买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州掌中云科技有限公司;杭州欢阅信息技术有限公司;杭州掌中云文化传媒有限公司申请的专利一种基于多维度指标关联的智能投放决策方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120471668B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510955685.3，技术领域涉及：G06Q30/0242；该发明授权一种基于多维度指标关联的智能投放决策方法及系统是由林谋洪;况文林;洪森伟;洪江文;周柳鸿设计研发完成，并于2025-07-11向国家知识产权局提交的专利申请。

本一种基于多维度指标关联的智能投放决策方法及系统在说明书摘要公布了：本发明涉及一种基于多维度指标关联的智能投放决策方法及系统，包括以下步骤：S1:采集用户、广告和上下文多维度数据，并预处理生成标准化特征；S2:对多维度标准化特征进行融合计算，提取关键特征，构建生成用户‑广告‑上下文的联合特征集；S3:构建多任务预测模型，并根据用户‑广告‑上下文的联合特征集训练；S4:根据训练后的多任务预测模型预测结果和实时特征，在实时竞价过程中为给定用户快速匹配最佳广告；S5:根据最佳广告的曝光点击日志进行因果分析，验证广告真实效果，并修正指标，根据修正后的指标反馈至S2的特征工程和S3的模型训练步骤。本发明有效提升广告投放效率与效果。

本发明授权一种基于多维度指标关联的智能投放决策方法及系统在权利要求书中公布了：1.一种基于多维度指标关联的智能投放决策方法，其特征在于，包括以下步骤： S1:采集用户、广告和上下文多维度数据，并预处理生成标准化特征； S2:对多维度标准化特征进行融合计算，提取关键特征，构建生成用户-广告-上下文的联合特征集； S3:构建多任务预测模型，并根据用户-广告-上下文的联合特征集训练； S4:根据训练后的多任务预测模型预测结果和实时特征，在实时竞价过程中为给定用户快速匹配最佳广告； S5:根据最佳广告的曝光点击日志进行因果分析，验证广告真实效果，并修正指标，根据修正后的指标反馈至S2的特征工程和S3的模型训练步骤； 所述多任务预测模型包括输入层、动态参数共享层、深度交叉网络、任务特定层和多任务预测输出层，具体如下： 所述输入层输入用户-广告-上下文的联合特征，动态参数共享层采用十字绣网络，对输入的用户、广告和上下文特征进行统一的底层特征提取，获取共享特征hshared： hshared=ReLUWshared*FeatureVector+bshared; 其中，ReLU为激活函数；Wshared、bshared分别为权重和偏置；FeatureVector为用户-广告-上下文的联合特征集； 动态调整任务间共享特征，每个任务k，，其中，CTR为点击率、CVR为点击转化率、CLV为生命周期价值，动态融合共享特征与任务特定特征x: ； 其中，任务k的融合特征；为任务k的十字绣权重矩阵；为任务k的独立权重；为激活函数； 所述深度交叉网络，根据融合特征自动学习高阶特征交叉，得到最终的拼接特征： 交叉层： ； 其中，x0为初始输入特征，⊙表示逐元素相乘；分别为第1、2和3层交叉层的输出特征；分别为第1、2和3层交叉层的权重; 则任务k的最终特征为： ； 其中，Concat为拼接函数； 任务特定层包括CTR预测头、CVR预测头和CLV预测头： ; 其中，、和分别为CTR预测头、CVR预测头和CLV预测头的权重；、和分别为CTR预测头、CVR预测头和CLV预测头的偏置；、和分别为CTR预测头、CVR预测头和CLV预测头的输出，通过多任务预测输出层输出； 所述多任务预测模型训练包括共享层预训练、任务头微调和端到端联合训练，具体如下： 共享层预训练，利用历史数据预训练共享特征提取层和DCN，仅使用CTR任务数据训练共享层和DCN，损失函数采用二元交叉熵损失LCTR； 任务头微调，初步适配各任务头参数，冻结共享层和DCN参数，分别训练CTR、CVR、CLV任务头：损失函数CTR、CVR采用二元交叉熵损失LCTR和LCVR，CLV采用MSE损失LCLV； 端到端联合训练，联合优化多任务损失，首先动态损失加权，计算各任务梯度范数： ； 其中，为任务k在第t步的归一化梯度权重；为任务k的损失函数对模型参数θ的梯度；为梯度范数；K为总任务数量，i为任务指引； 更新权重： ； 其中，为任务k在第t步的最终动态权重；η为平滑系数； 通过帕累托优化，求解多目标梯度方向： ； 其中，为任务k的帕累托优化中的权重变量；为L2范数平方； 更新模型参数： ； 其中，γ为学习率； 所述根据最佳广告的曝光点击日志进行因果分析，验证广告真实效果，并修正指标，根据修正后的指标反馈至S2的特征工程和S3的模型训练步骤具体如下： 根据曝光点击日志获取用户ID、广告ID、是否点击Click、是否转化Conversion、上下文特征，并根据用户行为序列，获取用户历史点击、购买、浏览行为； 对每个用户-广告曝光事件，记录其是否被点击，T=1表示被点击、T=0表示未被点击，以及是否转化，Y=1表示转化、Y=0表示未转化； 采用倾向得分匹配估计广告的真实因果效应ATE； 根据真实因果效应ATE，修正点击率CTR与点击转化率CVR： 将因果效应估计值ATE作为新特征加入联合特征集，并根据因果效应调整特征重要性； 在S3的模型训练步骤中，原始损失函数中引入因果效应权重，优先优化真实因果效应高的样本；并使用修正后的点击率CTR与转化率CVR作为伪标签，重新训练模型，实时优化多任务预测模型； 所述采用倾向得分匹配估计广告的真实因果效应ATE，具体如下： 使用逻辑回归模型预测用户点击广告的概率： ； 其中，X为输入特征，包括用户特征、广告特征、上下文特征；为系数向量的转置；β0为截距项； 对每个点击用户T=1，在未点击用户T=0中寻找倾向得分最接近的样本，构建匹配组； 计算平均处理效应ATE： ； 其中，为期望函数；为用户i’点击后的转化结果；为匹配的未点击用户的转化结果，N为用户数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州掌中云科技有限公司;杭州欢阅信息技术有限公司;杭州掌中云文化传媒有限公司，其通讯地址为：350000 福建省福州市鼓楼区软件大道89号福州软件园F区4号楼16层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。