互联网广告投放方法、装置、服务器及存储介质与流程

本申请涉及机器学习技术领域，具体涉及一种互联网广告投放方法、装置、服务器及存储介质。

背景技术：

随着互联网广告行业的发展，各种广告投放者都越来越关注广告投放的广告效果，互联网广告效果的衡量指标主要包括广告的点击率、转化率、下载激活率、投放产出比等。为了降低广告投放者的广告投放成本，需要对广告效果进行优化，广告效果的优化的目标是让广告的投放者用尽可能少的投入，达到降低广告的转化成本的目的。

目前，广告效果的优化主要依赖广告运营人员和广告优化师的经验，广告效果优化工作需要大量的人工工作，无法自动化进行广告效果的优化。

技术实现要素：

本申请实施例提供一种互联网广告投放方法、装置、服务器及存储介质，可以自动进行广告效果的优化。

本申请实施例的第一方面提供了一种互联网广告投放方法，包括：

服务端将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率；

所述服务端基于所述预估转化率和投放目标参数对所述目标广告进行智能投放。

本申请实施例的第二方面提供了一种互联网广告投放装置，包括：

估计单元，用于将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率；

所述投放单元，还用于基于所述预估转化率和投放目标参数对所述目标广告进行智能投放。

本申请实施例的第三方面提供了一种服务器，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本申请实施例第一方面中的步骤指令。

本申请实施例的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。

本申请实施例的第五方面提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

本申请实施例中，在投放目标广告时，首先将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率；基于该预估转化率和投放目标参数对该目标广告进行智能投放。本申请实施例可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种系统架构的结构示意图；

图2是本申请实施例提供的一种互联网广告投放方法的流程示意图；

图3是本申请实施公开的另一种互联网广告投放方法的流程示意图；

图4是本申请实施公开的另一种互联网广告投放方法的流程示意图；

图5为本申请实施例提供的一种互联网广告投放装置的结构示意图；

图6是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。

本申请实施例所涉及到的服务器可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(userequipment，ue)，移动台(mobilestation，ms)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为服务器。

下面对本申请实施例进行详细介绍。

请参阅图1，图1是本申请实施例提供的一种系统架构的结构示意图，如图所示，系统架构包括服务器100和与服务器100通信连接的至少一个电子设备101。用户持有电子设备101；电子设备101上可以安装有客户端，服务器100上可以安装有服务端。客户端是指与服务器相对应，为客户提供本地服务的程序。服务端也是在服务器上安装的一段程序，服务端是为客户端服务的，服务的内容诸如向客户端提供资源，保存客户端数据等。服务器100可以直接与电子设备101通过互联网建立通信连接，服务端100也可以通过其他服务器与电子设备101通过互联网建立通信连接。本申请实施例中的客户端可以向用户提供内容显示服务、内容播放服务。比如，多媒体客户端可以向用户提供多媒体内容显示服务和/或多媒体内容播放服务。客户端可以在内容显示界面的广告位显示服务端投放的广告内容，客户端可以在内容播放界面的广告位播放服务端投放的广告内容。广告内容可以包括视频广告内容、音频广告内容、图片广告内容、动图显示广告内容、文字显示广告内容等。广告的呈现形式可以包括横幅广告、按钮广告、浮动广告、竖幅广告、弹出窗口广告、空闲时间弹出窗口广告等。

本申请实施例中，服务端将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率，基于该预估转化率和投放目标参数对该目标广告进行智能投放。本申请实施例服务端可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

请参阅图2，图2是本申请实施例提供的一种互联网广告投放方法的流程示意图。如图2所示，该互联网广告投放方法应用于服务器，该互联网广告投放方法包括如下步骤。

201，服务端将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率。

本申请实施例中，服务端可以从投放(历史投放或当前投放)的广告媒介中统计目标广告的用户特征和目标广告特征。广告媒介可以包括互联网媒介，互联网媒介可以以超文本的形式，使文字、数据、声音、图像等信息均转化为计算机语言进行传递，不同形式的信息可以在同一个互联网上同时传送，使互联网综合了其他各种广告媒介(报纸、杂志、书籍、广播、电视、电话、传真等等)的特征和优势。互联网媒介具有双向互动的特点，允许互联网中的客户端和服务端之间的互动。比如，客户端的内容显示界面的广告位显示目标广告时，客户端的用户对该目标广告进行的点击操作、观看时长、观看时间点等数据都可以上传至服务端并保存。

