[發明專利]模型訓練方法、廣告推薦方法、相關裝置、設備及介質

在審

• 申請號: 201811165700.0
• 申請日: 2018-09-30
• 公開（公告）號: CN109447273A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 劉均;陳子安
• 申請（專利權）人: 深圳市元征科技股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06Q30/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;熊永強

本申請公開了一種模型訓練方法，包括：固定第一GBDT模型的第一參數，逐步增大第一GBDT模型的第二參數，在逐步增大第二參數的過程中，當第一GBDT模型輸出的準確率的變化率小于第一閾值時，確定目標第二參數；固定目標第二參數，逐步增大第一參數，在逐步增大第一參數的過程中，當第一GBDT模型輸出的準確率的變化率小于第二閾值時，確定目標第一參數；通過輸入的原始數據，以目標第一參數和目標第二參數來訓練第一GBDT模型，得到第二GBDT模型。本申請還公開了一種廣告推薦方法、相關裝置、設備及計算機可讀存儲介質，解決了模型的復雜度較高，參數過多，耗費大量時間和精力且推送結果的準確率不高的技術問題。

技術領域

本申請涉及機器學習技術領域，尤其涉及一種模型訓練方法、廣告推薦方法、相關裝置、設備及介質。

背景技術

隨著網絡技術的飛速發展，互聯網廣告稱為互聯網企業最重要的盈利手段之一，越來越多的企業和機構開始研究互聯網廣告平臺，與此同時，很多企業也慢慢地開始從傳統媒體廣告投放轉向互聯網廣告投放。然而互聯網廣告的投放得不到預期效果，而且網站點擊率也逐漸隨之下降。針對這種情況，互聯網廣告的精準投放給互聯網廣告市場帶來了無限生機，精準廣告投放即針對用戶的個性化向其投放感興趣的廣告，同時真正滿足用戶對產品需求的信息。

目前互聯網廣告系統中，要做到精準投放主要有三種方式：常見的定向型，主要是針對地理位置、投放時間段等單個屬性或者組合屬性進行投放；另一種是基于內容的投放方式，這種廣告投放系統主要包括提取網頁主題詞、提取廣告文本主題詞，計算它們之間的相關性，然后進行廣告的投放；而基于用戶行為特征的精準廣告投放系統主要是在提取到用戶的行為特征數據之后，深入挖掘用戶的特征數據，然后采用合適的分類算法對用戶分類，進而針對用戶的特征投放廣告。

在汽車廣告精準推薦系統中，通過分類模型進行精準推送的方法很多，采用隨機森林、SVM、神經網絡等模型都能夠對廣告進行精準推薦，但這些模型的復雜度較高，參數過多在調試過程中不僅會耗費大量時間和精力，同時會出現很大程度的過擬合現象，導致推送結果的準確率不高。

發明內容

本申請提供一種模型訓練方法、廣告推薦方法、相關裝置、設備以及介質，用于解決模型的復雜度較高，參數過多，耗費大量時間和精力且推送結果的準確率不高的技術問題。

為了解決上述技術問題，本申請實施例第一方面公開了一種模型訓練方法，包括：

固定第一梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型的第一參數，逐步增大所述第一GBDT模型的第二參數；

在所述逐步增大所述第一GBDT模型的第二參數的過程中，當所述第一GBDT模型輸出的準確率的變化率小于第一閾值時，確定目標第二參數；

固定所述目標第二參數，逐步增大所述第一GBDT模型的第一參數；

在所述逐步增大所述第一GBDT模型的第一參數的過程中，當所述第一GBDT模型輸出的準確率的變化率小于第二閾值時，確定目標第一參數；

通過輸入的原始數據，以所述目標第一參數和所述目標第二參數來訓練所述第一GBDT模型，得到第二GBDT模型，所述第二GBDT模型用于構造組合特征向量。

具體地，基于該第一方面，在其中一種實現方式中，所述確定目標第二參數，包括：

從所述第一GBDT模型輸出的準確率的變化率小于第一閾值時對應的第二參數開始，按照第一間隔逐步減少所述第二參數；

當所述第一GBDT模型輸出的準確率的變化率大于所述第一閾值時，從所述第一GBDT模型輸出的準確率的變化率大于第一閾值時對應的第二參數開始，按照第二間隔逐步增大所述第二參數；