基于深度学习和多模态数据融合的电商广告精准推荐系统的制作方法
本发明涉及广告推荐,具体为一种基于深度学习和多模态数据融合的电商广告精准推荐系统。
背景技术:
1、随着电子商务规模的持续扩大和用户个性化需求的日益增长,传统的电商广告推荐方法面临着前所未有的挑战。在现代化的数字营销和智能运营领域,精准的广告推荐不仅是提升用户体验和平台收益的重要手段,也是优化广告投放效率和降低营销成本的关键因素。
2、然而,目前的电商广告推荐方法大多为电商产品和用户兴趣的简单匹配,而忽视了电商广告的投放平台、广告风格和跳转平台等特征信息,无法有效提高客户的购买意向。例如,客户在观看电商广告时,投放平台和广告风格对客户的购买兴趣意向有着较大影响,而客户在点击电商广告以跳转到店家商铺时,跳转平台会对客户的购买决策意向有着较大影响。因此,在对客户进行广告推荐时,如何基于客户偏好设置电商广告的推送方式,以提高客户购买意向成为了一个亟需解决的技术问题。
3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供一种基于深度学习和多模态数据融合的电商广告精准推荐系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于深度学习和多模态数据融合的电商广告精准推荐系统,包括:
4、数据采集模块,用于针对待推荐电商产品,调取其目标客户的行为数据,以及其各类电商广告的特征信息,包括投放平台、广告风格和跳转平台;
5、行为分析模块,用于分析行为数据,以提取目标客户针对各类电商广告的月行为指标;
6、拓扑图构建模块,用于针对待推荐电商产品,基于其各类电商广告定义母节点,并基于其各类电商广告中的特征信息定义子节点,以构建包含母节点层、子节点层,以及节点间连接边的节点拓扑图模版;
7、拓扑图更新模块,用于分析目标客户在各自然月下的行为指标,采用边际均值分析策略,确定各子节点的能效指数,采用频次统计策略,确定各连接边的连接权重和各母节点的购买指数,据此更新节点拓扑图模版,以生成各自然月下的节点拓扑图;
8、行为预测模型,用于接收当前自然月之前若干个连续自然月下的节点拓扑图并分析,以输出当前自然月下的节点拓扑预测图;
9、精准推荐模块,用于从当前自然月下的节点拓扑图中,提取购买指数位于前列的母节点,并计算其在节点拓扑预测图中的预测误差,结合当前自然月的已进行时间占比,以动态构建推荐类别集,基于推荐类别集内的各类电商广告执行广告推荐。
10、进一步的,基于投放平台、广告风格和跳转平台确定电商广告的类别,将投放平台、广告风格和跳转平台均一致的电商广告视为一类。
11、进一步的,所述行为数据包括点击事件、浏览事件、点击事件所关联的加购行为、点击事件所关联的购买行为。
12、进一步的,所述月行为指标包括月加购率、月购买率和月点击转化率,针对任一自然月,目标客户在该自然月下针对各类电商广告的月行为指标计算逻辑如下:
13、1)调取目标客户在该自然月内的电商广告点击事件、电商广告浏览事件,若在一点击事件中,被点击电商广告所推荐的电商产品与待推荐电商产品属于同一品类、且被点击电商广告的特征信息与待推荐电商产品的一类电商广告一致,则将该点击事件纳入相应自然月的有效点击事件集中,若在一浏览事件中,被浏览电商广告所推荐的电商产品与待推荐电商产品属于同一品类、且被浏览电商广告的特征信息与待推荐电商产品的一类电商广告一致,则将该浏览事件纳入相应自然月的有效浏览事件集中;
14、2)以同一点击子集内被点击电商广告的投放平台、广告风格和跳转平台均一致,不同子集间被点击电商广告的投放平台、广告风格或跳转平台不一致为约束条件,将有效点击事件集划分为若干点击子集,以此将每一点击子集均与待推荐电商产品的一类电商广告相关联;
15、3)针对每一点击子集,统计该子集内各点击事件所关联的加购行为总数,并将其除以该点击子集内的点击事件总数,以作为相应自然月下,目标客户针对该点击子集所关联电商广告类别的月加购率,统计该子集内各点击事件所关联的购买行为总数,并将其除以该点击子集内的点击事件总数,以作为相应自然月下,目标客户针对该点击子集所关联电商广告类别的月购买率;
16、4)以同一浏览子集内被浏览电商广告的投放平台、广告风格和跳转平台均一致,不同浏览子集间被浏览电商广告的投放平台、广告风格或跳转平台不一致为约束条件,将有效浏览事件集划分为若干浏览子集,以此将每一浏览子集均与待推荐电商产品的一类电商广告相关联,并将该自然月内关联同一电商广告类别的浏览子集和点击子集构成一子集对;
17、5)针对每一浏览子集,统计该浏览子集内的浏览事件总数,并锚定该浏览子集所在的子集对,将该子集对中点击子集内的点击事件总数除以上述浏览事件总数,以作为相应自然月下,目标客户针对该浏览子集所关联电商广告类别的月点击转化率。
18、进一步的,所述节点拓扑图模版共包括三层不同种类的子节点层,分别为投放平台子节点层、广告风格子节点层和跳转平台子节点层,所述节点拓扑图模版的构建逻辑如下:
19、1)针对待推荐电商产品,获取其各类电商广告,并将每一电商广告类别均作为一个各母节点,汇总所有母节点以形成母节点层;
20、2)针对待推荐电商产品,调取其各类电商广告中的投放平台并汇总去重,以构建投放平台集,将投放平台集中每一投放平台均作为一个投放平台子节点,汇总所有投放平台子节点以形成投放平台子节点层,采用与上述相同的方法,生成广告风格子节点和跳转平台子节点,并据此形成广告风格子节点层和跳转平台子节点层;
