CN116797290A - 广告智能投放系统及其方法 - Google Patents
广告智能投放系统及其方法 Download PDFInfo
- Publication number
- CN116797290A CN116797290A CN202310828535.7A CN202310828535A CN116797290A CN 116797290 A CN116797290 A CN 116797290A CN 202310828535 A CN202310828535 A CN 202310828535A CN 116797290 A CN116797290 A CN 116797290A
- Authority
- CN
- China
- Prior art keywords
- user
- advertisement
- vector
- feature
- matrix
- 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 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 254
- 239000011159 matrix material Substances 0.000 claims description 148
- 238000005457 optimization Methods 0.000 claims description 20
- 238000005728 strengthening Methods 0.000 claims description 20
- 230000002787 reinforcement Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 238000002716 delivery method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请涉及智能投放领域,其具体公开了一种广告智能投放系统及其方法,其采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。这样,通过对用户数据和广告数据进行多维度调查来精准向用户投放广告,提高了广告的点击率和转化率。
Description
技术领域
本申请涉及智能投放领域,且更为具体的涉及一种广告智能投放系统及其方法。
背景技术
广告投放是企业进行营销推广的重要手段之一,通过广告投放可以帮助企业提高品牌知名度、促进产品销售、吸引潜在客户等。广告投放可以在不同的媒介上进行,如电视、广播、互联网、报纸等。在互联网上,广告投放可以通过搜索引擎、社交媒体、网站广告等方式进行。广告投放的目的是让广告被更多的人看到,从而达到宣传推广的效果。传统的广告投放缺乏个性化,广告内容无法根据不同用户的需求进行定向投放,难以提高广告的点击率和转化率。
因此,期待一种优化的广告投放方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种广告智能投放系统及其方法,其采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。这样,通过对用户数据和广告数据进行多维度调查来精准向用户投放广告,提高了广告的点击率和转化率。
根据本申请的一个方面,提供了一种广告智能投放系统,其包括:
用户多维度数据获取模块,用于获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据;
用户多维度数据上下文编码模块,用于将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量;
广告多维度数据获取模块,用于获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据;
广告多维度数据上下文编码模块,用于将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量;
关联编码模块,用于对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
优化模块,用于对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵;以及
分类模块,用于将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
在上述的广告智能投放系统中,所述用户多维度数据上下文编码模块,包括:
第一嵌入转化单元,用于将所述用户多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为用户嵌入向量以得到用户嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
第一编码单元,用于将所述用户嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个用户上下文语义特征向量;以及
第一级联子单元,用于将所述多个用户语义特征向量进行级联以得到所述用户语义特征向量。
在上述的广告智能投放系统中,所述第一编码单元,包括:
第一查询向量构造子单元,用于将所述用户嵌入向量的序列排列为输入向量;
第一向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
第一自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
第一标准化子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
第一关注度计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
第一注意力施加子单元,用于将所述自注意力特征矩阵与所述用户嵌入向量的序列中各个用户嵌入向量分别相乘得到所述多个用户语义上下文特征向量。
在上述的广告智能投放系统中,所述广告多维度数据上下文编码模块,包括:
