买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：涅生科技(广州)股份有限公司

摘要：本发明公开了基于机器学习的在线广告投放优化方法及系统，方法包括：广告投放数据采集、数据预处理、广告精准投放、重复广告处理和定期评估与调整。本发明属于数据处理技术领域，具体是指基于机器学习的在线广告投放优化方法及系统，本方案采用确定广告投放的目标受众，构建广告精准投放模型，使用逻辑回归的假设函数，使用最大似然估计和随机梯度上升法求解更新向量，并根据特征向量计算分类器判断参数为正面示例的概率，设置概率阈值，筛选出需要广告投放的目标用户，进行精准投放；采用计算初始节点的值，构建优先级队列，访问头节点并更新访问列表，重复操作，明确系统目标并根据页面相关性进行重复广告处理。

主权项：1.基于机器学习的在线广告投放优化方法，其特征在于：该方法包括以下步骤：步骤S1：广告投放数据采集；步骤S2：数据预处理；步骤S3：广告精准投放，具体为确定广告投放的目标受众，构建广告精准投放模型，使用逻辑回归的假设函数，使用最大似然估计和随机梯度上升法求解更新向量，并根据特征向量计算分类器判断参数为正面示例的概率，设置概率阈值，筛选出需要广告投放的目标用户，进行精准投放；步骤S4：重复广告处理，具体为计算初始节点的值，构建优先级队列，访问头节点并更新访问列表，重复操作，明确系统目标并根据页面相关性进行重复广告处理；步骤S5：定期评估与调整；在步骤S3中，所述广告精准投放，包括以下步骤：步骤S31：确定广告投放的目标受众，收集目标受众信息，并结合目标受众信息建立用户画像；步骤S32：构建广告精准投放模型，包括以下步骤：步骤S321：定义训练数据集，建立样本特征及标签的对应关系，用于训练广告精准投放模型，所用公式如下： ；式中，T表示训练数据集，包含多个样本数据对，表示训练数据集T中的第i个样本数据对，i表示样本的索引，xi是一个n维向量，包含了样本的特征信息，yi是对应的标签，用于表示样本数据属于正面示例还是负面示例，取值为0或1，1表示正面示例，即广告精准投放，0表示负面示例，即广告不精准投放；步骤S322：定义逻辑回归的假设函数，所用公式如下： ；式中，是假设函数，θ是参数向量，是逻辑回归模型的参数，用来拟合特征向量和标签之间的关系，x是输入特征向量，包含了样本的各个特征值表示参数向量θ和特征向量x的点积，点积是两个向量的数量积，表示了它们在空间中的夹角关系，T表示向量的转置；步骤S323：建立逻辑回归假设，计算给定输入特征向量和参数向量下，样本标签的概率，所用公式如下： ；式中，表示在给定输入特征向量x和参数向量θ的条件下样本标签的概率，y是样本标签；步骤S324：使用最大似然估计和随机梯度上升法求解参数向量，实现模型训练，所用公式如下： ； ；式中，L（θ）表示损失函数，用来衡量模型预测值与真实标签之间的差距，N表示样本数量，表示第i个样本的预测值，即假设函数计算得到的样本为正面示例的概率，θj表示第j个参数的更新值，j表示参数的索引，α是更新步长，用于控制参数解的收敛速度，表示第i个样本的第j个参数的特征值；步骤S325：根据得到的参数计算正面示例概率，通过给定的特征向量计算分类器在特征向量x下将其判断为正面示例的概率，预先设置概率阈值，分类器将概率值大于阈值的实例判断为正数，小于阈值的实例判定为负数，筛选出广告投放的精准目标用户，所用公式如下： ；式中，表示在给定输入特征向量x和参数向量θ的条件下，样本标签y=1的概率，表示样本被分为正面示例的概率，是逻辑回归中的sigmoid函数，将线性组合映射到[0，1]之间，表示样本属于正面示例的概率，θT表示参数向量θ的转置，x表示输入特征向量；步骤S326：计算训练集上的分类错误率，用于评估基本分类器的表现，所用公式如下： ； ；式中，Gm（x）表示第m个基本分类器，用于对输入特征向量x进行分类预测，X表示输入样本空间，{-1，+1}表示基本分类器的输出结果，用于二分类任务；em表示第m个基本分类器的分类错误率，用于度量该分类器在训练集上的表现，表示第m个分类器中第i个样本的权重，I（）表示指示函数，当括号内条件成立时，函数值为1，否则为0，m是基本分类器的索引；步骤S33：广告投放效果监测，设定明确的监测指标，定期监测广告投放效果，分析各项监测指标的变化趋势，根据监测结果和评估报告，及时调整广告投放策略；在步骤S4中，所述重复广告处理，包括以下步骤：步骤S41：计算初始节点的值，所述初始节点的值表示节点的权重，将初始节点的值添加到要访问的优先级队列中，并初始化一个空列表保存访问的节点；步骤S42：访问头节点并更新访问列表，获取优先级队列的头节点，访问头节点，并将头节点添加到访问的节点列表中，表示已经访问过这个节点；步骤S43：处理子节点，获取当前访问的节点的所有子节点，如果被访问节点列表中不存在子节点，则计算该子节点的值，并将其添加到待访问节点的优先级队列中，确保系统按照优先级处理节点；步骤S44：重复操作，重复步骤S42和步骤S43，直到要访问的节点的优先级队列为空且所有的节点都已访问；步骤S45：明确系统目标并分析页面相关性，分析所有要抓取的页面的URL与系统目标之间的相似性和相关性，包括以下步骤：步骤S451：识别相关页面，对URL进行相似性和相关性分析帮助系统更好的识别与系统目标相关的页面；步骤S452：设定抓取优先级，基于URL的相似性和相关性分析结果，系统为不同页面设定不同的抓取优先级，将重点放在与目标相关性高的页面上，优先处理相关性高的页面。

全文数据：

权利要求：

百度查询： 涅生科技(广州)股份有限公司 基于机器学习的在线广告投放优化方法及系统