CN117745355A - 基于移动端的广告发布系统及发布方法 - Google Patents
基于移动端的广告发布系统及发布方法 Download PDFInfo
- Publication number
- CN117745355A CN117745355A CN202311803597.9A CN202311803597A CN117745355A CN 117745355 A CN117745355 A CN 117745355A CN 202311803597 A CN202311803597 A CN 202311803597A CN 117745355 A CN117745355 A CN 117745355A
- Authority
- CN
- China
- Prior art keywords
- prediction
- user data
- data
- predicted
- advertisement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于移动端的广告发布系统及发布方法，通过获取并处理历史用户数据，获取并提取关联历史用户数据的特征数据集，基于获取的历史用户数据和特征数据集构建预测模型集合，预测模型集合包括基于不同机器学习算法搭建的预测模型，获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值，基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值，判断最终预测值是否符合设定的预测阈值条件，以向用户发布广告，本发明提高了广告投放的精准度，同时利用多个预测模型进行冗余设计，提高预测模型的可靠性和容错性。
Description
技术领域
本发明涉及广告发布技术领域，尤其涉及一种基于移动端的广告发布系统及发布方法。
背景技术
随着互联网的快速发展，网络广告已经成为人们生活中不可或缺的一部分，无论是在各大网站还是移动应用程序中，我们都能看到各种形式的网络广告，相对于传统媒体广告，网络广告具有明显的优势，其传播范围非常广泛。
在现有技术中，移动端的广告发布往往依赖于基于固定规则或简单统计的方法，这种方法无法充分利用用户的历史数据和特征来预测用户行为并进行个性化广告投放，例如传统方法无法充分利用用户的历史数据和特征，只能针对整体用户群体进行广告投放，而用户的个体差异和行为特征在决定其购买倾向时起着重要作用，因此忽视了用户个性化需求；同时根据用户行为使用单一预测模型预测广告转化率，无法确保预测结果的可靠性，并在模型异常时则无法预测。
因此，有必要提供一种基于移动端的广告发布系统及发布方法解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供一种基于移动端的广告发布系统及发布方法，充分利用历史用户数据和特征数据集，能够更准确地预测用户行为和需求，提高广告投放的精准度，同时利用多个预测模型进行冗余设计，进一步提高预测结果的准确度，保证预测模型持续可用，为了提高预测模型的可靠性和容错性。
本发明提供了一种基于移动端的广告发布方法，所述发布方法包括以下步骤：
获取并处理历史用户数据，其中，所述历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据；
获取并提取关联历史用户数据的特征数据集，所述特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为；
基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型；
获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值；
基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值；
判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
优选的，所述获取并处理历史用户数据，包括：
采用数据采集方法收集历史用户数据，并将所述历史用户数据分为历史用户数据训练集和历史用户数据测试集；
清洗收集的历史用户数据，并统一清洗后的所述历史用户数据的格式，得到标准化的历史用户数据。
优选的，所述获取并提取关联历史用户数据的特征数据集，包括：
选择与所述历史用户数据关联的特征数据集；
对所述特征数据集进行特征处理，所述特征处理包括创建新的特征、数值转换、归一化和离散化；
整合并标记经过清洗和处理后的特征数据集，其中，整合特征数据集为统一所述特征数据集的数据格式和数据类型，标记特征数据集为分组所述特征数据集。
优选的，所述基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型，包括：
选择不同的机器学习算法，并基于不同机器学习算法搭建初始预测模型集合，其中，所述机器学习算法包括线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法；
利用所述历史用户数据训练集及与所述历史用户数据训练集对应的特征数据集共同训练所有初始预测模型；
通过历史用户数据测试集验证经训练后的初始预测模型，确定对应于不同机器学习算法的预测模型，其中，预测模型包括分别基于线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法搭建的线性回归预测模型、决策树预测模型、随机森林预测模型、支持向量机预测模型和神经网络预测模型。
优选的，所述获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值，包括：
从实时数据源中获取最新的用户数据，得到实时用户数据；
对实时用户数据进行数据处理，其中，所述数据处理包括数据转换、数据清洗和数据格式化，以形成输入预测模型的实时用户数据；
将同一实时用户数据分别输入基于不同机器学习算法搭建的预测模型中，得到与不同预测模型相对应的预测值。
优选的，所述基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值，包括：
计算所有预测模型的预测值的平均值，并将平均值作为参考值；
计算每个预测模型的预测值与参考值的差值，取差值的绝对值并定义为偏差；
逐一判断所有偏差是否满足预设的偏差阈值，
若偏差小于偏差阈值，则保留偏差对应的预测值，
若偏差大于等于偏差阈值，则剔除偏差对应的预测值；
从保留的所有偏差对应的预测值中，筛选出最小偏差对应的预测值并认定为最终预测值。
优选的，所述判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告，包括：
将最终预测值与设定预测阈值进行比较，
若最终预测值大于等于预测阈值，则输出不符合预测阈值条件的比较结果，
若最终预测值小于预测阈值，则输出符合预测阈值条件的比较结果；
根据不符合预测阈值条件的比较结果不生成广告投放指令，并不向用户发布广告，
根据符合预测阈值条件的比较结果生成广告投放指令，并向用户发布广告。
为实现上述目的，本发明还提供了一种基于移动端的广告发布系统，一种基于移动端的广告发布系统，其特征在于，所述广告发布系统包括：
数据获取模块，用于获取并处理历史用户数据，其中，所述历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据；
特征获取模块，用于获取并提取关联历史用户数据的特征数据集，所述特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为；
预测模型构建模块，用于基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型；
预测值计算模块，用于获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值；
最终预测值确定模块，用于基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值；
广告发布模块，用于判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
为实现上述目的，本发明还提供了一种计算机设备，包括处理器和存储器；
所述处理器，用于处理执行基于移动端的广告发布方法；
所述存储器，所述存储器与所述处理器耦合，用于存储程序，当所述程序被所述处理器执行时，使系统执行基于移动端的广告发布方法的步骤。
为实现上述目的，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有基于移动端的广告发布程序，所述基于移动端的广告发布程序可被至少一个处理器执行，以使所述至少一个处理器执行基于移动端的广告发布方法的步骤。
与相关技术相比较，本发明提供的一种基于移动端的广告发布系统及发布方法具有如下有益效果：
本发明基于不同机器学习算法搭建多种预测模型，并对预测模型进行冗余设计，同时将历史用户数据和特征数据集输入多种预测模型，按照预设条件择优选用其中一预测模型进行预测，并根据预测结果判定是否向用户投放广告，以提高广告投放的精准度，同时多个预测模型的冗余设计可以保证预测模型持续可用，提高预测模型的可靠性和容错性，更准确地定位广告目标受众，提高广告了的点击率和转化率。
附图说明
图1为本发明的一种基于移动端的广告发布方法的流程图；
图2为本发明的一种基于移动端的广告发布方法的步骤S1流程图；
图3为本发明的一种基于移动端的广告发布方法的步骤S2流程图；
图4为本发明的一种基于移动端的广告发布方法的步骤S3流程图；
图5为本发明的一种基于移动端的广告发布方法的步骤S4流程图；
图6为本发明的一种基于移动端的广告发布方法的步骤S5流程图；
图7为本发明的一种基于移动端的广告发布方法的步骤S6流程图；
图8为本发明的一种基于移动端的广告发布系统的模块结构示意图；
图9为本发明的计算机设备的原理框图；
图中标号：701、处理器；702、存储器。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
实施例一
本发明提供了一种基于移动端的广告发布方法，参考图1所示，该发布方法包括以下步骤：
