一种基于人工智能的互联网广告画像模型构建方法及系统与流程
本发明属于互联网广告画像,具体是一种基于人工智能的互联网广告画像模型构建方法及系统。
背景技术:
1、当前互联网广告画像生成领域长期存在两大行业痛点:一方面,传统ai画像生成模式多采用固定模板批量输出全量标准化画像,所有广告主获取的画像维度冗余、格式僵化,无法直接适配不同品牌差异化的定向投放诉求,品牌方需要耗费大量人力手动筛选提取目标特征,不仅操作成本极高,还容易出现关键信息遗漏的问题;另一方面,绝大多数品牌仅能依托自身采集的有限数据生成画像,普遍存在特征维度覆盖不全、小众高价值用户识别精度低的短板,尤其是针对众多中小型品牌方,广告画像较为片面,中小品牌无法独立快速完成画像精度升级,严重制约了广告投放的精准度与运营效率。
2、基于此,为了解决上述问题,本发明提供了一种基于人工智能的互联网广告画像模型构建方法及系统。
技术实现思路
1、为了解决上述方案存在的问题,本发明提供了一种基于人工智能的互联网广告画像模型构建方法及系统。
2、本发明的目的可以通过以下技术方案实现:
3、一种基于人工智能的互联网广告画像模型构建系统,包括应用端和云端平台;
4、进一步地,所述云端平台与各个应用端之间通信连接。
5、所述应用端包括基础画像模块、个性需求模块、关联优化模块;
6、所述基础画像模块根据预设的ai画像生成方式生成基础广告画像;
7、所述个性需求模块用于采集品牌方的个性化画像需求。
8、所述关联优化模块获取品牌方的个性化画像需求和基础广告画像,基于个性化画像需求对基础广告画像进行维度筛选,获得各个目标维度;从基础广告画像中提取各个目标维度对应的基础维度数据,根据基础维度数据识别目标维度对应的基础有效用户集合和集合内的基础有效用户数量;
9、对接云端平台的公共特征池,识别与目标维度相关的各个单元分类,可以预设各个单元分类关联的各个画像维度;将单元分类补充到基础维度数据中,形成仿真维度数据;基于仿真维度数据识别目标维度的有效用户仿真集合和有效用户仿真数量;
10、根据基础有效用户集合、基础有效用户数量、有效用户仿真集合和有效用户仿真数量评估所述单元分类对目标维度是否具有补充优化效果,对具有补充优化效果的单元分类进行筛选,获得所述目标维度需要补充的画像特征,将所述画像特征补充到所述目标维度的基础维度数据中,获得所述目标维度的目标维度数据;基于各个目标维度的目标维度数据生成广告画像。
11、进一步地,根据基础有效用户集合、基础有效用户数量、有效用户仿真集合和有效用户仿真数量评估所述单元分类对目标维度是否具有补充优化效果,包括:
12、设置效果评估公式:
13、
14、式中:为效果评估值;表示单元分类,表示目标维度;α、β、γ为调节系数,如α=0.3,β=0.5,γ=0.2;为基础有效用户数量;为基础有效用户集合与有效用户仿真集合的交集对应的有效用户数量;
15、计算分析向量,分析向量=(,,),根据分析向量和效果评估公式计算相应单元分类对目标维度的效果评估值;
16、根据分析向量和效果评估值判断单元分类对目标维度是否具有补充优化效果。
17、进一步地,用于衡量补充画像特征后对原有精准人群的保留程度,防止画像漂移;用于衡量单元分类挖掘全新潜在用户的能力;用于量化因引入新画像特征导致的原有效用户丢失风险。
18、进一步地,对具有补充优化效果的单元分类进行筛选,包括:
19、识别单元分类内各个画像特征的置信度,计算所述画像特征与目标维度的语义相似度;按照所述画像特征进行补充模拟,获得新的有效用户仿真集合和有效用户仿真数量;
20、根据贡献公式计算所述画像特征的贡献值,贡献公式为:
21、
22、式中:gk为贡献值;为基础有效用户数量;为置信度;为语义相似度;为有效用户仿真数量;为基础有效用户集合与有效用户仿真集合的交集对应的有效用户数量;为增量激励系数,取值范围为[0.3,1.2];
23、根据贡献值对单元分类内的画像特征进行筛选,获得所述目标维度需要补充的画像特征。
24、所述云端平台包括公共特征池;
25、所述公共特征池用于储存各种画像特征。
26、进一步地,公共特征池中储存的画像特征由各个品牌方自行上传。
27、进一步地,基于公共特征池中储存的画像特征不能泄露品牌方的敏感数据。
28、进一步地,公共特征池对储存的画像特征进行储存管理,包括:
29、预设各种广告画像仿真背景;所述基础广告画像由基础广告画像和个性化画像需求组成;
30、基于各种广告画像背景对公共特征池中的画像特征进行仿真模拟,生成广告仿真画像;
31、基于对应广告仿真画像评估相应画像特征之间是否属于同一分类,将评估属于同一分类的画像特征分为一类,标记为单元分类,并设置代表所述单元分类的画像特征,用于代表单元分类与剩余单元分类、画像特征进行分类评估;依次类推,直到完成分类为止,获得各个单元分类;完成分类指的是各个画像特征均进行了分类,且各个单元分类之间也不能分为一类;
32、基于各个应用端的反馈数据生成各个单元分类内各个单元特征的应用记录,根据应用记录对单元分类内的画像特征进行动态筛选。
33、进一步地,基于对应广告仿真画像评估相应画像特征之间是否属于同一分类,包括:
34、统计两份广告仿真画像分别对应的目标用户集合,识别两个目标用户集合对应的并集和交集,识别交集和并集分别对应的和并集用户数量;
35、人群覆盖重合度差值=交集用户数量÷并集用户数量;
36、提取两份广告仿真画像对应的所有标签的权重数值,形成两个权重向量,采用余弦相似度算法计算两个权重向量的相似度;
37、标签权重分布差值=1-相似度;
38、获取两份广告仿真画像对应的预估转化得分;根据两个预估转化得分的差值绝对值计算预估转化得分偏离值;
39、当具有任一人群覆盖重合度差值、标签权重分布差值、预估转化得分偏离值大于阈值x1时,评估不属于同一分类;
40、当人群覆盖重合度差值、标签权重分布差值、预估转化得分偏离值均不大于阈值x1时,评估属于同一分类。
41、一种基于人工智能的互联网广告画像模型构建方法,方法包括:
42、根据预设的ai画像生成方式生成基础广告画像;
43、基于品牌方的个性化画像需求对基础广告画像进行维度筛选,获得各个目标维度;从基础广告画像中提取各个目标维度对应的基础维度数据,根据基础维度数据识别目标维度对应的基础有效用户集合和集合内的基础有效用户数量;
44、对接云端平台的公共特征池,所述公共特征池用于储存各种画像特征;基于公共特征池确定所述目标维度需要补充的画像特征,将所述画像特征补充到所述目标维度的基础维度数据中,获得所述目标维度的目标维度数据;基于各个目标维度的目标维度数据生成广告画像。
45、与现有技术相比,本发明的有益效果是:
46、针对现有广告画像生成中特征筛选依赖人工经验、仅靠简单数量统计判定增益的行业痛点,依托云端预构建的公共特征池,从单品牌个性化画像生成的实际需求出发,跳出传统语义分类与基础聚类的通用化框架,创新性地以单元分类对基础画像维度的覆盖范围有效性作为核心筛选依据,实现了对画像特征价值的深度量化评估;不再局限于表层的用户数量增减统计,而是深入到用户分布结构稳定性、新增用户质量、高价值用户流失风险等多个深层维度完成综合校验,既保障了基础广告画像已有的精准用户基本盘不会出现无效漂移,又能精准挖掘到大量此前被遗漏的潜在目标用户。
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