CN107545301B - 页面展示方法及装置 - Google Patents

Abstract

本申请实施例提供了一种页面展示方法及装置，用以解决现有的展示对象点击率预测模型预测出的展示对象点击率存在准确性较差的问题。方法包括：接收用户的页面访问请求；将用户的用户特征和页面访问请求指向的页面对应的各图像的特征输入点击率预测模型，得到所述对应的各图像作为展示对象的点击率预测值；基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；将确定的图像添加到所述页面后发送给所述用户。由于学习了到用户特征和图像特征中的非线性特征，进而使得最终得到的点击率预测值能较准确地预测图像作为展示对象的点击率。之后基于该预测的点击率将用户最可能点击的图像添加到页面后发送给用户，避免了网络资源的浪费。

Description

页面展示方法及装置

技术领域

本申请涉及互联网信息技术处理领域，尤其涉及一种页面展示方法及装置。

背景技术

在线展示展示对象通过在网页上给用户展示展示对象来获取大量的费用，其中，图像作为展示对象以其美观、直观的优点获得了大量商户的欢迎。为了构造一个在线展示对象系统，商户需要搭建一个点击率预测模型。当有用户请求访问网页时，模型能够预测出该用户点击该网页对应的所有图像中每一图像的概率，从而确定将哪些图像添加到网页上，最终为用户展示最合适的展示对象。准确的点击率预测不仅能够节省网站的处理资源，而且能够提升商户的收入以及提升用户的体验，所以如何准确的预测展示对象的点击率是在线展示对象系统的关键。

现有技术中的点击率预测模型首先从每个作为展示对象的图像的点击记录中提取出上万维的特征，然后使用这些特征来训练逻辑回归模型来预测点击率。

尽管上述方法实现了点击率的预测，但是，这种方法存在两个缺点：第一：在处理作为展示对象的图像时，这种方法通常使用手工标记的特征来描述图像的视觉特征，但是由于手工标记的特征不够灵活，因此，并不能很好的描述一幅作为展示对象的图像；第二：逻辑回归模型是线性模型，不能提取作为展示对象的图像的非线性特征。由于存在上述两个缺点，因此，现有技术中的点击率预测模型预测出的点击率存在准确性较差的问题。

发明内容

有鉴于此，本申请提出了一种页面展示方法及装置，用于解决现有技术中的点击率预测模型预测出的点击率存在准确性较差的问题。

一种页面展示方法，包括：

接收用户的页面访问请求；

将所述用户的用户特征和所述页面访问请求指向的页面对应的各图像的特征输入点击率预测模型，得到所述对应的各图像作为展示对象的点击率预测值，其中，图像的特征包括图像的像素矩阵和/或图像作为页面上的展示对象具有的特征；

基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

将确定的图像添加到所述页面后发送给所述用户。

一种页面展示装置，包括：

接收模块，用于接收用户的页面访问请求；

点击率预测模块，用于将所述用户的用户特征和所述页面访问请求指向的页面对应的各图像的特征输入点击率预测模型，得到所述对应的各图像作为展示对象的点击率预测值，其中，图像的特征包括图像的像素矩阵和/或图像作为页面上的展示对象具有的特征，点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型；

确定模块，用于基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

添加模块，用于将确定模块确定的图像添加到所述页面；

发送模块，用于将添加图像后的页面后发送给所述用户。

本申请的有益效果如下：

在本申请实施例的方案中，由于使用影响展示对象点击率的，且可起到信息互补的作用的用户特征和图像的特征，并且将这两类特征输入到由相同或不同的神经网络模型进行融合后得到的点击率预测模型中，可学习到用户特征和图像特征中的非线性特征，进而使得最终得到的点击率预测值能较准确地预测图像作为展示对象的点击率。之后基于该预测的点击率将用户点击的可能性较大的图像添加到页面上作为展示对象后发送给用户，一方面，避免了将点击率较低的图像展示给用户带来的服务器处理资源和网络资源的浪费；另一方面，提高了用户体验和展示对象的投放效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的点击率预测模型的结构示意图之一；

