CN113689237A - 待投放媒体资源、媒体资源处理模型的确定方法及装置 - Google Patents
待投放媒体资源、媒体资源处理模型的确定方法及装置 Download PDFInfo
- Publication number
- CN113689237A CN113689237A CN202110963636.6A CN202110963636A CN113689237A CN 113689237 A CN113689237 A CN 113689237A CN 202110963636 A CN202110963636 A CN 202110963636A CN 113689237 A CN113689237 A CN 113689237A
- Authority
- CN
- China
- Prior art keywords
- media resource
- resource group
- candidate
- index
- candidate media
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 102
- 239000013598 vector Substances 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 24
- 230000004913 activation Effects 0.000 description 21
- 238000001994 activation Methods 0.000 description 21
- 230000002452 interceptive effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000003578 releasing effect Effects 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 230000004931 aggregating effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供待投放媒体资源、媒体资源处理模型的确定方法及装置,涉及互联网技术领域,以至少提高广告投放效果。该确定方法包括:针对媒体资源候选集合中每一候选媒体资源组,采用媒体资源处理模型执行处理操作,得到每一候选媒体资源组的至少两个指标的内容;处理操作包括:获取每一候选媒体资源组的特征;将特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容;根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及待投放媒体资源、媒体资源处理模型的确定方法及装置。
背景技术
通常广告主会对线上表现好的广告进行扩展复制后,在其他场景继续投放,以得到更多的用户量。在现有技术中,通常是根据广告在投放过程中的某一表现,来确定该广告是否需要进行扩展投放。但是,广告在投放过程中的单一表现并不能全面体现广告的效益,因此,在扩展投放时,投放效果不佳。
发明内容
本公开提供待投放媒体资源、媒体资源处理模型的确定方法及装置,以至少提高广告投放效果。本公开的技术方案如下:
根据本公开的第一方面,提供一种待投放媒体资源的确定方法,该确定方法包括:首先,针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到每一候选媒体资源组的至少两个指标的内容。该处理操作包括:获取每一候选媒体资源组的特征;将特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容;权重集合包括至少一个专家网络的权重。然后,根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
其中,每一候选媒体资源组包括至少一个候选媒体资源。
可选的,上述“根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容”的方法,包括:基于权重集合,对得到的学习特征进行加权求和,得到求和后的特征;对求和后的特征进行每个指标的预测,得到每一候选媒体资源组的每个指标的内容。
可选的,上述“根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组”的方法,包括:将至少两个指标的内容满足预设条件的候选媒体资源组确定为目标候选媒体资源组;或者,确定每一第一候选媒体资源组的综合指标值,第一候选媒体资源组为至少两个指标的内容满足预设条件的候选媒体资源组;根据确定的综合指标值,对所有第一候选媒体资源组进行排序,得到排序后的第一候选媒体资源组;从排序后的第一候选媒体资源组中确定目标候选媒体资源组。
其中,预设条件包括至少两个指标中每个指标的内容在每个指标对应的预设范围内。
可选的,上述“确定每一第一候选媒体资源组的综合指标值”的方法,包括:分别对每一第一候选媒体资源组的每个指标的内容进行归一化,得到至少两个数值;对至少两个数值和至少两个预设指标权重进行加权求和,得到综合指标值。
可选的,每一候选媒体资源组的特征采用向量表征。可选的,上述“获取每一候选媒体资源组的特征”的方法,包括:获取每一候选媒体资源组对应的多个初始特征;对每一候选媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;对每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一候选媒体资源组的交互特征向量;对每一候选媒体资源组的交互特征向量进行拼接处理,将拼接得到的向量作为每一候选媒体资源的特征。
可选的,上述“获取每一候选媒体资源组对应的多个初始特征”的方法,包括:获取预设时间段内每一候选媒体资源组中每个候选媒体资源的特征数据;对每一候选媒体资源组对应的特征数据进行聚合处理,得到每一候选媒体资源组对应的多个初始特征。
可选的,每一候选媒体资源组对应的多个初始特征包括至少三类初始特征。至少三类初始特征包括数值型特征、类别型稀疏特征以及序列特征。数值型特征包括预设时间段内每一候选媒体资源组的第一消费数据的和。类别型稀疏特征包括预设时间段内每一候选媒体资源组的类别。序列特征包括预设时间段中的每个单位时间内,每一候选媒体资源组中的所有候选媒体资源的第二消费数据的和。
根据本公开的第二方面,提供一种媒体资源处理模型的确定方法,该确定方法包括:获取第一预设时间段内至少一个历史媒体资源组的特征、以及第二预设时间段内至少一个历史媒体资源组的至少两个指标的内容;将每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征;根据每个指标对应的权重集合和至少一个专家网络提取的所有初始学习特征,得到每个指标的关联信息;通过初始网络模型中与每个指标对应的预测模型对每个指标的关联信息进行指标内容的预测,得到每个指标的预测内容;确定得到的至少两个指标的预测内容和每一历史媒体资源组的至少两个指标的内容之间的损失值;根据损失值迭代训练初始网络模型,直至损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
其中,第一预设时间段的时间早于第二预设时间段的时间。每一历史媒体资源组包括至少一个历史媒体资源。权重集合包括至少一个专家网络的权重。
可选的,每个训练输入样本采用向量表征。上述“获取至少一个训练输入样本”,包括:获取第一预设时间段内历史媒体资源组对应的多个初始特征;将历史媒体资源组对应的多个初始特征输入至初始网络模型中的表示层;通过表示层对历史媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;通过初始网络模型中的交互层对历史媒体资源组对应的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到历史媒体资源组对应的交互特征向量;通过初始网络模型中的连接层对历史媒体资源组对应的交互特征向量进行拼接处理,将拼接得到的向量作为每个训练输入样本。
可选的,至少两个指标对应的权重集合均不相同。
根据本公开的第三方面,提供一种待投放媒体资源的确定装置,该确定装置包括处理模块和确定模块。处理模块,被配置为执行针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到每一候选媒体资源组的至少两个指标的内容。其中,每一候选媒体资源组包括至少一个候选媒体资源。该处理操作包括:获取每一候选媒体资源组的特征;将特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容;权重集合包括至少一个专家网络的权重。
确定模块,被配置为执行根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
可选的,处理模块,具体被配置为执行:基于权重集合,对得到的学习特征进行加权求和,得到求和后的特征;对求和后的特征进行每个指标的预测,得到每一候选媒体资源组的每个指标的内容。
可选的,确定模块,具体被配置为执行:将至少两个指标的内容满足预设条件的候选媒体资源组确定为目标候选媒体资源组;或者,确定每一第一候选媒体资源组的综合指标值,第一候选媒体资源组为至少两个指标的内容满足预设条件的候选媒体资源组;根据确定的综合指标值,对所有第一候选媒体资源组进行排序,得到排序后的第一候选媒体资源组;从排序后的第一候选媒体资源组中确定目标候选媒体资源组。
其中,预设条件包括至少两个指标中每个指标的内容在每个指标对应的预设范围内。
可选的,确定模块,具体被配置为执行:分别对每一第一候选媒体资源组的每个指标的内容进行归一化,得到至少两个数值;对至少两个数值和至少两个预设指标权重进行加权求和,得到综合指标值。
可选的,每一候选媒体资源组的特征采用向量表征。处理模块,具体被配置为执行:获取每一候选媒体资源组对应的多个初始特征;对每一候选媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;对每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一候选媒体资源组的交互特征向量;对每一候选媒体资源组的交互特征向量进行拼接处理,将拼接得到的向量作为每一候选媒体资源的特征。
可选的,处理模块,具体被配置为执行:获取预设时间段内每一候选媒体资源组中每个候选媒体资源的特征数据;对每一候选媒体资源组对应的特征数据进行聚合处理,得到每一候选媒体资源组对应的多个初始特征。
可选的,每一候选媒体资源组对应的多个初始特征包括至少三类初始特征。至少三类初始特征包括数值型特征、类别型稀疏特征以及序列特征。数值型特征包括预设时间段内每一候选媒体资源组的第一消费数据的和。类别型稀疏特征包括预设时间段内每一候选媒体资源组的类别。序列特征包括预设时间段中的每个单位时间内,每一候选媒体资源组中的所有候选媒体资源的第二消费数据的和。
根据本公开的第四方面,提供一种媒体资源处理模型的确定装置,该确定装置包括获取模块和训练模块。获取模块,被配置为执行获取第一预设时间段内至少一个历史媒体资源组中每一历史媒体资源的特征、以及第二预设时间段内每一历史媒体资源组的至少两个指标的内容。其中,第一预设时间段的时间早于第二预设时间段的时间;每一历史媒体资源组包括至少一个历史媒体资源。
训练模块,被配置为执行:将每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征;根据每个指标对应的权重集合和至少一个专家网络提取的所有初始学习特征,得到每个指标的关联信息;其中,权重集合包括至少一个专家网络的权重;通过初始网络模型中与每个指标对应的预测模型对每个指标的关联信息进行指标内容的预测,得到每个指标的预测内容;确定得到的至少两个指标的预测内容和每一历史媒体资源组的至少两个指标的内容之间的损失值;根据损失值迭代训练初始网络模型,直至损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
可选的,每一历史媒体资源的特征采用向量表征。获取模块,具体被配置为执行:获取第一预设时间段内每一历史媒体资源组对应的多个初始特征;将每一历史媒体资源组对应的多个初始特征输入至初始网络模型中的表示层;通过表示层对每一历史媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;通过初始网络模型中的交互层对每一历史媒体资源组对应的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一历史媒体资源组对应的交互特征向量;通过初始网络模型中的连接层对每一历史媒体资源组对应的交互特征向量进行拼接处理,将拼接得到的向量作为每一历史媒体资源的特征。
可选的,至少两个指标对应的权重集合均不相同。
根据本公开的第五方面,提供一种电子设备,该电子设备包括:处理器和用于存储处理器执行的指令的存储器。其中,处理器被配置为执行该指令,以实现如第一方面中任一种可选的待投放媒体资源的确定方法;或者,处理器被配置为执行该指令,以实现如第二方面中任一种可选的媒体资源处理模型的确定方法。
根据本公开的第六方面,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机指令。当计算机指令由电子设备执行时,使得该电子设备执行如上述第一方面中任一项可选的待投放媒体资源的确定方法;或者,当计算机指令由电子设备执行时,使得电子设备执行如上述第二方面中任一项可选的媒体资源处理模型的确定方法。
根据本公开的第七方面,提供一种计算机程序产品,该计算机程序产品包含计算机指令。当计算机指令被电子设备执行时,实现如上述第一方面中任一项可选的待投放媒体资源的确定方法;或者,当计算机指令被电子设备执行时,实现如上述第二方面中任一项可选的媒体资源处理模型的确定方法。
本公开实施例提供的技术方案至少带来以下有益效果:
上述方案中,电子设备使用每个专家网络对每一候选媒体资源组的特征提取与不同的指标相关的学习特征,再利用每个指标对应的权重集合和至少一个专家网络提取的所有学习特征预测该指标的内容。如此,对于不同的指标,实现了共用至少一个专家网络。再通过每个指标对应的权重集合(包括该至少一个专家网络的权重),可以控制至少一个专家网络提取的所有学习特征在预测任一个指标的内容中的重要程度。例如,提取到的学习特征与一个指标的相关程度较大的专家网络,在该指标对应的权重集合中的权重更大,则该学习特征对预测该指标的内容的影响越大,预测的该指标的内容更准确。这样保证了与一个指标的相关程度较小的学习特征对预测该指标的内容的干扰,即保证了电子设备预测不同的指标的内容的独立性。
其次,电子设备针对每一候选媒体资源组能够同时预测至少两个指标的内容,避免了根据每一候选媒体资源组投放过程中单一的表现来确定待投放媒体资源,提高了投放效果。
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待投放媒体资源的确定方法的实施环境示意图;
图2是根据一示例性实施例示出的一种待投放媒体资源的确定方法的流程图;
图3是根据一示例性实施例示出的一种媒体资源处理模型的结构示意图之一;
图4是根据一示例性实施例示出的一种媒体资源处理模型的结构示意图之二;
图5A是根据一示例性实施例示出的一种媒体资源处理模型的确定方法的流程图一;
图5B是根据一示例性实施例示出的一种媒体资源处理模型的确定方法的流程图二;
图6是根据一示例性实施例示出的一种待投放媒体资源的确定装置的结构示意图;
图7是根据一示例性实施例示出的一种媒体资源处理模型的确定装置的硬件结构示意图;
图8是根据一示例性实施例示出的一种待投放媒体资源的确定装置的硬件结构示意图。
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。
首先,对本公开实施例的应用场景进行介绍。
本公开实施例的待投放媒体资源的确定方法应用于投放广告(即本公开中的媒体资源)的场景中。例如,游戏广告投放场景、视频广告投放场景等。在广告投放的过程中,广告主通常会对线上表现好的广告进行扩展复制后,在其他场景继续投放,以得到更多的用户量。在相关技术中,通常是根据广告在投放过程中的某一表现,来确定该广告是否需要进行扩展投放。
但是,广告主在实际的投放广告的过程中,其目标通常是多样化的,如同时关注广告在投放过程中的激活转化率、累计投资回报率(return on investment,ROI)以及留存率等多个目标。因此,根据广告在投放过程中的某一表现,来确定需要扩展投放的广告信息的方式并不能满足广告主的投放需求。并且广告在投放过程中的单一表现并不能全面体现广告的效益,因此,在扩展投放时,投放效果不佳。
为了解决上述问题,本公开实施例提供一种待投放媒体资源的确定方法,能够根据每一候选媒体资源组的特征,确定出每一候选媒体资源组的至少两个指标的内容,并根据至少两个指标的内容确定出待投放媒体资源,避免了根据候选媒体资源(如,候选广告)投放过程中的单一表现来确定待投放媒体资源,提高了投放效果。
接下来,对本公开实施例的实施环境进行介绍。
图1是根据一示例性实施例示出的待投放媒体资源的确定方法或媒体资源处理模型的确定方法的实施环境示意图。如图1所示,本公开中待投放媒体资源的确定方法和媒体资源处理模型的确定方法均可以应用于该实施环境中。该实施环境包括终端01和服务器02。其中,终端01和服务器02可以通过网络互连并通信。
其中,终端01可以为手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、车载设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本等,本公开实施例对该终端01的具体形态不作特殊限制。
服务器02可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。服务器02可以包括处理器、存储器以及网络接口等。
