CN114820060A - 一种广告推荐方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种广告推荐方法，在需要向用户推荐不同类型的广告时，获取多条广告数据。其中，多条广告数据中包括不同类型广告的广告数据。将多条广告数据输入多任务广告推荐模型中，以通过该模型预测用户针对不同类型广告的点击概率，进而基于预测的点击概率向用户进行推荐。可见，本申请通过多任务广告推荐模型可以使得不同类型的广告之间的信息进行共享，把多个预测任务关联起来，从而提高预测的准确性，进而为用户推荐感兴趣的内容，提高用户使用体验。

Description

一种广告推荐方法、装置、设备及介质

技术领域

本申请涉及计算机技术领域，具体涉及一种广告推荐方法、装置、设备及介质。

背景技术

随着互联网技术的不断发展，投放广告的方式也越来越多，相应地产生多种不同类型的广告。例如横幅广告、开屏广告、插屏广告、信息流广告、激励视频广告等。通常情况下，不同类型的广告的投放表现不同，当需要向用户推荐不同类型的广告时，需要针对每种类型的广告单独实现。该种实现不仅会带来较大工作量，还会影响推荐效果。

发明内容

有鉴于此，本申请实施例提供一种广告推荐方法、装置、设备及介质，以实现通过多任务广告推荐模型为用户推荐广告，提高推荐效果。

为实现上述目的，本申请提供的技术方案如下：

在本申请第一方面，提供了一种广告推荐方法，该方法包括：

获取多条广告数据，所述多条广告数据中包括不同类型广告的广告数据，所述不同类型广告之间的分布不同；

将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，所述多任务广告推荐模型用于获得不同类型广告的点击概率；

针对任一类型广告，根据所述类型广告中每条广告的点击概率向所述用户进行推荐；

所述多任务广告推荐模型包括多个预测模型，所述多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，所述每个预测模型包括共享层和独立层，所述共享层是指不同预测模型之间均使用的网络结构层。

在本申请第二方面，提供了一种广告推荐装置，所述装置包括：

第一获取单元，用于获取多条广告数据，所述多条广告数据中包括不同类型广告的广告数据，所述不同类型广告之间的分布不同；

第二获取单元，用于将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，所述多任务广告推荐模型用于获得不同类型广告的点击概率；

推荐单元，用于针对任一类型广告，根据所述类型广告中每条广告的点击概率向所述用户进行推荐；

所述多任务广告推荐模型包括多个预测模型，所述多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，所述每个预测模型包括共享层和独立层，所述共享层是指不同预测模型之间均使用的网络结构层。

在本申请第三方面，提供了一种电子设备，所述设备包括：处理器和存储器；所述存储器，用于存储指令或计算机程序；所述处理器，用于执行所述存储器中的所述指令或计算机程序，以使得所述电子设备执行第一方面所述的方法。

在本申请第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在设备上运行时，使得所述设备执行第一方面所述的方法。

在本申请第五方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现第一方面所述的方法。

由此可见，本申请具有如下有益效果：

本申请中预先训练生成多任务广告推荐模型，该多任务广告推荐模型用于预测用户对不同类型广告的点击概率。在需要向用户推荐不同类型的广告时，获取多条广告数据。其中，多条广告数据中包括不同类型广告的广告数据。将多条广告数据输入多任务广告推荐模型中，以通过该模型预测用户针对不同类型广告的点击概率，进而基于预测的点击概率向用户进行推荐。可见，本申请通过多任务广告推荐模型可以使得不同类型的广告之间的信息进行共享，把多个预测任务关联起来，从而提高预测的准确性，进而为用户推荐感兴趣的内容，提高用户使用体验。

附图说明

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，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种多任务广告推荐模型生成方法流程图；

图2为本申请实施例提供的一种广告推荐方法流程示意图；

图3为本申请实施例提供的一种多任务广告推荐模型网络结构示意图；

图4为本申请实施例提供的一种广告推荐装置结构示意图；

图5为本申请实施例提供的一种电子设备结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在广告投放领域，随着广告类型的增加，不同类型的广告在实际投放中的表现不同。常见的广告类型包括横幅广告、插屏广告、开屏广告、信息流广告、贴片广告、激励视频广告等。

