推广资源配置方法、系统、装置和存储介质与流程

1.本技术涉及人工智能技术，尤其是一种推广资源配置方法、系统、装置和存储介质。


背景技术：

2.在现代的推广消息投放系统中，推广用户在推广消息投放系统投放推广一般采用预付费方式，推广用户通过设置一定的投放条件，例如设置投放人群的特征、出价等等，推广消息投放系统基于推广用户设置的条件进行运算，并基于运算的结果调整推广用户的推广消息投放位置、出现时间等参数，从而提升推广消息投放系统的利润和推广用户的投放效果。
3.然而由于种种原因，例如客户设定的出价过低，投放人群的特征有问题等，导致推广用户的投放效果不佳，这些推广用户逐渐流失或者消费放缓。在海量的推广用户中有很多具有消费潜力的客户，需要通过一定的手段将这些消费高潜力的推广用户(下称高潜用户)进行挖掘，从而实现有针对性的营销或者进行资源倾斜，帮助推广用户改善投放策略并促进推广用户进行消费。
4.在相关技术中，通常采用rfm(即最近一次消费recency，推广消息投放频率frequency，推广消息投放的消耗资源量monetary的缩写)模型来衡量客户的潜在价值，但是rfm模型在推广用户潜力的预测中表现不佳，其原因是推广消息投放属于先充值后消费的类型，消费属于滞后信息，该模型容易导致错误地过滤掉大量充值但是没有消费的推广用户，并且传统的rfm模型仅有三个维度的数据，缺乏对推广用户深层信息的挖掘，导致模型在推广用户消费潜力预测任务上的召回率均不佳。由于高潜推广用户的筛选结果不准确，导致推广消息投放系统错误地分配资源，导致运营成本增加。


技术实现要素：

5.为解决上述技术问题的至少之一，本技术提供了一种推广资源配置方法、系统、装置和存储介质，以优化推广消息投放系统的资源分配。
6.根据本技术的一方面，提供了一种推广资源配置方法，包括以下步骤：
7.获取多个推广账号的第一数据组和第二数据组，所述第一数据组包括所述推广账号最近一次推广消息投放的记录、所述推广账号在预设时间内的推广消息投放频率、所述推广账号在所述预设时间内的推广消息投放的消耗资源量、所述推广账号的资源转移记录和所述推广账号的资源余量，所述第二数据组包括多种用于描述所述推广账号的推广消息投放行为的数据；
8.将各所述推广账号的第一数据组输入至第一模型，分别得到各所述推广账号的第一预测结果，所述第一模型用于预测所述推广账号的推广消息投放能力；
9.将各所述推广账号的第二数据组输入至第二模型，得到第二预测结果，所述第二模型用于预测所述推广账号是目标账号的概率；
10.根据各所述推广账号的所述第一预测结果和所述第二预测结果确定多个目标账号；
11.提高多个所述目标账号投放的推广消息在推广消息投放序列中的排名，其中，所述推广消息投放序列包括按照顺序排列的多个推广消息，并且推广消息投放系统按照所述顺序向目标终端投放推广消息。根据本技术的另一方面，提供了一种推广资源配置系统，包括：
12.获取单元，用于获取多个推广账号的第一数据组和第二数据组，所述第一数据组包括所述推广账号最近一次推广消息投放的记录、所述推广账号在预设时间内的推广消息投放频率、所述推广账号在所述预设时间内的推广消息投放的消耗资源量、所述推广账号的资源转移记录和所述推广账号的资源余量，所述第二数据组包括多种用于描述所述推广账号的推广消息投放行为的数据；
13.第一预测单元，用于将各所述推广账号的第一数据组输入至第一模型，分别得到各所述推广账号的第一预测结果，所述第一模型用于预测所述推广账号的推广消息投放能力；
14.第二预测单元，用于将各所述推广账号的第二数据组输入至第二模型，得到第二预测结果，所述第二模型用于预测所述推广账号是目标账号的概率；
15.目标账号确定单元，用于根据各所述推广账号的所述第一预测结果和所述第二预测结果确定多个目标账号；
16.资源配置单元，用于提高多个所述目标账号投放的推广消息在推广消息投放序列中的排名，其中，所述推广消息投放序列包括按照顺序排列的多个推广消息，并且推广消息投放系统按照所述顺序向目标终端投放推广消息。
17.根据本技术的另一方面，提供了一种推广资源配置装置，包括：
18.程序；
19.存储器，用于存储所述程序；
20.处理器，用于加载所述程序以执行所述的推广资源配置方法。
21.根据本技术的另一方面，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中存储有程序，所述程序被处理器执行时实现所述的推广资源配置方法。
22.本技术实施例的有益效果是，通过第一数据组来预测推广账号的推广消息投放能力，相对于传统的rfm模型增加资源转移记录和余额两个维度，更适应于推广消息投放这一先充值后消费的应用场景，增加了预测结果在该应用场景下的精确率和召回率，同时，通过第二模型对推广账号进行二分类预测，用以弥补第一模型在精确率上的欠缺，因此，根据第一预测结果和第二预测结果来确定目标账号，使得预测的结果更加准确，再通过提高所述目标账号投放的推广消息的在推广消息投放序列中的排名，可以将更多或者更优的资源自动分配到具有消费潜力的推广账号上，这样可以优化系统的资源配置，节省运营成本。
附图说明
23.图1为根据本技术实施例提供的一种推广资源配置方法的流程图；
24.图2为根据本技术实施例提供的一种应用推广资源配置方法的推广消息投放系统的框图；
25.图3为根据本技术实施例提供的推广消息投放系统的一种工作原理示意图；
26.图4为根据本技术实施例提供的推广消息投放系统的另一种工作原理示意图；
27.图5为根据本技术实施例提供的一种rfmrb模型的结构示意图；
28.图6为根据本技术实施例提供的一种gbdt模型的结构示意图；
29.图7为根据本发明实施例提供的一种rfmrb模型和gbdt模型的联合模型示意图；
30.图8为根据本发明实施例提供的一种推广消息排序的示意图；
31.图9为根据本发明实施例提供的一种媒体端界面的示意图；
32.图10为根据本发明实施例提供的一种媒体端的推广消息展示位的广告排序示意图；
33.图11为根据本发明实施例提供的步骤140的子步骤流程图；
34.图12为根据本发明实施例提供的第二模型的训练方法流程图；
35.图13为根据本发明实施例提供的第二数据组的数据类型的获取方法的流程图；
36.图14为根据本发明实施例提供的另一种推广资源配置方法的流程图；
37.图15为根据本发明实施例提供的推广用户分类情况示意图；
38.图16为根据本发明实施例提供的一种推广资源配置系统的模块框图；
39.图17为根据本发明实施例提供的一种服务器的模块框图；
40.图18为根据本发明实施例提供的一种终端的模块框图。
具体实施方式
41.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
42.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
