CN114331543A - 一种大规模人群定向及动态化场景匹配的广告传播方法 - Google Patents

Abstract

本发明公开了一种大规模人群定向及动态化场景匹配的广告传播方法，包括以下步骤：利用摄像头或探针的移动侦测技术，在户外不同场景，实现动态化的用户精准画像的勾勒；实时计算，并通过竞价算法，在动态化的场景、时间段、针对目标受众找到最优最匹配的广告；通过分析用户车辆信息、用户画像以及用户行为的大数据，合并用户画像，通过机器学习算法模型，让用户画像变得越加准确；通过广告观看时的用户反馈，矫正用户画像，并通过矫正算法让用户画像更为精准，以实现广告的越投越准。本广告传播模型将全面提升广告投放与目标受众及场景的实时关联度，实现广告的精准化投放，精准触达受众，提升传播效果，实现广告投放越投越省，越投越准。

Description

一种大规模人群定向及动态化场景匹配的广告传播方法

技术领域

本发明涉及广告投放技术领域，尤其涉及一种大规模人群定向及动态化场景匹配的广告传播方法。

背景技术

随着技术的发展，时代的变迁，程序化-数字化-数据化驱动着户外广告的发展，“精准”和“数据支撑”是智能广告运作模式中广告效果不断提升的本质特征，广告业的业务模式变革也必然是围绕着技术和数据驱动的广告效果提升这一基本逻辑而演进的，甚至2021年被定义为户外广告程序化数智化的“元年”。

追溯广告传媒业的发展，可以发现，传统广告交易和传播模式是一种纯线性的模式，广告主通过代理商直接购买媒体广告位，具有绝对的控制权，用户受众的触达，以及效果并不被重视。随着互联网的普及，大量的用户行为被数据化。大数据分析处理技术能够直接帮助广告主更准确地定位和寻找目标人群。由此，集成用户的数据管理平台和帮助广告主分析数据、进行广告投放的广告需求方平台，以及聚集了更多媒体长尾资源的媒体供应方平台逐步形成，对接所有供需以及数据资源、提供交易场所的广告交易平台产生，形成了***的、自动的程序化购买和信息传播的模式。如图1所示，该阶段被称为“基于程序化数字化实现自动化信息推送阶段”，在该阶段，程序化购买广告到广告传播从程序化模式中发展而来，其通过数字化、自动化、***化的方式，实现广告主、代理公司、网络媒体之间的程序化对接，帮助广告主精准的找到与广告信息相关联和匹配的目标受众及用户，使程序化投放贯穿从广告主到媒体到曝光的全过程，实现整个户外广告产业链的自动化。其最大的特点，是在程序化投放的广告传播模式下，实现程序化媒介采买，广告投放，投放报表反馈等一系列过程的自动化。

发明内容

针对现有技术的不足，本发明提供了一种大规模人群定向及动态化场景匹配的广告传播方法，通过数据的驱动，对目标受众进行细分和聚类，精准勾勒目标消费者画像；提高广告投放和受众触达的精准度，不同的广告代表着不同的商品，适应不同的人群，本方案要解决的就是让广告在更精准的群体前播放，做到线下广告的相对精确的播放。

针对上述背景技术中存在的问题，本发明提供一种大规模人群定向及动态化场景匹配的广告传播方法，包括以下步骤：

(1)利用摄像头或探针的移动侦测技术，在户外不同场景，实现动态化的用户精准画像的勾勒；

(2)实时计算，并通过竞价算法，在动态化的场景、时间段、针对目标受众找到最优最匹配的广告；

(3)通过分析用户车辆信息、用户画像以及用户行为的大数据，合并用户画像，通过机器学习算法模型，让用户画像变得越加准确；

(4)通过广告观看时的用户反馈，矫正用户画像，并通过矫正算法让用户画像更为精准，以实现广告的越投越准。

本申请的进一步限定技术方案，前述的大规模人群定向及动态化场景匹配的广告传播方法，所述竞价算法采用非线性综合竞价算法，使用数学公式描述出价方案如下：

subject to N_T∫_θb(θ)θw(b(θ))p_θ(θ)dθ≤B

式中：θ为预测广告投放的次数，p(θ)为投放次数的概率密度函数，w(b(θ))是胜率函数，N是广告竞价的个数，B是固定预算；

这样竞价函数就成了具有约束条件的最优化问题，使用拉格朗日乘数法求解极值，化简得：

由于竞价函数和胜率函数中包含了广告投放频次分布特性，p(θ)在过程中被消去，竞价函数与胜率函数间存在特定关系；接下来的目标是根据历史数据通过统计学方法得到赢标率函数win(b)。

