CN109670632B - 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 - Google Patents

Abstract

本申请是关于一种广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质。所述广告点击率的预估方法包括：提取历史用户特征集和历史广告特征集；基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型；以及基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值。将对广告的理解和用户的理解的工作任务都放在了线下模型，同时，线上模型只包含简单的神经网络算法，减小了计算量，从而提高了广告点击率预估的效率。

Description

广告点击率的预估方法、广告点击率的预估装置、电子设备及 存储介质

技术领域

本申请属于信息预测领域，尤其是广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质。

背景技术

在线广告是互联网的商业模式之一，随着在线推广技术的发展，广告由“粗放式”投放正在向“精准化”投放转变。广告的点击率是评价用户对广告的偏好程度的重要指标，对于广告的精准投放意义重大，因此点击率是信息检索和机器学习等领域研究的热点问题。

随着深度学习技术的发展，深度神经网络模型开始在点击率预估上发挥作用。广告点击率预估，往往是在线预估，这种情况下对广告点击率预估的性能要求非常高。而深度神经网络计算量非常大，无法满足实时预测的要求。现有的使用深度神经网络模型来进行广告点击率预估的方法有两种。一种方法是利用比较简单的深度神经网络模型，例如多层感知器(mlp)，但是这种方法的广告点击率预估的效果往往比较差。另一种方法是利用昂贵的硬件比如gpu和fpga完成广告点击率预估模型的深度神经网络的实时计算，但是这种方法的花费成本巨大，投入产出比低。

发明内容

为克服相关技术中存在的广告点击率预估准确率低和实时性差的问题，本申请公开一种广告点击率的预估方法，将对广告的理解和用户的理解的工作任务都放在了线下模型，同时，线上模型的只包含简单的神经网络算法，减小了计算量，从而提高了广告点击率预估的效率。将线下模型产生的历史用户嵌入特征向量集和历史广告嵌入特征向量集运用在线上模型，从而提高了广告点击率预估的准确率。

根据本申请的实施例的一方面，提供一种广告点击率的预估方法，包括：

提取历史用户特征集和历史广告特征集；

基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型；以及

基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值。

可选地，所述线下模型包括：用于在线下提取历史用户嵌入特征向量集的用户模型和用于在线下提取历史广告嵌入特征向量集的广告模型。

可选地，所述线上模型包括：广告点击率的实时预估模型。

可选地，所述基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值，包括：

基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集；

在线上实时提取目标用户特征集和目标广告特征集；以及

基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值。

可选地，所述基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，包括：

将所述历史用户特征集输入所述用户模型，得到所述历史用户嵌入特征向量集；

将所述历史广告特征集输入所述广告模型，得到所述历史广告嵌入特征向量集。

可选地，所述基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，还包括：

将所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集储存在线上缓存中。

可选地，所述基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值之前，包括：

从所述线上缓存中获取所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集。

可选地，所述基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值，包括：

将所述目标用户特征集、所述目标广告特征集、所述历史用户特征集和所述历史广告特征集输入所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。

可选地，所述基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，包括：

基于神经网络算法，分别建立所述用户模型和所述广告模型，其中，所述用户模型用于在线下提取历史用户嵌入特征向量集，所述广告模型用于在线下提取历史广告嵌入特征向量集；

基于神经网络算法，建立所述广告点击率的实时预估模型。

可选地，所述基于神经网络算法，分别建立用户模型和广告模型，包括：

基于神经网络算法，分别建立用户目标模型和广告目标模型；

将所述历史用户特征集作为训练样本输入所述用户目标模型，得到所述历史用户嵌入特征向量集；

将所述历史广告特征集作为训练样本输入所述广告目标模型，得到所述历史广告嵌入特征向量集；

将所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集输入多层感知器神经网络模型，得到历史用户对历史广告的点击率的预测值；以及

基于所述历史用户对历史广告的点击率的预测值，对所述用户目标模型和所述广告目标模型的参数进行调整优化，得到所述用户模型和所述广告模型。

可选地，所述广告点击率的实时预估模型是一个组合模型。

可选地，建立所述用户模型和所述广告模型的神经网络算法包括以下算法中至少之一的算法：卷积神经网络和长短期记忆神经网络。

可选地，建立所述广告点击率的实时预估模型的神经网络算法包括以下算法中至少之一的算法：模糊神经网络和深度神经网络。。

根据本发明的实施例的第二方面，提供一种广告点击率的预估装置，包括：

特征提取单元，用于提取历史用户特征集和历史广告特征集；

模型建立单元，用于基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型；以及

实时预估模块，用于基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值。

可选地，特征提取单元，还用于在线上实时提取目标用户特征集和目标广告特征集。

根据本申请的实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述的广告点击率的预估方法。

根据本申请的实施例的第四方面，提供一种非临时性计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如上所述的广告点击率的预估方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

