一种基于用户特征的广告投放方法、系统、设备及存储介质技术方案

本发明专利技术提供一种基于用户特征的广告投放方法、系统、设备及存储介质：方法包括接收用户广告请求；解析用户广告请求，得到广告请求指标；根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；根据广告的评分数据，选出出单的顺序。本发明专利技术以实时数据作为输入，结合大数据算法，能更有效的选出适合的广告。

【技术实现步骤摘要】
一种基于用户特征的广告投放方法、系统、设备及存储介质
本专利技术涉及广告投放
，特别涉及一种基于用户特征的广告投放方法、系统、设备及存储介质。
技术介绍
随着移动互联网的发展，广告的投放也越来越向着智能化方向发展。传统的投放广告的方法，从效率和结果上很难满足对广告精准投放的需求。现有技术的缺点如下：现有技术主要是通过在某一个流量平台大量的展示广告，对后续展示的广告效果(比如用户安装)来判断，具体哪个广告好。然后挑选出表现比较好的广告，加大对这个广告的投放，实现好的广告展示更多的效果。缺点是没有分析用户的行为，只是根据广告的安装来判断广告的好坏，很多无效展示，比较浪费。
技术实现思路
本专利技术的实施提供一种基于用户特征的广告投放方法、系统、设备及存储介质，本专利技术以实时数据作为输入，结合大数据算法，能更有效的选出适合的广告。为达到上述目的，本专利技术采用了以下技术方案：一种基于用户特征的广告投放方法，包括以下步骤：接收用户广告请求；解析用户广告请求，得到广告请求指标；根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；根据广告的评分数据，选出出单的顺序。作为本专利技术的进一步改进，解析用户广告请求，得到广告请求指标包括：素材大小、IP、UA、可用广告信息、可用素材信息和历史转化信息。作为本专利技术的进一步改进，所述用户特征模型采用以下步骤建立：获取历史广告数据，提取广告出单的用户特征；根据用户特征和历史转换数据，训练用户特征模型；根据用户广告请求周期性更新用户特征模型。作为本专利技术的进一步改进，所述用户特征包括历史请求数据、手机设备特征、用户的历史安装app的特点、使用场景特征和广告特征。作为本专利技术的进一步改进，根据广告的评分数据，选出出单的顺序是指，按照广告的评分的高低顺序进行出单。一种基于用户特征的广告投放系统，包括：接收模块，用于接收用户广告请求；解析模块，用于解析用户广告请求，得到广告请求指标；计算模块，用于根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；出单模块，用于根据广告的评分数据，选出出单的顺序。一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于用户特征的广告投放方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于用户特征的广告投放方法的步骤。本专利技术的有益效果体现在：本专利技术通过大数据分析用户的请求，实时计算出针对该请求，哪个广告被安装的概率最大，最大化的提高广告展示的有效性，以实时数据作为输入，结合大数据算法，能更有效的选出适合的广告。附图说明图1是广告投放系统的整体流程图；图2是广告投放系统的整体逻辑；图3是训练算法的流程逻辑；图4为本专利技术使用GBDT来预测IVR示意图；图5为一种基于用户特征的广告投放系统结构示意图；图6为电子设备结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了便于清楚描述本专利技术实施例的技术方案，在本专利技术的实施例中，采用了“第一”、“第二”等字样对功能或作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。本文中术语“包括/包含”在本文使用时指特征、要素或组件的存在，但并不排除一个或多个其它特征、要素或组件的存在或附加。下面结合附图和实施例对本专利技术作进一步详细说明。所述实施例仅用于解释本专利技术，而非对本专利技术保护范围的限制。本专利技术提供了一种实时选择广告的出单逻辑，能更有效的找到对应用户感兴趣的广告。提高广告投放的准确性。本专利技术是通过以下技术方案来实现：基于大数据算法模型，计算出每次请求的用户的特征，来选择要出的广告打分，打分最高的会排在最前面。如图1所示，具体步骤为：S100，接收用户广告请求；其中，解析用户广告请求，得到广告请求指标包括：素材大小、IP、UA、可用广告信息、可用素材信息和历史转化信息。S200，解析用户广告请求，得到广告请求指标；S300，根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；所述用户特征模型采用以下步骤建立：获取历史广告数据，提取广告出单的用户特征；根据用户特征和历史转换数据，训练用户特征模型；根据用户广告请求周期性更新用户特征模型。作为优选的方案所述用户特征包括历史请求数据、手机设备特征、用户的历史安装app的特点、使用场景特征和广告特征。S400，根据广告的评分数据，选出出单的顺序；根据广告的评分数据，选出出单的顺序是指，按照广告的评分的高低顺序进行出单。如图2和图3以下给出一个具体实施例，对上述方法进行详细的说明：步骤1，基于历史数据，找出广告出单的核心关键的指标，用户的特点，比如：时间，地点，手机型号，用户的历史安装app的特点，用户过去7天，14天的活跃表现；以及广告的特点，比如：广告的商店评分，安装包大小，平台，国家，广告素材大小等。步骤2，根据这些关键指标，和历史的表现，训练广告出单算法模型，算出的模型文件每天更新一次。步骤3，广告投放系统，每天加载算法模型文件，然后接收到用户请求后，选一组广告，组装需要的指标，输入到模型算法中，算法计算出该指标的每个广告的评分，然后根据评分，选出出单的顺序。其中用户特征模型算法部分：如图4所示，使用GBDT来预测IVR，包括输入用户特征、将特征进行树分裂运算得到转换后的特征，再进行线性分类器运算得到最终的模型。基本原理如下：AdaBoost是利用前一轮迭代的误差率来更新训练集的权重，校正前一轮迭代被错误分类的样本，通俗一点的理解就是将重心放在分错的样本上。提升树也是boosting家族的成员，意味着提升树也采用加法模型(基学习器线性组合)和前向分步算法。提升树通常以决策树作为基学习器，对分类问题决策树是二叉分类树，回归问题就是二叉回归树。加法模型：就是说提升树可以表示为以下形式：这里本发本文档来自技高网...

【技术保护点】
1.一种基于用户特征的广告投放方法，其特征在于，包括以下步骤：/n接收用户广告请求；/n解析用户广告请求，得到广告请求指标；/n根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；/n根据广告的评分数据，选出出单的顺序。/n

【技术特征摘要】
1.一种基于用户特征的广告投放方法，其特征在于，包括以下步骤：
接收用户广告请求；
解析用户广告请求，得到广告请求指标；
根据广告请求指标预匹配广告，基于广告请求指标通过用户特征模型计算出广告请求指标匹配的每个广告的评分；
根据广告的评分数据，选出出单的顺序。


2.根据权利要求1所述的方法，其特征在于，
解析用户广告请求，得到广告请求指标包括：素材大小、IP、UA、可用广告信息、可用素材信息和历史转化信息。


3.根据权利要求1所述的方法，其特征在于，
所述用户特征模型采用以下步骤建立：
获取历史广告数据，提取广告出单的用户特征；
根据用户特征和历史转换数据，训练用户特征模型；
根据用户广告请求周期性更新用户特征模型。


4.根据权利要求1所述的方法，其特征在于，
所述用户特征包括历史请求数据、手机设备特征、用户的历史安装app的特点、使用场景特征和广告特征。<...

【专利技术属性】
技术研发人员：芦康平，王海龙，李武，王国锋，
申请(专利权)人：西安点告网络科技有限公司，
类型：发明
国别省市：陕西;61