一种基于多任务学习的自适应广告投放方法及系统

专利主权项内容

1.一种基于多任务学习的自适应广告投放方法，其特征在于，包括：步骤S1，根据公交车线路的位置信息进行区域划分，得到相应的公交车线路上广告方的样本数据库；步骤S2，基于广告方的样本数据库，对各个区域内的广告方投放广告信息结合公交车线路的位置信息进行特征提取，将获取的带有位置信息的投放广告数据输入至广告投放模型中，形成公交线路广告投放数据，与客流进行自适应匹配；其中公交线路广告投放数据与客流进行自适应匹配具体地，将获取的带有位置信息的投放广告数据输入至投放公交车线路的广告投放模型中，得到相应公交车线路的匹配概率，以及相应客流样本数据的匹配概率；将所述公交线路广告投放数据的关键词进行汇总，并将汇总得到的关键词库输入所述公交车线路的广告投放模型中，得到对应的匹配概率；步骤S3，获取不同公交车线路上客流的浏览数据和车辆的位置信息，并对获取的客流的浏览数据进行预处理，得到客流样本数据库；步骤S4，构建公交车线路的广告投放模型，基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤后，进行权重赋值筛选；其中，基于所述客流样本数据库和所述公交线路广告投放数据的多任务自主学习完成过滤的具体步骤如下：步骤401，定义数据集，初始化/>；其中/>表示第/>个客流用户的浏览数据处理任务的初始默认值；步骤402，；其中，/>为/>的最大后验概率，/>为第/>个客流用户浏览数据处理任务的参数向量，/>为第/>个客流用户在当前时间内浏览数据处理任务值，/>为数据集/>在参数向量/>出现的概率，/>为对数符号；t步骤403，更新多任务学习的相关系数；；其中，/>，/>均为预设自然数，/>表示第/>个客流用户的浏览数据处理任务与第/>个客流用户的浏览数据处理任务的相关度，即任务/>对任务/>的参与度，/>为第个任务数据集/>在最大后验概率/>出现的概率；步骤404，重复上述步骤402和步骤403，直到多任务学习的相关系数收敛；步骤405，进行多任务学习信息数据求和，；其中，/>为多任务学习数据；/>为单任务学习获取的数据；步骤406，根据值判断第/>个客流用户的浏览数据是否为垃圾广告信息，若/>＞0，则判断为合理广告信息，否则被判定为垃圾广告信息；权重赋值筛选具体地，基于大数据库对所述客流样本数据库进行划分，并对所述客流样本数据库中的每个样本进行权重赋值，计算公式如下：
；其中，/>为样本权重系数，/>为所取样本权重系数，/>为样本权重系数出现的次数；将带有权重的客流样本数据库输入深度学习模型中进行训练和验证，得到对应的公交车线路的关键客流被投放特征；步骤S5，结合所述公交车线路的位置信息，将筛选出的所述公交线路广告投放数据进行投放至相应的公交车线路上；步骤S6，新上线公交车线路信息的更新，以及对应的客流样本数据库和公交线路广告投放数据的实时更新。