[发明专利]一种预测APP冲榜所需广告投放量的方法

权利要求书

1.一种预测APP冲榜所需广告投放量的方法，其特征在于，包含以下步骤：

S1、提取冲榜数据特征，构成冲榜数据训练集；

S2、通过获取的冲榜数据训练集，训练机器学习模型：采用Gradient Boost Regression Tree来训练模型，最终得到GBRT模型；

S3、利用训练出的GBRT模型，预测目标冲榜APP的广告投放量。

2.根据权利要求1所述预测APP冲榜所需广告投放量的方法，其特征在于，步骤S1中，所述冲榜数据包括冲榜APP自有属性、历史冲榜数据。

3.根据权利要求2所述预测APP冲榜所需广告投放量的方法，其特征在于，所述冲榜APP自有属性包括每个APP的类别、更新时间、APP大小、开发商信息。

4.根据权利要求2所述预测APP冲榜所需广告投放量的方法，其特征在于，所述历史冲榜数据包括从历史数据中提取每次冲榜的APP名、分榜ID、总榜开始位置、总榜结束位置、分榜开始位置、分榜结束位置、投放量、冲榜开始时间、冲榜结束时间。

5.根据权利要求1所述预测APP冲榜所需广告投放量的方法，其特征在于，所述步骤S2具体如下：

假设x、y分别为输入变量、输出变量，即x为输入特征值，y为广告投放量的真实值；

给定数据量为N的训练集D：

D＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}；

其中x₁、x₂、…、x_N为历史冲榜特征数据，y₁、y₂、…、y_N为历史广告投放量的真实值；

该模型的损失函数为：

L(y,f(x))；

上式中，f(x)为冲榜所需广告投放量的预测模型；

初始化f(x)：

f0(x)=argmincΣi=1NL(yi,c);]]>

依次建立M棵决策树；

上式中，L为损失函数，y_i为第i个广告投放量的真实值，c为首颗树得到的常数值；

A、对N个数据分别计算：

rmi=-[∂L(yi,f(xi))∂f(xi)]f(x)=fm-1(x);]]>

上式中，x_i为训练集中第i个广告投放的特征向量；r_mi为第m棵树计算第i个广告投放记录的负梯度；m为当前建立的树序号，即正在计算的树是第m棵；f(x_i)为第i个投放冲榜所需广告投放量的预测模型；f_m-1(x_i)为前m-1棵数得到的投放冲榜所需广告投放量的预测模型；

B、对{(x_i,r_mi)},i＝1,2,...,N拟合回归树h_m(x)；

假设h_m(x)得到J_m个叶子节点，则这棵树将输入空间划分为J_m个区域：R_mj,j＝1,2,...,J_m，每个区域拥有一个常量预测值b_mj，利用指示函数I可表示为：

hm(x)=Σj=1JmbmjI,x∈Rmj]]>

C、求解最优化模型，得到算子c_m：

cm=argmincΣi=1NL(yi,fm-1(xi)+c·hm(xi));]]>

上式中，h_m(x_i)为第m棵树第i个历史投放的预测结果；

D、更新:f_m(x)＝f_m-1(x)+c_mh_m(x)

最终得到GBRT模型：

6.根据权利要求1所述预测APP冲榜所需广告投放量的方法，其特征在于，所述GBRT模型，若榜单排名规则没有更改，则多次重复使用；如果有更改，则需要用更改之后的冲榜数据重新训练模型。