一种广告点击率的预测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种广告点击率的预测方法、装置及计算机可读存储介质，所述方法包括：获取广告点击数据；将广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；高阶特征向量提取层，用于提取广告点击数据的高阶特征向量；低阶特征向量提取层，用于提取广告点击数据的低阶特征向量；第一通道融合层，用于将高阶特征向量和低阶特征向量进行通道融合，得到广告点击数据的特征向量。本发明专利技术可实现广告点击数据高阶特征向量和低阶特征向量的提取与融合，保证了数据特征信息提取的全面性和丰富性，进而提高了广告点击率预测结果的可靠性。

【技术实现步骤摘要】
一种广告点击率的预测方法、装置及计算机可读存储介质
本专利技术涉及广告点击率的预测
，具体涉及一种广告点击率的预测方法、装置及计算机可读存储介质。
技术介绍
随着互联网的快速普及和发展，利用互联网进行在线广告推广产品已经成为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化率的重要指标。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。广告点击率预测涉及大量语料的处理和分类预测，目前，较为常见的有长短期记忆网络(LongShort-TermMemory，LSTM)与神经网络的结合、深度因子分解机(FactorizationMachine，FM)、各种卷积点击率预测模型(如Liu等人提出的模型)和基于GRU(GatedRecurrentUnit，LSTM的一种变体)神经网络的点击率预测模型等。采用卷积神经网络对数据进行特征提取，再将该部分特征输入神经网络能够实现点击率的预测分析，但是卷积神经网络中卷积感受野设置不同，在池化处理时容易丢失特征信息，数据的高阶特征信息和低阶特征信息往往只能保留一个，不能满足数据特征信息的全面性，大大的降低了广告点击率预测的可靠性。
技术实现思路
为了解决现有广告点击率预测模型所存在的数据提取不全面，导致广告点击率预测结果可靠性不高的问题，本专利技术的目的在于提供一种能够同时提取数据的高阶特征向量和低阶特征向量，使深层语义信息与浅层语义信息形成更好的映射，保证了数据特征信息提取全面性的广告点击率的预测方法、装置和计算机可读存储介质。第一方面，本专利技术提供了一种广告点击率的预测方法，包括：获取广告点击数据；将所述广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，其中，所述广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；所述高阶特征向量提取层，用于提取所述广告点击数据的高阶特征向量；所述低阶特征向量提取层，用于提取所述广告点击数据的低阶特征向量；所述第一通道融合层，用于将所述高阶特征向量和所述低阶特征向量进行通道融合，得到所述广告点击数据的特征向量。基于上述公开的内容，本专利技术能够使用广告点击率预测模型中的高阶特征向量提取层提取广告点击数据的高阶特征向量，同时还能够使用低阶特征向量提取层提取广告点击数据的低阶特征向量，实现了广告点击数据的高阶和低阶特征向量的同时提取；并在提取后，还使用第一通道融合层进行高阶和低阶特征向量的通道融合，实现了不同阶数特征的交互融合，得到了具有广告点击数据全面特征信息的特征向量，进而得到了广告点击数据的深层语义信息和浅层语义信息，保证了数据提取的全面性。综上所述，本专利技术可实现广告点击数据高阶特征向量和低阶特征向量的提取与融合，保证了广告点击数据特征信息提取的全面性和丰富性，进而提高了广告点击率预测结果的可靠性。在一个可能的设计中，所述低阶特征向量提取层包括：卷积结构层、第一卷积池化结构层、第二卷积池化结构层和池化结构层；所述卷积结构层，用于提取所述广告点击数据的特征信息，得到所述广告点击数据的初始特征图；所述第一卷积池化结构层，用于提取所述初始特征图中的特征信息，得到所述广告点击数据的第一低阶特征向量；所述第二卷积池化结构层，用于提取所述第一低阶特征向量中的特征信息，得到所述广告点击数据的第二低阶特征向量；所述池化结构层，用于去除所述第二低阶特征向量中的冗余信息，并对去除冗余信息后的第二低阶特征向量进行突出特征信息的提取，得到所述广告点击数据的低阶特征向量，其中，所述突出特征信息为去除冗余信息后的第二低阶特征向量中权重值最大的特征信息。基于上述公开的内容，本专利技术公开了低阶特征向量提取层的网络组成结构，即利用卷积结构层、第一卷积池化结构层、第二卷积池化结构层和池化结构层对广告点击数据中的特征信息进行不断的提取，提取完毕后，即可得到广告点击数据的低阶特征向量。在一个可能的设计中，所述卷积结构层包括：第一卷积层和第二通道融合层，其中，所述第一卷积层共有8层；所述第一卷积层，用于对所述广告点击数据进行第一卷积处理，得到所述广告点击数据的第三低阶特征向量；所述第二通道融合层，用于对所述第一卷积层中的第m层和第n层进行第一卷积处理得到的所述第三低阶特征向量进行通道融合，得到所述广告点击数据的初始特征图，其中，m、n为正整数，m＜8，n≤8，且m≠n。基于上述公开的内容，本专利技术公开了卷积结构层中的具体网络结构，即利用第一卷积层对广告点击数据进行特征信息的提取，得到广告点击数据的第三低阶特征向量，而第二通道融合层则用于对第一卷积层中的第m层和第n层的第三低阶特征向量进行通道融合(例如第六层和第八层)，完成两个第三低阶特征向量中特征信息的融合，得到包含有更为丰富特征信息的初始特征图，为后续第一卷积池化结构层进行特征信息的提取提供数据基础。在一个可能的设计中，所述第一卷积池化结构层包括：第二卷积层、第一最大池化层和第三通道融合层，其中，所述第二卷积层的层数为1；所述第二卷积层，用于对所述初始特征图进行第二卷积处理，得到所述广告点击数据的第四低阶特征向量；所述第一最大池化层，用于对所述初始特征图进行第一最大池化处理，得到所述广告点击数据的第五低阶特征向量；所述第三通道融合层，用于将所述第四低阶特征向量和所述第五低阶特征向量进行通道融合，得到所述广告点击数据的所述第一低阶特征向量。基于上述公开的内容，本专利技术公开了第一卷积池化结构层的具体网络结构，即利用第二卷积层和第一最大池化层，对广告点击数据的初始特征图进行第二卷积处理和第一最大池化处理，其实质为：提取初始特征图中的特征信息，只是第一最大池化层提取的为初始特征图中的突出特征信息，提取完毕后，再使用第三通道融合层完成提取出的特征信息的交融，融合完毕后，即可得到第一低阶特征向量，即第一卷积池化结果层是对卷积结构层中提取出的特征信息进行特征信息再提取的过程。在一个可能的设计中，所述第二卷积池化结构层包括：第二最大池化层、第三卷积层、第四卷积层、第四通道融合层和第五卷积层，其中，所述第三卷积层和所述第五卷积层的层数分别为1，所述第四卷积层的层数为2；所述第二最大池化层，用于对所述第一低阶特征向量进行第二最大池化处理，得到所述广告点击数据的第六低阶特征向量；所述第三卷积层，用于对所述第一低阶特征向量进行第三卷积处理，得到所述广告点击数据的第七低阶特征向量；所述第四卷积层，用于对所述第一低阶特征向量进行第四卷积处理，得到所述广告点击数据的第八低阶特征向量；所述第四通道融合层，用于将所述第六低阶特征向量、所述第七低阶特征向量和所述第八低阶特征向量进行通道融合，得到所述广告点击数据的第九低阶特征向量；所述第五卷积层，用于对所述本文档来自技高网...

【技术保护点】
1.一种广告点击率的预测方法，其特征在于，包括：/n获取广告点击数据；/n将所述广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，其中，所述广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；/n所述高阶特征向量提取层，用于提取所述广告点击数据的高阶特征向量；/n所述低阶特征向量提取层，用于提取所述广告点击数据的低阶特征向量；/n所述第一通道融合层，用于将所述高阶特征向量和所述低阶特征向量进行通道融合，得到所述广告点击数据的特征向量。/n

【技术特征摘要】
1.一种广告点击率的预测方法，其特征在于，包括：
获取广告点击数据；
将所述广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，其中，所述广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；
所述高阶特征向量提取层，用于提取所述广告点击数据的高阶特征向量；
所述低阶特征向量提取层，用于提取所述广告点击数据的低阶特征向量；
所述第一通道融合层，用于将所述高阶特征向量和所述低阶特征向量进行通道融合，得到所述广告点击数据的特征向量。


2.如权利要求1所述的方法，其特征在于，所述低阶特征向量提取层包括：卷积结构层、第一卷积池化结构层、第二卷积池化结构层和池化结构层；
所述卷积结构层，用于提取所述广告点击数据的特征信息，得到所述广告点击数据的初始特征图；
所述第一卷积池化结构层，用于提取所述初始特征图中的特征信息，得到所述广告点击数据的第一低阶特征向量；
所述第二卷积池化结构层，用于提取所述第一低阶特征向量中的特征信息，得到所述广告点击数据的第二低阶特征向量；
所述池化结构层，用于去除所述第二低阶特征向量中的冗余信息，并对去除冗余信息后的第二低阶特征向量进行突出特征信息的提取，得到所述广告点击数据的低阶特征向量，其中，所述突出特征信息为去除冗余信息后的第二低阶特征向量中权重值最大的特征信息。


3.如权利要求2所述的方法，其特征在于，所述卷积结构层包括：第一卷积层和第二通道融合层，其中，所述第一卷积层共有8层；
所述第一卷积层，用于对所述广告点击数据进行第一卷积处理，得到所述广告点击数据的第三低阶特征向量；
所述第二通道融合层，用于对所述第一卷积层中的第m层和第n层进行第一卷积处理得到的所述第三低阶特征向量进行通道融合，得到所述广告点击数据的初始特征图，其中，m、n为正整数，m＜8，n≤8，且m≠n。


4.如权利要求2所述的方法，其特征在于，所述第一卷积池化结构层包括：第二卷积层、第一最大池化层和第三通道融合层，其中，所述第二卷积层的层数为1；
所述第二卷积层，用于对所述初始特征图进行第二卷积处理，得到所述广告点击数据的第四低阶特征向量；
所述第一最大池化层，用于对所述初始特征图进行第一最大池化处理，得到所述广告点击数据的第五低阶特征向量；
所述第三通道融合层，用于将所述第四低阶特征向量和所述第五低阶特征向量进行通道融合，得到所述广告点击数据的所述第一低阶特征向量。


5.如权利要求2所述的方法，其特征在于，所述第二卷积池化结构层包括：第二最大池化层、第三卷积层、第四卷积层、第四通道融合层和第五卷积层，其中，所述第三卷积层和所述第五卷积层的层数分别为1，所述第...

【专利技术属性】
技术研发人员：廖殷，池小波，乐红霞，
申请(专利权)人：成都新潮传媒集团有限公司，
类型：发明
国别省市：四川;51