一种广告投放方法、装置、设备及存储介质与流程

摘要: 本技术实施例涉及广告投放,尤其涉及一种广告投放方法、装置、设备及存储介质。背景技术:1、随着移动互联网生态的成熟与休闲游戏以及小游戏赛道的高速增长,广告投放已成...
一种广告投放方法、装置、设备及存储介质与流程

本技术实施例涉及广告投放,尤其涉及一种广告投放方法、装置、设备及存储介质。

背景技术:

1、随着移动互联网生态的成熟与休闲游戏以及小游戏赛道的高速增长,广告投放已成为游戏厂商获取用户和实现商业变现与维持产品生命周期的核心运营手段,在游戏全生命周期中扮演着不可替代的关键角色。

2、在现有技术中,广告投放平台通常提供内置的数据后台,通过统计模块采集广告侧的消耗、展现和点击等投放指标,以报表形式展示给广告主。广告主根据报表中的消耗和转化数据人工估算投产比(即投入与产出的比值),并手动执行继续投放、缩减预算或关停操作。

3、现有这种人工统计与核对的方式,投产比估算精确度相对较低。

技术实现思路

1、本技术实施例提供一种广告投放方法、装置、设备及存储介质,能够解决广告投放过程中的投产比估算准确性较低的技术问题,通过对第一多维特征进行注意力和门控的特征增强得到增强特征向量,以及融合了增强特征向量和多维投放特征得到融合特征集,基于融合特征集进行梯度提升决策处理得到对应的预估投产比,显著提升了投产比估算准确性,进而提升广告投放操作的准确性。

2、在第一方面,本技术实施例提供了一种广告投放方法,包括:

3、获取目标广告的多维投放特征,对多维投放特征进行去量纲化处理,得到第一多维特征,将第一多维特征输入至少一个全连接层进行非线性变换得到隐表示向量,其中,隐表示向量的维度与第一多维特征的维度相同;

4、通过注意力网络对隐表示向量进行注意力计算,得到各特征维度对应的注意力权重;

5、获取各特征维度在与目标广告同类型的多个历史广告中的取值分布,基于各特征维度的当前取值相对于其取值分布的偏离程度确定各特征维度对应的门控值,其中,当前取值偏离取值分布越远的特征维度,其门控值越低;

6、将隐表示向量中每一维度的值、对应维度的注意力权重和对应维度的门控值进行逐元素相乘,得到增强特征向量;

7、将多维投放特征与增强特征向量沿特征维度进行拼接,得到融合特征集,并将融合特征集进行第一梯度提升决策处理,得到目标广告的预估投产比;

8、根据预估投产比对目标广告执行投放控制操作。

9、进一步的,对多维投放特征进行去量纲化处理,得到第一多维特征,包括:

10、识别多维投放特征中各特征的数据类型,将数值型特征保持原始数值不变,将类别型特征通过嵌入层映射为数值标量,得到标准化特征集;

11、对标准化特征集进行归一化处理,得到第一多维特征。

12、进一步的,将融合特征集进行第一梯度提升决策处理,得到目标广告的预估投产比,包括:

13、按时间节点从近到远的顺序,依次对多个预设时间节点进行第一梯度提升决策处理,得到各预设时间节点对应的预估投产比;其中,对首个预设时间节点的处理以融合特征集为输入,对后续各预设时间节点的处理以融合特征集与前一已处理的预设时间节点的预估投产比拼接后的特征集为输入,使后续预设时间节点的预估投产比以前序的预设时间节点的预估结果为条件;

14、相应的,根据预估投产比对目标广告执行投放控制操作,包括:

15、根据相邻的预设时间节点间的预估投产比的变化方向的一致程度,计算走势方向置信度,其中,走势方向置信度为相邻的预设时间节点间均呈同向变化的区间数占总区间数的比例;

16、根据走势方向置信度和各预设时间节点的预估投产比形成的时序轨迹的走势方向,确定投放控制操作;

17、当时序轨迹呈上升趋势且最近的预设时间节点的预估投产比大于或等于第一预设阈值且走势方向置信度大于或等于预设方向置信度阈值时,执行继续投放操作;当时序轨迹呈上升趋势但最近的预设时间节点的预估投产比小于第一预设阈值时,执行缩减预算操作;当时序轨迹呈上升趋势且最近的预设时间节点的预估投产比大于或等于第一预设阈值、但走势方向置信度小于预设方向置信度阈值时,执行缩减预算操作并延长数据观测时长;当时序轨迹呈下降趋势或平稳趋势且最近的预设时间节点的预估投产比小于第二预设阈值时,执行关停操作;当时序轨迹呈下降趋势或平稳趋势且最近的预设时间节点的预估投产比大于或等于第二预设阈值时,执行缩减预算操作。

18、进一步的,根据预估投产比对目标广告执行投放控制操作,包括:

19、确定目标广告的当前投放阶段,当前投放阶段基于目标广告的累计消耗预算占预设总预算的消耗比例确定;当消耗比例低于第一消耗比例阈值时,确定当前投放阶段为第一阶段;当消耗比例介于第一消耗比例阈值和第二消耗比例阈值之间时,确定当前投放阶段为第二阶段;当消耗比例高于第二消耗比例阈值时,确定当前投放阶段为第三阶段;

20、根据当前投放阶段确定对应的投产比上限阈值和投产比下限阈值,其中,第一阶段的投产比上限阈值和投产比下限阈值分别低于第二阶段的对应阈值,第三阶段的投产比上限阈值和投产比下限阈值分别高于第二阶段的对应阈值;

21、当预估投产比大于或等于当前投放阶段对应的投产比上限阈值时,对目标广告执行继续投放操作;

