广告位的竞价调整方法、装置、设备和存储介质与流程

1.本技术涉及广告投放技术领域，特别是涉及一种广告位的竞价调整方法、装置、计算机设备和存储介质。


背景技术：

2.在广告投放业务领域内，rta是指广告主通过api接口的方式，对广告流量实时进行筛选和出价干预。rta即realtime api的简称，在定向环节中将客户身份的识别的请求发送给广告主，进行客户的筛选，用于满足广告主实时个性化的投放需求。广告主侧的系统中提供rta服务给媒体一个rta请求接口，由媒体针对广告位信息向广告主发起rta请求，询问广告主某个用户是否参与广告位的竞价。
3.目前广告主侧判断用户是否参与竞价，主要是利用模型分再去执行业务配置的规则，然后判断此用户是否参与竞价。基本是预先设置好几种固定的策略规则，根据广告消耗和初始授信金额输出模型分的取值，业务人员根据模型分的取值决策选取被执行的策略规则，且只能在已有的固定的策略规则中选取。
4.但是，由于这种固定设置的策略规则无法实时修改调整，不会根据用户质量预测当天客群的优劣，只会使用统一的策略来做决策，造成rta策略给出的广告位的竞价与用户质量不匹配，减弱了rta的识别优势，最终会导致rta服务提供的广告位的竞价结果产生偏差，造成高质量用户流失，低质量用户占比增加。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种广告位的竞价调整方法、装置、计算机设备和存储介质，能够解决现有的rta服务无法准确预测当天客群的用户质量，造成rta策略给出的广告位的竞价与用户质量不匹配的技术问题。
6.一方面，提供一种广告位的竞价调整方法，所述方法包括：
7.在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
8.获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
9.获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
10.将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
11.根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
12.在其中一个实施例中，在数据库内存储用户质量信息步骤之前，还包括：
13.获取目标媒体广告平台上的使用用户的用户信息；
14.根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；
15.将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；
16.获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，根据“80/20法则”对使用用户进行质量分类，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；
17.将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分信息。
18.在其中一个实施例中，所述获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
19.获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；
20.结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；
21.根据筛选出的用户信息获取对应的质量评分信息；
22.根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
23.在其中一个实施例中，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
24.获取用户质量评分信息中的使用用户的分类结果；
25.统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户的使用用户的数量b；
26.根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
27.在其中一个实施例中，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括：
28.获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；
29.使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；
30.根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；
31.根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。
32.在其中一个实施例中，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：
33.设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；
34.设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i
的预测值；yi表示样本i的实际值；f
t
(xi)表示“第t棵决策树”对样本i的预测值；表示与yi，有关的损失函数；ω(fj)表示第j棵树的模型复杂度；
35.设置分类模型的预测值为：
36.设置分类模型的损失函数为：其中，表示与yi，有关的损失函数，也就是偏差；表示第j棵树的复杂项；
37.对损失函数进行简化：
[0038][0039]
其中，表示前t-1个模型；
[0040]
对损失函数泰勒展开：
[0041][0042]
其中，g
ift
(xi)为残差的一阶导数，为残差的二阶导数；
[0043]
将树的参数带入损失函数：
[0044][0045]
其中，表ωj示该树中，第j个叶子结点的值；t表示叶子结点数量；ij表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的gi总和；表示表示所有属于第j个叶子结点的样本的hi总和；γt表示二次函数。
[0046]
在其中一个实施例中，所述根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值步骤，包括：
[0047]
在数据库中建立高质量用户占比与广告位的竞价数值关联关系；
[0048]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，
获取数据库中对应的广告位的竞价数值；
[0049]
将数据库中对应的广告位的竞价数值作为在未来第三时间段内的广告位的竞价反馈至所述目标媒体广告平台。
[0050]
