CN105630185B

CN105630185B - 显示广告预测中的时间动态

Info

Publication number: CN105630185B
Application number: CN201510483366.3A
Authority: CN
Inventors: J·B·卡瓦勒; 李升�
Original assignee: Adobe Systems Inc
Current assignee: Adobe Inc
Priority date: 2014-11-25
Filing date: 2015-08-03
Publication date: 2021-02-12
Anticipated expiration: 2035-08-03
Also published as: GB2532829A; DE102015009684A1; CN105630185A; GB201513414D0; US20160148253A1

Abstract

本公开的实施例涉及显示广告预测中的时间动态。描述了可用于预测针对在线广告实例的用户购买行为的时间预测模型。可以通过处理针对点击数据、转换数据、以及辅助信息的时间窗口来形成时间预测模型。在一个或多个实施方式中，经由处理过的时间窗口将时间动态应用到点击数据、转换数据和/或辅助信息。时间预测模型的各种处理技术可以利用所应用的时间动态来预测在线广告实例的用户购买行为和/或有效性。

Description

显示广告预测中的时间动态

背景技术

在线广告已经成为营销产品和服务的越来越有效的方式。例如，可以向访问因特网的用户呈现各种广告。在一些实例中，用户可以选择广告和/或购买广告的产品或服务。用户的这些动作可以有助于预测未来广告的潜在收益和/或将广告瞄准特定用户。然而，预测未来广告的潜在收益可以由于用户兴趣和购买行为随时间变化而具有挑战。

例如，传统技术可以跟踪用户是否点击在线广告以确定在线广告的有效性。其他传统技术可以评估用户响应于查看在线广告的购买活动。然而，在一些实例中，单独用户点击和购买活动可能不足以准确地预测与在线广告相关联的收益。另外，集中在用户点击和购买活动的预测模型可能由于处理大量数据而招致高计算成本。

发明内容

本发明内容以简化的形式介绍下面在具体描述中进一步描述的概念选择。因此，本发明内容不旨在标识要求保护的主题的必要特征，其也不旨在被用作确定要求保护的主题的范围的辅助。

描述了一种预测针对在线广告实例的用户购买行为的时间预测模型。所述时间预测模型也有助于测量所述在线广告实例的有效性或选择用于呈现的在线广告实例。在一个实施方式中，时间预测模型根据反映用户的变化的购买行为的时间窗口来处理点击数据和转换数据。在一些实例中，由所述时间预测模型处理两个或更多个时间窗口，以预测用户是否有可能购买与数字广告相关联的商品。

可以以各种方式来处理反映用户购买行为的变化的时间窗口。例如，时间预测模型可以将一个或多个时间窗口应用到所述点击数据和所述转换数据，以减少用于做出预测的数据集。在一些实例中，由所述时间预测模型处理时间窗口包括利用对应于第一时间窗口的点击数据和转换数据来训练所述模型和根据第二时间窗口来处理过去用户行为数据。由所述时间预测模型做出的预测可以利用对应于用户、广告商和/或广告商商品的额外辅助信息。

附图说明

参考附图描述了具体实施方式。在附图中，参考标记的最左边的数字标识在其中参考标记第一次出现的附图。在说明书和附图中的不同实例中使用相同参考标记可以指示相似或相同项。附图中呈现的实体可以指示一个或多个实体并且因此可以互换地引用讨论中的实体的单数形式或复数形式。

图1是可操作用于采用本文中描述的技术的示例实施方式中的环境的图示。

图2描绘了在其中时间预测模型做出各种预测的示例实施方式中的场景的表示。

图3是描绘在其中时间预测模型预测用户购买行为的过程的流程图。

图4是描绘基于根据两个时间窗口处理数据来预测针对在线广告实例的有效性水平的过程的流程图。

图5是描绘使用通过处理多个时间窗口确定的数据子集来形成时间预测模型的过程的流程图。

图6是图示了包括表示可以实施本文中描述的各种技术的一个或多个计算系统和/或设备的示例设备的示例系统。

具体实施方式

概述

用户可以在因特网上选择广告和/或购买广告的产品或服务。用户的这些动作有助于预测未来广告的潜在收益、将广告瞄准特定用户等。然而，预测未来广告的潜在收益可以由于用户兴趣和购买行为随时间变化而具有挑战。

例如，传统技术跟踪用户是否点击在线广告以确定在线广告的有效性。其他传统技术评估用户响应于查看在线广告的购买活动。然而，在一些实例中，单独用户点击和购买活动不能准确地预测与在线广告相关联的收益。另外，单独集中在用户点击和购买活动的预测模型通常由于处理大量数据而需要高计算成本。

可以以各种方式来形成时间预测模型。例如，可以通过将时间因子应用到点击数据和转换数据并且使用时间点击数据和时间转换数据来形成时间预测模型，以形成所述模型。在示例中，当处理两个时间窗口时，可以如以上所描述的外加将第二时间因子应用到用户购买行为数据来创建时间预测模型。在该示例中，所述时间因子对应于基于与先前在线广告实例相关联的点击数据与转换数据之间的时间关系的时间窗口。所述时间关系可以表示用户购买行为随特定时间段的标识的变化。因此，时间预测模型被形成为针对随时间变化的用户兴趣和/或购买行为进行动态地调整。

