公众号广告转化率的预测方法、装置、设备及存储介质与流程

1.本发明涉及广告技术领域，尤其涉及一种公众号广告转化率的预测方法、装置、设备及存储介质。


背景技术：

2.公众号原生广告投放是一个新兴业务，是公众号号主探索出来的一个变现手段。虽然现有的广告投放预测技术有很多，但是基本上很少有适用于公众号原生广告投放领域的。
3.现有的公众号原生广告预测技术比较简单，主要是使用大数据技术来统计要投放公众号的历史数据，然后根据该公众号的历史表现信息，如历史平均文章点击率来预测未来的点击率，虽然这样预测出来的点击率比较准确，但是用户点击文章之后的预约转化率却无法进行预测或预测的准确率不高，还存在着一定的局限性；另外现有的预测技术无法在获得真实投放数据后对预测模型进行修正，模型的精确程度不高，也无法做到实时更新被监控的目标公众号的预测结果。
4.因此，现有技术还有待于改进和发展。


技术实现要素：

5.本发明的主要目的在于解决现有公众号广告转化率的预测方法预测准确率不高，无法满足用户需求的技术问题。
6.本发明第一方面提供了一种公众号广告转化率的预测方法，所述公众号广告转化率的预测方法包括：
7.构造基于神经网络的广告转化率预测模型；
8.收集历史投放广告公众号的统计数据；
9.从所述统计数据中提取出与广告转化率相关的特征数据；
10.以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练；
11.通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测。
12.在本发明第一方面一种可选择的实施方式中，所述统计数据包括：历史文章内容、粉丝数目、粉丝分布、粉丝年龄、平均每周发文数目、平均每周广告数目、平均文章点击率、平均文章点赞率和平均文章转发率。
13.在本发明第一方面一种可选择的实施方式中，所述收集历史投放广告公众号的统计数据之后，所述从所述统计数据中提取出与广告转化率相关的特征数据之前包括：
14.根据历史投放广告公众号中的历史文章内容，使用聚类算法对历史投放广告公众号进行分类。
15.在本发明第一方面一种可选择的实施方式中，所述从所述统计数据中提取出与广告转化率相关的特征数据包括：
16.使用主成分分析法和/或线性回归算法获取不同类别的历史投放广告公众号所对应的特征数据。
17.在本发明第一方面一种可选择的实施方式中，所述以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练包括：
18.将不同类别的历史投放广告公众号所对应的特征数据分别输入到多个所述广告转化率预测模型中，对多个所述广告转化率预测模型进行训练，得到多个适用于不同类别公众号的所述广告转化率预测模型。
19.在本发明第一方面一种可选择的实施方式中，所述通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测包括：
20.选定一批待投放广告公众号组成公众号池，并构建包括有多个适用于不同类别公众号的所述广告转化率预测模型的模型管理系统；
21.通过所述模型管理系统对所述公众号池中各个待投放广告公众号的广告转换率进行预测，并向用户展示各个待投放广告公众号对应的预测结果。
22.在本发明第一方面一种可选择的实施方式中，所述通过所述模型管理系统对所述公众号池中各个待投放广告公众号的广告转换率进行预测，并向用户展示各个待投放广告公众号对应的预测结果之后包括：
23.获取各个待投放广告公众号的实际广告转化率信息，通过所述实际广告转化率信息对所述模型管理系统中的各个所述广告转化率预测模型中的参数进行修正。
24.本发明第二方面提供了一种公众号广告转化率的预测装置，所述公众号广告转化率的预测装置包括：
25.构造模块，用于构造基于神经网络的广告转化率预测模型；
26.收集模块，用于收集历史投放广告公众号的统计数据；
27.提取模块，用于从所述统计数据中提取出与广告转化率相关的特征数据；
28.训练模块，用于以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练；
29.预测模块，用于通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测。
30.本发明第三方面提供了一种公众号广告转化率的预测设备，所述公众号广告转化率的预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
31.所述至少一个处理器调用所述存储器中的所述指令，以使得所述公众号广告转化率的预测设备执行如上述任一项所述的广告转化率预测方法。
32.本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的广告转化率预测方法。
33.有益效果：本发明提供了一种公众号广告转化率的预测方法、装置、设备及存储介质，其中，方法包括：构造基于神经网络的广告转化率预测模型；收集历史投放广告公众号的统计数据；从所述统计数据中提取出与广告转化率相关的特征数据；以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练；通过训练
好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测。本发明公众号广告转化率的预测方法采用了基于神经网络的广告转化率预测模型对公众号的转化率进行预测，并且在预测之前收集了历史投放广告公众号的数据对广告转化率预测模型进行了训练，提高了模型预测的精准度。
附图说明
34.图1为本发明一种公众号广告转化率的预测方法的一个实施例示意图；
35.图2为本发明一种模型管理系统的一个实施例示意图；
36.图3为本发明一种公众号广告转化率的预测装置的一个实施例示意图；
37.图4为本发明一种公众号广告转化率的预测设备的一个实施例示意图。
具体实施方式
38.本发明实施例提供了一种公众号广告转化率的预测方法、装置、设备及存储介质。
39.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
40.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明第一方面提供了一种公众号广告转化率的预测方法，所述公众号广告转化率的预测方法包括：
41.s100、构造基于神经网络的广告转化率预测模型；在本实施例中，本发明中的广告转化率预测模型包括但不限于fm模型、ffm模型或deepfm模型；
42.s200、收集历史投放广告公众号的统计数据；在本实施例中，所述统计数据包括：历史文章内容、粉丝数目、粉丝分布、粉丝年龄、平均每周发文数目、平均每周广告数目、平均文章点击率、平均文章点赞率和平均文章转发率。
43.s300、从所述统计数据中提取出与广告转化率相关的特征数据；在本实施例中，由于历史投放广告公众号的统计数据中并不是所有的数据都会与广告最终的转化率相关，因此需要对统计数据进行筛选和提取；
44.s400、以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练；在本实施例中，运用与广告转化率相关的特征数据对广告转化率预测模型进行训练，有助于提高广告转化率预测模型的准确率；
45.s500、通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测。
46.本发明适用于包括但不限于微信公众号原生广告的预测领域，本发明提出的基于神经网络对公众号广告转化率预测的方法，通过收集历史投放广告的公众号的特征数据：粉丝数目、粉丝分布、粉丝年龄、平均每周发文数目、平均每周广告数目、平均文章点击率、平均文章点赞率、平均文章转发率等关键数据，将这些关键数据作为神经网络模型的输入
参数进行训练，最终得出一个神经网络模型，并使用该模型对待投放广告的公众号的投放转化率进行预测，具有较高的预测准确率。
47.在本发明第一方面一种可选择的实施方式中，所述收集历史投放广告公众号的统计数据之后，所述从所述统计数据中提取出与广告转化率相关的特征数据之前包括：
48.根据历史投放广告公众号中的历史文章内容，使用聚类算法对历史投放广告公众号进行分类。
49.在本实施例中，本发明技术方案会将历史的广告投放信息存储在历史公众号数据库中，为了提高模型的准确度，需要将历史公众号通过分类器进行分类，因为同类公众号相似程度较高，然后将分类过后的公众号进行特征提取，排除冗余和异常的特征变量，最后将特征变量放入模型训练器进行训练得出预测模型，根据公众号历史文章的内容，使用聚类算法，对公众号进行分类、分类的原因在于不同类别的公众号影响转化率的因素是不同的。通过分类可以提高后续模型的准确性。
50.在本发明第一方面一种可选择的实施方式中，所述从所述统计数据中提取出与广告转化率相关的特征数据包括：
51.使用主成分分析法和/或线性回归算法获取不同类别的历史投放广告公众号所对应的特征数据。
52.在本实施例中，本发明会将分类过后的公众号数据使用主成分分析法(pca)和/或线性回归算法，提取统计数据中的特征因子，并清洗数据中重复和异常的部分，最后将清洗整理过后的数据输入神经网络模型进行训练，最终得到预测模型。
53.在本发明第一方面一种可选择的实施方式中，所述以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练包括：
54.将不同类别的历史投放广告公众号所对应的特征数据分别输入到多个所述广告转化率预测模型中，对多个所述广告转化率预测模型进行训练，得到多个适用于不同类别公众号的所述广告转化率预测模型。
55.在本发明第一方面一种可选择的实施方式中，所述对所述广告转化率预测模型进行训练之后，所述通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测之前包括：
56.选定一批待投放广告公众号组成公众号池，并构建包括有多个适用于不同类别公众号的所述广告转化率预测模型的模型管理系统；
57.通过所述模型管理系统对所述公众号池中各个待投放广告公众号的广告转换率进行预测，并向用户展示各个待投放广告公众号对应的预测结果。
58.在本实施例中，本发明的公众号广告转化率的预测方法还具有批量预估的功能，首先会选定一批待投放的公众号，组成一个公众号池。然后使用爬虫和大数据技术实时监控目标公众号的统计数据，之后进行聚类算法对公众号进行分类，然后使用主成分分析法和线性回归方法提取待预测公众号的特征数据，最后将特征数据输入到与公众号类型对应的训练好的预测模型中，得出预测结果。
59.在本发明第一方面一种可选择的实施方式中，所述通过所述模型管理系统对所述公众号池中各个待投放广告公众号的广告转换率进行预测，并向用户展示各个待投放广告公众号对应的预测结果之后包括：
60.获取各个待投放广告公众号的实际广告转化率信息，通过所述实际广告转化率信息对所述模型管理系统中的各个所述广告转化率预测模型中的参数进行修正。
61.在本实施例中，系统用户可以通过管理系统对现有模型和待投放公众号的预测结果进行管理，并将实际结果通过管理系统录入，并实时修正现有的预测模型。用户可以通过模型管理系统的ui界面查看现有的模型信息和带预测公众号的转化率信息，并通过输入实际投放的转化率信息，并将公众号特征数据和现有模型输入到模型修正模块，可以实现对现有模型的校正，并将最终结果更新到现有模型上，从而实现对现有模型的优化。
62.具体来说，参见图2，本发明模型管理系统主要分为四大部分，分别是模型训练、模型预测、模型修正和模型管理。首先将历史的广告投放信息存储在历史公众号数据库中，为了提高模型的准确度，需要将历史公众号通过分类器进行分类，同类公众号相似程度较高。然后将分类过后的公众号进行特征提取，排除冗余和异常的特征变量，最后将特征变量放入模型训练器进行训练得出预测模型。将待投放的公众号维护为一个公众号池，由公众号监控系统实时获取公众号的相关信息，并使用这些相关信息对待投放公众号进行分类，分类过后的公众号信息，经过特征提取步骤之后，使用上一步得到的模型进行动态预测。系统用户可以通过管理系统对现有模型和待投放公众号的预测结果进行管理，并将实际结果通过管理系统录入，并实时修正现有的预测模型。
63.本发明通过对公众号进行分类，生成用于特定分类的预测模型，更加准确。通过特征提取技术，能够获得最精简的最能影响转化率的特征因子。使用神经网络模型进行模型训练，可以最大限度利用获得的特征因子，提升转化率模型的准确性，使用爬虫和大数据技术对待预测模型进行实时监控和预测，简化运营人员的工作，更直观，独有的模型校正技术，不断的对模型进行优化。
64.参见图3，本发明第二方面提供了一种公众号广告转化率的预测装置，所述公众号广告转化率的预测装置包括：
65.构造模块10，用于构造基于神经网络的广告转化率预测模型；
66.收集模块20，用于收集历史投放广告公众号的统计数据；
67.提取模块30，用于从所述统计数据中提取出与广告转化率相关的特征数据；
68.训练模块40，用于以所述特征数据作为所述广告转化率预测模型的输入参数，对所述广告转化率预测模型进行训练；
69.预测模块50，用于通过训练好的所述广告转化率预测模型对待投放广告公众号的转化率进行预测。
70.在本发明第二方面一种可选择的实施方式中，所述统计数据包括：历史文章内容、粉丝数目、粉丝分布、粉丝年龄、平均每周发文数目、平均每周广告数目、平均文章点击率、平均文章点赞率和平均文章转发率。
71.在本发明第二方面一种可选择的实施方式中，所述公众号广告转化率的预测装置还包括：
72.分类模块，用于根据历史投放广告公众号中的历史文章内容，使用聚类算法对历史投放广告公众号进行分类。
73.在本发明第二方面一种可选择的实施方式中，所述提取模块30包括：
74.分析提取单元，使用主成分分析法和/或线性回归算法获取不同类别的历史投放
广告公众号所对应的特征数据。
75.在本发明第二方面一种可选择的实施方式中，所述训练模块40包括：
76.训练单元，用于将不同类别的历史投放广告公众号所对应的特征数据分别输入到多个所述广告转化率预测模型中，对多个所述广告转化率预测模型进行训练，得到多个适用于不同类别公众号的所述广告转化率预测模型。
77.在本发明第二方面一种可选择的实施方式中，所述预测模块50包括：
78.组建单元，用于选定一批待投放广告公众号组成公众号池，并构建包括有多个适用于不同类别公众号的所述广告转化率预测模型的模型管理系统；
79.预测单元，用于通过所述模型管理系统对所述公众号池中各个待投放广告公众号的广告转换率进行预测，并向用户展示各个待投放广告公众号对应的预测结果。
80.在本发明第二方面一种可选择的实施方式中，所述公众号广告转化率的预测装置还包括：
81.修正模块，用于获取各个待投放广告公众号的实际广告转化率信息，通过所述实际广告转化率信息对所述模型管理系统中的各个所述广告转化率预测模型中的参数进行修正。
82.图4是本发明实施例提供的一种公众号广告转化率的预测设备的结构示意图，该公众号广告转化率的预测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器60(central processing units，cpu)(例如，一个或一个以上处理器)和存储器70，一个或一个以上存储应用程序或数据的存储介质80(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对答题卡切分设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在公众号广告转化率的预测设备上执行存储介质中的一系列指令操作。
83.本发明公众号广告转化率的预测设备还可以包括一个或一个以上电源90，一个或一个以上有线或无线网络接口100，一个或一个以上输入输出接口110，和/或，一个或一个以上操作系统，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图4示出的公众号广告转化率的预测设备结构并不构成对公众号广告转化率的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
84.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述的广告转化率预测方法的步骤。
85.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
86.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
87.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。