本技術(shù)涉及數(shù)據(jù)投放的，尤其是涉及一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的數(shù)據(jù)投放效果分析通常依賴于人工收集和分析數(shù)據(jù)，這種方法雖然能夠提供一定程度的洞察，但在面對海量數(shù)據(jù)、多渠道投放以及實時變化的市場環(huán)境時，往往效率低下，并且難以實現(xiàn)快速響應(yīng)和智能優(yōu)化，因此，本技術(shù)提出一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法及系統(tǒng)，使數(shù)據(jù)投放策略與市場需求和用戶行為保持高度契合。

技術(shù)實現(xiàn)思路

1、為了使數(shù)據(jù)投放策略與市場需求和用戶行為保持高度契合，本技術(shù)提供了一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法及系統(tǒng)。

2、本技術(shù)的上述發(fā)明目的一是通過以下技術(shù)方案得以實現(xiàn)的：

3、一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法，包括步驟：

4、設(shè)定初始投放參數(shù)，通過分布式傳感器網(wǎng)絡(luò)實時采集數(shù)據(jù)投放后的多模態(tài)反饋數(shù)據(jù)，所述多模態(tài)反饋數(shù)據(jù)包括點擊流日志、轉(zhuǎn)化路徑圖譜和用戶生物特征數(shù)據(jù)；

5、構(gòu)建時空注意力神經(jīng)網(wǎng)絡(luò)，對所述多模態(tài)反饋數(shù)據(jù)進(jìn)行特征提取，并生成動態(tài)興趣遷移向量；

6、將所述動態(tài)興趣向量輸入群體博弈強(qiáng)化學(xué)習(xí)框架，基于納什均衡理論計算并輸出最優(yōu)投放策略集合；

7、將所述最優(yōu)投放策略集合輸入至數(shù)字孿生環(huán)境中進(jìn)行策略驗證，并輸出驗證結(jié)果；

8、將驗證結(jié)果與初始投放參數(shù)結(jié)合，生成優(yōu)化后的投放參數(shù)，并對投放參數(shù)進(jìn)行迭代優(yōu)化。

9、通過采用上述技術(shù)方案，構(gòu)建了從數(shù)據(jù)采集到動態(tài)優(yōu)化的完整閉環(huán)框架，通過多維度反饋數(shù)據(jù)融合與智能算法協(xié)同，時空注意力機(jī)制與群體博弈模型的結(jié)合，以實現(xiàn)捕捉用戶興趣的動態(tài)演變及市場競爭的復(fù)雜態(tài)勢，使數(shù)據(jù)投放策略與市場需求和用戶行為保持高度契合，數(shù)字孿生環(huán)境進(jìn)行策略驗證降低了策略失效風(fēng)險，且形成自我迭代的智能優(yōu)化生態(tài)，突破了傳統(tǒng)優(yōu)化方法效率低的局限。

10、本技術(shù)在一較佳示例中：所述設(shè)定初始投放參數(shù)，通過分布式傳感器網(wǎng)絡(luò)實時采集數(shù)據(jù)投放后的多模態(tài)反饋數(shù)據(jù)，所述多模態(tài)反饋數(shù)據(jù)包括點擊流日志、轉(zhuǎn)化路徑圖譜和用戶生物特征數(shù)據(jù)的步驟，具體包括步驟：

11、投放前基于歷史數(shù)據(jù)、市場趨勢和廣告目標(biāo)設(shè)定初始投放參數(shù)，所述初始投放參數(shù)包括出價參數(shù)、目標(biāo)受眾信息和廣告創(chuàng)意信息；

12、部署一系列傳感器實時采集用戶與廣告互動的數(shù)據(jù)；

13、提取用戶的點擊行為信息，生成點擊流日志，追蹤用戶從點擊到最終轉(zhuǎn)化的完整路徑并生成轉(zhuǎn)化路徑圖譜，通過攝像頭和傳感器收集用戶的生理反應(yīng)數(shù)據(jù)并生成用戶生物特征數(shù)據(jù)。

14、通過采用上述技術(shù)方案，分布式傳感器網(wǎng)絡(luò)能夠?qū)崿F(xiàn)用戶行為數(shù)據(jù)與生理反饋信號的高效同步采集，歷史數(shù)據(jù)與實時市場趨勢的結(jié)合，使初始參數(shù)設(shè)定兼具經(jīng)驗繼承性與環(huán)境適應(yīng)性，為后續(xù)優(yōu)化提供精準(zhǔn)的基準(zhǔn)參照，多源異構(gòu)數(shù)據(jù)的標(biāo)準(zhǔn)化處理，為跨模態(tài)分析奠定了數(shù)據(jù)基礎(chǔ)。

15、本技術(shù)在一較佳示例中：所述構(gòu)建時空注意力神經(jīng)網(wǎng)絡(luò)，對所述多模態(tài)反饋數(shù)據(jù)進(jìn)行特征提取，并生成動態(tài)興趣遷移向量的步驟，具體包括步驟：

16、構(gòu)建包含時間維度和空間維度的時空注意力神經(jīng)網(wǎng)絡(luò)，用于同時關(guān)注用戶行為的時間序列特征和空間特征；

17、提取用戶的基本屬性信息和興趣偏好信息并生成用戶畫像信息，基于所述用戶畫像信息分析用戶在不同時間段的行為模式，并輸出時段特征信息；

18、識別廣告創(chuàng)意中吸引用戶的創(chuàng)意元素并生成創(chuàng)意元素特征信息，將所述創(chuàng)意元素特征信息與所述時段特征信息和用戶畫像信息結(jié)合，生成動態(tài)興趣遷移向量。

19、通過采用上述技術(shù)方案，時空注意力神經(jīng)網(wǎng)絡(luò)通過時間衰減建模與空間情境感知，突破了傳統(tǒng)特征工程對靜態(tài)畫像的依賴，用戶畫像、時段特征與創(chuàng)意元素的聯(lián)合編碼，構(gòu)建可解釋的動態(tài)興趣遷移向量，既能夠反映用戶的即時行為偏好，又包含長期興趣演化規(guī)律，為策略生成提供了更加立體化的特征表達(dá)。

20、本技術(shù)在一較佳示例中：所述將動態(tài)興趣向量輸入群體博弈強(qiáng)化學(xué)習(xí)框架，基于納什均衡理論計算并輸出最優(yōu)投放策略集合的步驟，具體包括步驟：

21、將動態(tài)興趣向量輸入群體博弈強(qiáng)化學(xué)習(xí)框架；

22、在所述群體博弈強(qiáng)化學(xué)習(xí)框架中，模擬若干個智能體的策略互動，并輸出穩(wěn)定的納什均衡點；

23、驗證在所述納什均衡點處，沒有智能體能夠通過單方面改變投放策略獲得更高的收益；

24、在均衡點處比較不同策略組合的收益，輸出最優(yōu)投放策略集合。

25、通過采用上述技術(shù)方案，在群體博弈強(qiáng)化學(xué)習(xí)框架中，初始化若干個智能體，模擬智能體之間的策略互動，智能體根據(jù)當(dāng)前的投放環(huán)境和動態(tài)興趣向量來調(diào)整自己的策略，通過不斷的策略互動和調(diào)整，框架將尋找到一個穩(wěn)定的納什均衡點，在這個點上，所有智能體的策略都是對其他智能體策略的最佳響應(yīng)，在達(dá)到納什均衡點后，先驗證均衡點的穩(wěn)定性，再比較不同策略組合的收益，根據(jù)比較結(jié)果，輸出最優(yōu)投放策略集合，從而提高廣告投放的效果和效率。

26、本技術(shù)在一較佳示例中：所述在所述群體博弈強(qiáng)化學(xué)習(xí)框架中，模擬若干個智能體的策略互動，并輸出穩(wěn)定的納什均衡點的步驟，具體包括步驟：

27、為每個智能體隨機(jī)設(shè)定初始策略組合，若干智能體在各自的初始策略組合指導(dǎo)下同時做出決策；

28、評估每個智能體的收益數(shù)據(jù)，并根據(jù)評估結(jié)果調(diào)整策略組合；

29、若干智能體在各自調(diào)整后的策略組合指導(dǎo)下同時做出決策，輸出每個智能體的最新收益數(shù)據(jù)；

30、重復(fù)上一步操作，當(dāng)最新收益數(shù)據(jù)經(jīng)過預(yù)設(shè)次數(shù)的更新后，穩(wěn)定在預(yù)設(shè)范圍內(nèi)時，基于對應(yīng)的策略組合輸出納什均衡點。

