CN113706211A - 基于神经网络的广告点击率预测方法及*** - Google Patents
基于神经网络的广告点击率预测方法及*** Download PDFInfo
- Publication number
- CN113706211A CN113706211A CN202111016975.XA CN202111016975A CN113706211A CN 113706211 A CN113706211 A CN 113706211A CN 202111016975 A CN202111016975 A CN 202111016975A CN 113706211 A CN113706211 A CN 113706211A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- features
- user
- target
- embedding
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000007499 fusion processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012384 transportation and delivery Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 20
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0249—Advertisements based upon budgets or funds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术，本发明提出一种基于神经网络的广告点击率预测方法及***，该方法包括：获取目标用户的历史广告特征和目标广告的属性特征，其中，历史广告特征包括目标用户的基础信息、目标用户与目标产品之间的历史购买信息，目标广告用于推广目标产品；将所述历史广告特征、所述属性特征输入到点击预测模型中，依次进行嵌入稠密处理和交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。本发明实施例将用户特征和广告特征进行融合，从不同层面挖掘用户信息和广告信息，克服了现有技术中高维稀疏特征数据缺失导致预测精度下降的问题，提高用户对广告的预测精度。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于神经网络的广告点击率预测方法及***。
背景技术
随着互联网的快速普及及发展，利用互联网进行在线广告推广产品已经成为了一种非常重要的营销方式。广告点击率是指广告点击次数与广告展示次数的比率，广告点击率越高，说明用户对该广告越感兴趣，正确预测广告点击率是实现产品精准营销的重要手段，也是反映广告投放效果和评估广告转换率的重要指标。因此，实现广告点击率的正确预测具有十分重要的现实意义。
现有的广告点击预测基本是将检测的数据输入深度学习模型进行概率预测，这种概率的预测经常会根据深度学习的具体结构有关，该模型框架基本上需要将低维特征映射到高维空间中，在处理过程中往往会存在数据的缺失和不恰当处理，不能满足数据特征信息的全面性，从而大大降低了广告点击率预测的可靠性。
因此，亟需一种可靠性高的广告点击率预测方法。
发明内容
本发明提供一种基于神经网络的广告点击率预测方法及***，其主要目的在于提高对广告点击率的预测精度，以便用户能合理规划广告投放策略。
第一方面，本发明实施例提供一种基于神经网络的广告点击率预测方法，包括：
获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。
所述将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，具体包括：
对所述历史广告特征和所述属性特征分别进行嵌入稠密处理，分别得到用户嵌入特征和广告嵌入特征；
对所述用户嵌入特征和所述广告嵌入特征进行交叉融合和平均池化，获取融合特征；
根据所述融合特征，预测所述目标用户对所述目标广告的点击率。
优选地，所述对所述历史广告特征和所述属性特征分别进行嵌入稠密处理，分别得到用户嵌入特征和广告嵌入特征，包括：
将所述历史广告特征中的高维稀疏特征映射为用户稠密特征；和/或，将所述目标广告的属性特征中高维稀疏特征映射为广告稠密特征；
将所述历史广告特征中的用户连续特征进行归一化，获取归一化后的用户连续特征；和/或，将所述属性特征中的广告连续特征进行归一化，获取归一化后的广告连续特征；
将所述用户稠密特征和归一化后的用户连续特征进行拼接，得到用户拼接特征；和/或，将所述广告稠密特征和归一化后的广告连续特征进行拼接，得到广告拼接特征；
分别对所述用户拼接特征和/或所述广告拼接特征进行多层嵌入，获取用户嵌入特征和所述广告嵌入特征。
优选地，所述分别对所述用户拼接特征和/或所述广告拼接特征进行多层嵌入，获取用户嵌入特征和所述广告嵌入特征，具体计算公式如下：
其中，xuser表示所述用户拼接特征，xitem表示所述广告拼接特征，
表示所述用户嵌入特征中的第i个元素，
表示所述广告嵌入特征中的第i个元素，
表示预设用户嵌入矩阵中的第i个元素，
表示预设广告嵌入矩阵中的第i个元素，m表示嵌入到子空间的个数。
优选地，所述根据所述融合特征，预测所述目标用户对所述目标广告的点击率，包括：
将所述融合特征输入到全连接层中，将全连接层的输出通过激活函数，得到所述点击率。
所述用户样本和所述广告样本的获取方法包括：
获取初始用户样本和初始广告样本；
采用预设规则分别对所述初始用户样本和初始广告样本进行处理，得到用户样本和广告样本，其中，所述预设规则包括依次进行最近邻算法的缺失值填补和分层采样。
优选地，还包括：
