[发明专利]一种N+广告投放优化方法

说明书

技术领域

本发明涉及一种N+广告投放优化方法。

背景技术

在广告商进行广告投放的活动中，有一类N+广告投放需求，即广告主要求投放的目标客户在一段时间内(例如为一周)能够有效地接触该广告至少是N次(通常为3次，由广告主根据自己的需求确定)，如果在规定时间内某已经投放了该广告的目标客户达不到该次数要求，则视为一次无效的广告投放，如果达到该次数要求则视为一次有效的投放。除了对接触广告次数有要求外，对是否满足这样的目标客户的量也有一定要求。

因此，对媒体广告平台而言，针对该类N+广告投放需求，如何确保对目标客户投放出去的广告的正确率和召回率成为关键问题，高正确率就能确保资源少浪费，高召回率则是量的保证，确保收益，在量并不充足的情况下应优先保证高召回率。

发明内容

为解决现有技术中存在的上述技术问题，本发明提供一种N+广告投放优化方法，该方法将对目标客户浏览视频的标记值(即cookie)在未来一段时间(例如一周)内出现N次的概率做一个预测并得到预测值，设定一个概率阈值threhold，该预测值大于等于该阈值才对该cookie进行广告投放，小于则不投放。业内对该广告投放也称作播种，不投放则称作不播种。该方法能有效降低资源浪费，并能保证收益。

本发明的N+广告投放优化方法的基本原理是：在线下，首先对目标客户浏览视频的标记值(即cookie)的特征数据进行选择，选择对用户是否再回来具有表征作用而且线上能够轻易获取的特征数据，然后使用CART分类树来建立cookie是否再回来预测模型，通过该模型预测某cookie用户一周内是否还会再回来的概率；线上运行时，设定N值，设定概率阈值，通过线上获得该cookie的相应特征数据预测其再回来的概率，计算该概率的N次方结果，该结果大于等于设定概率阈值时投放广告，否则不投放。

附图说明

本发明将参照附图来进一步详细说明，其中：

图1是本发明方法流程图；

图2是本发明方法线上、线下实现的示意图。

具体实施方式

虽然将参照含有本发明的较佳实施例的附图充分描述本发明，但在此描述之前应了解本领域的普通技术人员可修改本文中所描述的发明，同时获得本发明的技术效果。因此，须了解以上的描述对本领域的普通技术人员而言为一广泛的揭示，且其内容不在于限制本发明所描述的示例性实施例。

本发明的N+广告投放优化方法中使用CART(Classification and Regression Trees)分类树建立预测模型。首先，对本发明使用的CART分类树等背景做一个介绍。CART是决策树的一种，CART算法既可以用于创建分类树(Classification Tree)，也可以用于创建回归树(Regression Tree)，分类树是预测结果是离散类型值的树，回归树是预测结果为连续型值的树。决策树算法都属于有监督一类的机器学习算法，所以模型的建立需要经过有标签数据的训练过程，模型树建立过程中，难免会出现数据过度拟合的情况，因此树剪枝操作往往是必须的，剪枝包括预剪枝和后剪枝，预剪枝是在建树过程中进行的，后剪枝是建树完成后进行的。CART分类树的分支节点存储分割特征序号spInd和分割值spVal，叶子节点存储组合值包括：是否再来label，再来概率posProb，不来概率negProb，再来概率大于不来概率时，是否再来label为1，否则为0。再来概率由落在该叶子节点的分类标签值为1的数量除以该叶子中所有训练数据条数得出。

训练、剪枝和测试数据集由cookie对应的特征属性和表示是否再来的0、1标签值组成。

CART预剪枝：CART分类树在建立过程中会进行预剪枝，分为以下三种情况：

如果在某个分支的所有数据中，某一类(标签为0或1)的数据所在比率大于等于某个阈值ratio_threshold时停止分支，作为叶子。该阈值作为参数传入，默认为0.85；

如果在某个分支的所有数据条目数小于等于某个阈值num_threshold时停止分支，作为叶子。该阈值作为参数传入，默认为50；

如果在某个分支属性分割后的基尼不纯度Gini相较于分割前的基尼不纯度并未降低到一定阈值gini_threshold时，停止分支，作为叶子。该阈值作为参数传入，默认为0.01。

CART后剪枝：CART后剪枝是建立好模型分类树后在新的剪枝数据集上进行的，在以下两种情况中会进行后剪枝：