31、通過采用上述技術(shù)方案，在各自的初始策略組合指導(dǎo)下，所有智能體同時做出決策，執(zhí)行一輪決策后，評估每個智能體的收益數(shù)據(jù)，根據(jù)評估結(jié)果，每個智能體調(diào)整自己的策略組合，記錄并輸出每個智能體在調(diào)整后策略組合下的最新收益數(shù)據(jù)，當(dāng)最新收益數(shù)據(jù)在預(yù)設(shè)次數(shù)的更新后穩(wěn)定在預(yù)設(shè)范圍內(nèi)，表明策略組合已經(jīng)趨于穩(wěn)定，不再有顯著的變化，通過不斷的策略調(diào)整和評估，最終達(dá)到一個平衡狀態(tài)，即納什均衡點。

32、本技術(shù)在一較佳示例中：所述將所述最優(yōu)投放策略集合輸入至數(shù)字孿生環(huán)境中進(jìn)行策略驗證，并輸出驗證結(jié)果的步驟，具體包括步驟：

33、根據(jù)現(xiàn)實中的用戶行為信息、市場動態(tài)信息和市場競爭信息構(gòu)建數(shù)字孿生環(huán)境；

34、將所述最優(yōu)投放策略集合輸入至所述數(shù)字孿生環(huán)境中，測試所述最優(yōu)投放策略集合的魯棒性；

35、根據(jù)所述最優(yōu)投放策略集合在數(shù)字孿生環(huán)境中的表現(xiàn)及其魯棒性輸出驗證結(jié)果。

36、通過采用上述技術(shù)方案，數(shù)字孿生環(huán)境通過高保真模擬與對抗性測試，提前暴露投放策略在極端場景下的脆弱性，基于驗證結(jié)果的參數(shù)調(diào)整機(jī)制，實現(xiàn)“仿真測試-策略修正-真實投放”的無縫銜接，從而在不干擾實際市場的情況下，全面測試和驗證最優(yōu)投放策略集合，以提高投放策略的實際應(yīng)用效果。

37、本技術(shù)在一較佳示例中：所述將驗證結(jié)果與初始投放參數(shù)結(jié)合，生成優(yōu)化后的投放參數(shù)，并對投放參數(shù)進(jìn)行迭代優(yōu)化的步驟，具體包括步驟：

38、根據(jù)驗證結(jié)果調(diào)整出價參數(shù)及目標(biāo)受眾信息，減少對表現(xiàn)不佳的受眾群體的投放；

39、根據(jù)點擊率和轉(zhuǎn)化率數(shù)據(jù)識別廣告創(chuàng)意的表現(xiàn)情況，更新廣告創(chuàng)意信息；

40、將調(diào)整后的出價參數(shù)、目標(biāo)受眾信息及廣告創(chuàng)意信息結(jié)合，生成優(yōu)化后的投放參數(shù)；

41、將優(yōu)化后的投放參數(shù)替換初始投放參數(shù)，并重復(fù)上述步驟，對投放參數(shù)進(jìn)行迭代優(yōu)化。

42、通過采用上述技術(shù)方案，基于驗證結(jié)果的受眾群體分級與創(chuàng)意元素權(quán)重調(diào)整，實現(xiàn)“無效資源識別-定向削減-優(yōu)質(zhì)資源強(qiáng)化”的閉環(huán)控制，歷史參數(shù)與實時反饋的混合優(yōu)化策略，能夠顯著縮短新場景、新行業(yè)的策略適配周期，通過參數(shù)替換與循環(huán)迭代，實現(xiàn)持續(xù)跟蹤用戶行為模式遷移與市場競爭格局演變，保持長期優(yōu)化效能。

43、本技術(shù)的上述發(fā)明目的二是通過以下技術(shù)方案得以實現(xiàn)的：

44、一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化系統(tǒng)，包括：

45、識別模塊，用于設(shè)定初始投放參數(shù)，通過分布式傳感器網(wǎng)絡(luò)實時采集數(shù)據(jù)投放后的多模態(tài)反饋數(shù)據(jù)；

46、分析模塊，用于構(gòu)建時空注意力神經(jīng)網(wǎng)絡(luò)，對所述多模態(tài)反饋數(shù)據(jù)進(jìn)行特征提取，并生成動態(tài)興趣遷移向量；

47、策略輸出模塊，用于將所述動態(tài)興趣向量輸入群體博弈強(qiáng)化學(xué)習(xí)框架，基于納什均衡理論計算并輸出最優(yōu)投放策略集合；

48、策略驗證模塊，用于將所述最優(yōu)投放策略集合輸入至數(shù)字孿生環(huán)境中進(jìn)行策略驗證，并輸出驗證結(jié)果；

49、反饋模塊，將驗證結(jié)果與初始投放參數(shù)結(jié)合，生成優(yōu)化后的投放參數(shù)，并對投放參數(shù)進(jìn)行迭代優(yōu)化。

50、通過采用上述技術(shù)方案，裝置通過識別模塊、分析模塊、策略輸出模塊、策略驗證模塊和反饋模塊的協(xié)同工作，實現(xiàn)了數(shù)據(jù)處理、策略生成、效果驗證的功能解耦，提升系統(tǒng)可維護(hù)性與擴(kuò)展性，分布式架構(gòu)支持海量數(shù)據(jù)的并行處理與資源的彈性調(diào)度，滿足高并發(fā)場景下的實時性要求，使數(shù)據(jù)投放策略與市場需求和用戶行為保持高度契合，提高了投放效率和轉(zhuǎn)化率。

51、本技術(shù)的上述目的三是通過以下技術(shù)方案得以實現(xiàn)的：

52、一種計算機(jī)設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法的步驟。

53、本技術(shù)的上述目的四是通過以下技術(shù)方案得以實現(xiàn)的：

54、一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述一種基于數(shù)據(jù)投放反饋效果的投放參數(shù)智能優(yōu)化方法的步驟。

55、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

56、1.構(gòu)建了從數(shù)據(jù)采集到動態(tài)優(yōu)化的完整閉環(huán)框架，通過多維度反饋數(shù)據(jù)融合與智能算法協(xié)同，時空注意力機(jī)制與群體博弈模型的結(jié)合，以實現(xiàn)捕捉用戶興趣的動態(tài)演變及市場競爭的復(fù)雜態(tài)勢，使數(shù)據(jù)投放策略與市場需求和用戶行為保持高度契合，數(shù)字孿生環(huán)境進(jìn)行策略驗證降低了策略失效風(fēng)險，且形成自我迭代的智能優(yōu)化生態(tài)，突破了傳統(tǒng)優(yōu)化方法效率低的局限；

57、2.在群體博弈強(qiáng)化學(xué)習(xí)框架中，初始化若干個智能體，模擬智能體之間的策略互動，智能體根據(jù)當(dāng)前的投放環(huán)境和動態(tài)興趣向量來調(diào)整自己的策略，通過不斷的策略互動和調(diào)整，框架將尋找到一個穩(wěn)定的納什均衡點，在這個點上，所有智能體的策略都是對其他智能體策略的最佳響應(yīng)，在達(dá)到納什均衡點后，先驗證均衡點的穩(wěn)定性，再比較不同策略組合的收益，根據(jù)比較結(jié)果，輸出最優(yōu)投放策略集合，從而提高廣告投放的效果和效率；

58、3.數(shù)字孿生環(huán)境通過高保真模擬與對抗性測試，提前暴露投放策略在極端場景下的脆弱性，基于驗證結(jié)果的參數(shù)調(diào)整機(jī)制，實現(xiàn)“仿真測試-策略修正-真實投放”的無縫銜接，從而在不干擾實際市場的情況下，全面測試和驗證最優(yōu)投放策略集合，以提高投放策略的實際應(yīng)用效果；

59、4.基于驗證結(jié)果的受眾群體分級與創(chuàng)意元素權(quán)重調(diào)整，實現(xiàn)“無效資源識別-定向削減-優(yōu)質(zhì)資源強(qiáng)化”的閉環(huán)控制，歷史參數(shù)與實時反饋的混合優(yōu)化策略，能夠顯著縮短新場景、新行業(yè)的策略適配周期，通過參數(shù)替換與循環(huán)迭代，實現(xiàn)持續(xù)跟蹤用戶行為模式遷移與市場競爭格局演變，保持長期優(yōu)化效能。