[發明專利]廣告重排序方法及裝置

在審

• 申請號: 202210369801.X
• 申請日: 2022-04-08
• 公開（公告）號: CN114862447A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 鄭江雨;張瓊瓊;龔凌云;陳云鋒;王正陽
• 申請（專利權）人: 無線生活（杭州）信息科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/08;G06N3/04
• 代理公司: 北京尚倫律師事務所 11477
• 代理人: 謝麗莎

1.一種廣告重排序方法，其特征在于，包括：

獲取候選廣告池，所述候選廣告池中包括：M個待排序廣告；所述M為大于1的整數；

將所述候選廣告池輸入至預先訓練的重排序模型，得到N個待排序廣告的排序序列，所述N小于或者等于所述M；其中，所述預先訓練的重排序模型是基于未點擊樣本和點擊樣本作為訓練數據集對重排序模型訓練得到的，所述未點擊樣本根據廣告商品后驗點擊率乘以廣告商品ACP的乘積劃分多個檔次；所述點擊樣本根據所述廣告商品ACP劃分多個檔次，其中，所述點擊樣本對應的檔次高于所述未點擊樣本對應的檔次；所述N小于或等于M，且所述N為大于1的整數。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取所述未點擊樣本，所述未點擊樣本根據廣告商品后驗點擊率乘以廣告商品ACP的乘積劃分為1至E個檔次；所述E為大于1的整數；

獲取所述點擊樣本，所述點擊樣本根據所述廣告商品ACP劃分為E+1至E+F個檔次，所述F為大于1的整數；

根據所述未點擊樣本和所述點擊樣本對所述重排序模型進行訓練，得到所述預先訓練的重排序模型。

3.根據權利要求2所述的方法，其特征在于，所述重排序模型包括：

有反向GRU模塊的DLCM；

或者，

有transformer encoder模塊的PRM。

4.根據權利要求2所述的方法，其特征在于，所述方法還包括：

將訓練完成后的所述重排序模型部署到線上做線上預測。

5.一種廣告重排序裝置，其特征在于，包括：

第一獲取模塊，用于獲取候選廣告池，所述候選廣告池中包括：M個待排序廣告；所述M為大于1的整數；

重排序模塊，用于將所述候選廣告池輸入至預先訓練的重排序模型，得到N個待排序廣告的排序序列，所述N小于或者等于所述M；其中，所述預先訓練的重排序模型是基于未點擊樣本和點擊樣本作為訓練數據集對重排序模型訓練得到的，所述未點擊樣本根據廣告商品后驗點擊率乘以廣告商品ACP的乘積劃分多個檔次；所述點擊樣本根據所述廣告商品ACP劃分多個檔次，其中，所述點擊樣本對應的檔次高于所述未點擊樣本對應的檔次；所述N小于或等于M，且所述N為大于1的整數。

6.根據權利要求5所述的裝置，其特征在于，所述裝置還包括：

第二獲取模塊，用獲取所述未點擊樣本，所述未點擊樣本根據廣告商品后驗點擊率乘以廣告商品ACP的乘積劃分為1至E個檔次；所述E為大于1的整數；

第三獲取模塊，用獲取所述點擊樣本，所述點擊樣本根據所述廣告商品ACP劃分為E+1至E+F個檔次，所述F為大于1的整數；

訓練取模塊，用根據所述未點擊樣本和所述點擊樣本對所述重排序模型進行訓練，得到所述預先訓練的重排序模型。

7.根據權利要求6所述的裝置，其特征在于，所述重排序模型包括：

有反向GRU模塊的DLCM；

或者，

有transformer encoder模塊的PRM。

8.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

部署模塊，用于將訓練完成后的所述重排序模型部署到線上做線上預測。