外贸独立站制作/广告投放

身为Python人，是一件很矛盾的事情。

有专家认为，在大数据时代，人人都在裸泳，算法每天都在分析人们的偏好，研究你更喜欢蛙泳、自由泳还是潜水，然后决定卖你泳衣泳帽还是潜水瓶。

Python人的纠结在于，一边在大数据里裸泳，一边又要分析其他裸泳的人；一边绞尽脑汁把客户的信息推送到目标群体面前，一边狠狠×掉各种弹窗广告、贴片广告、开屏广告……

手快一点就点进去了

Python人熟悉每一个广告推荐算法的框架、逻辑、套路、目的，比外行人更能一针见血地指出广告推荐的设计漏洞。却在阻止亲人、爱人、友人看了广告冲动消费时遇到一句“就你懂，就你懂的多”。

看来还是懂的不够多，那我们就来看一个广告推荐算法的实例。

首先，我们收集到了一大批广告投放的数据，包括App信息、广告位ID、媒体ID、物料信息、标题文字、描述文字和其他可用的向量特征。

然后，我们发现物料信息里包含大量图片信息，以文本形式进行存储，所以首先需要对这些信息进行处理。

可以采用图片特征提取等方式处理，这里为了简便，统一按照文本信息方式进行处理，先序列化编码，再进行词（文本）向量转换。

for col in ["pkgname", "ver", "slotid", "mediaid", "material"]:lbl = LabelEncoder()lbl.fit(train_df[col].tolist() + test_df[col].tolist())train_df[col] = lbl.transform(train_df[col])test_df[col] = lbl.transform(test_df[col])

这里我们采用Torch包的Embedding，将文本转化为向量。

数据处理结束后，就要祭出经典的网状结构MLP了。

class MLP(nn.Module):def __init__(self, category_dict, layers=[45 + 240, 32], dropout=False):super().__init__()print(category_dict)self.category_dict = category_dictself.embedding_dict = {key: torch.nn.Embedding(self.category_dict[key] + 1, int(np.log2(self.category_dict[key]))).to(device)for key in category_dict.keys()}self.fc_layers = torch.nn.ModuleList()for _, (in_size, out_size) in enumerate(zip(layers[:-1], layers[1:])):self.fc_layers.append(torch.nn.Linear(in_size, out_size).to(device))self.output_layer = torch.nn.Linear(layers[-1], 1).to(device)def forward(self, feed_dict, embed_dict):embedding_feet = {key: self.embedding_dict[key](feed_dict[key])for key in self.category_dict.keys()}x = torch.cat(list(embedding_feet.values()), 1)x = torch.cat([x, embed_dict], 1)for idx, _ in enumerate(range(len(self.fc_layers))):x = self.fc_layers[idx](x)x = F.relu(x)x = F.dropout(x)logit = self.output_layer(x)return logit

训练开始~

这就是广告推荐中比较常见的一种思路，但身为Python人的你，肯定觉得这套算法略显简陋。

对此，我想说，“就你懂的多，你行你上”。

登录

2022iFLYTEK A.I.开发者大赛官网

A.I.算法赛

“创意视角下的数字广告CTR预估挑战赛”

或扫描下方二维码，免费报名即可查阅以上数据、编写你的独特算法，根据训练集数据预测广告点击情况，争夺现金大奖。

你不是懂得多么？现在可不能怂啊！

当然，上面案例中的代码也可供取用

扫描下方二维码

获取赛题Baseline

▼