[發明專利]廣告點擊率的預測方法和裝置

有效

• 申請號: 201910116920.2
• 申請日: 2019-02-13
• 公開（公告）號: CN109858972B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 姚海梅
• 申請（專利權）人: 重慶金窩窩網絡科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 李慧引;王寶筠

1.一種廣告點擊率的預測方法，其特征在于，包括：

獲取待測樣本中的多個特征的特征向量；其中，所述待測樣本中的特征的種類包括用戶、廣告和上下文特征；

將所述待測樣本中的多個特征的特征向量，根據特征的取值個數的多少進行分類，得到每個類別的特征的特征向量；其中，每個類別包含特征的特征向量對應的特征的取值個數處于同一取值范圍；

分別將每個類別中的每N個特征的特征向量共同輸入神經網絡模型中，并經所述神經網絡模型訓練，得到所述待測樣本中的用戶對廣告的點擊率預測結果；其中，所述N為正整數，并且所述類別包含的特征向量對應的特征的取值個數越多，所對應的N的取值越小。

2.根據權利要求1所述的方法，其特征在于，所述獲取待測樣本中的多個特征的特征向量，包括：

獲取所述待測樣本中的多個特征；

分別將獲取到的所述待測樣本中的每個特征進行獨熱編碼，獲得所述特征的特征向量。

3.根據權利要求1所述的方法，其特征在于，所述經所述神經網絡模型訓練，得到所述待測樣本中的用戶對廣告的點擊率預測結果，包括：

利用所述神經網絡模型的嵌入層將所述共同輸入的每N個所述特征的特征向量連接到一組固定數量的神經元上，得到多維矢量，并將所述多維矢量轉化為矩陣；

利用所述神經網絡模型的殘差層對所述矩陣進行特征提取，得到第一特征矩陣；

利用所述神經網絡模型的池化層，對所述第一特征矩陣進行降維；

利用所述神經網絡模型的全連接層，對降維后的第一特征矩陣進行特征提取，得到第二特征矩陣；

利用所述神經網絡模型的輸出層對所述第二特征矩陣進行計算，得到所述待測樣本中的用戶對廣告的點擊率預測結果。

4.根據權利要求3所述的方法，其特征在于，所述殘差層包括三個卷積層；其中，所述利用所述神經網絡模型的殘差層對所述矩陣進行特征提取，得到第一特征矩陣，包括：

將所述矩陣依次通過三個卷積層進行特征提取，并將所述矩陣與最后一個卷積層的輸出的矩陣相加，得到所述第一特征矩陣。

5.根據權利要求1所述的方法，其特征在于，通過優化得到所述神經網絡模型的方法，包括：

將訓練樣本的用戶對廣告的點擊率預測結果與所述訓練樣本的用戶對廣告的點擊率實際結果的交叉熵，作為神經網絡模型進行訓練的損失函數；

利用梯度下降法通過不斷迭代的方式，求解所述損失函數的全局最優值，從而確定所述神經網絡模型的最優參數；

其中，迭代的步長為所述l_min為最小的步長，所述l_max為最大的步長，所述ρ為一個系數變量，所述T_max為最大迭代次數，所述t為當前迭代次數。

6.一種廣告點擊率的預測裝置，其特征在于，包括：

獲取單元，用于獲取待測樣本中的多個特征的特征向量；其中，所述待測樣本中的特征的種類包括用戶、廣告和上下文特征；

分類單元，用于將所述待測樣本中的多個特征的特征向量，根據特征的取值個數的多少進行分類，得到每個類別的特征的特征向量；其中，每個類別包含特征的特征向量對應的特征的取值個數處于同一取值范圍；

輸入單元，用于分別將每個類別中的每N個特征的特征向量共同輸入神經網絡模型中；其中，所述N為正整數，并且所述類別包含的特征向量對應的特征的取值個數越多，所對應的N的取值越小；

預測單元，用于利用神經網絡模型對所述輸入的特征的特征向量進行訓練，得到所述待測樣本中的用戶對廣告的點擊率預測結果。

7.根據權利要求6所述的裝置，其特征在于，所述獲取單元，包括：

獲取子單元，用于獲取所述待測樣本中的多個特征；

編碼單元，用于分別將獲取到的所述待測樣本中的每個特征進行獨熱編碼，獲得所述特征的特征向量。