需要说明的是,本公开实施例提供的待投放媒体资源的确定方法和媒体资源处理模型的确定方法可以应用于上述服务器02,也可以应用于上述终端01。该服务器02和终端01可以统称为电子设备。本公开实施例提供的待投放媒体资源的确定方法的执行主体可以为待投放媒体资源的确定装置,媒体资源处理模型的确定方法的执行主体可以为媒体资源处理模型的确定装置。待投放媒体资源的确定装置可以为上述电子设备(如服务器02或终端01);或者,可以为该电子设备安装的提供待投放媒体资源的确定功能的应用程序(application,APP);或者,可以为该电子设备中的中央处理器(Central ProcessingUnit,CPU);又或者,可以为该电子设备中的用于执行待投放媒体资源的确定方法的控制模块。同理地,媒体资源处理模型的确定装置可以为上述电子设备;或者,可以为该电子设备安装的提供媒体资源处理模型的确定功能的APP;或者,可以为该电子设备中的CPU;又或者,可以为该电子设备中的用于执行媒体资源处理模型的确定方法的控制模块。
下面以电子设备为例,对本申请实施例提供的待投放媒体资源的确定方法和媒体资源处理模型的确定方法进行详细说明。。
本领域技术人员应能理解上述终端和服务器仅为举例,其他现有的或今后可能出现的终端或服务器如可适用于本公开,也应包含在本公开保护范围以内,并在此以引用方式包含于此。
图2是根据一示例性实施例示出的一种待投放媒体资源的确定方法的流程图。如图2所示,该方法可以包括以下步骤。
步骤21:电子设备针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到每一候选媒体资源组的至少两个指标的内容。
其中,媒体资源候选集合可以包括至少一个候选媒体资源组。每一候选媒体资源组可以包括一个候选媒体资源,或者包括多个候选媒体资源。该多个候选媒体资源可以是按照相同的候选媒体资源类型(如,创意类型)划分的,也可以是按照其他需求划分的。该媒体资源处理模型具有根据每一候选媒体资源组的特征预测每一候选媒体资源组的至少两个指标的内容的能力。
具体的,处理操作包括如下步骤。
步骤A1:电子设备获取每一候选媒体资源组的特征。
其中,每一候选媒体资源组的特征可以表征每一候选媒体资源组的多个初始特征之间的交互关系。每一候选媒体资源组的特征可以采用向量表征。
首先,电子设备获取每一候选媒体资源组对应的多个初始特征。其中,每一候选媒体资源组对应的多个初始特征可以包括至少三类初始特征。每一类初始特征可以包括一个初始特征或多个初始特征。
具体地,电子设备首先获取预设时间段内每一候选媒体资源组中每个候选媒体资源的特征数据。具体的,电子设备在确定需要在媒体资源候选集合中确定待投放媒体资源的情况下,获取每一候选媒体资源组中每个候选媒体资源的特征数据。其中,每个候选媒体资源的特征数据至少包括该候选媒体资源的类型和该候选媒体资源在投放过程中的表现。该特征数据可以称为投放数据。例如,该候选媒体资源的类型包括该候选媒体资源的创意类型、该候选媒体资源的标识(identity document,ID)等;该候选媒体资源在预设时间段内的投放过程中的表现包括该候选媒体资源的历史花费序列、该候选媒体资源的完播率等。
然后,在确定预设时间段内每一候选媒体资源组中每个候选媒体资源的特征数据之后,电子设备对每一候选媒体资源组对应的特征数据进行聚合处理,得到每一候选媒体资源组对应的多个初始特征。具体的,电子设备可以确定投放目标(即指标),并根据投放目标确定聚合方式。例如,投放目标为追求候选媒体资源组的激活转化率和候选媒体资源组的累计投资回报率(return on investment,ROI),则可以将每一候选媒体资源组对应的特征数据按照指定时间范围进行聚合处理(如,按天聚合处理,或者按周聚合处理)。
其中,每一候选媒体资源组对应的多个初始特征可以包括至少三类初始特征;该至少三类初始特征可以包括数值型特征(如,每一候选媒体资源组的总花费、每一候选媒体资源组的总激活数、每一候选媒体资源组的封面的总点击率)、类别型稀疏特征(如,每一候选媒体资源组的投放平台类型,每一候选媒体资源组的创意类型)以及序列特征(每一候选媒体资源组的历史总激活数序列、候选媒体资源创意的历史总花费序列)。
上述方案中,电子设备可以获取到每一候选媒体资源组中每个候选媒体资源的特征数据。然后,电子设备为了能够预测每一候选媒体资源组的至少两个指标的内容,可以对该候选媒体资源组包括的所有候选媒体资源的特征数据进行聚合处理,以得到该候选媒体资源组的多个初始特征。从而可以根据该候选媒体资源组的多个初始特征确定该候选媒体资源组的至少两个指标的内容,以用于从媒体资源候选集合中的所有候选媒体资源组中确定出目标候选媒体资源组,目标候选媒体资源组中的候选媒体资源为待投放媒体资源。其次,电子设备还可以根据投放目标是哪些指标的内容确定聚合的时间范围,如此,对于不同的指标的内容可以灵活地使用不同时间范围内的特征数据。
示例性地,在确定按周聚合处理的情况下,电子设备可以获取预设时间段内的与当前时刻最近的一周内每一候选媒体资源组中每个候选媒体资源的特征数据。然后,电子设备可以对该一周内每一候选媒体资源组中所有候选媒体资源的同一个特征数据进行聚合,得到每一候选媒体资源组对应的每个初始特征。
进一步地,假设每一候选媒体资源组包括多个创意类型相同的候选媒体资源,预设时间段内每一候选媒体资源组对应的特征数据可以包括:多个创意类型相同的候选媒体资源中每个候选媒体资源的标识、每个候选媒体资源的历史花费序列、每个候选媒体资源的完播率。每个候选媒体资源的历史花费序列可以包括该候选媒体资源在预设时间段内每个单位时间内的历史花费;每个候选媒体资源的完播率可以包括预设时间段内每个单位时间内的完播率。上述对预设时间段内的与当前时刻最近的一周内每一候选媒体资源组对应的特征数据进行聚合可以包括:电子设备对每一候选媒体资源组中所有候选媒体资源在该一周内每个单位时间段内的历史花费求和,得到每个单位时间段内的总花费,进而得到由该一周内多个单位时间端内的总花费组成的总花费序列;电子设备还可以对每一候选媒体资源组中所有候选媒体资源在该一周内的完播率求和,得到每一候选媒体资源组在该一周内的总完播率。
或者,假设每一候选媒体资源组包括多个创意类型不同的候选媒体资源,预设时间段内每一候选媒体资源组对应的特征数据可以包括:多个创意类型不同的候选媒体资源中每个候选媒体资源的创意类型、每个候选媒体资源的标识、每个候选媒体资源的历史花费序列、每个候选媒体资源的完播率。上述对预设时间段内的与当前时刻最近的一周内每一候选媒体资源组对应的特征数据进行聚合可以包括:电子设备获取每一候选媒体资源组中所有候选媒体资源的创意类型;电子设备对每一候选媒体资源组中所有候选媒体资源在该一周内每个单位时间段内的历史花费求和,得到每个单位时间段内的总花费,进而得到由该一周内多个单位时间端内的总花费组成的总花费序列;电子设备还可以对每一候选媒体资源组中所有候选媒体资源在该一周内的完播率求和,得到每一候选媒体资源组在该一周内的总完播率。
之后,在每一候选媒体资源组的特征采用向量表征的情况下,电子设备可以对每一候选媒体资源组对应的多个初始特征中每个初始特征进行嵌入处理,得到每个初始特征对应的一个初始特征向量。
具体的,嵌入处理是将特征向量化的一种处理方式,包括词嵌入、句嵌入、实体嵌入等具体实现方式。可以对不同类型的初始特征采用不同的嵌入处理。例如,电子设备将数值型特征(如,上述总完播率)归一化后,使用多层感知机(multi-layer perceptron,MLP)网络对其进行嵌入处理,得到数值型特征向量;使用Embedding层对类别型稀疏特征(如,每一候选媒体资源组中所有候选媒体资源的创意类型)进行嵌入处理,得到类别型稀疏特征向量;使用Transformer层对序列特征(如,上述总花费序列)进行嵌入处理,得到序列特征向量。
然后,电子设备对每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一候选媒体资源组的一个交互特征向量。其中,每一候选媒体资源组的一个交互特征向量表征每两个初始特征之间的交互关系。
最后,电子设备对每一候选媒体资源组的交互特征向量进行拼接处理,将拼接得到的向量作为每一候选媒体资源组的特征。拼接得到的向量可以称为每一候选媒体资源组对应的全向量。
上述方案中,电子设备对每一候选媒体资源组的每个初始特征进行嵌入处理,能够实现初始特征的向量化。对于电子设备而言,初始特征向量属于可读的机器语言,这样就提高了每一候选媒体资源组的初始特征的可读性。然后,电子设备对每两个初始特征向量进行点积运算处理,能够实现每一候选媒体资源组的不同初始特征之间的交互,增强了不同初始特征之间的联系。而且,若影响任一个指标的内容的两个初始特征关联组成交互特征向量,根据该交互特征向量预测该指标的内容,相较于根据影响该指标的内容的一个初始特征预测该指标的内容,准确度更高。例如,任一个指标是每一候选媒体资源组的激活转化率,该候选媒体资源组对应的2个初始特征包括创意类型和历史总激活数序列,这2个初始特征都会影响该候选媒体资源组的激活转化率;利用这2个初始特征组成的交互特征向量预测该候选媒体资源组的激活转化率,相比利用这2个初始特征中的任一个初始特征预测该候选媒体资源组的激活转化率,准确度更高。因此可知,电子设备使用每两个初始特征向量关联组成的交互特征向量,可以提高预测至少两个指标的内容的准确度。
另外,电子设备可以对每一候选媒体资源组的所有交互特征向量进行拼接处理,得到一个拼接后的向量作为每一候选媒体资源组的特征。根据该候选媒体资源组的特征预测至少两个指标的内容,就是根据每一候选媒体资源组的所有交互特征向量预测至少两个指标的内容。
A2:电子设备将每一候选媒体资源组的特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征。
