基于数据更新整理的广告营销系统的制作方法

本发明涉及广告数据营销，具体地说，涉及基于数据更新整理的广告营销系统。

背景技术：

1、广告数据营销是一项重要的技术，随着互联网的飞速发展，广告营销领域发生了巨大变革，数据驱动的广告营销策略逐渐成为主流。

2、传统系统对用户行为数据、市场竞争数据以及行业趋势数据的采集不够全面，且数据清洗和处理方式较为简单，难以应对复杂多变的数据环境，导致数据质量不高，无法准确反映市场真实情况，且缺乏高效的处理架构和先进算法，无法根据数据实时流量动态调整分析窗口，难以快速准确地计算用户行为指标和市场趋势指标，也难以深入挖掘用户行为图谱和市场关系图谱中的潜在关联，无法精准预测用户未来行为趋势，导致生成的初始广告投放策略缺乏科学性和精准性，多基于经验或简单的数据分析，难以适应复杂的市场环境，而且，策略调整往往滞后，不能根据广告投放效果实时优化，导致广告投放的投入产出比不理想，为了解决这一技术问题，于是我们提供了基于数据更新整理的广告营销系统。

技术实现思路

1、本发明的目的在于提供基于数据更新整理的广告营销系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，提供了基于数据更新整理的广告营销系统，包括数据采集传输单元、数据处理分析单元、广告策略生成优化单元以及广告投放监测单元；

3、所述数据采集传输单元通过数据采集器获取用户行为数据、市场竞争数据以及行业趋势数据，并对采集的数据进行数据清洗和处理，得到综合数据集；

4、所述数据处理分析单元采用基于内存计算和并行处理架构的数据处理模块对综合数据集中的数据进行处理，根据数据的实时流量采用自适应窗口算法调整窗口大小，获取数据的实时变化特征，同时，结合异步i/o技术和向量化计算方法对数据进行实时聚合分析，计算用户行为指标和市场趋势指标，并将用户行为指标和市场趋势指标存储至图数据库中，再利用数据分析模块从图数据库中提取用户行为图谱和市场关系图谱，并通过基于注意力机制的图神经网络算法对用户行为图谱和市场关系图谱进行关联挖掘，获取用户行为序列，再采用长短期记忆网络对用户行为序列进行建模，预测未来行为趋势；

5、所述广告策略生成优化单元通过策略生成模块构建策略生成引擎，并结合实时数据分析结果和预设的业务规则，生成初始广告投放策略，并通过策略优化模块引入基于多智能体深度强化学习的动态优化算法，利用经验回放和优先经验回放相结合的方法，根据广告投放效果实时调整策略参数，同时，建立实时广告效果评估指标体系，利用效果评估模块的实时计算功能对广告投入产出比进行实时评估；

6、所述广告投放监测单元将优化后的广告策略应用到实际投放中，并实时监测广告的转化率，利用基于流式时间序列分析的异常检测算法对广告投放过程中的异常情况进行监测，并对监测数据实时分析，根据分析结果调整广告投放策略。

7、作为本技术方案的进一步改进，所述数据采集传输单元在数据清洗时，针对用户行为数据中的异常值检测采用基于密度的局部离群因子算法，具体步骤如下：

8、对于用户行为数据集中的每个数据点，计算其到个最近邻点的距离，其中为预先设定的参数，记为，并取其中第近邻点的距离作为的第距离；

9、计算的距离邻域内所有点到的平均距离，记为的可达距离，根据的可达距离计算出的局部可达密度，再根据的局部可达密度计算的局部离群因子，若的局部离群因子大于1，则被判定为异常值。

10、作为本技术方案的进一步改进，所述数据处理分析单元中，基于内存计算和并行处理架构的数据处理模块在采用自适应窗口算法时，窗口大小调整公式如下：

11、设当前窗口大小为，数据实时流量为，流量变化率为，其中为上一时刻流量，定义一个自适应系数；

12、当时，窗口大小调整为；当时，窗口大小调整为。

13、作为本技术方案的进一步改进，所述数据处理模块中，结合异步i/o技术和向量化计算方法进行实时聚合分析时，对于用户行为指标计算如下：

14、从数据采集传输单元的综合数据集中提取用户行为数据集，所述用户行为数据集包含用户id、行为时间以及行为类型，采用异步i/o技术并行读取数据，将读取的数据转换为向量形式；

15、所述行为类型包括浏览、点击以及购买，对于行为类型，采用one-hot编码向量化，计算用户行为频率指标，对于每个用户，统计其在一定时间窗口内不同行为类型向量的累加和，再除以时间窗口长度得到行为频率向量，根据行为频率向量计算用户行为指标。

16、作为本技术方案的进一步改进，所述数据分析模块中，基于注意力机制的图神经网络算法在对用户行为图谱和市场关系图谱进行关联挖掘时，具体步骤如下：

17、分别对用户行为图谱和市场关系图谱的节点特征向量进行记录设定，对于用户行为图谱中的每个节点，通过线性变换得到查询向量，对于市场关系图谱中的每个节点，得到键向量和值向量；

18、并根据查询向量和键向量计算注意力分数，将注意力分数与预设的softmax函数相结合，计算注意力权重，再根据注意力权重和值向量计算关联特征向量，将其与原节点特征向量拼接后经过非线性变换得到更新后的节点特征向量，根据节点特征向量挖掘两个图谱之间的关联关系。

19、作为本技术方案的进一步改进，所述数据分析模块中，长短期记忆网络对用户行为序列进行建模时，采用门控循环单元结构优化，具体操作如下：

20、对于输入的用户行为序列和上一时刻隐藏状态，计算重置门，更新门，其中为sigmoid函数，为权重矩阵，所述重置门用于控制上一时刻的隐藏状态中的信息重置，所述更新门用于控制信息的传递和更新；

21、根据用户行为序列、上一时刻隐藏状态以及重置门计算候选隐藏状态，并根据候选隐藏状态计算最终隐藏状态，最后依据最终隐藏状态获取用户行为序列中的长期依赖关系并进行建模。

22、作为本技术方案的进一步改进，所述广告策略生成优化单元中，策略生成模块构建策略生成引擎时，采用遗传算法优化初始广告投放策略的生成，具体步骤如下：

23、将广告投放时间、投放渠道以及投放预算编码为一个整数序列，作为染色体，并随机生成一定数量的染色体作为初始种群，每个染色体代表一个初始广告投放策略，再以广告预期转化率计算适应度；

24、根据适应度值选择父代染色体，对父代染色体进行交叉和变异操作，生成子代染色体，重复上述步骤，直到满足最大迭代次数，得到优化后的初始广告投放策略。

25、作为本技术方案的进一步改进，所述策略优化模块利用经验回放和优先经验回放相结合的方法，根据广告投放效果实时调整策略参数的具体操作如下：

26、在广告投放过程中，多智能体与广告投放环境进行交互，每个智能体在每一个时间步会经历一个状态，并基于当前策略选择一个动作进行广告投放操作，随后会获得一个奖励，所述奖励由广告转化率设定，同时进入下一个状态，将这一组信息作为一个样本存储到经验回放池中，所述经验回放池为一个先进先出的队列，当队列满时，最早进入的样本会被移除；

27、为经验回放池中的每个样本计算一个优先级，所述优先级的计算由奖励大小、时间戳以及预测误差共同决定，在每次从经验回放池中采样一批样本用于训练深度强化学习模型时，根据样本的优先级进行采样，得到一批样本，将这些样本输入到深度强化学习模型中进行训练，根据深度强化学习的算法，计算损失函数并通过反向传播算法更新模型的参数。

28、作为本技术方案的进一步改进，所述效果评估模块建立的实时广告效果评估指标体系中，计算广告投入产出比指标时，考虑广告投放的延迟效应，具体公式如下：

29、设广告投放时间为，在广告投放后的时间内统计收益，广告投放成本为，考虑到广告投放后在一段时间内才产生收益，采用加权平均的方式计算延迟收益，即：

30、；

31、其中是时刻的收益，是根据时间与广告投放时间的距离确定的权重，则广告投入产出比。

32、作为本技术方案的进一步改进，所述广告投放监测单元中，基于流式时间序列分析的异常检测算法采用自编码器模型，具体步骤如下：

33、对广告投放过程中的监测数据进行归一化处理，将其作为自编码器的输入，所述监测数据为广告转化率，所述自编码器由编码器和解码器组成；

34、编码器将输入映射到低维表示，解码器将低维表示重构成自编码器的新输入，并通过计算自编码器的新输入和输入之间的差值定义重构误差，训练自编码器使得重构误差最小化；

35、在实际检测时，对于新的监测数据，计算其重构误差，若重构误差大于预先设定的阈值，则判定该数据点为异常点，并进行实时监测，再根据异常检测结果，将异常情况作为状态输入强化学习模型，模型输出调整动作，通过不断与环境交互，强化学习模型学习到不同异常状态下的最优调整策略。

36、与现有技术相比，本发明的有益效果：

37、基于数据更新整理的广告营销系统中，数据处理分析单元利用基于内存计算和并行处理架构，结合自适应窗口算法、异步i/o技术和向量化计算方法，能精准计算各类指标，深度挖掘数据潜在价值，准确预测用户行为趋势，为广告策略制定提供数据支持，策略生成模块运用遗传算法优化初始策略，提升策略科学性，策略优化模块借助多智能体深度强化学习和经验回放技术实时调整参数，同时效果评估模块考虑广告投放延迟效应计算投入产出比，使广告策略更贴合市场需求，提高广告投放的投入产出比，广告投放监测单元实时监测广告转化率，采用自编码器模型检测异常，结合强化学习模型及时调整策略，确保广告投放始终处于最佳状态，提升广告营销的精准度和效率。