图2为本申请实施例提供的点击率预测模型生成方法的流程图；

图3为本申请实施例提供的点击率预测模型的结构示意图之二；

图4为本申请实施例提供的卷积层的结构示意图；

图5为本申请实施例提供的页面展示方法的流程图；

图6为本申请实施例提供的点击率预测模型生成装置的结构示意图；

图7为本申请实施例提供的页面展示装置的结构示意图。

具体实施方式

为了实现本申请的目的，本申请实施例提供了一种页面展示方法及装置，该页面展示方法中使用了点击率预测模型，点击率预测模型将相同或不同的神经网络模型进行融合，并且使用图像的不同种类的特征，可较好的反映用户的用户特征和图像的特征中的非线性特征，与人脑的非线性思维方式较为接近，进而使得预测出的点击率能够较准确地预测图像作为展示对象的点击率。后续对页面进行图像的添加时，将用户点击的可能性较大的那些图像添加到页面上，避免了将点击率较低的图像展示给用户带来的服务器处理资源和网络资源的浪费。此外，还提高了用户体验和展示对象的投放效果。

为了清楚地描述本申请实施例的方案，下面首先对本申请实施例的点击率预测模型进行描述；

点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型，例如，可将全连接神经网络模型和卷积神经网络模型进行融合,将卷积神经网络和局部连接神经网络模型进行融合等等。

点击率预测模型可包含学习部分和模型融合部分，学习部分接收用户特征和图像的特征，对用户特征和图像的特征进行学习，从中学习到用户特征中的非线性特征和图像的特征中的非线性特征，模型融合部分对学习部分的输出进行融合，得到图像作为展示对象的点击率。

其中，所述图像的特征包括图像的像素矩阵和/或图像作为页面上的展示对象具有的特征。

上述用户特征可包括用户性别、用户年龄、用户职业、用户住址、用户偏好等等中的一种或多种。用户偏好可依据用户的历史浏览记录得到。

本申请实施例提供了一种具体的点击率预测模型，该点击率预测模型是将全连接神经网络模型和卷积神经网络模型进行融合后得到的，其结构示意图可如图1所示，包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层；

由于神经网络均需要利用样本进行训练，这里为了区分未训练好的和训练好的点击率预测模型，本申请将未训练好的点击率预测模型称为待定点击率预测模型，此时，待定点击率预测模型包括：待定卷积层、第一待定全连接层、特征向量拼接层和第二待定全连接层；对于利用样本图像训练好的点击率预测模型称为点击率预测模型，此时，点击率预测模型包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层。上述卷积层中包含至少一层卷积层，上述第一(待定)全连接层包括一个或多个全连接层，上述第二(待定)全连接层包括一个或多个全连接层。

工作过程基本如下：将待预测图像(样本图像)的像素矩阵输入和图像的特征分别输入(待定)卷积层和第一(待定)全连接层；(待定)卷积层输出的特征向量和第一(待定)全连接层输出的特征向量经特征向量拼接层拼接后输入第二(待定)全连接层，第二(待定)全连接层输出图像作为展示对象的点击率预测值。

下面结合说明书附图对本申请各个实施例作进一步地详细描述。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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

如图2所示，其为本申请实施例针对上述具体的点击率预测模型，提供的点击率预测模型生成方法的流程示意图，可包括以下步骤：

步骤21：确定访问各组样本图像所在页面的用户的用户特征，以及各组样本图像中每一样本图像的像素矩阵和各组样本图像中每一样本图像的作为展示对象具有的特征；

样本图像是指作为训练样本的图像；这些样本图像在训练之前已经展示在网页上，具有作为展示对象的点击记录日志，点击记录日志中记录了访问图像所在页面的用户的用户特征，以及图像作为展示对象的点击真实值，被点击时记录值可以为1，未被点击时记录值可以为0。

为了便于后续是否需要进行待定点击率预测模型的参数调整的确定，本步骤21中可首先对样本图像进行分组，每一组包含的样本图像的张数可以相同，也可以不相同。每组图像作为一个整体作为一次点击率预测模型的参数调整依据。

本申请实施例中，考虑到图像的特征和用户特征是影响展示对象点击率的重要特征，因此，把图像的特征和用户特征作为点击率预测模型的输入参数，从中提取出符合人脑思考方式的非线性特征。

考虑到本申请这里专注的是图像作为展示对象的点击率，图像作为展示对象的点击率通常受图像作为展示对象在页面上的位置、定向营销类别、所属的展示对象组和展示对象所属的品牌等信息中的一个或多个的影响，为了反映包含这些特征中的一个或多个特征对展示对象点击率的影响，本申请中每一样本图像作为展示对象具有的特征包括以下任一个或多个：样本图像作为展示对象在页面上的位置信息、样本图像作为展示对象的定向营销类别信息、样本图像作为展示对象所属的展示对象组信息和样本图像作为展示对象的展示对象品牌信息。

本申请可支持任一格式的输入的电子图像，这些格式包括但不限于联合图像专家小组(Joint Photographic Experts Group，JPEG)、流式网络图形格式(Portable NetworkGraphic Format，PNG)、标签图像文件格式(Tag Image File Format，TIFF)、位图(Bitmap，BMP)等。

在本申请中，在所述第一全连接层中，采用压缩稀疏行格式的稀疏矩阵表示所述用户的用户特征和该图像作为展示对象具有的特征，采用稀疏乘法对所述用户的用户特征和该图像作为展示对象具有的特征进行处理，稀疏乘法可减小计算量和内存占用。

具体的，确定样本图像作为展示对象具有的特征，可包括：对样本图像作为页面上的展示对象具有的特征，采用独热码(one-hot)编码方法进行量化，得到样本图像作为所述页面上的展示对象对应的特征向量。

具体的，确定样本图像的像素矩阵之前，可将样本图像归一化到设定尺寸，具体可通过最近邻差值算法归一化到设定尺寸。本申请实施例中采用归一化到112x112大小。

例如，假设有3个展示对象组，样本图像1属于第1个展示对象组，则此时，样本图像1作为页面的展示对象具有的特征对应的特征向量采用独热编码可为(100)。

步骤22：遍历各组样本图像，执行以下步骤23至步骤27：

步骤23：将当前遍历的样本图像组中的每一样本图像的像素矩阵和每一样本图像作为展示对象具有的特征对应的特征向量，分别输入待定点击率预测模型中包括的待定卷积层和第一待定全连接层，得到该组样本图像中每一样本图像作为展示对象的点击率预测值；

步骤24：根据当前遍历的样本图像组中每一样本图像作为展示对象的点击率预测值和当前遍历的样本图像组中每一样本图像作为展示对象的点击真实值，判断是否需要调整所述待定点击率预测模型的参数，若是，则执行步骤25；若否，则执行步骤25；

具体的，本步骤24可通过以下两种方式实现：

第一种方式：

所述步骤24包括：

步骤2411：计算当前遍历的样本图像组中每一样本图像作为展示对象点击率预测值与当前遍历的样本图像组中每一样本图像作为展示对象点击真实值的方差值；

步骤2412：判断所述方差值是否小于等于预置的第一方差阈值；

此第一种方式下，下述步骤25包括：根据所述方差值调整所述待定点击率预测模型的参数。

第二种方式：所述步骤24包括：

步骤2421：将当前遍历的样本图像组中每一样本图像作为展示对象的点击预测值与当前遍历的样本图像组中每一样本图像作为展示对象的点击真实值代入预设的目标函数，最小化所述目标函数，得到所述目标函数的值和所述待定点击率预测模型的参数；

较佳的，为了对待定点击率预测模型输出的点击率进行平滑，可对待定点击率预测模型的输出为一个实数z，利用下述公式(1)进行最终的样本图像作为展示对象的点击率

的确定：

假设一组包含n张展示对象图像的样本X＝[x₁，x₂，...，x_n],对应的展示对象点击真实值为y_i∈{0，1}。在训练网络时，需要最小化的目标函数如公式(2)为：

其中，W是网络的参数，λ是控制模型复杂度的正则参数。

具体的，上述第一种方式可使用最小二乘法来求损失函数(也即上文中的方差值计算)的最小值，第二种方式可使用梯度下降法来求损失函数(也即上文中的目标函数)的最小值，两者均是通过求导来求损失函数的最小值。

步骤2422、判断当前遍历的样本图像组对应的目标函数值与上一次遍历的样本图像组对应的目标函数值之间的差值是否小于设定值；

此第二种方式下，下述步骤25包括：根据所述差值调整所述待定点击率预测模型的参数。

步骤25：调整所述待定点击率预测模型的参数；

步骤26：将所述待定点击率预测模型确定为点击率预测模型，结束流程；

步骤27：将未遍历的样本图像组作为当前遍历的样本图像组，并根据调整参数后的待定点击率预测模型，执行步骤23。

图3为本申请实施例提供的展示对象点击率预测模型的结构示意图之二，该展示对象点击率预测模型的结构中，第一(待定)全连接层采用一层全连接层来实现，第二(待定)全连接层采用两层全连接层来实现。

图4为本申请实施例提供的卷积层的示意图，包括：17层卷积层。

此外，本申请实施例还提供了一种页面展示方法，，其流程图如图5所示，可包括以下步骤：

步骤501：接收用户的页面访问请求；

步骤502：确定所述用户的用户特征和所述页面访问请求指向的页面对应的各图像的特征；

步骤503：将确定的所述用户特征和各图像的特征输入点击率预测模型，得到所述对应的各图像作为展示对象的点击率预测值；

这里，所述页面访问请求指向的页面对应的各图像即为待进行点击率预测的图像，也可称为待预测图像；待预测图像的特征包括待图像的像素矩阵和/或待图像作为所述页面上的展示对象具有的特征；

所述待预测图像作为展示对象具有的特征可包括以下任一个或多个：待预测图像作为展示对象在页面上的位置信息、待预测图像作为展示对象的定向营销类别信息、待预测图像作为展示对象所属的展示对象组信息和待预测图像作为展示对象的展示对象品牌信息。

这里的点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型；具体可以是图1所示的点击率预测模型。

若所述点击率预测模型包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层；上述步骤503，具体可为：针对所述页面访问请求指向的页面对应的每一图像，将该图像的像素矩阵输入卷积层得到该图像的视觉特征向量，将所述用户的用户特征和该图像作为展示对象具有的特征输入到第一全连接层得到用户特征和该图像作为展示对象具有的特征的高层表示向量，所述视觉特征和所述高层表示向量输入到特征向量拼接层得到拼接后的特征向量，基于拼接后的特征向量输入第二全连接层得到的输出，得到该图像作为展示对象的点击率预测值。

较佳的，在所述第一全连接层中，采用压缩稀疏行格式的稀疏矩阵表示所述用户的用户特征和该图像作为展示对象具有的特征，采用稀疏乘法对所述用户的用户特征和该图像作为展示对象具有的特征进行处理。

上述页面访问请求指向的页面对应的各图像的特征是采用独热码编码方法进行量化的。

步骤504：基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

具体的，本步骤504可包括一下两步：

第一步：从展示对象点击率排列在前设定位的展示对象图像中选择至少一个展示对象图像；

第二步：至少部分基于选择出的展示对象图像为所述网页访问请求指向的网页添加展示对象图像。

步骤505：将确定的图像添加到所述页面后发送给所述用户。

本申请实施例提供的点击率预测模型生成装置的结构示意图如图6所示，包括：

样本输入参数确定模块61，用于确定访问各组样本图像所在页面的用户的用户特征，以及各组样本图像中每一样本图像的像素矩阵和各组样本图像中每一样本图像的作为展示对象具有的特征；

遍历模块62，用于遍历各组样本图像，触发展示对象点击率预测值确定模块；

点击率预测值确定模块63，用于将当前遍历的样本图像组中的每一样本图像的像素矩阵和每一样本图像作为展示对象具有的特征对应的特征向量，分别输入待定点击率预测模型中包括的待定卷积层和第一待定全连接层，得到该组样本图像中每一样本图像作为展示对象的点击率预测值；所述待定点击率预测模型还包括：第二待定全连接层和特征向量拼接层，其中，待定卷积层输出的特征向量和第一待定全连接层输出的特征向量经特征向量拼接层拼接后输入第二待定全连接层，基于第二待定全连接层的输出得到点击率预测值；

判断模块64，用于根据当前遍历的样本图像组中每一样本图像作为展示对象的点击率预测值和当前遍历的样本图像组中每一样本图像作为展示对象的点击真实值，判断是否需要调整所述待定点击率预测模型的参数，若是，则触发参数调整模块65；若否，则触发模型确定模块66；

参数调整模块65，用于调整所述待定点击率预测模型的参数；

模型确定模块66，用于将所述待定点击率预测模型确定为点击率预测模型，结束流程；

跳转模块67，用于将未遍历的样本图像组作为当前遍历的样本图像组，并根据调整参数后的待定点击率预测模型，触发点击率预测值确定模块63。

本申请实施例提供的页面展示装置的结构示意图如图7所示，包括：

接收模块71，用于接收用户的页面访问请求；

点击率预测模块72，用于将所述用户的用户特征和所述页面访问请求指向的页面对应的各图像的特征输入点击率预测模型，得到所述对应的各图像作为展示对象的点击率预测值，其中，图像的特征包括图像的像素矩阵和/或图像作为页面上的展示对象具有的特征，点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型；

