CN106504011B - 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
- CN106504011B CN106504011B CN201510561461.0A CN201510561461A CN106504011B CN 106504011 B CN106504011 B CN 106504011B CN 201510561461 A CN201510561461 A CN 201510561461A CN 106504011 B CN106504011 B CN 106504011B
- Authority
- CN
- China
- Prior art keywords
- calculating
- ranking
- probability distribution
- business
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001747 exhibiting effect Effects 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 118
- 238000012937 correction Methods 0.000 claims description 108
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 34
- 238000012163 sequencing technique Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请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：根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；当接收到搜索关键词时，查找与搜索关键词匹配的一个或多个第二业务对象，搜索关键词关联第二展示页面，一个或多个第二业务对象关联一个或多个预估点击率；查找与第二展示页面同类型的第一展示页面的修正指数；根据由修正指数修正的一个或多个预估点击率，计算一个或多个第二业务对象的排序分；以及返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示。本申请实施例大大提高了学习的效率、大大下降学习的了成本，适应了不同的场景，提高了修正指数的精确度。
Description
技术领域
本申请涉及计算机处理的技术领域，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
随着网络科技的快速发展，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前端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。
但在实际中，因为点击事件很稀少，同时也存在不断出现的新产品，造成点击率的预估存在固有的不确定性。
鉴于点击率的预估固有的一些不确定性，目前会对预估的点击率进行调整，但是，精确度较低，导致排序的效果较差。
发明内容
鉴于上述问题，提出了本申请实施例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。
为了解决上述问题，本申请实施例公开了一种业务对象的展示方法，包括：
根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
当接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象，所述搜索关键词关联第二展示页面，所述一个或多个第二业务对象关联一个或多个预估点击率；
查找与所述第二展示页面同类型的第一展示页面的修正指数；
根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；以及
返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示。
可选地，所述根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数的步骤包括：
在第一时间段内，查找权限参数在单位展示次数内的消耗值最高的一个或多个第一业务对象；
在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
对所述分布差异进行迭代优化处理；以及
当迭代优化处理收敛时，将收敛的结果设置为修正指数。
可选地，所述计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布的步骤包括：
计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
可选地，所述计算所述一个或多个第一业务对象的排序分的概率分布的步骤包括：
计算每个第一业务对象在一个或多个搜索关键词下的子排序分，所述第一业务对象被所述搜索关键词搜索到并按照所述排序分进行展示；
对每个第一业务对象的每个子排序分配置排序权重；
对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
可选地，所述分别计算每个第一业务对象在一个或多个搜索关键词下的子排序分的步骤包括：
计算某个第一业务对象在某个搜索关键词下的预估点击率；
按照初始的修正指数对所述预估点击率进行修正；以及
基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
可选地，所述排序权重为某个第一业务对象在某个搜索关键词下的累加的消耗值，与，在所有搜索关键词下的累加的消耗值之和的比值。
可选地，所述计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异的步骤包括：
计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的KL距离，作为分别差异。
可选地，所述计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异的步骤还包括：
去除所述KL距离中的常数项。
可选地，所述对所述分布差异进行迭代优化处理的步骤包括：
在每一次迭代优化处理中，计算所述KL距离对所述修正指数的梯度；以及
沿所述梯度的负方向、以一定的步长修改修正指数。
可选地，所述一个或多个第二业务对象还关联有一个或多个权限参数；
所述根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分的步骤包括：
按照所述修正指数对所述一个或多个预估点击率进行修正；以及
计算修正之后的一个或多个预估点击率与所述一个或多个权限参数的乘积，获得所述一个或多个第二业务对象的排序分。
本申请实施例还公开了一种业务对象的展示装置，包括：
修正指数训练模块，用于根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
业务对象匹配模块，用于在接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象，所述搜索关键词关联第二展示页面，所述一个或多个第二业务对象关联一个或多个预估点击率；
修正指数查找模块，用于查找与所述第二展示页面同类型的第一展示页面的修正指数；
排序分计算模块，用于根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；以及
业务对象返回模块，用于返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示。
可选地，所述修正指数训练模块包括：
业务对象查找子模块，用于在第一时间段内，查找权限参数的单位展示次数内的消耗值最高的一个或多个第一业务对象；
排序分布计算子模块，用于在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
消耗分布计算子模块，用于计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
分布差异计算子模块，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
迭代优化子模块，用于对所述分布差异进行迭代优化处理；以及
修正指数设置子模块，用于在迭代优化处理收敛时，将收敛的结果设置为修正指数。
可选地，所述消耗值为针对某个第一业务对象扣减的权限参数。
可选地，所述消耗分布计算子模块包括：
消耗比值计算单元，用于计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
可选地，所述排序分布计算子模块包括：
子排序分计算单元，用于计算每个第一业务对象在一个或多个搜索关键词下的子排序分，所述第一业务对象被所述搜索关键词搜索到并按照所述排序分进行展示；
排序权重配置单元，用于对每个第一业务对象的每个子排序分配置排序权重；
总排序分计算单元，用于对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
排序分比值计算单元，用于分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
可选地，所述子排序分计算单元包括：
预估点击率计算子单元，用于计算某个第一业务对象在某个搜索关键词下的预估点击率；
预估点击率修正子单元，用于按照初始的修正指数对所述预估点击率进行修正；以及
修正子排序分计算子单元，用于基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
可选地，所述排序权重为某个第一业务对象在某个搜索关键词下的累加的消耗值，与，在所有搜索关键词下的累加的消耗值之和的比值。
可选地，所述分布差异计算子模块包括：
KL距离计算单元，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的KL距离，作为分别差异。
可选地，所述分布差异计算子模块还包括：
常数项去除单元，用于去除所述KL距离中的常数项。
可选地，所述迭代优化子模块包括：
梯度计算单元，用于在每一次迭代优化处理中，计算所述KL距离对所述修正指数的梯度；以及
梯度修正单元，用于沿所述梯度的负方向、以一定的步长修改修正指数。
可选地，所述一个或多个第二业务对象还关联有一个或多个权限参数；
所述排序分计算模块包括：
预估点击率修正子模块，用于按照所述修正指数对所述一个或多个预估点击率进行修正；以及
乘积计算子模块，用于计算修正之后的一个或多个预估点击率与所述一个或多个权限参数的乘积，获得所述一个或多个第二业务对象的排序分。
本申请实施例包括以下优点：
本申请实施例基于机器学习的方法，通过实际的第一业务对象在第一展示页面展示时的历史行为数据作为训练的样本，学习出修正指数，相对于人工估算，通过机器学习，提高了修正指数的精确度，大大提高了学习的效率、大大下降学习的了成本，并且，适应了不同的场景，大大提高了扩展性，并进一步提高了修正指数的精确度。
进而，按照较高精确度的修正指数修正预估点击率，并计算排序分对第二业务对象进行排序，提高了排序的准确率，提高了用户需求的业务对象的展示几率，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。
附图说明
图1是本申请的一种业务对象的展示方法实施例的步骤流程图；
图2是本申请实施例的一种修正指数的学习示例图；
图3是本申请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
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
在实际应用中，鉴于点击率的预估固有的一些不确定性，目前会对预估的点击率进行调整，大多是将预估的点击率配置某个指数，降低预估的点击率在最终排序中的权重。
但是，这个指数往往是通过人工尝试多次调优，进行线上对比测试才能猜出一个相对较好的值。
其一，依赖人工经验得到的指数精确度较低；
其二，这种指数一般是针对全部产品信息的，形式单一，扩展性差，导致指数精确度低；
其三，由于产品不同变化，这个指数的最优值也会随着时间的变化而变化，导致需要繁重的重复人工试验，效率很低，成本很高。
总之，通过人工经验得到的指数精确度较低，导致排序的效果较差，会使得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，而且，将大大增加其他平台服务器和客户端的资源消耗。
参照图1，示出了本申请的一种业务对象的展示方法实施例的步骤流程图，该方法100具体可以包括如下步骤：
步骤101，根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
需要说明的是，本申请实施例可以应用于网络平台，其本质可以为独立的服务器或服务器集群，如分布式系统，其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申请实施例，在本申请实施例中，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，至少基于预估点击率对该第一业务对象计算排序分，并展示排序分最高的前N(N为正整数)个第一业务对象。
上述历史行为数据可以记录在网络平台的日志数据中，例如，搜索、浏览、点击、收藏等等，也记录了业务对象的信息，例如，广告的展示、被点击、出价、扣费等等。
电子商务网站的日志数据的示例如下表所示：
| 序号 | 名称 | 说明 |
| 1 | Query | 搜索关键词 |
| 2 | Offer_ID | 标识Offer(广告数据)的ID |
| 3 | Company_ID | Offer(广告数据)所属公司的ID |
| 5 | Rank | Offer的展示区域 |
| 6 | Is_Click | Offer是否被点击 |
| …… | …… | …… |
在应用日志数据之前，通常可以进行预处理，去除噪声数据，如诸如欺诈数据、爬虫数据等，以及，去除无效的数据，如在非指定的位置之外的操作等，以提高日志数据的准确度。
本申请实施例中，提出了通过机器学习的方法来自动学习预估点击率的修正指数，基于实际样本，学习出最优的修正指数。
而对于一个网络平台，尤其是电商平台而言，业务对象(如广告数据)往往遍布在各个地方，而且业务对象(如广告数据)的形式也是多种多样。
使得各个位置对预估点击率的修正指数的取值往往是不同的：在某个位置或某种业务对象(如广告数据)的可取得较好效果的预估点击率的修正指数取值，如果直接用于其他的位置或者形式上，可能获得更差的效果。
因此，本申请实施例进一步按照具体的情景学习预估点击率的修正指数，针对单个场景学习一个最优的预估点击率的修正指数。
如，在电子商务网站的主页面、电子商务网站的商品推荐页面、搜索引擎的搜索结果页面等等，均可以作为一个独立的场景。
这个最优的预估点击率的修正指数会应用到这个场景的业务对象的展示，作用于该场景每次展示的所有待排序的业务对象(如广告数据)，也就是说，对于单个特定的场景，每个业务对象(如广告数据)的预估点击率的修正指数是相同的。
在本申请的一种实施例中，步骤101可以包括如下子步骤：
子步骤S11，在第一时间段内，查找权限参数的单位展示次数内的消耗值最高的一个或多个第一业务对象；
在具体实现中，该权限参数可以用于对业务对象的展示操作进行约束，如业务对象在展示后被用户点击，则按照一定的参数值进行扣减，当该权限参数的数值小于一定的参数值时，禁止业务对象的展示。
进一步而言，消耗值可以为针对某个第一业务对象扣减的权限参数。
例如，在电子商务领域中，该权限参数可以为广告主的预存款，该消耗值可以为扣费，即为网络平台带来的收益，单位展示次数内的消耗值可以为RPM，即广告数据每千次展现带来的收益。
具体而言，广告主在推广产品的时候会对网络平台的一些搜索关键词设置竞价BidPrice，一般的收费模式为CPC(按点击扣费)，即若该广告主通过购买的搜索关键词展示广告数据，并被用户点击时，按照竞价BidPrice来产生扣费，实际的扣费一般小于或等于该竞价。
实际的单位展示次数内的消耗值(如RPM)的分布一般近似呈现周期性变动，因此，可以选择单位展示次数内的消耗值周期性变动的时间段的第一时间段。
例如，对于电子商务领域的广告数据，该周期性时间通常表现为一周，因此，本示例中可以选择前一周作为目标窗口的第一时间段。
子步骤S12，在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
机器学习的目的是进行预测，因此，采用的训练样本，一般在第一时间段之前。
在一个示例中，可以选择第一时间段(如当前一周)之前的一个月作为第二时间段，因为一个月的数据量基本可以满足本申请实施例中机器学习样本量的要求，比较可信。
例如，对某个广告数据的应用场景，如网站主搜页面，取最近一周RPM最大的K(K为正整数)个广告数据，如超过该场景总RPM 50％的前K个广告数据。
则其排序分的概率分布为：
(q1,q2,...,qk)
在本申请的一种实施例中，子步骤S12进一步可以包括如下子步骤：
子步骤S121，计算每个第一业务对象在一个或多个搜索关键词下的子排序分；
其中，第一业务对象在先被该搜索关键词搜索到，并按照子排序分进行展示，如展示排序分最高的一个或多个第一业务对象。
在本申请实施例的一种示例中，子步骤S121进一步可以包括如下子步骤：
子步骤S1211，计算某个第一业务对象在某个搜索关键词下的预估点击率；
在日志数据中，记录有业务对象(如广告数据)本身的信息，则可以通过该信息预估点击率(estimated CTR，eCTR)，即基于模型估算得到的业务对象的点击率。
需要说明的是，本申请实施例将流量细分到搜索关键词query上，预估点击率的计算按照搜索关键词query细分，即可以从总的展现数据和点击数据中提取出单搜索关键词下的展现数据和点击数据，从而得到广告商品在不同搜索关键词query下的预估点击率。
子步骤S1212，按照初始的修正指数对所述预估点击率进行修正；以及
子步骤S1213，基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
在一种子排序分的计算方式中，第一业务对象具有关联的权限参数，如广告主对广告数据的竞价的平均值，修正之后的预估点击率与该权限参数的乘积为子排序分。
即，假设广告数据i在X(X为正整数)个搜索关键词query下被展示过，在第j个搜索关键词query下的平均竞价为BidPriceij，在第j个搜索关键词query下的预估点击率为CTRij，这两个数据可以直接得到。
则，对某个初始化的修正指数α(如1)，在第j个搜索关键词query下的子排序分为
当然，除了上述计算方式外，还可以采用其他计算方式，例如，以修正之后的预估点击率与权限参数、质量分(用于衡量搜索关键词与业务对象的匹配度)的乘积为子排序分，等等，本申请实施例对此不加以限制。
子步骤S122，对每个第一业务对象的每个子排序分配置排序权重；
在实际应用中，该排序权重可以为某个第一业务对象在某个搜索关键词下的累加的消耗值，与，在搜索关键词下的累加的消耗值之和的比值。
需要说明的是，累加的消耗值为真实的消耗值，并非限定单位展示次数。
则针对上述示例，第j个搜索关键词query的排序权重如下：
子步骤S123，对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
在本申请实施例中，对所有加权后的子排序分求和，获得这个业务对象的行排序分如下：
子步骤S124，分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
对于排序分的概率分布(q1,q2,...,qk)，qi表示在K个第一业务对象中第i个第一业务对象的总排序分，i为正整数。
子步骤S13，计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
在具体实现中，可以计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
例如，对某个广告数据的应用场景，如网站主搜页面，取最近一周RPM最大的K(K为正整数)个广告数据，如超过该场景总RPM 50％的前K个广告数据。
则其单位展示次数内的消耗值的概率分布为：
(p1,p2,...,pk)
其中，ri表示在K个第一业务对象中单位展示次数内的消耗值第i大的第一业务对象的单位展示次数内的消耗值，i为正整数。
进一步地，在电子商务领域中，ri又称广告数据的展示RPM。
子步骤S14，计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
单位展示次数内的消耗值的概率分布与排序分的概率分布之间的差异越小，两者的情况也就越相似。
在一种计算方式中，可以计算单位展示次数内的消耗值的概率分布与排序分的概率分布之间的KL距离，作为分别差异。
KL距离，是Kullback-Leibler差异(Kullback-Leibler Divergence)的简称，也叫做相对熵(Relative Entropy)，它衡量的是相同事件空间里的两个概率分布的差异情况。
其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概率分布Q(x)编码时，平均每个基本事件(符号)编码长度增加了多少比特。
若以D(P||Q)表示KL距离，计算公式如下：
则在本申请实施例中，KL距离如下所示：
进一步地，对上述KL距离进行如下变形：
由于单位展示次数内的消耗值的概率分布(p1,p2,...,pk)是通过日志数据计算出来的，是常数值，因此，也是常数项(const)。
在本申请实施例中，优化的参数为修正指数α，去除KL距离中的常数项，可以减少迭代优化处理中不必要的计算，提升效率。
去除常数项的KL距离如下所示：
当然，除了KL距离之外，还可以采用其他方式计算分布差异，如余弦值等等，本申请实施例对此不加以限制。
子步骤S15，对所述分布差异进行迭代优化处理；以及
子步骤S16，当迭代优化处理收敛时，将收敛的结果设置为修正指数。
在本申请实施例中，迭代优化处理的目标是使分布差异能取得最小值。
如图2所示，若排序分的概率分(q1,q2,...,qk)以直方图表示，-单位展示次数内的消耗值的概率分布(p1,p2,...,pk)以曲线表示，迭代优化处理的目标是调整修正指数α，改变直方图的形状(如高度)，使得直方图最贴近曲线。
在一种优化方式中，可以应用SGD(stochastic gradient descent，随机梯度下降)。
具体而言，在每一次迭代优化处理中，将KL距离对修正指数求偏导，计算KL距离对修正指数的梯度；
由于是要最小化KL距离，因此，可以沿该梯度的负方向、以一定的步长修改修正指数。
其表示如下：
其中，si′为si对修正指数α的导数，
将应用SGD的KL距离迭代至收敛，则可得到最优的修正指数α。
当然，除了SGD之外，还可以应用其他迭代优化处理，如GD(梯度下降)、共轭梯度法等其他一阶优化方式，二阶优化方式(如牛顿法等)等等，本申请实施例对此不加以限制。
需要说明的是，不同类型的第一展示页面的修正指数可以在离线时训练并存储，也可以在线训练，本申请实施例对此不加以限制。
步骤102，当接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象；
在实际应用中，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。
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，则可以查找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。
针对不同的情景，搜索关键词关联不同的第二展示页面，如，在网络平台的页面搜索某个搜索关键词，则网络平台的主页面为第二展示页面，又如，在搜索引擎中搜索某个搜索关键词，则搜索引擎的主页面为第二展示页面，等等。
步骤103，查找与所述第二展示页面同类型的第一展示页面的修正指数；
若已训练好各个类型的第一展示页面的修正指数，则可以通过第二展示页面与第一展示页面的类型匹配，查找出当前情景所需的修正指数。
步骤104，根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；
在本申请实施例的一种示例中，该一个或多个第二业务对象关联一个或多个预估点击率，则在本示例中，可以按照所述修正指数对一个或多个预估点击率进行修正，计算修正之后的一个或多个预估点击率与一个或多个权限参数的乘积，获得一个或多个第二业务对象的排序分。
则排序分可以如下表示：
RankScore＝BidPrice*eCTRα
其中，RankScore为排序分，BidPrice为权限参数，eCTR为预估点击率。
当然，除了上述计算方式外，还可以采用其他计算方式，例如，以修正之后的预估点击率与权限参数、质量分的乘积为子排序分，等等，本申请实施例对此不加以限制。
步骤105，返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示。
在具体实现中，网络平台可以对客户端的搜索关键词进行响应，将排序分最高的一个或多个第二业务对象推送至客户端，由客户端在第二展示页面进行加载，展示给用户。
若在分布式系统等计算机集群中，应用服务器接收到搜索关键词，确定排序分最高的一个或多个第二业务对象，根据该第二业务对象的ID从资源服务器请求该第二业务对象的数据，然后连同第二展示页面返回客户端进行展示。
本申请实施例基于机器学习的方法，通过实际的第一业务对象在第一展示页面展示时的历史行为数据作为训练的样本，学习出修正指数，相对于人工估算，通过机器学习，提高了修正指数的精确度，大大提高了学习的效率、大大下降学习的了成本，并且，适应了不同的场景，大大提高了扩展性，并进一步提高了修正指数的精确度。
进而，按照较高精确度的修正指数修正预估点击率，并计算排序分对第二业务对象进行排序，提高了排序的准确率，提高了用户需求的业务对象的展示几率，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。
目前电子商务发展迅速，而广告数据作为电商的收益方式之一，也得到了非常好的发展。
无论是搜索广告数据还是展示广告数据而言，大多都涉及到广告数据的排序工作，即针对展示位置将业务效果最好的若干个广告数据进行展示。
当前业界通用的广告数据的排序方法，大多是基于广告数据的竞价BidPrice乘以预估的点击率，即RankSocre＝BidPrice*eCTR。
实际中，因为点击事件很稀少，同时也存在不断出现的新广告数据，造成CTR的预估存在固有的不确定性。
另外，展示的广告数据通常不是直接根据竞价BidPrice扣费，而是采用的是广义第二价格扣费GSP(General Second Price)进行计价，即pricei＝BidPricei+1×(eCTRi+1÷eCTRi)，i为广告数据的排序。
根据GSP的计费原理，广告数据的实际扣费一般小于其竞价BidPrice，防止了广告主频繁调价带来的价格波动。
基于这两个因素，在实际应用中，按RankSocre＝BidPrice*eCTR排序往往得不到最优的RPM。
那么，为了得到更优的RPM，就需要去调整这种排序方案(RankSocre＝BidPrice*eCTR)。
鉴于eCTR固有的一些不精准性，业界的做法基本是在eCTR上做调整
例如，比较简单的做法，直接将eCTR加上某个常数，即排序方案调整为RankSocre＝BidPrice*(eCTR+beta)，beta是某个常数，用来减少eCTR产生的差距，即降低eCTR在最终排序中的权重。
这种方案的问题在于，一是beta值很难确定确定，一般只能人工多次尝试取相对较好的值，二是也很难证明取某个beta能得到最优RPM，甚至不一定能带来收益的提升。
因此，业界的常规做法，基本上是集中在eCTR的指数选取上，即RankSocre＝BidPrice*eCTR中，eCTR的指数即是1。
在先已论证，在eCTR的指数在不是1的情况下，可以取得更高的RPM。
而且，在实际生产的尝试中，确实验证出在eCTR的指数取得特定值时，能得到更高的RPM，给电商网站带来更多的收益。
但问题在于，RankSocre＝BidPrice*eCTRα中的修正指数α如何确定。
当前业界还没出现通用的解决方案，往往通过人工尝试多次调整修正指数，基于进行线上对比测试才能猜出一个相对较好的值。
或者，采用采取点击率分布假设计算修正指数。
而本申请实施例提出一种基于机器学习的方法，基于实际的样本，即历史广告数据的RPM的概率分布和排序分的概率分布，学习出最优的修正指数α，进而按照RankSocre＝BidPrice*eCTRα计算排序分并对广告数据进行排序，可以得到更优的RPM，给电商网站带来最大广告收益。
1、针对点击率加常数的方案。
该方案需要人工估算最优的常数项，也没有理论保证，工作量大的同时，甚至不一定好于原排序方式。
本申请实施例是为了优化点击率的修正指数，业界已论证其合理性，而且机器学习的方式效率高，又精准，进而能够得到更优的PRM。
2、对于优化点击率的修正指数，采取人工多次估算修正指数的方案。
该方案一是没有理论保证，二是场景适应性低，三是随时间变化，最优的修正指数也会变化，导致需要繁重的重复人工试验。
本申请实施例基于机器学习进行修正指数的优化，可以得到理论上可靠的优化值，适应了不同的场景，扩展性强，而且机器训练相对人工来说，大大提高了学习的效率、大大下降学习的了成本。
3、对于优化点击率的修正指数，采取点击率分布假设的方案。
虽然该方案对点击分布有较强的假设，但是，假设中存在一些超参，求解困难，往往需要再做一些其他假设以简化问题，这样也会使最终结果再一次有偏，很难满足实际应用需求。
本申请实施例不需要对点击分布做任何假设，基于实际线上行为的概率分布进行优化，而且优化算法实现起来复杂度低，能得到精确的修正指数，满足实际应用需求。
需要说明的是，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，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，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申请实施例所必须的。
参照图3，示出了本申请的一种业务对象的展示装置实施例的结构框图，该装置300具体可以包括如下模块：
修正指数训练模块301，用于根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
业务对象匹配模块302，用于在接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象，所述搜索关键词关联第二展示页面，所述一个或多个第二业务对象关联一个或多个预估点击率；
修正指数查找模块303，用于查找与所述第二展示页面同类型的第一展示页面的修正指数；
排序分计算模块304，用于根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；以及
业务对象返回模块305，用于返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示。
在本申请的一种实施例中，所述修正指数训练模块301可以包括如下子模块：
业务对象查找子模块，用于在第一时间段内，查找权限参数的单位展示次数内的消耗值最高的一个或多个第一业务对象；
排序分布计算子模块，用于在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
消耗分布计算子模块，用于计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
分布差异计算子模块，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
迭代优化子模块，用于对所述分布差异进行迭代优化处理；以及
修正指数设置子模块，用于在迭代优化处理收敛时，将收敛的结果设置为修正指数。
在具体实现中，所述消耗值可以为针对某个第一业务对象扣减的权限参数。
在本申请的一种实施例中，所述消耗分布计算子模块可以包括如下单元：
消耗比值计算单元，用于计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
在本申请的一种实施例中，所述排序分布计算子模块可以包括如下单元：
子排序分计算单元，用于计算每个第一业务对象在一个或多个搜索关键词下的子排序分，所述第一业务对象被所述搜索关键词搜索到并按照所述排序分进行展示；
排序权重配置单元，用于对每个第一业务对象的每个子排序分配置排序权重；
总排序分计算单元，用于对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
排序分比值计算单元，用于分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
在本申请的一种实施例中，所述子排序分计算单元可以包括如下子单元：
预估点击率计算子单元，用于计算某个第一业务对象在某个搜索关键词下的预估点击率；
预估点击率修正子单元，用于按照初始的修正指数对所述预估点击率进行修正；以及
修正子排序分计算子单元，用于基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
在实际应用中，所述排序权重可以为某个第一业务对象在某个搜索关键词下的累加的消耗值，与，在所有搜索关键词下的累加的消耗值之和的比值。
在本申请的一种实施例中，所述分布差异计算子模块可以包括如下单元：
KL距离计算单元，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的KL距离，作为分别差异。
在本申请的一种实施例中，所述分布差异计算子模块还可以包括如下单元：
常数项去除单元，用于去除所述KL距离中的常数项。
在本申请的一种实施例中，所述迭代优化子模块可以包括如下单元：
梯度计算单元，用于在每一次迭代优化处理中，计算所述KL距离对所述修正指数的梯度；以及
梯度修正单元，用于沿所述梯度的负方向、以一定的步长修改修正指数。
在本申请的一种实施例中，所述一个或多个第二业务对象还关联有一个或多个权限参数；
所述排序分计算模块304可以包括如下子模块：
预估点击率修正子模块，用于按照所述修正指数对所述一个或多个预估点击率进行修正；以及
乘积计算子模块，用于计算修正之后的一个或多个预估点击率与所述一个或多个权限参数的乘积，获得所述一个或多个第二业务对象的排序分。
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。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种业务对象的展示方法和一种业务对象的展示装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种业务对象的展示方法，其特征在于，包括：
根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
当接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象，所述搜索关键词关联第二展示页面，所述一个或多个第二业务对象关联一个或多个预估点击率；
查找与所述第二展示页面同类型的第一展示页面的修正指数；
根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；以及
返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示；
其中，所述根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数的步骤包括：
在第一时间段内，查找权限参数在单位展示次数内的消耗值最高的一个或多个第一业务对象；
在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
对所述分布差异进行迭代优化处理；以及
当迭代优化处理收敛时，将收敛的结果设置为修正指数。
2.根据权利要求1所述的方法，其特征在于，所述计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布的步骤包括：
计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
3.根据权利要求1所述的方法，其特征在于，所述计算所述一个或多个第一业务对象的排序分的概率分布的步骤包括：
计算每个第一业务对象在一个或多个搜索关键词下的子排序分，所述第一业务对象被所述搜索关键词搜索到并按照所述子排序分进行展示；
对每个第一业务对象的每个子排序分配置排序权重；
对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
4.根据权利要求3所述的方法，其特征在于，所述分别计算每个第一业务对象在一个或多个搜索关键词下的子排序分的步骤包括：
计算某个第一业务对象在某个搜索关键词下的预估点击率；
按照初始的修正指数对所述预估点击率进行修正；以及
基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
5.根据权利要求3所述的方法，其特征在于，所述排序权重为某个第一业务对象在某个搜索关键词下的累加的消耗值，与，在所有搜索关键词下的累加的消耗值之和的比值。
6.根据权利要求2或3或4或5所述的方法，其特征在于，所述计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异的步骤包括：
计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的KL距离，作为分别差异。
7.根据权利要求6所述的方法，其特征在于，所述计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异的步骤还包括：
去除所述KL距离中的常数项。
8.根据权利要求6所述的方法，其特征在于，所述对所述分布差异进行迭代优化处理的步骤包括：
在每一次迭代优化处理中，计算所述KL距离对所述修正指数的梯度；以及
沿所述梯度的负方向、以一定的步长修改修正指数。
9.根据权利要求1或2或3或4或5或8所述的方法，其特征在于，所述一个或多个第二业务对象还关联有一个或多个权限参数；
所述根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分的步骤包括：
按照所述修正指数对所述一个或多个预估点击率进行修正；以及
计算修正之后的一个或多个预估点击率与所述一个或多个权限参数的乘积，获得所述一个或多个第二业务对象的排序分。
10.一种业务对象的展示装置，其特征在于，包括：
修正指数训练模块，用于根据第一业务对象在第一展示页面展示时的历史行为数据，训练对点击率进行修正的修正指数；
业务对象匹配模块，用于在接收到搜索关键词时，查找与所述搜索关键词匹配的一个或多个第二业务对象，所述搜索关键词关联第二展示页面，所述一个或多个第二业务对象关联一个或多个预估点击率；
修正指数查找模块，用于查找与所述第二展示页面同类型的第一展示页面的修正指数；
排序分计算模块，用于根据由所述修正指数修正的一个或多个预估点击率，计算所述一个或多个第二业务对象的排序分；以及
业务对象返回模块，用于返回排序分最高的一个或多个第二业务对象，以在所述第二展示页面进行展示；
其中，所述修正指数训练模块包括：
业务对象查找子模块，用于在第一时间段内，查找权限参数的单位展示次数内的消耗值最高的一个或多个第一业务对象；
排序分布计算子模块，用于在所述第一时间段之前的第二时间段内，计算所述一个或多个第一业务对象的排序分的概率分布；
消耗分布计算子模块，用于计算所述一个或多个第一业务对象的单位展示次数内的消耗值的概率分布；
分布差异计算子模块，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的分布差异；
迭代优化子模块，用于对所述分布差异进行迭代优化处理；以及
修正指数设置子模块，用于在迭代优化处理收敛时，将收敛的结果设置为修正指数。
11.根据权利要求10所述的装置，其特征在于，所述消耗分布计算子模块包括：
消耗比值计算单元，用于计算每个第一业务对象的单位展示次数内的消耗值与全部第一业务对象的单位展示次数内的消耗值之和的比值，获得单位展示次数内的消耗值的概率分布。
12.根据权利要求10或11所述的装置，其特征在于，所述排序分布计算子模块包括：
子排序分计算单元，用于计算每个第一业务对象在一个或多个搜索关键词下的子排序分，所述第一业务对象被所述搜索关键词搜索到并按照所述子排序分进行展示；
排序权重配置单元，用于对每个第一业务对象的每个子排序分配置排序权重；
总排序分计算单元，用于对每个第一业务对象，计算配置排序权重之后每个子排序分的和，获得总排序分；以及
排序分比值计算单元，用于分别计算每个第一业务对象的总排序分与全部第一业务对象的总排序分之和的比值，获得排序分的概率分布。
13.根据权利要求12所述的装置，其特征在于，所述子排序分计算单元包括：
预估点击率计算子单元，用于计算某个第一业务对象在某个搜索关键词下的预估点击率；
预估点击率修正子单元，用于按照初始的修正指数对所述预估点击率进行修正；以及
修正子排序分计算子单元，用于基于修正之后的预估点击率计算所述第一业务对象在所述搜索关键词下的子排序分。
14.根据权利要求11或13所述的装置，其特征在于，所述分布差异计算子模块包括：
KL距离计算单元，用于计算所述单位展示次数内的消耗值的概率分布与所述排序分的概率分布之间的KL距离，作为分别差异。
15.根据权利要求14所述的装置，其特征在于，所述迭代优化子模块包括：
梯度计算单元，用于在每一次迭代优化处理中，计算所述KL距离对所述修正指数的梯度；以及
梯度修正单元，用于沿所述梯度的负方向、以一定的步长修改修正指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510561461.0A CN106504011B (zh) | 2015-09-06 | 2015-09-06 | 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 |
|---|---|---|---|
| CN201510561461.0A CN106504011B (zh) | 2015-09-06 | 2015-09-06 | 一种业务对象的展示方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106504011A CN106504011A (zh) | 2017-03-15 |
| CN106504011B true CN106504011B (zh) | 2019-11-05 |
Family
ID=58287708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510561461.0A Active CN106504011B (zh) | 2015-09-06 | 2015-09-06 | 一种业务对象的展示方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106504011B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804452B (zh) * | 2017-04-28 | 2021-06-04 | 阿里巴巴（中国）有限公司 | 多媒体资源封面展示方法及装置 |
| CN107493467B (zh) * | 2017-07-06 | 2019-04-19 | 北京奇艺世纪科技有限公司 | 一种视频质量评估方法及装置 |
| CN110020129B (zh) * | 2017-10-27 | 2022-10-25 | 腾讯科技（深圳）有限公司 | 点击率校正方法、预估方法、装置、计算设备及存储介质 |
| 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 |
| CN108121820A (zh) * | 2017-12-29 | 2018-06-05 | 北京奇虎科技有限公司 | 一种基于移动终端的搜索方法和装置 |
| CN110390574A (zh) * | 2018-04-20 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 业务对象的确定方法和装置 |
| CN108763313A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技（深圳）有限公司 | 模型的在线训练方法、服务器及存储介质 |
| CN110689364B (zh) * | 2018-07-06 | 2023-05-12 | 阿里巴巴集团控股有限公司 | 针对业务对象及广告业务的收益确定方法、装置及设备 |
| CN109086439B (zh) * | 2018-08-15 | 2022-02-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法及装置 |
| CN111782926B (zh) * | 2019-04-04 | 2024-04-09 | 北京沃东天骏信息技术有限公司 | 用于数据交互的方法、装置、存储介质及电子设备 |
| CN110457580B (zh) * | 2019-07-31 | 2022-05-10 | 百度时代网络技术（北京）有限公司 | 基于搜索的热点推荐方法及装置 |
| CN112445968B (zh) * | 2019-09-03 | 2023-04-21 | 百度(中国)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
| CN113159809B (zh) * | 2020-01-22 | 2022-06-14 | 阿里巴巴集团控股有限公司 | 对象处理方法、装置、电子设备及计算机可读存储介质 |
| CN111260416B (zh) * | 2020-02-13 | 2022-11-08 | 支付宝(杭州)信息技术有限公司 | 用于确定对象的关联用户的方法及装置 |
| CN111781884B (zh) * | 2020-06-23 | 2021-03-23 | 中国计量科学研究院 | 一种能源监测系统 |
| CN114881736B (zh) * | 2022-05-16 | 2023-12-19 | 阿里巴巴（中国）有限公司 | 推荐方法、显示方法及设备 |
| CN115131806B (zh) * | 2022-06-07 | 2023-10-31 | 福建极推科技有限公司 | 一种基于深度学习的各类证件ocr图像信息识别方法、系统 |
| CN115438241B (zh) * | 2022-10-24 | 2023-03-24 | 广州市明道文化产业发展有限公司 | 随机式信息交互展示方法、系统及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
| 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 |
| CN104077306A (zh) * | 2013-03-28 | 2014-10-01 | 阿里巴巴集团控股有限公司 | 一种搜索引擎的结果排序方法及系统 |
| CN104424291A (zh) * | 2013-09-02 | 2015-03-18 | 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 |
| CN104462573A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇艺世纪科技有限公司 | 一种视频搜索结果展示方法及装置 |
-
2015
- 2015-09-06 CN CN201510561461.0A patent/CN106504011B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
| CN104077306A (zh) * | 2013-03-28 | 2014-10-01 | 阿里巴巴集团控股有限公司 | 一种搜索引擎的结果排序方法及系统 |
| 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 |
| CN104424291A (zh) * | 2013-09-02 | 2015-03-18 | 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 |
| CN104462573A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇艺世纪科技有限公司 | 一种视频搜索结果展示方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Query clustering based on bid landscape for sponsored search auction optimization;Ye, Chen, et al;《Acm Sigkdd International Conference on Knowledge Discovery & Data Mining 2013》;20131231;正文第二部分第2段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106504011A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106504011B (zh) | 一种业务对象的展示方法和装置 | |
| CN106372249B (zh) | 一种点击率预估方法、装置及电子设备 | |
| AU2010282449B2 (en) | Context based resource relevance | |
| US8572011B1 (en) | Outcome estimation models trained using regression and ranking techniques | |
| US8290945B2 (en) | Web searching | |
| US8893012B1 (en) | Visual indicator based on relative rating of content item | |
| US20130110829A1 (en) | Method and Apparatus of Ranking Search Results, and Search Method and Apparatus | |
| CN109145210A (zh) | 一种信息推荐的方法、装置及存储介质 | |
| US20140207564A1 (en) | System and method for serving electronic content | |
| CN111105269B (zh) | 广告投放处理方法、装置、设备和存储介质 | |
| CN103744966A (zh) | 一种物品推荐方法、装置 | |
| US20190303980A1 (en) | Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment | |
| US20090112691A1 (en) | System and method for scheduling online keyword auctions over multiple time periods subject to budget and query volume constraints | |
| EP2601623A2 (en) | Returning estimated value of search keywords of entire account | |
| US8700465B1 (en) | Determining online advertisement statistics | |
| US20240107125A1 (en) | System and method for modelling access requests to multi-channel content sharing platforms | |
| CN104794135B (zh) | 一种对搜索结果进行排序的方法和装置 | |
| WO2011060564A1 (en) | Content performance estimation | |
| US20110184802A1 (en) | Auction format selection using historical data | |
| US20150051985A1 (en) | Value-based content distribution | |
| CN106484701B (zh) | 一种基于业务对象的信息展示方法和装置 | |
| CN113407816A (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
| CN111460281B (zh) | 信息推送的优化方法及装置、存储介质、终端 | |
| US11062336B2 (en) | Self-learning valuation | |
| US20200402012A1 (en) | Multi-objective optimization of job applications redistribution |
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 |