22、当预估投产比小于当前投放阶段对应的投产比上限阈值且大于或等于当前投放阶段对应的投产比下限阈值时,对目标广告执行缩减预算操作;

23、当预估投产比小于当前投放阶段的投产比下限阈值时,对目标广告执行关停操作。

24、进一步的,在得到目标广告的预估投产比之后,还包括:

25、当目标广告处于数据稀疏的冷启动阶段时,将多维投放特征进行第二梯度提升决策处理,得到辅助投产比;

26、将预估投产比与辅助投产比进行加权融合,得到目标投产比,其中,预估投产比的权重随目标广告的累计数据量增加而逐步增大,辅助投产比的权重随累计数据量增加而逐步减小;

27、相应的,根据预估投产比对目标广告执行投放控制操作,包括:

28、根据目标投产比对目标广告执行投放控制操作。

29、进一步的,根据预估投产比对目标广告执行投放控制操作,包括:

30、当预估投产比低于预设优化触发阈值时,获取生成预估投产比的同一次前向处理中注意力网络输出的各特征维度对应的注意力权重;

31、基于第一梯度提升决策处理中各特征维度在树节点分裂时的使用频次和分裂增益,确定各特征维度对预估投产比的边际贡献度;

32、将边际贡献度为负且绝对值最大的特征维度确定为根因特征,基于各特征维度的注意力权重在目标广告的多个历史样本上的协方差,从除根因特征以外的各特征维度中确定与根因特征的注意力权重协方差最高的关联特征;

33、根据根因特征和关联特征,确定缩减预算操作中待调整的投放参数以及各投放参数的调整方向,并执行缩减预算操作。

34、进一步的,基于各特征维度的当前取值相对于其取值分布的偏离程度确定各特征维度对应的门控值,包括:

35、确定多维投放特征中各特征维度当前的累计数据量,对于累计数据量未达到预设数据量阈值的特征维度,将其标记为欠观测维度;

36、基于各特征维度的当前取值相对于其取值分布的偏离程度,计算各特征维度对应的初始门控值;

37、对于被标记为欠观测维度的特征维度,将其初始门控值乘以衰减系数,得到特征维度的目标门控值,其中,衰减系数与特征维度的累计数据量和预设数据量阈值的比值正相关且小于一;

38、对于未被标记为欠观测维度的特征维度,将其初始门控值作为特征维度的目标门控值。

39、在第二方面,本技术实施例提供了一种广告投放装置,包括:

40、特征获取模块,用于获取目标广告的多维投放特征;

41、去量纲化处理模块,用于对多维投放特征进行去量纲化处理,得到第一多维特征;

42、隐表示向量计算模块,用于将第一多维特征输入至少一个全连接层进行非线性变换得到隐表示向量,其中,隐表示向量的维度与第一多维特征的维度相同;

43、注意力计算模块,用于通过注意力网络对隐表示向量进行注意力计算,得到各特征维度对应的注意力权重;

44、门控值确定模块,用于获取各特征维度在与目标广告同类型的多个历史广告中的取值分布,基于各特征维度的当前取值相对于其取值分布的偏离程度确定各特征维度对应的门控值,其中,当前取值偏离取值分布越远的特征维度,其门控值越低;

45、特征增强模块,用于将隐表示向量中每一维度的值、对应维度的注意力权重和对应维度的门控值进行逐元素相乘,得到增强特征向量;

46、特征融合模块,用于将多维投放特征与增强特征向量沿特征维度进行拼接,得到融合特征集,并将融合特征集进行第一梯度提升决策处理,得到目标广告的预估投产比;

47、投放操作确定模块,用于根据预估投产比对目标广告执行投放控制操作。

48、在第三方面,本技术实施例提供了一种广告投放设备,包括:

49、存储器以及一个或多个处理器;

50、存储器,用于存储一个或多个程序;

51、当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面所述的广告投放方法。

52、在第四方面,本技术实施例提供了一种存储计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的广告投放方法。

53、本技术实施例通过在进行广告投放时,获取目标广告的多维投放特征,对多维投放特征进行去量纲化处理,得到第一多维特征,将第一多维特征输入至少一个全连接层进行非线性变换得到隐表示向量;通过注意力网络对隐表示向量进行注意力计算,得到各特征维度对应的注意力权重;获取各特征维度在与目标广告同类型的多个历史广告中的取值分布,基于各特征维度的当前取值相对于其取值分布的偏离程度确定各特征维度对应的门控值;将隐表示向量中每一维度的值、对应维度的注意力权重和对应维度的门控值进行逐元素相乘,得到增强特征向量;将多维投放特征与增强特征向量沿特征维度进行拼接得到融合特征集,并将融合特征集进行第一梯度提升决策处理,得到目标广告的预估投产比;根据预估投产比对目标广告执行投放控制操作。采用上述技术手段,通过注意力权重从特征交互的隐表示中学习哪些特征对投产比预估更重要,通过门控值从原始取值相对历史分布的偏离程度评估哪些特征在当前样本中取值异常和信息不可靠,两者从不同的信息来源出发并沿独立的计算路径分别衡量特征的重要性和可靠性,再通过逐元素相乘联合作用于隐表示向量而得到增强特征向量,使得既重要又可靠的特征被强化,而不重要或不可靠的特征被抑制;同时将增强特征向量与原始多维投放特征拼接,使第一梯度提升决策处理能够同时利用经过增强的高质量特征和保留原始分布信息的原始特征,以此避免现有技术中投产比估算准确性低的技术问题,本实施例通过第一梯度提升决策处理输出对应的预估投产比,显著提升了投产比估算的准确性,之后根据预估投产比对目标广告执行投放控制操作,进而提升了广告投放操作的准确性。

54、上述提供的广告投放装置、广告投放设备以及存储介质的有益效果可参考广告投放方法的有益效果。