基于智能推广工具的共享收益优化方法及系统与流程

本发明涉及智能推广，尤其涉及一种基于智能推广工具的共享收益优化方法及系统。

背景技术：

1、智能推广工具是一类运用人工智能技术的创新工具，主要应用于数字营销领域。这些工具通过深度数据分析和先进算法，能够提升广告投放的精准性和效果，精准定位目标受众，优化广告策略，从而最大程度地提高营销回报率。随着数字广告市场的不断发展，智能推广工具在提升广告效果、降低成本方面发挥了关键作用。而共享收益优化是实现广告主和推广平台之间的共享收益最大化的详细方法。然而，传统的推广共享收益优化方法是通过人为设定执行推广策略，这种驱动方式的推广策略，使得共享收益优化不具备客观性，无法实现共享收益的最大化；并且对于受众用户快速迭代的背景下，无法动态地调节推广策略，使得推广策略实时性较差。

技术实现思路

1、基于此，本发明提供一种基于智能推广工具的共享收益优化方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于智能推广工具的共享收益优化方法，包括以下步骤：

3、步骤s1：获取智能推广工具的历史推广数据；根据历史推广数据进行有效用户行为数据监测处理，生成有效用户行为数据；

4、步骤s2：利用归因算法对历史推广数据以及有效用户行为数据进行推广转化率分析，生成推广转化率数据；

5、步骤s3：根据推广转化率数据进行推广共享收益分析处理，生成推广共享收益数据；

6、步骤s4：根据历史推广数据以及推广共享收益数据进行推广参数及收益数据关联处理，生成推广关联参数；

7、步骤s5：基于预设的深度强化学习算法以及推广关联参数进行优选推广参数衍生处理，生成优选推广参数，并利用优选推广参数对智能推广工具执行推广参数反馈调节作业。

8、本发明通过获取智能推广工具的历史推广数据，实现了对广告活动的全面追踪和记录，并且对这些推广数据进行有效用户行为数据监测处理，可以深入洞察用户在广告中的交互和反馈，生成更为精准的有效用户行为数据，理解用户对广告的兴趣和行为模式，而且为推广策略的调整和改进提供了有力支持，通过更深入的了解用户行为，广告主和推广平台能够更有效地定位目标受众，优化广告投放策略。利用归因算法对历史推广数据和用户行为数据进行推广转化率分析，实现了对广告转化效果的深入评估，通过详细的推广转化率数据，深刻理解不同用户行为对广告转化的影响，为精细化的广告优化提供了关键信息。通过分析推广转化率，可以识别哪些广告触发了用户的积极响应，进而调整和优化广告策略，提高广告的点击率和转化率，有助于广告主更精准地投放广告，将资源集中在最具潜力的广告渠道上，最终提升整体推广效果，实现更高的广告回报率。根据推广转化率数据进行推广共享收益分析处理，实现了广告效果与共享收益的结合。通过深入分析推广转化率，能够更准确地了解广告活动的实际效果，并进一步将这些数据与共享收益进行关联，用于优化广告策略，使其更加关注收益最大化的因素，而非仅仅关注转化率。生成的推广共享收益数据为推广平台和广告主提供了全面的信息，使双方能够更清晰地了解广告活动的综合效益，更精准地评估广告活动对收益的贡献，推广平台能够更智能地调整推广策略，最终实现共享收益的最大化。根据历史推广数据和推广共享收益数据进行推广参数及收益数据关联处理，实现了推广活动参数与收益之间的紧密关联，通过深度关联分析，建立了推广活动参数与实际收益之间的关系模型，为后续优选推广参数提供了可靠的参考依据，通过推广关联参数的生成，更准确地理解不同参数设置对收益的影响，进而在推广活动中作出更明智的决策，实现更灵活、可调节的广告策略，根据实际情况优化推广参数，最大化收益。基于预设的深度强化学习算法以及推广关联参数进行优选推广参数衍生处理，实现了对推广策略的智能化和动态调整，利用深度强化学习算法以及结合推广关联参数，精细地挖掘广告活动中的模式和规律，以学习到如何生成较好的推广参数，并标记为优选推广参数，智能推广工具得以在实时推广过程中根据具体情境进行调整，从而更灵活地适应变化的市场和用户行为。

