多媒体资源投放优化方法、装置、计算机设备及存储介质与流程

1.本技术实施例涉及大数据技术领域，特别是涉及一种多媒体资源投放优化方法、装置、计算机设备及存储介质。


背景技术：

2.随着移动互联网及大数据的发展，越来越多的企业或商户选择通过线上或向下渠道向用户推送或投放营销内容，以期提升其业务达成率。
3.目前而言，多数企业或商户主要是通过分析用户的线上行为，完成用户描述及定位形成用户画像，进而根据用户画像向用户推送或投放合适的内容。又或者是进行线下随机推送或投放。但是，线上行为分析不免存在分析维度单一的问题，而线下随机投放又缺乏完善的渠道归因，难以区分各个渠道相似营销内容的实际效果差异，最终仍无法提升业务达成率，也无法满足用户实际需求。
4.因此，现有的营销内容投放方法存在着投放准确率不高的技术问题。


技术实现要素：

5.本技术的目的在于提供一种多媒体资源投放优化方法、装置、计算机设备及存储介质，用以提升多媒体资源的投放准确率。
6.第一方面，本技术提供一种多媒体资源投放优化方法，包括：
7.获取各个候选区域的属性信息；
8.根据属性信息，构造各候选区域的干预变量和混淆变量；
9.分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值；
10.根据因果效应估值，筛选出目标区域进行多媒体资源投放。
11.在本技术一些实施例中，属性信息包括用户属性信息和区域属性信息，根据属性信息，构造各候选区域的干预变量和混淆变量，包括：分析用户属性信息，得到各候选区域的品牌竞争力值；根据品牌竞争力值，构造各候选区域的干预变量；根据区域属性信息，构造各候选区域的混淆变量。
12.在本技术一些实施例中，分析用户属性信息，得到各候选区域的品牌竞争力值，包括：分析用户属性信息，以获取各候选区域内归属于目标品牌的用户数，得到第一用户数；其中，目标品牌归属于目标行业；针对候选区域，获取归属于目标行业的用户数，得到第二用户数；计算第一用户数与第二用户数之商，得到品牌竞争力值。
13.在本技术一些实施例中，根据品牌竞争力值，构造各候选区域的干预变量，包括：根据品牌竞争力值，对各候选区域进行排序，得到竞争力值序列；根据竞争力值序列，筛选出各候选区域中的正例区域和反例区域；构造正例区域和反例区域，作为干预变量。
14.在本技术一些实施例中，区域属性信息包括aoi属性信息和人群属性信息，根据区域属性信息，构造各候选区域的混淆变量，包括：根据aoi属性信息，获取各候选区域的区域类型信息、区域房价信息以及区域周边信息，作为aoi属性变量；根据人群属性信息，统计各
候选区域的人群特征值、累计消费频次和累计消费金额，作为人群特征变量；构造aoi属性变量和人群特征变量，作为混淆变量。
15.在本技术一些实施例中，分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值，包括：将各候选区域的干预变量和混淆变量输入至倾向分模型之中，输出各候选区域的倾向分数值；根据各倾向分数值，对各候选区域进行分层处理，并筛选得到包含正例区域和反例区域的目标区域层；其中，正例区域对应的品牌竞争力值为第一竞争力值，反例区域对应的品牌竞争力值为第二竞争力值；针对目标区域层，计算第一竞争力值与第二竞争力值之差，得到各候选区域的因果效应估值。
16.在本技术一些实施例中，根据因果效应估值，筛选出目标区域进行多媒体资源投放，包括：若因果效应估值大于预设的因果效应阈值，则确定目标区域层包含的正例区域和反例区域，作为目标区域进行多媒体资源投放。
17.第二方面，本技术提供一种多媒体资源投放优化装置，包括：
18.信息获取模块，用于获取各个候选区域的属性信息；
19.变量构造模块，用于根据属性信息，构造各候选区域的干预变量和混淆变量；
20.变量分析模块，用于分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值；
21.资源投放模块，用于根据因果效应估值，筛选出目标区域进行多媒体资源投放。
22.第三方面，本技术还提供一种计算机设备，包括：
23.一个或多个处理器；
24.存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述多媒体资源投放优化方法。
25.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行多媒体资源投放优化方法中的步骤。
26.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
