CN117078312A - 一种基于人工智能的广告投放管理方法及系统 - Google Patents

一种基于人工智能的广告投放管理方法及系统 Download PDF

Info

Publication number
CN117078312A
CN117078312A CN202311136297.XA CN202311136297A CN117078312A CN 117078312 A CN117078312 A CN 117078312A CN 202311136297 A CN202311136297 A CN 202311136297A CN 117078312 A CN117078312 A CN 117078312A
Authority
CN
China
Prior art keywords
advertisement
matrix
data
user
nodes
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.)
Granted
Application number
CN202311136297.XA
Other languages
English (en)
Other versions
CN117078312B (zh
Inventor
李鑫
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.)
Beijing Jiuzhong Technology Co ltd
Original Assignee
Beijing Jiuzhong 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 Beijing Jiuzhong Technology Co ltd filed Critical Beijing Jiuzhong Technology Co ltd
Priority to CN202311136297.XA priority Critical patent/CN117078312B/zh
Publication of CN117078312A publication Critical patent/CN117078312A/zh
Application granted granted Critical
Publication of CN117078312B publication Critical patent/CN117078312B/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
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q30/0276—Advertisement creation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的广告投放管理方法及系统，方法包括数据采集、构建同构图、生成关系矩阵、设计卷积神经网络模型和广告设计。本发明属于广告媒体领域，具体是指一种基于人工智能的广告投放管理方法及系统，本方案通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图；基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵；设计卷积神经网络模型实现个性化广告投放；对数据进行标准偏差变换后建立模糊相似矩阵，构建群体关联网络，通过识别关键节点进行广告设计。

Description

一种基于人工智能的广告投放管理方法及系统
技术领域
本发明涉及广告媒体领域，具体是指一种基于人工智能的广告投放管理方法及系统。
背景技术
传统的广告投放主要依靠传统媒体进行推广，但随着互联网的普及和社交媒体的兴起，广告投放方法发生了巨大的变化，现在广告通常通过互联网广告平台、社交媒体、搜索引擎等在线渠道进行广告投放。
但是传统广告投放模型存在无法精准反映用户和广告之前的关系，从而导致模型准确性低的问题；一般广告投放模型存在无法处理噪声干扰及需要大量的训练数据从而导致模型精度和收敛效果差的问题；传统广告设计策略存在无法有效地对用户群体进行数据分析，从而导致广告投放的效果差，广告推广收益低的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的广告投放管理方法及系统，针对传统广告投放模型存在无法精准反映用户和广告之前的关系，从而导致模型准确性低的问题，本方案采用利用权重矩阵表示用户和广告交互的权重，反映用户对广告的兴趣程度，基于相似性矩阵并过滤弱连接关系的边以提高模型准确性；针对一般广告投放模型存在无法处理噪声干扰及需要大量的训练数据从而导致模型精度和收敛效果差的问题，本方案采用在两类节点各自的网络上训练GraphSAGE模型，得到两类节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，最后，通过卷积神经网络提取特征信息，实现个性化广告投放，减少了训练所需的数据量，也减少了模型中训练所需的参数，从而提高模型性能；针对传统广告设计策略存在无法有效地对用户群体进行数据分析，从而导致广告投放的效果差，广告推广收益低的问题，本方案采用基于数据样本的完备率提高数据质量，对数据进行标准偏差变换，对数据规范化，清除尺度差异，建立模糊相似矩阵量化对象间相似性，基于目标群体关联网络和关键节点进行个性化广告设计宣传。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的广告投放管理方法，该方法包括以下步骤：
步骤S1：数据采集，采集用户数据、广告投放数据和用户与广告的交互数据；
步骤S2：构建同构图，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图；
步骤S3：生成关系矩阵，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵；
步骤S4：设计卷积神经网络模型，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告与用户的相关性和损失函数以训练模型，最终实现个性化广告投放；
步骤S5：广告设计，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
进一步地，在步骤S2中，所述构建同构图，具体包括以下步骤：
步骤S21：构建用户广告二部图，预先设有投放场景包含m个用户和n个广告，用户节点集表示为P={P1，P2，...，Pw}，广告节点集表示为Q={Q1，Q2，...，Qt}，对应的用户广告二部图用A={P，Q，G，M}表示，其中G是图A中所有边的集合，gxy表示节点px和qy的连接边，M为图A中用户与广告交互的权重矩阵，mxy为图A中gxy对应的权重；
步骤S22：分解二部图，将用户广告二部图分解为两个齐次图，具体包括：
步骤S221：计算用户节点的一阶相似度，所用公式如下：
；
式中，x1和y1是不同的广告节点，z1是用户节点索引；
步骤S222：计算广告节点的一阶相似度，所用公式如下：
；
式中，x2和y2是不同的用户节点，z2是广告节点索引；
步骤S23：构建同构图，利用广告相似性矩阵和用户相似性矩阵，基于MP和MQ构建用户同构图AQ和广告同构图AP，在使用MQ和MP构建用户同构图 和广告同构图之前，预先设有边缘权重阈值，移除低于边缘权重阈值的边。
进一步地，在步骤S3中，所述生成关系矩阵，具体包括以下步骤：
步骤S31：前向传播，步骤如下：
步骤S311：输入：图A（Q，E）、节点特征向量、非线性函数σ、节点连接权重矩阵Gz，/>、聚合深度Z、聚合函数AGGREGATEz、邻居函数；E是边集合；
步骤S312：将初始的节点特征向量xq赋值给节点嵌入表示，对所有节点q∈Q进 行赋值；
步骤S313：对于每个聚合深度z∈{1，2，...，Z}进行以下操作；
步骤S314：对于每个节点q∈Q进行以下操作；
步骤S315：对于前一层的节点特征向量和邻居节点特征向量T(q)，使用聚合 函数AGGREGATEq进行聚合，得到新的聚合特征；
步骤S316：对于当前层的节点连接权重矩阵Gz、前一层的节点特征向量和聚合 特征，使用sigmoid函数σ进行变换和连接操作，得到当前节点的特征向量；
步骤S317：结束节点循环；
步骤S318：对当前层的节点特征向量进行标准化处理即将每个节点的特征向量 长度归一化，得到归一化后的特征向量，对所有q∈Q操作；
步骤S319：结束层循环；
步骤S3110：输出节点表示向量kq即由GraphSAGE生成的节点q的嵌入表示，对每个节点q∈Q；
步骤S32：反向传播，采用基于图的损失函数，使相邻节点具有更相似的特征表达，损失函数LA如下所示：
；
式中，&表示等号两边的内容是并列关系，σ是sigmoid函数，是节点q的负 采样项，t是当前节点的索引，Ut(q)是负采样中的噪声节点的概率分布，V是负样本的数量；
步骤S33：采用叉乘运算得到两类节点的关系矩阵，步骤如下：
步骤S331：转换特征矩阵，基于用户属性特征矩阵CP和广告属性特征矩阵CQ进行矩阵转换，所用公式如下：
；
；
式中，HGraphSAGE是用GraphSAGE模型进行转换操作，AP和AQ分别是用户图结构和广告图结构；
步骤S332：计算用户p和广告q的交互矩阵Wp，q，所用公式如下：
；
式中，是用户p的特征向量，是广告q的特征向量。
进一步地，在步骤S4中，所述设计卷积神经网络模型，具体包括以下步骤：
步骤S41：层数设计，该模型由3个全连通层和6个卷积层组成，卷积核大小为3×3，步长为1×1，为了保持输入和输出特征图的大小不变，执行填充操作，在每两个卷积层之后，增加池化层以实现最大池化，池核大小为2×2，步长为2×2，对特征图进行下采样，并在接下来的两个卷积层中增加一倍的通道数，同样，在最后一层卷积中，加入flatten层，对数据进行平面化处理，连接MLP网络，逐渐将输出维数降至一维，整个过程如下所示：
；
式中，是神经网络的输出，表示预测广告与用户的相关性；σ是非线性函数，除 了最后一个全连接层是sigmoid激活函数外，所有卷积层和全连接层都使用ReLu激活函数， d是偏置参数，t是层数索引，T是卷积层的数量，m是卷积核参数；
步骤S42：损失函数设计，神经网络最后一层的激活函数为sigmoid激活函数，使用的损失函数L如下：
；
式中，J是正样本集，J−是负样本集，Jpq是用户p与广告q之间的实际相关性，最后的模型训练采用Adam优化算法，在模型的MLP部分加入dropout层。
进一步地，在步骤S5中，所述广告设计，具体包括以下步骤：
步骤S51：建立数据集，将步骤S1采集的数据作为数据样本集，表示为Xa={x1，x2，...，xn}，Xa中每一个样本都是一个向量且包含完整的特征信息，Xa中的一个数据样本xc=（xc1，xc2，...，xcr）T，xcj表示特征向量xc的第j个维度的取值，样本集Xa的子集是Xw和Xp，表示如下：
Xw={xc|xc∈Xa，1≤c≤n}；
Xp={xi|xi∈Xa，1≤i≤n}；
；
步骤S52：建立特征值的集合Xm和Xu，表示如下：
Xm={xcj|xcj=ζ，1≤j≤s，1≤c≤n}；
Xu={xcj|xcj=dml，1≤j≤s，1≤c≤n}；
；
式中，ζ是特征值的未指定变量，是需填充的特征值；||表示集合中元素的个数；dml是特征值的已确定值，即已知的特征值；
步骤S53：评估数据样本的完备率Pw，预先设有完备率阈值，当Pw低于完备率阈值时，需重新采集数据，所用公式如下：
；
式中，ns是Xa中特征值的个数，nu是Xu中特征值的个数；
步骤S54：建立原始数据矩阵，让用户信息域Xa={x1，x2，...，xn}成为待分类的对象，每个对象通过m个指标进行测量，使得xi={xi1，xi2，...，xim}，i=1，2，...，n，原始数据矩阵表示如下：
；
步骤S55：对数据进行标准偏差变换，所用公式如下：
；
式中，是变换后的矩阵元素，i和j分别是矩阵行和矩阵列的索引；
步骤S56：建立模糊相似矩阵，模糊相似矩阵表示对象之间的相似度，矩阵元素计算所用公式如下：
；
式中，c是特征索引，m是特征数量；
步骤S57：计算数据样本xc对聚类分析的影响因子θc，所用公式如下：
；
步骤S58：构建目标群体关联网络，基于影响因子和聚类算法确定目标群体，预先设有关联度阈值，当λij大于关联度阈值时，认为对象i和对象j具有高关联度，被划分为同一目标群体；将具有高关联度的对象连接起来形成一个目标群体关联网络，使用图论中的图结构表示，其中，每个节点表示一个对象，节点之间的连边表示对象之间的关联度；
步骤S59：广告设计，识别关键节点，基于网络中心性指标对节点进行排名，预先设有关键节点个数，基于排名和关键节点个数确定关键节点；针对关键节点设计个性化广告宣传。
本发明提供的一种基于人工智能的广告投放管理系统，包括数据采集模块、同构图构建模块、关系矩阵生成模块、卷积神经网络设计模块和广告设计模块；
所述数据采集模块采集用户数据、广告投放数据和用户与广告的交互数据，将采集的数据发送至同构图构建模块和广告设计模块；
所述同构图构建模块接收数据采集模块发送的数据，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图，并将数据发送至关系矩阵生成模块；
所述关系矩阵生成模块接收同构图构建模块发送的数据，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，并将数据发送至卷积神经网络设计模块；
所述卷积神经网络设计模块接收关系矩阵生成模块发送的数据，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告x与用户p相关性和损失函数以训练模型，最终实现个性化广告投放；
所述广告设计模块接收数据采集模块发送的数据，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
采用上述方案本发明取得的有益效果如下：
（1）针对传统广告投放模型存在无法精准反映用户和广告之前的关系，从而导致模型准确性低的问题，本方案采用利用权重矩阵表示用户和广告交互的权重，反映用户对广告的兴趣程度，基于相似性矩阵并过滤弱连接关系的边以提高模型准确性。
（2）针对一般广告投放模型存在无法处理噪声干扰及需要大量的训练数据从而导致模型精度和收敛效果差的问题，本方案采用在两类节点各自的网络上训练GraphSAGE模型，得到两类节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，最后，通过卷积神经网络提取特征信息，实现个性化广告投放，减少了训练所需的数据量，也减少了模型中训练所需的参数，从而提高模型性能。
（3）针对传统广告设计策略存在无法有效地对用户群体进行数据分析，从而导致广告投放的效果差，广告推广收益低的问题，本方案采用基于数据样本的完备率提高数据质量，对数据进行标准偏差变换，对数据规范化，清除尺度差异，建立模糊相似矩阵量化对象间相似性，基于目标群体关联网络和关键节点进行个性化广告设计宣传。
附图说明
图1为本发明提供的一种基于人工智能的广告投放管理方法的流程示意图；
图2为本发明提供的一种基于人工智能的广告投放管理系统的示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
图5为步骤S5的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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，所描述的实施例仅仅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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的广告投放管理方法，该方法包括以下步骤：
步骤S1：数据采集，采集用户数据、广告投放数据和用户与广告的交互数据；
步骤S2：构建同构图，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图；
步骤S3：生成关系矩阵，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵；
步骤S4：设计卷积神经网络模型，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告与用户的相关性和损失函数以训练模型，最终实现个性化广告投放；
步骤S5：广告设计，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
实施例二，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，构建同构图具体包括以下步骤：
步骤S21：构建用户广告二部图，预先设有投放场景包含m个用户和n个广告，用户节点集表示为P={P1，P2，...，Pw}，广告节点集表示为Q={Q1，Q2，...，Qt}，对应的用户广告二部图用A={P，Q，G，M}表示，其中G是图A中所有边的集合，gxy表示节点px和qy的连接边，M为图A中用户与广告交互的权重矩阵，mxy为图A中gxy对应的权重；
步骤S22：分解二部图，将用户广告二部图分解为两个齐次图，具体包括：
步骤S221：计算用户节点的一阶相似度，所用公式如下：
；
式中，x1和y1是不同的广告节点，z1是用户节点索引；
步骤S222：计算广告节点的一阶相似度，所用公式如下：
；
式中，x2和y2是不同的用户节点，z2是广告节点索引；
步骤S23：构建同构图，利用广告相似性矩阵和用户相似性矩阵，基于MP和MQ构建用户同构图AQ和广告同构图AP，在使用MQ和MP构建用户同构图 和广告同构图之前，预先设有边缘权重阈值，移除低于边缘权重阈值的边。
通过执行上述操作，针对传统广告投放模型存在无法精准反映用户和广告之前的关系，从而导致模型准确性低的问题，本方案采用利用权重矩阵表示用户和广告交互的权重，反映用户对广告的兴趣程度，基于相似性矩阵并过滤弱连接关系的边以提高模型准确性。
实施例三，参阅图1和图4，该实施例基于上述实施例，在步骤S3中，生成关系矩阵具体包括以下步骤：
步骤S31：前向传播，步骤如下：
步骤S311：输入：图A（Q，E）、节点特征向量、非线性函数σ、节点连接权重矩阵Gz，/>、聚合深度Z、聚合函数AGGREGATEz、邻居函数；E是边集合；
步骤S312：将初始的节点特征向量xq赋值给节点嵌入表示，对所有节点q∈Q进 行赋值；
步骤S313：对于每个聚合深度z∈{1，2，...，Z}进行以下操作；
步骤S314：对于每个节点q∈Q进行以下操作；
步骤S315：对于前一层的节点特征向量和邻居节点特征向量T(q)，使用聚合 函数AGGREGATEq进行聚合，得到新的聚合特征；
步骤S316：对于当前层的节点连接权重矩阵Gz、前一层的节点特征向量和聚合 特征，使用sigmoid函数σ进行变换和连接操作，得到当前节点的特征向量；
步骤S317：结束节点循环；
步骤S318：对当前层的节点特征向量进行标准化处理即将每个节点的特征向量 长度归一化，得到归一化后的特征向量，对所有q∈Q操作；
步骤S319：结束层循环；
步骤S3110：输出节点表示向量kq即由GraphSAGE生成的节点q的嵌入表示，对每个节点q∈Q；
步骤S32：反向传播，采用基于图的损失函数，使相邻节点具有更相似的特征表达，损失函数LA如下所示：
；
式中，&表示等号两边的内容是并列关系，σ是sigmoid函数，是节点q的负 采样项，t是当前节点的索引，Ut(q)是负采样中的噪声节点的概率分布，V是负样本的数量；
步骤S33：采用叉乘运算得到两类节点的关系矩阵，步骤如下：
步骤S331：转换特征矩阵，基于用户属性特征矩阵CP和广告属性特征矩阵CQ进行矩阵转换，所用公式如下：
；
；
式中，HGraphSAGE是用GraphSAGE模型进行转换操作，AP和AQ分别是用户图结构和广告图结构；
步骤S332：计算用户p和广告q的交互矩阵Wp，q，所用公式如下：
；
式中，是用户p的特征向量，是广告q的特征向量。
实施例四，参阅图1，该实施例基于上述实施例，在步骤S4中，设计卷积神经网络模型具体包括以下步骤：
步骤S41：层数设计，该模型由3个全连通层和6个卷积层组成，卷积核大小为3×3，步长为1×1，为了保持输入和输出特征图的大小不变，执行填充操作，在每两个卷积层之后，增加池化层以实现最大池化，池核大小为2×2，步长为2×2，对特征图进行下采样，并在接下来的两个卷积层中增加一倍的通道数，同样，在最后一层卷积中，加入flatten层，对数据进行平面化处理，连接MLP网络，逐渐将输出维数降至一维，整个过程如下所示：
；
式中，是神经网络的输出，表示预测广告与用户的相关性；σ是非线性函数，除 了最后一个全连接层是sigmoid激活函数外，所有卷积层和全连接层都使用ReLu激活函数， d是偏置参数，t是层数索引，T是卷积层的数量，m是卷积核参数；
步骤S42：损失函数设计，神经网络最后一层的激活函数为sigmoid激活函数，使用的损失函数L如下：
；
式中，J是正样本集，J−是负样本集，Jpq是用户p与广告q之间的实际相关性，最后的模型训练采用Adam优化算法，在模型的MLP部分加入dropout层。
通过执行上述操作，针对一般广告投放模型存在无法处理噪声干扰及需要大量的训练数据从而导致模型精度和收敛效果差的问题，本方案采用在两类节点各自的网络上训练GraphSAGE模型，得到两类节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，最后，通过卷积神经网络提取特征信息，实现个性化广告投放，减少了训练所需的数据量，也减少了模型中训练所需的参数，从而提高模型性能。
实施例五，参阅图1和图5，该实施例基于上述实施例，在步骤S5中，广告设计具体包括以下步骤：
步骤S51：建立数据集，将步骤S1采集的数据作为数据样本集，表示为Xa={x1，x2，...，xn}，Xa中每一个样本都是一个向量且包含完整的特征信息，Xa中的一个数据样本xc=（xc1，xc2，...，xcr）T，xcj表示特征向量xc的第j个维度的取值，样本集Xa的子集是Xw和Xp，表示如下：
Xw={xc|xc∈Xa，1≤c≤n}；
Xp={xi|xi∈Xa，1≤i≤n}；
；
步骤S52：建立特征值的集合Xm和Xu，表示如下：
Xm={xcj|xcj=ζ，1≤j≤s，1≤c≤n}；
Xu={xcj|xcj=dml，1≤j≤s，1≤c≤n}；
；
式中，ζ是特征值的未指定变量，是需填充的特征值；||表示集合中元素的个数；dml是特征值的已确定值，即已知的特征值；
步骤S53：评估数据样本的完备率Pw，预先设有完备率阈值，当Pw低于完备率阈值时，需重新采集数据，所用公式如下：
；
式中，ns是Xa中特征值的个数，nu是Xu中特征值的个数；
步骤S54：建立原始数据矩阵，让用户信息域Xa={x1，x2，...，xn}成为待分类的对象，每个对象通过m个指标进行测量，使得xi={xi1，xi2，...，xim}，i=1，2，...，n，原始数据矩阵表示如下：
；
步骤S55：对数据进行标准偏差变换，所用公式如下：
；
式中，是变换后的矩阵元素，i和j分别是矩阵行和矩阵列的索引；
步骤S56：建立模糊相似矩阵，模糊相似矩阵表示对象之间的相似度，矩阵元素计算所用公式如下：
；
式中，c是特征索引，m是特征数量；
步骤S57：计算数据样本xc对聚类分析的影响因子θc，所用公式如下：
；
步骤S58：构建目标群体关联网络，基于影响因子和聚类算法确定目标群体，预先设有关联度阈值，当λij大于关联度阈值时，认为对象i和对象j具有高关联度，被划分为同一目标群体；将具有高关联度的对象连接起来形成一个目标群体关联网络，使用图论中的图结构表示，其中，每个节点表示一个对象，节点之间的连边表示对象之间的关联度；
步骤S59：广告设计，识别关键节点，基于网络中心性指标对节点进行排名，预先设有关键节点个数，基于排名和关键节点个数确定关键节点；针对关键节点设计个性化广告宣传。
通过执行上述操作，针对传统广告设计策略存在无法有效地对用户群体进行数据分析，从而导致广告投放的效果差，广告推广收益低的问题，本方案采用基于数据样本的完备率提高数据质量，对数据进行标准偏差变换，对数据规范化，清除尺度差异，建立模糊相似矩阵量化对象间相似性，基于目标群体关联网络和关键节点进行个性化广告设计宣传。
实施例六，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的广告投放管理系统，包括数据采集模块、同构图构建模块、关系矩阵生成模块、卷积神经网络设计模块和广告设计模块；
所述数据采集模块采集用户数据、广告投放数据和用户与广告的交互数据，将采集的数据发送至同构图构建模块和广告设计模块；
所述同构图构建模块接收数据采集模块发送的数据，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图，并将数据发送至关系矩阵生成模块；
所述关系矩阵生成模块接收同构图构建模块发送的数据，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，并将数据发送至卷积神经网络设计模块；
所述卷积神经网络设计模块接收关系矩阵生成模块发送的数据，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告x与用户p相关性和损失函数以训练模型，最终实现个性化广告投放；
所述广告设计模块接收数据采集模块发送的数据，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种基于人工智能的广告投放管理方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，采集用户数据、广告投放数据和用户与广告的交互数据；
步骤S2：构建同构图，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图；
步骤S3：生成关系矩阵，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵；
步骤S4：设计卷积神经网络模型，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告与用户的相关性和损失函数以训练模型，最终实现个性化广告投放；
步骤S5：广告设计，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
2.根据权利要求1所述的一种基于人工智能的广告投放管理方法，其特征在于：在步骤S3中，所述生成关系矩阵，具体包括以下步骤：
步骤S31：前向传播，步骤如下：
步骤S311：输入：图A（Q，E）、节点特征向量、非线性函数σ、节点连接权重矩阵Gz，/>、聚合深度Z、聚合函数AGGREGATEz、邻居函数；E是边集合；
步骤S312：将初始的节点特征向量xq赋值给节点嵌入表示，对所有节点q∈Q进行赋值；
步骤S313：对于每个聚合深度z∈{1，2，...，Z}进行以下操作；
步骤S314：对于每个节点q∈Q进行以下操作；
步骤S315：对于前一层的节点特征向量和邻居节点特征向量T(q)，使用聚合函数AGGREGATEq进行聚合，得到新的聚合特征/>；
步骤S316：对于当前层的节点连接权重矩阵Gz、前一层的节点特征向量和聚合特征，使用sigmoid函数σ进行变换和连接操作，得到当前节点的特征向量/>；
步骤S317：结束节点循环；
步骤S318：对当前层的节点特征向量进行标准化处理即将每个节点的特征向量长度归一化，得到归一化后的特征向量/>，对所有q∈Q操作；
步骤S319：结束层循环；
步骤S3110：输出节点表示向量kq即由GraphSAGE生成的节点q的嵌入表示，对每个节点q∈Q；
步骤S32：反向传播，采用基于图的损失函数，使相邻节点具有更相似的特征表达，损失函数LA如下所示：
；
式中，&表示等号两边的内容是并列关系，σ是sigmoid函数，是节点q的负采样项，t是当前节点的索引，Ut(q)是负采样中的噪声节点的概率分布，V是负样本的数量；
步骤S33：采用叉乘运算得到两类节点的关系矩阵，步骤如下：
步骤S331：转换特征矩阵，基于用户属性特征矩阵CP和广告属性特征矩阵CQ进行矩阵转换，所用公式如下：
；
；
式中，HGraphSAGE是用GraphSAGE模型进行转换操作，AP和AQ分别是用户图结构和广告图结构；
步骤S332：计算用户p和广告q的交互矩阵Wp，q，所用公式如下：
；
式中，是用户p的特征向量，/>是广告q的特征向量。
3.根据权利要求1所述的一种基于人工智能的广告投放管理方法，其特征在于：在步骤S4中，所述设计卷积神经网络模型，具体包括以下步骤：
步骤S41：层数设计，该模型由3个全连通层和6个卷积层组成，卷积核大小为3×3，步长为1×1，为了保持输入和输出特征图的大小不变，执行填充操作，在每两个卷积层之后，增加池化层以实现最大池化，池核大小为2×2，步长为2×2，对特征图进行下采样，并在接下来的两个卷积层中增加一倍的通道数，同样，在最后一层卷积中，加入flatten层，对数据进行平面化处理，连接MLP网络，逐渐将输出维数降至一维，整个过程如下所示：
；
式中，是神经网络的输出，表示预测广告与用户的相关性；σ是非线性函数，除了最后一个全连接层是sigmoid激活函数外，所有卷积层和全连接层都使用ReLu激活函数，d是偏置参数，t是层数索引，T是卷积层的数量，m是卷积核参数；
步骤S42：损失函数设计，神经网络最后一层的激活函数为sigmoid激活函数，使用的损失函数L如下：
；
式中，J是正样本集，J−是负样本集，Jpq是用户p与广告q之间的实际相关性，最后的模型训练采用Adam优化算法，在模型的MLP部分加入dropout层。
4.根据权利要求1所述的一种基于人工智能的广告投放管理方法，其特征在于：在步骤S5中，所述广告设计，具体包括以下步骤：
步骤S51：建立数据集，将步骤S1采集的数据作为数据样本集，表示为Xa={x1，x2，...，xn}，Xa中每一个样本都是一个向量且包含完整的特征信息，Xa中的一个数据样本xc=（xc1，xc2，...，xcr）T，xcj表示特征向量xc的第j个维度的取值，样本集Xa的子集是Xw和Xp，表示如下：
Xw={xc|xc∈Xa，1≤c≤n}；
Xp={xi|xi∈Xa，1≤i≤n}；
；
步骤S52：建立特征值的集合Xm和Xu，表示如下：
Xm={xcj|xcj=ζ，1≤j≤s，1≤c≤n}；
Xu={xcj|xcj=dml，1≤j≤s，1≤c≤n}；
；
式中，ζ是特征值的未指定变量，是需填充的特征值；||表示集合中元素的个数；dml是特征值的已确定值，即已知的特征值；
步骤S53：评估数据样本的完备率Pw，预先设有完备率阈值，当Pw低于完备率阈值时，需重新采集数据，所用公式如下：
；
式中，ns是Xa中特征值的个数，nu是Xu中特征值的个数；
步骤S54：建立原始数据矩阵，让用户信息域Xa={x1，x2，...，xn}成为待分类的对象，每个对象通过m个指标进行测量，使得xi={xi1，xi2，...，xim}，i=1，2，...，n，原始数据矩阵表示如下：
；
步骤S55：对数据进行标准偏差变换，所用公式如下：
；
式中，是变换后的矩阵元素，i和j分别是矩阵行和矩阵列的索引；
步骤S56：建立模糊相似矩阵，模糊相似矩阵表示对象之间的相似度，矩阵元素计算所用公式如下：
；
式中，c是特征索引，m是特征数量；
步骤S57：计算数据样本xc对聚类分析的影响因子θc，所用公式如下：
；
步骤S58：构建目标群体关联网络，基于影响因子和聚类算法确定目标群体，预先设有关联度阈值，当λij大于关联度阈值时，认为对象i和对象j具有高关联度，被划分为同一目标群体；将具有高关联度的对象连接起来形成一个目标群体关联网络，使用图论中的图结构表示，其中，每个节点表示一个对象，节点之间的连边表示对象之间的关联度；
步骤S59：广告设计，识别关键节点，基于网络中心性指标对节点进行排名，预先设有关键节点个数，基于排名和关键节点个数确定关键节点；针对关键节点设计个性化广告宣传。
5.根据权利要求1所述的一种基于人工智能的广告投放管理方法，其特征在于：在步骤S2中，所述构建同构图，具体包括以下步骤：
步骤S21：构建用户广告二部图，预先设有投放场景包含m个用户和n个广告，用户节点集表示为P={P1，P2，...，Pw}，广告节点集表示为Q={Q1，Q2，...，Qt}，对应的用户广告二部图用A={P，Q，G，M}表示，其中G是图A中所有边的集合，gxy表示节点px和qy的连接边，M为图A中用户与广告交互的权重矩阵，mxy为图A中gxy对应的权重；
步骤S22：分解二部图，将用户广告二部图分解为两个齐次图，具体包括：
步骤S221：计算用户节点的一阶相似度，所用公式如下：
；
式中，x1和y1是不同的广告节点，z1是用户节点索引；
步骤S222：计算广告节点的一阶相似度，所用公式如下：
；
式中，x2和y2是不同的用户节点，z2是广告节点索引；
步骤S23：构建同构图，利用广告相似性矩阵和用户相似性矩阵/>，基于MP和MQ构建用户同构图AQ和广告同构图AP，在使用MQ和MP构建用户同构图和广告同构图之前，预先设有边缘权重阈值，移除低于边缘权重阈值的边。
6.一种基于人工智能的广告投放管理系统，用于实现如权利要求1-5中任一项所述的一种基于人工智能的广告投放管理方法，其特征在于：包括数据采集模块、同构图构建模块、关系矩阵生成模块、卷积神经网络设计模块和广告设计模块；
所述数据采集模块采集用户数据、广告投放数据和用户与广告的交互数据，将采集的数据发送至同构图构建模块和广告设计模块；
所述同构图构建模块接收数据采集模块发送的数据，基于投放场景构建用户广告二部图，通过计算用户节点和广告节点的一阶相似度得到相似性矩阵，并基于边缘权重阈值构建同构图，并将数据发送至关系矩阵生成模块；
所述关系矩阵生成模块接收同构图构建模块发送的数据，基于GraphSAGE模型进行前向传播和反向传播，生成用户和广告节点的嵌入表示，利用叉乘运算得到两类节点的关系矩阵，并将数据发送至卷积神经网络设计模块；
所述卷积神经网络设计模块接收关系矩阵生成模块发送的数据，设计由3个全连通层和6个卷积层组成的卷积神经网络模型，基于模型输出的预测广告x与用户p相关性和损失函数以训练模型，最终实现个性化广告投放；
所述广告设计模块接收数据采集模块发送的数据，基于数据样本的完备率建立原始数据矩阵，对数据进行标准偏差变换后建立模糊相似矩阵，并基于影响因子和聚类算法确定目标群体，以构建群体关联网络，通过识别关键节点进行广告设计。
CN202311136297.XA 2023-09-05 2023-09-05 一种基于人工智能的广告投放管理方法及系统 Active CN117078312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311136297.XA CN117078312B (zh) 2023-09-05 2023-09-05 一种基于人工智能的广告投放管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311136297.XA CN117078312B (zh) 2023-09-05 2023-09-05 一种基于人工智能的广告投放管理方法及系统

Publications (2)

Publication Number Publication Date
CN117078312A true CN117078312A (zh) 2023-11-17
CN117078312B CN117078312B (zh) 2024-02-27

Family

ID=88704080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311136297.XA Active CN117078312B (zh) 2023-09-05 2023-09-05 一种基于人工智能的广告投放管理方法及系统

Country Status (1)

Country Link
CN (1) CN117078312B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934087A (zh) * 2024-03-25 2024-04-26 湖南创研科技股份有限公司 基于用户交互数据的广告智能投放方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036963A (zh) * 2020-09-24 2020-12-04 深圳市万佳安物联科技股份有限公司 一种基于多层随机隐特征模型的网页广告投放装置和方法
CN112308588A (zh) * 2019-07-31 2021-02-02 北京达佳互联信息技术有限公司 广告的投放方法、装置及存储介质
CN114358813A (zh) * 2021-11-29 2022-04-15 重庆邮电大学 一种基于场矩阵因子分解机改进的广告投放方法及系统
CN114997476A (zh) * 2022-05-18 2022-09-02 燕山大学 一种融合商品关联关系的商品预测方法
US20220414792A1 (en) * 2021-06-24 2022-12-29 Jinan University Social recommendation method based on multi-feature heterogeneous graph neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308588A (zh) * 2019-07-31 2021-02-02 北京达佳互联信息技术有限公司 广告的投放方法、装置及存储介质
CN112036963A (zh) * 2020-09-24 2020-12-04 深圳市万佳安物联科技股份有限公司 一种基于多层随机隐特征模型的网页广告投放装置和方法
US20220414792A1 (en) * 2021-06-24 2022-12-29 Jinan University Social recommendation method based on multi-feature heterogeneous graph neural networks
CN114358813A (zh) * 2021-11-29 2022-04-15 重庆邮电大学 一种基于场矩阵因子分解机改进的广告投放方法及系统
CN114997476A (zh) * 2022-05-18 2022-09-02 燕山大学 一种融合商品关联关系的商品预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934087A (zh) * 2024-03-25 2024-04-26 湖南创研科技股份有限公司 基于用户交互数据的广告智能投放方法及系统

Also Published As

Publication number Publication date
CN117078312B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN106709035B (zh) 一种电力多维全景数据的预处理系统
CN115688913B (zh) 一种云边端协同个性化联邦学习方法、系统、设备及介质
CN108154430A (zh) 一种基于机器学习和大数据技术的信用评分构建方法
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN106649657A (zh) 面向社交网络基于张量分解的上下文感知推荐系统及方法
CN110263236B (zh) 基于动态多视图学习模型的社交网络用户多标签分类方法
CN117078312B (zh) 一种基于人工智能的广告投放管理方法及系统
CN115952424A (zh) 一种基于多视图结构的图卷积神经网络聚类方法
CN114385376B (zh) 一种异构数据下边缘侧联邦学习的客户端选择方法
CN111985623A (zh) 基于最大化互信息和图神经网络的属性图群组发现方法
CN116450954A (zh) 一种基于图卷积网络的协同过滤推荐方法
CN115470994A (zh) 基于显式时间和级联注意力的信息流行度预测方法和系统
CN109472712A (zh) 一种基于结构特征强化的高效马尔可夫随机场社团发现方法
CN117194771B (zh) 一种图模型表征学习的动态知识图谱服务推荐方法
CN117112922A (zh) 基于显式特征和隐式特征交互的深度协同过滤推荐方法
CN115545834B (zh) 基于图神经网络与元数据的个性化服务推荐方法
CN116823782A (zh) 一种基于图卷积和多尺度特征的无参考图像质量评价方法
CN116166977A (zh) 一种基于时序图神经网络的物联网服务聚类方法
Guanglong et al. [Retracted] Correlation Analysis between the Emotion and Aesthetics for Chinese Classical Garden Design Based on Deep Transfer Learning
CN115116549A (zh) 细胞数据注释方法、装置、设备及介质
Si [Retracted] Classification Method of Ideological and Political Resources of Broadcasting and Hosting Professional Courses Based on SOM Artificial Neural Network
Kukolj et al. Data clustering using a reorganizing neural network
Zhang et al. Analysis of Data News Production Mode Based on LSTM
CN118626719A (zh) 一种基于随机游走的短文推荐方法及系统
CN117370677A (zh) 一种基于社区感知图增强的兴趣点推荐方法

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