第二嵌入转化单元,用于将所述广告多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为广告嵌入向量以得到广告嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
第二编码单元,用于将所述广告嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个广告语义上下文特征向量;以及
第二级联子单元,用于将多个所述广告语义上下文特征向量进行级联以得到所述广告语义特征向量。
在上述的广告智能投放系统中,所述第二编码单元,包括:
第二查询向量构造子单元,用于将所述广告嵌入向量的序列排列为输入向量;
第二向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
第二自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
第二标准化子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
第二关注度计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
第二注意力施加子单元,用于将所述自注意力特征矩阵与所述广告嵌入向量的序列中各个广告嵌入向量分别相乘得到所述多个所述广告语义上下文特征向量。
在上述的广告智能投放系统中,所述关联编码模块,用于:
以如下关联编码公式对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
其中,所述关联编码公式为:
其中Va T表示所述用户语义特征向量的转置向量,Vb表示所述广告语义特征向量,M表示所述关联特征矩阵,表示矩阵相乘。
在上述的广告智能投放系统中,所述优化模块,包括:
表达强化单元,用于对所述关联特征矩阵进行基于高斯密度图的特征级表达强化以得到强化特征矩阵;
推土机距离计算单元,用于计算所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的推土机距离以得到所述各个强化特征向量的多个推土机距离;
加和单元,用于计算所述各个强化特征向量的多个推土机距离的加和值作为所述各个强化特征向量的鲁棒聚类依赖性特征值;以及
优化单元,用于基于所述各个强化特征向量的鲁棒聚类依赖性特征值,对所述关联特征矩阵进行掩码化以对所述关联特征矩阵进行鲁棒聚类依赖性优化以得到优化关联特征矩阵。
在上述的广告智能投放系统中,所述分类模块,包括:
展开单元,用于将所述优化关联特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种广告智能投放方法,其包括:
获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据;
将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量;
获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据;
将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量;
对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵;以及
将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
与现有技术相比,本申请提供的广告智能投放系统及其方法,其采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。这样,通过对用户数据和广告数据进行多维度调查来精准向用户投放广告,提高了广告的点击率和转化率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的广告智能投放系统的框图。
图2图示了根据本申请实施例的广告智能投放系统的系统架构图。
图3图示了根据本申请实施例的广告智能投放系统中用户多维度数据上下文编码模块的框图。
图4图示了根据本申请实施例的广告智能投放系统中第一编码单元的框图。
图5图示了根据本申请实施例的广告智能投放系统中广告多维度数据上下文编码模块的框图。
图6图示了根据本申请实施例的广告智能投放系统中第二编码单元的框图。
图7图示了根据本申请实施例的广告智能投放系统中分类模块的框图。
图8图示了根据本申请实施例的广告智能投放方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言,广告投放是企业进行营销推广的重要手段之一,通过广告投放可以帮助企业提高品牌知名度、促进产品销售、吸引潜在客户等。广告投放可以在不同的媒介上进行,如电视、广播、互联网、报纸等。在互联网上,广告投放可以通过搜索引擎、社交媒体、网站广告等方式进行。广告投放的目的是让广告被更多的人看到,从而达到宣传推广的效果。传统的广告投放缺乏个性化,广告内容无法根据不同用户的需求进行定向投放,难以提高广告的点击率和转化率。因此,期待一种优化的广告投放方案。
针对上述技术问题,提出了基于多尺度的用户和广告数据,其使用基于深度神经网络的人工智能技术来综合用户和广告的多维度数据,并利用分类器得到是否向用户投放广告的分类结果。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为广告智能投放系统提供了新的解决思路和方案。
具体地,首先获取用户和广告的多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求数据维度维度、和用户地理位置维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据。具体地,在本申请的技术方案中,所述用户购买行为维度:包括用户购买时间、购买地点、购买渠道、购买数量、购买金额、购买产品类别、购买频率等等;所述用户偏好和需求数据维度:包括用户对不同产品功能、品牌、价格、外观、质量等方面的偏好、用户的购买动机和决策过程、用户的反馈和评价等等;所述用户地理位置维度:包括用户所在的城市或者地区、用户常去的商圈、购物中心等地点信息、用户居住或者工作的具体住址、用户所在区域的经济发展水平、人口密度等相关信息等等;所谓时间维度数据:包括广告投放的时间段和频次数据等等;所谓媒体平台维度数据:包括媒体类型、频道、位置等;所谓成本维度数据:包括广告位费用、制作费用;所谓互动维度数据,包括用户的评论、分享、点赞等;所谓点击频率维度数据,包括广告被用户点击的次数等。
