CN112862516B - 资源投放方法、装置、电子设备及存储介质 - Google Patents
资源投放方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112862516B CN112862516B CN202110050768.XA CN202110050768A CN112862516B CN 112862516 B CN112862516 B CN 112862516B CN 202110050768 A CN202110050768 A CN 202110050768A CN 112862516 B CN112862516 B CN 112862516B
- Authority
- CN
- China
- Prior art keywords
- resource
- candidate
- prediction result
- materials
- resources
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 284
- 238000010801 machine learning Methods 0.000 claims abstract description 110
- 230000000694 effects Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 65
- 239000013077 target material Substances 0.000 claims abstract description 55
- 230000004913 activation Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 16
- 238000013468 resource allocation Methods 0.000 claims description 9
- 238000002716 delivery method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000001976 improved effect Effects 0.000 abstract description 8
- 239000000523 sample Substances 0.000 description 51
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000003578 releasing effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008520 organization Effects 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种资源投放方法、装置、电子设备及存储介质,属于计算机技术领域。所述方法包括:将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,第一预测结果用于描述第一机器学习模型预测的多个候选素材的投放效果;根据第一预测结果,从多个候选素材中选取多个目标素材;对多个目标素材进行组合,得到多个候选资源;将多个候选资源输入第二机器学习模型进行处理,得到第二预测结果,第二预测结果用于描述第二机器学习模型预测的多个候选资源的投放效果;根据第二预测结果,从多个候选资源中选取目标资源;投放目标资源。本公开提供的方案能够自动化智能化的生成资源,从而提高资源的投放效率和投放效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种资源投放方法、装置、电子设备及存储介质。
背景技术
时下,很多广告主会在一些平台上投放例如广告的资源,用户能够在平台上浏览资源。
相关技术中,会采用人工投放的方式投放资源。具体地,首先由运维人员手工制作资源的创意。之后,运维人员将一个或者多个创意组织到一个资源并设置配置参数。之后,运维人员将一个或者多个资源组织到一个资源计划,通过平台工具投放资源计划。
上述方法依赖于大量人工操作,导致投放效率低下。
发明内容
本公开提供一种资源投放方法、装置、电子设备及存储介质,以至少解决相关技术中投放效率低下的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种资源投放方法,所述方法包括:
将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,所述第一预测结果用于描述所述第一机器学习模型预测的所述多个候选素材的投放效果;
根据所述第一预测结果,从所述多个候选素材中选取多个目标素材;
对所述多个目标素材进行组合,得到多个候选资源;
将所述多个候选资源输入第二机器学习模型进行处理,得到第二预测结果,所述第二预测结果用于描述所述第二机器学习模型预测的所述多个候选资源的投放效果;
根据所述第二预测结果,从所述多个候选资源中选取目标资源;
投放所述目标资源。
在一些实施例中,所述将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,包括:
对第一候选素材的本身特征以及所述第一候选素材的表现特征进行组合,得到特征组合,所述第一候选素材是所述多个候选素材中的一个候选素材,所述本身特征用于描述所述第一候选素材本身具有的特征,所述表现特征用于描述所述第一候选素材在历史时间段的投放效果;
通过所述第一机器学习模型对所述特征组合进行处理,得到所述第一候选素材的第一预测结果。
在一些实施例中,所述第一候选素材包括视频,所述第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项;或者,
所述第一候选素材包括视频的封面图像,所述第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项;或者,
所述第一候选素材包括文本,所述第一候选素材的本身特征为词嵌入向量或独热编码。
在一些实施例中,所述第一候选素材的表现特征包括以下一项或多项:
点击率;
完播率,所述完播率为播放完成率;
曝光数,所述曝光数是指被显示的次数;
激活数,所述激活数为所述历史时间段内激活用户的总数,所述激活用户是指对所述第一候选素材进行触发操作从而激活账户的用户。
在一些实施例中,所述第一机器学习模型是通过以下方法训练得到的:
获取训练样本,所述训练样本包括样本素材的本身特征以及样本素材的表现特征,且所述训练样本的标签为样本素材在历史时间段的投放效果数据;
将所述训练样本输入初始机器学习模型进行处理,根据所述初始机器学习模型的输出结果与所述标签之间的偏差,对所述初始机器学习模型的参数进行调整,得到所述第一机器学习模型。
在一些实施例中,所述根据所述第一预测结果,从所述多个候选素材中选取多个目标素材,包括:
根据所述第一预测结果,从所述多个候选素材中选取投放效果高于第一阈值的素材,作为所述目标素材;或者,
根据所述第一预测结果,从所述多个候选素材中选取投放效果排在前第一预设位数的素材,作为所述目标素材。
在一些实施例中,所述多个候选资源包括已经投放过的第一资源,所述将所述多个候选资源输入第二机器学习模型进行处理,得到第二预测结果,包括:
根据所述第一资源在历史时间段的投放效果数据,确定所述第一资源的预测结果。
在一些实施例中,所述根据所述第二预测结果,从所述多个候选资源中选取目标资源,包括:
根据所述第二预测结果,从所述多个候选资源中选取投放效果高于第二阈值的资源,作为所述目标资源;或者,
根据所述第二预测结果,从所述多个候选资源中选取投放效果排在前第二预设位数的资源,作为所述目标资源。
根据本公开实施例的第二方面,提供一种资源投放装置,其特征在于,所述资源投放装置包括:
处理单元,被配置为执行将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,所述第一预测结果用于描述所述第一机器学习模型预测的所述多个候选素材的投放效果;
选取单元,被配置为执行根据所述第一预测结果,从所述多个候选素材中选取多个目标素材;
组合单元,被配置为执行对所述多个目标素材进行组合,得到多个候选资源;
所述处理单元,还被配置为执行将所述多个候选资源输入第二机器学习模型进行处理,得到第二预测结果,所述第二预测结果用于描述所述第二机器学习模型预测的所述多个候选资源的投放效果;
所述选取单元,还被配置为执行根据所述第二预测结果,从所述多个候选资源中选取目标资源;
投放单元,被配置为执行投放所述目标资源。
