化和符合其兴趣的体验。
优选地,所述数据处理与行为模式发现模块3包括:数据整合模块、数据划分模块、XGBoost模型训练模块、CNN模型训练模块、模型融合与优化模块及模型评估与行为识别模块;
所述数据整合模块,用于对广告的各项数据、用户的行为数据以及行为偏好的分析结果进行整合,生成用户的特征数据和标签数据,所述特征数据至少包括用户的属性特征、兴趣特征和行为特征;
所述数据划分模块,用于将特征数据和标签数据划分为训练集、验证集和测试集;
所述XGBoost模型训练模块,用于建立XGBoost模型,并对训练集的特征数据和标签数据进行XGBoost模型训练;
所述CNN模型训练模块,用于建立CNN模型,并对训练集的特征数据进行CNN模型训练;
所述模型融合与优化模块,用于使用验证集对XGBoost模型和CNN模型进行单独评估,找到各自的最优超参数,并融合得到用户行为优化预测模型;
所述模型评估与行为识别模块,用于利用测试集对用户行为优化预测模型的泛化能力和效果进行评估,并根据用户行为优化预测模型的评估结果,识别用户的行为模式。
优选地,所述模型融合与优化模块包括:XGBoost模型调优模块、CNN模型调优模块、融合模块及用户行为优化预测模型评估模块;
所述XGBoost模型调优模块,用于使用验证集对XGBoost模型进行评估,调整XGBoost模型的超参数,所述XGBoost模型的超参数至少包括:树的深度和学习率,找到XGBoost模型的最优超参数组合;
所述CNN模型调优模块,用于使用验证集对CNN模型进行评估,调整CNN模型的超参数,所述CNN模型的超参数至少包括:卷积核数量、卷积核大小和池化核大小,找到CNN模型的最优超参数组合;
所述融合模块,用于利用XGBoost模型的最优超参数组合和CNN模型的最优超参数组合对XGBoost模型和CNN模型进行预测,同时利用加权平均法,设定XGBoost模型和CNN模型的权重,并根据权重将XGBoost模型和CNN模型的预测结果进行融合,得到用户行为优化预测模型;
需要解释说明的是,在使用前,通过不断调整XGBoost模型和CNN模型在融合中的权重,找到可以取得最佳性能的权重组合。不同的权重会产生不同的模型性能,需要对不同权重下的模型进行评估,找到最优权重;
针对不同的权重会产生不同的模型性能,需要对不同权重下的模型进行评估,找到最优权重的补充的具体实例如下:
步骤一、首先设定XGBoost模型和CNN模型在融合中的初始权重,如0.5和0.5,利用这组权重对两个模型进行融合,得到第1个融合模型;
步骤二、然后调整XGBoost模型和CNN模型的权重,如0.6和0.4,利用新权重对两个模型进行融合,得到第2个融合模型;
步骤三、对第1个和第2个融合模型在验证集和测试集上的性能进行评估,包括准确率、召回率、F1值等指标,比较两个模型的表现,选择性能较优的那个模型;
步骤四、继续调整XGBoost模型和CNN模型的权重,产生新的融合模型,并与之前选择的最优模型进行比较,选择最新的最优模型;
步骤五、重复步骤四的内容,直到最优模型性能不再提升,找到最终的最优权重;
步骤六、使用最终确定的最优权重,对XGBoost模型和CNN模型进行融合,得到最优融合模型。
所述用户行为优化预测模型评估模块,用于使用测试集对用户行为优化预测模型进行评估,验证用户行为优化预测模型的泛化能力和效果。
需要解释说明的是,XGBoost模型和CNN模型的调优过程是通过在验证集上评估模型表现,不断调整模型超参数,寻找到最优的超参数设置。而模型的融合是利用加权平均法,根据设定权重将XGBoost模型和CNN模型的预测结果进行融合,以提高模型的预测准确性。所述广告播放状况分析模块4,用于根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道。
优选地,所述广告播放状况分析模块4包括:广告播放的数据收集模块、描述性统计模块、用户反馈分析模块、用户行为分析模块、影响因素分析模块及广告投放策略模型构建模块;
所述广告播放的数据收集模块,用于根据用户的行为模式,收集各项有关广告播放的数据,所述广告播放的数据至少包括广告的播放次数、播放时长、播放频道、广告形式、用户对广告的反馈和用户的浏览行为;
所述描述性统计模块,用于对广告播放次数、播放时长进行描述性统计分析;
所述用户反馈分析模块,用于对用户对广告的反馈进行深入分析,所述深入分析包括用户点击广告的频率、给广告点赞的次数和用户对广告的评论内容;
所述用户行为分析模块,用于解析用户的浏览行为,所述浏览行为至少包括用户在广告播放页面的停留时间和用户是否选择跳过广告;
