CN105160548A - 对广告点击率进行预测的方法及装置 - Google Patents

Abstract

本发明提供了一种对广告点击率进行预测的方案：获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；提取各个交叉特征集对应的广告展现量及广告点击量，并计算确定各个交叉特征集对应的广告点击率以作为交叉特征值；基于多个交叉特征集分别对应的交叉特征标识及交叉特征值对逻辑回归模型进行训练，计算确定模型训练参数；基于模型训练参数对待预测广告进行广告点击率的预测计算。本方案通过为广告的预测计算提供了更加可靠的训练数据，保证了广告点击率预测计算结果的准确性。

Description

对广告点击率进行预测的方法及装置

技术领域

本发明涉及计算机技术领域，具体而言，本发明涉及对广告点击率进行预测的方法及装置。

背景技术

随着互联网的兴起，网络广告成为各大门户网站、搜索引擎、社交网络以及各终端通讯设备应用程序的主要赢利方式。目前互联网广告的市场正在以惊人的速度增长，互联网广告发挥的效用越来越显得重要。但是，由于广告位的个数是有限的，因此需要一种准确预估广告点击率的方案，为广告投放方和展现方提供有力可靠的参考依据和决策信息。现有技术的预估方案结果与真实值之间的误差较大，不能对待预测广告的点击率进行准确的预估，从而无法进一步为提高广告投放效果提供良好的数据参考依据。

发明内容

为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：

本发明的实施例提出了一种对广告点击率进行预测的方法，包括：

获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；

将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；

提取在所述预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值；

基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；

基于所述模型训练参数对多个待预测广告进行广告点击率的预测计算。

其中，所述特征类型包括以下至少任一项：

投放用户；投放上下文；历史投放广告。

其中，所述投放用户的特征相关信息包括以下至少任一项：

用户属性信息；用户的历史兴趣信息；用户的实时兴趣信息。

其中，所述投放上下文的特征相关信息包括以下至少任一项：终端设备相关信息；网络相关信息；地理位置信息；广告展现相关信息。

优选地，该方法还包括：

判断所述各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；

当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，所述计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值的步骤，具体包括：

对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

其中，所述再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；

交叉特征集对应的广告点击量小于预定点击量阈值；

交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

优选地，基于所述模型训练参数对待预测广告进行广告点击率的预测计算，具体包括：

获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集的交叉特征标识；

基于所述模型训练参数与所述待预测广告的交叉特征标识，进行预测计算以确定所述待预测广告的广告点击率。

优选地，该方法还包括：

根据预测计算结果，筛选所述多个待预测广告。

本发明的另一实施例还提出了一种根据广告点击率的预测计算结果进行应用推荐的方法，其特征在于，包括：

获取与目标用户相关的特征相关信息；

将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；

基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率；

根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选；

将筛选出的一个或多个待推荐广告推荐给所述目标用户。

其中，所述与目标用户相关的特征相关信息，具体包括：

属于投放用户的特征相关信息；

或属于投放上下文的特征相关信息。

本发明的另一实施例提出了一种对广告点击率进行预测的装置，包括：

特征获取模块，用于获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；

特征标识计算模块，用于将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；

特征值计算模块，用于提取在所述预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值；

训练模块，用于基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；

第一预测计算模块，用于基于所述模型训练参数对多个待预测广告进行广告点击率的预测计算。

其中，所述特征类型包括以下至少任一项：

投放用户；投放上下文；历史投放广告。

其中，所述投放用户的特征相关信息包括以下至少任一项：用户属性信息；用户的历史兴趣信息；用户的实时兴趣信息。

其中，所述投放上下文的特征相关信息包括以下至少任一项：终端设备相关信息；网络相关信息；地理位置信息；广告展现相关信息。

优选地，该装置还包括：

判断模块，用于判断所述各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；

当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，所述特征值计算模块具体用于对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

其中，所述再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；交叉特征集对应的广告点击量小于预定点击量阈值；交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