在一些实施例中,所述处理单元,被配置为执行:对第一候选素材的本身特征以及所述第一候选素材的表现特征进行组合,得到特征组合,所述第一候选素材是所述多个候选素材中的一个候选素材,所述本身特征用于描述所述第一候选素材本身具有的特征,所述表现特征用于描述所述第一候选素材在历史时间段的投放效果;通过所述第一机器学习模型对所述特征组合进行处理,得到所述第一候选素材的第一预测结果。
在一些实施例中,所述第一候选素材包括视频,所述第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项;或者,
所述第一候选素材包括视频的封面图像,所述第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项;或者,
所述第一候选素材包括文本,所述第一候选素材的本身特征为词嵌入向量或独热编码。
在一些实施例中,所述第一候选素材的表现特征包括以下一项或多项:
点击率;
完播率,所述完播率为播放完成率;
曝光数,所述曝光数是指被显示的次数;
激活数,所述激活数为所述历史时间段内激活用户的总数,所述激活用户是指对所述第一候选素材进行触发操作从而激活账户的用户。
在一些实施例中,所述第一机器学习模型是通过以下方法训练得到的:
获取训练样本,所述训练样本包括样本素材的本身特征以及样本素材的表现特征,且所述训练样本的标签为样本素材在历史时间段的投放效果数据;
将所述训练样本输入初始机器学习模型进行处理,根据所述初始机器学习模型的输出结果与所述标签之间的偏差,对所述初始机器学习模型的参数进行调整,得到所述第一机器学习模型。
在一些实施例中,所述选取单元,被配置为执行:根据所述第一预测结果,从所述多个候选素材中选取投放效果高于第一阈值的素材,作为所述目标素材;或者,根据所述第一预测结果,从所述多个候选素材中选取投放效果排在前第一预设位数的素材,作为所述目标素材。
在一些实施例中,所述多个候选资源包括已经投放过的第一资源,所述处理单元,被配置为执行:根据所述第一资源在历史时间段的投放效果数据,确定所述第一资源的预测结果。
在一些实施例中,所述选取单元,被配置为执行:根据所述第二预测结果,从所述多个候选资源中选取投放效果高于第二阈值的资源,作为所述目标资源;或者,根据所述第二预测结果,从所述多个候选资源中选取投放效果排在前第二预设位数的资源,作为所述目标资源。
根据本公开实施例的第三方面,提供一种电子设备,包括:
一个或多个处理器;
用于存储所述处理器可执行程序代码的一个或多个存储器;
其中,所述一个或多个处理器被配置为执行所述程序代码,以实现上述资源投放方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的程序代码由电子设备的处理器执行时,使得所述电子设备能够执行上述资源投放方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括一条或多条程序代码,所述一条或多条程序代码由电子设备的处理器执行时,使得所述电子设备能够执行上述资源投放方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开提供了一种基于机器学习投放资源的方法,使用一个模型预测素材的投放效果,从而选取出投放后会表现良好的目标素材,并使用另一个模型预测素材组合形成的资源的投放效果,从而选取出投放后会表现良好的目标资源,对选取出的目标资源进行投放。一方面,该方法由于自动化智能化的生成资源,一定程度上摆脱了人工操作的依赖,从而提高资源的投放效率。另一方面,该方法由于投放了预测表现良好的资源,从而提升资源的投放效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种广告主、用户和平台的交互示意图;
图2是根据一示例性实施例示出的一种广告组、广告计划和广告创意的关系示意图;
图3是根据一示例性实施例示出的一种广告投放***的结构框图;
图4是根据一示例性实施例示出的一种广告投放方法的流程图;
图5是根据一示例性实施例示出的一种智能投放广告的示意图;
图6是根据一示例性实施例示出的一种广告投放装置的框图;
图7是根据一示例性实施例示出的一种终端的框图;
图8是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例中的资源例如是广告资源。广告资源属于一种多媒体资源。多媒体资源包括图像、文本、音频、视频中的任一项或多项的组合。例如,广告为视频广告,即,一个广告是一个视频片段。例如,广告为图文广告,一个广告包括图像和文本。例如,广告为文本广告(纯广告词),一个广告是一段文本。例如,广告包括多种类型的多媒体资源的组合,比如说,一个广告是在一个视频片段的基础上添加文本和封面图像后得到的内容。
视频的封面图像:用于描述视频内容的一个图像。视频的封面图像是指终端展示非播放状态的视频时所显示的图像。例如,终端显示视频列表,视频列表包括视频1的封面图像,视频1的封面图像描述视频1的关键内容,用户点击视频1的封面图像后跳转至视频1的播放页面。
请参考附图1,附图1示出了广告主、用户和平台这三方之间的交互示意图。广告主即为广告的投放团队。例如,广告主为应用程序(Application,APP)厂商或游戏厂商等。平台例如为短视频平台。在三方交互的过程中,广告主在流量平台购买流量。此外,广告主需要从原素材(短视频,图片封面,广告词)构建广告创意。然后,广告主打包广告创意,并设置广告创意相应的投放参数,最终形成广告计划。广告主在平台提供的接口中投放广告计划。平台负责将广告创意在平台中推广,并从广告主收取费用(即广告费)。用户通过观看广告并点击广告中的链接,下载APP并激活,成为广告主的用户。用户在APP内部直接或间接消费,广告主获得收入。
请参考附图2,例如为广告主在平台上建立账号,并在该账号下建立多组广告计划。一个广告计划包含一个或多个广告组。每个广告组对应一个或多个广告创意和一组投放配置参数。其中,一组投放配置参数即附图2中的组配置。同一个广告组中的广告具有相同的投放配置参数。投放配置参数包括投放范围、目标应用、目标人群、预算和排期、优化目标、计费方式、价格等。广告创意为投放的基本单位。广告创意即单个广告。广告创意主要包含原素材(短视频,封面,广告词等)。每个广告创意对应一个创意配置参数。创意配置参数包括而不限于广告投放位置、创意制作、广告监控等。
传统的广告投放以人工制作广告创意,生成广告计划为主要手段。
在一些研究中,利用流量平台的提供的接口进行人工投放广告,具体流程包括以下三个步骤。
步骤(1)手工制作广告创意,即用原素材构建广告创意。
步骤(2)将一个或者多个创意组织到一个广告组并设置配置参数。
步骤(3)将一个或者多个广告组组织到一个广告计划,通过平台工具投放广告计划。
然而,这一方式具有如下两个缺点。
缺点(1)人工投放需要大量人力做一些重复性操作。
缺点(2)人工投放效果多依赖于优化师(投放人员)的直觉和经验,没有可以泛化的通用性方法。
而本实施例主要基于机器学习模型,形成自动化智能化的生成广告创意和生成广告计划,从而提高广告的投放的效率和效果。
下面介绍本公开实施例提供的***运行环境。
图3是根据一示例性实施例示出的一种资源投放***的结构框图。该资源投放***包括:终端101和流量平台110。
终端101通过无线网络或有线网络与流量平台110相连。终端101可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3(Moving Picture Experts GroupAudio Layer III,动态影像专家压缩标准音频层面3)播放器或MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机中的至少一种。终端101安装和运行有支持展示或投放资源的应用程序。该应用程序可以是直播应用、多媒体应用、短视频应用等。示例性的,终端101是用户使用的终端,终端101中运行的应用程序内登录有用户账号。
终端101通过无线网络或有线网络与流量平台110相连。
流量平台110包括一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。流量平台110用于为支持展示或投放资源功能的应用程序提供后台服务。可选地,在投放资源的过程中,流量平台110和终端101可以协同工作。例如,流量平台110承担主要工作,终端101承担次要工作;或者,流量平台110承担次要工作,终端101承担主要工作;或者,流量平台110或终端101分别可以单独承担生成工作。
可选地,流量平台110包括:资源生成服务器1101、资源投放服务器1103和数据库1102。资源生成服务器1101与资源投放服务器1103可以单独设置在不同计算机上,也可以合设在同一计算机上。资源生成服务器1101用于提供生成资源有关的后台服务。资源投放服务器1103用于投放生成的资源。资源生成服务器1101、资源投放服务器1103可以是一台或多台。例如,当资源生成服务器1101是多台时,存在至少两台资源生成服务器1101用于提供不同的服务,和/或,存在至少两台资源生成服务器1101用于提供相同的服务,比如以负载均衡方式提供同一种服务,本公开实施例对此不加以限定。