在得到所述多维度数据,可基于不同维度的用户数据和广告数据进行聚合,可以两两聚合,也可以多维度聚合,经过统计计算,得出多维度聚合的基于用户数据和广告数据来判断是否向用户投放广告。但是,各个维度数据之间的关联是复杂的且是非线性的,同时,在进行多维度聚合时,也难以确定各个维度数据所占权重,导致基于用户数据和广告数据来向用户投放广告的判断出现偏差。
针对上述技术问题,在本申请的技术方案中,采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。这样,通过对用户数据和广告数据进行多维度调查来精准向用户投放广告,提高了广告的点击率和转化率。
具体地,首先将所述用户的多维度数据分别转化为嵌入向量,例如,通过可学习的嵌入矩阵对各个维度数据进行嵌入编码以将所述各个维度数据转化为嵌入向量以得到嵌入向量的序列;接着,将所述嵌入向量的序列通过基于转换器的上下文编码器以得到多个维度语义特征向量。这里,所述基于转换器的上下文编码器能够自注意力机制来捕捉各个嵌入向量相对于其他所有嵌入向量的全局上下文语义关联信息以得到多个维度语义特征向量。
接着,将所述多个用户多维度语义特征向量和广告多维度语义特征向量进行关联编码以得到关联特征矩阵,以此来建立所述用户多维度语义特征与所述广告语义特征之间的关联性特征分布信息,并以此作为分类特征矩阵通过分类器中进行分类处理,来得到用于表示是否向用户投放广告的分类结果。
特别地,在本申请的技术方案中,考虑到所述关联特征矩阵是高维、复杂和非凸的特征元素集合,所述关联特征矩阵中所蕴含的异常值和噪声点会影响所述关联特征矩阵的分类判断的精准度。基于此,在本申请的技术方案中,首先通过高斯密度图来对所述关联特征矩阵进行特征级表达强化,其本质是利用所述关联特征矩阵的先验分布信息来对所述关联特征矩阵中各个位置的特征值进行基于所述关联特征矩阵的整体特征分布来进行基于先验分布信息的特征级强化以得到强化特征矩阵;关联编码模块150,用于对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;优化模块160,用于对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵;以及分类模块170,用于将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
图2图示了根据本申请实施例的广告智能投放系统的系统架构图。如图2所示,在该系统架构中,首先,获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据。然后,将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量。接着,获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据。然后,将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量。接着,对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵。进而,对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵。最后,将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
在上述的广告智能投放系统100中,用户多维度数据获取模块110,用于获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据。
如上述背景技术所言,广告投放是企业进行营销推广的重要手段之一,通过广告投放可以帮助企业提高品牌知名度、促进产品销售、吸引潜在客户等。广告投放可以在不同的媒介上进行,如电视、广播、互联网、报纸等。在互联网上,广告投放可以通过搜索引擎、社交媒体、网站广告等方式进行。广告投放的目的是让广告被更多的人看到,从而达到宣传推广的效果。传统的广告投放缺乏个性化,广告内容无法根据不同用户的需求进行定向投放,难以提高广告的点击率和转化率。因此,期待一种优化的广告投放方案。
针对上述技术问题,提出了基于多尺度的用户和广告数据,其使用基于深度神经网络的人工智能技术来综合用户和广告的多维度数据,并利用分类器得到是否向用户投放广告的分类结果。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为广告智能投放系统提供了新的解决思路和方案。
具体地,首先获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求数据维度维度、和用户地理位置维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据。具体地,在本申请的技术方案中,所述用户购买行为维度:包括用户购买时间、购买地点、购买渠道、购买数量、购买金额、购买产品类别、购买频率等等;所述用户偏好和需求数据维度:包括用户对不同产品功能、品牌、价格、外观、质量等方面的偏好、用户的购买动机和决策过程、用户的反馈和评价等等;所述用户地理位置维度:包括用户所在的城市或者地区、用户常去的商圈、购物中心等地点信息、用户居住或者工作的具体住址、用户所在区域的经济发展水平、人口密度等相关信息等等。
在上述的广告智能投放系统100中,用户多维度数据上下文编码模块120,用于将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量。在得到所述用户多维度数据,可基于不同维度的用户数据和广告数据进行聚合,可以两两聚合,也可以多维度聚合,经过统计计算,得出多维度聚合的基于用户数据和广告数据来判断是否向用户投放广告。但是,各个维度数据之间的关联是复杂的且是非线性的,同时,在进行多维度聚合时,也难以确定各个维度数据所占权重,导致基于用户数据和广告数据来向用户投放广告的判断出现偏差。
