1.本发明涉及信息流广告投放技术领域，具体是一种实现广告快速通过学习期的编排式决策方法。
背景技术：
2.随着网络的普及化以及便利的搜索引擎服务，结合搜索引擎服务平台的广告播放系统可以接触到广大的消费者客群，包括使用智能型手机、移动通信装置、智能型电视(internettelevision)，以及个人计算机上网的使用者，为广告商以及广告客户带来无穷的商机。广告商希望使用所有可用的资源向用户提供最具效果的广告。特别是，广告商希望向用户显示的广告在某种程度上是针对该用户进行定位或个性化的，从而吸引用户的兴趣。
3.在广告投放初期即广告学习期，通过广告预测服务、广告竞价排名服务、广告pacing服务达到筛选出精准人群形成成交转化目的。因此，我们主要针对这一广告学习期过程，探索广告模型规则，利用大数据和机器学习，提出了一种实现广告快速通过学习期的编排式决策方法来解决上述所提到的问题。
技术实现要素：
4.本发明的目的在于提供一种实现广告快速通过学习期的编排式决策方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种实现广告快速通过学习期的编排式决策方法，包括以下步骤：
7.步骤一：通过业务组件中的决策算法池利用logistic回归分析法，将广告pacing特征数据、foresting特征数据、ranking特征数据通过动态规则进行诊断、预测得到一个预估决策值；
8.步骤二：根据得到的预估决策值，系统自动诊断出符合规则的诊断结果，再将结果与变量系数相乘，通过分类值为“是”或“否”；
9.步骤三：输出是否需要采纳建议。
10.作为本发明进一步的方案：所述步骤一中广告pacing特征数据、foresting特征数据、ranking特征数据的计算分析方法包括：以最小单元来编排广告预测、广告出价、广告排名服务的数据组成结构，例如广告基础数据、定向、人群包、创意形式、广告位置、报表实时数据、出价与预算多种关键节点需要的数据，这些数据汇集到服务出口，提供到todo池进行计算处理；在todo池中，以组件的方式定制具体执行的动作标准条件，制定采纳和不采纳的动作流程。
11.作为本发明进一步的方案：所述logistic回归模型可以表示为
12.作为本发明进一步的方案：所述logistic回归模型预测是将pacing、ranking、foresting特征数据作为自变量，将是否采纳建议作为因变量进行回归分析。
13.作为本发明进一步的方案：所述模型公式：ln(p/1-p)＝w x*pacing ranking*y firesting z，通过实际的数据测算，x＝3.644，y＝5.031，z＝-0.893，此模型参数更有利于通信行业流量包产品在广告信息流投放过程中能够在相似计划下更有竞争力，在学习期内积累更多的转化数通过学习期。
14.作为本发明进一步的方案：所述变量系数的作用：通常广告投放过程中会面临不可预测的外部因素干扰，比如流量波动、产品政策调整原因会直接导致预测单元判断失误，为了避免该种情况出现，加入了人为可调控变量系数，通常设置范围0-1区间；广告pacing特征数据、foresting特征数据、ranking特征数据这三个特征数据，考虑在n个广告中具有n个独立变量的向量，设条件概率为根据实际收集的训练数据相对于采纳建议事件发生的概率。
15.作为本发明进一步的方案：所述编排式规则引擎包括粗排与精排两种方法，所述粗排包括广告诊断、低质计划鉴定、起量困难、审核建议及其他；所述精排包括人群定向、素材质量及其他。
16.作为本发明进一步的方案：所述业务组件包括决策算法池、动态规则与变量系统。
17.作为本发明进一步的方案：所述决策算法池中决策树构造的输入是一组带有类别标记的例子，构造的结果是一棵二叉树或多叉树；二叉树的内部节点一般表示为一个逻辑判断，如形式为a＝aj的逻辑判断，其中a是属性，aj是该属性的所有取值：树的边是逻辑判断的分支结果，多叉树(id3)的内部结点是属性，边是该属性的所有取值，有几个属性值就有几条边，树的叶子节点都是类别标记。
18.作为本发明再进一步的方案：所述logistic回归模型还包括模型获取模块与模型优化模块，所述模型获取模块用于获取广告pacing特征数据、foresting特征数据、ranking特征数据，将广告pacing特征数据、foresting特征数据、ranking特征数据通过动态规则进行诊断、预测得到一个预估决策值；所述模型优化模块用来对logistic回归模型进行优化修改。
19.与现有技术相比，本发明的有益效果是：该实现广告快速通过学习期的编排式决策方法，是一个基于编排式的规则引擎框架，融合了编排特性、规则引擎的特性和决策树算法，动态规则组件编排，自由定制不同广告策略执行和效果评估形成一种有效决策机制；是一个低耦合，灵活可拓展的广告策略执行决策方法。
20.该实现广告快速通过学习期的编排式决策方法，构建了一套基于通信行业广告信息流投放领域的快速通过学习期的实践方法，可适用于通信产品流量包、号卡、宽带等产品广告在学习期内具有很大的概率累计到一定的转化量；缩短广告学习时间、节省了花费成本。
附图说明
21.图1为本发明中编排式决策方法的步骤流程示意图。
22.图2为本发明中编排式决策方法的结构设计示意图。
23.图3为本发明中易投广告系统概要技术设计架构的结构示意图。
24.图4为本发明中信息流广告投放转化过程的示意图。
25.图5为本发明中业务组件内部设计的结构示意图。
26.图6为本发明中编排规则引擎业务流程结构示意图。
27.图7为本发明的数据效果图。
28.图8为本发明的数据效果图。
具体实施方式
29.在一个实施例中，如图1-图8所示，一种实现广告快速通过学习期的编排式决策方法，包括以下步骤：
30.步骤一：通过业务组件中的决策算法池利用logistic回归分析法，将广告pacing特征数据、foresting特征数据、ranking特征数据通过动态规则进行诊断、预测得到一个预估决策值；
31.步骤二：根据得到的预估决策值，系统自动诊断出符合规则的诊断结果，再将结果与变量系数相乘，通过分类值为“是”或“否”；
32.步骤三：输出是否需要采纳建议；
33.如图6表示，步骤一中广告pacing特征数据、foresting特征数据、ranking特征数据的计算分析方法包括：以最小单元(每个字母标注的方框表示最小单元—业务数据模块单元)来编排广告预测、广告出价、广告排名服务的数据组成结构，例如广告基础数据、定向、人群包、创意形式、广告位置、报表实时数据、出价与预算多种关键节点需要的数据，这些数据汇集到服务出口，提供到todo池进行计算处理；在todo池中，以组件的方式定制具体执行的动作标准条件，制定采纳和不采纳的动作流程；
34.logistic回归模型可以表示为
35.logistic回归模型预测是将pacing、ranking、foresting特征数据作为自变量，将是否采纳建议作为因变量进行回归分析；
36.分析基本汇总表格如下：
[0037][0038][0039]
模型公式：ln(p/1-p)＝w x*pacing ranking*y firesting z，通过实际的数据测算，x＝3.644，y＝5.031，z＝-0.893，此模型参数更有利于通信行业流量包产品在广告信息流投放过程中能够在相似计划下更有竞争力，在学习期内积累更多的转化数通过学习期；
[0040]
变量系数的作用：通常广告投放过程中会面临不可预测的外部因素干扰，比如流量波动、产品政策调整原因会直接导致预测单元判断失误，为了避免该种情况出现，加入了
人为可调控变量系数，通常设置范围0-1区间；广告pacing特征数据、foresting特征数据、ranking特征数据这三个特征数据，考虑在n个广告中具有n个独立变量的向量，设条件概率为根据实际收集的训练数据相对于采纳建议事件发生的概率；
[0041]
编排式规则引擎包括粗排与精排两种方法，粗排包括广告诊断、低质计划鉴定、起量困难、审核建议及其他；精排包括人群定向、素材质量及其他；
[0042]
业务组件包括决策算法池、动态规则与变量系统；
[0043]
决策算法池中决策树构造的输入是一组带有类别标记的例子，构造的结果是一棵二叉树或多叉树；二叉树的内部节点一般表示为一个逻辑判断，如形式为a＝aj的逻辑判断，其中a是属性，aj是该属性的所有取值：树的边是逻辑判断的分支结果，多叉树(id3)的内部结点是属性，边是该属性的所有取值，有几个属性值就有几条边，树的叶子节点都是类别标记；
[0044]
logistic回归模型还包括模型获取模块与模型优化模块，模型获取模块用于获取广告pacing特征数据、foresting特征数据、ranking特征数据，将广告pacing特征数据、foresting特征数据、ranking特征数据通过动态规则进行诊断、预测得到一个预估决策值；模型优化模块用来对logistic回归模型进行优化修改；
[0045]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。