终端101可以泛指多个终端中的一个,本实施例仅以终端101来举例说明。
本领域技术人员可以知晓,终端101的数量可以更多或更少。比如终端101可以仅为一个,或者终端101为几十个或几百个,或者更多数量,此时上述资源投放***还包括其他终端。本公开实施例对终端的数量和设备类型不加以限定。
附图4是根据一示例性实施例示出的一种资源投放方法的流程图。附图4所示方法包括以下步骤S401至步骤S406。该方法用于电子设备(如服务器)中。
附图4所示方法涉及多个机器学习模型。为了区分不同的机器学习模型,用“第一机器学习模型”描述选取素材时使用的机器学习模型,用“第二机器学习模型”描述选取资源时使用的机器学习模型。第一机器学习模型或者第二机器学习模型例如为回归模型,又如为分类模型。第一机器学习模型或者第二机器学习模型包括但不限于支持向量机、线性模型,树模型(如随机森林),神经网络(如深度神经网络)等。第一机器学习模型或者第二机器学习模型的输入数据的形式包括而不限于向量、矩阵或张量等。
在步骤S401中,将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果。
例如,存在n个候选素材,将候选素材1输入第一机器学习模型进行处理,第一机器学习模型输出候选素材1的预测结果;将候选素材2输入第一机器学习模型进行处理,第一机器学习模型输出候选素材2的预测结果;以此类推,将候选素材n输入第一机器学习模型进行处理,第一机器学习模型输出候选素材n的预测结果。第一预测结果包括候选素材1的预测结果、候选素材2的预测结果……候选素材n的预测结果。
候选素材有时也称为原素材。候选素材包括而不限于短视频、封面图像、文本(如资源词)中的至少一项。候选素材例如是素材库中保存的素材。
第一机器学习模型用于预测投放素材后素材的表现,从而根据第一机器学习模型的预测结果筛选出有潜力的素材(目标素材)。
第一预测结果用于描述候选素材的表现。具体地,第一预测结果用于描述第一机器学习模型预测的至少一个候选素材的投放效果。第一预测结果有时也称为模型对候选素材的打分。例如,第一预测结果的数据形式为一个数字,数字越大,表示模型对候选素材打分越高,也就是说模型预测这个候选素材的投放效果越好。
在一些实施例中,第一预测结果包括以下一项或多项:预测的投资回报率、预测的激活数、预测的综合收益。由于投资回报率、激活数、综合收益等参数能够作为投放资源的优化目标,通过使用模型来预测这些参数并根据模型的预测结果投放资源,有助于优化资源的投放效果,比如提升投放资源的投资回报率、激活数、综合收益等。
投资回报率(return on investment,ROI)是指收入与投资之间的比值。投资回报率为投放资源对投放者带来的收入与投放者向目标平台支付的费用之间的比值。其中,目标平台用于展示资源。例如,目标平台为短视频平台、生活分享平台、问答社区、社交平台等等。
例如,在资源为资源的情况下,投资回报率中的投资是指在平台展示资源所付给平台的费用。投资回报率中的收入是指平台的用户通过观看资源从而下载了APP并为资源主带来的收入。
激活数为一段时间内激活用户的总数,激活用户是指通过观看资源激活了账户的用户。例如,在资源为资源的情况下,激活用户是指通过观看资源下载了APP并注册激活了账户的用户。
综合收益是指一段时间内资源带来的全部用户的全部收入与目标平台收取的费用之差。例如,在资源为资源的情况下,综合收益是指一段时间内,该资源创意带来的全部用户的全部收入减去这段时间内平台收取的费用。
在一些实施例中,第一机器学习模型是通过以下方法训练得到的:获取训练样本,训练样本包括样本素材的本身特征以及样本素材的表现特征,且训练样本的标签为样本素材在历史时间段的投放效果数据;将训练样本输入初始机器学习模型进行处理,根据初始机器学习模型的输出结果与标签之间的偏差,对初始机器学习模型的参数进行调整,得到第一机器学习模型。
本身特征用于描述样本素材本身具有的特征。例如样本素材为一段视频(如短视频),样本素材的本身特征可以包括:视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项。又如,样本素材为封面图像,样本素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项。又如,样本素材为文本(如资源词),样本素材的本身特征为词嵌入(word2vec)向量或独热编码(one-hot code)。
通过这种方式,能够通过嵌入向量、时长、标签等具体数据精确地量化短视频、封面图像和文本等各种类型的样本素材的特征,从而提升本身特征的精确性。
表现特征有时也称为效果特征。表现特征用于描述样本素材在历史时间段的投放效果。样本素材的表现特征可以包括点击率、完播率、曝光数、激活数中的至少一项。其中,点击率为被点击的次数与被显示的次数之比。完播率为播放完成率。曝光数是指被显示的次数。激活数为历史时间段内激活用户的总数,激活用户是指对第一候选素材进行触发操作从而激活账户的用户。例如样本素材为一段短视频,样本素材的表现特征包括过去24小时的点击率,三秒完播率等。
通过这种方式,能够通过点击率、完播率、曝光数、激活数等具体数据精确地量化样本素材的表现好坏,从而提升表现特征的准确性。
通过使用样本素材本身的特征和样本素材接下来一段时间的表现作为训练样本来训练模型,有助于模型从样本中学习到样本素材本身的特征和样本素材即将具有的表现之间的映射关系,因此在预测阶段,当模型获得一个给定样本素材本身的特征后,能够准确预测出样本素材即将具有的表现的好坏。
本申请实施例中,第一机器学习模型用于对多个候选素材进行处理。为了便于读者理解,下面以针对第一候选素材的处理方式为例进行说明。第一候选素材是多个候选素材中的一个候选素材。第一候选素材之外的其他候选素材的处理方式可参考对第一候选素材的处理方式。可选地,每一个候选素材都按照与第一候选素材的处理方式相同的方式处理。
在一些实施例中,第一机器学习模型包括视频预测网络、图像预测网络以及文本预测网络,通过第一机器学习模型对至少一个候选素材进行处理,输出第一预测结果,包括:如果第一候选素材为视频,将第一候选素材输入视频预测网络进行处理;如果第一候选素材为图像,将第一候选素材输入图像预测网络进行处理;如果第一候选素材为文本,将第一候选素材输入文本预测网络进行处理。
通过这种方式,能够为各个维度素材单独构建模型,从而提升不同维度素材的预测结果的准确性。
在一些实施例中,通过第一机器学习模型对至少一个候选素材进行处理,输出第一预测结果,包括:对第一候选素材的本身特征以及第一候选素材的表现特征进行组合,得到特征组合。通过第一机器学习模型对特征组合进行处理,得到第一候选素材的第一预测结果。
特征组合包括第一候选素材的本身特征以及第一候选素材的表现特征。换句话说,特征组合是单素材维度构建出的特征数据。本身特征用于描述第一候选素材本身具有的特征。表现特征用于描述第一候选素材在历史时间段的投放效果。
通过使用本身特征和表现特征的组合进行预测,使得模型在预测时不仅会考虑素材本身的特征,还会考虑素材在历史的表现,从而提升预测的准确性。
在一些实施例中,采用拼接的方式对本身特征以及表现特征组合。例如,本身特征是一个包含m个维度的向量,表现特征是一个包含n个维度的向量,将本身特征与表现特征拼接后,得到一个包含(m+n)个维度的向量,(m+n)个维度的向量即为特征组合。其中m和n表示正整数。
在一些实施例中,第一候选素材包括视频(例如短视频),第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项。
在一些实施例中,第一候选素材包括视频的封面图像,第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项。图像的嵌入向量是指将图像经过神经网络后神经网络输出的嵌入向量。图像标签用于指示图像包含的对象(如人或物品)的类型。图像标签例如为真人、二次元、风景等等。
在一些实施例中,第一候选素材包括文本,第一候选素材的本身特征为词嵌入向量或独热编码。
在一些实施例中,第一候选素材的表现特征包括以下一项或多项:点击率、完播率、曝光数、激活数等。
点击率(click through rate,CTR)为被点击的次数与被显示的次数之比,例如,第一候选素材为封面图像,第一候选素材的表现特征为封面图像过去一段时间(如一天或一周)的点击率。完播率为播放完成率。曝光数是指被显示的次数。激活数为历史时间段内激活用户的总数,激活用户是指对第一候选素材进行触发操作从而激活账户的用户。
在一些实施例中,第一候选素材的本身特征或表项特征是通过特征提取网络提取的。例如,将第一候选素材输入特征提取网络,特征提取网络对第一候选素材进行特征提取,输出第一候选素材的本身特征或者第一候选素材的表现特征。特征提取网络包括而不限于是词向量模型、多层感知机(Multi-Layer Perceptron,MLP,又称人工神经网络)、深度神经网络(Deep Neural Networks,DNN)或者卷积神经网络(Convolutional NeuralNetworks,CNN)中至少一项。特征提取例如包括至少一次卷积操作、线性映射操作以及非线性映射操作。该特征提取网络与第一机器学习模型分设或者合设。分设是指特征提取网络与第一机器学习模型为两个独立的模型。合设是指特征提取网络设置在第一机器学习模型中,第一机器学习模型包括特征提取网络。
在步骤S402中,根据第一预测结果,从多个候选素材中选取多个目标素材;
目标素材有时也称为有潜力的素材。目标素材是指模型预测的投放后表现好的素材。目标素材的数量为一个或多个。目标素材的类型包括而不限于短视频、封面图像、文本(如资源词)等等。换句话说,选取出的至少一个目标素材包括至少一个目标短视频、至少一个目标封面图像或者至少一个目标文本中的至少一项。
在一些实施例中,根据第一预测结果,从至少一个候选素材中选取至少一个目标素材,包括:根据第一预测结果,从至少一个候选素材中选取投放效果高于第一阈值的素材,作为目标素材;例如,候选素材为短视频,第一预测结果为ROI,ROI的阈值为0.5,选取目标素材的方式为,选取首日ROI大于0.5的全部短视频,其中0.5是对第一阈值的举例说明。
在一些实施例中,根据第一预测结果,从至少一个候选素材中选取至少一个目标素材,包括:根据第一预测结果,从至少一个候选素材中选取投放效果排在前第一预设位数的素材,作为目标素材。例如,候选素材为封面图像,第一预测结果为点击率,第一预设位数为封面图像的总数量的10%,选取目标素材的方式为,选取点击率最高的前10%的封面。
通过上述选取目标素材的方式,有助于准确筛选出将会具有良好投放效果的素材。
在步骤S403中,对多个目标素材进行组合,得到多个候选资源;
将目标素材组合为资源包括多种方式,下面结合两种组合方式举例说明。
组合方式一、将相同类型的一个或多个目标素材组合为资源。
例如,将一个或多个文本(目标素材)组合为一个资源;又如,将一个或多个图片(目标素材)组合为一个资源;又如,将一个或多个视频(目标素材)组合为资源。
组合方式二、将不同类型的一个或多个目标素材组合为资源。
比如,将视频和封面图像组合为资源。又如,将视频、封面图像和文本组合为资源。又如,将封面图像和文本组合为资源。
在步骤S404中,将多个候选资源输入第二机器学习模型进行处理,得到第二预测结果。
第二机器学习模型用于预测投放资源后资源的表现以便筛选出有潜力的资源(目标资源)。
第二预测结果有时也称为创意的打分。第二预测结果用于描述第二机器学习模型预测的至少一个候选资源的投放效果。第二预测结果有时也称为模型对候选资源的打分。例如,第二预测结果的数据形式为一个数字,数字越大,表示模型对候选资源打分越高,也就是说模型预测这个候选资源的投放效果越好。
在一些实施例中,第二预测结果包括以下一项或多项:预测的投资回报率;预测的激活数;预测的综合收益。投资回报率为投放资源对投放者带来的收入与投放者向目标平台支付的费用之间的比值,目标平台用于展示资源。激活数为一段时间内激活用户的总数,激活用户是指通过观看资源激活了账户的用户。综合收益是指一段时间内资源带来的全部用户的全部收入与目标平台收取的费用之差。通过使用投资回报率、激活数、综合收益等作为模型预测的目标,有助于模型的预测结果更准确地描述资源表现的好坏程度。
可选地,第二预测结果和第一预测结果具有不同的维度。例如,第一预测结果为预测的候选素材的ROI。第二预测结果为预测的候选资源的激活数。
通过这种方式,由于召回素材时可能关注的指标是ROI,排序素材时可能关注的指标是激活数,有助于提升召回和排序整体的精确性。
在一些实施例中,至少一个候选资源包括已经投放过的第一资源,通过第二机器学习模型对至少一个候选资源进行处理,输出第二预测结果,包括:根据第一资源在历史时间段的投放效果数据,确定第一资源的预测结果。第一资源的投放效果数据越大,第一资源的预测结果越大。例如,如果一个资源创意(第一资源)已经投放过,由模型(第二机器学习模型)根据资源创意过去一段时间的表现预测资源创意下一段时间的表现(第二预测结果)。例如,当前时间点是11月27日,当时间到达11月28日凌晨0点,已经有11月27日的投放效果数据,把资源创意在11月27日的投放效果数据输入模型,模型会预测资源创意在接下来一天的表现,即11月28日的表现,通过模型输出的预测结果选择哪些资源创意要在11月28日投放。
在一种可能的实现中,将第一资源在历史时间段的投放效果数据作为第一资源的预测结果,在这种情况下,第一资源的预测结果和第一资源在历史时间段的投放效果数据相同。在另一种可能的实现中,基于预设算法对第一资源在历史时间段的投放效果数据进行换算,比如将历史时间段的投放效果数据与预设系数相乘、相加,得到第一资源的预测结果。
通过这种方式,对于已经出现过的资源,结合资源之前的投放效果数据来预测资源未来的表现,有助于提升预测结果的准确性并降低实现复杂度。
在一些实施例中,至少一个候选资源包括未投放过的第二资源,通过第二机器学习模型对至少一个候选资源进行处理,输出第二预测结果,包括:从至少一个候选资源中,确定与第二资源之间相似度高于阈值的第三资源;
根据第三资源在历史时间段的投放效果数据,确定第二资源的预测结果,第三资源的投放效果数据越大,第二资源的预测结果越大。例如,如果一个资源创意(第二资源)没投过,选择与其相似的另一个资源创意(第三资源),由模型(第二机器学习模型)根据另一个资源创意(第三资源)过去一段时间的表现预测尚未投放的资源创意(第二资源)下一段时间的表现(第二预测结果)。
通过这种方式,对于尚未出现过的资源,利用已经投放过的资源的投放效果数据补全尚未出现过的资源的投放效果数据,提升针对尚未出现过的资源的预测结果的准确性。
从上述素材和资源的生成过程可见,本实施例通过使用模型选出好的素材进行组合,并使用模型选出好的资源,帮助制作更优秀的资源。
在步骤S405中,根据第二预测结果,从多个候选资源中选取目标资源;
目标资源有时也称为有潜力的资源。目标资源是指模型预测的投放后表现好的资源。比如说,模型预测某个资源创意投放后会成为头部资源创意,那么这个资源创意会扮演本实施例中目标资源的角色,通过选取该资源创意来提升投放效果。
在一些实施例中,根据第二预测结果,从至少一个候选资源中选取目标资源,包括:根据第二预测结果,从多个候选资源中选取投放效果高于第二阈值的资源,作为目标资源。
在一些实施例中,根据第二预测结果,从至少一个候选资源中选取目标资源,包括:根据第二预测结果,从多个候选资源中选取投放效果排在前第二预设位数的资源,作为目标资源。
通过上述选取目标资源的方式,有助于准确筛选出将会具有良好投放效果的资源。
在步骤S406中,投放目标资源。
在一个示例性场景中,投放目标资源通过终端和服务器交互执行。例如,终端响应于用户对资源展示应用触发的操作,生成并向服务器发送资源获取请求。服务器接收终端发送的资源获取请求,服务器响应于资源获取请求,向终端发送目标资源。终端接收目标资源,在资源展示应用展示目标资源,使得目标资源曝光给用户。
在一些实施例中,对至少一个目标素材进行组合,得到至少一个候选资源之前,方法还包括:从至少一个候选素材中选取新素材,作为目标素材。其中,新素材是指尚未投放的素材。例如,如果素材库中有一个素材尚未作为资源投放过,则这个素材为新素材。
通过选取新素材作为要投放的素材,使得新素材获得更多作为资源曝光的概率,有助于实现新素材冷启动。
在一些实施例中,对至少一个目标素材进行组合,得到至少一个候选资源之前,方法还包括:从至少一个候选素材中,随机选取至少一个目标素材。
通过随机选取素材组合为待投放的资源,在没有人工介入时,有助于自动探索出更多的资源,在有人工参与时,有助于补充人未能探索到的资源,因此有助于探索更大的创意空间。
在一些实施例中,对至少一个目标素材进行组合,得到至少一个候选资源之前,方法还包括:从至少一个候选素材中,选取在历史时间段的投放效果数据满足条件的素材,作为目标素材。
在一些实施例中,对至少一个目标素材进行组合,得到至少一个候选资源之后,方法还包括:从至少一个候选资源中随机选取目标资源。
通过随机选取资源进行投放,在没有人工介入时,有助于自动探索出更多的资源,在有人工参与时,有助于补充人未能探索到的资源,因此有助于探索更大的创意空间。
在一些实施例中,对至少一个目标素材进行组合,得到至少一个候选资源之后,方法还包括:从至少一个候选资源中,选取在历史时间段的投放效果数据排在前预设位数的资源,作为目标资源。例如,投放效果数据为激活数,将至少一个候选资源按照激活数从高到低的顺序排序,选择激活数高的前几位资源。又如,投放效果数据为激活价格,将至少一个候选资源按照激活价格从低到高的顺序排序,选择激活价格低的前几位资源。
在一些实施例中,投放目标资源之后,方法还包括:如果目标资源的投放效果数据满足停止条件,停止投放目标资源。
通过这种方式,提供了一种关停策略,能够根据资源投放后的表现来关停资源,避免投放后表现不好的资源长期浪费平台的投放资源。
在一些实施例中,投放效果数据满足停止条件,包括以下(1)至(5)中的一项或多项:
(1)投资回报率小于阈值。例如,投资回报率的阈值为1,也即是停止投放投资回报率小于1的资源。
通过这种方式,有助于避免亏损。
(2)激活价高于均价。例如,激活价的阈值为均价,也即是停止投放激活价高于均价的资源。
通过这种方式,有助于避免经济浪费。
(3)在多个连续时间段内花费均小于阈值。例如,多个连续时间段为3天,花费为日花费,也即是停止投放连续3天日花费均小于阈值的资源。
通过这种方式,有助于更及时关掉趋于死亡的资源,避免投放后趋于死亡的资源长期浪费平台的投放资源。
(4)活跃时长小于阈值。
(5)收支趋势符合预设趋势。
本公开提供了一种基于机器学习投放资源的方法,使用一个模型预测素材的投放效果,从而选取出投放后会表现良好的目标素材,并使用另一个模型预测素材组合形成的资源的投放效果,从而选取出投放后会表现良好的目标资源,对选取出的目标资源进行投放。一方面,该方法由于自动化智能化的生成资源,一定程度上摆脱了人工操作的依赖,从而提高资源的投放效率。另一方面,该方法由于投放了预测表现良好的资源,从而提升资源的投放效果。
下面结合一个实例对技术方案进行说明。
以下实例中的广告创意为附图4所示方法中的资源。以下实例中的优化目标为附图4所示方法中的预测结果。
下述实例中,能够形成投放的全链路闭环,不需要人工介入。下述实例的功能包含而不限于下述(a)至(e)。
(a)能够进行新素材冷启动。
(b)不依赖于人工经验,能够探索更大的创意空间。
(c)能够根据素材制作好的广告创意。
(d)能够自动组织广告计划和投放周期。
(e)能够自动不关停广告计划和创意。
本实例提供对应的几个子方案来实现上述功能。本实例提供的子方案包括下述(A)至(E)。
(A)新素材冷启动
(B)创意空间探索
(C)智能创意制作
(D)广告计划组织/投放策略
(E)关停策略
其中,前三个子方案,即(A)至(C)基本基于召回和组合排序框架。
参见在介绍具体方案之前,先介绍本实例的基础的主要框架:召回和组合排序框架。
召回是指原素材的召回。召回的本质上可以理解为从素材库中选取其中部分素材。召回方式包括但不限于以下(1)至(4)中的一项或多项。
(1)新素材全召回:即选取新的素材。
(2)素材随机召回:即随机选取一部分素材。
(3)规则召回:对历史数据分析,并加入人为经验,形成召回规则。按规则召回。
(4)模型召回:设计开发机器学习模型。具体地,以单素材维度构建特征,以广告投放的优化目标(ROI,激活数,综合收益等)为预测的目标。使用特征和优化目标训练模型,通过训练好的模型预测单素材表现,从而根据素材的表现选出有潜力的素材。可选地,为各个维度素材单独构建机器学习模型。
训练机器学习模型的具体实现方式例如是,电子设备构建训练样本,然后电子设备使用训练样本训练模型,最后电子设备使用训练好的模型预测。
训练样本包括特征和标签。在一些实施例中,训练样本按以下方式生成:电子设备将素材本身的特征和过去一段时间的表现特征组合起来形成特征向量x;电子设备确定要预测的目标y;电子设备将上一个时间段的特征和下一个时间段的目标拼接成样本(x,y)。使用这种方式生成训练样本之后,电子设备通过样本(x,y)训练模型。当预测素材的表现时,电子设备获得新的特征向量x,将新的特征向量x作为模型的输入,模型通过处理后输出预测结果y。其中,y例如是ROI(投资回报率),激活数,综合收益等。
例如,电子设备划分时间段,划分的时间段粒度例如天级。电子设备每天统计素材各个维度的特征x和广告投放的优化目标y。电子设备将素材昨天的特征和今天的优化目标拼接成样本。电子设备使用样本训练模型后,将素材当天的特征向量输入模型,模型的输出为预测的明日表现(如ROI)。然后电子设备根据模型输出的预测结果进行决策。
组合排序是指对召回的原素材进行组合从而构建广告创意,并对构建的广告创意进行排序,从而得到排序结果。电子设备获得排序结果之后,能够根据排序结果准确选择头部创意。
其中,排序方式包括但不限于下述方式(1)至(3)中的至少一项。
方式(1)随机排序/无排序。随机排序是指从组合构建的广告创意中随机挑选(部分或全部)广告创意。
方式(2)规则排序:根据形成创意的某些特征形成排序规则,并按规则排序,根据排序结果取出头部创意。
方式(3)模型排序:基于机器学习模型对创意打分,得到创意的分数。然后,按分数对创意排序,并根据排序结果选取头部创意。
在一些实施例中,基于笛卡尔乘积组合原素材。例如,原素材为短视频和封面。对于m个短视频和n个封面,则可以组成m*n个广告创意。其中一些广告创意可能在之前出现过,因而有一些投放效果(如ROI数据等),可以将历史的投放效果作为这个创意的打分。而另外一些组合之前没有出现过,对于没有出现过的广告创意,其分数未知。这相当于一个矩阵补全的问题。例如用业界现成的方法求解,如协同过滤,矩阵分解,各种推荐算法等。
新素材冷启动:基于上述召回和组合排序的框架,新素材冷启动可以总结为:新素材全召回+随机排序。此外,在冷启动新素材(如短视频)时候,与新素材配合的其他素材(如封面,广告词)可选地用其他方式召回。
创意空间探索方法相当于随机制作创意。创意空间探索方法可以总结为:随机召回/规则召回+随机排序/规则排序。在没有人工介入时,该方法可以形成种子创意进行探索。在有人工参与时,创意空间探索方法可以补充人未能探索到的创意,扩展创意空间。
智能创意制作方法的目标是制作“优秀”的广告创意。智能创意制作方法其流程可以总结为:模型召回+模型排序。
广告组织策略用于指示将广告创意组织在一个广告计划的方式。例如,有60个广告创意,在组织60个广告创意时,可选地,一个广告计划含有60个广告组,每个广告组包括一个广告创意。或者,可选地,一个广告计划包含6个广告组,每个广告组包括10个广告创意。广告组织策略包括随机组合策略或者排序分数策略。随机组合策略用于指示将广告创意随机划分到广告组。比如,把做好的80个广告创意,分8组,每组10个广告创意,没有顺序。排序分数策略用于指示将广告创意者按排序分数依次划分到广告组。比如,把做好的80个广告创意按分数排序,然后按分数的排列顺序截成8组,每组包含10个广告创意;或者分16组,每组包含5个广告创意。
投放策略用于指示投放广告计划的方式。例如,投放策略指示投放广告计划的账号数量以及每个账号在每个时间段投放广告计划的数量。例如,投放策略指示如何使用多个账号,每个账号每天投放多少广告计划。
广告组织策略和投放策略这两个策略的调整相当于超参数的调整。这两个策略可选地根据经验人为确定。
可选地,上述组织策略、排序分数策略、投放策略应用在投放广告之外的其他场景,广告创意替换为广告之外其他类型的广告,广告组替换为广告组,广告计划替换为广告投放计划,相应的实现方式与上述组织策略、排序分数策略、投放策略同理。
关停策略可选地根据广告创意某一维度的表现来进行。关停策略包括但不限于以下方式(1)至方式(3)。
方式(1)基于ROI。关停ROI小于1的广告计划或者广告组,即不亏钱。
方式(2)基于激活价:关停激活价高于均价的广告计划或广告组,即不浪费钱。
方式(3)基于花费:关停连续一段时间(如3天),日花费小于某个阈值(如5元)的广告计划,即关掉趋于死亡的广告计划。
图6是根据一示例性实施例示出的一种资源投放装置的框图。参照图6,该装置包括:
处理单元601,被配置为执行将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,第一预测结果用于描述第一机器学习模型预测的多个候选素材的投放效果;
选取单元602,被配置为执行根据第一预测结果,从多个候选素材中选取多个目标素材;
组合单元603,被配置为执行对多个目标素材进行组合,得到多个候选资源;
处理单元601,还被配置为执行将多个候选资源输入第二机器学习模型进行处理,得到第二预测结果,第二预测结果用于描述第二机器学习模型预测的多个候选资源的投放效果;
选取单元602,还被配置为执行根据第二预测结果,从多个候选资源中选取目标资源;
投放单元604,被配置为执行投放目标资源。
在一些实施例中,处理单元601,被配置为执行:对第一候选素材的本身特征以及第一候选素材的表现特征进行组合,得到特征组合,第一候选素材是多个候选素材中的一个候选素材,本身特征用于描述第一候选素材本身具有的特征,表现特征用于描述第一候选素材在历史时间段的投放效果;通过第一机器学习模型对特征组合进行处理,得到第一候选素材的第一预测结果。
在一些实施例中,第一候选素材包括视频,第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项;或者,
