广告创意智能化推送方法、系统、设备与存储介质技术方案

本发明专利技术公开了一种广告创意智能化推送方法、系统、设备与存储介质，通过建立用户特征和广告创意之间的相关关系，在稀疏反馈下预估用户对不用广告创意的点击率，进而通过模型梯度预估参数的分布实现汤普森采样方法；并且采用种端到端形式的学习方法，为大量制作出的广告创意实现高效的个性化投放。创意实现高效的个性化投放。创意实现高效的个性化投放。

【技术实现步骤摘要】
广告创意智能化推送方法、系统、设备与存储介质


[0001]本专利技术涉及信息推荐
，尤其涉及一种广告创意智能化推送方法、系统、设备与存储介质。

技术介绍

[0002]广告创意作为一种最为常见的载体，常常以图片的形式将丰富的产品信息展示给用户。现今一些公司搭建了智能的广告创意制作平台，根据商家提供的图片、文字描述等基本素材实现实时创意制作，大大降低了商家创意设计、制作的成本。制作平台通常设定了各种投放模板，确定了广告创意的布局，搭配了不同的背景元素，根据商家提供的原始照片以及文案，组合搭配可自动生成不同的广告创意。通过制作平台可以生成大批量的广告创意，这些广告创意再推送给用户。但是，以往的创意制作依赖于设计师的模板设计，并不能为不同的商品、不同的用户选择不同的商品进行推送，即创意的设计、投放不能通过用户反馈进行调整。但是由于广告创意数量庞大，推送流量十分有限，每个广告创意的推送次数极少，导致了很难预估每个广告创意的点击率，点击率表示着千次推送用户的点击数的比例，点击率越高表示用户点击的可能性越大，用户更有可能喜欢该广告，因此，点击率的高低可以反映推送方法性能。因此，如何在有限反馈次数下，最大化智能创意的点击率是一个亟需解决的研究问题。
[0003]围绕这个研究问题，研究者们提出了多种方式。其中，一种有效的广告推送方法是根据不同元素的二阶关系构建关于点击率的线性回归模型，再通过基于线性模型的汤普森采样算法最大化累计点击率。然而，线性假设不能很好满足真实广告系统的复杂场景，并且候选创意众多，同时没有对用户进行个性化策略的制定，如何快速地为用户找到最合适的广告创意进行推送也是一个亟需解决的问题。

技术实现思路

[0004]本专利技术的目的是提供一种广告创意智能化推送方法、系统、设备与存储介质，可以提高广告创意智能化推送效果，提升用户体验。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种广告创意智能化推送方法，包括：
[0007]获取广告创意集合与用户特征，并对每一广告创意以及每一用户的用户特征分别进行编码，获得每一广告创意的编码向量与用户特征表示向量；
[0008]构建创意点击率模型，每个时刻，利用上一次训练获得的模型参数、广告创意的编码向量与用户特征表示向量计算各广告创意推送奖励，进而选出推送给用户的广告创意推，并结合用户的反馈数据进行模型训练，直至达到设定的最大时刻。
[0009]一种广告创意智能化推送系统，包括：
[0010]信息收集与编码单元，用于获取广告创意集合与用户特征，并对每一用户的每一广告创意以及用户特征分别进行编码，获得每一广告创意的编码向量与用户特征表示向
量；
[0011]模型构建、训练与广告推送单元，用于构建创意点击率模型，每个时刻，利用上一次训练获得的模型参数、广告创意的编码向量与用户特征表示向量计算各广告创意推送奖励，进而选出推送给用户的广告创意推，并结合用户的反馈数据进行模型训练，直至达到设定的最大时刻。
[0012]一种处理设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；
[0013]其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述的方法。
[0014]一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现前述的方法。
[0015]由上述本专利技术提供的技术方案可以看出，通过建立用户特征和广告创意之间的相关关系，在稀疏反馈下预估用户对不用广告创意的点击率，进而通过模型梯度预估参数的分布实现汤普森采样方法；并且采用种端到端形式的学习方法，为大量制作出的广告创意实现高效的个性化投放。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0017]图1为本专利技术实施例提供的一种广告创意智能化推送方法的流程图
[0018]图2为本专利技术实施例提供的一种广告创意智能化推送系统的示意图；
[0019]图3为本专利技术实施例提供的一种处理设备的示意图。
具体实施方式
[0020]下面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，都属于本专利技术的保护范围。
[0021]首先对本文中可能使用的术语进行如下说明：
[0022]术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素(如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等)，应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
[0023]下面对本专利技术所提供的一种广告创意智能化推送方法、系统、设备与存储介质进行详细描述。本专利技术实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本专利技术实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。本专利技术实施例中所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产
品。
[0024]实施例一
[0025]本专利技术实施例提供一种广告创意智能化推送方法，其基于非线性创意点击率模型，学习到用户特征和创意不同元素之间的复杂交互关系，并为此设计了基于参数不确定性估计的汤普森采样方法，本方法实现了一种端到端形式的学习方法，为大量制作出的广告创意实现高效的个性化推送，。如图1所示，该方法主要包括如下步骤：
[0026]步骤1、获取广告创意集合与用户特征，并对每一广告创意以及每一用户的用户特征分别进行编码，获得每一广告创意的编码向量与用户特征表示向量。
[0027]本专利技术实施例中，所述广告创意集合记为C为广告创意数目。每个广告创意包含M种元素，每种元素包含若干个可选对象，单个广告创意编码向量表示为其中图片编码向量记作该图片编码向量通过卷积神经网络抽取给定的图片素材得到，为第i(i=1,2,
…
,M)个元素的编码向量，均根据查询词表E
c
得到，查询词表E
c
为需要学习的模型参数，每一个词都对应一个向量，查询词表Ec共有行，其中，n
i
表示第i个元素的可选对象的数目，查询词表每一行对应一个元素的一个可选对象的向量，每一个向量的长度是d维。
[0028]本专利技术实施例中，所述可选对象是指元素中可供选择的具体类别；例如：字体这个元素，有宋体、黑体、微软雅黑这3个可选对象；图片放大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种广告创意智能化推送方法，其特征在于，包括：获取广告创意集合与用户特征，并对每一广告创意以及每一用户的用户特征分别进行编码，获得每一广告创意的编码向量与用户特征表示向量；构建创意点击率模型，每个时刻，利用上一次训练获得的模型参数、广告创意的编码向量与用户特征表示向量计算各广告创意推送奖励，进而选出推送给用户的广告创意推，并结合用户的反馈数据进行模型训练，直至达到设定的最大时刻。2.根据权利要求1所述的一种广告创意智能化推送方法，其特征在于，所述广告创意集合记为每个广告创意包含M种元素，每种元素包含若干个可选对象，单个广告创意编码向量表示为其中，为图片编码向量，通过卷积神经网络抽取给定的图片素材得到，为第i个元素的编码向量，根据查询词表E
c
得到，查询词表E
c
共有行，n
i
表示第i个元素的可选对象的数目，查询词表每一行对应一个元素的一个可选对象的向量，每一个向量的长度是d维；所述每一用户的用户特征包含N个，每个用户特征先通过独热码进行编码，再通过查询词表E
u
得到对应的特征表示向量，表示为其中的每一项都是一个用户特征对应的特征表示向量。3.根据权利要求1所述的一种广告创意智能化推送方法，其特征在于，所述每个时刻，利用上一次训练获得的模型参数、广告创意的编码向量与用户特征表示向量计算各广告创意推送奖励，进而选出推送给用户的广告创意推，并结合用户的反馈数据进行模型训练，直至达到设定的最大时刻包括：当前时刻，利用创意点击率模型对每一个广告创意进行遍历，使用上一时刻的模型参数，结合每一用户的用户特征表示向量与广告创意的编码向量预测相应的广告创意点击率，并确定广告创意推送奖励；选出广告创意推送奖励最大的广告创意，推送给对应用户，结合对应用户的反馈生成曝光数据并更新历史曝光数据，使用历史曝光数据更新当前时刻的模型参数；当达到设定的最大时刻时，获得的最大时刻的模型参数。4.根据权利要求3所述的一种广告创意智能化推送方法，其特征在于，广告创意点击率的计算公式为：其中，u表示用户，c表示广告创意，θ表示模型参数，σ表示Sigmoid函数，w
k
指的是模型参数中权重参数w的第k维，e
lk
表示在M+N+1个编码向量中的第l个编码向量的第k维，e
jk
表示在M+N+1个编码向量中的第j个编码向量的第k维；M为每一个广告创意中元素数目，d为编码向量中单个向量的维度，N为用户特征数目。5.根据权利要求3或4所述的一种广告创意智能化推送方法，其特征在于，所述当前时刻，利用创意点击率模型对每一个广告创意进行遍历，使用上一时刻的模型参数，结合每一用户的用户特征表示向量与广告创意的编码向量预测相应的广告创意点击率，并确定广告
创意推送奖励包括：将当前时刻记为T时刻，T＝1，...，T
max
，T
max
为设定的最大时刻；单个广告创意对应的广告创意推送奖励表示为：其中，σ为Sigmoid函数；从正态分布中通过采样得到，λ为超参数，T为转置...

【专利技术属性】
技术研发人员：陈恩红，葛铁铮，连德富，陈矜，王诗瑶，姜宇宁，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：