CN108062684A - 一种广告的点击率预测方法及装置 - Google Patents

一种广告的点击率预测方法及装置 Download PDF

Info

Publication number
CN108062684A
CN108062684A CN201711316789.1A CN201711316789A CN108062684A CN 108062684 A CN108062684 A CN 108062684A CN 201711316789 A CN201711316789 A CN 201711316789A CN 108062684 A CN108062684 A CN 108062684A
Authority
CN
China
Prior art keywords
similar
advertisement
rate
click
matrix
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
Application number
CN201711316789.1A
Other languages
English (en)
Other versions
CN108062684B (zh
Inventor
马国伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN201711316789.1A priority Critical patent/CN108062684B/zh
Publication of CN108062684A publication Critical patent/CN108062684A/zh
Application granted granted Critical
Publication of CN108062684B publication Critical patent/CN108062684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0277—Online advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (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)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了本发明公开了一种广告的点击率预测方法及装置，包括获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，生成广告相似性矩阵T|A||A|，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，计算得到相似广告的最终点击率矩阵Fn+1 |U||A|＝Fn |U||A|T|A||A|，将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值，判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤。运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。

Description

一种广告的点击率预测方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种广告的点击率预测方法及装置。
背景技术
广告本身是向社会大众传递信息的宣传手段，也是许多公司的重要收入来源之一。随着互联网广告的不断发展，在巨大利润的驱动下，怎样提高广告投放带来的利润也成为了研究热点。通过对广告点击率进行预测，可以有效地判断一个用户对一个广告点击行为的可能性，从而对其进行定向的广告投放，有效地提高被投放广告的广告商的利润。由于相似的广告具有相似的点击率，因此可以根据一个广告的相似广告的点击率来推断该广告的点击率。
现有技术都是通过一个广告与其它广告之间的直接相似性，来计算该广告的点击率，然而这种方法在一个广告直接相似的广告较少的情况下准确性价差。
因此如何精确预测直接相似的广告较少的广告的点击率，成为了本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种广告的点击率预测方法，运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。
本发明提供了一种广告的点击率预测方法，包括：
获取目标广告的至少两个相似广告，所述相似广告包括直接相似广告以及间接相似广告，所述直接相似广告为与所述目标广告相似的广告，所述间接相似广告为与所述直接相似广告相似的广告；
计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
调用所述相似广告的集合A中所有相似广告的浏览用户数据以及点击用户数据，基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
基于公式计算得到所述相似广告的最终点击率矩阵n＝0,1,2,3……；
将所述初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中所述最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断所述最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行所述计算所述相似广告的最终点击率矩阵的步骤。
优选地，所述计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|包括：
基于任意两个所述相似广告的属性信息，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵，所述属性信息包括广告的行业分类、广告内容、广告素材、广告时长以及广告投放位置中任意一个或多个信息。
优选地，所述计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|包括：
调用所述相似广告的所述点击用户数据；
基于任意两个所述相似广告的所述点击用户数据，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵。
优选地，所述初始点击率矩阵F0 |U||A|中任一数为fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u表示所述浏览用户集合U中的第u个用户，a表示所述相似广告集合A中的第a个广告，k为所述浏览用户集合U中的第u个用户点击所述相似广告集合A中的第a广告的次数，n为所述浏览用户集合U中的第u个用户浏览所述相似广告集合A中的第a广告的次数。
