本發(fā)明涉及一種智能優(yōu)化廣告投放方法，屬于投放廣告渠道策略。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)廣告行業(yè)的快速發(fā)展，廣告主對(duì)廣告投放的精準(zhǔn)性和效果的要求日益提高。傳統(tǒng)的廣告投放方法往往依賴于簡(jiǎn)單的用戶畫像和固定的投放策略，這導(dǎo)致廣告資源浪費(fèi)嚴(yán)重，且廣告效果難以量化和優(yōu)化。廣告投放的核心挑戰(zhàn)在于如何準(zhǔn)確預(yù)測(cè)用戶的需求和行為，從而實(shí)現(xiàn)廣告內(nèi)容的個(gè)性化推薦和精準(zhǔn)投放?，F(xiàn)有的技術(shù)通常采用基于用戶歷史行為數(shù)據(jù)的機(jī)器學(xué)習(xí)模型來預(yù)測(cè)用戶屬性，進(jìn)而選擇目標(biāo)用戶群體進(jìn)行廣告投放。

2、如公告號(hào)為cn107871244b的中國(guó)發(fā)明專利《一種廣告效果的檢測(cè)方法和裝置》公開了一種廣告效果的檢測(cè)方法，包括：獲取廣告主提供的待投放廣告；將所述待投放廣告輸入到用戶屬性預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，輸出所述待投放廣告對(duì)應(yīng)的目標(biāo)用戶屬性，所述用戶屬性預(yù)測(cè)模型通過使用網(wǎng)絡(luò)數(shù)據(jù)源中的用戶行為數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練后建立；根據(jù)所述目標(biāo)用戶屬性從網(wǎng)絡(luò)平臺(tái)中選擇與所述目標(biāo)用戶屬性匹配的用戶集，并將所述待投放廣告投放給選擇出的所述用戶集；收集所述用戶集中的用戶對(duì)已投放廣告產(chǎn)生的用戶反饋信息，并根據(jù)所述用戶反饋信息確定所述已投放廣告匹配的用戶群體。然而，上述專利在模型的復(fù)雜性和投放策略的動(dòng)態(tài)性等方面存在諸多問題。

3、首先，傳統(tǒng)的機(jī)器學(xué)習(xí)模型在處理高維、復(fù)雜的用戶特征時(shí)，容易出現(xiàn)過擬合問題，導(dǎo)致模型的泛化能力不足，上述專利中使用的用戶屬性預(yù)測(cè)模型較為簡(jiǎn)單，僅通過機(jī)器學(xué)習(xí)方法對(duì)用戶行為數(shù)據(jù)進(jìn)行訓(xùn)練，未考慮高維特征的復(fù)雜交互關(guān)系；此外，廣告投放過程中缺乏對(duì)廣告效果的實(shí)時(shí)監(jiān)控和動(dòng)態(tài)調(diào)整機(jī)制，無法根據(jù)廣告的實(shí)際效果及時(shí)優(yōu)化投放策略，將會(huì)導(dǎo)致資源浪費(fèi)、廣告效果不達(dá)預(yù)期、錯(cuò)失市場(chǎng)機(jī)會(huì)、用戶體驗(yàn)下降、roi下降、決策延遲以及難以應(yīng)對(duì)突發(fā)事件等一系列問題，這些問題不僅會(huì)影響廣告主的短期收益，還可能對(duì)品牌的長(zhǎng)期發(fā)展和市場(chǎng)競(jìng)爭(zhēng)力造成負(fù)面影響。

4、因此，亟需一種能夠結(jié)合高維特征處理、復(fù)雜交互建模、實(shí)時(shí)監(jiān)控與動(dòng)態(tài)優(yōu)化機(jī)制的智能優(yōu)化廣告投放方法，以實(shí)現(xiàn)廣告投放的全局最優(yōu)化，提升廣告主的投資回報(bào)率，并確保廣告效果的可持續(xù)性和精準(zhǔn)性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種智能優(yōu)化廣告投放方法。

2、本發(fā)明的技術(shù)方案如下：

3、本發(fā)明提供了一種智能優(yōu)化廣告投放方法，所述方法包括：

4、采集用戶數(shù)據(jù)，包括用戶屬性、行為數(shù)據(jù)、興趣標(biāo)簽和實(shí)時(shí)數(shù)據(jù)，對(duì)所述用戶數(shù)據(jù)進(jìn)行特征提取，獲得多維度的用戶特征；

5、構(gòu)建匹配模型，將所述用戶特征和待投放廣告對(duì)應(yīng)的廣告特征作為輸入，輸出待投放廣告的匹配得分，對(duì)所述匹配得分進(jìn)行排序，按照從高到低的順序依次投放待投放廣告；