针对上述技术问题,在本申请的技术方案中,采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。
具体地,首先将所述用户多维度数据分别转化为嵌入向量,首先,通过可学习的嵌入矩阵对各个维度数据进行嵌入编码以将所述各个维度数据转化为嵌入向量以得到嵌入向量的序列;接着,将所述嵌入向量的序列通过基于转换器的上下文编码器以得到多个维度语义特征向量。这里,所述基于转换器的上下文编码器能够自注意力机制来捕捉各个嵌入向量相对于其他所有嵌入向量的全局上下文语义关联信息以得到多个维度语义特征向量。
图3图示了根据本申请实施例的广告智能投放系统中用户多维度数据上下文编码模块的框图。如图3所示,所述用户多维度数据上下文编码模块120,包括:第一嵌入转化单元121,用于将所述用户多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为用户嵌入向量以得到用户嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;第一编码单元122,用于将所述用户嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个用户上下文语义特征向量;以及第一级联子单元123,用于将所述多个用户语义特征向量进行级联以得到所述用户语义特征向量。
图4图示了根据本申请实施例的广告智能投放系统中第一编码单元的框图。如图4所示,所述第一编码单元122,包括:第一查询向量构造子单元1221,用于将所述用户嵌入向量的序列排列为输入向量;第一向量转化子单元1222,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;第一自注意子单元1223,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;第一标准化子单元1224,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;第一关注度计算子单元1225,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及第一注意力施加子单元1226,用于将所述自注意力特征矩阵与所述用户嵌入向量的序列中各个用户嵌入向量分别相乘得到所述多个用户语义上下文特征向量。
在上述的广告智能投放系统100中,广告多维度数据获取模块130,用于获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据。在获取广告多维度数据时,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据。所谓时间维度数据:包括广告投放的时间段和频次数据等等;所谓媒体平台维度数据:包括媒体类型、频道、位置等;所谓成本维度数据:包括广告位费用、制作费用;所谓互动维度数据,包括用户的评论、分享、点赞等;所谓点击频率维度数据,包括广告被用户点击的次数等。
在上述的广告智能投放系统100中,广告多维度数据上下文编码模块140,用于将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量。在得到所述广告多维度数据,可基于不同维度的广告数据进行聚合,可以两两聚合,也可以多维度聚合,经过统计计算,得出多维度聚合的基于用户数据和广告数据来判断是否向用户投放广告。但是,各个维度数据之间的关联是复杂的且是非线性的,同时,在进行多维度聚合时,也难以确定各个维度数据所占权重,导致基于用户数据和广告数据来向用户投放广告的判断出现偏差。
针对上述技术问题,在本申请的技术方案中,采用基于深度学习的人工智能语义理解算法来提取出用户和广告的多维度数据的基于全局语义理解特征的关联性特征分布信息,以此来得到是否向用户投放该广告的分类结果。
具体地,首先将所述广告多维度数据分别转化为嵌入向量,首先,通过可学习的嵌入矩阵对各个维度数据进行嵌入编码以将所述各个维度数据转化为嵌入向量以得到嵌入向量的序列;接着,将所述嵌入向量的序列通过基于转换器的上下文编码器以得到多个维度语义特征向量。这里,所述基于转换器的上下文编码器能够自注意力机制来捕捉各个嵌入向量相对于其他所有嵌入向量的全局上下文语义关联信息以得到多个维度语义特征向量。
图5图示了根据本申请实施例的广告智能投放系统中广告多维度数据上下文编码模块的框图。如图5所示,所述广告多维度数据上下文编码模块140,包括:第二嵌入转化单元141,用于将所述广告多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为广告嵌入向量以得到广告嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;第二编码单元142,用于将所述广告嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个广告语义上下文特征向量;以及第二级联子单元143,用于将多个所述广告语义上下文特征向量进行级联以得到所述广告语义特征向量。
图6图示了根据本申请实施例的广告智能投放系统中第二编码单元的框图。如图6所示,所述第二编码单元142,包括:第二查询向量构造子单元1421,用于将所述广告嵌入向量的序列排列为输入向量;第二向量转化子单元1422,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;第二自注意子单元1423,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;第二标准化子单元1424,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;第二关注度计算子单元1425,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及第二注意力施加子单元1426,用于将所述自注意力特征矩阵与所述广告嵌入向量的序列中各个广告嵌入向量分别相乘得到所述多个所述广告语义上下文特征向量。