根据所述点击率和所述目标广告的投放价格，获取所述目标广告的综合得分；
根据所述综合得分，判断是否投放所述目标广告。
第二方面，本发明实施例提供一种基于神经网络的广告点击率预测***，包括：
特征获取模块，用于获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
预测模块，用于将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于神经网络的广告点击率预测方法的步骤。
第四方面，本发明实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于神经网络的广告点击率预测方法的步骤。
本发明提出的基于神经网络的广告点击率预测方法及***，该方法采用神经网络模型对历史广告特征和属性特征进行嵌入稠密处理，通过嵌入稠密处理，得到稠密向量表示的用户嵌入特征和广告嵌入特征，稠密向量相对高维稀疏向量而言，大部分维度的样本是有效的，从而克服了现有技术中高维稀疏向量数据缺失导致预测精度下降的问题；并在前面单独对用户的历史广告特征、属性特征进行稠密处理的基础上，将用户特征和广告特征进行融合、多层嵌入处理，可以从不同层面挖掘用户和广告的信息，从而提高了数据处理的全面性，又充分融合用户和广告信息，进一步提高用户对广告的预测精度。
附图说明
图1为本发明实施例提供的一种基于神经网络的广告点击率预测方法的应用场景图；
图2为本发明实施例提供的一种基于神经网络的广告点击率预测方法的流程图；
图3为本发明实施例中点击预测模型的结构示意图；
图4为基于本发明实施例提供的一种基于神经网络的广告点击率预测方法的广告竞价投放***的架构图；
图5为本发明实施例提供的一种基于神经网络的广告点击率预测***的结构示意图；
图6为本发明实施例提供的一种计算机设备的结构示意图。
本发明目的的实现、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发明，并不用于限定本发明。
图1为本发明实施例提供的一种基于神经网络的广告点击率预测方法的应用场景图，如图1所示，客户端采集目标用户的历史广告特征和目标广告的属性特征，并将目标用户的历史广告特征和目标广告的属性特征发送给服务端，服务端接收该目标用户的历史广告特征和目标广告的属性特征后，执行该基于神经网络的广告点击率预测方法，预测出目标用户对目标广告的点击率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
需要说明的是，服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
客户端可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。客户端和服务端可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明实施例在此不做限制。
图2为本发明实施例提供的一种基于神经网络的广告点击率预测方法的流程图，如图2所示，该方法包括：
S1，获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
针对目标用户和目标广告，当需要判断目标用户点击目标广告的概率时，首先先输入目标用户和目标广告的基本信息，然后提取出与目标用户有关的信息以及与广告有关的属性信息，该信息称为目标用户的历史广告特征，所谓历史广告特征描述的是该目标用户的一些基础信息和过去与该广告有关的一些信息，用户的基础信息包括用户年龄、性别、职业、地域等信息，而与广告有关的信息具体根据广告类别而不同，举例地，如果该广告的目标产品是车险，那么该用户与车险有关的历史购买信息就包括所拥有车辆的品牌、车龄、历史车辆理赔信息、车辆保险、保险金额、投保时间和车辆里程等信息；如果该广告的目标产品是保险，那么用户与保险有关的历史购买信息就包括该用户的婚姻状态、投保产品、保费、保额、保险起期和保险止期等信息。可见，不同的目标广告对应的目标用户的历史广告特征不相同，具体可以根据实际情况进行确定，本发明实施例在此不再一一说明。
目标广告的属性特征包括目标广告的一些基础信息，比如广告时长、广告所属类别、广告质量、广告受众人群、广告产品的售价、广告产品的历史点击率等特征，具体可以根据实际情况进行确定。
S2，将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。
具体地，将该目标用户的历史广告特征、目标广告的属性特征输入到点击预测模型中，该点击预测模型对历史广告特征、属性特征进行嵌入稠密处理和交叉融合处理，嵌入稠密处理是指分别将历史广告特征和属性特征中的高维稀疏特征映射为稠密向量，并与连续特征进行拼接，以此克服现有技术中高维稀疏向量数据缺失导致预测精度下降的问题。
交叉融合处理是只在前面单独对用户的历史广告特征、属性特征进行稠密处理的基础上，将用户特征和广告特征进行融合，可以从不同层面挖掘用户信息和广告信息，又充分融合用户信息和广告信息，从而可以进一步提高用户对广告的预测精度。
需要说明的是，点击预测模型为神经网络模型，常见的神经网络模型的结构有BP神经网络模型、卷积神经网络等，具体可以根据实际需要进行选择，本实施例在此不做具体的限定。
一般地，在点击预测模型使用之前，需要先对其进行训练，神经网络的训练需要先定义神经网络的结构和前向传播的输出结果，然后定义损失函数和选择反向传播优化算法，并在训练数据上反复运行反向传播优化算法，其训练数据为用户样本的历史广告特征、广告样本的属性特征和标签，所谓的标签是指用户样本在广告样本的点击率。
训练的过程在于确定出点击预测模型最合适的参数，当点击预测模型中各个结构的参数确定之后，该点击预测模型就具有对广告点击率的预测能力，当需要进行预测时，直接将目标用户的历史广告特征和目标广告的属性特征输入到点击预测模型中，就可以得到目标用户对目标广告的点击率。