优选地，所述预测计算模块具体包括：

实时特征获取单元，用于获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集的交叉特征标识；

点击率预测单元，用于基于所述模型训练参数与所述待预测广告的交叉特征标识，进行预测计算以确定所述待预测广告的广告点击率。

优选地，该装置还包括：

第一筛选模块，用于根据预测计算结果，筛选所述多个待预测广告。

本发明的另一实施例还提供了一种根据广告点击率的预测计算结果进行应用推荐的装置，包括：

相关信息获取模块，用于获取与目标用户相关的特征相关信息；

特征交叉模块，用于将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；

第二预测计算模块，用于基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率；

第二筛选模块，用于根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选；

推荐模块，用于将筛选出的一个或多个待推荐广告推荐给所述目标用户。

其中，所述与目标用户相关的特征相关信息，具体包括：

属于投放用户的特征相关信息；

或属于投放上下文的特征相关信息。

本发明的又一实施例还提供了一种根据广告点击率的预测计算结果进行应用推荐的终端设备，其特征在于，包括：

用于获取与目标用户相关的特征相关信息的装置；

用于将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识的装置；

用于基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率的装置；

用于根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选的装置；

用于将筛选出的一个或多个待推荐广告推荐给所述目标用户的装置。

本发明的技术方案中，提出了一种对广告点击率进行预测的方案，在对广告点击率进行预测的前期数据准备过程中，对历史投放广告的多种特征信息进行交叉，使得交叉组合后的交叉特征更加丰富有效，能够更加准确地反应广告投放的实际投放情形，从而为广告的预测计算提供了更加有效可靠的训练数据，避免了现有技术中仅使用单个特征的不准确性；同时，根据准确性较高的训练数据得到的模型训练参数可进一步保证广告点击率的预测计算结果的准确性，从而为后续根据广告点击率对广告进行筛选提供了可靠依据。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明中一个实施例的对广告点击率进行预测的方法的流程图；

图2为本发明中一个优选实施例的对广告点击率进行预测的方法的流程图；

图3为本发明中一个实施例的根据广告点击率的预测计算结果进行应用推荐的方法的流程图；

图4为本发明中另一实施例的对广告点击率进行预测的装置的结构示意图；

图5为本发明中另一个实施例的根据广告点击率的预测计算结果进行应用推荐的装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

图1为本发明中一个实施例的对广告点击率进行预测的方法的流程图。

步骤S110：获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；步骤S120：将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；步骤S130：提取在预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定各个交叉特征集对应的广告点击率以作为交叉特征值；步骤S140：基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；步骤S150：基于模型训练参数对多个待预测广告进行广告点击率的预测计算。

步骤S110：获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息。

其中，历史投放广告指在预定历史时间段内已进行投放的广告。

其中，特征类型包括但不限于：投放用户；投放上下文；历史投放广告。

其中，投放用户的特征相关信息包括但不限于：

用户属性信息，例如，性别、年龄、教育程度、收入、职业信息等；

用户的历史兴趣信息，例如，用户历史点击或浏览的广告信息、用户历史浏览的网页信息、用户历史的购买信息；

用户的实时兴趣信息，例如，用户当前浏览的网页信息。

其中，投放上下文的特征相关信息包括但不限于：

终端设备相关信息，例如，终端设备的型号、操作***类型、操作***版本；

网络相关信息，例如，终端设备连接网络的网络运营商信息、网络类型；

地理位置信息，例如，终端设备的地理位置信息；

广告展现相关信息，例如，广告尺寸信息、广告投放位置。

例如，针对多个历史投放广告，获取在过去三个月内的每个历史投放广告的用户属性信息的特征相关信息、投放上下文的特征相关信息及历史投放广告的广告标识。例如，针对一个历史投放广告，获取与其相关的投放用户的用户ID、用户性别，投放上下文的终端设备的操作***信息、投放应用的APP_ID。

步骤S120：将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识。

具体地，将各个历史投放广告的多种特征类型中的两种或两种以上的特征相关信息进行交叉组合来确定多个交叉特征集，随后，通过如哈希算法等方式，计算确定各个交叉特征集分别对应的具有唯一性的数值，将该数值作为交叉特征标识，如交叉特征ID。

例如，接上例，针对一个历史投放广告，将与其相关的投放用户的用户ID、用户性别，投放上下文的终端设备的操作***信息、投放应用的APP_ID进行交叉组合，来确定多个交叉特征集，如下表1所示，每一行代表一个交叉特征集；随后，将交叉特征集中的各个特征相关信息均用数值表达方式来表征，通过哈希算法计算确定各个交叉特征集分别对应的具有唯一性的数值，将该数值作为交叉特征ID。

表1

广告	用户ID	用户性别	操作***信息	APP_ID
					AD1	cc5f70ccb7ea3d1cde36edb866ee6265	male	Samsung	839227
AD1	5c30e6b9d1d35ef3bfa71b1d686ccfa6	female	MIUI	839228
					AD1	……	……	……	……
AD1	283ae80f4d124851170f4d2e73764afd	female	Meizu	839200

