[發(fā)明專利]一種預(yù)測APP沖榜所需廣告投放量的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710755057.6
• 申請(qǐng)日: 2017-08-29
• 公開（公告）號(hào): CN107527243A
• 公開（公告）日: 2017-12-29
• 發(fā)明（設(shè)計(jì)）人: 王秋文;李百川
• 申請(qǐng)（專利權(quán)）人: 有米科技股份有限公司
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司44245
• 代理人: 黃磊,陳宏升

技術(shù)領(lǐng)域

本發(fā)明涉及移動(dòng)互聯(lián)網(wǎng)廣告投放領(lǐng)域，特別涉及一種預(yù)測APP沖榜所需廣告投放量的方法。

背景技術(shù)

APP沖榜是指利用各類積分墻，或通過線上線下各類手段來推廣，實(shí)現(xiàn)短期內(nèi)大量用戶下載APP，快速增加下載量，從而達(dá)到使得榜單上升的目的。DSP服務(wù)為廣告主、開發(fā)者提供了廣告推廣投放平臺(tái)，但廣告主、開發(fā)者需要預(yù)估達(dá)到?jīng)_榜預(yù)期的廣告投放量；目前較多沖榜預(yù)估是基于人工經(jīng)驗(yàn)值估算，估算的準(zhǔn)確性依賴于估算人員對(duì)市場的了解、歷史沖榜投放經(jīng)驗(yàn)值，具有主觀意識(shí)，無法從歷史數(shù)據(jù)中提取準(zhǔn)確的信息進(jìn)行估算.

具體來講，現(xiàn)有技術(shù)中，對(duì)于APP沖榜投放廣告，通常有以下三種方式：

(1)人工預(yù)估投放量：根據(jù)廣告、沖榜APP歷史投放經(jīng)驗(yàn)綜合考慮、評(píng)估，預(yù)測APP沖榜所需投放廣告量。對(duì)于人工預(yù)估投放量，這種方法能綜合各種影響因素綜合考慮，但預(yù)估準(zhǔn)確性依賴于評(píng)估者的經(jīng)驗(yàn)值和市場了解程度，其主觀因素影響比較大，往往會(huì)導(dǎo)致預(yù)估精確度不穩(wěn)定甚至難以達(dá)到所需的精確度。

(2)定量加量投放沖榜：即先按定量投放廣告，后續(xù)繼續(xù)定量補(bǔ)充到達(dá)預(yù)定目標(biāo)。定量加量增加廣告投放量在實(shí)際工作中不便于操作，增大了操作難度。

(3)不限廣告投放量沖榜：即無預(yù)估即投放廣告，沖榜APP達(dá)到目標(biāo)則停止。無限量投放沖榜導(dǎo)致無法預(yù)估沖榜開銷，從而使得沖榜成本不合理增大，不利于營銷活動(dòng)的策劃。

因此，有必要提供一種新的APP沖榜投放廣告的預(yù)測方法來解決上述問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種預(yù)測APP沖榜所需廣告投放量的方法，該方法根據(jù)沖榜應(yīng)用自有屬性，以歷史沖榜數(shù)據(jù)為基礎(chǔ)，利用機(jī)器學(xué)習(xí)算法擬合投放量，達(dá)到精準(zhǔn)預(yù)測投放量的目的。

本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：

一種預(yù)測APP沖榜所需廣告投放量的方法，包含以下步驟：

S1、提取沖榜數(shù)據(jù)特征，構(gòu)成沖榜數(shù)據(jù)訓(xùn)練集；

S2、通過獲取的沖榜數(shù)據(jù)訓(xùn)練集，訓(xùn)練機(jī)器學(xué)習(xí)模型：采用Gradient Boost Regression Tree來訓(xùn)練模型，最終得到GBRT模型；

S3、利用訓(xùn)練出的GBRT模型，預(yù)測目標(biāo)沖榜APP的廣告投放量。

步驟S1中，所述沖榜數(shù)據(jù)包括沖榜APP自有屬性、歷史沖榜數(shù)據(jù)。

所述沖榜APP自有屬性包括每個(gè)APP的類別、更新時(shí)間、APP大小、開發(fā)商信息。

所述歷史沖榜數(shù)據(jù)包括從歷史數(shù)據(jù)中提取每次沖榜的APP名、分榜ID、總榜開始位置、總榜結(jié)束位置、分榜開始位置、分榜結(jié)束位置、投放量、沖榜開始時(shí)間、沖榜結(jié)束時(shí)間。

所述步驟S2具體如下：

假設(shè)x、y分別為輸入變量、輸出變量，即x為輸入特征值(長度為J的向量，即有J個(gè)特征)，y為廣告投放量的真實(shí)值；

給定數(shù)據(jù)量為N的訓(xùn)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(shù)據(jù)，y₁、y₂、…、y_N為歷史廣告投放量的真實(shí)值；

該模型的損失函數(shù)為：

L(y,f(x))；

上式中，f(x)為沖榜所需廣告投放量的預(yù)測模型；

初始化f(x)：

依次建立M棵決策樹；

上式中，L為損失函數(shù)，y_i為第i個(gè)廣告投放量的真實(shí)值，c為首顆樹得到的常數(shù)值；

A、對(duì)N個(gè)數(shù)據(jù)分別計(jì)算：

上式中，x_i為訓(xùn)練集中第i個(gè)廣告投放的特征向量；r_mi為第m棵樹計(jì)算第i個(gè)廣告投放記錄的負(fù)梯度；m為當(dāng)前建立的樹序號(hào)，即正在計(jì)算的樹是第m棵；f(x_i)為第i個(gè)投放沖榜所需廣告投放量的預(yù)測模型；f_m-1(x_i)為前m-1棵數(shù)得到的投放沖榜所需廣告投放量的預(yù)測模型；

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