确定模块73，用于基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

添加模块74，用于将确定模块73确定的图像添加到所述页面；

发送模块75，用于将添加图像后的页面后发送给所述用户。

较佳的，所述图像的特征包括图像的像素矩阵和图像作为页面上的展示对象具有的特征；所述点击率预测模型包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层；

所述点击率预测模块72，具体用于针对所述页面访问请求指向的页面对应的每一图像，将该图像的像素矩阵输入卷积层得到该图像的视觉特征向量，将所述用户的用户特征和该图像作为展示对象具有的特征输入第一全连接层得到用户特征和该图像作为展示对象具有的特征的高层表示向量，所述视觉特征和所述高层表示向量输入特征向量拼接层得到拼接后的特征向量，基于拼接后的特征向量输入第二全连接层得到的输出，得到该图像作为展示对象的点击率预测值。

较佳的，图像作为页面上的展示对象具有的特征包括：图像作为展示对象在页面上的位置信息。

较佳的，在所述第一全连接层中，采用压缩稀疏行格式的稀疏矩阵表示所述用户的用户特征和该图像作为展示对象具有的特征，采用稀疏乘法对所述用户的用户特征和该图像作为展示对象具有的特征进行处理。

较佳的，所述页面访问请求指向的页面对应的各图像的特征是采用独热码编码方法进行量化的。

本领域的技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、装置(设备)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设备上，使得在计算机或其他可编程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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种页面展示方法，其特征在于，包括：

接收用户的页面访问请求；

针对所述页面访问请求指向的页面对应的每一图像，将该图像的像素矩阵输入卷积层得到该图像的视觉特征向量，将所述用户的用户特征和该图像作为展示对象具有的特征输入到第一全连接层得到用户特征和该图像作为展示对象具有的特征的高层表示向量，所述视觉特征和所述高层表示向量输入到特征向量拼接层得到拼接后的特征向量，基于拼接后的特征向量输入第二全连接层得到的输出，得到该图像作为展示对象的点击率预测值，其中，图像的特征包括图像的像素矩阵和图像作为页面上的展示对象具有的特征，点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型，所述点击率预测模型包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层；

基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

将确定的图像添加到所述页面后发送给所述用户。

2.如权利要求1所述的方法，其特征在于，图像作为页面上的展示对象具有的特征包括：图像作为展示对象在页面上的位置信息。

3.如权利要求1所述的方法，其特征在于，在所述第一全连接层中，采用压缩稀疏行格式的稀疏矩阵表示所述用户的用户特征和该图像作为展示对象具有的特征，采用稀疏乘法对所述用户的用户特征和该图像作为展示对象具有的特征进行处理。

4.如权利要求1所述的方法，其特征在于，所述页面访问请求指向的页面对应的各图像的特征是采用独热码编码方法进行量化的。

5.一种页面展示装置，其特征在于，包括：

接收模块，用于接收用户的页面访问请求；

点击率预测模块，用于针对所述页面访问请求指向的页面对应的每一图像，将该图像的像素矩阵输入卷积层得到该图像的视觉特征向量，将所述用户的用户特征和该图像作为展示对象具有的特征输入到第一全连接层得到用户特征和该图像作为展示对象具有的特征的高层表示向量，所述视觉特征和所述高层表示向量输入到特征向量拼接层得到拼接后的特征向量，基于拼接后的特征向量输入第二全连接层得到的输出，得到该图像作为展示对象的点击率预测值，其中，图像的特征包括图像的像素矩阵和图像作为页面上的展示对象具有的特征，点击率预测模型是将相同或不同的神经网络模型进行融合后得到的模型，所述点击率预测模型包括：卷积层、第一全连接层、特征向量拼接层和第二全连接层；

确定模块，用于基于获得的点击率预测值，确定添加到所述页面上的作为展示对象的图像；

添加模块，用于将确定模块确定的图像添加到所述页面；

发送模块，用于将添加图像后的页面后发送给所述用户。

6.如权利要求5所述的装置，其特征在于，图像作为页面上的展示对象具有的特征包括：图像作为展示对象在页面上的位置信息。

7.如权利要求5所述的装置，其特征在于，在所述第一全连接层中，采用压缩稀疏行格式的稀疏矩阵表示所述用户的用户特征和该图像作为展示对象具有的特征，采用稀疏乘法对所述用户的用户特征和该图像作为展示对象具有的特征进行处理。

8.如权利要求5所述的装置，其特征在于，所述页面访问请求指向的页面对应的各图像的特征是采用独热码编码方法进行量化的。

Images