在上述的广告智能投放系统100中,关联编码模块150,用于对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵。将所述多个用户多维度语义特征向量和广告多维度语义特征向量进行关联编码以得到关联特征矩阵,以此来建立所述用户多维度语义特征与所述广告语义特征之间的关联性特征分布信息。
具体地,在本申请实施例中,所述关联编码模块150,用于:以如下关联编码公式对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;其中,所述关联编码公式为:
其中表示所述用户语义特征向量的转置向量,Vb表示所述广告语义特征向量,M表示所述关联特征矩阵,/>表示矩阵相乘。
在上述的广告智能投放系统100中,优化模块,用于对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵。在本申请的技术方案中,考虑到所述关联特征矩阵是高维、复杂和非凸的特征元素集合,所述关联特征矩阵中所蕴含的异常值和噪声点会影响所述关联特征矩阵的分类判断的精准度。基于此,在本申请的技术方案中,首先通过高斯密度图来对所述关联特征矩阵进行特征级表达强化,其本质是利用所述关联特征矩阵的先验分布信息来对所述关联特征矩阵中各个位置的特征值进行基于所述关联特征矩阵的整体特征分布来进行基于先验分布信息的特征级强化以得到强化特征矩阵。
进而,以所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的推土机距离来表示所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的特征分布的相似性。并计算所述各个强化特征向量的多个推土机距离的加和值作为所述各个强化特征向量的鲁棒聚类依赖性特征值,这里所述鲁棒聚类依赖性特征值用于表示所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的聚类性能。接着,基于所述各个强化特征向量的鲁棒聚类依赖性特征值,对所述关联特征矩阵进行掩码化以对所述关联特征矩阵进行鲁棒聚类依赖性优化以得到优化关联特征矩阵。例如,在本申请一个具体的示例中,基于所述各个强化特征向量的鲁棒聚类依赖性特征值与预定阈值之间的比较,确定是否将所述关联特征矩阵中对应位置的特征值进行归零。
这样,对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以基于所述关联特征矩阵的特征集合的数据分布内特性来有效地识别出所述关联特征矩阵中的异常值或噪声点以在降低所述关联特征矩阵的有效维度的同时且使得所述关联特征矩阵能够更为有效地反应数据的本质特征和规律,通过这样的方式,提高所述关联特征矩阵的分类判断的精准度。
具体地,在本申请实施例中,所述优化模块160,包括:表达强化单元,用于对所述关联特征矩阵进行基于高斯密度图的特征级表达强化以得到强化特征矩阵;推土机距离计算单元,用于计算所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的推土机距离以得到所述各个强化特征向量的多个推土机距离;加和单元,用于计算所述各个强化特征向量的多个推土机距离的加和值作为所述各个强化特征向量的鲁棒聚类依赖性特征值;以及优化单元,用于基于所述各个强化特征向量的鲁棒聚类依赖性特征值,对所述关联特征矩阵进行掩码化以对所述关联特征矩阵进行鲁棒聚类依赖性优化以得到优化关联特征矩阵。
在上述的广告智能投放系统100中,分类模块170,用于将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。这样,通过对用户数据和广告数据进行多维度调查来精准向用户投放广告,提高了广告的点击率和转化率。
图7图示了根据本申请实施例的广告智能投放系统中分类模块的框图。如图7所示,所述分类模块170,包括:展开单元171,用于将优化关联特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;全连接编码单元172,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元173,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
图8图示了根据本申请实施例的广告智能投放方法的流程图。如图8所示,根据本申请实施例的所述广告智能投放方法,包括步骤:S110,获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据;S120,将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量;S130,获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据;S140,将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量;S150,对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;以及S160,将所述关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
这里,本领域技术人员可以理解,上述广告智能投放方法中的各个步骤的具体操作已经在上面参考图1到图7的广告智能投放系统的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的广告智能投放系统100可以实现在各种终端设备中,例如广告智能投放服务器等。在一个示例中,根据本申请实施例的广告智能投放系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该广告智能投放系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该广告智能投放系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该广告智能投放系统100与该终端设备也可以是分立的设备,并且该广告智能投放系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种广告智能投放系统,其特征在于,包括:
