CN117911092A - 应用于互联网的广告推荐方法、系统及存储介质 - Google Patents

应用于互联网的广告推荐方法、系统及存储介质 Download PDF

Info

Publication number
CN117911092A
CN117911092A CN202410101277.7A CN202410101277A CN117911092A CN 117911092 A CN117911092 A CN 117911092A CN 202410101277 A CN202410101277 A CN 202410101277A CN 117911092 A CN117911092 A CN 117911092A
Authority
CN
China
Prior art keywords
advertisement
advertisements
target
ecpm
internet
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
Application number
CN202410101277.7A
Other languages
English (en)
Inventor
吴碧娟
杨敬喜
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.)
Xiamen Zhuyun Technology Co ltd
Original Assignee
Xiamen Zhuyun 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 Xiamen Zhuyun Technology Co ltd filed Critical Xiamen Zhuyun Technology Co ltd
Priority to CN202410101277.7A priority Critical patent/CN117911092A/zh
Publication of CN117911092A publication Critical patent/CN117911092A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0247—Calculate past, present or future revenues
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种应用于互联网的广告推荐方法、系统及存储介质，属于信息处理技术领域，所述方法在同一广告场景下，通过head bidding模式获取第一广告、通过waterfall获取第二广告，比较第一广告和第二广告，得出目标广告，所述目标广告用于指示在对应广告场景下展示投放效果最好的广告；获取不同场景下的目标广告；比较目标广告，确定展示广告；所述展示广告用于指示目标广告在不同广告场景中投放效果最好的广告。实现在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示。

Description

应用于互联网的广告推荐方法、系统及存储介质
技术领域
本发明属于信息处理技术领域，具体地，涉及一种应用于互联网的广告推荐方法、系统及存储介质。
背景技术
目前市面上有包括优量汇、穿山甲、磁力引擎、百度联盟等众多单一广告平台，也有TopOn、GroMore等广告聚合平台，这些平台给软件开发者提供了方便的广告接入以及流量变现的服务，但这些平台上单一的广告推广，不能保证广告推广的最高收益。而广告聚合平台虽然通过聚合各家平台并结合推荐策略尽可能实现单一场景广告位的最大收益，但是，不同场景的广告位之间的ECPM存在不同的时间节点，可能存在较大差距。所以固定场景广告不能满足尽可能最大收益的需求。
因此，亟需一种广告推荐方法，在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示。
发明内容
为解决上述背景技术中存在的技术问题，本发明提供了一种应用于互联网的广告推荐方法，包括以下步骤：
第一方面，在同一广告场景下，通过head bidding模式获取第一广告、通过waterfall模式获取第二广告，所述第一广告用于指示head bidding模式中投放效果最好的广告，所述第二广告用于指示waterfall模式中投放效果最好的广告；
比较第一广告和第二广告，得出目标广告，所述目标广告用于指示在对应广告场景下展示投放效果最好的广告；
获取不同广告场景下的目标广告；
比较目标广告，确定展示广告；所述展示广告用于指示目标广告在不同广告场景中投放效果最好的广告。
进一步地，所述通过head bidding模式获取第一广告，具体包括以下步骤：
获取广告场景中的广告，获取广告平台的广告ECPM价格；
以ECPM报价最高的广告平台的广告为第一广告。
进一步地，所述通过waterfall模式获取第二广告，具体包括以下步骤：
根据设定ECPM价格向广告平台发起请求，请求是否接受设定ECPM价格，若请求失败，降低ECPM价格再次发起请求，直至请求成功；
以第一次请求成功的广告平台的广告为第二广告。
进一步地，所述通过waterfall模式获取第二广告，还包括以下步骤：
获得每个广告平台请求成功时的广告的ECPM价格，记录ECPM价格排名前三名的广告平台的广告。
进一步地，所述比较目标广告，确定展示广告，具体包括以下步骤：
比较不同广告场景的目标广告ECPM价格，确定展示广告。
进一步地，所述所述比较目标广告，确定展示广告，还包括，根据目标广告ECPM价格计算目标广告的收入，根据目标广告的收入，确定展示广告；所述目标广告的收入，具体公式如下：
收入＝CTR×ECPM×n，
其中，CTR为预测的广告点击率，ECPM为每一千次展示可以获得的广告收入,n为广告的展示次数/1000；
其中，所述预测的广告点击率获取方式包括以下步骤：
获取广告源，所述广告源对应的用户特征以及所述广告源的历史点击数据；
对所述广告源对应的用户特征以及所述广告源的历史点击数据进行数据预处理，进行特征选择和特征变换，形成数据集；
将数据集划分为训练集和测试集，采用70％的数据作为训练集，30％的数据作为测试集，使用训练集对Logistic Regression模型训练；
使用训练好的Logistic Regression模型对目标广告数据进行预测，得到目标广告的CTR。
进一步地，所述Logistic Regression模型的公式如下：
hθ(x)＝g(θTx)；
其中，hθ(x)是预测值，表示输入x属于正类别的概率；g(θTx)是logistic函数；θ是模型的参数向量；x是输入特征向量。
在具有两个类的统计分类问题中，当g(θTx)大于某个阈值时，模型预测为正类别，否则为负类别。
进一步地，所述预测的广告点击率获取方式还包括：使用对数损失函数对Logistic Regression模型训练，对数损失函数如下：
J(θ)＝-m∑i＝m[y(i)log(hθ(x(i)))+(1-y(i))log(1-hθ(x(i)))]，
其中，m是训练样本数；y(i)是第i个样本的实际标签；hθ(x(i))是模型对第i个样本的预测概率。
通过Logistic Regression机器学习模型优化，进行了CTR更精准的预测，进而选择出的展示广告。
第二方面，本发明提供一种应用于互联网的广告推荐系统，包括存储器以及处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行上述的方法。
第三方面，本发明提供一种计算机可存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被执行时，实现上述的方法。
本发明的有益效果：
本发明公开的一种应用于互联网的广告推荐方法、系统及存储介质，广告推荐方法方法通过比较不同广告平台的广告源，通过head bidding将获取的广告源中的众多广告平台报价比较，从而获得最高价格的广告，再通过waterfall将众多广告平台的报价从高到低查询，从而获取最高价格的广告，从两种途径得到最高价格的广告选择更高价格的广告，为目标广告。比较不同场景下的目标广告的效果，确定展示广告。将目标广告在对应平台、对应场景下展示，效果最佳。实现在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示，以谋取更高的广告变现收益。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种应用于互联网的广告推荐方法的流程示意图；
图2为本发明实施例中一种应用于互联网的广告推荐方法的另一流程示意图；
图3为本发明实施例中通过head bidding获取第一广告的流程示意图；
图4为本发明实施例中通过waterfall获取第二广告的流程示意图。
图5为本发明实施例中确定展示广告的流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本申请实施例中，存在以下专业名词，在此分别进行解释：
ECPM：指的是每一千次展示可以获得的广告收入，展示的单位可以是网页，广告单元，甚至是单个广告。也是广告主愿意为每千次广告展示支付的费用，用于衡量广告效果。ECPM＝总收入/总展示次数×1000。
head bidding：头部竞价，实时的广告竞价，所有广告主针对同一个广告为展示同时出价，最高出价者获得展示机会。
waterfall：瀑布流分层广告，广告按照价格从高到底分层配置。
广告load：是指网页或应用程序加载广告的次数。在广告推荐系统中，load通常用于衡量广告的展示次数，即广告被成功加载到用户的终端设备上的次数。这对于广告主来说是一个重要的指标，因为它反映了广告的曝光量和潜在的触达用户的机会。
广告场景：包banner广告、激励广告、插屏广告、全屏广告等等。
本文所提到的第一广告、第二广告、目标广告和展示广告等，均表示通过对应平台在对应场景下的展示广告。
实施例一
一种应用于互联网的广告推荐方法，如图1和2所示，包括以下步骤：
步骤S1：在同一广告场景下，通过head bidding模式获取第一广告，第一广告用于指示head bidding模式中投放效果最好的广告；
步骤S2：在同一广告场景下，通过waterfall模式获取第二广告，第二广告用于指示waterfall模式中投放效果最好的广告；
步骤S3：比较第一广告和第二广告，得出目标广告，目标广告用于指示在对应广告场景下展示投放效果最好的广告；
步骤S4：同理，按照步骤S1-S3的方法，获取不同广告场景下的目标广告；
步骤S5：比较目标广告，确定展示广告；所述展示广告用于指示目标广告在不同广告场景中投放效果最好的广告。
广告主会通过任意一个广告平台，选择任意一个广告场景投放广告。本发明旨在在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示，即挑选广告主出价最高的广告，此广告在对应广告平台、对应广告场景展示。
在步骤S1-S5中，所有对广告平台的询价都是同步并发进行的，提升响应效率，又能保证每个广告平台参与竞价。
在本实施例中，步骤S1中，通过head bidding模式获取第一广告，如图3所示，具体包括以下步骤：
步骤S110：获取广告场景中的广告；
步骤S120：获取广告平台的广告ECPM价格；
步骤S130：对广告平台的广告ECPM价格排序，以ECPM报价最高的广告平台的广告为第一广告。
具体地，head bidding为明码出价，广告场景发起广告load，在同一场景下，查询广告主在各个广告平台的ECPM价格，最终，出价最高的广告主的广告将获得该次广告展示机会。
在本实施例中，步骤S2中的通过waterfall模式获取第二广告，具体包括以下步骤，如图4所示，具体包括以下步骤：
步骤S210：根据设定ECPM价格向广告平台发起请求，请求是否接受设定ECPM价格，若请求失败，降低ECPM价格再次发起请求，直至请求成功；
步骤S220：记录请求成功时的ECPM价格，以第一次请求成功的广告平台的广告为第二广告。
步骤S230：获得每个广告平台请求成功时的广告的ECPM价格，记录ECPM价格排名前三名的广告平台的广告。
具体地，waterfall为暗码出价，类似竞标形式，固定一个价格，发送请求，看是否有广告主接受，如无，降价再次发送请求，直至有广告主接受。最终，出价高的的广告主的广告优先获得广告展示的机会。
将每个广告主接受的设定ECPM价格排序，保存ECPM价格高的前三者，记为第二广告a、第二广告b、第二广告c。
在本实施例中，步骤S3比较第一广告和第二广告，得出目标广告。
具体地，一个第一广告和第二广告a、第二广告b、第二广告c相比较，最高价格的广告为本次目标广告。在具体实施例中，保存第一次未展示的次高价格的广告，当第二次获取目标广告时，将第一次的次高价格的广告与第二次获取目标广告比较，若第一次的次高价格的广告的价格大于第二次获取目标广告价格，则将第一次的次高价格的广告设为第二次的目标广告。
在本实施例中，如图5所示，步骤S5比较目标广告，确定展示广告，具体包括以下步骤：
比较不同广告场景的目标广告ECPM价格，确定展示广告。
具体地，根据步骤S1-S4，获得了多个目标广告，多个目标广告再次比较，获得展示广告。将此广告通过对应广告平台展示在对应广告场景下，广告收益最多。
在本实例中，如图2所示，确定展示广告后，通知业务系统，业务侧根据展示广告对应的广告场景动态下发UI模版展示。动态刷新展示UI模版，更新展示广告。考虑到广告的显示速度，一般会提前预加载同广告场景下的下一次广告。
在另一实施例中，根据目标广告的收入，确定展示广告。首先，广告的收益不止通过ECPM衡量，还和广告点击率有关。综合参考预测的点击率、ECPM，确定展示广告。
目标广告的收入，具体公式如下：
收入＝CTR×ECPM×n，
其中，CTR为预测的广告点击率，ECPM为每一千次展示可以获得的广告收入,n为广告的展示次数/1000；
具体地，预测的广告点击率获取方式包括以下步骤：
获取广告源，广告源对应的用户特征以及广告源的历史点击数据；
对广告源对应的用户特征以及广告源的历史点击数据进行数据预处理，进行特征选择和特征变换，形成数据集；
将数据集划分为训练集和测试集，采用70％的数据作为训练集，30％的数据作为测试集，使用训练集对Logistic Regression模型训练；
使用训练好的Logistic Regression模型对目标广告数据进行预测，得到目标广告的CTR。
Logistic Regression模型的公式如下：
hθ(x)＝g(θTx)；
其中，hθ(x)是预测值，表示输入x属于正类别的概率；g(θTx)是logistic函数；θ是模型的参数向量；x是输入特征向量。
具体地，预测的广告点击率获取方式还包括：使用对数损失函数对LogisticRegression模型训练，对数损失函数如下：
J(θ)＝-m∑i＝m[y(i)log(hθ(x(i)))+(1-y(i)log(1-hθ(x(i)))]，
其中，m是训练样本数；y(i)是第i个样本的实际标签；hθ(x(i))是模型对第i个样本的预测概率。
本发明公开的一种应用于互联网的广告推荐方法、系统及存储介质，广告推荐方法方法通过比较不同广告平台的广告源，通过head bidding将获取的广告源中的众多广告平台报价比较，从而获得最高价格的广告，再通过waterfall将众多广告平台的报价从高到低查询，从而获取最高价格的广告，从两种途径得到最高价格的广告选择更高价格的广告，为目标广告。比较不同场景下的目标广告的效果，确定展示广告。将目标广告在对应平台、对应场景下展示，效果最佳。实现在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示，以谋取更高的广告变现收益。
实施例二
本发明提供一种应用于互联网的广告推荐系统，包括存储器以及处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得至少一个处理器执行至少一个上述的方法。
由于一种应用于互联网的广告推荐方法具有上述技术效果，包括一种应用于互联网的广告推荐方法的系统也应具有相应的技术效果，此处不再赘述。
实施例三
本发明提供一种计算机可存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被执行时，实现至少一个上述的方法。
由于一种应用于互联网的广告推荐方法具有上述技术效果，包括一种应用于互联网的广告推荐方法的计算机可读存储介质也应具有相应的技术效果，此处不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
还需要说明的是，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。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上内容仅仅是对本发明结构所作的举例和说明，所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种应用于互联网的广告推荐方法，其特征在于，包括以下步骤：
在同一广告场景下，通过head bidding模式获取第一广告、通过waterfall模式获取第二广告，所述第一广告用于指示head bidding模式中投放效果最好的广告，所述第二广告用于指示waterfall模式中投放效果最好的广告；
比较第一广告和第二广告，得出目标广告，所述目标广告用于指示在对应广告场景下展示投放效果最好的广告；
获取不同广告场景下的目标广告；
比较目标广告，确定展示广告；所述展示广告用于指示目标广告在不同广告场景中投放效果最好的广告。
2.根据权利要求1所述的一种应用于互联网的广告推荐方法，其特征在于，所述通过head bidding模式获取第一广告，具体包括以下步骤：
获取广告场景中的广告，获取广告平台的广告ECPM价格；
以ECPM报价最高的广告平台的广告为第一广告。
3.根据权利要求1所述的一种应用于互联网的广告推荐方法，其特征在于，所述通过waterfall模式获取第二广告，具体包括以下步骤：
根据设定ECPM价格向广告平台发起请求，请求是否接受设定ECPM价格，若请求失败，降低ECPM价格再次发起请求，直至请求成功；
以第一次请求成功的广告平台的广告为第二广告。
4.根据权利要求3所述的一种应用于互联网的广告推荐方法，其特征在于，所述通过waterfall模式获取第二广告，还包括以下步骤：
获得每个广告平台请求成功时的广告的ECPM价格，记录ECPM价格排名前三名的广告平台的广告。
5.根据权利要求1所述的一种应用于互联网的广告推荐方法，其特征在于，所述比较目标广告，确定展示广告，具体包括以下步骤：
比较不同广告场景的目标广告ECPM价格，确定展示广告。
6.根据权利要求5所述的一种应用于互联网的广告推荐方法，其特征在于，所述比较目标广告，确定展示广告，还包括，根据目标广告ECPM价格计算目标广告的收入，根据目标广告的收入，确定展示广告；所述目标广告的收入，具体公式如下：
收入＝CTR×ECPM×n，
其中，CTR为预测的广告点击率，ECPM为每一千次展示可以获得的广告收入,n为广告的展示次数/1000；
其中，所述预测的广告点击率获取方式包括以下步骤：
获取广告源，所述广告源对应的用户特征以及所述广告源的历史点击数据；
对所述广告源对应的用户特征以及所述广告源的历史点击数据进行数据预处理，进行特征选择和特征变换，形成数据集；
将数据集划分为训练集和测试集，采用70％的数据作为训练集，30％的数据作为测试集，使用训练集对Logistic Regression模型训练；
使用训练好的Logistic Regression模型对目标广告数据进行预测，得到目标广告的CTR。
7.根据权利要求6所述的一种应用于互联网的广告推荐方法，其特征在于，所述Logistic Regression模型的公式如下：
hθ(x)＝g(θTx)；
其中，hθ(x)是预测值，表示输入x属于正类别的概率；g(θTx)是logistic函数；θ是模型的参数向量；x是输入特征向量。
8.根据权利要求7所述的一种应用于互联网的广告推荐方法，其特征在于，所述预测的广告点击率获取方式还包括：使用对数损失函数对Logistic Regression模型训练，对数损失函数如下：
J(θ)＝-m∑i＝m[y(i)log(hθ(x(i)))+(1-y(i))log(1-hθ(x(i)))]，
其中，m是训练样本数；y(i)是第i个样本的实际标签；hθ(x(i))是模型对第i个样本的预测概率。
9.一种应用于互联网的广告推荐系统，其特征在于，包括存储器以及处理器；
所述存储器存储计算机执行指令；
至少一个所述处理器执行所述存储器存储的计算机执行指令，使得至少一个所述处理器执行如权利要求1至8任一项所述的方法。
10.一种计算机可存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被执行时，实现如权利要求1至8任一项所述的方法。
CN202410101277.7A 2024-01-24 2024-01-24 应用于互联网的广告推荐方法、系统及存储介质 Pending CN117911092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410101277.7A CN117911092A (zh) 2024-01-24 2024-01-24 应用于互联网的广告推荐方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410101277.7A CN117911092A (zh) 2024-01-24 2024-01-24 应用于互联网的广告推荐方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN117911092A true CN117911092A (zh) 2024-04-19

Family

ID=90693746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410101277.7A Pending CN117911092A (zh) 2024-01-24 2024-01-24 应用于互联网的广告推荐方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117911092A (zh)

Similar Documents

Publication Publication Date Title
JP5526159B2 (ja) ユーザプロファイルの生成
US10489799B2 (en) Tracking performance of digital design asset attributes
AU2013289036B2 (en) Modifying targeting criteria for an advertising campaign based on advertising campaign budget
US9824367B2 (en) Measuring effectiveness of marketing campaigns across multiple channels
US20180108029A1 (en) Detecting differing categorical features when comparing segments
US20090248513A1 (en) Allocation of presentation positions
US20120059713A1 (en) Matching Advertisers and Users Based on Their Respective Intents
US20140207564A1 (en) System and method for serving electronic content
US11769171B1 (en) Predicting advertisement impact for audience selection
US20200342500A1 (en) Systems and methods for self-serve marketing pages with multi-armed bandit
US8306844B2 (en) Methods and apparatus to generate a smart text market change descriptor
JP2015097094A (ja) リアルタイム広告入札に対して競争評価モデルを使用するための学習システム
US9191451B2 (en) System and method for automatic selection of a content format
KR20230095311A (ko) 마케팅 성과 분석 제공 방법, 장치 및 시스템
US20170186047A1 (en) Optimization of audience groups in online advertising bidding
JP7793435B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN117911092A (zh) 应用于互联网的广告推荐方法、系统及存储介质
US12555134B2 (en) System of determining advertising incremental lift
JP7416837B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP7793434B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
US20240177190A1 (en) Optimizing communication channels for user communications based on improved channel attributions
JP7414861B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US20180130090A1 (en) Optimal detection of the best offer in a campaign
US20140164064A1 (en) System and method for serving electronic content
JP2024165584A (ja) 情報処理装置、情報処理方法および情報処理プログラム

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