CN116957691B - 针对电商商家商品的跨平台智能广告投放方法及系统 - Google Patents

针对电商商家商品的跨平台智能广告投放方法及系统 Download PDF

Info

Publication number
CN116957691B
CN116957691B CN202311206850.2A CN202311206850A CN116957691B CN 116957691 B CN116957691 B CN 116957691B CN 202311206850 A CN202311206850 A CN 202311206850A CN 116957691 B CN116957691 B CN 116957691B
Authority
CN
China
Prior art keywords
user
platform
commodity
social
commodities
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
Application number
CN202311206850.2A
Other languages
English (en)
Other versions
CN116957691A (zh
Inventor
何有树
唐东
莫默
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Touchdata Shenzhen Technology Co ltd
Original Assignee
Touchdata Shenzhen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Touchdata Shenzhen Technology Co ltd filed Critical Touchdata Shenzhen Technology Co ltd
Priority to CN202311206850.2A priority Critical patent/CN116957691B/zh
Publication of CN116957691A publication Critical patent/CN116957691A/zh
Application granted granted Critical
Publication of CN116957691B publication Critical patent/CN116957691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种针对电商商家商品的跨平台智能广告投放方法及系统，所述方法包括以下步骤：S1：采集社交平台数据和电商平台数据；S2：进行电商平台与社交平台的用户归一化；S3：根据电商平台数据计算得到用户的购物兴趣值的分数，根据分数向社交平台对应的目标用户群体进行广告定向投放；S4：融合商品属性与社交属性对社交平台用户进行聚类分析划分得到目标人群，向目标人群进行广告投放。本发明采用电商平台人群共同购物属性，结合社交平台的人群关系属性，加上商家自身产品特有的属性，通过这些数据的数学融合形成对具体针对某个产品卖家有精确适应性的具体人群标签或人群特征信息，再在社交平台进行广告投放，效果得到极大幅度的提升。

Description

针对电商商家商品的跨平台智能广告投放方法及系统
技术领域
本发明涉及电商广告投放技术领域，尤其涉及一种针对电商商家商品的跨平台智能广告投放方法及系统。
背景技术
随着互联网技术的不断进步，电子商务行业蓬勃发展，社交平台的信息海量增长、用户量大，人们在社交平台逗留时间长，如何更加精准地进行商品的广告投放极具商业价值。
社交电商是电子商务的一种，能够通过社交网络平台，或电商平台的社交功能，将关注、分享、讨论、沟通互动等社交化元素应用到电子商务的购买服务中，以更好地完成交易的过程。社交电商起到了导购的作用，并在用户之间，用户与企业之间产生了互动和分享。对于企业来说，可以增加用户粘性，让用户有参与感。对于品牌商来说，社交电商通过社交化工具的应用及与社交化媒体、网络的合作，完成了品牌销售、推广和商品的最终销售。社交电商的本质在于依托社交链条的裂变式效应扩大用户规模和转化机会。
当前基于社交平台的电商广告投放效果很不稳定，波动特别大，全凭广告投放人员的经验。同样的广告投放人员投放不同种类的商品，广告效果差别也特别大。尤其是跨境电商的卖家，为了提高产品的销量，通常会在社交/流量平台（例如Facebook/Twitter/Instagram等）上投放产品广告，但是受限于社交平台上的广告标签的人群偏社交属性的局限性（社交标签选择广告受众的购物习惯属性差异很大），投放的效果不理想。
现有技术中，专利号为CN110222272A，发明名称为“一种潜在客户挖掘与推荐方法”的发明专利公开的技术方案解决了从社交平台导入到电商平台的流量，如何在电商平台进行有效的内容推荐的问题，但是该方案并不能解决在Facebook/Instagram/Google等流量平台的精准广告投放的问题；专利号为CN105528374A，发明名称为“一种电子商务中的商品推荐方法及其系统”的发明专利公开了用电商平台内部数据，解决电商平台网站内商品推荐问题的技术方案，但是该方案并不能解决如何在社交平台进行精准广告投放的问题。申请号为202011372207.3，发明名称为“跨电商平台与社交平台的智能广告投放方法及系统”的发明专利公开了以电商平台和社交平台群体交集用户作为种子，通过聚类算法抽象出公共行为，到社交广告平台上扩大广告受众人群的技术方案。但是该方案的广告投放的精准度不高。
这种情况下，亟需要一种更加高效精准的广告投放方法，使广告投放的效果稳定且收益最大化。
发明内容
本发明实施例所要解决的技术问题在于，提供一种针对电商商家商品的跨平台智能广告投放方法及系统，以提升电商商家商品在社交平台上的广告投放效果。
为了解决上述技术问题，本发明实施例提出了一种针对电商商家商品的跨平台智能广告投放方法，包括以下步骤：
S1：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性；所述商品属性包括商品的描述文字、类别、参数属性、用户评论信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间信息；
S2：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化；
S3：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在很好购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放；
S4：根据步骤S1采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息，提取用户的社交行为作为用户的社交标签，所述社交行为包括分享内容、点赞、加入群组、提问讨论内容；
根据商品属性标签以及用户的社交标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放。
相应地，本发明实施例还提供了一种针对电商商家商品的跨平台智能广告投放系统，包括：
采集模块：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性；所述商品属性包括商品的描述文字、类别、参数属性、用户评论信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间信息；
用户归一化模块：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化；
精准投放模块：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在很好购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放；
类别投放模块：根据采集模块采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息，提取用户的社交行为作为用户的社交标签，所述社交行为包括分享内容、点赞、加入群组、提问讨论内容；
根据商品属性标签以及用户的社交标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放。
本发明的有益效果为：本发明采用电商平台人群共同购物属性，结合社交平台的人群关系属性，加上商家自身产品特有的属性（即融合了 ①电商平台人群购物习惯属性 +②社交平台人群的人际关系属性 + ③商家自身产品的特有属性 + ④商家自己的老客户共同的属性 + ⑤排除行业存在刷单现象等衍生属性），通过这些数据的数学融合，形成对具体针对某个产品卖家有精确适应性的具体人群标签、或人群特征信息，通过这些处理后的数据用在社交平台进行广告投放，效果得到极大幅度的提升。
附图说明
图1是本发明实施例的针对电商商家商品的跨平台智能广告投放方法的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
本发明实施例中若有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
请参照图1，本发明实施例的针对电商商家商品的跨平台智能广告投放方法包括步骤S1～S4。
步骤S1：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性。所述商品属性包括商品的描述文字、类别、参数属性、用户评论等信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间等信息。
数据采集主体流程如下：
1、从电商平台商家后台采集订单信息，包含用户的联系方式、订单时间等信息。
2、引导用户在商家自建的网站中注册留下的电商平台、社交平台的关联信息。
3、采集其他商品购买后留评的群体信息，进行降噪处理，移除非正常购买人群（刷单人群）；
4、用户在电商平台上留下的评论信息；
5、从电商平台采集商品的相关/推荐/广告商品及其属性信息；
6、对多个商品的关键词、类别、属性等进行关联，建立产品的邻近性度量关系模型。
步骤S2：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化。本发明跨平台用户归一化，打通了电商平台与社交平台用户之间的关联关系。
本发明通过以下数据整合来实现跨电商平台与社交平台的用户归一化：
（1）对跨平台用户头像采用人脸识别匹配或图形图像模式识别实现归一化（例如：匹配Amazon消费者的头像与Facebook用户头像）；
（2）整合电商商家自己的网站或自建的独立站中收集到的用户在社交平台、电商平台的信息，以及第三方折扣促销平台推广时获得的同一个用户在多个平台的信息，进行用户归一化；
（3）在广告SaaS平台进一步整合多个电商商家的数据整合，对多个电商商家的数据进行用户归一化；
（4）整合广告SaaS平台长期持续采集的海量用户在社交平台、电商平台中留下的关联信息（例如部分在电商平台用户在个人的Profile中留下了自己的Facebook/Instagram/Email等信息，或者在社交平台中留下了自己的电商平台个人Profile/EMail等），进行跨平台用户归一化；
（5）整合广告SaaS平台在广告投放过程中，通过广告落地页收集用户的归一化信息；
（6）对广告SaaS平台的像素追踪与订单信息数据匹配，进行用户归一化关联。
步骤S3：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在很好购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放。本发明的这种投放即精准投放，精准投放是直接使用电商数据计算出来的目标用户群体进行广告定向投放。
作为一种实施方式，步骤S3中包括特征提取子步骤和相似度计算子步骤两个子步骤。
特征提取子步骤：将商品的描述文字、类别、参数属性、用户评论信息表示为一个高维向量，对于这些文本信息，可以使用TF-IDF编码，其数学公式如下：
TFIDF(w, d) = TF(w, d) * IDF(w)
其中，w表示某个关键词，d表示某个商品，TF表示关键词在商品描述中的频率，IDF表示逆文档频率，用来衡量一个词是否常见，如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。TFIDF(w, d) 表示一个商品的属性词语 w 在文本 d 中的权重。
IDF(w) = log(N / df(w))
其中，N是总的商品数量，df(w)是包含关键词w的商品数量。
相似度计算子步骤：有了商品的高维向量表示后，我们就可以计算商品之间的相似度。常用的相似度计算方法是余弦相似度，本发明采用余弦相似度计算不同商品之间的相似度，其数学公式如下：
；
其中，A和B代表两个商品的高维向量，n是向量的维度。即i是一个取值范围在(1~n)之间的变量，n是向量A和向量B包含的特征数量；在文本处理中，通常每个特征可以表示一个词语或一个词向量的分量。Sqrt: 表示一个数的平方根。cos(θ)表示相似度值，余弦相似度计算的结果是一个介于 -1 和 1 之间的值，表示两个向量之间的相似程度。其值越接近1，表示两个向量越相似；值越接近-1，表示两个向量越不相似；值接近0表示两个向量之间没有明显的相似性或关联。
通过上面的计算，可以得出商品直接的邻近的关系值，这样可以把更多的商品进行聚合，扩大电商平台上具有共同推荐购买属性的产品数量，进而可以获得更大的目标用户群体数据。聚合到足够的用户群体数据后，接下来继续计算（预测用户买商品的兴趣值）。
作为一种实施方式，步骤S3中根据以下步骤计算用户对电商商家商品的购物兴趣值的分数：
采用基于矩阵分解的方法，构建一个用户-商品矩阵R，矩阵的元素R_{ij}表示第i个用户对第j个商品的评分，我们希望找到两个低秩矩阵P (用户-特征矩阵)和Q(商品-特征矩阵)，使得它们的乘积尽可能接近原矩阵R，可以通过最小化以下损失函数来实现：
；
其中，λ是正则化参数，用于防止过拟合，P为用户-特征矩阵，Q为商品-特征矩阵。L是损失函数（Loss Function），它是用来度量模型预测与实际观测值之间差异的函数，它的值越小表示模型的预测越接近真实值，模型的性能越好。损失函数在模型训练中起着至关重要的作用，机器学习的目标是通过最小化损失函数来优化模型的参数。
结合内容过滤（商品信息）和协同过滤（用户信息），对于给定的用户u和第i个商品，采用下式预测购物兴趣值的分数：
；
其中，Pu和Qu是用户u的特征向量，Ii是第i个商品的特征向量，α和β是调整两种方法权重的超参数。α（阿尔法）：表示用于调整余弦相似度（Cosine Similarity）项的权重。具体来说，cos(Pu, Ii) 是用户 u 和第i个商品之间的余弦相似度，表示用户兴趣向量 Pu 和物品特征向量 Ii 之间的相似程度。α 用于控制余弦相似度对总体分数的影响程度，如果α较大，那么余弦相似度项对总分的贡献较大；如果α较小，那么余弦相似度项的影响较小。β（贝塔）：表示用于调整矩阵分解（matrix factorization）项的权重。Qu 和 Ii 分别表示用户 u 的潜在因子向量和第i个商品的潜在因子向量，它们是模型训练过程中学习到的参数。是这两个向量的点积，用于表示用户 u 和第i个商品之间的匹配程度。β用于控制矩阵分解项对总体分数的影响程度，如果β较大，矩阵分解项对总分的贡献较大；如果β较小，矩阵分解项的影响较小。
特征向量 P 和 Q 是在协同过滤算法中用于表示用户和商品的潜在特征向量，这些潜在特征向量是在矩阵分解或矩阵补全过程中通过最小化损失函数来学习的。
以下是如何得到特征向量 P 和 Q 的一般过程：
1）建立用户-商品矩阵：首先，构建一个用户-商品矩阵，该矩阵的行代表用户，列代表商品，每个元素表示用户对商品的评分或交互情况（如喜欢、购买、观看等）。通常，这个矩阵是非常稀疏的，因为不是每个用户都与每个商品互动。
2）初始化特征向量：初始化用户和商品的特征向量 P 和 Q。这些特征向量的维度通常是事先确定的，可以是任意正整数，表示学习到的潜在特征的数量。这些特征向量可以使用随机值进行初始化。
3）模型训练和参数更新：利用已有的用户-商品交互数据和初始化的特征向量 P和 Q，使用梯度下降等优化算法来最小化损失函数。损失函数通常包括一个用于表示模型预测值与实际值之间差异的项，以及正则化项，用于控制模型的复杂度。训练过程的目标是通过调整特征向量 P 和 Q，使得损失函数的值最小化。
4）学习到的特征向量：在训练迭代完成后，得到了学习到的用户特征向量 P 和商品特征向量 Q。这些向量捕捉了用户和商品在学习的特征空间中的表示，它们可以用于预测用户对其它商品的兴趣。
本发明计算用户对商品购物意向的评分，能够提升广告投放的精准度，提升广告投放效果。
有了用户对商品的购物兴趣的预测后，就可以生成对目标商品存在很好购物意向的用户群体数据。以上信息基于电商平台数据计算，在用户购物意向的数据计算上是很准确的，也是后面在社交平台上向目标人群投放广告的关键。
步骤S4：根据步骤S1采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息（社交平台如Facebook/Twitter/Instagram/Pinterest/Youtube等），提取用户的社交行为作为用户的社交标签（包括兴趣、类别、行为等标签），所述社交行为包括分享内容、点赞、加入群组、提问讨论等内容；
根据商品属性标签以及对用户的标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放。这种投放即按人群类别投放，人群类别投放是指基于电商信息、商品信息与社交信息，计算出目标人群类型信息，以此作为广告平台学习的受众特征的信息输入，广告平台学习到输入群体的共同特征后，对同类的用户群体进行广告展示。
作为一种实施方式，步骤S4中根据以下步骤划分目标人群：
设有N个商品属性标签，M个社交行为标签，对用户进行聚类；
首先，将第i个用户表示为一个(N+M)维度的向量X(i)，其中前N个元素是由电商平台采集到的商品属性信息，后M个元素是用户的社交行为信息，这些信息可以通过独热编码得到。
X(i) = [G(i,1), G(i,2), ..., G(i,N), S(i,1), S(i,2), ..., S(i,M)]；
这里G(i,j)表示第i个用户的第j个商品属性标签，S(i,k)表示第i个用户的第k个社交行为标签；
使用聚类算法将用户分成K个类别，目标函数是：
；
μi是第i个聚类的中心，Ci是第i个聚类中的数据点，x是一个具体的数据点即X(i)；
计算出每个用户在所有特征空间中的位置，然后依据这个位置来划分用户群体，最后，选择对应的若干聚类作为电商商家商品的广告投放的目标人群。本发明计算预测商品购物人群共同特征，能够提升广告投放的精准度，提升广告投放效果。
本发明采用电商平台人群的购物属性，结合社交平台的人群社交属性，加上商家产品特有的商品属性（即融合了 ①电商平台人群购物习惯属性 + ②社交平台人群的人际关系属性 + ③电商商家自身产品的商品属性 + ④电商商家自己的老客户共同的属性 +⑤排除行业存在刷单现象等衍生属性），通过这些数据的数学融合，预测商品对应的人群信息用于社交平台中的广告投放。
本发明实施例的针对电商商家商品的跨平台智能广告投放系统包括：
采集模块：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性；所述商品属性包括商品的描述文字、类别、参数属性、用户评论信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间信息；
用户归一化模块：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化；
精准投放模块：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在很好购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放；
类别投放模块：根据采集模块采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息，提取用户的社交行为作为用户的社交标签，所述社交行为包括分享内容、点赞、加入群组、提问讨论内容；
根据商品属性标签以及用户的社交标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放。
作为一种实施方式，精准投放模块中包括以下子模块：
特征提取子模块：将商品的描述文字、类别、参数属性、用户评论信息表示为一个高维向量，并使用TF-IDF编码，其数学公式如下：
TFIDF(w, d) = TF(w, d) * IDF(w)
其中，w表示某个关键词，d表示某个商品，TF表示关键词在商品描述中的频率，IDF表示逆文档频率；
IDF(w) = log(N / df(w))
其中，N是总的商品数量，df(w)是包含关键词w的商品数量；
相似度计算子模块：采用余弦相似度计算不同商品之间的相似度，其数学公式如下：
；
其中，A和B代表两个商品的高维向量，n是向量的维度。
作为一种实施方式，精准投放模块根据以下步骤计算用户对电商商家商品的购物兴趣值的分数：
采用基于矩阵分解的方法，构建一个用户-商品矩阵R，矩阵的元素R_{ij}表示第i个用户对第j个商品的评分，通过最小化以下损失函数来实现：
；
其中，λ是正则化参数，用于防止过拟合，P为用户-特征矩阵，Q为商品-特征矩阵；
对于给定的用户u和第i个商品，采用下式预测购物兴趣值的分数：
；
其中，Pu和Qu是用户u的特征向量，Ii是第i个商品的特征向量，α和β是调整两种方法权重的超参数。
作为一种实施方式，类别投放模块根据以下步骤划分目标人群：
设有N个商品属性标签，M个社交行为标签，对用户进行聚类；
首先，将第i个用户表示为一个(N+M)维度的向量X(i)，其中前N个元素是由电商平台采集到的商品属性信息，后M个元素是用户的社交行为信息；
X(i) = [G(i,1), G(i,2), ..., G(i,N), S(i,1), S(i,2), ..., S(i,M)]；
这里G(i,j)表示第i个用户的第j个商品属性标签，S(i,k)表示第i个用户的第k个社交行为标签；
使用聚类算法将用户分成K个类别，目标函数是：
；
μi是第i个聚类的中心，Ci是第i个聚类中的数据点，x是一个具体的数据点即X(i)；
计算出每个用户在所有特征空间中的位置，然后依据这个位置来划分用户群体，最后，选择其中的若干聚类作为电商商家商品的广告投放的目标人群。
作为一种实施方式，用户归一化模块通过以下数据整合来实现跨电商平台与社交平台的用户归一化：
（1）对跨平台用户头像采用人脸识别匹配或图形图像模式识别实现归一化；
（2）整合电商商家自己的网站或自建的独立站中收集到的用户在社交平台、电商平台的信息，以及第三方折扣促销平台推广时获得的同一个用户在多个平台的信息，进行用户归一化；
（3）在广告SaaS平台进一步整合多个电商商家的数据，对多个电商商家的数据进行用户归一化；
（4）整合广告SaaS平台长期持续采集的海量用户在社交平台、电商平台中留下的关联信息，进行跨平台用户归一化；
（5）整合广告SaaS平台在广告投放过程中，通过广告落地页收集用户的归一化信息；
（6）对广告SaaS平台的像素追踪与订单信息数据匹配，进行用户归一化关联。
另外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (6)

1.一种针对电商商家商品的跨平台智能广告投放方法，其特征在于，包括以下步骤：
S1：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性；所述商品属性包括商品的描述文字、类别、参数属性、用户评论信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间信息；
S2：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化；
S3：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；采用基于矩阵分解的方法计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放；
S4：根据步骤S1采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息，提取用户的社交行为作为用户的社交标签，所述社交行为包括分享内容、点赞、加入群组、提问讨论内容；
根据商品属性标签以及用户的社交标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放；
步骤S3中包括以下子步骤：
特征提取子步骤：将商品的描述文字、类别、参数属性、用户评论信息表示为一个高维向量，并使用TF-IDF编码，其数学公式如下：
TFIDF(w, j) = TF(w, j) * IDF(w)
其中，w表示某个关键词，j表示某个商品，TF表示关键词在商品描述中的频率，IDF表示逆文档频率；
IDF(w) = log(E / df(w))
其中，E是总的商品数量，df(w)是包含关键词w的商品数量；
相似度计算子步骤：采用余弦相似度计算不同商品之间的相似度，其数学公式如下：
；
其中，A和B代表两个商品的高维向量，n是向量的维度；
步骤S2中通过以下数据整合来实现跨电商平台与社交平台的用户归一化：
（1）对跨平台用户头像采用人脸识别匹配或图形图像模式识别实现归一化；
（2）整合电商商家自己的网站或自建的独立站中收集到的用户在社交平台、电商平台的信息，以及第三方折扣促销平台推广时获得的同一个用户在多个平台的信息，进行用户归一化；
（3）在广告SaaS平台进一步整合多个电商商家的数据，对多个电商商家的数据进行用户归一化；
（4）整合广告SaaS平台长期持续采集的海量用户在社交平台、电商平台中留下的关联信息，进行跨平台用户归一化；
（5）整合广告SaaS平台在广告投放过程中，通过广告落地页收集用户的归一化信息；
（6）对广告SaaS平台的像素追踪与订单信息数据匹配，进行用户归一化关联。
2.如权利要求1所述的针对电商商家商品的跨平台智能广告投放方法，其特征在于，步骤S3中根据以下步骤计算用户对电商商家商品的购物兴趣值的分数：
构建一个用户-商品矩阵R，矩阵的元素Rij表示第i个用户对第j个商品的评分，通过最小化以下损失函数来实现：
；
其中，λ是正则化参数，用于防止过拟合；P为用户-特征矩阵，Q为商品-特征矩阵；
对于给定的用户i和第j个商品，采用下式预测购物兴趣值的分数：
；
其中，Pi是用户i的特征向量，Vi是用户i的潜在因子向量，Qj是第j个商品的特征向量，Gj是第j个商品的潜在因子向量，α和β是调整两种方法权重的超参数。
3.如权利要求1所述的针对电商商家商品的跨平台智能广告投放方法，其特征在于，步骤S4中根据以下步骤划分目标人群：
设有N个商品属性标签，M个社交行为标签，对用户进行聚类；
首先，将第i个用户表示为一个(N+M)维度的向量X(i)，其中前N个元素是由电商平台采集到的商品属性信息，后M个元素是用户的社交行为信息；
X(i) = [G(i,1), G(i,2), ..., G(i,N), S(i,1), S(i,2), ..., S(i,M)]
这里G(i,j)表示第i个用户的第j个商品属性标签，S(i,m)表示第i个用户的第m个社交行为标签；
使用聚类算法将用户分成K个类别，目标函数是：
；
μh是第h个聚类的中心，Ch是第h个聚类中的数据点，x是一个具体的数据点即X(i)；
计算出每个用户在所有特征空间中的位置，然后依据这个位置来划分用户群体，最后，选择其中的若干聚类作为电商商家商品的广告投放的目标人群。
4.一种针对电商商家商品的跨平台智能广告投放系统，其特征在于，包括：
采集模块：采集社交平台数据和电商平台数据，得到电商平台用户的购物属性、社交平台用户的社交属性、电商平台商品对应的商品属性；所述商品属性包括商品的描述文字、类别、参数属性、用户评论信息；所述社交属性包括社交平台用户的社交行为信息；所述购物属性包括用户购买过的商品、用户的联系方式、订单时间信息；
用户归一化模块：根据采集的社交平台数据和电商平台数据进行电商平台与社交平台的用户归一化；
精准投放模块：根据商品属性提取商品特征，计算不同商品之间的相似度，得到电商平台上与电商商家商品具有共同推荐购买属性的相关商品，根据相关商品获得对应的购买过相关商品的相关用户群体；采用基于矩阵分解的方法计算得到相关用户群体中用户对电商商家商品的购物兴趣值的分数，根据分数得到相关用户群体中对电商商家商品存在购物意向的目标用户群体数据，再向社交平台对应的目标用户群体进行电商商家商品的广告定向投放；
类别投放模块：根据采集模块采集的数据得到电商商家商品和相关商品的商品属性标签以及购买过电商商家商品和相关商品的用户在购买时间之前的一段时间内的社交行为信息，提取用户的社交行为作为用户的社交标签，所述社交行为包括分享内容、点赞、加入群组、提问讨论内容；
根据商品属性标签以及用户的社交标签对社交平台用户进行聚类分析，划分得到若干聚类的电商商家商品的目标人群，向目标人群进行电商商家商品的广告投放；
精准投放模块中包括以下子模块：
特征提取子模块：将商品的描述文字、类别、参数属性、用户评论信息表示为一个高维向量，并使用TF-IDF编码，其数学公式如下：
TFIDF(w, j) = TF(w, j) * IDF(w)
其中，w表示某个关键词，j表示某个商品，TF表示关键词在商品描述中的频率，IDF表示逆文档频率；
IDF(w) = log(E/ df(w))
其中，E是总的商品数量，df(w)是包含关键词w的商品数量；
相似度计算子模块：采用余弦相似度计算不同商品之间的相似度，其数学公式如下：
；
其中，A和B代表两个商品的高维向量，n是向量的维度；
用户归一化模块通过以下数据整合来实现跨电商平台与社交平台的用户归一化：
（1）对跨平台用户头像采用人脸识别匹配或图形图像模式识别实现归一化；
（2）整合电商商家自己的网站或自建的独立站中收集到的用户在社交平台、电商平台的信息，以及第三方折扣促销平台推广时获得的同一个用户在多个平台的信息，进行用户归一化；
（3）在广告SaaS平台进一步整合多个电商商家的数据，对多个电商商家的数据进行用户归一化；
（4）整合广告SaaS平台长期持续采集的海量用户在社交平台、电商平台中留下的关联信息，进行跨平台用户归一化；
（5）整合广告SaaS平台在广告投放过程中，通过广告落地页收集用户的归一化信息；
（6）对广告SaaS平台的像素追踪与订单信息数据匹配，进行用户归一化关联。
5.如权利要求4所述的针对电商商家商品的跨平台智能广告投放系统，其特征在于，精准投放模块根据以下步骤计算用户对电商商家商品的购物兴趣值的分数：
构建一个用户-商品矩阵R，矩阵的元素Rij表示第i个用户对第j个商品的评分，通过最小化以下损失函数来实现：
；
其中，λ是正则化参数，用于防止过拟合，P为用户-特征矩阵，Q为商品-特征矩阵；
对于给定的用户i和第j个商品，采用下式预测购物兴趣值的分数：
；
其中，Pi是用户i的特征向量，Vi是用户i的潜在因子向量，Qj是第j个商品的特征向量，Gj是第j个商品的潜在因子向量，α和β是调整两种方法权重的超参数。
6.如权利要求4所述的针对电商商家商品的跨平台智能广告投放系统，其特征在于，类别投放模块根据以下步骤划分目标人群：
设有N个商品属性标签，M个社交行为标签，对用户进行聚类；
首先，将第i个用户表示为一个(N+M)维度的向量X(i)，其中前N个元素是由电商平台采集到的商品属性信息，后M个元素是用户的社交行为信息；
X(i) = [G(i,1), G(i,2), ..., G(i,N), S(i,1), S(i,2), ..., S(i,M)]
这里G(i,j)表示第i个用户的第j个商品属性标签，S(i,m)表示第i个用户的第m个社交行为标签；
使用聚类算法将用户分成K个类别，目标函数是：
；
μh是第h个聚类的中心，Ch是第h个聚类中的数据点，x是一个具体的数据点即X(i)；
计算出每个用户在所有特征空间中的位置，然后依据这个位置来划分用户群体，最后，选择其中的若干聚类作为电商商家商品的广告投放的目标人群。
CN202311206850.2A 2023-09-19 2023-09-19 针对电商商家商品的跨平台智能广告投放方法及系统 Active CN116957691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311206850.2A CN116957691B (zh) 2023-09-19 2023-09-19 针对电商商家商品的跨平台智能广告投放方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311206850.2A CN116957691B (zh) 2023-09-19 2023-09-19 针对电商商家商品的跨平台智能广告投放方法及系统

Publications (2)

Publication Number Publication Date
CN116957691A CN116957691A (zh) 2023-10-27
CN116957691B true CN116957691B (zh) 2024-01-19

Family

ID=88462401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311206850.2A Active CN116957691B (zh) 2023-09-19 2023-09-19 针对电商商家商品的跨平台智能广告投放方法及系统

Country Status (1)

Country Link
CN (1) CN116957691B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635237A (zh) * 2023-12-22 2024-03-01 广州方块网络技术有限公司 基于SaaS信息流与跨平台人群数据的广告管理系统
CN118261653A (zh) * 2024-05-29 2024-06-28 北京六一六信息技术有限公司 一种细分用户个性化广告投放方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN111125495A (zh) * 2019-12-19 2020-05-08 京东方科技集团股份有限公司 一种信息推荐方法、设备及存储介质
CN111681084A (zh) * 2020-06-09 2020-09-18 南京邮电大学 一种基于社交关系影响因素的电商平台推荐方法
CN112435067A (zh) * 2020-11-30 2021-03-02 翼果（深圳）科技有限公司 跨电商平台与社交平台的智能广告投放方法及系统
CN114692013A (zh) * 2022-04-08 2022-07-01 怀化学院 一种基于社交网络用户行为特征的产品推荐方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965772B2 (en) * 2013-01-15 2018-05-08 Datorama Technologies, Ltd. System and method for unifying user-level data across different media platforms
US10395271B2 (en) * 2013-01-15 2019-08-27 Datorama Technologies, Ltd. System and method for normalizing campaign data gathered from a plurality of advertising platforms

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222272A (zh) * 2019-04-18 2019-09-10 广东工业大学 一种潜在客户挖掘与推荐方法
CN111125495A (zh) * 2019-12-19 2020-05-08 京东方科技集团股份有限公司 一种信息推荐方法、设备及存储介质
CN111681084A (zh) * 2020-06-09 2020-09-18 南京邮电大学 一种基于社交关系影响因素的电商平台推荐方法
CN112435067A (zh) * 2020-11-30 2021-03-02 翼果（深圳）科技有限公司 跨电商平台与社交平台的智能广告投放方法及系统
CN114692013A (zh) * 2022-04-08 2022-07-01 怀化学院 一种基于社交网络用户行为特征的产品推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合项目标签信息面向排序的社会化推荐算法;练绪宝 等;计算机科学与探索;第1-9页 *

Also Published As

Publication number Publication date
CN116957691A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
US11170395B2 (en) Digital banking platform and architecture
Bose et al. Quantitative models for direct marketing: A review from systems perspective
CN116957691B (zh) 针对电商商家商品的跨平台智能广告投放方法及系统
Wang et al. A strategy-oriented operation module for recommender systems in E-commerce
CN112435067A (zh) 跨电商平台与社交平台的智能广告投放方法及系统
CN106157156A (zh) 一种基于用户社区的协作推荐系统
CN109584006A (zh) 一种基于深度匹配模型的跨平台商品匹配方法
CN116385048B (zh) 一种农产品智慧营销方法和系统
Baghla et al. Performance evaluation of various classification techniques for customer churn prediction in e-commerce
Apichottanakul et al. Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach
Kim et al. Deep user segment interest network modeling for click-through rate prediction of online advertising
Xia et al. A new information-theoretic method for advertisement conversion rate prediction for large-scale sparse data based on deep learning
CN110020918B (zh) 一种推荐信息生成方法和系统
Ji et al. Time-aware conversion prediction
CN115511582A (zh) 一种基于人工智能的商品推荐系统及方法
Kalaivani et al. Multi process prediction model for customer behaviour analysis
CN113254775A (zh) 一种基于客户浏览行为序列的信用卡产品推荐方法
Yan et al. Customer segmentation using real transactional data in e-commerce platform: A case of online fashion bags shop
Nassiri-Mofakham et al. Electronic promotion to new customers using mkNN learning
Swetha et al. Forecasting Online Shoppers Purchase Intentions with Cat Boost Classifier
Haripriya et al. Using Social Media to Promote E-Commerce Business.
Sharma Retail Customer and Market Proclivity Assessment using Historical data and Social Media Analytics
Maria The Improvement of Retargeting by Big Data: a Decision Support that Threatens the Brand Image?
Dlugolinsky et al. Decision influence and proactive sale support in a chain of convenience stores
Khan LRFS: online shoppers’ behavior based efficient customer segmentation model

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