43.对本技术实施例进行进一步详细说明之前，对本技术实施例中涉及的名词和术语进行说明，本技术实施例中涉及的名词和术语适用于如下的解释。
44.gbdt：(gradient boosting decision tree)梯度提升迭代决策树，它主要的思想是，每一次建立单个分类器时，是在之前建立的模型的损失函数的梯度下降方向。gbdt通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，最终的总分类器将每轮训练得到的弱分类器加权求和。
45.消耗：推广用户投放推广消息花费的金额。
46.arpu：(average revenue per user)每个用户平均收入。
47.rfm(recency，frequency，monetary)模型是衡量客户价值和客户创利能力的重要工具和手段，该模型通过最近一次消费(recency)，推广消息投放频率(frequency)，推广消息投放的消耗资源量(monetary)三个指标来衡量客户价值。rfm模型是常见的经济预测模型，该模型一般采取在上述三个维度对应用进行打分后进行加权得到客户的总分。
48.rfmrb(recency，frequency，monetary，recharge，balance)模型，本方案提出的在推广消息投放领域的新模型，其基于rfm模型针对推广消息投放领域的先付费后消费模式
进行了改进，新增了，充值(recharge)以及余额(balance)两个衡量客户的潜在推广消息投放能力的维度。该模型考虑到推广用户的充值情况和余额情况，可以使得充值多和余额多的推广用户客户不会被因为近期没有消费被模型打低分。
49.相关系数：在本技术中主要是指用于描述特征和结果之间的相关程度的参数。一般情况下，如果某个特征的改变会使得结果发生比较大的变化，说明这个特征与结果之间的相关程度比较大。比如在线性方程z＝10000x y，在该例子中显然特征x的变化对结果z的影响比较大，而特征y对结果z的影响比较小，通过分析不同的特征参数和结果之间的相关程度，可以帮助模型削减特征数量。
50.召回率(recall ratio)：在机器学习领域的召回率由以下公式计算tp/(tp fn)，其中，tp是指原来为正类且被模型预测成正类的样本数量；fn是指原来是正类且被模型预测成负类的样本数量。
51.精确率(precision)：在机器学习领域的精确率由以下公式计算tp/(tp fp)，其中，tp是指原来为正类且被模型预测成正类的样本数量；fp是指原来是负类且被模型预测成正类的样本数量。召回率和准确率都可以用于描述模型的精度。
52.ocpx是一种竞价投放模式，一般选择该类型投放模式的推广用户以转化成本为优化目的。决定一个推广消息是否能够得到曝光的关键公式为：ocpm＝bid*pctr*pcvr*β，ocpm越高获得曝光的概率越大，因此影响推广消息竞争力的可能性有两个，出价bid和投放系统预估值，即出价越高或者系统预估转化率越高，则ocpm值越大，从而推广消息获得曝光的可能性更大。
53.ctr(click through rate，点击通过率)：指在线推广消息的点击到达率，即该推广消息的实际点击次数除以推广消息的展现量。它是衡量互联网推广消息投放效果的一项重要指标。
54.bid(出价)：推广用户在投放时，期望以一定的花费获取单个转化，其中一定的出价定义为bid。
55.pctr(predict click through rate,预估点击率)：是推广消息在某个情形下被投放后，在线推广消息投放系统预估其被点击的概率，排序模型的重要组成部分，在多级排序模型下代表精选排序中的点击率模型，模型复杂度高。
56.cvr(conversion rate，转化率)：也是衡量推广消息的投放效果的指标，是指用户点击推广消息到成为一个有效激活、注册或者付费用户的转化比例，即该推广消息的实际转化次数除以推广消息的点击量。
57.pcvr(predict conversion rate,预估转化率)：是推广消息在某个情形下被点击后，在线推广消息投放系统预估其发生转化的概率，排序模型的重要组成部分，在多级排序模型下代表精选排序中的转化率模型，模型复杂度高。
58.β是调价因子，在本技术中也称作权重，在本技术中调阶因子主要用于干预推广用户在竞价排名系统中的排名。
59.孵化成功：是指在经过一定的手段运营后，推广用户在一段时间内任意连续n天的平均消费大于m。例如，可以指任意连续7天平均每天消耗大于5000元。
60.推广消息：是指用于向受众展示关于产品、服务的内容，或者具有促进受众消费或者进行某种行为的信息。例如，推广消息可以是商业广告、公益广告、号召受众参与特定活
动或者实施相关政策的信息。
61.资源：可以理解为现实世界或者虚拟世界中的生产资料或者一般等价物等，例如，货币是现实世界中的资源，推广消息投放系统中的充值余额或者虚拟币，可以理解为在虚拟世界中的资源。而利用现实世界中的货币向推广消息投放系统进行充值以换取虚拟世界中的资源的行为，属于一种资源转移行为。除此之外，通过完成特定任务或者进行抽奖获得虚拟资源的行为也是一种资源转移行为。因此，本技术的资源转移可以被理解为获得虚拟资源这一过程。资源余量可以理解为推广消息投放系统中的余额，即虚拟币的余额。
62.区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
63.区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
64.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
65.本方案主要涉及机器学习/深度学习模型在推广消息投放领域中的应用，在相关技术中，主要采用rfm模型来分析推广用户的消费潜力，但是在推广消息投放系统中往往采用先充值后消费的模式，消费属于滞后信息，该模型容易导致错误地过滤掉大量充值但是
没有消费的推广用户，并且传统的rfm模型仅有三个维度的数据，缺乏对推广用户深层信息的挖掘，导致模型在推广用户消费潜力预测任务上的精确率和召回率均不佳。由于高潜推广用户的筛选结果不准确，导致推广消息投放系统错误地分配资源，将优质的推广消息展示位分配给没有消费潜力的推广用户，使得推广消息展示位被浪费。此外，对于高潜推广用户，通过一定的运营手段是可以将其转化的，如果在高潜推广用户的筛选中发生错误，系统可能会调度运营人员跟进客户，但是这样的客户孵化成功率比较低，实质上是系统的资源分配错误，导致运营成本剧增，推广消息投放系统效益下降。
66.基于上述情况，本方案提出一种推广资源配置方法，通过推广账号最近一次推广消息投放的记录、推广账号在预设时间内的推广消息投放频率、推广账号在预设时间内的推广消息投放的消耗资源量、推广账号的资源转移记录和推广账号的资源余量，五个维度对推广账号的推广消息投放能力进行预测，并且利用多种用于描述所述推广账号的推广消息投放行为的数据来对推广账号是否为目标账号进行预测，并结合两个预测的结果来筛选出多个目标账号，并对其在推广消息排序中的排名进行提升，以将优势资源分配给这些客户，促进其消费。这样可以优化推广消息投放系统的资源配置，提升推广消息投放系统的利润。
67.参照图1，本实施例公开了一种推广资源配置方法，该方法可以应用如图2所示的推广消息投放系统之中，在该系统中，包括推广消息投放系统的服务器210、推广用户的终端220、推广消息投放系统的运营人员的终端230以及媒体端240。需要理解的是，终端可以是诸如手机、平板电脑或者个人计算机等设备。服务器，可以是独立存在的物理服务器，或者是分布式服务器。其中，终端220主要用于向服务器210发送广告投放需求，服务器210通过计算后，将这些需求发给接入服务器210的媒体端240，需要理解的是，这些媒体端240可以是指广告媒体，例如购物软件，社交软件，工具软件等等可以放置推广消息展示位的媒体，其通常通过硬件载体，例如手机、电脑或者户外广告牌等方式呈现。媒体端240也可以是只具有互联网广告功能的设备本身。广告的受众250是指通过浏览设备的屏幕从而看到投放在媒体端240中的广告的人群。当广告的受众250点击浏览或者进行诸如注册、下载软件等操作后，服务器210对广告进行计费，这部分费用会从推广用户的充值余额中扣除，成为消耗。当服务器210判定某部分推广用户需要运营团队进行人工孵化时，可以将推广用户的相关信息推送到运营人员的终端230中，调度运营人员进行跟进。
68.参照图3，在服务器210中，会根据推广用户设定的投放范围进行预估，例如，在本实施例中，有n个推广用户针对20～30岁的男性进行投放，这n个推广用户均对一个受众行为进行出价bid。推广消息投放系统的服务器210首先会进行库存预估，分析在某个时段内大致会存在多少个20～30岁的男性会活跃在推广消息投放系统所接入的媒体中。而这一预估行为则是根据用户的浏览、操作痕迹以及用户标签或者用户信息来确定的。例如，在某个视频软件上，每天大约会有100万个标签为“20～30岁的男性”，在该视频软件上活跃。则意味着该媒体一天库存量为100万，在广告领域，将广告在受众的曝光称为“库存”，预估受众数量的行为称为库存预估。当然，根据ocpx竞价广告模式，决定一个广告是否能够得到曝光的关键公式为：ocpm＝bid*pctr*pcvr*β，在该场景下，ocpm受到客户出价、预估转化率、预估点击率和权重β的影响。因此，在不调节各推广用户的权重β时，需要预估转化率和点击率，而点击率和转化率则可以根据受众的其他标签和推广用户的推广用户题来进行分析。
参照图4，在上面的例子中，其中包括编号为1～m的受众，每个受众都具若干个标签，在图4的例子中，示出的推广用户投放的推广消息分别是二次元、洋酒和电影，而第一个用户的标签正好命中二次元，两者匹配程度一般比较高，模型会计算得到一个比较高的预估点击率和预估转化率。接着，二次元这一标签与电影也比较相关，因此在电影这一广告主题中，该受众的预估点击率和预估转化率也会比较高。但是如果在推广用户权重相同的情况下，除了考虑预估点击率和预估转化率以外，还要考虑推广用户的出价，例如，在图4的例子中，假设推广用户1对应编号为1的受众的预估转化率和预估点击率的乘积是0.8，推广用户1出价是1.5，假设推广用户n对应编号为1的受众的预估转化率和预估点击率的乘积是0.7，推广用户n的出价是2，如果在推广消息展示位(例如广告位)有且仅有一个的情况下，推广用户n的ocpm值更大，因此编号为1的受众的曝光会被销售给推广用户n，即这个广告会向该受众展示。当然，上述仅仅是一种通俗的举例，实际上系统会根据更加复杂的条件向不同的受众推送着不同的广告，使得更多的受众点击或者完成任务，广告投放平台通过这样的方式提升推广用户将余额转换为消费的速度，获得更加大的利润。
69.参照图1，在本实施例所公开的推广资源配置方法，可以应用在图2所示的服务器210中，该方法包括步骤110～步骤150。
70.步骤110、获取多个推广账号的第一数据组和第二数据组，第一数据组包括所述推广账号最近一次推广消息投放的记录(recency)、推广账号在预设时间内的推广消息投放频率(frequency)、推广账号在所述预设时间内的推广消息投放的消耗资源量(monetary)、推广账号的资源转移记录(recharge)和推广账号的资源余量(balance)，第二数据组包括多种用于描述推广账号的推广消息投放行为的数据。
71.其中，对于第二数据组而言，可以区分新客户和旧客户(存量客户)，采取不同的输入参数进行预测。例如，针对新客而言，第二数据组中的数据可以包括：行业，近30天arpu，首次消耗金额，首次充值金额，近30天总消耗，近30天总充值，余额和历史总消耗。对于存量客户而言，第二数据组可以包括：行业，近一年总消耗，近一年arpu，近30天充值金额，近30天arpu，近30天总消耗，近30-60天消耗和余额。其中，消耗是指推广账号在投放平台中消费的金额。
72.当然第二数据组的数据类型和数据的数量可以根据模型的结构来决定。上述选择的参数类型是基于现存的训练样本，分析上述参数类型与训练训练的标签之间的相关程度来选择的。在本实施例中，可以用一个向量来表示第一数据组或者第二数据组，例如，当a＝最近一次推广消息投放的记录(recency)，b＝推广消息投放频率(frequency)，c＝推广消息投放的消耗资源量(monetary)，d＝资源转移记录(recharge)，e＝余额(balance)，则第一数据组可以表示为x1＝(a，b，c，d，e)，第二数据组可以表示为x2＝(n1、n2、
……
、n8)。需要理解的是，上述数据的获取可以通过访问本地存储介质(如内存、硬盘等)，或者通过访问远程部署的数据库，或者基于用户在交互界面中输入的数据和文件(如excel)等。
73.步骤120、将各推广账号的第一数据组输入至第一模型，分别得到各推广账号的第一预测结果，第一模型用于预测推广账号的推广消息投放能力。
74.在本实施例中，第一模型可以采用rfmrb模型，该模型如图5所示，rfmrb模型由5个子函数所构成，这5个子函数分别是：用于对推广账号的最近一次推广消息投放的记录进行打分的f
recency
(a)函数，用于对推广账号的推广消息投放频率进行打分的f
frequency
(b)函数，
用于对推广账号的推广消息投放的消耗资源量进行打分的f
monetary
(c)函数，用于对推广账号的资源转移记录进行打分的f
recharge
(d)函数，用于对推广账号的资源余量进行打分的f
balance
