广告推荐模型的监控方法、推荐方法及装置制造方法及图纸

本发明专利技术提供了一种广告推荐模型的监控方法、推荐方法、装置、电子设备及计算机可读存储介质；方法包括：针对相邻两个模型更新周期，获取在每个模型更新周期训练广告推荐模型推荐广告时能够使用的用户样本；确定用户样本对应用户特征种类的特征值分位数；根据特征值分位数进行分布估算处理，得到用户特征种类对应每个模型更新周期的特征值概率分布；对相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到用户特征种类对应的信息散度；根据信息散度，从相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本。通过本发明专利技术，能够提升对特征值分布波动的敏感程度，更准确地捕捉到异常，提升广告推荐的精度。

Monitoring method, recommendation method and device of advertising recommendation model

【技术实现步骤摘要】
广告推荐模型的监控方法、推荐方法及装置
本专利技术涉及人工智能技术，尤其涉及一种广告推荐模型的监控方法、推荐方法、装置、电子设备及计算机可读存储介质。
技术介绍
人工智能(AI，ArtificialIntelligence)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、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。广告推荐是人工智能的一个重要应用方向，如何向用户推荐更可能感兴趣的广告是当前的研究目标。广告推荐的推荐效果取决于特征和广告推荐模型的稳定性。出于数据时效性考虑，特征往往要经历周期性更新，而在更新过程中可能出现一些潜在问题，导致特征值分布出现波动，最终影响广告推荐效果，故需要对特征和广告推荐模型进行稳定性监控。在相关技术提供的方案中，通常是通过描述性统计量来进行特征监控，但是描述性统计量对于特征值分布波动的敏感度不高，无法准确地反映特征值分布异常，导致进行广告推荐的准确性差。
技术实现思路
本专利技术实施例提供一种广告推荐模型的监控方法、推荐方法、装置、电子设备及计算机可读存储介质，能够提升对特征值分布波动的敏感程度，更准确地捕捉到异常，并提升根据广告推荐模型进行广告推荐的准确性。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供一种广告推荐模型的监控方法，包括：针对相邻两个模型更新周期，获取在每个所述模型更新周期训练广告推荐模型推荐广告时能够使用的用户样本；确定所述用户样本对应用户特征种类的特征值分位数；根据所述特征值分位数进行分布估算处理，得到所述用户特征种类对应每个所述模型更新周期的特征值概率分布；对所述相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到所述用户特征种类对应的信息散度；根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本；其中，所述训练样本用于对所述广告推荐模型进行训练；训练后的所述广告推荐模型用于预测用户对应不同待推荐广告的偏好信息。本专利技术实施例提供一种基于广告推荐模型的推荐方法，包括：获取与用户特征种类对应的用户特征值，并获取多个待推荐广告的广告特征值；将所述用户特征值与所述广告特征值进行组合，得到组合特征值；通过所述广告推荐模型，对所述组合特征值进行预测处理，得到偏好信息；当所述偏好信息满足推荐条件时，执行推荐所述偏好信息对应的待推荐广告的操作。本专利技术实施例提供一种广告推荐模型的监控装置，包括：样本获取模块，用于针对相邻两个模型更新周期，获取在每个所述模型更新周期训练广告推荐模型推荐广告时能够使用的用户样本；分位数确定模块，用于确定所述用户样本对应用户特征种类的特征值分位数；分布估算模块，用于根据所述特征值分位数进行分布估算处理，得到所述用户特征种类对应每个所述模型更新周期的特征值概率分布；差异度量模块，用于对所述相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到所述用户特征种类对应的信息散度；样本选取模块，用于根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本；其中，所述训练样本用于对所述广告推荐模型进行训练；训练后的所述广告推荐模型用于预测用户对应不同待推荐广告的偏好信息。本专利技术实施例提供一种基于广告推荐模型的推荐装置，包括：特征获取模块，用于获取与用户特征种类对应的用户特征值，并获取多个待推荐广告的广告特征值；组合模块，用于将所述用户特征值与所述广告特征值进行组合，得到组合特征值；预测模块，用于通过所述广告推荐模型，对所述组合特征值进行预测处理，得到偏好信息；推荐模块，用于当所述偏好信息满足推荐条件时，执行推荐所述偏好信息对应的待推荐广告的操作。本专利技术实施例提供一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本专利技术实施例提供的广告推荐模型的监控方法，或基于广告推荐模型的推荐方法。本专利技术实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本专利技术实施例提供的广告推荐模型的监控方法，或基于广告推荐模型的推荐方法。本专利技术实施例具有以下有益效果：本专利技术实施例针对相邻两个模型更新周期，先确定出用户特征种类的特征值分位数，再经分布估算处理得到特征值概率分布，从而得到相邻两个模型更新周期的特征值概率分布之间的信息散度，实现了有效的特征监控，根据信息散度可选取相邻两个模型更新周期中更适于作为训练样本的用户样本，当设备在各种场景中使用根据训练样本训练的广告推荐模型进行广告推荐时，能够实现广告推荐的精度和效率的显著提升。附图说明图1是本专利技术实施例提供的推荐系统的一个可选的架构示意图；图2A是本专利技术实施例提供的终端设备的一个可选的架构示意图；图2B是本专利技术实施例提供的服务器的一个可选的架构示意图；图3是本专利技术实施例提供的广告推荐模型的监控装置的一个可选的架构示意图；图4A是本专利技术实施例提供的广告推荐模型的监控方法的一个可选的流程示意图；图4B是本专利技术实施例提供的广告推荐模型的监控方法的一个可选的流程示意图；图4C是本专利技术实施例提供的广告推荐模型的监控方法的一个可选的流程示意图；图5是本专利技术实施例提供的基于广告推荐模型的推荐方法的一个可选的流程示意图；图6是本专利技术实施例提供的特征值分布的一个可选的示意图；图7是本专利技术实施例提供的特征值分布的一个可选的示意图；图8是本专利技术实施例提供的特征监控的一个可选的流程示意图；图9是本专利技术实施例提供的正常波动的一个可选的百分位数示意图；图10是本专利技术实施例提供的异常波动的一个可选的百分位数示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，所描述的实施例不应视为对本专利技术的限制，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它实施例，都属于本专利技术保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本专利技术实施例的目的，不是旨在限制本专利技术。对本专利技术实施例进行进一步详细说明之前，对本专利技术实施例中涉及的名词和术语进行说明，本专利技术实施例中涉及的名词和术语适用于如下的解释。1)模型更新周期：出于数据时效性考本文档来自技高网...

