发明内容
本申请实施例提供一种智能广告管理方法及系统,旨在提高实体店广告投放的准确性,以解决目前实体店广告投放资源的浪费问题。
第一方面,本申请实施例提供一种智能广告管理方法,包括:
响应实体店的广告投放请求,获取实体店的历史广告投放信息和历史广告转化信息,并根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域;
获取所述广告投放区域内的每个终端设备的用户行为信息,所述用户行为信息包括所述用户的消费信息、浏览信息;
分别将每个所述用户行为信息输入各自对应的所述终端设备上预设的兴趣点预测模型,以获取每个所述终端设备的兴趣点;
基于每个所述终端设备的兴趣点和所述实体店的产品类型确定所述广告投放区域内的目标终端设备;
将所述实体店的广告投放至所述目标终端设备。
在一些实施例中,所述历史广告投放信息包括所述实体店的多个历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告投放数量,所述历史广告转化信息包括多个所述历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告转化数量,所述根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域,包括:
分别计算每个所述历史广告投放区域的广告转化数量与广告投放数量的百分比;
比较所述百分比与预设百分比的大小关系;
将大于所述预设值的所述百分比对应的所述历史广告投放区域确定为所述广告投放区域。
在一些实施例中,所述兴趣点预测模型的训练方法包括:
获取训练样本集,并基于所述训练样本集对每个所述终端设备预设的初始兴趣点预测模型进行训练,在每个所述初始兴趣点预测模型收敛之后,得到收敛后的每个所述初始兴趣点预测模型的模型参数;
对所有所述模型参数进行融合计算,得到融合模型参数;
将每个所述模型参数更新为所述融合模型参数,得到每个所述终端设备的待定兴趣点预测模型;
获取验证集,所述验证集包括多个映射关系,所述映射关系为实际兴趣点与所述实际兴趣点预测信息集的映射关系,根据所述待定兴趣点预测模型得到所述第二训练样本集中的每个兴趣点预测信息集对应的预测兴趣点;
根据每个所述实际兴趣点预测信息集对应的预测兴趣点与实际兴趣点确定所述待定兴趣点预测模型的预测结果准确率;
比较所述准确率与预设准确率的大小关系;
当所述准确率大于所述预设准确率时,确定所述待定兴趣点预测模型为每个所述终端设备预设的兴趣点预测模型。
在一些实施例中,所述浏览信息包括所述用户当前浏览的媒体,所述将所述实体店的广告投放至所述目标终端设备,包括:
获取所述实体店的广告投放信息,根据所述广告投放信息和所述媒体,生成多个元素标签信息和模板信息;
根据多个所述元素标签信息在预设的素材库中进行检索,确定多个初始广告合成元素;
将多个所述初始广告合成元素分别输入预设的标准元素标签识别模型,以获取多个所述初始广告合成元素分别对应的标准元素标签信息;
计算每个所述初始广告合成元素对应的所述元素标签信息和所述标准元素标签信息的相似度;
比较每个所述相似度与预设相似度的大小关系;
若所述相似度大于所述预设相似度,将所述相似度对应的所述初始广告合成元素确定为广告合成元素;
若所述相似度小于所述预设相似度,根据所述相似度对应的所述元素标签信息从云端获取广告合成元素,并将从云端获取到的所述合成元素存入所述素材库;
根据所述模板信息将所述广告合成元素和从云端获取的所述广告合成元素合成为所述实体店的广告;
根据所述媒体将所述实体店的广告投放至所述目标终端设备。
在一些实施例中,所述根据所述媒体将所述实体店的广告投放至所述目标终端设备,包括:
获取所述目标终端设备的所述用户中当前正在浏览同一所述媒体的用户数量;
向所述实体店反馈所述用户数量,其中,所述实体店根据所述用户数量购买当前同一所述媒体的广告投放数量;
响应所述实体店的购买行为,将所述实体店的广告投放至所述目标终端设备的用户当前正在浏览的同一所述媒体。
在一些实施例中,在所述根据所述媒体将所述实体店的广告投放至所述目标终端设备之前,所述方法还包括:
