点击率预测方法技术

本公开提供了点击率预测方法

【技术实现步骤摘要】
点击率预测方法、装置、计算机设备以及存储介质


[0001]本公开涉及计算机
，具体而言，涉及点击率预测方法
、
装置
、
计算机设备以及存储介质
。

技术介绍

[0002]在现有的广告投放方案中，通常会通过预测模型预测用户对投放内容的点击率，从而针对性的给用户投放更为感兴趣的优质内容，这里，该预测模型可以为神经网络，例如，深度神经网络
(Dynamic NeuralNetwork
，
DNN)。
具体的，考虑到用户和投放对象都是动态变化的，因此，可以实时更新预测模型中的特征，从而提高该预测模型的预测效果
。
[0003]然而，在对预测模型进行更新时，通常只是将先验特征注入到预测模型中，而无法控制预测模型对该先验特征的训练效果，从而导致训练模型的预测效果提升不明显，预测结果的参考价值较低
。

技术实现思路

[0004]本公开实施例至少提供点击率预测方法
、
装置
、
计算机设备以及存储介质
。
[0005]第一方面，本公开实施例提供了一种点击率预测方法，包括：
[0006]获取原始预测模型对应的待处理特征，并将所述待处理特征加入第一预测模型，得到第二预测模型；
[0007]基于所述第二预测模型与所述原始预测模型，确定目标预测模型；
[0008]将待预测数据输入至所述目标预测模型，得到目标对象对预测对象的点击概率
。
[0009]一种可选的实施方式中，所述获取原始预测模型对应的待处理特征，包括：
[0010]获取所述目标对象或者预测对象的对象特征；
[0011]在所述对象特征中确定出与所述点击概率关联度高于关联阈值的对象特征，并将所述对象特征确定为待处理特征
。
[0012]一种可选的实施方式中，所述第一预测模型包括逻辑回归模型；
[0013]所述将所述待处理特征加入第一预测模型，得到第二预测模型，包括：
[0014]对所述待处理特征进行非线性处理，得到离散特征；
[0015]将所述离散特征加入所述逻辑回归模型，得到所述第一预测模型
。
[0016]一种可选的实施方式中，将待预测数据输入至所述目标预测模型，得到目标对象对预测对象的点击概率，包括：
[0017]将待预测数据输入至所述目标预测模型中的第二预测模型，得到第一对数值；
[0018]将待预测数据输入至所述目标预测模型中的原始预测模型，得到第二对数值；
[0019]基于所述第一对数值与所述第二对数值，确定所述目标对象对预测对象的点击概率
。
[0020]一种可选的实施方式中，所述第二预测模型包括：深度神经网络；
[0021]基于所述第二预测模型与所述原始预测模型，确定目标预测模型，包括：
[0022]获取所述深度神经网络对应的第一预设维度；
[0023]将所述待处理特征输入至所述深度神经网络，得到第一预设维度的第一特征向量，其中，所述第一特征向量用于指示所述待处理特征的权重值；
[0024]基于所述第一特征向量，更新所述原始预测模型的模型参数，得到目标预测模型
。
[0025]一种可选的实施方式中，所述基于所述第一特征向量，更新所述原始预测模型的模型参数，得到目标预测模型，包括：
[0026]获取所述原始预测模型对应的原始向量，并确定所述原始向量的第二预设维度；
[0027]通过所述第二预设维度，确定所述待处理特征的第二特征向量；
[0028]确定所述第一特征向量与所述第二特征向量的乘积，并基于所述乘积更新所述原始预测模型的模型参数，得到目标预测模型
。
[0029]第二方面，本公开实施例还提供一种点击率预测装置，包括：
[0030]获取单元，用于获取原始预测模型对应的待处理特征，并将所述待处理特征加入第一预测模型，得到第二预测模型；
[0031]确定单元，用于基于所述第二预测模型与所述原始预测模型，确定目标预测模型；
[0032]预测单元，用于将待预测数据输入至所述目标预测模型，得到目标对象对预测对象的点击概率
。
[0033]第三方面，本公开实施例还提供一种计算机设备，包括：处理器
、
存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤
。
[0034]第四方面，本申请还提供了一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请上述任一项所述的点击率预测方法
。
[0035]本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，在本公开实施例中，首先可以获取原始预测模型对应的待处理特征，并将该待处理特征加入第一预测模型，以得到第二预测模型
。
接下来，可以基于该第二预测模型与原始预测模型的，确定目标预测模型，从而通过该目标预测模型对待预测数据进行处理，得到目标对象对预测对象的点击概率，避免了直接将待处理特征输入到原始预测模型中进训练时，待处理特征原始信息损失过多，影响模型训练效果，在一定程度上提高了预测结果的参考价值
。
附图说明
[0036]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案
。
应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图
。
[0037]图1示出了本公开实施例所提供的一种点击率预测方法的流程图；
[0038]图2示出了本公开实施例所提供的一种目标预测模型预测流程的示意图；
[0039]图3示出了本公开实施例所提供的一种确定目标预测模型的示意图；
[0040]图4示出了本公开实施例所提供的一种点击率预测装置的示意图；
[0041]图5示出了本公开实施例所提供的一种计算机设备的示意图
。
具体实施方式
[0042]为使本公开实施例的目的
、
技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计
。
因此，以下对在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种点击率预测方法，其特征在于，包括：获取原始预测模型对应的待处理特征，并将所述待处理特征加入第一预测模型，得到第二预测模型；基于所述第二预测模型与所述原始预测模型，确定目标预测模型；将待预测数据输入至所述目标预测模型，得到目标对象对预测对象的点击概率
。2.
根据权利要求1所述的方法，其特征在于，所述获取原始预测模型对应的待处理特征，包括：获取所述目标对象或者预测对象的对象特征；在所述对象特征中确定出与所述点击概率关联度高于关联阈值的对象特征，并将所述对象特征确定为待处理特征
。3.
根据权利要求1所述的方法，其特征在于，所述第一预测模型包括逻辑回归模型；所述将所述待处理特征加入第一预测模型，得到第二预测模型，包括：对所述待处理特征进行非线性处理，得到离散特征；将所述离散特征加入所述逻辑回归模型，得到所述第一预测模型
。4.
根据权利要求3所述的方法，其特征在于，将待预测数据输入至所述目标预测模型，得到目标对象对预测对象的点击概率，包括：将待预测数据输入至所述目标预测模型中的第二预测模型，得到第一对数值；将待预测数据输入至所述目标预测模型中的原始预测模型，得到第二对数值；基于所述第一对数值与所述第二对数值，确定所述目标对象对预测对象的点击概率
。5.
根据权利要求1所述的方法，其特征在于，所述第二预测模型包括：深度神经网络；基于所述第二预测模型与所述原始预测模型，确定目标预测模型，包括：获取所述深度神经网络对应的第一预设维度；将所述待处理特征输入至所述深度神经网络，得到第一...

【专利技术属性】
技术研发人员：周亮，
申请(专利权)人：上海众源网络有限公司，
类型：发明
国别省市：