[发明专利]一种基于增量学习的在线广告投放方法、装置和电子设备

说明书

本发明提供了一种基于增量学习的在线广告投放方法、装置和电子设备。该方法包括：获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；使用所述转化率评估模型计算所述当前用户的转化率评估值；根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。本发明的方法实现了模型优化，有效提高了用户（尤其是小样本的用户）的转换率估计的准确性。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于增量学习的在线广告投放方法、装置和电子设备。

背景技术

近年来，在线广告在整个广告行业的比重越来越高。在线广告中实时竞价的广告由于其良好的转化效果，占有的比重逐年升高。DSP（Demand-Side Platform）作为需求方平台，通过广告交易平台对每次曝光进行竞价尝试。对于每次竞价请求，DSP根据CookieMapping或者设备信息，尝试把正在浏览媒体网站、App的用户映射到DSP能够识别的用户，然后根据DSP从用户历史行为中挖掘的用户画像，进行流量筛选、点击率/转化率预估等，致力于ROI的最大化。

但是对于新增用户的客群进行处理的时候，会面临用户数据匮乏的情况。对于这些数据匮乏的用户，再通过原有模型进行转化率预估时，准确率会下降，导致不能准确地预测用户的转化率情况。

因此，有必要提供一种更为准确的在线广告投放方法。

发明内容

为了解决上述问题，本发明提供了一种基于增量学习的在线广告投放方法，用于根据实时评估的当前用户的转化率来进行在线广告的投放，包括：获取历史用户数据，建立训练数据集，使用所述训练数据集训练XGboost模型，以构建初始的转化率评估模型；若当前用户属于所述训练数据集所不包含的小客群时，读取该小客群样本的历史用户数据；使用所述小客群样本的历史用户数据，在所述初始的转化率评估模型的基础上进行增量训练，以更新所述转化率评估模型；使用所述转化率评估模型计算所述当前用户的转化率评估值；根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式。

优选地，根据所述转化率评估值决定是否对所述当前用户进行广告投放及广告投放方式包括：根据所述转化率评估值以及预定的目标用户筛选规则和/或竞价策略决定是否对该当前用户进行广告投放竞价，并在决定竞价时确定竞价额。

优选地，通过广告竞价管理平台在广告投放平台投放广告；所述目标用户筛选规则和/或竞价策略存储于所述广告竞价管理平台上。

优选地，所述广告竞价管理平台获取所述当前用户的信息并将其送入所述转化率评估模型，并从所述转化率评估模型获取对该用户的转化率评估值。

优选地，根据预设筛选规则，确定增量学习方法，所述预设筛选规则包括根据实时获取当前用户的用户特征数据判断是否保持树结构；在判断为保持树结构的情况下，使用调整叶节点权重的增量学习方法；在判断为不保持树结构的情况下，在使用变更树结构的增量学习方法。

优选地，在匹配度小于特定阈值的情况下，在当前迭代树的基础上增加新树，使用所述训练数据集训练当前迭代树，并使用所述当前用户和与当前用户的用户特征相似的新数据训练所述新树，以进行增量训练。

优选地，在匹配度大于或等于特定阈值的情况下，当前迭代树结构不变，重新计算叶节点权重，将所述当前用户的特征数据增加至所述训练数据集，以进行增量训练。

优选地，所述训练数据集包括历史用户的用户特征数据、页面点击率、流量转化数据和时间参数。