本发明实施例提供一种广告点击预测方法，该方法采用神经网络模型对历史广告特征和属性特征进行嵌入稠密处理，通过嵌入稠密处理，得到稠密向量表示的用户嵌入特征和广告嵌入特征，稠密向量相对高维稀疏向量而言，大部分维度的样本是有效的，从而克服了现有技术中高维稀疏向量数据缺失导致预测精度下降的问题；并在前面单独对用户的历史广告特征、属性特征进行稠密处理的基础上，将用户特征和广告特征进行融合、多层嵌入处理，可以从不同层面挖掘用户和广告的信息，从而提高了数据处理的全面性，又充分融合用户和广告信息，进一步提高用户对广告的预测精度。
所述将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，具体包括：
对所述历史广告特征和所述属性特征分别进行嵌入稠密处理，分别得到用户嵌入特征和广告嵌入特征；
对所述用户嵌入特征和所述广告嵌入特征进行交叉融合和平均池化，获取融合特征；
根据所述融合特征，预测所述目标用户对所述目标广告的点击率。
具体地，对历史广告特征进行嵌入稠密处理，获取用户嵌入特征；对属性特征进行嵌入稠密处理，获取广告嵌入特征；对用户嵌入特征和广告嵌入特征进行交叉融合和平均池化，获取融合特征；根据融合特征，预测目标用户对目标广告的点击率。
对历史广告特征进行嵌入稠密处理，得到用户嵌入特征，对属性特征进行嵌入稠密处理，得到广告嵌入特征。
需要说明的是，嵌入稠密处理指将特征映射成一个稠密向量，嵌入是指将数据转换(降维)为固定大小的特征表示(矢量)，以便于处理和计算(如求距离)，经过嵌入稠密处理后得到的用户嵌入特征和广告嵌入特征是一个稠密向量，稠密向量是相对稀疏向量而言的，稀疏向量中大部分维度的样本值为0，有效样本值只有很小的一部分，与此相对应的是，稠密向量中大部分维度的样本值都是有效的，因此，将特征映射为稠密向量不会存在现有技术中数据缺失的问题。一般类别特征经过独热编码后比较稀疏，经过嵌入稠密处理，得到比较稠密的用户嵌入特征和广告嵌入特征，避免了直接输入稀疏特征而导致的维度***问题。
然后对用户嵌入特征和广告嵌入特征进行交叉融合和平均池化处理，得到融合特征，特征的交叉融合可以充分结合用户嵌入特征与广告嵌入特征的优势，从不同层面挖掘用户信息和广告信息，充分融合用户信息和广告信息，提高用户对广告的预测精度。
然后根据该融合特征，预测目标用户对目标广告的点击率。
本发明实施例对原有的历史广告特征和属性特征进行嵌入稠密处理，由于类别特征经过独热编码后比较稀疏，经过嵌入稠密处理，得到比较稠密的用户嵌入特征和广告嵌入特征，避免了现有技术中将低维向量映射到高维空间过程中数据缺失的问题，同时也克服了直接输入稀疏特征而导致的维度***问题；另外，通过对用户嵌入特征和广告嵌入特征进行交叉融合处理，可以充分结合用户信息与广告信息的优势，提高预测精度。
具体地，将历史广告特征中的高维稀疏特征映射为用户稠密特征；将所述广告特征中的用户连续特征进行归一化，获取归一化后的用户连续特征；将用户稠密特征和归一化后的用户连续特征进行拼接，得到用户拼接特征；对用户拼接特征进行多层嵌入，获取用户嵌入特征。
高维稀疏特征可以理解为低维稠密特征映射到了高维空间，高维稀疏特征中存在着许多的0，0的数量远远大于其它值的数量，高维稀疏特征一般为类别特征，通常用one-hot表达，数学形式上是一个向量。
首先将历史广告特征中的高维稀疏特征映射为用户稠密特征，并将历史广告特征中的连续特征进行归一化即可，将用户稠密特征和归一化后的用户连续特征进行拼接，得到用户拼接特征，用户拼接特征记为xuser。
还需要说明的是，将高维稀疏特征与预设转换矩阵进行相乘，即可得到用户稠密特征。以表示1024个独立的词为例进行说明，高维稀疏特征用one-hot表示，就是1024维，优点是各个维度相互正交，余弦相似度为0。稠密向量表示维度要低于1024维，最小为10维，也就是二进制编码表示。
为了进一步挖掘用户的特征，需要对用户拼接特征做一个多层嵌入，其主要思想是将用户嵌入特征投影到m个不同的子空间中，得到用户嵌入的不同表示，计算公式如下：
其中，xuser表示所述用户拼接特征，
表示所述用户嵌入特征中的第i个元素，
表示预设用户嵌入矩阵中的第i个元素。
通过对用户的历史广告特征进行多层嵌入的处理，充分挖掘了用户中所包含的信息，从不同层面挖掘历史广告特征中存在的用户信息，从而提高了点击率的预测精度。
具体地，将目标广告的属性特征中高维稀疏特征映射为广告稠密特征；将属性特征中的广告连续特征进行归一化，获取归一化后的广告连续特征；将广告稠密特征和归一化后的广告连续特征进行拼接，得到广告拼接特征；对广告拼接特征进行多层嵌入，获取广告嵌入特征。
同理，将属性特征中的高维稀疏特征映射为广告稠密特征，并将属性特征中的连续特征进行归一化即可，将广告稠密特征和归一化后的广告连续特征进行拼接，得到广告拼接特征，广告拼接特征记为xitem，该特征用一个向量表示。
为了进一步挖掘广告的特征，需要对广告拼接特征做一个多层嵌入，其主要思想是将广告嵌入特征投影到m个不同的子空间中，得到广告嵌入的不同表示，计算公式如下：
其中，xitem表示所述广告拼接特征，
表示所述广告嵌入特征中的第i个元素，
表示预设广告嵌入矩阵中的第i个元素。
通过对广告的属性特征进行多层嵌入的处理，从不同层面挖掘属性特征中存在的广告信息，充分挖掘了广告中所包含的信息，从而提高了点击率的预测精度。
利用上述方法得到用户嵌入特征和广告嵌入特征后，对用户嵌入特征
和广告嵌入特征
进行融合，具体融合方式如下：
其中，
表示融合后的用户嵌入特征第i个元素，
表示融合后的广告嵌入特征第i个元素，j、m、k均为正整数，e表示单位矩阵，
表示用户嵌入特征中的第i个元素，
表示广告嵌入特征中的第i个元素。
接下来将融合后特征的做一个平均池化(即求平均值)，得到融合特征：
其中，
表示平均池化后的用户融合特征，
表示平均池化后的广告融合特征。