另一方面，提供了一种广告位的竞价调整的装置，所述装置包括：
[0051]
数据库管理模块，用于在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0052]
用户质量检测模块，用于获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0053]
历史数据获取模块，用于获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0054]
用户质量预测模块，用于将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0055]
rta策略控制出价模块，用于根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0056]
再一方面，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以下步骤：
[0057]
在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0058]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0059]
获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0060]
将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0061]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0062]
又一方面，提供了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以下步骤：
[0063]
在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0064]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0065]
获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0066]
将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0067]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0068]
上述广告位的竞价调整方法、装置、计算机设备和存储介质，根据当前第一时间段内的使用用户的用户信息计算出其高质量用户占比，将实时高质量用户占比与历史数据进行对比判断，能够准确预测下一时段的用户质量，本技术根据预测获知的下一时段的用户质量来确定广告位的竞价数值，而不是采用统一的策略来给出的广告位的竞价方式，实现了广告位的竞价与用户质量时刻保持相匹配，提升了广告位的竞价数值与用户质量的匹配准确性。
附图说明
[0069]
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。
[0070]
图1为一个实施例中广告位的竞价调整方法的应用环境图；
[0071]
图2为一个实施例中广告位的竞价调整方法的流程示意图；
[0072]
图3为一个实施例中在数据库内存储用户质量信息步骤之前步骤的流程示意图；
[0073]
图4为一个实施例中获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤的流程示意图；
[0074]
图5为一个实施例中根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤的流程示意图；
[0075]
图6为一个实施例中根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤的流程示意图；
[0076]
图7为一个实施例中采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值步骤的流程示意图；
[0077]
图8为一个实施例中根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值步骤的流程示意图；
[0078]
图9为一个实施例中广告位的竞价调整方法的应用原理图；
[0079]
图10为一个实施例中广告位的竞价调整的装置的结构框图；
[0080]
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
[0081]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
[0082]
如背景技术所述，一般的广告主使用rta服务，只会使用统一的策略来做决策,不会根据用户质量预测当天客群的优劣方式实现rta策略给出的广告位的竞价与用户质量相匹配，导致rta服务提供的广告位的竞价结果产生偏差，造成高质量用户流失，低质量用户占比增加。而且rta服务使用统一的策略来做决策给出的广告位的竞价方式难以实现灵活多变的应对策略，例如周末或者节假日的高质量用户会增多，这样与工作日的高质量用户比例明显不同，rta服务使用统一的策略来做决策给出的广告位的竞价方式难以满足用户需求。
[0083]
因此，本发明实施例中创造性的提出了一种广告位的竞价调整方法，在实际的广告投放中，发现可以根据当天某些时间段(例如05:00-09:00)的广告时段的高质量用户的占比，预测当天的客群质量水平，然后再根据客群质量执行不同的rta排除策略，选择合适的广告位的竞价方式。
[0084]
具体是根据用户画像(即用户信息)如年龄、学历、收入、地域等通过模型计算出质量分。然后通过每日曝光、点击、注册进来的用户查的用户的质量分，将实时高质量分的用户占比与历史数据进行对比判断，预测下一时段的用户质量。从而调整执行的策略，实现广告位的竞价与用户质量相匹配。
[0085]
本技术提供的广告位的竞价调整方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与媒体广告平台103通过网络进行通信，媒体广告平台103与广告主服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，客户可以通过终端102浏览头条、腾讯等广告信息，媒体广告平台103包括头条、腾讯等服务器，媒体广告平台103及广告主服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0086]
可理解的是，任何一个媒体广告平台103的用户群体特性基本保持不变，任何一个媒体广告平台103均可视作目标媒体广告平台。
[0087]
在一个实施例中，如图2所示，提供了一种广告位的竞价调整方法，以该方法应用于图1中的广告主服务器104为例进行说明，包括以下步骤：
[0088]