27.上述多媒体资源投放优化方法、装置、计算机设备及存储介质，服务器通过获取各个候选区域的属性信息，并根据属性信息，构造各候选区域的干预变量和混淆变量，再分析各候选区域的干预变量和混淆变量，即可得到各候选区域的因果效应估值，最终根据因果效应估值，筛选出目标区域进行多媒体资源投放。由此，以构造多维变量入模的方式线上分析各个候选区域相对于多媒体资源的效应结果，来适时优化多媒体资源的投放策略，可有效提升多媒体资源的投放准确率。
附图说明
28.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
29.图1为本技术实施例中提供的多媒体资源投放优化方法的场景示意图；
30.图2为本技术实施例中提供的多媒体资源投放优化方法的流程示意图；
31.图3是本技术实施例中提供的多媒体资源投放优化装置的结构示意图；
32.图4是本技术实施例中提供的计算机设备的结构示意图。
具体实施方式
33.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.在本技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
35.在本技术的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
36.在本技术实施例中，本技术实施例提供的多媒体资源投放优化方法，可以应用于如图1所示的多媒体资源投放优化系统中。其中，该多媒体资源投放优化系统包括终端102和服务器104。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端102具体可以是台式终端或移动终端，终端102具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。此外，终端102与服务器104之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
37.本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本技术方案的一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的设备。例如，图1中仅示出1个服务器。可以理解的是，该多媒体资源投放优化系统还可以包括一个或多个其他设备，具体此处不作限定。另外，该多媒体资源投放优化系统还可以包括存储器，用于存储数据，如存储各个候选区域的属性信息。
38.需要说明的是，图1所示的多媒体资源投放优化系统的场景示意图仅仅是一个示例，本发明实施例描述的多媒体资源投放优化系统以及场景是为了更加清楚的说明本发明
实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着多媒体资源投放优化系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
39.参阅图2，本技术实施例提供了一种多媒体资源投放优化方法，本实施例主要以该方法应用于上述图1中的服务器104来举例说明，该方法包括步骤s201至s204，具体如下：
40.s201，获取各个候选区域的属性信息。
41.其中，候选区域为选定待优化多媒体资源投放策略的aoi(area of interest)，“aoi”即为信息面，也叫兴趣面。“aoi”指的是地图数据中的区域状的地理实体。例如，候选区域“aoi”包括某个小区、某个商业区等，本技术实施例所涉及候选区域“aoi”的类型将在下文详细说明。
42.其中，属性信息包括但不局限于用户属性信息和区域属性信息，用户属性信息来源于业务数据，区域属性信息来源于业务数据和地理数据。业务数据取自于业务场景，但可以理解的是，基于不同的应用领域存在不同业务场景，本技术实施例主要以品牌推广场景举例说明，但并非局限于此。
43.具体实现中，服务器104启动多媒体资源投放优化任务的第一步，需获取各个候选区域的属性信息，该属性信息可以是预存于服务器104本地的，也可以是经由其他设备请求获取的。此外，该属性信息可以是自获取得到时即具备后续处理要求的，也可以是经过一定预处理方式处理后得到的，预处理方式包括但不局限于：去重、查错、格式转换等。
44.进一步地，属性信息若是经由其他设备请求获取的，则包括但不局限于如下几种方式之一：1、在普通网络结构中，服务器104从终端102或其他建立有网络连接的云设备处接收属性信息；2、在预置的区块链网络中，服务器104可从其他终端节点或服务器节点处同步获取属性信息，该区块链网络可以是公有链、私有链等；3、在预置的树状结构中，服务器104可从上级服务器请求得到属性信息，或是从下级服务器轮询得到属性信息。
45.s202，根据属性信息，构造各候选区域的干预变量和混淆变量。
46.其中，干预变量存在于自变量到因变量因果链上的变量，它引起因变量的变化，而其本身随自变量而变化，这种变量在统计学上既与自变量有联系又与因变量有联系。混淆变量是指与自变量和因变量均相关的变量，该变量使自变量和因变量间产生虚假的关系，混淆变量是无法控制的变量，也可以称为额外变量。
47.具体实现中，由于多媒体资源投放是基于目标城市中选取的aoi为单位进行的，其目的是为投放方带来相对更多的消费者，以提升其业务达成率。然而投放相关产品的多媒体资源通常对投放品牌及其归属行业内其它品牌都会有正向影响，因此本技术实施例提出的优化策略也需要考虑为行业带来的效应。
48.具体而言，本技术实施例提出先计算各个候选区域“aoi”的品牌竞争力值(y)，然后在选定范围内将品牌竞争力值(y)高的候选区域作为投放区域(后续称正例区域)，其它品牌竞争力值(y)不够高的候选区域作为非投放区域(后续称反例区域)，最后依据正例区域、反例区域以及其他属性信息构造干预变量和混淆变量，干预变量和混淆变量的具体构造步骤将在下文详细说明。
49.在一个实施例中，属性信息包括用户属性信息和区域属性信息，本步骤包括：分析用户属性信息，得到各候选区域的品牌竞争力值；根据品牌竞争力值，构造各候选区域的干
预变量；根据区域属性信息，构造各候选区域的混淆变量。
50.其中，用户属性信息包括各个品牌的相关用户数，以及各个行业的相关用户数，这里的相关用户数可以是指注册用户数，也可以是指物流领域中的收件用户数或是寄件用户数。需要说明的是，当“相关用户数”指的是物流领域中的收件用户数或寄件用户数时，多媒体资源投放优化的目的即是通过投放适用于物流场景的多媒体资源，尤其是针对于某个目标品牌的，来提升该目标品牌的业务达成率。例如，牛奶品牌a的寄件优惠券、牛奶品牌b的寄件优惠券等，而牛奶品牌a和牛奶品牌b均归属于生鲜行业。
51.具体实现中，服务器104在前序步骤中所获的属性信息包括应该要用户属性信息和区域属性信息，以便于后续步骤的执行。具体而言，包括各个品牌相关用户数以及各个行业相关用户数的用户属性信息，可用于分析获取各候选区域的品牌竞争力值(y)，而品牌竞争力值(y)可用于进一步分析筛选出正例区域和反例区域，得到干预变量。而混淆变量，则需分析属性信息包含的区域属性信息，具体将在下文进一步详细说明。
52.在一个实施例中，分析用户属性信息，得到各候选区域的品牌竞争力值，包括：分析用户属性信息，以获取各候选区域内归属于目标品牌的用户数，得到第一用户数；其中，目标品牌归属于目标行业；针对候选区域，获取归属于目标行业的用户数，得到第二用户数；计算第一用户数与第二用户数之商，得到品牌竞争力值。
53.具体实现中，第一用户数可表示为“y
1”，第二用户数可表示为“y
2”，如此，品牌竞争力值表示为(y＝y1/y2)。例如，在某个候选区域(aoi)内，服务器104基于预设的时段统计得到该aoi内产生了200个物流任务，即存在200个收件用户数和相应的寄件用户数(本实施例中以收件用户数为依据分析)，其中涉及目标品牌的收件用户数为80人，其他品牌的收件用户数为120人，且目标品牌和其他品牌均归属于同一个行业，则该候选区域的品牌竞争力值y＝80/200＝0.4。可以理解的是，这里仅是举例了某个候选区域的情况，实际应用过程中应该针对每一个候选区域中所存在的各个品牌进行逐一分析，且预设的时段也可依据实际业务需求设定，时段的长短本技术也不限定。
54.在一个实施例中，根据品牌竞争力值，构造各候选区域的干预变量，包括：根据品牌竞争力值，对各候选区域进行排序，得到竞争力值序列；根据竞争力值序列，筛选出各候选区域中的正例区域和反例区域；构造正例区域和反例区域，作为干预变量。
55.其中，n≥1；正例区域可判定为多媒体资源的投放区域，反例区域可判定为多媒体资源的非投放区域。
56.具体实现中，服务器104通过上述实施例所述方法分析得到各个候选区域(aoi)的品牌竞争力值(y)之后，可将各个品牌竞争力值(y)按照一定规则进行排序，例如升序排列和降序排列。其中，当品牌竞争力值序列是通过升序排列得到时，服务器104可获取竞争力值序列中的后n个品牌竞争力值(y)，作为目标品牌竞争力值；当品牌竞争力值序列是通过降序排列得到时，服务器104可获取品牌竞争力值序列中的前n个品牌竞争力值(y)，作为目标品牌竞争力值。然后，将目标品牌竞争力值对应的候选区域作为正例区域，将非目标品牌竞争力值对应的候选区域作为反例区域。最后，将正例区域和反例区域均作为干预变量。可以理解的是，n的取值可视实际业务需求确定。