21、3)针对待推荐电商产品的每一类电商广告,从母节点层中锚定其对应的母节点,并从各子节点层中锚定特征信息包含在这一电商广告类别的特征信息内的子节点,对上述锚定的各节点两两间采用连接边进行连接,遍历待推荐电商产品的各类电商广告,以完成节点拓扑图模版的构建。
22、进一步的,针对任一子节点,基于边际均值分析策略,确定其在各自然月下的能效指数逻辑如下:
23、1)从节点拓扑图模版中,筛选出与这一子节点间通过连接边连接的母节点,以作为这一子节点的关联母节点,并确定各关联母节点所对应的电商广告类别,以作为这一子节点的关联电商广告类别;
24、2)提取目标客户在各自然月内针对各关联电商广告类别的月点击转化率、月加购率和月购买率,并以月点击转化率、月加购率和月购买率的权重之和等于1为约束条件,基于这一子节点的所属类别,对月点击转化率、月加购率和月购买率执行加权求和,以确定在各自然月下,目标客户对于各关联电商广告类别中这一子节点的偏好指数;
25、其中,若这一子节点所属类别为广告风格子节点,则令月点击转化率、月购买率、月加购率在执行加权求和时的权重递减,
26、其中,若这一子节点所属类别为投放平台子节点,则令月点击转化率、月购买率和月加购率在执行加权求和时的权重递减,且令月购买率在投放平台子节点下的权重高于其在广告风格子节点下的权重,且令月加购率在投放平台子节点下的权重高于其在广告风格子节点下的权重;
27、其中,若这一子节点所属类别为跳转平台子节点,则令月购买率、月加购率、月点击转化率在执行加权求和时的权重递减;
28、3)针对任一自然月,提取该自然月下,目标客户对于各关联电商广告类别中这一子节点的偏好指数并进行均值化处理,将均值化处理结果作为这一子节点在上述自然月下的能效指数。
29、进一步的,针对任一连接边,基于频次统计策略,确定其在各自然月下的连接权重逻辑如下:
30、1)从各自然月的有效点击事件集中,提取关联购买行为的点击事件并汇总,以构建各自然月的购买关联点击事件集;
31、2)针对该连接边所连接的各子节点,逐一提取其所表示的特征信息并汇总,以构建该连接边的特征信息集,针对任一自然月,计算其购买关联点击事件集内,被点击电商广告包含上述特征信息集内所有特征信息的点击事件出现频率,以作为该连接边在上述自然月下的连接权重。
32、进一步的,针对任一母节点,基于频次统计策略,确定其在各自然月下的购买指数逻辑如下:
33、针对与该母节点间通过连接边所连接的各子节点,逐一提取其所表示的特征信息并汇总,以构建该母节点的特征信息组合集,针对任一自然月,计算其购买关联点击事件集内,被点击电商广告包含上述特征信息组合集内所有特征信息的点击事件出现频率,以作为该母节点在上述自然月下的购买指数。
34、进一步的,针对任一自然月,其下的节点拓扑图生成逻辑为:将节点拓扑图模版中各节点的节点特征和各连接边的边权重均初始化为空值,将各子节点在该自然月下的能效指数作为节点特征,填入至节点拓扑图模版内的对应子节点处,将各连接边的连接权重作为边权重,填入至节点拓扑图模版内的对应连接边处,将各母节点在该自然月下的购买指数作为节点特征,填入至节点拓扑图模版内的对应母节点处,以此得到该自然月下的节点拓扑图。
35、进一步的,动态构建推荐类别集的逻辑如下:
36、1)从当前自然月下的节点拓扑图中,提取购买指数位于前列的母节点,以作为优选母节点,并从节点拓扑预测图中提取购买指数预测值位于前列的母节点,以作为优选预测母节点;
37、2)针对任一优选母节点,提取其在节点拓扑预测图中的购买指数预测值,并与其在当前自然月下的节点拓扑图中的购买指数进行相对误差计算,将相对误差计算结果作为其在节点拓扑预测图中的预测误差;
38、3)对所有优选母节点在节点拓扑预测图中的预测误差进行均值计算,并将均值计算结果作为综合预测误差;
39、4)将当前自然月的已进行时间占比作为自变量,输入至增长率随自变量平滑下降的指数饱和函数中,以得到时间修正系数,将时间修正系数和综合预测误差的乘积作为占比调整系数;
40、5)在占比调整系数小于占比调整阈值时,以母节点筛选集内优选母节点数量小于优选预测母节点数量为约束,抽取优选母节点和优选预测母节点以构建母节点筛选集,反之则以母节点筛选集内优选母节点数量大于优选预测母节点数量为约束,抽取优选母节点和优选预测母节点以构建母节点筛选集,占比调整阈值为一正小数,且优选母节点总数和优选预测母节点总数之和大于母节点筛选集中的母节点总数;
41、6)针对母节点筛选集中的各母节点,逐一提取其所对应的电商广告类别并汇总,以构建推荐类别集。
42、与现有技术相比,本发明的有益效果是:
43、本发明的基于深度学习和多模态数据融合的电商广告精准推荐系统,将投放平台、广告风格和跳转平台作为分析对象,通过生成并分析各自然月下的节点拓扑图,捕捉目标客户对各特征信息偏好的时间演变规律,以确定目标客户在当前自然月下对各类电商广告偏好的预测结果,并结合实际结果进行差异分析,以确定受目标客户偏好的电商广告类别,后续再基于此电商广告类别执行广告推荐,以显著提高目标客户的购买意向。
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