一种广告素材的疲劳度曲线预测与主动换新方法及系统与流程
本发明涉及互联网广告投放,更具体的说是涉及一种广告素材的疲劳度曲线预测与主动换新方法及系统。
背景技术:
1、广告素材是互联网电商广告获客转化的核心载体,素材新鲜度直接决定点击率(ctr)与投资回报率(roi),预判素材疲劳并主动换新,成为降低广告预算损耗、稳定广告投放效果的关键。
2、但是,目前行业主流方案均存在明显短板。(1)人工定期轮换:广告投放运营人员根据经验判断定期更换广告素材,该方案完全依赖人工判断,存在换早了(素材仍有效果就废弃)和换晚了(素材早已疲劳但未及时更换导致预算浪费)两类问题,且无法在管理数十个账号时保持一致性。(2)基于阈值的被动触发:广告管理平台支持配置当ctr低于某阈值时告警,但该方案属于事后响应,只有ctr已经明显下滑后才触发告警,此时素材已进入深度疲劳期,累计造成的投放效率损失已不可挽回。此外,静态阈值无法适应不同品类、不同受众规模账号的差异化疲劳规律。(3)平台自动优化素材:广告平台支持对多张素材进行自动优化选择,系统将预算向效果更好的素材倾斜,但该方案仅解决存量素材中选优的问题,当所有现有素材均进入疲劳期时,系统无法自动生成新素材,仍需人工介入。
3、因此,如何实现个性化素材疲劳预测、全自动化素材生成与平滑切换是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种广告素材的疲劳度曲线预测与主动换新方法及系统,通过对素材在各广告账号下的曝光-ctr关系进行疲劳曲线拟合,结合账号个性化疲劳系数预测疲劳拐点,在拐点到来前自动触发新素材生成与预热期并行投放,实现广告素材生命周期的全自动化、主动化管理。
2、为了实现上述目的,本发明采用如下技术方案:
3、本发明公开了一种广告素材的疲劳度曲线预测与主动换新方法,包括:
4、步骤1:收集广告素材及账号历史数据,并拟合疲劳曲线;
5、步骤2:根据拟合的疲劳曲线统计得到基准疲劳系数,基于所述基准疲劳系数,以及素材与账号特征因子,确定个性化疲劳系数;
6、步骤3:根据所述个性化疲劳系数,计算各广告素材距离疲劳阈值的剩余天数;
7、步骤4:对所述剩余天数小于预警阈值的广告素材,进行ai素材生成;
8、步骤5:对生成的新素材进行并行预热投放,并根据实测效果确定切换投放素材或者重新生成新素材;
9、步骤6:将广告素材换新周期的疲劳系数实测值和换新结果写入疲劳知识库,优化所述素材与账号特征因子。
10、进一步的,所述步骤1具体包括:收集各广告素材的品类、各广告账号的受众规模、各广告账号现有素材的品类,以及各广告素材在各广告账号下的有效曝光次数和点击率;以同一广告素材在同一广告账号下的累计有效曝光次数为自变量,以点击率相对初始值的保留率为因变量,采用指数衰减模型拟合疲劳曲线,公式为:
11、;
12、其中,为自然常数,表示广告素材在广告账号下的拟合疲劳系数;表示广告素材在广告账号下的累计有效曝光次数;表示广告账号的受众规模。
13、进一步的,所述个性化疲劳系数的公式为:
14、;
15、其中,表示广告素材在广告账号下的个性化疲劳系数;表示广告素材的品类因子;表示广告账号的受众规模因子;表示广告素材相对广告账号的素材差异度因子;表示广告素材的季节性因子;表示广告账号的账号历史因子;表示基准疲劳系数,公式为:
16、;
17、其中,为样本池内有效样本总数,为第个样本经指数衰减曲线拟合得到的单样本疲劳系数,为对应的综合权重,公式为:
18、;
19、、和分别为第个样本的数据量权重、时效性权重和有效性权重。
20、进一步的,所述计算各广告素材距离疲劳阈值的剩余天数具体包括:
21、步骤3.1:将广告素材的品类因子、季节性因子、广告账号的受众规模因子、账号历史因子以及广告素材相对广告账号的素材差异度因子,与基准疲劳系数相乘得到所述个性化疲劳系数,并代入指数衰减模型,确定广告素材在广告账号下的个性化疲劳度曲线;
22、步骤3.2:将预设保留率疲劳阈值代入所述个性化疲劳度曲线反向求解,得到素材达到疲劳状态时对应的临界累计有效曝光次数;同时统计广告素材当前的累计有效曝光次数,计算临界累计有效曝光次数与当前累计有效曝光次数的差值,得到剩余可消耗曝光总量;
23、步骤3.3:提取广告素材最近连续7天的每日实际有效曝光数据,拟合得到日曝光量指数衰减模型,公式为:;其中,为第天的日曝光量,为距离当前计算日的天数,为初始日曝光量,为日曝光衰减系数;
24、步骤3.4:基于所述日曝光量指数衰减模型,对逐日曝光量进行求解,结合剩余可消耗曝光总量,计算得到剩余疲劳天数,具体公式为:
25、;
26、其中,为剩余疲劳天数,为剩余可消耗曝光总量,为临界累计有效曝光次数,为当前累计有效曝光次数。
27、进一步的,所述进行ai素材生成具体包括:
28、步骤4.1:调取待替换广告素材的品牌视觉指纹库,提取品牌保留约束参数,所述保留约束参数包括品牌色彩调性、光影风格和情绪调性;