优选地，所述基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|包括：
基于所述浏览用户数据及所述点击用户数据生成点击率模型；
基于所述点击率模型计算所述相似广告的初始点击率矩阵F0 |U||A|。
一种广告的点击率预测装置，包括：
采集模块，所述采集模块用于获取目标广告的至少两个相似广告，所述相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
相似性计算模块，所述相似性计算模块用于计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
调用模块，所述调用模块用于调用所述相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据；
第一点击率计算模块，所述第一点击率计算模块用于基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
第二点击率计算模块，所述第二点击率计算模块用于基于公式计算得到所述相似广告的最终点击率矩阵n＝0,1,2,3……；
替换模块，所述替换模块用于将所述初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中所述最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断模块，所述判断模块用于判断所述最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行所述计算所述相似广告的最终点击率矩阵的步骤。
优选地，所述相似性计算模块用于基于任意两个所述相似广告的属性信息，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵,所述属性信息包括广告的行业分类、广告内容、广告素材、广告时长以及广告投放位置中任意一个或多个信息。
优选地，所述相似性计算模块包括调用单元及第一计算单元，其中：
所述调用单元用于调用所述相似广告的所述点击用户数据；
所述第一计算单元用于基于任意两个所述相似广告的所述点击用户数据，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵。
优选地，所述第一点击率计算模块基于所述浏览用户数据及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|的过程中，所述初始点击率矩阵F0 |U||A|中任一数为fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u表示所述浏览用户集合U中的第u个用户，a表示所述相似广告集合A中的第a个广告，k为所述浏览用户集合U中的第u个用户点击所述相似广告集合A中的第a广告的次数，n为所述浏览用户集合U中的第u个用户浏览所述相似广告集合A中的第a广告的次数。
优选地，所述第一点击率计算模块包括建模单元及第二计算单元：
所述建模单元用于基于所述浏览用户数据及所述点击用户数据生成点击率模型；
所述第二计算单元用于基于所述点击率模型计算所述相似广告的初始点击率矩阵F0 |U||A|
从上述技术方案可以看出，本发明公开了一种广告的点击率预测方法，包括：获取目标广告的至少两个相似广告，所述相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；调用所述相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据，基于所述浏览用户数据及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；计算得到所述相似广告的最终点击率矩阵Fn+1 |U||A|＝Fn |U||A|T|A||A|，n＝0,1,2,3……；将所述初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中所述最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；判断所述最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行所述计算所述相似广告的最终点击率矩阵的步骤。运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。
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为本发明公开的一种广告的点击率预测方法实施例1的方法流程图；
图2为本发明公开的一种广告的点击率预测方法实施例2的方法流程图；
图3为本发明公开的一种广告的点击率预测方法实施例3的方法流程图；
图4为本发明公开的一种广告的点击率预测装置实施例4的结构示意图；
图5为本发明公开的一种广告的点击率预测装置实施例5的结构示意图；
图6为本发明公开的一种广告的点击率预测装置实施例6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做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。
如图1所示，为本发明公开的一种广告的点击率预测方法实施例1的流程图，包括：
S101、获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取与目标广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
S102、计算任意两个相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
计算相似广告集合内，任意两个广告的相似性，即相似程度，从而生成一个相似性矩阵T|A||A|。
S103、调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
S104、基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
S105、将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
S106、判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤；