步骤s1，在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0089]
步骤s2，获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0090]
步骤s3，获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0091]
步骤s4，将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0092]
步骤s5，根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0093]
可理解的是，本技术是利用目标媒体广告平台上在第二时间段内的高质量用户占
比数据，来评估目标媒体广告平台上在第一时间段内的使用用户中的高质量用户占比，基于此高质量用户占比评估结果，预测在未来第三时间段内的高质量用户占比，从而给出预估的广告位的竞价数值。
[0094]
其中第二时间段的时长大于第一时间段的时长，就能通过在第二时间段内找出与第一时间段相匹配或相类似的高质量用户占比，基于第二时间段内的高质量用户占比统计曲线，可获知在第一时间段之后的未来第三时间段内的高质量用户占比预测结果。
[0095]
在本实施例中，通过api接口的方式向媒体广告平台提供rta服务；所述媒体广告平台根据客户在浏览网页过程中产生空闲广告位，对应所述空闲广告位发出广告资源请求，在处理广告资源请求时通过所述api接口发起rta咨询。所述广告位的竞价调整方法用于对rta咨询答复广告位的竞价数值。
[0096]
为了获取目标媒体广告平台的对应广告位的竞价范围，需要在数据库内存储用户质量信息之前就针对目标媒体广告平台的使用用户进行数据统计，来获知目标媒体广告平台的使用用户的质量水准或质量分布。
[0097]
因此，如图3所示，在数据库内存储用户质量信息步骤之前，还包括：
[0098]
步骤s11，获取目标媒体广告平台上的使用用户的用户信息；
[0099]
步骤s12，根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；
[0100]
步骤s13，将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；
[0101]
步骤s14，获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，根据“80/20法则”对使用用户进行质量分类，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；
[0102]
步骤s15，将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分信息。
[0103]
如图4所示，所述获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0104]
步骤s21，获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；
[0105]
步骤s22，结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；
[0106]
步骤s23，根据筛选出的用户信息获取对应的质量评分信息；
[0107]
步骤s24，根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0108]
本实施例是利用第一时间段内的使用用户，找出其是否存储在数据库内的用户质量信息中，若是则作为判断因素，若不是则直接将这一使用用户剔除。在第一时间段内的使用用户中找出已存储于所述数据库内的用户质量信息，据此获取对应的质量评分信息，然后计算出对应的高质量用户占比。
[0109]
其中被剔除的在第一时间段内的使用用户，可作为数据库信息后续更新的数据源，收集这些使用用户的用户信息并进行质量评分及质量分类以获取对应的质量评分信
息，可更新数据库来完善数据库内存储的用户质量信息的数量，提升数据库的用户质量信息的全面覆盖性。其方法具体包括：获取使用用户的用户信息中未存储于所述数据库内的用户信息，对未存储于所述数据库内的用户信息进行质量评分及质量分类以获取对应的质量评分信息，将未存储于所述数据库内的用户信息及对应的质量评分信息存储至所述数据库中。
[0110]
如图5所示，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0111]
步骤s31，获取用户质量评分信息中的使用用户的分类结果；
[0112]
步骤s32，统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户的使用用户的数量b；
[0113]
步骤s33，根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0114]
如图6所示，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括：
[0115]
步骤s41，获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；
[0116]
步骤s42，采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值。
[0117]
结合图9，所述用户信息包括用户点击数据、用户曝光数据和用户注册数据，其中用户曝光数据为用户观看时长，用户注册数据包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位。消费水平价位可通过手机型号获取对应的手机价位方式获知。
[0118]
如图7所示，所述采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值步骤，包括：
[0119]
步骤s51，使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；每一决策树中包含多个分类参数，使用用户通过所述决策树能够被分类至决策树的末端叶子节点；
[0120]
步骤s52，根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；
[0121]
步骤s53，根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。
[0122]
也就是说，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括步骤s41、步骤s51、步骤s52、步骤s53。
[0123]
其中，xgboost是一种集成学习方法，全称是extreme gradient boosting，是一种梯度提升决策树算法的实现，它是目前最快最好的开源boosting tree工具包，比常见的工具包快10倍以上。
