CN111311015A - 个性化点击率预测方法、设备及可读存储介质 - Google Patents
个性化点击率预测方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111311015A CN111311015A CN202010128117.3A CN202010128117A CN111311015A CN 111311015 A CN111311015 A CN 111311015A CN 202010128117 A CN202010128117 A CN 202010128117A CN 111311015 A CN111311015 A CN 111311015A
- Authority
- CN
- China
- Prior art keywords
- exposure
- click
- message
- preset
- personalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 229920000433 Lyocell Polymers 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 101100079104 Schizosaccharomyces pombe (strain 972 / ATCC 24843) arm1 gene Proteins 0.000 description 1
- 238000005354 coacervation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种个性化点击率预测方法、设备及可读存储介质,所述个性化点击率预测方法包括:获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息,计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。本申请解决了消息点击率预测准确度低的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的消息优化技术领域,尤其涉及一种个性化点击率预测方法、设备及可读存储介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域,但金融业也对技术提出了更高的要求,如对金融业对应待办事项的分发也有更高的要求。
随着计算机软件和人工智能的不断发展,人工智能的应用领域也越来越广泛,目前,在消息领域,通常是基于历史数据来预测消息的点击率,进而将点击率较高的消息推送给用户,但是,历史数据往往具有时间维度上的滞后性,进而导致当前的消息点击率预测策略无法准确反映出当前用户的点击倾向,预估的点击率存在着时间偏差,进而导致消息点击率预测准确度较低,且在消息点击率预测初期,通常由于消息的曝光量较低,而导致消息预测策略过于震荡,进而进一步降低了消息点击率预测时的准确度,所以,现有技术中存在消息点击率预测准确度低的技术问题。
发明内容
本申请的主要目的在于提供一种个性化点击率预测方法、设备及可读存储介质,旨在解决现有技术中消息点击率预测准确度低的技术问题。
为实现上述目的,本申请提供一种个性化点击率预测方法,所述个性化点击率预测方法应用于个性化点击率实时预测设备,所述个性化点击率预测方法包括:
获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息;
计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。
可选地,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤包括:
获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量;
基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子;
基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。
可选地,所述基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子的步骤包括:
计算各所述曝光未点击量和所述预设曝光阈值的差值,以获取各所述差值对应的平衡因子指数集合;
分别在各所述平衡因子指数集合中选取最大值作为平衡因子指数,并分别将各所述平衡因子指数代入预设平衡因子计算公式,计算各所述平衡因子。
可选地,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤之后包括:
基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果;
基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。
可选地,所述基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光的步骤包括:
基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表;
在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光。
可选地,所述预设数据池包括一个或者多个所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量,
所述基于各所述推送曝光结果,对所述预设数据池进行实时更新的步骤包括:
确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新;
若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新。
可选地,所述预测请求信息包括一个或者多个用户特征编码、一个或者多个消息特征编码和一个或者多个上下文特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤包括:
获取各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码,并对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合,获得各特征编码组合,其中,一所述特征编码组合包括一所述用户特征编码、一所述消息特征编码和一所述上下文特征编码;