第一候选素材包括视频的封面图像,第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项;或者,
第一候选素材包括文本,第一候选素材的本身特征为词嵌入向量或独热编码。
在一些实施例中,第一候选素材的表现特征包括以下一项或多项:
点击率;
完播率,完播率为播放完成率;
曝光数,曝光数是指被显示的次数;
激活数,激活数为历史时间段内激活用户的总数,激活用户是指对第一候选素材进行触发操作从而激活账户的用户。
在一些实施例中,第一机器学习模型是通过以下方法训练得到的:
获取训练样本,训练样本包括样本素材的本身特征以及样本素材的表现特征,且训练样本的标签为样本素材在历史时间段的投放效果数据;
将训练样本输入初始机器学习模型进行处理,根据初始机器学习模型的输出结果与标签之间的偏差,对初始机器学习模型的参数进行调整,得到第一机器学习模型。
在一些实施例中,选取单元602,被配置为执行:根据第一预测结果,从多个候选素材中选取投放效果高于第一阈值的素材,作为目标素材;或者,根据第一预测结果,从多个候选素材中选取投放效果排在前第一预设位数的素材,作为目标素材。
在一些实施例中,多个候选资源包括已经投放过的第一资源,处理单元601,被配置为执行:根据第一资源在历史时间段的投放效果数据,确定第一资源的预测结果。
在一些实施例中,选取单元602,被配置为执行:根据第二预测结果,从多个候选资源中选取投放效果高于第二阈值的资源,作为目标资源;或者,根据第二预测结果,从多个候选资源中选取投放效果排在前第二预设位数的资源,作为目标资源。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述方法实施例中的电子设备可以实现为终端或服务器,例如,图7示出了本公开一个示例性实施例提供的终端700的结构框图。该终端700可以是:智能手机、平板电脑、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端700包括有:一个或多个处理器701和一个或多个存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一条程序代码,该至少一条程序代码用于被处理器701所执行以实现本公开中方法实施例提供的资源投放方法。
在一些实施例中,终端700还可选包括有:***设备接口703和至少一个***设备。处理器701、存储器702和***设备接口703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口703相连。具体地,***设备包括:射频电路704、显示屏705、摄像头组件706、音频电路707和电源709中的至少一种。
***设备接口703可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器701和存储器702。在一些实施例中,处理器701、存储器702和***设备接口703被集成在同一芯片或电路板上;在一些其他实施例中,处理器701、存储器702和***设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路704包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时,显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时,显示屏705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏705可以为一个,设置终端700的前面板;在另一些实施例中,显示屏705可以为至少两个,分别设置在终端700的不同表面或呈折叠设计;在另一些实施例中,显示屏705可以是柔性显示屏,设置在终端700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地,摄像头组件706包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器701进行处理,或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路707还可以包括耳机插孔。
电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于:加速度传感器711、陀螺仪传感器712、压力传感器713、光学传感器715以及接近传感器716。
加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号,控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器712可以检测终端700的机体方向及转动角度,陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713可以设置在终端700的侧边框和/或显示屏705的下层。当压力传感器713设置在终端700的侧边框时,可以检测用户对终端700的握持信号,由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时,由处理器701根据用户对显示屏705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器715用于采集环境光强度。在一个实施例中,处理器701可以根据光学传感器715采集的环境光强度,控制显示屏705的显示亮度。具体地,当环境光强度较高时,调高显示屏705的显示亮度;当环境光强度较低时,调低显示屏705的显示亮度。在另一个实施例中,处理器701还可以根据光学传感器715采集的环境光强度,动态调整摄像头组件706的拍摄参数。
接近传感器716,也称距离传感器,通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中,当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时,由处理器701控制显示屏705从亮屏状态切换为息屏状态;当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时,由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
上述方法实施例中的电子设备可以实现为服务器,例如,图8是本公开实施例提供的一种服务器的结构示意图,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)801和一个或一个以上的存储器802,其中,所述存储器802中存储有至少一条程序代码,所述至少一条程序代码由所述处理器801加载并执行以实现上述各个方法实施例提供的资源投放方法。当然,该服务器还可以具有有线或无线网络接口以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括程序代码的存储介质,例如包括程序代码的存储器,上述程序代码可由电子设备的处理器执行以完成上述资源投放方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,该非临时性计算机可读存储介质可以是只读存储器(Read-Only Memory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、只读光盘(Compact Disc Read-Only Memory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。
本公开实施例中的资源有时也称为内容项。内容项是指用于呈现内容的项目,内容为图像、文本、音频、视频中的任一项或多项的组合。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (17)
1.一种资源投放方法,其特征在于,所述方法包括:
将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,所述第一预测结果用于描述所述第一机器学习模型预测的所述多个候选素材的投放效果;
根据所述第一预测结果,从所述多个候选素材中选取多个目标素材;
对所述多个目标素材进行组合,得到多个候选资源,所述多个候选资源包括第一资源和第二资源,所述第一资源为所述多个候选资源中已投放过的资源,所述第二资源为所述多个候选资源中未投放过的资源;
通过第二机器学习模型,对所述第一资源在历史时间段的投放效果数据进行处理,得到所述第一资源的第二预测结果,所述第二预测结果用于描述所述第二机器学习模型预测的资源的投放效果;
通过所述第二机器学习模型,对第三资源在所述历史时间段的投放效果数据进行处理,得到所述第二资源的第二预测结果,所述第三资源为所述第一资源中与所述第二资源之间的相似度高于阈值的资源;
根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取目标资源;
投放所述目标资源。
2.根据权利要求1所述的资源投放方法,其特征在于,所述将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,包括:
对第一候选素材的本身特征以及所述第一候选素材的表现特征进行组合,得到特征组合,所述第一候选素材是所述多个候选素材中的一个候选素材,所述本身特征用于描述所述第一候选素材本身具有的特征,所述表现特征用于描述所述第一候选素材在历史时间段的投放效果;
通过所述第一机器学习模型对所述特征组合进行处理,得到所述第一候选素材的第一预测结果。
3.根据权利要求2所述的资源投放方法,其特征在于,所述第一候选素材包括视频,所述第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项;或者,
所述第一候选素材包括视频的封面图像,所述第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项;或者,
所述第一候选素材包括文本,所述第一候选素材的本身特征为词嵌入向量或独热编码。
4.根据权利要求2所述的资源投放方法,其特征在于,所述第一候选素材的表现特征包括以下一项或多项:
点击率;
完播率,所述完播率为播放完成率;
曝光数,所述曝光数是指被显示的次数;
激活数,所述激活数为所述历史时间段内激活用户的总数,所述激活用户是指对所述第一候选素材进行触发操作从而激活账户的用户。
5.根据权利要求1所述的资源投放方法,其特征在于,所述第一机器学习模型是通过以下方法训练得到的:
获取训练样本,所述训练样本包括样本素材的本身特征以及样本素材的表现特征,且所述训练样本的标签为样本素材在历史时间段的投放效果数据;
将所述训练样本输入初始机器学习模型进行处理,根据所述初始机器学习模型的输出结果与所述标签之间的偏差,对所述初始机器学习模型的参数进行调整,得到所述第一机器学习模型。
6.根据权利要求1所述的资源投放方法,其特征在于,所述根据所述第一预测结果,从所述多个候选素材中选取多个目标素材,包括:
根据所述第一预测结果,从所述多个候选素材中选取投放效果高于第一阈值的素材,作为所述目标素材;或者,
根据所述第一预测结果,从所述多个候选素材中选取投放效果排在前第一预设位数的素材,作为所述目标素材。
7.根据权利要求1所述的资源投放方法,其特征在于,所述根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取目标资源,包括:
根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取投放效果高于第二阈值的资源,作为所述目标资源;或者,
根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取投放效果排在前第二预设位数的资源,作为所述目标资源。
8.一种资源投放装置,其特征在于,所述资源投放装置包括:
处理单元,被配置为执行将多个候选素材输入第一机器学习模型进行处理,得到第一预测结果,所述第一预测结果用于描述所述第一机器学习模型预测的所述多个候选素材的投放效果;
选取单元,被配置为执行根据所述第一预测结果,从所述多个候选素材中选取多个目标素材;
组合单元,被配置为执行对所述多个目标素材进行组合,得到多个候选资源,所述多个候选资源包括第一资源和第二资源,所述第一资源为所述多个候选资源中已投放过的资源,所述第二资源为所述多个候选资源中未投放过的资源;
所述处理单元,还被配置为执行通过第二机器学习模型,对所述第一资源在历史时间段的投放效果数据进行处理,得到所述第一资源的第二预测结果,所述第二预测结果用于描述所述第二机器学习模型预测的资源的投放效果;
所述处理单元,还被配置为执行通过所述第二机器学习模型,对第三资源在所述历史时间段的投放效果数据进行处理,得到所述第二资源的第二预测结果,所述第三资源为所述第一资源中与所述第二资源之间的相似度高于阈值的资源;
所述选取单元,还被配置为执行根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取目标资源;
投放单元,被配置为执行投放所述目标资源。
9.根据权利要求8所述的资源投放装置,其特征在于,所述处理单元,被配置为执行:对第一候选素材的本身特征以及所述第一候选素材的表现特征进行组合,得到特征组合,所述第一候选素材是所述多个候选素材中的一个候选素材,所述本身特征用于描述所述第一候选素材本身具有的特征,所述表现特征用于描述所述第一候选素材在历史时间段的投放效果;通过所述第一机器学习模型对所述特征组合进行处理,得到所述第一候选素材的第一预测结果。
10.根据权利要求9所述的资源投放装置,其特征在于,所述第一候选素材包括视频,所述第一候选素材的本身特征包括视频关键帧的嵌入向量,视频时长,视频风格或者视频类别中的至少一项;或者,
所述第一候选素材包括视频的封面图像,所述第一候选素材的本身特征包括图像的嵌入向量、图像标签、图像色调中的至少一项;或者,
所述第一候选素材包括文本,所述第一候选素材的本身特征为词嵌入向量或独热编码。
11.根据权利要求9所述的资源投放装置,其特征在于,所述第一候选素材的表现特征包括以下一项或多项:
点击率;
完播率,所述完播率为播放完成率;
曝光数,所述曝光数是指被显示的次数;
激活数,所述激活数为所述历史时间段内激活用户的总数,所述激活用户是指对所述第一候选素材进行触发操作从而激活账户的用户。
12.根据权利要求8所述的资源投放装置,其特征在于,所述第一机器学习模型是通过以下方法训练得到的:
获取训练样本,所述训练样本包括样本素材的本身特征以及样本素材的表现特征,且所述训练样本的标签为样本素材在历史时间段的投放效果数据;
将所述训练样本输入初始机器学习模型进行处理,根据所述初始机器学习模型的输出结果与所述标签之间的偏差,对所述初始机器学习模型的参数进行调整,得到所述第一机器学习模型。
13.根据权利要求8所述的资源投放装置,其特征在于,所述选取单元,被配置为执行:根据所述第一预测结果,从所述多个候选素材中选取投放效果高于第一阈值的素材,作为所述目标素材;或者,根据所述第一预测结果,从所述多个候选素材中选取投放效果排在前第一预设位数的素材,作为所述目标素材。
14.根据权利要求8所述的资源投放装置,其特征在于,所述选取单元,被配置为执行:根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取投放效果高于第二阈值的资源,作为所述目标资源;或者,根据所述第一资源的第二预测结果和所述第二资源的第二预测结果,从所述多个候选资源中选取投放效果排在前第二预设位数的资源,作为所述目标资源。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行程序代码的一个或多个存储器;
其中,所述一个或多个处理器被配置为执行所述程序代码,以实现如权利要求1至7中任一项所述的资源投放方法。
16.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的程序代码由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的资源投放方法。
17.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的资源投放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050768.XA CN112862516B (zh) | 2021-01-14 | 2021-01-14 | 资源投放方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050768.XA CN112862516B (zh) | 2021-01-14 | 2021-01-14 | 资源投放方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862516A CN112862516A (zh) | 2021-05-28 |
CN112862516B true CN112862516B (zh) | 2024-03-12 |
Family
ID=76006319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110050768.XA Active CN112862516B (zh) | 2021-01-14 | 2021-01-14 | 资源投放方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862516B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344623B (zh) * | 2021-05-31 | 2024-02-27 | 北京百度网讯科技有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN113627979B (zh) * | 2021-07-30 | 2024-07-12 | 北京达佳互联信息技术有限公司 | 资源投放数据的处理方法、装置、服务器、***及介质 |
CN113784173B (zh) * | 2021-07-30 | 2023-04-28 | 北京达佳互联信息技术有限公司 | 视频播放方法、装置和电子设备 |
CN113570416B (zh) * | 2021-07-30 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 投放内容确定方法、装置、电子设备及存储介质 |
CN113378070B (zh) * | 2021-08-11 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 信息投放方法、装置、服务器及存储介质 |
CN113723994A (zh) * | 2021-08-18 | 2021-11-30 | 广州迈量科技有限公司 | 信息推广计划处理方法、***及计算机可读存储介质 |
CN114222155B (zh) * | 2021-12-13 | 2023-12-26 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备以及存储介质 |
CN113935554B (zh) * | 2021-12-15 | 2022-05-13 | 北京达佳互联信息技术有限公司 | 投放***中的模型训练方法、资源投放方法及装置 |
CN116564442A (zh) * | 2022-01-24 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 材料筛选方法、装置、计算机设备及存储介质 |
CN114418651A (zh) * | 2022-01-26 | 2022-04-29 | 北京数智新天信息技术咨询有限公司 | 一种智能推广决策方法、装置及电子设备 |
CN115564469A (zh) * | 2022-09-09 | 2023-01-03 | 北京沃东天骏信息技术有限公司 | 广告创意选取和模型训练方法、装置、设备及存储介质 |
CN116974652A (zh) * | 2023-09-22 | 2023-10-31 | 星河视效科技(北京)有限公司 | 基于saas平台的智能交互方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN105654198A (zh) * | 2015-12-30 | 2016-06-08 | 合网络技术(北京)有限公司 | 具有最优阈值筛选的品牌广告效果优化的方法 |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
CN109493116A (zh) * | 2018-10-15 | 2019-03-19 | 上海基分文化传播有限公司 | 一种广告自动生成的方法和*** |
CN110189173A (zh) * | 2019-05-28 | 2019-08-30 | 北京百度网讯科技有限公司 | 广告生成方法及装置 |
CN110288375A (zh) * | 2019-05-23 | 2019-09-27 | 北京鑫宇创世科技有限公司 | 一种广告素材可信度确定方法及装置 |
CN111144937A (zh) * | 2019-12-20 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 广告素材确定方法、装置、设备及存储介质 |
CN111833099A (zh) * | 2020-06-24 | 2020-10-27 | 广州筷子信息科技有限公司 | 一种生成创意广告的方法和*** |
-
2021
- 2021-01-14 CN CN202110050768.XA patent/CN112862516B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN105654198A (zh) * | 2015-12-30 | 2016-06-08 | 合网络技术(北京)有限公司 | 具有最优阈值筛选的品牌广告效果优化的方法 |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
CN109493116A (zh) * | 2018-10-15 | 2019-03-19 | 上海基分文化传播有限公司 | 一种广告自动生成的方法和*** |
CN110288375A (zh) * | 2019-05-23 | 2019-09-27 | 北京鑫宇创世科技有限公司 | 一种广告素材可信度确定方法及装置 |
CN110189173A (zh) * | 2019-05-28 | 2019-08-30 | 北京百度网讯科技有限公司 | 广告生成方法及装置 |
CN111144937A (zh) * | 2019-12-20 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 广告素材确定方法、装置、设备及存储介质 |
CN111833099A (zh) * | 2020-06-24 | 2020-10-27 | 广州筷子信息科技有限公司 | 一种生成创意广告的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112862516A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862516B (zh) | 资源投放方法、装置、电子设备及存储介质 | |
CN110585726B (zh) | 用户召回方法、装置、服务器及计算机可读存储介质 | |
CN109740068B (zh) | 媒体数据推荐方法、装置及存储介质 | |
CN111897996B (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN112995691B (zh) | 直播数据处理方法、装置、电子设备及存储介质 | |
CN110400180B (zh) | 基于推荐信息的显示方法、装置及存储介质 | |
CN111291200B (zh) | 多媒体资源展示方法、装置、计算机设备及存储介质 | |
CN111031386B (zh) | 基于语音合成的视频配音方法、装置、计算机设备及介质 | |
WO2021135212A1 (zh) | 订单处理 | |
CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
CN105453070A (zh) | 基于机器学习的用户行为表征 | |
CN110246110A (zh) | 图像评估方法、装置及存储介质 | |
CN111708944A (zh) | 多媒体资源识别方法、装置、设备及存储介质 | |
CN112416207A (zh) | 信息内容显示方法、装置、设备及介质 | |
CN110493635B (zh) | 视频播放方法、装置及终端 | |
CN114302160B (zh) | 信息显示方法、装置、计算机设备及介质 | |
CN108401167A (zh) | 用于视频回放的电子设备和服务器 | |
CN110929159A (zh) | 资源投放方法、装置、设备及介质 | |
CN110222567A (zh) | 一种图像处理方法及设备 | |
KR20150034925A (ko) | 매장의 디스플레이 장치를 이용한 광고 방법 및 장치 | |
CN116128571B (zh) | 广告曝光量分析方法及相关装置 | |
CN107807940B (zh) | 信息推荐方法和装置 | |
CN116542740A (zh) | 直播间商品推荐方法、装置、电子设备和可读存储介质 | |
CN112235609A (zh) | 内容项数据播放方法、装置、计算机设备及存储介质 | |
CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |