广告转化特征的预测方法、装置制造方法及图纸

本申请的实施例提供了一种广告转化特征的预测方法、装置。该方法包括：获取第一广告样本数据和第二广告样本数据，第一广告样本数据包括广告的第一属性特征数据和点击特征数据，第二广告样本数据包括广告的第二属性特征数据和转化特征数据；以第一属性特征数据为第一输入数据，以点击特征数据为第一标签数据，对初始网络模型进行训练，得到广告点击特征预测模型；以第二属性特征数据为第二输入数据，以转化特征数据为第二标签数据，对广告点击特征预测模型进行训练，得到广告转化特征预测模型；根据目标广告的目标属性特征数据，通过广告转化特征预测模型预测目标广告的转化特征。本申请实施例的技术方案可以提高对广告转化特征的预测精度。特征的预测精度。特征的预测精度。

【技术实现步骤摘要】
广告转化特征的预测方法、装置


[0001]本申请涉及计算机及人工智能
，具体而言，涉及一种广告转化特征的预测方法、装置。

技术介绍

[0002]在对广告转化特征进行预测的场景中，通常是通过对广告的历史转化特征进行统计，然后基于统计值预测当前广告的转化特征，或者是根据当前广告的属性特征，通过传统的神经网络方法预测当前广告的转化特征值，然而，本申请专利技术人发现，通过上述两种方法所预测的广告转化特征的精度均较低，基于此，如何能够提高对广告转化特征的预测精度是亟待解决的技术问题。

技术实现思路

[0003]本申请的实施例提供了一种广告转化特征的预测方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备，进而至少在一定程度上可以提高对广告转化特征的预测精度。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的一个方面，提供了一种广告转化特征的预测方法，所述方法包括：获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。
[0006]根据本申请实施例的一个方面，提供了一种广告转化特征的预测装置，所述装置包括：第一获取单元，被用于获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；第一训练单元，被用于以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；第二训练单元，被用于以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；预测单元，被用于根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的目标转化特征。
[0007]在本申请的一些实施例中，基于前述方案，所述第一获取单元配置为：获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告
点击数据量和广告转化数量；将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据；将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。
[0008]在本申请的一些实施例中，基于前述方案，所述初始网络模型包括共享网络层和第一独享网络层，所述第一训练单元配置为：将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值；将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值；根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差；基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。
[0009]在本申请的一些实施例中，基于前述方案，所述第二训练单元配置为：将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。
[0010]在本申请的一些实施例中，基于前述方案，所述第二训练单元配置为：将所述第二输入数据输入至所述初始广告转化特征预测模型的共享网络层，以输出第二中间特征值；将所述第二中间特征值输入至所述第二独享网络层，以输出针对广告的转化特征预测值；根据所述第二标签数据和所述转化特征预测值，确定转化特征预测误差；基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，以得到广告转化特征预测模型。
[0011]在本申请的一些实施例中，基于前述方案，所述第一属性特征数据或第二属性特征数据或目标属性特征数据包括至少一个广告属性值；所述点击特征数据包括广告点击率或者广告点击成本；所述转化特征数据包括广告转化率或者广告转化成本。
[0012]在本申请的一些实施例中，基于前述方案，所述装置还包括：第二获取单元，被用于在通过所述广告转化特征预测模型预测所述目标广告的目标转化特征之后，获取针对目标广告的预估点击率和预估转化率；确定单元，被用于根据所述目标广告的预估点击率、预估转化率、以及目标转化特征，确定针对所述目标广告的定价策略。
[0013]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的广告转化特征的预测方法。
[0014]根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的广告转化特征的预测方法。
[0015]根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的广告转化特征的预测方法。
[0016]在本申请的一些实施例所提供的技术方案中，通过将广告的第一属性特征数据作为第一输入数据，将广告的点击特征数据作为第一标签数据，对初始网络模型进行训练，可以使得初始网络模型学习广告的第一属性特征数据与广告的点击特征数据之间的关联关
系，得到广告点击特征预测模型。进一步通过将广告的第二属性特征数据作为第二输入数据，将广告的转化特征数据作为第二标签数据，对广告点击特征预测模型进行训练，可以使得广告点击特征预测模型学习广告的第二属性特征数据与广告的转化特征数据之间的关联关系，得到广告转化特征预测模型。一方面，由于广告的转化数据非常稀疏，大量的曝光只有很少的转化，无法通过模型直接学习广告属性特征与广告转化特征之间的高纬度交叉信息。另一方面，由于广告的转化不是一个从曝光直接到转化的过程，而是先曝光再点击然后再转化的过程，点击和转化是一个相关的过程，所以本申请通过学习有广告点击数据信息的模型递进学习广告转化数据，可以弥补广告转化数据过少的问题，从而提高广告转化特征预测模型的准确性，进而提高通过广告转化特征预测模型预测的广告转化特征的精度。
[0017本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种广告转化特征的预测方法，其特征在于，所述方法包括：获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。2.根据权利要求1所述的方法，其特征在于，所述获取第一广告样本数据和第二广告样本数据，包括：获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告点击数据量和广告转化数量；将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据；将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。3.根据权利要求1所述的方法，其特征在于，所述初始网络模型包括共享网络层和第一独享网络层；所述以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型，包括：将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值；将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值；根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差；基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。4.根据权利要求3所述的方法，其特征在于，所述以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型，包括：将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。5.根据权利要求4所述的方法，其特征在于，所述以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为...

【专利技术属性】
技术研发人员：吕培立，谭斌，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：