[发明专利]一种广告个性化推送系统及方法

说明书

技术领域

本发明属于互联网领域，涉及一种广告个性化推送系统及方法。

背景技术

在互联网中，例如，百度，拥有大量的网页信息，而主题广告推广的对象不是用户而是某一类型的页面。通过类比，每种网页类型对应于推荐系统中的一个用户，而每一个广告就对应于推荐系统中的一个物品。

计算广告从前期调查到策划、制作、投放、反馈，再到效果测定的运作流程，本质上就是一系列算法模型组合演算的过程。计算广告的目的在于通过算法集合自动寻找广告、广告环境与受众三者之间的最佳匹配。这种自动化最佳匹配的实现是数据挖掘、信息检索、文本分析、情感计算、机器学习等多种程序算法交互作用的结果。

eCpm计算广告中最为核心的量化指标之一,eCpm＝ROI(a,u,c)＝CTR(a,u,c).Value(a,u,c),上式中CTR为广告的点击率、Value为广告的点击价值、a(Ad)为广告、c(context)为上下文、u(user)为用户。user由于Value是固定的，实际影响广告主收入的核心因素为广告的点击率。

可见广告点击率(Click-Through Rate Prediction)是互联网计算广告中的关键环节，预估准确性直接影响公司广告收入。提供广告的点击率能使得广告主有更好的ROI。点击率(Click-Through-Rate,CTR)预估是互联网广告投放的核心问题,通过使用机器学习方法,充分利用广告系统日志中的数据进行预测,计算出用户对候选广告点击概率的大小,从中选出被用户点击的概率较大的广告展示给用户。

从上面Ctr(a,u,c)可以看出，要改善广告的点击率，就必须在合适的情景下将广告推荐给匹配的用户。

广告推荐以下几个关键技术因素决定：

1.受众定向投放技术。

客户根据受众的人口统计学特征和兴趣爱好采买受众，包括地理位置、年龄、性别、职业/行业、收入状态、婚姻状态、教育程度和兴趣爱好。

2.用户画像。

通过用户调研去了解用户,根据他们的目标、行为和观点的差异,将他们区分为不同的类型,然后每种类型中抽取出典型特征,赋予名字、照片、一些人口统计学要素、场景等描述,就形成了一个人物原型。

3.CTR预估。

通过采集的投放数据培训CTR预估的模型来预测广告的点击率。

4.机器学习(machine learning)。

计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

现有广告的推荐系统基于CTR预估模型，其主要包括以下步骤：

1.采集广告历史的投放数据；采集广告的展示数据和点击数据；

2.数据预处理，包括：

a)清洗数据格式不合法的记录

b)数据转换：通过广告的点击信息，给广告的展示数据增加相应的标签click label，如果展示在后续被点击，则给此展示click label为1的标签，未产生点击的展示给与click label为0的标签，数据样式，click label、impresion{user、ad，adslot、device、app}。将转换后的数据物化；

c)特征处理：将数字属性做归一化，将类别变量做onehotencoding，处理完后，分析点击标签和展示数据各个属性的相关关系，采用wrapping的方式进行特征的选择，特征选择可以使用(特征排序)；

3.CTR预测模型训练，包括:

将经过特征选择和处理后的数据分成培训集和验证集，用培训集训练CTR模型(可以是LR，LibFm等模型)。

4.CTR预测验证，包括：

使用测试数据来验证训练的模型，通过logloss来评估模型的准确度：

5.CTR预测模型上线验证，包括：

a)使用CTR预测模型来预测线上的广告请求，并计算实际投放的CTR和预测值对比；