发明内容
为了解决上述问题,本发明提供一种游戏软件广告精准投放方法,该方法包括以下步骤:
采集每个时间点的参考周期内用户对于各类别视频的播放时长占比以及播放频率;根据所述播放时长占比以及播放频率获取用户在每个时间点对于每个类别视频的喜好推广率,根据所述喜好推广率绘制每个类别视频的喜好推广率曲线;
根据每个类别视频的喜好推广率曲线中数据点之间的差异获取用户对于每个类别视频的最近偏爱数据点;根据所述最近偏爱数据点的喜好推广率获取每个类别视频的喜好变化程度以及喜好转变可能性;
根据每个类别视频的喜好转变可能性获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性;根据所述相符性以及所述喜好变化程度,获取每个类别视频的喜好推荐度;
根据每个类别视频的喜好推荐度进行广告推荐。
优选的,所述根据每个类别视频的喜好推广率曲线中数据点之间的差异获取用户对于每个类别视频的最近偏爱数据点,包括的具体步骤如下:
对于每个类别视频的喜好推广率曲线,对喜好推广率曲线构建滑窗,将每个窗口内包含的所有数据点的喜好推广率的最大值和最小值之间的差值,作为每个窗口的喜好变化量;
获取喜好推广率曲线上的所有极大值点;对于相邻的两个极大值点之间每个窗口,根据相邻窗口的喜好变化量之间的差异筛选喜好变化转折点;将相邻的两个极大值点之间的喜好变化转折点所在窗口的喜好变化量与左侧相邻的窗口的喜好变化量的绝对值作为第一差异,将喜好变化转折点所在窗口的喜好变化量与右侧相邻的窗口的喜好变化量的绝对值作为第二差异;当第一差异大于第二差异时,将相邻的两个极大值点中第一个极大值点到喜好变化转折点之间的所有数据点作为可能偏爱数据点,当第一差异小于或等于第二差异时,将喜好变化转折点到相邻的两个极大值点中第二个极大值点之间的所有数据点作为可能偏爱数据点;
对于每个极大值点,若极大值点左右两侧相邻的数据点均为可能偏爱数据点时,将极大值点左侧距离最近的喜好变化转折点到极大值点到右侧距离最近的喜好变化转折点之间的所有可能偏爱数据点作为偏爱数据点;
将喜好推广率曲线上距离当前时间点最近的偏爱数据点作为最近偏爱数据点。
优选的,所述根据相邻窗口的喜好变化量之间的差异筛选喜好变化转折点,包括的具体步骤如下:
将每个窗口与左右两侧相邻窗口之间喜好变化量的差异之和作为每个窗口的喜好变化差异;将相邻的两个极大值点之间喜好变化差异最大的窗口的中心的数据点作为相邻的两个极大值点之间的喜好变化转折点。
优选的,所述喜好变化程度的具体获取方法如下:
其中,表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度,/>取遍[1,/>]中每个整数,/>表示视频的类别数;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的斜率;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好推广率。
优选的,所述喜好转变可能性的具体获取方法如下:
对于每个类别视频的喜好推广率曲线,获取所有偏爱数据点中的距离当前时间点最近的极大值点与最近偏爱数据点之间喜好推广率之间的差值的绝对值,作为该类别视频的喜好转变可能性。
优选的,所述根据每个类别视频的喜好转变可能性获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性,包括的具体步骤如下:
获取用户当前最喜爱的类别,根据每个类别视频的喜好推广率曲线获取每个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性;根据用户对每个类别视频的喜好转变可能性以及每个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性,获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性:
其中,表示第/>个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性,取遍[1,/>]中每个整数,/>表示视频的类别数;/>表示用户对第/>个类别视频的喜好转变可能性;/>表示第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性。
优选的,所述获取用户当前最喜爱的类别,根据每个类别视频的喜好推广率曲线获取每个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性,包括的具体步骤如下:
将当前时间点喜好推广率最大的类别作为用户当前最喜爱的类别;
其中,表示第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性;/>表示当前时间点;/>表示当前时间点用户对于第/>个类别视频的喜好推广率;/>表示当前时间点用户对于用户当前最喜爱的类别视频的喜好推广率;/>表示第/>个类别视频的喜好推广率曲线中距离当前时间点最近的极大值点的喜好推广率;/>表示用户当前最喜爱的类别视频的喜好推广率曲线中距离当前时间点最近的极大值点的喜好推广率。
优选的,所述根据所述相符性以及所述喜好变化程度,获取每个类别视频的喜好推荐度,包括的具体步骤如下:
其中,表示第/>个类别视频的喜好推荐度;/>表示第/>个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度;/>表示当前时间点用户对于第/>个类别视频的喜好推广率,/>表示当前时间点; />表示归一化函数。
优选的,所述根据所述播放时长占比以及播放频率获取用户在每个时间点对于每个类别视频的喜好推广率,包括的具体步骤如下:
将每个时间点的参考周期内用户对于各类别视频的播放时长占比与播放频率的乘积作为用户在每个时间点对于每个类别视频的喜好推广率。
优选的,所述每个时间点的参考周期的获取方法如下:
预设一个周期时长,将每个时间点前/>个时间点构成的时间范围作为每个时间点的参考周期。
本发明的技术方案的有益效果是:本发明通过采集每个时间点的参考周期内用户对于各类别视频的播放时长占比以及播放频率,获取用户在每个时间点对于每个类别视频的喜好推广率,从而绘制喜好推广率曲线。由于新事物带来的临时关注对喜好推广率曲线的变化趋势产生了影响,本发明通过分析喜好转变可能性,进而获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性,根据相符性以及喜好变化程度获取每个类别视频的喜好推荐度,避免了新事物的临时关注带来的影响,对于用户的广告推荐更加精准,减少了广告资源的浪费。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种游戏软件广告精准投放方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种游戏软件广告精准投放方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种游戏软件广告精准投放方法的步骤流程图,该方法包括以下步骤:
S001.采集用户的视频播放数据。
根据视频的内容对视频进行分类标注。例如当需要进行游戏软件广告的精准投放时,视频为游戏相关的内容,分为竞技游戏类、休闲益智游戏类、开放世界游戏类、塔防游戏类等。
预设一个周期时长,在本发明实施例中以七天为一个周期进行说明,具体不做限定,实施人员可根据实际实施情况设置周期时长/>。则第一个周期为从用户新注册账号时开始到之后的七天,第一个周期为初始周期。为了更全面的采集数据,判断用户的喜好,在初始周期内为用户均匀推荐所有类别视频的视频。对于初始周期之后的每个时间点,将每个时间点之前的七天作为每个时间点的参考周期。需要说明的是,在本发明实施例中,时间点的单位为天。
采集每个时间点的参考周期内用户对于各类别视频的播放时长以及播放次数,将每个时间点的参考周期内用户对每个类别视频的播放时长占所有视频总播放时长的占比,作为用户对每个类别视频的播放时长占比。将每个时间点的参考周期内用户对每个类别视频的播放次数占所有视频总播放次数的占比,作为用户对每个类别视频的播放频率。
至此,获取了每个时间点的参考周期内用户的视频播放数据,包括各类别视频的播放时长占比以及播放频率。
S002.根据用户的视频播放数据获取用户对于各类视频的喜好推广率,根据喜好推广率的变化获取偏爱数据点。
需要说明的是,在视频观看中,用户对视频内容的喜爱程度越高,则观看相关内容的视频的时间就越长,且主动播放视频的次数就越多,即视频播放的次数也就越多,因此可根据用户对各类视频的播放时长占比以及播放频率获取用户对各类别视频的喜好推广率。
在本发明实施例中,获取用户对于每个类别视频的喜好推广率:
其中,表示第/>个时间点用户对于第/>个类别视频的喜好推广率,/>取遍[1,/>]中每个整数,/>表示视频的类别数,/>取遍[/>,/>],其中/>表示周期时长,/>表示当前时间点;/>表示第/>个时间点的参考周期内用户对第/>个类别视频的播放时长占比;/>表示第/>个时间点的参考周期内用户对第/>个类别视频的播放频率;当第/>个时间点的参考周期内用户对第/>个类别视频的播放时长占比越高且播放频率越大时,用第/>个时间点用户对于第/>个类别视频越喜爱,此时第/>个时间点用户对于第/>个类别视频的喜好推广率越大。
至此,获取了每个时间点用户对于每个类别视频的喜好推广率。
预设参考时间范围,本发明实施例以一季度作为一个参考时间范围,具体不做限定,实施人员可根据具体实施情况设置参考时间范围。对于一个类别视频的视频,以时间点为横轴,以用户对于该类别视频的喜好推广率为纵轴,以一季度内每个时间点用户对于该类别视频的喜好推广率为数据样本,绘制该类别视频的喜好推广率曲线。
利用平滑算法对每个类别视频的喜好推广率曲线进行平滑处理,消除每个类别视频的喜好推广率曲线中的噪声。
需要说明的是,每个类别视频的喜好推广率曲线存在数据波动,数据波动可能为用户喜好改变而产生,也可能为对应类别视频中产生新事物而带来的数据波动。因此需要对每个类别视频的喜好推广率曲线中的数据波动进行分析,新事物的产生可能会带来用户的关注,但并不会使得用户完全不关注原本喜爱的旧事物,而用户喜好变化则可能导致用户对于原本喜爱的事物不再喜爱,从而不再关注,因此新事物产生而带来的数据波动与用户喜好变化产生的数据波动相比,新事物产生而带来的数据波动较为平缓。若用户的喜好不变,在新事物产生之前,用户对于当前类别视频的关注程度变化不大,因此新事物产生带来的数据波动与当前类别视频的喜好推广率曲线中相邻的波动之间的差异较为明显,因此可通过对每个类别视频的喜好推广率曲线中数据的变化,获取用户每个类别视频的偏爱时间段,以便后续根据偏爱时间段来分析用户喜好变化是否为新事物产生。
在本发明实施例中,预设窗口大小,具体不做限定,实施人员可根据具体实施情况设置窗口大小,例如/>。
对于每个类别视频的喜好推广率曲线,以喜好推广率曲线中第一个数据点为开始,构建大小的滑窗,滑窗的步长为/>,在滑窗滑动的过程中,对应的每个窗口中均包含个数据点。计算每个窗口内包含的所有数据点的喜好推广率的最大值和最小值之间的差值,作为每个窗口的喜好变化量。当喜好变化量越大,说明窗口内数据的差异越大。
对喜好推广率曲线使用峰值点检测得到喜好推广率曲线上的所有极大值点。当两个极大值点之间不存在其他的极大值点,则认为此两个极大值点相邻。对于相邻的两个极大值点之间每个窗口,计算每个窗口的喜好变化差异:
其中,表示第/>个类别视频的喜好推广率曲线上第/>个极大值点和第个极大值点之间第/>个窗口的喜好变化差异,/>取遍[1,/>]中的整数,/>表示第/>个类别视频的喜好推广率曲线上极大值点的数量,/>取遍[1,/>]中每个整数,/>表示视频的类别数,/>取遍[/>]中的每个整数,/>表示第/>个类别视频的喜好推广率曲线上第/>个极大值点和第/>个极大值点之间的窗口的数量;/>表示第/>个类别视频的喜好推广率曲线上第/>个极大值点和第/>个极大值点之间第/>个窗口的喜好变化量;表示第/>个类别视频的喜好推广率曲线上第/>个极大值点和第/>个极大值点之间第/>个窗口的喜好变化量;/>表示第/>个类别视频的喜好推广率曲线上第/>个极大值点和第/>个极大值点之间第/>个窗口的喜好变化量;当第/>个类别视频的喜好推广率曲线上第/>个极大值点和第/>个极大值点之间第/>个窗口的喜好变化量与相邻窗口的喜好变化量之间的差异越大,第/>个窗口的喜好变化差异越大,第/>个窗口中心的数据点更可能为用户对于第/>个类别视频的喜好变化的转折点。
将相邻的两个极大值点之间喜好变化差异最大的窗口中心的数据点作为相邻的两个极大值点之间的喜好变化转折点。将相邻的两个极大值点之间的喜好变化转折点所在窗口的喜好变化量与左侧相邻的窗口的喜好变化量的绝对值作为第一差异,将喜好变化转折点所在窗口的喜好变化量与右侧相邻的窗口的喜好变化量的绝对值作为第二差异。当第一差异大于第二差异时,将相邻的两个极大值点中第一个极大值点到喜好变化转折点之间的所有数据点作为可能偏爱数据点,当第一差异小于或等于第二差异时,将喜好变化转折点到相邻的两个极大值点中第二个极大值点之间的所有数据点作为可能偏爱数据点。
对于每个极大值点,若极大值点左右两侧相邻的数据点均为可能偏爱数据点时,将极大值点左侧距离最近的喜好变化转折点到极大值点到右侧距离最近的喜好变化转折点之间的所有可能偏爱数据点作为偏爱数据点,将极大值点左侧距离最近的喜好变化转折点到极大值点右侧距离最近的喜好变化转折点之间的时间范围作为用户对该类别视频的一个偏爱时间段。
至此,获取了用户对每个类别视频的多个偏爱数据点以及偏爱时间段。
S003.根据偏爱数据点的喜好推广率获取每个类别视频的喜好变化程度以及喜好转变可能性,根据喜好转变可能性获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性,根据相符性以及喜好变化程度,获取每个类别视频的喜好推荐度。
将每个类别视频的喜好推广率曲线上距离当前时间点最近的偏爱时间段中最后一个偏爱数据点作为最近偏爱数据点,获取最近偏爱数据点在喜好推广率曲线上的斜率。当斜率为正值时,斜率的绝对值越大则说明用户近期的喜好越趋向于该类别视频的视频;当斜率为负值时,斜率的绝对值越大则说明用户近期对于该类别视频的喜好偏爱下降的越快。但是仅依靠斜率的变化分析用户喜好变化可能存在误差,因此还需要根据最近偏爱数据点对应的喜好推荐率进行调整。
在本发明实施例中,获取每个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度:
其中,表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度,/>取遍[1,/>]中每个整数,/>表示视频的类别数;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的斜率;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好推广率;当最近偏爱数据点的斜率为正值且斜率越大,同时最近偏爱数据点的喜好推广率越大时,用户在近期对于该类别视频的喜爱上升程度越大,当最近偏爱数据点的斜率为负值且值越大,同时最近偏爱数据点的喜好推广率越大时,用户在近期对于该类别视频的喜爱下降程度越大。
需要说明的是,通过喜好变换程度判断用户对于各类别视频的喜好时,对于不是近期最喜欢的类别依旧存在误差,因此还需要结合各个类别之间的相互影响关系进行分析。用户可以同时喜欢多个类别视频,但用户的精力是有限的,用户每天的观看时间是有限的且无法同时观看多个视频,因此当用户有新的喜好类别时,就会分出时间去看新的喜好类别视频的视频,从而使得其他的喜好高的类别视频的喜好推广率曲线下降,但并不能说明用户不喜欢其他的喜好高的类别了,此时喜好推广率曲线下降为伪下降。
需要进一步说明的是,当用户喜好为新事物带来的伪下降时,虽然下降的速率较快,但下降的落差较小,同时由于新事物的产生可能会带来用户的关注,但并不会使得用户完全不关注原本喜爱的旧事物,因此下降之后仍然保持一定的喜好推广率,因此本发明实施例根据每个类别视频的喜好推广率曲线的变化情况获取用户对于每个类别视频的喜好转变可能性。
在本发明实施例中,对于每个类别视频的喜好推广率曲线,获取喜好推广率曲线中距离当前时间点最近的偏爱时间段中的极大值点与最近偏爱数据点之间喜好推广率之间的差值的绝对值,作为该类别视频的喜好转变可能性,当喜好转变可能性越大,说明用户对于该类别视频的喜好为真下降的可能性就越大,反之,当喜好转变可能性越小,说明用户对于该类别视频的喜好为伪下降的可能性就越大。
将当前时间点喜好推广率最大的类别作为用户当前最喜爱的类别。获取每个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性:
其中,表示第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性;/>表示当前时间点;/>表示当前时间点用户对于第/>个类别视频的喜好推广率,/>取遍[1,/>]中每个整数,/>表示视频的类别数;/>表示当前时间点用户对于用户当前最喜爱的类别视频的喜好推广率;/>表示第/>个类别视频的喜好推广率曲线中距离当前时间点最近的极大值点的喜好推广率;/>表示用户当前最喜爱的类别视频的喜好推广率曲线中距离当前时间点最近的极大值点的喜好推广率;当/>越小同时/>也越小时,用户对于第/>个类别视频的喜好越高,则越可能同时喜好第/>个类别,此时第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性越低,反之,当/>越大同时也越大时,用户对于第/>个类别视频的喜好越低,则越不可能同时喜好第/>个类别,此时第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性越高。
根据用户对每个类别视频的喜好转变可能性以及每个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性:
其中,表示第/>个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性;表示用户对第/>个类别视频的喜好转变可能性;/>表示第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性;当第/>个类别与用户当前最喜爱的类别作为用户的非并行喜好的可能性越低,同时用户对第/>个类别视频的喜好转变可能性越小时,用户对于第个类别视频的喜好变化更可能为新事物带来的临时关注,第/>个类别视频的喜好推广率曲线为临时上升,在未来可能随着新事物的热度降低导致用户对于第/>个类别视频的喜好降低,此时第/>个类别视频的喜好推广率曲线上升的变化趋势与用户喜好的相符性越差。
根据每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性以及每个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度,获取每个类别视频的喜好推荐度:
其中,表示第/>个类别视频的喜好推荐度;/>表示第/>个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性;/>表示第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好变化程度;/>表示当前时间点用户对于第/>个类别视频的喜好推广率,/>表示当前时间点;/>表示归一化函数;当喜好变化程度为负数,且该类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性越大,说明用户对于该类别视频的喜好为真下降,此时利用/>对/>进行修正,使得其减小程度较大;当喜好变化程度为负数,且该类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性越小,说明用户对于该类别视频的喜好为伪下降,此时利用/>对/>进行修正,使得其减小的程度非常小;当喜好变化程度为正数,且该类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性越大,说明用户对于该类别视频的喜好在真正上升,此时利用/>对/>进行修正,使得其增大的程度较大;当喜好变化程度为整数,且该类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性越小,说明用户对于该类别视频的喜好为临时上升,此时利用对/>进行修正,使得其增大的程度较小。通过对第/>个类别视频的喜好推广率曲线上最近偏爱数据点的喜好推广率/>进行修正,将修正结果作为第/>个类别视频的喜好推荐度。
至此,获取了每个类别视频的喜好推荐度。
S004.根据每个类别视频的喜好推荐度对用户进行广告推荐。
需要说明的是,当某个类别视频的喜好推荐度越高,则说明用户在当前时间对于该类别视频的喜爱程度就越高,此时推荐该类别视频的游戏广告更符合该用户的喜好。
将每个类别视频的喜好推荐度作为该类别视频的游戏的推荐度,根据各个游戏的推荐度向用户推荐对应的游戏软件广告。
通过以上步骤,完成了游戏软件广告的精准投放。
本发明实施例通过采集每个时间点的参考周期内用户对于各类别视频的播放时长占比以及播放频率,获取用户在每个时间点对于每个类别视频的喜好推广率,从而绘制喜好推广率曲线。由于新事物带来的临时关注对喜好推广率曲线的变化趋势产生了影响,本发明通过分析喜好转变可能性,进而获取每个类别视频的喜好推广率曲线的变化趋势与用户喜好的相符性,根据相符性以及喜好变化程度获取每个类别视频的喜好推荐度,避免了新事物的临时关注带来的影响,对于用户的广告推荐更加精准,减少了广告资源的浪费。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。