步骤S1：获取并处理历史用户数据，其中，历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据。
具体的，在步骤S1中，构建预测模型前需要收集大量的历史用户数据，其中包括用户的行为、广告交互记录、购买数据等，这些数据将作为训练预测模型的依据，以发现潜在的用户行为规律和关联性，通过对用户行为的观察和分析，可以了解用户的兴趣偏好、购买意向、活跃时间段等信息，从而更好地预测和理解用户的行为模式。
其中，广告交互记录是重要的数据来源之一，它包括用户点击广告、观看时长、互动行为等，这些数据能够揭示用户对广告的兴趣程度和参与度，有助于优化广告投放策略。
购买数据是了解用户消费行为和购买决策的关键数据。通过分析用户的购买历史、购买频率、购买金额等指标，可以洞察用户的购买偏好和消费习惯，进而预测其未来的购买行为。
在本实施例中，参考图2所示，步骤S1具体包括：
步骤S101：采用数据采集方法收集历史用户数据，并将历史用户数据分为历史用户数据训练集和历史用户数据测试集。
具体的，在步骤S101中，历史用户数据的数据采集方法采用但不限于网络日志分析，通过分析网站或应用程序的服务器日志，可以获取用户访问和行为数据，包括页面浏览记录、点击广告记录、搜索关键词等；在采集到历史用户数据后，需要将历史用户数据分为训练集和测试集，以评估后续预测模型的性能和准确度。
步骤S102：清洗收集的历史用户数据，并统一清洗后的历史用户数据的格式，得到标准化的历史用户数据。
具体的，在步骤S102中，为了保证历史用户数据的质量和一致性，通过数据清洗方式处理历史用户数据，以处理历史用户数据中的缺失值、异常值和重复值等问题，清洗后对历史用户数据的命名、单位、时间格式等进行统一处理，以确保历史用户数据的标准化和一致性，有助于构建后续预测模型。
步骤S2：获取并提取关联历史用户数据的特征数据集，特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为。
具体的，将历史用户数据中的地理位置信息进行提取和整理，这包括用户的所在城市、国家或地区等，地理位置的特征数据可以帮助了解用户所处的环境和文化背景，以及不同地区的市场需求差异。
从历史用户数据中获取设备相关的信息，如操作系统、设备类型、屏幕分辨率等，这些信息可以揭示用户的使用习惯和技术偏好，有助于优化广告在不同设备上的呈现效果。
通过分析历史用户数据中的点击记录、搜索行为、购买历史等信息，可以了解用户的兴趣爱好和偏好，例如，用户访问的网页主题、点击的广告类别、购买的产品类型等，可以作为预测用户行为和个性化广告投放的重要依据。
利用历史用户数据中的交互记录、购买行为等，可以洞察用户的过去行为模式，例如，用户的浏览时长、购买频次、转化率等指标，这些数据可以揭示用户的活跃度、购买力和忠诚度，为预测模型提供有价值的特征数据。
在本实施例中，参考图3所示，步骤S2具体包括：
步骤S201：选择与历史用户数据关联的特征数据集。
具体的，为了获得地理位置、设备信息、兴趣偏好、过去的行为等特征数据，需要剔除与历史用户数据无关联的特征数据，保留与历史用户数据关联的特征数据。
步骤S202：对特征数据集进行特征处理，特征处理包括创建新的特征、数值转换、归一化和离散化。
具体的，在步骤S202中，对所选特征数据集需进行进一步的处理和转换，以提取更有信息量的特征，包括创建新的特征、数值转换、归一化、离散化或编码等操作，以便于预测模型的学习和解释。
步骤S203：整合并标记经过清洗和处理后的特征数据集，其中，整合特征数据集为统一特征数据集的数据格式和数据类型，标记特征数据集为分组特征数据集。
具体的，在步骤S203中，将经过特征处理的特征数据集整合成统一的数据集，确保各个特征之间的数据格式和数据类型一致，并将数据拼接起来。
此外，为满足特定需求，可以对特征数据进行标记，例如，可以将地理位置信息根据国家、城市或区域进行编码。
步骤S3：基于获取的历史用户数据和特征数据集构建预测模型集合，其中，预测模型集合包括基于不同机器学习算法搭建的预测模型。
具体的，为了实现预测模型的冗余设计以及提高预测模型的准确率，基于不同机器学习算法搭建多种预测模型，在进行预测值计算时，利用多种预测模型同时进行计算，获得基于不同机器学习算法获取的预测值，并按照预设条件，从多个预测值中选择一个作为最终预测值。
在本实施例中，参考图4所示，步骤S3包括：
步骤S301：选择不同的机器学习算法，并基于不同机器学习算法搭建初始预测模型集合，其中，机器学习算法包括线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法。
具体的，搭建预测模型集合时，可以使用上述算法中的一个或多个，每个算法代表一个初始预测模型，然后，对模型进行训练、验证和调优，以得到最佳的预测性能，这种集合方法可以通过组合不同算法的优点来提高预测的准确性和稳定性。
步骤S302：利用历史用户数据训练集及与历史用户数据训练集对应的特征数据集共同训练所有初始预测模型。
具体的，针对每个初始预测模型，使用整合后的数据集进行训练，接着对每个模型进行参数调优，以获得最佳的预测效果，从而确定初始预测模型。
步骤S303：通过历史用户数据测试集验证经训练后的初始预测模型，确定对应于不同机器学习算法的预测模型，其中，预测模型包括分别基于线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法搭建的线性回归预测模型、决策树预测模型、随机森林预测模型、支持向量机预测模型和神经网络预测模型。
具体的，加载经过训练的初始预测模型，包括线性回归预测模型、决策树预测模型、随机森林预测模型、支持向量机预测模型和神经网络预测模型，对历史用户数据测试集中的样本进行预测，使用加载的每个模型生成相应的预测结果，根据预测结果，使用均方误差的评估指标对每个模型进行评估和比较，选择符合评估指标的预测模型作为后续使用的预测模型。
步骤S4：获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值。
具体的，在步骤S4中，获取实时用户数据，即最新的用户信息和特征数据，对实时用户数据进行数据处理后，数据处理包括数据转换、数据清洗和数据格式化等操作，并将其输入到之前训练好的所有预测模型中，以获取与每个预测模型相对应的预测值。
在本实施例中，参考图5所示，步骤S4具体包括：
步骤S401：从实时数据源中获取最新的用户数据，得到实时用户数据。
具体的，通过API接口或者数据库查询方式获取最新的实时用户数据，实时用户数据与历史用户数据相同，均包括用户行为、广告交互记录和购买数据等。
步骤S402：对实时用户数据进行数据处理，其中，数据处理包括数据转换、数据清洗和数据格式化，以形成输入预测模型的实时用户数据。
具体的，在步骤S402中，将对获取到的实时用户数据进行处理，以确保其符合预测模型的要求和格式，这包括数据转换、数据清洗和数据格式化，其中，数据转换将实时用户数据进行必要的转换，以便与预测模型所期望的特征数据集相匹配；数据清洗对实时用户数据进行数据清洗操作，以去除重复值、缺失值和异常值，以确保数据的准确性和一致性，数据格式化根据预测模型对特征的要求，对实时用户数据进行格式化操作。
步骤S403：将同一实时用户数据分别输入基于不同机器学习算法搭建的预测模型中，得到与不同预测模型相对应的预测值。
具体的，在步骤S403中，将使用相同的实时用户数据作为输入，分别输入之前搭建的基于不同机器学习算法的预测模型，以得到不同预测模型的预测值，以便后续可以比较不同预测模型之间的预测效果，并根据预设条件选择最适合的预测模型进行决策。
步骤S5：基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值。
具体的，在步骤S5中，需要根据预测值比较不同预测模型之间的预测效果，并根据预设条件选择出最终预测值，最终根据最终预测值对应的预测模型进行广告发布决策。
在本实施例中，参考图6所示，步骤S5具体包括：
步骤S501：计算所有预测模型的预测值的平均值，并将平均值作为参考值。
具体的，在步骤S501中，将所有预测模型生成的预测值汇总在一起，形成一个预测值集合，计算这些预测值的平均值，即将每个预测模型计算的预测值相加，然后除以预测模型的数量，得到平均值，最后将平均值作为参考值，用作后续决策的基准，与单个模型的预测值进行对比，判断其相对准确性。
步骤S502：计算每个预测模型的预测值与参考值的差值，取差值的绝对值并定义为偏差。
具体的，比较每个预测模型的预测值与参考值之间的差异，并使用绝对值函数来获得这些差异的正数值，最后，将这些差异值称为偏差，用于衡量预测模型的准确性。
步骤S503：逐一判断所有偏差是否满足预设的偏差阈值，
若偏差小于偏差阈值，则保留偏差对应的预测值，
若偏差大于等于偏差阈值，则剔除偏差对应的预测值。
具体的，对于每个偏差，我们将它与预设的偏差阈值进行比较
如果某个偏差小于偏差阈值，那么将保留该偏差所对应的预测值。
如果某个偏差大于等于偏差阈值，那么将剔除该偏差所对应的预测值，即不使用该预测值，该步骤可以筛选出符合偏差要求的预测值，也即进行了冗余设计，最终剔除的是异常的预测模型，以提高预测模型的准确性。
步骤S504：从保留的所有偏差对应的预测值中，筛选出最小偏差对应的预测值并认定为最终预测值。
具体的，步骤S504会比较这些保留的预测值所对应的偏差，并找出其中最小的一个偏差，并将具有最小偏差的预测值认定为最终预测值，最小偏差所对应的预测值意味着其最接近于预测值的平均值，也具有更高的可靠性。
步骤S6：判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
在本实施例中，参考图7所示，步骤S6具体包括：
步骤S601：将最终预测值与设定预测阈值进行比较，
若最终预测值大于等于预测阈值，则输出不符合预测阈值条件的比较结果，
若最终预测值小于预测阈值，则输出符合预测阈值条件的比较结果；
步骤S602：根据不符合预测阈值条件的比较结果不生成广告投放指令，并不向用户发布广告，
根据符合预测阈值条件的比较结果生成广告投放指令，并向用户发布广告。
本实施例提供了一种基于移动端的广告发布方法，具体原理为：本发明基于不同机器学习算法搭建多种预测模型，并对预测模型进行冗余设计，同时将历史用户数据和特征数据集输入多种预测模型，按照预设条件择优选用其中一预测模型进行预测，并根据预测结果判定是否向用户投放广告，以提高广告投放的精准度，同时多个预测模型的冗余设计可以保证预测模型持续可用，提高预测模型的可靠性和容错性，更准确地定位广告目标受众，提高广告了的点击率和转化率。
实施例二
为实现上述目的，本发明还提供了一种基于移动端的广告发布系统，参考图8所示，所述广告发布系统包括：
数据获取模块801，用于获取并处理历史用户数据，其中，所述历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据；
特征获取模块802，用于获取并提取关联历史用户数据的特征数据集，所述特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为；
预测模型构建模块803，用于基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型；
预测值计算模块804，用于获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值；
最终预测值确定模块805，用于基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值；
广告发布模块806，用于判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
本实施例提供了一种基于移动端的广告发布系统，具体原理为：先通过数据获取模块801获取并处理历史用户数据特征获取模块，然后，通过特征获取模块802获取并提取关联历史用户数据的特征数据集，接着，基于获取的历史用户数据和特征数据集通过预测模型构建模块803构建预测模型集合，其中，预测模型集合包括基于不同机器学习算法搭建的预测模型，再接着，通过预测值计算模块804获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值，再接着，基于平均偏差预设条件，通过最终预测值确定模块805对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值，最后，通过广告发布模块806判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
本发明基于不同机器学习算法搭建多种预测模型，并对预测模型进行冗余设计，同时将历史用户数据和特征数据集输入多种预测模型，按照预设条件择优选用其中一预测模型进行预测，并根据预测结果判定是否向用户投放广告，以提高广告投放的精准度，同时多个预测模型的冗余设计可以保证预测模型持续可用，提高预测模型的可靠性和容错性，更准确地定位广告目标受众，提高广告了的点击率和转化率。
实施例三
为实现上述目的，本发明还提供了一种计算机设备，参考图9所示，包括处理器和存储器；
处理器701，用于处理执行基于移动端的广告发布方法；
存储器702，存储器702与处理器701耦合，用于存储程序，当程序被处理器701执行时，使系统执行基于移动端的广告发布方法的步骤。
实施例四
为实现上述目的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有基于移动端的广告发布程序，基于移动端的广告发布程序可被至少一个处理器701执行，以使至少一个处理器701执行基于移动端的广告发布方法的步骤。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于移动端的广告发布方法，其特征在于，所述广告发布方法包括以下步骤：
获取并处理历史用户数据，其中，所述历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据；
获取并提取关联历史用户数据的特征数据集，所述特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为；
基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型；
获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值；
基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值；
判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
2.根据权利要求1所述的一种基于移动端的广告发布方法，其特征在于，所述获取并处理历史用户数据，包括：
采用数据采集方法收集历史用户数据，并将所述历史用户数据分为历史用户数据训练集和历史用户数据测试集；
清洗收集的历史用户数据，并统一清洗后的所述历史用户数据的格式，得到标准化的历史用户数据。
3.根据权利要求2所述的一种基于移动端的广告发布方法，其特征在于，所述获取并提取关联历史用户数据的特征数据集，包括：
选择与所述历史用户数据关联的特征数据集；
对所述特征数据集进行特征处理，所述特征处理包括创建新的特征、数值转换、归一化和离散化；
整合并标记经过清洗和处理后的特征数据集，其中，整合特征数据集为统一所述特征数据集的数据格式和数据类型，标记特征数据集为分组所述特征数据集。
4.根据权利要求2所述的一种基于移动端的广告发布方法，其特征在于，所述基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型，包括：
选择不同的机器学习算法，并基于不同机器学习算法搭建初始预测模型集合，其中，所述机器学习算法包括线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法；
利用所述历史用户数据训练集及与所述历史用户数据训练集对应的特征数据集共同训练所有初始预测模型；
通过历史用户数据测试集验证经训练后的初始预测模型，确定对应于不同机器学习算法的预测模型，其中，预测模型包括分别基于线性回归算法、决策树算法、随机森林算法、支持向量机算法和神经网络算法搭建的线性回归预测模型、决策树预测模型、随机森林预测模型、支持向量机预测模型和神经网络预测模型。
5.根据权利要求1所述的一种基于移动端的广告发布方法，其特征在于，所述获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值，包括：
从实时数据源中获取最新的用户数据，得到实时用户数据；
对实时用户数据进行数据处理，其中，所述数据处理包括数据转换、数据清洗和数据格式化，以形成输入预测模型的实时用户数据；
将同一实时用户数据分别输入基于不同机器学习算法搭建的预测模型中，得到与不同预测模型相对应的预测值。
6.根据权利要求1所述的一种基于移动端的广告发布方法，其特征在于，所述基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值，包括：
计算所有预测模型的预测值的平均值，并将平均值作为参考值；
计算每个预测模型的预测值与参考值的差值，取差值的绝对值并定义为偏差；
逐一判断所有偏差是否满足预设的偏差阈值，
若偏差小于偏差阈值，则保留偏差对应的预测值，
若偏差大于等于偏差阈值，则剔除偏差对应的预测值；
从保留的所有偏差对应的预测值中，筛选出最小偏差对应的预测值并认定为最终预测值。
7.根据权利要求1所述的一种基于移动端的广告发布方法，其特征在于，所述判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告，包括：
将最终预测值与设定预测阈值进行比较，
若最终预测值大于等于预测阈值，则输出不符合预测阈值条件的比较结果，
若最终预测值小于预测阈值，则输出符合预测阈值条件的比较结果；
根据不符合预测阈值条件的比较结果不生成广告投放指令，并不向用户发布广告，
根据符合预测阈值条件的比较结果生成广告投放指令，并向用户发布广告。
8.一种基于移动端的广告发布系统，其特征在于，所述广告发布系统包括：
数据获取模块，用于获取并处理历史用户数据，其中，所述历史用户数据包括用户的行为、广告交互记录、购买数据和社交媒体数据；
特征获取模块，用于获取并提取关联历史用户数据的特征数据集，所述特征数据集包括用户的地理位置、设备信息、兴趣偏好、过去的行为；
预测模型构建模块，用于基于获取的历史用户数据和特征数据集构建预测模型集合，其中，所述预测模型集合包括基于不同机器学习算法搭建的预测模型；
预测值计算模块，用于获取实时用户数据，并将实时用户数据输入所有预测模型中，得到与预测模型相对应的预测值；
最终预测值确定模块，用于基于平均偏差预设条件对比所有预测模型的预测值，并筛选出符合平均偏差预设条件的预测值，将筛选出的预测值认定为最终预测值；
广告发布模块，用于判断最终预测值是否符合设定的预测阈值条件，若符合预测阈值条件，则生成广告投放指令，并根据广告投放指令向用户发布广告。
9.一种计算机设备，其特征在于，包括处理器和存储器；
所述处理器，用于处理执行权利要求1-7中任一项所述的基于移动端的广告发布方法；
所述存储器，所述存储器与所述处理器耦合，用于存储程序，当所述程序被所述处理器执行时，使系统以执行权利要求1-7中任一项所述基于移动端的广告发布方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于移动端的广告发布程序，所述基于移动端的广告发布程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7中的任一项所述的基于移动端的广告发布方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803597.9A CN117745355A (zh) | 2023-12-25 | 2023-12-25 | 基于移动端的广告发布系统及发布方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311803597.9A CN117745355A (zh) | 2023-12-25 | 2023-12-25 | 基于移动端的广告发布系统及发布方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117745355A true CN117745355A (zh) | 2024-03-22 |
Family
ID=90252593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311803597.9A Pending CN117745355A (zh) | 2023-12-25 | 2023-12-25 | 基于移动端的广告发布系统及发布方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745355A (zh) |
Cited By (2)
| 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 |
| CN118114189A (zh) * | 2024-04-30 | 2024-05-31 | 成都市工业互联网发展中心 | 基于标识解析的时空数据融合方法及系统 |
-
2023
- 2023-12-25 CN CN202311803597.9A patent/CN117745355A/zh active Pending
Cited By (3)
| 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 |
| CN117934087B (zh) * | 2024-03-25 | 2024-06-25 | 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 |
| CN118114189A (zh) * | 2024-04-30 | 2024-05-31 | 成都市工业互联网发展中心 | 基于标识解析的时空数据融合方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
| CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
| JP6588572B2 (ja) | 情報推薦方法および情報推薦装置 | |
| CN117745355A (zh) | 基于移动端的广告发布系统及发布方法 | |
| CN107862022B (zh) | 文化资源推荐系统 | |
| KR101524971B1 (ko) | 개인 성향 예측 방법 및 그 장치 | |
| CN111291264B (zh) | 基于机器学习的访问对象预测方法、装置和计算机设备 | |
| CN107507016A (zh) | 一种消息推送方法和系统 | |
| CN116561134B (zh) | 业务规则处理方法、装置、设备及存储介质 | |
| CN113506050A (zh) | 员工绩效的评估方法、装置、电子设备及可读存储介质 | |
| CN116701772B (zh) | 数据推荐方法和装置、计算机可读存储介质、电子设备 | |
| CN117785539A (zh) | 日志数据分析方法、装置、计算机设备及存储介质 | |
| CN111340540B (zh) | 广告推荐模型的监控方法、推荐方法及装置 | |
| Weeraddana et al. | Long-term pipeline failure prediction using nonparametric survival analysis | |
| CN117194779A (zh) | 基于人工智能的营销系统优化方法、装置及设备 | |
| CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
| CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
| Maru’ao | Tourism recommender system using hybrid multi-criteria approach | |
| CN113961811A (zh) | 基于事件图谱的话术推荐方法、装置、设备及介质 | |
| Lafazani et al. | Applying multiple and logistic regression models to investigate periurban processes in Thessaloniki, Greece | |
| CN112801406A (zh) | 数据处理方法及装置、计算设备 | |
| CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN116842266B (zh) | 一种感知用户行为与兴趣的动态推荐系统 | |
| Kostakos et al. | Crime prediction using hotel reviews? | |
| CN109710876B (zh) | 一种信息推荐方法及装置、计算机可读存储介质 |
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 |