CN106600342A - 一种广告投放的方法和装置 - Google Patents
一种广告投放的方法和装置 Download PDFInfo
- Publication number
- CN106600342A CN106600342A CN201611248934.2A CN201611248934A CN106600342A CN 106600342 A CN106600342 A CN 106600342A CN 201611248934 A CN201611248934 A CN 201611248934A CN 106600342 A CN106600342 A CN 106600342A
- Authority
- CN
- China
- Prior art keywords
- user
- classification
- fraction
- degree
- under
- 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
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
- G06Q30/0257—User requested
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种广告投放的方法,该方法包括:获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的剩余部分的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,根据更准确的类别的分数选取目标用户,使得目标用户也更精确,从而实现了快速精准地确定目标用户进行广告投放。此外,本发明还公开了一种广告投放的装置。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种广告投放的方法和装置。
背景技术
目前,越来越多的企业公司选择在视频内投放广告来宣传企业文化、产品等,通过与视频用户的互动,助力品牌、实现营销目标。现在有一种新的广告播放格式,即一种前置广告,当广告单元开始播放时,会出现5秒的倒数计时,倒数计时完之后,用户可以看到跳过广告的剩余部分的按钮,点击按钮跳过广告,然后继续浏览希望观看的内容,或者,用户也可以不点击按钮而选择继续观看广告的剩余部分。部分广告主比较喜欢这种广告格式,因为只针对在用户没有点击“跳过”按钮的广告播出流量进行付费,这意味着至少在理论上,没有点击“跳过”按钮用户是真的对观看的广告感兴趣。
当广告主选择上述广告播放格式时,在现有技术中,将历史上该广告订单的没有跳过广告的剩余部分的用户作为种子用户,以多个标签下的种子用户的比例为主要参数计算视频用户多个标签的分数,按照各个标签的分数从大到小排序,按照排序依次选取整个标签下的用户,直至用户数量超过广告预设投放人群量大小时,作为目标用户进行线上投放。
发明人经过研究发现,现有技术中以多个标签下的种子用户的比例为主要参数计算视频用户多个标签的分数,由于计算时较注重是标签下用户和种子用户的重叠度,造成计算出的标签的分数不够准确,从而导致最后选取的目标用户不够精确。
基于此,在当今时代,如何更精准地确定目标用户进行广告投放成为急需解决的技术问题。
发明内容
本发明所要解决的技术问题是,提供一种广告投放的方法和装置,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,根据更准确的类别的分数选取目标用户,进而更精准地确定目标用户进行广告投放。
为解决上述技术问题,本发明提供了一种广告投放的方法,该方法包括:
获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;
以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的用户;
根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;
对所述目标用户进行广告投放。
优选的,所述相似性算法计算的公式为:
Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,log为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。
优选的,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
优选的,所述根据所述多个类别的分数,从所述多个类别下用户中选取目标用户,包括:
将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;
从所述多个类别下排序的各个用户中选取目标用户。
优选的,所述根据所述多个类别的分数,从所述多个类别下用户中选取目标用户,具体为:根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。
本发明还提供了一种广告投放的装置,该装置包括:
获取单元,用于获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;
计算单元,用于以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的用户;
第一选取单元,用于根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;
投放单元,用于对所述目标用户进行广告投放。
优选的,所述相似性算法计算的公式为:
Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,ln为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。
优选的,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
优选的,所述第一选取单元包括:
排序单元,用于将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;
第二选取单元,用于从所述多个类别下排序的各个用户中选取目标用户。
优选的,所述第一选取单元具体用于根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。
与现有技术相比,本发明具有以下优点:
在本发明实施例中,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,根据更准确的类别的分数选取目标用户,使得目标用户也更精确,从而实现了精准地确定目标用户进行广告投放。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请中记载的一些实施例,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个示例性应用场景的框架示意图;
图2为本发明实施例中一种广告投放的方法的流程示意图;
图3为本发明实施例中另一种广告投放的方法的流程示意图;
图4为本发明实施例中一种广告投放的装置的结构示意图;
图5为本发明实施例中另一种广告投放的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
发明人经过研究发现,现有技术中以多个标签下的种子用户的比例为主要参数计算视频用户多个标签的分数,由于计算时较注重是标签下用户和种子用户的重叠度,造成计算出的标签的分数不够准确,按照标签的排序依次选取整个标签下的用户加上种子用户作为目标用户,其实整个标签中只有部分用户和种子用户相似度高,因此选取整个标签下的用户导致目标用户不够精确,当广告预设投放人群量较大时,需要选取多个标签下的用户,选取过程耗时严重,多个标签下的用户极有可能出现重复的情况,选取后还需要再筛选,过程复杂。
基于此,在本发明实施例中,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,不是依次选取整个标签下的用户,而是先将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序,再根据广告预设投放人群量直接从所述排序的各个用户中选取目标用户,选取的目标用户更精确,而且选取过程耗时短,从而实现了快速精准地确定目标用户进行广告投放。
举例来说,本发明实施例的场景之一,可以是应用到如图1所示的的场景。在该场景中有在该场景中有服务器101和客户端102,服务器101和客户端102可以交互,服务器101获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;服务器101以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的其他用户;服务器101根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;服务器101根据所述目标用户将广告投放在客户端102。
可以理解的是,在上述应用场景中,虽然将本发明实施方式的动作描述由服务器101执行,但是本发明在执行主体方面不受限制,只要执行了本发明实施方式所公开的动作即可。
可以理解的是,上述场景仅是本发明实施例提供的一个场景示例,本发明实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本发明实施例中广告投放的方法和装置的具体实现方式。
示例性方法
参见图2,示出了本发明实施例中一种广告投放的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤201:获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户。
步骤202:以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的用户。
可以理解的是,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。例如,种子用户共有50w,男性类别下用户共有1kw,两者交集是25w,不定向投放的最近五天内所述男性类别下用户标签人群共有20w,最近五天内所述男性类别下种子用户共有5w,那么兴趣度等于25w和1kw的比值,新颖度等于1减所述25w和1kw的比值,质量等于5w和20w的比值。
在本实施例的一些实施方式中,所述相似性算法计算的公式例如具体可以为:Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,log为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。利用兴趣度、新颖度和质量三个参数以不同比重相结合的方式去计算类别的分数,计算出的分数更加准确。例如,当预设系数a,b,c分别为0.6、0.0001、0.4时,那么相似性算法计算的公式为:Score=0.6×ln(interest)+0.00001×ln(novelty)+0.4×ln(quality),其中兴趣度和质量在分数中比重较大。
步骤203:根据所述多个类别的分数,从所述多个类别下用户中选取目标用户。
需要说明的是,通过步骤202得到了所述多个类别的分数,若是直接对类别的分数从大到小排序,按排序依次选取整个类别下的用户,会出现类别分数虽然大但选取的整个类别下的用户的部分用户对广告并没有兴趣的情况或者选取的多个类别中用户重复时需要筛选用户的情况,为了确保选取的目标用户更精准,可以采用对各个用户排序,再直接选择和种子用户相似度较高的用户作为目标用户。在本实施例的一些实施方式中,步骤203例如可以包括:将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;从所述多个类别下排序的各个用户中选取目标用户。例如,视频用户有男性,20-30岁,学生,女性和职工五个类别,它们的分数分别为70,60,80,50和90,当用户a所属的所有类别为男性,20-30岁和学生时,则用户a的分数为80,当用户b所属的所有类别为男性,20-30岁和职工时,则用户b的分数为90,当用户c所属的所有类别为20-30岁,学生和女性时,则用户c的分数为80,因此用户a,b和c的排序为b>a=c,即b排在前面,a和c并列排在后面。
需要说明的是,一般情况下广告订单包括广告预设投放人群量,为了满足一次性选取的目标用户的数量大于广告预设投放人群量,可以根据广告预设投放人群量去选取一定数量的目标用户。在本实施例的一些实施方式中,步骤203例如具体可以为:根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。例如,广告预设投放人群量为100w,从排序的用户中选取前100w用户为目标用户。
步骤204:对所述目标用户进行广告投放。
需要说明的是,对所述目标用户进行广告投放,根据投放结束后的数据,可以发现目标用户中种子用户的比例大大提高。
通过本实施例提供的各种实施方式,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,不是依次选取整个标签下的用户,而是先将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序,再根据广告预设投放人群量直接从所述排序的各个用户中选取目标用户,选取的目标用户更精确,而且选取过程耗时短,从而实现了快速精准地确定目标用户进行广告投放。
参见图3,示出了本发明实施例中另一种广告投放的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤301:根据广告订单,对所述广告进行不定向投放,所述广告订单包括预设投放人群量。
步骤302:获取所述广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户。
步骤303:判断所述种子用户数量是否大于阈值,所述阈值是根据所述预设投放人群量设置的,如果是,进入步骤304;如果否,返回步骤301。
例如,当广告订单预设投放人群量为100w时,可以设置阈值为25w。
步骤304:以interest、novelty、quality为参数,利用相似性算法计算视频用户的多个类别的分数,所述interest为所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述novelty为1减所述兴趣度,所述quality为预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
需要说明的是,计算时更为注重所述类别下种子用户的比例和预设天数历史数据中所述类别下种子用户的比例,以便计算出的分数更为准确,即所述类别下用户与种子用户的相似度更高;计算时增加所述类别下其他用户的比例是为在目标用户中扩充标签下的其他用户,所述其他用户为类别下种子用户以外的用户。在本实施例的一些实施方式中,所述相似性算法的计算公式例如具体可以为:Score=0.6×ln(interest)+0.00001×ln(novelty)+0.4×ln(quality)。
步骤305:将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序。
步骤306:根据所述预设投放人群量从所述排序的各个用户中选取目标用户进行广告投放。
通过本实施例提供的各种实施方式,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,不是依次选取整个标签下的用户,而是先将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序,再根据广告预设投放人群量直接从所述排序的各个用户中选取目标用户,选取的目标用户更精确,而且选取过程耗时短,从而实现了快速精准地确定目标用户进行广告投放。
示例性设备
参见图4,示出了本发明实施例中一种广告投放的装置的结构示意图。在本实施例中,所述装置例如可以包括:
获取单元401,用于获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户。
计算单元402,用于以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的其他用户。
可选的,在本实施例的一些实施方式中,所述相似性算法计算的公式为:Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,ln为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。
可选的,在本实施例的一些实施方式中,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
第一选取单元403,用于根据所述多个类别的分数,从所述多个类别下用户中选取目标用户。
可选的,在本实施例的一些实施方式中,所述第一选取单元403例如可以包括:
排序单元,用于将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;
第二选取单元,用于从所述多个类别下排序的各个用户中选取目标用户。
可选的,在本实施例的一些实施方式中,所述第一选取单元403例如具体可以用于根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。
投放单元404,用于对所述目标用户进行广告投放。
通过本实施例提供的各种实施方式,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,不是依次选取整个标签下的用户,而是先将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序,再根据广告预设投放人群量直接从所述排序的各个用户中选取目标用户,选取的目标用户更精确,而且选取过程耗时短,从而实现了快速精准地确定目标用户进行广告投放。
参见图5,示出了本发明实施例中另一种广告投放的装置的结构示意图。在本实施例中,所述装置例如可以包括:
第一投放单元501,用于根据广告订单,对所述广告进行不定向投放,所述广告订单包括预设投放人群量。
获取单元502,用于获取所述广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户。
判断单元503,用于判断所述种子用户数量是否大于阈值,如果是,进入步骤304;如果否,返回步骤301,所述阈值是根据所述预设投放人群量设置的。
计算单元504,用于以interest、novelty、quality为参数,利用相似性算法计算视频用户的多个类别的分数,所述interest为所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述novelty为1减所述兴趣度,所述quality为预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
可选的,在本实施例的一些实施方式中,所述相似性算法的计算公式例如具体可以为:Score=0.6×ln(interest)+0.00001×ln(novelty)+0.4×ln(quality)。
排序单元505,用于将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序。
第二投放单元506,用于根据所述预设投放人群量从所述排序的各个用户中选取目标用户进行广告投放。
通过本实施例提供的各种实施方式,获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的剩余部分的用户;以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数;根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;对所述目标用户进行广告投放。由此可见,以兴趣度、新颖度和质量三者结合的方式去计算类别的分数,使得计算出的类别的分数更准确,不是依次选取整个标签下的用户,而是先将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序,再根据广告预设投放人群量直接从所述排序的各个用户中选取目标用户,选取的目标用户更精确,而且选取过程耗时短,从而实现了快速精准地确定目标用户进行广告投放。
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。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。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种广告投放的方法,其特征在于,包括:
获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;
以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的用户;
根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;
对所述目标用户进行广告投放。
2.根据权利要求1所述的方法,其特征在于,所述相似性算法计算的公式为:Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,ln为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。
3.根据权利要求1所述的方法,其特征在于,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多个类别的分数,从所述多个类别下用户中选取目标用户,包括:
将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;
从所述多个类别下排序的各个用户中选取目标用户。
5.根据权利要求1所述的方法,其特征在于,所述根据所述多个类别的分数,从所述多个类别下用户中选取目标用户,具体为:根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。
6.一种广告投放的装置,其特征在于,包括:
获取单元,用于获取广告历史数据中的种子用户,所述种子用户为完整观看所述广告的用户;
计算单元,用于以兴趣度、新颖度和质量为参数,通过相似性算法计算视频用户的多个类别的分数,所述兴趣度是指所述类别下种子用户的比例,所述新颖度是指所述类别下其他用户的比例,所述质量是指预设天数历史数据中所述类别下种子用户的比例,所述其他用户为类别下种子用户以外的用户;
第一选取单元,用于根据所述多个类别的分数,从所述多个类别下用户中选取目标用户;
投放单元,用于对所述目标用户进行广告投放。
7.根据权利要求6所述的装置,其特征在于,所述相似性算法计算的公式为:Score=a×ln(interest)+b×ln(novelty)+c×ln(quality),所述Score为分数,ln为自然对数,所述interest为兴趣度,所述novelty为新颖度,所述quality为质量,所述a,b,c为预设系数。
8.根据权利要求6所述的装置,其特征在于,所述兴趣度等于所述种子用户和所述类别下用户的交集用户数量与所述类别下用户数量的比值,所述新颖度等于1减所述兴趣度,所述质量等于预设天数历史数据中所述类别下种子用户数量与预设天数历史数据中所述类别下用户数量的比值。
9.根据权利要求6所述的装置,其特征在于,所述第一选取单元包括:
排序单元,用于将每个用户所属的所有类别的分数中的最高分作为用户的分数,按照各个用户的分数从大到小的顺序对各个用户进行排序;
第二选取单元,用于从所述多个类别下排序的各个用户中选取目标用户。
10.根据权利要求6所述的装置,其特征在于,所述第一选取单元具体用于根据所述多个类别的分数和广告预设投放人群量,从所述多个类别下用户中选取目标用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248934.2A CN106600342A (zh) | 2016-12-29 | 2016-12-29 | 一种广告投放的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248934.2A CN106600342A (zh) | 2016-12-29 | 2016-12-29 | 一种广告投放的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600342A true CN106600342A (zh) | 2017-04-26 |
Family
ID=58605070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611248934.2A Pending CN106600342A (zh) | 2016-12-29 | 2016-12-29 | 一种广告投放的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600342A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920479A (zh) * | 2018-04-16 | 2018-11-30 | 国家计算机网络与信息安全管理中心 | 针对两微一端跨信源账号推荐方法 |
CN109191217A (zh) * | 2018-11-12 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 一种视频广告投放次数预测方法及装置 |
CN109428928A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息推送对象的选择方法、装置及设备 |
WO2020088050A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成信息的方法和装置 |
CN112348587A (zh) * | 2020-11-16 | 2021-02-09 | 脸萌有限公司 | 信息推送方法、装置和电子设备 |
CN114596126A (zh) * | 2022-04-26 | 2022-06-07 | 土巴兔集团股份有限公司 | 一种广告推荐方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及*** |
CN102411596A (zh) * | 2010-09-21 | 2012-04-11 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及*** |
CN102880969A (zh) * | 2011-07-13 | 2013-01-16 | 阿里巴巴集团控股有限公司 | 广告投放方法、广告投放服务器及广告投放*** |
CN105550903A (zh) * | 2015-12-25 | 2016-05-04 | 腾讯科技(深圳)有限公司 | 目标用户确定方法及装置 |
-
2016
- 2016-12-29 CN CN201611248934.2A patent/CN106600342A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及*** |
CN102411596A (zh) * | 2010-09-21 | 2012-04-11 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及*** |
CN102880969A (zh) * | 2011-07-13 | 2013-01-16 | 阿里巴巴集团控股有限公司 | 广告投放方法、广告投放服务器及广告投放*** |
CN105550903A (zh) * | 2015-12-25 | 2016-05-04 | 腾讯科技(深圳)有限公司 | 目标用户确定方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109428928A (zh) * | 2017-08-31 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息推送对象的选择方法、装置及设备 |
CN109428928B (zh) * | 2017-08-31 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 信息推送对象的选择方法、装置及设备 |
CN108920479A (zh) * | 2018-04-16 | 2018-11-30 | 国家计算机网络与信息安全管理中心 | 针对两微一端跨信源账号推荐方法 |
CN108920479B (zh) * | 2018-04-16 | 2022-06-17 | 国家计算机网络与信息安全管理中心 | 针对两微一端跨信源账号推荐方法 |
WO2020088050A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成信息的方法和装置 |
CN109191217A (zh) * | 2018-11-12 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 一种视频广告投放次数预测方法及装置 |
CN112348587A (zh) * | 2020-11-16 | 2021-02-09 | 脸萌有限公司 | 信息推送方法、装置和电子设备 |
CN112348587B (zh) * | 2020-11-16 | 2024-04-23 | 脸萌有限公司 | 信息推送方法、装置和电子设备 |
CN114596126A (zh) * | 2022-04-26 | 2022-06-07 | 土巴兔集团股份有限公司 | 一种广告推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600342A (zh) | 一种广告投放的方法和装置 | |
US20160299943A1 (en) | Search query refinement | |
US8893012B1 (en) | Visual indicator based on relative rating of content item | |
US20190370831A1 (en) | Method and system for influencing auction based advertising opportunities based on user characteristics | |
AU2008343242B2 (en) | Video quality measures | |
CN106651459A (zh) | 一种广告投放的方法和装置 | |
US8321496B2 (en) | User evaluation of content on distributed communication network | |
JP2006522963A (ja) | オークションに基づくインターネットサーチにおける用語に対してクリック課金の最低価格を決めるための方法及び装置 | |
Lommatzsch | Real-time news recommendation using context-aware ensembles | |
CN107368488A (zh) | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 | |
US20040153360A1 (en) | System and method of message selection and target audience optimization | |
WO2015120798A1 (en) | Method for processing network media information and related system | |
US20070078758A1 (en) | Risk assessment-based shopping of internet auctions | |
KR20090089919A (ko) | 네트워크 노드 ad 타겟팅 | |
CN107483982A (zh) | 一种主播推荐方法与装置 | |
DE10244974A1 (de) | Automatische Inserentenbenachrichtigung für ein System zum Bereitstellen eines Platz- und Preisschutzes in einer Suchergebnisliste, die durch eine Computernetzwerksuchmaschine erzeugt wird | |
CN107346496A (zh) | 目标用户定向方法及装置 | |
CN104750783A (zh) | 一种广告投放方法 | |
France et al. | Characterizing viral videos: Methodology and applications | |
US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
CN109598544A (zh) | 一种媒体目标匹配方法及*** | |
CN110942376A (zh) | 一种音频类产品的实时多召回策略的融合方法 | |
CN106649323A (zh) | 推荐关键词的方法及装置 | |
CN113256356A (zh) | 一种基于特征识别的互联网广告智能投放分析管理*** | |
CN113222641A (zh) | 一种基于大数据强化学习的广告分析和监控方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |