一种预测APP冲榜所需广告投放量的方法技术

本发明专利技术公开的一种预测APP冲榜所需广告投放量的方法，包含以下步骤：提取冲榜数据特征，构成冲榜数据训练集；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；利用训练出的GBRT模型，预测目标冲榜APP的广告投放量。本发明专利技术的预测方法，应用在广告投放预测上，经广告投放活动多次测试，相对误差小于10％，精确度比较高。

【技术实现步骤摘要】
一种预测APP冲榜所需广告投放量的方法
本专利技术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。
技术介绍
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，增大了操作本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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GradientBoostRegressionTree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),...,(xN,yN)}；其中x1、x2、…、xN为历史冲榜特征数据，y1、y2、…、yN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...

【专利技术属性】
技术研发人员：王秋文，李百川，
申请(专利权)人：有米科技股份有限公司，
类型：发明
国别省市：广东,44