6、獲取用戶的歷史轉(zhuǎn)化數(shù)據(jù)，基于所述歷史轉(zhuǎn)化數(shù)據(jù)，使用多觸點(diǎn)歸因模型計(jì)算已投放廣告在用戶轉(zhuǎn)化中的貢獻(xiàn)，基于已投放廣告在用戶轉(zhuǎn)化中的貢獻(xiàn)計(jì)算已投放廣告對(duì)商品交易總額gmv的貢獻(xiàn)；

7、構(gòu)建轉(zhuǎn)化率預(yù)測(cè)模型，利用用戶特征、已投放廣告的廣告特征和歷史轉(zhuǎn)化數(shù)據(jù)對(duì)所述轉(zhuǎn)化率預(yù)測(cè)模型進(jìn)行訓(xùn)練，獲得最終的轉(zhuǎn)化率預(yù)測(cè)模型，利用最終的轉(zhuǎn)化率預(yù)測(cè)模型計(jì)算已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)換率；

8、基于已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)換率和對(duì)gmv的貢獻(xiàn)評(píng)估已投放廣告的廣告效果；構(gòu)建用于評(píng)估每個(gè)用戶終身價(jià)值的用戶價(jià)值模型，基于所述用戶價(jià)值模型預(yù)測(cè)每個(gè)用戶對(duì)廣告的付費(fèi)能力；

9、基于已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)換率和廣告效果以及用戶對(duì)廣告的付費(fèi)能力，構(gòu)建投資回報(bào)率roi預(yù)測(cè)模型，利用所述roi預(yù)測(cè)模型獲得已投放廣告的預(yù)測(cè)roi，基于廣告商預(yù)設(shè)的roi目標(biāo)和所述預(yù)測(cè)roi生成對(duì)應(yīng)的優(yōu)化投放策略。

10、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述匹配模型為雙塔模型，包括用戶塔、廣告塔、交互層和全連接網(wǎng)絡(luò)，其中：

11、所述用戶塔用于對(duì)用戶特征進(jìn)行編碼，獲得用戶的嵌入向量，以公式表達(dá)為：

12、；

13、；

14、式中，為用戶的嵌入向量；為用戶塔的映射函數(shù)；為用戶塔的參數(shù)；為用戶的用戶特征；、、和分別為用戶屬性特征、行為數(shù)據(jù)特征、興趣標(biāo)簽特征和實(shí)時(shí)特征；

15、所述廣告塔用于對(duì)廣告特征進(jìn)行編碼，獲得廣告的嵌入向量，以公式表達(dá)為：

16、；

17、；

18、式中，為廣告的嵌入向量；為廣告塔的映射函數(shù)；為廣告塔的參數(shù)；為第個(gè)待投放廣告的廣告特征；、、和分別為廣告屬性特征、廣告內(nèi)容特征、廣告受眾定位特征和廣告實(shí)時(shí)狀態(tài)特征。

19、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述交互層采用多頭自注意力機(jī)制，將用戶的嵌入向量和廣告的嵌入向量分別擴(kuò)展為多頭形式，以公式表達(dá)為：

20、；

21、；

22、式中，和分別為用戶擴(kuò)展嵌入和廣告擴(kuò)展嵌入；為注意力頭的數(shù)量；和分別為用戶和廣告的嵌入向量的維度；和分別為和的實(shí)數(shù)矩陣；為用戶特征的嵌入向量的第個(gè)頭的輸出；為廣告特征的嵌入向量的第個(gè)頭的輸出；

23、對(duì)用戶擴(kuò)展嵌入進(jìn)行線性變換，以公式表達(dá)為：

24、；

25、；

26、式中，為用戶擴(kuò)展嵌入在第個(gè)注意力頭的查詢向量；為用戶擴(kuò)展嵌入在第個(gè)注意力頭的鍵向量；為用戶擴(kuò)展嵌入在多頭注意力機(jī)制中第個(gè)注意力頭的表示；和為預(yù)先設(shè)定的可學(xué)習(xí)的線性變換對(duì)應(yīng)權(quán)重矩陣，維度為；

27、對(duì)廣告擴(kuò)展嵌入進(jìn)行線性變換，以公式表達(dá)為：

28、；

29、；

30、式中，為廣告擴(kuò)展嵌入在第個(gè)注意力頭的鍵向量；為廣告擴(kuò)展嵌入在第個(gè)注意力頭的值向量；為廣告擴(kuò)展嵌入在多頭注意力機(jī)制中第個(gè)注意力頭的表示；和為預(yù)先設(shè)定的可學(xué)習(xí)的線性變換對(duì)應(yīng)權(quán)重矩陣，維度為；

31、通過線性變換將鍵向量對(duì)齊到查詢向量的維度，以公式表達(dá)為：

32、；

33、式中，為對(duì)齊后的廣告擴(kuò)展嵌入在第個(gè)注意力頭的鍵向量；為預(yù)先設(shè)定的可學(xué)習(xí)的線性變換對(duì)應(yīng)權(quán)重矩陣；

34、對(duì)于每個(gè)注意力頭，通過點(diǎn)積計(jì)算注意力得分，以公式表達(dá)為：

35、；

36、式中，為第個(gè)注意力頭的注意力得分；為轉(zhuǎn)置操作；為激活函數(shù)；

37、將每個(gè)注意力頭的注意力得分進(jìn)行拼接獲得總注意力得分，以公式表達(dá)為：

38、；

39、式中，為總注意力得分；為連接函數(shù)。

40、作為本發(fā)明優(yōu)選的一種實(shí)施方式，輸出待投放廣告的匹配得分具體為：

41、通過全連接網(wǎng)絡(luò)對(duì)總注意力得分進(jìn)行抽象特征的提取，并計(jì)算匹配得分，以公式表達(dá)為：

42、；

43、；

44、式中，為抽象特征；為全連接網(wǎng)絡(luò)的隱函數(shù)；為匹配得分；為預(yù)設(shè)的可學(xué)習(xí)的全連接網(wǎng)絡(luò)對(duì)應(yīng)權(quán)重向量；為全連接網(wǎng)絡(luò)對(duì)應(yīng)偏置項(xiàng)。

45、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述歷史轉(zhuǎn)化數(shù)據(jù)包括用戶在已投放廣告的廣告觸點(diǎn)上已完成的轉(zhuǎn)化次數(shù)和用戶通過已投放廣告的廣告觸點(diǎn)形成的轉(zhuǎn)化路徑；

46、所述多觸點(diǎn)歸因模型為u型歸因模型，計(jì)算已投放廣告在用戶轉(zhuǎn)化中的貢獻(xiàn)以公式表達(dá)為：

47、；

48、式中，為已投放廣告在用戶轉(zhuǎn)化中的貢獻(xiàn)；為已投放廣告的廣告觸點(diǎn)對(duì)用戶轉(zhuǎn)化的權(quán)重；為索引變量，用于遍歷用戶在轉(zhuǎn)化路徑中接觸到的所有廣告觸點(diǎn)；為廣告觸點(diǎn)總數(shù)目；

49、基于已投放廣告在用戶轉(zhuǎn)化中的貢獻(xiàn)計(jì)算已投放廣告對(duì)gmv的貢獻(xiàn)，以公式表達(dá)為：

50、。

51、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述轉(zhuǎn)化率預(yù)測(cè)模型為基于邏輯回歸的二分類模型，利用最終的轉(zhuǎn)化率預(yù)測(cè)模型計(jì)算已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)換率以公式表達(dá)為：

52、；

53、式中，為第個(gè)已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)化率；為sigmoid函數(shù)；為訓(xùn)練后的權(quán)重向量；為訓(xùn)練后的偏置項(xiàng)；為轉(zhuǎn)置操作。

54、作為本發(fā)明優(yōu)選的一種實(shí)施方式，基于已投放廣告對(duì)用戶的轉(zhuǎn)換率和對(duì)gmv的貢獻(xiàn)評(píng)估已投放廣告的廣告效果，以公式表達(dá)為：

55、；

56、式中，為第個(gè)已投放廣告的廣告效果；為第個(gè)已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)化率；為第個(gè)已投放廣告對(duì)gmv的貢獻(xiàn)。

57、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述用戶價(jià)值模型以公式表達(dá)為：

58、；

59、式中，為第個(gè)用戶的終身價(jià)值；為在時(shí)間內(nèi)第個(gè)用戶的消費(fèi)額；為在時(shí)間內(nèi)第個(gè)用戶的回購(gòu)率；為在時(shí)間內(nèi)第個(gè)用戶的轉(zhuǎn)化率；為貼現(xiàn)率；為預(yù)測(cè)時(shí)間段的總長(zhǎng)度；

60、基于所述用戶價(jià)值模型預(yù)測(cè)每個(gè)用戶對(duì)廣告的付費(fèi)能力，以公式表達(dá)為：

61、；

62、式中，為第個(gè)用戶的付費(fèi)能力；為用戶平均生命周期。

63、作為本發(fā)明優(yōu)選的一種實(shí)施方式，roi預(yù)測(cè)模型以公式表達(dá)為：

64、；

65、式中，為第個(gè)已投放廣告的預(yù)測(cè)roi；為已投放廣告總數(shù)目；為用戶總數(shù)目；為第個(gè)已投放廣告的直接成本；為第個(gè)已投放廣告的間接成本；為第個(gè)已投放廣告對(duì)用戶的預(yù)測(cè)轉(zhuǎn)化率；為第個(gè)用戶的付費(fèi)能力；為第個(gè)已投放廣告的廣告效果；

66、基于廣告商預(yù)設(shè)的roi目標(biāo)和所述預(yù)測(cè)roi生成對(duì)應(yīng)的優(yōu)化投放策略具體為將預(yù)測(cè)roi與廣告商預(yù)設(shè)的roi目標(biāo)進(jìn)行對(duì)比，若預(yù)測(cè)roi低于目標(biāo)roi，則進(jìn)行優(yōu)化，包括：

67、保留預(yù)測(cè)roi在預(yù)設(shè)的roi目標(biāo)以上或相同的廣告，停止預(yù)測(cè)roi在預(yù)設(shè)的roi目標(biāo)以下的廣告投放，并優(yōu)先向高付費(fèi)能力和高轉(zhuǎn)換率的用戶投放廣告；

68、根據(jù)預(yù)測(cè)roi和廣告成本，優(yōu)化廣告預(yù)算分配，優(yōu)化目標(biāo)函數(shù)以公式表達(dá)為：

69、；

70、式中，為待優(yōu)化廣告的預(yù)算比例；為待優(yōu)化廣告的預(yù)測(cè)roi；為待優(yōu)化廣告的直接成本；為待優(yōu)化廣告的間接成本；為最大化操作；

71、對(duì)應(yīng)約束條件包括預(yù)算約束和預(yù)算比例約束，其中：

72、預(yù)算約束以公式表達(dá)為：

73、；

74、式中，為總預(yù)算；

75、分配比例約束以公式表達(dá)為：

76、；

77、利用線性規(guī)劃算法求解獲得最優(yōu)的預(yù)算比例，基于所述預(yù)算比例調(diào)整廣告預(yù)算完成優(yōu)化。

78、作為本發(fā)明優(yōu)選的一種實(shí)施方式，所述方法還包括在實(shí)際投放過程中，實(shí)時(shí)監(jiān)控已投放廣告的廣告效果和roi，根據(jù)實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)調(diào)整投放策略。

79、本發(fā)明具有如下有益效果：

80、1、本發(fā)明為一種智能優(yōu)化廣告投放方法，從用戶屬性、行為數(shù)據(jù)、興趣標(biāo)簽和實(shí)時(shí)數(shù)據(jù)多個(gè)維度提取用戶特征，確保廣告投放能夠覆蓋用戶的多樣化需求；通過匹配模型中的用戶塔和廣告塔分別對(duì)用戶特征和廣告特征進(jìn)行編碼，生成嵌入向量，使用多頭自注意力機(jī)制增強(qiáng)用戶和廣告特征之間的交互，從而更精準(zhǔn)地計(jì)算廣告與用戶的匹配得分，且通過匹配模型輸出的匹配得分排序，優(yōu)先投放與用戶興趣高度匹配的廣告，有效捕捉用戶興趣和廣告內(nèi)容的復(fù)雜關(guān)系，提升廣告投放的精準(zhǔn)度；

81、2、本發(fā)明為一種智能優(yōu)化廣告投放方法，通過多觸點(diǎn)歸因模型精確計(jì)算每個(gè)廣告觸點(diǎn)在用戶轉(zhuǎn)化過程中的貢獻(xiàn)，從而評(píng)估廣告對(duì)整體gmv的貢獻(xiàn)，解決了傳統(tǒng)廣告投放中難以量化廣告效果的問題，幫助廣告商更好地理解廣告投資回報(bào)，且通過對(duì)用戶歷史轉(zhuǎn)化數(shù)據(jù)的學(xué)習(xí)，更準(zhǔn)確地評(píng)估廣告在用戶轉(zhuǎn)化路徑中的作用，避免簡(jiǎn)單地依賴點(diǎn)擊率或曝光量等單一指標(biāo)；

82、3、本發(fā)明為一種智能優(yōu)化廣告投放方法，通過廣告的直接成本、間接成本、預(yù)測(cè)轉(zhuǎn)化率和用戶付費(fèi)能力，預(yù)測(cè)廣告的roi，基于廣告商預(yù)設(shè)的roi目標(biāo)，生成優(yōu)化的廣告投放策略，確保廣告投放的可持續(xù)性和高效性。