广告投放效果的评估方法、装置、计算机设备及存储介质与流程

本发明涉及计算机应用技术领域，尤其涉及一种广告投放效果的评估方法、装置、计算机设备及存储介质。

背景技术：

目前，在互联网信息流产品中以竞价方式投放广告已经成为广告主的一个主流选择，并且需求持续增长，覆盖行业也越来越广泛。在信息流竞价广告投放过程中，展示机会是不保证的，而是通过竞价排序的方式来竞争，为了更好制定广告投放策略，需要对广告投放效果进行评估，以便于为后续制定广告投放方案提供参照。

目前，广告主对于广告投放效果的评估通常通过投资收益率roi来判断，但是roi计算收入仅考虑当期收入，对于像金融保险这类边际成本率会随客群变化的业务来说，当期收入无法准确地反映满期收益，这就无法保证广告投放效果评估的准确度，从而影响后续广告投放方案的制定，进而无法为合理控制广告投放成本提供有效参照。

技术实现要素：

为了解决上述背景技术中提到的至少一个问题，本发明提供了一种广告投放效果的评估方法、装置、计算机设备及存储介质。

本发明实施例提供的具体技术方案如下：

第一方面，提供了一种广告投放效果的评估方法，所述方法包括：

针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取所述用户对于目标广告的边际成本率预估值；

基于各所述用户对于所述目标广告的边际成本率预估值、各所述用户对于所述目标广告转化后的收入以及所述目标广告的竞价值，计算所述目标广告的投资收益率预估值；

基于所述目标广告的投资收益率预估值，对所述目标广告的投放效果进行评估。

进一步地，所述成本预测模型包括表示提取器层、特征融合层以及成本预测层，所述针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取所述用户对于目标广告的边际成本率预估值，包括：

针对多个用户中的每一个用户，将所述用户的行为数据和所述目标广告的广告数据输入至所述表示提取器层进行特征提取，得到多个特征数据；

将所述多个特征数据输入至所述特征融合层进行加权融合，得到用于边际成本率预测的融合特征；

将所述融合特征输入至所述成本预测层中，得到所述用户对于所述目标广告的边际成本率预估值。

进一步地，所述成本预测模型的训练过程包括：

构建训练数据集，其中，所述训练数据集为广告主提供的标注了成本标签的样本数据与量平台提供的客群数据碰撞之后的交集，所述成本标签为正规化后的成本数据；

基于所述训练数据集对所述成本预测模型进行训练，得到训练好的所述成本预测模型。

进一步地，所述基于所述训练数据集对所述成本预测模型进行训练，得到训练好的所述成本预测模型，包括：

基于所述训练数据集对所述成本预测模型进行迭代训练；

在每次迭代训练中，利用预设的损失函数计算所述成本预测模型输出的边际成本率预估值与对应样本的边际成本率真值之间的损失值；

当所述损失值达到预设值时，停止迭代训练所述成本预测模型，得到训练好的所述成本预测模型。

进一步地，所述方法还包括：

基于所述目标广告的投放效果的评估结果，调整所述目标广告的投放策略，其中，所述投放策略至少包括以下之一：是否投放所述目标广告、所述目标广告的投放时间以及所述目标广告的竞价值。

第二方面，提供了一种广告投放效果的评估装置，所述装置包括：

获取模块，用于针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取所述用户对于目标广告的边际成本率预估值；

计算模块，用于基于各所述用户对于所述目标广告的边际成本率预估值、各所述用户对于所述目标广告转化后的收入以及所述目标广告的竞价值，计算所述目标广告的投资收益率预估值；