赢标率函数的得出：需求方平台方能够观测到的历史数据只有该需求方平台的出价和赢标后的实际出价；当需求方平台最高价大于软地板价时，采用的第二高价竞价机制，因此，对于竞价成功的广告活动，需求方平台方能观测到该次竞价的真实赢标价格，即第二高价。对于竞价活动中失败的记录，就只能得到自己投标失败的价格，该价格是这次竞标活动中赢标价格的下界，因为赢标价格不可能比竞标失败的价格更低，因此这种情况下无法观察第二高价。下面简述一个最基本的赢标率统计方案。

以计算得到赢标的广告活动实际支付价格的期望值，也就是平均值，使用μ表示；以及需求方平台所有实际支付价格的方差以σ表示，引入参数γ和sigmoid函数，公式如下，

将赢标率函数带入上面简化后的关系式中，即可得出竞价函数。

前述的大规模人群定向及动态化场景匹配的广告传播方法，所述机器学习算法模型的表达式：

v_i是第i个特征的隐向量，隐向量的长度为k(k＜＜n)，包含k个描述特征的因子；

所有的二项式参数w_ij可以组成一个对称矩阵W，将矩阵W分解为W=V^TV，其中V=(V₁，V₂，…，V_n0^t，V_i=(v_i1，v_i2，…，v_ik)；矩阵V^T的每一行表示某个用户与不同特征的相关性，矩阵V的每一行表示某个特征与不同广告的相关性；

对于机器学习算法模型算法来讲，通过分析用户的车辆信息、用户轨迹、年龄以及性别与广告的匹配度关系，就能训练出中间的k维向量，训练出用户和商品的k维向量，就能很好的对用户画像进行校正，从而让用户画像越加精准。

进一步的，前述的大规模人群定向及动态化场景匹配的广告传播方法，所述矫正算法采用以下方式进行矫正：

1)通过引导用户进行屏前互动，通过互动的反馈作为一个input输入项，对于用户画像进行矫正；

2)通过引导用户主动注册及选择个人喜好标签的方式；

3)通过脸部表情识别，眼球关注度识别的方式，在进行广告观看时，脸部表情及眼球关注度的反馈，对用户画像进行矫正；

4)通过对接第三方互联网脱敏数据，对用户画像进行矫正。

本发明的有益效果：本发明的智能广告是基于大数据和人工智能技术的场景化智能营销。其运作机制是根据特定用户和特定情境，通过高效算法确定与之最匹配的广告并进行精准化创意、制作、投放、传播和互动，目的是要解决广告信息、用户、场景三者的匹配问题。个性化精准推荐是其最大特点，它通过大数据分析和人工智能算法，屏前识别CV技术的优化对用户行为特征数据进行获取、存储和分析，将合适的内容在用户合适的时间、地点等场景下推送给用户，满足用户在不同场景下的动态化信息需求。在该广告模式下的智能广告能够即时发现用户在特定场景下的需要，动态预测用户需求，黏合用户以创造服务。本发明除了提高广告传播的精准度外，还需要满足消费者在特定场景下的需求，移动互联网时代的消费行为和媒介触点极度碎片化，户外场景作为广告信息传播的核心入口，广告传播模式在大数据+人工智能的赋能下，要向人群定向+动态化场景匹配为核心的广告传播模式发展。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，附图中的实施例不构成对本发明的任何限制，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是传统广告传播模式***框图。

图2为本实施例广告传播流程图。

图3为本实施例户外广告传播模型框图。

图4是本发明核心算法结构图。

具体实施方式

下面结合附图与实施例对本发明技术方案作进一步详细的说明，这是本发明的较佳实施例。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更好的理解上述的技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本实施例提供了一种大规模人群定向及动态场景匹配的广告传播流程，如图2所示，

1)车辆特征及人物特征的检测设备，将识别的特征标签值传递给Ad Exchanges；

2)Ad Exchanges对多家与之对接的DSP发送竞价请求；

3)DSP通过DMP数据管理平台或自身的用户数据库来推断用户属性，通过DSP的竞价引擎判断是否参与竞价，若参与则给出竞标价格；

4)DSP将竞价响应传递给Ad Exchanges；

5)Ad Exchanges接收到所有DSP的响应或到达截止时间，确定获胜的DSP；

6)Ad Exchanges综合车辆及人物的特征标签信息+竞价信息，匹配最适合屏前用户的广告内容，并进行广告的投放展示。

本实施例的名词解释：

DSP：Demand-Side Platform，需求方平台是为广告主，代理公司提供综合管理平台，利用DSP，广告主可以在广告交易平台AD Exchange对在线广告进行实时竞价RTB Real-Time Bidding，高效管理广告定价；

SSP：Sell-Side Platform，是一个媒体服务平台，该平台通过人群定向技术，智能的管理媒体广告位库存，优化广告的投放，助网络媒体实现其广告资源优化，提高其广告资源价值，达到帮助媒体提高收益的目的。

DMP：Data-Management Platform，数据管理平台。数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据，更方便的使用第三方数据，增强他们对所有数据的理解，传回数据或将定制数据传入某平台，进行更好的定位。

Ad Exchange：即广告交易平台，它联系着DSP(买方平台)和SSP(卖方平台)，通过接入SSP汇集大量媒体流量，从而收集处理属于广告目标客户的数据，Ad Exchange是实现精准营销的交易场所。

本实施例的竞价算法采用非线性综合竞价算法，使用数学公式描述出价方案如下：

subject to N_T∫_θb(θ)θw(b(θ))pθ(θ)dθ≤B

式中：θ为预测广告投放的次数，p(θ)为投放次数的概率密度函数，w(b(θ))是胜率函数，N是广告竞价的个数，B是固定预算；

这样竞价函数就成了具有约束条件的最优化问题，使用拉格朗日乘数法求解极值，化简得：

由于竞价函数和胜率函数中包含了广告投放频次分布特性，p(θ)在过程中被消去，竞价函数与胜率函数间存在特定关系；接下来的目标是根据历史数据通过统计学方法得到赢标率函数win(b)。

赢标率函数的得出：需求方平台方能够观测到的历史数据只有该需求方平台的出价和赢标后的实际出价；当需求方平台最高价大于软地板价时，采用的第二高价竞价机制，因此，对于竞价成功的广告活动，需求方平台方能观测到该次竞价的真实赢标价格，即第二高价。对于竞价活动中失败的记录，就只能得到自己投标失败的价格，该价格是这次竞标活动中赢标价格的下界，因为赢标价格不可能比竞标失败的价格更低，因此这种情况下无法观察第二高价。下面简述一个最基本的赢标率统计方案。

以计算得到赢标的广告活动实际支付价格的期望值，也就是平均值，使用μ表示；以及需求方平台所有实际支付价格的方差以σ表示，引入参数γ和sigmoid函数，公式如下，

将赢标率函数带入上面简化后的关系式中，即可得出竞价函数。

机器学习算法模型的表达式：

v_i是第i个特征的隐向量，隐向量的长度为k(k＜＜n)，包含k个描述特征的因子；

所有的二项式参数w_ij可以组成一个对称矩阵W，将矩阵W分解为W=V^TV，其中V=(V₁，V₂，…，V_n)^T，V_i=(v_i1，v_i2，…，v_ik)；矩阵V^T的每一行表示某个用户与不同特征的相关性，矩阵V的每一行表示某个特征与不同广告的相关性；

对于机器学习算法模型算法来讲，通过分析用户的车辆信息、用户轨迹、年龄以及性别与广告的匹配度关系，就能训练出中间的k维向量，训练出用户和商品的k维向量，就能很好的对用户画像进行校正，从而让用户画像越加精准。

本实施例的矫正算法采用以下方式进行矫正：

1)通过引导用户进行屏前互动，通过互动的反馈作为一个input输入项，对于用户画像进行矫正；

2)通过引导用户主动注册及选择个人喜好标签的方式；

3)通过脸部表情识别，眼球关注度识别的方式，在进行广告观看时，脸部表情及眼球关注度的反馈，对用户画像进行矫正；

4)通过对接第三方互联网脱敏数据，对用户画像进行矫正。

本申请方案中的广告传播方法，采用程序化购买广告，与常规的人工购买广告相比，极大改善了广告效率、规模和投放策略，但程序化广告的精准性体现在针对明确的目标用户或群体传递合适的品牌及产品信息，而用户产生购买意愿到最终消费中间的影响因素非常多，仅靠数字化、自动化、***化的广告投放模型并不能满足广告主对效果的追求。

本申请的户外广告传播模型将进入到基于大数据+人工智能技术的大规模人群定向及动态化场景匹配阶段，如图3所示，互联网+大数据+人工智能技术的普及，屏前识别技术的发展，包含“千人千面”-大规模人脸识别技术，“千车千面”-大规模车辆信息识别技术；能够直接帮助广告主更准确地定位和寻找目标人群，并在动态化的场景中精准触达，以期达到最优的传播效果。

在该阶段，智能广告是基于大数据和人工智能技术的场景化智能营销。其运作机制是根据特定用户和特定情境，通过高效算法确定与之最匹配的广告并进行精准化创意、制作、投放、传播和互动，目的是要解决广告信息、用户、场景三者的匹配问题。个性化精准推荐是其最大特点，它通过大数据分析和人工智能算法，屏前识别CV技术，包含：“千人千面”-大规模人脸识别技术、“千车千面”-大规模车辆信息识别技术，优化对用户行为特征数据进行获取、存储和分析，将合适的内容在用户合适的时间、地点等场景下推送给用户，满足用户在不同场景下的动态化信息需求。在该广告模式下的智能广告能够即时发现用户在特定场景下的需要，动态预测用户需求，黏合用户以创造服务。

本实施例的基于大数据+人工智能技术的大规模人群定向及动态化场景匹配的广告传播模型，核心算法结构图如图4所示，包括以下四个部分：

1)数据采集：利用摄像头，探针等移动侦测技术，在户外不同场景，实现动态化的用户精准画像的勾勒；

2)实时计算：实时计算，并通过竞价算法，在动态化的场景、时间段、针对目标受众找到最优最匹配的广告；

3)离线计算：通过分析用户车辆信息，用户画像，用户行为等用户大数据，合并用户画像，通过机器学习算法模型，让用户画像变得越加准确。

4)用户反馈：通过广告观看时的用户反馈，矫正用户画像，并通过算法让用户画像更为精准，以实现广告的越投越准。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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申请的范围。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种大规模人群定向及动态化场景匹配的广告传播方法，其特征在于包括以下步骤：

(1)利用摄像头或探针的移动侦测技术，在户外不同场景，实现动态化的用户精准画像的勾勒；

(2)实时计算，并通过竞价算法，在动态化的场景、时间段、针对目标受众找到最优最匹配的广告；

(3)通过分析用户车辆信息、用户画像以及用户行为的大数据，合并用户画像，通过机器学习算法模型，让用户画像变得越加准确；

(4)通过广告观看时的用户反馈，矫正用户画像，并通过矫正算法让用户画像更为精准，以实现广告的越投越准。

2.根据权利要求1所述的大规模人群定向及动态化场景匹配的广告传播方法，其特征在于：所述竞价算法采用非线性综合竞价算法，使用数学公式描述出价方案如下：

subject to N_T∫_θb(θ)θw(b(θ))p_θ(θ)dθ≤B

式中：θ为预测广告投放的次数，p(θ)为投放次数的概率密度函数，w(b(θ))是胜率函数，N是广告竞价的个数，B是固定预算；

这样竞价函数就成了具有约束条件的最优化问题，使用拉格朗日乘数法求解极值，化简得：

由于竞价函数和胜率函数中包含了广告投放频次分布特性，p(θ)在过程中被消去，竞价函数与胜率函数间存在特定关系；

以计算得到赢标的广告活动实际支付价格的期望值，也就是平均值，使用μ表示；以及需求方平台所有实际支付价格的方差以σ表示，引入参数γ和sigmoid函数，公式如下，

将赢标率函数带入上面简化后的关系式中，即可得出竞价函数。

3.根据权利要求1所述的大规模人群定向及动态化场景匹配的广告传播方法，其特征在于：所述机器学习算法模型的表达式：

v_i是第i个特征的隐向量，隐向量的长度为k(k＜＜n)，包含k个描述特征的因子；

所有的二项式参数w_ij可以组成一个对称矩阵W，将矩阵W分解为W＝V^TV，其中V＝(V₁，V₂，…，V_n)^T，V_i＝(v_i1，v_i2，…，v_ik)；矩阵V^T的每一行表示某个用户与不同特征的相关性，矩阵V的每一行表示某个特征与不同广告的相关性；

对于机器学习算法模型算法来讲，通过分析用户的车辆信息、用户轨迹、年龄以及性别与广告的匹配度关系，就能训练出中间的k维向量，训练出用户和商品的k维向量，就能很好的对用户画像进行校正，从而让用户画像越加精准。

4.根据权利要求1所述的大规模人群定向及动态化场景匹配的广告传播方法，其特征在于：所述矫正算法采用以下方式进行矫正：

1)通过引导用户进行屏前互动，通过互动的反馈作为一个input输入项，对于用户画像进行矫正；

2)通过引导用户主动注册及选择个人喜好标签的方式；

3)通过脸部表情识别，眼球关注度识别的方式，在进行广告观看时，脸部表情及眼球关注度的反馈，对用户画像进行矫正；

4)通过对接第三方互联网脱敏数据，对用户画像进行矫正。

Images