其中,每个专家网络用于对每一候选媒体资源组的特征提取与至少一个指标相关的学习特征。提取与至少一个指标相关的学习特征是将每一候选媒体资源组的特征映射到专家网络的特征空间,以便于后续确定每一候选媒体资源组的指标的内容。
其中,每个专家网络对应至少一个指标。每个专家网络对每一候选媒体资源组的特征提取其对应的至少一个指标相关的学习特征。所有专家网络对应的所有指标的个数等于至少两个指标的总个数。任意两个专家网络对应的至少一个指标可以相同,或不相同。
A3:电子设备根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容;该权重集合包括至少一个专家网络的权重。
电子设备可以得到的学习特征包括与至少一个专家网络一一对应的至少一个学习特征。其中,不同的指标对应的权重集合可能相同,也可能不同。任意两个权重集合相同是指这两个权重集合中的所有专家网络的权重都相同。任意两个权重集合不同可以是指这两个权重集合中的所有专家网络的权重都不同,或者这两个权重集合中的部分专家网络的权重不同。
其中,至少一个专家网络包括n个专家网络,每个指标对应的权重集合包括n个专家网络的n个权重,n的取值范围可以为1-6。至少两个指标包括m个指标。n和m都是正整数。n≥m。m越大,n越大。
示例性地,n=4,m=3。第1个指标对应的权重集合是A、第2个指标对应的权重集合是B、第3个指标对应的权重集合是C、第4个指标对应的权重集合是D。权重集合包括4个专家网络的4个权重。A、B、C和D可以相同,或者不同。
电子设备基于权重集合,对得到的学习特征进行加权求和,得到求和后的特征;然后,对求和后的特征进行每个指标的预测,得到每一候选媒体资源组的每个指标的内容。具体的,电子设备将每个学习特征乘以每个指标对应的权重集合中与每个学习特征对应的专家网络的权重,再对所有乘积求和,得到求和后的特征。
其中,在至少两个指标对应相同的权重集合的情况下,电子设备将每个学习特征乘以一个权重集合中与每个学习特征对应的专家网络的权重后再求和,得到一个求和后的特征,并分别对这个求和后的特征进行至少两个指标的预测,得到每一候选媒体资源组的至少两个指标的内容。
在至少两个指标对应不同的权重集合的情况下,电子设备针对每个指标,将至少一个学习特征乘以该指标对应的权重集合中至少一个专家网络的权重后求和,得到该指标对应的求和后的特征,并对该指标对应的求和后的特征进行该指标的预测,得到每一候选媒体资源组的该指标的内容。其中,至少一个学习特征和该指标对应的权重集合中的至少一个专家网络的权重一一对应相乘。
上述方案中,每个专家网络提取与至少一个指标相关的学习特征,则可知,不同专家网络输出的学习特征与每个指标相关程度不同。进而,电子设备可以在每个指标对应的权重集合中将输出的学习特征与该指标的相关程度较大的专家网络的权重设置的较大,与输出的学习特征与该指标的相关程度较小的专家网络的权重设置的较大。然后,电子设备基于该指标对应的权重集合,对至少一个专家网络提取到的所有学习特征进行加权求和,得到求和后的特征。该求和后的特征与该指标的相关程度较大,用于预测该指标的内容也更准确。
以便于后续根据至少两个指标的内容确定待投放媒体资源。
可选的,每一候选媒体资源组对应的多个初始特征可以包括至少三类初始特征;该至少三类初始特征可以包括数值型特征、类别型稀疏特征以及序列特征。相应地,每个候选媒体资源的特征数据也可以包括至少三类特征数据;该至少三类特征数据包括:数值型数据、类别型稀疏数据和序列数据。
其中,每个候选媒体资源的数值型数据可以是指预设时间段中每个单位时间内的第一消费数据。第一消费数据可以包括以下至少一项:花费、点击率、曝光量、激活数、视频完播率、转化率。例如,一个候选媒体资源的数值型数据可以包括候选媒体资源创意的花费、候选媒体资源的收入、候选媒体资源创意的年龄、候选媒体资源的激活数、候选媒体资源的激活单价、候选媒体资源封面的曝光次数、候选媒体资源封面的点击率、候选媒体资源视频的曝光数、候选媒体资源视频的完播率、候选媒体资源转化率等。
进而,每一候选媒体资源组的数值型特征可以包括预设时间段内每一候选媒体资源组的第一消费数据的和,即每一候选媒体资源组中所有候选媒体资源的第一消费数据的和。例如,每一候选媒体资源组的数值型特征可以包括:预设时间段内每一候选媒体资源组中所有候选媒体资源创意的花费的和(即上述总花费)、所有候选媒体资源的激活数的和(即上述总激活数)、所有候选媒体资源的封面点击率的和(即上述封面的总点击率)等等。
其中,类别型稀疏数据可以是每个候选媒体资源的类别。例如,类别型稀疏数据可以包括候选媒体资源创意的类型、候选媒体资源中产品的ID、候选媒体资源封面ID、候选媒体资源封面类型、视频ID、视频类别、候选媒体资源的投放渠道ID、候选媒体资源的投放平台类型等。
进而,每一候选媒体资源组的类别型稀疏特征是指每一候选媒体资源组的类别。每一候选媒体资源组的特征可以是每一候选媒体资源组中所有候选媒体资源共有的类别。例如,每一候选媒体资源组中所有候选媒体资源的创意类型,所有候选媒体资源的投放平台类型为同一个,所有候选媒体资源中产品的ID是同一个,则每一候选媒体资源组的类别可以包括:该创意类型,该投放平台类型,该产品的ID。
其中,每个候选媒体资源的序列数据可以是指预设时间段中多个单位时间内的第二消费数据,即表示第二消费数据在预设时间段内的变化情况。第二消费数据可以包括以下至少一项:激活数、历史消耗值(可以称为历史花费)。例如,序列数据可以包括候选媒体资源的历史激活数序列、候选媒体资源创意的历史花费序列等。
进而,每一候选媒体资源组的序列特征(可以称为时序特征)包括预设时间段中的每个单位时间内,每一候选媒体资源组中的所有候选媒体资源的第二消费数据的和。该序列特征可以表征预设时间段内每一候选媒体资源组中所有候选媒体资源的第二消费数据的和的变化情况。例如,每一候选媒体资源组的序列特征可以包括:每一候选媒体资源组的历史总激活数序列、候选媒体资源创意的历史总花费序列等。
可以理解的是,每一候选媒体资源组的序列特征可以反映了每一候选媒体资源组的在一段时间内的信息波动情况(如,激活数的波动情况、花费的波动情况)。进而,利用一个序列特征所反映的任一种信息波动趋势,可以预测该候选媒体资源组在未来可能表现出的该信息的情况。其次,不同类别的候选媒体资源的信息波动情况不同,则可知,类别型稀疏特征会影响序列特征,进而影响了该候选媒体资源组在未来可能表现出的该信息的情况。综上所述,电子设备使用的每一候选媒体资源组的多种类型的初始特征(包括序列特征和类别型稀疏特征)都是影响该候选媒体资源组的至少两个指标的内容的因素。那么。多种类型的初始特征都用于预测该候选媒体资源组的至少两个指标的内容,预测的准确度更高。
另外,电子设备将候选媒体资源的特征区分为数值型特征、类别型稀疏特征以及序列特征,能够将数值特征、类型特征、时序特征区分开来,便于后续通过不同的实现方式实现特征的向量化处理。
可选的,至少两个指标的内容可以包括每一候选媒体资源组的回归数值和/或每一候选媒体资源组的分类标签对应的数值。具体的,回归数值为能够直观反应每一候选媒体资源组投放效果的数值,例如,每一候选媒体资源组的收入。每一候选媒体资源组的分类标签对应的数值为能够辅助相关人员区分出投放效果的数值,例如,每一候选媒体资源组的激活转化率、累计ROI、生命周期总价值以及留存率等。
上述方案中,回归数值能够直观反应每一候选媒体资源组的投放效果,每一候选媒体资源组的分类标签对应的数值能够辅助相关人员区分出投放效果。这样,后续根据至少两个指标的内容确定出的待投放媒体资源,能够避免根据每一候选媒体资源组投放过程中单一的表现来确定待投放媒体资源,提高了投放效果。
步骤22:电子设备根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
具体的,电子设备将至少两个指标的内容满足预设条件的候选媒体资源组确定为目标候选媒体资源组。或者,电子设备确定每一第一候选媒体资源组的综合指标值,第一候选媒体资源组为至少两个指标的内容满足预设条件的候选媒体资源组;然后,电子设备根据确定的综合指标值,对所有第一候选媒体资源组进行排序,得到排序后的第一候选媒体资源组;再从排序后的第一候选媒体资源组中确定目标候选媒体资源组。
其中,预设条件包括至少两个指标中每个指标的内容在每个指标对应的预设范围内大于或等于每个指标对应的预设阈值。至少两个指标可以分为:用户要求数值越大越好的第一种指标、用户要求数值越小越好的第二种指标。第一种指标对应的预设范围可以是该指标对应的一个指标阈值及其以上的取值范围。第二种指标对应的预设范围可以是该指标对应的一个指标阈值及其以下的取值范围。每个指标对应的指标阈值可以为默认值,或者相关人员根据实际情况写入的数值,或者电子设备的处理器根据某个预设公式计算出的数值。
具体的,电子设备针对每一第一候选媒体资源组,执行指标求和操作,得到每一第一候选媒体资源组的综合指标值。其中,指标求和操作包括:分别对每一第一候选媒体资源组的每个指标的内容进行归一化,得到至少两个数值。对至少两个数值和至少两个预设指标权重进行加权求和,得到综合指标值。
其中,至少两个预设指标权重、至少两个指标、至少两个数值都是一一对应的。用户要求数值越大越好的第一种指标对应的预设指标权重是正数(或负数),则用户要求数值越小越好的第二种指标对应的预设指标权重是负数(或正数)。至少两个预设指标权重可以根据至少两个指标的重要程度设置。任一个指标越重要,任一个指标对应的预设指标权重的绝对值越大。
