[發(fā)明專(zhuān)利]一種基于增量學(xué)習(xí)的在線(xiàn)廣告投放方法、裝置和電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010724441.1
• 申請(qǐng)日: 2020-07-24
• 公開(kāi)（公告）號(hào): CN111598633B
• 公開(kāi)（公告）日: 2021-11-12
• 發(fā)明（設(shè)計(jì)）人: 李達(dá);丁楠;蘇綏綏
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京淇瑀信息科技有限公司
• 主分類(lèi)號(hào): G06Q30/02
• 分類(lèi)號(hào): G06Q30/02;G06K9/62
• 代理公司: 北京清誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 11691
• 代理人: 喬?hào)|峰

本發(fā)明提供了一種基于增量學(xué)習(xí)的在線(xiàn)廣告投放方法、裝置和電子設(shè)備。該方法包括：獲取歷史用戶(hù)數(shù)據(jù)，建立訓(xùn)練數(shù)據(jù)集，使用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練XGboost模型，以構(gòu)建初始的轉(zhuǎn)化率評(píng)估模型；若當(dāng)前用戶(hù)屬于所述訓(xùn)練數(shù)據(jù)集所不包含的小客群時(shí)，讀取該小客群樣本的歷史用戶(hù)數(shù)據(jù)；使用所述小客群樣本的歷史用戶(hù)數(shù)據(jù)，在所述初始的轉(zhuǎn)化率評(píng)估模型的基礎(chǔ)上進(jìn)行增量訓(xùn)練，以更新所述轉(zhuǎn)化率評(píng)估模型；使用所述轉(zhuǎn)化率評(píng)估模型計(jì)算所述當(dāng)前用戶(hù)的轉(zhuǎn)化率評(píng)估值；根據(jù)所述轉(zhuǎn)化率評(píng)估值決定是否對(duì)所述當(dāng)前用戶(hù)進(jìn)行廣告投放及廣告投放方式。本發(fā)明的方法實(shí)現(xiàn)了模型優(yōu)化，有效提高了用戶(hù)（尤其是小樣本的用戶(hù)）的轉(zhuǎn)換率估計(jì)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)信息處理領(lǐng)域，具體而言，涉及一種基于增量學(xué)習(xí)的在線(xiàn)廣告投放方法、裝置和電子設(shè)備。

背景技術(shù)

近年來(lái)，在線(xiàn)廣告在整個(gè)廣告行業(yè)的比重越來(lái)越高。在線(xiàn)廣告中實(shí)時(shí)競(jìng)價(jià)的廣告由于其良好的轉(zhuǎn)化效果，占有的比重逐年升高。DSP（Demand-Side Platform）作為需求方平臺(tái)，通過(guò)廣告交易平臺(tái)對(duì)每次曝光進(jìn)行競(jìng)價(jià)嘗試。對(duì)于每次競(jìng)價(jià)請(qǐng)求，DSP根據(jù)CookieMapping或者設(shè)備信息，嘗試把正在瀏覽媒體網(wǎng)站、App的用戶(hù)映射到DSP能夠識(shí)別的用戶(hù)，然后根據(jù)DSP從用戶(hù)歷史行為中挖掘的用戶(hù)畫(huà)像，進(jìn)行流量篩選、點(diǎn)擊率/轉(zhuǎn)化率預(yù)估等，致力于ROI的最大化。

但是對(duì)于新增用戶(hù)的客群進(jìn)行處理的時(shí)候，會(huì)面臨用戶(hù)數(shù)據(jù)匱乏的情況。對(duì)于這些數(shù)據(jù)匱乏的用戶(hù)，再通過(guò)原有模型進(jìn)行轉(zhuǎn)化率預(yù)估時(shí)，準(zhǔn)確率會(huì)下降，導(dǎo)致不能準(zhǔn)確地預(yù)測(cè)用戶(hù)的轉(zhuǎn)化率情況。