评估模块，用于基于所述目标广告的投资收益率预估值，对所述目标广告的投放效果进行评估。

进一步地，所述成本预测模型包括表示提取器层、特征融合层以及成本预测层，所述获取模块具体用于：

针对多个用户中的每一个用户，将所述用户的行为数据和所述目标广告的广告数据输入至所述表示提取器层进行特征提取，得到多个特征数据；

将所述多个特征数据输入至所述特征融合层进行加权融合，得到用于边际成本率预测的融合特征；

将所述融合特征输入至所述成本预测层中，得到所述用户对于所述目标广告的边际成本率预估值。

进一步地，所述装置还包括训练模块，所述训练模块包括：

构建子模块，用于构建训练数据集，其中，所述训练数据集为广告主提供的标注了成本标签的样本数据与量平台提供的客群数据碰撞之后的交集，所述成本标签为正规化后的成本数据；

训练子模块，用于基于所述训练数据集对所述成本预测模型进行训练，得到训练好的所述成本预测模型。

进一步地，所述训练子模块具体用于：

基于所述训练数据集对所述成本预测模型进行迭代训练；

在每次迭代训练中，利用预设的损失函数计算所述成本预测模型输出的边际成本率预估值与对应样本的边际成本率真值之间的损失值；

当所述损失值达到预设值时，停止迭代训练所述成本预测模型，得到训练好的所述成本预测模型。

进一步地，所述装置还包括：

调整模块，用于基于所述目标广告的投放效果的评估结果，调整所述目标广告的投放策略，其中，所述投放策略至少包括以下之一：是否投放所述目标广告、所述目标广告的投放时间以及所述目标广告的竞价值。

第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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第一方面的所述广告投放效果的评估方法的步骤。

第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的广告投放效果的评估方法的步骤。

本发明实施例提供一种广告投放效果的评估方法、装置、计算机设备及存储介质，通过针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取该用户对于目标广告的边际成本率预估值，并基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值，以及基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估，由于在预估目标广告的投资收益率时不仅考虑到各个用户对于目标广告转化后的收入以及目标广告的竞价值，而且还考虑到各个用户对于该目标广告的简单边际成本，由此能够实现对目标广告的广告效果的评估更加准确，从而能够为广告主后续广告投放方案的合理制定提供数据支撑，进而为广告主合理控制广告投放成本提供有效参照。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例提供的一种广告投放效果的评估方法的流程图；

图2为图1所示方法中步骤s11的具体流程图；；

图3为图1所示方法中成本预测模型的训练过程的具体流程图；

图4为本发明实施例提供的一种广告投放效果的评估装置的结构图；

图5为本发明实施例提供的计算机设备的内部结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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。

需要说明的是，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

此外，在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

现有技术中，广告主对于广告投放效果的评估通常通过投资收益率roi来判断，但是roi计算收入仅考虑当期收入，对于像金融保险这类边际成本率会随客群变化的业务来说，当期收入无法准确地反映满期收益，这就无法保证广告投放效果评估的准确度，从而影响后续广告投放方案的制定，进而无法为合理控制广告投放成本提供有效参照。另外，金融保险等行业的广告主希望广告投放的展示机会能够精准地与目标人群的风险水平进行挂钩，实现对于低风险人群可以配置相对高出价、高风险人群低出价，类似费用折扣联动，整体边际成本率保持稳定的目标。为此，本发明实施例提供一种广告投放效果的评估方法，该方法通过采用基于简单边际成本加权的优化版roi，使得广告主对于广告效果的评估更加准确，从而能够为后续广告投放方案的合理制定提供数据支撑，进而为合理控制广告投放成本提供有效参照。

需要说明的是，在本发明的描述中，边际成本是指代“简单边际成本”，简单边际成本mr(marginalrevenue是指不考虑费用分摊的边际成本，边际成本率是指代“简单边际成本率”，简单边际成本率是一个介于0到1之间的概率值。

实施例一

本发明实施例提供了一种广告投放效果的评估方法，如图1所示，该方法可以包括：

步骤s11，针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取该用户对于目标广告的边际成本率预估值。

步骤s12，基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值。

在实际投放过程中，广告主对于广告投放效果的评估通常通过投资收益率roi来判断，并且会根据预期roi来调整出价(bid)策略。在此模式下，广告主对于广告效果的评估可以采用如下公式计算出基于简单边际收益加权的优化版roi，从而更精准地调整出价策略：

