自动化资源配置策略优化方法、装置和存储介质与流程

本申请涉及人工智能，特别涉及一种自动化资源配置策略优化方法、装置和存储介质。

背景技术：

1、在数字营销、计算资源调度等需要进行自动化策略优化的领域，策略效果通常由多个可配置参数（例如，出价、定向条件、展示时段、创意内容等）共同决定。这些参数的不同取值组合构成海量的策略空间。为了找到最优或接近最优的策略组合，传统上依赖于专家经验或简单的规则，其优化效果有限且难以适应动态变化的环境。

2、目前，实践中常采用a/b测试、多变量测试（multivariate testing，mvt）或网格搜索（grid search）等方法进行策略寻优。a/b测试一次通常只能测试少数变量，效率较低。mvt和网格搜索虽能同时测试多个参数，但在参数和取值较多时，所需的完整实验组合数量呈指数级增长，导致测试周期漫长、计算与真实投放资源消耗巨大，难以在实际业务中频繁、大规模地开展。此外，这些方法本质上是基于真实流量进行“试错”，在测试过程中可能消耗大量资源在效果明显不佳的策略上，造成资源浪费。

3、因此，现有技术存在的缺陷在于：在面临多参数、多水平的复杂策略优化问题时，缺乏一种能够在小规模实验次数内高效探索广阔策略空间，并能预先评估策略潜在效果，从而大幅减少对真实资源消耗的自动化优化方法。这导致优化过程效率低下、成本高昂，且难以实现实时或近实时的策略调优。

技术实现思路

1、本申请提供一种自动化资源配置策略优化方法、装置和存储介质，通过融合多时间粒度数据与异构模型集成，能更全面捕捉推广效果的时序规律与复杂关系，从而提升预测的准确性和鲁棒性，为投放决策提供多维信息。

2、一方面，本申请提供了一种自动化资源配置策略优化方法，所述方法包括：

3、步骤s1：接收优化目标，确定与所述优化目标关联的策略参数集合，并为所述策略参数集合中的每一参数定义其取值；

4、步骤s2：基于所述每一参数及其定义的取值，应用正交实验设计生成包含m个策略组合的正交实验表，其中m为远小于参数取值全排列总数的正整数，且所述m个组合在统计学上能均衡覆盖各参数及其交互作用的影响；

5、步骤s3：将所述m个策略组合输入至预先训练完成的、基于机器学习模型的预测模型中，输出每一组合对应的虚拟效果预测值；

6、步骤s4：基于所述虚拟效果预测值，通过决策树、集成学习模型、支持向量机、深度学习模型、强化学习模型或隐私计算技术，筛选出预测效果最优的前n个策略作为高潜力候选策略，所述n为小于所述m的正整数；

7、步骤s5：将所述高潜力候选策略创建为真实执行计划并进行投放监控。

8、另一方面，本申请提供了一种自动化资源配置策略优化装置，所述装置包括：

9、确定模块，用于接收优化目标，确定与所述优化目标关联的策略参数集合，并为所述策略参数集合中的每一参数定义其取值；

10、生成模块，用于基于所述每一参数及其定义的取值，应用正交实验设计生成包含m个策略组合的正交实验表，其中m为远小于参数取值全排列总数的正整数，且所述m个组合在统计学上能均衡覆盖各参数及其交互作用的影响；

11、预测模块，用于将所述m个策略组合输入至预先训练完成的、基于机器学习模型的预测模型中，输出每一组合对应的虚拟效果预测值；

12、筛选模块，用于基于所述虚拟效果预测值，通过决策树、集成学习模型、支持向量机、深度学习模型、强化学习模型或隐私计算技术，筛选出预测效果最优的前n个策略作为高潜力候选策略，所述n为小于所述m的正整数；

13、监控模块，用于将所述高潜力候选策略创建为真实执行计划并进行投放监控。

14、第三方面，本申请提供了一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述自动化资源配置策略优化方法的技术方案的步骤。

15、第四方面，本申请提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述自动化资源配置策略优化方法的技术方案的步骤。

16、从上述本申请提供的技术方案可知，一方面，通过应用正交实验设计生成策略组合，本申请的技术方案能够以远少于全排列组合的数量，在统计学意义上均衡地覆盖各参数及其交互作用的影响，这意味着，仅需对少量、精心设计的代表性策略组合进行评估，即可有效推断整个策略空间中各因素的影响趋势，从而极大地压缩了需要考察的策略数量，解决了海量组合带来的组合爆炸问题，为快速寻优奠定了基础；另一方面，通过引入基于机器学习模型的预测模型对生成的策略组合进行虚拟效果预测，本申请的技术方案能够在实施真实投放前，预先、并行地对大量策略组合的潜在效果进行估算，这替代了传统上通过真实a/b测试或线上灰度发布才能获得反馈的方式，避免了将真实流量和预算浪费在效果可能不佳的策略上，实现了低成本、近乎零风险的策略预筛选；第三方面，本申请的技术方案将高效的空间采样（即正交实验设计）、智能的虚拟评估（即机器学习预测）与自动化的策略筛选与执行相结合，形成了一个连贯的自动化流程，能够根据优化目标自动生成候选策略、智能预测其效果、筛选出最优子集并执行，整个过程中人工干预极少，这不仅减少了对专业经验的依赖，而且使得策略优化能够快速、自动地适应不断变化的环境和目标，提升了整体优化过程的智能化水平和响应速度。综上，本申请的技术方案通过正交实验设计大幅减少需评估的策略组合数量，并利用机器学习模型进行虚拟效果预测，从而以极低成本快速筛选出高潜力策略。

1.一种自动化资源配置策略优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述自动化资源配置策略优化方法，其特征在于，所述确定与所述优化目标关联的策略参数集合，包括：

3.根据权利要求2所述自动化资源配置策略优化方法，其特征在于，所述从所述k个核心参数中筛选出在预设时间段内可调整操作的参数，包括：

4.根据权利要求1所述自动化资源配置策略优化方法，其特征在于，所述基于所述虚拟效果预测值，通过决策树、集成学习模型、支持向量机、深度学习模型、强化学习模型或隐私计算技术，筛选出预测效果最优的前n个策略作为高潜力候选策略，包括：

5.根据权利要求1所述自动化资源配置策略优化方法，其特征在于，当优化目标为多个时，所述筛选出预测效果最优的前n个策略作为高潜力候选策略，包括：

6.根据权利要求1、4或5所述自动化资源配置策略优化方法，其特征在于，在步骤s4之后，还包括如下策略微调流程：

7.根据权利要求1所述自动化资源配置策略优化方法，其特征在于，所述进行投放监控包括如下基于实时反馈进行出价校准过程：

8.一种自动化资源配置策略优化装置，其特征在于，所述装置包括：

9.一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述方法的步骤。

10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。