一种广告任务推荐方法及相关装置制造方法及图纸

本发明专利技术涉及一种广告任务推荐方法及相关装置

【技术实现步骤摘要】
一种广告任务推荐方法及相关装置


[0001]本申请涉及计算机
，具体涉及一种广告任务推荐方法及相关装置
。

技术介绍

[0002]积分墙是在一个应用内展示各种积分任务，如下载安装推荐的优质应用
、
注册
、
填表等，以供用户完成任务获得积分的页面
。
积分墙是除广告条
、
插屏广告外，第三方广告平台提供给应用开发者的另一新型广告盈利模式
。
[0003]目前积分墙的广告任务
(offer)
推荐，使用的是人工基于广告任务
(offer)
在
24
小时内的收益
/
点击
(cpc)
表现做固定排序，这种处理方式在
offer
较少时，勉强还能使用，但随着
offer
对接数量越来越多，需要人工频繁地根据业务经验及
Offer
的
cpc
表现对排序推荐进行调整，工作量大，且难以针对不同类型的用户进行相应推荐
。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种广告任务推荐方法及相关装置
。
[0005]第一方面，本专利技术实施例提供了一种广告任务推荐方法，所述方法包括以下步骤：
[0006]获取目标用户的用户特征信息；
[0007]将用户特征信息输入至分类模型中，获取所述分类模型输出的用户类别信息；所述分类模型基于历史时间段内用户特征信息数据集进行训练得到；
[0008]获取当前在线的广告任务集，并基于广告任务特征信息对广告任务集内各广告任务进行打标签处理；
[0009]将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务；
[0010]向目标用户输出推荐的广告任务
。
[0011]在一种实施方式中，所述用户特征信息包括用户归因特征信息
、
用户行为特征信息
。
[0012]在一种实施方式中，所述分类模型的训练步骤包括：
[0013]获取第一历史时间段内的全量用户特征信息数据集
、
第二历史时间段内的增量用户特征信息数据集；
[0014]利用全量用户特征信息数据集对初始分类模型进行预训练，得到预训练后的分类模型；
[0015]利用增量用户特征信息数据集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型
。
[0016]在一种实施方式中，所述利用增量用户特征信息数据集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型，包括：
[0017]将增量用户特征信息数据集分为若干增量用户特征信息数据子集；
[0018]按照预设时间间隔，分批次利用增量用户特征信息数据子集对预训练后的分类模
型进行参数调整处理，得到训练完成的分类模型
。
[0019]在一种实施方式中，所述分类模型为逻辑回归分类模型
。
[0020]在一种实施方式中，所述将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务，包括：
[0021]根据用户类别和广告任务标签值的映射关系，确定目标用户对应的广告任务标签值范围；
[0022]从当前的广告任务集中筛选出广告任务标签值处于所述广告任务标签值范围内的候选广告任务；
[0023]根据广告任务标签值对候选广告任务进行排序，确定推荐的广告任务
。
[0024]第二方面，本专利技术实施例提供了一种广告任务推荐装置，所述装置包括：
[0025]获取模块，用于获取目标用户的用户特征信息；
[0026]用户类别识别模块，用于将用户特征信息输入至分类模型中，获取所述分类模型输出的用户类别信息；所述分类模型基于历史时间段内用户特征信息数据集进行训练得到；
[0027]广告任务处理模块，用于获取当前在线的广告任务集，并基于广告任务特征信息对广告任务集内各广告任务进行打标签处理；
[0028]匹配模块，用于将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务；
[0029]推荐模块，用于向目标用户输出推荐的广告任务
。
[0030]在一种实施方式中，所述用户特征信息包括用户归因特征信息
、
用户行为特征信息
。
[0031]在一种实施方式中，所述装置还包括：
[0032]模型训练模块，用于获取第一历史时间段内的全量用户特征信息数据集
、
第二历史时间段内的增量用户特征信息数据集；利用全量用户特征信息数据集对初始分类模型进行预训练，得到预训练后的分类模型；利用增量用户特征信息数据集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型
。
[0033]在一种实施方式中，所述模型训练模块还用于将增量用户特征信息数据集分为若干增量用户特征信息数据子集；按照预设时间间隔，分批次利用增量用户特征信息数据子集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型
。
[0034]在一种实施方式中，所述分类模型为逻辑回归分类模型
。
[0035]在一种实施方式中，所述匹配模块还用于根据用户类别和广告任务标签值的映射关系，确定目标用户对应的广告任务标签值范围；从当前的广告任务集中筛选出广告任务标签值处于所述广告任务标签值范围内的候选广告任务；根据广告任务标签值对候选广告任务进行排序，确定推荐的广告任务
。
[0036]第三方面，本专利技术实施例提供了一种计算机设备，所述计算机设备包括：
[0037]一个或多个处理器；
[0038]存储器，用于存储一个或多个程序；
[0039]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一项所述的广告任务推荐方法
。
[0040]第四方面，本专利技术实施例提供了一种计算机可读存储介质
。
[0041]所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的广告任务推荐方法
。
[0042]在本专利技术实施例中，通过获取目标用户的用户特征信息；将用户特征信息输入至分类模型中，获取所述分类模型输出的用户类别信息；获取当前在线的广告任务集，并基于广告任务特征信息对广告任务集内各广告任务进行打标签处理；将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务；向目标用户输出推荐的广告任务
。
实现针对不同类型的用户进行相应广告任务的自动化推荐，从而提高广告收益
。
附图说明
[0043]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种广告任务推荐方法，其特征在于，包括：获取目标用户的用户特征信息；将用户特征信息输入至分类模型中，获取所述分类模型输出的用户类别信息；所述分类模型基于历史时间段内用户特征信息数据集进行训练得到；获取当前在线的广告任务集，并基于广告任务特征信息对广告任务集内各广告任务进行打标签处理；将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务；向目标用户输出推荐的广告任务
。2.
根据权利要求1所述的方法，其特征在于：所述用户特征信息包括用户归因特征信息
、
用户行为特征信息
。3.
根据权利要求1所述的方法，其特征在于，所述分类模型的训练步骤包括：获取第一历史时间段内的全量用户特征信息数据集
、
第二历史时间段内的增量用户特征信息数据集；利用全量用户特征信息数据集对初始分类模型进行预训练，得到预训练后的分类模型；利用增量用户特征信息数据集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型
。4.
根据权利要求3所述的方法，其特征在于，所述利用增量用户特征信息数据集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型，包括：将增量用户特征信息数据集分为若干增量用户特征信息数据子集；按照预设时间间隔，分批次利用增量用户特征信息数据子集对预训练后的分类模型进行参数调整处理，得到训练完成的分类模型
。5.
根据权利要求4所述的方法，其特征在于：所述分类模型为逻辑回归分类模型
。6.
根据权利要求1至5任一项所述的方法，其特征在于，所述将打标签后的广告任务与用户类别信息进行匹配，以确定推荐的广告任务，包括：根据用户类别和广告任务标签值...

【专利技术属性】
技术研发人员：王玲，廖梓鸿，何海锋，
申请(专利权)人：广州点金石信息技术有限公司，
类型：发明
国别省市：