在上述实施例的基础上，优选地，所述根据所述融合特征，预测所述目标用户对所述目标广告的点击率，包括：
将所述融合特征输入到全连接层中，将全连接层的输出通过激活函数，得到所述点击率。
在具体实施过程中，将融合特征输入到输出层中，该输出层为全连接网络，然后连接一个激活函数，引入激活函数的目的是：由于数据分布绝大部分是非线性的，而一般神经网络的计算是线性的，通过引入激活函数，可以使得神经网络能模拟非线性数据分布，强化网络的学习能力。所以激活函数的最大特点就是非线性。常见的几种激活函数有：Sigmoid函数、tanh函数和ReLU函数，具体根据模拟数据的分布特性进行选择，本发明实施例中，选用Sigmoid函数作为激活函数。
将输出层输出的数据通过sigmoid激活函数，得到该用户对广告的点击率，输出层计算公式如下：
其中，y表示点击率，FCN表示全卷积网络，xuser表示用户拼接特征，xitem表示广告拼接特征，
表示平均池化后的用户融合特征，
表示平均池化后的广告融合特征。
图3为本发明实施例中点击预测模型的结构示意图，如图3所示，在具体实施过程中，该点击预测模型由嵌入层310、交互层320和输出层330三个层组成，嵌入层又包括两个并列独立的用户嵌入单元311和广告嵌入单元312，用户嵌入单元用来对用户的历史广告特征进行嵌入处理，广告嵌入单元用来对广告的属性特征进行嵌入处理。嵌入层、交互层和输出层按照顺序依次连接，最后连接起来传递到sigmoid层。
具体地，嵌入层包括用户嵌入单元和广告嵌入单元，历史广告特征输入到用户嵌入单元，得到用户嵌入特征，目标广告的属性特征输入到广告嵌入单元，得到广告嵌入特征，嵌入层把用户和广告两部分分开处理，以便充分挖掘用户信息和广告信息。
将用户嵌入特征和广告嵌入特征输入交互层，得到融合特征，并将融合特征输入到输出层中，得到目标用户对该目标广告的点击率。
在上述实施例的基础上，优选地，所述用户样本和所述广告样本的获取方法包括：
获取初始用户样本和初始广告样本；
采用预设规则分别对所述初始用户样本和初始广告样本进行处理，得到用户样本和广告样本，其中，所述预设规则包括依次进行最近邻算法的缺失值填补和分层采样。
获取的初始用户样本和初始广告样本均为最原始的数据样本，其样本数据中存在很多噪声，并且在后续进行点击预测模型训练的应用上，也会面临部分特征数据缺失以及正负样本极度不均衡问题，这对后续点击预测模型的训练造成十分不好的影响，会造成训练后的点击预测模型精度不高。
采用最近邻算法的缺失值填补技术、分层采样技术依次对初始用户样本进行处理，得到用户样本；
采用最近邻算法的缺失值填补技术、分层采样技术依次对初始广告样本进行处理，得到广告样本。
本发明实施例中，采用最近邻算法(KNN)的缺失值填补技术对初始用户样本和初始广告中的数据进行填补，利用辅助变量(即无缺失值的变量)，定义样本间的距离函数，寻找与缺失值样本距离最近的K个无缺失值样本，利用这K个无缺失值样本的平均值或加权平均值来填补缺失数据。
然后采用分层采样技术分别对初始用户样本和初始广告样本数据进行聚类，将数量多的类别样本(负样本)进行聚类，从每个类别中按照比例随机抽取一定数量的样本，组成新的负样本集合，这样的采样可以极大程度保持样本的均衡分布，在正负样本均衡的前提下保证模型的预测效果。
需要说明的是，若做一个汽车的照片分类，正样本就是正确的汽车的图片，负样本就是不是汽车的图片。通过模型训练，可以告诉点击预测模型，那些是对的，哪些是错误的，对的就是正样本，错误的就是负样本。
本发明实施例在样本采集阶段，通过最近邻算法进行缺失值填补，通过分层采样技术对保证正样本和负样本在样本中的均衡程度，从而保证了点击预测模型的预测精度。
在上述实施例的基础上，优选地，还包括：
根据所述点击率和所述目标广告的投放价格，获取所述目标广告的综合得分；
根据所述综合得分，判断是否投放所述目标广告。
具体地，根据目标广告的投放价格，以及其它广告竞价，确定目标广告的价格权重，将目标广告的投放价格以权重的形式进行表示，方便对每个广告的得分进行统一。
利用目标广告的投放价格乘以点击率，即可得到目标广告的综合得分。
图4为基于本发明实施例提供的一种基于神经网络的广告点击率预测方法的广告竞价投放***的架构图，如图4所示，该***包括OBM410(Own Branding&Manufacturing，自有品牌生产)、DSP420(Demand-Side Platform，需求方平台)、DPP430(Data ProductPlatform，数据产品服务平台)和AEther440。
其中，OBM包括4种广告策略供用户进行选择，其中，策略1为默认广告，也就是打开默认广告界面；策略2为模型广告，即根据用户特征和广告特征，选出用户最可能点击的广告，策略3为公司定制策略，公司定制指的是针对特定企业或特殊用户展示定制化的界面。
对于特定客户(含新用户)直接采用模型广告策略及公司定制策略即可(这些默认广告或定制化广告提前制定好，直接展示即可)，对于一般用户采用策略2，需要后续进入DSP广告投放平台，结合用户特征和广告特征通过模型选出合适的广告。
DSP平台用于对广告进行管理，根据广告主的选择，将相应信息传送给DPP和OBM。
DPP用于查阅该用户所属人群包，获取DSP传入用户ID、素材信息、广告信息，封装预测模型的输入参数；
Ather建模平台用于根据用户ID、素材信息、广告信息，预测广告点击率。
终端1为某车辆管理APP，终端2为某广告管理APP，以投放车险为例进行说明，下面详细叙述在用户访问车辆管理APP查看到精准推送的广告流程中的具体实现过程，以及过程中涉及的算法模型。
一、用户访问车辆管理APP，***发出广告投放请求
当用户访问车辆管理APP，会触发OBM进行广告策略选择，一般会选择策略2，OBM会同时执行两个行为指令，一边向DSP发送策略2的广告请求，一边与DPP***内部连通查询登录用户所代表人群的历史广告特征。
二、DSP广告投放平台请求预测结果