示例性地,在第一种指标对应的预设指标权重是正数,第二种指标对应的预设指标权重是负数的情况下,电子设备对所有第一候选媒体资源组,按照综合指标值进行从大到小的排序。再将排序在前K个的候选媒体资源组确定为目标候选媒体资源组。
示例性地,在第一种指标对应的预设指标权重是负数,第二种指标对应的预设指标权重是正数的情况下,电子设备对所有第一候选媒体资源组,按照综合指标值进行从小到大的排序。再将排序在前K个的候选媒体资源组确定为目标候选媒体资源组。
可以理解的是,电子设备根据每个指标对应的预设范围确定待投放媒体资源,或者根据每个指标对应的预设范围和综合指标值确定待投放媒体资源,以便于相关人员根据确定出的待投放媒体资源和投放计划进行媒体资源投放。
其中,如果存在多个第一候选媒体资源组的多个指标的内容均满足预设条件,并且,每一候选媒体资源组都有多个指标的内容,无法简单地根据一个指标最优来选择目标候选媒体资源组。因此,电子设备可以对每一第一候选媒体资源组的每个指标的内容进行归一化,得到至少两个数值。归一化后的至少两个数值之间存在可比性。然后,电子设备对至少两个数值和至少两个预设指标权重进行加权求和,得到综合指标值。由于不同指标的重要程度不同,则至少两个预设指标权重可以根据至少两个指标的重要程度设置,以实现越重要的指标对应的归一化后的数值在综合指标值中的占比越重。最后,电子设备可以只根据综合指标值这一个数值,快速的确定综合指标值最优的目标候选媒体资源组。
可选的,在确定出待投放媒体资源之后,电子设备根据投放计划进行线上媒体资源投放。
上述方案中,电子设备使用至少一个专家网络对每一候选媒体资源组的特征提取与不同的指标相关的学习特征,再利用每个指标对应的权重集合和至少一个专家网络提取的所有学习特征预测该指标的内容。如此,对于不同的指标,实现了共用至少一个专家网络。再通过每个指标对应的权重集合(包括该至少一个专家网络的权重),可以控制至少一个专家网络提取的所有学习特征在预测任一个指标的内容中的重要程度。例如,提取到的学习特征与一个指标的相关程度较大的专家网络,在该指标对应的权重集合中的权重更大,则该学习特征对预测该指标的内容的影响越大,预测的该指标的内容更准确。这样保证了与一个指标的相关程度较小的学习特征对预测该指标的内容的干扰,即保证了电子设备预测不同的指标的内容的独立性。
其次,电子设备针对每一候选媒体资源组能够同时预测至少两个指标的内容,避免了根据每一候选媒体资源组投放过程中单一的表现来确定待投放媒体资源,提高了投放效果。
可选的,电子设备可以包括预先训练好的媒体资源处理模型,用于根据每一候选媒体资源组的特征预测每一候选媒体资源组的至少两个指标的内容。
具体的,该媒体资源处理模型可以包括多任务模型(task tower)和至少一个专家网络(expert)。多任务模型(可以称为多预测模型)包括与至少两个指标一一对应的至少两个并行任务。专家网络和多任务模型中的任务的结构均为MLP+Relu。专家网络的数量根据多任务模型中的并行任务量确定。例如,多任务模型包括2个并行任务,媒体资源处理模型包括3个专家网络;多任务模型包括4个并行任务,媒体资源处理模型包括6个专家网络。
其中,每个专家网络用于对每一候选媒体资源组的特征提取与至少一个指标相关的学习特征。多任务模型用于预测至少两个指标的内容。
示例性的,图3为本公开实施例示出的一种媒体资源处理模型的结构示意图。如图3所示,该媒体资源处理模型包括输入层34、控制层33、多任务模型层32、以及输出层31。其中,多任务模型层32包括并行的任务1至任务m。控制层33包括专家网络1至专家网络n。控制层33还包括1个门控制单元或者m个门控制单元(gate)(图3中未示出),每个门控制单元的结构为MLP+Softmax。
这样,在输入层34输入每一候选媒体资源组的特征(如,候选媒体资源对应的全向量)时,专家网络1至专家网络n分别对每一候选媒体资源组的特征提取与至少一个指标相关的学习特征,从而得到n个学习特征。之后,每个指标对应的门控制单元将每个学习特征乘以每个指标对应的权重集合中与该学习特征对应的1个专家网络的权重后求和。最后,任务1至任务m分别对求和后的向量进行指标的预测,得到指标的内容1至指标的内容m。如果有m个门控制单元,则得到m个求和后的向量,任务1至任务m分别对m个求和后的向量进行指标的预测。任务1至任务m与m个求和后的向量是一一对应的。
可选的,上述媒体资源处理模型还可以包括对每一候选媒体资源组的多个初始特征的处理功能(即在媒体资源处理模型中实现对每一候选媒体资源组的多个初始特征的嵌入处理、点积运算处理以及拼接处理)。这样,电子设备在获取到每一候选媒体资源组的多个初始特征之后,直接输入媒体资源处理模型,便能够得到每一候选媒体资源组的至少两个指标的内容。
示例性的,图4为本公开实施例示出的一种媒体资源处理模型的结构示意图。如图4所示,该媒体资源处理模型包括输入层34、表示层37、交互层36、连接层35、控制层33、多任务模型层32、以及输出层31。其中,多任务模型层32包括并行的任务1至任务m;控制层33包括专家网络1至专家网络n。控制层33还包括1个门控制单元或者m个多个门控制单元(gate)(图中未示出),每个门控制单元的结构为MLP+Softmax。
这样,在输入层34输入每一候选媒体资源组的多个初始特征时,表示层37对候选媒体资源的多个初始特征中每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量。交互层36对每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一候选媒体资源组的交互特征向量。连接层35对每一候选媒体资源组的所有交互特征向量进行拼接处理,并将拼接得到的向量作为每一候选媒体资源组的特征(即每一候选媒体资源组对应的全向量)。之后,专家网络1至专家网络n分别对每一候选媒体资源组的特征提取与至少一个指标相关的学习特征,得到n个学习特征。之后,每个指标对应的门控制单元将每个学习特征乘以每个指标对应的权重集合中与该学习特征对应的1个专家网络的权重后求和。最后,任务1至任务m分别对求和后的向量进行指标的预测,得到指标的内容1至指标的内容m。
上述方案中,媒体资源处理模型中的门控制单元,能够使得不同任务(即不同指标)多样化使用专家网络输出的学习特征。这样,即使在不同指标之间的相关度不高的情况下,也可以利用与每个指标相关的部分专家网络输出的学习特征来预测其对应的指标的内容,提高了媒体资源处理模型的灵活性。媒体资源处理模型中的多任务模型包括至少两个并行任务,能够预测至少两个指标的内容,避免了根据媒体资源投放过程中单一的表现来确定待投放媒体资源,提高了投放效果。至少两个并行任务和至少两个指标为一一对应的。
可选的,在电子设备包括媒体资源处理模型的情况下,本公开实施例还提供一种媒体资源处理模型的确定方法。如图5A所示,媒体资源处理模型的确定方法包括如下步骤。
步骤41:电子设备获取第一预设时间段内至少一个历史媒体资源组中每一历史媒体资源组的特征、以及第二预设时间段内每一历史媒体资源组的至少两个指标的内容。
其中,第一预设时间段的时间早于第二预设时间段的时间。每一历史媒体资源组包括一个历史媒体资源或多个历史媒体资源。
具体的,电子设备可以获取每一历史媒体资源组在第一预设时间段内的特征数据(可以称为投放数据),对每一历史媒体资源组对应的特征数据进行聚合处理,得到每一历史媒体资源组对应的多个初始特征。
其中,至少一个历史媒体资源组的特征作为初始网络模型的训练样本,为了保证训练样本的平衡,对于某一历史媒体资源组的特征数据中存在长尾现象(大量媒体资源创意的花费较低)的情况,也获取该历史媒体资源组的特征和至少两个指标的内容,用于训练初始网络模型。电子设备可以对该历史媒体资源组的特征的数据进行负采样,得到负样本数据(该负样本数据也可以包括至少三类特征数据);再对负样本数据也进行聚合处理,得到该历史媒体资源组对应的多个初始特征。
之后,电子设备对采集的每一历史媒体资源组的多个初始特征依次进行嵌入处理、点积运算处理以及拼接处理,得到每一历史媒体资源组对应的特征。
最后,电子设备获取与每一历史媒体资源组的特征数据对应的至少两个指标的内容。例如,第一预设时间段为某个时刻的前N天,第二预设时间段为某个时刻后的一段连续时间。每一历史媒体资源组的特征数据为某媒体资源前N天的特征数据,每一历史媒体资源组对应的至少两个指标的内容为分类标签中的每一历史媒体资源组的激活转化率和每一历史媒体资源组的累计ROI,则电子设备获取N天后一段连续时间内每一历史媒体资源组的激活转化率和累计ROI。这样,电子设备便可以根据每一历史媒体资源组前N天的特征数据确定每一历史媒体资源组的特征,并将N天后一段连续时间内每一历史媒体资源组的激活转化率和累计ROI确定为每一历史媒体资源组的两个指标的内容。
可选地,每一历史媒体资源的特征采用向量表征。电子设备可以先获取第一预设时间段内每一历史媒体资源组对应的多个初始特征。然后,电子设备将每一历史媒体资源组对应的多个初始特征输入至初始网络模型中的表示层;通过表示层对每一历史媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量。电子设备再通过初始网络模型中的交互层对每一历史媒体资源组对应的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一历史媒体资源组对应的交互特征向量。最后,电子设备通过初始网络模型中的连接层对每一历史媒体资源组对应的交互特征向量进行拼接处理,将拼接得到的向量作为每一历史媒体资源的特征。
可以理解的是,电子设备对每一历史媒体资源组的每个初始特征进行嵌入处理,能够实现初始特征的向量化。对于电子设备而言,初始特征向量属于可读的机器语言,这样就提高了每一历史媒体资源组的初始特征的可读性。然后,电子设备对每两个初始特征向量进行点积运算处理,能够实现每一历史媒体资源组的不同初始特征之间的交互,增强了不同初始特征之间的联系。而且,若影响任一个指标的内容的两个初始特征关联组成交互特征向量,根据该交互特征向量预测该指标的内容,相较于根据影响该指标的内容的一个初始特征预测该指标的内容,准确度更高。因此可知,电子设备使用每两个初始特征向量关联组成的交互特征向量,可以提高预测至少两个指标的内容的准确度。
另外,电子设备可以对每一历史媒体资源组的所有交互特征向量进行拼接处理,得到一个拼接后的向量作为每一历史媒体资源组的特征。根据该历史媒体资源组的特征预测至少两个指标的内容,就是根据每一历史媒体资源组的所有交互特征向量预测至少两个指标的内容。
步骤42:电子设备根据至少一个历史媒体资源组的特征、以及至少一个历史媒体资源组的至少两个指标的内容,对初始网络模型进行训练,得到媒体资源处理模型。
具体的,电子设备根据至少一个历史媒体资源组中每一历史媒体资源组的特征和至少两个指标的内容,对初始网络模型进行M次训练,直至满足预设收敛条件,得到媒体资源处理模型。初始网络模块可以是神经网络模型。
其中,M次训练中的第i次训练的步骤包括:将一个历史媒体资源组的特征输入第i-1次训练得到的初始网络模型进行处理,得到至少两个指标的预测内容;然后,根据至少两个指标的预测内容与该历史媒体资源组的至少两个指标的内容之间的损失值,调整第i-1次训练得到的初始网络模型的参数。
预设收敛条件为损失值小于或等于第一阈值,1≤i≤M。第一阈值为预设的,例如,可以为默认值,或者相关人员根据实际情况写入的数值,或者电子设备的处理器根据某个预设公式计算出的数值。
可选的,在本公开中的媒体资源处理模型包括对每一候选媒体资源组的多个初始特征的处理功能的情况下,电子设备根据至少一个历史媒体资源组中每一历史媒体资源组的多个初始特征和至少两个指标的内容,对初始网络模型进行训练,得到媒体资源处理模型。
具体地,如图5B所示,步骤42具体可以包括如下步骤。
步骤421:电子设备将每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征。
步骤422:电子设备根据每个指标对应的权重集合和至少一个专家网络提取的所有初始学习特征,得到每个指标的关联信息;其中,权重集合包括至少一个专家网络的权重。
电子设备可以通过初始网络模型中与每个指标对应的门控制单元根据每个指标对应的权重集合和至少一个专家网络提取的所有初始学习特征,得到每个指标的关联信息。其中,至少两个指标可以对应同一个门控制单元,或者,对应不同的的门控制单元。
可选地,至少两个指标对应的权重集合均不相同。
可以理解的是,由于不同的指标,与每个专家网络提取的学习特征的关联程度不同;因此,每个指标用专属的权重集合(包括至少一个专家网络的权重),可以保证与该指标关联较小的专家网络提取的学习特征,对预测该指标的内容的影响较小;与该指标关联较大的专家网络提取的学习特征,对预测该指标的内容的影响较大;提高了每个指标的内容的预测准确度。
步骤423:电子设备通过初始网络模型中与每个指标对应的预测模型对每个指标的关联信息进行指标内容的预测,得到每个指标的预测内容。
步骤424:电子设备确定得到的至少两个指标的预测内容和每一历史媒体资源组的至少两个指标的内容之间的损失值。
电子设备可以计算每个指标的预测内容和每个指标的内容之间的差值(即,损失值)。
步骤425:电子设备根据损失值迭代训练初始网络模型,直至损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
电子设备根据一个历史媒体资源组的特征和至少两个指标的内容得到损失值后,根据损失值调整初始网络模型的参数;再用下一个历史媒体资源组的特征和至少两个指标的内容训练调整后的初始网络模型,直至损失值小于预设阈值。
可以理解的是,电子设备预测每一历史媒体资源组不同的指标内容,使用相同的至少一个专家网络,实现了至少一个专家网络的共享。其次,利用每个指标对应的权重集合、和至少一个专家网络提取的所有学习特征,得到每个指标的关联信息。通过设置每个指标对应的权重集合(包括至少一个专家网络的权重),可以放大提取的学习特征与每个指标的相关程度较大的专家网络的权重,减小提取的学习特征与每个指标的相关程度较小的专家网络的权重。从而可以放大与每个指标的相关程度较大的学习特征在每个指标的关联信息中的比重,缩小与每个指标的相关程度较小的学习特征在每个指标的关联信息中的比重,以使得根据每个指标的关联信息,能够更准确预测每个指标的内容。
可以理解的是,上述待投放媒体资源的确定方法可以由待投放媒体资源的确定装置实现。待投放媒体资源的确定装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。
本公开实施例可以根据上述方法示例对上述待投放媒体资源的确定装置等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本公开实施例还提供一种待投放媒体资源的确定装置。该确定装置可以为电子设备,也可以是电子设备中的芯片,还可以是电子设备中用于确定广告的控制模块。
图6是根据一示例性实施例示出的一种待投放媒体资源的确定装置的结构示意图。参见图6所示,该确定装置包括处理模块51和确定模块52。
处理模块51,被配置为执行针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到每一候选媒体资源组的至少两个指标的内容。其中,每一候选媒体资源组包括至少一个候选媒体资源。处理操作包括:获取每一候选媒体资源组的特征;将特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和至少两个指标中每个指标对应的权重集合,确定每一候选媒体资源组的每个指标的内容。权重集合包括至少一个专家网络的权重。
确定模块52,被配置为执行根据每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
可选地,处理模块51,具体被配置为执行:基于权重集合,对得到的学习特征进行加权求和,得到求和后的特征;对求和后的特征进行每个指标的预测,得到每一候选媒体资源组的每个指标的内容。
可选地,确定模块52,具体被配置为执行:将至少两个指标的内容满足预设条件的候选媒体资源组确定为目标候选媒体资源组;或者,确定每一第一候选媒体资源组的综合指标值,第一候选媒体资源组为至少两个指标的内容满足预设条件的候选媒体资源组;根据确定的综合指标值,对所有第一候选媒体资源组进行排序,得到排序后的第一候选媒体资源组;从排序后的第一候选媒体资源组中确定目标候选媒体资源组。
其中,预设条件包括至少两个指标中每个指标的内容在每个指标对应的预设范围内。
可选地,确定模块52,具体被配置为执行:分别对每一第一候选媒体资源组的每个指标的内容进行归一化,得到至少两个数值;对至少两个数值和至少两个预设指标权重进行加权求和,得到综合指标值。
可选地,每一候选媒体资源组的特征采用向量表征。处理模块51,具体被配置为执行:获取每一候选媒体资源组对应的多个初始特征;对每一候选媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;对每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一候选媒体资源组的交互特征向量;对每一候选媒体资源组的交互特征向量进行拼接处理,将拼接得到的向量作为每一候选媒体资源的特征。
可选地,处理模块51,具体被配置为执行:获取预设时间段内每一候选媒体资源组中每个候选媒体资源的特征数据;对每一候选媒体资源组对应的特征数据进行聚合处理,得到每一候选媒体资源组对应的多个初始特征。
可选地,每一候选媒体资源组对应的多个初始特征包括至少三类初始特征。至少三类初始特征包括数值型特征、类别型稀疏特征以及序列特征。数值型特征包括预设时间段内每一候选媒体资源组的第一消费数据的和。类别型稀疏特征包括预设时间段内每一候选媒体资源组的类别。序列特征包括预设时间段中的每个单位时间内,每一候选媒体资源组中的所有候选媒体资源的第二消费数据的和。
图7是根据一示例性实施例示出的一种媒体资源处理模型的确定装置的结构示意图。参见图7所示,该确定装置包括获取模块61和训练模块62。
获取模块61,被配置为执行获取第一预设时间段内至少一个历史媒体资源组中每一历史媒体资源的特征、以及第二预设时间段内每一历史媒体资源组的至少两个指标的内容;第一预设时间段的时间早于第二预设时间段的时间;每一历史媒体资源组包括至少一个历史媒体资源。
训练模块62,被配置为执行:将每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征;根据每个指标对应的权重集合和至少一个专家网络提取的所有初始学习特征,得到每个指标的关联信息;其中,权重集合包括至少一个专家网络的权重;通过初始网络模型中与每个指标对应的预测模型对每个指标的关联信息进行指标内容的预测,得到每个指标的预测内容;确定得到的至少两个指标的预测内容和每一历史媒体资源组的至少两个指标的内容之间的损失值;根据损失值迭代训练初始网络模型,直至损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
可选地,每一历史媒体资源的特征采用向量表征。获取模块61,具体被配置为执行:获取第一预设时间段内每一历史媒体资源组对应的多个初始特征;将每一历史媒体资源组对应的多个初始特征输入至初始网络模型中的表示层;通过表示层对每一历史媒体资源组对应的每个初始特征进行嵌入处理,得到每个初始特征对应的初始特征向量;通过初始网络模型中的交互层对每一历史媒体资源组对应的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到每一历史媒体资源组对应的交互特征向量;通过初始网络模型中的连接层对每一历史媒体资源组对应的交互特征向量进行拼接处理,将拼接得到的向量作为每一历史媒体资源的特征。
可选地,至少两个指标对应的权重集合均不相同。
图8是根据一示例性实施例示出的一种电子设备的硬件结构示意图。该电子设备可以包括处理器702。处理器702用于执行应用程序代码,从而实现本公开中的待投放媒体资源的确定方法;或者,处理器702用于执行应用程序代码,从而实现本公开中的媒体资源处理模型的确定方法。
处理器702可以是一个中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本公开方案程序执行的集成电路。
如图8所示,电子设备还可以包括存储器703。其中,存储器703用于存储执行本公开方案的应用程序代码,并由处理器702来控制执行。
存储器703可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器703可以是独立存在,通过总线704与处理器702相连接。存储器703也可以和处理器702集成在一起。
如图8所示,电子设备还可以包括通信接口701,其中,通信接口701、处理器702、存储器703可以相互耦合,例如,通过总线704相互耦合。通信接口701用于与其他设备进行信息交互,例如支持电子设备与其他设备的信息交互。
需要指出的是,图8中示出的设备结构并不构成对该电子设备的限定,除图8所示部件之外,该电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在实际实现时,处理模块51和确定模块52所实现的功能可以由图8所示的处理器702调用存储器703中的程序代码来实现。其具体的执行过程可参考上述方法实施例中的待投放媒体资源的确定方法部分的描述,这里不再赘述。
在实际实现时,获取模块61和训练模块62所实现的功能可以由图8所示的处理器702调用存储器703中的程序代码来实现。其具体的执行过程可参考上述方法实施例中的媒体资源处理模型的确定方法部分的描述,这里不再赘述。
本公开另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令。当计算机指令在上述电子设备上运行时,使得该电子设备执行上述方法实施例中的待投放媒体资源的确定方法;或者,当计算机指令在该电子设备上运行时,使得该电子设备执行上述方法实施例中的媒体资源处理模型的确定方法。
例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在本公开的另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括计算机指令。当计算机指令在上述电子设备上运行时,使得该电子设备执行如上述方法实施例中的待投放媒体资源的确定方法;或者,当计算机指令在该电子设备上运行时,使得该电子设备执行如上述方法实施例中的媒体资源处理模型的确定方法。
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。
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 (10)
1.一种待投放媒体资源的确定方法,其特征在于,所述确定方法包括:
针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到所述每一候选媒体资源组的至少两个指标的内容;其中,所述每一候选媒体资源组包括至少一个候选媒体资源;所述处理操作包括:获取所述每一候选媒体资源组的特征;将所述特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和所述至少两个指标中每个指标对应的权重集合,确定所述每一候选媒体资源组的每个指标的内容;所述权重集合包括所述至少一个专家网络的权重;
根据所述每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将所述目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
2.根据权利要求1所述的确定方法,其特征在于,所述根据得到的学习特征和所述至少两个指标中每个指标对应的权重集合,确定所述每一候选媒体资源组的每个指标的内容,包括:
基于所述权重集合,对所述得到的学习特征进行加权求和,得到求和后的特征;
对所述求和后的特征进行每个指标的预测,得到所述每一候选媒体资源组的每个指标的内容。
3.根据权利要求1或2所述的确定方法,其特征在于,所述每一候选媒体资源组的特征采用向量表征;
所述获取所述每一候选媒体资源组的特征,包括:
获取所述每一候选媒体资源组对应的多个初始特征;
对所述每一候选媒体资源组对应的每个初始特征进行嵌入处理,得到所述每个初始特征对应的初始特征向量;
对所述每一候选媒体资源组的所有初始特征向量中的每两个初始特征向量进行点积运算处理,得到所述每一候选媒体资源组的交互特征向量;
对所述每一候选媒体资源组的交互特征向量进行拼接处理,将拼接得到的向量作为所述每一候选媒体资源的特征。
4.根据权利要求3所述的确定方法,其特征在于,所述每一候选媒体资源组对应的多个初始特征包括至少三类初始特征;
所述至少三类初始特征包括数值型特征、类别型稀疏特征以及序列特征;所述数值型特征包括所述预设时间段内所述每一候选媒体资源组的第一消费数据的和,所述类别型稀疏特征包括所述预设时间段内所述每一候选媒体资源组的类别,所述序列特征包括所述预设时间段中的每个单位时间内,所述每一候选媒体资源组中的所有候选媒体资源的第二消费数据的和。
5.一种媒体资源处理模型的确定方法,其特征在于,所述确定方法包括:
获取第一预设时间段内至少一个历史媒体资源组中每一历史媒体资源的特征、以及第二预设时间段内所述每一历史媒体资源组的至少两个指标的内容;所述第一预设时间段的时间早于所述第二预设时间段的时间;所述每一历史媒体资源组包括至少一个历史媒体资源;
将所述每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征;
根据每个指标对应的权重集合和所述至少一个专家网络提取的所有初始学习特征,得到所述每个指标的关联信息;其中,所述权重集合包括所述至少一个专家网络的权重;
通过所述初始网络模型中与所述每个指标对应的预测模型对所述每个指标的关联信息进行指标内容的预测,得到所述每个指标的预测内容;
确定得到的所述至少两个指标的预测内容和所述每一历史媒体资源组的至少两个指标的内容之间的损失值;
根据所述损失值迭代训练所述初始网络模型,直至所述损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
6.一种待投放媒体资源的确定装置,其特征在于,所述确定装置包括:
处理模块,被配置为执行针对媒体资源候选集合中的每一候选媒体资源组,采用预先训练好的媒体资源处理模型执行处理操作,以得到所述每一候选媒体资源组的至少两个指标的内容;其中,所述每一候选媒体资源组包括至少一个候选媒体资源;所述处理操作包括:获取所述每一候选媒体资源组的特征;将所述特征输入到至少一个专家网络,得到每个专家网络输出的与至少一个指标相关的学习特征;根据得到的学习特征和所述至少两个指标中每个指标对应的权重集合,确定所述每一候选媒体资源组的每个指标的内容;所述权重集合包括所述至少一个专家网络的权重;
确定模块,被配置为执行根据所述每一候选媒体资源组的至少两个指标的内容,确定目标候选媒体资源组,并将所述目标候选媒体资源组中的候选媒体资源作为待投放媒体资源。
7.一种媒体资源处理模型的确定装置,其特征在于,所述确定装置包括:
获取模块,被配置为执行获取第一预设时间段内至少一个历史媒体资源组中每一历史媒体资源的特征、以及第二预设时间段内所述每一历史媒体资源组的至少两个指标的内容;所述第一预设时间段的时间早于所述第二预设时间段的时间;所述每一历史媒体资源组包括至少一个历史媒体资源;
训练模块,被配置为执行:
将所述每一历史媒体资源组的特征输入至初始网络模型中的至少一个专家网络;通过每个专家网络提取初始学习特征;
根据每个指标对应的权重集合和所述至少一个专家网络提取的所有初始学习特征,得到所述每个指标的关联信息;其中,所述权重集合包括所述至少一个专家网络的权重;
通过所述初始网络模型中与所述每个指标对应的预测模型对所述每个指标的关联信息进行指标内容的预测,得到所述每个指标的预测内容;
确定得到的所述至少两个指标的预测内容和所述每一历史媒体资源组的至少两个指标的内容之间的损失值;
根据所述损失值迭代训练所述初始网络模型,直至所述损失值小于或等于预设阈值,将训练得到的初始网络模型确定为媒体资源处理模型。
8.一种电子设备,其特征在于,所述电子设备包括:处理器和用于存储所述处理器执行的指令的存储器;
其中,所述处理器被配置为执行所述指令,使得所述电子设备执行如权利要求1-4中任一项所述的待投放媒体资源的确定方法;
或者,所述处理器被配置为执行所述指令,使得所述电子设备执行如权利要求5所述的媒体资源处理模型的确定方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令;
当所述计算机指令由电子设备执行时,使得所述电子设备执行如权利要求1-4中任一项所述的待投放媒体资源的确定方法;
或者,当所述计算机指令由所述电子设备执行时,使得所述电子设备执行如权利要求5所述的媒体资源处理模型的确定方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令;
当所述计算机指令被电子设备执行时,实现如权利要求1-4中任一项所述的待投放媒体资源的确定方法;
或者,当所述计算机指令被所述电子设备执行时,实现如权利要求5所述的媒体资源处理模型的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110963636.6A CN113689237A (zh) | 2021-08-20 | 2021-08-20 | 待投放媒体资源、媒体资源处理模型的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110963636.6A CN113689237A (zh) | 2021-08-20 | 2021-08-20 | 待投放媒体资源、媒体资源处理模型的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689237A true CN113689237A (zh) | 2021-11-23 |
Family
ID=78581138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110963636.6A Pending CN113689237A (zh) | 2021-08-20 | 2021-08-20 | 待投放媒体资源、媒体资源处理模型的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689237A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363671A (zh) * | 2021-12-31 | 2022-04-15 | 北京达佳互联信息技术有限公司 | 多媒体资源推送方法、模型训练方法、装置、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596393A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源预测模型的训练方法和装置 |
CN110750658A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 |
CN110781323A (zh) * | 2019-10-25 | 2020-02-11 | 北京达佳互联信息技术有限公司 | 多媒体资源的标签确定方法、装置、电子设备及存储介质 |
CN111160566A (zh) * | 2019-12-26 | 2020-05-15 | 腾讯科技(深圳)有限公司 | 样本生成方法、装置、计算机可读存储介质和计算机设备 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
-
2021
- 2021-08-20 CN CN202110963636.6A patent/CN113689237A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596393A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源预测模型的训练方法和装置 |
CN110750658A (zh) * | 2019-09-18 | 2020-02-04 | 平安科技(深圳)有限公司 | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 |
CN110781323A (zh) * | 2019-10-25 | 2020-02-11 | 北京达佳互联信息技术有限公司 | 多媒体资源的标签确定方法、装置、电子设备及存储介质 |
CN111160566A (zh) * | 2019-12-26 | 2020-05-15 | 腾讯科技(深圳)有限公司 | 样本生成方法、装置、计算机可读存储介质和计算机设备 |
CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种资源推荐方法及相关设备 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
许翀寰等: "《复杂社会情境下的个性化推荐方法与应用》", vol. 1, 浙江工商大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363671A (zh) * | 2021-12-31 | 2022-04-15 | 北京达佳互联信息技术有限公司 | 多媒体资源推送方法、模型训练方法、装置、存储介质 |
CN114363671B (zh) * | 2021-12-31 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 多媒体资源推送方法、模型训练方法、装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021017609A1 (zh) | 确定预计送达时间 | |
CN104346372B (zh) | 用于评估预测模型的方法和装置 | |
CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
CN113034171B (zh) | 一种业务数据处理方法、装置、计算机及可读存储介质 | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN109949089A (zh) | 一种确定展示率的方法、装置及终端 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN109800138B (zh) | 一种cpu测试方法、电子装置及存储介质 | |
CN114912030A (zh) | 权益模型训练方法、推荐方法及电子终端和计算机介质 | |
CN113689237A (zh) | 待投放媒体资源、媒体资源处理模型的确定方法及装置 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN114298728A (zh) | 一种数据处理方法及相关装置 | |
CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
CN111310931A (zh) | 参数生成方法、装置、计算机设备及存储介质 | |
CN116578400A (zh) | 多任务数据处理方法和装置 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN117897738A (zh) | 人工智能辅助的实况体育数据质量保证 | |
WO2015179717A1 (en) | Determination of initial value for automated delivery of news items | |
CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN115311001A (zh) | 一种基于多重投票算法的预测用户换机倾向的方法及*** | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN114742644A (zh) | 训练多场景风控***、预测业务对象风险的方法和装置 | |
CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、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 |