CN104951965B - 广告投放方法及装置 - Google Patents
广告投放方法及装置 Download PDFInfo
- Publication number
- CN104951965B CN104951965B CN201510364389.2A CN201510364389A CN104951965B CN 104951965 B CN104951965 B CN 104951965B CN 201510364389 A CN201510364389 A CN 201510364389A CN 104951965 B CN104951965 B CN 104951965B
- Authority
- CN
- China
- Prior art keywords
- click rate
- characteristic parameter
- hidden layer
- advertisement
- rate characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种广告投放方法,其包括获取广告点击率特征参数;根据广告点击率特征参数,建立相应的输入层神经元;根据广告点击率特征参数,对输入层神经元进行分类;根据输入层神经元的类别,建立隐藏层神经元;根据隐藏层神经元,输出预估广告点击率特征;以及根据预估广告点击率特征,进行广告投放。本发明还提供一种广告投放装置。本发明提供的广告投放方法及广告投放装置通过对神经网络结构的输入层神经元进行分类,降低了神经网络结构在训练时的计算量,同时使得神经网络结构在训练时更易收敛,提高了广告投放目标的准确度。
Description
技术领域
本发明涉及广告技术领域,特别是涉及一种广告投放方法及装置。
背景技术
目前,业内进行广告投放时,都是使用了基于广告点击率预估的方法都广告进行排序。具体方法为,首先通过逻辑回归算法预估候选广告的点击率,即广告点击率预估(pCTR,predicted click-through rate),然后基于pCTR计算广告的质量度(Quality),最后将广告按照出价(Bid)*Quality逆序排列并展现,出价越高且质量度越高的广告排序越靠前。在排序时遵循普遍二级价格拍卖(GSP,Generalized SecondPrice Auction)机制,该机制可以最大化搜索引擎的收益,达到GSP均衡。在上述计算过程中,广告点击率预估是最核心的部分之一。
如图1所示,图1为现有的深度神经网络结构的结构示意图。该神经网络结构10包括一输入层101、两个隐藏层102以及一个输出层103,其中输入层101为将训练数据中每条广告中的用户特征和广告特征组合离散化后的独热编码向量。隐藏层102根据输入层101的独热编码向量进行模型训练。从图1中可见,该神经网络结构10为全连接结构,即该神经网络结构中的输入层101和隐藏层102的神经元、两个隐藏层102的神经元以及隐藏层与输出层103的神经元之间的连接均采用全连接方式。
现有的深度神经网络结构10中需要将成千上万个特征离散化后的稀疏特征向量作为神经网络结构10的输入,因此必须构造相同数量的输入层神经元,同时输入层101到隐藏层102、不同隐藏层102之间、隐藏层102到输出层103均采用全连接方式,整个深度神经网络结构10的模型参数众多,计算量大且收敛较难;从而造成广告投放目标不准确。
发明内容
本发明实施例提供一种使用计算量较小以及较易收敛的神经网络结构的广告投放方法和广告投放装置,该广告投放方法及广告投放装置的广告投放目标准确度较高;以解决现有的广告投放方法及广告投放装置的广告投放目标不准确的技术问题。
本发明实施例提供一种广告投放方法,其包括:
获取广告点击率特征参数,其中所述广告点击率特征参数包括广告特征参数以及用户特征参数;
根据所述广告点击率特征参数,建立相应的输入层神经元;
根据所述广告点击率特征参数,对所述输入层神经元进行分类;
根据所述输入层神经元的类别,建立隐藏层神经元;其中所述隐藏层神经元和至少一个所述输入层神经元连接;
根据所述隐藏层神经元,输出预估广告点击率特征;以及
根据所述预估广告点击率特征,进行广告投放。
本发明实施例还提供一种广告投放装置,其包括:
点击率特征参数获取模块,用于获取广告点击率特征参数,其中所述广告点击率特征参数包括广告特征参数以及用户特征参数;
输入层神经元建立模块,用于根据所述广告点击率特征参数,建立相应的输入层神经元;
输入层神经元分类模块,用于根据所述广告点击率特征参数,对所述输入层神经元进行分类;
隐藏层神经元建立模块,用于根据所述输入层神经元的类别,建立隐藏层神经元;其中所述隐藏层神经元和至少一个所述输入层神经元连接;
点击率特征输出模块,用于根据所述隐藏层神经元,输出预估广告点击率特征;以及
广告投放模块,用于根据所述预估广告点击率特征,进行广告投放。
相较于现有技术的广告投放方法和广告投放装置,本发明的广告投放方法和广告投放装置通过对神经网络结构的输入层神经元进行分类,降低了神经网络结构在训练时的计算量,同时使得神经网络结构在训练时更易收敛,提高了广告投放目标的准确度;解决了现有的广告投放方法及广告投放装置的广告投放目标不准确的技术问题。
附图说明
图1为现有的深度神经网络结构的结构示意图;
图2为本发明的广告投放方法的优选实施例的流程图;
图3为本发明的广告投放方法的优选实施例的步骤S203的流程图;
图4为本发明的广告投放装置的优选实施例的结构示意图;
图5为本发明的广告投放装置的优选实施例的输入层神经元分类模块的结构示意图;
图6为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之一;
图7为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之二;
图8为本发明的广告投放方法及广告投放装置的具体实施例的广告点击率特征参数转换示意图;
图9为本发明的广告投放方法及广告投放装置的第一具体实施例对应的深度神经网络结构的结构示意图;