1)基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，将对广告的理解和用户的理解的工作任务都放在了线下模型，同时，线上模型只包含简单的神经网络算法，减小了计算量，从而提高了广告点击率预估的效率。

2)将目标用户特征集、目标广告特征集、历史用户特征集和历史广告特征集输入广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。将线下模型产生的历史用户嵌入特征向量集和历史广告嵌入特征向量集运用在线上模型，从而提高了广告点击率预估的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是一根据示例性实施例示出的广告点击率的预估方法的流程图；

图2是一根据示例性实施例示出的广告点击率的预估方法的流程图；

图3是一根据示例性实施例示出的广告点击率的预估方法的流程图；

图4是根据一示例性实施例示出的广告点击率的预估装置框图；

图5是根据一示例性实施例示出的一种执行广告点击率的预估方法的装置的框图；

图6是根据一示例性实施例示出的一种执行广告点击率的预估方法的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1是根据示例性实施例示出的广告点击率的预估方法的流程图。具体步骤包括：

S110，提取历史用户特征集和历史广告特征集。

在本步骤中，从网页日志等备份信息中提取历史用户与历史广告的特征集。其中，历史用户特征包括：用户属性信息，如，性别、年龄、受教育程度、收入和职业信息等；用户历史兴趣信息，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；用户的地理位置信息；用户的终端设备相关信息等。其中，历史广告特征包括：广告的尺寸信息、广告的投放位置、广告的类型等。

S120，基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型。

在本步骤中，基于神经网络算法，建立用来提取嵌入特征的线下模型和用来实时预估广告的点击率的线上模型。

S130，基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值。

在本步骤中，利用线下模型和线上模型对目标用户和目标广告进行点击率预估，得到目标用户对目标广告的点击率的实时预估值。

在本申请的实施例中，基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，将对广告的理解和用户的理解的工作任务都放在了线下模型，同时，线上模型的只包含简单的神经网络算法，减小了计算量，从而提高了广告点击率预估的效率。

图2是根据示例性实施例示出的广告点击率的预估方法的流程图。具体步骤包括：

S210，提取历史用户特征集和历史广告特征集。

S220，基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型。

S230，基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集。

S240，将所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集储存在线上缓存中。

S250，在线上实时提取目标用户特征集和目标广告特征集。

S260，从所述线上缓存中获取所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集。

S270，将所述目标用户特征集、所述目标广告特征集、所述历史用户特征集和所述历史广告特征集输入所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。

本实施例是比前述实施例更加完善的广告点击率的预估方法。步骤S210和S220与图1的S110和S120相同，这里就不再赘述。

步骤S220中提到的线下模型包括：用于在线下提取历史用户嵌入特征向量集的用户模型和用于在线下提取历史广告嵌入特征向量集的广告模型。

步骤S220中提到的线上模型包括：广告点击率的实时预估模型。

步骤S230至S270是基于线下模型和线上模型，得到目标用户对目标广告的点击率的实时预估值的具体步骤。在步骤S230中，将历史用户特征集输入用户模型，得到历史用户嵌入特征向量集；将历史广告特征集输入广告模型，得到历史广告嵌入特征向量集。在步骤S240中，将提取到的历史用户嵌入特征向量集和历史广告嵌入特征向量集储存在线上缓存中。

在步骤S250中，在线上实时提取目标用户特征集和目标广告特征集。其中，目标用户特征包括：用户属性信息，如，性别、年龄、受教育程度、收入和职业信息等；用户兴趣信息，例如，用户点击或浏览的广告信息、用户浏览的网页信息、用户的购买信息；用户的地理位置信息；用户的终端设备相关信息等。其中，目标广告特征包括：广告的尺寸信息、广告的投放位置、广告的类型等。

在步骤S260至S270中，将从线上缓存中获取存储的历史用户嵌入特征向量集和历史广告嵌入特征向量集并且将该嵌入特征向量输入广告点击率的实时预估模型；将从线上获取的目标用户特征集和目标广告特征集也一起输入广告点击率的实时预估模型。通过广告点击率的实时预估模型对历史用户嵌入特征向量集、历史广告嵌入特征向量、目标用户特征集和目标广告特征集的深度神经网络运算，得到目标用户对目标广告的点击率的实时预估值。

