CN113837811B - 一种电梯广告点位推荐方法、装置、计算机设备及存储介质 - Google Patents

一种电梯广告点位推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113837811B
CN113837811B CN202111162262.4A CN202111162262A CN113837811B CN 113837811 B CN113837811 B CN 113837811B CN 202111162262 A CN202111162262 A CN 202111162262A CN 113837811 B CN113837811 B CN 113837811B
Authority
CN
China
Prior art keywords
elevator
point
advertisement
elevator advertisement
label
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
Application number
CN202111162262.4A
Other languages
English (en)
Other versions
CN113837811A (zh
Inventor
董勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Pingmeng Technology Co ltd
Original Assignee
Chengdu Pingmeng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Pingmeng Technology Co ltd filed Critical Chengdu Pingmeng Technology Co ltd
Priority to CN202111162262.4A priority Critical patent/CN113837811B/zh
Publication of CN113837811A publication Critical patent/CN113837811A/zh
Application granted granted Critical
Publication of CN113837811B publication Critical patent/CN113837811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
    • B66B3/002—Indicators
    • B66B3/008—Displaying information not related to the elevator, e.g. weather, publicity, internet or TV
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及线下广告技术领域，公开了一种电梯广告点位推荐方法、装置、计算机设备及存储介质。通过本发明创造，提供了一种基于神经网络算法的电梯广告点位推荐方案，即在获取由广告主根据待投广告的目标人群定位结果指定的至少一个点位标签后，可根据标签实际值和基于神经网络的且已完成学习的多标签融合模型，得到用于向所述广告主推荐电梯广告点位的点位列表，进而可为广告主提供一个客观量化的点位价值排序来方便进行电梯广告点位的择优选择，使得在避免造成广告投放偏差和广告效果不理想的同时，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率，便于实际应用和推广。

Description

一种电梯广告点位推荐方法、装置、计算机设备及存储介质
技术领域
本发明属于线下广告技术领域，具体地涉及一种电梯广告点位推荐方法、装置、计算机设备及存储介质。
背景技术
广告机是新一代的智能设备，通过终端软件控制、网络信息传输和多媒体终端显示构成一个完整的广告播控***，并通过图片、文字、视频和/或小插件(例如天气或汇率等)等多媒体素材进行广告宣传。随着广告机技术的不断发展和应用，广告机逐渐走进了写字楼和楼盘小区等场所，通过广告机来获取广告资讯已经成为了人们生活中必不可少的一部分，为了能够满足广告投放的需要，需要事先由广告主(即相对于广告服务商的客户)选择好广告点位来进行广告投放。广告点位是指设置有广告机的地点，一个广告点位对应到一个广告机，广告点位具有唯一的编号，所以后台服务器能够通过编号筛选到具体的广告点位，就可以发送信息到具体的广告机，使得该广告机播放设定广告。
电梯广告点位是指位于电梯轿厢中的广告点位。在广告主选择电梯广告点位的过程中，通常是先根据所述广告主指定的楼盘单一标签或者多个标签，采用简单地取交集或并集的方式，将符合多标签融合点位需求条件的所有电梯广告点位推荐给所述广告主，然后由所述广告主从中选取满意的电梯广告点位进行广告投放。这种广告点位选择过程不但费时费力，还由于在点位推荐阶段缺少精确的点位价值排序(即针对不同行业广告，不同的电梯广告点位应具有不同的点位价值，例如市中心的电梯广告点位可能对奢饰品广告更有价值，而郊区的电梯广告点位会对中低端消费广告更有价值)，因此无法在给定预算前提下提供可客观量化的点位价值排序给广告主进行择优选择的技术手段，从而会造成广告投放偏差，广告效果不理想，没有让整个广告投放过程效率最大化的问题，有待继续研究并提出一种新的电梯广告点位推荐方案。
发明内容
为了解决在现有电梯广告点位选择过程中无法向广告主推荐客观量化的点位价值排序以进行择优选择的问题，本发明目的在于提供一种电梯广告点位推荐方法、装置、计算机设备及计算机可读存储介质，可为广告主提供一个客观量化的点位价值排序来方便进行电梯广告点位的择优选择，使得在避免造成广告投放偏差和广告效果不理想的同时，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率，便于实际应用和推广。
第一方面，本发明提供了一种电梯广告点位推荐方法，包括：
获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签；
针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值；
针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分；
按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
基于上述发明内容，提供了一种基于神经网络算法的电梯广告点位推荐方案，即在获取由广告主根据待投广告的目标人群定位结果指定的至少一个点位标签后，先针对多个待选电梯广告点位中的各个待选电梯广告点位，根据对应的标签实际值和基于神经网络的且已完成学习的多标签融合模型，预测得到对应的多标签融合目标受众浓度值，并计算该多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的点位价值评分，然后按照点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的点位列表，进而可为广告主提供一个客观量化的点位价值排序来方便进行电梯广告点位的择优选择，使得在避免造成广告投放偏差和广告效果不理想的同时，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率，便于实际应用和推广。