图10为本发明的广告投放方法及广告投放装置的第二具体实施例对应的深度神经网络结构的结构示意图;
图11为本发明的广告投放方法及广告投放装置的第三具体实施例对应的深度神经网络结构的结构示意图;
图12为本发明的广告投放方法及广告投放装置的第四具体实施例对应的深度神经网络结构的结构示意图;
图13为本发明的广告投放装置所在的电子设备的工作环境结构示意图。
具体实施方式
请参照图式,其中相同的组件符号代表相同的组件,本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例,其不应被视为限制本发明未在此详述的其它具体实施例。
在以下的说明中,本发明的具体实施例将参考由一部或多部计算机所执行之作业的步骤及符号来说明,除非另有述明。因此,其将可了解到这些步骤及操作,其中有数次提到为由计算机执行,包括了由代表了以一结构化型式中的数据之电子信号的计算机处理单元所操纵。此操纵转换该数据或将其维持在该计算机之内存系统中的位置处,其可重新配置或另外以本领域技术人员所熟知的方式来改变该计算机之运作。该数据所维持的数据结构为该内存之实体位置,其具有由该数据格式所定义的特定特性。但是,本发明原理以上述文字来说明,其并不代表为一种限制,本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本发明的广告投放方法可使用各种具有计算能力的电子设备进行实施,该电子设备包括但不限于个人计算机、服务器计算机、手持式或膝上型设备、移动设备(比如移动电话、个人数字助理(PDA)、媒体播放器等等)、多处理器系统、消费型电子设备、小型计算机、大型计算机、包括上述任意系统或设备的分布式计算环境,等等。本发明的广告投放方法通过使用在训练时计算量较小且更易收敛的神经网络结构,提高了广告投放目标的准确性。
请参照图2,图2为本发明的广告投放方法的优选实施例的流程图。本优选实施例的广告投放方法包括:
步骤S201,获取广告点击率特征参数;
步骤S202,根据广告点击率特征参数,建立相应的输入层神经元;
步骤S203,根据广告点击率特征参数,对输入层神经元进行分类;
步骤S204,根据输入层神经元的类别,建立隐藏层神经元;
步骤S205,根据隐藏层神经元,输出预估广告点击率特征;
步骤S206,根据预估广告点击率特征,进行广告投放;
下面详细说明本优选实施例的广告投放方法的各步骤的具体流程。
在步骤S201中,广告投放装置获取广告点击率特征参数,该广告点击率特征参数可包括广告特征参数以及用户特征参数。其中广告特征参数可包括广告文字或图片等内容,广告类别等广告侧的特征参数;用户特征参数可包括用户的年龄、性别、地址、网龄以及兴趣爱好等用户侧的特征参数。
由于上述特征均为人的逻辑表达,因此可使用独热编码(One-Hot Encoding)将上述广告点击率特征参数转换为可被机器识别的数值。这样这些数值可作为相应的深度神经网络结构的输入向量。随后转到步骤S202。
在步骤S202中,广告投放装置根据步骤S201获取的机器可识别的广告点击率特征参数,建立深度神经网络结构的输入层神经元,随后转到步骤S203。
在步骤S203中,广告投放装置根据步骤S201获取的广告点击率特征参数,对步骤S202建立的输入层神经元进行分类;具体为广告投放装置根据不同种类的广告点击率特征参数的相关性,对输入层神经元进行分类;具体请参照图3,图3为本发明的广告投放方法的优选实施例的步骤S203的流程图。该步骤S203包括:
步骤S2031,广告投放装置计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数。如使用用户年龄的用户特征参数对样本进行分类,以及使用用户网龄的用户特征参数对样本进行分类,然后通过判断对应类别中心之间的距离来判断每个广告点击率特征参数与其他广告点击率特征参数的相关系数,该距离越小,即说明分类结构越相似,两种广告点击率特征参数的相关性就越高,相关系数就越大。
如按用户年龄将样本分为三类,以及按用户网龄将样本分为三类,两种划分方式对应的三个类别中心的距离小于设定值,则认为用户年龄的用户特征参数和用户网龄的用户特征参数的相关系数较大。如按用户地址将样本分为五类类,按用户兴趣爱好将样本分为五类,两种划分方式对应的五个类别中心的距离大于设定值,则认为用户地址的用户特征参数和用户兴趣爱好的用户特征参数的相关系数较小,甚至两个用户特征参数完全不相关。当然这里也可直接人为设置两个用户特征参数的相关系数。随后转到步骤S2032。
步骤S2032,广告投放装置根据步骤S2031获取的广告点击率特征参数的相关系数对广告点击率特征参数进行分类,具体包括步骤:
首先广告投放装置计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数和,如该相关系数和小于设定值,则认为该广告点击率特征参数与其他广告点击率特征参数相关性较差,即该广告点击率特征参数对广告点击率特征的显著性较强,因此将该相关系数和小于设定值的广告点击率特征参数单独设定为一个类别。
相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数的相关性较强,即该广告点击率特征参数对广告点击率特征的显著性较差,因此可将相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数设定到同一类别中,以减小深度神经网络结构的计算量。这里可将相关系数和大于等于设定值的广告点击率特征参数设定到广告点击率特征参数的最大相关性类别中,其中最大相关性类别为与该广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。
这样即完成了对广告点击率特征参数的分类操作。随后转到步骤S2033。
步骤S2033,广告投放装置按步骤S2032获取的广告点击率特征参数的类别,对相应的输入层神经元也进行分类。随后转到步骤S204。