用户多维度数据获取模块,用于获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据;
用户多维度数据上下文编码模块,用于将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量;
广告多维度数据获取模块,用于获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据;
广告多维度数据上下文编码模块,用于将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量;
关联编码模块,用于对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
优化模块,用于对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵;以及
分类模块,用于将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
2.根据权利要求1所述的广告智能投放系统,其特征在于,其特征在于,所述用户多维度数据上下文编码模块,包括:
第一嵌入转化单元,用于将所述用户多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为用户嵌入向量以得到用户嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
第一编码单元,用于将所述用户嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个用户上下文语义特征向量;以及
第一级联子单元,用于将所述多个用户语义特征向量进行级联以得到所述用户语义特征向量。
3.根据权利要求2所述的广告智能投放系统,其特征在于,所述第一编码单元,包括:
第一查询向量构造子单元,用于将所述用户嵌入向量的序列排列为输入向量;
第一向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
第一自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
第一标准化子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
第一关注度计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
第一注意力施加子单元,用于将所述自注意力特征矩阵与所述用户嵌入向量的序列中各个用户嵌入向量分别相乘得到所述多个用户语义上下文特征向量。
4.根据权利要求3所述的广告智能投放系统,其特征在于,所述广告多维度数据上下文编码模块,包括:
第二嵌入转化单元,用于将所述广告多维度数据分别通过嵌入层以将所述多维度数据中各个维度数据转化为广告嵌入向量以得到广告嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个维度数据进行嵌入编码;
第二编码单元,用于将所述广告嵌入向量的序列输入所述基于转换器的上下文编码器以得到所述多个广告语义上下文特征向量;以及
第二级联子单元,用于将多个所述广告语义上下文特征向量进行级联以得到所述广告语义特征向量。
5.根据权利要求4所述的广告智能投放系统,其特征在于,所述第二编码单元,包括:
第二查询向量构造子单元,用于将所述广告嵌入向量的序列排列为输入向量;
第二向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
第二自注意子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
第二标准化子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
第二关注度计算子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
第二注意力施加子单元,用于将所述自注意力特征矩阵与所述广告嵌入向量的序列中各个广告嵌入向量分别相乘得到所述多个所述广告语义上下文特征向量。
6.根据权利要求5所述的广告智能投放系统,其特征在于,所述关联编码模块,用于:
以如下关联编码公式对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
其中,所述关联编码公式为:
其中表示所述用户语义特征向量的转置向量,Vb表示所述广告语义特征向量,M表示所述关联特征矩阵,/>表示矩阵相乘。
7.根据权利要求6所述的广告智能投放系统,其特征在于,所述分类模块,包括:
展开单元,用于将优化关联特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.根据权利要求7所述的广告智能投放系统,其特征在于,所述优化模块,包括:
表达强化单元,用于对所述关联特征矩阵进行基于高斯密度图的特征级表达强化以得到强化特征矩阵;
推土机距离计算单元,用于计算所述强化特征矩阵中各个强化特征向量与其他强化特征向量之间的推土机距离以得到所述各个强化特征向量的多个推土机距离;
加和单元,用于计算所述各个强化特征向量的多个推土机距离的加和值作为所述各个强化特征向量的鲁棒聚类依赖性特征值;以及
优化单元,用于基于所述各个强化特征向量的鲁棒聚类依赖性特征值,对所述关联特征矩阵进行掩码化以对所述关联特征矩阵进行鲁棒聚类依赖性优化以得到优化关联特征矩阵。
9.一种广告智能投放方法,包括:
获取用户多维度数据,所述用户多维度数据包括用户购买行为维度数据、用户偏好和需求维度数据、和用户地理位置维度数据;
将所述用户多维度数据转化为用户嵌入向量后通过基于转换器的上下文编码器以得到用户语义特征向量;
获取广告多维度数据,所述广告多维度数据包括时间维度数据、媒体平台维度数据、成本维度数据、互动维度数据以及点击频率维度数据;
将所述广告多维度数据转化为广告嵌入向量后通过基于转换器的上下文编码器以得到广告语义特征向量;
