[發明專利]一種廣告點擊率的預測方法、裝置及計算機可讀存儲介質

有效

• 申請號: 202010761666.4
• 申請日: 2020-07-31
• 公開（公告）號: CN111861583B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 廖殷;池小波;樂紅霞
• 申請（專利權）人: 成都新潮傳媒集團有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/04;G06K9/62;G06N3/04
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 楊國瑞

1.一種廣告點擊率的預測方法，其特征在于，包括：

獲取廣告點擊數據；

將所述廣告點擊數據輸入廣告點擊率預測模型，得到廣告點擊數據對應廣告的點擊率預測結果，其中，所述廣告點擊率預測模型包括高階特征向量提取層、低階特征向量提取層和第一通道融合層；

所述高階特征向量提取層，用于提取所述廣告點擊數據的高階特征向量；

所述低階特征向量提取層，用于提取所述廣告點擊數據的低階特征向量；

所述第一通道融合層，用于將所述高階特征向量和所述低階特征向量進行通道融合，得到所述廣告點擊數據的特征向量；

所述低階特征向量提取層包括：卷積結構層、第一卷積池化結構層、第二卷積池化結構層和池化結構層；

所述卷積結構層，用于提取所述廣告點擊數據的特征信息，得到所述廣告點擊數據的初始特征圖；

所述第一卷積池化結構層，用于提取所述初始特征圖中的特征信息，得到所述廣告點擊數據的第一低階特征向量；

所述第二卷積池化結構層，用于提取所述第一低階特征向量中的特征信息，得到所述廣告點擊數據的第二低階特征向量；

所述池化結構層，用于去除所述第二低階特征向量中的冗余信息，并對去除冗余信息后的第二低階特征向量進行突出特征信息的提取，得到所述廣告點擊數據的低階特征向量，其中，所述突出特征信息為去除冗余信息后的第二低階特征向量中權重值最大的特征信息；

所述卷積結構層包括：第一卷積層和第二通道融合層，其中，所述第一卷積層共有8層；

所述第一卷積層，用于對所述廣告點擊數據進行第一卷積處理，得到所述廣告點擊數據的第三低階特征向量；

所述第二通道融合層，用于對所述第一卷積層中的第m層和第n層進行第一卷積處理得到的所述第三低階特征向量進行通道融合，得到所述廣告點擊數據的初始特征圖，其中，m、n為正整數，m＜8，n≤8，且m≠n。

2.如權利要求1所述的方法，其特征在于，所述第一卷積池化結構層包括：第二卷積層、第一最大池化層和第三通道融合層，其中，所述第二卷積層的層數為1；

所述第二卷積層，用于對所述初始特征圖進行第二卷積處理，得到所述廣告點擊數據的第四低階特征向量；

所述第一最大池化層，用于對所述初始特征圖進行第一最大池化處理，得到所述廣告點擊數據的第五低階特征向量；

所述第三通道融合層，用于將所述第四低階特征向量和所述第五低階特征向量進行通道融合，得到所述廣告點擊數據的所述第一低階特征向量。

3.如權利要求1所述的方法，其特征在于，所述第二卷積池化結構層包括：第二最大池化層、第三卷積層、第四卷積層、第四通道融合層和第五卷積層，其中，所述第三卷積層和所述第五卷積層的層數分別為1，所述第四卷積層的層數為2；

所述第二最大池化層，用于對所述第一低階特征向量進行第二最大池化處理，得到所述廣告點擊數據的第六低階特征向量；

所述第三卷積層，用于對所述第一低階特征向量進行第三卷積處理，得到所述廣告點擊數據的第七低階特征向量；

所述第四卷積層，用于對所述第一低階特征向量進行第四卷積處理，得到所述廣告點擊數據的第八低階特征向量；

所述第四通道融合層，用于將所述第六低階特征向量、所述第七低階特征向量和所述第八低階特征向量進行通道融合，得到所述廣告點擊數據的第九低階特征向量；

所述第五卷積層，用于對所述第九低階特征向量進行第五卷積處理，得到所述廣告點擊數據的所述第二低階特征向量。

4.如權利要求1所述的方法，其特征在于，所述池化結構層包括：第五通道融合層、第三最大池化層和三種平均池化層，其中，所述三種平均池化層中的每種平均池化層的層數均為1；

所述三種平均池化層中的每種平均池化層，用于對所述第二低階特征向量進行平均池化處理，分別得到所述廣告點擊數據的第十低階特征向量、第十一低階特征向量和第十二低階特征向量；

所述第五通道融合層，用于將所述第十低階特征向量、所述第十一低階特征向量和所述第十二低階特征向量進行通道融合，得到所述廣告點擊數據的第十三低階特征向量；

所述第三最大池化層，用于對所述第十三低階特征向量進行第三最大池化處理，得到所述廣告點擊數據的低階特征向量。