CN105631711A - 一种广告投放方法及装置 - Google Patents

Abstract

本发明提供例一种广告点击率优化方法及装置，用于解决现有技术中视频网站无法根据用户需求投放广告导致广告点击率较低的问题。其中，广告投放方法包括：根据广告的历史访问数据确定用户对广告的偏好信息；对偏好信息进行特征提取；以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型；使用训练模型对广告测试数据进行预测，得到广告的预测点击率；根据预测点击率投放广告，该方案使得广告的投放更有针对性，优化了网页上广告的点击率。

Description

一种广告投放方法及装置

技术领域

本发明涉及互联网领域，尤其涉及一种广告投放方法及装置。

背景技术

品牌广告主在进行广告投放时，首要关注的往往是广告是否达到一定的展现量，希望广告能够吸引更多的观看的用户点击广告来进一步了解他们的产品，也就是说，在一定展现量的前提下需要提升广告的点击率。一只广告的点击率与很多因素有关，除了与广告素材本身做得引人入胜等原因外，最重要的因素是这支广告是否正好切中观看用户的喜好与需求。然而，目前视频网站并不具备搜索引擎那样能够获取用户直接的需求信息的能力，造成视频网站的品牌广告的点击率较低，广告点击率优化工作难以取得长足的进步，可见一种优化广告点击率的方案有待被提出。

发明内容

本发明提供例一种广告点击率优化方法及装置，用于解决现有技术中视频网站无法根据用户需求投放广告导致广告点击率较低的问题。

根据本发明的一个方面，提供了一种广告投放方法，包括：根据广告的历史访问数据确定用户对广告的偏好信息；对偏好信息进行特征提取；以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型；使用训练模型对广告测试数据进行预测，得到广告的预测点击率；根据预测点击率投放广告。

其中，对偏好信息进行特征提取包括：提取偏好信息中的发生点击或展示广告时的上下文环境信息、广告的描述信息、点击或展示广告的用户属性信息以及用户对广告的偏好信息。

其中，以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型包括：使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型。

其中，使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型包括：在仅使用逻辑回归模型的情况下，使用逻辑回归模型在训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算权重值与对应特征值的加权和，再将加权和代入逻辑回归函数；在仅适用树模型的情况下，使用一个树对训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到训练模型；在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对新的特征集合进行训练。

其中，根据广告的历史访问数据确定用户对广告的偏好信息包括：对广告的点击日志或展示日志对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合；通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；通过广告的点击日志或展示日志里的储存在用户本地终端上的数据与用户信息进行连接整合得到该用户的属性信息与对广告的偏好信息；对经过整合的数据进行清洗去掉不合法的储存在用户本地终端上的数据。

进一步的，上述方法还包括：在对偏好信息进行特征提取之后，如果偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码；如果偏好数据中的特征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行离散化编码。

其中，根据预测点击率投放广告包括：在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；如果广告的预测点击率大于最佳点击率阈值，则投放该广告，否则放弃投放该广告。

根据本发明的另一个方面，提供了一种广告投放装置，包括：第一确定模块，用于根据广告的历史访问数据确定用户对广告的偏好信息；提取模块，用于对偏好信息进行特征提取；训练模块，用于以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型；预测模块，使用训练模型对广告测试数据进行预测，得到广告的预测点击率；投放模块，用于根据预测点击率投放广告。

其中，上述提取模块具体用于：提取偏好信息中的发生点击或展示广告时的上下文环境信息、广告的描述信息、点击或展示广告的用户属性信息以及用户对广告的偏好信息。

其中，上述训练模块具体用于：使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型。

其中，上述训练模块包括：第一训练单元，用于在仅使用逻辑回归模型的情况下，使用逻辑回归模型在训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算权重值与对应特征值的加权和，再将加权和代入逻辑回归函数；第二训练单元，用于在仅适用树模型的情况下，使用一个树对训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到训练模型；第三训练单元，用于在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对新的特征集合进行训练。

其中，上述第一确定模块包括：第一整合单元，用于对广告的点击日志或展示日志对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合；第二整合单元，用于通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；第三整合单元，用于通过日志里的储存在用户本地终端上的数据与用户信息进行连接整合得到该用户的属性信息与对广告的偏好信息；清洗单元，用于对经过整合的数据进行清洗去掉不合法的储存在用户本地终端上的数据。

进一步的，上述装置还包括：离散模块，用于在对偏好信息进行特征提取之后，如果偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码；如果偏好数据中的特征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行离散化编码。

其中，上述投放模块包括：确定单元，用于在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；投放单元，用于如果广告的预测点击率大于最佳点击率阈值，则投放该广告，否则放弃投放该广告。

本发明有益效果如下：

本发明实施例提供的方案，能够充分利用视频网站中被挖掘出的大量用户信息，包括用户属性信息和用户对广告的偏好信息，结合广告素材本身的行业描述来进行点击率的预测，预测出的点击率可以很好的指导广告的投放，使得广告的投放更有针对性，优化了网页上广告的点击率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例1提供的广告投放方法的流程图；

图2是本发明实施例2提供的广告投放方法的流程图；

图3是本发明实施2中提取到的特征值向量示意图；

图4是本发明实施例3提供的广告投放装置的结构框图。

具体实施方式

为了解决现有技术中网页上广告点击率较低的问题，本发明提供了一种广告投放方法及装置，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

实施例1

本实施例提供了一种广告投放方法，图1是本发明实施例1提供的广告点击率的预测方法的流程图，如图1所示，该方法包括如下步骤：

步骤101：根据广告的历史访问数据确定用户对广告的偏好信息；

对广告的点击日志或展示日志对cookie(储存在用户本地终端上的数据)、会话标识ID(IDentity，身份标识)、广告ID进行整合；

通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；

通过点击日志或展示日志中的cookie与用户信息进行连接整合得到该用户的属性信息与偏好信息；

对经过整合的数据进行清洗，去掉不合法的cookie。

步骤102：对用户对广告的偏好信息进行特征提取；

在对偏好信息进行特征提取之后，如果偏好信息中的特征为具有有限类别的离散型特征，对该离散型特征进行离散化编码；如果偏好数据中的特征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行离散化编码。

其中，对用户对广告的偏好信息进行特征提取包括：提取用户对广告的偏好信息中的发生点击或展示广告时的上下文环境信息、广告的描述信息、点击以及展示广告的用户属性信息以及用户对广告的偏好信息。

步骤103：以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型；

其中，以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型，包括：使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型。

使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型，包括：

在仅使用逻辑回归模型的情况下，使用逻辑回归模型在训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算权重值与对应特征值的加权和，再将加权和代入逻辑回归函数；在仅适用树模型的情况下，使用一个树对训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到训练模型；在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对新的特征集合进行训练。

步骤104：使用训练模型对广告测试数据进行预测，得到广告的预测点击率；

该步骤104具体可以包括：在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；如果广告的预测点击率大于最佳点击率阈值，则投放该广告，否则放弃投放该广告。

步骤105：根据的广告预测点击率投放广告。

实施例2

本实施例提供了一种广告投放方法，该方法在充分挖掘与利用用户对广告的偏好信息的情况下，结合广告素材等多方面数据，选择合适的算法模型来进行广告点击率的预测。在本实施例中利用如下四方面数据作为广告点击率预测的数据源：

UserProfiles(用户配置文件)：通过分析用户在视频网站里观看视频与点击广告等行为挖掘出用户对广告行业偏好信息与视频网站频道偏好信息，另外，还包括用户的性别与年龄等信息，每条信息由用户的cookie标识唯一表示；

素材信息库：品牌广告的素材信息库，包括该广告所处的行业、子行业与品类信息；

广告点击日志：用户点击广告时记录下的相关信息，如时间、设备类型、操作系统以及所在投放ID等；

广告展示日志：广告展示时记录下的相关信息，如时间、设备类型、操作系统以及所在投放ID等。

将以上四方数据进行数据整合与清洗后，对整合与清洗后的数据进行格式化，形成适合算法模型进行训练的数据格式，最后通过选择合适的算法模型进行训练得到预测广告点击率的训练模型并验证，如图2所示，详细过程包括以下几个阶段：

数据整合与清洗：用户如果观看了某支广告，并点击了该广告，那么广告展示日志和广告点击日志会同时记录下该日志，且两条日志中记录的cookie、会话ID以及广告位ID是相同的。如果用户只观看了该广告而没有点击该广告，则仅在广告展示日志里记录有该广告。基于此，对广告点击日志或展示日志通过cookie、会话ID、广告ID进行整合，如果某个用户在某次会话中既观看又点击了该广告，则把这条点击日志记为正样本。如果用户在某次会话中只观看但并无点击该广告，则把这条日志记为负样本。然后，通过日志里的广告素材ID可以与素材信息库进行连接整合得到广告素材的行业描述信息，最后通过日志里的cookie可以与UserProfiles里的用户信息进行连接整合得到该用户的属性信息与用户对广告的偏好信息。

其中，上述数据清洗的工作主要是通过一些验证去掉一些不合法的cookie，或者对一些缺失数据进行处理。

特征抽取与格式化：

对整合与清洗过的数据要进行特征抽取与格式化，得到用于训练的特征，其中，抽取的特征包括的信息具体可以抽取如下三个方面：

上下文信息特征，即发生当前广告行为时的上下文环境信息，比如：时间、地点、广告位、频道、子频道、设备类型等；

广告信息特征，即广告素材的描述信息，比如：广告行业、子行业与品类信息；

用户信息特征，即当前用户的基础信息与偏好信息，比如：用户的性别、年龄、广告偏好、频道偏好。

需要对这些特征进行格式化，变成适合算法训练的数据格式，这里分两类特征，类别特征与连续特征，需要分别进行处理。

类别特征：类别特征包括设备类型、用户性别这样的具有有限几种类别的特征。需要对它进行离散化编码，使得算法能够有效理解，采用普遍的One-hotencoding(一位有效编码)技术对类别特征进行编码。

连续特征：连续特征包括素材时长、视频时长，某投放的历史CTR(Click-Through-Rate，点击到达率)统计值等。连续特征是否需要进行离散化要根据选择的算法模型而定，例如，逻辑回归模型由于要对各维度数据进行线性组合，所以需要进行离散化处理，而使用树模型则不需要进行离散化。连续特征离散化一般采用分段离散的方法，比如广告素材时长，可以分5s为一段进行One-hotencoding编码。

模型训练：

在本实施中具体可以选择三种算法模型对数据进行训练。分别是逻辑回归模型(LogisticRegression)、GBDT(GradientBoostingDecisionTree，梯度增强决策树模型)、以及两者的结合模型。

其中，逻辑回归模型是一个应用十分普遍的模型，它在整个向量空间中计算每一个特征维度的权重，对每一条记录，都计算这些权重与对应特征值的加权和，再把结果应用一个逻辑回归函数得到点击率预测概率值。

GBDT：这是一个树模型，使用指定N颗树对数据进行训练，最初使用一棵树对数据进行训练，然后逐渐加入新树对模型进行增强，在实验中使用树数目N＝10，每颗树深度Depth＝4取得了良好的效果。

LogisticRegression结合GBDT：先使用GBDT对广告点击日记以及广告展开日志中的每条记录进行分区，如果使用N＝10，Depth＝4的GBDT，则这10颗树一共有310个节点分区。每条记录经过GBDT模型都会落到这310个节点分区里的某10个分区，那么这10个分区的值就为1，其他为0，这样就得到了所有记录的310个维度的特征集合。把这样一个新的特征集合数据交给LogisticRegression即可得到点击率预测概率值。

xgboost是GBDT算法的具体实现，在本是实施例中，可以使用该工具来进行模型训练，将格式化后的数据以3:1:1的比例进行分割为训练数据、验证数据与测试数据。分别交给xgboost进行加载，设定几个重要优化参数如最大树深度max_depth＝4，树数目num_round＝10，最大更新步长max_delta_step＝1，目标函数objective＝binary:logistic，设定好这些参数并加载数据，xgboost就可以进行数据训练并输出模型结果了。

模型验证：

通过数据训练得到的模型需要经过测试数据的验证来判断模型的好坏，在本实施例中，可以使用第一天的大部分广告浏览历史数据进模型的训练得到预测广告点击率的模型，使用小部分数据进行模型的验证，进行点击率预估，然后通过验证数据集可以找到一个最佳点击率阈值，该阈值的意义在于：对每一个广告请求，通过广告点击率预预测模型即可预估这支广告可能会被点击的概率，如果这个概率超过了最佳点击率阈值，则进行投放，否则另作处理。然后使用第二天全天的广告浏览历史数据作为测试数据，应用广告点击率预测模型进行点击率预估，点击率大于阈值则进行广告投放，这样来验证最终的点击率优化效果。使用精确率、召回率、F值与按该模型投放的新点击率四项指标来描述模型的好坏，下表1是验证结果。

表1

从上表中可看出，使用GBDT或GBDT+LogisticRegression都能取得很好的效果，结合模型效果更优。

优选的，本实施例使用视频网站里一天的广告点击日志、广告展示日志、广告素材信息库以及用户信息库进行数据整合与清洗后对特征进行抽取与格式化。一共如下可以提取35项特征：包括上下文特征：时间、城市、设备类型等；广告素材特征：素材行业、子行业、品类；用户信息特征：性别、年龄、广告偏好、频道偏好；组合特征：时间与设备类型组合、性别与广告行业组合等。抽取后的这些特征要经过One-hotencoding编码进行离散化，因此这35项特征一共映射到5369维特征空间中。每个样本将表示为5369维的向量和自身是正样本或负样本标识的记录。由于5369维是一个很大的特征空间，而且整个数据矩阵是非常稀疏的，所以只存储有值的特征维度。图3是本发明实施2中提取到的特征值向量示意图，如图3所示，第一列是正负样本的标识，1表示正样本，0表示负样本，后面的每列是以维度为key，该维度特征值为value的组合key:value数据。

实施例3

本是实施例提供例提供了一种广告点击率的预测装置，该装置用于实现上述实施例1以及实施例2提供的方法，图4为本发明实施例3提供的广告投放装置的结构框图，如图4所示，该装置包括如下组成部分：

确定模块41，用于根据广告的历史访问数据确定用户对广告的偏好信息；

提取模块42，用于对偏好信息进行特征提取；

训练模块43，用于以提取到的特征数据为训练数据，按照预设的算法模型进行训练得到训练模型；

预测模块44，使用训练模型对广告测试数据进行预测，得到广告的预测点击率；

投放模块45，用于根据广告的预测点击率投放广告。

其中，该投放模块45具体可以包括：

确定单元，用于在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；

投放单元，用于如果广告的预测点击率大于所述最佳点击率阈值，则投放该广告，否则放弃投放该广告。

其中，上述提取模块42具体用于：提取偏好信息中的发生点击以及展示广告时的上下文环境信息、广告的描述信息、点击以及展示广告的用户属性信息以及偏好信息。

其中，上述训练模块44具体用于：

使用逻辑回归模型和/或树模型算法对训练数据进行训练，得到训练模型。

上述训练模块44具体可以包括如下组成部分：

第一训练单元，用于在仅使用逻辑回归模型的情况下，使用逻辑回归模型在所述训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算所述权重值与对应特征值的加权和，再将所述加权和代入逻辑回归函数，得到所述训练模型；

第二训练单元，用于在仅使用树模型的情况下，使用一个树对所述训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到所述训练模型，得到所述训练模型；

第三训练单元，用于在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对所述新的特征集合进行训练，得到所述训练模型。

上述确定模块41具体可以包括：第一整合单元，用于对广告的点击日志或展示日志通过储存在用户本地终端上的数据、会话标识ID、广告ID进行整合；第二整合单元，用于通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；第三整合单元，用于通过日志里的储存在用户本地终端上的数据与用户信息进行连接整合得到该用户的属性信息与偏好信息；清洗单元，用于对经过整合的数据进行清洗去掉不合法的cookie。

进一步的，上述装置40还可以包括：离散模块，用于在对偏好信息进行特征提取之后，如果偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码；如果偏好数据中的特征为连续型特征，则根据预设模型算法的类型确定是否对连续型特征进行离散化编码。

本发明实施例提供的方案，能够充分利用视频网站中被挖掘出的大量用户信息，包括用户属性信息和用户对广告的偏好信息，结合广告素材本身的行业描述来进行点击率的预测，预测出的点击率可以很好的指导广告的投放，使得广告的投放更有针对性。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (14)

1.一种广告投放方法，其特征在于，包括：

根据广告的历史访问数据确定用户对广告的偏好信息；

对所述偏好信息进行特征提取；

以提取到的特征数据为训练数据，按照预设的算法模型对所述训练数据进行训练得到训练模型；

使用所述训练模型对广告测试数据进行预测，得到广告的预测点击率；

根据所述预测点击率投放广告。

2.根据权利要求1所述的方法，其特征在于，对所述偏好信息进行特征提取，包括：

提取所述偏好信息中发生点击或展示广告时的上下文环境信息、广告的描述信息、点击或展示广告的用户的属性信息以及各用户对广告的偏好信息。

3.根据权利要求2或3所述的方法，其特征在于，所述以提取到的特征数据为训练数据，按照预设的算法模型对所述训练数据进行训练得到训练模型，包括：

使用逻辑回归模型和/或树模型算法对所述训练数据进行训练，得到所述训练模型。

4.根据权利要求3所述的方法，其特征在于，所述以提取到的特征数据为训练数据，按照预设的算法模型对所述训练数据进行训练得到训练模型，包括：

在仅使用逻辑回归模型的情况下，使用逻辑回归模型在所述训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算所述权重值与对应特征值的加权和，再将所述加权和代入逻辑回归函数，得到所述训练模型；

在仅使用树模型的情况下，使用一个树对所述训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到所述训练模型，得到所述训练模型；

在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对所述新的特征集合进行训练，得到所述训练模型。

5.根据权利要求1所述的方法，其特征在于，所述根据广告的历史访问数据确定用户对广告的偏好信息，包括：

通过广告的点击日志或展示日志对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合；

通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；

通过广告的点击日志或展示日志的储存在用户本地终端上的数据与用户信息进行连接整合得到该用户的属性信息与对广告的偏好信息；

对经过整合的数据进行清洗去掉不合法的储存在用户本地终端上的数据。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在对所述偏好信息进行特征提取之后，如果所述偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码；如果所述偏好数据中的特征为连续型特征，则根据所述预设模型算法的类型确定是否对所述连续型特征进行离散化编码。

7.根据权利要求1所述的方法，其特征在于，所述根据所述预测点击率投放广告包括：

在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；

如果广告的预测点击率大于所述最佳点击率阈值，则投放该广告，否则放弃投放该广告。

8.一种广告投放装置，其特征在于，包括：

第一确定模块，用于根据广告的历史访问数据确定用户对广告的偏好信息；

提取模块，用于对所述偏好信息进行特征提取；

训练模块，用于以提取到的特征数据为训练数据，按照预设的算法模型对所述训练数据进行训练得到训练模型；

预测模块，使用所述训练模型对广告测试数据进行预测，得到广告的预测点击率；

投放模块，用于根据所述预测点击率投放广告。

9.根据权利要求8所述的装置，其特征在于，所述提取模块具体用于：

提取所述偏好信息中发生点击或展示广告时的上下文环境信息、广告的描述信息、点击或展示广告的用户的属性信息以及各用户对广告的偏好信息。

10.根据权利要求8或9所述的装置，其特征在于，所述训练模块具体用于：

使用逻辑回归模型和/或树模型算法对所述训练数据进行训练，得到所述训练模型。

11.根据权利要求10所述的装置，其特征在于，所述训练模块，包括：

第一训练单元，用于在仅使用逻辑回归模型的情况下，使用逻辑回归模型在所述训练数据的向量空间中计算每一个特征维度的权重值，针对广告的点击日志或展示日志中的每一条记录计算所述权重值与对应特征值的加权和，再将所述加权和代入逻辑回归函数，得到所述训练模型；

第二训练单元，用于在仅使用树模型的情况下，使用一个树对所述训练数据进行训练，逐渐加入新的树对上一次训练得到的模型进行增强，得到所述训练模型；

第三训练单元，用于在同时使用逻辑回归模型以及树模型的情况下，使用树模型对广告的点击日志或展示日志中的每条记录进行分区，得到新的特征集合，使用逻辑回归模型对所述新的特征集合进行训练，得到所述训练模型。

12.根据权利要求8所述的装置，其特征在于，所述第一确定模块，包括：

第一整合单元，用于通过广告的点击日志或展示日志对储存在用户本地终端上的数据、会话标识ID、广告ID进行整合；

第二整合单元，用于通过广告的点击日志或展示日志中的广告素材ID与广告素材信息库进行整合得到广告素材的行业描述信息；

第三整合单元，用于通过广告的点击日志或展示日志的储存在用户本地终端上的数据与用户信息进行连接整合得到该用户的属性信息与对广告的偏好信息；

清洗单元，用于对经过整合的数据进行清洗去掉不合法的储存在用户本地终端上的数据。

13.根据权利要求8所述的装置，其特征在于，所述装置还包括：

离散模块，用于在对所述偏好信息进行特征提取之后，如果所述偏好信息中的特征为具有有限类别的离散型特征，对离散型特征进行离散化编码；如果所述偏好数据中的特征为连续型特征，则根据所述预设模型算法的类型确定是否对所述连续型特征进行离散化编码。

14.根据权利要求8所述的装置，其特征在于，所述投放模块包括：

确定单元，用于在得到广告的预测点击率之后，使用广告的验证数据确定广告的最佳点击率阈值；

投放单元，用于如果广告的预测点击率大于所述最佳点击率阈值，则投放该广告，否则放弃投放该广告。