(e)函数。需要理解的是，对于a，b，c，d和e这样的参数而言，其本身也可以是一种向量、矩阵或者张量这样的数据形式。以资源转移记录为例，可以以d＝(充值频率，充值总额，单次充值金额)这样的向量表示。需要理解的是，上述五个子函数可以是线性函数，例如一次函数，二次函数等。在本实施例中，近30天内客户最近一次消耗距离最新日期的时间，随时间变短，分数从10到1，近30天客户总消耗金额，随金额变小，分数从10到1，近30天客户消耗次数，随频率变低，分数从10到1，客户总充值，随金额变小，分数从10到1，客户余额，随金额变小，分数从10到1。在本实施例中，用于对参数进行打分的各子函数的参数可以通过训练样本进行拟合。五个子函数分别对各项输入进行计算，输出1～10分作为结果，然后将五个子函数的总分进行相加，得到最终的函数输出，即f
rfmrb
(x1)，其中f
rfmrb
(x1)用于表示推广账号的推广消息投放能力，此处的推广消息投放能力可以表示用户未来的推广消息投放能力。
75.步骤130、将各推广账号的第二数据组输入至第二模型，得到第二预测结果，第二模型用于预测推广账号是目标账号的概率。
76.需要理解的是，上述第二模型可以是一个二分类模型，其具体的模型结构可以是决策树模型、神经网络模型等等，一般的模型经过大量的训练样本和标注数据的训练后，可以完成二分类任务，需要理解的是，通过二分类模型对多个输入数据进行特征提取并进行分类，相对于传统的rfm模型，二分类模型可以抽取输入数据的隐含特征，因此在预测上具有更好的精确度。本实施例中选择的模型是梯度提升迭代决策树模型即gbdt模型。从图6中可以看出，在本实施例中，gbdt模型由多个分类器(也称作弱分类器)进行加权得到，在gbdt模型的学习过程中，每一轮训练所创建的弱分类器会基于上一轮弱分类器的残差进行进一步的训练，直到训练的达到最大的训练次数或者最后一个弱分类器达到特定的条件为止。
77.可以理解的是，目标账号可以是指具有消费潜力的账号，其中具有消费潜力是指在未来一定的时间内会被孵化成功，或者目标账号可以是属于第二模型的正例的账号。其中，正例是指，与第二模型的训练样本中的正样本具有相同的属性的例子。例如，在本实施例中，正例与训练样本中的正样本所具有的相同的属性，即为在预设的时间内会被孵化成功。可以理解的是，第二模型经过训练以后，已经学习到训练样本中的隐含特征(属性)，这些隐含特征是不可见的，而在训练开始之间，会将输入数据标注为正例(属于目标账号)或者负例(不属于目标账号)，模型在学习以后，可以基于新的输入数据进行预测，从而判断数据对应的账号是否目标账号。同理，目标账号也可以理解为该账号的第二数据组具有某些显性或者隐性的特征的账号，例如某些参数的值大于一定阈值，或者多个参数的运算结果大于一定的阈值。
78.而本实施例选择gbdt模型的原因在于经过对推广消息投放数据进行大量后分析发现，对于推广用户是否具有推广消息投放能力这一任务上，数据和结果之间大多是非常线性关系，因此采用树状模型相对于神经网络模型精确率更好。
79.步骤140、根据各推广账号的第一预测结果和第二预测结果确定多个目标账号。
80.参照图7，从图7中可以看出，第一数据组x1经过第一模型后得到第一预测结果f
rfmrb
(x1)，第二数据组x2经过第二模型后得到第二预测结果f
gbdt
(x2)，然后以1：σ的比例对frfmrb
(x1)和f
gbdt
(x2)进行加权，通常为了提高f
gbdt
(x2)的影响力，会将σ设置成一个大于1的数值，这样可以利用gbdt模型精确率高的特点，整体提高模型的精确率，使得两个模型相互补充的可以提高精确率和召回率。通过对第一预测结果和第二预测结果的处理后，可以得到推广账号的预测评分f
score
(x)。接着可以根据多个推广账号的预测评分来对这些推广账号进行排序。例如，如图8所示，根据多个推广账号的预测评分的大小进行降序排列，然后选择前若干个或者前若干比例的推广账号作为目标账号，这些目标账号的持有者就是本技术中所描述的高潜客户，为这些目标账号提供资源上的倾斜，或者通过运营人员进行孵化，可以提升这些客户的孵化率，使其成为消费稳定的推广用户。
81.步骤150、提高多个所述目标账号投放的推广消息在推广消息投放序列中的排名，其中，所述推广消息投放序列包括按照顺序排列的多个推广消息，并且推广消息投放系统按照所述顺序向目标终端投放推广消息。
82.需要理解的是本实施例为了向目标推广用户倾斜资源，通过调整目标账号在广告投放排序中的排名来提高推广用户的曝光量，以促进推广用户更加积极地进行策略调整，增加投放力度。因此，本实施例中所指的目标终端是指图2中的媒体端240。其中，如前面的竞价广告场景中，在广告投放排序过程中会对各个广告主投放的推广消息根据ocpm进行排序得到由多个广告按照从大到小的顺序排列成的广告投放序列，并且从广告投放序列中选取排名在前的广告投放到广告流量侧对用户进行曝光，因此，推广用户的广告的曝光率与ocpm＝bid*pctr*pcvr*β有关系，当ocpm较低的时候，推广用户的广告难以与其他推广用户的广告竞争，因此，可以通过调整该目标账号投放的推广消息的权重β的方式，使得该目标账号投放的推广消息的ocpm提升，从而排名提升获得曝光。
83.参照图9，在上述例子中，示出了一种媒体端的界面900，在界面900中可以看到推广消息展示位910和推广消息展示位920，这两个推广消息展示位均是由广告投放平台数据驱动的推广消息展示位。其中，推广消息展示位910是一个banner(横幅)广告，在推广消息展示位910中，循环播放多个广告。需要理解的是，推广消息展示位910的驱动数据，是由广告投放平台所提供的，正如图9中的区域930所示，能够在媒体端被展示的广告只有排序前n个广告，这些内容是根据广告的ocpm值排序得到的。当推广消息投放系统不调整推广用户的权重系数β的时候。广告的排序由出价、预估点击率和预估转化率的乘积决定，在初始状态下，m个广告的排序区域930所示。当系统识别到高潜推广用户后，可以提高该高潜推广用户的广告n 1的权重β，例如从1调整为1.5，调整的结果如图10所示，经过调整后，广告n 1的ocpm值提升为0.75，大于广告n的ocpm值0.7，因此排序发生变化，广告n 1将广告n在竞价排名成功的名单中挤出，促使了广告n 1的曝光。
84.当然，为了促进这些目标账号的广告曝光，也可以在指定的推广消息展示位和指定时间内提升这些目标账号的排名，例如，固定某个推广用户的广告排名为第一。或者固定为这些目标账号的广告提升若干名。这些手段都可以临时提升推广用户的消耗，从而激活这些具有潜力的推广账号。
85.从上述实施例可知，通过改善高潜推广账号的预测模型的结构，可以提升模型的预测精确度和召回率，并基于上述模型的预测结果对广告资源进行调整，可以减少优质资源被配置到错误的对象上，避免有限资源的浪费。可以推知，以上实施例可以降低优化运营成本，促进高潜推广用户进行消费。
86.此外，通过向目标账号投放的推广消息倾斜资源，可以改善目标账号的投放效果，从而促进推广用户增加投放，这样可以获得更多消费者对推广消息的反馈，这些数据的增加有利于优化推广消息投放系统的预测模型，使得推广消息投放系统的点击率预测和转化率预测更加准确，进而使得推广消息投放过程更加稳定可控。
