一种广告投放人群预测方法及装置与流程

本发明涉及多媒体技术领域，更具体地说，涉及一种广告投放人群预测方法及装置。

背景技术

随着互联网技术的不断发展，互联网广告以其快速、便捷、灵活性强的优势迅速取代了传统的媒体广告。

为了精准触达广告的期望人群，在广告投放之前，广告主常提供一批种子用户。因此，如何利用种子用户进行相似人群扩展以确定广告投放人群，是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供一种广告投放人群预测方法及装置，以解决如何利用种子用户进行相似人群扩展以确定广告投放人群的问题。技术方案如下：

一种广告投放人群预测方法，包括：

获取待预测的目标用户；

获取所述目标用户作为输入时人群预测模型的输出结果，并将所述输出结果确定为所述目标用户的投放概率，所述人群预测模型是预先对逻辑回归lr模型训练所得到的；

基于投放概率从所述目标用户中选取作为广告投放人群的用户。

优选的，预先对lr模型训练得到人群预测模型的过程，包括：

将预设种子用户作为正样本，并从预设非种子用户中获取负样本；

分别提取所述正样本的特征和所述负样本的特征；

利用所述正样本的特征和所述负样本的特征对lr模型进行训练，直到所述lr模型的损失函数收敛。

优选的，所述利用所述正样本的特征和所述负样本的特征对lr模型进行训练之前，所述方法还包括：

分别获取所述正样本和所述负样本的权重，所述权重与样本数量相关联；

利用所述正样本的权重和所述负样本的权重调整所述损失函数。

优选的，所述基于投放概率从所述目标用户中选取作为广告投放人群的用户，包括：

从所述目标用户中选取投放概率大于预设概率阈值的用户作为广告投放人群。

优选的，所述基于投放概率从所述目标用户中选取作为广告投放人群的用户，包括：

按照投放概率对所述目标用户进行排序；

从所述目标用户中选取排序结果满足预设条件的用户作为广告投放人群。

一种广告投放人群预测装置，包括：第一获取模块、第二获取模块和选取模块，所述第二选取模块包括模型训练单元；

所述第一获取模块，用于获取待预测的目标用户；

所述模型训练单元，用于预先对lr模型训练得到人群预测模型；

所述第二获取模块，用于获取所述目标用户作为输入时所述人群预测模型的输出结果，并将所述输出结果确定为所述目标用户的投放概率；

所述选取模块，用于基于投放概率从所述目标用户中选取作为广告投放人群的用户。

优选的，所述模型训练单元，具体用于：

将预设种子用户作为正样本，并从预设非种子用户中获取负样本；分别提取所述正样本的特征和所述负样本的特征；利用所述正样本的特征和所述负样本的特征对lr模型进行训练，直到所述lr模型的损失函数收敛。

优选的，所述模型训练单元，还用于：

分别获取所述正样本和所述负样本的权重，所述权重与样本数量相关联；利用所述正样本的权重和所述负样本的权重调整所述损失函数。

优选的，所述选取模块，具体用于：

从所述目标用户中选取投放概率大于预设概率阈值的用户作为广告投放人群。

优选的，所述选取模块，具体用于：

按照投放概率对所述目标用户进行排序；从所述目标用户中选取排序结果满足预设条件的用户作为广告投放人群。

以上本发明提供的广告投放人群预测方法及装置，可以将待预测的目标用户作为人群预测模型的输入，并人群预测模型的输出结果确定为目标用户的投放概率，进而基于投放概率从目标用户中选取作为广告投放人群的用户。基于此，可以将相似人群扩展问题转化为分类问题，从而扩大广告的受众覆盖面。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的广告投放人群预测方法的方法流程图；

图2为本发明实施例提供的广告投放人群预测方法步骤s20中“预先对lr模型训练得到人群预测模型”的方法流程图；

图3为本发明实施例提供的广告投放人群预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种广告投放人群预测方法，该方法的方法流程图如图1所示，包括如下步骤：

s10，获取待预测的目标用户；

本实施例中，目标用户可以为全站用户，也可以为满足一定规则的用户，比如月活跃用户。

s20，获取目标用户作为输入时人群预测模型的输出结果，并将输出结果确定为目标用户的投放概率，人群预测模型是预先对逻辑回归lr模型训练所得到的。

以下对lr模型进行简单介绍：

lr(logisticregression，逻辑回归)模型是机器学习中的一种分类模型，由于算法的简单和高效，在实际中应用非常广泛，比如可以将预测用户对品类的购买偏好转换为一个二分类问题，在此过程中所用到的特征包括用户浏览、购买等历史信息。

