[發(fā)明專利]信息流媒體廣告創(chuàng)意推薦方法及裝置

在審

• 申請?zhí)枺?/td>: 201910962318.0
• 申請日: 2019-10-11
• 公開（公告）號: CN110728541A
• 公開（公告）日: 2020-01-24
• 發(fā)明（設(shè)計）人: 羅毅;羅文輝;招偉錦;楊忠軒;呂子鋒
• 申請（專利權(quán)）人: 廣州市豐申網(wǎng)絡(luò)科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F16/9535
• 代理公司: 11534 北京奧文知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)
• 代理人: 張文;苗麗娟

本發(fā)明公開了提供了一種信息流媒體廣告創(chuàng)意推薦方法及裝置，該方法包括：構(gòu)建底層存儲，底層存儲對應(yīng)的數(shù)據(jù)庫內(nèi)存儲有廣告投放數(shù)據(jù)。從數(shù)據(jù)庫內(nèi)獲取文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)。對文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)進行數(shù)據(jù)預處理。對預處理后的文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)進行數(shù)據(jù)挖掘和特征工程，獲取用戶向量、創(chuàng)意向量和One?Hot向量。將用戶向量、創(chuàng)意向量和One?Hot向量輸入Wide&Deep模型，Wide&Deep模型輸出創(chuàng)意推薦給對應(yīng)用戶人群的概率y，y∈【0，1】。根據(jù)創(chuàng)意推薦給對應(yīng)用戶人群的概率進行效果評估。本發(fā)明的信息流媒體廣告創(chuàng)意推薦方法及裝置，可以提高用戶在觀看創(chuàng)意時的點擊率。

技術(shù)領(lǐng)域

本發(fā)明涉及廣告推薦技術(shù)領(lǐng)域，尤其涉及一種信息流媒體廣告創(chuàng)意推薦方法及裝置。

背景技術(shù)

創(chuàng)意是由素材(圖片)和文案(文字)構(gòu)成，目前在信息流媒體創(chuàng)意推薦領(lǐng)域中，采取的主流結(jié)構(gòu)是輸入素材、文案內(nèi)容以及創(chuàng)意效果數(shù)據(jù)，選用機器學習模型去構(gòu)建CTR預估模型，CTR(Click-Through-Rate)即點擊通過率，在此具體指的是該創(chuàng)意的實際點擊次數(shù)除以創(chuàng)意的展現(xiàn)量。

業(yè)界傳統(tǒng)的CTR預估解法是廣義線性模型LR(logistic regression，邏輯斯特回歸)+人工特征工程。LR使用了Logit變換將函數(shù)值映射到[0,1]區(qū)間，映射后的函數(shù)值就是CTR的預估值。LR這種線性模型很容易并行化，處理上億條訓練樣本不是問題。但這種解法的不足是，因為線性模型的學習能力有限，需要引入大量的領(lǐng)域知識來人工設(shè)計特征以及特征之間的交叉組合來間接補充算法的非線性學習能力，非常消耗人力和機器資源，遷移性不夠友好。此外還有常見的Tree based方法，這種方法雖然能夠有效解決LR模型的特征組合問題，但缺點就是仍然是對歷史行為的記憶，泛化能力差。還有像FM(factorizationmachine)模型，能自動學習高階屬性的權(quán)值，不用通過人工的方式選取特征來做交叉，但FM模型只能擬合特定的非線性模式，無法自動做特征交叉，運算量隨著數(shù)據(jù)量成冪數(shù)倍增長。并且，由于當前主流模型一般只使用創(chuàng)意(素材和文案)本身的特征變量和它的效果數(shù)據(jù)，沒有與所推薦的用戶群體構(gòu)建聯(lián)系，導致創(chuàng)意推薦模型離線效果較好但線上表現(xiàn)不盡如意。

發(fā)明內(nèi)容

為解決上述現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供了一種信息流媒體廣告創(chuàng)意推薦方法及裝置。具體技術(shù)方案如下：

第一方面，提供了一種信息流媒體廣告創(chuàng)意推薦方法，所述方法包括：

構(gòu)建底層存儲，所述底層存儲對應(yīng)的數(shù)據(jù)庫內(nèi)存儲有廣告投放數(shù)據(jù)；

從所述數(shù)據(jù)庫內(nèi)獲取文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)；

對所述文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)進行數(shù)據(jù)預處理；

對預處理后的所述文案數(shù)據(jù)、素材數(shù)據(jù)、創(chuàng)意效果數(shù)據(jù)和用戶人群數(shù)據(jù)進行數(shù)據(jù)挖掘和特征工程，獲取用戶向量、創(chuàng)意向量和One-Hot向量；

將所述用戶向量、創(chuàng)意向量和One-Hot向量輸入Wide&Deep模型，采取梯度下降算法更新模型權(quán)重數(shù)值，得到降低模型損失的效果，所述Wide&Deep模型輸出創(chuàng)意推薦給對應(yīng)用戶人群的概率y，y∈【0，1】；

根據(jù)所述創(chuàng)意推薦給對應(yīng)用戶人群的概率進行效果評估。

在一種可能的設(shè)計中，數(shù)據(jù)預處理包括：數(shù)據(jù)歸一化、缺失值處理、編碼格式統(tǒng)一和無效特征處理。

在一種可能的設(shè)計中，通過下述轉(zhuǎn)化函數(shù)進行數(shù)據(jù)歸一化：

x₂＝(x₁-u)/σ