[发明专利]一种基于多任务学习的再营销广告效果预估方法及系统

说明书

本发明公开了一种基于多任务学习的再营销广告效果预估方法及系统，属于网络广告营销信息领域，本发明对广告展示后，用户的多个行为(点击/浏览/加购/购买)进行学习和预估，在展示环节同时考虑多个方面的影响因素，自动学习特征和目标之间关联性，一个模型解决再营销广告的效果预估问题。具体的，通过线下的特征设计、目标确定、样本构造和模型训练从海量的数据中学习知识，线上实时对请求完成特征抽取、模型打分，将从离线模型训练出来的知识应用到生产环境中，实现实时的在营销广告效果预估。本发明使用一个模型实现多个指标的预估，降低了传统多模型方案的复杂度，克服了因为购买/加购等行为数据稀疏而引发的训练效果不佳的问题。

技术领域

本发明属于网络广告营销信息技术领域，涉及一种基于多任务学习的再营销广告效果预估方法及系统。

背景技术

电商网站通常会对近期访问了网站、有购买意图但是没有完成购买的用户，在站外进行二次触达，这个过程就需要再营销广告来实现。独立第三方广告平台会帮助广告主在流量市场上进行流量采买，广告主跟独立第三方广告平台按照CPS(Cost Per Sale)进行结算，即看到独立第三方广告平台投放的广告点击并进站完成下单，按照下单金额，给独立第三方广告平台一定比例的分成。因此，独立第三方广告平台需要帮助广告主评估广告主网站的用户在外部媒体网站的投放效果，即用户点击广告并进站完成购买的概率，才能够最大化独立第三方广告平台的利润。

如图1所示，再营销广告完成转化的路径：用户在媒体网站看到再营销广告(Impression)-用户点击再营销广告(Click)-用户在广告主网站浏览商品(ViewContent)-用户在广告主网站将商品加入购物车(AddToCart)-用户在广告住网站完成支付(Purchase)

对用户点击广告的概率进行预估是CTR(Click-Through-Rate)预估，对用户点击广告后完成购买的概率进行预估是CVR(Conversion Rate)预估，常规的做法是建立两个模型分别对点击率和转化率进行预估，目前广告行业对于点击率/转化率预估是非常成熟的，基本思路是通过在历史的广告曝光和转化效果来学习模型，然后线上实时的对流量点击率和转化率进行预估。常用的方法包括线性模型LR，非线性模型FM、FFM和GBDT，以及一些深度学习的模型WideDeep、DeepFM模型等。点击率预估把展示后用户点击作为正样本、没有点击作为负样本，学习分类模型；转化率预估把点击后用户完成购买作为正样本，没有完成购买当作负样本，学习分类模型。

对于再营销场景，不能直接使用传统的方案，因为存在的以下挑战：

1)、再营销场景存在跨站行为，用户点击发生在媒体网站，用户购买发生在广告主的电商网站，用户点击跟媒体网站有关，用户是否购买跟用户本身的购买意愿有关，特征层面刻画存在冲突。

2)、中间步骤多，用户点击广告，进站浏览商品详情页，把商品加入购物车，完成支付，才能完成整个购买流程，直接预估用户是否会购买存在断层情况。

3)、随着购物链路的深入，用户行为会越来越少，会存在样本不足，无法准确预估的问题。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于多任务学习的再营销广告效果预估方法及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明提出的一种基于多任务学习的再营销广告效果预估方法，包括如下步骤：

将用户是否点击、用户是否有站内浏览行为、用户是否有加入购物车行为和用户是否有购买行为作为目标；

将广告相关的特征、用户相关的特征、上下文相关的特征作为特征列表；

根据目标和特征列表构建样本样例，并对样本样例进行标注；

根据标注的样本样例训练MMoE模型，学习MMoE模型参数；