基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,其中,一所述特征编码组合对应一所述待选取消息。
可选地,所述预测请求信息包括一个或者多个用户特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤之前包括:
获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵;
基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇;
基于预设编码规则,对各所述用户聚类簇进行编码,获得各所述用户特征编码。
本申请还提供一种个性化点击率实时预测装置,所述个性化点击率实时预测装置为虚拟装置,且所述个性化点击率实时预测装置应用于个性化点击率实时预测设备,所述个性化点击率实时预测装置包括:
检索模块,用于获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息;
预测模块,用于计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。
可选地,所述预测模块包括:
获取单元,用于获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量;
第一计算单元,用于基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子;
第二计算单元,用于基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。
可选地,所述第一计算单元包括:
第一计算子单元,用于计算各所述曝光未点击量和所述预设曝光阈值的差值,以获取各所述差值对应的平衡因子指数集合;
第二计算子单元,用于分别在各所述平衡因子指数集合中选取最大值作为平衡因子指数,并分别将各所述平衡因子指数代入预设平衡因子计算公式,计算各所述平衡因子。
可选地,所述个性化点击率实时预测装置还包括:
推送模块,用于基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果;
更新模块,用于基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。
可选地,所述推送模块包括:
排序单元,用于基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表;
推送单元,用于在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光。
可选地,所述更新模块包括:
第一更新单元,用于确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新;
第二更新单元,用于若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新。
可选地,所述检索模块包括:
组合单元,用于获取各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码,并对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合,获得各特征编码组合,其中,一所述特征编码组合包括一所述用户特征编码、一所述消息特征编码和一所述上下文特征编码;
检索单元,用于基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,其中,一所述特征编码组合对应一所述待选取消息。
可选地,所述个性化点击率实时预测装置还包括:
转化模块,用于获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵;
聚类模块,用于基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇;
编码模块,用于基于预设编码规则,对各所述用户聚类簇进行编码,获得各所述用户特征编码。
本申请还提供一种个性化点击率实时预测设备,所述个性化点击率实时预测设备为实体设备,所述个性化点击率实时预测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述个性化点击率预测方法的程序,所述个性化点击率预测方法的程序被处理器执行时可实现如上述的个性化点击率预测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现个性化点击率预测方法的程序,所述个性化点击率预测方法的程序被处理器执行时实现如上述的个性化点击率预测方法的步骤。
本申请通过获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息,进而计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。也即,本申请提供了一种个性化点击率的实时预测方法,其中,在获取预测请求信息之后,在预设数据池中进行所述预测请求信息对应的各待选取消息的检索,进而通过计算平衡因子,进行各所述待选取消息的个性化点击率的预测,其中,通过基于平衡因子对所述个性化点击率进行预测,避免了在消息点击率预测初期,由于消息曝光量较低而导致消息预测策略过于震荡而导致消息点击率预测不准确的情况发生,进而提高了消息点击率预测的准确度,所以,解决了消息点击率预测准确度低的技术问题。
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。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请个性化点击率预测方法第一实施例的流程示意图;
图2为本申请个性化点击率预测方法第二实施例的流程示意图;
图3为本申请个性化点击率预测方法第三实施例的流程示意图;
图4为本申请个性化点击率预测方法第三实施例中的个性化点击率实时预测流程的示意图;
图5为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种个性化点击率预测方法,在本申请个性化点击率预测方法的第一实施例中,参照图1,所述个性化点击率预测方法包括:
步骤S10,获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息;