其中，横幅广告可在应用程序(APP)界面顶部、底部等位置呈现；有静态图、GIF图、文字链，或多图片滚动的动画图等表现形式。插屏广告可在应用开启、暂停、过关、跳转、退出时以半屏或全屏形式弹出的广告；主要有静态图、GIF图、视频等表现形式。开屏广告指出现在APP启动加载时的全屏或半屏广告；可以是静态图片、动态视频、Flash等表现形式。信息流广告指当用户在浏览、阅读内容时安插的广告。主要包括文字+小图、文字+大图、文字+单图、文字+多图、文字+视频/短视频等展现形式。激励视频广告就是触发用户看完视频后可得到相应奖励或用户权益的广告。贴片广告是指随公开放映或播映的电影片、电视节目、网络视频加贴的广告。

由于不同类型广告的表现形式不同，对用户的吸引度也不同，导致不同类型广告在用户之间的分布存在差异。例如插屏是一种比较常见的广告展现形式，相较横幅广告，其点击率、转化率更高；相较信息流广告，可能原生性较弱，但关注度和曝光效果更突出等。当需要为用户对推荐不同类型的广告时，需要针对不同类型的广告创建独立的推荐任务。

然而，如果针对不同类型广告的推荐作为独立任务处理时，将忽略不同类型广告在进行推荐时所使用数据之间的关联性，影响推荐的准确性。

基于此，本申请实施例提供了一种广告推荐方法，基于多任务学习的方式将针对不同类型广告的推荐任务联合起来学习，以利用不同分布下的数据训练生成多任务广告推荐模型，以利用该多任务广告推荐模型实现针对不同类型广告的推荐，无需针对某一类型广告单独训练，从而在推荐时可以结合多方数据预测用户感兴趣的广告，提高推荐准确性。

其中，多任务学习(multi task learning)：简单来说有多个目标函数同时学习。通过多任务学习确定多任务广告推荐模型中哪些网络结构层在某些任务之间共享，哪些网络结构层对某些任务是独有的，不仅实现关联信息的共享，还可以提高某一任务的准确性。

可以理解的是，在使用本申请各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

为便于理解本申请实施例提供的技术方案，下面将先对本申请中多任务广告推荐模型的训练过程进行说明。

参见图1，该图为本申请实施例提供的一种多任务广告推荐模型生成方法流程图，如图1所示，该方法可以包括：

S101：获取训练样本集合，该训练样本集合包括不同类型广告对应的广告数据以及与目标广告对应的点击数据。

本实施例中，为训练生成多任务广告推荐模型，可以获取大量的不同类型广告对应的广告数据以及与目标广告对应的点击数据。针对其中任一类型广告，可以获取该类型下多条广告的广告数据。其中，广告数据可以包括广告词、广告图像数据等。点击数据是指用户点击目标广告时所对应的数据，该数据可以包括用户信息、浏览时长、点击次数等。其中，用户信息用于唯一地指示某一用户，点击数据是在用户点击广告时，在用户授权的前提下获取的。

例如，针对横幅广告，获取N1条不同横幅广告的广告数据以及该N1条广告数据中每条广告数据对应的点击数据。针对插屏广告，获取N2条不同插屏广告的广告数据以及该N2条广告数据中每条广告数据对应的点击数据。其中，每条广告数据对应的点击数据可以包括多个用户的点击数据。

S102：根据训练样本集合对初始网络模型进行训练，生成多任务广告推荐模型。

在获取到训练样本集合后，根据训练样本集合对初始网络模型进行训练，生成多任务广告推荐模型。其中，多任务广告推荐模型用于预测用户对不同类型广告的点击概率，即该多任务广告推荐模型可以实现向用户推荐不同类型广告的任务。

可选地，在训练时，响应于初始网络模型的网络结构处于锁定状态，利用训练样本集合对初始网络模型的权重参数进行训练，获得第一网络模型；响应于第一网络模型的权重参数处于锁定状态，利用训练样本集合对第一网络模型的网络结构进行训练，以确定不同类型广告所对应的网络结构，获得多任务广告推荐模型。

本实例在训练时，在第一训练阶段可以固定住初始网络模型的网络结构，利用训练样本集合对模型的权重参数进行训练，从而使得各个网络结构的权重参数进行充分学习。在第一阶段训练完成后，获得第一网络模型，进入第二阶段。在第二训练阶段，固定第一网络模型的权重参数，利用训练样本集合对模型的网络结构进行训练，从而不同类型广告对应的网络结构。即确定在预测某一类型广告的点击概率时，将使用哪些网络结构，不使用哪些结构。

其中，训练生成的多任务广告推荐模型包括多个预测模型，该多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，每个预测模型包括共享层和独立层。其中，共享层是指不同的预测模型之间均使用的网络结构层，独立层为某一预测模型独立使用的网络结构层。因此，在训练生成多任务广告推荐模型时，将以寻求一种自适应的特征共享机制为目标进行训练，该机制决定哪些网络层应该在哪些任务之间共享，哪些层应该是任务特定的。即，自适应的特征共享机制用于确定预测模型对应的共享层和独立层。

例如，初始网络模型包括5个网络结构层，分别为block1-block5，通过上述两个阶段训练，确定横幅广告的预测模型包括block1、block2和blcok5；确定插屏广告的预测模型包括block1、block3和blcok4；确定信息流广告的预测模型包括block1、block2和blcok3。则，对于block1、block2和block3为共享层，block4为插屏广告预测模型独有的网络结构层，block5为横幅广告预测模型独有的网络结构层。

可选地，考虑到点击数据为结构化数据，本实施例中的多任务广告推荐模型由多个多层感知器(Multi-Layer Perception，MLP)网络结构构成。

可见，通过上述实施例可以训练生成多任务广告推荐模型，以通过该多任务广告推荐模型实现多个不同类型广告的推荐，无需针对不同类型广告的推荐任务进行单独训练。不仅可以实现不同类型广告之间信息的共享，还可以提高推荐的准确性。

基于上述训练生成的多任务广告推荐模型，本申请实施例提供了一种广告推荐方法，下面将结合附体进行说明。

参见图2，该图为本申请实施例提供的一种广告推荐方法流程图，如图2所示，该方法可以包括：

S201：获取多条广告数据。

本实施例中，为确保向用户推荐的广告符合用户的期望，可以首先在用户授权的情况下获取用户数据，该用户数据用于反映用户的特征，例如用户的偏好或兴趣。同时获取所要推荐的多条广告对应的广告数据。其中，多条广告数据包括不同类型广告的广告数据，且不同类型广告之间的分布不同。

其中，由于需要针对不同类型的广告进行推荐，因此针对不同类型广告中的每一种类型广告，需要获取该类型广告下多条广告的广告数据。例如，针对横幅广告，获取100条不同横幅广告的广告数据，以便从100条广告中选择一条或多条广告推荐给用户；针对开屏广告，获取200条不同开屏广告的广告数据，以便从200条广告中选择一条或多条广告推荐给用户。

S202：将多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率。

在获取用户数据的情况下，将用户数据和多条广告数据输入多任务广告推荐模型中，以通过该多任务广告推荐模型预测用户针对所输入的多条广告中任一广告的点击概率。即，该多任务广告推荐模型可以针对不同类型广告进行预测。

其中，多任务广告推荐模型包括多个预测模型，该多个预测模型中每个预测模型用于对一种类型广告的点击率进行预测。其中，不同预测模型所包括的网络结构层不同，通常情况下，一个预测模型包括共享层和独立层，共享层是指多个预测层均使用的网络结构层，独立层为某一预测独有的网络结构层。

可选地，将多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，包括：针对任一广告的广告数据，根据该广告的类型确定目标预测模型；将广告数据输入目标预测模型，获得该广告的点击概率。由于执行不同类型广告预测任务的模型所包括的网络结构层不同，为实现准确预测，则在执行预测任务时，首先要根据所接收的广告数据的广告类型确定与之匹配的预测模型，进而利用所匹配的预测模型预测用户点击该类型广告的概率。

例如，多任务广告推荐模型包括横幅广告预测模型、插屏广告预测模型和信息流广告的预测模型。其中，横幅广告预测模型包括block1、block2和blcok5；插屏广告预测模型包括block1、block3和blcok4；信息流广告预测模型包括block1、block2和blcok3。存在三个任务，任务1预测多个横幅广告中每个横幅广告的点击概率、任务2预测多个插屏广告中每个插屏广告的点击概率以及任务2预测多个信息流广告中每个信息流广告的点击概率。

在获取用户数据的情况下，将用户数据和广告数据输入目标预测模型，获得该广告的点击概率。

S203：针对任一类型广告，根据该类型广告中每条广告的点击概率向用户进行推荐。

在通过多任务广告推荐模型获得针对不同类型广告的点击概率后，针对任一类型广告，根据该类型广告中每条广告的点击概率向用户推荐属于该类型的广告。具体地，将点击概率最大的广告推荐给用户，或者将点击概率大于预设概率阈值的广告推荐给用户。

例如，任务1输出针对广告1的点击概率为0.2、广告2的点击概率为0.6、广告3的概率为0.8；任务2输出针对广告4的点击概率为0.3、广告5的点击概率为0.1、广告6的概率为0.6；任务3输出针对广告7的点击概率为0.2、广告8的点击概率为0.5、广告9的概率为0.7。则将横幅广告中的广告3推荐给用户、将插屏广告中的广告6推荐给用户以及将信息流广告中的广告9推荐给用户。

可见，在需要向用户推荐不同类型的广告时，可以获取用户数据以及多条广告数据。其中，用户数据用于反映用户的特征，多条广告数据中包括不同类型广告的广告数据。将用户数据和多条广告数据输入多任务广告推荐模型中，以通过该模型预测用户针对不同类型广告的点击概率，进而基于预测的点击概率向用户进行推荐。可见，本申请通过多任务广告推荐模型可以使得不同类型的广告之间的信息进行共享，把多个预测任务关联起来，从而提高预测的准确性，进而为用户推荐感兴趣的内容，提高用户使用体验。

为便于理解，参见图3所示的一种多任务广告推荐模型网络结构示意图，该网络结构包括输入层、Block1-Block4以及输出层。在图3中共存在3个任务，分别为任务1、任务2和任务3。其中，任务1的处理过程包括经过输入层、Block1、Block4和输出层，任务2的处理过程包括经过输入层、Block2、Block3和输出层，任务3的处理过程包括经过输入层、Block1、Block2和输出层。

基于上述方法实施例，本申请实施例提供了一种广告推荐装置，下面将结合附图进行说明。

参见图4，该图为本申请实施例提供的一种广告推荐装置结构图，如图4所示，该装置400可以包括：第一获取单元401、第二获取单元402和推荐单元403。

第一获取单元401，用于获取多条广告数据，所述多条广告数据中包括不同类型广告的广告数据，所述不同类型广告之间的分布不同；

第二获取单元402，用于将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，所述多任务广告推荐模型用于获得不同类型广告的点击概率；

推荐单元403，用于针对任一类型广告，根据所述类型广告中每条广告的点击概率向用户进行推荐。

其中，所述多任务广告推荐模型包括多个预测模型，所述多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，所述每个预测模型包括共享层和独立层，所述共享层是指不同预测模型之间均使用的网络结构层。

在一种可能的实现方式中，所述第二获取单元，具体用于针对任一条广告的广告数据，根据所述广告的类型确定目标预测模型；将所述广告数据输入所述目标预测模型，获得所述广告的点击概率。

在一种可能的实现方式中，所述装置还包括：第三获取单元和生成单元；

第三获取单元，用于获取训练样本集合，所述训练样本集合包括不同类型广告对应的广告数据以及与目标广告对应的点击数据，所述目标广告为所述不同类型广告中的任一广告；

生成单元，用于根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型。

在一种可能的实现方式中，所述生成单元，具体用于响应于所述初始网络模型的网络结构处于锁定状态，利用所述训练样本集合对所述初始网络模型的权重参数进行训练，获得第一网络模型；响应于所述第一网络模型的权重参数处于锁定状态，利用所述训练样本集合对所述第一网络模型的网络结构进行训练，以确定不同类型广告所对应网络结构，获得所述多任务广告推荐模型。

