System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信息处理,具体地,涉及一种应用于互联网的广告推荐方法、系统及存储介质。
技术介绍
1、目前市面上有包括优量汇、穿山甲、磁力引擎、百度联盟等众多单一广告平台,也有topon、gromore等广告聚合平台,这些平台给软件开发者提供了方便的广告接入以及流量变现的服务,但这些平台上单一的广告推广,不能保证广告推广的最高收益。而广告聚合平台虽然通过聚合各家平台并结合推荐策略尽可能实现单一场景广告位的最大收益,但是,不同场景的广告位之间的ecpm存在不同的时间节点,可能存在较大差距。所以固定场景广告不能满足尽可能最大收益的需求。
2、因此,亟需一种广告推荐方法,在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示。
技术实现思路
1、为解决上述
技术介绍
中存在的技术问题,本专利技术提供了一种应用于互联网的广告推荐方法,包括以下步骤:
2、第一方面,在同一广告场景下,通过head bidding模式获取第一广告、通过waterfall模式获取第二广告,所述第一广告用于指示head bidding模式中投放效果最好的广告,所述第二广告用于指示waterfall模式中投放效果最好的广告;
3、比较第一广告和第二广告,得出目标广告,所述目标广告用于指示在对应广告场景下展示投放效果最好的广告;
4、获取不同广告场景下的目标广告;
5、比较目标广告,确定展示广告;所述展示广告用于指示目标广告在不同广告场景中投放效果最好的广告
6、进一步地,所述通过head bidding模式获取第一广告,具体包括以下步骤:
7、获取广告场景中的广告,获取广告平台的广告ecpm价格;
8、以ecpm报价最高的广告平台的广告为第一广告。
9、进一步地,所述通过waterfall模式获取第二广告,具体包括以下步骤:
10、根据设定ecpm价格向广告平台发起请求,请求是否接受设定ecpm价格,若请求失败,降低ecpm价格再次发起请求,直至请求成功;
11、以第一次请求成功的广告平台的广告为第二广告。
12、进一步地,所述通过waterfall模式获取第二广告,还包括以下步骤:
13、获得每个广告平台请求成功时的广告的ecpm价格,记录ecpm价格排名前三名的广告平台的广告。
14、进一步地,所述比较目标广告,确定展示广告,具体包括以下步骤:
15、比较不同广告场景的目标广告ecpm价格,确定展示广告。
16、进一步地,所述所述比较目标广告,确定展示广告,还包括,根据目标广告ecpm价格计算目标广告的收入,根据目标广告的收入,确定展示广告;所述目标广告的收入,具体公式如下:
17、收入=ctr×ecpm×n,
18、其中,ctr为预测的广告点击率,ecpm为每一千次展示可以获得的广告收入,n为广告的展示次数/1000;
19、其中,所述预测的广告点击率获取方式包括以下步骤:
20、获取广告源,所述广告源对应的用户特征以及所述广告源的历史点击数据;
21、对所述广告源对应的用户特征以及所述广告源的历史点击数据进行数据预处理,进行特征选择和特征变换,形成数据集;
22、将数据集划分为训练集和测试集,采用70%的数据作为训练集,30%的数据作为测试集,使用训练集对logistic regression模型训练;
23、使用训练好的logistic regression模型对目标广告数据进行预测,得到目标广告的ctr。
24、进一步地,所述logistic regression模型的公式如下:
25、hθ(x)=g(θtx);
26、其中,hθ(x)是预测值,表示输入x属于正类别的概率;g(θtx)是logistic函数;θ是模型的参数向量;x是输入特征向量。
27、在具有两个类的统计分类问题中,当g(θtx)大于某个阈值时,模型预测为正类别,否则为负类别。
28、进一步地,所述预测的广告点击率获取方式还包括:使用对数损失函数对logistic regression模型训练,对数损失函数如下:
29、j(θ)=-m∑i=m[y(i)log(hθ(x(i)))+(1-y(i))log(1-hθ(x(i)))],
30、其中,m是训练样本数;y(i)是第i个样本的实际标签;hθ(x(i))是模型对第i个样本的预测概率。
31、通过logistic regression机器学习模型优化,进行了ctr更精准的预测,进而选择出的展示广告。
32、第二方面,本专利技术提供一种应用于互联网的广告推荐系统,包括存储器以及处理器;
33、所述存储器存储计算机执行指令;
34、所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行上述的方法。
35、第三方面,本专利技术提供一种计算机可存储介质,所述计算机可读存储介质中存储有计算机执行指令,当所述计算机执行指令被执行时,实现上述的方法。
36、本专利技术的有益效果:
37、本专利技术公开的一种应用于互联网的广告推荐方法、系统及存储介质,广告推荐方法方法通过比较不同广告平台的广告源,通过head bidding将获取的广告源中的众多广告平台报价比较,从而获得最高价格的广告,再通过waterfall将众多广告平台的报价从高到低查询,从而获取最高价格的广告,从两种途径得到最高价格的广告选择更高价格的广告,为目标广告。比较不同场景下的目标广告的效果,确定展示广告。将目标广告在对应平台、对应场景下展示,效果最佳。实现在众多的广告平台以及广告场景中挑选出最高收益的广告用来动态展示,以谋取更高的广告变现收益。
本文档来自技高网...【技术保护点】
1.一种应用于互联网的广告推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过head bidding模式获取第一广告,具体包括以下步骤:
3.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过waterfall模式获取第二广告,具体包括以下步骤:
4.根据权利要求3所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过waterfall模式获取第二广告,还包括以下步骤:
5.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述比较目标广告,确定展示广告,具体包括以下步骤:
6.根据权利要求5所述的一种应用于互联网的广告推荐方法,其特征在于,所述比较目标广告,确定展示广告,还包括,根据目标广告ECPM价格计算目标广告的收入,根据目标广告的收入,确定展示广告;所述目标广告的收入,具体公式如下:
7.根据权利要求6所述的一种应用于互联网的广告推荐方法,其特征在于,所述Logistic Regression模型的
8.根据权利要求7所述的一种应用于互联网的广告推荐方法,其特征在于,所述预测的广告点击率获取方式还包括:使用对数损失函数对Logistic Regression模型训练,对数损失函数如下:
9.一种应用于互联网的广告推荐系统,其特征在于,包括存储器以及处理器;
10.一种计算机可存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当所述计算机执行指令被执行时,实现如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种应用于互联网的广告推荐方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过head bidding模式获取第一广告,具体包括以下步骤:
3.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过waterfall模式获取第二广告,具体包括以下步骤:
4.根据权利要求3所述的一种应用于互联网的广告推荐方法,其特征在于,所述通过waterfall模式获取第二广告,还包括以下步骤:
5.根据权利要求1所述的一种应用于互联网的广告推荐方法,其特征在于,所述比较目标广告,确定展示广告,具体包括以下步骤:
6.根据权利要求5所述的一种应用于互联网的广告推荐方法,其特征在于,所述比较目标广告,...
【专利技术属性】
技术研发人员:吴碧娟,杨敬喜,
申请(专利权)人:厦门诸云纵横科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。