在步骤S204中,广告投放装置根据步骤S203获取的输入层神经元的类别,建立隐藏层神经元,其中隐藏层神经元和至少一个输入层神经元连接。具体为广告投放装置根据步骤S203获取的输入层神经元的类别,建立第一隐藏层神经元,该第一隐藏层神经元包括多个神经元组,每个神经元组与对应类别的至少一个输入层神经元连接,这样即完成了第一隐藏层神经元的分类。随后转到步骤S205。
在步骤S205中,广告投放装置根据步骤S204建立的第一隐藏层神经元,通过输出层神经元输出预估广告点击率特征。随后转到步骤S206。
在步骤S206中,广告投放装置根据步骤S205输出的预估广告点击率特征,进行广告投放。
这样即完成了本优选实施例的广告投放方法的广告投放过程。
本优选实施例的广告投放方法中的输入层神经元根据输入向量进行分类处理,同时隐藏层神经元也进行了相应的分类处理,即突出了隐藏层神经元之间功用的差异性,给每个隐藏层神经元的神经元组分配不同的训练任务,着力刻画训练不同的广告特征以及用户特征的作用,这样降低了深度神经网络的计算量,加快了深度神经网络的学习过程,同时由于各个类别之间的相关性较差,因此对计算结果的影响较小。最后通过输出层神经元与隐藏层神经元的全连接将各个相关性较差的不同神经元组的隐藏层神经元的输出进行汇总,输出预估广告点击率特征。
优选的,在步骤S204中,广告投放装置还可建立与第一隐藏层神经元全连接的第二隐藏层神经元。在步骤S205中,广告投放装置看根据第二隐藏层神经元,通过输出层神经元输出预估广告点击率特征。这样通过第二隐藏层神经元和第一隐藏层神经元的全连接将各个相关性较差的不同神经元组的第一隐藏层神经元的输出进行汇总,输出预估广告点击率特征。从而降低了对输出层神经元的全连接要求。
本优选实施例的广告投放方法通过对神经网络结构的输入层神经元进行分类,降低了神经网络结构在训练时的计算量,同时使得神经网络结构在训练时更易收敛,提高了广告投放目标的准确度。
本发明还提供一种广告投放装置,请参照图4,图4为本发明的广告投放装置的优选实施例的结构示意图。本优选实施例的广告投放装置40包括点击率特征参数获取模块41、输入层神经元建立模块42、输入层神经元分类模块43、隐藏层神经元建立模块44、点击率特征输出模块45以及广告投放模块46。点击率特征参数获取模块41用于获取广告点击率特征参数;输入层神经元建立模块42用于根据广告点击率特征参数,建立相应的输入层神经元;输入层神经元分类模块43用于根据广告点击率特征参数,对输入层神经元进行分类;具体用于根据不同的广告点击率特征参数的相关性,对输入层神经元进行分类;隐藏层神经元建立模块44用于根据输入层神经元的类别,建立隐藏层神经元;点击率特征输出模块45用于根据隐藏层神经元,输出预估广告点击率特征;广告投放模块46用于根据预估广告点击率特征,进行广告投放。
请参照图5,图5为本发明的广告投放装置的优选实施例的输入层神经元输入模块的结构示意图。该输入层神经元分类模块43包括相关系数计算单元431、点击率特征参数分类单元432以及输入层神经元分类单元433。相关系数计算单元431用于计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数;点击率特征参数分类单元432用于根据广告点击率特征参数的相关系数对广告点击率特征参数进行分类;输入层神经元分类单元433用于按广告点击率特征参数的类别,对输入层神经元进行分类。
其中点击率特征分类单元432包括第一类别设定子单元以及第二类别设定子单元;第一类别设定子单元用于将相关系数和小于设定值的广告点击率特征参数设定为一个类别;第二类别设定子单元用于将相关系数和大于等于设定值的广告点击率特征参数设定到广告点击率特征参数的最大相关性类别中,其中最大相关性类别为与广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。
请参照图6,图6为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之一。该隐藏层神经元建立模块44包括第一隐藏层神经元建立单元441,该第一隐藏层神经元建立单元441用于根据输入层神经元的类别,建立第一隐藏层神经元。点击率特征输出模块45具体用于根据第一隐藏层神经元,通过输出层神经元输出预估广告点击率特征。
下面详细说明本优选实施例的广告投放装置的具体工作流程。
首先点击率特征参数获取模块41获取广告点击率特征参数,该广告点击率特征参数可包括广告特征参数以及用户特征参数。其中广告特征参数可包括广告文字或图片等内容,广告类别等广告侧的特征参数;用户特征参数可包括用户的年龄、性别、地址、网龄以及兴趣爱好等用户侧的特征参数。
由于上述特征均为人的逻辑表达,因此可使用独热编码(One-Hot Encoding)将上述广告点击率特征参数转换为可被机器识别的数值。这样这些数值可作为相应的深度神经网络结构的输入向量。
随后输入层神经元建立模块42根据点击率特征参数获取模块41获取的机器可识别的广告点击率特征参数,建立深度神经网络结构的输入层神经元。
然后输入层神经元分类模块43根据点击率特征参数获取模块41获取的广告点击率特征参数,对输入层神经元建立模块42建立的输入层神经元进行分类;具体为输入层神经元分类模块43根据不同种类的广告点击率特征参数的相关性,对输入层神经元进行分类;其包括:
输入层神经元分类模块43的相关系数计算单元431计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数。如使用用户年龄的用户特征参数对样本进行分类,以及使用用户网龄的用户特征参数对样本进行分类,然后通过判断对应类别中心之间的距离来判断每个广告点击率特征参数与其他广告点击率特征参数的相关系数,该距离越小,即说明分类结构越相似,两种广告点击率特征参数的相关性就越高,相关系数就越大。
如按用户年龄将样本分为三类,以及按用户网龄将样本分为三类,两种划分方式对应的三个类别中心的距离小于设定值,则认为用户年龄的用户特征参数和用户网龄的用户特征参数的相关系数较大。如按用户地址将样本分为五类类,按用户兴趣爱好将样本分为五类,两种划分方式对应的五个类别中心的距离大于设定值,则认为用户地址的用户特征参数和用户兴趣爱好的用户特征参数的相关系数较小,甚至两个用户特征参数完全不相关。当然这里也可直接人为设置两个用户特征参数的相关系数。