在一个可能的设计中，所述第一目标人群标签信息还包含有在所述至少一个点位标签中各个点位标签上的标签条件值，针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，包括：
根据在所述第一目标人群标签信息中所有点位标签上的标签条件值，对所有的待选电梯广告点位进行询量查询处理，得到符合在所述第一目标人群标签信息中所有点位标签的标签条件交集的多个待选电梯广告点位；
针对所述多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中。
在一个可能的设计中，在输入基于神经网络的且已完成学习的多标签融合模型中之前，所述方法还包括有如下步骤S201～S208：
S201.获取已投广告主的第二目标人群标签信息和至少一个已投电梯广告点位，其中，所述第二目标人群标签信息包含有所述已投广告主根据已投广告的目标人群定位结果指定的至少一个点位标签以及在各个点位标签上的标签条件值；
S202.根据在所述第二目标人群标签信息中所有点位标签上的标签条件值，对所有的备选电梯广告点位进行询量查询处理，得到符合在所述第二目标人群标签信息中所有点位标签的标签条件交集的多个备选电梯广告点位；
S203.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，将对应的且在所述第二目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入神经网络模型中，得到对应的第二多标签融合目标受众浓度值；
S204.针对所述各个备选电梯广告点位，计算对应的所述第二多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第二点位价值评分；
S205.按照所述第二点位价值评分的从高到低顺序，对所述多个备选电梯广告点位进行依次排序，得到用于向所述已投广告主推荐电梯广告点位的第二点位列表；
S206.根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，其中，N表示所述至少一个已投电梯广告点位的点位总数；
S207.根据损失函数计算结果，通过反向传播算法修正所述神经网络模型的网络参数，得到新的神经网络模型；
S208.针对另一已投广告主，基于所述新的神经网络模型返回执行步骤S201～S207，直到所述损失函数计算结果达到预设目标值或者针对所有的已投广告主均已执行过所述步骤S201～S207，并将最后所得的所述新的神经网络模型作为已完成学习的且用于根据输入数据输出多标签融合目标受众浓度值的多标签融合模型。
基于上述可能设计，可以基于已投广告主根据已投广告的目标人群定位结果指定的点位标签以及在点位标签上的标签条件值和电梯广告点位选择结果，使多标签融合模型不断地进行自学习，从而不断优化神经网络参数，提高多标签融合目标受众浓度值的预测准确率，进一步确保后续点位价值排序的正确性
在一个可能的设计中，根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，包括：
针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于所述至少一个已投电梯广告点位,若是,则记录对应的第一比对结果值为1，否则记录对应的第一比对结果值为0；
针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于在所述第二点位列表中的前N个备选电梯广告点位,若是,则记录对应的第二比对结果值为1，否则记录对应的第二比对结果值为0，其中，N表示所述至少一个已投电梯广告点位的点位总数；
采用如下公式计算损失函数Loss：
式中，M表示所述多个备选电梯广告点位中的点位总数,m表示自然数，ym表示所述多个备选电梯广告点位中的第m个备选电梯广告点位的第一比对结果值，am表示所述第m个备选电梯广告点位的第二比对结果值。
在一个可能的设计中，针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分，包括：
按照如下公式计算得到待选电梯广告点位的触达能力估算值CPR：
式中，H表示所述待选电梯广告点位的所属电梯在运行楼层区间的层间平均户数，L表示所述运行楼层区间的楼层数，R表示所述运行楼层区间的入住率，F表示所述待选电梯广告点位的当前上刊率，B表示预设系数；
按照如下公式计算得到所述待选电梯广告点位的点位价值评分P：
P＝ηTA*CPR
式中，ηTA表示所述待选电梯广告点位的第一多标签融合目标受众浓度值。
在一个可能的设计中，在计算得到待选电梯广告点位的触达能力估算值CPR之前，所述方法还包括：
针对多个电梯广告点位中的各个电梯广告点位，获取对应的且在连续多日采集而得的厢内视频数据，其中，所述多个电梯广告点位布置在待选电梯广告点位的所在地区，所述厢内视频数据由安装在对应电梯广告点位的所属电梯轿厢内的厢内顶部摄像头采集而得，所述厢内顶部摄像头的镜头视野涵盖厢内地面区域；
针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次；
针对所述各个电梯广告点位，按照如下公式计算得到对应的系数值b：
式中，h表示对应电梯广告点位的所属电梯在运行楼层区间的层间平均户数，l表示对应电梯广告点位的所属电梯在运行楼层区间的楼层数，r表示对应电梯广告点位的所属电梯在运行楼层区间的入住率，cpr表示对应电梯广告点位的单广告日均触达人次，f表示对应电梯广告点位在所述连续多日的日均上刊率；
对计算得到的所有系数值b进行拟合处理，得到所述待选电梯广告点位的预设系数B。
基于上述可能设计，可以精确测定触达能力估算公式中的预设系数，提高后续触达能力估算结果的准确率，进一步确保最终点位价值排序的正确性。
在一个可能的设计中，针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次，包括：
对厢内视频数据进行每单位时间抽一帧处理，得到多帧厢内视频帧图像，其中，所述单位时间小于广告的单次播放时长；
针对所述多帧厢内视频帧图像中的每帧厢内视频帧图像，采用人头检测模型进行人头识别处理，得到在对应图像中的人数；
针对在电梯广告点位中播放的各个广告，根据对应的且在单次播放时段内的至少一帧厢内视频帧图像，将识别所得的最多人数作为对应的且在该单次播放时段的触达人次；
针对所述连续多日的各日，先累加计算在对应日内的所播广告在所有播放时段的触达人次，然后除以在对应日内的轮播广告总数，得到对应的单日单广告总触达人次；
对所有的所述单日单广告总触达人次进行均值计算处理，得到与所述电梯广告点位对应的单广告日均触达人次。
第二方面，本发明提供了一种电梯广告点位推荐装置，包括有依次通信连接的标签信息获取模块、目标受众浓度预估模块、点位价值评分计算模块和点位排序模块；
所述标签信息获取模块，用于获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签；
所述目标受众浓度预估模块，用于针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值；
所述点位价值评分计算模块，用于针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分；
所述点位排序模块，用于按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
