一种广告查看比率的估计方法及装置制造方法及图纸

本发明专利技术实施例公开了一种广告查看比率的估计方法及装置，所述方法包括：获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。应用本发明专利技术实施例，提高了广告查看比率估计的准确性。

Method and device for estimating advertisement viewing ratio

The embodiment of the invention discloses a method and device for estimating an advertisement viewing ratio, the method comprises: obtaining a predetermined number of samples by using the sample of advertising; advertising, training for the estimation of deep learning model, the advertisement viewing ratio, the deep learning model based on nonlinear function; receiving at least one the estimated advertising; according to the estimated advertising and the deep learning model, estimation of the estimated advertisement viewing ratio. By using the embodiment of the invention, the accuracy of advertisement viewing ratio estimation is improved.

【技术实现步骤摘要】
一种广告查看比率的估计方法及装置
本专利技术涉及互联网广告
，特别涉及一种广告查看比率的估计方法及装置。
技术介绍
随着互联网的飞速发展，互联网广告也随之兴起，与传统的广告相比,互联网广告具有得天独厚的优势,是实施现代营销媒体战略的重要部分之一，以下均将互联网广告简称为广告。无论是搜索广告、展示广告还是移动设备端广告，查看比率预估问题是互联网广告领域的核心问题，而查看比率预估的准确性，直接影响到用户体验、广告主收益、广告平台收益三方利益,进而影响到整个广告生态系统的平衡。因此，做好广告查看比率预估工作具有十分重要的意义。目前，通常使用线性学习模型实现广告的查看比率预估问题，但是使用线性学习模型实现广告的查看比率预估问题时，线性模型中的各个特征对估计结果的关系都是互相独立，彼此不受影响的，因此，线性模型无法学习特征之间的非线性关系，如高收入人群对奢侈品广告的查看比率要高于普通收入人群，研究人员查看机器学习书籍的概率要大于高中学生等。但是，实际数据中具有很多的非线性关系的特征，这些特征需要同时出现才能够对估计结果起到正向作用。因此，现有技术在利用线性模型学习实现广告的查看比率预估问题时，忽略了特征之间的非线性关系，进而导致获取的估计结果的准确性较差，即广告查看比率估计预估的准确性较低。
技术实现思路
本专利技术实施例的目的在于提供一种广告查看比率的估计方法及装置，以提高广告查看比率估计的准确性。为达到上述目的，本专利技术实施例公开了一种广告查看比率的估计方法，方法包括：获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。较佳的，所述获取预设数量个样本广告，利用所述样本广告训练用于估计广告查看比率的深度学习模型，包括：获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。较佳的，所述根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率，包括：将待估计广告的待测特征转换为对应的待测向量；将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。较佳的，所述将每个所述样本广告的训练特征转换成训练向量，包括：对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；将得到的全部特征值及特征向量值连接起来，得到所述训练向量。较佳的，在将得到的全部特征值及特征向量连接起来之前，所述方法还包括：将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。为达到上述目的，本专利技术实施例还公开了一种广告查看比率的估计装置，装置包括：获取模块，用于获取预设数量个样本广告；训练模块，用于利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收模块，用于接收至少一个待估计广告；估计模块，用于根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。较佳的，所述训练模块，包括：获取单元，用于获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；转换单元，用于将每个所述样本广告的训练特征转换为训练向量；训练单元，用于利用每个所述样本广告的训练查看比率以及所述训练向量，训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。较佳的，所述估计模块，具体用于：将待估计广告的待测特征转换为对应的待测向量；将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。较佳的，所述转换单元，具体用于：对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；将得到的全部特征值及特征向量值连接起来，得到所述训练向量。较佳的，在将得到的全部特征值及特征向量连接起来之前，所述转换单元，还具体用于：将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。由上述的技术方案可见，本专利技术实施例提供了一种广告查看比率的估计方法及装置，获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。可见，利用训练得到的深度学习模型，其中深度学习模型为基于非线性函数实现的，充分考虑到训练特征之间的非线性关系，将待估计广告的待测向量输入深度学习模型，深度学习模型可以基于非线性函数输出对应的估计查看比率，提高了广告查看比率估计估计的准确性。当然，实施本专利技术的任一产品或方法必不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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为本专利技术实施例提供的一种广告查看比率的估计方法的流程示意图；图2为本专利技术实施例提供的一种广告查看比率的估计装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，图1为本专利技术实施例提供的一种广告查看比率的估计方法的流程示意图，可以包括如下步骤：S101，获取预设数量个样本广告；具体的，可以获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征。其中，获取每个所述样本广告的训练查看比率，可以获取展示日志及查看日志，其中，所述展示日志记录有被展示过的样本广告，所述查看日志记录有被查看过的样本广告；利用所述展示日志及所述查看日志确定每个样本广告对应的展示次数及查看次数，并确定每个所述样本广告的查看次数与展示次数的商为该样本广告的训练查看比率。其中，预设量可以根据实际需要进行确定，样本广告实际为历史上投放的广告，训练查看比率则为样本文档来自技高网...

【技术保护点】
一种广告查看比率的估计方法，其特征在于，所述方法包括：获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

【技术特征摘要】
1.一种广告查看比率的估计方法，其特征在于，所述方法包括：获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。2.根据权利要求1所述的方法，其特征在于，所述获取预设数量个样本广告，利用所述样本广告训练用于估计广告查看比率的深度学习模型，包括：获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。3.根据权利要求1所述的方法，其特征在于，所述根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率，包括：将待估计广告的待测特征转换为对应的待测向量；将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。4.根据权利要求2所述的方法，其特征在于，所述将每个所述样本广告的训练特征转换成训练向量，包括：对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；将得到的全部特征值及特征向量值连接起来，得到所述训练向量。5.根据权利要求1所述的方法，其特征在于，在将得到的全部特征值及特征向量连接起来之前，所述方法还包括：将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或...

【专利技术属性】
技术研发人员：郭庭，
申请(专利权)人：郭庭，
类型：发明
国别省市：安徽,34