一种广告库存的预估方法以及相关装置制造方法及图纸

本申请公开了一种广告库存的预估方法以及相关装置，通过获取目标广告的投放时间以及至少一个受众定向确定的目标条件特征；然后根据该投放时间确定训练集；并根据该训练集对第一神经网络模型进行训练，以得到第二神经网络模型；进而将该目标条件特征输入该第二神经网络模型，以得到该目标广告的广告库存。从而实现了广告库存的预估，由于训练集的采集是基于相近时间进行的选择，提高了训练集的代表性，减少了由于流量数据波动引起的广告库存预估偏差，提高了广告库存预估的准确性。

A prediction method of advertising stock and related devices

【技术实现步骤摘要】
一种广告库存的预估方法以及相关装置
本申请涉及计算机
，尤其涉及一种广告库存的预估方法以及相关装置。
技术介绍
随着移动终端相关技术的发展，越来越多的智能设备出现在人们的生活中，其中，通过智能设备进行广告推送是一种常见的场景，广告主会根据自身需求对流量方提出请求，以对目标广告进行曝光宣传，然而流量方往往有一定的流量限额，即广告库存，因而需要对广告库存进行预估以提供相应的广告推送服务。一般，广告库存的预估是使用过去的历史信息直接平移到未来的某一天，当做未来的曝光情况；比如使用过去几天的数据直接平移到未来的一段时间，即对于广告库存的预估是采用历史数据的趋势而得。但是，采用历史数据预估的前提是假设曝光的情况天与天之间没有差别，但是现实是不可能满足这种假设的，在一般场景中，目标广告的曝光场景的条件特征是波动的，这会造成流量的不稳定性，因而采用历史数据预估不能很好的匹配流量的波动，影响广告库存预估的准确性。
技术实现思路
有鉴于此，本申请提供一种广告库存预估的方法，可以有效减少由于流量波动造成的广告库存预估的误差，提高广告库存预估的准确性。本申请一方面提供一种广告库存预估的方法，可以应用于用于广告推荐或流量统计的系统或程序中，具体包括：获取目标广告的投放时间以及目标条件特征，所述目标条件特征基于所述目标广告的至少一个受众定向设定；根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。本申请一方面提供一种广告库存预估的装置，包括：获取单元，用于获取目标广告的投放时间以及目标条件特征，所述条件特征基于所述目标广告的至少一个受众定向设定；确定单元，用于根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；训练单元，用于根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；预估单元，用于将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。可选的，在本申请一些可能的实现方式中，所述第一神经网络模型为卷积神经网络，所述训练单元，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；所述训练单元，用于根据所述第一参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。可选的，在本申请一些可能的实现方式中，所述训练单元，用于根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；所述训练单元，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。可选的，在本申请一些可能的实现方式中，所述所述训练单元，用于将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；所述训练单元，用于在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；所述训练单元，用于根据所述梯度信息对所述第三参数进行修正，以确定所述第二参数。可选的，在本申请一些可能的实现方式中，其特征在于，所述确定单元，用于在预设范围内根据所述投放时间确定训练时间集，所述训练时间集包括多个日期信息，所述预设范围包括所述投放时间和所述多个日期信息指示的时间；所述确定单元，用于根据所述多个日期信息确定对应的流量请求数据以及对应的条件特征，以得到所述训练集。可选的，在本申请一些可能的实现方式中，所述多个日期信息指示的日期在所述投放时间指示的日期之前。可选的，在本申请一些可能的实现方式中，所述获取单元，用于获取目标广告的投放时间；所述获取单元，用于若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。可选的，在本申请一些可能的实现方式中，所述条件特征包括所述目标广告的广告位，所述获取单元，用于获取所述广告位的历史广告请求次数和所述广告位的历史广告成功下发次数；所述获取单元，用于根据所述广告位的历史广告请求次数与所述广告位的历史广告成功下发次数的比值确定广告填充率；所述确定单元，用于若所述广告填充率大于第二预设阈值，则根据所述投放时间确定训练集。可选的，在本申请一些可能的实现方式中，所述确定单元，用于若所述广告填充率小于或等于第二预设阈值，则获取所述目标广告的请求日志，所述请求日志包括所述目标广告的历史曝光率；所述确定单元，用于根据所述历史曝光率的波动情况确定确定所述训练集，所述训练集基于所述请求日志确定。可选的，在本申请一些可能的实现方式中，所述得到所述目标广告的广告库存之后，所述获取单元，用于获取广告主的锁量需求，所述广告主为所述目标广告的发起方；所述获取单元，用于根据所述锁量需求确定广告锁量，以对所述广告库存进行更新。本申请一方面提供一种神经网络模型的训练方法，包括：获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。本申请一方面提供一种神经网络模型的训练装置，包括：获取单元，用于获取训练集，所述训练集用于指示不同投放时间下条件特征与广告库存的对应关系；卷积单元，用于根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；所述卷积单元，还用于根据所述第一参数进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；训练单元，用于根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。本申请一方面提供一种计算机设备，包括：存储器、处理器以及总线系统；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述一方面任一项所述的广告库存预估的方法，或上述一方面所述的神经网络模型训练的方法。本申请一方面提供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指令，当其在计算机上运行时，使得计算机执行上述一方面任一项所述的广告库存预估的方法，或上述一方面所述的神经网络模型训练的方法。从以上技术方案可以看出，本申请实施例具有以下优点：本文档来自技高网...

【技术保护点】
1.一种广告库存的预估方法，其特征在于，包括：/n获取目标广告的投放时间以及目标条件特征，所述目标条件特征基于所述目标广告的至少一个受众定向设定；/n根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；/n根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；/n将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。/n

【技术特征摘要】
1.一种广告库存的预估方法，其特征在于，包括：
获取目标广告的投放时间以及目标条件特征，所述目标条件特征基于所述目标广告的至少一个受众定向设定；
根据所述投放时间确定训练集，所述训练集用于指示不同投放时间下条件特征与流量请求数据的对应关系，所述流量请求数据基于广告库存设定；
根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型；
将所述目标条件特征输入所述第二神经网络模型，以得到所述目标广告的广告库存。


2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型为卷积神经网络，所述根据所述训练集对第一神经网络模型进行训练，以得到第二神经网络模型，包括：
根据所述训练集进行第一卷积操作，以得到第一参数，所述第一卷积操作为一维卷积，所述一维卷积中的卷积核基于时间序列进行移动；
根据所述第一参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述根据所述第一参数对所述第一神经网络模型的参数进行优化，包括：
根据所述第一参数对应的模型进行至少两次第二卷积操作，以得到第二参数，所述第二卷积操作为带洞卷积；
根据所述第二参数对所述第一神经网络模型的参数进行优化，以得到第二神经网络模型。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述训练集输入残差网络，所述残差网络包含顺次相连的多个残差块，每个所述残差块包含卷积分支和残差分支，所述残差分支用于根据所述训练集生成梯度信息；
在所述卷积分支中进行第一卷积操作和至少两次第二卷积操作，以得到第三参数；
根据所述梯度信息对所述第三参数进行修正，以确定所述第二参数。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述投放时间确定训练集，包括：
在预设范围内根据所述投放时间确定训练时间集，所述训练时间集包括多个日期信息，所述预设范围包括所述投放时间和所述多个日期信息指示的时间；
根据所述多个日期信息确定对应的流量请求数据以及对应的条件特征，以得到所述训练集。


6.根据权利要求5所述的方法，其特征在于，所述多个日期信息指示的日期在所述投放时间指示的日期之前。


7.根据权利要求1-6任一项所述的方法，其特征在于，所述获取目标广告的投放时间以及条件特征，包括：
获取目标广告的投放时间；
若所述投放时间满足预设条件，则获取所述条件特征，所述预设条件基于所述投放时间距离当前时间的时间差与第一预设阈值的大小关系确定。


8.根据权利要求7所述的方法，其特征在于，所述条件特征包括所述目标广告的广告位，所述获取所述条件特征之后，所述方法还包括：
获取所述广告位的历史广告请求次数和所述广告位的历史广告成功下发次数；
根据所述广告位的历史广告请求次数与所述广告位的历史广告成功下发次数的比值确定广告填充率；
所述根据所述投放时间确定训练集，包括：<...

【专利技术属性】
技术研发人员：王韩彬，王兵，姚伶伶，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44