因此，有必要提供一種更為準(zhǔn)確的在線(xiàn)廣告投放方法。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明提供了一種基于增量學(xué)習(xí)的在線(xiàn)廣告投放方法，用于根據(jù)實(shí)時(shí)評(píng)估的當(dāng)前用戶(hù)的轉(zhuǎn)化率來(lái)進(jìn)行在線(xiàn)廣告的投放，包括：獲取歷史用戶(hù)數(shù)據(jù)，建立訓(xùn)練數(shù)據(jù)集，使用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練XGboost模型，以構(gòu)建初始的轉(zhuǎn)化率評(píng)估模型；若當(dāng)前用戶(hù)屬于所述訓(xùn)練數(shù)據(jù)集所不包含的小客群時(shí)，讀取該小客群樣本的歷史用戶(hù)數(shù)據(jù)；使用所述小客群樣本的歷史用戶(hù)數(shù)據(jù)，在所述初始的轉(zhuǎn)化率評(píng)估模型的基礎(chǔ)上進(jìn)行增量訓(xùn)練，以更新所述轉(zhuǎn)化率評(píng)估模型；使用所述轉(zhuǎn)化率評(píng)估模型計(jì)算所述當(dāng)前用戶(hù)的轉(zhuǎn)化率評(píng)估值；根據(jù)所述轉(zhuǎn)化率評(píng)估值決定是否對(duì)所述當(dāng)前用戶(hù)進(jìn)行廣告投放及廣告投放方式。

優(yōu)選地，根據(jù)所述轉(zhuǎn)化率評(píng)估值決定是否對(duì)所述當(dāng)前用戶(hù)進(jìn)行廣告投放及廣告投放方式包括：根據(jù)所述轉(zhuǎn)化率評(píng)估值以及預(yù)定的目標(biāo)用戶(hù)篩選規(guī)則和/或競(jìng)價(jià)策略決定是否對(duì)該當(dāng)前用戶(hù)進(jìn)行廣告投放競(jìng)價(jià)，并在決定競(jìng)價(jià)時(shí)確定競(jìng)價(jià)額。

優(yōu)選地，通過(guò)廣告競(jìng)價(jià)管理平臺(tái)在廣告投放平臺(tái)投放廣告；所述目標(biāo)用戶(hù)篩選規(guī)則和/或競(jìng)價(jià)策略存儲(chǔ)于所述廣告競(jìng)價(jià)管理平臺(tái)上。

優(yōu)選地，所述廣告競(jìng)價(jià)管理平臺(tái)獲取所述當(dāng)前用戶(hù)的信息并將其送入所述轉(zhuǎn)化率評(píng)估模型，并從所述轉(zhuǎn)化率評(píng)估模型獲取對(duì)該用戶(hù)的轉(zhuǎn)化率評(píng)估值。

優(yōu)選地，根據(jù)預(yù)設(shè)篩選規(guī)則，確定增量學(xué)習(xí)方法，所述預(yù)設(shè)篩選規(guī)則包括根據(jù)實(shí)時(shí)獲取當(dāng)前用戶(hù)的用戶(hù)特征數(shù)據(jù)判斷是否保持樹(shù)結(jié)構(gòu)；在判斷為保持樹(shù)結(jié)構(gòu)的情況下，使用調(diào)整葉節(jié)點(diǎn)權(quán)重的增量學(xué)習(xí)方法；在判斷為不保持樹(shù)結(jié)構(gòu)的情況下，在使用變更樹(shù)結(jié)構(gòu)的增量學(xué)習(xí)方法。

優(yōu)選地，在匹配度小于特定閾值的情況下，在當(dāng)前迭代樹(shù)的基礎(chǔ)上增加新樹(shù)，使用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練當(dāng)前迭代樹(shù)，并使用所述當(dāng)前用戶(hù)和與當(dāng)前用戶(hù)的用戶(hù)特征相似的新數(shù)據(jù)訓(xùn)練所述新樹(shù)，以進(jìn)行增量訓(xùn)練。

優(yōu)選地，在匹配度大于或等于特定閾值的情況下，當(dāng)前迭代樹(shù)結(jié)構(gòu)不變，重新計(jì)算葉節(jié)點(diǎn)權(quán)重，將所述當(dāng)前用戶(hù)的特征數(shù)據(jù)增加至所述訓(xùn)練數(shù)據(jù)集，以進(jìn)行增量訓(xùn)練。

優(yōu)選地，所述訓(xùn)練數(shù)據(jù)集包括歷史用戶(hù)的用戶(hù)特征數(shù)據(jù)、頁(yè)面點(diǎn)擊率、流量轉(zhuǎn)化數(shù)據(jù)和時(shí)間參數(shù)。