29、步骤4.2:读取疲劳知识库中对应品类、对应受众规模区间的历史换新效果数据,按历史换新成功率排序,筛选出排序靠前的差异化变换维度类型;
30、步骤4.3:将品牌的保留约束参数与差异化变换维度类型作为输入条件,调用ai素材生成模型批量生成多版候选新素材;
31、步骤4.4:对生成的候选新素材进行视觉相似度校验,筛选出与广告账号存量素材的视觉相似度处于预设区间的素材,作为最终预热投放素材。
32、进一步的,所述ai素材生成模型采用带双条件控制的扩散生成模型,以unet网络为生成主干,包含并行设置的品牌特征编码支路、差异化变换支路,以及多尺度特征融合模块;素材生成过程具体包括:
33、步骤4.3.1:品牌特征编码支路接收品牌保留约束参数,通过预训练风格编码器提取品牌色彩、光影、调性维度的深度风格特征向量;差异化变换支路接收差异化变换维度类型,通过结构化编码网络输出构图布局、拍摄视角、背景场景维度的变换特征向量;
34、步骤4.3.2:多尺度特征融合模块对所述深度风格特征向量与所述变换特征向量进行通道拼接与注意力加权运算,得到联合条件特征向量;
35、步骤4.3.3:将所述联合条件特征向量通过跨注意力机制逐层注入unet生成主干的编码器、瓶颈层与解码器各尺度网络中;
36、步骤4.3.4:以随机高斯噪声图为初始输入,按照预设去噪步数进行迭代降噪,每一步降噪均由联合条件特征向量引导生成方向,最终输出候选新素材。
37、进一步的,所述视觉相似度校验采用预训练视觉特征提取网络提取素材的全局视觉特征,通过余弦相似度算法计算候选素材与账号存量素材库的平均相似度;若候选素材平均相似度高于预设上限或者低于下限,则重新生成。
38、进一步的,所述步骤5具体包括:
39、步骤5.1:配置预热期时长、预热期新旧素材预算占比;
40、步骤5.2:每天判断新素材点击率与旧素材点击率的比值是否大于设定值,大于则将新素材比例调整为100%,旧素材暂停;否则进入步骤5.3;
41、步骤5.3:判断当前天数是否小于预热期时长,小于则返回步骤5.2继续预热期观察;否则重新生成新素材。
42、进一步的,所述步骤6具体包括:
43、步骤6.1:单次素材换新周期结束后,采集该周期内素材的实测疲劳系数、换新触发时的累计曝光量、预热切换成功率、切换前后投资回报率变化率数据,关联对应品类、受众规模、差异化类型、投放季节标签,写入疲劳知识库;
44、步骤6.2:按品类、受众规模区间、投放季节三个维度对全量历史样本进行分层聚合,分别计算各分层样本的加权平均实测疲劳系数;
45、步骤6.3:将各分层的加权平均实测疲劳系数与基准疲劳系数作比值运算,得到更新后的品类因子、受众规模因子、季节性因子的取值;
46、步骤6.4:针对单个广告账号维度,统计该账号所有历史换新周期的加权平均实测疲劳系数,与同品类全局平均实测疲劳系数作比值运算,更新该账号对应的账号历史因子;
47、步骤6.5:以固定周期为迭代窗口,基于更新后的全量有效样本,采用加权平均法重新计算基准疲劳系数,同步校准各特征因子的取值区间,完成全量因子体系的迭代优化。
48、本发明还公开了一种广告素材的疲劳度曲线预测与主动换新系统,包括:
49、疲劳曲线拟合模块:收集广告素材及账号历史数据,并拟合疲劳曲线;
50、个性化系数计算模块:根据拟合的疲劳曲线统计得到基准疲劳系数,基于所述基准疲劳系数,以及素材与账号特征因子,确定个性化疲劳系数;
51、预测模块:根据所述个性化疲劳系数,计算各广告素材距离疲劳阈值的剩余天数;
52、素材生成模块:对所述剩余天数小于预警阈值的广告素材,进行ai素材生成;
53、预热期调度模块:对生成的新素材进行并行预热投放,并根据实测效果确定切换投放素材或者重新生成新素材;
54、疲劳知识库模块:将广告素材换新周期的疲劳系数实测值和换新结果写入疲劳知识库,优化所述素材与账号特征因子。
55、经由上述的技术方案可知,与现有技术相比,本发明提供了一种广告素材的疲劳度曲线预测与主动换新方法及系统,具有以下有益效果:
56、本发明可提前n天预警素材疲劳拐点,消除“换晚了”带来的预算损失,避免素材进入深度疲劳期持续消耗预算,同时依托疲劳曲线精准预测素材生命周期,消除“换早了”造成的素材资源浪费;整套流程从疲劳预警、新素材生成到投放切换全程自动化无人工介入,适配多账号批量运营场景;ai生成素材在保持品牌视觉一致的前提下引入差异化视觉变化,兼顾品牌调性与受众新鲜感;预热期双轨并行投放模式改变一刀切替换方式,基于实测数据做切换决策,大幅降低素材更换风险;系统持续沉淀换新数据形成疲劳知识库,依靠跨账号样本迭代优化预测参数,预测精度随使用时长持续提升,缩短新账号冷启动周期。本发明依托个性化疲劳建模、ai自动生成、预热平滑切换与闭环知识积累,实现广告素材主动智能换新,全方位降低广告投放损耗、稳定投放转化效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com