其中，用户特征可以包括：用户行为特征、用户画像特征等，目标广告特征可以包括目标广告投放的流量媒体的流量媒体特征、目标广告投放的广告位特征、目标广告的广告属性特征、目标广告的广告创意特征等。其中，用户画像特征可以包括：用户自然属性(比如：用户的社会属性，如用户的年龄、性别、收入等)、兴趣属性(比如：用户对广告行业的兴趣，如公司对汽车、房产、购物等)、地理属性(比如：用户的地理位置，如省、市、国家、是否一线城市等)、用户点击偏好(比如：用户对广告的点击偏好，如偏爱点击视频类广告)、用户转化偏好(比如：用户对各类广告的购买、下载等行为偏好，如用户喜欢下载游戏类的app)、用户互动偏好(比如：用户在互动广告中的行为，如喜欢语音广告、喜欢点红包、喜欢玩转盘游戏等)等。用户行为特征可以包括用户行为序列(比如：用户的历史行为序列，主要包括用户之前在媒体和广告的展现、点击、转化等行为，这些特征一般会进行编码作为用户行为序列特征使用)等。流量媒体特征可以包括给用户展示广告的媒体特征，比如：是否视频流量媒体、流量媒体名称(比如：xx视频、xx音乐、xx头条、xx新闻等)。广告位特征可以包括给用户展示广告的广告位相关信息，比如，广告位id，广告位名称，广告位的尺寸、位置，长、宽等。广告属性特征可以展示的广告的特征，比如，展示的广告的类型、广告行业、广告的标签等。广告创意特征可以包括广告创意类型、广告所用的文本、广告所用的图片签名等，广告创意特征还可以包括如广告所用的图像的细节特征，如图像的像素、布局、配色等。

在一些情况下，用户特征还可以包括其他特征数据，其他特征数据可以包括：网络特征(比如：客户端使用的网络制式，如3g、4g、5g、wifi等)、时间(比如：白天晚上、星期、是否休息日等)、客户端平台(比如：android、ios、华为、小米等)等。

其中，转化率预估模型是一种二分类预测模型，是用来对广告的转化率进行估计的学习模型(比如，机器学习模型、深度学习模型等)。在训练好的转化率预估模型中输入用户特征和目标广告特征，可以得到目标广告的预估转化率。

202，服务端基于预估转化率和投放目标参数对目标广告进行智能投放。

本申请实施例中，目标广告的预估转化率是进行智能投放的参考指标，广告主可以根据预估转化率调整自己的广告投放预算。

其中，步骤201可以反复执行，每次执行步骤201得到的目标广告的预估转化率可能会不同，步骤202可以根据最新得到的预估转化率和投放目标参数对目标广告进行智能投放。比如，广告主可以根据实时得到的预估转化率调整自己的广告投放预算。服务端可以根据实时得到的预估转化率调整投放渠道、调整投放的用户群体。

目前，广告主向流量媒体购买广告时，一般以曝光量作为标准进行计算，广告主通过在流量媒体上购买一定数量的曝光量，根据投放的广告的曝光量的数量确定广告订单的总金额。因此，单位曝光量的成本是广告主考量的关键指标。其中，投放目标参数可以是广告主预期的单位曝光量成本、广告主预期的单位转化量成本、广告主预期的单位点击量成本中的任一种。

具体的，服务端可以基于预估转化率和投放目标参数来得到目标广告的估算投放成本，广告主根据上述目标广告的估算投放成本设定目标广告的期望投放成本，服务端在进行智能投放的过程中，可以根据目标广告的实时投放成本与期望投放成本来动态调整投放策略，使得广告主在一定的投放预算的情况下尽可能产生更多的广告转换量，或者使得广告主在一定的广告转换量的情况下尽可能降低投放预算。