57.在一个实施例中，区域属性信息包括aoi属性信息和人群属性信息，根据区域属性信息，构造各候选区域的混淆变量，包括：根据aoi属性信息，获取各候选区域的区域类型信
息、区域房价信息以及区域周边信息，作为aoi属性变量；根据人群属性信息，统计各候选区域的人群特征值、累计消费频次和累计消费金额，作为人群特征变量；构造aoi属性变量和人群特征变量，作为混淆变量。
58.其中，aoi属性信息为区域类型信息、区域房价信息以及区域周边信息等信息的集合；人群属性信息包括但不局限于用户的性别、年龄、婚育情况等用户画像信息，以及用户的消费内容信息。
59.具体实现中，区域类型信息通常划分为10类，分别是：
①
普通住宅、
②
高端住宅、
③
其它住宅、
④
写字楼、
⑤
商住两用大楼、
⑥
产业园区、
⑦
餐饮及购物中心、
⑧
中小学、
⑨
大学及成人教育类、
⑩
基础设施类(政府银行医院及科教场所)及其它。针对区域类型信息的分析，服务器104需对每一种类型都形成脱敏的唯一识别码，并对识别码进行md5编码转译，然后利用转译后的唯一识别码进行后续分析。
60.进一步地，服务器104可通过接入房地产板块对外接口，来获取各个候选区域的房价信息，作为区域房价信息，若是无法获取的则使用该候选区域所在地产板块或者行政区的房价中位数补足，均无法处理的则用城市成交房价中位数代替。区域周边信息主要根据候选区域的位置进行分析获取，即判断在特定商业辐射范围内是否存在目标品牌的门店以及行业其它品牌的门店，进而分别作为两个二分类变量入模，即若存在记为“1”，不存在则为“0”。例如，保健品类的门店辐射距离在2km范围内，而家电类的门店辐射距离在10km范围内。可以理解的是，各行业的商业辐射距离是预设的，二分类变量的入模形式包括如下四种：[1、1]、[1、0]、[0、1]、[0、0]。
[0061]
更进一步地，服务器104可根据人群属性信息，统计每个候选区域内指定的人群特征，并分析采用人群特征对应的人群特征值(也称tgi值)入模，人群特征包括但不限于：性别、年龄、婚育情况等。其中，各个候选区域“aoi”的tgi值可作为人群特征变量，tgi值的计算方式如下：
[0062][0063]
例如，某个候选区域“aoi”内的某一特征群体(性别为男、年龄在20岁及以上、已婚育)占有250人，且该候选区域“aoi”所在城市为“城市a”，而“城市a”内的同一特征群体(性别为男、年龄在20岁及以上、已婚育)占有800人，那么该候选区域“aoi”的tgi值为“0.3125＝250/800”。
[0064]
再进一步地，人群特征变量的第一部分内容为上述分析的“人群特征值”，其余部分内容还包括累计消费频次和累计消费金额。其中，累计消费频次和累计消费金额均来源于对用户其消费内容的统计，消费内容分为投放品类相关的消费频次和消费金额，那么累计消费频次和累计消费金额是通过统计某候选区域“aoi”内的某一特征群体在预设时段内的消费频次总和、消费金额总和。需要说明的是，统计时的投放品类应为该投放商品的最小父品类单位，预设时段的长短取决于业务需求。
[0065]
例如，“口红”的最小父品类为唇部彩妆，消费频次可通过统计“唇部彩妆”品类的购买数量判定，反映出用户的消费偏好强弱。消费金额则由“唇部彩妆”品类的订单金额判定，反应用户的购买力。
[0066]
需要说明的是，上述“入模”指的是倾向分模型，本技术实施例中的倾向分模型选
用logit模型，则最终输入至倾向分模型(logit模型)的变量为干预变量(正例区域和反例区域)和混淆变量(aoi属性变量和人群特征变量)。
[0067]
s203，分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值。
[0068]
具体实现中，服务器104分析得到干预变量和混淆变量之后，可将干预变量和混淆变量输入至倾向分模型中，以使模型基于各候选区域的干预变量和混淆变量，首先对候选区域进行分层，然后基于各个层级所包含的正例区域和反例区域计算因果效应估值(ate)。其中，倾向分模型可以为logit模型，logit模型(logit model，也译作“评定模型”，“分类评定模型”，又作logistic regression，“逻辑回归”)是离散选择法模型之一，logit模型是最早的离散选择模型，也是目前应用最广的模型。
[0069]
在一个实施例中，本步骤包括：将各候选区域的干预变量和混淆变量输入至倾向分模型之中，输出各候选区域的倾向分数值；根据各倾向分数值，对各候选区域进行分层处理，并筛选得到包含正例区域和反例区域的目标区域层；其中，正例区域对应的品牌竞争力值为第一竞争力值，反例区域对应的品牌竞争力值为第二竞争力值；针对目标区域层，计算第一竞争力值与第二竞争力值之差，得到各候选区域的因果效应估值。
[0070]
其中，倾向分模型应用的是倾向性评分分层算法，该算法是控制混杂因素影响的有效手段，将倾向性评分分层算法与logit模型结合，可更有效地控制混杂偏倚，进而提高多媒体资源的投放准确率。
[0071]
具体实现中，服务器104将各候选区域的干预变量和混淆变量输入至倾向分模型之后，干预变量将作为模型的因变量，混淆变量将作为模型的自变量，倾向分模型将分析各个因变量和自变量来输出各个候选区域的倾向分数值，且倾向分数值在0至1这个范围内。然后，服务器104可根据倾向分数值将各个候选区域分为n层进行处理，同时可利用倾向分数值在各层的均衡程度判断n的实际值，最终舍弃仅包含正例区域或反例区域的层，而是筛选出既包含正例区域又包含反例区域的目标区域层，进而计算目标区域层的因果效应估值“ate”，“ate＝y
3-y
4”，“y
3”为目标区域层中正例区域对应的品牌竞争力值，“y
4”为目标区域层中反例区域对应的品牌竞争力值。
[0072]
需要说明的是，此时并非所有的候选区域均可对应存在因果效应估值“ate”，该因果效应估值“ate”仅针对于目标区域层中的正例区域和反例区域，也即是说，本实施例中说明的步骤是对候选区域的初步筛选。
[0073]
s204，根据因果效应估值，筛选出目标区域进行多媒体资源投放。
[0074]
具体实现中，服务器104获取到目标区域层的因果效应估值“ate”之后，可比较各个因果效应估值“ate”，然后根据比较结果筛选出最终的目标区域进行多媒体资源投放，其余被筛掉的候选区域则无需进行多媒体资源投放。需要说明的是，此步骤目的是舍弃估值低或者负向效应的区域进行选择性投放，同时可定时根据模型结果更新干预变量及混淆变量重新入模实现动态调整，以便于在模型评估的因果效应估值为负时停止投放，通过最小化资源获取最大化效果。
[0075]
在一个实施例中，本步骤包括：若因果效应估值大于预设的因果效应阈值，则确定目标区域层包含的正例区域和反例区域，作为目标区域进行多媒体资源投放。
[0076]
其中，因果效应阈值可根据实际业务需求取值，例如，因果效应阈值表示为“aten”，“aten≥0”。
[0077]
具体实现中，服务器104在获取到所有的因果效应估值“ate”之后，可将各个因果效应估值“ate”与因果效应阈值“aten进行比较，选取其中大于因果效应阈值“aten的“ate”作为目标因果效应估值，然后判定目标因果效应估值对应的目标区域层为最终所需结果，即该最终所需结果指向的正例区域和反例区域均作为目标区域。
[0078]
例如，服务器104根据倾向分数值对候选区域进行分层处理，得到三个区域层：a、b、c，其中的区域层“a”仅有一个正例区域(品牌竞争力值y满足条件的候选区域)，区域层“b”仅有一个反例区域(品牌竞争力值y不满足条件的候选区域)，区域层“c”包含一个正例区域(y3＝0.7)和一个反例区域(y4＝0.5)，则区域层“c”为目标区域层，目标区域层“c”的因果效应估值“ate＝0.7-0.5＝0.2”。此时，由于因果效应阈值“aten＝0”，则目标区域层“c”中的正例区域和反例区域均为目标区域，可以继续投放多媒体资源。
[0079]
上述实施例中的多媒体资源投放优化方法，服务器通过获取各个候选区域的属性信息，并根据属性信息，构造各候选区域的干预变量和混淆变量，再分析各候选区域的干预变量和混淆变量，即可得到各候选区域的因果效应估值，最终根据因果效应估值，筛选出目标区域进行多媒体资源投放。由此，以构造多维变量入模的方式线上分析各个候选区域相对于多媒体资源的效应结果，来适时优化多媒体资源的投放策略，可有效提升多媒体资源的投放准确率。
[0080]
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0081]
为了更好实施本技术实施例提供的多媒体资源投放优化方法，在本技术实施例所提出的多媒体资源投放优化方法的基础之上，本技术实施例中还提供了一种多媒体资源投放优化装置，如图3所示，该多媒体资源投放优化装置300包括：
[0082]
信息获取模块310，用于获取各个候选区域的属性信息；
[0083]
变量构造模块320，用于根据属性信息，构造各候选区域的干预变量和混淆变量；
