CN105045906A - 投放信息点击率的预估方法和装置 - Google Patents

投放信息点击率的预估方法和装置 Download PDF

Info

Publication number
CN105045906A
CN105045906A CN201510484954.9A CN201510484954A CN105045906A CN 105045906 A CN105045906 A CN 105045906A CN 201510484954 A CN201510484954 A CN 201510484954A CN 105045906 A CN105045906 A CN 105045906A
Authority
CN
China
Prior art keywords
information
estimate
clicking rate
request
impression information
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.)
Granted
Application number
CN201510484954.9A
Other languages
English (en)
Other versions
CN105045906B (zh
Inventor
赵莲
郭佳骋
刘林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201510484954.9A priority Critical patent/CN105045906B/zh
Publication of CN105045906A publication Critical patent/CN105045906A/zh
Application granted granted Critical
Publication of CN105045906B publication Critical patent/CN105045906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种投放信息点击率的预估方法和装置。该方法包括：将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；根据所述点击率预估结果对所述投放信息进行筛选；根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。本发明在第二DNN模型中复用第一DNN模型的隐层信息，不必再重复计算，增加的计算量不大，从而在筛选投放信息时可以保留较多的投放信息，保证了最终投放信息的候选队列，且提高了预估准确度。

Description

投放信息点击率的预估方法和装置
技术领域
本发明实施例涉及网络技术，尤其涉及一种投放信息点击率的预估方法和装置。
背景技术
在搜索引擎中，需要利用预估系统对投放信息点击率进行预估。预估系统一般分为多个阶段进行预估，即分层进行预估，从上之下，能够获取到的信息逐层增加，导致样本数、特征数倍增，进而导致计算量倍增。
考虑到系统性能问题，要根据各阶段的预估结果对投放信息的数量进行截断，使得系统预估的投放信息数目逐层减少，类似于漏斗形。对投放信息的排序计费使用的是漏斗形底层的投放信息点击率预估结果，因此，底层能够计算的投放信息数量，计算的准确度严重影响预估系统的效果。
现有技术中，为了平衡性能，随着信息量的不断增加，通常严格控制投放信息数目的截断量，采用计算量小且结构简单的小模型，并引入上层的计算结果等特征。存在的缺陷在于使得最终投放信息的候选队列变短，而且预估准确度低。
发明内容
有鉴于此，本发明实施例提供一种投放信息点击率的预估方法和装置，以保证最终投放信息的候选队列，提高预估准确度。
第一方面，本发明实施例提供了一种投放信息点击率的预估方法，所述方法包括：
将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；
根据所述点击率预估结果对所述投放信息进行筛选；
根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
第二方面，本发明实施例还提供了一种投放信息点击率的预估装置，所述装置包括：
第一点击率预估模块，用于将针对投放信息点击率的第一预估请求输入至第一深度神经网络DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；
投放信息筛选模块，用于根据所述点击率预估结果对所述投放信息进行筛选；
第二点击率预估模块，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
本发明实施例通过在对筛选后的投放信息进行点击率预估时，在第二DNN模型中复用第一DNN模型的隐层信息，不必再重复计算，增加的计算量不大，从而在筛选投放信息时可以保留较多的投放信息，保证了最终投放信息的候选队列，且提高了预估准确度。
附图说明
图1是本发明实施例一提供的一种投放信息点击率的预估方法的流程图；
图2是本发明实施例提供的投放信息点击率的预估方法中的DNN模型的结构示意图；
图3是本发明实施例提供的投放信息点击率的预估方法中的获取筛选后投放信息的点击率预估结果的流程图；
图4是本发明实施例提供的投放信息点击率的预估方法中的第二DNN模型的结构示意图；
图5是本发明实施例二提供的一种投放信息点击率的预估方法的流程图；
图6是本发明实施例提供的投放信息的点击率预估方法中的服务器对预估请求进行定向分发的示意图；
图7是本发明实施例三提供的一种投放信息点击率的预估方法的流程图；
图8是本发明实施例四提供的一种投放信息点击率的预估装置的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
图1是本发明实施例一提供的一种投放信息点击率的预估方法的流程图，本实施例可适用于对投放信息的点击率进行预估的情况，该方法可以由服务器来执行，具体包括：