步骤S130：提取在预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定各个交叉特征集对应的广告点击率以作为交叉特征值。

具体地，针对一个历史投放广告，提取在预定历史时间段内每个交叉特征集中的特征相关信息均出现的情况下对应的广告展现量及广告点击量，随后，计算广告展现量及广告点击量的比值来确定各个交叉特征集对应的广告点击率以作为交叉特征值。

例如，如下表2所示，针对历史投放广告AD1，提取在过去三个月内在用户ID、用户性别、操作***信息及APP_ID同时出现的情况下确定的交叉特征集对应的广告展现量及广告点击量，随后，通过公式1)：

CTR＝PV/Click公式1)

来计算确定交叉特征值，其中，CTR代表交叉特征值，PV代表广告展现量，Click代表广告点击量。

表2

广告	用户ID	用户性别	操作***信息	APP_ID	交叉特征值
						AD1	cc5f70ccb7ea3d1cde36edb866ee6265	male	Samsung	839227	PV/Click
AD1	5c30e6b9d1d35ef3bfa71b1d686ccfa6	female	MIUI	839228	PV/Click
						AD1	……	……	……	……	……
AD1	283ae80f4d124851170f4d2e73764afd	female	Meizu	839200	PV/Click

优选地，该方法还包括步骤S160(图中未示出)；步骤S160：判断各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，步骤S130：对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

其中，再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；

交叉特征集对应的广告点击量小于预定点击量阈值；

交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

具体地，判断提取到的各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件，当交叉特征集对应的广告展现量小于预定展现量阈值时，或当交叉特征集对应的广告点击量小于预定点击量阈值时，或当交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值时，通过以下公式2)：

CTR＝(Click+α)/(PV+α+β)公式2)

其中，CTR代表交叉特征值，PV代表广告展现量，Click代表广告点击量，α和β为调节参数；

对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

例如，当交叉特征集对应的广告展现量为1次，小于预定展现量阈值500次时，且广告点击量为1次，小于预定点击量阈值10次时，对该交叉特征集对应的广告展现量及广告点击量通过公式2)进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

本优选实施例中，通过采用贝叶斯平滑计算的方式对广告点击率进行优化，以避免在广告投放中展现量过低或点击率过低等特殊情形给计算获得的广告点击率带来的数据不准确性问题，由于平滑处理后的广告点击率更加接近实际值，可保证后续对逻辑回归模型进行训练时输入更加准确的训练数据。

步骤S140：基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数。

具体地，基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，即交叉特征ID-CTR的数据对应关系，组装形成用于训练及测试逻辑回归模型的训练样例和测试样例，对逻辑回归模型进行训练，并解析计算确定模型训练参数。

步骤S150：基于模型训练参数对多个待预测广告进行广告点击率的预测计算。

如图2所示，步骤S150具体包括步骤S151和步骤S152；步骤S151：获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集的交叉特征标识；步骤S152：基于模型训练参数与待预测广告的交叉特征标识，进行预测计算以确定待预测广告的广告点击率。

具体地，获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集，并计算交叉特征及对应交叉特征标识，如交叉特征ID；随后，计算模型训练参数与待预测广告的交叉特征ID的乘积以作为待预测广告的预测计算后的广告点击率。

在本优选实施例中，模型训练参数直接影响预测计算结果，模型训练参数越高则预测计算后的广告点击率越高，即可认为待预测广告被点击的可能性越高，预测计算后的广告点击率可作为对待预测广告的评价标准，为后续对广告的筛选提供可靠依据。

在一个优选实施例中，该方法还包括步骤S170(图中未示出)；步骤S170：根据预测计算结果，筛选多个待预测广告。

具体地，将预测计算后得到的多个待预测广告的广告点击率与预定的预测点击率阈值进行比较，当预测得到的广告点击率小于预定的预测点击率阈值时，滤除相应的待预测广告；或将预测计算后得到的多个待预测广告的广告点击率进行排序，随后，滤除排序靠后预定个数的待预测广告。

本优选实施例中，预测计算后得到的广告点击率可在很大程度上反应广告的投放效果，基于预测计算后的广告点击率进行广告的筛选过滤，可为广告投放方和展现方提供可靠的广告投放参考依据。

本发明的技术方案中，提出了一种对广告点击率进行预测的方案，在对广告点击率进行预测的前期数据准备过程中，对历史投放广告的多种特征信息进行交叉，使得交叉组合后的交叉特征更加丰富有效，能够更加准确地反应广告投放的实际投放情形，从而为广告的预测计算提供了更加有效可靠的训练数据，避免了现有技术中仅使用单个特征的不准确性；同时，根据准确性较高的训练数据得到的模型训练参数可进一步保证广告点击率的预测计算结果的准确性，从而为后续根据广告点击率对广告进行筛选提供了可靠依据。

图3为本发明中一个实施例的根据广告点击率的预测计算结果进行应用推荐的方法的流程图。

步骤S310：获取与目标用户相关的特征相关信息；步骤S320：将目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；步骤S330：基于预先训练得到模型训练参数与多个待推荐广告的交叉特征标识，进行预测计算以确定多个待推荐广告的广告点击率；步骤S340：根据预测计算得到的广告点击率对多个待推荐广告进行筛选；步骤S350：将筛选出的一个或多个待推荐广告推荐给目标用户。

其中，与目标用户相关的特征相关信息，具体包括：

属于投放用户的特征相关信息；

或属于投放上下文的特征相关信息。

图4为本发明中一个实施例的对广告点击率进行预测的装置的结构框架示意图。

特征获取模块S410获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；特征标识计算模块S420将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；特征值计算模块S430提取在预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定各个交叉特征集对应的广告点击率以作为交叉特征值；训练模块S440基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；第一预测计算模块S450基于模型训练参数对多个待预测广告进行广告点击率的预测计算。

特征获取模块S410获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息。

其中，历史投放广告指在预定历史时间段内已进行投放的广告。

其中，特征类型包括但不限于：投放用户；投放上下文；历史投放广告。

其中，投放用户的特征相关信息包括但不限于：

用户属性信息，例如，性别、年龄、教育程度、收入、职业信息等；

用户的历史兴趣信息，例如，用户历史点击或浏览的广告信息、用户历史浏览的网页信息、用户历史的购买信息；

用户的实时兴趣信息，例如，用户当前浏览的网页信息。

其中，投放上下文的特征相关信息包括但不限于：

终端设备相关信息，例如，终端设备的型号、操作***类型、操作***版本；

网络相关信息，例如，终端设备连接网络的网络运营商信息、网络类型；

地理位置信息，例如，终端设备的地理位置信息；

广告展现相关信息，例如，广告尺寸信息、广告投放位置。

例如，针对多个历史投放广告，获取在过去三个月内的每个历史投放广告的用户属性信息的特征相关信息、投放上下文的特征相关信息及历史投放广告的广告标识。例如，针对一个历史投放广告，获取与其相关的投放用户的用户ID、用户性别，投放上下文的终端设备的操作***信息、投放应用的APP_ID。

特征标识计算模块S420将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识。

具体地，将各个历史投放广告的多种特征类型中的两种或两种以上的特征相关信息进行交叉组合来确定多个交叉特征集，随后，通过如哈希算法等方式，计算确定各个交叉特征集分别对应的具有唯一性的数值，将该数值作为交叉特征标识，如交叉特征ID。

例如，接上例，针对一个历史投放广告，将与其相关的投放用户的用户ID、用户性别，投放上下文的终端设备的操作***信息、投放应用的APP_ID进行交叉组合，来确定多个交叉特征集，如上述表1所示，每一行代表一个交叉特征集；随后，将交叉特征集中的各个特征相关信息均用数值表达方式来表征，通过哈希算法计算确定各个交叉特征集分别对应的具有唯一性的数值，将该数值作为交叉特征ID。

特征值计算模块S430提取在预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定各个交叉特征集对应的广告点击率以作为交叉特征值。

具体地，针对一个历史投放广告，提取在预定历史时间段内每个交叉特征集中的特征相关信息均出现的情况下对应的广告展现量及广告点击量，随后，计算广告展现量及广告点击量的比值来确定各个交叉特征集对应的广告点击率以作为交叉特征值。

例如，如上述表2所示，针对历史投放广告AD1，提取在过去三个月内在用户ID、用户性别、操作***信息及APP_ID同时出现的情况下确定的交叉特征集对应的广告展现量及广告点击量，随后，通过上述公式1)来计算确定交叉特征值。

优选地，该装置还包括判断模块；判断模块判断各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，特征值计算模块S330对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

其中，再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；

交叉特征集对应的广告点击量小于预定点击量阈值；

交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

具体地，判断提取到的各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件，当交叉特征集对应的广告展现量小于预定展现量阈值时，或当交叉特征集对应的广告点击量小于预定点击量阈值时，或当交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值时，通过上述公式2)

对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

例如，当交叉特征集对应的广告展现量为1次，小于预定展现量阈值500次时，且广告点击量为1次，小于预定点击量阈值10次时，对该交叉特征集对应的广告展现量及广告点击量通过公式2)进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

本优选实施例中，通过采用贝叶斯平滑计算的方式对广告点击率进行优化，以避免在广告投放中展现量过低或点击率过低等特殊情形给计算获得的广告点击率带来的数据不准确性问题，由于平滑处理后的广告点击率更加接近实际值，可保证后续对逻辑回归模型进行训练时输入更加准确的训练数据。

训练模块S440基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数。

具体地，基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，即交叉特征ID-CTR的数据对应关系，组装形成用于训练及测试逻辑回归模型的训练样例和测试样例，对逻辑回归模型进行训练，并解析计算确定模型训练参数。

第一预测计算模块S450基于模型训练参数对多个待预测广告进行广告点击率的预测计算。

第一预测计算模块S450具体包括实时特征获取单元(图中未示出)和点击率预测单元(图中未示出)；实时特征获取单元获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集的交叉特征标识；点击率预测单元基于模型训练参数与待预测广告的交叉特征标识，进行预测计算以确定待预测广告的广告点击率。

具体地，获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集，并计算交叉特征及对应交叉特征标识，如交叉特征ID；随后，计算模型训练参数与待预测广告的交叉特征ID的乘积以作为待预测广告的预测计算后的广告点击率。

在本优选实施例中，模型训练参数直接影响预测计算结果，模型训练参数越高则预测计算后的广告点击率越高，即可认为待预测广告被点击的可能性越高，预测计算后的广告点击率可作为对待预测广告的评价标准，为后续对广告的筛选提供可靠依据。

本发明的技术方案中，提出了一种对广告点击率进行预测的方案，在对广告点击率进行预测的前期数据准备过程中，对历史投放广告的多种特征信息进行交叉，使得交叉组合后的交叉特征更加丰富有效，能够更加准确地反应广告投放的实际投放情形，从而为广告的预测计算提供了更加有效可靠的训练数据，避免了现有技术中仅使用单个特征的不准确性；同时，根据准确性较高的训练数据得到的模型训练参数可进一步保证广告点击率的预测计算结果的准确性，从而为后续根据广告点击率对广告进行筛选提供了可靠依据。

在一个优选实施例中，该装置还包括第一筛选模块(图中未示出)；第一筛选模块根据预测计算结果，筛选多个待预测广告。

具体地，将预测计算后得的到的多个待预测广告的广告点击率与预定的预测点击率阈值进行比较，当预测得到的广告点击率小于预定的预测点击率阈值时，滤除相应的待预测广告；或将预测计算后得到的多个待预测广告的广告点击率进行排序，随后，滤除排序靠后预定个数的待预测广告。

本优选实施例中，预测计算后得到的广告点击率可在很大程度上反应广告的投放效果，基于预测计算后的广告点击率进行广告的筛选过滤，可为广告投放方和展现方提供可靠的广告投放参考依据。

图5为本发明中另一个实施例的根据广告点击率的预测计算结果进行应用推荐的装置的结构示意图。

相关信息获取模块510获取与目标用户相关的特征相关信息；特征交叉模块520将目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；第二预测计算模块530基于预先训练得到模型训练参数与多个待推荐广告的交叉特征标识，进行预测计算以确定多个待推荐广告的广告点击率；第二筛选模块540根据预测计算得到的广告点击率对多个待推荐广告进行筛选；推荐模块550将筛选出的一个或多个待推荐广告推荐给目标用户。

其中，与目标用户相关的特征相关信息，具体包括：

属于投放用户的特征相关信息；

或属于投放上下文的特征相关信息。

在一个优选实施例中，本发明提供了一种根据广告点击率的预测计算结果进行应用推荐的终端设备，包括：

用于获取与目标用户相关的特征相关信息的装置；用于将目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识的装置；用于基于预先训练得到模型训练参数与多个待推荐广告的交叉特征标识，进行预测计算以确定多个待推荐广告的广告点击率的装置；用于根据预测计算得到的广告点击率对多个待推荐广告进行筛选的装置；用于将筛选出的一个或多个待推荐广告推荐给目标用户的装置。