【技术保护点】
1.一种广告推荐模型的监控方法，其特征在于，包括：/n针对相邻两个模型更新周期，获取在每个所述模型更新周期训练广告推荐模型推荐广告时能够使用的用户样本；/n确定所述用户样本对应用户特征种类的特征值分位数；/n根据所述特征值分位数进行分布估算处理，得到所述用户特征种类对应每个所述模型更新周期的特征值概率分布；/n对所述相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到所述用户特征种类对应的信息散度；/n根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本；/n其中，所述训练样本用于对所述广告推荐模型进行训练；训练后的所述广告推荐模型用于预测用户对应不同待推荐广告的偏好信息。/n

【技术特征摘要】
1.一种广告推荐模型的监控方法，其特征在于，包括：
针对相邻两个模型更新周期，获取在每个所述模型更新周期训练广告推荐模型推荐广告时能够使用的用户样本；
确定所述用户样本对应用户特征种类的特征值分位数；
根据所述特征值分位数进行分布估算处理，得到所述用户特征种类对应每个所述模型更新周期的特征值概率分布；
对所述相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到所述用户特征种类对应的信息散度；
根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本；
其中，所述训练样本用于对所述广告推荐模型进行训练；训练后的所述广告推荐模型用于预测用户对应不同待推荐广告的偏好信息。


2.根据权利要求1所述的监控方法，其特征在于，
所述确定所述用户样本对应用户特征种类的特征值分位数，包括：
对所述用户样本对应用户特征种类的特征值进行分位近似处理，得到N分位数；其中，所述N为大于1的整数；
所述根据所述特征值分位数进行分布估算处理，得到所述用户特征种类对应每个所述模型更新周期的特征值概率分布，包括：
构建与所述N分位数对应的分段概率函数；
将所述分段概率函数的被积函数，确定为所述用户特征种类对应所述模型更新周期的特征值概率分布。


3.根据权利要求2所述的监控方法，其特征在于，
所述对所述用户样本对应用户特征种类的特征值进行分位近似处理，得到N分位数之后，还包括：
确定相邻的两个N分位数之间的差值；
当所述差值小于差异阈值时，对所述相邻的两个N分位数进行合并处理；
所述将所述分段概率函数的被积函数，确定为所述用户特征种类对应所述模型更新周期的特征值概率分布之后，还包括：
确定所述特征值概率分布中每一个分段的函数值，并去除满足极值条件的函数值。


4.根据权利要求1所述的监控方法，其特征在于，所述根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本，包括：
当所述信息散度未超过波动阈值时，将所述相邻两个模型更新周期中后一个模型更新周期对应的用户样本，确定为训练样本；
当所述信息散度超过所述波动阈值时，将所述相邻两个模型更新周期中前一个模型更新周期对应的用户样本，确定为训练样本。


5.根据权利要求1所述的监控方法，其特征在于，所述根据所述信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本，包括：
对所述用户特征种类进行归类处理，得到监控类；
对所述监控类内的所述用户特征种类的信息散度进行平均处理，得到平均信息散度；
根据所述平均信息散度，从所述相邻两个模型更新周期分别对应的用户样本中选取用户样本以作为训练样本。


6.根据权利要求1所述的监控方法，其特征在于，所述对所述相邻两个模型更新周期的特征值概率分布之间的差异进行度量处理，得到所述用户特征种类对应的信息散度，包括：
确定前一个模型更新周期的特征值概率分布与后一个模型更新周期的特征值概率分布之间的交叉熵；
确定所述前一个模型更新周期的特征值概率分布的信息熵；
将所述交叉熵减去所述信息熵，得到所述用户特征种类对应的信息散度。


7.根据权利要求1至6任一项所述的监控方法，其特征在于，还包括：
将所述训练样本中的用户特征值与广告特征值进行组合，得到组合特征值；其中，所述广告特征值是推荐至用户的广告的特征值；
通过所述广告推荐模型，对所述组合特征值进行预测处理，得到待对比的偏好信息；
根据所述待对比的偏好信息与所述训练样本中的样本偏好信息之间的差异，在所述广告推荐模型中进行反向传播，并
在反向传播的过程中，更新所述广告推荐模型的权重参...

【专利技术属性】
技术研发人员：李嘉喆，余传伟，凌国惠，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44