随后输入层神经元分类模块43的点击率特征参数分类单元432根据相关系数计算单元获取的广告点击率特征参数的相关系数对广告点击率特征参数进行分类,具体包括步骤:
点击率特征分类单元432计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数和,如该相关系数和小于设定值,则认为该广告点击率特征参数与其他广告点击率特征参数相关性较差,即该广告点击率特征参数对广告点击率特征的显著性较强,因此第一类别设定子单元将该相关系数和小于设定值的广告点击率特征参数单独设定为一个类别。
相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数的相关性较强,即该广告点击率特征参数对广告点击率特征的显著性较差,因此第二类别设定子单元可将相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数设定到同一类别中,以减小深度神经网络结构的计算量。这里可将相关系数和大于等于设定值的广告点击率特征参数设定到广告点击率特征参数的最大相关性类别中,其中最大相关性类别为与该广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。这样即完成了对广告点击率特征参数的分类操作。
然后输入层神经元分类单元433按点击率特征参数分类单元432获取的广告点击率特征参数的类别,对相应的输入层神经元也进行分类。
随后隐藏层神经元建立模块44根据输入层神经元分类模块43获取的输入层神经元的类别,建立隐藏层神经元,其中隐藏层神经元和至少一个输入层神经元连接。具体为第一隐藏层神经元建立单元441根据输入层神经元分类模块43获取的输入层神经元的类别,建立第一隐藏层神经元,该第一隐藏层神经元包括多个神经元组,每个神经元组与对应类别的至少一个输入层神经元连接,这样即完成了第一隐藏层神经元的分类。
然后点击率特征输出模块45根据隐藏层神经元建立模块44建立的第一隐藏层神经元,通过输出层神经元输出预估广告点击率特征。
最后广告投放模块46根据点击率特征输出模块45输出的预估广告点击率特征,进行广告投放。
这样即完成了本优选实施例的广告投放装置40的广告投放过程。
本优选实施例的广告投放装置40的输入层神经元根据输入向量进行分类处理,同时隐藏层神经元也进行了相应的分类处理,即突出了隐藏层神经元之间功用的差异性,给每个隐藏层神经元的神经元组分配不同的训练任务,着力刻画训练不同的广告特征以及用户特征的突出作用,这样降低了深度神经网络的计算量,加快了深度神经网络的学习过程,同时由于各个类别之间的相关性较差,因此对计算结果的影响较小。最后通过输出层神经元与隐藏层神经元的全连接将各个相关性较差的不同神经元组的隐藏层神经元的输出进行汇总,输出预估广告点击率特征。
优选的,请参照图7,图7为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之二。该隐藏层神经元建立模块44还可包括第二隐藏层神经元建立单元442,该第二隐藏层神经元建立单元442用于建立第二隐藏层神经元,其中第二隐藏层神经元与第一隐藏深神经元全连接。随后点击率特征输出模块45根据第二隐藏层神经元,通过输出层神经元输出预估广告点击率特征。这样通过第二隐藏层神经元和第一隐藏层神经元的全连接将各个相关性较差的不同神经元组的第一隐藏层神经元的输出进行汇总,输出预估广告点击率特征。从而降低了对输出层神经元的全连接要求。
本优选实施例的广告投放装置通过对神经网络结构的输入层神经元进行分类,降低了神经网络结构在训练时的计算量,同时使得神经网络结构在训练时更易收敛,提高了广告投放目标的准确度。
下面将通过具体实施例说明本发明的广告投放方法及广告投放装置的具体工作原理。请参照图8和图9,图8为本发明的广告投放方法及广告投放装置的具体实施例的广告点击率特征参数转换示意图,图9为本发明的广告投放方法及广告投放装置的第一具体实施例对应的深度神经网络结构的结构示意图。该具体实施例的广告投放过程包括:
步骤1,广告投放装置获取广告点击率特征参数,并使用独热编码将广告点击率特征参数转换为可被机器识别的数值,这样这些数值可作为相应的深度神经网络结构的输入向量,具体如图8所示。
步骤2,广告投放装置根据广告点击率特征参数的相关性,对广告点击率特征参数进行分类,具体分类方式可参见上述广告投放方法的优选实施例中的相关描述。如广告点击率特征参数A、广告点击率特征参数D以及广告点击率特征参数E为一类;广告点击率特征参数B、广告点击率特征参数F以及广告点击率特征参数G为一类;广告点击率特征参数C、广告点击率特征参数H以及广告点击率特征参数I为一类。
步骤3,广告投放装置随后根据广告点击率特征参数的类别,对输入层神经元901也进行分类,具体如图9所示,图中的同一虚线框内的输入层神经元901为同一类;即输入层神经元A、输入层神经元D以及输入层神经元E为一类;输入层神经元B、输入层神经元F以及输入层神经元G为一类;输入层神经元C、输入层神经元H以及输入层神经元I为一类。
步骤4,广告投放装置建立具有多个隐藏层神经元902的神经元组903,即通过神经元组903对隐藏层神经元902进行分类,神经元组903中的每个隐藏层神经元902均与相应的输入层神经元901连接,具体如图9所示,。
步骤5,广告投放装置建立输出层神经元904,输出层神经元904与隐藏层神经元902全连接,对隐藏层神经元902的输出进行汇总,输出预估广告点击率特征。即将输入层神经元901和隐藏层神经元902的向前输出进行汇总,并将误差信号向后递归至隐藏层神经元902以及输入层神经元901。由于向前输出以及向后递归均在同一种类的输入层神经元901和隐藏层神经元902内进行,因此整个深度神经网络结构在训练时的计算量较小,且较易收敛。
步骤6,广告投放装置根据输出的预估广告点击率特征,进行广告投放。
这样即完成了本具体实施例的广告投放方法以及广告投放装置的广告投放过程。
请参照图8和图10,图10为本发明的广告投放方法及广告投放装置的第二具体实施例对应的深度神经网络结构的结构示意图。该具体实施例的广告投放过程包括:
步骤1,广告投放装置获取广告点击率特征参数,并使用独热编码将广告点击率特征参数转换为可被机器识别的数值,这样这些数值可作为相应的深度神经网络结构的输入向量,具体如图8所示。
步骤2,广告投放装置根据广告点击率特征参数的相关性,对广告点击率特征参数进行分类,具体分类方式可参见上述广告投放方法的优选实施例中的相关描述。如广告点击率特征参数A、广告点击率特征参数D以及广告点击率特征参数E为一类;广告点击率特征参数B、广告点击率特征参数F以及广告点击率特征参数G为一类;广告点击率特征参数C、广告点击率特征参数H以及广告点击率特征参数I为一类。
步骤3,广告投放装置随后根据广告点击率特征参数的类别,对输入层神经元1001也进行分类,具体如图10所示,图中的同一虚线框内的输入层神经元901为同一类。输入层神经元A、输入层神经元D以及输入层神经元E为一类;输入层神经元B、输入层神经元F以及输入层神经元G为一类;输入层神经元C、输入层神经元H以及输入层神经元I为一类。
步骤4,广告投放装置建立具有多个第一隐藏层神经元1002的神经元组1003,即通过神经元组1003对第一隐藏层神经元1002进行分类,神经元组1003中的每个第一隐藏层神经元1002均与相应的输入层神经元1001连接,具体如图10所示。
步骤5,广告投放装置建立第二隐藏层神经元1004,该第二隐藏层神经元1004与第一隐藏层神经元1002全连接,这样通过第二隐藏层神经元1004和第一隐藏层神经元1002的全连接将各个相关性较差的不同神经元组1003的第一隐藏层神经元1002的输出进行汇总,具体如图10所示。
步骤6,广告投放装置建立输出层神经元1005,输出层神经元1005与第二隐藏层神经元1004全连接,对第二隐藏层神经元1004的输出进行汇总,输出预估广告点击率特征。即将输入层神经元1001、第一隐藏层神经元1002以及第二隐藏层神经元1004的向前输出进行汇总,并将误差信号向后递归至第二隐藏层神经元1004、第一隐藏层神经元1002以及输入层神经元1001。由于向前输出以及向后递归均在同一种类的输入层神经元1001和第一隐藏层神经元1002内进行,因此整个深度神经网络结构在训练时的计算量较小,且较易收敛。
步骤7,广告投放装置根据输出的预估广告点击率特征,进行广告投放。
这样即完成了本具体实施例的广告投放方法以及广告投放装置的广告投放过程。
优选的,本发明的广告投放方法及广告投放装置中可对全部隐藏层神经元进行分类,也可仅对部分的隐藏层神经元进行分类,如图11和图12所示,图11为本发明的广告投放方法及广告投放装置的第三具体实施例对应的深度神经网络结构的结构示意图。图12为本发明的广告投放方法及广告投放装置的第四具体实施例对应的深度神经网络结构的结构示意图。图11中具有一与输入层神经元、输出层神经元全连接的第一隐藏层神经元M。图12中也具有一与输入层神经元、第二隐藏层神经元全连接的第一隐藏层神经元N。这样同样可以降低深度神经网络结构的计算量,同时还可通过第一隐藏层神经元M和第一隐藏层神经元N进一步提高输出的预估广告点击率特征的准确性。
本发明的广告投放方法和广告投放装置通过对神经网络结构的输入层神经元进行分类,降低了神经网络结构在训练时的计算量,同时使得神经网络结构在训练时更易收敛,提高了广告投放目标的准确度;解决了现有的广告投放方法及广告投放装置的广告投放目标不准确的技术问题。
如本申请所使用的术语“组件”、“模块”、“系统”、“接口”、“进程”等等一般地旨在指计算机相关实体:硬件、硬件和软件的组合、软件或执行中的软件。例如,组件可以是但不限于是运行在处理器上的进程、处理器、对象、可执行应用、执行的线程、程序和/或计算机。通过图示,运行在控制器上的应用和该控制器二者都可以是组件。一个或多个组件可以有在于执行的进程和/或线程内,并且组件可以位于一个计算机上和/或分布在两个或更多计算机之间。
而且,要求保护的主题可以被实现为使用标准编程和/或工程技术产生软件、固件、硬件或其任意组合以控制计算机实现所公开的主题的方法、装置或制造品。本文所使用的术语“制造品”旨在包含可从任意计算机可读设备、载体或介质访问的计算机程序。当然,本领域技术人员将认识到可以对该配置进行许多修改,而不脱离要求保护的主题的范围或精神。
图13和随后的讨论提供了对实现本发明所述的广告投放装置所在的电子设备的工作环境的简短、概括的描述。图13的工作环境仅仅是适当的工作环境的一个实例并且不旨在建议关于工作环境的用途或功能的范围的任何限制。实例电子设备1312包括但不限于个人计算机、服务器计算机、手持式或膝上型设备、移动设备(比如移动电话、个人数字助理(PDA)、媒体播放器等等)、多处理器系统、消费型电子设备、小型计算机、大型计算机、包括上述任意系统或设备的分布式计算环境,等等。
尽管没有要求,但是在“计算机可读指令”被一个或多个电子设备执行的通用背景下描述实施例。计算机可读指令可以经由计算机可读介质来分布(下文讨论)。计算机可读指令可以实现为程序模块,比如执行特定任务或实现特定抽象数据类型的功能、对象、应用编程接口(API)、数据结构等等。典型地,该计算机可读指令的功能可以在各种环境中随意组合或分布。
图13图示了包括本发明的广告投放装置的一个或多个实施例的电子设备1312的实例。在一种配置中,电子设备1312包括至少一个处理单元1316和存储器1318。根据电子设备的确切配置和类型,存储器1318可以是易失性的(比如RAM)、非易失性的(比如ROM、闪存等)或二者的某种组合。该配置在图13中由虚线1314图示。
在其他实施例中,电子设备1312可以包括附加特征和/或功能。例如,设备1312还可以包括附加的存储装置(例如可移除和/或不可移除的),其包括但不限于磁存储装置、光存储装置等等。这种附加存储装置在图13中由存储装置1320图示。在一个实施例中,用于实现本文所提供的一个或多个实施例的计算机可读指令可以在存储装置1320中。存储装置1320还可以存储用于实现操作系统、应用程序等的其他计算机可读指令。计算机可读指令可以载入存储器1318中由例如处理单元1316执行。
