CN111091218A - 竞价预测模型的生成以及广告投放自动出价方法和装置 - Google Patents
竞价预测模型的生成以及广告投放自动出价方法和装置 Download PDFInfo
- Publication number
- CN111091218A CN111091218A CN201811234541.5A CN201811234541A CN111091218A CN 111091218 A CN111091218 A CN 111091218A CN 201811234541 A CN201811234541 A CN 201811234541A CN 111091218 A CN111091218 A CN 111091218A
- Authority
- CN
- China
- Prior art keywords
- bidding
- user
- advertisement
- data
- bid
- 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
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- 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
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
-
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种竞价预测模型的生成以及广告投放自动出价方法和装置。所述自动出价方法包括:生成广告投放竞价预测模型;基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据;使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
Description
技术领域
本发明涉及计算机技术领域,具体而言涉及一种广告投放竞价预测模型的生成方法和装置以及一种广告投放的自动出价方法和装置。
背景技术
随着互联网应用的高速发展,在互联网上发布广告逐渐成为一种主流方式。这种通过互联网发布广告方式的优势在于覆盖范围广、主动性强等,因此在互联网发布广告的方式越来越受到各商家的青睐,由此为智能终端提供内容的流量型平台逐渐发展起来,在用户终端请求获取其平台内容时,向该用户终端投放或推送广告成为这类平台的主要盈利手段之一。
关于互联网发布广告的现有应用中,广告主通过竞价的方式获得平台提供的广告流量,即通过竞价获得在平台用户使用的智能终端上进行广告展示的机会。竞价方式为谁出价高就能获得相应的广告流量。
例如,深受用户欢迎和使用的浏览器APP上会提供广告位,例如首页顶部的广告位,广告主想通过所述广告位展示广告,需要出价竞争。现在流行的互联网广告投放模式主要是实时竞价广告的投放形式。
但是,现有的出价方式都是人工方式提出购买广告位的价格,为了赢得广告位,提出的购买价格较高,即出价较高。然而,在巨额的广告费投入之后,所赢得的广告展示机会转化为对商品的实际购买行为后的营收额能否最终盈利是个问题;即便最终是盈利的,但盈利额是否达到预期目标依然是个问题。可以将这些问题归纳为一个问题:商品销售的收入额与广告费的支出额之间的利润率如何实现最大化?现有的竞价广告的投放方法对这个问题没有很好的解决办法。
鉴于现有技术的上述技术问题,有必要开发新的投放广告的出价方法和装置。
发明内容
本发明的目的在于提供一种广告投放竞价预测模型的生成方法和装置以及一种广告投放的自动出价方法和装置,以改善上述问题。
本发明第一实施例提供了一种广告投放竞价预测模型的生成方法,其包括:
至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败;
对所述训练样本数据执行特征提取;
基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
其中,所述方法还包括:
获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括用户标识和用户画像信息;基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集;
所述至少基于历史广告投放竞价数据集生成训练样本数据包括:基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,所述用户画像信息包括:用户静态描述数据和用户行为数据。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或用户账号信息。
其中,在进行匹配融合处理的步骤中,其中:在匹配成功的融合数据中,具有竞价成功标记信息的这部分融合数据被视为正样本数据,具有竞价失败标记信息的这部分融合数据被视为负样本数据。
其中,在对所述训练样本数据执行特征提取之前,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据。
其中,所述机器学习算法包括但不限于:逻辑回归算法、梯度提升决策树算法、HE-TreeNet算法、支持向量机算法、朴素贝叶斯算法或深度神经网络算法。
其中,该方法还包括:
获取广告投放目标用户的限制条件;
在基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理之前,根据所述限制条件对所述用户画像数据进行过滤处理。
本发明第二实施例提供了一种广告投放的自动出价方法,其包括:
基于所述第一实施例所述的方法或其与优选实施例的组合所述方法生成广告投放竞价预测模型;
基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格;
对所述预测样本数据执行特征提取;
使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;
以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
其中,所述方法还包括:
获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