第三方面，本发明提供了一种计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的电梯广告点位推荐方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如上第一方面或第一方面中任意可能设计所述的电梯广告点位推荐方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如上第一方面或第一方面中任意可能设计所述的电梯广告点位推荐方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的电梯广告点位推荐方法的流程示意图。
图2是本发明提供的多标签融合模型的学习流程示意图。
图3是本发明提供的二分类神经网络的模型结构示意图。
图4是本发明提供的电梯广告点位推荐装置的结构示意图。
图5是本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明示例的实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
如图1所示，本实施例第一方面提供的所述电梯广告点位推荐方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personaldigital assistant，PAD)或可穿戴设备等电子设备执行，以便为广告主提供一个客观量化的点位价值排序来方便进行电梯广告点位的择优选择，使得在避免造成广告投放偏差和广告效果不理想的同时，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率，便于实际应用和推广。如图1所示，所述电梯广告点位推荐方法，可以但不限于包括有如下步骤S1～S4。
S1.获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含但不限于有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签。
在所述步骤S1中，所述广告主即为相对于广告服务商的潜在客户；所述点位标签即为由所述广告主根据所述待投广告的目标人群定位结果指定的且用于估算多标签融合目标受众(Target Audiences，缩写为TA)浓度值的点位指标，具体可以但不限于包含有楼盘均价、女性占比和/或本科以上占比等指标。所述多标签融合目标受众浓度值用于表示投放广告在电梯广告点位处基于多个所述点位标签的融合结果而确定的目标人群数量与总人群数量的比例，以便在乘以该电梯广告点位的触达能力估算值后，得到该电梯广告点位相对于所述投放广告的点位价值评分。此外，所述第一目标人群标签信息可以但不限于由所述广告主通过人机交互方式输入得到。
S2.针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值。
在所述步骤S2中，所述多个待选电梯广告点位可以是当前所有可选的电梯广告点位，也可以是所述当前所有可选的电梯广告点位中的部分点位。所述标签实际值即为针对待选电梯广告点位，通过线下调查获取的且在点位标签上的统计结果，例如，针对某个待选电梯广告点位，在楼盘均价这个点位标签上，所述标签实际值可以为3万人民币/平方米；在女性占比这个点位标签上，所述标签实际值可以为70％；在本科以上占比这个点位标签上，所述标签实际值可以为60％，等等。考虑所述多标签融合目标受众浓度与广告主自身的产品定位(即广告产品的目标人群定位结果)息息相关，即与楼盘均价、性别比例、年龄分布、职业分布、学历分布、学龄童比例、收入分布和汽车家庭比例等因素相关，虽然基于这些因素可设定多个所述点位标签，但是现有多标签融合的目标受众浓度估算通常是先针对各个点位标签分别进行线性计算处理，然后对所有处理结果进行取交集或并集的方式，得到最终估算结果，这种方式过于简单，往往无法真实反映广告点位的多标签融合目标受众浓度，也缺少自学习能力，因此本实施例提供了一种基于神经网络的且已完成学习的多标签融合模型来进行多标签融合目标受众浓度的估算。所述神经网络是一种由大量的和简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络***，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习***，因此通过常规学习方式，可以得到用于根据输入数据输出多标签融合目标受众浓度值的所述多标签融合模型，以便在针对待选电梯广告点位输入相应的数据后，可以输出对应的且用于作为估算结果的多标签融合目标受众浓度值等信息。具体的，所述神经网络可以但不限于采用二分类神经网络、全连接神经网络、反向传播BP(Back Propagation)网络、Hopfield网络、自适应谐振理论ART(AdaptiveResonance Theory)网络或Kohonen网络等。此外，为了使输入数据符合模型输入要求，通常需要对所述标签实际值进行常规的归一化处理后，再输入所述多标签融合模型中。
在所述步骤S2中，为了减少待选电梯广告点位的数目，降低运算量，可以针对当前所有可选的电梯广告点位，先根据所述广告主指定的条件进行筛选，得到所述多个待选电梯广告点位，即当所述第一目标人群标签信息还包含有在所述至少一个点位标签中各个点位标签上的标签条件值时，针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，包括但不限于有如下步骤S21～S22。
S21.根据在所述第一目标人群标签信息中所有点位标签上的标签条件值，对所有的待选电梯广告点位进行询量查询处理，得到符合在所述第一目标人群标签信息中所有点位标签的标签条件交集的多个待选电梯广告点位。
在所述步骤S21中，所述标签条件值即为所述广告主根据所述待投广告的目标人群定位结果指定的点位筛选条件，例如，在楼盘均价这个点位标签上，所述标签条件值可以为大于2万；在女性占比这个点位标签上，所述标签需求值可以为大于60％；在本科以上占比这个点位标签上，所述标签需求值可以为大于50％，等等，并可通过常规的询量查询处理方式(例如取所有标签条件的交集)，得到1000个待选电梯广告点位，然后针对这1000个待选电梯广告点位中的各个待选电梯广告点位，分别进行多标签融合目标受众浓度值的估算。
S22.针对所述多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中。
S3.针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分。
在所述步骤S3中，所述触达能力估算值用于表示对应广告点位在单位时间内的且针对多广告轮播机制下单个广告的触达人群数量，可以事先通过线下调研统计得到，例如针对电梯广告点位，考虑电梯广告机是通过声音+画面的形式进行广告播放，因此对于在播广告而言，当有乘客进入电梯，广告声音就会影响到乘客，即视为触达；而当一个人在某个广告的不同广告播放时段多次乘梯，即可视为多次触达，因此可以但不限于将待选电梯广告点位的单广告日均触达人次作为对应的触达能力估算结果。
在所述步骤S3中，具体的，针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分，包括但不限于有如下步骤S31～S32。
S31.按照如下公式计算得到待选电梯广告点位的触达能力估算值CPR：
式中，H表示所述待选电梯广告点位的所属电梯在运行楼层区间的层间平均户数，L表示所述运行楼层区间的楼层数，R表示所述运行楼层区间的入住率，F表示所述待选电梯广告点位的当前上刊率，B表示预设系数。
在所述步骤S31中，考虑电梯广告点位的单广告触达人次与如下因素有关：(A)与电梯广告点位的所属电梯在运行楼层区间的层间平均户数线性相关，即层间平均户数越多，单广告触达人次也会越多；(B)与电梯广告点位的所属电梯在运行楼层区间的楼层数线性相关，即楼层数越多，户数也会越多，单广告触达人次也会越多；(C)与人均乘梯时长有关，而人均乘梯时长与楼层数线性相关，即楼层数越多，人均乘梯时长越长，单广告触达人次也会越多；(D)与电梯广告点位的所属电梯在运行楼层区间的入住率线性相关，即入住率越高，乘梯人数也会越多，单广告触达人次也会越多；(E)与电梯广告点位的上刊率成反比，即在非满刊时会导致广告轮播周期变短，循环轮播的次数增多，从而增加单广告触达人次，例如，假设广告的单次播放时长为15秒，轮播12个广告即为满刊(即上刊率100％)，需要180秒才能播放一轮，而若上刊率为50％(即只有6个广告上刊)，仅需90秒就能播放一轮，单广告的播放次数增加一倍，因此单广告触达人次也会越多。因此可以在调研得到待选电梯广告点位的所属电梯在运行楼层区间的层间平均户数、楼层数和入住率以及待选电梯广告点位的当前上刊率后，通过前述计算公式得到待选电梯广告点位的触达能力估算值CPR。此外，所述预设系数B为与出行习惯和楼层数等相关的固定系数，可以根据经验进行预设，也可以根据调研结果进行预设。
S4.按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
在所述步骤S4中，由于每个待选电梯广告点位的多标签融合目标受众浓度值和触达能力估算值都会与其他待选电梯广告点位的对应数值有或多或少的差异，因此各个待选电梯广告点位的点位价值评分也会有差异，通过按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，即可得到一个客观量化的点位价值排序，方便所述广告主从所述第一点位列表中选择满意的电梯广告点位，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率。例如在所述第一点位列表中，若按照所述第一点位价值评分的从高到低顺序依次排序有1000个待选电梯广告点位，广告主可以根据排序依次决定各个待选电梯广告点位是否满意，直到达到所需点位数(例如100个)，从而无需看完这1000个待选电梯广告点位才选定满意的多个电梯广告点位，实现缩短电梯广告点位的选择所需时间的目的，大大提升客户体验。
由此基于前述步骤S1～S4所描述的电梯广告点位推荐方法，提供了一种基于神经网络算法的电梯广告点位推荐方案，即在获取由广告主根据待投广告的目标人群定位结果指定的至少一个点位标签后，先针对多个待选电梯广告点位中的各个待选电梯广告点位，根据对应的标签实际值和基于神经网络的且已完成学习的多标签融合模型，预测得到对应的多标签融合目标受众浓度值，并计算该多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的点位价值评分，然后按照点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的点位列表，进而可为广告主提供一个客观量化的点位价值排序来方便进行电梯广告点位的择优选择，使得在避免造成广告投放偏差和广告效果不理想的同时，缩短电梯广告点位的选择所需时间，提升客户体验和整个广告投放过程效率，便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上，还提供了一种如何学习得到所述多标签融合模型的可能设计一，即如图2所示，在输入基于神经网络的且已完成学习的多标签融合模型中之前，所述方法还包括但不限于有如下步骤S201～S208。
S201.获取已投广告主的第二目标人群标签信息和至少一个已投电梯广告点位，其中，所述第二目标人群标签信息包含但不限于有所述已投广告主根据已投广告的目标人群定位结果指定的至少一个点位标签以及在各个点位标签上的标签条件值。
在所述步骤S201中，所述已投广告主即为相对于广告服务商的已成交客户；所述第二目标人群标签信息中的点位标签描述及标签条件值，可参见第一方面的对应描述内容，于此不再赘述；所述至少一个已投电梯广告点位即为所述已投广告主选定的且用于投放所述已投广告的所有电梯广告点位。
S202.根据在所述第二目标人群标签信息中所有点位标签上的标签条件值，对所有的备选电梯广告点位进行询量查询处理，得到符合在所述第二目标人群标签信息中所有点位标签的标签条件交集的多个备选电梯广告点位。
在所述步骤S202中，具体询量查询处理方式可参见第一方面的步骤S21，于此不再赘述。
S203.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，将对应的且在所述第二目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入神经网络模型中，得到对应的第二多标签融合目标受众浓度值。
在所述步骤S203中，虽然所述神经网络模型即为还未完成学习的所述多标签融合模型，但是具体过程描述也可参见第一方面的步骤S2，于此不再赘述。
S204.针对所述各个备选电梯广告点位，计算对应的所述第二多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第二点位价值评分。
在所述步骤S204中，具体计算过程可参见第一方面的步骤S3，于此不再赘述。
S205.按照所述第二点位价值评分的从高到低顺序，对所述多个备选电梯广告点位进行依次排序，得到用于向所述已投广告主推荐电梯广告点位的第二点位列表。
在所述步骤S205中，具体排序方式可参见第一方面的步骤S4，于此不再赘述。
S206.根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，其中，N表示所述至少一个已投电梯广告点位的点位总数。
在所述步骤S206中，具体的，根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，包括但不限于有如下步骤S2061～S2063。
S2061.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于所述至少一个已投电梯广告点位,若是,则记录对应的第一比对结果值为1，否则记录对应的第一比对结果值为0。
S2062.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于在所述第二点位列表中的前N个备选电梯广告点位,若是,则记录对应的第二比对结果值为1，否则记录对应的第二比对结果值为0，其中，N表示所述至少一个已投电梯广告点位的点位总数。
在所述步骤S2061～S2062中，若某个备选电梯广告点位同时属于所述前N个备选电梯广告点位和所述至少一个已投电梯广告点位，则表明该备选电梯广告点位被优选推荐且最终被所述已投广告主选中，表示预测正确；而若该备选电梯广告点位同时不属于所述前N个备选电梯广告点位和所述至少一个已投电梯广告点位，则表明该备选电梯广告点位未被优先推荐且最终也被所述已投广告主剔除，同样可表示预测正确。除此之外，则表示预测错误。
S2063.采用如下公式计算损失函数Loss：
式中，M表示所述多个备选电梯广告点位中的点位总数,m表示自然数，ym表示所述多个备选电梯广告点位中的第m个备选电梯广告点位的第一比对结果值，am表示所述第m个备选电梯广告点位的第二比对结果值。
在所述步骤S2063中，所述损失函数Loss是参照二分类交叉熵损失函数常规改动而得，此时，所述神经网络模型需采用基于如图3所示二分类神经网络结构的模型，并要求对所述点位标签进行独热编码，以便输入对应的标签实际值。
S207.根据损失函数计算结果，通过反向传播算法修正所述神经网络模型的网络参数，得到新的神经网络模型。
在所述步骤S207中，所述反向传播算法是一种适合于多层神经元网络的学习算法，它主要由两个环节(即激励传播环节和权重更新环节)反复循环迭代，直到神经网络对输入的响应达到预定的目标范围为止，因此可通过常规修正方式修正所述神经网络模型的网络参数，得到所述新的神经网络模型。
S208.针对另一已投广告主，基于所述新的神经网络模型返回执行步骤S201～S207，直到所述损失函数计算结果达到预设目标值或者针对所有的已投广告主均已执行过所述步骤S201～S207，并将最后所得的所述新的神经网络模型作为已完成学习的且用于根据输入数据输出多标签融合目标受众浓度值的多标签融合模型。
在所述步骤S208中，针对各个已投广告主，对应的第二目标人群标签信息即作为一个训练样本，而对应的至少一个已投电梯广告点位即做该训练样本的标记值，通过循环多次执行前述步骤S201～S207，即可以实现基于不同训练样本及对应的标记值，使所述神经网络模型不断自学习的目的，得到最终的且可用于根据输入数据输出多标签融合目标受众浓度值的多标签融合模型。此外，针对不同的已投广告主，其对应的所述第二目标人群标签信息可以相同，也可以不同，以及对应的所述至少一个已投电梯广告点位可以相同，也可以不同。
由此基于前述步骤S201～S208所描述的可能设计一，可以基于已投广告主根据已投广告的目标人群定位结果指定的点位标签以及在点位标签上的标签条件值和电梯广告点位选择结果，使多标签融合模型不断地进行自学习，从而不断优化神经网络参数，提高多标签融合目标受众浓度值的预测准确率，进一步确保后续点位价值排序的正确性。
本实施例在前述第一方面或可能设计一的技术方案基础上，还提供了一种如何得到预设系数的可能设计二，即在计算得到待选电梯广告点位的触达能力估算值CPR之前，所述方法还包括但不限于有如下步骤S301～S304。
S301.针对多个电梯广告点位中的各个电梯广告点位，获取对应的且在连续多日采集而得的厢内视频数据，其中，所述多个电梯广告点位布置在待选电梯广告点位的所在地区，所述厢内视频数据由安装在对应电梯广告点位的所属电梯轿厢内的厢内顶部摄像头采集而得，所述厢内顶部摄像头的镜头视野涵盖厢内地面区域。
在所述步骤S301中，所述所在地区可以但不限于是所在街道、所在镇、所在行政区或所在城市等。由于所述厢内顶部摄像头的镜头视野涵盖厢内地面区域，因此所采集的视频帧图像必然包含有在电梯轿厢内所有的电梯乘员。此外，所述连续多日可以但不限于为一周内的连续7日。
S302.针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次。
在所述步骤S302中，所述人头检测模型可以但不限于是基于现有目标检测算法训练而得的且具有人头识别能力的模型。所述目标检测算法是一种用于在图片中将里面的物体识别出来且标记出物***置的现有人工智能识别算法，具体可以但不限于采用FasterR-CNN(Faster Regions with Convolutional Neural Networks features，由何凯明等在2015年提出目标检测算法，该算法在2015年的ILSVRV和COCO竞赛中获得多项第一)目标检测算法、SSD(Single Shot MultiBox Detector，单镜头多盒检测器，是Wei Liu在ECCV2016上提出的一种目标检测算法，是目前流行的主要检测框架之一)目标检测算法或YOLO(You only look once，目前最新已经发展到V4版本，在业界的应用也很广泛，其基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边框，然后根据阈值去除可能性比较低的目标窗口，最后再使用边框合并的方式去除冗余窗口，得出检测结果)目标检测算法等。因此通过常规的样本训练方式，可以得到用于根据输入图像识别是否有人头的所述人头检测模型，以便在输入视频帧图像后，可以输出对应的识别结果以及置信度预测值等信息。举例的，所述目标检测算法优选采用YOLO V4目标检测算法。此外，一个人头必然对应一个电梯乘员，因此根据人头识别结果，可统计得到广告触达人次。
在所述步骤S302中，具体的，针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次，包括但不限于有如下步骤S3021～S3025。
S3021.对厢内视频数据进行每单位时间抽一帧处理，得到多帧厢内视频帧图像，其中，所述单位时间小于广告的单次播放时长。
在所述步骤S3021中，举例的，可进行每秒抽一帧处理，得到所述多帧厢内视频帧图像。
S3022.针对所述多帧厢内视频帧图像中的每帧厢内视频帧图像，采用人头检测模型进行人头识别处理，得到在对应图像中的人数。
S3023.针对在电梯广告点位中播放的各个广告，根据对应的且在单次播放时段内的至少一帧厢内视频帧图像，将识别所得的最多人数作为对应的且在该单次播放时段的触达人次。
在所述步骤S3023中，举例的，若在某个广告的单次播放时段内有15帧厢内视频帧图像，其中，在第7帧厢内视频帧图像中识别有最多的人数：7人，则可记录该单次播放时段的触达人次为7人次。
S3024.针对所述连续多日的各日，先累加计算在对应日内的所播广告在所有播放时段的触达人次，然后除以在对应日内的轮播广告总数，得到对应的单日单广告总触达人次。
S3025.对所有的所述单日单广告总触达人次进行均值计算处理，得到与所述电梯广告点位对应的单广告日均触达人次。
S303.针对所述各个电梯广告点位，按照如下公式计算得到对应的系数值b：
式中，h表示对应电梯广告点位的所属电梯在运行楼层区间的层间平均户数，l表示对应电梯广告点位的所属电梯在运行楼层区间的楼层数，r表示对应电梯广告点位的所属电梯在运行楼层区间的入住率，cpr表示对应电梯广告点位的单广告日均触达人次，f表示对应电梯广告点位在所述连续多日的日均上刊率。
S304.对计算得到的所有系数值b进行拟合处理，得到所述待选电梯广告点位的预设系数B。
在所述步骤S304中，所述拟合处理为现有常规方式。通过所述拟合处理，在给定城市下，所得的所述预设系数B通常是与楼层数相关的线性函数。例如，本发明人通过前述步骤S301～S304，确定出某城市的预设系数B＝12-L/8，由此可以得到待选电梯广告点位的触达能力估算值
由此基于前述步骤S301～S304所描述的可能设计一，可以精确测定触达能力估算公式中的预设系数，提高后续触达能力估算结果的准确率，进一步确保最终点位价值排序的正确性。
如图4所示，本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法的虚拟装置，包括有依次通信连接的标签信息获取模块、目标受众浓度预估模块、点位价值评分计算模块和点位排序模块；
所述标签信息获取模块，用于获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签；
所述目标受众浓度预估模块，用于针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值；
所述点位价值评分计算模块，用于针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分；
所述点位排序模块，用于按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法，于此不再赘述。
如图5所示，本实施例第三方面提供了一种执行第一方面或第一方面中任一可能设计所述电梯广告点位推荐方法的计算机设备，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-OnlyMemory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法，于此不再赘述。
本实施例第四方面提供了一种存储包含第一方面或第一方面中任一可能设计所述电梯广告点位推荐方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任一可能设计所述的电梯广告点位推荐方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (7)

1.一种电梯广告点位推荐方法，其特征在于，包括：
获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签；
针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值；
在输入基于神经网络的且已完成学习的多标签融合模型中之前，所述方法还包括有如下步骤S201～S208：S201.获取已投广告主的第二目标人群标签信息和至少一个已投电梯广告点位，其中，所述第二目标人群标签信息包含有所述已投广告主根据已投广告的目标人群定位结果指定的至少一个点位标签以及在各个点位标签上的标签条件值；S202.根据在所述第二目标人群标签信息中所有点位标签上的标签条件值，对所有的备选电梯广告点位进行询量查询处理，得到符合在所述第二目标人群标签信息中所有点位标签的标签条件交集的多个备选电梯广告点位；S203.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，将对应的且在所述第二目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入神经网络模型中，得到对应的第二多标签融合目标受众浓度值；S204.针对所述各个备选电梯广告点位，计算对应的所述第二多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第二点位价值评分；S205.按照所述第二点位价值评分的从高到低顺序，对所述多个备选电梯广告点位进行依次排序，得到用于向所述已投广告主推荐电梯广告点位的第二点位列表；S206.根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，其中，N表示所述至少一个已投电梯广告点位的点位总数；S207.根据损失函数计算结果，通过反向传播算法修正所述神经网络模型的网络参数，得到新的神经网络模型；S208.针对另一已投广告主，基于所述新的神经网络模型返回执行步骤S201～S207，直到所述损失函数计算结果达到预设目标值或者针对所有的已投广告主均已执行过所述步骤S201～S207，并将最后所得的所述新的神经网络模型作为已完成学习的且用于根据输入数据输出多标签融合目标受众浓度值的多标签融合模型；
针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分，具体包括：针对多个电梯广告点位中的各个电梯广告点位，获取对应的且在连续多日采集而得的厢内视频数据，其中，所述多个电梯广告点位布置在待选电梯广告点位的所在地区，所述厢内视频数据由安装在对应电梯广告点位的所属电梯轿厢内的厢内顶部摄像头采集而得，所述厢内顶部摄像头的镜头视野涵盖厢内地面区域；针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次；针对所述各个电梯广告点位，按照如下公式计算得到对应的系数值b：
式中，h表示对应电梯广告点位的所属电梯在运行楼层区间的层间平均户数，l表示对应电梯广告点位的所属电梯在运行楼层区间的楼层数，r表示对应电梯广告点位的所属电梯在运行楼层区间的入住率，cpr表示对应电梯广告点位的单广告日均触达人次，f表示对应电梯广告点位在所述连续多日的日均上刊率；对计算得到的所有系数值b进行拟合处理，得到所述待选电梯广告点位的预设系数B；按照如下公式计算得到待选电梯广告点位的触达能力估算值CPR：
式中，H表示所述待选电梯广告点位的所属电梯在运行楼层区间的层间平均户数，L表示所述运行楼层区间的楼层数，R表示所述运行楼层区间的入住率，F表示所述待选电梯广告点位的当前上刊率，B表示预设系数；按照如下公式计算得到所述待选电梯广告点位的点位价值评分P：
P＝ηTA*CPR
式中，ηTA表示所述待选电梯广告点位的第一多标签融合目标受众浓度值；
按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
2.如权利要求1所述的电梯广告点位推荐方法，其特征在于，所述第一目标人群标签信息还包含有在所述至少一个点位标签中各个点位标签上的标签条件值，针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，包括：
根据在所述第一目标人群标签信息中所有点位标签上的标签条件值，对所有的待选电梯广告点位进行询量查询处理，得到符合在所述第一目标人群标签信息中所有点位标签的标签条件交集的多个待选电梯广告点位；
针对所述多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中。
3.如权利要求1所述的电梯广告点位推荐方法，其特征在于，根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，包括：
针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于所述至少一个已投电梯广告点位,若是,则记录对应的第一比对结果值为1，否则记录对应的第一比对结果值为0；
针对所述多个备选电梯广告点位中的各个备选电梯广告点位，判断是否属于在所述第二点位列表中的前N个备选电梯广告点位,若是,则记录对应的第二比对结果值为1，否则记录对应的第二比对结果值为0，其中，N表示所述至少一个已投电梯广告点位的点位总数；
采用如下公式计算损失函数Loss：
式中，M表示所述多个备选电梯广告点位中的点位总数,m表示自然数，ym表示所述多个备选电梯广告点位中的第m个备选电梯广告点位的第一比对结果值，am表示所述第m个备选电梯广告点位的第二比对结果值。
4.如权利要求1所述的电梯广告点位推荐方法，其特征在于，针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次，包括：
对厢内视频数据进行每单位时间抽一帧处理，得到多帧厢内视频帧图像，其中，所述单位时间小于广告的单次播放时长；
针对所述多帧厢内视频帧图像中的每帧厢内视频帧图像，采用人头检测模型进行人头识别处理，得到在对应图像中的人数；
针对在电梯广告点位中播放的各个广告，根据对应的且在单次播放时段内的至少一帧厢内视频帧图像，将识别所得的最多人数作为对应的且在该单次播放时段的触达人次；
针对所述连续多日的各日，先累加计算在对应日内的所播广告在所有播放时段的触达人次，然后除以在对应日内的轮播广告总数，得到对应的单日单广告总触达人次；
对所有的所述单日单广告总触达人次进行均值计算处理，得到与所述电梯广告点位对应的单广告日均触达人次。
5.一种电梯广告点位推荐装置，其特征在于，包括有依次通信连接的标签信息获取模块、目标受众浓度预估模块、点位价值评分计算模块和点位排序模块；
所述标签信息获取模块，用于获取广告主的第一目标人群标签信息，其中，所述第一目标人群标签信息包含有所述广告主根据待投广告的目标人群定位结果指定的至少一个点位标签；
所述目标受众浓度预估模块，用于针对多个待选电梯广告点位中的各个待选电梯广告点位，将对应的且在所述第一目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入基于神经网络的且已完成学习的多标签融合模型中，输出得到对应的第一多标签融合目标受众浓度值；
所述目标受众浓度预估模块，还用于在输入基于神经网络的且已完成学习的多标签融合模型中之前，执行如下步骤S201～S208：S201.获取已投广告主的第二目标人群标签信息和至少一个已投电梯广告点位，其中，所述第二目标人群标签信息包含有所述已投广告主根据已投广告的目标人群定位结果指定的至少一个点位标签以及在各个点位标签上的标签条件值；S202.根据在所述第二目标人群标签信息中所有点位标签上的标签条件值，对所有的备选电梯广告点位进行询量查询处理，得到符合在所述第二目标人群标签信息中所有点位标签的标签条件交集的多个备选电梯广告点位；S203.针对所述多个备选电梯广告点位中的各个备选电梯广告点位，将对应的且在所述第二目标人群标签信息中各个点位标签上的标签实际值作为输入数据，输入神经网络模型中，得到对应的第二多标签融合目标受众浓度值；S204.针对所述各个备选电梯广告点位，计算对应的所述第二多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第二点位价值评分；S205.按照所述第二点位价值评分的从高到低顺序，对所述多个备选电梯广告点位进行依次排序，得到用于向所述已投广告主推荐电梯广告点位的第二点位列表；S206.根据所述多个备选电梯广告点位分别与所述至少一个已投电梯广告点位和在所述第二点位列表中的前N个备选电梯广告点位的比对结果，计算损失函数，其中，N表示所述至少一个已投电梯广告点位的点位总数；S207.根据损失函数计算结果，通过反向传播算法修正所述神经网络模型的网络参数，得到新的神经网络模型；S208.针对另一已投广告主，基于所述新的神经网络模型返回执行步骤S201～S207，直到所述损失函数计算结果达到预设目标值或者针对所有的已投广告主均已执行过所述步骤S201～S207，并将最后所得的所述新的神经网络模型作为已完成学习的且用于根据输入数据输出多标签融合目标受众浓度值的多标签融合模型；
所述点位价值评分计算模块，用于针对所述各个待选电梯广告点位，计算对应的所述第一多标签融合目标受众浓度值与对应的触达能力估算值的积，得到对应的第一点位价值评分，具体包括：针对多个电梯广告点位中的各个电梯广告点位，获取对应的且在连续多日采集而得的厢内视频数据，其中，所述多个电梯广告点位布置在待选电梯广告点位的所在地区，所述厢内视频数据由安装在对应电梯广告点位的所属电梯轿厢内的厢内顶部摄像头采集而得，所述厢内顶部摄像头的镜头视野涵盖厢内地面区域；针对所述各个电梯广告点位，根据对应的所述厢内视频数据，先采用人头检测模型对厢内视频帧图像进行人头识别处理，然后根据人头识别结果进行触达人次统计处理，得到对应的单广告日均触达人次；针对所述各个电梯广告点位，按照如下公式计算得到对应的系数值b：
式中，h表示对应电梯广告点位的所属电梯在运行楼层区间的层间平均户数，l表示对应电梯广告点位的所属电梯在运行楼层区间的楼层数，r表示对应电梯广告点位的所属电梯在运行楼层区间的入住率，cpr表示对应电梯广告点位的单广告日均触达人次，f表示对应电梯广告点位在所述连续多日的日均上刊率；对计算得到的所有系数值b进行拟合处理，得到所述待选电梯广告点位的预设系数B；按照如下公式计算得到待选电梯广告点位的触达能力估算值CPR：
式中，H表示所述待选电梯广告点位的所属电梯在运行楼层区间的层间平均户数，L表示所述运行楼层区间的楼层数，R表示所述运行楼层区间的入住率，F表示所述待选电梯广告点位的当前上刊率，B表示预设系数；按照如下公式计算得到所述待选电梯广告点位的点位价值评分P：
P＝ηTA*CPR
式中，ηTA表示所述待选电梯广告点位的第一多标签融合目标受众浓度值；
所述点位排序模块，用于按照所述第一点位价值评分的从高到低顺序，对所述多个待选电梯广告点位进行依次排序，得到用于向所述广告主推荐电梯广告点位的第一点位列表。
6.一种计算机设备，其特征在于，包括有通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如权利要求1～4中任意一项所述的电梯广告点位推荐方法。
7.一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指令，当所述指令在计算机上运行时，执行如权利要求1～4中任意一项所述的电梯广告点位推荐方法。
CN202111162262.4A 2021-09-30 2021-09-30 一种电梯广告点位推荐方法、装置、计算机设备及存储介质 Active CN113837811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111162262.4A CN113837811B (zh) 2021-09-30 2021-09-30 一种电梯广告点位推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111162262.4A CN113837811B (zh) 2021-09-30 2021-09-30 一种电梯广告点位推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113837811A CN113837811A (zh) 2021-12-24
CN113837811B true CN113837811B (zh) 2023-10-10

Family

ID=78967814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111162262.4A Active CN113837811B (zh) 2021-09-30 2021-09-30 一种电梯广告点位推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113837811B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010094450A (ko) * 2000-03-30 2001-11-01 박성호 불특정 반응측정방식구조를 통한 사용자의 참여도 측정 및이를 이용한 보상체계 설정방식과 양방향 정보전송모듈장치 및 이를 이용한 네트워크상에서의 마케팅방법
KR20080037331A (ko) * 2006-10-26 2008-04-30 가부시끼가이샤 메디아 링구 휴대전화기 및 광고전달 서버 및 광고주용 단말장치
CN104700288A (zh) * 2015-02-28 2015-06-10 深圳市同洲电子股份有限公司 一种互联网广告投放的方法和装置
CN110060085A (zh) * 2019-03-01 2019-07-26 阿里巴巴集团控股有限公司 一种解析广告目标人群线下分布的方法、***及设备
CN110415023A (zh) * 2019-07-09 2019-11-05 日立楼宇技术（广州）有限公司 一种电梯广告推荐方法、装置、设备及存储介质
CN110428277A (zh) * 2019-06-26 2019-11-08 平安科技（深圳）有限公司 推荐产品的触达方法、存储介质和程序产品
CN111178981A (zh) * 2020-01-02 2020-05-19 众安在线财产保险股份有限公司 一种广告投放方法、装置、计算机设备及存储介质
CN111242683A (zh) * 2020-01-10 2020-06-05 深圳市胜博恩科技有限公司 广告内容自助投放的方法、装置、存储介质和计算机设备
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质
CN112308609A (zh) * 2020-10-31 2021-02-02 成都新潮传媒集团有限公司 一种广告投放计费方法、装置及计算机设备
CN112598438A (zh) * 2020-12-18 2021-04-02 苏州壹佰伍拾亿智能科技有限公司 一种基于大规模用户画像的户外广告推荐***及方法
CN113222648A (zh) * 2021-04-27 2021-08-06 浙江新再灵科技股份有限公司 一种电梯广告位价值评估方法及电梯广告位价值评估***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010094450A (ko) * 2000-03-30 2001-11-01 박성호 불특정 반응측정방식구조를 통한 사용자의 참여도 측정 및이를 이용한 보상체계 설정방식과 양방향 정보전송모듈장치 및 이를 이용한 네트워크상에서의 마케팅방법
KR20080037331A (ko) * 2006-10-26 2008-04-30 가부시끼가이샤 메디아 링구 휴대전화기 및 광고전달 서버 및 광고주용 단말장치
CN104700288A (zh) * 2015-02-28 2015-06-10 深圳市同洲电子股份有限公司 一种互联网广告投放的方法和装置
CN110060085A (zh) * 2019-03-01 2019-07-26 阿里巴巴集团控股有限公司 一种解析广告目标人群线下分布的方法、***及设备
CN110428277A (zh) * 2019-06-26 2019-11-08 平安科技（深圳）有限公司 推荐产品的触达方法、存储介质和程序产品
CN110415023A (zh) * 2019-07-09 2019-11-05 日立楼宇技术（广州）有限公司 一种电梯广告推荐方法、装置、设备及存储介质
CN111178981A (zh) * 2020-01-02 2020-05-19 众安在线财产保险股份有限公司 一种广告投放方法、装置、计算机设备及存储介质
CN111242683A (zh) * 2020-01-10 2020-06-05 深圳市胜博恩科技有限公司 广告内容自助投放的方法、装置、存储介质和计算机设备
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质
CN112308609A (zh) * 2020-10-31 2021-02-02 成都新潮传媒集团有限公司 一种广告投放计费方法、装置及计算机设备
CN112598438A (zh) * 2020-12-18 2021-04-02 苏州壹佰伍拾亿智能科技有限公司 一种基于大规模用户画像的户外广告推荐***及方法
CN113222648A (zh) * 2021-04-27 2021-08-06 浙江新再灵科技股份有限公司 一种电梯广告位价值评估方法及电梯广告位价值评估***

Also Published As

Publication number Publication date
CN113837811A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN109543111B (zh) 推荐信息筛选方法、装置、存储介质及服务器
CN108665064B (zh) 神经网络模型训练、对象推荐方法及装置
WO2019144892A1 (zh) 数据处理方法、装置、存储介质和电子装置
US10860858B2 (en) Utilizing a trained multi-modal combination model for content and text-based evaluation and distribution of digital video content to client devices
CN108629224B (zh) 信息呈现方法和装置
CN110910199B (zh) 项目信息的排序方法、装置、计算机设备及存储介质
CN110390033B (zh) 图像分类模型的训练方法、装置、电子设备及存储介质
CN111339306A (zh) 分类模型训练方法、分类方法及装置、设备和介质
CN109783730A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN109831684A (zh) 视频优化推荐方法、装置及可读存储介质
CN110008408A (zh) 一种会话推荐方法、***、设备及介质
US11288709B2 (en) Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment
US20220171760A1 (en) Data processing method and apparatus, computer-readable storage medium, and electronic device
US20180285748A1 (en) Performance metric prediction for delivery of electronic media content items
CN108665083A (zh) 一种基于用户画像动态轨迹模型的广告推荐方法及***
CN111783712A (zh) 一种视频处理方法、装置、设备及介质
CN110428277B (zh) 推荐产品的触达方法、存储介质和程序产品
CN113761253A (zh) 视频标签确定方法、装置、设备及存储介质
KR102574857B1 (ko) 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템
WO2022157973A1 (ja) 情報処理システム、情報処理方法、及びコンピュータプログラム
CN113469752A (zh) 内容推荐方法、装置、存储介质及电子设备
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
CN112990967A (zh) 一种广告创意的分析方法和***
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN113837811B (zh) 一种电梯广告点位推荐方法、装置、计算机设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221116

Address after: Room 1501, Floor 15, Unit 2, Building 1, No. 99, Jinhui West 1st Street, Hi tech Zone, Chengdu, Sichuan 610000

Applicant after: Chengdu Pingmeng Technology Co.,Ltd.

Address before: 610000 High-tech Zone, Chengdu City, Sichuan Province, No. 99, No. 1, No. 2, No. 15, No. 1, No. 1505, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No

Applicant before: CHENGDU XINCHAO MEDIA GROUP Co.,Ltd.

GR01 Patent grant
GR01 Patent grant