[0124]
集成学习(ensemble learning)即融合了多个弱模型(基模型)而成的模型，其潜在的思想是即便某一个弱模型得到了错误的预测，其他的弱模型也可以将错误纠正回来。一般有两种融合策略，bagging和boosting，xgboost就是一种boosting集成学习的优秀代
表。
[0125]
xgboost的优点在于拟合能力非常强大，在传统机器学习算法中几乎可以说是最强的，缺点在于超参数较多，需要理解并熟练调参难度较大。
[0126]
实务中大量模型都是使用的xgboost算法，可以说是最常用的模型算法也不为过。
[0127]
xgboost算法是一个可拓展的tree boosting算法。xgboost的基本组成元素是：决策树；我们将这些决策树成为”弱学习器“，这些”弱学习器“共同组成了xgboost。生成每棵决策树使用的数据集，是整个数据集。所以可以将每棵决策树的生成都看作是一个完整的决策树生成过程。
[0128]
xgboost的“弱学习器”是“决策树”，每棵“决策树”都是目标函数值最小时的模型。只有这棵“决策树”的目标函数值最小，才会被选为“弱学习器”。
[0129]
总共t棵树对样本i的预测值＝前t-1棵预测树的预测值+第t棵树的预测值。
[0130]
其中，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：
[0131]
设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；
[0132]
设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i的预测值；yi表示样本i的实际值；f
t
(xi)表示“第t棵决策树”对样本i的预测值；表示与yi，有关的损失函数；ω(fj)表示第j棵树的模型复杂度；
[0133]
设置分类模型的预测值为：
[0134]
设置分类模型的损失函数为：其中，表示与yi，有关的损失函数，也就是偏差；表示第j棵树的复杂项；
[0135]
对损失函数进行简化：
[0136][0137]
其中，表示前t-1个模型；
[0138]
对损失函数泰勒展开：
[0139][0140]
其中，g
ift
(xi)为残差的一阶导数，为残差的二阶导数；
[0141]
将树的参数带入损失函数：
[0142][0143]
其中，表ωj示该树中，第j个叶子结点的值；t表示叶子结点数量；ij表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的gi总和；表示表示所有属于第j个叶子结点的样本的hi总和；γt表示二次函数。
[0144]
设则在设置叶子结点的值时，将叶子结点的值ωj设为此时该树的目标函数最小。
[0145]
叶子结点的值和目标函数的大小，与“前k-1个决策树”的偏差有关。且每个决策树在结构确定的前提下，目标函数最小为也就是：先求每个叶子结点中的样本的偏差的一次导数和二次导数相除，再对所有叶子节点求和。
[0146]
如图8所示，所述根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值步骤，包括：
[0147]
步骤s61，在数据库中建立高质量用户占比与广告位的竞价数值关联关系；
[0148]
步骤s62，根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，获取数据库中对应的广告位的竞价数值；
[0149]
步骤s63，将数据库中对应的广告位的竞价数值作为在未来第三时间段内的广告位的竞价反馈至所述目标媒体广告平台。
[0150]
亦即广告位的竞价数值根据预设的与高质量用户占比对应的数值确定。其中将实时高质量用户占比与历史数据进行对比判断，预测下一时段的用户质量，从而调整广告位的竞价数值。通过在多个时间段不断的调整广告位的竞价数值，即可形成价格调整曲线，这样与各个时间段的用户质量相匹配，当某一时间段内的高质量用户占比低时，不会给出高价，避免低质量用户被选择。当某一时间段内的高质量用户占比高时，会给出高价，来抢夺高质量用户。
[0151]
如图9所示，本实施例优选第二时间段为近7天，根据近7天的高质量用户占比可获知随着每周的时长循环规律。当然第二时间段也可为一个月。本实施例优选第一时间段和第三时间段均为半小时，这样可及时调整广告位的竞价数值，也可避免频繁调整广告位的竞价导致的处理数据增加情况。可理解的是，第一时间段和第三时间段不一定相同，第一时间段和第三时间段也可为如一小时、两小时的其他时长。
[0152]
上述广告位的竞价调整方法中，根据当前第一时间段内的使用用户的用户信息计
算出其高质量用户占比，将实时高质量用户占比与历史数据进行对比判断，能够准确预测下一时段的用户质量，本技术根据预测获知的下一时段的用户质量来确定广告位的竞价数值，而不是采用统一的策略来给出的广告位的竞价方式，实现了广告位的竞价与用户质量时刻保持相匹配，提升了广告位的竞价数值与用户质量的匹配准确性。
[0153]
应该理解的是，虽然图2-图9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图9中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0154]
在一个实施例中，如图10所示，提供了一种广告位的竞价调整的装置10，包括：数据库管理模块1、用户质量检测模块2、历史数据获取模块3、用户质量预测模块4、rta策略控制出价模块5。
[0155]
数据库管理模块1用于在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息。
[0156]
用户质量检测模块2(对应图9中的ai模型)用于获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比。用户质量检测模块2可以通过卷积神经网络(ai)训练后得到收敛的ai模型，实现自动获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，并计算出对应的高质量用户占比。
[0157]
历史数据获取模块3用于获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长。
[0158]
用户质量预测模块4(对应图9中的预测模型)用于将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比。用户质量预测模块4也就是预测模型，用来根据目标媒体广告平台上在第一时间段内的高质量用户占比，基于在第二时间段内的高质量用户占比数据预测未来第三时间段内的高质量用户占比。
[0159]
rta策略控制出价模块5用于根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0160]
其中，数据库管理模块1用于在数据库内存储用户质量信息步骤之前，还包括：
[0161]
获取目标媒体广告平台上的使用用户的用户信息；
[0162]
根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；
[0163]
将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；
[0164]
获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，根据“80/20法则”对使用用户进行质量分类，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；
[0165]
将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分
信息。
[0166]
其中，所述用户质量检测模块2(对应图9中的ai模型)用于获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0167]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；
[0168]
结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；
[0169]
根据筛选出的用户信息获取对应的质量评分信息；
[0170]
根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0171]
本实施例是利用第一时间段内的使用用户，找出其是否存储在数据库内的用户质量信息中，若是则作为判断因素，若不是则直接将这一使用用户剔除。在第一时间段内的使用用户中找出已存储于所述数据库内的用户质量信息，据此获取对应的质量评分信息，然后计算出对应的高质量用户占比。
[0172]
其中被剔除的在第一时间段内的使用用户，可作为数据库信息后续更新的数据源，收集这些使用用户的用户信息并进行质量评分及质量分类以获取对应的质量评分信息，可更新数据库来完善数据库内存储的用户质量信息的数量，提升数据库的用户质量信息的全面覆盖性。其方法具体包括：获取使用用户的用户信息中未存储于所述数据库内的用户信息，对未存储于所述数据库内的用户信息进行质量评分及质量分类以获取对应的质量评分信息，将未存储于所述数据库内的用户信息及对应的质量评分信息存储至所述数据库中。
[0173]
其中，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0174]
获取用户质量评分信息中的使用用户的分类结果；
[0175]
统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户的使用用户的数量b；
[0176]
根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0177]
其中，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括：
[0178]
获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；
[0179]
采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值。
[0180]
其中，所述用户信息包括用户点击数据、用户曝光数据和用户注册数据，其中用户曝光数据为用户观看时长，用户注册数据包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位。消费水平价位可通过手机型号获取对应的手机价位方式获知。
[0181]
其中，所述采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每
一类使用用户进行用户评分赋值步骤，包括：
[0182]
使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；每一决策树中包含多个分类参数，使用用户通过所述决策树能够被分类至决策树的末端叶子节点；
[0183]
根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；
[0184]
根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。
[0185]
其中，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：
[0186]
设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；
[0187]
设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i的预测值；yi表示样本i的实际值；f
t
(xi)表示“第t棵决策树”对样本i的预测值；表示与yi，有关的损失函数；ω(fj)表示第j棵树的模型复杂度；
[0188]
设置分类模型的预测值为：
[0189]
设置分类模型的损失函数为：其中，表示与yi，有关的损失函数，也就是偏差；表示第j棵树的复杂项；
[0190]
对损失函数进行简化：
[0191][0192]
其中，表示前t-1个模型；
[0193]
对损失函数泰勒展开：
[0194][0195]
其中，g
ift
(xi)为残差的一阶导数，为残差的二阶导数；
[0196]
将树的参数带入损失函数：
[0197]
[0198]
其中，表ωj示该树中，第j个叶子结点的值；t表示叶子结点数量；ij表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的gi总和；表示表示所有属于第j个叶子结点的样本的hi总和；γt表示二次函数。
[0199]
其中，所述rta策略控制出价模块5用于根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值步骤，包括：
[0200]
在数据库中建立高质量用户占比与广告位的竞价数值关联关系；
[0201]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，获取数据库中对应的广告位的竞价数值；
[0202]
将数据库中对应的广告位的竞价数值作为在未来第三时间段内的广告位的竞价反馈至所述目标媒体广告平台。
[0203]
关于广告位的竞价调整的装置的具体限定可以参见上文中对于广告位的竞价调整方法的限定，在此不再赘述。上述广告位的竞价调整的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0204]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11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、网络接口和数据库。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。该计算机设备的数据库用于存储广告位的竞价调整的数据。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位的竞价调整方法。