[0084]
变量分析模块330，用于分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值；
[0085]
资源投放模块340，用于根据因果效应估值，筛选出目标区域进行多媒体资源投放。
[0086]
在一个实施例中，属性信息包括用户属性信息和区域属性信息，变量构造模块320还用于分析用户属性信息，得到各候选区域的品牌竞争力值；根据品牌竞争力值，构造各候选区域的干预变量；根据区域属性信息，构造各候选区域的混淆变量。
[0087]
在一个实施例中，变量构造模块320还用于分析用户属性信息，以获取各候选区域内归属于目标品牌的用户数，得到第一用户数；其中，目标品牌归属于目标行业；针对候选区域，获取归属于目标行业的用户数，得到第二用户数；计算第一用户数与第二用户数之商，得到品牌竞争力值。
[0088]
在一个实施例中，变量构造模块320还用于根据品牌竞争力值，对各候选区域进行
排序，得到竞争力值序列；根据竞争力值序列，筛选出各候选区域中的正例区域和反例区域；构造正例区域和反例区域，作为干预变量。
[0089]
在一个实施例中，区域属性信息包括aoi属性信息和人群属性信息，变量构造模块320还用于根据aoi属性信息，获取各候选区域的区域类型信息、区域房价信息以及区域周边信息，作为aoi属性变量；根据人群属性信息，统计各候选区域的人群特征值、累计消费频次和累计消费金额，作为人群特征变量；构造aoi属性变量和人群特征变量，作为混淆变量。
[0090]
在一个实施例中，变量分析模块330还用于将各候选区域的干预变量和混淆变量输入至倾向分模型之中，输出各候选区域的倾向分数值；根据各倾向分数值，对各候选区域进行分层处理，并筛选得到包含正例区域和反例区域的目标区域层；其中，正例区域对应的品牌竞争力值为第一竞争力值，反例区域对应的品牌竞争力值为第二竞争力值；针对目标区域层，计算第一竞争力值与第二竞争力值之差，得到各候选区域的因果效应估值。
[0091]
在一个实施例中，资源投放模块340还用于若因果效应估值大于预设的因果效应阈值，则确定目标区域层包含的正例区域和反例区域，作为目标区域进行多媒体资源投放。
[0092]
上述实施例中，本技术提出以构造多维变量入模的方式，线上分析各个候选区域相对于多媒体资源的效应结果，来适时优化多媒体资源的投放策略，可有效提升多媒体资源的投放准确率。
[0093]
需要说明的是，关于多媒体资源投放优化装置的具体限定可以参见上文中对于多媒体资源投放优化方法的限定，在此不再赘述。上述多媒体资源投放优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0094]
在本技术一些实施例中，多媒体资源投放优化装置300可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该多媒体资源投放优化装置300的各个程序模块，比如，图3所示的信息获取模块310、变量构造模块320、变量分析模块330以及资源投放模块340；各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的多媒体资源投放优化方法中的步骤。例如，图4所示的计算机设备可以通过如图3所示的多媒体资源投放优化装置300中的信息获取模块310执行步骤s201。计算机设备可通过变量构造模块320执行步骤s202。计算机设备可通过变量分析模块330执行步骤s203。计算机设备可通过资源投放模块340执行步骤s204。其中，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体资源投放优化方法。
[0095]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0096]
在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储
器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述多媒体资源投放优化方法的步骤。此处多媒体资源投放优化方法的步骤可以是上述各个实施例的多媒体资源投放优化方法中的步骤。
[0097]
在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述多媒体资源投放优化方法的步骤。此处多媒体资源投放优化方法的步骤可以是上述各个实施例的多媒体资源投放优化方法中的步骤。
[0098]
本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0099]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0100]
以上对本技术实施例提供的一种多媒体资源投放优化方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种多媒体资源投放优化方法，其特征在于，包括：获取各个候选区域的属性信息；根据所述属性信息，构造各所述候选区域的干预变量和混淆变量；分析各所述候选区域的干预变量和混淆变量，得到各所述候选区域的因果效应估值；根据所述因果效应估值，筛选出目标区域进行多媒体资源投放。2.如权利要求1所述的方法，其特征在于，所述属性信息包括用户属性信息和区域属性信息，所述根据所述属性信息，构造各所述候选区域的干预变量和混淆变量，包括：分析所述用户属性信息，得到各所述候选区域的品牌竞争力值；根据所述品牌竞争力值，构造各所述候选区域的干预变量；根据所述区域属性信息，构造各所述候选区域的混淆变量。3.如权利要求2所述的方法，其特征在于，所述分析所述用户属性信息，得到各所述候选区域的品牌竞争力值，包括：分析所述用户属性信息，以获取各所述候选区域内归属于目标品牌的用户数，得到第一用户数；其中，所述目标品牌归属于目标行业；针对所述候选区域，获取归属于所述目标行业的用户数，得到第二用户数；计算所述第一用户数与所述第二用户数之商，得到所述品牌竞争力值。4.如权利要求2所述的方法，其特征在于，所述根据所述品牌竞争力值，构造各所述候选区域的干预变量，包括：根据所述品牌竞争力值，对各所述候选区域进行排序，得到竞争力值序列；根据所述竞争力值序列，筛选出各所述候选区域中的正例区域和反例区域；构造所述正例区域和所述反例区域，作为所述干预变量。5.如权利要求2所述的方法，其特征在于，所述区域属性信息包括aoi属性信息和人群属性信息，所述根据所述区域属性信息，构造各所述候选区域的混淆变量，包括：根据所述aoi属性信息，获取各所述候选区域的区域类型信息、区域房价信息以及区域周边信息，作为aoi属性变量；根据所述人群属性信息，统计各所述候选区域的人群特征值、累计消费频次和累计消费金额，作为人群特征变量；构造所述aoi属性变量和所述人群特征变量，作为所述混淆变量。6.如权利要求1-5中任一项所述的方法，其特征在于，所述分析各所述候选区域的干预变量和混淆变量，得到各所述候选区域的因果效应估值，包括：将各所述候选区域的干预变量和混淆变量输入至倾向分模型之中，输出各所述候选区域的倾向分数值；根据各所述倾向分数值，对各所述候选区域进行分层处理，并筛选得到包含正例区域和反例区域的目标区域层；其中，所述正例区域对应的品牌竞争力值为第一竞争力值，所述反例区域对应的品牌竞争力值为第二竞争力值；针对所述目标区域层，计算所述第一竞争力值与所述第二竞争力值之差，得到各所述候选区域的因果效应估值。7.如权利要求6所述的方法，其特征在于，所述根据所述因果效应估值，筛选出目标区域进行多媒体资源投放，包括：
若所述因果效应估值大于预设的因果效应阈值，则确定所述目标区域层包含的正例区域和反例区域，作为所述目标区域进行多媒体资源投放。8.一种多媒体资源投放优化装置，其特征在于，包括：信息获取模块，用于获取各个候选区域的属性信息；变量构造模块，用于根据所述属性信息，构造各所述候选区域的干预变量和混淆变量；变量分析模块，用于分析各所述候选区域的干预变量和混淆变量，得到各所述候选区域的因果效应估值；资源投放模块，用于根据所述因果效应估值，筛选出目标区域进行多媒体资源投放。9.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的多媒体资源投放优化方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的多媒体资源投放优化方法中的步骤。

技术总结
本申请提供一种多媒体资源投放优化方法、装置、计算机设备及存储介质，方法包括：获取各个候选区域的属性信息；根据属性信息，构造各候选区域的干预变量和混淆变量；分析各候选区域的干预变量和混淆变量，得到各候选区域的因果效应估值；根据因果效应估值，筛选出目标区域进行多媒体资源投放。采用本方法，能够有效提升多媒体资源的投放准确率。提升多媒体资源的投放准确率。提升多媒体资源的投放准确率。


技术研发人员：王茹 朱静涛 谢茵
受保护的技术使用者：顺丰科技有限公司
技术研发日：2022.02.09
技术公布日：2023/8/24