获取所述目标终端设备的用户身份信息;
根据所述用户身份信息调整所述实体店的广告的参数信息。
第二方面,本申请实施例提供一种智能广告管理系统,包括:
第一确定模块,用于响应实体店的广告投放请求,获取实体店的历史广告投放信息和历史广告转化信息,并根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域;
获取模块,用于获取所述广告投放区域内的每个终端设备的用户行为信息,所述用户行为信息包括所述用户的消费信息、浏览信息;
输入模块,用于分别将每个所述用户行为信息输入各自对应的所述终端设备预设的兴趣点预测模型,以获取每个所述终端设备的兴趣点;
第二确定模块,用于基于每个所述终端设备的兴趣点和所述实体店的产品类型确定所述广告投放区域内的目标终端设备;
投放模块,用于将所述实体店的广告投放至所述目标终端设备。
第三方面,本申请实施例提供一种终端设备,所述终端设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的任一种智能广告管理方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的任一种智能广告管理方法。
本申请实施例公开了智能广告管理方法及系统,其中,所述智能广告管理方法包括:响应实体店的广告投放请求,获取实体店的历史广告投放信息和历史广告转化信息,并根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域;获取所述广告投放区域内的每个终端设备的用户行为信息,所述用户行为信息包括所述用户的消费信息、浏览信息;分别将每个所述用户行为信息输入各自对应的所述终端设备上预设的兴趣点预测模型,以获取每个所述终端设备的兴趣点;基于每个所述终端设备的兴趣点和所述实体店的产品类型确定所述广告投放区域内的目标终端设备;
将所述实体店的广告投放至所述目标终端设备。所述智能广告管理方法提高了实体店广告投放的准确性,解决了目前实体店广告投放资源的浪费问题。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
随着互联网技术的发展,广告投放已成为实体店推广的主要方式,目前,利用互联网技术在各个平台上推广产品的实体店逐渐增多,而现有的智能广告管理方法考虑的因素较为单一,通常只考虑消费者的消费倾向,从而造成了大量广告投放资源的浪费,给实体店的经营造成严重的损失。为此,本申请实施例提供一种智能广告管理方法及系统,以解决上述问题。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述实施例及实施例中的特征可以相互结合。
请参阅图1,图1为本申请实施例提供的智能广告管理方法的流程示意图,如图1所示,智能广告管理方法包括步骤S101至步骤S105。
步骤S101、响应实体店的广告投放请求,获取实体店的历史广告投放信息和历史广告转化信息,并根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域。
其中,所述历史广告投放信息包括所述实体店的历史广告投放区域和所述历史广告投放区域对应的历史广告投放数量,所述历史广告转化信息包括所述历史广告投放区域和所述历史广告投放区域对应的历史广告转化数量,其中,广告转化数量是指用户通过所述实体店投放的广告购买所述实体店的产品的次数。
步骤S102、获取所述广告投放区域内的每个终端设备的用户行为信息,所述用户行为信息包括所述用户的消费信息、浏览信息。
其中,所述消费信息包括所述用户消费的产品类型、所述用户消费的产品类型对应的价格区间,所述浏览信息包括所述用户浏览的内容类型、所述用户浏览的媒体类型。
步骤S103、分别将每个所述用户行为信息输入各自对应的所述终端设备上预设的兴趣点预测模型,以获取每个所述终端设备的兴趣点。
其中,所述兴趣点预测模型可通过卷积神经网络训练方法获得。
可以理解地,由于所述用户行为包括所述用户的消费信息和浏览信息,因此,通过步骤S103获取到的每个所述终端设备的兴趣点相比于只考虑用户的购物倾向获取到的每个所述终端设备的兴趣点会更加全面,有助于在所述广告投放区域内获得更多的所述目标终端设备,为提高所述实体店的营收带来更大的可能行。
可以理解地,分别将每个所述用户行为信息输入各自对应的所述终端设备上预设的兴趣点预测模型可以防止用户行为信息在传输过程中的泄露问题,使获取到的每个所述终端设备的兴趣点更加全面且准确。
步骤S104、基于每个所述终端设备的兴趣点和所述实体店的产品类型确定所述广告投放区域内的目标终端设备。
其中,每个所述终端设备的兴趣点包括一个或多个,每个所述终端设备的兴趣点中包括与所述实体店的产品类型相匹配的兴趣点,例如,终端设备A的兴趣点包括美容、健身和养生,投放广告的所述实体店的产品类型为养生餐,则确定终端设备A为所述目标终端设备。
步骤S105、将所述实体店的广告投放至所述目标终端设备。
本实施例提供的智能广告管理方法首先根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域,然后获取所述广告投放区域内的每个所述终端设备的用户行为信息,并根据每个所述终端设备的用户行为信息确定每个所述目标终端设备的兴趣点,最后根据每个所述目标终端设备的兴趣点和所述实体店的产品类型确定所述目标终端设备,并将所述实体店的广告投放至所述目标终端设备,提高了实体店广告投放的准确性,解决了目前实体店广告投放资源的浪费问题。
在一些实施例中,所述历史广告投放信息包括所述实体店的多个历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告投放数量,所述历史广告转化信息包括多个所述历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告转化数量,步骤S101中的所述根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域,包括以下步骤:
分别计算每个所述历史广告投放区域的广告转化数量与广告投放数量的百分比;
比较所述百分比与预设百分比的大小关系;
将大于所述预设值的所述百分比对应的所述历史广告投放区域确定为所述广告投放区域。
其中,所述百分比是指所述实体店的广告在所述历史广告区域内的广告转化率,广告转化率越大的区域为所处实体店带来的营收效果越好,将广告转化率大于所述预设百分比的区域作为所述广告投放区域可以为所述实体店节省广告投放成本。
可以理解地,在所述广告转化率小于所述预设百分比的区域,所述实体店除去其它成本外获得的营收利润小于广告的投放成本,因此,在所述广告转化率小于所述预设百分比的区域,不适宜投放所述实体店的广告。
在一些实施例中,所述兴趣点预测模型的训练方法包括:
获取训练样本集,并基于所述训练样本集对每个所述终端设备预设的初始兴趣点预测模型进行训练,在每个所述初始兴趣点预测模型收敛之后,得到收敛后的每个所述初始兴趣点预测模型的模型参数;
对所有所述模型参数进行融合计算,得到融合模型参数;
将每个所述模型参数更新为所述融合模型参数,得到每个所述终端设备的待定兴趣点预测模型;
获取验证集,所述验证集包括多个映射关系,所述映射关系为实际兴趣点与所述实际兴趣点预测信息集的映射关系,根据所述待定兴趣点预测模型得到所述第二训练样本集中的每个兴趣点预测信息集对应的预测兴趣点;
根据每个所述实际兴趣点预测信息集对应的预测兴趣点与实际兴趣点确定所述待定兴趣点预测模型的预测结果准确率;
比较所述准确率与预设准确率的大小关系;
当所述准确率大于所述预设准确率时,确定所述待定兴趣点预测模型为每个所述终端设备预设的兴趣点预测模型。
需要说明的是,当所述准确率小于所述预设准确率时,重新获取新的训练样本集并采用上述模型训练方法对所述待定兴趣点预测模型进行训练。
其中,根据每个所述实际兴趣点预测信息集对应的预测兴趣点与实际兴趣点确定所述待定兴趣点预测模型的预测结果准确率可以采用如下步骤:
利用语义特征提取向量分别获取每个所述实际兴趣点预测信息集对应的第一语义特征向量和第二语义特征向量,其中,所述第一语义特征向量为所述预测兴趣点的语义特征向量,所述第二语义特征向量为所述实际兴趣点的语义特征向量;
分别计算每个所述实际兴趣点预测信息集对应的第一语义特征向量和第二语义特征向量的相似度;
将所述相似度大于95%的相似度的数量与所述相似度的总数量之间的百分比确定为所述准确率。
本实施例通过计算所述融合模型参数,并将每个所述模型参数更新为所述融合模型参数,得到所述待定兴趣点预测模型,及利用所述验证集对所述待定兴趣点预测模型进行验证,在所述待定兴趣点预测模型符合预设条件时,将所述待定兴趣点预测模型确定为所述兴趣点预测模型,提高了所述兴趣点预测模型的训练效果,使所述兴趣点预测模型的训练结果更加准确。
在一些实施例中,所述浏览信息包括所述用户当前浏览的媒体,所述将所述实体店的广告投放至所述目标终端设备,包括:
获取所述实体店的广告投放信息,根据所述广告投放信息和所述媒体,生成多个元素标签信息和模板信息;
根据多个所述元素标签信息在预设的素材库中进行检索,确定多个初始广告合成元素;
将多个所述初始广告合成元素分别输入预设的标准元素标签识别模型,以获取多个所述初始广告合成元素分别对应的标准元素标签信息;
计算每个所述初始广告合成元素对应的所述元素标签信息和所述标准元素标签信息的相似度;
比较每个所述相似度与预设相似度的大小关系;
若所述相似度大于所述预设相似度,将所述相似度对应的所述初始广告合成元素确定为广告合成元素;
若所述相似度小于所述预设相似度,根据所述相似度对应的所述元素标签信息从云端获取广告合成元素,并将从云端获取到的所述合成元素存入所述素材库;
根据所述模板信息将所述广告合成元素和从云端获取的所述广告合成元素合成为所述实体店的广告;
根据所述媒体将所述实体店的广告投放至所述目标终端设备。
可以理解地,根据所述媒体将所述实体店的广告投放至所述目标终端设备是指将所述实体店的广告投放至所述目标终端设备的用户正在浏览的媒体上,例如,所述目标终端设备的用户正在浏览抖音,则将所述实体店的广告投放至所述目标终端设备的抖音上。
其中,所述广告合成元素包括广告界面上使用的图片、音乐和文字等,所述模板信息包括广告的形式,所述形式包括视频、图片等形式。
本实施例一方面可以提高所述实体店的广告的合成效果,另一方面可以对所述素材库的素材类型进行补充,再一方面在所述目标终端设备的用户正在浏览的媒体上投放所述实体店的广告,有助于提高所述实体店的广告的转化率。
在一些实施例中,所述根据所述媒体将所述实体店的广告投放至所述目标终端设备,包括:
获取所述目标终端设备的所述用户中当前正在浏览同一所述媒体的用户数量;
向所述实体店反馈所述用户数量,其中,所述实体店根据所述用户数量购买当前同一所述媒体的广告投放数量;
响应所述实体店的购买行为,将所述实体店的广告投放至所述目标终端设备的用户当前正在浏览的同一所述媒体。
例如,所述目标终端设备的所述用户中当前正在浏览抖音的用户数量为10000,所述实体店会购买10000个抖音上的广告播放量,在所述实体店购买10000个抖音上的广告播放量之后,将所述实体店的广告投放至所述目标终端设备的用户当前正在浏览的抖音上。
在一些实施例中,在所述根据所述媒体将所述实体店的广告投放至所述目标终端设备之前,所述方法还包括:
获取所述目标终端设备的用户身份信息;
根据所述用户身份信息调整所述实体店的广告的参数信息。
例如,若所述目标终端设备的用户为老人,将所述实体店的广告的文字调整为大字体。
本实施例通过所述用户身份信息调整所述实体店的广告的参数信息,可以提高所述用户浏览所述实体店的广告的体验,从而有助于提高所述实体店的广告的转化率。
请参阅图2,图2为本申请实施例提供的智能广告管理系统100的结构示意性框图,如图2所示,智能广告管理系统100包括:
第一确定模块110,用于用于响应实体店的广告投放请求,获取实体店的历史广告投放信息和历史广告转化信息,并根据所述历史广告投放信息和所述历史广告转化信息确定所述实体店的广告投放区域。
获取模块120,用于获取所述广告投放区域内的每个终端设备的用户行为信息,所述用户行为信息包括所述用户的消费信息、浏览信息。
输入模块130,用于分别将每个所述用户行为信息输入各自对应的所述终端设备预设的兴趣点预测模型,以获取每个所述终端设备的兴趣点。
第二确定模块140,用于基于每个所述终端设备的兴趣点和所述实体店的产品类型确定所述广告投放区域内的目标终端设备。
投放模块150,用于将所述实体店的广告投放至所述目标终端设备。
在一些实施例中,所述历史广告投放信息包括所述实体店的多个历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告投放数量,所述历史广告转化信息包括多个所述历史广告投放区域和多个所述历史广告投放区域分别对应的历史广告转化数量,如图3所示,第一确定模块110包括:
计算单元,用于分别计算每个所述历史广告投放区域的广告转化数量与广告投放数量的百分比。
比较单元,用于比较所述百分比与预设百分比的大小关系。
确定单元,用于将大于所述预设值的所述百分比对应的所述历史广告投放区域确定为所述广告投放区域。
如图2所示,在一些实施例中,所述智能广告管理系统还包括:
模型训练模块160,模型训练模块160用于执行如下步骤:
获取训练样本集,并基于所述训练样本集对每个所述终端设备预设的初始兴趣点预测模型进行训练,在每个所述初始兴趣点预测模型收敛之后,得到收敛后的每个所述初始兴趣点预测模型的模型参数;
对所有所述模型参数进行融合计算,得到融合模型参数;
将每个所述模型参数更新为所述融合模型参数,得到每个所述终端设备的待定兴趣点预测模型;
获取验证集,所述验证集包括多个映射关系,所述映射关系为实际兴趣点与所述实际兴趣点预测信息集的映射关系,根据所述待定兴趣点预测模型得到所述第二训练样本集中的每个兴趣点预测信息集对应的预测兴趣点;
根据每个所述实际兴趣点预测信息集对应的预测兴趣点与实际兴趣点确定所述待定兴趣点预测模型的预测结果准确率;
比较所述准确率与预设准确率的大小关系;
当所述准确率大于所述预设准确率时,确定所述待定兴趣点预测模型为每个所述终端设备预设的兴趣点预测模型。
在一些实施例中,所述浏览信息包括所述用户当前浏览的媒体,如图4所示,投放模块150,包括:
第一获取单元,用于获取所述实体店的广告投放信息,根据所述广告投放信息和所述媒体,生成多个元素标签信息和模板信息。
第一确定单元,用于根据多个所述元素标签信息在预设的素材库中进行检索,确定多个初始广告合成元素。
第二获取单元,用于将多个所述初始广告合成元素分别输入预设的标准元素标签识别模型,以获取多个所述初始广告合成元素分别对应的标准元素标签信息。
计算单元,用于计算每个所述初始广告合成元素对应的所述元素标签信息和所述标准元素标签信息的相似度。
比较单元,用于比较每个所述相似度与预设相似度的大小关系。
第二确定单元,用于若所述相似度大于所述预设相似度,将所述相似度对应的所述初始广告合成元素确定为广告合成元素。
第三获取单元,用于若所述相似度小于所述预设相似度,根据所述相似度对应的所述元素标签信息从云端获取广告合成元素,并将从云端获取到的所述合成元素存入所述素材库。
合成单元,用于根据所述模板信息将所述广告合成元素和从云端获取的所述广告合成元素合成为所述实体店的广告。
投放单元,用于根据所述媒体将所述实体店的广告投放至所述目标终端设备。
在一些实施例中,所述投放单元用于执行以下步骤:
获取所述目标终端设备的所述用户中当前正在浏览同一所述媒体的用户数量;
向所述实体店反馈所述用户数量;
所述实体店根据所述用户数量购买当前同一所述媒体的广告投放数量;
响应所述实体店的购买行为,将所述实体店的广告投放至所述目标终端设备的用户当前正在浏览的同一所述媒体。
如图4所示,在一些实施例中,投放模块150还包括:
第四获取单元,用于获取所述目标终端设备的用户身份信息。
调整模块,用于根据所述用户身份信息调整所述实体店的广告的参数信息。
需要说明的是,所属技术领域的技术人员可以清楚了解到,为了描述的方便和简洁,上述描述的系统和各个模块及单元的具体工作过程,可以参考前述智能广告管理方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。