根据本申请的实施例，将目标用户特征集、目标广告特征集、历史用户特征集和历史广告特征集输入广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。将线下模型产生的历史用户嵌入特征向量集和历史广告嵌入特征向量集运用在线上模型，从而提高了广告点击率预估的准确率。

图3是根据示例性实施例示出的广告点击率的预估方法的流程图。示出了图1所示的步骤S102的具体流程图，是建立线下模型和线上模型的具体过程，具体步骤包括：

S310，基于神经网络算法，分别建立所述用户模型和所述广告模型。其中，所述用户模型用于在线下提取历史用户嵌入特征向量集，所述广告模型用于在线下提取历史广告嵌入特征向量集。

在本步骤中，基于神经网络算法，分别建立用户目标模型和广告目标模型；将历史用户特征集作为训练样本输入用户目标模型，得到对应的历史用户嵌入特征向量集；将历史广告特征集作为训练样本输入广告目标模型，得到对应的历史广告嵌入特征向量集；将历史用户嵌入特征向量集和历史广告嵌入特征向量集输入多层感知器(mlp)神经网络模型，得到历史用户对历史广告的点击率的预测值；以及基于历史用户对历史广告的点击率的预测值，对用户目标模型和广告目标模型的参数进行调整优化，得到用户模型和广告模型。

S320，基于神经网络算法，建立所述广告点击率的实时预估模型。

在本步骤中，建立的所述广告点击率的实时预估模型是一个组合模型。该组合模型是模糊神经网络和深度神经网络的组合。

根据本申请的实施例，基于神经网络算法，分别建立用户目标模型和广告目标模型；将历史用户特征集作为训练样本输入用户目标模型，得到对应的历史用户嵌入特征向量集；将历史广告特征集作为训练样本输入广告目标模型，得到对应的历史广告嵌入特征向量集。将提取对应的历史用户嵌入特征向量集和对应的历史广告嵌入特征向量集的工作任务放在线下模型，减轻了线上模型的工作压力，从而提高了广告点击率预估的效率。

在本申请的一个可选地实施例中，建立用户模型和广告模型的神经网络算法包括以下算法中至少之一的算法：卷积神经网络和长短期记忆神经网络。

在本申请的一个可选地实施例中，建立广告点击率的实时预估模型的神经网络算法包括以下算法中至少之一的算法：模糊神经网络和深度神经网络。

图4是根据一示例性实施例示出的广告点击率的预估装置框图。包括：特征提取单元410、模型建立单元420和实时预估模块430。

特征提取单元410，用于提取历史用户特征集和历史广告特征集；

模型建立单元420，用于基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型；以及

实时预估模块430，用于基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值。

在本申请的一个实施例中，特征提取单元410，用于提取历史用户特征集和历史广告特征集；模型建立单元420，用于基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型；以及实时预估模块430，用于基于线下模型和线上模型，得到目标用户对目标广告的点击率的实时预估值。

在本申请的一个可选的实施例中，特征提取单元410，还用于在线上实时提取目标用户特征集和目标广告特征集。

图5是根据一示例性实施例示出的一种用于上述广告点击率的预估方法的广告点击率的预估装置1200的框图。例如，交互装置1200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电力组件1206，多媒体组件1208，音频组件1210，输入/输出(I/O)的接口1212，传感器组件1214，以及通信组件1216。

处理组件1202通常控制装置1200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1202可以包括一个或多个处理器1220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1202可以包括一个或多个模块，便于处理组件1202和其他组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。

存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理***，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。

多媒体组件1208包括在所述装置1200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1208包括一个前置摄像头和/或后置摄像头。当设备1200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个麦克风(MIC)，当装置1200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。

I/O接口1212为处理组件1202和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启用按钮和锁定按钮。

传感器组件1214包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1214可以检测到设备1200的打开/关闭状态，组件的相对定位，例如所述组件为装置1200的显示器和小键盘，传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件1216经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1216还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1204，上述指令可由装置1200的处理器1220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图6是根据一示例性实施例示出的一种用于上述广告点击率的预估方法的广告点击率的预估装置1400的框图。例如，装置1400可以被提供为一服务器。参照图6，装置1400包括处理组件1322，其进一步包括一个或多个处理器，以及由存储器1332所代表的存储器资源，用于存储可由处理组件1322的执行的指令，例如应用程序。存储器1332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1322被配置为执行指令，以执行上述广告点击率的预估方法。