本申请实施例中，可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

请参阅图3，图3是本申请实施提供的另一种互联网广告投放方法的流程示意图。图3是在图2的基础上进一步优化得到的，如图3所示，该互联网广告投放方法应用于服务器，该互联网广告投放方法包括如下步骤。

301，服务端向多个客户端投放用于测试的目标广告，搜集由多个客户端发送的基于目标广告的用户行为样本数据。

302，服务端基于用户行为样本数据对转化率预估模型进行训练，得到训练好的转化率预估模型。

本申请实施例中，步骤301为广告投放测试阶段，服务端可以向多个客户端投放预设数量的用于测试的目标广告，服务端在投放用于测试的目标广告预设时长之后，搜集并统计由多个客户端发送的基于目标广告的用户行为样本数据。预设数量可以根据广告主对投放测试阶段的测试成本来确定，预设时长可以根据服务端历史搜集用户行为样本数据的平均时长确定(比如，设置预设时长为平均时长的n倍，n为正整数)。用户行为样本数据包括在客户端产生转化行为的用户行为样本数据。具体的，可以在客户端的广告投放的展现页面埋点部署用于进行数据采集的代码，采集广告落地页面的转化行为，将埋点采集的转化行为数据回传到服务端，并进行存储。其中，对于同一个广告，每个客户端可以产生一份或多份用户行为样本数据。

步骤302为模型训练阶段，服务端可以将用户行为样本数据中每份用户行为样本数据输入转化率预估模型，通过转化率预估模型得到转化率预估结果，根据转化率预估模型的准确度，当转化率预估模型的准确度达到一定程度时，确定得到训练好的转化率预估模型。

用户行为样本数据可以基于上述用户特征和上述目标广告特征生成，也可以包括上述用户特征和上述目标广告特征。

可选的，步骤301中，服务端向多个客户端投放用于测试的目标广告，具体可以包括如下步骤：

服务端生成测试订单，向多个客户端投放与该测试订单对应的预设数量的用于测试的目标广告。

本申请实施例中，测试订单的订单金额一般不会太高，其目的是为了搜集由多个客户端发送的基于目标广告的用户行为样本数据，用于后续根据用户行为样本数据对转化率预估模型进行训练。

如果用于对转化率预估模型进行训练的用户行为样本数据的数量没有达到训练所需的最低标准，则服务端可以继续生成测试订单，直到搜集的用户行为样本数据的数量达到训练所需的最低标准为止。

对于每个测试订单，服务端会分别统计每个测试订单的实际转化成本(实际转化成本等于测试订单实际花费与产生的转换数量的比值，具体可以参见后面对该词的定义)和目标转化成本(广告主在投放测试订单之前设置的转化成本，具体可以参见后面对该词的定义)。

303，服务端将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率。

304，服务端基于预估转化率和投放目标参数对目标广告进行智能投放。

其中，步骤303至步骤304的具体实施可以参见上述图2中的步骤201至步骤202，此处不再赘述。

可选的，上述投放目标参数可以包括目标转化成本或测试转化成本，步骤304具体可以包括如下步骤：

(11)，服务端计算智能投放的实时转化成本；

(12)，服务端根据目标转化成本和实时转化成本确定是否优化当前投放策略，或者根据测试转化成本和实时转化成本确定是否优化当前投放策略；目标转化成本可以基于预估转化率确定，测试转化成本基于用于测试的目标广告的投放花费和用户行为样本数据中的转化样本数量确定，当前投放策略基于用户行为样本数据确定。

本申请实施例中，转化成本(costperaction，cpa)是指每次转化所消耗的推广费用。cpa＝cost/action；其中，cost为投放费用，action为该投放费用带来的转化数量。目标转化成本cpaexp是广告主设定的转化成本，目标转化成本可以由广告主根据目标广告的预估转化率、自己的期望成本来综合设定。测试转化成本cpatest是广告投放测试阶段得到的转化成本。该测试转化成本基于上述用于测试的目标广告的投放花费和上述用户行为样本数据中的转化样本数量确定。cpatest＝cost1/action1；cost1为广告投放测试阶段目标广告的投放花费，action1为用户行为样本数据中的转化样本数量。实时转化成本cpareal是智能投放阶段的实时转化成本。cpareal＝cost2/action2，cost2为智能投放阶段的目标广告的实时投放花费，action2为智能投放阶段的目标广告的实时转化数量。

