申请/专利权人:恩亿科(北京)数据科技有限公司
申请日:2021-01-19
公开(公告)日:2024-04-12
公开(公告)号:CN112651790B
主分类号:G06Q30/0251
分类号:G06Q30/0251;G06N20/00;G06F18/241;G06F18/214;G06Q30/0201
优先权:
专利状态码:有效-授权
法律状态:2024.04.12#授权;2021.04.30#实质审查的生效;2021.04.13#公开
摘要:本申请涉及一种基于快消行业用户触达的OCPX自适应学习方法和系统,该方法包括:数据提取步骤,一算法平台基于行为监测数据日志对广告投放数据和转化数据进行提取;特征提取步骤,根据广告投放数据,从转化数据中选择相应的样本,并根据样本进行特征提取;模型训练步骤,基于特征,根据极限梯度提升树原理训练一二分类模型;结果上传步骤,根据二分类模型依次对用户包进行打分,根据评分结果选取用户包中一部分用户作为预测结果并上传至一前置机;结果查询步骤,广告服务方通过前置机完成对预测结果的查询及相应操作。从自有数据的提取,到训练,推送至前置机供广告查询进行数据查询的流程闭环所形成的自适应状态,优化投放效果和用户体验。
主权项:1.一种基于快消行业用户触达的OCPX自适应学习方法,其特征在于,包括以下步骤:数据提取步骤,一算法平台基于行为监测数据日志对广告投放数据和转化数据进行提取;特征提取步骤,根据所述广告投放数据,从所述转化数据中选择相应的样本,并根据所述样本进行特征提取,所述特征提取步骤具体包括,数据清洗步骤,对所述广告投放数据和所述转化数据中的异常数据进行过滤,样本获取步骤,根据广告投放目的的不同,根据所述广告投放数据,从所述转化数据中选择相应的正样本,并从剩余所述转化数据中随机选取负样本,特征值统计步骤,对所述正样本和所述负样本的特征值进行统计,所述特征值包括静态特征值和行为特征值;模型训练步骤,基于所述特征,根据极限梯度提升树原理训练二分类模型,所述模型训练步骤具体包括以下步骤,特征系数获得步骤,根据优化目标模型获得对应特征的特征系数,所述优化目标模型表示为L=|y预测-y真实| 其中,h=∑特征*特征系数,当L最小时,选择此时的特征系数为最终的特征系数值,所述特征系数与正负样本数的比例相关,模型打分步骤,根据所述正样本和所述负样本的各特征与特征系数进行模型打分,具体为 其中,h=∑特征*特征系数;结果上传步骤,根据所述二分类模型依次对用户包进行打分,根据评分结果选取所述用户包中一部分用户作为预测结果并上传至一前置机;结果查询步骤,广告服务方通过所述前置机完成对所述预测结果的查询及相应操作。
全文数据:
权利要求:
百度查询: 恩亿科(北京)数据科技有限公司 基于快消行业用户触达的OCPX自适应学习方法和系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。