装置1400还可以包括一个电源组件1326被配置为执行装置1400的电源管理，一个有线或无线网络接口1350被配置为将装置1400连接到网络，和一个输入输出(I/O)接口1358。装置1400可以操作基于存储在存储器1332的操作***，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (13)

1.一种广告点击率的预估方法，其特征在于，包括：

提取历史用户特征集和历史广告特征集；

基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，所述线下模型包括：用于在线下提取历史用户嵌入特征向量集的用户模型和用于在线下提取历史广告嵌入特征向量集的广告模型，所述线上模型包括：广告点击率的实时预估模型；以及

基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值，其中，所述基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值，包括：

基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，

在线上实时提取目标用户特征集和目标广告特征集，以及

基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值，所述基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值，包括：

将所述目标用户特征集、所述目标广告特征集、所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集输入所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。

2.根据权利要求1所述的广告点击率的预估方法，其特征在于，所述基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，包括：

将所述历史用户特征集输入所述用户模型，得到所述历史用户嵌入特征向量集；

将所述历史广告特征集输入所述广告模型，得到所述历史广告嵌入特征向量集。

3.根据权利要求2所述的广告点击率的预估方法，其特征在于，所述基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，还包括：

将所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集储存在线上缓存中。

4.根据权利要求3所述的广告点击率的预估方法，其特征在于，所述基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值之前，包括：

从所述线上缓存中获取所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集。

5.根据权利要求4所述的广告点击率的预估方法，其特征在于，所述基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，包括：

基于神经网络算法，分别建立所述用户模型和所述广告模型，其中，所述用户模型用于在线下提取历史用户嵌入特征向量集，所述广告模型用于在线下提取历史广告嵌入特征向量集；

基于神经网络算法，建立所述广告点击率的实时预估模型。

6.根据权利要求5所述的广告点击率的预估方法，其特征在于，所述基于神经网络算法，分别建立用户模型和广告模型，包括：

基于神经网络算法，分别建立用户目标模型和广告目标模型；

将所述历史用户特征集作为训练样本输入所述用户目标模型，得到所述历史用户嵌入特征向量集；

将所述历史广告特征集作为训练样本输入所述广告目标模型，得到所述历史广告嵌入特征向量集；

将所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集输入多层感知器神经网络模型，得到历史用户对历史广告的点击率的预测值；以及

基于所述历史用户对历史广告的点击率的预测值，对所述用户目标模型和所述广告目标模型的参数进行调整优化，得到所述用户模型和所述广告模型。

7.根据权利要求6所述的广告点击率的预估方法，其特征在于，所述广告点击率的实时预估模型是一个组合模型。

8.根据权利要求7所述的广告点击率的预估方法，其特征在于，建立所述用户模型和所述广告模型的神经网络算法包括以下算法中至少之一的算法：卷积神经网络和长短期记忆神经网络。

9.根据权利要求8所述的广告点击率的预估方法，其特征在于，建立所述广告点击率的实时预估模型的神经网络算法包括以下算法中至少之一的算法：模糊神经网络和深度神经网络。

10.一种广告点击率的预估装置，其特征在于，包括：

特征提取单元，用于提取历史用户特征集和历史广告特征集；

模型建立单元，用于基于神经网络算法，建立提取嵌入特征的线下模型和实时预估广告的点击率的线上模型，所述线下模型包括：用于在线下提取历史用户嵌入特征向量集的用户模型和用于在线下提取历史广告嵌入特征向量集的广告模型，所述线上模型包括：广告点击率的实时预估模型；以及

实时预估模块，用于基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值，其中，所述基于所述线下模型和所述线上模型，得到目标用户对目标广告的点击率的实时预估值，包括：

基于所述用户模型和所述广告模型，在线下提取历史用户嵌入特征向量集和历史广告嵌入特征向量集，

在线上实时提取目标用户特征集和目标广告特征集，以及

基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值，所述基于所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的实时预估值，包括：

将所述目标用户特征集、所述目标广告特征集、所述历史用户嵌入特征向量集和所述历史广告嵌入特征向量集输入所述广告点击率的实时预估模型，得到目标用户对目标广告的点击率的所述实时预估值。

11.根据权利要求10所述的广告点击率的预估装置，其特征在于，特征提取单元，还用于在线上实时提取目标用户特征集和目标广告特征集。

12.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述权利要求1-9任意一项所述的广告点击率的预估方法。

13.一种非临时性计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至9任一项所述的广告点击率的预估方法。

Images