一种点击率的预测方法、装置及电子设备制造方法及图纸

本申请实施例提供一种点击率的预测方法、装置及电子设备。方法包括：提取待预测的目标推广项的基础特征；将目标推广项的基础特征输入至极端梯度提升xgboost模型，得到目标推广项的高阶特征；其中，xgboost模型是基于第一历史推广项的基础特征和第一历史推广项的标签训练得到的，第一历史推广项的标签指示第一历史推广项投放后的点击率；将目标推广项的高阶特征输入至预测模型，得到目标推广项的点击率；其中，预测模型是基于第二历史推广项的高阶特征和第二历史推广项的标签训练得到，第二历史推广项的标签指示第二历史推广项投放后的点击率，第二历史推广项的高阶特征与第一历史推广项的高阶特征具有相同的特征维度。

【技术实现步骤摘要】
一种点击率的预测方法、装置及电子设备
本申请实施例涉及数据处理
，尤其涉及一种点击率的预测方法、装置及电子设备。
技术介绍
随着网络技术的快速发展，互联网广告成为互联网企业最重要的盈利手段之一。研究表明，互联网广告的精准投放除了能够获得更好的广告效益外，还可以有效减少用户因未实现搜索预期，而向服务器发起的搜索请求的次数，从而降低服务器的压力。点击率(CTR，Click-Through-Rate)是反映互联网广告投放精准性的关键指标。如何实现点击率的预测，以为制定更合适的广告投放决策提供数据支持，是当前亟需解决的技术问题。
技术实现思路
本申请实施例目的是提供一种方法点击率的预测方法、装置及电子设备，能够实现点击率的预测，以为制定更合适的广告投放决策提供数据支持。为了实现上述目的，本申请实施例是这样实现的：第一方面，提供一种点击率的预测方法，包括：提取待预测的目标推广项的基础特征；将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所本文档来自技高网...

【技术保护点】
1.一种点击率的预测方法，包括：/n提取待预测的目标推广项的基础特征；/n将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项的基础特征和所述第一历史推广项的标签训练得到的，所述第一历史推广项的标签指示所述第一历史推广项投放后的点击率；/n将所述目标推广项的高阶特征输入至预测模型，得到所述目标推广项的点击率；其中，所述预测模型是基于第二历史推广项的高阶特征和所述第二历史推广项的标签训练得到，所述第二历史推广项的标签指示所述第二历史推广项投放后的点击率，所述第二历史推广项的高阶特征与所述第一历史推广项的高阶...

【技术特征摘要】
1.一种点击率的预测方法，包括：
提取待预测的目标推广项的基础特征；
将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项的基础特征和所述第一历史推广项的标签训练得到的，所述第一历史推广项的标签指示所述第一历史推广项投放后的点击率；
将所述目标推广项的高阶特征输入至预测模型，得到所述目标推广项的点击率；其中，所述预测模型是基于第二历史推广项的高阶特征和所述第二历史推广项的标签训练得到，所述第二历史推广项的标签指示所述第二历史推广项投放后的点击率，所述第二历史推广项的高阶特征与所述第一历史推广项的高阶特征具有相同的特征维度。


2.根据权利要求1所述的方法，
所述第一历史推广项对应的时间段早于所述第二历史推广项对应的时间段。


3.根据权利要求1所述的方法，
所述第二历史推广项的高阶特征是将所述第二历史推广项的基础特征输入至所述xgboost模型得到的。


4.根据权利要求1-3任一项所述的方法，
推广项的基础特征包括以下至少一种特征维度：
推广项的受众对象的画像特征、推广项的权益特征和推广项对应的历史点击率特征。


5.根据权利要求1-3任一项所述的方法，
所述目标推广项的点击率与所述目标推广项在投放平台的展示位置具有对应关系。


6.根据权利要求1-3任一项所述的方法，
所述预测模型包括深度神经网络模型。


7.根据权利要求1-3任一项所述的方法，
提取待预测的目标推广项的基础特征，包括：
对待预测的目标推广项进行结构化处理，得到所述目标推广项的结构化数据；
对所述目标推广项的结构化数据进行特征识别，得到所述目标推广项的基础特征。


8.一种点击率的预测装置，包括：
基础特征提取模块，提取待预测的目标推广项的基础特征；
高阶特征提取模块，将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项...

【专利技术属性】
技术研发人员：赵嘉祥，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33