[发明专利]一种在线广告投放目标人群的选择方法、装置及电子设备在审
申请号: | 202211013416.8 | 申请日: | 2022-08-23 |
公开(公告)号: | CN115375361A | 公开(公告)日: | 2022-11-22 |
发明(设计)人: | 张聪;沈菁;康单;陈文海;张天生;陆璐;熊家治 | 申请(专利权)人: | 飞书深诺数字科技(上海)股份有限公司 |
主分类号: | G06Q30/02 | 分类号: | G06Q30/02;G06F16/35;G06K9/62 |
代理公司: | 北京集佳知识产权代理有限公司 11227 | 代理人: | 潘红 |
地址: | 200333 上海市普*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 在线 广告 投放 目标 人群 选择 方法 装置 电子设备 | ||
1.一种在线广告投放目标人群的选择方法,其特征在于,包括:
接收新建的用户广告信息,根据所述用户广告信息获得新广告文本;
调取广告文本分类器对所述新广告文本进行分类,获得新广告文本分类信息;
根据所述新广告文本分类信息,自原始广告标签候选集合中筛选分类相似的广告形成新广告标签候选集合;
计算获得的新广告文本向量和所述新广告标签候选集合中的广告文本向量的余弦相似度,筛选出最相似广告集合;
自所述最相似广告集合中获取每个广告的人群标签,根据标签排序规则得出最终推荐人群标签供选择。
2.根据权利要求1所述的方法,其特征在于,还包括:
收集历史广告中的人群标签,获取所述历史广告中的广告信息数据,对所述广告信息数据进行预处理操作;
获得与在线广告领域相关的第三方语料信息,计算所述第三方语料信息的词语权重TF-IDF值作为广告文本每词的词权重;
根据所述广告文本每词的对应向量和所述词权重,获得所述广告文本的向量信息;
调取所述广告文本分类器,输入所述历史广告,获得历史广告的分类信息;
计算所述广告文本之间的文本相似度,选取最相似的广告文本及对应的人群标签;
根据深度学习模型对所述人群标签进行训练,获得广告标签候选集合。
3.根据权利要求2所述的方法,其特征在于,所述根据深度学习模型对所述人群标签进行训练,获得广告标签候选集合的步骤包括:
获取所述广告文本对应人群标签及其CPM值,选取所述CPM值最小的作为所述广告标签候选集合;或者,
将所述人群标签进行人工筛选,将最相关的作为所述广告标签候选集合。
4.根据权利要求1所述的方法,其特征在于,所述调取广告文本分类器对所述新广告文本进行分类,获得新广告文本分类信息的步骤包括:
获取广告文案的内容信息,将该内容信息进行拼接处理作为第一文案信息;
获取广告落地页的内容信息,将该内容信息进行拼接处理作为第二文案信息;
对所述广告落地页的网址链接信息进行清洗处理,将获取的相关信息作为第三文案信息;
将所述第一文案信息、第二文案信息和第三文案信息翻译成英文,对翻译后的广告文案进行二分类预测;
调用bert多分类模型对有效的广告文案进行各级分类,得到需要的广告分类结果。
5.一种在线广告投放目标人群的选择装置,其特征在于,包括:
广告接收模块,用于接收新建的用户广告信息,根据所述用户广告信息获得新广告文本;
文本分类模块,用于调取广告文本分类器对所述新广告文本进行分类,获得新广告文本分类信息;
广告筛选模块,用于根据所述新广告文本分类信息,自原始广告标签候选集合中筛选分类相似的广告形成新广告标签候选集合;
余弦计算模块,用于计算获得的新广告文本向量和所述新广告标签候选集合中的广告文本向量的余弦相似度,筛选出最相似广告集合;
标签选择模块,用于自所述最相似广告集合中获取每个广告的人群标签,根据标签排序规则得出最终推荐人群标签供选择。
6.根据权利要求5所述的装置,其特征在于,
历史数据模块,用于收集历史广告中的人群标签,获取所述历史广告中的广告信息数据,对所述广告信息数据进行预处理操作;
权重计算模块,用于获得与在线广告领域相关的第三方语料信息,计算所述第三方语料信息的词语权重TF-IDF值作为广告文本每词的词权重;
文本向量模块,用于根据所述广告文本每词的对应向量和所述词权重,获得所述广告文本的向量信息;
文本相似模块,用于计算所述广告文本之间的文本相似度,选取最相似的广告文本及对应的人群标签;
标签训练模块,用于根据深度学习模型对所述人群标签进行训练,获得广告标签候选集合。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于飞书深诺数字科技(上海)股份有限公司,未经飞书深诺数字科技(上海)股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211013416.8/1.html,转载请声明来源钻瓜专利网。