[发明专利]广告投放方法、装置、计算设备及存储介质

说明书

技术领域

本发明涉及互联网技术领域，尤其涉及广告投放策略。

背景技术

目前，进行互联网广告投放时大都使用基于广告点击率预估对广告进行排序的方法，出价越高且质量度越高的广告排序越靠前。通过对广告的点击率进行统计计算，可以了解不同用户感兴趣的广告，从而向用户更精确地展示对应的广告。准确的广告点击率预估可以提高真实的广告点击率，增加收益。所以广告点击率预估是广告投放的核心依据。

在进行广告投放时，使用基于广告点击率预估的方法对广告进行排序。较多的采用LR(逻辑回归)模型结合人工特征工程的方法。LR模型是一个简单的线性模型，不能直接建立特征之间的相关性，需要通过人工特征工程对样本进行处理才能预估点击率。这种算法的不足是线性模型的学习能力有限，需要引入大量的领域知识来人工设计特征以及特征之间的交叉组合来间接补充算法的非线性学习能力，耗费大量的人力和机器资源。

因此，需要一种实现简单的点击率预估模型使点击率预估更方便、广告投放更精准。

发明内容

本发明要解决的技术问题是提供一种广告投放的方案，其能够改善广告投放的针对性，从而提升广告投放的经济效益。

根据本发明的一个方面，提供了一种广告投放方法，包括：

预估广告的点击率；基于点击广告的统计点击用户数量和点击广告后激活广告相关物品的统计激活用户数量，计算广告的转化率；基于点击率和转化率，计算广告的预期收益；以及基于多个广告的预期收益排序，进行广告投放。

本方案根据预估的广告点击率和点击到激活的转化率计算给用户曝光广告的预期收益，改善了广告投放的针对性，从而提升了广告投放的经济效益。

优选地，可以基于点击率、转化率以及广告的收益参数，计算广告的预期收益。

其中广告的收益参数可以是广告商给的激活单价，可以是与广告商协商的广告位价格，预期收益根据集体的广告收益模式确定。

优选地，其中预估广告的点击率的步骤可以包括：

建立以用户特征和物品特征为节点的特征评价网络；

基于特征评价网络建立点击率预估模型；

基于点击率预估模型预估用户对广告的点击率。

这种预估广告点击率的方法实现简单，能够以网络的形式体现用户特征与物品特征之间的关联关系，点击率预估模型可解释性强，能够较方便的预估广告点击率，进而基于预估广告点击率进行广告投放。

优选地，其中，建立以用户特征和物品特征为节点的特征评价网络的步骤可以包括：

生成用户特征集合和物品特征集合；

建立用户特征集合中各个用户特征与物品特征集合中各个物品特征之间的连接。

其中，用户特征集合包括至少一个用户特征U_i，物品特征集合包括至少一个物品特征A_j，i和j分别为正整数。可以从不同的维度筛选用户特征和物品特征。

优选地，生成用户特征集合的步骤可以包括：基于用户属性、用户对物品的偏好生成用户特征；和/或基于用户已拥有的物品生成用户特征。

可以通过获取用户信息、用户历史下载行为数据筛选出有效的与点击率有关的用户特征。这样，模型中既有粗粒度的特征如用户物品偏好，又有细粒度的特征如用户已拥有的物品，能够全面地刻画用户的特征。

生成物品特征集合的步骤可以包括：基于物品本身及其所属类型生成物品特征。

此外，还可以将基于关联规则数据挖掘算法计算出的用户特征组合和物品特征组合作为特征集合中的元素，或者将基于协同过滤算法推荐的特征作为特征集合中的元素。

优选地，基于特征评价网络建立点击率预估模型的步骤可以包括：

确定拥有用户特征U_i的用户对拥有物品特征A_j的物品的统计点击率uc_i,j，作为点击率预估模型的参数。

可以通过在群体用户展现点击日志中获取拥有用户特征U_i的用户中被展示过和点击过拥有物品特征A_i的物品的统计次数，来确定统计点击率uc_i,j。

优选地，基于点击率预估模型预估用户对广告的点击率的步骤可以包括：

基于用户所拥有的用户特征集合uf_u和统计点击率uc_i,j，计算该用户对拥有物品特征A_j的物品的特征点击率ic_j；以及