在一种可能的实现方式中，所述生成单元，具体用于以寻求自适应的特征共享机制为目标，根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型，所述自适应的特征共享机制用于确定预测模型对应的共享层和独立层。

在一种可能的实现方式中，所述多任务广告推荐模型为多层感知器MLP网络。

在一种可能的实现方式中，所述不同类型广告包括横幅广告、插屏广告、开屏广告、信息流广告、贴片广告和激励视频广告。

需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例中的相关描述，本实施例在此不再赘述。

参见图5，其示出了适于用来实现本申请实施例的电子设备500的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant，个人数字助理)、PAD(portable android device，平板电脑)、PMP(Portable Media Player，便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV(television，电视机)、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本申请实施例的方法中限定的上述功能。

本申请实施例提供的电子设备与上述实施例提供的广告推荐方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

本申请实施例提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述任一实施例所述的广告推荐方法。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述广告推荐方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定，例如，语音数据采集模块还可以被描述为“数据采集模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种广告推荐方法，其特征在于，所述方法包括：

获取多条广告数据，所述多条广告数据中包括不同类型广告的广告数据，所述不同类型广告之间的分布不同；

将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，所述多任务广告推荐模型用于获得不同类型广告的点击概率；

针对任一类型广告，根据所述类型广告中每条广告的点击概率向用户进行推荐；

其中，所述多任务广告推荐模型包括多个预测模型，所述多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，所述每个预测模型包括共享层和独立层，所述共享层是指不同预测模型之间均使用的网络结构层。

2.根据权利要求1所述的方法，其特征在于，所述将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，包括：

针对任一条广告的广告数据，根据所述广告的类型确定目标预测模型；

将所述广告数据输入所述目标预测模型，获得所述广告的点击概率。

3.根据权利要求1所述的方法，其特征在于，所述多任务广告推荐模型的训练过程包括：

获取训练样本集合，所述训练样本集合包括不同类型广告对应的广告数据以及与目标广告对应的点击数据，所述目标广告为所述不同类型广告中的任一广告；

根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型，包括：

响应于所述初始网络模型的网络结构处于锁定状态，利用所述训练样本集合对所述初始网络模型的权重参数进行训练，获得第一网络模型；

响应于所述第一网络模型的权重参数处于锁定状态，利用所述训练样本集合对所述第一网络模型的网络结构进行训练，以确定不同类型广告所对应网络结构，获得所述多任务广告推荐模型。

5.根据权利要求3或4所述的方法，其特征在于，所述根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型，包括：

以寻求自适应的特征共享机制为目标，根据所述训练样本集合对初始网络模型进行训练，生成所述多任务广告推荐模型，所述自适应的特征共享机制用于确定预测模型对应的共享层和独立层。

6.根据权利要求1所述的方法，其特征在于，所述多任务广告推荐模型为多层感知器MLP网络。

7.根据权利要求1所述的方法，其特征在于，所述不同类型广告包括横幅广告、插屏广告、开屏广告、信息流广告、贴片广告和激励视频广告。

8.一种广告推荐装置，其特征在于，所述装置包括：

第一获取单元，用于获取多条广告数据，所述多条广告数据中包括不同类型广告的广告数据，所述不同类型广告之间的分布不同；

第二获取单元，用于将所述多条广告数据输入多任务广告推荐模型，获得针对每种类型广告所对应的每条广告的点击概率，所述多任务广告推荐模型用于获得不同类型广告的点击概率；

推荐单元，用于针对任一类型广告，根据所述类型广告中每条广告的点击概率向用户进行推荐；

其中，所述多任务广告推荐模型包括多个预测模型，所述多个预测模型中每个预测模型用于对一种类型广告的点击概率进行预测，所述每个预测模型包括共享层和独立层，所述共享层是指不同预测模型之间均使用的网络结构层。

9.一种电子设备，其特征在于，所述设备包括：处理器和存储器；

所述存储器，用于存储指令或计算机程序；

所述处理器，用于执行所述存储器中的所述指令或计算机程序，以使得所述电子设备执行权利要求1-7任一项所述的方法。

10.一种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中存储有指令，当所述指令在设备上运行时，使得所述设备执行权利要求1-7任一项所述的方法。

11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-7任一项所述的方法。

Images