[发明专利]一种基于顶端排序的在线广告排序方法

说明书

本发明公开一种基于顶端排序的在线广告排序方法，利用消费者只关注顶部推荐位置广告的用户特性，采用顶端排序模型(TopPush算法)来进行待推荐广告的有效排序，得到当时段广告各个特征的权重，量化出广告不同维度的重要性。同时使用大窗口(过去多时间段样本)与小窗口(拼接过去多时段特征及转化率)框架，通过窗口的滑动来动态的更新排序结果，将预测高转化率的广告排序在前，从而更有针对性的为消费者提供商品推荐，以提升推荐效果。

技术领域

本发明涉及一种基于顶端排序的在线广告排序方法，属于推荐排序技术领域。

背景技术

随着数字媒体技术的飞速发展，各种形式的广告萦绕在人们身边，企业也不断的提高在广告方面的投入，但是如何更好地将所投入的广告转化变现是一个值得深究的问题。而网站的在线广告投放是其中重要的一环：网站要对所有广告进行推送，如何推送用户感兴趣的广告，将用户最可能购买的商品(高转化率)放在最顶端的位置是网站首要考虑的问题，其不仅可以极大的提升企业的利润，也可以在一定程度上提升用户粘性。传统做法使用排序模型对广告进行排序，并根据排序结果在网站上排列，但是传统排序模型无法解决的是，用户往往只会对推荐位前几位的广告给予一定关注，而略过推荐位置靠后的广告，这种现象与信息检索有相通之处，即用户在进行网页搜索时，他只关注搜索出来排序前几名的网页是否与搜索条目相关，而不关心排名靠后的网页。于是排在推荐位顶部的广告的转化率高低与否(是否是用户真正感兴趣并愿意为其产品付费)就变得尤为重要。同时，广告的潜在模式也在不断变化，如消费者的消费模式，广告的针对人群等，静态排序无法捕捉这种模式的变动，需要对在线广告进行动态排序。最后，在发现广告模式的变动之后，从特征维度的解释也可以为广告投放者提供一种审视的角度。

发明内容

发明目的：考虑到在线广告推荐用户注意力顶端聚集的现象，同时广告潜在模式的演变，本发明提出一种基于顶端排序的在线广告排序方法，该方法利用TopPush挖掘广告各类特征对广告购买转化率的影响，对广告转化率排名顶部的数据模式进行学习，得到当时段广告各个特征的权重，同时使用大窗口(过去多时间段样本)与小窗口(拼接过去多时段特征与转化率)框架，更新下一时段广告排序，通过为消费者提供其感兴趣的产品广告来提升推荐效果。

技术方案：一种基于顶端排序的在线广告推荐方法，利用top rank模型挖掘广告各类特征对广告购买转化率的影响，从而进行广告推荐的动态排序，使用TopPush算法对转化率排名顶部的广告特征进行学习，同时使用大窗口(过去多时间段样本)与小窗口(拼接过去多时段该广告特征与转化率)框架，预测下一时间段的广告转化率，进而对所有广告进行排序来为消费者进行推送。具体包括如下步骤：

首先，用户先准备好一个广告样本库，其中每一个广告样本(以下简称样本)都带有多维特征，且以下一时段该样本广告转化率为标记，这些广告样本就是训练数据。接着，将数据使用大窗口+小窗口的模式组织，其中大窗口与小窗口均是由用户选定的时间段长度。对每一次模型更新，提取大窗口长度的数据作为当次训练池，接着在这个训练池中，对每个时间点提取前小窗口长度个广告样本数据及其转化率标记，作为当次训练的一个训练样本，将当期各个样本标记通过可调节的比重设定为正例与负例，之后使用TopPush算法，对广告转化率排名的顶部数据模式进行学习，赋予排序顶端的负例更大的错误代价，得到各个特征权重，之后使用权重与当期广告特征计算出各个广告排序值，并根据相应排序位置给予推荐。在保持一期后在下一期重新根据选取的大小窗口构建训练数据并训练模型，更新所有广告的排序，以迎合消费者偏好的变化。

有益效果：与现有技术相比，本发明针对性的利用消费者只关注顶部推荐位置广告的用户特性，采用顶端排序模型来进行待推荐广告的有效排序，得到当时段广告各个特征的权重，量化出广告不同维度的重要性。同时利用多时段数据以及过去相应广告标记来填充特征，通过窗口的滑动来动态的更新排序结果，将预测高转化率的广告排序在前，从而更有针对性的为消费者提供商品。

附图说明

图1是本发明原理流程图；

图2是本发明的流程图；