本发明公开了一种广告的点击率预测方法，包括：获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告；计算任意两个相似广告间的相似性，生成广告相似性矩阵T|A||A|；调用相似广告的浏览用户数据及点击用户数据，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|；计算相似广告的最终点击率矩阵Fn+1 |U||A|＝Fn |U||A|T|A||A|；将初始点击率矩阵F0 |U||A|中非零的值覆盖中最终点击率矩阵Fn+1相对应的值；判断最终点击率矩阵Fn+1是否收敛，若是，则结束，若不是执行上述步骤直到Fn +1 |U||A|收敛。运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。
如图2所示，为本发明公开的一种广告的点击率预测方法实施例2的流程图，包括：
S201、获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取这个广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
S202、基于任意两个相似广告的属性信息，计算任意两个相似广告的相似性，生成广告相似性矩阵，属性信息包括广告的行业分类、广告内容、广告素材、广告时长及广告投放位置中任意一个或多个信息；
属性信息包括行业分类、广告内容主题(体育、饮料、游戏等)、广告素材、广告时长、广告投放位置等；基于相似广告的属性信息计算相似广告集合内，任意两个广告的相似性，即相似程度，从而生成一个相似性矩阵T|A||A|。在本步骤中每个属性都有一个值，两个广告构成两个属性向量，直接计算两个向量的相似性，计算公式业内成熟，一般采用cosein相似性。
S203、调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
S204、基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
S205、将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
S206、判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤；
本发明运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。并且，本发明使用行业分类、广告内容主题(体育、饮料、游戏等)、广告素材、广告时长、广告投放位置等多种属性信息来计算广告的相似性，其计算出的结果更加精准。
如图3所示，为本发明公开的一种广告的点击率预测方法实施例3的流程图，包括：
S301、获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取这个广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
S302、调用相似广告的点击用户数据，基于任意两个相似广告的点击用户数据，计算任意两个相似广告的相似性，生成广告相似性矩阵；
根据大量用户对大量广告的点击数据构造一个矩阵(行表示用户，列表示广告)，第i行第j列表示用户i对广告j的点击次数。那么广告j1和j2的相似性可以根据第j1列和第j2列的两个向量计算得出，用cosine相似性计算方法即可。由此方法，即可求出广告相似性矩阵T|A||A|。
S303、调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
S304、基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
S305、将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
S306、判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤。
本发明运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。并且，本发明使用了用户点击数据用来计算两个广告之间的相似性，考虑了同一个用户点击的广告类型也大致相同这一因素，提高了广告之间相似性的计算精度。
在上述实施例中，初始点击率矩阵F0 |U||A|中任一数为fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u为浏览用户集合U中的一个用户，a为相似广告集合A中的一个广告，k为用户u点击广告a的次数，n为用户u浏览广告a的次数。
在上述实施例中，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|还可采用以下方式：
基于浏览用户数据及点击用户数据生成点击率模型；
对于广告的初始点击率，点击率模型可以根据历史数据准确计算出，这在业界是一套成熟的方案
基于点击率模型计算相似广告的初始点击率矩阵F0 |U||A|；
根据点击率模型，可直接求出初始点击率矩阵F0 |U||A|。
如图4所示，为本发明公开的一种广告的点击率预测装置实施例1的结构示意图，包括：
采集模块101，采集模块101用于获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取与目标广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
相似性计算模块102，相似性计算模块102用于计算任意两个相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
计算相似广告集合内，任意两个广告的相似性，即相似程度，从而生成一个相似性矩阵T|A||A|。
调用模块103，调用模块103用于调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据；
第一点击率计算模块104，第一点击率计算模块104用于基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
第二点击率计算模块105，第二点击率计算模块105用于基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
替换模块106，替换模块106用于将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断模块107，判断模块107用于判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤。
本发明公开了一种广告的点击率预测装置，其工作原理为获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告；计算任意两个相似广告间的相似性，生成广告相似性矩阵T|A||A|；调用相似广告的浏览用户数据及点击用户数据，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|；计算相似广告的最终点击率矩阵Fn+1 |U||A|＝Fn |U||A|T|A||A|；将初始点击率矩阵F0 |U||A|中非零的值覆盖中最终点击率矩阵Fn+1相对应的值；判断最终点击率矩阵Fn+1是否收敛，若是，则结束，若不是执行上述步骤直到Fn+1 |U||A|收敛。运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。
如图5所示，为本发明公开的一种广告的点击率预测装置实施例2的结构式示意图，包括：
采集模块201，采集模块201用于获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取这个广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
相似性计算模块202，相似性计算模块202用于基于任意两个相似广告的属性信息，计算任意两个相似广告的相似性，生成广告相似性矩阵，属性信息包括广告的行业分类、广告内容、广告素材、广告时长及广告投放位置中任意一个或多个信息；
属性信息包括行业分类、广告内容主题(体育、饮料、游戏等)、广告素材、广告时长、广告投放位置等；基于相似广告的属性信息计算相似广告集合内，任意两个广告的相似性，即相似程度，从而生成一个相似性矩阵T|A||A|。在本步骤中每个属性都有一个值，两个广告构成两个属性向量，直接计算两个向量的相似性，计算公式业内成熟，一般采用cosein相似性。
调用模块203，调用模块203用于调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据；
第一点击率计算模块204，第一点击率计算模块204用于基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
第二点击率计算模块205，第二点击率计算模块205用于基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
替换模块206，替换模块206用于将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断模块207，判断模块207用于判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤。
本发明运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。并且，本发明使用行业分类、广告内容主题(体育、饮料、游戏等)、广告素材、广告时长、广告投放位置等多种属性信息来计算广告的相似性，其计算出的结果更加精准。
如图6所示，为本发明公开的一种广告的点击率预测装置实施例3的结构示意图，包括：
采集模块301，采集模块301用于获取目标广告的至少两个相似广告，相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
目标广告为需要预测点击率的广告。可获取这个广告相似的广告，相似广告包括直接相似广告和间接相似广告，其中直接相似广告为与目标广告相似的广告，间接相似广告为与目标广告的直接相似广告相似的广告，直接相似广告与间接相似广告可共同构成相似广告的集合A。
相似性计算模块302包括调用单元308及第一计算单元309，其中：调用单元308用于调用相似广告的点击用户数据；第一计算单元309用于基于任意两个相似广告的点击用户数据，计算任意两个相似广告的相似性，生成广告相似性矩阵；
根据大量用户对大量广告的点击数据构造一个矩阵(行表示用户，列表示广告)，第i行第j列表示用户i对广告j的点击次数。那么广告j1和j2的相似性可以根据第j1列和第j2列的两个向量计算得出，用cosine相似性计算方法即可。由此方法，即可求出广告相似性矩阵T|A||A|。
调用模块303，调用模块303用于调用相似广告的集合A中所有相似广告的浏览用户数据及点击用户数据；
第一点击率计算模块304，第一点击率计算模块304用于基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
调用相似广告的浏览用户数据，例如浏览人数、浏览时间、浏览用户ID、浏览人次、相同ID用户浏览次数等等；调用相似广告的点击用户数据，例如点击人数、点击时间、点击用户ID、点击人次、相同ID用户点击次数等等；由这些数据可计算出最初的点击率矩阵，即初始点击率矩阵F0 |U||A|。
第二点击率计算模块305，第二点击率计算模块305用于基于公式计算得到相似广告的最终点击率矩阵n＝0,1,2,3……；
由公式Fn+1 |U||A|＝Fn |U||A|T|A||A|，计算最终点击率矩阵，n由0开始，说明最初的最终点击率矩阵是由初始点击率矩阵计算得来的。
替换模块306，替换模块306用于将初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断模块307，判断最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行计算相似广告的最终点击率矩阵的步骤。
本发明运用目标广告的间接相似广告的点击率对目标广告的点击率进行预测，可有效提高直接相似的广告数量较少的目标广告的点击率的预测的准确性。并且，本发明使用了用户点击数据用来计算两个广告之间的相似性，考虑了同一个用户点击的广告类型也大致相同这一因素，提高了广告之间相似性的计算精度。
在上述实施例中，初始点击率矩阵F0 |U||A|中任一数fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u为浏览用户集合U中的一个用户，a为相似广告集合A中的一个广告，k为用户u点击广告a的次数，n为用户u浏览广告a的次数。
在上述实施例中，基于浏览用户数据及点击用户数据计算相似广告的初始点击率矩阵F0 |U||A|还可采用以下方式：
基于浏览用户数据及点击用户数据生成点击率模型；
对于广告的初始点击率，点击率模型可以根据历史数据准确计算出，这在业界是一套成熟的方案
基于点击率模型计算相似广告的初始点击率矩阵F0 |U||A|；
根据点击率模型，可直接求出初始点击率矩阵F0 |U||A|。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种广告的点击率预测方法，其特征在于，包括：
获取目标广告的至少两个相似广告，所述相似广告包括直接相似广告以及间接相似广告，所述直接相似广告为与所述目标广告相似的广告，所述间接相似广告为与所述直接相似广告相似的广告；
计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
调用所述相似广告的集合A中所有相似广告的浏览用户数据以及点击用户数据，基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
基于公式计算得到所述相似广告的最终点击率矩阵n＝0,1,2,3……；
将所述初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中所述最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断所述最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行所述计算所述相似广告的最终点击率矩阵的步骤。
2.如权利要求1所述的方法，其特征在于，所述计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|包括：
基于任意两个所述相似广告的属性信息，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵，所述属性信息包括广告的行业分类、广告内容、广告素材、广告时长以及广告投放位置中任意一个或多个信息。
3.如权利要求1所述的方法，其特征在于，所述计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|包括：
调用所述相似广告的所述点击用户数据；
基于任意两个所述相似广告的所述点击用户数据，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵。
4.如权利要求1-3任一项所述的方法，其特征在于，所述初始点击率矩阵F0 |U||A|中任一数为fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u表示所述浏览用户集合U中的第u个用户，a表示所述相似广告集合A中的第a个广告，k为所述浏览用户集合U中的第u个用户点击所述相似广告集合A中的第a广告的次数，n为所述浏览用户集合U中的第u个用户浏览所述相似广告集合A中的第a广告的次数。
5.如权利要求1-3任一项所述的方法，其特征在于，所述基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|包括：
基于所述浏览用户数据及所述点击用户数据生成点击率模型；
基于所述点击率模型计算所述相似广告的初始点击率矩阵F0 |U||A|。
6.一种广告的点击率预测装置，其特征在于，包括：
采集模块，所述采集模块用于获取目标广告的至少两个相似广告，所述相似广告包括直接相似广告及间接相似广告，直接相似广告为与目标广告相似的广告，间接相似广告为与直接相似广告相似的广告；
相似性计算模块，所述相似性计算模块用于计算任意两个所述相似广告间的相似性，生成广告相似性矩阵T|A||A|，其中，A为相似广告的集合，|A|为相似广告的集合中相似广告的数量；
调用模块，所述调用模块用于调用所述相似广告的集合A中所有相似广告的浏览用户数据以及点击用户数据；
第一点击率计算模块，所述第一点击率计算模块用于基于所述浏览用户数据以及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|，其中，U表示浏览用户集合，|U|表示浏览用户集合中浏览用户的数量；
第二点击率计算模块，所述第二点击率计算模块用于基于公式计算得到所述相似广告的最终点击率矩阵n＝0,1,2,3……；
替换模块，所述替换模块用于将所述初始点击率矩阵F0 |U||A|中非零的初始点击率值覆盖Fn+1 |U||A|中所述最终点击率矩阵Fn+1 |U||A|相对应的初始点击率值；
判断模块，所述判断模块用于判断所述最终点击率矩阵Fn+1 |U||A|是否收敛，若不是，则执行所述计算所述相似广告的最终点击率矩阵的步骤。
7.如权利要求6所述的装置，其特征在于，所述相似性计算模块用于基于任意两个所述相似广告的属性信息，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵,所述属性信息包括广告的行业分类、广告内容、广告素材、广告时长以及广告投放位置中任意一个或多个信息。
8.如权利要求6所述的装置，其特征在于，所述相似性计算模块包括调用单元及第一计算单元，其中：
所述调用单元用于调用所述相似广告的所述点击用户数据；
所述第一计算单元用于基于任意两个所述相似广告的所述点击用户数据，计算所述任意两个所述相似广告的相似性，生成广告相似性矩阵。
9.如权利要求6-8任一项所述的装置，其特征在于，所述第一点击率计算模块基于所述浏览用户数据及所述点击用户数据计算所述相似广告的初始点击率矩阵F0 |U||A|的过程中，所述初始点击率矩阵F0 |U||A|中任一数为fua＝k/n，其中fua为F0 |U||A|第u行、第a列的数，u表示所述浏览用户集合U中的第u个用户，a表示所述相似广告集合A中的第a个广告，k为所述浏览用户集合U中的第u个用户点击所述相似广告集合A中的第a广告的次数，n为所述浏览用户集合U中的第u个用户浏览所述相似广告集合A中的第a广告的次数。
10.如权利要求6-8任一项所述的装置，其特征在于，所述第一点击率计算模块包括建模单元及第二计算单元：
所述建模单元用于基于所述浏览用户数据及所述点击用户数据生成点击率模型；
所述第二计算单元用于基于所述点击率模型计算所述相似广告的初始点击率矩阵F0 |U||A|。
CN201711316789.1A 2017-12-12 2017-12-12 一种广告的点击率预测方法及装置 Active CN108062684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711316789.1A CN108062684B (zh) 2017-12-12 2017-12-12 一种广告的点击率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711316789.1A CN108062684B (zh) 2017-12-12 2017-12-12 一种广告的点击率预测方法及装置

Publications (2)

Publication Number Publication Date
CN108062684A true CN108062684A (zh) 2018-05-22
CN108062684B CN108062684B (zh) 2021-01-22

Family

ID=62138220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711316789.1A Active CN108062684B (zh) 2017-12-12 2017-12-12 一种广告的点击率预测方法及装置

Country Status (1)

Country Link
CN (1) CN108062684B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109962983A (zh) * 2019-03-29 2019-07-02 北京搜狗科技发展有限公司 一种点击率统计方法及装置
CN110222909A (zh) * 2019-06-20 2019-09-10 郑州工程技术学院 一种新闻传播力预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007105909A1 (en) * 2006-03-16 2007-09-20 Nhn Corporation Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof
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
CN102592235A (zh) * 2011-12-28 2012-07-18 北京品友互动信息技术有限公司 一种互联网广告投放系统
CN104574124A (zh) * 2013-10-10 2015-04-29 深圳市腾讯计算机系统有限公司 确定广告数据的展示效果的方法及装置
CN106096629A (zh) * 2016-06-01 2016-11-09 南京邮电大学 一种基于用户间相似关系的广告点击率预测方法
US20170178181A1 (en) * 2015-12-17 2017-06-22 Linkedin Corporation Click through rate prediction calibration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007105909A1 (en) * 2006-03-16 2007-09-20 Nhn Corporation Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof
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
CN102592235A (zh) * 2011-12-28 2012-07-18 北京品友互动信息技术有限公司 一种互联网广告投放系统
CN104574124A (zh) * 2013-10-10 2015-04-29 深圳市腾讯计算机系统有限公司 确定广告数据的展示效果的方法及装置
US20170178181A1 (en) * 2015-12-17 2017-06-22 Linkedin Corporation Click through rate prediction calibration
CN106096629A (zh) * 2016-06-01 2016-11-09 南京邮电大学 一种基于用户间相似关系的广告点击率预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109962983A (zh) * 2019-03-29 2019-07-02 北京搜狗科技发展有限公司 一种点击率统计方法及装置
CN109962983B (zh) * 2019-03-29 2021-11-23 北京搜狗科技发展有限公司 一种点击率统计方法及装置
CN110222909A (zh) * 2019-06-20 2019-09-10 郑州工程技术学院 一种新闻传播力预测方法

Also Published As

Publication number Publication date
CN108062684B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN105631711A (zh) 一种广告投放方法及装置
CN103795697B (zh) 一种网络媒介信息投放效果模拟方法和系统
CN106844178B (zh) 预测呈现信息转化率的方法、计算设备、服务器及系统
CN110245274A (zh) 一种标签热度计算方法、装置、电子设备和存储介质
CN108230010A (zh) 一种预估广告转化率的方法及服务器
CN107895213A (zh) 消费额度的预测方法、装置及电子设备
CN108733825A (zh) 一种对象触发事件预测方法及装置
CN109840782A (zh) 点击率预测方法、装置、服务器以及存储介质
WO2004046865A3 (en) Sytem and method for rating services on an internet site
JP5094956B2 (ja) 広告配信サーバ及び広告配信方法
CN103166989A (zh) 面向云计算的资源使用计量方法和系统
CN107993088A (zh) 一种购买周期预测方法及装置，电子设备
TW201001203A (en) Systems and methods for creating an index to measure a performance of digital ads as defined by an advertiser
CN108062684A (zh) 一种广告的点击率预测方法及装置
CN106130756A (zh) 一种预测访问内容点击率的方法及装置
CN110298508A (zh) 行为预测方法、装置及设备
CN108399551A (zh) 一种确定用户标签和推送信息的方法及系统
CN106557556A (zh) 一种网页页面的展示方法、装置、服务器和系统
CN110599227A (zh) 一种广告投放方法及系统
CN106227743A (zh) 广告目标群体触达比率评估方法及装置
CN103870671B (zh) 一种从Cookie中提取用户样本的方法及装置
JP2014006684A (ja) コンテンツ配信装置
CN107423315B (zh) 一种户外媒体资源数据的挖掘处理方法及系统
CN104346341B (zh) 一种实现数据与相关事件关联的方法及装置
CN108830636A (zh) 一种活跃用户的询量方法和装置

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
GR01 Patent grant
GR01 Patent grant