本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-OnlyMemory，只读存储器)、RAM(RandomAccessMemory，随即存储器)、EPROM(ErasableProgrammableRead-OnlyMemory，可擦写可编程只读存储器)、EEPROM(ElectricallyErasableProgrammableRead-OnlyMemory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种对广告点击率进行预测的方法，其特征在于，包括：

获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；

将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；

提取在所述预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值；

基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；

基于所述模型训练参数对多个待预测广告进行广告点击率的预测计算。

2.根据权利要求1所述的对广告点击率进行预测的方法，其特征在于，该方法还包括：

判断所述各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；

当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，所述计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值的步骤，具体包括：

对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

3.根据权利要求2所述的对广告点击率进行预测的方法，其特征在于，所述再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；

交叉特征集对应的广告点击量小于预定点击量阈值；

交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

4.根据权利要求1-3任一项所述的对广告点击率进行预测的方法，其特征在于，基于所述模型训练参数对待预测广告进行广告点击率的预测计算，具体包括：

获取各个待预测广告实时投放时的至少两种特征类型的特征相关信息进行交叉组合后对应的交叉特征集的交叉特征标识；

基于所述模型训练参数与所述待预测广告的交叉特征标识，进行预测计算以确定所述待预测广告的广告点击率。

5.一种根据广告点击率的预测计算结果进行应用推荐的方法，其特征在于，包括：

获取与目标用户相关的特征相关信息；

将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；

基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率；

根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选；

将筛选出的一个或多个待推荐广告推荐给所述目标用户。

6.一种对广告点击率进行预测的装置，其特征在于，包括：

特征获取模块，用于获取在预定历史时间段内与多个历史投放广告相关的多种特征类型的特征相关信息；

特征标识计算模块，用于将各个历史投放广告的至少两种特征类型的特征相关信息进行交叉组合来确定多个交叉特征集，并计算确定多个交叉特征集分别对应的交叉特征标识；

特征值计算模块，用于提取在所述预定历史时间段内各个交叉特征集对应的广告展现量及广告点击量，并计算确定所述各个交叉特征集对应的广告点击率以作为交叉特征值；

训练模块，用于基于多个交叉特征集分别对应的交叉特征标识及交叉特征值，对逻辑回归模型进行训练，以计算确定模型训练参数；

第一预测计算模块，用于基于所述模型训练参数对多个待预测广告进行广告点击率的预测计算。

7.根据权利要求6任一项所述的对广告点击率进行预测的装置，其特征在于，该装置还包括：

判断模块，用于判断所述各个交叉特征集对应的广告展现量和/或广告点击量是否符合再处理条件；

当交叉特征集对应的广告展现量和/或广告点击量符合再处理条件时，所述特征值计算模块具体用于对该交叉特征集对应的广告展现量及广告点击量进行贝叶斯平滑计算处理，以确定该交叉特征集对应的广告点击率以作为交叉特征值。

8.根据权利要求7所述的对广告点击率进行预测的装置，其特征在于，所述再处理条件包括以下任一情形：

交叉特征集对应的广告展现量小于预定展现量阈值；

交叉特征集对应的广告点击量小于预定点击量阈值；

交叉特征集对应的广告展现量与广告点击量的比值小于预定点击率阈值。

9.一种根据广告点击率的预测计算结果进行应用推荐的装置，其特征在于，包括：

相关信息获取模块，用于获取与目标用户相关的特征相关信息；

特征交叉模块，用于将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识；

第二预测计算模块，用于基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率；

第二筛选模块，用于根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选；

推荐模块，用于将筛选出的一个或多个待推荐广告推荐给所述目标用户。

10.一种根据广告点击率的预测计算结果进行应用推荐的终端设备，其特征在于，包括：

用于获取与目标用户相关的特征相关信息的装置；

用于将所述目标用户相关的特征相关信息与多个待推荐广告分别进行交叉组合来确定多个交叉特征集，并计算确定该多个交叉特征集对应的交叉特征标识的装置；

用于基于预先训练得到模型训练参数与所述多个待推荐广告的交叉特征标识，进行预测计算以确定所述多个待推荐广告的广告点击率的装置；

用于根据预测计算得到的广告点击率对所述多个待推荐广告进行筛选的装置；

用于将筛选出的一个或多个待推荐广告推荐给所述目标用户的装置。