其中，oroi为目标广告的投资收益率预估值，revenue为各个用户对目标广告的收入，当用户转化后revenue即等于实际收入，当用户未转化时revenue即等于0，emr为实际转化的各用户对于目标广告的边际成本率预估值，actual_bids为目标广告的竞价值，即广告投入成本。

步骤s13，基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估。

在本发明实施例中，针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取该用户对于目标广告的边际成本率预估值，并基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值，以及基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估，由于在预估目标广告的投资收益率时不仅考虑到各个用户对于目标广告转化后的收入以及目标广告的竞价值，而且还考虑到各个用户对于该目标广告的简单边际成本，由此能够对目标广告的广告效果的评估更加准确，从而能够为广告主后续广告投放方案的合理制定提供数据支撑，进而为广告主合理控制广告投放成本提供有效参照。

在一个具体实施方式中，成本预测模型包括表示提取器层、特征融合层以及成本预测层，具体来说，成本预测模型的整个架构分为三大层，每层内部可以是多层神经网络子结构：

a)最底层为若干相对较弱的表示提取器子网络，子网络之间没有连接，可以采用深度神经网络结构(dnn)为表示(representation)的提取器，这里不需要指定具体的网络子结构，网络子结构在整个架构中是可插拔替换的，不同表示提取器可以提取出不同的特征数据；

b)第二层为特征融合层，即稀疏连接融合层，采用集成学习的思想将各个弱提取器的输出结果进行综合，集成的方式可以是多样的，例如加权和，这里的权重是可学习的；

c)第三层为成本预测层，表示提取器子网络输出的结果综合之后会被输入到第三层，通过成本预测层输出边际成本率预估值。

如图2所示，上述步骤s11的实现过程可以包括：

步骤s21，针对多个用户中的每一个用户，将用户的行为数据和目标广告的广告数据输入至表示提取器层进行特征提取，得到多个特征数据。

这里，用户是指通过客户端刷新流量平台提供的信息流的用户。用户在刷新信息流时可以通过流量平台获取到该用户的用户标识和/或终端标识，通过用户标识和/或终端标识获取到用户的行为数据。

其中，用户的行为数据为一段预设时间范围内的数据，比如，最近一周或最近一个月的行为数据，还可以是最近半年的行为数据等等，其中，预设时间范围可以根据实际需要进行灵活调整。这些行为数据可以充分反馈在预设时间范围内用户在流量平台上的网上行为，例如，看过某一类视频多少次多少时长、浏览过哪些文章、通过哪些关键字搜索视频等等。

其中，广告数据可以包括但不限于文案数据以及图片数据。其中，文案数据可以包括但不限于广告关键词，图片数据可以包括但不限于像素值等。

本实施例中，通过对用户的行为数据和目标广告的广告数据输入至表示提取器层进行特征提取，可以得到包括但不限于性别、年龄、兴趣爱好、购物、职业、活动地理位置、关注点等用户行为特征以及包括但不限于广告文案特征和广告图片特征的广告特征。

步骤s22，将多个特征数据输入至特征融合层进行加权融合，得到用于边际成本率预测的融合特征。

其中，特征融合层中预设有权重参数，权重参数包括

具体地，多个特征数据输入至特征融合层中按照多个特征数据分别对应的权重值进行加权求和，得到用于边际成本率预测的融合特征。

步骤s23，将融合特征输入至成本预测层中，得到用户对于目标广告的边际成本率预估值。

在一个具体实施方式中，如图3所示，上述成本预测模型的训练过程包括：

步骤s31，构建训练数据集，其中，训练数据集为广告主提供的标注了成本标签的样本数据与量平台提供的客群数据碰撞之后的交集，成本标签为正规化后的成本数据。

步骤s32，基于训练数据集对成本预测模型进行训练，得到训练好的成本预测模型。

具体地，步骤s32的实现过程可以包括：

基于训练数据集对成本预测模型进行迭代训练；

在每次迭代训练中，利用预设的损失函数计算成本预测模型输出的边际成本率预估值与对应样本的边际成本率真值之间的损失值；

当损失值达到预设值时，停止迭代训练成本预测模型，得到训练好的成本预测模型。

上述预设的损失函数可以采用交叉熵，其中，交叉熵为神经网络损失函数中一种广泛采用的损失函数，由于交叉熵为现有技术，因此在此不再赘述。

本实施例中，上述成本预测模型的训练适用于联合建模的场景。

需要注意的是，成本预测模型的事实标签(label)信息是广告主提供的碰撞客群的成本标签，并且是除了广告投放成本以外的其他成本，成本标签为正规化后的成本数据，例如保险赔付成本。

在一个具体实施方式中，在步骤s14之后，方法还可以包括：

基于目标广告的投放效果的评估结果，调整目标广告的投放策略。

其中，投放策略至少包括以下之一：是否投放目标广告、目标广告的投放时间以及目标广告的竞价值。

本实施例中，通过基于目标广告的投放效果的评估结果，调整目标广告的投放策略，能够使得广告主的出价(bid)策略更加合理。

实施例二

本发明提供了一种广告投放效果的评估装置，如图4所示，该广告投放效果装置可以包括：

获取模块41，用于针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取用户对于目标广告的边际成本率预估值；

计算模块42，用于基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值；

评估模块43，用于基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估。

在一个具体实施方式中，成本预测模型包括表示提取器层、特征融合层以及成本预测层，获取模块41具体用于：

针对多个用户中的每一个用户，将用户的行为数据和目标广告的广告数据输入至表示提取器层进行特征提取，得到多个特征数据；

将多个特征数据输入至特征融合层进行加权融合，得到用于边际成本率预测的融合特征；

将融合特征输入至成本预测层中，得到用户对于目标广告的边际成本率预估值。

在一个具体实施方式中，装置还包括训练模块，训练模块包括：

构建子模块，用于构建训练数据集，其中，训练数据集为广告主提供的标注了成本标签的样本数据与量平台提供的客群数据碰撞之后的交集，成本标签为正规化后的成本数据；

训练子模块，用于基于训练数据集对成本预测模型进行训练，得到训练好的成本预测模型。

在一个具体实施方式中，训练子模块具体用于：

基于训练数据集对成本预测模型进行迭代训练；

在每次迭代训练中，利用预设的损失函数计算成本预测模型输出的边际成本率预估值与对应样本的边际成本率真值之间的损失值；

当损失值达到预设值时，停止迭代训练成本预测模型，得到训练好的成本预测模型。

在一个具体实施方式中，装置还包括：

调整模块，用于基于目标广告的投放效果的评估结果，调整目标广告的投放策略，其中，投放策略至少包括以下之一：是否投放目标广告、目标广告的投放时间以及目标广告的竞价值。

需要说明的是：本实施例提供的广告投放效果的评估装置中，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例的广告投放效果的评估装置与上述实施例中的广告投放效果的评估方法实施例属于同一构思，其具体实现过程和有益效果详见广告投放效果的评估方法实施例，这里不再赘述。

图5为本发明实施例提供的计算机设备的内部结构图。该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种广告投放效果的评估方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取用户对于目标广告的边际成本率预估值；

基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值；

基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

针对多个用户中的每一个用户，通过预先训练好的成本预测模型获取用户对于目标广告的边际成本率预估值；

基于各用户对于目标广告的边际成本率预估值、各用户对于目标广告转化后的收入以及目标广告的竞价值，计算目标广告的投资收益率预估值；

基于目标广告的投资收益率预估值，对目标广告的投放效果进行评估。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。