87.参照图11，本实施例公开了一种推广资源配置方法，在本实施例中，步骤140、根据各推广账号的第一预测结果和第二预测结果确定多个目标账号，具体包括：
88.步骤1110、对各推广账号的第一预测结果和第二预测结果进行加权，得到各推广账号的预测评分。
89.本步骤如图7的模型结果所示，可以对第一预测结果和第二预测结果进行一个1：σ的加权，从而调整gbdt模型输出结果对整个模型的影响力，需要理解的是由于第一预测结果是多个子函数的累加，而每个子函数输出是0～10分，因此总分高达50，而第二预测结果则是由分类模型输出，其输出的结果是0～1，因此，一般情况下，为了尽可能发挥gbdt模型的作用，会将σ调成一个较大的数值，例如10、30等等。得到每个推广账号的预测分数以后，可以从中选择出一定数量、一定比例或者满足一定条件的推广账号作为本次筛选的目标账号。
90.在确定多个目标账号的步骤中，可以是步骤1121、步骤1122或者步骤1123：
91.步骤1121、选择预测评分高于设定阈值的多个推广账号作为目标账号。
92.选择执行步骤1121是基于条件进行选择，即选择预测评分达到一定程度的推广账号作为目标账号，例如，可以要求目标账号的预测评分大于40分。预测分数越高，越能说明这个推广账号是系统需要寻找的目标账号。
93.步骤1122、根据各推广账号的预测评分进行降序排列，并选择排名前若干比例的或者前若干个推广账号作为目标账号。
94.选择执行步骤1122是基于排序选择目标账号，其并不要求推广账号的预测评分有多高，只要求取出最高的一批，并为其进行资源调整。该实施例主要适用于可调配资源数量有限的情况下。在这些实施例中，可以选择排名前30的推广账号作为目标账号，也可以选择排名前30％的作为目标账号。
95.步骤1123、根据各推广账号的预测评分进行升序排列，并选择排名后若干比例的或者后若干个推广账号作为目标账号。与步骤1122类似，本步骤是进行升序排列，因此选择选择排序中最后的推广账号作为目标账号。需要理解的是，当可配置的推广资源有限的时候，例如运营人员、可以调配的推广消息展示位有限的时候，可以采用这两种方式来集中孵化一定数量的目标账号。
96.参照图12，本实施例公开了一种第二模型的获得方法，在本实施例中，第二模型是梯度提升迭代决策树模型，模型结构如图6所示，当然图6中仅示出三个弱分类器，在实际应用中弱分类器的数量可以更多或更少，所述梯度提升迭代决策树模型通过以下方式得到：
97.步骤1210、获取训练样本集，以及所述训练样本集中各训练样本对应的第一标签；
98.步骤1220、根据训练样本集中的训练样本和各所述训练样本对应的第一标签，对多个分类器进行训练，其中，第n个分类器基于所述第n-1个分类器的残差进行训练，n为大于2的正整数；
99.步骤1230、将经过训练的多个分类器进行加权得到所述梯度提升迭代决策树模
型。
100.上述实施例中，每一轮学习可以创建一个弱分类器，然后每个弱分类器在学习时可以基于上一轮训练的残差进行。以下是对本实施例的训练过程进行更加详细的说明：
101.输入：训练集t＝{(x1,y1),(x2,y2),
…
,(xn,yn)},损失函数为l(y,f(x))＝ln(1 exp-2yfx,y＝0,1，在本实施例中，xn为训练样本，yn表示训练样本对应的标签。目标是输出：分类树f
gbdt
(x)。
102.其中，在初始化阶段进行第一个弱分类器的训练得到f0(x)：
[0103][0104]
对m＝1,2,
…
,m(m表示迭代次数，即弱分类器个数)，对样本i＝1,2,
…
,n，计算伪残差。
[0105][0106]
对概率残差{(x1,r
m1
),(x2,r
m2
),
…
,(xn,r
mn
)}拟合一个分类树，得到第m棵树的叶节点区域r
mj
，j＝1,2,
…
,j。
[0107]
对j＝1,2,
…
,j i＝1,2,
…
,n计算：
[0108][0109]
得到最终分类树：
[0110][0111]
在训练过程中主要通过以下两个参数调整训练进程，这两个参数将会影响训练出来的模型的效果，其中这两个参数分别是：n_estimators：弱分类器最大迭代次数。learning_rate：每个弱分类器的权重缩减系数(步长)。本实施例经过尝试多种参数组合，挑选在测试集表现最优的参数组合。新客：n_estimators＝20,learning_rate＝0.3。存量客户：n_estimators＝30,learning_rate＝0.4。
[0112]
在一些实施例中，需要理解的是如图7所示的模型是训练得到的，而在构建模型的时候，为了降低模型的复杂度，压缩模型的存储体积和减少每次执行时的运算量，可以从多种特征中选择与预测结果之间比较相关的特征作为模型的输入特征。
[0113]
参照图13，在本实施例中，第二数据组中的数据类型从第三数据组的数据类型中进行选择，其中，在从第三数据组的数据类型中选择第二数据组的数据类型时，包括以下步骤：
[0114]
步骤1310、获取多个第三数据组和各第三数据组对应的第二标签。
[0115]
步骤1320、根据各第三数据组和各所述第三数据组对应的第二标签确定第三数据组中各数据类型与第二标签之间的相关系数。
[0116]
步骤1330、选择相关系数满足预设条件的多个数据类型作为第二数据组中的数据类型。
[0117]
在本实施例中，对于新客户可以选择的原始特征一共有19个，分别是：行业，投放售卖类型种类数，投放流量种类数，近30天充值天数，近30天消耗天数，近30天arpu，近30天
竞价消耗占比，近30天合约消耗占比，近30天招商消耗占比，近30天新闻视频流量消耗占比，近30天信息流qq流量消耗占比，近30天联盟流量消耗占比，近30天微信流量消耗占比，首次消耗金额，首次充值金额，近30天总消耗，近30天总充值，余额和历史总消耗。
[0118]
对于存量客户(前30天内有消耗的客户)而言，可以选择的原始特征一共有22个，行业，近一年投放售卖类型种类数，近一年投放流量种类数，近一年充值天数，近一年消耗天数，近一年总消耗，近一年arpu，近一年竞价消耗占比，近一年合约消耗占比，近一年招商消耗占比，近一年新闻视频流量消耗占比，近一年信息流qq流量消耗占比，近一年联盟流量消耗占比，近一年微信流量消耗占比，近一年充值总金额，近30天充值金额，近30天arpu，近30天总消耗，近30天消耗天数，近30-60天消耗，近30天与60-30天的消耗差和余额。
[0119]
可以根据一段指定时间内主体维度每日消耗，给上述的新客和存量客户样本打上标签，1代表孵化成功，0代表孵化不成功，即对用户进行二分类。需要理解的是，上述标注的数据可以用来进行模型训练。
[0120]
由于训练数据必须是数字型，因此需要将表示行业的中文编码为数字，并对一些缺失的数值进行补充，例如，对于新客户而言，首充：缺失值用首次消耗填充，总充值：如果余额也为空，用30天总消耗填充，否则用余额加总消耗填充，余额：用总充值减总消耗填充，历史消耗：用0填充。对于存量客户而言，近30天充值：如果余额也为空，用30天总消耗填充，否则用余额加总消耗填充，余额：用总充值减总消耗填充。
[0121]
在本实施例中，在步骤1320可以采用皮尔斯曼(spearman)相关系数来进行相关系数的计算。需要理解的是可以利用皮尔森(pearson)相关系数或者肯德尔(kendall)相关系数替代spearman相关系数，因此在本实施例中相关系数的计算不限于上述例子。
[0122]
spearman相关系数衡量两个变量的依赖性的非参数指标,它利用单调方程评价两个统计变量的相关性。如果数据中没有重复值，并且当两个变量完全单调相关时，斯皮尔曼相关系数则为 1或-1。斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本，n个原始数据被转换成等级数据，相关系数ρ为:
[0123][0124]
在上述公式中，xi表示第i个x样本，表示所有x样本的平均yi表示第i个样本x对应的标签，表示所有标签的平均。
[0125]
根据训练样本和标签进行分析，本实施例所选择的与标签之间相关度较高的特征对应于新客户为：行业，近30天arpu，首次消耗金额，首次充值金额，近30天总消耗，近30天总充值，余额和历史总消耗这八个。
[0126]
对应于存量客户的是行业，近一年总消耗，近一年arpu，近30天充值金额，近30天arpu，近30天总消耗，近30-60天消耗和余额这八个。
[0127]
可以理解的是，由于新老客户之间的特征选择存在差异，可以按照如图7所示的模型构造分别构造新客户和存量客户的模型。需要理解的是，通过计算特征和标签之间的相关系数来从多个数据类型中为第二数据组选择数据类型，可以降低模型的复杂度，增加训练和预测的速度，降低模型运行的硬件要求。
[0128]
在本实施例中，步骤150、提高多个所述目标账号投放的推广消息在推广消息投放序列中的排名，包括：
[0129]
提高所有所述目标账号的推广消息在推广消息投放系统中的权重，其中，所述目标账号的推广消息在所述推广消息投放系统中的排名由所述目标账号的所述权重、每次行动成本、预估点击率和预估转化率的乘积决定。即提高ocpm＝bid*pctr*pcvr*β中的β值。
[0130]
提高所有所述目标账号的推广消息在推广消息投放系统中的权重，包括：
[0131]
根据各所述目标账号的预测评分提高每个所述目标账号的推广消息在推广消息投放系统中的权重，使得所述目标账号的推广消息在推广消息投放系统的权重的提高幅度与所述目标账号的预测评分成正比。
[0132]
在本实施例中，预测评分越高的目标账号更有可能被孵化，因此可以向预测评分更高的目标账号给予更好的资源。假设目标账号1的评分为30，目标账号2的评分为20，目标账号3的评分为10，则如果将目标账号1的推广消息的权重β提升0.3，则目标账号2的推广消息的权重β对应提升20，目标账号3的推广消息的权重β提升0.1。
[0133]
参照图5，在本实施例中，第一模型包括第一子函数、第二子函数、第三子函数、第四子函数和第五子函数，将各所述推广账号的第一数据组输入至第一模型，得到各推广账号的第一预测结果的步骤包括：
[0134]
将推广账号最近一次推广消息投放的记录输入第一子函数对推广账号进行评分，得到第一评分；
[0135]
将推广账号在预设时间内的推广消息投放频率输入第二子函数对推广账号进行评分，得到第二评分；
[0136]
将推广账号在预设时间内的推广消息投放的消耗资源量输入所述第三子函数对推广账号进行评分，得到第三评分；
[0137]
将推广账号的资源转移记录输入第四子函数对推广账号进行评分，得到第四评分；
[0138]
将推广账号的资源余量输入第五子函数对推广账号的资源余量进行评分，得到第五评分；
[0139]
将第一评分、第二评分、第三评分、第四评分和第五评分进行加权，得到第一预测结果。
[0140]
在本实施例中，如前面的实施例所描述的，五个子函数可以是线性函数，诸如一次函数或者二次函数等。在一些例子中，五个评分的加权比例均等，因此从上述实施例可以知道，第一预测结果f
rfmrb
(x1)＝f
recency
(a) f
frequency
(b) f
monetary
(c) f
recharge
(d) f
balance
(e)。当然，可以理解的是，基于上述实施例的教导，亦可以调整五个子函数的权重比例，来适应新客户和存量客户的特点。
[0141]
参照图14，本实施例公开了一种推广资源配置方法，其还包括以下步骤：
[0142]
步骤1410、根据目标账号的第一数据组为各目标账号选择推送内容。
[0143]
需要理解的是，为目标账号选择推送内容，可以根据目标账号的第一数据组中的数据判断这个目标账号的情况，并针对不同的情况为客户推送不同的内容。这些内容可以针对某些情况的客户提供建议，例如改善广告的样式、提高出价等等。通过内容推送的方式可以引导用户进行相关的操作，从而使得客户的投放效果提升，进而在广告平台上产生更多的消费。
[0144]
推广用户的分类情况主要如图15所示，问题分别是：转化率不佳、定向范围太窄、
竞争力不足、待激活(即还有余额但是已经不活跃了)和其他情况。
[0145]
其中，针对转化率不佳的情况，在部分实施例中，步骤1410，根据目标账号的第一数据组为各目标账号选择推送内容，具体包括：
[0146]
当所述目标账号的所述第三评分大于第一阈值，且所述目标账号的所述第四评分小于第二阈值，且所述推广账号的所述第五评分小于第三阈值时，则向所述目标账号推送包含推广素材库连接的推送信息。
[0147]
具体地，可以将第一阈值设置为7，第二阈值设置为3，第三阈值设置为3，即有：
[0148]fmonetary
(c)≥7andf
recharge
(d)≤3andf
balance
(e)≤3；
[0149]
例如，某个目标账号近30天消耗金额较多，但充值和余额均不足。对于这类推广用户而言，主要的问题点在于广告投放效果不佳，从而不会再次充值，针对这类情况系统自动对比此推广用户投放广告的转化率和推广用户所在行业整体平均转化率，如果系统判断此客户转化率比行业平均转化率低于特定阈值，根据推广用户注册使用的手机号，定向推送如何提升广告转化率的广告给客户，或者直接对推广账号进行消息推送。例如广告文案为“某某行业使用这些素材，转化率提高50％”，广告点击之后会跳转到推广消息投放系统中相应行业的素材库，在素材库中推荐转化率高的素材给客户，因为素材是影响广告转化率一个重要原因，从而促使客户对自己广告的素材进行优化并投放。
[0150]
在另一些例子中，步骤1410，根据所述目标账号的第一数据组为各目标账号选择推送内容，包括：
[0151]
当所述目标账号的所述第五评分大于第四阈值，且所述目标账号的所述第三评分小于第五阈值，且所述目标账号的所述第四评分小于第六阈值时，则向所述目标账号推送包含出价配置页面链接的推送信息。
[0152]
具体地，可以将第四阈值设置为7，第五阈值设置为3，第六阈值设置为3，即有：
[0153]fbalance
(e)≥7andf
monetary
(c)≤3andf
recharge
(d)≤3；
[0154]
这一类推广用户余额较多，但消耗缓慢，此类推广用户的主要问题为广告曝光少，从而导致消耗少，针对此类情况，系统可以自动检测导致广告曝光少的原因，之后进行下一步动作：
[0155]
如果判定是定向范围狭窄：例如，推广用户设置的定向(年龄、性别、地域等)本身覆盖人群数量和行业定向均值的差达到特定阈值，在推广用户登录投放界面时，系统会自动弹出提示“广告定向覆盖人群远低于同行业均值，建议调整定向”，并给出建议的定向选择，对于已经有人群包的行业，如金融、游戏等，也会同时建议推广用户选择此类人群包。即系统向目标广告账号推送用于建议调整广告投放范围的信息。
[0156]
如果判定是竞争力不足：对于目前主流的ocpx竞价广告来讲，决定一个广告是否能够得到曝光的关键公式为：ocpm＝bid*pctr*pcvr*β，ocpm越高获得曝光的概率越大，因此影响广告竞争力的可能性有两个，出价bid和投放系统预估值，即出价越高或者系统预估转化率越高，则ocpm值越大，从而广告获得曝光的可能性更大。因此如果推广用户设置的出价与该行业均值之差达到某个阈值，则系统会弹出提示“出价远低于行业均值，建议调高出价”，并给出建议值，如果出价正常，则为投放系统预估不准的问题，特别对新广告而言系统预估可能偏差较大，因此，系统通过自动调整该推广用户的β值，使推广用户获得更多曝光，帮助新推广用户能够快速起量。
[0157]
在部分实施例中，步骤1410，根据所述目标账号的第一数据组为各目标账号选择推送内容，包括：
[0158]
当目标账号的所述第五评分大于第七阈值，且所述目标账号的第三评分为0，且所述目标账号的第四评分为0时，则向目标账号推送推广消息。其中，第七阈值设置为7，即有：
[0159]fbalance
(e)≥7andf
monetary
(c)＝0andf
recharge
(d)＝0；
[0160]
推广账号近30天无充值和消耗，但账户中有较多余额对于此类客户，要进行激活动作系统根据推广用户注册使用的手机号，定向推送广告投放平台的广告给客户，此广告用于宣传广告投放平台的投放效果，投放广告可以给推广用户带来更多生意和客户等等，从而达到激活此推广用户的目的，系统定期将此类客户的手机号推送给客户激活团队，即将目标账号对应的账号持有者信息推送至预设终端。客户激活团队通过联系客户了解客户具体诉求，从而将推广用户余额转化为广告收入。对于其他情况，客户表现尚可并且典型性相对欠缺，因此可以将剩余潜力客户推送给运营团队进行跟进。
[0161]
需要理解的是，调整目标账号的推送信息或者为其分配运营人员跟进，也是一种广告资源的配置手段，资源配置的过程由推广消息投放系统所执行。
[0162]
参照图16，本实施例公开了一种推广资源配置系统，包括：
[0163]
获取单元1610，用于获取多个推广账号的第一数据组和第二数据组，第一数据组包括推广账号最近一次推广消息投放的记录、推广账号在预设时间内的推广消息投放频率、推广账号在所述预设时间内的推广消息投放的消耗资源量、推广账号的资源转移记录和推广账号的资源余量，第二数据组包括多种用于描述推广账号的推广消息投放行为的数据；
[0164]
第一预测单元1620，用于将各推广账号的第一数据组输入至第一模型，分别得到各推广账号的第一预测结果，第一模型用于预测推广账号的推广消息投放能力；
[0165]
第二预测单元1630，用于将各推广账号的第二数据组输入至第二模型，得到第二预测结果，第二模型用于预测推广账号是目标账号的概率；
[0166]
目标账号确定单元1640，用于根据各推广账号的第一预测结果和第二预测结果确定多个目标账号；
[0167]
资源配置单元1650，用于提高多个所述目标账号投放的推广消息在推广消息投放序列中的排名，其中，所述推广消息投放序列包括按照顺序排列的多个推广消息，并且推广消息投放系统按照所述顺序向目标终端投放推广消息。
[0168]
本实施例公开一种推广资源配置装置，包括：
[0169]
程序；
[0170]
存储器，用于存储所述程序；
[0171]
处理器，用于加载所述程序上述的推广资源配置方法。
[0172]
本实施例公开一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序被处理器执行时实现上述的推广资源配置方法。
[0173]
需要理解的是，以上的产品实施例，具备与方法实施例相同或者相对应的技术特征，任意相同或者相对应的技术特征可以起到相同或者相对应的技术效果。
[0174]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处
理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的推广资源配置方法。
[0175]
图17为本技术实施例提供的服务器1700的模块框图，服务器1700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中央处理器(central processing units，简称cpu)1722(例如，一个或一个以上处理器)和存储器1732，一个或一个以上存储应用程序1742或数据1744的存储介质1730(例如一个或一个以上海量存储装置)。其中，存储器1732和存储介质1730可以是短暂存储或持久存储。存储在存储介质1730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服务器中的一系列指令操作。更进一步地，中央处理器1722可以设置为与存储介质1730通信，在服务器1700上执行存储介质1730中的一系列指令操作以实现上述的方法。
[0176]
服务器1700还可以包括一个或一个以上电源1726，一个或一个以上有线或无线网络接口1750，一个或一个以上输入输出接口1758，和/或，一个或一个以上操作系统1741，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等等。
[0177]
本技术实施例还提供了一种装置，该装置可以执行上述的推广资源配置方法。下面结合附图对该装置进行介绍。请参见图18，本技术实施例提供了一种装置，该装置还可以是终端装置，该终端装置可以为包括手机、平板电脑、个人数字助理(personal digital assistant，简称pda)、销售终端(point of sales，简称pos)、车载电脑等任意智能终端，以终端装置为手机为例：
[0178]
图18示出的是与本技术实施例提供的终端装置相关的手机的部分结构的框图。参考图18，手机包括：射频(radio frequency，简称rf)电路1810、存储器1820、输入单元1830、显示单元1840、传感器1850、音频电路1860、无线保真(wireless fidelity，简称wifi)模块1870、处理器1880、以及电源1890等部件。本领域技术人员可以理解，图18中示出的手机结构并不构成对手机的限定，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。下面结合图18对手机的各个构成部件进行具体的介绍：rf电路1810可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1880处理；另外，将设计上行的数据发送给基站。通常，rf电路1810包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noise amplifier，简称lna)、双工器等。此外，rf电路1810还可以通过无线通信与网络和其他装置通信。
[0179]
存储器1820可用于存储软件程序以及模块，处理器1880通过运行存储在存储器1820的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1820可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0180]
输入单元1830可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1830可包括触控面板1831以及其他输入装置1832。触控面板1831，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1831上或在触控面板1831附近的操
作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1831可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1880，并能接收处理器1880发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1831。除了触控面板1831，输入单元1830还可以包括其他输入装置1832。具体地，其他输入装置1832可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0181]
显示单元1840可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1840可包括显示面板1841，可选的，可以采用液晶显示器(liquid crystal display，简称lcd)、有机发光二极管(organic light-emitting diode，简称oled)等形式来配置显示面板1841。进一步的，触控面板1831可覆盖显示面板1841，当触控面板1831检测到在其上或附近的触摸操作后，传送给处理器1880以确定触摸事件的类型，随后处理器1880根据触摸事件的类型在显示面板1841上提供相应的视觉输出。虽然在图18中，触控面板1831与显示面板1841是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1831与显示面板1841集成而实现手机的输入和输出功能。
[0182]
手机还可包括至少一种传感器1850，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1841的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1841和/或背光。
[0183]
音频电路1860、扬声器1861，传声器1862可提供用户与手机之间的音频接口。音频电路1860可将接收到的音频数据转换后的电信号，传输到扬声器1861，由扬声器1861转换为声音信号输出；另一方面，传声器1862将收集的声音信号转换为电信号，由音频电路1860接收后转换为音频数据，再将音频数据输出处理器1880处理后，经rf电路1810以发送给比如另一手机，或者将音频数据输出至存储器1820以便进一步处理。wifi属于短距离无线传输技术，手机通过wifi模块1870可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图18示出了wifi模块1870，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
[0184]
处理器1880是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1820内的软件程序和/或模块，以及调用存储在存储器1820内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1880可包括一个或多个处理单元，手机还包括给各个部件供电的电源1890。
[0185]
在本实施例中，该终端装置所包括的处理器1880具备执行前面实施例的推广资源配置方法。
[0186]
本技术的说明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，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或装置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、产品或装置固有的其它步骤或单元。
[0187]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0188]
在本技术中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，本技术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装置(可以是个人计算机，服务器，或者网络装置等)执行本技术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，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0189]
以上是对本技术的较佳实施进行了具体说明，但本技术并不限于上述实施例，熟悉本领域的技术人员在不违背本技术精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。