其中，用户行为样本数据中的转化样本数量、广告的转化数量可以基于特定的转化标准来确定。转化标准具体可以包括广告下载量、广告的购买量、广告的充值次数等。对于不同类型的广告，其参考的转化标准不相同。比如，对于投资类app的广告，其转化标准可以是该投资类app的投资额度(比如，投资额度超过一定额度，则认为产生转化)；对于推广类app，其转化标准可以是该推广类app的下载量(比如，发生下载行为，则认为产生转化)。

具体的，智能投放的当前投放策略可以根据该目标广告在广告投放测试阶段获取的用户行为样本数据确定。比如，服务端可以根据广告投放测试阶段获取的用户行为样本数据计算目标用户在各个流量媒体和各个用户群体的测试转化成本，选取测试转化成本较低的流量媒体和用户群体进行智能投放。

其中，上述步骤(12)中，服务端根据目标转化成本和实时转化成本确定是否优化当前投放策略，具体可以为：

(1211)，服务端确定实时转化成本与目标转化成本是否满足如下关系：c1＞c2*α；

(1212)，若满足，则服务端优化当前投放策略；

(1213)，若不满足，则服务端继续执行当前投放策略；

c1为实时转化成本，c2为目标转化成本，α为第一系统参数。

本申请实施例中，α可以设置为目标广告的历史订单中实际转化成本和目标转化成本比的中位数、平均值、75％分位数中的任一种。

目标广告的历史订单可以包括服务端在广告投放测试阶段向多个客户端投放的多个测试订单。一般而言，订单的实际转化成本往往要高于广告主设置的目标转化成本，α一般大于1。

本申请实施例在智能投放的过程中，如果实时转化成本高于一定阈值，则服务端优化当前投放策略，如果实时转化成本低于一定阈值，则继续执行当前投放策略，可以自动降低广告的转换成本，优化广告投放效果。本申请实施例将实时转化成本与目标转化成本进行比较来确定是否优化当前投放策略，可以最大限度的满足广告主的广告投放成本优化需求。

其中，上述步骤(12)中，服务端根据测试转化成本和实时转化成本确定是否优化当前投放策，具体可以为：

(1221)，服务端确定实时转化成本与测试转化成本满足如下关系：c1＞c3*β；

(1222)，若满足，则服务端优化当前投放策略；

(1223)，若不满足，则服务端继续执行当前投放策略；

c1为实时转化成本，c3为测试转化成本，β为第二系统参数。

本申请实施例中，β可以设置为目标广告的历史订单中实际转化成本和测试转化成本的中位数、平均值、75％分位数中的任一种。

目标广告的历史订单可以包括服务端在广告投放测试阶段向多个客户端投放的多个测试订单。一般而言，订单的实际转化成本往往要高于测试转化成本，β一般大于1。

本申请实施例在智能投放的过程中，如果实时转化成本高于一定阈值，则服务端优化当前投放策略，如果实时转化成本低于一定阈值，则继续执行当前投放策略，可以自动降低广告的转换成本，优化广告投放效果。本申请实施例将实时转化成本与测试转化成本进行比较来确定是否优化当前投放策略，以测试阶段的测试成本作为主要判断依据，可以快速找到广告优化的方向。

可选的，上述步骤(1212)、步骤(1222)中，服务端优化当前投放策略，具体可以为：

服务端根据智能投放的各个流量媒体的转化成本和目标转化成本选取目标流量媒体进行投放。

本申请实施例中，服务端可以选择满足如下公式的目标流量媒体进行投放；

c4＜c2*γ；

其中，c4为目标流量媒体的转化成本，c2为目标转化成本，γ为第三系统参数。

本申请实施例中，γ可以设置为目标广告的历史订单中各个流量媒体的实际转化成本和目标转化成本比值的中位数、平均值、75％分位数中的任一种。

目标广告的历史订单可以包括服务端在广告投放测试阶段向多个客户端投放的多个测试订单。一般而言，订单的实际转化成本往往要高于目标转化成本，γ一般大于1。

本申请实施可以选择转化成本较小的目标流量媒体进行广告投放，从而可以降低广告转化成本，优化广告投放效果。

可选的，上述步骤(1212)、步骤(1222)中，服务端优化当前投放策略，具体还可以为：

服务端根据智能投放的各个用户标签的转化成本和目标转化成本选择目标用户标签进行投放。

本申请实施例中，服务端可以选择满足如下公式的目标用户标签进行投放；

c5＜c2*θ；

其中，c5为目标用户标签的转化成本，c2为目标转化成本，θ为第四系统参数。目标用户标签的转化成本等于该目标用户标签下的投放花费除以该目标用户标签下的转化数。

本申请实施中，θ可以设置为目标广告的历史订单中各个用户标签的实际转化成本和目标转化成本比值的中位数、平均值、75％分位数中的任一种。

目标广告的历史订单可以包括服务端在广告投放测试阶段向多个客户端投放的多个测试订单。一般而言，订单的实际转化成本往往要高于目标转化成本，θ一般大于1。

用户标签可以包括用户的性别、年龄、地域、兴趣、偏好等，具有相同用户标签的用户人群往往具有相同的特征。服务端可以计算各个用户标签的转化成本，选择转化成本较小的目标用户标签进行广告投放。

本申请实施可以选择转化成本较小的目标流量媒体进行广告投放，从而可以降低广告转化成本，优化广告投放效果。

可选的，上述步骤(1212)、步骤(1222)中，服务端优化当前投放策略，具体还可以为：

服务端根据智能投放的各个流量媒体的转化成本和目标转化成本优化各个流量媒体的流量出价。

本申请实施例中，服务端按照如下公式确定各个流量媒体进的流量报价；

c6＝c7*δ；

其中，c6为第一流量媒体调整后的流量报价，c7为第一流量媒体的初始报价，δ为报价调整参数，第一流量媒体为各个流量媒体中的任一个；δ与第一流量媒体的转化成本和目标转化成本相关。

如果第一流量媒体的转化成本大于目标转化成本，则δ＜1；

如果第一流量媒体的转化成本小于目标转化成本，则δ＞1；

如果第一流量媒体的转化成本等于目标转化成本，则δ＝1。

可选的，报价调整参数δ也可以根据运营人员经验值设定，该参数和竞价环境相关，在不同的流量竞价环境中，差距会被比较大，在流量竞争比较厉害时，可以尝试比较大的δ以多获得流量，在流量竞争不激烈的情况下，比较小的δ就能满足要求。

第一流量媒体的初始报价为广告主的初始报价。广告主可以基于如下公式进行初始报价，其中ecvr是训练好的转化率预估模型计算的预估转化率，ectr是目标广告的预估点击率，bid是广告主的初始报价，cpaexp是广告主的目标转化成本。

bid＝cpaexp*ectr*ecvr；

其中，ecvr通过训练好的转化率预估模型得到，ectr通过训练好的点击率预估模型得到。

点击率预估模型的训练可以在执行301时执行，服务端获取目标广告的用户行为样本数据后，该用户行为样本数据还可以用于对点击率预估模型进行训练以得到训练好的点击率预估模型，该训练好的点击率预估模型用于估计目标广告的预估点击率。

本申请实施例中，对于转化成本低的流量媒体，出更高的价格，保证尽可能多的获取优质流量媒体的流量。

本申请实施例中，可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

请参阅图4，图4是本申请实施提供的另一种互联网广告投放方法的流程示意图。图4是在图3的基础上进一步优化得到的，如图3所示，该互联网广告投放方法应用于服务器，该互联网广告投放方法包括如下步骤。

401，服务端向多个客户端投放用于测试的目标广告，搜集由多个客户端发送的基于目标广告的用户行为样本数据。

其中，步骤401的具体实施可以参见上述图3中的步骤301，此处不再赘述。

402，服务端统计搜集到的由多个客户端发送的用户行为样本数据的总量的量级是否达到训练需要的数据量级，用户行为样本数据为客户端在目标广告展示页面采集得到的，目标广告展示页面用于展示用于测试的目标广告。若是，则执行步骤403；若否，则执行步骤401。