广告主登录广告管理APP，会触发DSP平台获取目标广告的属性特征；且DSP接收到OBM策略2广告请求后，会打包广告和素材信息给DPP，即属性特征，属性特征与历史广告特征进行合并，发送给DPP，DPP去请求Aether数据分析建模平台部署的点击预测模型，得到预测结果。
广告素材：是指做广告的时候需要一些图片、视频之类的东西，也就是说一个广告是由多个广告素材组成；
广告运营：广告发起、规划和执行的全过程
竞价投放：由用户自主投放、自主管理、通过调整价格来进行排名，按照广告效果付费的新型网络广告形式。
三、AEther根据预测请求，结合用户ID、广告素材和人群特征等信息，得到实时点击率预测结果。
四、结合广告主竞价进行投放
DSP接收点击率和广告主竞价进行权重计算，得到目标广告的综合得分。
本实施例提供的广告竞价投放***具有如下优点：
1、在现有广告行业中众多广告投放平台目前支持广告主选择广告位，支持广告位竞价，但并不支持广告点击率预测，以及对广告受众人群的选择，这导致广告投放效果不够好。而本发明实施例提供的广告竞价投放***，在广告点击率预测的基础上，支持广告为竞价，并且可以根据综合得分选择广告合适的受众人群，实现对广告精准投放。
2、在现有广告资源的利用中，同一时段、同一资源位的使用，无法科学依据合理分配资源位使用，且无法科学预估投放效果，使得营销资源利用效率低；广告营销资源位的使用完全属于计划投放，按资源需求先后使用，缺乏市场化竞争，无法使资源位作为商品使其利益最大化。此套广告竞价投放***综合考虑了广告主、用户、流量方三方的权益，以千人千面的广告点击率预测模型为核心，在尽量保证流量方和广告主投放需求的前提下，把合适的广告推给其感兴趣的人群。
3、没有结合科学的算法模型预估广告点击率，没有结合人群画像圈选投放广告受众用户，使得用户看到的广告需求匹配低，导致点击率低，转化率低，且造成大量曝光资源位的浪费以及无效信息。而本广告竞价投放***通过项目搭建DSP标签体系，实现对用户提供千人千面的精准推荐能力；建设产险体系点击率预测模型以及开发模型，对广告主提供效果导向的智能投放能力；建设计算广告数据报表体系和优化策略，对平台提供自动化的广告运营决策服务能力。
图5为本发明实施例提供的一种基于神经网络的广告点击率预测***的结构示意图，如图5所示，该***包括特征获取模块510和预测模块520，其中：
特征获取模块510用于获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
预测模块520用于将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。
该实施例为与上述广告点击预测方法相对应的***实施例，其实施过程与上述方法实施例相同，详情请参考上述方法实施例，本***实施例在此不再赘述。
本发明提出的基于神经网络的广告点击率预测***，采用神经网络模型对历史广告特征和属性特征进行嵌入稠密处理和交叉融合处理，并与连续特征进行拼接，克服了现有技术中高维稀疏特征数据缺失导致预测精度下降的问题；并在前面单独对用户的历史广告特征、目标广告的属性特征进行稠密处理的基础上，将用户特征和广告特征进行融合，可以从不同层面挖掘用户和广告的信息，充分融合用户和广告信息，进一步提高用户对广告的预测精度。
具体地，该预测模块还包括用户嵌入模块、广告嵌入模块、融合模块和输出模块，其中：
所述用户嵌入模块用于对所述历史广告特征进行嵌入稠密处理，获取用户嵌入特征；
所述广告嵌入模块用于对所述属性特征进行嵌入稠密处理，获取广告嵌入特征；
所述融合模块用于对所述用户嵌入特征和所述广告嵌入特征进行交叉融合和平均池化，获取融合特征；
所述输出模块用于根据所述融合特征，预测所述目标用户对所述目标广告的点击率。
具体地，所述用户嵌入模块包括用户映射单元、用户归一化单元、用户拼接单元和用户嵌入单元，其中：
所述用户映射单元用于将所述历史广告特征中的高维稀疏特征映射为用户稠密特征；
所述用户归一化单元用于将所述历史广告特征中的用户连续特征进行归一化，获取归一化后的用户连续特征；
所述用户拼接单元用于将所述用户稠密特征和归一化后的用户连续特征进行拼接，得到用户拼接特征；
所述用户嵌入单元用于对所述用户拼接特征进行多层嵌入，获取用户嵌入特征。
具体地，所述广告嵌入模块包括广告映射单元、广告归一化单元、广告拼接单元和广告嵌入单元，其中：
所述广告映射单元用于将所述目标广告的属性特征中高维稀疏特征映射为广告稠密特征；
所述广告归一化单元用于将所述属性特征中的广告连续特征进行归一化，获取归一化后的广告连续特征；
所述广告拼接单元用于将所述广告稠密特征和归一化后的广告连续特征进行拼接，得到广告拼接特征；
所述广告嵌入单元用于对所述广告拼接特征进行多层嵌入，获取广告嵌入特征。
具体地，所述输出模块包括：
将所述融合特征输入到全连接层中，将全连接层的输出通过sigmoid函数，得到所述点击率。
具体地，所述预测模块中所述用户样本和所述广告样本通过如下方式获得：
获取初始用户样本和初始广告样本；
采用最近邻算法的缺失值填补技术、分层采样技术依次对所述初始用户样本进行处理，得到所述用户样本；
采用最近邻算法的缺失值填补技术、分层采样技术依次对所述初始广告样本进行处理，得到所述广告样本。
具体地，该广告点击预测***还包括综合模块和投放模块，其中：
所述综合模块用于根据所述点击率和所述目标广告的投放价格，获取所述目标广告的综合得分；
所述投放模块用于根据所述综合得分，判断是否投放所述目标广告。
本实施例为与上述基于神经网络的广告点击率预测方法相对应的***实施例，具体实施过程与上述方法实施例一致，详情请参考上述方法实施例，本***实施例在此不再赘述。
上述基于神经网络的广告点击率预测***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6为本发明实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作***、计算机程序和数据库。该内存储器为计算机存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行基于神经网络的广告点击率预测方法过程中生成或获取的数据，如流程节点编号、目标业务节点。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的广告点击率预测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的基于神经网络的广告点击率预测方法的步骤。或者，处理器执行计算机程序时实现基于神经网络的广告点击率预测***这一实施例中的各模块/单元的功能。
在一实施例中，提供一计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于神经网络的广告点击率预测方法的步骤。或者，该计算机程序被处理器执行时实现上述基于神经网络的广告点击率预测***这一实施例中的各模块/单元的功能。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的广告点击率预测方法，其特征在于，包括：
获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，以分别得到用户嵌入特征和广告嵌入特征，其中，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到；
将所述用户嵌入特征和所述广告嵌入特征进行交叉融合处理，以预测所述目标用户对所述目标广告的点击率。
2.根据权利要求1所述的基于神经网络的广告点击率预测方法，其特征在于，所述将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，具体包括：
对所述历史广告特征和所述属性特征分别进行嵌入稠密处理，分别得到用户嵌入特征和广告嵌入特征；
对所述用户嵌入特征和所述广告嵌入特征进行交叉融合和平均池化，获取融合特征；
根据所述融合特征，预测所述目标用户对所述目标广告的点击率。
3.根据权利要求2所述的基于神经网络的广告点击率预测方法，其特征在于，所述对所述历史广告特征和所述属性特征分别进行嵌入稠密处理，分别得到用户嵌入特征和广告嵌入特征，包括：
将所述历史广告特征中的高维稀疏特征映射为用户稠密特征；和/或，将所述目标广告的属性特征中高维稀疏特征映射为广告稠密特征；
将所述历史广告特征中的用户连续特征进行归一化，获取归一化后的用户连续特征；和/或，将所述属性特征中的广告连续特征进行归一化，获取归一化后的广告连续特征；
将所述用户稠密特征和归一化后的用户连续特征进行拼接，得到用户拼接特征；和/或，将所述广告稠密特征和归一化后的广告连续特征进行拼接，得到广告拼接特征；
分别对所述用户拼接特征和/或所述广告拼接特征进行多层嵌入，获取用户嵌入特征和所述广告嵌入特征。
4.根据权利要求2所述的基于神经网络的广告点击率预测方法，其特征在于，所述分别对所述用户拼接特征和/或所述广告拼接特征进行多层嵌入，获取用户嵌入特征和所述广告嵌入特征，具体计算公式如下：
其中，xuser表示所述用户拼接特征，xitem表示所述广告拼接特征，
表示所述用户嵌入特征中的第i个元素，
表示所述广告嵌入特征中的第i个元素，
表示预设用户嵌入矩阵中的第i个元素，
表示预设广告嵌入矩阵中的第i个元素，m表示嵌入到子空间的个数。
5.根据权利要求2所述的基于神经网络的广告点击率预测方法，其特征在于，所述根据所述融合特征，预测所述目标用户对所述目标广告的点击率，包括：
将所述融合特征输入到全连接层中，将全连接层的输出通过激活函数，得到所述点击率。
6.根据权利要求1至5任一所述的基于神经网络的广告点击率预测方法，其特征在于，所述用户样本和所述广告样本的获取方法包括：
获取初始用户样本和初始广告样本；
采用预设规则分别对所述初始用户样本和初始广告样本进行处理，得到用户样本和广告样本，其中，所述预设规则包括依次进行最近邻算法的缺失值填补和分层采样。
7.根据权利要求1至5任一所述的基于神经网络的广告点击率预测方法，其特征在于，还包括：
根据所述点击率和所述目标广告的投放价格，获取所述目标广告的综合得分；
根据所述综合得分，判断是否投放所述目标广告。
8.一种基于神经网络的广告点击率预测***，其特征在于，包括：
特征获取模块，用于获取目标用户的历史广告特征和目标广告的属性特征，其中，所述历史广告特征包括所述目标用户的基础信息、所述目标用户与目标产品之间的历史购买信息，所述属性特征根据所述目标广告基础信息获得；
预测模块，用于将所述历史广告特征、所述属性特征输入到点击预测模型中，分别对所述历史广告特征、所述属性特征依次进行嵌入稠密处理，并将处理后的历史广告特征和处理后的属性特征进行交叉融合处理，预测所述目标用户对所述目标广告的点击率，所述点击预测模型为用户样本、广告样本和得分标签进行训练得到。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于神经网络的广告点击率预测方法的步骤。
10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于神经网络的广告点击率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016975.XA CN113706211B (zh) | 2021-08-31 | 2021-08-31 | 基于神经网络的广告点击率预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016975.XA CN113706211B (zh) | 2021-08-31 | 2021-08-31 | 基于神经网络的广告点击率预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706211A true CN113706211A (zh) | 2021-11-26 |
| CN113706211B CN113706211B (zh) | 2024-04-02 |
Family
ID=78658430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016975.XA Active CN113706211B (zh) | 2021-08-31 | 2021-08-31 | 基于神经网络的广告点击率预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706211B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023140781A3 (en) * | 2022-01-19 | 2023-08-24 | Lemon Inc. | Embedding optimization for a machine learning model |
| CN117455366A (zh) * | 2023-12-19 | 2024-01-26 | 杭州网易云音乐科技有限公司 | 基于神经网络模型的库存分配方法、装置、介质及设备 |
| CN117522479A (zh) * | 2023-11-07 | 2024-02-06 | 北京创信合科技有限公司 | 互联网广告精准投放方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070112840A1 (en) * | 2005-11-16 | 2007-05-17 | Yahoo! Inc. | System and method for generating functions to predict the clickability of advertisements |
| US20140108094A1 (en) * | 2012-06-21 | 2014-04-17 | Data Ventures, Inc. | System, method, and computer program product for forecasting product sales |
| CN110619540A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种神经网络的点击流预估方法 |
| CN110825957A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
| CN111325579A (zh) * | 2020-02-25 | 2020-06-23 | 华南师范大学 | 一种广告点击率预测方法 |
| CN111339415A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 一种基于多交互式注意力网络的点击率预测方法与装置 |
| CN111506811A (zh) * | 2020-03-19 | 2020-08-07 | 上海理工大学 | 一种基于深度残差网络的点击率预测方法 |
| US20200327603A1 (en) * | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
| CN112365297A (zh) * | 2020-12-04 | 2021-02-12 | 东华理工大学 | 一种广告点击率预估方法 |
| CN112381581A (zh) * | 2020-11-17 | 2021-02-19 | 东华理工大学 | 一种基于改进Transformer的广告点击率预估方法 |
| KR102232393B1 (ko) * | 2020-03-26 | 2021-03-25 | 한국해양대학교 산학협력단 | 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치 |
| CN112700274A (zh) * | 2020-12-29 | 2021-04-23 | 华南理工大学 | 一种基于用户偏好的广告点击率预估方法 |
-
2021
- 2021-08-31 CN CN202111016975.XA patent/CN113706211B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070112840A1 (en) * | 2005-11-16 | 2007-05-17 | Yahoo! Inc. | System and method for generating functions to predict the clickability of advertisements |
| US20140108094A1 (en) * | 2012-06-21 | 2014-04-17 | Data Ventures, Inc. | System, method, and computer program product for forecasting product sales |
| US20200327603A1 (en) * | 2019-04-10 | 2020-10-15 | The Climate Corporation | Leveraging feature engineering to boost placement predictability for seed product selection and recommendation by field |
