一种广告投放标签筛选方法技术

本发明专利技术涉及群智能算法在广告投放领域，具体的说是一种广告投放标签筛选方法，包括以下步骤：包括以下步骤：步骤S1：对广告投放标签筛选任务进行建模，建立广告投放标签筛选任务的最优化问题模型；步骤S2：提出一种广告投放标签组性能评估方法，实现对不同广告投放标签组的性能评价；步骤S3：基于广告稿投放标签筛选任务最优化问题模型、广告投放标签性能评估方法以及混洗蛙跳算法进行筛选。法以及混洗蛙跳算法进行筛选。法以及混洗蛙跳算法进行筛选。

【技术实现步骤摘要】
一种广告投放标签筛选方法


[0001]本专利技术涉及群智能算法在广告投放领域，具体的说是一种广告投放标签筛选方法。

技术介绍

[0002]在短视频等新媒体上投放产品广告是增加产品销售收益的有效途径。在广告投放过程中，要对广告的类型、时长等属性以及目标用户的年龄、爱好等属性的具体参数值进行设置，这些需要赋值的属性统称为广告投放的标签。标签的种类有很多，由于一些标签赋值与否或者赋值多少并不会影响广告投放的效果，即标签与广告投放收益无关，因此需要对标签进行筛选，从中选择出与广告投放收益相关的标签，从而帮助广告投放找到最好的投放方案。

技术实现思路

[0003]针对现有技术中的问题，本专利技术提供了一种广告投放标签筛选方法。
[0004]本专利技术解决其技术问题所采用的技术方案是：一种广告投放标签筛选方法，包括以下步骤：
[0005]步骤S1：对广告投放标签筛选任务进行建模，建立广告投放标签筛选任务的最优化问题模型；
[0006]步骤S2：提出一种广告投放标签组性能评估方法，实现对不同广告投放标签组的性能评价；
[0007]步骤S3：基于广告稿投放标签筛选任务最优化问题模型、广告投放标签性能评估方法以及混洗蛙跳算法进行筛选。
[0008]具体的，针对n1个候选标签，用一个N维的向量X＝(x1,x2,
…
,x
N
)
T
表示广告投放标签的组合方案，其中任一元素x
i
∈{0,1}，x
i
＝0表示第i个标签没有被选择，x
i
＝1表示第i个标签被选择。
[0009]广告投放标签筛选任务的最优化问题模型可以表示为：
[0010][0011]其中f
COV
(
·
)是广告投放标签组合方案X与广告投放收益之间相关值计算函数，该最优化模型的优化目标是找到与广告投放收益相关性最大的广告投放标签组。
[0012]具体的，步骤S2中评估方法具体为基于全连接神经网络的广告投放标签组性能评估网络，络的输入为表示广告投放标签组的向量，输出为该标签组与广告投放收益的相关值y，该值越大，则表示标签组与广告投放收益的相关性越大，该网络由多个全连接层构成，网络层数和每层的神经元个数可以根据需要调节，网络的最后一层只有一个神经元。
[0013]具体的，所述基于全连接神经网络的广告投放标签组性能评估网络的训练数据集
构建方法包括以下步骤：
[0014]步骤S21：随机生成n1种标签组合方案，X1,X2,
…
,X
n1
，其中X
i
＝(x
i,1
,x
i,2
,
…
,x
i,N
)
T
，x
i,j
＝1表示第j个标签被选择，x
i,j
＝0表示第j个标签没有被选择；
[0015]步骤S22：收集n2条历史广告点击用户数据，其中x
i,j
为第j个标签的具体取值；
[0016]步骤S23：将n2条历史广告点击用户数据重新输入到训练好的收益分类网络中，获得n2条数据的预测分类结果，n2条数据的类别号构成集合C；
[0017]步骤S24：基于收益分类网络为步骤S21中随机生成的n1个标签组合方案设置标签值；
[0018]步骤S25：基于步骤S21中生成的n1个标签组合方案和步骤S24中生成的它们的标签值，构建训练数据集，训练广告投放标签组性能评估网络，获得训练好的网络。
[0019]具体的，步骤S3中筛选的具体流程如下：
[0020]步骤S31：搭建广告投放标签组性能评估网络：搭建广告投放标签组性能评估网络，构建网络的训练数据集，基于训练数据集训练网络；
[0021]步骤S32：设置算法参数：设置种群规模M，分组数G，搜索步长调控值S；
[0022]步骤S33：初始化种群：随机生成M个由0,1构成N维向量，N为候选广告投放标签的个数；
[0023]步骤S34：广告投放收益相关值评估：基于广告投放标签组性能评估网络，评估种群中每个个体对应的广告标签组与广告投放收益之间的相关值；
[0024]步骤S35：分组：按照个体的相关值由大到小对个体进行排序，将排序后的个体分成G个组；
[0025]步骤S36：依次对各组的最组内最差个体进行更新：更新方式包括组内寻优、全局寻优和随机生成；
[0026]步骤S37：混洗：各组更新完成后，所有个体重新混洗到一起，一次迭代更新完成，判断否达到算法终止条件，若是，则进入步骤S38，否则，回到步骤S35开始下一轮迭代；
[0027]步骤S38：算法终止：算法终止，输出当前种群中相关值最大的个体，其对应的标签组即为标签筛选的结果。
[0028]具体的，步骤S35中分组具体为排在第1位的个体分到第1组，第2位个体分到第2组，排在第G位个体分到第G组，第G+1位个体重新分到第1组，依此类推。
[0029]具体的，步骤S36中组内寻优具体为：组内最差个体X
w
＝(x
w,1
,x
w,2
,
…
,x
w,N
)在组内最优个体X
b
＝(x
b,1
,x
b,2
,
…
,x
b,N
)的引导下生成新个体X
T
＝(x
T,1
,x
T,2
,
…
,x
T,N
)，X
T
中的任意元素x
T,i
的生成公式如下：
[0030][0031]其中r
i
是一个在0和1之间随机生成的值。基于广告投放标签组性能评估网络评估新个体X
T
对应标签组与广告投放收益的相关值，如果相关值大于组内最差个体X
w
相关值，则用X
T
替换掉X
w
，否则，进入全局寻优。
[0032]具体的，步骤S36中全局寻优具体为：组内最差个体X
w
＝(x
w,1
,x
w,2
,
…
,x
w,N
)在全局
最优个体X
B
＝(x
B,1
,x
B,2
,
…
,x
B,N
)的引导下生成新个体X
T
＝(x
T,1
,x
T,2
,
…
,x
T,N
)，X
T
中的任意元素x
T,i
的生成公式如下：
[0033][0034]其中r...

