CN108038720A - 一种基于因子分解机的广告点击率预测方法 - Google Patents
一种基于因子分解机的广告点击率预测方法 Download PDFInfo
- Publication number
- CN108038720A CN108038720A CN201711274478.3A CN201711274478A CN108038720A CN 108038720 A CN108038720 A CN 108038720A CN 201711274478 A CN201711274478 A CN 201711274478A CN 108038720 A CN108038720 A CN 108038720A
- Authority
- CN
- China
- Prior art keywords
- feature
- click
- data
- value
- ffm
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06Q30/0248—Avoiding fraud
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于因子分解机的广告点击率预测方法。该方法包括:对点击记录数据进行分析、剔除异常值;对特征数据进行编码;对FFM(因子分解机)进行训练;预测点击率。本发明采用了FFM模型来对特征进行组合分类,因此,提高了广告点击预测的准确率。
Description
技术领域
本发明涉及互联网计算广告技术领域,准确的说是一种基于因子分解机的广告点击率预测方法。
背景技术
推荐广告目前已经成为互联网公司,尤其是电商公司的主要收入来源之一,也是应用最高,效益最高的广告渠道之一。在推荐广告领域,点击率CTR(click-through rate)和转化率CVR(conversion rate)是衡量广告流量的两个关键指标。准确的估计CTR、CVR对于提高流量的价值,增加广告收入有重要的指导作用。
对于推荐广告点击率预测这一问题,也就是预估CTR/CVR,能查到的方法主要有人工特征工程+LR(Logistic Regression)、GBDT(Gradient Boosting Decision Tree)+LR,
但这些模型只能利用数据中的线性关系,对于非线性关系和特征组合学习的不充分,同时,它们由于对数据提取特征能力不够,不适合对稀疏广告数据进行建模,所以这些方法准确率一直不高。
FM(Factorization Machine)和FFM(Field-aware Factorization Machine)模型近年来在学术界举办的CTR预测竞赛中表现突出,这2个模型因为对稀疏数据具有较好的特征组合,所以得到较高点击预测准确率,目前在工程中应用较少。
发明内容
鉴于以上所述过往技术的缺点,本发明提供一种基于因子分解机的广告点击率预测方法,以提高推荐广告点击率的准确率,
为了实现上述目的,本发明包括以下步骤:
步骤1)获取过去某一段时间推荐广告点击数据,包含每个广告对应的点击状态及训练特征,作为模型的训练集;
步骤2)对所有点击记录进行数据分析,剔除异常值;
步骤3)将数据中的类别型特征进行标签编码和热编码,数值型特征进行归一化;
步骤4)将数据按照FFM模型格式编码;
步骤5)将编码后格式数据划分成训练集和测试集送入FFM模型进行训练;
步骤6)将待测广告数据送入已训练好的FFM模型进行预测,得到待测广告对应的预测点击率。
上述步骤1)中所述的训练特征主要包括:用户ID、广告ID、用户地区、广告种类、UTC 时间,点击状态包含点击和未点击2种状态,数据存储格式为CSV(逗号分隔值)格式。
上述步骤2)中所述的数据分析是指:对不同特征采用不同分析方法,例如对于时间特征,可以从UTC时间按照小时划分,提取出新的特征-小时,取值范围是0-24;也可以按照天来划分,将每个月划分为31天,提取新的特征-天,取值范围是1-31;也可以按照周来划分,将每个月划分为4周,提取新的特征-周,取值范围是1-4;也可以按照季度来划分,将每一年划分为4季度,提取新的特征-季度,取值范围是1-4。
上述步骤2)中所述的剔除异常值是指:对用户点击率分析,会发现异常活跃点击用户,即对每一条广告或者大多数广告都点击,这种情况往往是由于爬虫程序造成的;对时间日期分析,会发现在某一天或者几天中,广告的点击率特别高,这往往是由于特殊的日期所导致。
上述步骤3)中所述对类别型特征进行标签编码是指:类别型特征主要是用户ID、广告 ID、广告种类,因为在数据记录中它们往往以很长字符串形式存在,例如某一个用户ID在数据库记录中为accfe4710db6169559799bdb51739465f21edbf43ae58d,这种数据需要转换成数值才能加以利用,将不同的ID进行数值编号,例如将刚才提到的用户ID编号为34243,不同的用户ID都有不同的数值编号;再如广告ID为5c3fedde32e177230cc39cf0af418228,也需将其编码成数字,每个不同的ID都要编码成不同的数值,相同的ID则编码成一样的数值。
上述步骤3)中所述的热编码是指:将特征进行One-Hot Encoding转化成数值型特征,如将一个只有3种取值的特征分别编码成[1,0,0]、[0,1,0]、[0,0,1]。
上述步骤4)中FFM模型格式编码是指:所有的特征必须转换成“field_id:feat_id:value”格式,field_id代表特征所属field的编号,feat_id是特征编号,value是特征的值。数值型的特征分配单独的field编号,如用户评论得分、商品的历史CTR/CVR等。categorical 特征需要经过One-Hot编码成数值型,编码产生的所有特征同属于一个field,而特征的值只能是0或1,如用户的性别、年龄段,商品的品类id等。
上述步骤5)中所述FFM模型是指:假设样本的n个特征属于f个field,那么FFM的二次项有nf个隐向量。而在FM模型中,每一维特征的隐向量只有一个。FM可以看作FFM的特例,是把所有特征都归属到一个field时的FFM模型。根据FFM的field敏感特性,可以导出其模型方程:其中,fj是第j个特征所属的 field。
上述步骤6)中所述待测广告数据是指:包含与训练数据一样特征的待测数据,模型的输出是点击预测状态,即点击与不点击2种。
附图说明
图1为本发明的基于因子分解机的广告点击率预测方法的工作流程图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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,并不用于限定本发明。
请参阅图1,本发明的基于因子分解机的广告点击率预测方法包括历史广告数据获取、数据分析与剔除异常值、数据特征编码、FFM模型训练、预测。
包括以下步骤:
步骤1)获取过去某一段时间推荐广告点击数据,包含每个广告对应的点击状态及训练特征,作为模型的训练集;
步骤2)对所有点击记录进行数据分析,剔除异常值;
步骤3)将数据中的类别型特征进行标签编码和热编码,数值型特征进行归一化;
步骤4)将数据按照FFM模型格式编码;
步骤5)将编码后格式数据划分成训练集和测试集送入FFM模型进行训练;
步骤6)将待测广告数据送入已训练好的FFM模型进行预测,得到待测广告对应的预测点击率。
上述步骤1)中所述的训练特征主要包括:用户ID、广告ID、用户地区、广告种类、UTC 时间,点击状态包含点击和未点击2种状态,数据存储格式为CSV(逗号分隔值)格式。
上述步骤2)中所述的数据分析是指:对不同特征采用不同分析方法,例如对于时间特征,可以从UTC时间按照小时划分,提取出新的特征-小时,取值范围是0-24;也可以按照天来划分,将每个月划分为31天,提取新的特征-天,取值范围是1-31;也可以按照周来划分,将每个月划分为4周,提取新的特征-周,取值范围是1-4;也可以按照季度来划分,将每一年划分为4季度,提取新的特征-季度,取值范围是1-4。
上述步骤2)中所述的剔除异常值是指:对用户点击率分析,会发现异常活跃点击用户,即对每一条广告或者大多数广告都点击,这种情况往往是由于爬虫程序造成的;对时间日期分析,会发现在某一天或者几天中,广告的点击率特别高,这往往是由于特殊的日期所导致;
上述步骤3)中所述对类别型特征进行标签编码是指:类别型特征主要是用户ID、广告 ID、广告种类,因为在数据记录中它们往往以很长字符串形式存在,例如某一个用户ID在数据库记录中为accfe4710db6169559799bdb51739465f21edbf43ae58d,这种数据需要转换成数值才能加以利用,将不同的ID进行数值编号,例如将刚才提到的用户ID编号为34243,不同的用户ID都有不同的数值编号;再如广告ID为5c3fedde32e177230cc39cf0af418228,也需将其编码成数字,每个不同的ID都要编码成不同的数值,相同的ID则编码成一样的数值。
上述步骤3)中所述的热编码是指:将特征进行One-Hot Encoding转化成数值型特征,如将一个只有3种取值的特征分别编码成[1,0,0]、[0,1,0]、[0,0,1]。
上述步骤4)中FFM模型格式编码是指:所有的特征必须转换成“field_id:feat_id:value”格式,field_id代表特征所属field的编号,feat_id是特征编号,value是特征的值。数值型的特征分配单独的field编号,如用户评论得分、商品的历史CTR/CVR等。categorical 特征需要经过One-Hot编码成数值型,编码产生的所有特征同属于一个field,而特征的值只能是0或1,如用户的性别、年龄段,商品的品类id等。
上述步骤5)中所述FFM模型是指:假设样本的n个特征属于f个field,那么FFM的二次项有nf个隐向量。而在FM模型中,每一维特征的隐向量只有一个。FM可以看作FFM的特例,是把所有特征都归属到一个field时的FFM模型。根据FFM的field敏感特性,可以导出其模型方程:其中,fj是第j个特征所属的 field。
上述步骤6)中所述待测广告数据是指:包含与训练数据一样特征的待测数据,模型的输出是点击预测状态,即点击与不点击2种。
本发明的基于因子分解机的广告点击率预测方法充分考虑了用户、广告、日期等特征之间的关系,使用特征编码和特征组合的方式,得到准确的广告点击率预估模型,从而可以准确地进行广告点击率的预估。
以上对本发明所提供的方法进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (9)
1.一种基于因子分解机的广告点击率预测方法,其特征在于,包括以下步骤:
(1)获取过去某一段时间推荐广告点击数据,包含每个广告对应的点击状态及训练特征,作为模型的训练集;
(2)对所有点击记录进行数据分析,剔除异常值;
(3)将数据中的类别型特征进行标签编码和热编码,数值型特征进行归一化;
(4)将数据按照FFM模型格式编码;
(5)将编码后格式数据划分成训练集和测试集送入FFM模型进行训练;
(6)将待测广告数据送入已训练好的FFM模型进行预测,得到待测广告对应的预测点击率。
2.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤1)中所述的训练特征主要包括:
(11)用户ID、广告ID、用户地区、广告种类、UTC时间,点击状态包含点击和未点击2种状态,数据存储格式为CSV(逗号分隔值)格式。
3.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤2)中所述的数据分析是指:
(21)对不同特征采用不同分析方法,例如对于时间特征,可以从UTC时间按照小时划分,提取出新的特征-小时,取值范围是0-24;
(22)也可以按照天来划分,将每个月划分为31天,提取新的特征-天,取值范围是1-31;
(23)也可以按照周来划分,将每个月划分为4周,提取新的特征-周,取值范围是1-4;
(24)也可以按照季度来划分,将每一年划分为4季度,提取新的特征-季度,取值范围是1-4。
4.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤2)中所述的剔除异常值是指:
(25)对用户点击率分析,会发现异常活跃点击用户,即对每一条广告或者大多数广告都点击,这种情况往往是由于爬虫程序造成的;
(26)对时间日期分析,会发现在某一天或者几天中,广告的点击率特别高,这往往是由于特殊的日期所导致。
5.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤3)中所述对类别型特征进行标签编码是指:
(31)类别型特征主要是用户ID、广告ID、广告种类,因为在数据记录中它们往往以很长字符串形式存在,例如某一个用户ID在数据库记录中为accfe4710db6169559799bdb51739465f21edbf43ae58d,这种数据需要转换成数值才能加以利用,将不同的ID进行数值编号,例如将刚才提到的用户ID编号为34243,不同的用户ID都有不同的数值编号;
(32)再如广告ID为5c3fedde32e177230cc39cf0af418228,也需将其编码成数字,每个不同的ID都要编码成不同的数值,相同的ID则编码成一样的数值。
6.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤3)中所述的热编码是指:
(33)将特征进行One-Hot Encoding转化成数值型特征,如将一个只有3种取值的特征分别编码成[1,0,0]、[0,1,0]、[0,0,1]。
7.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤4)中FFM模型格式编码是指:
(41)所有的特征必须转换成“field_id:feat_id:value”格式,field_id代表特征所属field的编号,feat_id是特征编号,value是特征的值;
(42)数值型的特征分配单独的field编号,如用户评论得分、商品的历史CTR/CVR等;
(43)categorical特征需要经过One-Hot编码成数值型,编码产生的所有特征同属于一个field,而特征的值只能是0或1,如用户的性别、年龄段,商品的品类id等。
8.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤5)中所述FFM模型是指:
(51)假设样本的n个特征属于f个field,那么FFM的二次项有nf个隐向量,而在FM模型中,每一维特征的隐向量只有一个;
(52)FM可以看作FFM的特例,是把所有特征都归属到一个field时的FFM模型,根据FFM的field敏感特性,可以导出其模型方程:其中,fj是第j个特征所属的field。
9.根据权利要求1所述的一种基于因子分解机的广告点击率预测方法,其特征是,在步骤6)中所述待测广告数据是指:
(61)包含与训练数据一样特征的待测数据,模型的输出是点击预测状态,即点击与不点击2种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711274478.3A CN108038720A (zh) | 2017-12-06 | 2017-12-06 | 一种基于因子分解机的广告点击率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711274478.3A CN108038720A (zh) | 2017-12-06 | 2017-12-06 | 一种基于因子分解机的广告点击率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038720A true CN108038720A (zh) | 2018-05-15 |
Family
ID=62095633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711274478.3A Pending CN108038720A (zh) | 2017-12-06 | 2017-12-06 | 一种基于因子分解机的广告点击率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038720A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN108960293A (zh) * | 2018-06-12 | 2018-12-07 | 玩咖欢聚文化传媒(北京)有限公司 | 基于fm算法的ctr预估方法及系统 |
CN109064091A (zh) * | 2018-07-13 | 2018-12-21 | 天津五八到家科技有限公司 | 资源确定、资源处理方法及装置 |
CN109389530A (zh) * | 2018-09-27 | 2019-02-26 | 智庭(北京)智能科技有限公司 | 一种基于ffm算法的房屋租金预测方法 |
CN109389247A (zh) * | 2018-09-27 | 2019-02-26 | 智庭(北京)智能科技有限公司 | 一种基于大数据的区域房屋租金预测方法 |
CN109829129A (zh) * | 2019-02-18 | 2019-05-31 | 华南理工大学 | 一种基于ffm深度神经网络的点击率预估方法 |
CN109871485A (zh) * | 2019-02-13 | 2019-06-11 | 北京航空航天大学 | 一种个性化推荐方法及装置 |
CN109902849A (zh) * | 2018-06-20 | 2019-06-18 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN110033342A (zh) * | 2019-01-30 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110210902A (zh) * | 2019-05-27 | 2019-09-06 | 北京金山安全软件有限公司 | 点击通过率的预测方法、装置及设备 |
CN111027070A (zh) * | 2019-12-02 | 2020-04-17 | 厦门大学 | 恶意应用检测方法、介质、设备及装置 |
CN111311328A (zh) * | 2020-02-20 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 用于确定在广告渠道下的产品的广告点击率的方法及装置 |
CN111815373A (zh) * | 2020-09-02 | 2020-10-23 | 北京悠易网际科技发展有限公司 | 一种转化成本优化方法、装置、电子设备及存储介质 |
CN111950806A (zh) * | 2020-08-26 | 2020-11-17 | 上海数鸣人工智能科技有限公司 | 一种基于因子分解机的营销活动预测模型结构和预测方法 |
WO2020252634A1 (zh) * | 2019-06-17 | 2020-12-24 | 深圳大学 | 一种基于现场可编程门阵列的点击率预估的系统及方法 |
CN112258223A (zh) * | 2020-10-13 | 2021-01-22 | 上海数鸣人工智能科技有限公司 | 一种基于决策树的营销广告点击的预测方法 |
CN112287278A (zh) * | 2019-11-07 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 一种用户留存率的确定方法、电子设备及计算机存储介质 |
CN114663155A (zh) * | 2022-04-01 | 2022-06-24 | 广州华多网络科技有限公司 | 广告投放选品方法及其装置、设备、介质、产品 |
CN116701950A (zh) * | 2023-08-09 | 2023-09-05 | 中国科学技术大学 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
US20170098236A1 (en) * | 2015-10-02 | 2017-04-06 | Yahoo! Inc. | Exploration of real-time advertising decisions |
CN106845731A (zh) * | 2017-02-20 | 2017-06-13 | 重庆邮电大学 | 一种基于多模型融合的潜在换机用户发现方法 |
CN106897892A (zh) * | 2015-12-18 | 2017-06-27 | 北京奇虎科技有限公司 | 广告投放方法及装置 |
CN106997549A (zh) * | 2017-02-14 | 2017-08-01 | 火烈鸟网络(广州)股份有限公司 | 一种广告信息的推送方法及系统 |
CN107330725A (zh) * | 2017-06-29 | 2017-11-07 | 北京酷云互动科技有限公司 | 广告价值评估方法、预算分配方法、投入评估方法及系统 |
-
2017
- 2017-12-06 CN CN201711274478.3A patent/CN108038720A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
US20170098236A1 (en) * | 2015-10-02 | 2017-04-06 | Yahoo! Inc. | Exploration of real-time advertising decisions |
CN106897892A (zh) * | 2015-12-18 | 2017-06-27 | 北京奇虎科技有限公司 | 广告投放方法及装置 |
CN106997549A (zh) * | 2017-02-14 | 2017-08-01 | 火烈鸟网络(广州)股份有限公司 | 一种广告信息的推送方法及系统 |
CN106845731A (zh) * | 2017-02-20 | 2017-06-13 | 重庆邮电大学 | 一种基于多模型融合的潜在换机用户发现方法 |
CN107330725A (zh) * | 2017-06-29 | 2017-11-07 | 北京酷云互动科技有限公司 | 广告价值评估方法、预算分配方法、投入评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
YUCHIN JUAN 等: "《Field-aware Factorization Machines for CTR Prediction》", 《RECSYS "16: PROCEEDINGS OF THE 10TH ACM CONFERENCE ON RECOMMENDER SYSTEMS》 * |
寇茜茜: "基于深度学习的CTR预测研究", 《HTTP://D.WANFANGDATA.COM.CN/THESIS/CHJUAGVZAXNOZXDTMJAYMTAZMDISCFKZMJE5NZUZGGHSAWH1B240BG%3D%3D》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804646A (zh) * | 2018-06-06 | 2018-11-13 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN108804646B (zh) * | 2018-06-06 | 2021-05-11 | 重庆邮电大学 | 一种融合深度学习和因子分解机的兴趣点签到预测方法 |
CN108960293B (zh) * | 2018-06-12 | 2021-02-05 | 玩咖欢聚文化传媒(北京)有限公司 | 基于fm算法的ctr预估方法及系统 |
CN108960293A (zh) * | 2018-06-12 | 2018-12-07 | 玩咖欢聚文化传媒(北京)有限公司 | 基于fm算法的ctr预估方法及系统 |
CN109902849B (zh) * | 2018-06-20 | 2021-11-30 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN109902849A (zh) * | 2018-06-20 | 2019-06-18 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
US11531867B2 (en) | 2018-06-20 | 2022-12-20 | Huawei Technologies Co., Ltd. | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus |
CN109064091A (zh) * | 2018-07-13 | 2018-12-21 | 天津五八到家科技有限公司 | 资源确定、资源处理方法及装置 |
CN109389247A (zh) * | 2018-09-27 | 2019-02-26 | 智庭(北京)智能科技有限公司 | 一种基于大数据的区域房屋租金预测方法 |
CN109389530A (zh) * | 2018-09-27 | 2019-02-26 | 智庭(北京)智能科技有限公司 | 一种基于ffm算法的房屋租金预测方法 |
CN110033342A (zh) * | 2019-01-30 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN109871485A (zh) * | 2019-02-13 | 2019-06-11 | 北京航空航天大学 | 一种个性化推荐方法及装置 |
CN109871485B (zh) * | 2019-02-13 | 2022-04-05 | 北京航空航天大学 | 一种个性化推荐方法及装置 |
CN109829129A (zh) * | 2019-02-18 | 2019-05-31 | 华南理工大学 | 一种基于ffm深度神经网络的点击率预估方法 |
CN110210902A (zh) * | 2019-05-27 | 2019-09-06 | 北京金山安全软件有限公司 | 点击通过率的预测方法、装置及设备 |
WO2020252634A1 (zh) * | 2019-06-17 | 2020-12-24 | 深圳大学 | 一种基于现场可编程门阵列的点击率预估的系统及方法 |
CN112287278A (zh) * | 2019-11-07 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 一种用户留存率的确定方法、电子设备及计算机存储介质 |
CN111027070B (zh) * | 2019-12-02 | 2022-05-03 | 厦门大学 | 恶意应用检测方法、介质、设备及装置 |
CN111027070A (zh) * | 2019-12-02 | 2020-04-17 | 厦门大学 | 恶意应用检测方法、介质、设备及装置 |
CN111311328A (zh) * | 2020-02-20 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 用于确定在广告渠道下的产品的广告点击率的方法及装置 |
CN111311328B (zh) * | 2020-02-20 | 2022-07-01 | 支付宝(杭州)信息技术有限公司 | 用于确定在广告渠道下的产品的广告点击率的方法及装置 |
CN111950806B (zh) * | 2020-08-26 | 2021-06-15 | 上海数鸣人工智能科技有限公司 | 一种基于因子分解机的营销活动预测模型结构和预测方法 |
CN111950806A (zh) * | 2020-08-26 | 2020-11-17 | 上海数鸣人工智能科技有限公司 | 一种基于因子分解机的营销活动预测模型结构和预测方法 |
CN111815373A (zh) * | 2020-09-02 | 2020-10-23 | 北京悠易网际科技发展有限公司 | 一种转化成本优化方法、装置、电子设备及存储介质 |
CN112258223A (zh) * | 2020-10-13 | 2021-01-22 | 上海数鸣人工智能科技有限公司 | 一种基于决策树的营销广告点击的预测方法 |
CN112258223B (zh) * | 2020-10-13 | 2021-05-18 | 上海数鸣人工智能科技有限公司 | 一种基于决策树的营销广告点击的预测方法 |
CN114663155A (zh) * | 2022-04-01 | 2022-06-24 | 广州华多网络科技有限公司 | 广告投放选品方法及其装置、设备、介质、产品 |
CN116701950A (zh) * | 2023-08-09 | 2023-09-05 | 中国科学技术大学 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
CN116701950B (zh) * | 2023-08-09 | 2024-01-05 | 中国科学技术大学 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038720A (zh) | 一种基于因子分解机的广告点击率预测方法 | |
Zhang et al. | Sequential click prediction for sponsored search with recurrent neural networks | |
CN108550068B (zh) | 一种基于用户行为分析的个性化商品推荐方法及系统 | |
CN109299380B (zh) | 在线教育平台中基于多维特征的习题个性化推荐方法 | |
CN103309990A (zh) | 基于互联网用户公开信息的用户多维度分析与监测方法 | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
CN106779827A (zh) | 一种互联网用户行为采集及分析检测的大数据方法 | |
CN109447364A (zh) | 基于标签的电力客户投诉预测方法 | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
CN106372249A (zh) | 一种点击率预估方法、装置及电子设备 | |
Narayan | Are Australia's tourism markets converging? | |
CN105808762B (zh) | 资源排序方法和装置 | |
CN109684635A (zh) | 一种基于智能营销的用户评价观点挖掘系统 | |
CN109960763A (zh) | 一种基于用户细粒度摄影偏好的摄影社区个性化好友推荐方法 | |
CN107657048A (zh) | 用户识别方法及装置 | |
Elsner et al. | Comparison of hurricane return levels using historical and geological records | |
CN102750336A (zh) | 一种基于用户关联性的资源个性化推荐方法 | |
CN105426514A (zh) | 个性化的移动应用app推荐方法 | |
CN106815347A (zh) | 基于商品相似度的改进slope one协同过滤推荐算法 | |
CN105138670A (zh) | 音频文件标签生成方法和系统 | |
CN112598438A (zh) | 一种基于大规模用户画像的户外广告推荐系统及方法 | |
CN109359868A (zh) | 一种电网用户画像的构建方法及系统 | |
CN107918825A (zh) | 一种基于应用安装偏好判定用户年龄段的方法和装置 | |
CN102880631A (zh) | 一种基于双层分类模型的中文作者识别方法及其装置 | |
CN106339891A (zh) | 一种基于大数据采集的智能分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180515 |
|
WD01 | Invention patent application deemed withdrawn after publication |