TWI773445B - 較佳化廣告投放方法及其系統 - Google Patents
較佳化廣告投放方法及其系統 Download PDFInfo
- Publication number
- TWI773445B TWI773445B TW110126655A TW110126655A TWI773445B TW I773445 B TWI773445 B TW I773445B TW 110126655 A TW110126655 A TW 110126655A TW 110126655 A TW110126655 A TW 110126655A TW I773445 B TWI773445 B TW I773445B
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter
- expected
- parameters
- module
- server
- Prior art date
Links
Images
Landscapes
- Illuminated Signs And Luminous Advertising (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種較佳化廣告投放方法及其系統,欲投放廣告業者可針對所欲投放廣告之廣告費、投放期間,以及其所對應預期的回收曝光量、點擊量、與回收轉換率,將前述參數輸入至伺服器並進行預測,使投放廣告業者取得所投放之廣告所對應的TA之輪廓,其中,模型訓練時,先由資料庫中取得的數據,利用決策樹(Decision Tree)與預算進行分群,再利用彈性網路(Elastic net)進行模型的建構及預測,當投放廣告者輸入參數後,伺服器首先選擇出最適當之模型,並且依其所選擇的模型,進行反向預測出適合的TA輪廓,輸出給欲投放廣告業者,使其可根據伺服器預測參數進行廣告投放。
Description
一種較佳化廣告投放方法及其系統,本發明尤指一種提供廣告投放的預測建議,特別是針對廣告投放業者所提供之預期投放金額及預期回饋參數,從基於決策樹分群、彈性網路為基底建立的模型,反向搜尋最佳的廣告投放標的之較佳化廣告投放方法及其系統。
按,網路資訊時代的來臨,過往的廣告投放,漸漸由紙本、看板、電視等轉向網路,蓋因網路使用者日益普及且眾多,投入至此的廣告也以過往無法想像的回饋高速的進行攀升,然而,網路世界無遠弗屆,又因為效率的考量,若漫無目的的隨意投放廣告,不僅可能面臨效益低落、回饋量少、投放族群錯誤,甚至可能造成投放廣告的預算無止盡上升,因此,如何在有限的資源環境下,達到最高的投放效益;於此,例如中華民國第TW202008265A號「透過深度強化學習進行行銷成本控制的方法及裝置」,其技術特徵在於可利用深度學習,首先確定行銷成本後,根據確定出的成本,確定強化學習的獎勵分數,使得獎勵分數與成本承相
關,再將獎勵分數傳回給智慧體,用於智慧體最佳化其行銷策略;又例如中華民國第TW201933229A號「廣告預算自動分配系統及方法」,其技術特徵亦蒐集關聯於該廣告之複數廣告活動參數,對該複數廣告活動參數之中選取至少兩個廣告活動參數,並對該兩個廣告活動參數之間的相關係數以一演算法輸出關聯於當日該廣告之預算分配數據,另有其他先前技術可供參考如下:
(1)TW201903705A「用於基於種子監督學習提供推薦的系統和方法」;
(2)CN112258213A「一種廣告觸達率預估方法、裝置、電子設備及介質」;
(3)CN112258213A「廣告投放位置的確定方法、裝置、設備和存儲介質」
(4)CN112288489A「信息推薦方法及裝置、電子設備、存儲介質」
(5)US20210065223A1「SURVEY DATA COLLECTION,ANALYSIS,AND CATEGORIZATION SYSTEMS AND METHODS」。
由以上揭露內容可知,廣告投放者業者基於機器學習的方式,開始進一步在控制行銷成本,以及達到最大效益面上前進;然而,在機器學習的基礎下,在考慮到行銷成本的同時,若要將效益提升到最高,勢必要考慮多個參數,
更進一步而言,對於廣告投放業者來說,過多的參數容易造成混亂,哪一個參數是這一次在機器學習必須使用的參數,哪一個是這次不必使用,但是下一次有可能使用的參數,甚至哪一個參數對於業者來說根本是毫無用處的,如何選擇參數也就造成了業者的困難,最後,如何能將各個參數所代表的意義,實際上可使用的情況清楚的展示在廣告投放者業者前,實乃待解決之問題。
綜上所述,現有之廣告投放確實存在前述之缺點,據此,如何改善廣告投放的缺點、以及在一定的行銷成本下達到預期的回饋效益,乃為待需解決之問題。
有鑒於上述的問題,本發明人係依據多年來從事相關行業的經驗,針對廣告投放與機器學習演算方法進行研究及改良;緣此,本發明之主要目的在於提供一種基於決策樹分類及彈性網路為基底,使用者輸入適當之參數後,反向搜尋最適當廣告投放參數之較佳化廣告投放方法及其系統。