[0205]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0206]
在一个实施例中，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，处理器执行计算机程序时实现以下步骤：
[0207]
在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0208]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0209]
获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0210]
将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0211]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0212]
其中，在数据库内存储用户质量信息步骤之前，还包括：
[0213]
获取目标媒体广告平台上的使用用户的用户信息；
[0214]
根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；
[0215]
将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；
[0216]
获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，根据“80/20法则”对使用用户进行质量分类，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；
[0217]
将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分信息。
[0218]
其中，所述获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0219]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；
[0220]
结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；
[0221]
根据筛选出的用户信息获取对应的质量评分信息；
[0222]
根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0223]
本实施例是利用第一时间段内的使用用户，找出其是否存储在数据库内的用户质量信息中，若是则作为判断因素，若不是则直接将这一使用用户剔除。在第一时间段内的使用用户中找出已存储于所述数据库内的用户质量信息，据此获取对应的质量评分信息，然后计算出对应的高质量用户占比。
[0224]
其中被剔除的在第一时间段内的使用用户，可作为数据库信息后续更新的数据源，收集这些使用用户的用户信息并进行质量评分及质量分类以获取对应的质量评分信息，可更新数据库来完善数据库内存储的用户质量信息的数量，提升数据库的用户质量信息的全面覆盖性。其方法具体包括：获取使用用户的用户信息中未存储于所述数据库内的用户信息，对未存储于所述数据库内的用户信息进行质量评分及质量分类以获取对应的质量评分信息，将未存储于所述数据库内的用户信息及对应的质量评分信息存储至所述数据库中。
[0225]
其中，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0226]
获取用户质量评分信息中的使用用户的分类结果；
[0227]
统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户
的使用用户的数量b；
[0228]
根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0229]
其中，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括：
[0230]
获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；
[0231]
采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值。
[0232]
其中，所述用户信息包括用户点击数据、用户曝光数据和用户注册数据，其中用户曝光数据为用户观看时长，用户注册数据包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位。消费水平价位可通过手机型号获取对应的手机价位方式获知。
[0233]
其中，所述采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值步骤，包括：
[0234]
使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；每一决策树中包含多个分类参数，使用用户通过所述决策树能够被分类至决策树的末端叶子节点；
[0235]
根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；
[0236]
根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。
[0237]
其中，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：
[0238]
设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；
[0239]
设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i的预测值；yi表示样本i的实际值；f
t
(xi)表示“第t棵决策树”对样本i的预测值；表示与yi，有关的损失函数；ω(fj)表示第j棵树的模型复杂度；
[0240]
设置分类模型的预测值为：
[0241]
设置分类模型的损失函数为：其中，表示与yi，有关的损失函数，也就是偏差；表示第j棵树的复杂项；
[0242]
对损失函数进行简化：
[0243][0244]
其中，表示前t-1个模型；
[0245]
对损失函数泰勒展开：
[0246][0247]
其中，g
ift
(xi)为残差的一阶导数，为残差的二阶导数；
[0248]
将树的参数带入损失函数：
[0249][0250]
