广告点击率预测模型的训练方法、预测方法及装置制造方法及图纸

本公开提供了一种广告点击率预测模型的训练方法，可以应用于金融领域及人工智能技术领域。该广告点击率预测模型的训练方法包括：获取训练样本数据集，其中，训练样本数据集包括多个样本数据组，每个样本数据组中包括用户特征数据以及广告特征数据；将训练样本数据集中的样本数据组输入特征提取网络，输出有效特征数据，其中，特征提取网络包括依次级联的特征组合网络和有效特征提取网络；利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型。本公开还提供了一种广告点击率预测方法、广告点击率预测模型的训练装置、广告点击率预测装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
广告点击率预测模型的训练方法、预测方法及装置


[0001]本公开涉及金融领域及人工智能
，更具体地涉及一种广告点击率预测模型的训练方法、广告点击率预测方法及装置、设备、介质和程序产品。

技术介绍

[0002]广告点击率预测在实际业务中有着重要的参考价值，它是通过广告数据和用户数据预测用户点击一个广告的点击概率。
[0003]专利技术人在实现本专利技术构思的过程中发现，相关技术中的广告点击率预测方法不能很好的利用广告数据和用户数据，因而相关技术中的广告点击率预测方法通常存在预测结果不准确的技术问题。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种广告点击率预测模型的训练方法、广告点击率预测方法、装置、设备、介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种广告点击率预测模型的训练方法，其中，上述广告点击率预测模型包括依次级联的特征提取网络和预测网络，上述方法包括：
[0006]获取训练样本数据集，其中，上述训练样本数据集包括多个样本数据组，每个上述样本数据组中包括用户特征数据以及广告特征数据；
[0007]将上述训练样本数据集中的样本数据组输入上述特征提取网络，输出有效特征数据，其中，上述特征提取网络包括依次级联的特征组合网络和有效特征提取网络；以及
[0008]利用上述有效特征数据训练上述预测网络，得到训练完成的广告点击率预测模型。
[0009]根据本公开的实施例，上述特征组合网络包括N个特征组合子网络；
[0010]上述将上述训练样本数据集输入上述特征提取网络，输出有效特征数据包括：
[0011]将上述训练样本数据集输入上述N个特征组合子网络，上述N个特征组合子网络分别输出第一特征值；
[0012]根据N个上述第一特征值，利用独热编码算法生成第二特征值；
[0013]将上述第二特征值输入上述有效特征提取网络，输出上述有效特征数据。
[0014]根据本公开的实施例，其中，上述有效特征提取网络包括依次级联的卷积层和池化层；
[0015]上述将上述第二特征值输入上述有效特征提取网络，输出上述有效特征数据包括：
[0016]将上述第二特征值输入上述卷积层，输出第一特征数据；
[0017]将上述第一特征数据输入上述池化层，输出上述有效特征数据。
[0018]根据本公开的实施例，上述将上述训练样本数据集输入上述N个特征组合子网络包括：
[0019]将上述用户特征数据和上述广告特征数据拼接得到特征数据，并将上述特征数据输入上述N个特征组合子网络。
[0020]根据本公开的实施例，上述样本数据组还包括标签信息；
[0021]上述利用上述有效特征数据训练上述预测网络，得到训练完成的广告点击率预测模型包括：
[0022]将上述有效特征数据输入上述预测层，输出预测结果，其中，上述预测结果表征样本用户点击样本广告的概率，上述样本用户包括与上述用户特征数据对应的用户，上述样本广告包括与上述广告特征数据对应的广告；
[0023]根据上述预测结果，以上述预测结果趋近于标签信息为目标，迭代调整上述预测网络以及上述有效特征提取网络的网络参数，直至上述预测网络以及上述有效特征提取网络收敛，得到上述训练完成的广告点击率预测模型。
[0024]根据本公开的实施例，上述特征组合网络包括基于梯度提升决策树算法构建得到的特征组合网络；
[0025]上述有效特征提取网络包括基于卷积神经网络构建得到的有效特征提取网络。
[0026]根据本公开的实施例，上述用户特征数据包括以下一种或多种：用户位置信息，用户基本信息，用户设备信息。
[0027]根据本公开的实施例，上述广告特征数据包括下一种或多种：广告类型、广告主名称、广告高度、广告宽度、广告对应的消费人群。
[0028]本公开的第二方面提供了一种广告点击率预测方法，包括：
[0029]获取待测数据集，其中，上述待测数据集包括待测数据组，上述数据组中包括目标广告特征数据以及目标用户特征数据；以及
[0030]将上述待测数据集输入广告点击率预测模型，输出预测结果，其中，上述预测结果表征目标用户点击目标广告的概率，上述广告点击率预测模型由本公开实施例提供的广告点击率预测模型的训练方法训练得到。
[0031]本公开的第三方面提供了一种广告点击率预测模型的训练装置，其中，上述广告点击率预测模型包括依次级联的特征提取网络和预测网络，上述装置包括：
[0032]第一获取模块，用于获取训练样本数据集，其中，上述训练样本数据集包括多个样本数据组，每个上述样本数据组中包括用户特征数据以及广告特征数据；
[0033]输入模块模块，用于将上述训练样本数据集中的样本数据组输入上述特征提取网络，输出有效特征数据，其中，上述特征提取网络包括依次级联的特征组合网络和有效特征提取网络；以及
[0034]训练模块，用于利用上述有效特征数据训练上述预测网络，得到训练完成的广告点击率预测模型。
[0035]本公开的第四方面提供了一种广告点击率预测装置，包括：
[0036]第二获取模块，用于获取待测数据集，其中，上述待测数据集包括待测数据组，上述数据组中包括目标广告特征数据以及目标用户特征数据；以及
[0037]预测模块，用于将上述待测数据集输入广告点击率预测模型，输出预测结果，其中，上述预测结果表征目标用户点击目标广告的概率，上述广告点击率预测模型由本公开实施例提供的广告点击率预测模型的训练方法训练得到。
[0038]本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述广告点击率预测模型的训练方法、广告点击率预测方法。
[0039]本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述广告点击率预测模型的训练方法、广告点击率预测方法。
[0040]本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述广告点击率预测模型的训练方法、广告点击率预测方法。
附图说明
[0041]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0042]图1示意性示出了根据本公开实施例的广告点击率预测模型的训练方法、广告点击率预测方法、广告点击率预测模型的训练装置、广告点击率预测装置的应用场景图；
[0043]图2示意性示出了根据本公开实施例的广告点击率预测模型的训练方法的流程图；
[0044]图3示意性示出了根据本公开实施例的将训练样本数据集输入特征提取网络，输出有效特征数据的流程图；
[0045]图4示意性示出了根据本公开实施例的将第二特征值输入有效特征提取网络，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种广告点击率预测模型的训练方法，其中，所述广告点击率预测模型包括依次级联的特征提取网络和预测网络，所述方法包括：获取训练样本数据集，其中，所述训练样本数据集包括多个样本数据组，每个所述样本数据组中包括用户特征数据以及广告特征数据；将所述训练样本数据集中的样本数据组输入所述特征提取网络，输出有效特征数据，其中，所述特征提取网络包括依次级联的特征组合网络和有效特征提取网络；以及利用所述有效特征数据训练所述预测网络，得到训练完成的广告点击率预测模型。2.根据权利要求1所述的方法，其中，所述特征组合网络包括N个特征组合子网络；所述将所述训练样本数据集输入所述特征提取网络，输出有效特征数据包括：将所述训练样本数据集输入所述N个特征组合子网络，所述N个特征组合子网络分别输出第一特征值；根据N个所述第一特征值，利用独热编码算法生成第二特征值；将所述第二特征值输入所述有效特征提取网络，输出所述有效特征数据。3.根据权利要求2所述的方法，其中，所述有效特征提取网络包括依次级联的卷积层和池化层；所述将所述第二特征值输入所述有效特征提取网络，输出所述有效特征数据包括：将所述第二特征值输入所述卷积层，输出第一特征数据；将所述第一特征数据输入所述池化层，输出所述有效特征数据。4.根据权利要求2所述的方法，其中，所述将所述训练样本数据集输入所述N个特征组合子网络包括：将所述用户特征数据和所述广告特征数据拼接得到特征数据，并将所述特征数据输入所述N个特征组合子网络。5.根据权利要求1所述的方法，其中，所述样本数据组还包括标签信息；所述利用所述有效特征数据训练所述预测网络，得到训练完成的广告点击率预测模型包括：将所述有效特征数据输入所述预测层，输出预测结果，其中，所述预测结果表征样本用户点击样本广告的概率，所述样本用户包括与所述用户特征数据对应的用户，所述样本广告包括与所述广告特征数据对应的广告；根据所述预测结果，以所述预测结果趋近于标签信息为目标，迭代调整所述预测网络以及所述有效特征提取网络的网络参数，直至所述预测网络以及所述有效特征提取网络收敛，得到所述训练完成的广告点击率预测模型。6.根据权利要求1所述的方法，其中，所述特征组合网络包括基于梯度提升决策树算法构建得到的特征组合网络；所述有效特征提取网络包括基于卷积神经网络构建...

【专利技术属性】
技术研发人员：孟靖祥，雷志亮，李策凡，张帆，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：