CN117350792A - 一种基于多任务学习的自适应广告投放方法及系统 - Google Patents
一种基于多任务学习的自适应广告投放方法及系统 Download PDFInfo
- Publication number
- CN117350792A CN117350792A CN202311657537.0A CN202311657537A CN117350792A CN 117350792 A CN117350792 A CN 117350792A CN 202311657537 A CN202311657537 A CN 202311657537A CN 117350792 A CN117350792 A CN 117350792A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- task
- management
- learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims description 23
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000007726 management method Methods 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 33
- 239000000463 material Substances 0.000 claims description 21
- 238000002716 delivery method Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000007792 addition Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0265—Vehicular advertisement
- G06Q30/0266—Vehicular advertisement based on the position of the vehicle
-
- 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/091—Active learning
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多任务学习的自适应广告投放方法及系统,包括基于广告方的样本数据库进行特征提取,获取不同公交车线路上客流的浏览数据和车辆的位置信息,构建公交车线路的广告投放模型,结合公交车线路的位置信息进行投放至相应的公交车线路上;本发明可实现对客流的浏览数据和对应的公交线路信息进行自适应性的自我学习能力,对不同线路上的客流受众实现精准的广告投放,通过多任务自主学习能够实时地、自动地进行更新过滤,提高对公交线路上自适应广告投放的精准度和效率,同时通过对多任务自主学习的过滤、进行权重赋值筛选以及匹配,进一步地提高了自适应广告投放的精准度和质量。
Description
技术领域
本发明涉及计算机技术领域,特别是一种基于多任务学习的自适应广告投放方法及系统。
背景技术
现阶段随着公交行业的发展,公交运营的智慧化应用越来越多,目前智慧公交能够支持自定义特殊地段(商圈、地标、景区等),联动指定服务用语或广告语,通过车辆喇叭向车内乘客进行播报广告服务。
但是传统的公交广告投放需要在后台自定义广告文件,待驶入触发地点时进行播报服务,由于广告投放方案的设计通常涉及针对多个广告投放目标的预测和优化,需要运营人员具备相当丰富的广告运营经验、非常出色的业务理解能力与决策能力,若采用传统的投放方法,不仅使得公交到触发地点时的广告投放的内容在筛选方面不够智能和精准,且更新较慢和没有自主学习能力,现阶段虽然也有一些利用机器学习模型预测广告投放方案,但是不适用于公交车的不同线路广告的精准投放。例如,公交线路有旅游公交线路、住宅区的闭环公交线路、商业区公交线路以及学校、产业园区的内部公交线路,不同的公交线路对应的人群和广告投放需求不同,所以有必要发明一种基于不同的公交线路对用户行为顺序信息(浏览→点击→购买)进行深度挖掘,且能够实现不同线路广告的精准投放。
发明内容
鉴于上述现有的公交线路广告投放中存在的问题,提出了本发明。
因此,本发明提供一种基于多任务学习的自适应广告投放方法及系统,其利用大数据和公交路线位置信息结合,对不同线路上的客流实现精准的广告投放,并改善了深度神经网络模型,应用在公交线路的广告投放中,进一步地提高了广告投放的精准性和智慧交通的运营效果。
为解决上述技术问题,本发明提供如下技术方案:一种基于多任务学习的自适应广告投放方法,包括:
步骤S1,根据公交车线路的位置信息进行区域划分,得到相应的公交车线路上广告方的样本数据库;
步骤S2,基于广告方的样本数据库,对各个区域内的广告方投放广告信息结合公交车线路的位置信息进行特征提取,将获取的带有位置信息的投放广告数据输入至广告投放模型中,形成公交线路广告投放数据,与客流进行自适应匹配;
步骤S3,获取不同公交车线路上客流的浏览数据和车辆的位置信息,并对获取的客流的浏览数据进行预处理,得到客流样本数据库;
步骤S4,构建公交车线路的广告投放模型,基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤后,进行权重赋值筛选;
步骤S5,结合所述公交车线路的位置信息,将筛选出的所述公交线路广告投放数据进行投放至相应的公交车线路上;
步骤S6,新上线公交车线路信息的更新,以及对应的客流样本数据库和公交线路广告投放数据的实时更新。
本发明可对客流的浏览数据和对应的公交线路信息进行自适应性的自我学习能力,本发明能够针对变化的客流的浏览数据的特点,实时地、自动地进行更新过滤,可理解地,通过机器学习可以为不同的公交线路信息进行区分,并提供自动、自适应的广告投放运营操作,以此应对不同客流浏览信息的不断变化,提高对公交线路上自适应广告投放的精准度和质量。
作为本发明的一种优选方案,其中:步骤S4中,基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤的具体步骤如下:
步骤401,定义数据集,初始化/>;其中/>表示第/>个客流用户的浏览数据处理任务的初始默认值;
步骤402,;其中,/>为/>的最大后验概率,/>为第/>个客流用户浏览数据处理任务的参数向量,/>为第/>个客流用户在当前t时间内浏览数据处理任务值,/>为数据集/>在参数向量/>出现的概率,/>为对数符号;
步骤403,更新多任务学习的相关系数;;其中,/>,/>均为预设自然数,/>表示第/>个客流用户的浏览数据处理任务与第个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,/>为第/>个任务数据集/>在最大后验概率/>出现的概率;
步骤404,重复上述步骤402和步骤403,直到多任务学习的相关系数收敛;
步骤405,进行多任务学习信息数据求和,;其中,/>为多任务学习数据;/>为单任务学习获取的数据;
步骤406,根据值判断第/>个客流用户的浏览数据是否为垃圾广告信息,若/>>0,则判断为合理广告信息,否则被判定为垃圾广告信息。
作为本发明的一种优选方案,其中:所述表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,具体地设第/>个任务数据集/>为第/>个任务的样例,则整个数据集为/>,其中/>,/>为每个任务的样例数;
,/>为/>的属性个数,且/>,其中,-1表示垃圾广告信息,1表示合理广告信息。
作为本发明的一种优选方案,其中:步骤S4中权重赋值筛选包括:
基于大数据库对所述客流样本数据库进行划分,并对所述客流样本数据库中的每个样本进行权重赋值,计算公式如下:
;其中,/>为样本权重系数,/>为所取样本权重系数,/>为样本权重系数出现的次数;
将带有权重的客流样本数据库输入深度学习模型中进行训练和验证,得到对应的公交车线路的关键客流被投放特征。
作为本发明的一种优选方案,其中:对所述客流的浏览数据进行预处理,包括筛选、剔除和格式转换。
作为本发明的一种优选方案,其中:在所述公交车线路的关键客流被投放特征处理过程中,还包括根据各个特征和类别的相关性,来赋予特征不同的权重,权重小于预设阈值的特征被剔除,其中,特征和类别的计算公式如下:
;
其中,表示获取抽样次数,/>表示代表特征的权重,即/>值越大则属性分类能力越高,/>代表特征集中第/>个特征,/>代表样本集中第/>个样本,/>代表与/>同类别的最近邻,/>代表与/>非同类别的最近邻。
作为本发明的一种优选方案,其中:公交线路广告投放数据与客流进行自适应匹配,具体地,将获取的带有位置信息的投放广告数据输入至投放公交车线路的广告投放模型中,得到相应公交车线路的匹配概率,以及相应客流样本数据的匹配概率;
将所述公交线路广告投放数据的关键词进行汇总,并将汇总得到的关键词库输入所述公交车线路的广告投放模型中,得到对应的匹配概率
一种基于多任务学习的自适应广告投放方法的系统,包括:
获取服务器,用于获取公交线路广告投放数据、客流的浏览数据和车辆的位置信息;
自主学习服务器,与获取服务器连接,用于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习、过滤、权重赋值筛选以及模型的训练和验证工作;
广告投放服务器,与自主学习服务器连接,用于接收经自主学习服务器处理后的广告投放信息,并进行匹配不同的公交车线路;
车载调度主机,用于接收广告投放服务器的信息,并进行广告信息的投放;
车载多媒体系统,用于展示广告投放信息。
作为本发明的一种优选方案,其中:还包括:
广告处理PC端,用于基础信息管理、广告发布管理、资讯管理、统计分析、设备维护管理以及实时监控;所述基础信息管理包括素材管理和广告商管理,所述广告发布管理包括节日管理、主题管理、模版管理、台标管理、站点广告管理、设备发布管理,所述统计分析包括设备流量统计、广告商广告播放统计、设备广告播放统计、站点广告播放统计、发布记录和播放日志,所述设备维护管理包括设备注册和设备维护管理;
广告处理移动端,用于素材管理、发布管理、审核管理、用户管理以及广告商管理;所述素材管理包括素材新增、素材查询、素材查看明细和素材删除,所述审核管理包括节目查询、节目明细查看和节目审核;所述用户管理包括用户登录、修改密码、退出登录和常见问题查看;所述广告商管理包括广告商查询、广告商明细查看、广告商新增、广告商修改。
本发明的有益效果:本发明利用大数据和公交路线位置信息相结合,对不同线路上的客流受众实现精准的广告投放,通过多任务自主学习能够针对变化的客流的浏览数据的特点,实时地、自动地进行更新过滤,为不同的公交线路信息进行区分,并提供自动、自适应的广告投放运营操作,以应对不同客流浏览信息的不断变化,提高对公交线路上自适应广告投放的精准度和效率。同时通过对多任务自主学习的过滤、进行权重赋值筛选以及匹配,进一步地提高了自适应广告投放的精准度和质量,即改善了深度神经网络模型,应用在公交线路的广告投放中,提高了广告投放的精准性和智慧交通的运营效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明实施例中基于多任务学习的自适应广告投放系统应用场景示意图;
图2为本发明实施例中基于多任务学习的自适应广告投放方法的流程图;
图3为本发明实施例中基于多任务学习的自适应广告投放方法模块化示意图;
图4为本发明实施例中广告处理PC端的应用示意图;
图5为本发明实施例中广告处理移动端的应用示意图。
图中标号:10、获取服务器;20、自主学习服务器;30、广告投放服务器;40、车载调度主机;50、车载多媒体系统;60、广告处理PC端;70、广告处理移动端。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参照图2和图3,为本发明的一个实施例,该实施例提供了一种基于多任务学习的自适应广告投放方法,包括:
步骤S1,根据公交车线路的位置信息进行区域划分,得到相应的公交车线路上广告方的样本数据库;
步骤S2,基于广告方的样本数据库,对各个区域内的广告方投放广告信息结合公交车线路的位置信息进行特征提取,将获取的带有位置信息的投放广告数据输入至广告投放模型中,形成公交线路广告投放数据,与客流进行自适应匹配;
步骤S3,获取不同公交车线路上客流的浏览数据和车辆的位置信息,并对获取的客流的浏览数据进行预处理,得到客流样本数据库;
步骤S4,构建公交车线路的广告投放模型,基于客流样本数据库和公交线路广告投放数据的多任务自主学习完成过滤后,进行权重赋值筛选;
步骤S5,结合公交车线路的位置信息,将筛选出的公交线路广告投放数据进行投放至相应的公交车线路上;
步骤S6,新上线公交车线路信息的更新,以及对应的客流样本数据库和公交线路广告投放数据的实时更新。
基于上述可知,本实施例的公交线路投放方法,在对客流的浏览数据和对应的公交线路信息进行自适应性的自我学习能力,能够针对变化的客流的浏览数据的特点,实时地、自动地进行更新过滤,可理解地通过机器学习可以为不同的公交线路信息进行区分,并提供自动、自适应的广告投放运营操作,以此应对不同客流浏览信息的不断变化,提高对公交线路上自适应广告投放的精准度和质量。
步骤S4中,基于客流样本数据库和公交线路广告投放数据的多任务自主学习完成过滤的具体步骤如下:
步骤401,定义数据集,初始化/>;其中/>表示第/>个客流用户的浏览数据处理任务的初始默认值;
步骤402,;其中,/>为/>的最大后验概率,/>为第/>个客流用户浏览数据处理任务的参数向量,/>为第/>个客流用户在当前t时间内浏览数据处理任务值,/>为数据集/>在参数向量出现的概率,/>为对数符号;
步骤403,更新多任务学习的相关系数;;其中,/>,/>均为预设自然数,/>表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,/>为第/>个任务数据集/>在最大后验概率/>出现的概率;
步骤404,重复上述步骤402和步骤403,直到多任务学习的相关系数收敛;
步骤405,进行多任务学习信息数据求和,;其中,为多任务学习数据;/>为单任务学习获取的数据;
步骤406,根据值判断第/>个客流用户的浏览数据是否为垃圾广告信息,若/>>0,则判断为合理广告信息,否则被判定为垃圾广告信息。
本实施例进一步地说明,表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,具体地设第/>个任务数据集/>为第/>个任务的样例,则整个数据集为/>,其中,/>为每个任务的样例数;
,/>为/>的属性个数,且/>,其中,-1表示垃圾广告信息,1表示合理广告信息。
虽然客流在同一公交车线路上,但是用户个性化存在差异,彼此相关性的广告投放,这里可以对同一公交车线路上待投放的合理广告信息进行权重赋值;基于此,本实施例需要进一步说明的,步骤S4中权重赋值筛选包括:
基于大数据库对客流样本数据库进行划分,并对客流样本数据库中的每个样本进行权重赋值,计算公式如下:
;其中,/>为样本权重系数,/>为所取样本权重系数,/>为样本权重系数出现的次数;
将带有权重的客流样本数据库输入深度学习模型中进行训练和验证,得到对应的公交车线路的关键客流被投放特征。
本实施例中对客流的浏览数据进行预处理,包括筛选、剔除和格式转换。
本实施例在公交车线路的关键客流被投放特征处理过程中,还包括根据各个特征和类别的相关性,来赋予特征不同的权重,权重小于预设阈值的特征被剔除,其中,特征和类别的计算公式如下:
;
其中,表示获取抽样次数,/>表示代表特征的权重,即/>值越大则属性分类能力越高,/>代表特征集中第/>个特征,/>代表样本集中第/>个样本,/>代表与/>同类别的最近邻,/>代表与/>非同类别的最近邻。
本实施例优选地,其中公交线路广告投放数据与客流进行自适应匹配,具体地,将获取的带有位置信息的投放广告数据输入至投放公交车线路的广告投放模型中,得到相应公交车线路的匹配概率,以及相应客流样本数据的匹配概率;
将公交线路广告投放数据的关键词进行汇总,并将汇总得到的关键词库输入公交车线路的广告投放模型中,得到对应的匹配概率。
参照图1、图4和图5,本实施例还提供一种基于多任务学习的自适应广告投放方法的系统,包括:
获取服务器10,用于获取公交线路广告投放数据、客流的浏览数据和车辆的位置信息;
自主学习服务器20,与获取服务器10连接,用于客流样本数据库和公交线路广告投放数据的多任务自主学习、过滤、权重赋值筛选以及模型的训练和验证工作;
广告投放服务器30,与自主学习服务器20连接,用于接收经自主学习服务器20处理后的广告投放信息,并进行匹配不同的公交车线路;
车载调度主机40,用于接收广告投放服务器30的信息,并进行广告信息的投放;
车载多媒体系统50,用于展示广告投放信息。
还包括:广告处理PC端60,用于基础信息管理、广告发布管理、资讯管理、统计分析、设备维护管理以及实时监控;基础信息管理包括素材管理和广告商管理,广告发布管理包括节日管理、主题管理、模版管理、台标管理、站点广告管理、设备发布管理,统计分析包括设备流量统计、广告商广告播放统计、设备广告播放统计、站点广告播放统计、发布记录和播放日志,设备维护管理包括设备注册和设备维护管理;
广告处理移动端70,用于素材管理、发布管理、审核管理、用户管理以及广告商管理;素材管理包括素材新增、素材查询、素材查看明细和素材删除,审核管理包括节目查询、节目明细查看和节目审核;用户管理包括用户登录、修改密码、退出登录和常见问题查看;广告商管理包括广告商查询、广告商明细查看、广告商新增、广告商修改。
综上,本发明的基于多任务学习的自适应广告投放方法,可实现对客流的浏览数据和对应的公交线路信息进行自适应性的自我学习能力,具体地利用大数据和公交路线位置信息相结合,对不同线路上的客流受众实现精准的广告投放,通过多任务自主学习能够针对变化的客流的浏览数据的特点,实时地、自动地进行更新过滤,为不同的公交线路信息进行区分,并提供自动、自适应的广告投放运营操作,以应对不同客流浏览信息的不断变化,提高对公交线路上自适应广告投放的精准度和效率。同时通过对多任务自主学习的过滤、进行权重赋值筛选以及匹配,进一步地提高了自适应广告投放的精准度和质量,即改善了深度神经网络模型,应用在公交线路的广告投放中,提高了广告投放的精准性和智慧交通的运营效果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于多任务学习的自适应广告投放方法,其特征在于,包括:
步骤S1,根据公交车线路的位置信息进行区域划分,得到相应的公交车线路上广告方的样本数据库;
步骤S2,基于广告方的样本数据库,对各个区域内的广告方投放广告信息结合公交车线路的位置信息进行特征提取,将获取的带有位置信息的投放广告数据输入至广告投放模型中,形成公交线路广告投放数据,与客流进行自适应匹配;
步骤S3,获取不同公交车线路上客流的浏览数据和车辆的位置信息,并对获取的客流的浏览数据进行预处理,得到客流样本数据库;
步骤S4,构建公交车线路的广告投放模型,基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤后,进行权重赋值筛选;
步骤S5,结合所述公交车线路的位置信息,将筛选出的所述公交线路广告投放数据进行投放至相应的公交车线路上;
步骤S6,新上线公交车线路信息的更新,以及对应的客流样本数据库和公交线路广告投放数据的实时更新。
2.如权利要求1所述的一种基于多任务学习的自适应广告投放方法,其特征在于,步骤S4中,基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤的具体步骤如下:
步骤401,定义数据集,初始化/>;其中/>表示第/>个客流用户的浏览数据处理任务的初始默认值;
步骤402,;其中,/>为/>的最大后验概率,/>为第/>个客流用户浏览数据处理任务的参数向量,/>为第/>个客流用户在当前t时间内浏览数据处理任务值,/>为数据集/>在参数向量出现的概率,/>为对数符号;
步骤403,更新多任务学习的相关系数;;其中,/>,/>均为预设自然数,/>表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,为第/>个任务数据集/>在最大后验概率/>出现的概率;
步骤404,重复上述步骤402和步骤403,直到多任务学习的相关系数收敛;
步骤405,进行多任务学习信息数据求和,;其中,/>为多任务学习数据;/>为单任务学习获取的数据;
步骤406,根据值判断第/>个客流用户的浏览数据是否为垃圾广告信息,若/>>0,则判断为合理广告信息,否则被判定为垃圾广告信息。
3.如权利要求2所述的一种基于多任务学习的自适应广告投放方法,其特征在于,所述表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度,即任务/>对任务/>的参与度,具体地设第/>个任务数据集/>为第个任务的样例,则整个数据集为/>,其中/>,/>为每个任务的样例数;
,/>为/>的属性个数,且/>,其中,-1表示垃圾广告信息,1表示合理广告信息。
4.如权利要求1所述的一种基于多任务学习的自适应广告投放方法,其特征在于,步骤S4中权重赋值筛选包括:
基于大数据库对所述客流样本数据库进行划分,并对所述客流样本数据库中的每个样本进行权重赋值,计算公式如下:
;其中,/>为样本权重系数,/>为所取样本权重系数,/>为样本权重系数出现的次数;
将带有权重的客流样本数据库输入深度学习模型中进行训练和验证,得到对应的公交车线路的关键客流被投放特征。
5.如权利要求1所述的一种基于多任务学习的自适应广告投放方法,其特征在于,对所述客流的浏览数据进行预处理,包括筛选、剔除和格式转换。
6.如权利要求4所述的一种基于多任务学习的自适应广告投放方法,其特征在于,在所述公交车线路的关键客流被投放特征处理过程中,还包括根据各个特征和类别的相关性,来赋予特征不同的权重,权重小于预设阈值的特征被剔除,其中,特征和类别的计算公式如下:
;
其中,表示获取抽样次数,/>表示代表特征的权重,即/>值越大则属性分类能力越高,/>代表特征集中第/>个特征,/>代表样本集中第/>个样本,/>代表与/>同类别的最近邻,/>代表与/>非同类别的最近邻。
7.如权利要求1所述的一种基于多任务学习的自适应广告投放方法,其特征在于,公交线路广告投放数据与客流进行自适应匹配,具体地,将获取的带有位置信息的投放广告数据输入至投放公交车线路的广告投放模型中,得到相应公交车线路的匹配概率,以及相应客流样本数据的匹配概率;
将所述公交线路广告投放数据的关键词进行汇总,并将汇总得到的关键词库输入所述公交车线路的广告投放模型中,得到对应的匹配概率。
8.如权利要求1所述的一种基于多任务学习的自适应广告投放方法的系统,其特征在于,包括:
获取服务器(10),用于获取公交线路广告投放数据、客流的浏览数据和车辆的位置信息;
自主学习服务器(20),与获取服务器(10)连接,用于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习、过滤、权重赋值筛选以及模型的训练和验证工作;
广告投放服务器(30),与自主学习服务器(20)连接,用于接收经自主学习服务器(20)处理后的广告投放信息,并进行匹配不同的公交车线路;
车载调度主机(40),用于接收广告投放服务器(30)的信息,并进行广告信息的投放;
车载多媒体系统(50),用于展示广告投放信息。
9.如权利要求8所述的一种基于多任务学习的自适应广告投放方法的系统,其特征在于,还包括:
广告处理PC端(60),用于基础信息管理、广告发布管理、资讯管理、统计分析、设备维护管理以及实时监控;所述基础信息管理包括素材管理和广告商管理,所述广告发布管理包括节日管理、主题管理、模版管理、台标管理、站点广告管理、设备发布管理,所述统计分析包括设备流量统计、广告商广告播放统计、设备广告播放统计、站点广告播放统计、发布记录和播放日志,所述设备维护管理包括设备注册和设备维护管理;
广告处理移动端(70),用于素材管理、发布管理、审核管理、用户管理以及广告商管理;所述素材管理包括素材新增、素材查询、素材查看明细和素材删除,所述审核管理包括节目查询、节目明细查看和节目审核;所述用户管理包括用户登录、修改密码、退出登录和常见问题查看;所述广告商管理包括广告商查询、广告商明细查看、广告商新增、广告商修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657537.0A CN117350792B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多任务学习的自适应广告投放方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657537.0A CN117350792B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多任务学习的自适应广告投放方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350792A true CN117350792A (zh) | 2024-01-05 |
CN117350792B CN117350792B (zh) | 2024-03-08 |
Family
ID=89357967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657537.0A Active CN117350792B (zh) | 2023-12-06 | 2023-12-06 | 一种基于多任务学习的自适应广告投放方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350792B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071162A1 (en) * | 2014-09-10 | 2016-03-10 | Sysomos L.P. | Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns |
CN105890600A (zh) * | 2016-04-14 | 2016-08-24 | 南京大学 | 基于手机传感器的地铁乘客位置推测方法 |
CN108053238A (zh) * | 2017-12-11 | 2018-05-18 | 北京奇虎科技有限公司 | 面向公交车身广告投放线路定制方法、装置及电子设备 |
CN109886269A (zh) * | 2019-02-27 | 2019-06-14 | 南京中设航空科技发展有限公司 | 一种基于注意力机制的交通广告牌识别方法 |
CN111178981A (zh) * | 2020-01-02 | 2020-05-19 | 众安在线财产保险股份有限公司 | 一种广告投放方法、装置、计算机设备及存储介质 |
CN112434232A (zh) * | 2020-11-25 | 2021-03-02 | 浙江兴士烨新材料科技有限公司 | 一种基于互联网的产品关键词广告投放方法及系统 |
CN112908213A (zh) * | 2021-02-02 | 2021-06-04 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN115409553A (zh) * | 2022-08-30 | 2022-11-29 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN116342192A (zh) * | 2023-05-30 | 2023-06-27 | 北京车讯互联网股份有限公司 | 一种基于大数据的互联网汽车行业广告投放效果监控方法 |
-
2023
- 2023-12-06 CN CN202311657537.0A patent/CN117350792B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071162A1 (en) * | 2014-09-10 | 2016-03-10 | Sysomos L.P. | Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns |
CN105890600A (zh) * | 2016-04-14 | 2016-08-24 | 南京大学 | 基于手机传感器的地铁乘客位置推测方法 |
CN108053238A (zh) * | 2017-12-11 | 2018-05-18 | 北京奇虎科技有限公司 | 面向公交车身广告投放线路定制方法、装置及电子设备 |
CN109886269A (zh) * | 2019-02-27 | 2019-06-14 | 南京中设航空科技发展有限公司 | 一种基于注意力机制的交通广告牌识别方法 |
CN111178981A (zh) * | 2020-01-02 | 2020-05-19 | 众安在线财产保险股份有限公司 | 一种广告投放方法、装置、计算机设备及存储介质 |
CN112434232A (zh) * | 2020-11-25 | 2021-03-02 | 浙江兴士烨新材料科技有限公司 | 一种基于互联网的产品关键词广告投放方法及系统 |
CN112908213A (zh) * | 2021-02-02 | 2021-06-04 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN115409553A (zh) * | 2022-08-30 | 2022-11-29 | 南京智慧橙网络科技有限公司 | 一种基于大数据和位置信息的广告投放系统及其方法 |
CN116342192A (zh) * | 2023-05-30 | 2023-06-27 | 北京车讯互联网股份有限公司 | 一种基于大数据的互联网汽车行业广告投放效果监控方法 |
Non-Patent Citations (5)
Title |
---|
JUNHUA WANG等: "An Adaptive Q-Value Adjustment-Based Learning Model for Reliable Vehicle-to-UAV Computation Offloading", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS ( EARLY ACCESS )》, 23 October 2023 (2023-10-23), pages 1 - 15 * |
ZHANG TAO等: "Interest-Driven Outdoor Advertising Display Location Selection Using Mobile Phone Data", 《IEEE ACCESS》, vol. 07, 5 April 2019 (2019-04-05), pages 30878 - 30889 * |
张志翱: "基于位置的O2O服务推荐系统研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 09, 15 September 2019 (2019-09-15), pages 138 - 1362 * |
张涛: "基于大数据背景下的房地产广告精准投放策略研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 01, 15 January 2016 (2016-01-15), pages 157 - 17 * |
张连仓: "公交车身媒体管理系统的设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 06, 15 June 2018 (2018-06-15), pages 034 - 409 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350792B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN108205766A (zh) | 信息推送方法、装置及系统 | |
CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
CN105007171A (zh) | 基于通信领域大数据的用户数据分析系统及方法 | |
CN112559771A (zh) | 基于知识图谱的资金交易智能监测方法及监测系统 | |
CN105812554A (zh) | 一种智能管理手机短信的方法和系统 | |
CN112511855A (zh) | 一种基于云计算的电子商务平台视频直播智能管理系统 | |
CN107194815B (zh) | 客户分类方法及系统 | |
CN111143689A (zh) | 根据用户需求和用户画像构建推荐引擎的方法 | |
CN107515852A (zh) | 特定类型信息识别方法及装置 | |
CN115759640A (zh) | 一种智慧城市的公共服务信息处理系统及方法 | |
CN107220745A (zh) | 一种意图行为数据的识别方法、系统及设备 | |
WO2017143703A1 (zh) | 线下资源的挖掘方法和装置 | |
Mukherjee et al. | A comprehensive review of trip generation models based on land use characteristics | |
CN101719924B (zh) | 基于群件理解的不良彩信过滤方法 | |
CN117350792B (zh) | 一种基于多任务学习的自适应广告投放方法及系统 | |
CN111105070B (zh) | 客流预警方法及系统 | |
CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
CN106909541A (zh) | 一种跨领域公共舆情的自动识别、分类与上报的系统 | |
CN108564380B (zh) | 一种基于迭代决策树的电信用户分类方法 | |
CN113946740A (zh) | 用户座舱搜索联想的处理方法、装置、电子设备与介质 | |
CN107480271B (zh) | 基于抽样查找和索引查找的人群画像方法及系统 | |
CN116720082A (zh) | 一种海外社交媒体语言与地域预测方法 | |
CN117614845B (zh) | 基于大数据分析的通讯信息处理方法及装置 | |
CN117094762B (zh) | 一种基于ai人工智能的用户权益推荐方法和系统 |
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 |