[發明專利]廣告點擊率預估方法和裝置

有效

• 申請號: 201810398125.2
• 申請日: 2018-04-28
• 公開（公告）號: CN110415006B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 趙磊;張秀武;姚春念
• 申請（專利權）人: 阿里巴巴（中國）有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62
• 代理公司: 上海知錦知識產權代理事務所(特殊普通合伙) 31327
• 代理人: 湯陳龍

1.一種廣告點擊率預估方法，其特征在于，包括：

根據離散特征樣本、至少兩個插件以及第二深度神經網絡模型，訓練得到映射關系表以及第一深度神經網絡模型，所述至少兩個插件對應至少兩個不同的線性判別模型；

接收請求消息，所述請求消息中包含離散特征，所述請求消息用于請求預估所述離散特征對應的廣告點擊率；

根據所述離散特征以及所述映射關系表進行特征抽取，得到所述離散特征對應的連續值表達向量，所述映射關系表用于將所述離散特征映射為連續值表達向量；

加載所述第一深度神經網絡模型以及所述連續值表達向量至分類器，得到所述連續值表達向量對應的廣告點擊率。

2.根據權利要求1所述的方法，其特征在于，所述根據離散特征樣本、至少兩個插件以及第二深度神經網絡模型，訓練得到所述映射關系表，包括：

將所述離散特征樣本分別輸入所述至少兩個插件，得到至少兩個第一表達向量；

將所述至少兩個第一表達向量輸入所述第二深度神經網絡模型，得到第二表達向量，所述第二表達向量為連續值表達向量；

根據所述離散特征樣本和所述第二表達向量得到所述映射關系表。

3.根據權利要求2所述的方法，其特征在于，所述插件為下述任一種：

邏輯斯特回歸LR模型；

因子分解FM模型；

矩陣分解MF模型；

梯度提升決策樹GBDT模型。

4.一種廣告點擊率預估裝置，其特征在于，包括：

訓練模塊，用于根據離散特征樣本、至少兩個插件以及第二深度神經網絡模型，訓練得到映射關系表以及第一深度神經網絡模型，所述至少兩個插件對應至少兩個不同的線性判別模型；

接收模塊，用于接收請求消息，所述請求消息中包含離散特征，所述請求消息用于請求預估所述離散特征對應的廣告點擊率；

處理模塊，用于根據所述離散特征以及所述映射關系表進行特征抽取，得到所述離散特征對應的連續值表達向量，所述映射關系表用于將所述離散特征映射為連續值表達向量；

所述處理模塊，還用于加載所述第一深度神經網絡模型以及所述連續值表達向量至分類器，得到所述連續值表達向量對應的廣告點擊率。

5.根據權利要求4所述的裝置，其特征在于，所述訓練模塊具體用于將所述離散特征樣本分別輸入所述至少兩個插件，得到至少兩個第一表達向量；將所述至少兩個第一表達向量輸入所述第二深度神經網絡模型，得到第二表達向量，所述第二表達向量為連續值表達向量；根據所述離散特征樣本和所述第二表達向量得到所述映射關系表。

6.根據權利要求5所述的裝置，其特征在于，所述插件為下述任一種：

邏輯斯特回歸LR模型；

因子分解FM模型；

矩陣分解MF模型；

梯度提升決策樹GBDT模型。