在本实施例中,需要说明的是,所述消息包括广告,所述预测请求信息包括一个或者多个用户特征编码、一个或者多个消息特征编码、一个或者多个上下文特征编码,其中,所述用户特征编码通过基于对应的编码规则对用户特征进而编码而获得,所述消息特征编码通过基于对应的编码规则对消息特征进而编码而获得,所述上下文特征编码通过基于对应的编码规则对上下文特征进而编码而获得,其中,所述用户特征包括用户年龄、用户爱好和用户学历等,所述消息特征包括消息素材图片、消息标题等,所述上下文特征包括消息推送应用、消息推送曝光位置等,其中,所述消息推送应用包括例如腾讯视频、百度网页等,所述消息推送曝光位置包括例如腾讯视频首页、百度网页首页等,所述预设数据池包括一个或者多个待选取消息和各所述待选取消息对应的曝光量数据。
获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息,具体地,获取一个或者多个用户特征编码、一个或者多个消息特征编码和一个或者多个上下文特征编码对应的各编码组合,其中,一所述编码组合包括一所述用户特征编码、一消息特征编码和一所述上下文特征编码,进而基于所述编码组合,在所述预设数据池中检索各所述编码组合对应的待选取消息和各所述待选取消息对应的曝光量数据。
其中,所述预测请求信息包括一个或者多个用户特征编码、一个或者多个消息特征编码和一个或者多个上下文特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤包括:
步骤S11,获取各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码,并对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合,获得各特征编码组合,其中,一所述特征编码组合包括一所述用户特征编码、一所述消息特征编码和一所述上下文特征编码;
在本实施例中,需要说明的是,所述编码组合基于消息推送曝光目的对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合而获得的,例如,假设所述消息推送目的为分别向A类用户推送消息a、消息b和消息c,且消息a和消息b在腾讯视频体育类节目首页上进行推送曝光,消息c在腾讯视频综艺类节目首页上进行推送曝光,且所述用户A对应的用户特征编码为001,消息a对应的消息特征编码为11111,消息b对应的消息特征编码为11112,消息c对应的消息特征编码为11113,所述腾讯视频体育类节目首页对应的上下文特征编码为000001,所述腾讯视频综艺类节目首页对应的上下文特征编码为000002,则各所述编码组合分别为(001,11111,000001),(001,11112,000001),(001,11113,000002)。
步骤S12,基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,其中,一所述特征编码组合对应一所述待选取消息。
在本实施例中,基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,具体地,基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的待选取消息编号,并基于各所述待选取消息编号提取各所述待选取消息和各所述待选消息对应的曝光量数据。
其中,所述预测请求信息包括一个或者多个用户特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤之前包括:
步骤A10,获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵;
在本实施例中,需要说明的是,所述预设模式包括One-Hot编码(独热编码)模式。
获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵,具体地,获取各预设待推送用户对应的用户画像数据,并基于One-Hot编码规则,将各所述用户画像数据转化为用户特征表示矩阵,其中,所述用户特征表示矩阵的每一列均对应一个用户,所述用户特征表示矩阵的每一列均对应一个特征,其中,所述用户特征表示矩阵的每一列包一个或者多个0或者1,其中,0表示该列对应的用户不具有该特征,1表示该列对应的用户具有该特征。
步骤A20,基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇;
在本实施例中,需要说明的是,进行聚类的聚类算法包括K-Means、凝聚层次聚类算法等。
基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇,具体地,基于所述用户特征表示矩阵,计算各所述待推送用户之间的用户相似度,以将各所述待推送用户划分为一个或者多个用户聚类簇,其中,各所述用户聚类簇之间的用户相似度应低于簇间相似度阈值,各所述用户聚类簇内的用户相似度应高于簇内相似度阈值。
步骤A30,基于预设编码规则,对各所述用户聚类簇进行编码,获得各所述用户特征编码。
在本实施例中,需要说明的是,所述预设编码规则为预先设置好的编码规则,可由用户自行设置。
步骤S20,计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率;
在本实施例中,需要说明的是,所述待选取消息对应存在曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量,其中,所述曝光点击量为在消息的所有曝光次数中被点击的次数,所述曝光点击量为在消息的所有曝光次数中未被点击的次数,例如,假设某一消息一共曝光了1000次,其中,被点击的次数为400次,则所述曝光点击量为400,曝光未点击量为600。
其中,所述平衡因子用于防止曝光时的个性化点击率预测策略过于震荡,进而导致个性化点击率预测不准确。
计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率,具体地,获取各所述待选取消息对应的曝光点击量和曝光未点击量,并将所述曝光未点击量代入预设平衡因子计算公式,获得平衡因子,其中,所述预设平衡因子计算公式如下所示:
F=eMax(Threshold-β,0)
其中,F为所述平衡因子,Threshold为曝光阈值,可由用户自行设置,β为所述曝光未点击量,Max(Threshold-β,0)为平衡因子指数,进而将所述曝光未点击量、曝光点击量和所述平衡因子代入预设点击率计算公式,获得所述个性化点击率,其中所述预设点击率计算公式如下所示,
CTR=Beta(α0+α*F,β0+β*F)