S110，将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储。
图2是本发明实施例提供的投放信息点击率的预估方法中的DNN模型的结构示意图，如图2所示，DNN(DeepNeuralNetworks，深度神经网络)模型包括一个输入层201、至少一个隐层202和一个输出层203。其中，在第一DNN模型中，输入层用于根据针对投放信息点击率的第一预估请求计算输入至最底层隐层单元的输出值；隐层用于根据本层的加权值对来自输入层或者下一层隐层的输入值进行加权求和，计算向上一层隐层或者输出层的输出值；输出层用于根据本层的加权值对来自最上一层隐层单元的输出值进行加权求和，并根据加权求和的结果计算所述投放信息的点击率，得到所述投放信息的点击率预估结果。在利用DNN模型预估得到所述投放信息的点击率预估结果后，将所述预估过程中的DNN模型隐层信息进行存储。其中，对DNN模型隐层信息进行存储时可以采用Cache进行存储。Cache是高速缓冲存储器，是存在于主存与CPU之间的一级存储器，由静态存储芯片(SRAM)组成，容量比较小但速度比主存高得多，接近于CPU的速度。Cache主要由以下三大部分组成：
Cache存储体，用于存放由主存调入的指令与数据块；
地址转换部件，用于建立目录表以实现主存地址到缓存地址的转换；
替换部件，用于在缓存已满时按一定策略进行数据块替换，并修改地址转换部件。
其中，第一DNN模型的加权值是历史展现点击样本经过训练得到的。第一预估请求可以包括用户、用户输入的检索词及根据用户和所述检索词触发的竞价词、投放内容等信息。
S120，根据所述点击率预估结果对所述投放信息进行筛选。
在本阶段得到点击率预估结果后，可以将所述点击率预估结果中排名在预设名次以内的投放信息筛选出来，作为下一阶段预估的主体。例如：所述投放信息共有10000条，可以根据所述点击率预估结果筛选出排名在前5000名以内的投放信息。
S130，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
在上一阶段即利用第一DNN模型计算得到投放信息点击率预估结果后，根据该结果筛选后的投放信息，及本阶段的预估特征信息，以及所述隐层信息，形成第二预估请求，输入至第二DNN模型对筛选后的投放信息的点击率进行预估。所述预估特征信息包括第一预估请求中的特征信息，还包括本阶段预估时新加入的特征信息(如展示样式、物料信息等)。由于预估特征信息包括第一预估请求中的特征信息，而投放信息是根据第一DNN模型的预估结果筛选后的信息，因此，在第二DNN模型中可以直接复用第一DNN模型的隐层信息中的相关信息。
图3是本发明实施例提供的投放信息点击率的预估方法中的获取筛选后投放信息的点击率预估结果的流程图，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果优选包括：
S131，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
所述预估特征信息包括第一预估请求中的特征信息，还优选包括用户的个性化特征或投放信息的展示样式等特征信息。
S132，将所述第二预估请求中的筛选后投放信息和预估特征信息转换为所述第二DNN模型的输入节点，将所述隐层信息对应的节点值复用为所述第二DNN模型的输入节点，控制所述第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
由于筛选后的投放信息是根据第一DNN模型的预估结果筛选的，预估特征信息又包括第一预估请求中的特征信息，因此，将所述第二预估请求中的筛选后投放信息的展示样式等新加入的预估特征信息转换为所述第二DNN模型的输入节点后，可以将第一DNN模型中的隐层信息中对应节点的输出值直接作为第二DNN模型的输入节点，进行信息的复用，控制所述第二DNN模型对筛选后的投放信息的点击率进行预估，得到预估结果。由于可以复用第一DNN模型中的隐层信息，不必再重复计算，可以节省一部分计算量，从而在第一DNN模型预估完成后筛选投放信息时可以保留较多的投放信息。其中，所述隐层信息对应第一DNN网络结构中至少一层节点。
图4是本发明实施例提供的投放信息点击率的预估方法中的第二DNN模型的结构示意图。如图4所示，第二DNN模型的输入层节点包括第二预估请求中的新加入的预估特征信息(如展示样式、物料信息等)401，还包括第一DNN模型的隐层信息对应的节点402，第二DNN模型的隐层节点包括根据第一DNN模型的隐层信息对应的节点402和第二预估请求中的新加入的预估特征信息401共同生成的隐层节点403，第二DNN模型的输出层404为投放信息点击率的预估结果。第二DNN模型已根据大量的历史展现点击样本训练完成。
图4中为了描述方便，把复用的第一DNN模型中的隐层信息用一个隐层代替，把第二DNN模型的隐层节点用一个隐层代替，而实际中，上述隐层结构的层次均不以附图为限。
本实施例通过将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储，根据所述点击率预估结果对所述投放信息进行筛选，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果，由于可以复用第一DNN模型的隐层信息，不必再重复计算，增加的计算量不大，从而在筛选投放信息时可以保留较多的投放信息，保证了最终投放信息的候选队列，且提高了预估准确度。
实施例二
图5是本发明实施例二提供的一种投放信息点击率的预估方法的流程图，具体包括：
S510，将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储。
S520，根据所述点击率预估结果对所述投放信息进行筛选。
S530，获取执行第一预估请求的设备标识。
本实施例中，由于投放信息的数量巨大，每个设备的计算量有限，为了提高计算效率，在对投放信息的点击率进行预估时，可以由服务器对预估请求进行分发，分发到不同的设备中同时进行预估，每台设备根据特定数量的投放信息的预估请求对该特定数量的投放信息的点击率进行预估，然后服务器再根据每个设备的预估结果进行总结。
为了提高预估效率，可以将相同投放信息的不同预估阶段由同一台设备完成。在利用第一DNN模型根据第一预估请求进行预估得到预估结果，并根据预估结果筛选投放信息后，获取执行第一预估请求的设备标识，以便继续使用该设备执行后续第二预估请求。
S540，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求。
S550，根据所述第一预估请求的设备标识，将所述第二预估请求分发输入至对应的设备中的第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
图6是本发明实施例提供的投放信息的点击率预估方法中的服务器对预估请求进行定向分发的示意图。如图6所示，服务器601对预估请求进行定向分发，将第二预估请求定向分发到执行第一预估请求的第一设备602中对筛选后的投放信息的点击率进行预估，将其他的预估请求定向分发到第二设备603和第三设备604中进行预估。由于服务器对预估请求进行定向分发，根据所述第一预估请求的设备标识，将所述第二预估请求分发至具有该设备标识的设备中执行，以便利用该设备存储的第一DNN模型的隐层信息。具有所述设备标识的设备将所述第二预估请求输入至第二DNN模型中进行预估，在使用第二DNN模型进行预估时，复用该设备中存储的第一DNN模型的隐层信息，并将预估结果返回至服务器，服务器便可以获取得到筛选后投放信息的点击率预估结果。
本实施例通过将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储，根据所述点击率预估结果对所述投放信息进行筛选，获取执行第一预估请求的设备标识，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，根据所述第一预估请求的设备标识，将所述第二预估请求分发输入至对应的设备中的第二DNN模型进行预估，获取筛选后的投放信息的点击率预估结果，由于可以复用第一DNN模型的隐层信息，不必再重复计算，增加的计算量不大，从而在筛选投放信息时可以保留较多的投放信息，保证了最终投放信息的候选队列，且提高了预估准确度，相对于实施例一，本实施例对第二预估请求进行定向分发，将第二预估请求分发到执行第一预估请求的设备中进行预估，可以提高预估效率。
实施例三
图7是本发明实施例三提供的一种投放信息点击率的预估方法的流程图，具体包括：
S710，获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，作为所述投放信息。
本实施例中，对投放信息的点击率进行预估时，是进行实时预估的，即获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，该推送信息作为投放信息，预估用户对该投放信息的点击率，并根据预估结果选取排名在预设名次内的投放信息呈现给用户。
S720，根据所述搜索式和投放信息产生所述第一预估请求。
S730，将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储。
S740，根据所述点击率预估结果对所述投放信息进行筛选。
S750，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
其中，所述预估特征信息优选包括用户的个性化特征或所述推送信息的展示样式。
本实施例通过获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，作为投放信息，根据所述搜索式和投放信息产生第一预估请求，将第一预估请求输入至第一DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储，根据点击率预估结果对所述投放信息进行筛选，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果，保证了最终投放信息的候选队列，提高了预估准确度，而且可以实时根据用户的搜索式为用户推送点击率高的投放信息。
本发明实施例提供的技术方案涉及两个阶段的预估计算，后一阶段可以复用前一阶段估算过程的隐层信息。但预估过程不限于两个阶段，也可以涉及两个以上的估算阶段，每个阶段都会从前一阶段的估算结果中筛选部分信息，而后新增特征信息，再进行估算。那么，本发明实施例的技术方案可以普遍适用于任意两个相邻阶段的预估计算，并不限于第一阶段和第二阶段。
实施例四
图8是本发明实施例四提供的一种投放信息点击率的预估装置的示意图，如图8所示，本实施例所述的投放信息点击率的预估装置包括：第一点击率预估模块810、投放信息筛选模块820和第二点击率预估模块830。
其中，第一点击率预估模块810用于将针对投放信息点击率的第一预估请求输入至第一深度神经网络DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；
投放信息筛选模块820用于根据所述点击率预估结果对所述投放信息进行筛选；
第二点击率预估模块830用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
优选的，所述第二点击率预估模块包括：
第二预估请求形成单元，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
第一点击率预估单元，用于将所述第二预估请求中的筛选后投放信息和预估特征信息转换为所述第二DNN模型的输入节点，将所述隐层信息对应的节点值复用为所述第二DNN模型的输入节点，控制所述第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
其中，所述隐层信息对应第一DNN网络结构中至少一层节点。
优选的，所述第二点击率预估模块包括：
设备标识获取单元，用于获取执行第一预估请求的设备标识；
第二预估请求生成单元，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
第二点击率预估单元，用于根据所述第一预估请求的设备标识，将所述第二预估请求分发输入至对应的设备中的第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
优选的，该投放信息点击率的预估装置还包括：
投放信息获取模块，用于在将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估之前，获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，作为所述投放信息；
第一预估请求产生模块，用于根据所述搜索式和投放信息产生所述第一预估请求。
其中，所述预估特征信息优选包括用户的个性化特征或所述推送信息的展示样式。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种投放信息点击率的预估方法，其特征在于，所述方法包括：
将针对投放信息点击率的第一预估请求输入至第一深度神经网络DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；
根据所述点击率预估结果对所述投放信息进行筛选；
根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
2.根据权利要求1所述的方法，其特征在于，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果包括：
根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
将所述第二预估请求中的筛选后投放信息和预估特征信息转换为所述第二DNN模型的输入节点，将所述隐层信息对应的节点值复用为所述第二DNN模型的输入节点，控制所述第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
3.根据权利要求2所述的方法，其特征在于：所述隐层信息对应第一DNN网络结构中至少一层节点。
4.根据权利要求1所述的方法，其特征在于，根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果包括：
获取执行第一预估请求的设备标识；
根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
根据所述第一预估请求的设备标识，将所述第二预估请求分发输入至对应的设备中的第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
5.根据权利要求1所述的方法，其特征在于，将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估之前，还包括：
获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，作为所述投放信息；
根据所述搜索式和投放信息产生所述第一预估请求。
6.根据权利要求5所述的方法，其特征在于：
所述预估特征信息包括用户的个性化特征或所述推送信息的展示样式。
7.一种投放信息点击率的预估装置，其特征在于，所述装置包括：
第一点击率预估模块，用于将针对投放信息点击率的第一预估请求输入至第一深度神经网络DNN模型进行预估，以获取所述投放信息的点击率预估结果，且将所述预估过程中的DNN模型隐层信息进行存储；
投放信息筛选模块，用于根据所述点击率预估结果对所述投放信息进行筛选；
第二点击率预估模块，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求，输入至第二DNN模型进行预估，获取筛选后投放信息的点击率预估结果。
8.根据权利要求7所述的装置，其特征在于，所述第二点击率预估模块包括：
第二预估请求形成单元，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
第一点击率预估单元，用于将所述第二预估请求中的筛选后投放信息和预估特征信息转换为所述第二DNN模型的输入节点，将所述隐层信息对应的节点值复用为所述第二DNN模型的输入节点，控制所述第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
9.根据权利要求8所述的装置，其特征在于：所述隐层信息对应第一DNN网络结构中至少一层节点。
10.根据权利要求7所述的装置，其特征在于，所述第二点击率预估模块包括：
设备标识获取单元，用于获取执行第一预估请求的设备标识；
第二预估请求生成单元，用于根据筛选后的投放信息、预估特征信息和所述隐层信息，形成第二预估请求；
第二点击率预估单元，用于根据所述第一预估请求的设备标识，将所述第二预估请求分发输入至对应的设备中的第二DNN模型进行预估，以获取筛选后投放信息的点击率预估结果。
11.根据权利要求7所述的装置，其特征在于，还包括：
投放信息获取模块，用于在将针对投放信息点击率的第一预估请求输入至第一DNN模型进行预估之前，获取用户输入的搜索式，根据所述搜索式匹配对应的推送信息，作为所述投放信息；
第一预估请求产生模块，用于根据所述搜索式和投放信息产生所述第一预估请求。
12.根据权利要求11所述的装置，其特征在于：
所述预估特征信息包括用户的个性化特征或所述推送信息的展示样式。
CN201510484954.9A 2015-08-07 2015-08-07 投放信息点击率的预估方法和装置 Active CN105045906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510484954.9A CN105045906B (zh) 2015-08-07 2015-08-07 投放信息点击率的预估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510484954.9A CN105045906B (zh) 2015-08-07 2015-08-07 投放信息点击率的预估方法和装置

Publications (2)

Publication Number Publication Date
CN105045906A true CN105045906A (zh) 2015-11-11
CN105045906B CN105045906B (zh) 2019-03-12

Family

ID=54452453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510484954.9A Active CN105045906B (zh) 2015-08-07 2015-08-07 投放信息点击率的预估方法和装置

Country Status (1)

Country Link
CN (1) CN105045906B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339510A (zh) * 2016-10-28 2017-01-18 北京百度网讯科技有限公司 基于人工智能的点击预估方法及装置
CN107463580A (zh) * 2016-06-06 2017-12-12 腾讯科技（深圳）有限公司 训练点击率预估模型方法和装置、点击率预估方法和装置
CN109299782A (zh) * 2018-08-02 2019-02-01 北京奇安信科技有限公司 一种基于深度学习模型的数据处理方法及装置
CN109858942A (zh) * 2018-11-06 2019-06-07 北京奇虎科技有限公司 推广信息展示方法、装置、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080306830A1 (en) * 2007-06-07 2008-12-11 Cliquality, Llc System for rating quality of online visitors
CN103207876A (zh) * 2012-01-17 2013-07-17 阿里巴巴集团控股有限公司 一种信息投放的方法及装置
CN103246985A (zh) * 2013-04-26 2013-08-14 北京亿赞普网络技术有限公司 一种广告点击率预测方法及装置
US20140114746A1 (en) * 2012-10-19 2014-04-24 Adobe Systems Incorporated Selection of Creatives Based on Performance Analysis and Predictive Modeling
CN104536983A (zh) * 2014-12-08 2015-04-22 北京掌阔技术有限公司 一种预测广告点击率的方法和装置
CN104636940A (zh) * 2013-11-07 2015-05-20 深圳市腾讯计算机系统有限公司 广告投放方法及系统、广告筛选方法及装置、服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080306830A1 (en) * 2007-06-07 2008-12-11 Cliquality, Llc System for rating quality of online visitors
CN103207876A (zh) * 2012-01-17 2013-07-17 阿里巴巴集团控股有限公司 一种信息投放的方法及装置
US20140114746A1 (en) * 2012-10-19 2014-04-24 Adobe Systems Incorporated Selection of Creatives Based on Performance Analysis and Predictive Modeling
CN103246985A (zh) * 2013-04-26 2013-08-14 北京亿赞普网络技术有限公司 一种广告点击率预测方法及装置
CN104636940A (zh) * 2013-11-07 2015-05-20 深圳市腾讯计算机系统有限公司 广告投放方法及系统、广告筛选方法及装置、服务器
CN104536983A (zh) * 2014-12-08 2015-04-22 北京掌阔技术有限公司 一种预测广告点击率的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUYU ZHANG等: "Sequential click prediction for sponsored search with recurrent neural networks", 《AAAI"14 PROCEEDINGS OF THE TWENTY-EIGHTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463580A (zh) * 2016-06-06 2017-12-12 腾讯科技（深圳）有限公司 训练点击率预估模型方法和装置、点击率预估方法和装置
CN107463580B (zh) * 2016-06-06 2020-07-24 腾讯科技（深圳）有限公司 训练点击率预估模型方法和装置、点击率预估方法和装置
CN106339510A (zh) * 2016-10-28 2017-01-18 北京百度网讯科技有限公司 基于人工智能的点击预估方法及装置
CN106339510B (zh) * 2016-10-28 2019-12-06 北京百度网讯科技有限公司 基于人工智能的点击预估方法及装置
CN109299782A (zh) * 2018-08-02 2019-02-01 北京奇安信科技有限公司 一种基于深度学习模型的数据处理方法及装置
CN109299782B (zh) * 2018-08-02 2021-11-12 奇安信科技集团股份有限公司 一种基于深度学习模型的数据处理方法及装置
CN109858942A (zh) * 2018-11-06 2019-06-07 北京奇虎科技有限公司 推广信息展示方法、装置、电子设备及可读存储介质
CN109858942B (zh) * 2018-11-06 2023-12-15 三六零科技集团有限公司 推广信息展示方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN105045906B (zh) 2019-03-12

Similar Documents

Publication Publication Date Title
He et al. Location-based hierarchical matrix factorization for web service recommendation
US20190207869A1 (en) Intelligent Placement within a Data Center
Hwang et al. An effective taxi recommender system based on a spatio-temporal factor analysis model
Wang et al. Efficient video transformers with spatial-temporal token selection
CN101361045B (zh) 用于管理数据中心内提供给用户的计算资源的方法和系统
Saxena et al. D-GAN: Deep generative adversarial nets for spatio-temporal prediction
CN105045906A (zh) 投放信息点击率的预估方法和装置
Davis et al. Grids versus graphs: Partitioning space for improved taxi demand-supply forecasts
Kong et al. Pixel-wise attentional gating for scene parsing
CN110188733A (zh) 基于3d区域卷积神经网络的时序行为检测方法及系统
CN114902273A (zh) 使用gpu优化资源分配的系统和方法
Benouaret et al. Ws-sky: An efficient and flexible framework for qos-aware web service selection
CN110148039A (zh) 一种众智网络智能数体需求匹配策略优化方法及系统
CN112035264B (zh) 一种面向地理大数据的云计算资源调度方法及系统
CN108984574A (zh) 数据处理方法及装置
Sun et al. Collaborative nowcasting for contextual recommendation
CN103840985A (zh) 基于用户邻域的Web Service服务质量预测方法及装置
CN108173958A (zh) 一种多云环境下基于蚁群算法的数据优化存储方法
Zhang et al. Optimizing video caching at the edge: A hybrid multi-point process approach
Qin et al. Robust spatio-temporal purchase prediction via deep meta learning
Jung et al. A workflow scheduling technique using genetic algorithm in spot instance-based cloud
CN106033332B (zh) 一种数据处理方法及设备
CN105978712A (zh) 一种云计算管理系统的方法
CN106657238A (zh) 一种面向交互式工作负载的数据中心粗粒度动态服务器预留算法
Zhang et al. Learning driven parallelization for large-scale video workload in hybrid CPU-GPU cluster

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