9、优选地，步骤s1包括以下步骤：

10、步骤s11：获取智能推广工具的数据传输接口；

11、步骤s12：根据数据传输接口进行历史推广数据采集，生成历史推广数据；

12、步骤s13：根据历史推广数据进行推广数据解析处理，生成推广解析数据，其中所述推广解析数据包括推广类型数据以及推广时间窗口数据；

13、步骤s14：将推广时间窗口数据传输至预设的实时流数据采集引擎进行用户行为数据采集，生成用户行为数据；

14、步骤s15：对用户行为数据进行有效用户行为数据提取，以获得有效用户行为数据。

15、本发明通过获取智能推广工具的数据传输接口，能够直接与智能推广工具建立连接，实现数据的直接传输，增加了数据的实时性和准确性，使得历史推广数据的采集更为及时和可靠。利用数据传输接口进行历史推广数据采集，确保了对广告活动的全面追踪和记录，采集广泛的历史数据集，为后续的推广分析和优化提供了丰富的数据资源。通过对历史推广数据进行解析处理，生成推广解析数据。特别地，包括推广类型数据和推广时间窗口数据，为后续的推广转化率分析和共享收益优化提供了更详细的信息。通过将推广时间窗口数据传输至预设的实时流数据采集引擎，实现了对用户行为的实时采集，增强了对用户行为的敏感性，提高了对用户行为的分析的及时性和精准性。对用户行为数据进行处理时，通过有效用户行为数据提取，获得了关键的用户行为信息，有助于聚焦于对广告产生积极响应的用户群体，并且去除了非人为操作的异常行为。

16、优选地，步骤s15包括以下步骤：

17、对用户行为数据进行行为频率分析，生成用户行为频率数据；

18、根据用户行为频率数据进行异常行为频率分析，生成异常行为频率数据；

19、基于异常行为频率数据对用户行为数据进行有效用户行为数据提取，以获得有效用户行为数据。

20、本发明对用户行为数据进行行为频率分析，能够了解用户在广告活动中的各类行为发生的频率，确定用户对不同广告类型的兴趣程度，为后续推广活动的优化提供了关键参考。基于用户行为频率数据进行异常行为频率分析，系统能够识别和分析用户的异常行为模式。异常行为可能包括非典型点击、异常高频率操作等，通过分析这些异常行为，有助于过滤掉可能对推广效果造成干扰的数据，提高数据的准确性和可信度。在异常行为频率数据的基础上，通过基于异常行为频率数据对用户行为数据进行有效用户行为数据提取，将真正对广告产生积极响应的用户行为筛选出来，剔除了可能干扰分析的异常行为，使得最终提取的用户行为数据更具价值和准确性。

21、优选地，步骤s2包括以下步骤：

22、步骤s21：对有效用户行为数据进行行为数据类别划分处理，生成用户行为类别数据，并根据预设的转化行为权重数据对用户行为类别数据进行转化行为加权处理，生成加权用户行为数据；

23、步骤s22：利用归因算法对历史推广数据以及加权用户行为数据进行多层次推广转化率数据分析，生成多层次推广转化率数据；

24、步骤s23：根据转化行为权重数据对多层次推广转化率数据进行推广转化率综合计算，生成推广转化率数据。

25、本发明有效用户行为数据进行行为数据类别划分处理，系统能够将用户的行为细分为不同的类别，例如点击、浏览、购买等，深入理解用户对广告的各类反应，为推广效果的详细分析提供了更为具体和细致的数据基础。根据预设的转化行为权重数据对用户行为类别数据进行加权处理，给不同的用户行为赋予不同的权重，使得在后续的分析中能够更加准确地衡量各种行为对广告转化的贡献。利用归因算法对历史推广数据和加权用户行为数据进行多层次推广转化率数据分析，能够深入挖掘各种用户行为与广告转化之间的关联性，为推广策略的精准调整提供了关键信息。根据转化行为权重数据对多层次推广转化率数据进行综合计算，生成最终的推广转化率数据，有助于将不同行为的转化率综合考虑，为广告主提供更全面的推广效果评估指标。

26、优选地，步骤s3包括以下步骤：

27、步骤s31：对推广转化率数据进行推广转化率的趋势风险评估处理，生成推广趋势风险评估数据；

28、步骤s32：根据推广类型数据以及推广转化率数据进行实时推广共享收益计算，生成实时推广共享收益数据；

29、步骤s33：基于推广趋势风险评估数据以及实时推广共享收益数据进行推广共享收益趋势分析，生成推广共享收益趋势数据；

30、步骤s34：根据实时推广共享收益数据以及推广共享收益趋势数据进行推广共享收益数据整合处理，生成推广共享收益数据。

31、本发明根据推广转化率数据进行趋势风险评估处理，系统能够分析推广转化率的趋势和波动，从而评估推广效果的稳定性和风险水平，及时发现可能影响广告效果的趋势性问题，提供更为细致的效果评估。根据推广类型数据和推广转化率数据进行实时推广共享收益计算，能够在广告活动进行中实时计算共享收益，使得广告主和推广平台能够迅速了解实时的收益状况，为快速决策提供支持。基于推广趋势风险评估数据和实时推广共享收益数据，进行推广共享收益趋势分析，有助于更全面地了解共享收益的发展趋势，提前识别可能影响共享收益的因素，为后续决策提供准确的参考。根据实时推广共享收益数据和推广共享收益趋势数据进行整合处理，生成最终的推广共享收益数据，将实时和趋势性的共享收益数据整合在一起，为广告主和推广平台提供更为全面和一致的共享收益信息。

32、优选地，步骤s31包括以下步骤：

33、对有效用户行为数据进行时序分析，生成时序用户行为数据，并根据时序用户行为数据进行用户参与度趋势分析，生成用户参与度趋势数据；

34、根据用户参与度趋势数据对推广转化率数据进行推广转化率的趋势风险评估处理，生成推广趋势风险评估数据。

35、本发明根据推广转化率数据进行推广共享收益分析处理，系统能够深入了解广告活动的转化效果与共享收益的关联，将转化率的变化与共享收益进行关联分析，为推广优化提供了更为综合和深刻的视角。对有效用户行为数据进行时序分析，生成时序用户行为数据，通过对用户行为进行时序分析，系统可以捕捉用户行为随时间的变化趋势，为后续的用户参与度分析提供了有关时序变化的信息。并且根据时序用户行为数据进行用户参与度趋势分析，生成用户参与度趋势数据，通过分析用户参与度的变化趋势，系统可以更准确地了解用户对广告活动的持续参与程度，为推广效果的长期评估提供了依据。根据用户参与度趋势数据对推广转化率数据进行推广转化率的趋势风险评估处理，生成推广趋势风险评估数据，结合用户参与度趋势与转化率趋势，提前识别可能影响广告效果的风险趋势，为后续决策提供更为全面的风险评估。

36、优选地，步骤s4包括以下步骤：

37、步骤s41：对推广共享收益数据进行正向收益分析处理，生成正向推广共享收益数据；

38、步骤s42：利用主成分分析法对正向推广共享收益数据进行特征分析处理，生成正向推广共享收益特征数据；

39、步骤s43：对历史推广数据进行推广参数分析处理，生成推广参数，并将推广参数以及正向推广共享收益特征数据进行推广参数及收益数据关联处理，生成推广关联参数。

40、本发明对推广共享收益数据进行正向收益分析处理，能够深入了解广告活动的正向效益和收益情况，将推广共享收益数据中正向的、对广告效果有积极贡献的因素进行分析，为后续优化提供指导性信息。利用主成分分析法对正向推广共享收益数据进行特征分析处理，主成分分析有助于从复杂的数据中提取关键特征，帮助识别对推广效果影响最大的因素，降低数据的维度，使得后续的分析更为简化和可解释。对历史推广数据进行推广参数分析处理，生成推广参数，了解历史推广活动中的参数设置对广告效果的影响，为推广活动的优化提供经验参考。将推广参数和正向推广共享收益特征数据进行关联处理，生成推广关联参数。通过关联处理，系统能够建立参数与收益之间的关联数据模型，从而为后续的优选推广参数提供有力支持。

41、优选地，步骤s5包括以下步骤：

42、步骤s51：基于预设的深度强化学习算法建立推广参数与推广共享收益的衍生学习映射关系，生成初始推广参数衍生模型；

43、步骤s52：将推广关联参数的推广参数作为输入数据以及推广关联参数的正向推广共享收益特征数据作为输出数据建立模型训练样本；

44、步骤s53：将模型训练样本传输至初始推广参数衍生模型进行模型训练及测试处理，生成推广参数衍生模型；

45、步骤s54：根据推广参数衍生模型进行优选推广参数衍生处理，生成优选推广参数，并利用优选推广参数对智能推广工具执行推广参数反馈调节作业。

46、本发明基于预设的深度强化学习算法，建立推广参数与推广共享收益的衍生学习映射关系，生成初始推广参数衍生模型，有益于通过深度强化学习来学习推广参数的复杂关系，形成初始模型用于后续优化。将推广关联参数的推广参数作为输入数据，以及推广关联参数的正向推广共享收益特征数据作为输出数据，建立模型训练样本。这有助于确保模型的训练数据包含了关键的参数与共享收益特征之间的关联关系。将模型训练样本传输至初始推广参数衍生模型进行训练及测试处理，生成推广参数衍生模型，通过深度学习的方式，不断优化模型，以更准确地反映推广参数与共享收益的关系，提高模型的预测能力。根据推广参数衍生模型进行优选推广参数衍生处理，生成优选推广参数。通过模型学习后对推广参数的分析预测，得到更为精准的推广参数，并标记为优选推广参数，从而提高广告活动的效果和收益。利用优选推广参数对智能推广工具执行推广参数反馈调节作业，通过将优选的推广参数应用于实际推广活动中，实现智能推广工具的实时优化和调节，提高广告效果和收益，并且持续进行推广参数调节以及智能推广工具的反馈调节，不断优化推广的共享收益。

47、优选地，步骤s53包括以下步骤：

48、步骤s531：根据推广关联参数的正向推广共享收益特征数据设计初始推广参数衍生模型的奖惩函数；

49、步骤s532：将模型训练样本进行数据划分，分别生成模型训练集、模型验证集以及模型测试集；

50、步骤s533：将模型训练集传输至初始推广参数衍生模型中，并利用初始推广参数衍生模型的奖惩函数对模型训练集进行模型训练处理，生成训练推广参数衍生模型；

51、步骤s534：利用模型验证集对训练推广参数衍生模型进行模型验证评估，生成模型验证评估数据；

52、步骤s535：根据模型验证评估数据对训练推广参数衍生模型进行模型超参数调节处理，生成调节推广参数衍生模型；

53、步骤s536：利用模型测试集对调节推广参数衍生模型进行模型测试处理，生成推广参数衍生模型。

54、本发明根据推广关联参数的正向推广共享收益特征数据，设计初始推广参数衍生模型的奖惩函数，奖惩函数有助于指导模型在训练过程中对关键特征进行有效学习，提高模型的学习效果。将模型训练样本进行数据划分，分别生成模型训练集、模型验证集以及模型测试集，使得在训练过程中通过验证集评估模型的泛化性能，避免过拟合，提高模型的稳定性。将模型训练集传输至初始推广参数衍生模型，并利用初始推广参数衍生模型的奖惩函数对模型训练集进行模型训练处理，生成训练推广参数衍生模型，通过使用奖惩函数引导模型学习推广参数的映射关系，提高模型对关键特征的学习能力。利用模型验证集对训练推广参数衍生模型进行模型验证评估，生成模型验证评估数据，通过模型验证，能够更全面地评估模型在未见过的数据上的性能表现，确保模型的泛化能力。根据模型验证评估数据对训练推广参数衍生模型进行模型超参数调节处理，生成调节推广参数衍生模型，超参数调节有助于优化模型的性能，使其更好地适应不同的数据分布和特征。利用模型测试集对调节推广参数衍生模型进行模型测试处理，生成最终的推广参数衍生模型，通过在测试集上验证模型的性能，能够更可靠地评估模型的准确度和泛化性，确保模型在实际应用中的稳定性和可靠性。

55、本说明书中提供一种智能推广工具的共享收益优化系统，用于执行如上述所述的智能推广工具的共享收益优化方法，该智能推广工具的共享收益优化系统包括：

56、用户行为数据采集模块，用于获取智能推广工具的历史推广数据；根据历史推广数据进行有效用户行为数据监测处理，生成有效用户行为数据；

57、推广转化率分析模块，用于利用归因算法对历史推广数据以及有效用户行为数据进行推广转化率分析，生成推广转化率数据；

58、推广共享收益分析模块，用于根据推广转化率数据进行推广共享收益分析处理，生成推广共享收益数据；

59、推广参数分析模块，用于根据历史推广数据以及推广共享收益数据进行推广参数及收益数据关联处理，生成推广关联参数；

60、智能推广工具反馈调节模块，用于基于预设的深度强化学习算法以及推广关联参数进行优选推广参数衍生处理，生成优选推广参数，并利用优选推广参数对智能推广工具执行推广参数反馈调节作业。

61、本技术有益效果在于，本发明的基于智能推广工具的共享收益优化方法通过分析推广转化率以及推广共享收益等信息，以衍生出更加高效地优选推广参数来设计推广策略，该推广策略使得共享收益优化具备客观性与准确性，进而实现共享收益最大化；并且将推广策略持续对智能推广工具进行迭代反馈调节，能够动态地调节推广策略，提高推广策略的实时性。