其中,CTR为所述个性化点击率,Beta为贝塔分布符号,α为所述曝光点击量,β为所述曝光未点击量,F为所述平衡因子,α0为用户自行设置的初始曝光点击量,β0为用户自行设置的初始曝光未点击量,其中,α0和β0均用于平滑个性化点击率预测冷启动时的预估值,其中,所述平衡因子用于防止在低曝光量时,也即,在曝光量小于所述预设曝光阈值时,CTR的方差过大,进而导致所述个性化点击率预测的准确度过低,而在曝光量小于所述预设曝光阈值时,所述曝光未点击量小于所述预设曝光阈值,进而所述平衡因子指数是大于0的,进而所述平衡因子是大于1的,基于所述预设点击率计算公式,若平衡因子F大于1,则曝光点击量α和所示曝光未点击量β均乘上F,可减小所述个性化点击率CTR计算时的方差,进而提高了所述个性化点击率预测的准确度。
本实施例通过获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息,进而计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。也即,本实施例提供了一种个性化点击率的实时预测方法,其中,在获取预测请求信息之后,在预设数据池中进行所述预测请求信息对应的各待选取消息的检索,进而通过计算平衡因子,进行各所述待选取消息的个性化点击率的预测,其中,通过基于平衡因子对所述个性化点击率进行预测,避免了在消息点击率预测初期,由于消息曝光量较低而导致消息预测策略过于震荡而导致消息点击率预测不准确的情况发生,进而提高了消息点击率预测的准确度,所以,解决了消息点击率预测准确度低的技术问题。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤包括:
步骤S21,获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量;
在本实施例中,需要说明的是,所述曝光量数据存储于所述预设数据池中,所述曝光量数据包括曝光量、曝光点击量和曝光未点击量,其中,所述曝光量为推送曝光次数,所述曝光点击量为所述曝光量中用户点击了的推送曝光次数,所述曝光未点击量为所述曝光量中用户未点击的推送曝光次数,其中,所述曝光量等于所述曝光点击量和曝光未点击量之和。
步骤S22,基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子;
基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子,具体地,判断所述曝光量是否大于预设曝光阈值,若所述曝光量大于预设曝光阈值,则将所述预设平衡因子计算公式中的平衡因子指数设置为0,并计算对应的所述平衡因子,若所述曝光量小于或者等于预设曝光阈值,则计算预设曝光阈值和所述曝光未点击量的差值,并将所述差值作为所述平衡因子指数,计算对应的所述平衡因子。
其中,所述基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子的步骤包括:
步骤S221,计算各所述曝光未点击量和所述预设曝光阈值的差值,以获取各所述差值对应的平衡因子指数集合;
在本实施例中,需要说明的是,所述平衡因子指数集合为(Threshold-β,0),其中,Threshold为所述预设曝光阈值,β为所述曝光未点击量,其中,一所述曝光未点击量对应一所述平衡因子指数集合。
步骤S222,分别在各所述平衡因子指数集合中选取最大值作为平衡因子指数,并分别将各所述平衡因子指数代入预设平衡因子计算公式,计算各所述平衡因子。
在本实施例中,需要说明的是,所述预设平衡因子计算公式如下所示:
F=eMax(Threshold-β,0)
其中,F为所述平衡因子,Threshold为曝光阈值,可由用户自行设置,β为所述曝光未点击量,Max(Threshold-β,0)为所述平衡因子指数。
步骤S23,基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。
在本实施例中,基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率,具体地,获取初始曝光点击量和初始曝光未点击量,进而将所述初始曝光点击量、初始曝光未点击量、各所述平衡因子、各所述曝光点击量和各所述曝光未点击量分别代入预设点击率计算公式计算各所述个性化点击率,其中,所述预设点击率计算公式如下所示:
CTR=Beta(α0+α*F,β0+β*F)
其中,CTR为所述个性化点击率,Beta为贝塔分布符号,α为所述曝光点击量,β为所述曝光未点击量,F为所述平衡因子,α0为用户自行设置的初始曝光点击量,β0为用户自行设置的初始曝光未点击量,其中,α0和β0均用于平滑个性化点击率预测冷启动时的预估值,其中,所述平衡因子用于防止在低曝光量时,也即,在曝光量小于所述预设曝光阈值时,CTR的方差过大,进而导致所述个性化点击率预测的准确度过低,而在曝光量小于所述预设曝光阈值时,所述曝光未点击量小于所述预设曝光阈值,进而所述平衡因子指数是大于0的,进而所述平衡因子是大于1的,基于所述预设点击率计算公式,若平衡因子F大于1,则曝光点击量α和所示曝光未点击量β均乘上F,可减小所述个性化点击率CTR计算时的方差,进而提高了所述个性化点击率预测的准确度。
本实施例通过获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量,进而基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子,进而基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。也即,本实施例在获取各所述待选取消息对应的曝光量数据,之后,所述曝光量数据包括曝光点击量和曝光未点击量,进而基于各所述曝光未点击量和预设曝光阈值,进行了各所述平衡因子的计算,进而基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式进行各所述个性化点击率的计算。也即,本申请提供了一种通过构造平衡因子计算所述个性化点击率的方法,进而在曝光量低时,将所述预设点击率计算公式中的曝光点击量与所述曝光未点击量均乘上平衡因子,且由于在曝光量低时,所述平衡因子大于1,进而减小了所述个性化点击率计算时的方差,避免了消息点击率策略过于震荡的情况发生,进而导致消息点击率预测点击率低的情况发生,进而提高了消息点击率预测的准确度,所以,为解决消息点击率预测准确度低的技术问题奠定了基础。
进一步地,参照图3,基于本申请中第一实施例和第二实施例,在本申请的另一实施例中,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤之后包括:
步骤S30,基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果;
在本实施例中,基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果,具体地,在各所述个性化点击率中,选取超过预设点击率阈值的一个或者多个目标点击率,进而在各所述待选取消息中选取各所述目标点击率对应的目标推送消息,进而基于预设推送曝光计划,将各所述目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果,例如,假设所述预设推送曝光计划为将目标推送消息A在腾讯视频体育类节目栏首页向用户a进行推送曝光,则将所述目标推送消息在用户a的腾讯视频体育类节目栏首页进行推送曝光,且若用户在预设时间段内点击了所述目标推送消息,则所述推送曝光结果为曝光点击量累加1,若用户在所述预设时间段内未点击所述目标推送消息,则所述推送曝光结果为曝光未点击量累加1。
其中,所述基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光的步骤包括:
步骤S31,基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表;
在本实施例中,基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表,具体地,基于各所述个性化点击率的大小,以所述个性化点击率从大到小的顺序对各所述待选取消息进行排序,获得待选取消息列表。
步骤S32,在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光。
在本实施例中,在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光,具体地,基于预设消息推送曝光数量,在所述待选取消息列表中提取所述个性化点击率排名前列的对应数量的目标推送消息,并将各所述目标推送消息在各自对应的预设消息平台进行推送曝光,其中,所述预设消息平台包括腾讯视频、百度网页等。
步骤S40,基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。
在本实施例中,基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新,具体地,判断各所述推送曝光结果的类型,若所述推送曝光结果属于第一类型,则表明用户点击了所述推送曝光结果对于的目标推送消息,进而将所述预设数据池中对应的曝光点击量累加1,若所述推送曝光结果属于第二类型,则表明用户未点击所述推送曝光结果对于的目标推送消息,进而将所述预设数据池中对应的曝光未点击量累加1,进而实现了对所述预设数据池的实时更新,进而基于实时更新后的所述预设数据池,进行下一次所述个性化点击率的实时预测和所述预设数据池的再次实时更新,进而实现了基于实时数据预测所述个性化点击率的目的。
其中,在步骤S40中,所述预设数据池包括一个或者多个所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量,
所述基于各所述推送曝光结果,对所述预设数据池进行实时更新的步骤包括:
步骤S41,确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新;
在本实施例中,需要说明的是,所述推送曝光结果包括用户是否点击对应的所述目标推送消息,例如,用户对所述目标推送消息进行了评价,评价内容为表示非常喜欢所述目标推送消息中的产品,则此时所述推送曝光结果即为用户的评价内容,也即,所述推送曝光结果属于预设第一类型结果。
确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新,具体地,判断各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则表明所述推送曝光结果为用户点击了对应的所述目标推送消息,进而对所述推送曝光结果对应的所述曝光点击量累加1,以更新所述预设数据池。
步骤S42,若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新。
在本实施例中,若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新,具体地,若所述推送曝光结果属于预设第二类型结果,则表明所述推送曝光结果为用户未点击对应的所述目标推送消息,进而对所述推送曝光结果对应的所述曝光未点击量累加1,以更新所述预设数据池,其中,所述消息包括广告,如图4所示为本实施中个性化点击率实时预测流程的示意图,其中,请求为所述预测请求信息对应的预测请求,用户聚类为所述用户特征编码对应的用户特征,素材编号为所述消息特征编码的广告特征,展示位置为所述上下文特征编码对应的上下文特征,arm1至armN均为所述待选取广告编号,cluster+adid+adpos为所述特征编码组合,数据池为所述预设数据池,CTR为所述个性化点击率,创意排序的过程选取所述目标推送广告的过程,广告竞价为与其他公司竞拍广告位的过程,若竞拍成功,则进行广告推送曝光,若竞拍失败,则结束本次所述个性化点击率预测流程。
本实施例通过基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果,进而基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。也即,本实施例基于个所述个性化点击率,在各所述待选取消息中选取目标推送消息进行推送曝光,且通过收集推送曝光结果实时更新所述预设数据池,进而基于实时更新的数据池,可持续进行所述个性化点击率的实时更新和预设数据池的实时更新。也即,本实施例在每一次进行消息推送时,均会收集消息推送结果,进而所述消息推送结果进行所述预设数据池的实时更新,进而可基于实时更新的预设数据池进行个性化点击率的实时预测,进而避免了基于具有时间滞后性的数据进行消息点击率的预测,而导致消息点击率预测不准确的情况发生,进而提高了消息点击率预测的准确度,所以,解决了消息点击率预测准确度低的技术问题。
参照图5,图5是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图5所示,该个性化点击率实时预测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该个性化点击率实时预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图5中示出的个性化点击率实时预测设备结构并不构成对个性化点击率实时预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及个性化点击率实时预测程序。操作***是管理和控制个性化点击率实时预测设备硬件和软件资源的程序,支持个性化点击率实时预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与个性化点击率实时预测***中其它硬件和软件之间通信。
在图5所示的个性化点击率实时预测设备中,处理器1001用于执行存储器1005中存储的个性化点击率实时预测程序,实现上述任一项所述的个性化点击率预测方法的步骤。
本申请个性化点击率实时预测设备具体实施方式与上述个性化点击率预测方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种个性化点击率实时预测装置,所述个性化点击率实时预测装置应用于个性化点击率实时预测设备,所述个性化点击率实时预测装置包括:
检索模块,用于获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息;
预测模块,用于计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。
可选地,所述预测模块包括:
获取单元,用于获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量;
第一计算单元,用于基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子;
第二计算单元,用于基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。
可选地,所述第一计算单元包括:
第一计算子单元,用于计算各所述曝光未点击量和所述预设曝光阈值的差值,以获取各所述差值对应的平衡因子指数集合;
第二计算子单元,用于分别在各所述平衡因子指数集合中选取最大值作为平衡因子指数,并分别将各所述平衡因子指数代入预设平衡因子计算公式,计算各所述平衡因子。
可选地,所述个性化点击率实时预测装置还包括:
推送模块,用于基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果;
更新模块,用于基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。
可选地,所述推送模块包括:
排序单元,用于基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表;
推送单元,用于在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光。
可选地,所述更新模块包括:
第一更新单元,用于确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新;
第二更新单元,用于若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新。
可选地,所述检索模块包括:
组合单元,用于获取各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码,并对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合,获得各特征编码组合,其中,一所述特征编码组合包括一所述用户特征编码、一所述消息特征编码和一所述上下文特征编码;
检索单元,用于基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,其中,一所述特征编码组合对应一所述待选取消息。
可选地,所述个性化点击率实时预测装置还包括:
转化模块,用于获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵;
聚类模块,用于基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇;
编码模块,用于基于预设编码规则,对各所述用户聚类簇进行编码,获得各所述用户特征编码。
本申请个性化点击率实时预测装置的具体实施方式与上述个性化点击率预测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种可读存储介质,且所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的个性化点击率预测方法的步骤。
本申请可读存储介质具体实施方式与上述个性化点击率预测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种个性化点击率预测方法,其特征在于,所述个性化点击率预测方法包括:
获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息;
计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率。
2.如权利要求1所述个性化点击率预测方法,其特征在于,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤包括:
获取各所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量;
基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子;
基于各所述平衡因子、各所述曝光点击量和各所述曝光未点击量,通过预设点击率计算公式计算各所述个性化点击率。
3.如权利要求2所述个性化点击率预测方法,其特征在于,所述基于各所述曝光未点击量和预设曝光阈值,计算各所述平衡因子的步骤包括:
计算各所述曝光未点击量和所述预设曝光阈值的差值,以获取各所述差值对应的平衡因子指数集合;
分别在各所述平衡因子指数集合中选取最大值作为平衡因子指数,并分别将各所述平衡因子指数代入预设平衡因子计算公式,计算各所述平衡因子。
4.如权利要求1所述个性化点击率预测方法,其特征在于,所述计算各所述待选取消息对应的平衡因子,并基于各所述平衡因子预测各所述待选取消息对应的个性化点击率的步骤之后包括:
基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光,并收集各所述目标推送消息对应的推送曝光结果;
基于各所述推送曝光结果,对所述预设数据池进行实时更新,以基于实时更新后的所述预设数据池,持续进行所述个性化点击率的实时预测和所述预设数据池的实时更新。
5.如权利要求4所述个性化点击率预测方法,其特征在于,所述基于各所述个性化点击率,在各待选取消息中选取目标推送消息进行推送曝光的步骤包括:
基于各所述个性化点击率,对各所述待选取消息进行排序,获得待选取消息列表;
在所述待选取消息列表中选取一个或者多个目标推送消息,并分别将各所述目标推送消息在各自对应的预设消息平台进行推送曝光。
6.如权利要求4所述个性化点击率预测方法,其特征在于,所述预设数据池包括一个或者多个所述待选取消息对应的曝光量数据,其中,所述曝光量数据包括曝光点击量和曝光未点击量,
所述基于各所述推送曝光结果,对所述预设数据池进行实时更新的步骤包括:
确定各所述推送曝光结果的类型,若所述推送曝光结果属于预设第一类型结果,则对所述推送曝光结果对应的所述曝光点击量进行更新;
若所述推送曝光结果属于预设第二类型结果,则对所述推送曝光结果对应的所述曝光未点击量进行更新。
7.如权利要求1所述个性化点击率预测方法,其特征在于,所述预测请求信息包括一个或者多个用户特征编码、一个或者多个消息特征编码和一个或者多个上下文特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤包括:
获取各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码,并对各所述用户特征编码、各所述消息特征编码和各所述上下文特征编码进行组合,获得各特征编码组合,其中,一所述特征编码组合包括一所述用户特征编码、一所述消息特征编码和一所述上下文特征编码;
基于各所述特征编码组合,分别在所述预设数据池中检索各所述特征编码组合对应的各待选取消息,其中,一所述特征编码组合对应一所述待选取消息。
8.如权利要求1所述个性化点击率预测方法,其特征在于,所述预测请求信息包括一个或者多个用户特征编码,
所述获取预测请求信息,并在预设数据池中检索所述预测请求信息对应的各待选取消息的步骤之前包括:
获取各预设待推送用户对应的用户画像数据,并将各所述用户画像数据转化为预设模式的用户特征表示矩阵;
基于所述用户特征表示矩阵,对各所述预设待推送用户进行聚类,获得一个或者多个用户聚类簇;
基于预设编码规则,对各所述用户聚类簇进行编码,获得各所述用户特征编码。
9.一种个性化点击率实时预测设备,其特征在于,所述个性化点击率实时预测设备包括:存储器、处理器以及存储在存储器上的用于实现所述个性化点击率预测方法的程序,
所述存储器用于存储实现个性化点击率预测方法的程序;
所述处理器用于执行实现所述个性化点击率预测方法的程序,以实现如权利要求1至8中任一项所述个性化点击率预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现个性化点击率预测方法的程序,所述实现个性化点击率预测方法的程序被处理器执行以实现如权利要求1至8中任一项所述个性化点击率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128117.3A CN111311015A (zh) | 2020-02-28 | 2020-02-28 | 个性化点击率预测方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128117.3A CN111311015A (zh) | 2020-02-28 | 2020-02-28 | 个性化点击率预测方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311015A true CN111311015A (zh) | 2020-06-19 |
Family
ID=71147861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010128117.3A Pending CN111311015A (zh) | 2020-02-28 | 2020-02-28 | 个性化点击率预测方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311015A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706228A (zh) * | 2021-11-01 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 多媒体信息播放控制方法、装置、电子设备和存储介质 |
CN114662008A (zh) * | 2022-05-26 | 2022-06-24 | 上海二三四五网络科技有限公司 | 基于点击位置因素改进的ctr热门内容计算方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050077241A (ko) * | 2004-02-10 | 2005-08-01 | 엔에이치엔(주) | 검색자의 검색 요청에 응답하여 검색 결과 목록을생성하고 검색어 광고를 제공하는 방법 및 검색어 광고제공 시스템 |
KR100627160B1 (ko) * | 2004-08-25 | 2006-09-25 | 엔에이치엔(주) | 키워드 광고를 위한 광고 소재 추천 방법 및 광고 소재추천 시스템 |
KR20090014684A (ko) * | 2007-08-06 | 2009-02-11 | 엔에이치엔(주) | 순위지수를 이용하여 광고 노출 및 과금을 수행하는 방법및 시스템 |
US20100250335A1 (en) * | 2009-03-31 | 2010-09-30 | Yahoo! Inc | System and method using text features for click prediction of sponsored search advertisements |
CN107481043A (zh) * | 2017-08-02 | 2017-12-15 | 北京品友互动信息技术股份公司 | 用于广告点位探测的方法及装置 |
CN109189951A (zh) * | 2018-07-03 | 2019-01-11 | 上海掌门科技有限公司 | 一种多媒体资源推荐方法、设备及存储介质 |
WO2019019396A1 (zh) * | 2017-07-24 | 2019-01-31 | 上海壹账通金融科技有限公司 | 推送结果预测方法、装置、计算机设备和存储介质 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
-
2020
- 2020-02-28 CN CN202010128117.3A patent/CN111311015A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050077241A (ko) * | 2004-02-10 | 2005-08-01 | 엔에이치엔(주) | 검색자의 검색 요청에 응답하여 검색 결과 목록을생성하고 검색어 광고를 제공하는 방법 및 검색어 광고제공 시스템 |
KR100627160B1 (ko) * | 2004-08-25 | 2006-09-25 | 엔에이치엔(주) | 키워드 광고를 위한 광고 소재 추천 방법 및 광고 소재추천 시스템 |
KR20090014684A (ko) * | 2007-08-06 | 2009-02-11 | 엔에이치엔(주) | 순위지수를 이용하여 광고 노출 및 과금을 수행하는 방법및 시스템 |
US20100250335A1 (en) * | 2009-03-31 | 2010-09-30 | Yahoo! Inc | System and method using text features for click prediction of sponsored search advertisements |
WO2019019396A1 (zh) * | 2017-07-24 | 2019-01-31 | 上海壹账通金融科技有限公司 | 推送结果预测方法、装置、计算机设备和存储介质 |
CN107481043A (zh) * | 2017-08-02 | 2017-12-15 | 北京品友互动信息技术股份公司 | 用于广告点位探测的方法及装置 |
CN109189951A (zh) * | 2018-07-03 | 2019-01-11 | 上海掌门科技有限公司 | 一种多媒体资源推荐方法、设备及存储介质 |
CN110069713A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于用户上下文感知的个性化推荐方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706228A (zh) * | 2021-11-01 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 多媒体信息播放控制方法、装置、电子设备和存储介质 |
CN113706228B (zh) * | 2021-11-01 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 多媒体信息播放控制方法、装置、电子设备和存储介质 |
CN114662008A (zh) * | 2022-05-26 | 2022-06-24 | 上海二三四五网络科技有限公司 | 基于点击位置因素改进的ctr热门内容计算方法及装置 |
WO2023226353A1 (zh) * | 2022-05-26 | 2023-11-30 | 上海二三四五网络科技有限公司 | 基于点击位置因素改进的ctr热门内容计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970463B2 (en) | System and method for optimizing electronic document layouts | |
CN110781321B (zh) | 一种多媒体内容推荐方法及装置 | |
CN110149540B (zh) | 多媒体资源的推荐处理方法、装置、终端及可读介质 | |
WO2021135562A1 (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
CN106649681B (zh) | 一种数据处理方法、装置及设备 | |
US20200233924A1 (en) | Generating user experience interfaces by integrating analytics data together with product data and audience data in a single design tool | |
JP2010517193A (ja) | 電子ネットワークにおいてコンテンツを効果的にクライアント装置に提供するためのシステム及び方法 | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
CN112699309A (zh) | 资源推荐方法、装置、可读介质以及设备 | |
CN111311015A (zh) | 个性化点击率预测方法、设备及可读存储介质 | |
Song | Web service reliability prediction based on machine learning | |
CN112070564A (zh) | 广告拉取方法、装置、***与电子设备 | |
CN111932314A (zh) | 推荐内容的推送方法、装置、设备及可读存储介质 | |
CN110708361B (zh) | 数字内容发布用户的等级确定***、方法、装置及服务器 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN108537570B (zh) | 一种信息曝光方法及装置 | |
CN111340561A (zh) | 信息点击率的计算方法、装置、设备及可读存储介质 | |
CN115422467A (zh) | 用于转化评估的方法、装置、设备和存储介质 | |
CN111191142B (zh) | 一种电子资源推荐方法、装置和可读介质 | |
JP2024502609A (ja) | 学習したユーザコンテキストと対話とに基づいたアンビエント情報、ならびに関連するシステムおよびデバイスの提供 | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
CN115221307A (zh) | 一种文章识别方法、装置、计算机设备及存储介质 | |
CN114331486A (zh) | 一种用户画像更新方法、装置、设备和介质 | |
CN113111251A (zh) | 项目推荐方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |