[發明專利]一種基于神經網絡的供需數據模型訓練方法

在審

• 申請號: 202310003945.8
• 申請日: 2023-01-03
• 公開（公告）號: CN116308561A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 國德峰;陳明宇;陳佳瑜
• 申請（專利權）人: 上海瑞獅網絡科技有限公司
• 主分類號: G06Q30/0273
• 分類號: G06Q30/0273;G06Q30/0242;G06F16/215;G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 藺巍

本發明提供了一種基于神經網絡的供需數據模型訓練方法，通過對平臺用戶的海量行為數據進行數據歸集、存儲、清洗，為其他模塊提供數據支持，流量預測模塊對平臺歷史流量數據，考慮了周期、季節、時間因素，對實時流量進行預測，通過動態出價算法引擎是大數據技術和人工智能技術的結合的智能廣告出價系統，包含數據治理模塊、流量預測模塊、用戶畫像模塊、轉化預估模型模塊、智能出價模塊、投放效果評估模塊，為流量主提供科學的出價決策支持，同時控制競拍成本，在廣告投放結束后，根據廣告活動效果報告衡量廣告投放成效，持續優化出價策略，為流量主創造利潤，減少流拍，降低成本。

技術領域

本發明涉及神經網絡的供需數據模型訓練領域，具體而言，涉及一種基于神經網絡的供需數據模型訓練方法。

背景技術

實時競價廣告是許多中小流量主要變現的方式，面對著廣告市場，在實時競價環境中，現有技術無法對流量進行合理出價，為流量主提供智能出價支持，使流量主自主設定出價區間，根據實時流量、其他競拍者出價策略、用戶瀏覽習慣多種指標做決策，無法滿足廣告主成本達成、平臺的利潤率和用戶體驗，傳統的固定出價法按照第二名出價+0.01元確定成交價的規則；錯誤的出價將給流量主帶來額外的成本，或者錯失機會，因此我們對此做出改進，提出一種基于神經網絡的供需數據模型訓練方法。

發明內容

本發明的目的在于：針對目前存在的背景技術提出的問題，為了實現上述發明目的，本發明提供了以下技術方案：一種基于神經網絡的供需數據模型訓練方法，包括數據治理模塊，所述數據治理模塊與流量預測模塊數據連接，通過所述流量預測模塊進行預測后將數據導入了用戶畫像模塊，通過用戶畫像模塊進行對用戶進行初步分析后將數據導入了轉化預估模型模塊中，通過所述轉化預估模型模塊對交易預估，并通過智能出價模塊進行出價，并通過投放效果評估模塊進行評估。

作為本發明優選的技術方案，所述轉化預估模型模塊和所述智能出價模塊與所述投放效果評估模塊數據連接。

作為本發明優選的技術方案，所述數據治理模塊對競拍者、平臺用戶的海量行為數據進行數據歸集、存儲、清洗，為其他模塊提供數據支持。

作為本發明優選的技術方案，所述流量預測模塊對平臺歷史流量數據，考慮了周期、季節、時間因素，對實時流量進行預測。

作為本發明優選的技術方案，所述用戶畫像模塊對競拍者、平臺用戶構建用戶畫像，反應競拍者的出價區間、出價時間、點擊次數標簽，平臺用戶瀏覽習慣、付費習慣標簽。

作為本發明優選的技術方案，所述轉化預估模型模塊通過對歷史成交記錄、實時流量、用戶畫像信息進行價值預估，預測廣告投放的轉化率以及將獲得的利潤。

作為本發明優選的技術方案，所述智能出價模塊將根據實時流量、競拍者習慣、平臺用戶習慣數據，得到了持續優化的出價策略。

作為本發明優選的技術方案，所述投放效果評估模塊，通過持續跟蹤廣告投放結果，生成投放評估報告，對動態出價算法進行優化。

作為本發明優選的技術方案，還包括增量式數字PID控制算法，所述增量式數字PID控制算法為∶

u(k)＝u(k-1)+ke(e(k)-e(k-1))+k,e(k)+ka(e(k)-2e(k-1)+e(k-2)NN是一個三層BP網絡，有M個輸入節點、N個隱含節點、3個輸出節點，其中u(k)為增量式數字PID控制算法函數，k為控制點，e為系數，a為輸出節點。

作為本發明優選的技術方案，所述輸入節點對應所選的系統運行狀態量，輸出節點分別對應PID控制器的3個調參數Kp，ki，kd，網絡根據性能指標J＝1/2y已進行在線學習，則及時更新PID控制器的參數。

與現有技術相比，本發明的有益效果：

在本發明的方案中：