所述影响因素分析模块,用于分析广告形式、播放频道对广告效果的影响,识别对广告效果影响最大的因素;
所述广告投放策略模型构建模块,用于根据描述性统计分析、用户对广告的反馈、用户的浏览行为及播放频道对广告效果的影响的分析,使用决策树算法构建广告投放策略模型。
需要解释说明的是,通过广告播放状况分析模块,可以帮助广告主或平台更好地了解广告的播放情况,用户对广告的接受度,以及影响广告效果的因素,从而有针对性地优化广告的设计和投放策略,提高广告的效果。
所述广告质量监控模块5,用于应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理。
在广告质量监控中,可以利用深度学习进行图像处理,同样,深度学习也可以应用于视频处理,一旦发现广告中的缺陷,可以进一步使用深度学习进行缺陷识别和处理。例如,可以利用深度学习进行异常检测,发现并标注出广告中的缺陷部分;也可以通过深度学习进行缺陷修复。
所述关键数据指标设定模块6,用于根据广告的形式和播放的频道,设定广告运营关键数据指标。
优选地,所述广告运营关键数据指标包括:广告被展示的次数、广告被点击的次数占展示次数的比例、广告引导用户下载某App次数、用户使用某App的时长、用户使用某App的频率、广告被点击的绝对次数、广告被点击后实际进行了下载App或购买商品的用户占点击用户的比例、用户实际使用某App的情况、用户观看视频广告至结束的比例、用户对广告的反馈和用户在广告页面的行为。
需要解释说明的是,广告被展示的次数:这是一个基础的广告数据指标,用于衡量广告的曝光量。曝光量的大小直接影响到广告能否被用户看到,因此是衡量广告运营效果的重要数据指标。
点击率:即广告被点击的次数占展示次数的比例,是衡量广告吸引力的重要指标。高的点击率通常意味着广告设计具有较强的吸引力。
转化率:即广告被点击后实际进行了下载App或购买商品的用户占点击用户的比例,是衡量广告效果的重要指标。高的转化率意味着广告的目标明确,且能有效地引导用户进行预期的行为。
用户反馈和行为:用户对广告的反馈,如点赞、评论等,以及用户在广告页面的行为,如停留时间、是否跳过广告等,都是反映用户对广告接受度的重要数据。
所述数据可视化与预警机制模块7,用于根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制。
优选地,所述数据可视化与预警机制模块7包括:设定指标模块、设定指标数据采集模块、设定指标阈值设定模块、数据可视化模块、预警机制模块及优化与改进模块;
所述设定指标模块,用于从广告运营关键数据指标中选择设定指标,所述设定指标需能全面反映广告的运营情况;
所述设定指标数据采集模块,用于实时采集被监控广告的设定指标的数据;
所述设定指标阈值设定模块,用于针对每个设定指标,设定正常范围的阈值;
所述数据可视化模块,用于将采集到的指标数据通过图表进行可视化,以便运营人员能够直观地看到广告运营的状况;
所述预警机制模块,用于当某个设定指标超出阈值范围时,立即触发预警,实时发送预警信息给相关人员;
所述优化与改进模块,用于当出现预警时,分析导致数据超出阈值的原因,提出并实施相应的改进措施。
需要解释说明的是,设定指标模块中是从广告运营关键数据指标中选择最能反映广告运营状况的指标。
数据采集模块:实时的数据采集是数据分析的基础,一个有效的数据采集模块需要能够实时捕获和存储广告的运行数据,以便后续的分析;
阈值是数据预警的基础,通过设定合理的阈值,可以及时发现数据的异常情况。
预警机制是及时发现问题、防患于未然的重要手段。当某个指标超出阈值范围时,预警机制模块会立即触发预警,通知相关人员。
所述广告投放策略优化模块8,用于根据行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放。
优选地,所述广告投放策略优化模块8包括:用户行为偏好分析模块、问题定位与策略优化模块、策略实施模块及效果跟踪模块;
所述用户行为偏好分析模块,用于对用户行为进行持续监测,不断收集用户行为数据,识别用户的最新偏好和习惯;
所述问题定位与策略优化模块,用于根据用户行为数据和预警机制的通知,定位当前广告投放策略中的问题,并基于当前广告投放策略中的问题,优化广告投放策略;
所述策略实施模块,用于将优化后的广告投放策略实施到实际运营中;
所述效果跟踪模块,用于跟踪新的广告投放策略的效果,通过分析设定指标来评估广告效果是否达到预期;若未达到预期,则再次进行策略优化。
优选地,所述问题定位与策略优化模块包括:用户需求分析模块、市场环境研究模块、问题识别模块、策略优化设计模块及策略效果验证模块;
所述用户需求分析模块,用于追踪用户行为数据,比较历史和当前数据,揭示用户的偏好趋势,得到用户需求的演变;
所述市场环境研究模块,用于关注市场环境,所述市场环境至少包括竞品策略和行业发展趋势,并规避潜在风险;
所述问题识别模块,用于基于用户行为数据和市场环境的分析,确定广告策略存在的问题;
所述策略优化设计模块,用于从广告形式、内容、投放时间、频道和目标受众的方面思考和制定针对性的优化策略;
所述策略效果验证模块,用于采用专家评审或用户调研的方式,预检新策略的效果,如未达预期,则调整优化策略。
需要解释说明的是,根据用户行为数据和预警机制的通知,可以定位当前广告投放策略中的问题,并根据这些问题对策略进行优化。问题可能包括广告形式、内容、投放时间、频道和目标受众。实施优化后的广告投放策略,包括调整广告形式、内容、投放时间、频道和目标受众。通过跟踪新的广告投放策略的效果,可以评估广告效果是否达到预期。如果效果不佳,可以再次进行策略优化。
根据本发明的另一个实施例,还提供了一种用于广告投放的实时监控方法,所述实时监控方法包括以下步骤:
S1、实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率;
S2、获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析;
S3、利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式;
S4、根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道;
S5、应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理;
S6、根据广告的形式和播放的频道,设定广告运营关键数据指标;
S7、根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制;
S8、行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放。
具体地,为了便于本领域技术人员更好的理解,本申请相关实施例,现对本申请可能涉及的技术术语或者部分名词进行解释:
深度学习:深度学习是机器学习的一个子领域,主要用于处理包含大量数据的复杂模式。它的主要特点是可以自动从原始数据中提取特征进行学习,而无需人工设计特征提取器。
综上所述,借助于本发明的上述技术方案,本发明通过XGBoost算法和CNN模型对数据进行处理和学习,能够准确地挖掘和识别用户的行为模式,从而提高广告投放的精准度;将数据划分为训练集、验证集和测试集,可以根据验证集对模型的表现进行调优,找到最优的超参数设置,具有很高的灵活性和可调整性;通过对模型的训练、评估和优化,能够保证模型的可靠性,模型的融合不仅可以提高预测的准确性,还可以增强模型的鲁棒性,使模型在面对不同的数据集时都能保持较高的性能;XGBoost和CNN两种模型分别在处理结构化数据和非结构化数据上具有优势,二者的结合可以更有效地处理复杂的数据,提高处理效率;本发明通过对广告播放状况的深入分析、广告质量的监控以及关键数据指标的设定,可以帮助广告主更有针对性地优化广告的设计和投放策略,进而提高广告的效果,通过对用户行为和反馈的深入分析,可以更好地了解用户对广告的接受度和需求,从而优化广告内容,提高用户体验,通过分析影响广告效果的因素,可以识别并优化影响广告效果的最大因素,从而提高广告的投放效率,通过深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理,从而提高广告的质量,设定的关键数据指标可以为广告运营提供数据支持,使得广告运营更加科学、精准;本发明通过实时采集、分析数据,并设置预警机制,能够实时发现并解决问题,优化广告投放效果,通过用户行为偏好分析,问题定位和策略优化,可以精准针对目标用户,提升广告的针对性和有效性,数据可视化模块能让运营人员直观地看到广告运营的状况,以便做出及时和有效的策略调整,用户需求分析、市场环境研究、问题识别等环节,帮助广告主全面理解市场和用户,从而制定出更有效的广告策略。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (7)
1.一种用于广告投放的实时监控系统,其特征在于,该实时监控系统包括:数据采集模块、用户画像建立与行为分析模块、数据处理与行为模式发现模块、广告播放状况分析模块、广告质量监控模块、关键数据指标设定模块、数据可视化与预警机制模块及广告投放策略优化模块;
所述数据采集模块,用于实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率;
所述用户画像建立与行为分析模块,用于获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析;
所述数据处理与行为模式发现模块,用于利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式;
所述广告播放状况分析模块,用于根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道;
所述广告质量监控模块,用于应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理;
所述关键数据指标设定模块,用于根据广告的形式和播放的频道,设定广告运营关键数据指标;
所述数据可视化与预警机制模块,用于根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制;
所述广告投放策略优化模块,用于根据行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放;
所述广告播放状况分析模块包括:广告播放的数据收集模块、描述性统计模块、用户反馈分析模块、用户行为分析模块、影响因素分析模块及广告投放策略模型构建模块;
所述广告播放的数据收集模块,用于根据用户的行为模式,收集各项有关广告播放的数据,所述广告播放的数据至少包括广告的播放次数、播放时长、播放频道、广告形式、用户对广告的反馈和用户的浏览行为;
所述描述性统计模块,用于对广告播放次数、播放时长进行描述性统计分析;
所述用户反馈分析模块,用于对用户对广告的反馈进行深入分析,所述深入分析包括用户点击广告的频率、给广告点赞的次数和用户对广告的评论内容;
所述用户行为分析模块,用于解析用户的浏览行为,所述浏览行为至少包括用户在广告播放页面的停留时间和用户是否选择跳过广告;
所述影响因素分析模块,用于分析广告形式、播放频道对广告效果的影响,识别对广告效果影响最大的因素;
所述广告投放策略模型构建模块,用于根据描述性统计分析、用户对广告的反馈、用户的浏览行为及播放频道对广告效果的影响的分析,使用决策树算法构建广告投放策略模型;
所述广告运营关键数据指标包括:广告被展示的次数、广告被点击的次数占展示次数的比例、广告引导用户下载某App次数、用户使用某App的时长、用户使用某App的频率、广告被点击的绝对次数、广告被点击后实际进行了下载App或购买商品的用户占点击用户的比例、用户实际使用某App的情况、用户观看视频广告至结束的比例、用户对广告的反馈和用户在广告页面的行为;
所述数据可视化与预警机制模块包括:设定指标模块、设定指标数据采集模块、设定指标阈值设定模块、数据可视化模块、预警机制模块及优化与改进模块;
所述设定指标模块,用于从广告运营关键数据指标中选择设定指标,所述设定指标需能全面反映广告的运营情况;
所述设定指标数据采集模块,用于实时采集被监控广告的设定指标的数据;
所述设定指标阈值设定模块,用于针对每个设定指标,设定正常范围的阈值;
所述数据可视化模块,用于将采集到的指标数据通过图表进行可视化,以便运营人员能够直观地看到广告运营的状况;
所述预警机制模块,用于当某个设定指标超出阈值范围时,立即触发预警,实时发送预警信息给相关人员;
所述优化与改进模块,用于当出现预警时,分析导致数据超出阈值的原因,提出并实施相应的改进措施。
2.根据权利要求1所述的一种用于广告投放的实时监控系统,其特征在于,所述用户画像建立与行为分析模块包括:用户的行为数据获取模块、用户画像创建模块、用户分群模块及行为偏好分析模块;
所述用户的行为数据获取模块,用于获取用户的行为数据,所述用户的行为数据至少包括用户在网站或应用上的浏览历史、搜索历史、点击历史和购买历史;
所述用户画像创建模块,用于获取用户的行为特征,并根据用户的行为特征创建用户画像,所述用户的行为特征至少包括兴趣爱好、购买习惯、搜索习惯;
所述用户分群模块,用于根据用户画像,按照年龄、性别和兴趣将用户划分成不同的群体;
所述行为偏好分析模块,用于基于用户的行为数据和用户画像,对不同的群体的行为偏好进行分析。
3.根据权利要求2所述的一种用于广告投放的实时监控系统,其特征在于,所述数据处理与行为模式发现模块包括:数据整合模块、数据划分模块、XGBoost模型训练模块、CNN模型训练模块、模型融合与优化模块及模型评估与行为识别模块;
所述数据整合模块,用于对广告的各项数据、用户的行为数据以及行为偏好的分析结果进行整合,生成用户的特征数据和标签数据,所述特征数据至少包括用户的属性特征、兴趣特征和行为特征;
所述数据划分模块,用于将特征数据和标签数据划分为训练集、验证集和测试集;
所述XGBoost模型训练模块,用于建立XGBoost模型,并对训练集的特征数据和标签数据进行XGBoost模型训练;
所述CNN模型训练模块,用于建立CNN模型,并对训练集的特征数据进行CNN模型训练;
所述模型融合与优化模块,用于使用验证集对XGBoost模型和CNN模型进行单独评估,找到各自的最优超参数,并融合得到用户行为优化预测模型;
所述模型评估与行为识别模块,用于利用测试集对用户行为优化预测模型的泛化能力和效果进行评估,并根据用户行为优化预测模型的评估结果,识别用户的行为模式。
4.根据权利要求3所述的一种用于广告投放的实时监控系统,其特征在于,所述模型融合与优化模块包括:XGBoost模型调优模块、CNN模型调优模块、融合模块及用户行为优化预测模型评估模块;
所述XGBoost模型调优模块,用于使用验证集对XGBoost模型进行评估,调整XGBoost模型的超参数,所述XGBoost模型的超参数至少包括:树的深度和学习率,找到XGBoost模型的最优超参数组合;
所述CNN模型调优模块,用于使用验证集对CNN模型进行评估,调整CNN模型的超参数,所述CNN模型的超参数至少包括:卷积核数量、卷积核大小和池化核大小,找到CNN模型的最优超参数组合;
所述融合模块,用于利用XGBoost模型的最优超参数组合和CNN模型的最优超参数组合对XGBoost模型和CNN模型进行预测,同时利用加权平均法,设定XGBoost模型和CNN模型的权重,并根据权重将XGBoost模型和CNN模型的预测结果进行融合,得到用户行为优化预测模型;
所述用户行为优化预测模型评估模块,用于使用测试集对用户行为优化预测模型进行评估,验证用户行为优化预测模型的泛化能力和效果。
5.根据权利要求4所述的一种用于广告投放的实时监控系统,其特征在于,所述广告投放策略优化模块包括:用户行为偏好分析模块、问题定位与策略优化模块、策略实施模块及效果跟踪模块;
所述用户行为偏好分析模块,用于对用户行为进行持续监测,不断收集用户行为数据,识别用户的最新偏好和习惯;
所述问题定位与策略优化模块,用于根据用户行为数据和预警机制的通知,定位当前广告投放策略中的问题,并基于当前广告投放策略中的问题,优化广告投放策略;
所述策略实施模块,用于将优化后的广告投放策略实施到实际运营中;
所述效果跟踪模块,用于跟踪新的广告投放策略的效果,通过分析设定指标来评估广告效果是否达到预期;若未达到预期,则再次进行策略优化。
6.根据权利要求5所述的一种用于广告投放的实时监控系统,其特征在于,所述问题定位与策略优化模块包括:用户需求分析模块、市场环境研究模块、问题识别模块、策略优化设计模块及策略效果验证模块;
所述用户需求分析模块,用于追踪用户行为数据,比较历史和当前数据,揭示用户的偏好趋势,得到用户需求的演变;
所述市场环境研究模块,用于关注市场环境,所述市场环境至少包括竞品策略和行业发展趋势,并规避潜在风险;
所述问题识别模块,用于基于用户行为数据和市场环境的分析,确定广告策略存在的问题;
所述策略优化设计模块,用于从广告形式、内容、投放时间、频道和目标受众的方面思考和制定针对性的优化策略;
所述策略效果验证模块,用于采用专家评审或用户调研的方式,预检新策略的效果,如未达预期,则调整优化策略。
7.一种用于广告投放的实时监控方法,用于实现权利要求1-6中任一项所述用于广告投放的实时监控系统的监控,其特征在于,所述实时监控方法包括以下步骤:
S1、实时采集广告的各项数据和用户的行为数据,所述各项数据包括展示频次、点击数、下载量、使用时长和频率;
S2、获取用户的行为数据并建立用户画像,进行不同用户群的行为偏好分析;
S3、利用XGBoost算法和CNN模型处理用户画像和行为偏好分析的结果,获取用户的行为模式;
S4、根据用户的行为模式,分析视频广告的播放情况、广告的接收情况和效果,同时考虑广告的形式和播放的频道;
S5、应用深度学习技术对广告的图片和视频进行分析,检测广告内容中的缺陷,并对缺陷进行识别和处理;
S6、根据广告的形式和播放的频道,设定广告运营关键数据指标;
S7、根据关键数据指标,提供可视化的运营状况展示界面,并建立预警机制;
S8、行为偏好分析的结果和预警机制的通知,进行广告投放策略的优化,所述策略的优化至少包括投放时间、频道选择、受众选择,以实现精准广告投放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088243.0A CN116797282B (zh) | 2023-08-28 | 2023-08-28 | 一种用于广告投放的实时监控系统以及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088243.0A CN116797282B (zh) | 2023-08-28 | 2023-08-28 | 一种用于广告投放的实时监控系统以及监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797282A CN116797282A (zh) | 2023-09-22 |
CN116797282B true CN116797282B (zh) | 2023-10-27 |
Family
ID=88050156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311088243.0A Active CN116797282B (zh) | 2023-08-28 | 2023-08-28 | 一种用于广告投放的实时监控系统以及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797282B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333233A (zh) * | 2023-10-16 | 2024-01-02 | 广州航海学院 | 一种基于ai的目标导向电子商务广告推送方法 |
CN117196725B (zh) * | 2023-11-06 | 2024-01-23 | 厦门乾升网络科技有限公司 | 一种适用于短视频平台的广告智能推送系统 |
CN117522486B (zh) * | 2024-01-08 | 2024-04-02 | 深圳市华熠网络有限公司 | 一种用于电子商务的智能化广告投放系统及方法 |
CN117715049B (zh) * | 2024-02-05 | 2024-04-12 | 成都一心航科技有限公司 | 一种针对手机浏览器的反作弊系统以及反作弊方法 |
CN117829914B (zh) * | 2024-03-04 | 2024-05-10 | 长春大学 | 一种数字媒体广告效果评估系统 |
CN117853170B (zh) * | 2024-03-08 | 2024-05-31 | 深圳市易售科技有限公司 | 一种广告投放内容的动态监控方法、系统及存储器 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615429A (zh) * | 2018-12-11 | 2019-04-12 | 大象慧云信息技术有限公司 | 一种基于发票数据的精准广告投放系统及方法 |
CN110533482A (zh) * | 2019-09-05 | 2019-12-03 | 北京智云联众科技有限公司 | 一种户外广告投放效果监测方法 |
CN111091400A (zh) * | 2018-10-23 | 2020-05-01 | 第四范式(北京)技术有限公司 | 广告转化预测模型的生成以及投放广告的方法和装置 |
US10779021B1 (en) * | 2019-04-22 | 2020-09-15 | Konduit.me Inc. | Video ad delivery and verification |
CN111882362A (zh) * | 2020-07-31 | 2020-11-03 | 苏州云开网络科技有限公司 | 一种基于5g通讯网络的人工智能广告投放系统 |
CN112598438A (zh) * | 2020-12-18 | 2021-04-02 | 苏州壹佰伍拾亿智能科技有限公司 | 一种基于大规模用户画像的户外广告推荐系统及方法 |
CN112785332A (zh) * | 2021-01-12 | 2021-05-11 | 上海浩御文化传媒有限公司 | 一种媒体画像分析的方法 |
CN112837086A (zh) * | 2020-12-31 | 2021-05-25 | 苏州整数科技有限公司 | 一种基于效果追踪的广告投放及内容生产方法 |
CN112967080A (zh) * | 2018-01-29 | 2021-06-15 | 河北三川科技有限公司 | 广告投放效果监控系统 |
CN113379460A (zh) * | 2021-06-21 | 2021-09-10 | 安徽西柚酷媒信息科技有限公司 | 一种基于用户画像的广告精准投放方法 |
CN113469737A (zh) * | 2021-06-21 | 2021-10-01 | 安徽西柚酷媒信息科技有限公司 | 一种广告分析数据库的创建系统 |
CN114331561A (zh) * | 2022-01-06 | 2022-04-12 | 广州岸边网络科技有限公司 | 一种智能广告信息投放匹配系统及方法 |
CN116452261A (zh) * | 2023-06-15 | 2023-07-18 | 深圳千亚商务科技有限公司 | 一种基于跨境电商服务平台的广告投放数据处理方法 |
-
2023
- 2023-08-28 CN CN202311088243.0A patent/CN116797282B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967080A (zh) * | 2018-01-29 | 2021-06-15 | 河北三川科技有限公司 | 广告投放效果监控系统 |
CN111091400A (zh) * | 2018-10-23 | 2020-05-01 | 第四范式(北京)技术有限公司 | 广告转化预测模型的生成以及投放广告的方法和装置 |
CN109615429A (zh) * | 2018-12-11 | 2019-04-12 | 大象慧云信息技术有限公司 | 一种基于发票数据的精准广告投放系统及方法 |
US10779021B1 (en) * | 2019-04-22 | 2020-09-15 | Konduit.me Inc. | Video ad delivery and verification |
CN110533482A (zh) * | 2019-09-05 | 2019-12-03 | 北京智云联众科技有限公司 | 一种户外广告投放效果监测方法 |
CN111882362A (zh) * | 2020-07-31 | 2020-11-03 | 苏州云开网络科技有限公司 | 一种基于5g通讯网络的人工智能广告投放系统 |
CN112598438A (zh) * | 2020-12-18 | 2021-04-02 | 苏州壹佰伍拾亿智能科技有限公司 | 一种基于大规模用户画像的户外广告推荐系统及方法 |
CN112837086A (zh) * | 2020-12-31 | 2021-05-25 | 苏州整数科技有限公司 | 一种基于效果追踪的广告投放及内容生产方法 |
CN112785332A (zh) * | 2021-01-12 | 2021-05-11 | 上海浩御文化传媒有限公司 | 一种媒体画像分析的方法 |
CN113379460A (zh) * | 2021-06-21 | 2021-09-10 | 安徽西柚酷媒信息科技有限公司 | 一种基于用户画像的广告精准投放方法 |
CN113469737A (zh) * | 2021-06-21 | 2021-10-01 | 安徽西柚酷媒信息科技有限公司 | 一种广告分析数据库的创建系统 |
CN114331561A (zh) * | 2022-01-06 | 2022-04-12 | 广州岸边网络科技有限公司 | 一种智能广告信息投放匹配系统及方法 |
CN116452261A (zh) * | 2023-06-15 | 2023-07-18 | 深圳千亚商务科技有限公司 | 一种基于跨境电商服务平台的广告投放数据处理方法 |
Non-Patent Citations (4)
Title |
---|
"基于用户个性化数据的信息流广告推荐系统分析与设计";赵旭东;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;第I138-1293页 * |
"基于聚类算法的广告投放渠道效果分析";徐倩;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;第I138-386页 * |
QIU Haoran 等." Elaboration Likelihood Model (ELM) Analysis of User Respond on Douyin Advertising Placement".《Canadian Social Science》.2022,第18卷(第5期),第110-119页. * |
广告智能投放:基于主体-对象-过程的系统模型;姜智彬;郭钦颖;;当代传播(第05期);第80-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116797282A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116797282B (zh) | 一种用于广告投放的实时监控系统以及监控方法 | |
US20200288206A1 (en) | System and Method for Segment Relevance Detection for Digital Content | |
US20210209659A1 (en) | Methods and apparatus to measure media using media object characteristics | |
US10977692B2 (en) | Digital advertising system | |
CN104247441B (zh) | 自动推荐内容 | |
US20170091822A1 (en) | Electronic digital display screen having a content scheduler operable via a cloud based content management system | |
US8281334B2 (en) | Facilitating advertisement placement over video content | |
US20130339156A1 (en) | Method and Apparatus for Selecting an Advertisement for Display on a Digital Sign According to an Approaching Object | |
JP6807389B2 (ja) | メディアコンテンツのパフォーマンスの即時予測のための方法及び装置 | |
US20150095145A1 (en) | Advertisement effectiveness measurement | |
CN103339649A (zh) | 基于情感的视频推荐 | |
CN111158546A (zh) | 媒体信息的展示方法和装置、存储介质、电子装置 | |
US20190295123A1 (en) | Evaluating media content using synthetic control groups | |
US20180089715A1 (en) | System and method for analyzing and predicting emotion reaction | |
Arantes et al. | Understanding video-ad consumption on YouTube: a measurement study on user behavior, popularity, and content properties | |
US20140157299A1 (en) | Systems and Methods for Video-Level Reporting | |
US20200074481A1 (en) | System, method, and device for analyzing media asset data | |
US11812105B2 (en) | System and method for collecting data to assess effectiveness of displayed content | |
US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
US20200265477A1 (en) | Targeted advertising systems and methods | |
CN117035826A (zh) | 一种数字化营销方法和营销平台 | |
US20220038757A1 (en) | System for Real Time Internet Protocol Content Integration, Prioritization and Distribution | |
CN105830453B (zh) | 测量媒体的方法和装置 | |
CN112818231A (zh) | 信息投放方法、装置、电子设备及存储介质 | |
EP3973492A1 (en) | System and method for prediction of tv users engagement |
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 |