為達上述的目的,本發明所述之一種較佳化廣告投放方法及其系統,欲投放廣告業者可針對所欲投放廣告之廣告費、以及投放期間,並對其預期的回收曝光量、點擊量、與回收轉換率,可選擇性地至少將前述一項參數或全部
輸入至系統進行預測解析,使投放廣告業者直接取得所投放之廣告所對應的TA之輪廓,例如:年齡、性別、使用設備、廣告分類等,其中,系統在進行訓練時,首先將資料庫中過往的TA輪廓數據,依回收曝光量、點擊量、與回收轉換率進行分組,再來,利用決策樹(Decision Tree)演算法,以預算將不同分組再進行分群,最後,利用彈性網路(Elastic net)進行模型的建構及預測,當投放廣告業者輸入其所選擇之預期投放金額,以及預期反饋的參數後,伺服器首先判斷其輸入的參數相符合模型,並且依其所選擇的模型,進行反向預測出適合的TA輪廓,輸出給欲投放廣告業者,使其可根據伺服器預測參數進行廣告投放。
為使 貴審查委員得以清楚了解本發明之目的、技術特徵及其實施後之功效,茲以下列說明搭配圖示進行說明,敬請參閱。
1:較佳化廣告投放系統
11:伺服器
12:數據提供端裝置
111:資料處理模組
112:資料儲存模組
1121:曝光量訓練集
1122:點擊數訓練集
1123:轉換率訓練集
113:分類分群模組
114:模型建構模組
115:反向搜尋模組
13:廣告投放者端裝置
D1:訓練資訊
D2:預期廣告費用參數
D3:預期反饋參數
D31:預期曝光量參數
D32:預期點擊數參數
D33:預期轉換率參數
D4:預期投放期間參數
D5:預測人群參數
S1:資料前處理步驟
S11:資料取得步驟
S12:依目標參數分組步驟
S13:依決策樹分群步驟
S14:使用彈性網路建立模型步驟
S2:廣告投放者輸入參數步驟
S3:系統選擇模型步驟
S4:反向搜尋步驟
S41:依分組進行反向搜尋步驟
S42:取最小參數個數並加總步驟
S43:各分組進行交集運算步驟
S44:計算幾何平均步驟
S5:結果輸出步驟
B:廣告費用參數
C:預測組合
G:決策樹分群
M:預測模型
第1圖,為本發明之組成示意圖。
第2圖,為本發明之實施流程圖。
第3圖,為本發明之實施示意圖(一)。
第4圖,為本發明之實施示意圖(二)。
第5圖,為本發明之實施示意圖(三)。
第6圖,為本發明之實施示意圖(四)。
第7圖,為本發明之實施示意圖(五)。
第8圖,為本發明之實施示意圖(六)。
第9圖,為本發明之實施示意圖(七)。
第10圖,為本發明之實施示意圖(八)。
第11圖,為本發明之實施示意圖(九)。
第12圖,為本發明之實施示意圖(十)。
第13圖,為本發明之實施示意圖(十一)。
第14圖,為本發明之實施示意圖(十二)。
第15圖,為本發明之實施示意圖(十三)。
第16圖,為本發明之實施示意圖(十四)。
第17圖,為本發明之實施示意圖(十五)。
第18圖,為本發明之實施示意圖(十六)。
請參閱「第1圖」,圖中所示為本發明之組成示意圖,如圖中所示,為本發明之較佳化廣告投放系統1,其包含有一伺服器11、一數據提供端裝置12、及一廣告投放者端裝置13,以下說明及例示各組成要件的功能:(1)所述之伺服器11主要與數據提供端裝置12、及廣告投放者端裝置13完成資訊連結,伺服器11可接收數據提供端裝置12所提供之學習訓練樣本,並基於數據提供端裝置12所提供之學習訓練樣本建立機器學習模型,其機器學習模型主要可供廣告投放者端裝置13,輸入預期投放廣告之金額以及各式預期反饋參數,預測出適
合投放群眾的參數;(2)所述之數據提供端裝置12可以為一搜尋引擎資料庫、或一數據資料庫,但凡可使伺服器11能獲取所需之學習訓練樣本之裝置,皆可以實施,其中,數據提供端裝置12主要提供訓練數據至伺服器11,數據提供端裝置12亦可在伺服器11進行數據分群或機器學習時,調整權重參數,使數據分群及機器學習達到最佳化,其中,所述之訓練數據,主要包含一人群參數及對應該人群參數之一目標參數,人群參數主要為一年齡參數、一性別參數、一使用設備參數、一廣告分類參數、一廣告話題參數之其中一種或其組合,但不以此為限;所述之目標參數主要為一曝光量參數、一點擊數參數、及一轉換率參數;(3)所述之廣告投放者端裝置13可以為一手機、一平板電腦、一個人電腦等設備之其中一種,但凡可傳遞預期投放廣告之金額以及各式預期反饋參數至伺服器11之裝置,皆可以實施;所述之廣告投放者端裝置13,係由一廣告投放者端操作,廣告投放者端可透過廣告投放者端裝置13使用網際網路,並可傳遞一預期廣告費用參數、一預期反饋參數、以及一預期投放期間參數至伺服器11,其中,所述之預期反饋參數主要包含一預期曝光量參數、一預期點擊數參數、及一預期轉換率參數之其中一種參數或其組合;(4)又,所述之伺服器11主要包含一資料處理模組111,並
與一資料儲存模組112、一分類分群模組113、一模型建構模組114、及一反向搜尋模組115分別呈資訊連結,其中,所述之資料處理模組111,係供以運行伺服器11,以及用以驅動與其資訊連結的各模組之作動,資料處理模組111具備邏輯運算、暫存運算結果、保存執行指令位置等功能,其可以例如為一中央處理器(Central Processing Unit,CPU),但不以此為限;(5)所述之資料儲存模組112可供儲存電子資料,其可例如為一固態硬碟(Solid State Disk or Solid State Drive,SSD)、一硬碟(Hard Disk Drive,HDD)、一靜態記憶體(Static Random Access Memory,SRAM)、或一隨機存取記憶體(Ramdom Access Memory,DRAM)等;資料儲存模組112主要儲存數據提供端裝置12所傳遞之一訓練數據、廣告投放者端裝置13傳遞之一預期廣告費用參數及一預期反饋參數、以及伺服器11所運算及處理之數據,前述之參數將在後續詳細解說,其中,所述之資料儲存模組112更包含一曝光量訓練集1121、一點擊數訓練集1122、及一轉換率訓練集1123;(6)所述之分類分群模組113主要針對數據提供端裝置12所提供之訓練數據進行分類分群,並待分類分群完畢後,分類分群模組113再將訓練數據傳送至後續模型建構模組114進行模型之建構,其中,分類分群模組113首先將訓練數據,依目標參數中曝光量參數、點
擊數參數、及轉換率參數,分別歸類至曝光量訓練集1121、點擊數訓練集1122、及轉換率訓練集1123,待訓練數據分組完畢後,分類分群模組113再基於一決策樹(Decision Tree)網路,將各個分組依一廣告費用參數進行一分群動作,形成多個決策樹分群,其中,所述之廣告費用參數主要為一廣告費用金額,數據提供端裝置12可設定一廣告費用區間數量,廣告費用區間數量可供決策樹網路判斷最終各廣告費用區間的適當金額上下限;(7)所述之模型建構模組114接收分類分群模組113之多個決策樹分群後,將決策樹依廣告費用分群的資料集以機器學習模型建構時,輸入資訊為人群參數,目標資訊為目標參數,並基於彈性網路(Elastic net)的網路架構分別建立多個預測模型,並待預測模型建立完成後,學習出人群參數之一權重係數;(8)所述之反向搜尋模組115主要針對廣告投放者端裝置13所傳遞之預期廣告費用參數、預期反饋參數、以及預期投放期間參數,依前述之參數首先由預期投放期間參數,對預期廣告費用參數及預期反饋參數進行一標準化動作,再來判斷並選擇多個預測模型之其中一個或多個模型,再將選取的多個模組,依各個人群參數的權重係數進行一加總動作,並與預期反饋參數進行比對後,反向取得最接近該預期反饋參數之一預測人群參數,再將預測人群參數傳遞
至廣告投放者端裝置13,其中,所述之反向搜尋模組115分別依曝光量訓練集、點擊數訓練集、及轉換率訓練集所建立之多個預測模型,依廣告投放者端裝置13所傳遞之預期曝光量參數、預期點擊數參數、及預期轉換率參數進行反向搜尋,並由人群參數之權重係數進行排序,選取排序內最小參數個數,且權重係數進行加總後,最接近預期反饋參數之多個預測參數組合
請參閱「第2圖」,圖中所示為本發明之實施流程圖,請搭配參閱「第1圖」,本發明之較佳化廣告投放系統1實施步驟如下:(1)資料前處理步驟S1:請參閱「第3圖」,圖中所示為本發明之實施示意圖(一);如圖,伺服器11係與數據提供端裝置12呈資訊連結,伺服器11係基於該數據提供端裝置12所提供之資訊,建立多個預測模型M;其中,所述之資料前處理步驟S1更可分為資料取得步驟S11、依目標參數分組步驟S12、依決策樹分群步驟S13、使用彈性網路建立模型步驟S14,以下將詳述步驟;(2)資料取得步驟S11:請參閱「第4圖」,圖中所示為本發明之實施示意圖(二);如圖,伺服器11係由數據提供端裝置12接收一訓練資訊D1,並將訓練資訊D1儲存至伺服器11
之一資料儲存模組112,其中,所述之訓練資訊D1主要包含一人群參數及對應該人群參數之一目標參數,人群參數主要為一年齡參數、一性別參數、一使用設備參數、一廣告分類參數、一廣告話題參數之其中一種或其組合,但不以此為限;所述之目標參數主要為一曝光量參數、一點擊數參數、及一廣告轉換率參數;(3)依目標參數分組步驟S12:承前資料取得步驟S11,並請參閱「第5圖」,圖中所示為本發明之實施示意圖(三);如圖,伺服器11之一分類分群模組113,將訓練資訊D1依該目標參數進行一分組動作,其中,所述之分類分群模組113,係將訓練資訊D1依曝光量參數、點擊數參數、該轉換率參數,分為一曝光量訓練集1121、一點擊數訓練集1122、及一轉換率訓練集1123並儲存至資料儲存模組112;(4)依決策樹分群步驟S13:承前依目標參數分組步驟S12,並請參閱「第6圖」,圖中所示為本發明之實施示意圖(四);如圖,分類分群模組113係基於一決策樹網路(Decision Tree),將曝光量訓練集1121、點擊數訓練集1122、及轉換率訓練集1123,依一廣告費用參數B進行一分群動作,並分別分成多個決策樹分群G,其中,所述之廣告費用參數B為一廣告費用金額,數據提供端裝置12