本文所使用的术语“计算机可读介质”包括计算机存储介质。计算机存储介质包括以用于存储诸如计算机可读指令或其他数据之类的信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。存储器1318和存储装置1320是计算机存储介质的实例。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储设备、或可以用于存储期望信息并可以被电子设备1312访问的任何其他介质。任意这样的计算机存储介质可以是电子设备1312的一部分。
电子设备1312还可以包括允许电子设备1312与其他设备通信的通信连接1326。通信连接1326可以包括但不限于调制解调器、网络接口卡(NIC)、集成网络接口、射频发射器/接收器、红外端口、USB连接或用于将电子设备1312连接到其他电子设备的其他接口。通信连接1326可以包括有线连接或无线连接。通信连接1326可以发射和/或接收通信媒体。
术语“计算机可读介质”可以包括通信介质。通信介质典型地包含计算机可读指令或诸如载波或其他传输机构之类的“己调制数据信号”中的其他数据,并且包括任何信息递送介质。术语“己调制数据信号”可以包括这样的信号:该信号特性中的一个或多个按照将信息编码到信号中的方式来设置或改变。
电子设备1312可以包括输入设备1324,比如键盘、鼠标、笔、语音输入设备、触摸输入设备、红外相机、视频输入设备和/或任何其他输入设备。设备1312中也可以包括输出设备1322,比如一个或多个显示器、扬声器、打印机和/或任意其他输出设备。输入设备1324和输出设备1322可以经由有线连接、无线连接或其任意组合连接到电子设备1312。在一个实施例中,来自另一个电子设备的输入设备或输出设备可以被用作电子设备1312的输入设备1324或输出设备1322。
电子设备1312的组件可以通过各种互连(比如总线)连接。这样的互连可以包括外围组件互连(PCI)(比如快速PCI)、通用串行总线(USB)、火线(IEEE1394)、光学总线结构等等。在另一个实施例中,电子设备1312的组件可以通过网络互连。例如,存储器1318可以由位于不同物理位置中的、通过网络互连的多个物理存储器单元构成。
本领域技术人员将认识到,用于存储计算机可读指令的存储设备可以跨越网络分布。例如,可经由网络1328访问的电子设备1330可以存储用于实现本发明所提供的一个或多个实施例的计算机可读指令。电子设备1312可以访问电子设备1330并且下载计算机可读指令的一部分或所有以供执行。可替代地,电子设备1312可以按需要下载多条计算机可读指令,或者一些指令可以在电子设备1312处执行并且一些指令可以在电子设备1330处执行。
本文提供了实施例的各种操作。在一个实施例中,所述的一个或多个操作可以构成一个或多个计算机可读介质上存储的计算机可读指令,其在被电子设备执行时将使得计算设备执行所述操作。描述一些或所有操作的顺序不应当被解释为暗示这些操作必需是顺序相关的。本领域技术人员将理解具有本说明书的益处的可替代的排序。而且,应当理解,不是所有操作必需在本文所提供的每个实施例中存在。
而且,本文所使用的词语“优选的”意指用作实例、示例或例证。奉文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反,词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即,除非另外指定或从上下文中清楚,“X使用A或B”意指自然包括排列的任意一个。即,如果X使用A;X使用B;或X使用A和B二者,则“X使用A或B”在前述任一示例中得到满足。
而且,尽管已经相对于一个或多个实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件、资源等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或多个其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或系统,可以执行相应方法实施例中的方法。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,因此本发明的保护范围以权利要求界定的范围为准。
Claims (14)
1.一种广告投放方法,其特征在于,包括:
获取广告点击率特征参数,其中所述广告点击率特征参数包括广告特征参数以及用户特征参数;
根据所述广告点击率特征参数,建立相应深度神经网络结构的输入层神经元;
根据不同种类的所述广告点击率特征参数的相关性,对所述输入层神经元进行分类;
根据所述输入层神经元的类别,建立隐藏层神经元;其中所述隐藏层神经元和至少一个所述输入层神经元连接;
根据所述隐藏层神经元,输出预估广告点击率特征;以及
根据所述预估广告点击率特征,进行广告投放。
2.根据权利要求1所述的广告投放方法,其特征在于,所述根据不同种类的所述广告点击率特征参数的相关性,对所述输入层神经元进行分类的步骤包括:
计算每个所述广告点击率特征参数与其他所述广告点击率特征参数的相关系数;
根据所述广告点击率特征参数的相关系数对所述广告点击率特征参数进行分类;以及
按所述广告点击率特征参数的类别,对所述输入层神经元进行分类。
3.根据权利要求2所述的广告投放方法,其特征在于,所述根据所述广告点击率特征参数的相关系数对所述广告点击率特征参数进行分类的步骤具体为:
将所述相关系数和小于设定值的广告点击率特征参数设定为一个类别;
将所述相关系数和大于等于设定值的广告点击率特征参数设定到所述广告点击率特征参数的最大相关性类别中,
其中所述最大相关性类别为与所述广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。
4.根据权利要求1所述的广告投放方法,其特征在于,所述根据所述输入层神经元的类别,建立隐藏层神经元的步骤包括:
根据所述输入层神经元的类别,建立第一隐藏层神经元;
其中所述第一隐藏层神经元包括多个神经元组,每个所述神经元组与对应类别的至少一个所述输入层神经元连接。
5.根据权利要求4所述的广告投放方法,其特征在于,所述根据所述隐藏层神经元,输出预估广告点击率特征的步骤具体为:
根据所述第一隐藏层神经元,通过输出层神经元输出所述预估广告点击率特征。
6.根据权利要求1所述的广告投放方法,其特征在于,所述根据所述输入层神经元的类别,建立隐藏层神经元的步骤包括:
根据所述输入层神经元的类别,建立第一隐藏层神经元,其中所述第一隐藏层神经元包括多个神经元组,每个所述神经元组与对应类别的至少一个所述输入层神经元连接;
建立第二隐藏层神经元,其中所述第二隐藏层神经元与所述第一隐藏层神经元全连接。
7.根据权利要求6所述的广告投放方法,其特征在于,所述根据所述隐藏层神经元,输出预估广告点击率特征的步骤具体为:
根据所述第二隐藏层神经元,通过输出层神经元输出所述预估广告点击率特征。
8.一种广告投放装置,其特征在于,包括:
点击率特征参数获取模块,用于获取广告点击率特征参数,其中所述广告点击率特征参数包括广告特征参数以及用户特征参数;
输入层神经元建立模块,用于根据所述广告点击率特征参数,建立相应深度神经网络结构的输入层神经元;
输入层神经元分类模块,用于根据不同种类的所述广告点击率特征参数的相关性,对所述输入层神经元进行分类;
隐藏层神经元建立模块,用于根据所述输入层神经元的类别,建立隐藏层神经元;其中所述隐藏层神经元和至少一个所述输入层神经元连接;
点击率特征输出模块,用于根据所述隐藏层神经元,输出预估广告点击率特征;以及
广告投放模块,用于根据所述预估广告点击率特征,进行广告投放。
9.根据权利要求8所述的广告投放装置,其特征在于,所述输入层神经元分类模块包括:
相关系数计算单元,用于计算每个所述广告点击率特征参数与其他所述广告点击率特征参数的相关系数;
点击率特征参数分类单元,用于根据所述广告点击率特征参数的相关系数对所述广告点击率特征参数进行分类;以及
输入层神经元分类单元,用于按所述广告点击率特征参数的类别,对所述输入层神经元进行分类。
10.根据权利要求9所述的广告投放装置,其特征在于,所述点击率特征参数分类单元包括:
第一类别设定子单元,用于将所述相关系数和小于设定值的广告点击率特征参数设定为一个类别;以及
第二类别设定子单元,用于将所述相关系数和大于等于设定值的广告点击率特征参数设定到所述广告点击率特征参数的最大相关性类别中;
其中所述最大相关性类别为与所述广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。
11.根据权利要求8所述的广告投放装置,其特征在于,所述隐藏层神经元建立模块包括:
第一隐藏层神经元建立单元,用于根据所述输入层神经元的类别,建立第一隐藏层神经元;
其中所述第一隐藏层神经元包括多个神经元组,每个所述神经元组与对应类别的至少一个所述输入层神经元连接。
12.根据权利要求11所述的广告投放装置,其特征在于,所述点击率特征输出模块具体用于根据所述第一隐藏层神经元,通过输出层神经元输出所述预估广告点击率特征。
13.根据权利要求8所述的广告投放装置,其特征在于,所述隐藏层神经元建立模块包括:
第一隐藏层神经元建立单元,用于根据所述输入层神经元的类别,建立第一隐藏层神经元;其中所述第一隐藏层神经元包括多个神经元组,每个所述神经元组与对应类别的至少一个所述输入层神经元连接;以及
第二隐藏层神经元建立单元,用于建立第二隐藏层神经元;其中所述第二隐藏层神经元与所述第一隐藏层神经元全连接。
14.根据权利要求13所述的广告投放装置,其特征在于,所述点击率特征输出模块具体用于根据所述第二隐藏层神经元,通过输出层神经元输出所述预估广告点击率特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364389.2A CN104951965B (zh) | 2015-06-26 | 2015-06-26 | 广告投放方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364389.2A CN104951965B (zh) | 2015-06-26 | 2015-06-26 | 广告投放方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951965A CN104951965A (zh) | 2015-09-30 |
CN104951965B true CN104951965B (zh) | 2017-04-19 |
Family
ID=54166601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510364389.2A Active CN104951965B (zh) | 2015-06-26 | 2015-06-26 | 广告投放方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951965B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897892A (zh) * | 2015-12-18 | 2017-06-27 | 北京奇虎科技有限公司 | 广告投放方法及装置 |
CN107742221A (zh) * | 2016-08-23 | 2018-02-27 | 腾讯科技(深圳)有限公司 | 一种推广信息的处理方法、装置和系统 |
CN106529721B (zh) * | 2016-11-08 | 2018-12-25 | 安徽大学 | 一种深度特征提取的广告点击率预测系统及其预测方法 |
CN106792003B (zh) * | 2016-12-27 | 2020-04-14 | 西安石油大学 | 一种智能广告插播方法、装置及服务器 |
CN107526810B (zh) * | 2017-08-23 | 2021-01-26 | 阿里巴巴(中国)有限公司 | 建立点击率预估模型的方法及装置、展示方法及装置 |
CN109508584B (zh) * | 2017-09-15 | 2022-12-02 | 腾讯科技(深圳)有限公司 | 视频分类的方法、信息处理的方法以及服务器 |
CN107657488A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 基于广告匹配的广告投放处理方法及装置 |
CN109840783A (zh) * | 2017-11-24 | 2019-06-04 | 北京奇虎科技有限公司 | 预估推送内容点击通过率的方法、训练端、控制端和系统 |
CN109408724B (zh) * | 2018-11-06 | 2020-10-02 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN109615060B (zh) * | 2018-11-27 | 2023-06-30 | 深圳前海微众银行股份有限公司 | Ctr预估方法、装置及计算机可读存储介质 |
CN109493146A (zh) * | 2018-11-29 | 2019-03-19 | 深圳爱问科技股份有限公司 | 广告投放方法及装置 |
CN109801100A (zh) * | 2018-12-26 | 2019-05-24 | 北京达佳互联信息技术有限公司 | 广告投放方法、装置和计算机可读存储介质 |
CN109858972B (zh) * | 2019-02-13 | 2021-05-28 | 重庆金窝窝网络科技有限公司 | 广告点击率的预测方法和装置 |
CN112446727B (zh) * | 2019-09-04 | 2023-09-12 | 百度在线网络技术(北京)有限公司 | 广告触发的方法、装置、设备及计算机可读存储介质 |
CN111028005B (zh) * | 2019-11-29 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 广告展示方法、装置 |
CN113011921B (zh) * | 2021-03-18 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207876B (zh) * | 2012-01-17 | 2017-04-12 | 阿里巴巴集团控股有限公司 | 一种信息投放的方法及装置 |
CN102663617A (zh) * | 2012-03-20 | 2012-09-12 | 亿赞普(北京)科技有限公司 | 一种广告的点击率预测方法及系统 |
CN103440584A (zh) * | 2013-07-31 | 2013-12-11 | 北京亿赞普网络技术有限公司 | 一种广告投放方法和系统 |
-
2015
- 2015-06-26 CN CN201510364389.2A patent/CN104951965B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104951965A (zh) | 2015-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951965B (zh) | 广告投放方法及装置 | |
CN105046515B (zh) | 广告排序方法及装置 | |
KR102433722B1 (ko) | 정보를 추천하는 방법, 장치, 기기 및 저장 매체 | |
CN112100387B (zh) | 用于文本分类的神经网络系统的训练方法及装置 | |
CN105005911B (zh) | 深度神经网络的运算系统及运算方法 | |
CN103329126B (zh) | 利用联合图像-音频查询的搜索 | |
CN110705585A (zh) | 网络欺诈识别方法、装置、计算机装置及存储介质 | |
CN106484777A (zh) | 一种多媒体数据处理方法以及装置 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
CN109064253A (zh) | 一种新产品报价方法、报价装置及电子设备 | |
CN110378346A (zh) | 建立文字识别模型的方法、装置、设备和计算机存储介质 | |
CN110428295A (zh) | 商品推荐方法和系统 | |
TW201227571A (en) | Determination of permissibility associated with e-commerce transactions | |
CN108305181A (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN109657145A (zh) | 商户搜索方法及装置、电子设备及计算机可读存储介质 | |
CN111782927A (zh) | 物品推荐方法及其装置、计算机可存储介质 | |
CN112055038A (zh) | 生成点击率预估模型的方法及预测点击概率的方法 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN117593077A (zh) | 基于超图神经网络的道具组合推荐方法、装置及计算设备 | |
CN111507471B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
JP5835802B2 (ja) | 購買予測装置、方法、及びプログラム | |
CN112364198A (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
CN115829159B (zh) | 社交媒体粉丝新增预测方法、装置、设备及存储介质 | |
CN116151857A (zh) | 一种营销模型的构建方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |