CN112435067A - 跨电商平台与社交平台的智能广告投放方法及*** - Google Patents

Abstract

本发明实施例公开了一种跨电商平台与社交平台的智能广告投放方法及***，所述方法包括：电商信息采集步骤S1：采集电商平台的用户群体信息；社交信息采集步骤S2：提取用户的社交行为作为兴趣、类别、行为标签；关联模型步骤S3：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学***台活动打属性和行为标签；广告投放步骤S5：进行客户的广告标签投放或广告人群类别投放。本发明以电商平台和社交平台群体交集用户作为种子，通过聚类算法抽象出公共行为，到社交广告平台上扩大广告受众人群，提高了广告精确性，进而使广告投放的效果稳定且收益最大化。

Description

跨电商平台与社交平台的智能广告投放方法及***

技术领域

本发明涉及电商广告投放技术领域，尤其涉及一种跨电商平台与社交平台的智能广告投放方法及***。

背景技术

随着互联网技术的不断进步，电子商务行业蓬勃发展，社交平台的信息海量增长、用户量大，人们在社交平台逗留时间长，如何更加精准地进行商品的广告投放极具商业价值。

社交电商是电子商务的一种，能够通过社交网络平台，或电商平台的社交功能，将关注、分享、讨论、沟通互动等社交化元素应用到电子商务的购买服务中，以更好地完成交易的过程。社交电商起到了导购的作用，并在用户之间，用户与企业之间产生了互动和分享。对于企业来说，可以增加用户粘性，让用户有参与感。对于品牌商来说，社交电商通过社交化工具的应用及与社交化媒体、网络的合作，完成了品牌销售、推广和商品的最终销售。社交电商的本质在于依托社交链条的裂变式效应扩大用户规模和转化机会。

当前基于社交平台的电商广告投放效果很不稳定，波动特别大，全凭广告投放人员的经验。同样的广告投放人员投放不同种类的商品，广告效果差别也特别大。这种情况下，亟需要一种高效精准的广告投放方法，使广告投放的效果稳定且收益最大化。

发明内容

本发明实施例所要解决的技术问题在于，提供一种跨电商平台与社交平台的智能广告投放方法及***，以使广告投放的效果稳定且收益最大化。

为了解决上述技术问题，本发明实施例提出了一种跨电商平台与社交平台的智能广告投放方法，包括：

电商信息采集步骤S1：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息；

社交信息采集步骤S2：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息，提取用户的社交行为作为兴趣、类别、行为标签；

关联模型步骤S3：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学习，构建商品的邻近性度量关系模型；

行为模型步骤S4：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型；

广告投放步骤S5：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

进一步地，广告投放步骤S5之后还包括：

模型修正步骤S6：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正，优化邻近性度量关系模型和购买前行为模型。

进一步地，广告投放步骤S5还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。

进一步地，社交信息采集步骤S2包括：

子步骤S21：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子步骤S22：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子步骤S23：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子步骤S24：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子步骤S25：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

相应地，本发明实施例还提供了一种跨电商平台与社交平台的智能广告投放***，包括：

电商信息采集模块：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息；

社交信息采集模块：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息，提取用户的社交行为作为兴趣、类别、行为标签；

关联模型模块：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学习，构建商品的邻近性度量关系模型；

行为模型模块：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型；

广告投放模块：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

进一步地，还包括：

模型修正模块：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正，优化邻近性度量关系模型和购买前行为模型。

进一步地，广告投放模块还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。

进一步地，社交信息采集模块包括：

子模块1：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子模块2：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子模块3：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子模块4：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子模块5：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

本发明的有益效果为：本发明以电商平台和社交平台群体交集用户作为种子，通过聚类算法抽象出公共行为，到社交广告平台上扩大广告受众人群，提高了广告精确性，进而使广告投放的效果稳定且收益最大化。

附图说明

图1是本发明实施例的跨电商平台与社交平台的智能广告投放方法的流程图。

图2是本发明实施例的广告投放步骤的流程图。

图3是本发明实施例的商品页中多种商品推荐栏的示意图。

图4是本发明实施例的社交平台的分类示意图。

图5是本发明实施例的跨电商平台与社交平台的智能广告投放***的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。

本发明实施例中若有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

请参照图1，本发明实施例的跨电商平台与社交平台的智能广告投放方法包括电商信息采集步骤S1、社交信息采集步骤S2、关联模型步骤S3、行为模型步骤S4、广告投放步骤S5。

电商信息采集步骤S1：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息。本发明实施例从电商平台采集的信息有：从电商平台商家后台采集订单信息，包含用户的联系方式和订单下单及成交时间，用于学***台、社交平台的关联信息（如用户留下的评论内容与留评的时间）；采集其他商品购买后留评的群体信息，进行降噪处理，移除非正常购买人群；从电商平台采集商品的相关/推荐/广告商品及其属性信息（商品属性包括价格、品类、销量、评价分数）。

社交信息采集步骤S2：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息（电商用户主动留给商家的多个社交平台的联系方式，社交平台如Facebook / Twitter / Instagram/Youtube等，包括分享内容、点赞、加入群组、提问讨论等内容），提取用户的社交行为作为兴趣、类别、行为标签。

关联模型步骤S3：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学***台商品的相关商品（包括推荐/相似/广告），聚合多个商品的购买用户，大幅增加机器学习的样本数量，进而提升精准度。

行为模型步骤S4：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型，用于广告投放步骤S5中的广告受众人群特征预测推荐（例如：购买母婴产品的人群，在购买商品前可能会发布、关注、点赞母婴类产品、加入母婴相关群组等行为；通过近期关联购买商品与标签，进行商品的关联学***台上的一系列动作特征，进而构建商品购买前的购买前行为模型，提升了广告投放精准度。

广告投放步骤S5：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

作为一种实施方式，广告投放步骤S5之后还包括：

模型修正步骤S6：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正（如果没有探测到，则反馈为空，反馈的参数用于机器学习引擎的输入），优化邻近性度量关系模型和购买前行为模型。本发明实施例进行广告投放的效果信息正向反馈和负向反馈，迭代更新模型，提升了广告投放精准度。

请参照图2，作为一种实施方式，广告投放步骤S5还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。本发明实施例根据电商平台的相关性商品，学***台相关类型商品下的用户群体，再提取群体共同特征用于广告投放，提高广告投放效果。学***台的相关性推荐算法，构建商品的推荐关系网，在广告投放时，选择商品推荐关系网中反向推荐关系的商品列表，进而对这部分商品列表的用户群体进行精准广告投放。（例如：亚马逊电商平台中查看A商品时，页面会推荐其他购买过A商品的人群通常也购买了B商品（即通过A推荐B），当准备投放B商品广告时，可以逆向选择A商品的用户群体进行精准投放）。

精准投放是基于已经购买过商品的用户训练出的模型，筛选出相似的广告受众，对其进行相关联的商品投放；人群类别投放是指基于商品列表，获取相对应的人群类别标签，进行广告投放。最后根据广告投放的效果，反馈到已有的多个模型中，进行反复学习修正。

作为一种实施方式，社交信息采集步骤S2包括：

子步骤S21：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子步骤S22：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子步骤S23：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子步骤S24：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子步骤S25：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

本发明实施例采用现有公开的机器学***台上的数据使用基于物品的协同过滤算法，对社交平台上的数据使用K-means聚类模型。

请参照图3，本发明实施例采用协同过滤算法：在电商平台的商品页中，往往有着多种商品推荐栏：

1、广告商品：商家在平台投放广告时，平台会根据自身算法得出相应的商品进行广告投放；

2、属性关联商品：平台中会根据当前浏览的商品属性推荐相关属性的商品，例如浏览奶粉时会推荐多种品牌的奶粉；

3、购买记录关联商品：平台中会根据顾客已发生购买的记录，根据算法显示出当前浏览商品购买后大概率会购买的记录，例如浏览狗粮时会推荐狗链等；

4、浏览记录关联商品：平台中会根据顾客浏览相关的记录，根据算法显示出顾客浏览偏好商品，例子同上；

5、用户购买的先后商品顺序：当前浏览的商品中，可以查看用户公开评论的商品，从时间维度上可以关联商品，例如购买孕妇服装后的人在一年后会购买婴儿商品。

对以上5种商品中去除噪音后，对其商品属性进行提取后，使用临近性度量关系，采用基于物品的协同过滤算法进行机器学习。

请参照图4，本发明实施例对社交平台上的用户，采用K-means聚类算法进行聚类，步骤如下：

1、对获得的用户数据进行清洗，筛选出数据丰富的有效样本用户；

2、获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

3、获取内容后，因为内容不一定都与购买商品有关，需要理解内容是否与购买商品有关，并且需要理解是否已经购买商品。例如羽毛球话题中，有人会问购买的问题，有人则因为已购买而做出了回答，这时想要购买者的行为才能作为行为样本，而分享经历者作为兴趣偏好加入到样本集；

4、将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

5、从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

6、不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

请参照图5，本发明实施例的跨电商平台与社交平台的智能广告投放***，包括：

电商信息采集模块：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息；

社交信息采集模块：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息，提取用户的社交行为作为兴趣、类别、行为标签；

关联模型模块：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学习，构建商品的邻近性度量关系模型；

行为模型模块：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型；

广告投放模块：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

作为一种实施方式，跨电商平台与社交平台的智能广告投放***还包括：

模型修正模块：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正，优化邻近性度量关系模型和购买前行为模型。

请参照图2，作为一种实施方式，广告投放模块还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。

作为一种实施方式，社交信息采集模块包括：

子模块1：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子模块2：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子模块3：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子模块4：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子模块5：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (8)

1.一种跨电商平台与社交平台的智能广告投放方法，其特征在于，包括：

电商信息采集步骤S1：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息；

社交信息采集步骤S2：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息，提取用户的社交行为作为兴趣、类别、行为标签；

关联模型步骤S3：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学习，构建商品的邻近性度量关系模型；

行为模型步骤S4：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型；

广告投放步骤S5：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

2.如权利要求1所述的跨电商平台与社交平台的智能广告投放方法，其特征在于，广告投放步骤S5之后还包括：

模型修正步骤S6：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正，优化邻近性度量关系模型和购买前行为模型。

3.如权利要求1所述的跨电商平台与社交平台的智能广告投放方法，其特征在于，广告投放步骤S5还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。

4.如权利要求1所述的跨电商平台与社交平台的智能广告投放方法，其特征在于，社交信息采集步骤S2包括：

子步骤S21：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子步骤S22：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子步骤S23：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子步骤S24：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子步骤S25：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

5.一种跨电商平台与社交平台的智能广告投放***，其特征在于，包括：

电商信息采集模块：采集电商平台的用户群体信息，用户群体信息包括一下信息中的一种或多种：电商平台的商家后台采集订单信息，用户在电商平台上留下的电商平台、社交平台的关联信息，已购买商品的用户的购买记录和评论信息，商品的相关/推荐/广告商品及其属性信息；

社交信息采集模块：结合电商平台采集到的用户群体信息，采集已经购买商品的用户在购买时间之前的近期的社交行为信息，提取用户的社交行为作为兴趣、类别、行为标签；

关联模型模块：将商品的关键词以及商品之间的关系、商品属性作为标签进行机器学习，构建商品的邻近性度量关系模型；

行为模型模块：对下单时间近期的社交平台活动打属性和行为标签，构建社交平台用户的购买前行为模型；

广告投放模块：根据行为标签输入进行客户的广告标签投放，或根据商品属性标签与商品关联标签对客户群体进行商品的广告人群类别投放。

6.如权利要求5所述的跨电商平台与社交平台的智能广告投放***，其特征在于，还包括：

模型修正模块：根据投放效果数据，反馈到邻近性度量关系模型和购买前行为模型进行修正，优化邻近性度量关系模型和购买前行为模型。

7.如权利要求5所述的跨电商平台与社交平台的智能广告投放方法，其特征在于，广告投放模块还包括：针对目标投放商品的电商用户群体进行聚类分析，得到电商用户群体数据，将电商用户群体数据作为社交广告的投放输入，进行人群精准广告投放和进行相似人群广告投放。

8.如权利要求5所述的跨电商平台与社交平台的智能广告投放方法，其特征在于，社交信息采集模块包括：

子模块1：对用户群体信息进行清洗，筛选出数据丰富的有效样本用户；

子模块2：获取社交网络中样本用户的账户信息，包括用户ID、用户地区、用户兴趣、用户性别、用户粉丝数、用户关注数、内容标签、发布时间以及用户群组；

子模块3：将获取到的社交平台样本账户信息分别向量化，形成社交平台向量数据集；

子模块4：从所述向量数据集中选择多个向量分别作为初始聚类中心，按照初始聚类中心对用户分簇，按照分簇后的结果或聚类后的结果更新聚类中心，并按照聚类中心继续对各个用户聚类；

子模块5：不断训练直到稳定聚类中心，得到聚类后的多个分类，每个分类至少包括一个待聚类用户。

Images