其中，表ωj示该树中，第j个叶子结点的值；t表示叶子结点数量；ij表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的gi总和；表示表示所有属于第j个叶子结点的样本的hi总和；γt表示二次函数。
[0251]
关于处理器执行计算机程序时实现步骤的具体限定可以参见上文中对于广告位的竞价调整方法的限定，在此不再赘述。
[0252]
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：
[0253]
在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；
[0254]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；
[0255]
获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；
[0256]
将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；
[0257]
根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，
实时调整对所述目标媒体广告平台的广告位的竞价数值。
[0258]
其中，在数据库内存储用户质量信息步骤之前，还包括：
[0259]
获取目标媒体广告平台上的使用用户的用户信息；
[0260]
根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；
[0261]
将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；
[0262]
获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，根据“80/20法则”对使用用户进行质量分类，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；
[0263]
将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分信息。
[0264]
其中，所述获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0265]
获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；
[0266]
结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；
[0267]
根据筛选出的用户信息获取对应的质量评分信息；
[0268]
根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0269]
本实施例是利用第一时间段内的使用用户，找出其是否存储在数据库内的用户质量信息中，若是则作为判断因素，若不是则直接将这一使用用户剔除。在第一时间段内的使用用户中找出已存储于所述数据库内的用户质量信息，据此获取对应的质量评分信息，然后计算出对应的高质量用户占比。
[0270]
其中被剔除的在第一时间段内的使用用户，可作为数据库信息后续更新的数据源，收集这些使用用户的用户信息并进行质量评分及质量分类以获取对应的质量评分信息，可更新数据库来完善数据库内存储的用户质量信息的数量，提升数据库的用户质量信息的全面覆盖性。其方法具体包括：获取使用用户的用户信息中未存储于所述数据库内的用户信息，对未存储于所述数据库内的用户信息进行质量评分及质量分类以获取对应的质量评分信息，将未存储于所述数据库内的用户信息及对应的质量评分信息存储至所述数据库中。
[0271]
其中，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：
[0272]
获取用户质量评分信息中的使用用户的分类结果；
[0273]
统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户的使用用户的数量b；
[0274]
根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。
[0275]
其中，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分
步骤，包括：
[0276]
获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；
[0277]
采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值。
[0278]
其中，所述用户信息包括用户点击数据、用户曝光数据和用户注册数据，其中用户曝光数据为用户观看时长，用户注册数据包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位。消费水平价位可通过手机型号获取对应的手机价位方式获知。
[0279]
其中，所述采用决策树方式根据用户信息将使用用户进行分类，并对决策树的每一类使用用户进行用户评分赋值步骤，包括：
[0280]
使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；每一决策树中包含多个分类参数，使用用户通过所述决策树能够被分类至决策树的末端叶子节点；
[0281]
根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；
[0282]
根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。
[0283]
其中，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：
[0284]
设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；
[0285]
设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i的预测值；yi表示样本i的实际值；f
t
(xi)表示“第t棵决策树”对样本i的预测值；表示与yi，有关的损失函数；ω(fj)表示第j棵树的模型复杂度；
[0286]
设置分类模型的预测值为：
[0287]
设置分类模型的损失函数为：其中，表示与yi，有关的损失函数，也就是偏差；表示第j棵树的复杂项；
[0288]
对损失函数进行简化：
[0289][0290]
其中，表示前t-1个模型；
[0291]
对损失函数泰勒展开：
[0292][0293]
其中，g
ift
(xi)为残差的一阶导数，为残差的二阶导数；
[0294]
将树的参数带入损失函数：
[0295][0296]
其中，表ωj示该树中，第j个叶子结点的值；t表示叶子结点数量；ij表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的gi总和；表示表示所有属于第j个叶子结点的样本的hi总和；γt表示二次函数。
