[發明專利]用于生成點擊率預測模型的方法和裝置

有效

• 申請號: 201811288018.0
• 申請日: 2018-10-31
• 公開（公告）號: CN109460513B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 谷長勝;洪春曉
• 申請（專利權）人: 北京字節跳動網絡技術有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q30/02
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本申請實施例公開了用于生成點擊率預測模型的方法和裝置。該方法的一具體實施方式包括：響應于確定當前時間為目標時間，獲取第一訓練樣本集合，其中，第一訓練樣本包括當前時間在目標用戶的終端上展示的展示信息的特征信息、目標用戶的用戶信息，以及預先確定的、用于預測目標用戶在當前時間點擊展示信息的概率的實時點擊概率、用于表征目標用戶是否點擊展示信息的標注信息；利用機器學習方法，將第一訓練樣本包括的用戶信息、特征信息和實時點擊概率作為輸入，將輸入各種信息對應的標注信息作為期望輸出，訓練得到點擊率預測模型。該實施方式可以對模型進行實時地訓練，有助于實時地更新模型，提高利用模型預測點擊率的準確性。

技術領域

本申請實施例涉及計算機技術領域，具體涉及用于生成點擊率預測模型的方法和裝置。

背景技術

點擊率又稱點擊通過率(CTR，Click Through Rate)，即某展示信息的實際點擊次數除以展示信息的展示量(例如推送展示信息的次數或接收展示信息的終端的數量)的結果。根據點擊率，可以反映信息展示的效果，并作為選擇展示信息及推送展示信息的參考，從而可以提高信息推送的針對性。通過點擊率預測模型，可以在展示信息推送之前，預測展示信息的點擊率。訓練點擊率預測模型的訓練樣本，可以根據統計的一段時間內用戶的行為(例如用戶是否點擊展示信息、點擊的時間等)生成。

發明內容

本申請實施例提出了用于生成點擊率預測模型的方法和裝置，以及用于生成信息的方法和裝置。

第一方面，本申請實施例提供了一種用于生成點擊率預測模型的方法，該方法包括：響應于確定當前時間為目標時間，獲取第一訓練樣本集合，其中，第一訓練樣本包括當前時間在目標用戶的終端上展示的展示信息的特征信息、目標用戶的用戶信息，以及預先確定的、用于預測目標用戶在當前時間點擊展示信息的概率的實時點擊概率、用于表征目標用戶是否點擊展示信息的標注信息；利用機器學習方法，將第一訓練樣本集合中的第一訓練樣本包括的用戶信息、特征信息和實時點擊概率作為輸入，將輸入的用戶信息、特征信息和實時點擊概率對應的標注信息作為期望輸出，訓練得到點擊率預測模型。

在一些實施例中，對于第一訓練樣本集合中的第一訓練樣本，該第一訓練樣本包括的實時點擊概率預先通過如下步驟得到：獲取該第一訓練樣本包括的特征信息對應的展示信息的推送時間，其中，推送時間為向目標用戶的終端推送展示信息的時間；確定當前時間和所獲取的推送時間的時間差值；將所確定的時間差值、該第一訓練樣本包括的特征信息和該第一訓練樣本包括的用戶信息輸入預先訓練的實時點擊概率預測模型，得到實時點擊概率。

在一些實施例中，實時點擊概率預測模型預先通過如下步驟訓練得到：獲取第二訓練樣本集合，其中，第二訓練樣本包括樣本展示信息的特征信息、瀏覽樣本展示信息的樣本用戶的用戶信息、樣本用戶點擊樣本展示信息的時間與向樣本用戶的終端推送樣本展示信息的時間的時間差值，以及預先標注的、用于表征樣本用戶點擊樣本展示信息的標注信息；利用機器學習方法，將第二訓練樣本集合中的第二訓練樣本包括的特征信息、用戶信息、時間差值作為輸入，將與輸入的特征信息、用戶信息、時間差值對應的標注信息作為期望輸出，訓練得到實時點擊概率預測模型。

第二方面，本申請實施例提供了一種用于生成信息的方法，該方法包括：獲取至少一個特征信息，其中，特征信息用于表征待向目標用戶的終端推送的待展示信息的特征；獲取目標用戶的用戶信息；對于至少一個特征信息中的特征信息，將該特征信息、用戶信息、預設的默認實時點擊概率輸入預先訓練的點擊率預測模型，得到用于預測該特征信息指示的待展示信息的點擊率的預測點擊率，其中，點擊率預測模型是根據上述第一方面中任一實現方式所描述的方法生成的。

在一些實施例中，在對于所獲取的至少一個特征信息中的特征信息，將該特征信息、用戶信息、預設的默認實時點擊概率輸入預先訓練的點擊率預測模型，得到用于預測待展示信息的點擊率的預測點擊率之后，方法還包括：基于所得到的預測點擊率的大小，從至少一個特征信息中的特征信息對應的待展示信息中，選擇待展示信息；將所選擇的待展示信息推送至目標用戶的終端。