一种广告投放方法及装置的制造方法
【技术领域】
[0001] 本发明设及互联网领域，尤其设及一种广告投放方法及装置。
【背景技术】
[0002] 品牌广告主在进行广告投放时，首要关注的往往是广告是否达到一定的展现量， 希望广告能够吸引更多的观看的用户点击广告来进一步了解他们的产品，也就是说，在一 定展现量的前提下需要提升广告的点击率。一只广告的点击率与很多因素有关，除了与广 告素材本身做得引人入胜等原因外，最重要的因素是运支广告是否正好切中观看用户的喜 好与需求。然而，目前视频网站并不具备捜索引擎那样能够获取用户直接的需求信息的能 力，造成视频网站的品牌广告的点击率较低，广告点击率优化工作难W取得长足的进步，可 见一种优化广告点击率的方案有待被提出。
【发明内容】
[0003] 本发明提供例一种广告点击率优化方法及装置，用于解决现有技术中视频网站无 法根据用户需求投放广告导致广告点击率较低的问题。
[0004] 根据本发明的一个方面，提供了一种广告投放方法，包括:根据广告的历史访问数 据确定用户对广告的偏好信息;对偏好信息进行特征提取；W提取到的特征数据为训练数 据，按照预设的算法模型进行训练得到训练模型;使用训练模型对广告测试数据进行预测， 得到广告的预测点击率;根据预测点击率投放广告。
[0005] 其中，对偏好信息进行特征提取包括:提取偏好信息中的发生点击或展示广告时 的上下文环境信息、广告的描述信息、点击或展示广告的用户属性信息W及用户对广告的 偏好信息。
[0006] 其中，W提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练 模型包括:使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型。
[0007] 其中，使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型包 括:在仅使用逻辑回归模型的情况下，使用逻辑回归模型在训练数据的向量空间中计算每 一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算权重值与对 应特征值的加权和，再将加权和代入逻辑回归函数;在仅适用树模型的情况下，使用一个树 对训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到训练模型； 在同时使用逻辑回归模型W及树模型的情况下，使用树模型对广告的点击日志或展示日志 中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对新的特征集合进行训练。
[0008] 其中，根据广告的历史访问数据确定用户对广告的偏好信息包括:对广告的点击 日志或展示日志对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合;通过广告 的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业 描述信息;通过广告的点击日志或展示日志里的储存在用户本地终端上的数据与用户信息 进行连接整合得到该用户的属性信息与对广告的偏好信息;对经过整合的数据进行清洗去 掉不合法的储存在用户本地终端上的数据。
[0009] 进一步的，上述方法还包括:在对偏好信息进行特征提取之后，如果偏好信息中的 特征为具有有限类别的离散型特征，对离散型特征进行离散化编码;如果偏好数据中的特 征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行离散化编码。
[0010] 其中，根据预测点击率投放广告包括:在得到广告的预测点击率之后，使用广告的 验证数据确定广告的最佳点击率阔值;如果广告的预测点击率大于最佳点击率阔值，则投 放该广告，否则放弃投放该广告。
[0011] 根据本发明的另一个方面，提供了一种广告投放装置，包括:第一确定模块，用于 根据广告的历史访问数据确定用户对广告的偏好信息；提取模块，用于对偏好信息进行特 征提取;训练模块，用于W提取到的特征数据为训练数据，按照预设的算法模型进行训练得 到训练模型;预测模块，使用训练模型对广告测试数据进行预测，得到广告的预测点击率； 投放模块，用于根据预测点击率投放广告。
[0012] 其中，上述提取模块具体用于:提取偏好信息中的发生点击或展示广告时的上下 文环境信息、广告的描述信息、点击或展示广告的用户属性信息W及用户对广告的偏好信 息。
[0013] 其中，上述训练模块具体用于:使用逻辑回归模型和/或树模型算法对训练数据进 行训练，得到训练模型。
[0014] 其中，上述训练模块包括:第一训练单元，用于在仅使用逻辑回归模型的情况下， 使用逻辑回归模型在训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点 击日志或展示日志中的每一条记录计算权重值与对应特征值的加权和，再将加权和代入逻 辑回归函数;第二训练单元，用于在仅适用树模型的情况下，使用一个树对训练数据进行训 练，逐渐加入新的树对上一次训练得到的模型进行增强，得到训练模型；第Ξ训练单元，用 于在同时使用逻辑回归模型W及树模型的情况下，使用树模型对广告的点击日志或展示日 志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对新的特征集合进行训 练。
[0015] 其中，上述第一确定模块包括:第一整合单元，用于对广告的点击日志或展示日志 对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合;第二整合单元，用于通过 广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的 行业描述信息；第Ξ整合单元，用于通过日志里的储存在用户本地终端上的数据与用户信 息进行连接整合得到该用户的属性信息与对广告的偏好信息;清洗单元，用于对经过整合 的数据进行清洗去掉不合法的储存在用户本地终端上的数据。
[0016] 进一步的，上述装置还包括:离散模块，用于在对偏好信息进行特征提取之后，如 果偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码;如果 偏好数据中的特征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行 离散化编码。
[0017] 其中，上述投放模块包括:确定单元，用于在得到广告的预测点击率之后，使用广 告的验证数据确定广告的最佳点击率阔值;投放单元，用于如果广告的预测点击率大于最 佳点击率阔值，则投放该广告，否则放弃投放该广告。
[001引本发明有益效果如下：
[0019] 本发明实施例提供的方案，能够充分利用视频网站中被挖掘出的大量用户信息， 包括用户属性信息和用户对广告的偏好信息，结合广告素材本身的行业描述来进行点击率 的预测，预测出的点击率可W很好的指导广告的投放，使得广告的投放更有针对性，优化了 网页上广告的点击率。
【附图说明】
[0020] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中： [0021 ]图1是本发明实施例1提供的广告投放方法的流程图；
[0022] 图2是本发明实施例2提供的广告投放方法的流程图；
[0023] 图3是本发明实施2中提取到的特征值向量示意图；
[0024] 图4是本发明实施例3提供的广告投放装置的结构框图。
【具体实施方式】
[0025] 为了解决现有技术中网页