[0297]
关于计算机程序被处理器执行时实现步骤的具体限定可以参见上文中对于广告位的竞价调整方法的限定，在此不再赘述。
[0298]
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，所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，本技术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。
[0299]
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。
[0300]
以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种广告位的竞价调整方法，其特征在于，包括：在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。2.根据权利要求1所述的广告位的竞价调整方法，其特征在于，在数据库内存储用户质量信息步骤之前，还包括：获取目标媒体广告平台上的使用用户的用户信息；根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分；将使用用户的所有分类对应的用户评分求和得到该使用用户的质量评分；获取目标媒体广告平台上所有的使用用户的质量评分，将所有的使用用户按照质量评分降序排列，将降序排列中前百分之二十的使用用户分类为高质量用户，将降序排列中后百分之八十的使用用户分类为低质量用户；将所述使用用户的质量评分及所述使用用户的质量分类结果形成用户质量评分信息。3.根据权利要求2所述的广告位的竞价调整方法，其特征在于，所述获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：获取目标媒体广告平台上在第一时间段内的使用用户的用户信息；结合存储于所述数据库内的用户质量信息筛选出所述使用用户的用户信息中存储于所述数据库内的用户信息；根据筛选出的用户信息获取对应的质量评分信息；根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。4.根据权利要求3所述的广告位的竞价调整方法，其特征在于，所述根据获取的用户质量评分信息计算所述目标媒体广告平台上在第一时间段内的高质量用户占比步骤，包括：获取用户质量评分信息中的使用用户的分类结果；统计分类结果为高质量用户的使用用户的数量a，并统计分类结果为低质量用户的使用用户的数量b；根据公式a/(a+b)计算所述目标媒体广告平台上在第一时间段内的高质量用户占比。5.根据权利要求2所述的广告位的竞价调整方法，其特征在于，所述根据使用用户的用户信息对使用用户进行分类，并对每一类用户评分步骤，包括：
获取使用用户的用户信息，所述用户信息包括年龄、性别、职业、喜好、学历、收入、地域、财产、家庭情况、消费水平价位、用户点击数据、用户观看时长中的至少一种；使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树；根据每一决策树中的分类参数，设置决策树末端叶子节点的预测值；根据使用用户的用户信息在决策树中进行分类至决策树末端叶子节点，将该决策树末端叶子节点的预测值作为该使用用户对应该决策树的用户评分。6.根据权利要求1所述的广告位的竞价调整方法，其特征在于，所述使用的xgboost算法构建分类模型，所述分类模型中包含多个决策树步骤，包括：设置每一决策树中包含多个分类参数，所述决策树能够将使用用户通过分类参数被分类至决策树的末端叶子节点；设表示总共t棵决策树一起预测的值；表示“前t-1棵决策树”对样本i的预测值；y
i
表示样本i的实际值；f
t
(x
i
)表示“第t棵决策树”对样本i的预测值；表示与y
i
，有关的损失函数；ω(f
j
)表示第j棵树的模型复杂度；设置分类模型的预测值为：设置分类模型的损失函数为：其中，表示与y
i
，有关的损失函数，也就是偏差；表示第j棵树的复杂项；对损失函数进行简化：其中，其中，表示前t-1个模型；对损失函数泰勒展开：其中，g
i
f
t
(x
i
)为残差的一阶导数，为残差的二阶导数；将树的参数带入损失函数：
其中，表ω
j
示该树中，第j个叶子结点的值；t表示叶子结点数量；i
j
表示位于第j个叶子结点具有的样本；表示所有属于第j个叶子结点的样本的g
i
总和；表示表示所有属于第j个叶子结点的样本的h
i
总和；γt表示二次函数。7.根据权利要求1所述的广告位的竞价调整方法，其特征在于，所述根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值步骤，包括：在数据库中建立高质量用户占比与广告位的竞价数值关联关系；根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，获取数据库中对应的广告位的竞价数值；将数据库中对应的广告位的竞价数值作为在未来第三时间段内的广告位的竞价反馈至所述目标媒体广告平台。8.一种广告位的竞价调整的装置，其特征在于，所述装置包括：数据库管理模块，用于在数据库内存储用户质量信息，所述用户质量信息包括用户信息和用户质量评分信息；用户质量检测模块，用于获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，结合存储于所述数据库内的用户质量信息计算出所述目标媒体广告平台上在第一时间段内的高质量用户占比；历史数据获取模块，用于获取目标媒体广告平台上在第二时间段内的高质量用户占比数据，其中第二时间段的时长大于第一时间段的时长；用户质量预测模块，用于将目标媒体广告平台上在第一时间段内的高质量用户占比与在第二时间段内的高质量用户占比数据进行对比判断，预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；rta策略控制出价模块，用于根据所述目标媒体广告平台上在未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种广告位的竞价调整方法、装置、设备和存储介质。所述方法包括：在数据库内存储用户质量信息；获取目标媒体广告平台上在第一时间段内的使用用户的用户信息，计算出在第一时间段内的高质量用户占比；获取在第二时间段内的高质量用户占比数据；预测所述目标媒体广告平台上在未来第三时间段内的高质量用户占比；根据未来第三时间段内的高质量用户占比预测结果，实时调整对所述目标媒体广告平台的广告位的竞价数值。本申请能够准确预测下一时段的用户质量，并据此确定广告位的竞价数值，而不是采用统一的策略来给出的广告位的竞价方式，实现了广告位的竞价与用户质量时刻保持相匹配，提升了广告位的竞价数值与用户质量的匹配准确性。的匹配准确性。的匹配准确性。


技术研发人员：周峰
受保护的技术使用者：上海数禾信息科技有限公司
技术研发日：2023.03.31
技术公布日：2023/7/12