本申请实施例中，可以在广告投放的展现页面进行数据采集的代码部署，采集广告落地页面的转化行为数据，根据采集的转化行为数据生成模型训练所需的用户行为样本数据。

用户行为样本数据的总量需要达到一定的数据量级才能得到对转化率预估模型得到较好的训练效果。本申请实施例可以设置在用户行为样本数据的总量的量级达到训练需要的数据量级才进行训练，可以保证转化率预估模型的训练效果。

403，服务端基于用户行为样本数据对转化率预估模型进行训练，得到训练好的转化率预估模型。

其中，步骤403的具体实施可以参见上述图3中的步骤302，此处不再赘述。

可选的，步骤403中，服务端基于用户行为样本数据对转化率预估模型进行训练，得到训练好的转化率预估模型，具体为：

(21)，服务端根据量级与学习模型的对应关系确定与用户行为样本数据的量级对应的目标学习模型；

(22)，服务端基于目标学习模型和用户行为样本数据训练转化率预估模型，得到训练好的转化率预估模型。

本申请实施例中，可以根据不同的量级选择不同的学习模型。比如，当量级较大时，可以选择目标学习模型为深度学习模型，当量级较小时，可以选择目标学习模型为机器学习模型。

举例来说，由于不同的广告投放的转化样本差距很大，有的广告投放可以有百万的转换样本，有的广告投放只有几百个转化样本。因此，本申请实施例的转化率预估模型采用分级训练的方式。根据机器学习模型的样本量级需要，按照如下规则来分级训练转化率预估模型：

i、当用户行为样本数量大于10000时，可选择深度学习模型训练转化率预估模型，使用的深度学习模型包括但不限于深度神经网络(deepneuralnetwork，dnn)模型、卷积神经网络(convolutionalneuralnetworks，cnn)模型、深度广度(wide&deep)模型、深度因子分解机(deepfactorizationmachine，deepfm)模型等。

ii、当用户行为样本数量大于1000并且小于10000时，可选择机器学习模型训练转化率预估模型，使用的机器学习模型包括但不限于逻辑回归(logisiticregression，lr)模型、梯度提升树(gradientboostingdecisiontree，gbdt)模型、支持向量机(supportvectormachine，svm)模型、随机森林模型等。

iii、当用户行为样本数量小于1000时，使用统计方法，直接统计本次广告投放的全局转化率、各个广告素材的转化率和各个媒体的转化率。对于转化数小于50的广告素材和媒体，认为统计置信度过低，用全局转化率替代该素材和媒体的转化率用于后续计算。

本申请实施例可以根据用户行为样本数量的量级选择对应的学习模型，根据样本数量的量级选择合适的学习模型进行训练，提高练转化率预估模型的训练效果。

可选的，上述步骤(22)中，服务端基于目标学习模型和用户行为样本数据训练转化率预估模型，得到训练好的转化率预估模型，具体可以包括如下步骤：

(221)服务端基于目标学习模型和用户行为样本数据训练转化率预估模型，评估转化率预估模型的模型指标是否符合预期要求；

(222)若符合，服务端确定得到训练好的转化率预估模型；

(233)若不符合，则可以继续执行步骤401，以获取更多的用户行为样本数量。

本申请实施例中，服务端在对转化率预估模型进行训练时，需要评估转化率预估模型的模型指标是否符合预期要求，在符合预期要求时，认为该模型可用。本申请实施例可以保证训练好的转化率预估模型是可用的模型，其预测的预估转化率的准确度符合要求。

可选的，步骤(221)中，服务端评估转化率预估模型的模型指标是否符合预期要求，具体为：

若转化率预估模型的接受者操作特性曲线下的面积大于第一预设阈值，并且转化率预估模型的逻辑斯蒂损失小于第二预设阈值，服务端确定转化率预估模型的模型指标符合预期要求；

若转化率预估模型的接受者操作特性曲线下的面积小于或等于第一预设阈值，或者转化率预估模型的逻辑斯蒂损失大于或等于第二预设阈值，服务端确定转化率预估模型的模型指标不符合预期要求。

本申请实施例中，评估模型指标一般使用接受者操作特性曲线(receiveroperatingcharacteristiccurve，roc)下的面积和逻辑斯蒂损失(logisiticloss，logloss)，roc下的面积也可以称为auc(areaundercurve)。auc是评估排序能力的指标，logloss是评估准确度的指标，根据模型训练的历史经验会设定auc和logloss的阈值，当auc大于设定的阈值(第一预设阈值)且logloss小于设定阈值(第二预设阈值)时才认为模型可用。

本申请实施例可以根据转化率预估模型的接受者操作特性曲线下的面积和逻辑斯蒂损失确定转化率预估模型的模型指标是否符合预期要求，保证训练得到的转化率预估模型的准确度和排序能力，提高转化率预估模型的预测准确度。

404，服务端将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率。

404，服务端基于预估转化率和投放目标参数对目标广告进行智能投放。

其中，步骤403至步骤404的具体实施可以参见上述图2中的步骤201至步骤202，此处不再赘述。举例来说，下面以xx金融借贷app的推广来具体阐述本发明实施例的方法步骤流程。

阶段一：进行投放测试阶段的广告落地页的布码数据采集，核心优化目标为xx金融借贷app的用户留资，在流程的投放测试阶段，积累200个转化数据(产生用户留资即可认为产生转化)，并根据转化数据，计算出测试转化成本cpatest；

阶段二：进入模型训练阶段，训练转化率预估模型；

阶段三：模型评估可用后，进入智能投放阶段此时，广告主根据测试转化成本设定目标转化成本cpaexp，并选择了部分流量和人群进行投放；

阶段四：投放三天后，如果发现实际转化成本cpareal高于cpaexp的30％，此时没有进损逻辑，开始进行精细优化，使用流量媒体优化，只挑选符合要求的流量媒体，继续进行投放，转化成本符合要求。

阶段五：继续进行智能投放，直到广告投放结束，达成广告主的投放要求。

本申请实施提供了一套自动化的广告优化方法，满足下载、留资、激活、获客等多种效果类广告的优化需求。可以根据广告主的转化目标，动态优选流量媒体、人群，并动态出价，降低转化成本，达到广告主预期。自动优化的各个阶段都可自动化进行，需要人工的工作量非常少。

上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，服务器为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对服务器进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

与上述一致的，请参阅图5，图5为本申请实施例提供的一种互联网广告投放装置的结构示意图，应用于服务器，该互联网广告投放装置500包括估计单元501和投放单元502，其中：

估计单元501，用于将获取到的用户特征和目标广告特征输入训练好的转化率预估模型，得到目标广告的预估转化率；

投放单元502，还用于基于所述预估转化率和投放目标参数对所述目标广告进行智能投放。

可选的，所述投放目标参数包括目标转化成本或测试转化成本，所述投放单元502基于所述预估转化率和投放目标参数对所述目标广告进行智能投放，具体为：计算所述智能投放的实时转化成本；根据所述目标转化成本和所述实时转化成本确定是否优化当前投放策略，或者根据所述测试转化成本和所述实时转化成本确定是否优化当前投放策略；所述目标转化成本基于所述预估转化率确定，所述测试转化成本基于所述用于测试的目标广告的投放花费和所述用户行为样本数据中的转化样本数量确定，所述当前投放策略基于所述用户行为样本数据确定。

可选的，投放单元502优化当前投放策略，具体为：根据所述智能投放的各个流量媒体的转化成本和所述目标转化成本选取目标流量媒体进行投放。

可选的，投放单元502优化当前投放策略，具体为：根据所述智能投放的各个用户标签的转化成本和所述目标转化成本选择目标用户标签进行投放。

可选的，投放单元502优化当前投放策略，具体为：根据所述智能投放的各个流量媒体的转化成本和所述目标转化成本优化各个流量媒体的流量出价。

可选的，该互联网广告投放装置500还可以包括投放测试单元503、数据搜集单元504和模型训练单元505；

所述投放测试单元503，用于向多个客户端投放用于测试的目标广告；

所述数据搜集单元504，用于搜集由所述多个客户端发送的基于所述目标广告的用户行为样本数据；

所述模型训练单元505，用于基于所述用户行为样本数据对转化率预估模型进行训练，得到训练好的转化率预估模型。

可选的，该互联网广告投放装置500还可以包括统计单元506；

所述统计单元506，用于在所述数据搜集单元504搜集由所述多个客户端发送的基于所述目标广告的用户行为样本数据之后，以及所述模型训练单元505基于所述用户行为样本数据对转化率预估模型进行训练之前，统计搜集到的由所述多个客户端发送的用户行为样本数据的量级是否达到训练需要的数据量级，所述用户行为样本数据为所述客户端在目标广告展示页面采集得到的，所述目标广告展示页面用于展示所述用于测试的目标广告；

所述模型训练单元505，还用于在所述统计单元506，统计的用户行为样本数据的量级达到训练需要的数据量级的情况下，基于所述用户行为样本数据对转化率预估模型进行训练。

可选的，所述模型训练单元505基于所述用户行为样本数据对转化率预估模型进行训练，得到训练好的转化率预估模型，具体为：根据量级与学习模型的对应关系确定与所述用户行为样本数据的量级对应的目标学习模型；基于所述目标学习模型和所述用户行为样本数据训练所述转化率预估模型，得到训练好的转化率预估模型。

可选的，所述模型训练单元505基于所述目标学习模型和所述用户行为样本数据训练所述转化率预估模型，得到训练好的转化率预估模型，具体为：基于所述目标学习模型和所述用户行为样本数据训练所述转化率预估模型，评估所述转化率预估模型的模型指标是否符合预期要求；若符合，确定得到训练好的转化率预估模型。

可选的，所述模型训练单元505评估所述转化率预估模型的模型指标是否符合预期要求，具体为：若所述转化率预估模型的接受者操作特性曲线下的面积大于第一预设阈值，并且所述转化率预估模型的逻辑斯蒂损失小于第二预设阈值，确定所述转化率预估模型的模型指标符合预期要求；

若所述转化率预估模型的接受者操作特性曲线下的面积小于或等于所述第一预设阈值，或者所述转化率预估模型的逻辑斯蒂损失大于或等于所述第二预设阈值，确定所述转化率预估模型的模型指标不符合预期要求。

可选的，所述投放测试单元503，还用于在所述用户行为样本数据的量级未达到训练需要的数据量级的情况下，继续向多个客户端投放用于测试的目标广告。

可选的，所述投放测试单元503，还用于在所述转化率预估模型的模型指标不符合预期要求的情况下，继续向多个客户端投放用于测试的目标广告。

其中，所述估计单元501、所述投放单元502、投放测试单元503、数据搜集单元504、模型训练单元505、统计单元506可以对应服务器中的处理器。

本申请实施例中，可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

请参阅图6，图6是本申请实施例提供的一种服务器的结构示意图，如图6所示，该服务器600包括处理器601、存储器602和通信接口603，处理器601、存储器602和通信接口603可以通过通信总线604相互连接。通信总线604可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器602用于存储计算机程序，计算机程序包括程序指令，处理器601被配置用于调用程序指令，上述程序包括用于执行图2至图3所示的方法。

处理器601可以是通用中央处理器(cpu)，微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制以上方案程序执行的集成电路。

存储器602可以是只读存储器(read-onlymemory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

通信接口603，用于与其他设备(如物联网设备)或通信网络通信，如以太网，无线接入网(ran)，无线局域网(wirelesslocalareanetworks，wlan)等。

此外，该服务器600还可以包括天线等通用部件，在此不再详述。

本申请实施例中，可以根据目标广告的预估转化率和投放目标参数对目标广告进行智能投放，提高目标广告的广告投放效果，可以自动进行广告效果的优化，从而提高广告效果的优化效率。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种互联网广告投放方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种互联网广告投放方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在申请明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块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器中。基于这样的理解，本申请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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。