【技术保护点】

【技术特征摘要】
1.一种广告投放标签筛选方法，其特征在于，包括以下步骤：步骤S1：对广告投放标签筛选任务进行建模，建立广告投放标签筛选任务的最优化问题模型；步骤S2：提出一种广告投放标签组性能评估方法，实现对不同广告投放标签组的性能评价；步骤S3：基于广告稿投放标签筛选任务最优化问题模型、广告投放标签性能评估方法以及混洗蛙跳算法进行筛选。2.根据权利要求1所述的一种广告投放标签筛选方法，其特征在于：步骤S1具体为：针对n1个候选标签，用一个N维的向量X＝(x1,x2,
…
,x
N
)
T
表示广告投放标签的组合方案，其中任一元素x
i
∈{0,1}，x
i
＝0表示第i个标签没有被选择，x
i
＝1表示第i个标签被选择。广告投放标签筛选任务的最优化问题模型可以表示为：其中f
COV
(
·
)是广告投放标签组合方案X与广告投放收益之间相关值计算函数，该最优化模型的优化目标是找到与广告投放收益相关性最大的广告投放标签组。3.根据权利要求1所述的一种广告投放标签筛选方法，其特征在于：步骤S2中评估方法具体为基于全连接神经网络的广告投放标签组性能评估网络，络的输入为表示广告投放标签组的向量，输出为该标签组与广告投放收益的相关值y，该值越大，则表示标签组与广告投放收益的相关性越大，该网络由多个全连接层构成，网络层数和每层的神经元个数可以根据需要调节，网络的最后一层只有一个神经元。4.根据权利要求3所述的一种广告投放标签筛选方法，其特征在于：所述基于全连接神经网络的广告投放标签组性能评估网络的训练数据集构建方法包括以下步骤：步骤S21：随机生成n1种标签组合方案，其中X
i
＝(x
i,1
,x
i,2
,
…
,x
i,N
)
T
，x
i,j
＝1表示第j个标签被选择，x
i,j
＝0表示第j个标签没有被选择；步骤S22：收集n2条历史广告点击用户数据，其中x
i,j
为第j个标签的具体取值；步骤S23：将n2条历史广告点击用户数据重新输入到训练好的收益分类网络中，获得n2条数据的预测分类结果，n2条数据的类别号构成集合C；步骤S24：基于收益分类网络为步骤S21中随机生成的n1个标签组合方案设置标签值；步骤S25：基于步骤S21中生成的n1个标签组合方案和步骤S24中生成的它们的标签值，构建训练数据集，训练广告投放标签组性能评估网络，获得训练好的网络。5.根据权利要求1所述的一种广告投放标签筛选方法，其特征在于：步骤S3中筛选的具体流程如下：步骤S31：搭建广告投放标签组性能评估网络：搭建广告投放标签组性能评估网络，构建网络的训练数据集，基于训练数据集训练网络；步骤S32：设置算法参数：设置种群规模M，分组数G，搜索步长调控值S；步骤S33：初始化种群：随机生成M个由0,1构成N维向量，N为候选广告投放标签的个数；
步骤S34：广告投放收益相关值评估：基于广告投放标签组性能评估网络，评估种群中每个个体对应的广告标签组与广告投放收益之间的相关值；步骤S35：分组：按照个体的相关值由大到小对个体进行排序，将排序后的个体分成G个组；步骤S36：依次对各组的最组内最差个体进行更新：更新方式包括组内寻...

【专利技术属性】
技术研发人员：刘丹华，赵鑫，
申请(专利权)人：天津市滨海新区达投佳人工智能工作室，
类型：发明
国别省市：