[发明专利]一种预测APP冲榜所需广告投放量的方法

说明书

技术领域

本发明涉及移动互联网广告投放领域，特别涉及一种预测APP冲榜所需广告投放量的方法。

背景技术

APP冲榜是指利用各类积分墙，或通过线上线下各类手段来推广，实现短期内大量用户下载APP，快速增加下载量，从而达到使得榜单上升的目的。DSP服务为广告主、开发者提供了广告推广投放平台，但广告主、开发者需要预估达到冲榜预期的广告投放量；目前较多冲榜预估是基于人工经验值估算，估算的准确性依赖于估算人员对市场的了解、历史冲榜投放经验值，具有主观意识，无法从历史数据中提取准确的信息进行估算.

具体来讲，现有技术中，对于APP冲榜投放广告，通常有以下三种方式：

(1)人工预估投放量：根据广告、冲榜APP历史投放经验综合考虑、评估，预测APP冲榜所需投放广告量。对于人工预估投放量，这种方法能综合各种影响因素综合考虑，但预估准确性依赖于评估者的经验值和市场了解程度，其主观因素影响比较大，往往会导致预估精确度不稳定甚至难以达到所需的精确度。

(2)定量加量投放冲榜：即先按定量投放广告，后续继续定量补充到达预定目标。定量加量增加广告投放量在实际工作中不便于操作，增大了操作难度。

(3)不限广告投放量冲榜：即无预估即投放广告，冲榜APP达到目标则停止。无限量投放冲榜导致无法预估冲榜开销，从而使得冲榜成本不合理增大，不利于营销活动的策划。

因此，有必要提供一种新的APP冲榜投放广告的预测方法来解决上述问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种预测APP冲榜所需广告投放量的方法，该方法根据冲榜应用自有属性，以历史冲榜数据为基础，利用机器学习算法拟合投放量，达到精准预测投放量的目的。

本发明的目的通过以下的技术方案实现：

一种预测APP冲榜所需广告投放量的方法，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。

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。

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。

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。

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(长度为J的向量，即有J个特征)，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)：

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：

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)；