CN106445954A - 一种业务对象的展示方法和装置 - Google Patents
一种业务对象的展示方法和装置 Download PDFInfo
- Publication number
- CN106445954A CN106445954A CN201510484998.1A CN201510484998A CN106445954A CN 106445954 A CN106445954 A CN 106445954A CN 201510484998 A CN201510484998 A CN 201510484998A CN 106445954 A CN106445954 A CN 106445954A
- Authority
- CN
- China
- Prior art keywords
- packet
- business object
- model
- characteristic
- clicking rate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012216 screening Methods 0.000 claims description 29
- 230000001747 exhibiting effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000007477 logistic regression Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- 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
Abstract
本发明实施例提供了一种业务对象的展示方法和装置，该方法包括：从第一业务对象的展示日志中提取特征数据；根据所述特征数据之间的交叉关系训练模型参数；当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；根据所述预估点击率对所述第二业务对象进行展示。本发明实施例避免额外的处理，在模型中使用低秩矩阵逼近的思想，避免了对特征数据直接的交叉关系过拟合训练，大大提高了模型的拟合能力，进而提高点击率预估的准确度。
Description
技术领域
本发明涉及计算机处理技术领域，特别是涉及一种业务对象的展示方法和一种业务对象的展示装置。
背景技术
随着网络的快速发展，各种网络平台集成众多的产品信息，便于各网站通过该网络平台与其他用户交流。
后端用户为让更多的网络用户获取自己的产品信息，通常有两条途径，一条是通过自然搜索的方式，二是通过竞争推广的方式。
第一种方式竞争比较激烈，优化周期较长，因此，很多后端用户会选择更加快捷的第二种方式。
在竞争推广中，通常会预估该产品信息的点击率进行排序的优化。
目前，对点击率的预估大多采用逻辑回归(LR)模型，LR模型是一个简单的线性模型，需要额外地对样本进行处理才能预估点击率，而且很容易造成数据稀疏和模型训练过拟合，从而导致点击率预估准确度下降。
由于基于LR模型预估点击率准确率较低，，导致排序的效果较差，会使得能满足用户需求的产品信息的排序很低，使得其展示的位置靠后，甚至无法展示。
一方面，这些不匹配用户需求的产品信息不仅占用了平台服务器的资源，而且还占用了客户端的资源，造成不必要的资源占用与浪费。
另一方面，用户需要获取自己感兴趣的产品信息，可能需要进行多次翻页操作，甚至再次去其他平台进行搜索，再次进行海量信息的搜索、对比、筛选等获取相关的产品信息，操作更加繁琐，耗费用户的时间，降低用户的使用体验，而且，将大大增加其他平台服务器和客户端的资源消耗。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种业务对象的展示方法和相应的一种业务对象的展示装置。
依据本发明的一个方面，提供了一种业务对象的展示方法，包括：
从第一业务对象的展示日志中提取特征数据；
根据所述特征数据之间的交叉关系训练模型参数；
当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
根据所述预估点击率对所述第二业务对象进行展示。
可选地，所述从第一业务对象的展示日志和点击日志中提取特征数据的步骤包括：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
可选地，所述根据所述特征数据之间的交叉关系训练模型参数的步骤包括：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
可选地，所述至少对所述多个特征分组进行因子分解，获得分组因子分解模型的步骤包括：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
可选地，所述对所述分组因子分解模型进行迭代的步骤包括：
对所述分组因子分解模型进行采用FTRL方式进行迭代训练。
可选地，所述对所述分组因子分解模型进行迭代的步骤包括：
采用异步多线程对所述分组因子分解模型进行迭代。
可选地，所述对所述分组因子分解模型进行迭代的步骤包括：
采用预设的指令集对迭代操作进行向量化。
可选地，所述分组被划分成多份数据集；
所述对所述分组因子分解模型进行迭代的步骤包括：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
可选地，所述当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率的步骤包括：
当接收到客户端发送的搜索关键词时，搜索绑定所述搜索关键词的第二业务对象；将当前搜索操作对应的特征数据代入预设的点击率预估模型中，计算出所述第二业务对象的预估点击率。
可选地，所述将当前搜索操作对应的特征数据代入由所述模型参数构建的点击率预估模型中，计算出所述第二业务对象的预估点击率的步骤包括：
将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系
至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型，计算出所述第二业务对象的预估点击率。
可选地，所述至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型的步骤包括：
对所述多个特征分组和筛选分组进行因子分解，获得由所述模型参数构建的点击率预估模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
可选地，所述根据所述预估点击率对所述第二业务对象进行展示的步骤包括：
采用所述预估点击率计算所述第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
根据本发明的另一方面，提供了一种业务对象的展示装置，包括：
特征数据提取模块，适于从第一业务对象的展示日志中提取特征数据；
模型参数训练模块，适于根据所述特征数据之间的交叉关系训练模型参数；
预估点击率计算模块，适于在查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
业务对象展示模块，适于根据所述预估点击率对所述第二业务对象进行展示。
可选地，所述特征数据提取模块还适于：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
可选地，所述模型参数训练模块还适于：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
可选地，所述模型参数训练模块还适于：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
可选地，所述模型参数训练模块还适于：
对所述分组因子分解模型进行采用FTRL方式进行迭代。
可选地，所述模型参数训练模块还适于：
采用异步多线程对所述分组因子分解模型进行迭代。
可选地，所述模型参数训练模块还适于：
采用预设的指令集对迭代操作进行向量化。
可选地，所述分组被划分成多份数据集；
所述模型参数训练模块还适于：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
可选地，所述预估点击率计算模块还适于：
当接收到客户端发送的搜索关键词时，搜索绑定所述搜索关键词的第二业务对象；
将当前搜索操作对应的特征数据代入预设的点击率预估模型中，计算出所述第二业务对象的预估点击率。
可选地，所述预估点击率计算模块还适于：
将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系
至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型，计算出所述第二业务对象的预估点击率。
可选地，所述业务对象展示模块还适于：
采用所述预估点击率计算所述第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
本发明实施例通过特征数据之间的交叉关系训练模型参数，一方面，从模型层面上对特征数据的交叉关系进行建模，避免额外的处理，在模型中使用低秩矩阵逼近的思想，避免了对特征数据直接的交叉关系过拟合训练，大大提高了模型的拟合能力。
另一方面，按照较高精确度的模型参数计算出第二业务对象的预估点击率，根据该预估点击率对第二业务对象进行展示，提高了展示的准确率，提高了用户需求的业务对象的展示几率，提高了用户的使用体验，增强用户对搜索结果的满意度。降低了当前平台服务器、客户端的资源占用与浪费，避免用户多次翻页操作或者去其他平台进行搜索，提高了操作的简便性，减少用户时间的耗费，也减少了其他平台服务器和客户端的资源消耗。
此外，本发明实施例通过负例采样、异步多线程、操作向量化、训练线程和预读取线程并行等方式加快模型的训练，可以在短时间(如一个小时)内，完成海量数据的训练，提高模型的时效性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的一种业务对象的展示方法实施例的步骤流程图；以及
图2示出了根据本发明一个实施例的一种业务对象的展示装置实施例的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1，示出了根据本发明一个实施例的一种业务对象的展示方法实施例的步骤流程图，具体可以包括如下步骤：
步骤101，从第一业务对象的展示日志中提取特征数据；
需要说明的是，本发明实施例可以应用于网络平台，其本质为独立的服务器或服务器集群，如分布式系统，存储了海量的不同领域的业务对象。
在不同的领域中可以具有不同的业务对象(如第一业务对象、第二业务对象)，即体现该领域特性的数据。
例如，在通信领域中，业务对象可以为通信数据；在新闻媒体领域中，业务对象可以为新闻数据；在搜索领域中，业务对象可以为网页；在电子商务(Electronic Commerce，EC)领域中，业务对象可以为广告数据，等等。
在不同的领域中，虽然业务对象承载领域特性而有所不同，但其本质都是数据，例如，文本数据、图像数据、音频数据、视频数据等等，相对地，对业务对象的处理，本质都是对数据的处理。
为使本领域技术人员更好地理解本发明实施例，在本发明实施例中，将广告数据作为业务对象的一种示例进行说明。
在实际应用中，用户可以通过客户端(如浏览器)提交搜索关键词，则网络平台依据该搜索关键词进行搜索，如搜索绑定该搜索关键词的一个或多个第一业务对象，基于预估点击率对该第一业务对象计算排序权重，并展示排序权重最高的前N(N为正整数)个第一业务对象。
上述历史行为可以记录在网络平台的展示日志中，例如，用户ID、广告数据ID、广告主ID、搜索关键词、操作系统、浏览器版本、IP地址、是否点击、广告数据的竞价、扣费等等。
本发明实施例分析影响点击率(Click-Through Rate，CTR)的因素，从展示日志中获取所需的特征数据，形成特征文件，作为模型的训练集。
在本发明的一种可选实施例中，步骤101可以包括如下子步骤：
子步骤S11，对未发生点击操作的第一业务对象的展示日志进行采样；
子步骤S12，从采样获得的第一业务对象的展示日志中提取特征数据。
由于点击率CTR一般很小(可能只有百分之几)，而且本发明实施例更关心的是展现后是否被点击。
因此，本发明实施例可以对训练集进行负例(即未发生点击操作的展示)采样，如均匀采样，AdBlindness采样等等，负例采样后对模型的预测效果影响很小，但是，可以大量减少训练集的数据量，减少了训练的计算量，降低了系统的资源消耗，加快了训练的速度。
步骤102，根据所述特征数据之间的交叉关系训练模型参数；
交叉关系，可以为对于点击率具有共同作用的特征数据之间的关系，例如，IP地址与搜索关键词具有交叉关系，如四川地区(IP地址)对麻辣火锅(搜索关键词)的广告数据的点击率较高，广东地区(IP地址)对麻辣火锅(搜索关键词)的广告数据的点击率较低，等等，利用这种共同作用可以训练模型参数，即应用于点击率预估模型的参数。
在本发明的一种可选实施例中，步骤102可以包括如下子步骤：
子步骤S21，将所述特征数据划分到多个特征分组中；
其中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
例如，某一广告数据属于具体一个广告主，即广告数据ID与广告主ID不具有交叉关系，可以划分在同一个特征分组中。
例如，IP地址与搜索关键词具有交叉关系，可以划分在不同特征分组。
本发明上来可以自动学习特征数据之间的交叉关系，解决特征交叉过拟合问题，同时大大提高线上预测的准确度。
子步骤S22，至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
在具体实现中，对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据，例如，广告数据的展示位置(一般展示位置较好的广告数据的点击率较高)、流量来源等等，对分组因子分解模型进行偏移。
由于本发明实施例是基于分组进行因子分解，则分组因子分解模型可以称之为GFM(Group Factorization Machines，分组因子分解机)。
其示例可以如下：
其中，W为需要训练模型参数，x为特征数据的向量。W0为筛选分组的模型参数，x0为筛选分组的特征数据的向量，G为特征分组的数量，则Wi为第i组特征分组的模型参数，Xi为第i组特征分组的特征数据的向量，Wj为第j组特征分组的模型参数，Xj为第j组特征分组的特征数据的向量。
子步骤S23，对所述分组因子分解模型进行迭代；
在具体实现中，可以采用SGD(Stochastic Gradient Descent，随即梯度下降)对分组因子分解模型进行迭代。
进一步地，为了提高迭代的收敛速度，可以对分组因子分解模型进行采用FTRL(Follow-the-Regularized-Leader)方式进行迭代。
具体而言，为了对GFM进行优化求解，可以计算其导数：
其中，yn表征第n个特征数据是否被点击，xn是第n个特征数据的向量，λ为常量，
有了导数之后，则可以根据SGD优化方法更新参数。
SGD更新的公式的示例可以如下：
其中，α为SGD中设定的模型参数的学习率。
当然，除了SGD之外，还可以应用其他方式进行迭代，如GD(梯度下降)、共轭梯度法等其他一阶优化方式，如牛顿法等二阶优化方式，等等，本发明实施例对此不加以限制。
在具体实现中，本发明实施例可以通过以下的一种或多种方式加快迭代速度：
1、采用异步多线程对所述分组因子分解模型进行迭代。
在本方式中，采用异步多线程进行加速，每个线程处理一个数据样本，所有线程共享模型。
由于训练集本身的特性，即特征数据的向量是稀疏的，所以在进行了数据打乱顺序之后，两个线程同时更新同一个模型参数的概率就大大降低，因而训练的收敛速度不会受到太大影响。
2、采用预设的指令集对迭代操作进行向量化加速。
由于GFM模型中含有大量的向量计算，本方式中可以采用AVX或者SSE指令集对操作进行向量化，这样每个指令可同时操作8个或者4个浮点数，使用AVX可以加速5倍多，使用SSE可以加速3倍多。
3、对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
在本方式中，为解决训练数据过大，内存放不下的问题，可以对整个训练集进行切割，即分组被划分成多份数据集，逐份进行加载。
迭代线程和预读取线程并行，对磁盘载入下一数据集和GFM模型的训练操作进行重叠，充分利用磁盘I/O和CPU资源。
当然，上述迭代方式只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他迭代方式，以加快迭代速度，本发明实施例对此不加以限制。另外，除了上述迭代方式外，本领域技术人员还可以根据实际需要采用其它迭代方式，本发明实施例对此也不加以限制。
子步骤S24，当迭代收敛时，将收敛的结果设置为模型参数。
在得到模型参数之后，可以采用二进制的格式推送到线上的预估服务器，替换线上已有点击率预估模型。
步骤103，当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
在具体实现中，用户可以通过客户端(如浏览器)向网络平台发出搜索关键词，则当接收到客户端发送的搜索关键词时，可以查找绑定所述搜索关键词的第二业务对象。
例如，用户可以在网络平台的页面搜索某个搜索关键词，也可以在搜索引擎中搜索某个搜索关键词等等。
若网络平台接收到搜索关键词，则可以搜索与该搜索关键词匹配的业务对象。
在电子商务领域中，网络平台可以通过该搜索关键词与第二业务对象预先绑定的文本信息(如广告数据的竞价词)进行匹配，若匹配上该文本信息，可以认为该搜索关键词与该业务对象匹配。
进一步地，将当前搜索对应的特征数据代入预设的点击率预估模型中，计算出第二业务对象的预估点击率。
具体而言，将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得由模型参数构建的点击率预估模型，计算出第二业务对象的预估点击率。
进一步而言，可以对多个特征分组和筛选分组进行因子分解，获得由模型参数构建的点击率预估模型；
其中，筛选分组包括不涉及交叉关系的特征数据。
点击率预估模型的示例可以如下：
其中，W为已训练好的模型参数，x为特征数据的向量。W0为筛选分组的模型参数，x0为筛选分组的特征数据的向量，G为特征分组的数量，则Wi为第i组特征分组的模型参数，Xi为第i组特征分组的特征数据的向量，Wj为第j组特征分组的模型参数，Xj为第j组特征分组的特征数据的向量。
步骤104，根据所述预估点击率对所述第二业务对象进行展示。
在实际应用中，可以采用预估点击率计算第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
以广告数据为例，可以通过RankScore＝BidPrice×QS×eCTR、RankScore＝eCTRα×BidPrice计算排序权重，展示排序分最高的N个广告数据，N为正整数。
其中，RankScore为排序分，BidPrice为广告数据的竞价，eCTR为预估点击率(基于模型估算得到的业务对象的点击率，estimated CTR)、QS为质量参数(衡量搜索关键词与业务对象的匹配度)。
若展示的广告数据被点击，则按照其竞价BidPrice对广告主进行扣费。
而实际扣除的费用一般小于或等于该竞价BidPrice，如基于广义第二价格扣费GSP(General Second Price)进行计价，广告数据的实际的扣费一般小于其竞价，防止了广告主频繁调价带来的价格波动。
在电子商务领域中，广告数据作为电商的收益方式之一，得到了非常好的发展。
广告数据的排序通常以eCPM(effective cost per mille，每一千次展示可以获得的收入)为目标，eCPM＝eCTR*Bidprice，即预估点击概率eCTR与广告主竞价Bidprice的乘积。
因此，网络平台可以预定用户在输入搜索关键词的情况下，精确地预测广告数据的点击概率，进而采用eCPM高的广告数据优先展示的策略来优化平台的收入，改善广告主的体验。
目前，对广告数据的点击率预估大多采用逻辑回归(LR)模型，由于LR模型是一个简单的线性模型，所以被广泛采用。但是，LR模型本身并不能直接对输入的特征数据之间的交叉关系进行建模，需要额外的处理才能达到该目标，而且很容易造成模型在数据上的过拟合。
在模型的训练方法上，目前大多采用随机梯度SDG进行优化。SGD每次选择一个或多个数据样本，然后计算模型在这些数据样本下的梯度，对该次数据所涉及到的参数进行更新。
但是由于SGD本身是一个顺序优化算法，无法进行并行优化，训练几十亿样本的广告数据时，非常耗时，无法体现时效性特征。
本发明实施例针对LR模型在CTR预估的缺陷，创造性地提出了GFM模型以及基于SGD的异步并行训练方案。
具体而言，本发明实施例通过特征数据之间的交叉关系训练模型参数，一方面，从模型层面上对特征数据的交叉关系进行建模，避免额外的处理，在模型中使用低秩矩阵逼近的思想，避免了对特征数据直接的交叉关系过拟合训练，大大提高了模型的拟合能力。
另一方面，按照较高精确度的模型参数计算出第二业务对象的预估点击率，根据该预估点击率对第二业务对象进行展示，提高了展示的准确率，提高了用户需求的业务对象的展示几率，提高用户体验，增加用户使用满意度。降低了当前平台服务器、客户端的资源占用与浪费，避免用户多次翻页操作或者去其他平台进行搜索，提高了操作的简便性，减少用户时间的耗费，也减少了其他平台服务器和客户端的资源消耗。
此外，本发明实施例通过负例采样、异步多线程、操作向量化、训练线程和预读取线程并行等方式加快模型的训练，可以在短时间(如一个小时)内，完成海量数据的训练，提高模型的时效性。
对比开源的类似程序，本发明实施例的训练速度提高了200倍左右，可以在短时间(如一个小时)内对较长时间(如2个月)内的数据进行训练，符合线上模型的时效性要求。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了根据本发明一个实施例的一种业务对象的展示装置实施例的结构框图，具体可以包括如下模块：
特征数据提取模块201，适于从第一业务对象的展示日志中提取特征数据；
模型参数训练模块202，适于根据所述特征数据之间的交叉关系训练模型参数；
预估点击率计算模块203，适于在查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
业务对象展示模块204，适于根据所述预估点击率对所述第二业务对象进行展示。
在本发明的一种可选实施例中，所述特征数据提取模块201还可以适于：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
在本发明的一种可选实施例中，所述模型参数训练模块202还可以适于：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
在本发明的一种可选实施例中，所述模型参数训练模块202还可以适于：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
在本发明的一种可选实施例中，所述模型参数训练模块202还可以适于：
对所述分组因子分解模型进行采用FTRL方式进行迭代。
在本发明的一种可选实施例中，所述模型参数训练模块202还可以适于：
采用异步多线程对所述分组因子分解模型进行迭代。
在本发明的一种可选实施例中，所述模型参数训练模块202还可以适于：
采用预设的指令集对迭代操作进行向量化。
在本发明的一种可选实施例中，所述分组被划分成多份数据集；
所述模型参数训练模块202还可以适于：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
在本发明的一种可选实施例中，所述预估点击率计算模块203还可以适于：
当接收到客户端发送的搜索关键词时，搜索绑定所述搜索关键词的第二业务对象；
将当前搜索操作对应的特征数据代入由所述模型参数构建的点击率预估模型中，计算出所述第二业务对象的预估点击率。
在本发明的一种可选实施例中，所述预估点击率计算模块203还可以适于：
将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系
至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型，计算出所述第二业务对象的预估点击率。
在本发明的一种可选实施例中，所述预估点击率计算模块203还可以适于：
对所述多个特征分组和筛选分组进行因子分解，获得由所述模型参数构建的点击率预估模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
在本发明的一种可选实施例中，所述业务对象展示模块204还可以适于：
采用所述预估点击率计算所述第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的业务对象的展示设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明实施例公开了A1、一种业务对象的展示方法，包括：
从第一业务对象的展示日志中提取特征数据；
根据所述特征数据之间的交叉关系训练模型参数；
当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
根据所述预估点击率对所述第二业务对象进行展示。
A2、如A1所述的方法，所述从第一业务对象的展示日志和点击日志中提取特征数据的步骤包括：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
A3、如A1所述的方法，所述根据所述特征数据之间的交叉关系训练模型参数的步骤包括：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
A4、如A3所述的方法，所述至少对所述多个特征分组进行因子分解，获得分组因子分解模型的步骤包括：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
A5、如A3所述的方法，所述对所述分组因子分解模型进行迭代的步骤包括：
对所述分组因子分解模型进行采用FTRL方式进行迭代。
A6、如A3所述的方法，所述对所述分组因子分解模型进行迭代的步骤包括：
采用异步多线程对所述分组因子分解模型进行迭代。
A7、如A3所述的方法，所述对所述分组因子分解模型进行迭代的步骤包括：
采用预设的指令集对迭代操作进行向量化。
A8、如A3所述的方法，所述分组被划分成多份数据集；
所述对所述分组因子分解模型进行迭代的步骤包括：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
A9、如A1-A8任一项所述的方法，所述当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率的步骤包括：
当接收到客户端发送的搜索关键词时，查找绑定所述搜索关键词的第二业务对象；
将所述模型参数代入预设的点击率预估模型中，计算出所述第二业务对象的预估点击率。
A10、如A9所述的方法，所述将当前搜索操作对应的特征数据代入由所述模型参数构建的点击率预估模型中，计算出所述第二业务对象的预估点击率的步骤包括：
将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系
至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型，计算出所述第二业务对象的预估点击率。
A11、如A10所述的方法，所述至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型的步骤包括：
对所述多个特征分组和筛选分组进行因子分解，获得由所述模型参数构建的点击率预估模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
A12、如A1-A8任一项所述的方法，所述根据所述预估点击率对所述第二业务对象进行展示的步骤包括：
采用所述预估点击率计算所述第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
本发明实施例还公开了B13、一种业务对象的展示装置，包括：
特征数据提取模块，适于从第一业务对象的展示日志中提取特征数据；
模型参数训练模块，适于根据所述特征数据之间的交叉关系训练模型参数；
预估点击率计算模块，适于在查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
业务对象展示模块，适于根据所述预估点击率对所述第二业务对象进行展示。
B14、如B13所述的装置，所述特征数据提取模块还适于：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
B15、如B13所述的装置，所述模型参数训练模块还适于：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
B16、如B15所述的装置，所述模型参数训练模块还适于：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
B17、如B15所述的装置，所述模型参数训练模块还适于：
对所述分组因子分解模型进行采用FTRL方式进行迭代。
B18、如B15所述的装置，所述模型参数训练模块还适于：
采用异步多线程对所述分组因子分解模型进行迭代。
B19、如B15所述的装置，所述模型参数训练模块还适于：
采用预设的指令集对迭代操作进行向量化。
B20、如B15所述的装置，所述分组被划分成多份数据集；
所述模型参数训练模块还适于：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
B21、如B13-B20任一项所述的装置，所述预估点击率计算模块还适于：
当接收到客户端发送的搜索关键词时，查找绑定所述搜索关键词的第二业务对象；
将所述模型参数代入预设的点击率预估模型中，计算出所述第二业务对象的预估点击率。
B22、如B21所述的装置，所述预估点击率计算模块还适于：
将当前搜索对应的特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系
至少对所述多个特征分组进行因子分解，获得由所述模型参数构建的点击率预估模型，计算出所述第二业务对象的预估点击率。
B23、如B22所述的装置，所述预估点击率计算模块还适于：
对所述多个特征分组和筛选分组进行因子分解，获得由所述模型参数构建的点击率预估模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
B24、如B13-B20任一项所述的装置，所述业务对象展示模块还适于：
采用所述预估点击率计算所述第二业务对象的排序权重；
将排序权重最高的一个或多个第二业务对象发送至客户端进行展示。
Claims (10)
1.一种业务对象的展示方法，包括：
从第一业务对象的展示日志中提取特征数据；
根据所述特征数据之间的交叉关系训练模型参数；
当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
根据所述预估点击率对所述第二业务对象进行展示。
2.如权利要求1所述的方法，其特征在于，所述从第一业务对象的展示日志和点击日志中提取特征数据的步骤包括：
对未发生点击操作的第一业务对象的展示日志进行采样；
从采样获得的第一业务对象的展示日志中提取特征数据。
3.如权利要求1所述的方法，其特征在于，所述根据所述特征数据之间的交叉关系训练模型参数的步骤包括：
将所述特征数据划分到多个特征分组中，同一个特征分组的特征数据不具有交叉关系，不同特征分组之间的特征数据具有交叉关系；
至少对所述多个特征分组进行因子分解，获得分组因子分解模型；
对所述分组因子分解模型进行迭代；
当迭代收敛时，将收敛的结果设置为模型参数。
4.如权利要求3所述的方法，其特征在于，所述至少对所述多个特征分组进行因子分解，获得分组因子分解模型的步骤包括：
对所述多个特征分组和筛选分组进行因子分解，获得分组因子分解模型；
其中，所述筛选分组包括不涉及交叉关系的特征数据。
5.如权利要求3所述的方法，其特征在于，所述对所述分组因子分解模型进行迭代的步骤包括：
对所述分组因子分解模型进行采用FTRL方式进行迭代。
6.如权利要求3所述的方法，其特征在于，所述对所述分组因子分解模型进行迭代的步骤包括：
采用异步多线程对所述分组因子分解模型进行迭代。
7.如权利要求3所述的方法，其特征在于，所述对所述分组因子分解模型进行迭代的步骤包括：
采用预设的指令集对迭代操作进行向量化。
8.如权利要求3所述的方法，其特征在于，所述分组被划分成多份数据集；
所述对所述分组因子分解模型进行迭代的步骤包括：
对当前数据集的分组因子分解模型进行迭代的同时，加载另一数据集。
9.如权利要求1-8任一项所述的方法，其特征在于，所述当查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率的步骤包括：
当接收到客户端发送的搜索关键词时，搜索绑定所述搜索关键词的第二业务对象；
将当前搜索操作对应的特征数据代入由所述模型参数构建的点击率预估模型中，计算出所述第二业务对象的预估点击率。
10.一种业务对象的展示装置，包括：
特征数据提取模块，适于从第一业务对象的展示日志中提取特征数据；
模型参数训练模块，适于根据所述特征数据之间的交叉关系训练模型参数；
预估点击率计算模块，适于在查找到第二业务对象时，按照所述模型参数计算所述第二业务对象的预估点击率；
业务对象展示模块，适于根据所述预估点击率对所述第二业务对象进行展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510484998.1A CN106445954B (zh) | 2015-08-07 | 2015-08-07 | 一种业务对象的展示方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510484998.1A CN106445954B (zh) | 2015-08-07 | 2015-08-07 | 一种业务对象的展示方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106445954A true CN106445954A (zh) | 2017-02-22 |
| CN106445954B CN106445954B (zh) | 2021-02-05 |
Family
ID=58093153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510484998.1A Active CN106445954B (zh) | 2015-08-07 | 2015-08-07 | 一种业务对象的展示方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106445954B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818347A (zh) * | 2017-11-08 | 2018-03-20 | 千寻位置网络有限公司 | Gga数据质量的评定预测方法 |
| CN108090208A (zh) * | 2017-12-29 | 2018-05-29 | 广东欧珀移动通信有限公司 | 融合数据处理方法及装置 |
| WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
| 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 |
| CN110490389A (zh) * | 2019-08-27 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 点击率预测方法、装置、设备及介质 |
| CN111242689A (zh) * | 2020-01-14 | 2020-06-05 | 喜大（上海）网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
| CN111723260A (zh) * | 2019-03-19 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 推荐内容的获取方法、装置、电子设备及可读存储介质 |
| CN112949852A (zh) * | 2021-02-01 | 2021-06-11 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101676897A (zh) * | 2008-05-28 | 2010-03-24 | 美国日本电气实验室公司 | 利用文档聚类的多文档概括 |
| CN103345512A (zh) * | 2013-07-06 | 2013-10-09 | 北京品友互动信息技术有限公司 | 一种基于用户属性的网络广告点击率预测方法和装置 |
| US20130290836A1 (en) * | 2012-04-28 | 2013-10-31 | International Business Machines Corporation | Methods and apparatus for copying text format pattern |
| US20140122473A1 (en) * | 2012-10-29 | 2014-05-01 | Aol Inc. | Systems and Methods for Providing Meta-Social Graphs |
| CN104158182A (zh) * | 2014-08-18 | 2014-11-19 | 国家电网公司 | 一种大规模电网潮流修正方程并行求解方法 |
| FR3006003A1 (fr) * | 2013-05-23 | 2014-11-28 | Peugeot Citroen Automobiles Sa | Systeme de gestion des requetes de commande d'un groupe motopropulseur et procede de commande moteur |
| CN104750713A (zh) * | 2013-12-27 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 一种对搜索结果进行排序的方法及装置 |
-
2015
- 2015-08-07 CN CN201510484998.1A patent/CN106445954B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101676897A (zh) * | 2008-05-28 | 2010-03-24 | 美国日本电气实验室公司 | 利用文档聚类的多文档概括 |
| US20130290836A1 (en) * | 2012-04-28 | 2013-10-31 | International Business Machines Corporation | Methods and apparatus for copying text format pattern |
| US20140122473A1 (en) * | 2012-10-29 | 2014-05-01 | Aol Inc. | Systems and Methods for Providing Meta-Social Graphs |
| FR3006003A1 (fr) * | 2013-05-23 | 2014-11-28 | Peugeot Citroen Automobiles Sa | Systeme de gestion des requetes de commande d'un groupe motopropulseur et procede de commande moteur |
| CN103345512A (zh) * | 2013-07-06 | 2013-10-09 | 北京品友互动信息技术有限公司 | 一种基于用户属性的网络广告点击率预测方法和装置 |
| CN104750713A (zh) * | 2013-12-27 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 一种对搜索结果进行排序的方法及装置 |
| CN104158182A (zh) * | 2014-08-18 | 2014-11-19 | 国家电网公司 | 一种大规模电网潮流修正方程并行求解方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘唐: "基于多类别特征的在线广告点击率预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 朱志北 等: "结合广告相似性网络的搜索广告推荐", 《电子技术应用》 * |
| 胡亚慧 等: "一种结合文化和因子分解机的快速评分预测方法", 《南京大学学报(自然科学)》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018212710A1 (en) * | 2017-05-19 | 2018-11-22 | National University Of Singapore | Predictive analysis methods and systems |
| CN107818347A (zh) * | 2017-11-08 | 2018-03-20 | 千寻位置网络有限公司 | Gga数据质量的评定预测方法 |
| 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 |
| CN108090208A (zh) * | 2017-12-29 | 2018-05-29 | 广东欧珀移动通信有限公司 | 融合数据处理方法及装置 |
| US11061966B2 (en) | 2017-12-29 | 2021-07-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for processing fusion data and information recommendation system |
| CN111723260A (zh) * | 2019-03-19 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 推荐内容的获取方法、装置、电子设备及可读存储介质 |
| CN110490389A (zh) * | 2019-08-27 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 点击率预测方法、装置、设备及介质 |
| CN110490389B (zh) * | 2019-08-27 | 2023-07-21 | 腾讯科技（深圳）有限公司 | 点击率预测方法、装置、设备及介质 |
| CN111242689A (zh) * | 2020-01-14 | 2020-06-05 | 喜大（上海）网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
| CN111242689B (zh) * | 2020-01-14 | 2023-11-10 | 喜大（上海）网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
| CN112949852A (zh) * | 2021-02-01 | 2021-06-11 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
| CN112949852B (zh) * | 2021-02-01 | 2022-02-15 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106445954B (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106445954A (zh) | 一种业务对象的展示方法和装置 | |
| CN106651542B (zh) | 一种物品推荐的方法及装置 | |
| CN106504011B (zh) | 一种业务对象的展示方法和装置 | |
| CN111444334B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
| CN106803190A (zh) | 一种广告个性化推送系统及方法 | |
| CN106372249B (zh) | 一种点击率预估方法、装置及电子设备 | |
| CN109657138A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
| CN105718184A (zh) | 一种数据处理方法和装置 | |
| CN107229730A (zh) | 数据查询方法及装置 | |
| CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
| CN108921624B (zh) | 广告融合方法、装置、存储介质和终端设备 | |
| CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| CN104239571A (zh) | 一种进行应用推荐的方法和装置 | |
| CN105740268A (zh) | 一种信息推送方法和装置 | |
| CN105183772A (zh) | 投放信息点击率预估方法及装置 | |
| CN104685490A (zh) | 结构化和非结构化数据自适应分组的系统和方法 | |
| CN106919625A (zh) | 一种互联网用户属性识别方法和装置 | |
| CN107341272A (zh) | 一种推送方法、装置和电子设备 | |
| CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
| CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
| CN106484698A (zh) | 一种搜索关键词的推送方法和装置 | |
| CN108777701A (zh) | 一种确定信息受众的方法及装置 | |
| Chen et al. | Common pitfalls in training and evaluating recommender systems | |
| CN110134845A (zh) | 项目舆情监控方法、装置、计算机设备及存储介质 | |
| CN106919588A (zh) | 一种应用程序搜索系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240111 Address after: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Patentee before: Qizhi software (Beijing) Co.,Ltd. |
|
| TR01 | Transfer of patent right |