对所述用户语义特征向量和所述广告语义特征向量进行关联编码以得到关联特征矩阵;
对所述关联特征矩阵进行基于聚类的稀疏鲁棒性优化以得到优化关联特征矩阵以及
将所述优化关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向用户投放该广告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828535.7A CN116797290A (zh) | 2023-07-06 | 2023-07-06 | 广告智能投放系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828535.7A CN116797290A (zh) | 2023-07-06 | 2023-07-06 | 广告智能投放系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797290A true CN116797290A (zh) | 2023-09-22 |
Family
ID=88044857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310828535.7A Pending CN116797290A (zh) | 2023-07-06 | 2023-07-06 | 广告智能投放系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522479A (zh) * | 2023-11-07 | 2024-02-06 | 北京创信合科技有限公司 | 互联网广告精准投放方法及系统 |
-
2023
- 2023-07-06 CN CN202310828535.7A patent/CN116797290A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522479A (zh) * | 2023-11-07 | 2024-02-06 | 北京创信合科技有限公司 | 互联网广告精准投放方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | CNN with depthwise separable convolutions and combined kernels for rating prediction | |
CN107515873B (zh) | 一种垃圾信息识别方法及设备 | |
CN106528812B (zh) | 一种基于usdr模型的云推荐方法 | |
CN110866042B (zh) | 表格智能查询方法、装置及计算机可读存储介质 | |
Abinaya et al. | Enhancing top-N recommendation using stacked autoencoder in context-aware recommender system | |
CN116797290A (zh) | 广告智能投放系统及其方法 | |
CN103095849A (zh) | 基于QoS属性预测和纠错的有监督Web服务发现方法及系统 | |
CN116523583A (zh) | 电子商务数据分析系统及其方法 | |
CN113128196A (zh) | 文本信息处理方法及其装置、存储介质 | |
CN112561599A (zh) | 一种融合域特征交互的基于注意力网络学习的点击率预测方法 | |
Pujastuti et al. | Handling Sparse Rating Matrix for E-commerce Recommender System Using Hybrid Deep Learning Based on LSTM, SDAE and Latent Factor. | |
CN112215629B (zh) | 基于构造对抗样本的多目标广告生成系统及其方法 | |
CN112950291B (zh) | 模型的偏差优化方法、装置、设备及计算机可读介质 | |
CN114090401A (zh) | 处理用户行为序列的方法及装置 | |
CN113947456B (zh) | 线上商铺匹配方法及其装置、设备、介质、产品 | |
Lu et al. | Exploiting user and business attributes for personalized business recommendation | |
CN111325578A (zh) | 预测模型的样本确定方法及装置、介质和设备 | |
Hanafi et al. | Word Sequential Using Deep LSTM and Matrix Factorization to Handle Rating Sparse Data for E‐Commerce Recommender System | |
CN115203516A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
Xia et al. | Internet advertising investment analysis based on beijing and jinhua signaling data | |
CN114596109A (zh) | 推荐信息的确定方法、装置、电子设备及存储介质 | |
Gupta et al. | Catching the drift: learning broad matches from clickthrough data | |
Li et al. | CTR prediction with user behavior: An augmented method of deep factorization machines | |
CN113449198B (zh) | 特征提取模型的训练方法、装置、设备及存储介质 | |
CN115545467B (zh) | 一种基于图神经网络的风险商品识别模型 |
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 |