广告投放方法、装置、电子设备和存储介质

技术领域

本公开涉及计算机应用领域，尤其涉及广告投放方法、装置、电子设备和存储介质。

背景技术

在互联网经济中，针对不同的用户群体，同样的广告很可能产生不同的效果；以智能手机上的App中推送广告为例，部分用户会受到广告的正向激励，更多地使用该App，而部分用户则可能直接忽略广告，在该App中的行为不会出现明显变化，甚至部分用户则可能讨厌此类广告，进而会更少地打开该App；因此，为了保证用户的活跃度，运营方需要谨慎选择广告投放的对象。

发明内容

有鉴于此，本公开提供了广告投放方法、装置、电子设备和存储介质，以至少解决相关技术中的技术问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提出了一种广告投放方法，其特征在于，包括：

获取目标用户的用户特征，并基于获取的用户特征生成预测样本；所述用户特征用于评估用户在目标应用中的活跃度是否上升；

将所述预测样本输入训练完成的预测模型进行预测计算，获取所述预测模型输出的所述预测样本对应于第一样本标签的概率值；其中，所述第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升；或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；

基于所述概率值确定是否面向所述目标用户投放所述广告。

可选的，所述方法还包括：

获取特征样本集；其中，所述特征样本集包括由所述若干样本用户的用户特征构成的特征样本；所述若干样本用户中的至少部分样本用户对应的特征样本被标记了样本标签；所述样本标签包括所述第一样本标签和第二样本标签；在向所述若干样本用户中的任一样本用户投放了所述广告，且该样本用户在所述目标应用中的活跃度上升的情况下，或者，在未向所述若干样本用户中的任一样本用户投放所述广告，且该样本用户在所述目标应用中的活跃度未上升的情况下，该样本用户对应的特征样本被标记的样本标签为所述第一类标签；反之，该样本用户对应的特征样本被标记的样本标签为所述第二类标签；

基于所述特征样本集中的特征样本进行监督学习训练，得到所述预测模型。

可选的，所述预测模型包括基于类转换法的因果增益模型；

所述基于所述概率值确定是否面向所述目标用户投放所述广告之前，所述方法还包括：

基于所述因果增益模型支持的概率转换函数，将所述概率值转换为投放所述广告对用户在目标应用中活跃度上升概率的增益值。

可选的，基于所述概率值确定是否面向所述目标用户投放所述广告，包括：

确定基于所述概率值转换得到的所述增益值是否大于阈值；如果是，面向所述目标用户投放所述广告。

可选的，所述基于所述概率值确定是否面向所述目标用户投放预设的广告，包括：

将基于所述概率值转换出的所述增益值与其他用户的所述增益值进行比较，确定所述目标用户是否为所有用户中的所述增益值最高的N个用户之一；如果是，面向所述目标用户投放预设的广告；其中，N为正整数。

根据本公开实施例的第二方面，提出了一种广告投放装置，其特征在于，包括：

生成模块，被配置为获取目标用户的用户特征，并基于获取的用户特征生成预测样本；所述用户特征用于评估用户在目标应用中的活跃度是否上升；

第一获取模块，被配置为将所述预测样本输入训练完成的预测模型进行预测计算，获取所述预测模型输出的所述预测样本对应于第一样本标签的概率值；其中，所述第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升；或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；

投放模块，被配置为基于所述概率值确定是否面向所述目标用户投放所述广告。

可选的，所述装置还包括：

第二获取模块，被配置为获取特征样本集；其中，所述特征样本集包括由所述若干样本用户的用户特征构成的特征样本；所述若干样本用户中的至少部分样本用户对应的特征样本被标记了样本标签；所述样本标签包括所述第一样本标签和第二样本标签；在向所述若干样本用户中的任一样本用户投放了所述广告，且该样本用户在所述目标应用中的活跃度上升的情况下，或者，在未向所述若干样本用户中的任一样本用户投放所述广告，且该样本用户在所述目标应用中的活跃度未上升的情况下，该样本用户对应的特征样本被标记的样本标签为所述第一类标签；反之，该样本用户对应的特征样本被标记的样本标签为所述第二类标签；

训练模块，被配置为基于所述特征样本集中的特征样本进行监督学习训练，得到所述预测模型。

可选的，所述预测模型包括基于类转换法的因果增益模型；所述装置还包括：

转换模块，被配置为基于所述因果增益模型支持的概率转换函数，将所述概率值转换为投放所述广告对用户在目标应用中活跃度上升概率的增益值。

可选的，所述投放模块，进一步被配置为：

确定基于所述概率值转换得到的所述增益值是否大于阈值；如果是，面向所述目标用户投放所述广告。

可选的，所述投放模块，进一步被配置为：

将基于所述概率值转换出的所述增益值与其他用户的所述增益值进行比较，确定所述目标用户是否为所有用户中的所述增益值最高的N个用户之一；如果是，面向所述目标用户投放预设的广告；其中，N为正整数。

根据本公开实施例的第三方面，提出了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现上述任一实施例所述的广告投放方法。

根据本公开实施例的第四方面，提出一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一实施例所述的广告投放方法。

根据本公开实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品被配置为执行上述任一实施例所述的广告投放方法。

以上技术方案中，由于可以使用预测模型，根据目标用户的用户特征预测出目标用户对应于第一样本标签的概率值，而第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升，或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；因此，根据得到的概率值决策是否面向该目标用户投放预设的广告，可以提高该广告使得目标用户在目标应用中活跃度上升的概率，进而提高广告投放的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书文本一同用于解释原理，并不构成对本公开的不当限定。

图1是本公开示出的一种用户分类示意图；

图2是根据本公开的实施例示出的一种广告投放方法流程图；

图3是根据本公开的实施例示出的一种用于根据增益值对用户进行筛选的统计图；

图4是根据本公开的实施例示出的一种广告投放装置的示意框图；

图5是根据本公开的实施例示出的一种电子设备的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本公开一个或多个实施例中的技术方案，下面将结合本公开一个或多个实施例中的附图，对本公开一个或多个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一部分实施例，而不是全部的实施例。基于本公开一个或多个实施例，本领域普通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，都应当属于本公开保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的系统和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在互联网经济中，针对不同的用户，同样的广告很可能带来不同的结果；以在智能手机App中推送广告为例，有的用户会受到广告的正向激励，更多地使用该App，而有的用户则可能直接忽略广告，在该App中的行为不会出现明显变化，甚至有的用户则可能讨厌此类广告，进而会更少地打开该App；因此，为了保证用户的活跃度，运营者需要谨慎选择用户并执行广告。

通常，人们用日活跃数量DAU(Daily active user)这一指标来衡量用户的活跃度，相关技术中，人们可以采用机器学习的方法，建立一个基于响应(response)机制的、能够根据用户特征预测用户的响应的机器学习模型；如果预测到某个用户的负面响应较高，则可以不将其作为广告投放的对象，避免该用户流失，从而提高DAU。

举例而言，某公司需要在其运营的App中投放广告，而广告既可能带来额外的营业收益，也可能招致用户的反感；因此，该公司可以利用上述方案中的机器学习模型，预测用户在接收到广告后的流失的概率；如果某用户流失的概率较高，则应当避免对其投放广告。

同样可以理解的是，该机器学习模型也可以应用在正面效益的分析中；继续以上述广告投放的情景为例，可以将广告更多地投放给预测到在看到广告后对应发起消费的概率较高的用户群体上，而避免投放给不具有消费倾向的用户群体，从而节省广告资源。

但是，在上述方案中，基于响应机制的机器学习模型实质上仅关注了结果，即用户最终的响应，却无法揭示执行的广告与最终响应之间的因果关系。请参见图1，图1是本公开示出的一种用户分类示意图；在该示意图中将用户分类四类，其中，第一类用户指代执行广告即会产生正向反馈，但不执行广告就不会产生正向反馈的用户群体，第二类用户指代无论执行广告与否，都会产生正向反馈的用户群体，第三类用户指代无论执行广告与否，都不会产生正向反馈的用户群体，第四类用户指代不执行广告会产生正向反馈，执行广告反而不产生正向反馈的用户群体。

举例而言，假设执行的广告是推送商品广告，正向反馈意味着用户购买了对应的商品；那么第一类用户就是不看广告不下单，看过广告后下单该商品的用户，第二类用户则是无论看不看广告都会下单该商品的用户，第三类用户是无论看不看广告都不会下单该商品的用户，第四类用户则是看不到广告会下单该商品，但看到广告后产生厌烦等心理导致不再下单的用户。

而分析上述基于响应的机器学习模型，显然只能从全体用户中筛选出执行广告后产生了正向反馈的群体，也就是上述第一类用户和第二类用户的总和；但是，由于第二类用户无论是否执行广告都会产生正向反馈，将第二类用户作为目标用户，显然会造成广告资源的浪费。

基于此，本公开提出一种首先通过机器学习模型预测目标用户在目标应用中的活跃度收到广告的正向激励的概率，再根据该概率决策是否面向目标用户投放该广告的技术方案。

在实现时，所使用的机器学习模型，其输入可以是目标用户的用户特征，其输出的概率可以是向用户投放了预设的广告的情况下，上述用户在目标应用中的活跃度上升，或者，未向用户投放上述广告的情况下，上述用户在目标应用中的活跃度未上升的概率；

在获得上述概率后，即可决策是否面向该目标用户投放上述广告。

以上技术方案中，由于可以使用预测模型，根据目标用户的用户特征预测出目标用户对应于第一样本标签的概率值，而第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升，或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；因此，根据得到的概率值决策是否面向该目标用户投放预设的广告，可以提高该广告使得目标用户在目标应用中活跃度上升的概率，进而提高广告投放的效率。

下面通过具体实施例并结合具体的应用场景对技术方案进行描述。

请参考图2，图2是本公开一实施例提供的一种广告投放方法的流程图，该方法可以包括以下步骤：

S201，获取目标用户的用户特征，并基于获取的用户特征生成预测样本；所述用户特征用于评估用户在目标应用中的活跃度是否上升；

S202，将所述预测样本输入训练完成的预测模型进行预测计算，获取所述预测模型输出的所述预测样本对应于第一样本标签的概率值；其中，所述第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升；或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；

S203，基于所述概率值确定是否面向所述目标用户投放所述广告。

上述广告投放，可以是泛指任意形式的信息推送行为；例如，可以包括狭义上的推送广告文案、图片、视频的行为，也可以包括向某些账户直接发放红包或者代金券等广义上的广告投放行为。本领域技术人员可以根据具体需求，自行选定需要广告的具体形式。

上述目标应用，可以是与上述广告存在业务上的关联的应用；例如，针对于某服装广告，对应的目标应用可以是提供该广告的浏览器应用、视频应用、新闻应用、社交应用，也可以是提供购买渠道的电商应用，还可以是提供产品体验报告的分享类应用等等；具体的目标应用形式本公开不作进一步限定。

上述用户，可以是接收上述广告并使用上述目标应用的目标，其既可以是自然人，也可以是电子账户或者软硬件客户端，本公开无需对此进行限定；例如，对于某些在线游戏公司而言，其发放充值代金券的活动，可以将游戏账户作为上述用户，对于某些在线购物平台而言，其推送热门商品的广告，则可以将其购物客户端视为用户；对于某些投资集团，其关注的用户则可能是公司法人；因此，开发人员可以根据具体需求，自行对应确定用户的具体含义。

上述活跃度，可以包括各类用于评估用户对于上述广告依托于的软件、平台、组织等载体的参与程度的指标；通常，上述广告可以依托于其他软件、平台、组织运行；例如，推销商品的广告广告，可以依托于在线购物app，因此，在此情境中，用户的活跃度可以具体表现为用户使用上述在线购物app的时长。

可以理解的是，同一个用户在不同广告场景下，其能够对应的角色可能有所不同；举例而言，用户张三有一台A型号智能手机，两张SIM卡，并在BB网络游戏中注册有3个游戏账户，那么，张三在基于手机推销的广告中，可能对应于一个手机用户的身份，在手机话费充值的广告中，可能对应于两个SIM卡用户的身份，在BB网络游戏的消息推送广告中，可能对应于3个游戏账户的身份。

在本示例中，可以首先获取目标用户的特征，并基于获取的用户特征生成预测样本。具体而言，上述用户的特征，可以是用于评估用户在目标应用中的活跃度是否上升的特征，可以是用户的性别、年龄、职业等直接获取的特征，也可以是根据用户的使用习惯、社交关系等信息分析后得到的特征；要使用何种信息作为本方案中所使用的特征，本公开无需进行详细限定，本领域技术人员可以根据具体需求，参见相关技术文献，完成具体设计。可以理解的是，生成预测样本的方式、以及用户特征的侧重点可以根据具体需求确定，例如，电商类目标应用可能更关注用户的消费习惯，而视频类应用可能更关注用户的内容偏好等等。

在一实施例中，上述获取目标用户的特征的方式，可以是，首先采集上述目标用户相关的多种原始信息，再根据采集到的原始信息，生成目标用户的用户画像，并使用目标用户的用户画像生成预测样本。

举例而言，根据用户张三的app历史使用记录、历史订单数据、年龄、性别、社交关系等原始信息，可以生成诸如“18到25岁喜欢IT的男大学生”此类的用户画像，该用户画像中的“18到25岁”“喜欢IT”“男”“大学生”等信息则可以通过编码的方式记录为一个向量，即可以作为用户张三对应的预测样本。

采用用户画像的方式，一方面，由于用户画像由多种信息源综合分析得出，相对于原始信息直接作为特征，可以一定程度上减少特征自身的维数，有利于机器学习模型的训练与调用；另一方面，由于用户画像可以相对抽象地体现不同种类的用户特征，因此将用户画像作为特征，具有更好的泛用性。

在本示例中，可以将所述预测样本输入训练完成的预测模型进行预测计算，获取所述预测模型输出的所述预测样本对应于第一样本标签的概率值；其中，所述第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升；或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；

举例而言，假如观测到向用户A投放目标广告后，用户A的活跃度上升，那么用户A可以被认为与第一样本标签对应；又假如没有向用户B投放目标广告，用户B的活跃度没有上升，那么用户B也可以被认为与第一样本标签对应。

在本示例中，在通过上述机器学习模型获得目标用户对应的概率值后，可以基于所述概率值确定是否面向所述目标用户投放所述广告。具体而言，分析上述第一样本标签所对应的用户类型，可知与上述第一样本标签相斥的用户，包括与投放广告但活跃度不上升的用户，还包括未投放广告但活跃度上升的用户，而可以推断的是，这些相斥的用户很可能导致广告投放难以产生效果。

举例而言，观测到向用户C投放广告后，用户C的活跃度没有上升，那么该用户C可能并不喜欢该广告；又例如，观测到向用户D没有投放广告，用户D的活跃度依然上升，那么用户D可能本就具有足够高的热情，不需要进一步投放广告进行激励。也就是说，与上述第一样本标签对应的概率值偏低的用户，很可能不适宜作为上述广告的投放对象；所以，根据上述概率值确定是否向目标用户投放上述广告，可以显著提升广告的有效性。

在一实施例中，可以在模型训练过程中，将上述与第一样本标签相排斥的样本标注第二样本标签；换言之，在向上述若干样本用户中的任一样本用户投放了上述广告，且该样本用户在上述目标应用中的活跃度上升的情况下，或者，在未向上述若干样本用户中的任一样本用户投放上述广告，且该样本用户在上述目标应用中的活跃度未上升的情况下，该样本用户对应的特征样本被标记的样本标签为上述第一类标签；反之，该样本用户对应的特征样本被标记的样本标签为上述第二类标签。

在此种情况下，可以获取包括由所述若干样本用户的用户特征构成的特征样本的特征样本集；其中，上述若干样本用户中的至少部分样本用户对应的特征样本可以被标记了样本标签；再基于上述特征样本集中的特征样本进行监督学习训练，得到上述预测模型。

可以理解的是，上述预测模型是一个用于输出对应分类的概率的模型，因此其内在执行的仍为分类任务；所以，虽然上述过程中将于第一样本标签相排斥的样本标注第二样本标签，但在实际应用中，亦可以仅对部分特征样本进行标注，使用半监督的训练方式完成模型训练，例如通过PU-Learning的方式，或者通过主动学习的方式完成上述模型的训练；对此本公开无需进行进一步限定。

在一实施例中，上述预测模型可以包括基于类转换法的因果增益模型；在基于上述概率值确定是否面向上述目标用户投放上述广告之前，还可以基于上述因果增益模型支持的概率转换函数，将上述概率值转换为投放上述广告对用户在目标应用中活跃度上升概率的增益值。

具体而言，因果增益模型又被称之为Uplift Model，用于评估某一因素对应于结果的增益效果；继续以上述投放广告对用户在目标应用中的活跃度的影响评估场景为例，“向用户投放广告”这一事件，对“用户在目标应用中活跃度上升”这个事件的概率会产生增益，那么该模型就可以用于预测对应的增益值。

例如，用户张三在没有接收到广告的时候，其在目标应用中的活跃度有0.2概率上升，接收到广告之后，其在目标应用中的活跃度有0.4概率上升，就可以得到该广告针对用户张三存在0.4-0.2＝0.2的增益值；可以理解的是，上述增益值既可以是如上述例子中的差值，也可以是比值等等；本领域技术人员可以根据具体需求自行设定，本公开不作进一步限定。

在具体实现中，上述概率值可以通过因果增益模型支持的概率转换函数转换为上述增益值；具体增益值与上述概率值之间的转换关系则视因果增益模型具体的参数而定；例如，在上述因果增益模型使用平衡的样本进行训练的情况下，上述概率转换函数为：增益值＝概率值*2-1；其中，平衡的样本指，训练过程中实验组(投放广告进行观察的样本)与对照组(不投放广告进行观察的样本)的数量平衡。在其他的样本组成情况下，本领域技术人员可以自行完成对应的概率转换函数的推导，本公开无需赘述。

在一实施例中，基于上述概率值决策是否面向该目标用户投放上述广告的过程，可以通过预设的阈值实现；换言之，可以首先确定基于上述概率值转换得到的上述增益值是否大于阈值；如果是，则可以进一步面向上述目标用户投放上述广告。

可以理解的是，上述方案可以进一步适用于多个目标用户构成的用户群体。请参见图3，图3是根据本公开的实施例示出的一种用于根据增益值对用户进行筛选的统计图；在该示例中，在通过上述机器学习模型获得各个用户对应的增益值后，可以根据增益值所述的区间，对对应的用户进行统计，即可进一步得到如图3所示的用户数量-增益值的统计图；假设上述预设阈值为图中所示的某一正值，则落在该统计图虚线右侧区间，即增益值大于预设阈值的用户，即可被确定为目标用户。

可以理解的是，上述统计图只是便于表述进行绘制的一示例，并不能限制本公开；例如，还可以首先根据得到的各个用户对应的增益值对各个用户进行排序，并按十分位数分组，即可得到前10％、前20％等组别内的平均增益值，并通过与前述预设阈值的比较，确定作为目标用户的用户组别。本领域技术人员可以根据具体情况自行设计具体的统计手段，本公开不作进一步限定。

在一实施例中，可以不采用固定的阈值进行筛选。具体而言，可以将基于上述概率值转换出的上述增益值与其他用户的上述增益值进行比较，确定上述目标用户是否为所有用户中的上述增益值最高的N个用户之一(N为正整数)；如果是，即可面向上述目标用户投放预设的广告。

应用上述方案，可以在无需对增益值的整体水平进行估计的情况下，直接筛选出增益值最高的一部分用户投放预设的广告，以提高广告对用户在目标应用中活跃度产生正向增益的概率。

在一实施例中，考虑到同一个用户针对不同的广告可能展现出不同的偏好以及容忍程度，例如，张三对于数码科技类的商品推送较感兴趣，但对于时尚穿搭类的商品推送则十分抵触，就可能出现收到数码科技类的商品推送会增加活跃度，但收到时尚穿搭类的商品推送则减少活跃度的情况；在这种情况下，前述目标广告可以包括若干个子广告，前述机器学习模型也可以包括对应于上述若干子广告的若干个子模型，分别用于根据用户的特征，预测投放对应的子广告对用户的活跃度的影响指标，上述阈值，则可以是分别对应前述若干子广告的若干个阈值分量。

在此设计中，针对每一个用户将生成分别对应各个子广告的影响指标，通过与对应的阈值分量进行比较，可以针对各用户中对应的影响指标大于预设阈值的用户投放所述目标子广告。

利用上述方案，可以在需要综合处理多个子广告的情况下，结合用户对于各个子广告的不同偏好以及容忍程度，综合给出最佳广告投放方案，具有更好的针对性和适应性。

上述内容即为本公开针对所述广告投放方法的全部实施例。本公开还提供了对应的广告投放装置的实施例如下：

请参见图4，图4根据本公开的实施例示出的一种广告投放装置的框图；该装置可以包括：

生成模块401，被配置为获取目标用户的用户特征，并基于获取的用户特征生成预测样本；所述用户特征用于评估用户在目标应用中的活跃度是否上升；

第一获取模块402，被配置为将所述预测样本输入训练完成的预测模型进行预测计算，获取所述预测模型输出的所述预测样本对应于第一样本标签的概率值；其中，所述第一样本标签表示向用户投放了预设的广告的情况下，所述用户在所述目标应用中的活跃度上升；或者，未向用户投放所述广告的情况下，所述用户在所述目标应用中的活跃度未上升；

投放模块403，被配置为基于所述概率值确定是否面向所述目标用户投放所述广告。

在一实施例中，上述装置还可以包括第二获取模块和训练模块。具体而言，上述第二获取模块可以被配置为获取特征样本集；上述训练模块可以被配置为基于所述特征样本集中的特征样本进行监督学习训练，得到所述预测模型；在实现中，上述特征样本集包括由上述若干样本用户的用户特征构成的特征样本；上述若干样本用户中的至少部分样本用户对应的特征样本被标记了样本标签；上述样本标签包括上述第一样本标签和第二样本标签；在向上述若干样本用户中的任一样本用户投放了上述广告，且该样本用户在上述目标应用中的活跃度上升的情况下，或者，在未向上述若干样本用户中的任一样本用户投放上述广告，且该样本用户在上述目标应用中的活跃度未上升的情况下，该样本用户对应的特征样本被标记的样本标签为上述第一类标签；反之，该样本用户对应的特征样本被标记的样本标签为上述第二类标签。

在一实施例中，上述预测模型可以包括基于类转换法的因果增益模型；在此情况下，上述装置还可以包括转换模块，该模块可以被配置为基于上述因果增益模型支持的概率转换函数，将上述概率值转换为投放上述广告对用户在目标应用中活跃度上升概率的增益值。

在一实施例中，上述投放模块403中基于上述概率值决策是否面向该目标用户投放上述广告的过程，可以通过预设的阈值实现；换言之，上述投放模块403可以首先确定基于上述概率值转换得到的上述增益值是否大于阈值；如果是，则可以进一步面向上述目标用户投放上述广告。

在一实施例中，上述投放模块403中基于上述概率值决策是否面向该目标用户投放上述广告的过程，可以通过多个用户之间的比较实现；具体而言，上述投放模块403可以被配置为将基于上述概率值转换出的上述增益值与其他用户的上述增益值进行比较，确定上述目标用户是否为所有用户中的上述增益值最高的N个用户之一(N为正整数)；如果是，即可面向上述目标用户投放预设的广告。

关于上述实施例中的装置，其中各模块的具体实现方式，已经在描述对应方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开的实施例还提出一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上述任一实施例所述的广告投放方法。

本公开的实施例还提出一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一实施例所述的广告投放方法。

本公开的实施例还提出一种计算机程序产品，所述计算机程序产品被配置为执行上述任一实施例所述的广告投放方法。

图5是根据本公开的实施例示出的一种电子设备的示意框图。参照图5，电子设备500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件518。

处理组件502通常控制电子设备500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述广告投放方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在电子设备500的操作。这些数据的示例包括用于在电子设备500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为电子设备500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为电子设备500生成、管理和分配电力相关联的组件。

多媒体组件508包括在电子设备500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当电子设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的或具有焦距和光学变焦能力的光学透镜系统。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当电子设备500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件518发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为电子设备500提供各个方面的状态评估。例如，传感器组件514可以检测到电子设备500的打开/关闭状态，组件的相对定位，例如所述组件为电子设备500的显示器和小键盘，传感器组件514还可以检测电子设备500或电子设备500一个组件的位置改变，用户与电子设备500接触的存在或不存在，电子设备500方位或加速/减速和电子设备500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件518被配置为便于电子设备500和其他设备之间有线或无线方式的通信。电子设备500可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件518经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件518还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在本公开一实施例中，电子设备500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述广告投放方法。

在本公开一实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由电子设备500的处理器520执行以完成上述广告投放方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

需要说明的是，在本公开中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本公开实施例所提供的方法和装置进行了详细介绍，本文中应用了具体个例对本公开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公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，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公开的限制。