可以以各种方式来处理反映用户购买行为的变化的时间窗口。例如，时间预测模型可以将一个或多个时间窗口应用到所述点击数据和所述转换数据，以减少用于做出预测的数据集。由所述时间预测模型处理时间窗口包括利用对应于第一时间窗口的点击数据和转换数据来训练所述模型和根据第二时间窗口来处理过去用户行为数据。由所述时间预测模型进行的预测还可以利用对应于用户、广告商和/或广告商商品的额外辅助信息。

通常，时间窗口指示诸如固定时间值的时间因子。在一些示例中，时间窗口基本上等于在线广告实例的点击或印象与对应于在线广告实例的转换之间的时间量。然而，在其他示例中，时间窗口实质上等于在线广告实例的点击或印象与转换之间的时间量加一些时间变量。例如，基于一组点击与一组对应的转换之间的平均时间来确定时间变量。在一个特定示例中，时间窗口被预先定义为大约一周，但是其他示例也是可预见的。

用于转换预测和用于点击预测的现有方法孤立地看待这两个问题。然而，因为两个目标通常是相互交织的，所以共同解决所述问题是相当有益的。时间预测模型例如通过共同地检查用户购买行为和点击响应行为来预测用户的转换响应。此外，所述模型将点击响应与购买活动之间的时间动态捕获到统一的框架中。特别地，时间预测模型表示用于执行具有时间动态的矩阵因子分解的功能，并且因此可以被认为表示动态集体矩阵因子分解(DCMF)。

时间预测模型可以被配置为预测各种度量。例如，时间预测模型可以被配置为预测对应于在线广告实例的用户购买行为。附加地或备选地，所预测的度量可以包括预测在线广告实例的有效性、预测用户是否将选择在线广告实例、预测来自未来广告的收益、预测点击后转换(例如，在用户点击广告之后的购买活动)、预测印象后转换(例如，在向用户呈现广告但用户没有点击它之后的购买活动)等。无论预测的度量如何，时间预测模型都表示可以被配置为预测对应于在线广告实例和/或随后在线广告实例的用户行为的功能。

在下面的讨论中，首先描述了可以采用本文中描述的技术的示例环境。之后描述了可以执行在示例环境以及其他环境中的示例过程。因此，对示例过程的执行不限于示例环境并且示例环境不限于对示例过程的执行。

示例环境

图1是可操作用于采用本文中所描述的技术的示例实施方式中的环境100的图示。所图示的环境100包括包含时间预测模型104 的计算设备102、网络106、广告商108、内容提供者110以及监控服务112。可以使用一个或多个计算设备(例如“云中的”服务器机群等)来实施广告商108、内容提供者110以及监控服务112。

计算设备102例如可以被配置为台式计算机、便携式计算机、移动设备(例如，假设为手持配置，例如平板计算机或移动电话) 等。因此，计算设备102的范围可以从具有大量存储器和处理器资源的完整资源设备(例如，个人计算机、游戏控制台)到具有有限存储器和/或处理资源的低资源设备，例如移动设备。附加地，尽管示出单个计算设备102，但是计算设备102可以表示多个不同设备，例如由商业利用以执行如关于图6进一步描述的“在云上”操作的多个服务器。

时间预测模型104表示用于预测用户购买行为和/或测量与在线广告实例相关联的有效性的功能。如下面将进一步讨论的，可以通过时间预测模型104处理各种类型的数据以实现预测。例如，可以经由网络106从广告商108、内容提供者110和/或监控服务112接收用于处理的数据(例如，点击数据和/或转换数据)。处理数据可以包括包含将时间因子应用到数据和/或根据特定时间窗口来过滤数据的各种操作。也预见到各种其他示例，可以在下面的节段中找到对各种其他示例的进一步讨论。

在一个特定示例中，时间预测模型104可以从监控服务112获得描述关于在线广告实例的用户交互的跟踪数据，例如点击数据、转换数据以及用户购买数据。跟踪数据可以对应于由广告商108提供的广告并且可以与用户(例如，用户购买行为)、广告和/或广告商品的潜在特征相关联。在一些实例中，广告可以连同由内容提供者110提供的web内容一起被呈现在计算设备102的显示设备上。出于弄清楚在线广告策略的目的，由时间预测模型104生成的预测可以与广告商108、内容提供者110以及监控服务112进行共享。

附加数据(例如，辅助信息)可以被利用以利用时间预测模型 104。也就是说，时间预测模型104可以获得和/或处理除了跟踪数据之外的辅助信息。辅助信息可以对应于描述用户、广告商/广告、和/ 或广告商品的数据。用户数据例如可以描述与在线广告实例(直接或间接)相关联的用户行为并且可以包括人口统计信息，例如国家、州、区域等。示例广告数据可以描述广告商的属性，例如广告商姓名、广告大小、营销策略等。描述广告商品的数据可以包括商品类型和商品价格等。将在下面更详细地讨论通过时间预测模型104处理辅助信息。

网络106同时表示诸如线缆网络、业务、私有内联网等的多种不同类型的有线和/或无线网络的任何一种或组合。尽管图1图示了与广告商108、内容提供者110和/或监控服务112在网络106上通信的计算设备102，但是所述技术可以适用于任何其他网络化架构或非网络化架构。

所图示的环境100还包括广告商108、内容提供者110以及监控服务112，其中的每个都可以经由网络106与计算设备102交换数据。例如，广告商108和内容提供者110可以从计算设备102接收预测。附加地或备选地，广告商108、内容提供者110和/或监控服务112 可以向计算设备102发送广告、网页内容和/或跟踪数据。在一些方案中，由广告商108、内容提供者110和/或监控服务112执行的功能可以被配置为由诸如计算设备102的单个实体来执行。

可以从广告商108向计算设备102发送将各种形式的广告，以用于存储和/或呈现。可以基于从时间预测模型104预测的度量来选择用于呈现的来自广告商108的广告。因此，接收预测的度量的广告商108可以利用时间预测模型104来使用所预测的度量以改进回报率。例如，相对于传统技术，由时间预测模型104确定的所预测的度量可以有助于经由转换、购买、订购、会员和/或订单改进到广告商108的收入。

一般而言，内容提供者110被配置为使各种资源(例如，内容、服务、网页应用等)在诸如互联网的网络106上可获得，以向客户提供“基于云的”计算环境和基于web的功能。例如，内容提供者 110可以提供在线广告实例以用于由计算设备102的呈现。这里，可以响应于由计算设备102接收的搜索查询、启动应用程序、请求网页、或者在用户接口或浏览器中执行的其他活动来提供在线广告实例。

监控服务112(例如，利用分析和/或跟踪工具的服务)可以接收来自计算设备102的查询并且跟踪与所述查询相关联的在线广告实例。在一些实例中，监控服务112可以向计算设备102发送描述在线广告实例(例如，显示的广告、显示的网页、显示的搜索结果、推广的网页等)的跟踪数据。在一个或多个实施方式中，监控服务 112可以是存储将印象、点击、成本、转换等与特定广告实例和/或特定用户相关的数据的第三方服务。附加地或备选地，监控服务112 可以存储描述在网页上花费的时间、查看的网页和/或与特定广告相关联的弹出率的跟踪数据。

时间预测模型104被图示为包括数据处理器模块114、时间因子分解模块116、优化模块118、以及预测模块120。通过举例而非限制性的方式，数据处理器模块114表示用于处理和/或接收诸如跟踪数据和/或辅助信息的数据的功能。在一个特定示例中，对所获得的数据的处理包括标识点击数据与转换数据之间的时间关系。可以以各种方式来标识时间关系，其中的一个示例包括标识点击数据(例如，用户标识符(ID)、日期、广告ID、网页ID、国家、浏览器、广告商ID和/或广告的大小)与转换数据(诸如广告商品ID、商品类型、日期、价格和/或数量)之间的时间关联。例如，时间连接可以表示在线广告实例的点击或印象与对应于在线广告实例的转换之间的时间量。

数据处理器模块114还可以包括用于接收用于处理的一个或多个时间窗口的功能。在一些示例中，时间窗口基本上等于在线广告实例的点击或印象与对应于在线广告实例的转换之间的时间量。然而，在其他示例中，时间窗口可以是在线广告实例的点击或印象与转换之间的时间量加一些时间变量。基于点击集合与对应转换集合之间的平均时间来确定时间变量。在一个特定示例中，时间窗口被预先定义为大约一周，但是也预见到其他示例。

在备选实施方式中，数据处理器模块114可以基于用户购买行为的变化来接收时间窗口。用户购买行为的变化可以以各种方式被确定，并且可以包括确定购买特定商品的用户在至少设定的时间段内不大可能购买相同的商品。可以从描述相关的商品的购买之间的时间段的各种资源(例如，监控服务112)获得购买行为数据。因此，时间窗口可以说明用户购买特定商品或相关商品的频率。

附加地或备选地，可以通过标识由特定用户购买(或查看)的商品与提供销售(或售出)的商品之间的关系来确定用户购买行为的变化。在该示例中，描述售出或提供销售的商品的用户数据可以与描述购买或查看的商品的其他数据进行比较。基于该比较，可以标识用户购买行为的变化，其指示先前购买的商品不大可能是用户感兴趣的，是因为由相同用户售出的商品表明了变化的用户兴趣。也就是说，为他们的汽车购买配件的用户不大可能在售出他们的汽车并且买了公交票之后这样做。因此，在该示例中，购买的商品与售出的商品之间的关系可以用作反应实际用户兴趣(例如，在买了公交票附近的时间帧中的购买)而非依赖于不再感兴趣的过去购买或依赖于描述所有过去购买的数据的时间窗口。

时间因子分解模块116表示用于将时间动态应用到所获得的数据的功能。例如，时间窗口(或多个时间窗口)可以用于过滤所获得的数据，以使得所获得数据的子集用于形成预测。在该示例中，点击数据和转换数据可以被输入到被修改为包括对应于时间窗口的时间值的集体矩阵因子分解(CMF)模型中。传统CMF模型没有考虑时间动态并且因此利用大数据集用于训练，从而导致计算延迟。通过将时间动态应用到CMF模型，可用数据的子集被利用于训练和预测，从而减少计算延迟。

在一些情况下，在做出最终预测之前可以考虑和/或处理多个时间窗口。换言之，时间因子分解模块116可以动态地调整到另一时间窗口，以产生针对每个时间帧的预测。在向广告商发送最终预测之前可以比较从多个时间窗口生成的预测。在一个特定示例中，用户购买行为数据可以如以上所描述的被用于处理两个时间窗口中的一个，以使得两个时间窗口由时间因子分解模块116应用。

通过时间因子分解模块116处理多个时间窗口可以采取各种形式。例如，将第一时间窗口应用到诸如点击数据和转换数据的跟踪数据，而将第二时间窗口应用到诸如用户购买行为数据的其他数据。通过将时间窗口应用到数据，选择引起预测的这样的子集以用于处理。在一个特定示例中，使用在图2中描述的示例算法中的一个或多个来并行处理第一时间窗口和第二时间窗口。

在一些示例中，第一时间窗口和第二时间窗口是相同的持续时间(例如，一周)，然而对于其他数据集，第一时间窗口和第二时间窗口可以是不同的持续时间。第二时间窗口可以被认为与第一时间窗口相关联，因为在一些实例中，第二时间窗口表示在第一时间窗口之前出现的时间帧。也就是说，在示例中，当第一时间窗口为大约一周时，第二时间窗口为前一周。以这种方式，第一时间窗口和第二时间窗口可以表示两个连续的时间帧。

优化模块118实施用于通过处理除了以上提到的跟踪数据之外的辅助信息来改进预测的功能。在一个方案中，修改为包括时间动态的CMF模型还可以被修改为包括描述用户、广告商和/或广告商品的辅助信息数据。为了处理辅助信息，随机梯度下降算法可以被应用到先前经处理的数据，例如点击数据和转换数据。图2关于处理跟踪数据和辅助信息的功能更详细地进行说明。

预测模块120基于所获得的数据(例如，跟踪数据和/或辅助信息)来形成预测。如前面提到的，示例预测可以包括对应于在线广告实例的用户购买行为、在线广告实例的有效性、用户是否将选择在线广告实例等中的一个或多个。

尽管时间预测模型104被图示为被实施在计算设备102上，但是应当容易地显而易见的是，也预见到其他实施方式，在其他实施方式中，时间预测模型104被实施在诸如远程服务器、本地服务器或诸如广告商108、内容提供者110和/或监控服务112的其他远程计算设备的单独的设备上。无论在哪里被实施，时间预测模型104 都表示可以被配置为预测用户购买行为和/或测量与在线广告实例相关联的有效性的功能。

图2在200大体描绘了在其中图1的时间预测模型104做出各种预测的示例实施方式中的方案的表示。如图2中所表示的，点击数据202、转换数据204以及辅助信息206由时间预测模型104接收，该时间预测模型104将时间动态208应用到所述数据并形成预测的度量210。点击数据202、转换数据204以及辅助信息206可以对应于图 1和其他地方中对这样的数据的描述。转换数据204在一些示例中包括用户购买行为数据，而在其他示例中，用户购买行为数据可以被获得作为单独的跟踪数据。另外，点击数据202可以被认为是响应于确定用户在查看广告之点击后它的肯定实例(并且因此被表示为正值)。备选地，点击数据可以被认为是响应于确定用户在查看广告之后没有点击它的否定实例(并且因此被表示为负值)。附加地或备选地，转换数据204可以被认为是响应于确定用户执行转换的肯定实例或响应于确定用户不执行转换的否定实例。因此，转换数据204可以被表示为取决于用户的动作的正值或负值。

表1包括对下面在采用时间动态的示例算法中使用的符号的描述。

表1

符号‘C’可以从点击数据形成，而符号‘D’可以从转换数据形成。符号‘U’、‘V’和‘P’的潜在特征分别对应于用户、广告和广告商品的现有特征并且通常与点击响应和/或购买活动相关联。转移矩阵‘M’捕获在至少两个连续的时间片‘t’中的用户行为(例如，用户购买行为)。‘T’同时表示预定义数目的时间片。辅助信息‘X’、‘Y’和‘Z’可以对应于关于图1和其他地方中描述的辅助信息。另外的符号包括用于表示特定用户的‘i’、用于表示特定广告的‘j’、以及用于表示特定购买的‘k’。

为了将时间动态应用到点击数据202和转换数据204以用于预测，时间预测模型104可以实施各种算法来求解一个或多个目标函数。在一个具体示例中，目标函数：

使用方程：

来求解目标函数1：

这些方程由算法采用于对以上的目标函数1求解。

算法1：

输入：点击响应C^t，购买活动D^t，潜在特征U^t-1

初始化：γ、∝、λ、M＝1.

输出：潜在特征U^t、V^t和P^t

1：循环，不收敛时执行

2：均匀地随机选择一对训练点

和

3：使用(1)和(2)来更新潜在向量(latent vector)u_i。

4：使用(3)和(4)来更新潜在向量v_j。

5：使用(5)和(6)来更新潜在向量p_k。

6：使用(7)来更新转移矩阵M

7：结束循环

因此，在该特定示例中，时间预测模型104使用算法1来将时间动态应用到点击数据202和转换数据204以用于预测。以这种方式，时间预测模型104可以被利用于甚至在其中不处理辅助信息206的实例中预测度量210。

在进一步处理辅助信息206的实施方式中，时间预测模型104 可以通过实施各种算法来求解一个或多个目标函数而应用时间动态。在一个具体示例中，目标函数：

使用方程：

来求解目标函数2：

这些方程由算法采用于对以上的目标函数2求解。

算法2：

输入：点击响应C^t，购买活动D^t，用户特征X，广告特征Y，商品特征Z，潜在特征U^t-1

初始化：γ＝0.003，∝＝0.5，λ＝0.02，M＝1.

输出：潜在特征U^t，V^t，P^t，

和

1：循环，不收敛时执行

2：均匀地随机选择一对训练点

和

3：使用(8)来更新潜在向量u_i，

4：使用(9)来更新潜在向量v_j，

5：使用(10)来更新潜在向量p_k，

6：使用(11)来更新回归系数

7：使用(12)来更新回归系数

8：使用(13)来更新回归系数

9：使用(14)来更新转移矩阵M

10：结束循环

因此，在该特定示例中，时间预测模型104使用算法2来将时间动态应用到点击数据202、转换数据204以及辅助信息206以用于预测。以这种方式，时间预测模型104可以被利用于在包括处理辅助信息 206的实例中预测度量210。在其他示例中，可以针对不同数据集基于每个数据集的一个或多个属性来调节算法2中的初始化参数γ、α和λ。

不失一般性，本文只考虑两种算法作为示例，然而，在其他示例中，时间预测模型104可以通过实施附加的或相似的算法、方程和/或目标函数来形成预测。

如在图2中所图示的，通过举例的方式，所预测的度量包括对购买行为的预测、广告是否将在随后呈现时由用户选择、转换是否将响应于选择广告而发生、转换是否将响应于查看(但不选择)广告而发生和/或与呈现未来广告相关联的收益潜力。

本文中讨论了由各种模块执行的诸如获得、生成、形成、预测、分配、处理等各种动作。应当认识到，各种模块可以以具有用于引起这些和其他动作执行的功能的各种组合而被配置。与特定模块相关联的功能还可以被划分在不同模块之间和/或由多个模块表示的功能可以一起被组合到单个逻辑模块中。此外，特定模块可以被配置为引起直接由特定模块执行动作。附加地或备选地，特定模块可以通过调用或以其他方式访问其他部件或模块来引起特定动作，以执行特定动作(或执行与该特定模块共同的动作)。

示例过程

下面的讨论描述了可以利用前面描述的系统和设备来实施的预测技术。过程中的每个的方面可以被实施在硬件、固件、或软件、或其组合中。过程被示出为指定由一个或多个设备执行的操作的框的集合，并且不必限于示出的用于执行由各自的框执行操作的顺序。此外，在不同实施方式中，过程的任何一个或多个框可以被组合在一起或全部省略。此外，本文中与不同表示过程相关联的框和对应的附图可以被应用在一起。因此，在各个不同的过程上指定的个体操作可以以任何适当的组合被使用，并且不限于由示例示图表示的特定组合。在下面的讨论的部分中，参考图1和图2的示例。

图3是描绘在其中时间预测模型预测用户购买行为的过程300 的流程图。在至少一些实施方式中，过程300可以由诸如图1中具有时间预测模型104的计算设备102或如关于图6所描述的适当配置的计算设备来执行。

接收指示先前在线广告实例是否被选择的点击数据和指示是否响应于呈现或选择先前在线广告实例而生成收益的转换数据(框302 和304)。例如，计算设备102可以使用本文中描述的任何技术来接收点击数据和转换数据。在一个或多个实施方式中，点击数据和转换数据可以表示由监控服务112提供的跟踪数据。

将第一时间因子应用到点击数据和转换数据(框306)。例如，计算设备102可以使用本文中描述的任何技术来实施时间预测模型 104。在一个或多个实施方式中，将第一时间因子应用到点击数据和转换数据包括：通过表示先前在线广告实例的呈现与先前在线广告实例的转换之间的关系的时间值来过滤点击数据和转换数据。

将第二时间因子应用到用户购买行为数据(框308)。例如，计算设备102可以实施时间预测模型，以将时间窗口应用到用户购买行为数据。这里，用户购买行为数据描述由特定用户做出的过去购买。

使用时间点击数据、时间转换数据以及时间用户购买行为数据来形成时间预测模型(框310)。例如，时间点击数据、时间转换数据以及时间用户购买行为数据被处理，以用于包含在时间预测模型 104中，前面描述了其示例。

至少部分地基于时间预测模型来预测针对随后在线广告实例的用户购买行为(框312)。例如，通过时间预测模型104来生成描述用户是否将选择和/或转换随后在线广告实例的预测的度量。在一个或多个实施方式中，所预测的度量可以与广告商共享以改进在其广告投资上的回报率。

已经考虑了在其中时间预测模型预测用户购买行为的示例过程，现在考虑图4中的过程400，该过程300描绘了用于基于根据两个时间窗口处理数据来预测针对在线广告实例的有效性水平的示例。在至少一些实施方式中，过程400可以由诸如图1中的计算设备102和/或图6的计算设备602的适当配置的计算设备来执行。

接收描述先前在线广告实例的选择的点击数据、描述与先前在线广告实例相关联的生成的收益的转换数据以及描述由特定用户的潜在购买的用户购买数据(框402、404和406)。例如，计算设备 102可以使用本文中描述的任何技术来接收点击数据、转换数据以及用户购买数据。

根据时间窗口来处理点击数据和转换数据(框408)。例如，时间因子分解模块116根据先前在线广告的点击与转换之间的时间量来处理点击数据和转换数据。在该示例中，时间因子分解模块116 根据对应于时间窗口的时间帧来过滤点击数据和转换数据。

根据另一时间窗口来处理用户购买数据(框410)。例如，时间因子分解模块116根据封装给定购买集合的时间量来处理用户购买数据。这里，用户购买数据可以描述与如由转换数据所描述的转换商品相关的购买商品。

至少部分地基于处理过的点击数据、处理过的转换数据以及处理过的用户购买数据来预测针对随后在线广告实例的有效性水平 (框412)。这里，处理过的数据可以用于形成时间预测模型104。为了确定有效性，例如，时间预测模型104可以使用针对先前在线广告实例预测的度量，以评估用户是否有可能转换具有相关内容的随后在线广告实例。

已经考虑了基于时间预测模型来预测针对在线广告实例的有效性水平的示例过程，现在考虑图5中的过程500，该过程500描绘了用于使用通过处理多个时间窗口确定的数据子集来形成时间预测模型的示例。在至少一些实施方式中，过程500可以由诸如图1中的计算设备102和/或图6的计算设备602的适当配置的计算设备来执行。

接收表示与先前在线广告实例相关联的点击数据与转换数据之间的时间关系的时间窗口(框502)。例如，时间预测模型104接收指示在线广告实例的点击或印象与对应于在线广告实例的转换之间的时间量的时间值。

接收另一时间窗口，该时间窗口表示用户购买行为的变化(框 504)。例如，时间预测模型104接收对应于对相关和/或不相关商品的购买集合的时间值。

处理时间窗口以确定点击数据和转换数据的子集(框506)。例如，仅对应于时间窗口的点击数据和转换数据被用于预测，从而减少由计算设备102关于处理所有点击数据和转换数据而招致的计算延迟。

处理另一时间窗口以确定用户购买数据的子集(框508)。例如，对应于另一时间窗口的用户购买行为数据被用于预测，从而减少由计算设备102关于处理用户的所有过去购买而招致的计算延迟。

使用所确定的点击数据、转换数据的子集以及所确定的用户购买行为的子集来形成时间预测模型(框510)。可以例如使用本文中描述的技术来形成时间预测模型104。在一些实例中，形成时间预测模型104可以包括执行得到用于在线广告实例的预测的各种处理技术。

至少部分地基于时间预测模型来选择随后在线广告实例以用于呈现(框512)。例如，时间预测模型104可以使用所预测的度量 210中的一个或多个预测的度量，来选择用于在计算设备102上呈现的随后在线广告实例。在一个或多个实施方式中，基于用户将购买随后在线广告实例中的商品的可能性，从可用的广告集合中选择随后在线广告实例。

示例系统和设备

图6图示了示例系统600，该示例系统600通常包括表示可以实施本文中描述的各种技术的一个或多个计算系统和/或设备的示例计算设备602。这通过包含时间预测模型104来被图示。计算设备602 可以例如为服务提供者的服务器、与客户相关联的设备(例如，客户设备)、片上系统和/或任何其他适当的计算设备或计算系统。

如图示的示例计算设备602包括彼此通信耦合的处理系统604、一个或多个计算机可读介质606、以及一个或多个I/O接口608。尽管未示出，但是计算设备602还可以包括各种部件彼此耦合的系统总线或其他数据和命令传输系统。系统总线可以包括不同总线结构的任何一个或组合，例如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用各种总线架构中的任何总线架构的处理器或本地总线。也预见到各种其他示例，例如控制线和数据线。

处理系统604表示用于使用硬件来执行一个或多个操作的功能。因此，处理系统604被图示为包括可以被配置为处理器、功能框等的硬件元件610。这可以包括硬件中作为专用集成电路的实施方式或使用一个或多个半导体形成的其他逻辑器件。硬件元件610不受从其形成的材料或其中采用的处理机制限制。例如，处理器可以包括 (多个)半导体和/或晶体管，例如电子集成电路(IC)。在这样的背景下，处理器可执行指令可以是电子可执行指令。

计算机可读存储介质606被图示为包括存储器/存储装置612。存储器/存储装置612表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储部件612可以包括易失性介质(例如，随机存取存储器(RAM))和/或非易失性介质(例如，只读存储器(ROM)、闪速存储器、光盘、磁盘等)。存储器/存储部件612可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质，例如闪速存储器、可移动硬盘驱动器、光盘等。计算机可读介质606可以以如下面将进一步描述的各种其他方式被配置。

(多个)输入/输出接口608表示用于允许用户将命令和信息录入到计算设备602并且还允许将信息呈现给用户和/或使用各种输入/ 输出设备的其他部件的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，被配置为检测物理接触的电容式传感器或其他传感器)、相机(例如，其可以采用可见波长或诸如红外频率的不可见波长来识别如不涉及触摸的姿势的移动)等。输出设备的示例包括显示设备(例如，监视器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备602可以以如下面进一步描述的各种方式被配置以支持用户交互。

本文中可以在软件、硬件元件或程序模块的大体背景下描述各种技术。一般地，这样的模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、元件、部件、数据结构等。如本文中使用的术语“模块”、“功能”、以及“部件”一般表示软件、固件、硬件或其组合。本文中描述的技术的特征是平台无关的，这意味着本公开的技术可以被实施在具有各种处理器的各种商用计算平台上。

所描述的模块和技术的实施方式可以被存储在特定形式的计算机可读介质上或跨过特定形式的计算机可读介质而传输。计算机可读介质可以包括可以由计算设备602访问的各种介质。通过举例而非限制性的方式，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

“计算机可读存储介质”可以指代与仅仅信号传输、载波或信号本身相比实现对信息的永久性和/或非暂态存储的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性介质和非易失性介质、可移动介质和不可移动介质的硬件和/或实施在适合于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路、或其他数据的信息的方法或技术中的存储设备。计算机可读存储介质的示例可以包括但不限于：RAM、 ROM、EEPROM、闪速存储器或其他存储器技术、CD-ROM、数字多用盘(DVD)或其他光学存储、硬盘、磁带盒、磁带、磁盘存储或其他磁性存储设备、或其他存储设备、有形介质、或适合于存储期望信息并且其可以由计算机访问的制品。

“计算机可读信号介质”可以指代被配置为例如经由网络将指令传输到计算设备602的硬件的信号承载介质。信号介质通常可以体现计算机可读指令、数据结构、程序模块、或调制数据信号中的其他数据，例如载波、数据信号、或其他传输机制。信号介质还包括任何信息递送介质。术语“调制数据信号”意味着以使得对信号中的信息进行编码的方式来设定或改变其特性集中的一个或多个特性的信号。通过举例而非限制性的方式，通信介质包括诸如有线网络或直接有线连接的有线介质和诸如声学介质、RF介质、红外介质以及其他无线介质的无线介质。

如前面描述的，硬件元件610和计算机可读介质606表示可以在一个或多个实施方式中被采用以实施本文中描述的技术的至少一些方面(例如以执行一个或多个指令)的以硬件形式实施的模块、可编程设备逻辑和/或固定设备逻辑。硬件可以包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)、以及硅或其他硬件中的其他实施方式中的部件。在该背景下，硬件可以用作执行通过由所述硬件以及利用存储用于执行的指令的硬件(诸如前面描述的计算机可读存储介质) 体现的指令和/或逻辑定义的程序任务的处理设备。

也可以采用前述的组合来实施本文中描述的各种技术。因此，软件、硬件、或可执行模块可以被实施为体现在一些形式的计算机可读存储介质上和/或由一个或多个硬件元件610体现的一个或多个指令和/或逻辑。计算设备602可以被配置为实施对应于软件和/或硬件模块的特定指令和/或功能。因此，对可由计算设备602执行的模块作为软件的实施可以(例如通过使用计算机可读存储介质和/或处理系统604的硬件元件610)至少部分地被实现在硬件中。指令和/ 或功能可由一个或多个制品(例如，一个或多个计算设备602和/或处理系统604)执行/操作，以实施本文中描述的技术、模块、以及示例。

本文中描述的技术可以由各种配置的计算设备602支持并且不限于本文中描述的技术的特定示例。该功能也可以通过使用分布式系统全部或部分地被实施，例如如下面所描述的经由平台616在“云” 614上。

云614包括和/或表示用于资源618的平台616。平台616使云 614的硬件(例如，服务器)和软件资源的潜在功能抽象化。资源 618可以包括当在远离计算设备602的服务器上执行计算机处理的同时可以被利用的应用和/或数据。资源618还可以包括通过因特网和/或通过诸如蜂窝网络或Wi-Fi网络的订户网络提供的服务。

平台616可以使得用于将计算设备602与其他计算设备连接的资源和功能抽象化。平台616还可以用于使得对资源的扩展抽象化，以提供经由平台616实施的遇到的对资源618的需求的对应的扩展水平。因此，在相互关联的设备实施例中，对本文中描述的功能的实施可以被分布在系统600中。例如，功能可以部分被实施在计算设备602上以及部分经由使地云614的功能抽象化的平台616被实施。

结论

尽管已经以特定于结构特征和/或方法动作的语言描述了本公开的技术，但是应当理解，所附的权利要求中限定的主题不必限于描述的特定特征或动作。相反，特定特征和动作被公开为实施要求保护的主题的示例形式。

Claims

1.在用于在线广告和对关于所述在线广告的随后用户行为的预测的数字媒介环境中，所述数字媒介环境处置随时间变化的用户兴趣和购买行为，一种方法包括：

接收指示先前在线广告实例是否被选择的点击数据；

接收指示收益是否响应于呈现或选择所述先前在线广告实例而被生成的转换数据；

将第一时间因子应用到所述点击数据和所述转换数据，所述第一时间因子确定所述点击数据和所述转换数据的子集；

将第二时间因子应用到用户购买行为数据，所述第二时间因子确定所述用户购买行为数据的子集；

使用所述用户购买行为数据的所述子集和所述点击数据和所述转换数据的所述子集来形成时间预测模型；并且

至少部分地基于所述时间预测模型来生成针对随后在线广告实例的用户购买行为的预测；

基于所述预测选择和显示所述随后在线广告实例。

2.根据权利要求1所述的方法，其中所述第一时间因子和所述第二时间因子表示两个连续的时间帧。

3.根据权利要求1所述的方法，其中所述第一时间因子包括表示所述先前在线广告实例的呈现与所述先前在线广告实例的转换之间的关系的时间值，将所述时间因子应用到所述点击数据和所述转换数据包括：通过所述时间值来过滤所述点击数据和所述转换数据。

4.根据权利要求1所述的方法，进一步包括使用所述时间预测模型来测量所述先前在线广告实例的有效性。

5.根据权利要求1所述的方法，其中生成用户购买行为的所述预测包括：预测来自与所述随后在线广告实例相关联的后点击转换或后印象转换的收益。

6.根据权利要求1所述的方法，其中生成用户购买行为的所述预测包括：预测用户是否将点击所述随后在线广告实例。

7.根据权利要求1所述的方法，其中形成所述时间预测模型至少部分地基于将随机梯度下降算法应用到所述点击数据和所述转换数据所述子集。

8.在用于基于对随后用户行为的预测来选择在线广告实例的数字媒介环境中，所述数字媒介环境处置随时间变化的用户兴趣和购买行为，一种方法包括：

标识与先前在线广告实例相关联的点击数据与转换数据之间的时间关系；

基于标识的所述时间关系来标识时间窗口；

接收另一时间窗口，所述另一时间窗口表示用户购买行为的变化；

使用标识的所述时间窗口来确定所述点击数据和所述转换数据的子集；

使用所述另一时间窗口来确定用户购买行为数据的子集；

使用所述点击数据和所述转换数据的确定的所述子集和用户购买行为数据的子集来执行动态集体矩阵因子分解，以使得所述点击数据和所述转换数据的确定的所述子集和所述用户购买行为数据的所述子集被共同处理，以预测用于呈现的随后在线广告实例；并且

至少部分地基于由所述动态集体矩阵因子分解执行的所述预测来选择用于呈现的随后在线广告实例。

9.根据权利要求8所述的方法，进一步包括将用户购买行为映射在两个时间窗口中，并且将所述映射应用到所述动态集体矩阵因子分解。

10.根据权利要求8所述的方法，其中所述点击数据与所述转换数据之间的所述时间关系至少部分地基于多个转换随特定时间的变化。

11.根据权利要求8所述的方法，其中所述点击数据指示用户没有选择在用户接口中呈现的所述先前在线广告实例，并且所述转换数据指示用户执行了与所述先前在线广告实例相关联的转换。

12.根据权利要求8所述的方法，其中使用标识的所述时间窗口来确定所述点击数据和所述转换数据的所述子集包括：处理对应于标识的所述时间窗口的所述点击数据和所述转换数据。

13.根据权利要求8所述的方法，进一步包括将所述时间预测模型动态地调整到另一标识的时间窗口。

14.根据权利要求8所述的方法，其中所述时间窗口包括接收对所述先前在线广告实例的选择与标识针对选择的所述先前在线广告实例的转换之间的时间值。

15.一种用于在线广告和对关于所述在线广告的随后用户行为的预测的系统，所述系统处置随时间变化的用户兴趣和购买行为，所述系统包括：

一个或多个处理器；以及

存储器，通信地耦合到所述一个或多个处理器，

数据处理器模块，所述数据处理器模块被存储在所述存储器中并且可由所述一个或多个处理器执行以：

接收描述对先前在线广告实例的选择的点击数据；

接收描述与先前显示的广告实例关联地生成的收益的转换数据；并且

接收描述特定用户的潜在购买的用户购买数据；

时间因子分解模块，所述时间因子分解模块被存储在所述存储器中并且可由所述一个或多个处理器执行以：

根据时间窗口来处理所述点击数据和所述转换数据，所述时间窗口基于所述点击数据与所述转换数据之间的时间关系，所述时间窗口确定所述点击数据和所述转换数据的子集；并且

根据另一时间窗口来处理所述用户购买数据，所述另一时间窗口与所述时间窗口相关联，所述另一时间窗口确定所述用户购买数据的子集；以及

预测模块，所述预测模块被存储在所述存储器中并且可由所述一个或多个处理器执行以：至少部分地基于经处理的所述点击数据、经处理的所述转换数据以及经处理的所述用户购买数据来预测针对随后在线广告实例的有效性水平。

16.根据权利要求15所述的系统，其中根据所述时间窗口来处理所述点击数据和所述转换数据包括：根据对应于所述时间窗口的时间帧来过滤所述点击数据和所述转换数据。

17.根据权利要求15所述的系统，其中所述点击数据与所述转换数据之间的所述时间关系表示用户购买行为随特定时间段的标识的变化。

18.根据权利要求15所述的系统，其中经处理的所述点击数据、经处理的所述转换数据以及经处理的所述用户购买数据被用于创建时间预测模型。

19.根据权利要求18所述的系统，其中创建所述时间预测模型包括：利用用户信息、广告者信息以及广告商品信息中的一种或多种信息。

20.根据权利要求15所述的系统，其中所述时间窗口和所述另一时间窗口持续时间相同。