基于用户画像数据集、目标用户集、待投放广告的广告投放相关信息和不同的广告投放出价价格生成预测样本数据;每条预测样本数据包括:用户标识、广告投放相关信息、用户画像信息和出价价格。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,该方法还包括:积累广告投放者在新的预设一段时间内进行的广告投放出价的历史广告投放竞价数据,重复所述广告投放竞价预测模型的生成步骤,以继续优化所述广告投放竞价预测模型。
本发明第三实施例提供了一种广告投放竞价预测模型的生成装置,其包括:
训练数据生成模块,用于至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败;
特征提取模块,用于对所述训练样本数据执行特征提取;
模型生成模块,用于基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
其中,所述训练数据生成模块还包括:
数据获取模块,用于获取历史广告投放竞价数据集和用户画像数据集,其中所述历史广告投放竞价数据集中的每条历史广告投放竞价数据包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败,所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
匹配融合模块,用于基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集;
所述训练数据生成模块,用于基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,所述用户画像信息包括:用户静态描述数据和用户行为数据。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或用户账号信息。
其中,在进行匹配融合处理的过程中,其中:在匹配成功的融合数据中,具有竞价成功标记信息的这部分融合数据被视为正样本数据,具有竞价失败标记信息的这部分融合数据被视为负样本数据。
其中,所述装置还包括数据清洗模块,用于在所述训练样本数据执行特征提取之前,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据。
其中,所述机器学习算法包括但不限于:逻辑回归算法、梯度提升决策树算法、HE-TreeNet算法、支持向量机算法、朴素贝叶斯算法或深度神经网络算法。
其中,所述训练数据生成模块还包括:
数据过滤模块,用于获取广告投放目标用户的限制条件,在基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理之前,根据所述限制条件对所述用户画像数据进行过滤处理。
本发明第四实施例提供了一种广告投放的自动出价装置,其包括:
基于所述第三实施例所述的生成装置或该第三实施例与优选实施例的组合所述的生成装置,用于生成广告投放竞价预测模型;
预测样本数据生成模块,用于基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格;
预测样本数据特征提取模块,用于对所述预测样本数据执行特征提取;
广告自动出价模块,用于使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格的过程包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
其中,所述预测样本数据生成模块还包括:
用户画像数据获取模块,用于获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
样本数据生成模块,用于基于用户画像数据集、目标用户集、待投放广告的广告投放相关信息和不同的广告投放出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息、用户画像信息和出价价格。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,所述装置还包括:优化更新模块,用于积累广告投放者在新的预设一段时间内进行的广告投放出价的历史广告投放竞价数据,重复所述广告投放竞价预测模型的生成步骤,以继续优化所述广告投放竞价预测模型。
本发明第五实施例还提供了一种计算机可读存储介质,其中,在所述计算机可读存储介质上记录有当被处理器执行时实现如第一实施例或第二实施例所述的方法的计算机程序。
本发明第六实施例还提供了一种计算装置,包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,促使处理器执行如第一实施例或第二实施例所述的方法。
根据本发明提供的广告投放竞价预测模型的生成方法和装置,以及基于该广告投放竞价预测模型的广告投放的自动出价方法和装置,通过使用历史广告投放竞价数据集,或者通过使用历史广告投放竞价数据集和用户画像数据集,采用机器学***台的广告位来预测待投放广告的不同出价价格的相应竞价成功的概率。使用以该广告投放竞价预测模型为基础的广告投放的自动出价方法和装置,在竞价广告商业模式中,尤其是实时竞价广告商业模式中,能够实现在预测竞价成功的用户数量最大化的条件下确定出针对目标用户集中的每个用户的出价价格,按照所确定的价格自动出价,这使得商品销售的收入额与广告费的支出额之间的利润率最大化成为可能,能够给广告主带来更高的经济效益。
附图说明
图1是本发明第一实施例提供的广告投放竞价预测模型的生成方法的流程图;
图2是本发明第一实施例提供的广告投放竞价预测模型的生成方法的一个变化方案的流程图;
图3是本发明第二实施例提供的广告投放的自动出价方法的流程图;
图4是本发明第三实施例提供的广告投放竞价预测模型的生成装置的示意性框图;
图5是本发明第三实施例提供的广告投放竞价预测模型的生成装置的一个变化方案的示意性框图;
图6是本发明第三实施例提供的广告投放竞价预测模型的生成装置中包含的训练数据生成模块的一个示例方案的示意性框图;
图7是本发明第三实施例提供的广告投放竞价预测模型的生成装置中包含的训练数据生成模块的一个变化方案的示意性框图;
图8是本发明第四实施例提供的广告投放的自动出价装置的示意性框图;
图9是本发明第四实施例提供的广告投放的自动出价装置包含的预测样本数据生成模块的示意性框图。
具体实施方式
本发明基于人工智能技术提出了一种新的广告投放的自动出价方法和装置。人工智能技术的核心是机器学习,其是使计算机具有智能的根本途径。基于不同的具体算法和逻辑准则可以开发出不同的机器学习模型,常用的算法例如包括:逻辑回归算法、梯度提升决策树算法(GBDT)、HE-TreeNet算法、支持向量机算法(SVM)、朴素贝叶斯算法、和深度神经网络算法(DNN)等。下面将结合具体实施例和附图,对本发明提出的技术方案进行清楚、完整地描述,显然所描述的示例性实施例仅仅出于说明目的而非限定。
图1是本发明第一实施例提供的广告投放竞价预测模型的生成方法的流程图。如图1所示,本发明第一实施例提供的广告投放竞价预测模型的生成方法包括:
S11:生成训练样本数据。
获得广告投放的历史竞价数据,得到历史广告投放竞价数据集。所述历史竞价数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或者用户账号信息等。所述广告投放相关信息包括如下列中的一种或多种:广告投放媒体平台、广告位、出价方式。所述广告投放媒体平台例如可以是今日头条、UC浏览器、爱奇艺APP等;所述广告位例如可以是今日头条详情页、UC浏览器首页等;出价方式例如可以包括但不限于:按点击收费、按展现收费、按转化收费等等。
可以使用任何区别符号表示竞价成功或竞价失败。例如在软件程序里,可以使用“1”表示竞价成功,用“0”表示竞价失败。
S12:对所述训练样本数据执行特征提取。
关于机器学习中涉及的特征提取可以采用本领域公知的方法执行,例如基于机器学习中的特征工程进行特征提取。例如,可以通过处理、关联、组合或变化不同的属性特征,以得到更加丰富的特征属性,改变原来的特征空间。
S13:基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
其中所述机器学习算法包括但不限于:逻辑回归算法、梯度提升决策树算法、HE-TreeNet算法、支持向量机算法、朴素贝叶斯算法或深度神经网络算法。
使用训练数据进行机器学习训练的方法也是使用本领域公知的方法执行,采用公知的寻优算法来确定出待生成的广告投放竞价预测模型对应的最优模型参数组合,生成对应于所述最优模型参数组合的广告投放竞价预测模型。这里不对训练过程进行赘述。
这里需要说明的是:在本发明的实施例中,生成广告投放竞价预测模型输出的是对竞价成功这件事的打分,分数范围为[0,1],因此在本申请中将该打分近似看成是竞价成功概率。
在一个优选实施例中,所述广告投放竞价预测模型的生成方法还包括数据清洗,即在执行步骤S12的对所述训练样本数据执行特征提取之前,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据。通过数据清洗,使得数据的类型、格式等符合要求,去除不规则及冗余数据,可以提高训练数据的可用性。另外,在本技术领域中,已经有很多种数据清洗的方法被公开,并有相关文章被发表,这里提及的数据清洗方法是采用公开的已知技术执行,因此不做过多介绍。
基于第一实施例所述技术方案的构思,本发明还提供了一种变化方案。图2是本发明第一实施例提供的广告投放竞价预测模型的生成方法的一个变化方案的流程图。如图2所示,本发明第一实施例提供的广告投放竞价预测模型的生成方法包括:
S21:生成训练样本数据。
首先,获得或采集广告投放的历史竞价数据,得到历史广告投放竞价数据集。所述历史广告投放竞价数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。另外,还需要获得或采集用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或者用户账号信息等。该用户标识为所述历史广告投放竞价数据包括的广告投放目标用户的用户标识、和所述用户画像数据包括的用户标识。所述广告投放相关信息包括如下列中的一种或多种:广告投放媒体平台、广告位、出价方式。所述广告投放媒体平台例如可以是今日头条、UC浏览器、爱奇艺APP等;所述广告位例如可以是今日头条详情页、UC浏览器首页等;出价方式例如可以包括但不限于:按点击收费、按展现收费、按转化收费等等。
可以使用任何区别符号表示竞价成功或竞价失败。例如在软件程序里,可以使用“1”表示竞价成功,用“0”表示竞价失败。
所述用户画像信息包括:用户静态描述数据和用户行为数据。其中,用户静态描述数据包括如下所列的一种或多种:性别、年龄、职业、学历、居住城市、爱好、特长、喜欢购买商品的类别等;用户行为数据包括如下所列的一种或多种:购买行为数据(如实物商品、金融商品、其他的虚拟商品等)、APP安装行为数据、刷卡行为数据等等。除了这里列举的信息,还可以包括其他的用户画像信息,例如国籍、经常做的事、最向往的事等等,这里不一一列举了。获取用户画像数据集的方法可以采用公知方法来实现,例如可以从第三方获得其收集的用户画像数据集,一般来说第三方通过搜集用户注册时输入的数据获取用户画像数据集。
然后,基于用户标识将所述历史广告投放竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集。
因为历史广告投放竞价数据和用户画像数据都包括有用户标识,所述用户标识优选是手机号码或用户账号信息,通过比对历史广告投放竞价数据和用户画像数据的用户标识是否相同来实现匹配。这里的匹配融合处理就是将具有相同用户标识的历史广告投放竞价数据和用户画像数据合成一个新数据,由此得到融合后的数据集。所谓两个数据合成一个新数据是指将这两个数据合并在一起形成一个新数据,其中:相同的信息被合并为一个信息,不相同的信息在该新数据里共存。
在进行匹配融合处理的过程中,其中:在匹配成功的融合数据中,具有竞价成功标记信息的这部分融合数据被视为正样本数据,具有竞价失败标记信息的这部分融合数据被视为负样本数据。而对于不匹配的历史广告投放竞价数据和用户画像数据,这里采用的做法是弃之不用。所述不匹配是指所述历史广告投放竞价数据集中的历史广告投放竞价数据与所述用户画像数据集中的用户画像数据之间没有相同的用户标识。在实践中,当用户画像数据采集的数量足够多,所述历史广告投放竞价数据集中的不匹配的历史广告投放竞价数据的数量将会是少量的,也可能没有不匹配的情况。
本发明是要通过机器学习找出广告投放竞价数据特征和用户画像数据特征之间的关联性,因此优选使用匹配成功的历史广告投放竞价数据和用户画像数据;在通常情况下不使用不匹配的历史广告投放竞价数据和/或用户画像数据。
接着,基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
S22:对所述训练样本数据执行特征提取。
关于机器学习中涉及的特征提取可以采用本领域公知的方法执行,例如基于机器学习中的特征工程进行特征提取。例如,可以通过处理、关联、组合或变化不同的属性特征,以得到更加丰富的特征属性,改变原来的特征空间。
S23:基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
其中所述机器学习算法包括但不限于:逻辑回归算法、梯度提升决策树算法、HE-TreeNet算法、支持向量机算法、朴素贝叶斯算法或深度神经网络算法。
使用训练数据进行机器学习训练的方法也是使用本领域公知的方法执行,采用公知的寻优算法来确定出待生成的广告投放竞价预测模型对应的最优模型参数组合,生成对应于所述最优模型参数组合的广告投放竞价预测模型。这里不对训练过程进行赘述。
使用所生成的所述广告投放竞价预测模型,能够针对广告投放媒体平台的广告位来预测待投放广告的不同出价价格的相应竞价成功的概率。应理解的是,通过机器学习训练成的模型,其输出的是无特定含义的单纯数值。但是,由于使用的训练数据来自于历史广告投放竞价数据、或历史广告投放竞价数据与用户画像数据的匹配融合数据,由于这些数据包含了丰富的信息,尤其是包含了标记竞价成功或竞价失败的标记信息,因此所述广告投放竞价预测模型输出的数值就反映了竞价成功的可能性,可以将所述广告投放竞价预测模型输出的数值近似看作为竞价成功的概率值。
在一个优选实施例中,所述广告投放竞价预测模型的生成方法还包括数据清洗,即在执行步骤S22的对所述训练样本数据执行特征提取之前,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据。通过数据清洗,使得数据的类型、格式等符合要求,去除不规则及冗余数据,可以提高训练数据的可用性。另外,在本技术领域中,已经有很多种数据清洗的方法被公开,并有相关文章被发表,这里提及的数据清洗方法是采用公开的已知技术执行,因此不做过多介绍。
在另一个优选实施例中,所述广告投放竞价预测模型的生成方法还包括以下步骤:
获取广告投放目标用户的限制条件;在基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理之前,根据所述限制条件对所述用户画像数据进行过滤处理。
所述目标用户限制条件包括但不限于:性别、年龄、所在地域或居住城市等信息。例如,如果广告推销的产品是女性专用产品,那么可以通过性别的限制条件从所述用户画像数据集中将男性用户数据筛选掉。再者,如果广告推销的产品是网络游戏产品,由于老年人玩网络游戏的可能性比较低,那么可以通过年龄的限制条件从所述用户画像数据集中将超过一定年纪的用户数据筛选掉,例如超过45岁,或者超过50岁等。通过限制条件对所述用户画像数据进行过滤处理,可以减少数据运算量,使得目标用户群体更明确,由此可以减少广告费的支出。
根据本发明第一实施例提供的广告投放竞价预测模型的生成方法,通过使用历史广告投放竞价数据集,或者通过使用历史广告投放竞价数据集和用户画像数据集,采用机器学***台的广告位来预测待投放广告的不同出价价格的相应竞价成功的概率。
图3是本发明第二实施例提供的广告投放的自动出价方法的流程图。如图3所示,本发明第二实施例提供的广告投放的自动出价方法包括:
S31:基于结合图1所述的第一实施例所述的方法或其与优选实施例的任意组合所述的方法,或者基于结合图2所述的第一实施例的变化方案所述的方法或其与优选实施例的任意组合所述的方法,生成广告投放竞价预测模型。
即首先生成广告投放竞价预测模型,该广告投放竞价预测模型的生成方法可以采用结合图1所述的第一实施例所述的方法或其与优选实施例的任意组合所述的方法,或者采用结合图2所述的第一实施例的变化方案所述的方法或其与优选实施例的任意组合所述的方法,这里不再重复描述。
S32:基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格。
所述目标用户集为广告主所期望的接收待投放广告的用户群体。所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或者用户账号信息等,优选采用手机号码或者用户账号信息。
所述广告投放相关信息包括如下列中的一种或多种:广告投放媒体平台;广告位;出价方式。所述广告投放媒体平台例如可以是今日头条、UC浏览器、爱奇艺APP等;所述广告位例如可以是今日头条详情页、UC浏览器首页等;出价方式例如可以包括但不限于:按点击收费、按展现收费、按转化收费等等。
所述不同的出价价格可以基于历史经验价格采取多种不同的出价价格。
S33:对所述预测样本数据执行特征提取。
关于机器学习中涉及的特征提取可以采用本领域公知的方法执行,例如基于机器学习中的特征工程进行特征提取。例如,可以通过处理、关联、组合或变化不同的属性特征,以得到更加丰富的特征属性,改变原来的特征空间。
另外,在需要的情况下,在对所述预测样本数据执行特征提取之前,还进行数据清洗。例如,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据等。通过数据清洗,使得数据的类型、格式等符合要求,去除不规则及冗余数据,可以提高预测样本数据的可用性。
S34:使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率。
即,将所提取的特征作为预测数据输入到所述广告投放竞价预测模型中,该模型能够输出针对广告投放媒体平台的广告位的关于待投放广告的不同的出价价格下所述目标用户集中的每个用户的竞价成功概率。
S35:以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格的方法包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
下面对上述方法做个简单性的解释。假设广告主设定支出的广告投放金额R为1万元,则针对选定的多个用户中每个用户的出价价格乘以相应的各自竞价成功概率的累计之和要小于或等于1万元。在满足这个限制条件下,找出针对选定的多个用户中每个用户的不同出价价格的价格集合,在这个价格集合中在针对每个用户的出价价格下的竞价成功概率之和最大。
出于说明简单的目的,现在将多个用户的数量限定为3个,将针对某个广告投放媒体平台的广告位关于待投放广告的不同的出价价格分别设定为1元和2元,则针对每个用户的不同出价价格的竞价成功概率以表1列出,其中所给出的竞价成功概率是仅出于说明目的的假设值,并不代表真实数值。
表1
这样,针对3个用户提出的2个不同出价价格,可以得出8组不同的出价组合,分别是:
第1组:用户1:出价1元,用户2:出价1元,用户3:出价1元;
第2组:用户1:出价1元,用户2:出价1元,用户3:出价2元;
第3组:用户1:出价1元,用户2:出价2元,用户3:出价1元;
第4组:用户1:出价1元,用户2:出价2元,用户3:出价2元;
第5组:用户1:出价2元,用户2:出价1元,用户3:出价1元;
第6组:用户1:出价2元,用户2:出价1元,用户3:出价2元;
第7组:用户1:出价2元,用户2:出价2元,用户3:出价1元;
第8组:用户1:出价2元,用户2:出价2元,用户3:出价2元。
得到:第1组:1.85元,第2组:3.01元,第3组:2.96元,
第4组:4.12元,第5组:3.05元,第6组:4.21元,
第7组:4.16元,第8组:5.32元
可以分别得出:
第1组的出价组合的竞价成功概率之和为:60%+55%+70%=185%;
第2组的出价组合的竞价成功概率之和为:60%+55%+93%=208%;
第3组的出价组合的竞价成功概率之和为:60%+83%+70%=213%;
第5组的出价组合的竞价成功概率之和为:90%+55%+70%=215%。
可知,第5组的出价组合为竞价成功的用户数量是优化目标,由此可以确定对目标用户集中的每个用户的出价价格分别为:对用户1确定的出价价格为2元、对用户2确定的出价价格为1元、对用户3确定的出价价格为1元,从而可以按照该确定的价格进行出价,这使得商品销售的收入额与广告费的支出额之间的利润率最大化成为可能,能够给广告主带来更高的经济效益。
关于所述生成预测样本数据的方法,在一个优选实施例中,还可以采用下述方式:
获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
基于用户画像数据集、目标用户集、待投放广告的广告投放相关信息和不同的广告投放出价价格生成预测样本数据;每条预测样本数据包括:用户标识、广告投放相关信息、用户画像信息和出价价格。
所述用户画像信息包括:用户静态描述数据和用户行为数据。其中,用户静态描述数据包括如下所列的一种或多种:性别、年龄、职业、学历、居住城市、爱好、特长、喜欢购买商品的类别等;用户行为数据包括如下所列的一种或多种:购买行为数据(如实物商品、金融商品、其他的虚拟商品等)、APP安装行为数据、刷卡欣慰数据等等。除了这里列举的信息,还可以包括其他的用户画像信息,例如国籍、经常做的事、最向往的事等等,这里不一一列举了。
所述目标用户集为广告主所期望的接收待投放广告的用户群体。所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或者用户账号信息等,优选采用手机号码或者用户账号信息。
所述广告投放相关信息包括如下列中的一种或多种:广告投放媒体平台;广告位;出价方式。所述广告投放媒体平台例如可以是今日头条、UC浏览器、爱奇艺APP等;所述广告位例如可以是今日头条详情页、UC浏览器首页等;出价方式例如可以包括但不限于:按点击收费、按展现收费、按转化收费等等。
所述不同的出价价格可以基于历史经验价格采取多种不同的出价价格。
为了进一步优化所述广告投放竞价预测模型,在一个优选实施例中,该广告投放的自动出价方法还可以包括以下步骤:积累广告投放者在新的预设一段时间内进行的广告投放出价的历史广告投放竞价数据,重复所述广告投放竞价预测模型的生成步骤,以继续优化所述广告投放竞价预测模型。
根据本发明第二实施例提供的广告投放的自动出价方法,以生成的广告投放竞价预测模型为基础,在竞价广告商业模式中,尤其是实时竞价广告商业模式中,能够实现在预测竞价成功的用户数量最大化的条件下确定出针对目标用户集中的每个用户的出价价格,按照所确定的价格自动出价,这使得商品销售的收入额与广告费的支出额之间的利润率最大化成为可能,能够给广告主带来更高的经济效益。
图4是本发明第三实施例提供的广告投放竞价预测模型的生成装置的示意性框图。本发明第三实施例提供的广告投放竞价预测模型的生成装置400包括:
训练数据生成模块401,用于至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败;
特征提取模块402,用于对所述训练样本数据执行特征提取;
模型生成模块403,用于基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或用户账号信息。
其中,所述机器学习算法包括但不限于:逻辑回归算法、梯度提升决策树算法、HE-TreeNet算法、支持向量机算法、朴素贝叶斯算法或深度神经网络算法。
图5是本发明第三实施例提供的广告投放竞价预测模型的生成装置400的一个变化方案的示意性框图。如图5所示,所述生成装置400还可以包括数据清洗模块504,用于在所述训练样本数据执行特征提取之前,根据预定的清洗规则对所述训练样本数据进行数据清洗;所述清洗规则包括:数据类型的变换、数据格式的变换、字符串分割、拼接处理、去除不规则及冗余数据。
另外,本发明对于用于生成训练样本数据的所述训练数据生成模块提供了一个示例性的具体方案结构。其中,图6是本发明第三实施例提供的广告投放竞价预测模型的生成装置中包含的训练数据生成模块401的一个示例方案的示意性框图。如图6所示,所述训练数据生成模块401还可以包括:
数据获取模块601,用于获取历史广告投放竞价数据集和用户画像数据集,其中所述历史广告投放竞价数据集中的每条历史广告投放竞价数据包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败,所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
匹配融合模块602,用于基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集;
所述训练数据生成模块401,用于基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
其中,所述用户标识为:手机号码、智能终端的设备识别码、国际移动设备识别码或用户账号信息。
其中,所述用户画像信息包括:用户静态描述数据和用户行为数据。其中,用户静态描述数据包括如下所列的一种或多种:性别、年龄、职业、学历、居住城市、爱好、特长、喜欢购买商品的类别;用户行为数据包括如下所列的一种或多种:购买行为数据(如实物商品、金融商品、其他的虚拟商品等)、APP安装行为数据、刷卡欣慰数据等等。
其中,所述匹配融合模块602在进行匹配融合处理的过程中,其中:在匹配成功的融合数据中,具有竞价成功标记信息的这部分融合数据被视为正样本数据,具有竞价失败标记信息的这部分融合数据被视为负样本数据。
图7是本发明第三实施例提供的广告投放竞价预测模型的生成装置400中包含的训练数据生成模块401的一个变化方案的示意性框图。如图7所示,所述训练数据生成模块401还可以包括:
数据过滤模块704,用于获取广告投放目标用户的限制条件,在基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理之前,根据所述限制条件对所述用户画像数据进行过滤处理。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述第三实施例的技术方案及其变化方案描述的装置的具体工作过程,可以参考前述第一实施例的技术方案及其变化方案的对应过程,前述第一实施例的技术方案及变化方案以及相应的优选实施例中列举的例子和相关描述,同样适用于解释该第三实施例的技术方案及其变化方案描述的装置的工作过程,在此不再重复描述。
根据本发明第三实施例提供的广告投放竞价预测模型的生成装置,通过使用历史广告投放竞价数据集,或者通过使用历史广告投放竞价数据集和用户画像数据集,采用机器学***台的广告位来预测待投放广告的不同出价价格的相应竞价成功的概率。
图8是本发明第四实施例提供的广告投放的自动出价装置的示意性框图。本发明第四实施例提供的广告投放的自动出价装置包括:
基于上述第三实施例的技术方案或其变化方案所述的广告投放竞价预测模型的生成装置400、或上述第三实施例的技术方案或其变化方案与优选实施例的任意组合所述的广告投放竞价预测模型的生成装置400,用于生成广告投放竞价预测模型;
预测样本数据生成模块801,用于基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格;
预测样本数据特征提取模块802,用于对所述预测样本数据执行特征提取;
广告自动出价模块803,用于使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格的过程包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
其中,所述广告投放相关信息包括如下中的一种或多种:广告投放媒体平台、广告位、出价方式。
另外,本发明对于用于生成预测样本数据的所述预测样本数据生成模块801提供了一个示例性的具体方案结构。其中,图9是本发明第四实施例提供的广告投放的自动出价装置包含的预测样本数据生成模块的示意性框图。如图9所示,所述预测样本数据生成模块801还包括:
用户画像数据获取模块901,用于获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
样本数据生成模块902,用于基于用户画像数据集、目标用户集、待投放广告的广告投放相关信息和不同的广告投放出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息、用户画像信息和出价价格。
其中,所述用户画像信息包括:用户静态描述数据和用户行为数据。其中,用户静态描述数据包括如下所列的一种或多种:性别、年龄、职业、学历、居住城市、爱好、特长、喜欢购买商品的类别等;用户行为数据包括如下所列的一种或多种:购买行为数据(如实物商品、金融商品、其他的虚拟商品等)、APP安装行为数据、刷卡欣慰数据等等。
另外,所述广告投放的自动出价装置还可以包括:优化更新模块(未画出),用于积累广告投放者在新的预设一段时间内进行的广告投放出价的历史广告投放竞价数据,重复所述广告投放竞价预测模型的生成步骤,以继续优化所述广告投放竞价预测模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述第四实施例的技术方案及其变化方案描述的装置的具体工作过程,可以参考前述第二实施例的技术方案及其变化方案的对应过程,前述第二实施例的技术方案及变化方案以及相应的优选实施例中列举的例子和相关描述,同样适用于解释该第四实施例的技术方案及其变化方案描述的装置的工作过程,在此不再重复描述。
根据本发明第四实施例提供的广告投放的自动出价装置,以生成的广告投放竞价预测模型为基础,在竞价广告商业模式中,尤其是实时竞价广告商业模式中,能够实现在预测竞价成功的用户数量最大化的条件下确定出针对目标用户集中的每个用户的出价价格,按照所确定的价格自动出价,这使得商品销售的收入额与广告费的支出额之间的利润率最大化成为可能,能够给广告主带来更高的经济效益。
以上已参照图1至图9描述了根据本申请示例性实施例的广告投放竞价预测模型的生成方法、广告投放的自动出价方法、广告投放竞价预测模型的生成装置、和广告投放的自动出价装置。然而,应理解的是:图4-9所示出的装置及其单元模块可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些装置或单元模块可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些装置或单元模块所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
此外,上述方法可通过记录在计算可读存储介质上的程序来实现,例如,根据本申请示例性实施例,可提供一种计算机可读存储介质,其中在所述计算机可读存储介质上记录有当被处理器执行时实现如第一实施例所述的方法或第一实施例的变化方案所述的方法或它们分别与相应优选实施例的组合所述的方法的计算机程序。另外,还可提供一种计算机可读存储介质,其中在所述计算机可读存储介质上记录有当被处理器执行时实现如第二实施例所述的方法或其与相应优选实施例的组合所述的方法的计算机程序。
上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经在参照图1-3进行相关方法的描述过程中提及,因此这里为了避免重复将不再进行赘述。
应注意,根据本申请示例性实施例的广告投放竞价预测模型的生成装置和广告投放的自动出价装置可完全依赖计算机程序的运行来实现相应的功能,即,各个单元在计算机程序的功能架构中与各步骤相应,使得整个装置通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,图4-9所示的装置或单元模块也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读存储介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如,本申请的示例性实施例还可以实现为计算装置,该计算装置包括存储部件和处理器,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行如第一实施例所述的方法步骤或其与相应优选实施例的组合所述的方法步骤;或者执行如第二实施例所述的方法步骤或其与相应优选实施例的组合所述的方法步骤。
具体说来,所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制***或***管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器***、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本申请示例性实施例的方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库***可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本申请示例性实施例的方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个逻辑装置或按照非确切的边界进行操作。
尽管以上描述了本申请的示例性实施例,但是应理解:上述描述仅是示例性的,并非穷尽性的。本申请不限于所披露的各示例性实施例,并且在不偏离本申请的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本申请的保护范围应该以权利要求的范围为准。
Claims (10)
1.一种广告投放竞价预测模型的生成方法,其包括:
至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败;
对所述训练样本数据执行特征提取;
基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
2.根据权利要求1所述的方法,
还包括:获取用户画像数据集,其中所述用户画像数据集中的每条用户画像数据包括用户标识和用户画像信息;基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集;
所述至少基于历史广告投放竞价数据集生成训练样本数据包括:基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
3.一种广告投放的自动出价方法,其包括:
基于所述权利要求1-2之一所述的方法生成广告投放竞价预测模型;
基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格;
对所述预测样本数据执行特征提取;
使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;
以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
4.根据权利要求3所述的方法,其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
5.一种广告投放竞价预测模型的生成装置,其包括:
训练数据生成模块,用于至少基于历史广告投放竞价数据集生成训练样本数据;其中,每条训练样本数据至少包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败;
特征提取模块,用于对所述训练样本数据执行特征提取;
模型生成模块,用于基于机器学习算法,使用所提取的特征作为训练数据进行机器学习训练,生成广告投放竞价预测模型。
6.根据权利要求5所述的装置,其中,所述训练数据生成模块还包括:
数据获取模块,用于获取历史广告投放竞价数据集和用户画像数据集,其中所述历史广告投放竞价数据集中的每条历史广告投放竞价数据包括:广告投放目标用户的用户标识、广告投放相关信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败,所述用户画像数据集中的每条用户画像数据包括:用户标识和用户画像信息;
匹配融合模块,用于基于用户标识将所述历史竞价数据集与所述用户画像数据集进行匹配融合处理,得到融合后的数据集;
所述训练数据生成模块,用于基于融合后的数据集生成训练样本数据;其中,每条训练样本数据包括:广告投放目标用户的用户标识、广告投放相关信息、用户画像信息、出价价格和标记信息,所述标记信息为竞价成功或竞价失败。
7.一种广告投放的自动出价装置,其包括:
基于所述权利要求5-6之一所述的生成装置,用于生成广告投放竞价预测模型;
预测样本数据生成模块,用于基于目标用户集、待投放广告的广告投放相关信息和不同的出价价格生成预测样本数据,每条预测样本数据包括:用户标识、广告投放相关信息和出价价格;
预测样本数据特征提取模块,用于对所述预测样本数据执行特征提取;
广告自动出价模块,用于使用所提取的特征作为预测数据输入到所述广告投放竞价预测模型,得到该模型输出的在不同的出价价格下所述目标用户集中每个用户的竞价成功概率;以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格,按照所确定的价格进行出价。
8.根据权利要求7所述的装置,其中,所述以预设的广告投放支出的总金额为限制,并以竞价成功的用户数量最大化为目标,确定针对所述目标用户集中的每个用户的出价价格的过程包括:
以预设的广告投放支出的总金额为限制
其中,k表示所述目标用户数据集中一共有k个用户,
i表示所述用户数据集中的第i个用户,0<i≤k;
pij表示对用户i的出价价格;pij∈Pi,0<j≤Ni,Pi表示由针对第i个用户的Ni个不同出价价格组成的集合;
pr(i,pij)表示所述广告投放竞价预测模型输出的针对用户i的出价价格为pij时竞价成功的概率;
R表示预设的广告投放支出的总金额;
以竞价成功的用户数量为优化目标,求解该受限制的最优化问题,即:
通过求解该受限制的最优化问题,得到针对所述目标用户集中的每个用户的出价价格。
9.一种计算机可读存储介质,其中,在所述计算机可读存储介质上记录有当被处理器执行时实现如权利要求1至4中的任一权利要求所述的方法的计算机程序。
10.一种计算装置,包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,促使处理器执行如权利要求1至4中的任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234541.5A CN111091218A (zh) | 2018-10-23 | 2018-10-23 | 竞价预测模型的生成以及广告投放自动出价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811234541.5A CN111091218A (zh) | 2018-10-23 | 2018-10-23 | 竞价预测模型的生成以及广告投放自动出价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091218A true CN111091218A (zh) | 2020-05-01 |
Family
ID=70391384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811234541.5A Pending CN111091218A (zh) | 2018-10-23 | 2018-10-23 | 竞价预测模型的生成以及广告投放自动出价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091218A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651790A (zh) * | 2021-01-19 | 2021-04-13 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
CN113674013A (zh) * | 2021-07-08 | 2021-11-19 | 上海百秋电子商务有限公司 | 一种基于商户自定义规则的广告竞价调整方法及*** |
-
2018
- 2018-10-23 CN CN201811234541.5A patent/CN111091218A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651790A (zh) * | 2021-01-19 | 2021-04-13 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
CN112651790B (zh) * | 2021-01-19 | 2024-04-12 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
CN113674013A (zh) * | 2021-07-08 | 2021-11-19 | 上海百秋电子商务有限公司 | 一种基于商户自定义规则的广告竞价调整方法及*** |
CN113674013B (zh) * | 2021-07-08 | 2024-04-30 | 上海百秋新网商数字科技有限公司 | 一种基于商户自定义规则的广告竞价调整方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091400A (zh) | 广告转化预测模型的生成以及投放广告的方法和装置 | |
JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US11403532B2 (en) | Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm | |
US20170098236A1 (en) | Exploration of real-time advertising decisions | |
US20160189207A1 (en) | Enhanced online content delivery system using action rate lift | |
CN104281962B (zh) | 用于在线***中的广告和内容的统一市场 | |
EP2821950A1 (en) | Quality scoring system for advertisements and content in an online system | |
CN102222299A (zh) | 清单管理 | |
KR102453535B1 (ko) | 온라인 쇼핑 플랫폼을 제공하는 방법 및 장치 | |
CN112258260A (zh) | 基于用户特征的页面展示方法、装置、介质及电子设备 | |
US11734728B2 (en) | Method and apparatus for providing web advertisements to users | |
KR102505103B1 (ko) | 온라인 커머스 데이터 기반의 큐레이션 서비스를 제공하는 방법 및 장치 | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
CN112528153A (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN112541111A (zh) | 基于去中心化大数据检索市场的商品检索及商品推荐*** | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN113434755A (zh) | 页面的生成方法、装置、电子设备及存储介质 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN111091218A (zh) | 竞价预测模型的生成以及广告投放自动出价方法和装置 | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 |
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 |