[發明專利]一種預測APP沖榜所需廣告投放量的方法

在審

• 申請號: 201710755057.6
• 申請日: 2017-08-29
• 公開（公告）號: CN107527243A
• 公開（公告）日: 2017-12-29
• 發明（設計）人: 王秋文;李百川
• 申請（專利權）人: 有米科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 黃磊,陳宏升

1.一種預測APP沖榜所需廣告投放量的方法，其特征在于，包含以下步驟：

S1、提取沖榜數據特征，構成沖榜數據訓練集；

S2、通過獲取的沖榜數據訓練集，訓練機器學習模型：采用Gradient Boost Regression Tree來訓練模型，最終得到GBRT模型；

S3、利用訓練出的GBRT模型，預測目標沖榜APP的廣告投放量。

2.根據權利要求1所述預測APP沖榜所需廣告投放量的方法，其特征在于，步驟S1中，所述沖榜數據包括沖榜APP自有屬性、歷史沖榜數據。

3.根據權利要求2所述預測APP沖榜所需廣告投放量的方法，其特征在于，所述沖榜APP自有屬性包括每個APP的類別、更新時間、APP大小、開發商信息。

4.根據權利要求2所述預測APP沖榜所需廣告投放量的方法，其特征在于，所述歷史沖榜數據包括從歷史數據中提取每次沖榜的APP名、分榜ID、總榜開始位置、總榜結束位置、分榜開始位置、分榜結束位置、投放量、沖榜開始時間、沖榜結束時間。

5.根據權利要求1所述預測APP沖榜所需廣告投放量的方法，其特征在于，所述步驟S2具體如下：

假設x、y分別為輸入變量、輸出變量，即x為輸入特征值，y為廣告投放量的真實值；

給定數據量為N的訓練集D：

D＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}；

其中x₁、x₂、…、x_N為歷史沖榜特征數據，y₁、y₂、…、y_N為歷史廣告投放量的真實值；

該模型的損失函數為：

L(y,f(x))；

上式中，f(x)為沖榜所需廣告投放量的預測模型；

初始化f(x)：

f0(x)=argmincΣi=1NL(yi,c);]]>

依次建立M棵決策樹；

上式中，L為損失函數，y_i為第i個廣告投放量的真實值，c為首顆樹得到的常數值；

A、對N個數據分別計算：

rmi=-[∂L(yi,f(xi))∂f(xi)]f(x)=fm-1(x);]]>

上式中，x_i為訓練集中第i個廣告投放的特征向量；r_mi為第m棵樹計算第i個廣告投放記錄的負梯度；m為當前建立的樹序號，即正在計算的樹是第m棵；f(x_i)為第i個投放沖榜所需廣告投放量的預測模型；f_m-1(x_i)為前m-1棵數得到的投放沖榜所需廣告投放量的預測模型；

B、對{(x_i,r_mi)},i＝1,2,...,N擬合回歸樹h_m(x)；

假設h_m(x)得到J_m個葉子節點，則這棵樹將輸入空間劃分為J_m個區域：R_mj,j＝1,2,...,J_m，每個區域擁有一個常量預測值b_mj，利用指示函數I可表示為：

hm(x)=Σj=1JmbmjI,x∈Rmj]]>

C、求解最優化模型，得到算子c_m：

cm=argmincΣi=1NL(yi,fm-1(xi)+c·hm(xi));]]>

上式中，h_m(x_i)為第m棵樹第i個歷史投放的預測結果；

D、更新:f_m(x)＝f_m-1(x)+c_mh_m(x)

最終得到GBRT模型：

6.根據權利要求1所述預測APP沖榜所需廣告投放量的方法，其特征在于，所述GBRT模型，若榜單排名規則沒有更改，則多次重復使用；如果有更改，則需要用更改之后的沖榜數據重新訓練模型。