可設定一廣告費用區間數量,廣告費用區間數量可供決策樹網路判斷最終各廣告費用區間的適當金額上下限,例如:數據提供端裝置12設定曝光量訓練集1121中決策樹分群G共四群,則決策樹網路判斷將廣告費用參數B其中1萬元以下為一群,1萬元至10萬元為一群,10萬至100萬元為一群,超過100萬元為一群,總計決策樹分群G共四群,再依前述規則將點擊數訓練集1122、及轉換率訓練集1123分別進行分群,因此總計決策樹分群G一共為十二群,以上例示僅為舉例,並不以此為限;(5)使用彈性網路建立模型步驟S14:承前依決策樹分群步驟S13,並請參閱「第7圖」及「第8圖」,圖中所示為本發明之實施示意圖(五)及(六);如圖,伺服器11之一模型建構模組114,以一彈性網路(Elastic net)作為模型建構之基底,將曝光量訓練集1121、該點擊數訓練集1122、及該轉換率訓練集1123所進行分群後的多個決策樹分群G,分別建立多個預測模型M,並訓練出人群參數一權重係數,例如:延續依決策樹分群步驟S13之舉例,待分類分群模組113形成十二群決策樹分群G後,模型建構模組114則基於彈性網路,將十二群決策樹分群G建立模型,形成十二個預測模型M,並將訓練資訊D1中的人群參數例如年齡、性別等分別給予不同權重係數,在不同模型中,相同的人群參數允許有不同權重係數,以上例示僅為
舉例,並不以此為限;(6)廣告投放者輸入參數步驟S2:承資料前處理步驟S1,並請參閱「第9圖」及「第10圖」,圖中所示為本發明之實施示意圖(七)及(八);如圖,待伺服器11將多個預測模型M建立完畢後,伺服器11可接收一廣告投放者端裝置13所傳遞之一預期廣告費用參數D2、一預期反饋參數D3、以及一預期投放期間參數D4,其中,所述之預期廣告費用參數D2,主要為廣告投放者端裝置13所預期花費投入廣告之金額;其中,所述之預期反饋參數D3主要為一預期曝光量參數D31、一預期點擊數參數D32、及一預期轉換率參數D33之其中一種參數或其組合;其中,所述之預期投放期間參數D4主要為一時間參數,例如:廣告投放者端裝置13輸入至伺服器11中,預期廣告費用參數D2為15萬元,並且預期曝光量參數D31為10000,預期轉換率參數D33為0.3,但並無設定預期廣告點擊數參數D32,最後設定預期投放期間參數D4為兩周進行廣告投放,以上例示僅為舉例,並不以此為限;(7)系統選擇模型步驟S3:承廣告投放者輸入參數步驟S2,並請參閱「第11圖」,圖中所示為本發明之實施示意圖(九);如圖,伺服器11之一反向搜尋模組115,基於廣告投放者端裝置13所傳遞之預期廣告費用參數D2、預期反饋參數D3、
以及預期投放期間參數D4,首先由預期投放期間參數D4,對預期廣告費用參數D2及預期反饋參數進行D3一標準化動作,惟,預期轉換率參數D33因為比率參數,因此不會進行標準化動作,再來,選擇適當多個預測模型M之其中一個或多個模型,其中,所述之反向搜尋模組115選擇多個預測模型M之依據,係基於預期廣告費用參數D2落在廣告費用參數B的參數區間進行選擇,以及預期反饋參數D2之個數與種類進行選擇之依據,例如:承廣告投放者輸入參數步驟S2之舉例,廣告投放者端裝置13輸入費用參數D2為15萬元,並且預期曝光量參數D31為10000,預期轉換率參數D33為0.3,預期投放期間參數D4為2周,首先反向搜尋模組115先進行標準化動作,本例示設定系統標準化亦為兩周,因此此處反向搜尋模組115對於輸入費用參數D2、及預期曝光量參數D31皆無須進行任何標準化動作,若此處設定系統標準化為一周的話,則反向搜尋模組115須將輸入費用參數D2、及預期曝光量參數D31除以2以達成統一為一周進行標準化動作,再來,反向搜尋模組115選擇10萬至100萬元區間,且目標參數為廣告曝光量參數及廣告轉換率參數的預測模型M(impr_model_3及conv_model_3),以上例示僅為舉例,並不以此為限;(8)反向搜尋步驟S4:
承系統選擇模型步驟S3,並請參閱「第12圖」,圖中所示為本發明之實施示意圖(十);如圖,反向搜尋模組115選擇多個預測模型M後,反向搜尋模組115依該權重係數進行一加總動作,並與該預期反饋參數D3進行比對後,反向取得最接近該預期反饋參數之一預測人群參數D5,其中,所述之預測人群參數D5主要與人群參數相同,為一年齡參數、一性別參數、一使用設備參數、一廣告分類參數、一廣告話題參數之其中一種或其組合,但不以此為限,惟,預測人群參數D5為反向搜尋模組115所反向搜尋之組合,預測人群參數D5與人群參數中各式參數之組合可不必相同;所述之反向搜尋步驟S4更可細分為依分組進行反向搜尋步驟S41、取最小參數個數並加總步驟S42、各分組進行交集運算步驟S43、計算幾何平均步驟S44,以下將詳述步驟;(9)依分組進行反向搜尋步驟S41:請參閱「第13圖」,圖中所示為本發明之實施示意圖(十一);如圖,反向搜尋模組115基於預期廣告費用參數D2,以及預期反饋參數D3選擇適當多個預測模型M後,分別依預期曝光量參數D31、預期點擊數參數D32、及預期轉換率參數D33進行反向搜尋,並將人群參數之該權重係數進行排序,例如:承系統選擇模型步驟S3之舉例,當反向搜尋模組115選擇預測模型M(impr_model_3及
conv_model_3)後,首先對預測模型M(impr_model_2)進行反向搜尋,並搜尋出多個參數如年齡介於24-30、有男性、有女性,廣告領域包含服裝與配飾、書籍與文學、美容與健身等,並且包含多個人群參數的權重係數,年齡介於24-30權重係數為1000,男性的權重係數為2000,女性的權重係數為5000等,以上例示僅為舉例,並不以此為限;(10)取最小參數個數並加總步驟S42:承依分組進行反向搜尋步驟S41,並請參閱第「第14圖」,圖中所示為本發明之實施示意圖(十二);如圖,該反向搜尋模組115將反向搜尋後,多個人群參數的權重係數進行排序後,選取人群參數內最小參數個數,並依權重係數進行加總,搜尋出最接近預期反饋參數D3之多個預測組合C,例如:承依分組進行反向搜尋步驟S41之舉例,先將多個人群參數進行排序,權重係數較高的因此排在最前面,因此女性的權重係數為5000排在第一,美容與健身的權重係數為3000排在第二,男性的權重係數為2000排在第三,接著取最小參數個數進行加總,並且最接近預期反饋參數D3的預測組合C,因此女性的權重係數、美容與健身的權重係數、以及男性的權重係數總和最接近預期曝光量參數D31為10000,因此取女性、美容與健身、男性為一個預測組合C,以上
例示僅為舉例,並不以此為限;(11)各分組進行交集運算步驟S43:承取最小參數個數並加總步驟S42,並請參閱第「第15圖」,圖中所示為本發明之實施示意圖(十三);如圖,反向搜尋模組115搜尋出多個預測組合C後,將曝光量訓練集1121、點擊數訓練集1122、及轉換率訓練集1123所建立之多個預測模型M,搜尋出的多個預測組合C進行交集運算,取得有交集的多個預測組合C,例如:曝光量訓練集1121所建立的預測模型M,所反向搜尋的預測組合C(C1、C2、C3、C4、C5),轉換率訓練集1123所建立的預測模型M,所反向搜尋的預測組合C(C2、C4、C5、C8、C9),取其交集的預測參數C(C2、C4、C5),以上例示僅為舉例,並不以此為限;(12)計算幾何平均步驟S44:承各分組進行交集運算步驟S43,並請搭配參閱「第16圖」,圖中所示為本發明之實施示意圖(十四);如圖,反向搜尋模組115取得相同的多個預測組合C後,分別與預期反饋參數D3進行一幾何平均運算,並依幾何平均運算後進行排名,整合成預測人群參數D5,例如:承各分組進行交集運算步驟S43之舉例,交集的預測參數C(C2、C4、C5)分別其曝光量參數、轉換率參數進行幾何平均運算後,最為接近廣告投放者端裝置13輸入預期曝光量參數D31為10000、
及預期轉換率參數D33為0.3,並重新排序預測參數C(C4、C2、C5)整合成預測人群參數D5,以上例示僅為舉例,並不以此為限;(13)結果輸出步驟S5:承反向搜尋步驟S4,並請參閱請搭配參閱「第17圖」及「第18圖」,圖中所示為本發明之實施示意圖(十五)及(十六);如圖,反向搜尋模組115反向搜尋最接近預期反饋參數D3之預測人群參數D5後,反向搜尋模組將該預測人群參數D5傳遞至廣告投放者端裝置13。
綜上可知,本較佳化廣告投放方法及其系統,以決策樹與彈性網路做為基底為主,並透過預先建立完成的模型情況下,將廣告投放業者所預期投放的金額以及反饋參數最為預期輸出,並反向搜尋出最適合的投放群體參數,使廣告投放業者能更有利於廣告投放及使用;依此,本發明據以實施後,確實可以提供一種基於決策樹分類及彈性網路為基底,使用者輸入適當之參數後,反向搜尋最適當廣告投放參數之較佳化廣告投放方法及其系統之目的。
以上所述者,僅為本發明之較佳之實施例而已,並非用以限定本發明實施之範圍;任何熟習此技藝者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之專利範圍內。
綜上所述,本發明係具有「產業利用性」、「新穎性」與「進步性」等專利要件;申請人爰依專利法之規定,向 鈞局提起發明專利之申請。
S1:資料前處理步驟
S2:廣告投放者輸入參數步驟
S3:系統選擇模型步驟
S4:反向搜尋步驟
S5:結果輸出步驟
Claims (11)
- 一種較佳化廣告投放之方法,其包含:一資料前處理步驟,一伺服器係與一數據提供端裝置呈資訊連結,該伺服器基於該數據提供端裝置所提供之一訓練資訊,建立一預測模型,其中,該資料前處理步驟主要包含以下步驟:一資料取得步驟,該伺服器係由該數據提供端裝置接收該訓練資訊,並將該訓練資訊儲存至該伺服器之一資料儲存模組,該訓練資訊主要包含一人群參數及對應該人群參數之一目標參數,該目標參數係為一曝光量參數、一點擊數參數、及一轉換率參數;一依目標參數分組步驟,接續該資料取得步驟,該伺服器之一分類分群模組,係將該訓練資訊依該目標參數進行一分組動作,其中,該分類分群模組係將該訓練資訊依該曝光量參數、該點擊數參數、及該轉換率參數,分為一曝光量訓練集、一點擊數訓練集、及一轉換率訓練集;一依決策樹分群步驟,接續該依目標參數分組步驟,該分類分群模組係基於一決策樹網路,將該曝光量訓練集、該點擊數訓練集、及該轉換率訓練集,依一廣告費用參數進行一分群動作,形成多個決策樹分群;一使用彈性網路建立模型步驟,接續該依決策樹分群步驟,該伺服器之一模型建構模組,係基於一彈性網路, 將該多個決策樹分群,分別建立多個預測模型,並賦予該人群參數一權重係數;一廣告投放者輸入參數步驟,承資料前處理步驟,該伺服器與一廣告投放者端裝置成資訊連結,該伺服器主要接收該廣告投放者端裝置所傳遞之一預期廣告費用參數、一預期反饋參數、以及一預期投放期間參數,該預期反饋參數主要為一預期曝光量參數、一預期點擊數參數、及一預期轉換率參數之其中一種參數或其組合;一系統選擇模型步驟,承該廣告投放者輸入參數步驟,該伺服器之一反向搜尋模組,基於該廣告投放者端裝置所傳遞之參數後,首先基於該預期投放期間參數,將該預期廣告費用參數及該預期反饋參數進行一標準化動作,接著選擇適當該多個預測模型之其中一個或多個模型,其中,該反向搜尋模組係基於該預期廣告費用參數落在該廣告費用參數的參數區間進行選擇,該反向搜尋模組係基於該預期反饋參數之個數與種類進行選擇之依據;一反向搜尋步驟,承該系統選擇模型步驟,該反向搜尋模組選擇該多個預測模型後,該反向搜尋模組依該權重係數進行一加總動作並與該預期反饋參數進行比對後,反向搜尋最接近該預期反饋參數之一預測人群參數;以及一結果輸出步驟,承該反向搜尋步驟,待該反向搜尋模組反向搜尋最接近該預期反饋參數之該預測人群參數 後,該反向搜尋模組將該預測人群參數傳遞至該廣告投放者端裝置。
- 如請求項1所述之較佳化廣告投放之方法,其中,該人群參數及該預測人群參數主要為一年齡參數、一性別參數、一使用設備參數、一廣告分類參數、一廣告話題參數之其中一種或其組合。
- 如請求項1所述之較佳化廣告投放之方法,其中,該依決策樹分群步驟中,該數據提供端裝置係設定該廣告費用參數之一廣告費用區間數量,該廣告費用區間數量可供該決策樹網路判斷符合該廣告費用區間的一適當金額上下限。
- 如請求項1所述之較佳化廣告投放之方法,其中,該反向搜尋步驟更可細分為一依分組進行反向搜尋步驟、一取最小參數個數並加總步驟、一各分組進行交集運算步驟、及一計算幾何平均步驟。
- 如請求項4所述之較佳化廣告投放之方法,其中,該依分組進行反向搜尋步驟中,該反向搜尋模組基於該廣告投放者端裝置所傳遞之參數後,選擇適當該多個預測模型後,依該預期曝光量參數、該預期點擊數參數、 及該預期轉換率參數進行反向搜尋,並由該人群參數之該權重係數進行排序。
- 如請求項5所述之較佳化廣告投放之方法,其中,該取最小參數個數並加總步驟延續該依分組進行反向搜尋步驟,該反向搜尋模組將該權重係數進行排序後,選取該人群參數內最小參數個數,並依該權重係數進行加總,搜尋出最接近該預期反饋參數之多個預測組合。
- 如請求項6所述之較佳化廣告投放之方法,其中,該各分組進行交集運算步驟接續該取最小參數個數並加總步驟,該反向搜尋模組搜尋出多個預測參數組合後,將該曝光量訓練集、該點擊數訓練集、及該轉換率訓練集所建立之多個預測模型,搜尋出的多個預測組合進行交集運算,取得相同的該多個預測組合。
- 如請求項7所述之較佳化廣告投放之方法,其中,該計算幾何平均步驟接續該各分組進行交集運算步驟,該反向搜尋模組取得相同的該多個預測組合後,分別與該預期反饋參數進行一幾何平均運算,並依該幾何平均運算後進行排名,整合成該預測人群參數,最後將該預測人群參數傳遞至該廣告投放者端裝置。
- 一種較佳化廣告投放之系統,其包含: 一伺服器,其主要包含一資料處理模組,另有一資料儲存模組、一分類分群模組、一模型訓練模組、一反向搜尋模組與之呈資訊連結,該資料處理模組供以運行該伺服器,該資料儲存模組主要儲存該伺服器接收及演算之數據,且該資料儲存模組主要包含一曝光量訓練集、一點擊數訓練集、及一轉換率訓練集;一數據提供端裝置,該數據提供端裝置係與該伺服器呈資訊連結,該數據提供端裝置係提供一訓練資訊,並可設定一廣告費用參數至該分類分群模組,該訓練資訊主要包含一人群參數及對應該人群參數之一目標參數,該目標參數係為一曝光量參數、一點擊數參數、及一轉換率參數;一廣告投放者端裝置,該廣告投放者端裝置係與該伺服器呈資訊連結,該廣告投放者端裝置主要提供一預期廣告費用參數、一預期反饋參數、以及一預期投放期間參數至該伺服器;該分類分群模組係供以將該訓練資訊,依該曝光量參數、該點擊數參數、及該轉換率參數,分為該曝光量訓練集、該點擊數訓練集、及該轉換率訓練集,並使用一決策樹網路,將該曝光量訓練集、該點擊數訓練集、及該轉換率訓練集,分別依該數據提供端裝置所設定之該廣告費用參數進行一分群動作,並形成多個決策樹分群; 一模型建構模組係建構於一彈性網路之上,供以將該分類分群模組分群後,所形成多個決策樹分群,分別建立多個預測模型,並賦予該人群參數一權重係數;以及該反向搜尋模組偵測到該預期廣告費用參數、該預期反饋參數、以及該預期投放期間參數由該廣告投放者端裝置輸入,以及該多個預測模型建構完成後,該反向搜尋模組首先基於該預期投放期間參數,將該預期廣告費用參數及該預期反饋參數進行一標準化動作,再來,選取符合該預期廣告費用參數,及該預期反饋參數的多個模組,再將選取的多個模組,依該權重係數進行一加總動作並與該預期反饋參數進行比對後,反向取得最接近該預期反饋參數之一預測人群參數,再將該預測人群參數傳遞至該廣告投放者端裝置。
- 如請求項9所述之較佳化廣告投放之系統,其中,該人群參數及該預測人群參數主要為一年齡參數、一性別參數、一使用設備參數、一廣告分類參數、一廣告話題參數之其中一種或其組合。
- 如請求項9所述之較佳化廣告投放之系統,其中,該數據提供端裝置係設定該廣告費用參數之一廣告費用區間數量,該廣告費用區間數量可供該決策樹網路判斷符合該廣告費用區間的一適當金額上下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110126655A TWI773445B (zh) | 2021-07-20 | 2021-07-20 | 較佳化廣告投放方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110126655A TWI773445B (zh) | 2021-07-20 | 2021-07-20 | 較佳化廣告投放方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI773445B true TWI773445B (zh) | 2022-08-01 |
TW202305696A TW202305696A (zh) | 2023-02-01 |
Family
ID=83807055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110126655A TWI773445B (zh) | 2021-07-20 | 2021-07-20 | 較佳化廣告投放方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI773445B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589048B2 (en) * | 2013-02-18 | 2017-03-07 | PlaceIQ, Inc. | Geolocation data analytics on multi-group populations of user computing devices |
TW201931067A (zh) * | 2017-11-07 | 2019-08-01 | 美商奧誓公司 | 用於自動地執行一隱含訊息搜尋之電腦化系統與方法 |
CN111582910A (zh) * | 2020-04-14 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成广告文案的方法、系统和设备 |
CN113095881A (zh) * | 2020-11-11 | 2021-07-09 | 陈炜炜 | 基于人工智能的推送要素确定方法、系统及大数据中心 |
TWM623519U (zh) * | 2021-07-20 | 2022-02-21 | 萬里雲互聯網路有限公司 | 較佳化廣告投放系統 |
-
2021
- 2021-07-20 TW TW110126655A patent/TWI773445B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589048B2 (en) * | 2013-02-18 | 2017-03-07 | PlaceIQ, Inc. | Geolocation data analytics on multi-group populations of user computing devices |
TW201931067A (zh) * | 2017-11-07 | 2019-08-01 | 美商奧誓公司 | 用於自動地執行一隱含訊息搜尋之電腦化系統與方法 |
CN111582910A (zh) * | 2020-04-14 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成广告文案的方法、系统和设备 |
CN113095881A (zh) * | 2020-11-11 | 2021-07-09 | 陈炜炜 | 基于人工智能的推送要素确定方法、系统及大数据中心 |
TWM623519U (zh) * | 2021-07-20 | 2022-02-21 | 萬里雲互聯網路有限公司 | 較佳化廣告投放系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202305696A (zh) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631711A (zh) | 一种广告投放方法及装置 | |
US8380570B2 (en) | Index-based technique friendly CTR prediction and advertisement selection | |
Dave et al. | Learning the click-through rate for rare/new ads from similar ads | |
US7827052B2 (en) | Systems and methods for reputation management | |
CN104572734B (zh) | 问题推荐方法、装置及系统 | |
US20090099920A1 (en) | Data Mining | |
Corney et al. | Putting the crowd to work in a knowledge-based factory | |
US20110131160A1 (en) | Method and System for Generating A Linear Machine Learning Model for Predicting Online User Input Actions | |
US20070124194A1 (en) | Systems and methods to facilitate keyword portfolio management | |
Huang et al. | Handling sequential pattern decay: Developing a two-stage collaborative recommender system | |
WO2007001770A2 (en) | Automatic ad placement | |
US20140200999A1 (en) | Granular data for behavioral targeting | |
CN106407349A (zh) | 一种产品推荐方法及装置 | |
CN107391582A (zh) | 基于上下文本体树计算用户偏好相似度的信息推荐方法 | |
WO2013063740A1 (en) | Selecting images based on textual description | |
CN103198098A (zh) | 一种网络信息投放方法和装置 | |
Yang et al. | Keyword optimization in sponsored search advertising: A multilevel computational framework | |
CN115495654A (zh) | 基于子空间投影神经网络的点击率预估方法和装置 | |
CN117541322B (zh) | 一种基于大数据分析的广告内容智能生成方法及系统 | |
TWM623519U (zh) | 較佳化廣告投放系統 | |
TWI773445B (zh) | 較佳化廣告投放方法及其系統 | |
TW201011575A (en) | Recommendation apparatus and method of integrating rough sets and multiple-characteristic exploration | |
CN104778205A (zh) | 一种基于异构信息网络的移动应用排序和聚类方法 | |
US7716209B1 (en) | Automated advertisement publisher identification and selection | |
Chiang et al. | A new paradigm for rule-based scheduling in the wafer probe centre |