因此，将目标用户作为人群预测模型的输入时，人群预测模型所输出的结果为目标用户的二分类结果。

具体实现过程中，步骤s20中“预先对lr模型训练得到人群预测模型”的过程可以具体采用以下步骤，方法流程图如图2所示：

s201，将预设种子用户作为正样本，并从预设非种子用户中获取负样本。

在执行步骤s201的过程中，预设种子用户可以为将广告商所提供的待扩展相似人群的用户；而预设非种子用户则可以为全站用户中除种子用户之外的其他用户，当然，还可以进一步从中采样获得，采样依据为用户的广告行为或者观影行为等。

s202，分别提取正样本的特征和负样本的特征。

s203，利用正样本的特征和负样本的特征对lr模型进行训练，直到lr模型的损失函数收敛。

以下对lr模型的训练过程进行简单介绍：

首先可按照样本类型对样本添加分类结果，比如，正样本添加“1”，负样本添加“0”。

而由于逻辑回归其实仅为在线性回归的基础上，套用了一个逻辑函数。对于多元逻辑回归，可用如下公式(1)、(2)似合分类，其中公式(4)的变换，将在逻辑回归模型参数估计时，化简公式带来很多益处，y＝{0,1}为分类结果。

令：

对于训练，其中，x为分类结果，θ为样本的特征。

对于训练样本集(包括正样本和负样本)，样本的特征x＝{x1,x2,…,xm}和对应的分类结果y＝{y1,y2,…,ym}。构建逻辑回归模型f(θ)，最典型的构建方法便是应用极大似然估计。首先，对于单个样本，其后验概率可用如下公式(3)表示：

那么，极大似然函数可以用如下公式(4)表示：

其中，m为样本的总数量。

因此，log似然可以用如下公式(5)表示：

逻辑回归模型就等价于如下公式(6)：

采用梯度下降法得到的损失函数如下公式(7)：

从而迭代θ至收敛即可。

在实际应用过程中，由于正样本的数量远远低于负样本的数量，因此，可以为正样本和负样本分别设置不同的权重，并且，正样本的权重大于负样本的权重。此时，利用正样本的权重和负样本的权重调整损失函数，比如，正样本的权重为4、负样本的权重为1，这就相当于将正样本重复4遍，从而改变了损失函数中样本的总数量m。

s30，基于投放概率从目标用户中选取作为广告投放人群的用户。

在执行步骤s30的过程中，可以从目标用户中选取投放概率满足一定规则的用户作为广告投放人群。比如，可以从目标用户中选取投放概率大于预设概率阈值的用户作为广告投放人群；再比如，可以从目标用户中选取投放概率位于topn的用户作为广告投放人群，此时，首先按照投放概率对目标用户进行排序，具体可以按照由高到低或者由低到高的顺序，然后再从目标用户中选取排序结果满足预设条件，比如前n个的用户作为广告投放人群。

本发明实施例提供的广告投放人群预测方法，可以将待预测的目标用户作为人群预测模型的输入，并人群预测模型的输出结果确定为目标用户的投放概率，进而基于投放概率从目标用户中选取作为广告投放人群的用户。基于此，可以将相似人群扩展问题转化为分类问题，从而扩大广告的受众覆盖面。

基于上述实施例提供的广告投放人群预测方法，本发明实施例则对应提供执行上述广告投放人群预测方法的装置，该装置的结构示意图如图3所示，包括：

第一获取模块10、第二获取模块30和选取模块30，第二选取模块20包括模型训练单元201；

第一获取模块10，用于获取待预测的目标用户；

模型训练单元201，用于预先对lr模型训练得到人群预测模型；

第二获取模块20，用于获取目标用户作为输入时人群预测模型的输出结果，并将输出结果确定为目标用户的投放概率；

选取模块30，用于基于投放概率从目标用户中选取作为广告投放人群的用户。

可选的，模型训练单元201，具体用于：

将预设种子用户作为正样本，并从预设非种子用户中获取负样本；分别提取正样本的特征和负样本的特征；利用正样本的特征和负样本的特征对lr模型进行训练，直到lr模型的损失函数收敛。

可选的，模型训练单元201，还用于：

分别获取正样本和负样本的权重，权重与样本数量相关联；利用正样本的权重和负样本的权重调整损失函数。

可选的，选取模块30，具体用于：

从目标用户中选取投放概率大于预设概率阈值的用户作为广告投放人群。

可选的，选取模块30，具体用于：

按照投放概率对目标用户进行排序；从目标用户中选取排序结果满足预设条件的用户作为广告投放人群。

本发明实施例提供的广告投放人群预测装置，可以将待预测的目标用户作为人群预测模型的输入，并人群预测模型的输出结果确定为目标用户的投放概率，进而基于投放概率从目标用户中选取作为广告投放人群的用户。基于此，可以将相似人群扩展问题转化为分类问题，从而扩大广告的受众覆盖面。

以上对本发明所提供的一种广告投放人群预测方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。