| CN110619540A (zh) * | 2019-08-13 | 2019-12-27 | 浙江工业大学 | 一种神经网络的点击流预估方法 |
| CN110825957A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
| CN111325579A (zh) * | 2020-02-25 | 2020-06-23 | 华南师范大学 | 一种广告点击率预测方法 |
| CN111339415A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 一种基于多交互式注意力网络的点击率预测方法与装置 |
| CN111506811A (zh) * | 2020-03-19 | 2020-08-07 | 上海理工大学 | 一种基于深度残差网络的点击率预测方法 |
| KR102232393B1 (ko) * | 2020-03-26 | 2021-03-25 | 한국해양대학교 산학협력단 | 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치 |
| CN112381581A (zh) * | 2020-11-17 | 2021-02-19 | 东华理工大学 | 一种基于改进Transformer的广告点击率预估方法 |
| CN112365297A (zh) * | 2020-12-04 | 2021-02-12 | 东华理工大学 | 一种广告点击率预估方法 |
| CN112700274A (zh) * | 2020-12-29 | 2021-04-23 | 华南理工大学 | 一种基于用户偏好的广告点击率预估方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023140781A3 (en) * | 2022-01-19 | 2023-08-24 | Lemon Inc. | Embedding optimization for a machine learning model |
| CN117522479A (zh) * | 2023-11-07 | 2024-02-06 | 北京创信合科技有限公司 | 互联网广告精准投放方法及*** |
| CN117455366A (zh) * | 2023-12-19 | 2024-01-26 | 杭州网易云音乐科技有限公司 | 基于神经网络模型的库存分配方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706211B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368210B (zh) | 基于人工智能的信息推荐方法、装置以及电子设备 | |
| WO2020135535A1 (zh) | 一种推荐模型训练方法及相关装置 | |
| WO2019242331A1 (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
| WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
| US9135561B2 (en) | Inferring procedural knowledge from data sources | |
| US20190303980A1 (en) | Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment | |
| CN113706211B (zh) | 基于神经网络的广告点击率预测方法及*** | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
| CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
| US20240104159A1 (en) | Creating an effective product using an attribute solver | |
| CN114881712B (zh) | 智能广告投放方法、装置、设备及存储介质 | |
| CN112287238A (zh) | 用户特征的确定方法和装置、存储介质及电子设备 | |
| WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
| US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
| Singhal et al. | An E‐commerce prediction system for product allocation to bridge the gap between cultural analytics and data science | |
| CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
| CN117057855A (zh) | 一种数据处理方法及相关装置 | |
| CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
| CN113570422B (zh) | 创意指导信息的生成方法、装置、计算机设备和存储介质 | |
| CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
| CN117132323A (zh) | 推荐内容的分析方法、装置、设备、介质及程序产品 | |
| CN116069959A (zh) | 确定展示数据的方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |