CN107341691A - 一种广告查看比率的估计方法及装置 - Google Patents

Abstract

本发明实施例公开了一种广告查看比率的估计方法及装置，所述方法包括：获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。应用本发明实施例，提高了广告查看比率估计的准确性。

Description

一种广告查看比率的估计方法及装置

技术领域

本发明涉及互联网广告技术领域，特别涉及一种广告查看比率的估计方法及装置。

背景技术

随着互联网的飞速发展，互联网广告也随之兴起，与传统的广告相比 ,互联网广告具有得天独厚的优势,是实施现代营销媒体战略的重要部分之一，以下均将互联网广告简称为广告。无论是搜索广告、展示广告还是移动设备端广告，查看比率预估问题是互联网广告领域的核心问题，而查看比率预估的准确性，直接影响到用户体验、广告主收益、广告平台收益三方利益,进而影响到整个广告生态系统的平衡。因此，做好广告查看比率预估工作具有十分重要的意义。

目前，通常使用线性学习模型实现广告的查看比率预估问题，但是使用线性学习模型实现广告的查看比率预估问题时，线性模型中的各个特征对估计结果的关系都是互相独立，彼此不受影响的，因此，线性模型无法学习特征之间的非线性关系，如高收入人群对奢侈品广告的查看比率要高于普通收入人群，研究人员查看机器学习书籍的概率要大于高中学生等。但是，实际数据中具有很多的非线性关系的特征，这些特征需要同时出现才能够对估计结果起到正向作用。因此，现有技术在利用线性模型学习实现广告的查看比率预估问题时，忽略了特征之间的非线性关系，进而导致获取的估计结果的准确性较差，即广告查看比率估计预估的准确性较低。

发明内容

本发明实施例的目的在于提供一种广告查看比率的估计方法及装置，以提高广告查看比率估计的准确性。

为达到上述目的，本发明实施例公开了一种广告查看比率的估计方法，方法包括：

获取预设数量个样本广告；

利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收至少一个待估计广告；

根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

较佳的，所述获取预设数量个样本广告，利用所述样本广告训练用于估计广告查看比率的深度学习模型，包括：

获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

较佳的，所述根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率，包括：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

较佳的，所述将每个所述样本广告的训练特征转换成训练向量，包括：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

较佳的，在将得到的全部特征值及特征向量连接起来之前，所述方法还包括：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

为达到上述目的，本发明实施例还公开了一种广告查看比率的估计装置，装置包括：

获取模块，用于获取预设数量个样本广告；

训练模块，用于利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收模块，用于接收至少一个待估计广告；

估计模块，用于根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

较佳的，所述训练模块，包括：

获取单元，用于获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

转换单元，用于将每个所述样本广告的训练特征转换为训练向量；

训练单元，用于利用每个所述样本广告的训练查看比率以及所述训练向量，训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

较佳的，所述估计模块，具体用于：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

较佳的，所述转换单元，具体用于：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

较佳的，在将得到的全部特征值及特征向量连接起来之前，所述转换单元，还具体用于：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

由上述的技术方案可见，本发明实施例提供了一种广告查看比率的估计方法及装置，获取预设数量个样本广告；利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；接收至少一个待估计广告；根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

可见，利用训练得到的深度学习模型，其中深度学习模型为基于非线性函数实现的，充分考虑到训练特征之间的非线性关系，将待估计广告的待测向量输入深度学习模型，深度学习模型可以基于非线性函数输出对应的估计查看比率，提高了广告查看比率估计估计的准确性。

当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种广告查看比率的估计方法的流程示意图；

图2为本发明实施例提供的一种广告查看比率的估计装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，图1为本发明实施例提供的一种广告查看比率的估计方法的流程示意图，可以包括如下步骤：

S101，获取预设数量个样本广告；

具体的，可以获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征。其中，获取每个所述样本广告的训练查看比率，可以获取展示日志及查看日志，其中，所述展示日志记录有被展示过的样本广告，所述查看日志记录有被查看过的样本广告；利用所述展示日志及所述查看日志确定每个样本广告对应的展示次数及查看次数，并确定每个所述样本广告的查看次数与展示次数的商为该样本广告的训练查看比率。其中，预设量可以根据实际需要进行确定，样本广告实际为历史上投放的广告，训练查看比率则为样本广告被查看的概率，而训练特征为与样本广告对应的特征，通常可以由广告、受众、网站的属性中提取，具体来说，由广告的属性中提取的特征可以包括广告类型、广告标题、广告的编号、广告内容简介等，由受众的属性中提取的特征可以包括性别、年龄、职业、地域等，由网站的属性中提取的特征可以包括网站的描述、网站内容、网站类别等，其中，网站即为对应样本广告被投放的网站，当然，也可以根据实际需要进行其他设置，以本领域技术人员可以实现为准。

具体的，在实际应用中，在获取展示日志及查看日志之后，还可以将所述展示日志及所述查看日志进行拼接；将进行拼接后的所述展示日志及所述查看日志中的无效日志进行滤除，其中，所述无效日志包括残缺的日志及被查看后在对应广告页面上停留时间小于第一预设值的日志。即，对展示日志及查看日志对应的投放数据进行清洗和净化，具体来说，将无效日志进行删除，无效日志包括残缺的日志及查看后再对应广告页面上停留时间小于第一预设值的日志，其中残缺的日志可以是当服务器出现故障时形成的并不完整的日志，而查看后再对应广告页面上停留时间小于第一预设值的日志可以为用户无意中查看一个广告后，由于该广告并不符合用户的需求，因此，用户可能会马上关闭该广告，此时，对应日志中记载的该用户在对应广告界面上停留的时间过短，即小于第一预设值，因此，认为该日志为无效日志，总之，只要是影响训练查看比率的准确性的日志均可以视为无效日志，进而将其删除，从而能够保证通过展示日志及查看日志得到的训练查看比率有效且准确。

具体的，展示日志及查看日志即为记录历史上被投放的广告对应的展示次数及查看次数的日志，即通过统计展示日志中被展示过的任一样本广告的次数得到该样本广告的展示次数，通过统计查看日志中被查看过的任一样本广告的次数得到该样本广告的查看次数，由此，计算每个样本广告的查看次数与展示次数的商为该样本广告的训练查看比率，以保证深度学习模型的顺利训练。

S102，利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

具体的，可以获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。在实际应用中，可以采用随机初始化的方法初始化所述深度学习模型中包含的连接权重参数，其中，所述深度学习模型中包含的隐藏层节点为非线性函数；依次将所述训练向量输入至所述深度学习模型中，并在将任一训练向量输入至所述深度学习模型后，得到对应的输出查看比率，判断该输出查看比率与输入的训练向量对应的训练查看比率之间的误差是否大于第三预设值，如果是，则依据该误差利用反向传播算法更新所述连接权重参数，如果否，则确定当前的连接权重参数对应的深度学习模型为训练得到的深度学习模型。

需要说明的是，深度学习模型是对传统的神经网络模型的扩展，通过增加隐藏层的层数，提高模型对数据的拟合能力，进一步自动学习输入的特征向量对应的特征之间的非线性关系。深度学习模型可以含有输入层、隐藏层和输出层，每层的节点都和下一层节点形成全连接关系，在整个深层学习模型中，数据从输入层进入网络，经过中间的多个隐藏层计算之后，在输出层得到对应的输出值，该输出值即为针对输入的特征向量得到的概率值。由于需要用到深度学习模型的非线性特性,各个隐藏层节点上的激活函数需要是非线性函数，优选的，深度神经网络模型隐藏层节点激活函数均可以选择为Sigmoid函数，而Sigmoid函数是一个在生物学中常见的S型的函数，也称为S形生长曲线，在此不再赘述。深度学习模型的训练过程采用随机梯度下降优化算法,即首先采用随机初始化的方法初始化深度学习模型中的连接权重参数，然后依次将训练向量输入至深度学习模型中，并且，每输入一个训练向量，得到对应的输出查看比率，计算该输出查看比率与输入的训练向量对应的训练查看比率之间的误差，如果该误差大于第三预设值，则说明误差不符合要求，此时依据该误差利用反向传播算法更新连接权重参数，如果该误差不大于第三预设值，则停止训练，此时得到的深度学习模型则为训练得到的深度学习模型。另外，如果将训练向量均输入至深度学习模型后，输入至深度学习模型的最后一个训练向量对应的误差仍然大于第三预设值，则继续执行依次将训练向量输入至深度学习模型的步骤，即可以进行多轮迭代，直至得到的误差不大于第三预设值，符合要求为止。由此，得到的深度学习模型用于估计待测广告的查看比率时准确性较高。另外，对于训练向量输入至深度学习模型后的输出请参见上述实施例中说明的将待测向量输入至深度学习模型后的输出，其原理一致，在此不再赘述。

具体的，将每个所述样本广告的训练特征转换成训练向量，可以对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

具体的，在将得到的全部特征值及特征向量连接起来之前，可以将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

S103，接收至少一个待估计广告；

具体的，当有用户浏览某个网站的页面时，该页面对应的广告平台就会收到一个广告请求，此时，广告平台由巨大的广告库中获取一部分合适的广告，该部分广告均为待估计广告，利用深度学习模型确定出每个待估计广告的估计查看比率，并将查看比率最高的广告进行展示。而待测特征可以为检索待估计广告及其对应的受众、网站等提取得到的，具体对于由广告、受众及网站中提取的特征可以为如上述描述的特征，也可以根据实际需要进行确定。

S104，根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

具体的，可以将待估计广告的待测特征转换为对应的待测向量；将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。其中，深度学习模型针对待测向量输出的结果可以0到1之间的任一数值，包括0和1，而得到的概率即对应估计查看比率，如输出的结果为0.6，则对应的估计查看比率则为60％。

可见，利用训练得到的深度学习模型，其中深度学习模型为基于非线性函数实现的，充分考虑到训练特征之间的非线性关系，将待估计广告的待测向量输入深度学习模型，深度学习模型可以基于非线性函数输出对应的估计查看比率，提高了广告查看比率估计估计的准确性。

参见图2，图2为本发明实施例提供的一种广告查看比率的估计装置的结构示意图，与图1所示的流程相对应，该估计装置包括：获取模块201、训练模块202、接收模块203、估计模块204。

获取模块201，用于获取预设数量个样本广告；

训练模块202，用于利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

具体的，训练模块202，可以包括：获取单元、转换单元、训练单元（图中未示出）；

获取单元，用于获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

转换单元，用于将每个所述样本广告的训练特征转换为训练向量；

具体的，所述转换单元，具体可以用于：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

具体的，在将得到的全部特征值及特征向量连接起来之前，所述转换单元，还具体可以用于：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

训练单元，用于利用每个所述样本广告的训练查看比率以及所述训练向量，训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

接收模块203，用于接收至少一个待估计广告；

估计模块204，用于根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

具体的，估计模块204，具体可以用于：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

可见，利用训练得到的深度学习模型，其中深度学习模型为基于非线性函数实现的，充分考虑到训练特征之间的非线性关系，将待估计广告的待测向量输入深度学习模型，深度学习模型可以基于非线性函数输出对应的估计查看比率，提高了广告查看比率估计估计的准确性。

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、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，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。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种广告查看比率的估计方法，其特征在于，所述方法包括：

获取预设数量个样本广告；

利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收至少一个待估计广告；

根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

2.根据权利要求1所述的方法，其特征在于，所述获取预设数量个样本广告，利用所述样本广告训练用于估计广告查看比率的深度学习模型，包括：

获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率，包括：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

4.根据权利要求2所述的方法，其特征在于，所述将每个所述样本广告的训练特征转换成训练向量，包括：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

5.根据权利要求1所述的方法，其特征在于，在将得到的全部特征值及特征向量连接起来之前，所述方法还包括：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

6.一种广告查看比率的估计装置，其特征在于，所述装置包括：

获取模块，用于获取预设数量个样本广告；

训练模块，用于利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收模块，用于接收至少一个待估计广告；

估计模块，用于根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

7.根据权利要求6所述的装置，其特征在于，所述训练模块，包括：

获取单元，用于获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

转换单元，用于将每个所述样本广告的训练特征转换为训练向量；

训练单元，用于利用每个所述样本广告的训练查看比率以及所述训练向量，训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

8.根据权利要求6所述的装置，其特征在于，所述估计模块，具体用于：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

9.根据权利要求7所述的装置，其特征在于，所述转换单元，具体用于：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

10.根据权利要求9所述的装置，其特征在于，在将得到的全部特征值及特征向量连接起来之前，所述转换单元还具体用于：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。