CN108154377A - 广告作弊预测方法及装置 - Google Patents

Abstract

本发明公开了一种广告作弊预测方法，获取待预测广告所包含的维度及每个维度所包含的维度实体，获取各个维度的权重值，以及获取每个维度实体的广告作弊比率；然后，根据每个维度实体对应的广告作弊比率和权重值，计算该待预测广告的作弊概率。由此可见，通过上述过程能够预测未投放广告的广告作弊概率，从而为后续投放广告给出数据支持，降低广告投放的损失。

Description

广告作弊预测方法及装置

技术领域

本发明涉及广告技术领域，尤其涉及一种广告作弊预测方法及装置。

背景技术

随着网络技术的飞速发展，互联网用户的数量快速增长，互联网广告成为广告投放的主要方式之一。

互联网广告系统中，媒体方为互联网用户提供基于互联网的服务，例如，新浪微博为用户提供基于互联网的社交服务，在用户使用该服务的过程中可以向用户展示广告，例如，在用户访问的新浪微博页面上显示广告。如果用户点击媒体所展示的广告，则该广告的点击量增加。例如，目前的互联网广告系统中的某些媒体为了增加广告的点击量，以获得更多的利益，可能会采用作弊方式对展示的广告进行点击，从而形成广告的虚假点击量。但目前并没有一种有效预测广告作弊的方法，因此，亟需一种广告作弊预测方法，提前预测投放广告作弊概率，降低未来投放广告的作弊概率。

发明内容

鉴于上述问题，提出了本发明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广告作弊预测方法及装置。

本申请提供一种广告作弊预测方法，包括：

获取待预测广告所包含的维度及每个所述维度所包含的维度实体；

获取每个所述维度的权重值；

获取每个所述维度实体的广告作弊比率；

根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

可选地，在获取每个所述维度实体对应的广告作弊比率之前，所述方法还包括：

获取广告样本集合的监测数据；

获取所述广告样本集合中每个广告样本所包含的维度实体；

根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率。

可选地，所述根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率，包括：

从所述广告样本集合中查找任意一个维度实体的全部广告样本；

获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值；

当所述作弊判断参数符合相应的阈值时，确定所述广告样本是作弊广告，统计所述维度实体所对应的作弊广告数量；

根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

可选地，所述根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率，包括：

计算所述待预测广告所包含的每个所述维度实体的广告作弊比率与权重值的乘积；

计算所述待预测广告所包含的各个所述维度实体对应的所述乘积之和，得到所述待预测广告的作弊概率。

可选地，在获取每个所述维度的权重值之前，所述方法还包括：

根据所述待预测广告所包含维度的重要属性信息，确定每个所述维度的权重值，且所述待预测广告的各个所述维度对应的权重值之和为1。

本申请还提供一种广告作弊预测装置，包括：

第一获取模块，用于获取待预测广告所包含的维度及每个所述维度所包含的维度实体；

第二获取模块，用于获取每个所述维度的权重值；

第三获取模块，用于获取每个所述维度实体的广告作弊比率；

第一计算模块，用于根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

可选地，所述装置还包括：

第四获取模块，用于在获取每个所述维度实体对应的广告作弊比率之前，获取广告样本集合的监测数据；

第五获取模块，用于获取所述广告样本集合中每个广告样本所包含的维度实体；

第二计算模块，用于根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率。

可选地，所述第二计算模块，包括：

查找子模块，用于从所述广告样本集合中查找任意一个维度实体的全部广告样本；判断子模块，用于获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值；

统计子模块，用于当所述作弊判断参数符合相应的阈值时，确定所述广告样本是作弊广告，并统计所述维度实体所对应的作弊广告数量；

第一计算子模块，用于根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

可选地，所述第一计算模块包括：

第二计算子模块，用于计算所述待预测广告所包含的每个所述维度实体的广告作弊比率与权重值的乘积；

第三计算子模块，用于计算所述待预测广告所包含的各个所述维度实体对应的所述乘积之和，得到所述待预测广告的作弊概率。

可选地，所述装置还包括：

确定模块，用于在获取每个所述维度的权重值之前，根据所述待预测广告所包含维度的重要属性信息，确定每个所述维度的权重值，且所述待预测广告的各个所述维度对应的权重值之和为1。

借由上述技术方案，本发明提供的广告作弊预测方法，获取待预测广告所包含的维度及每个维度所包含的维度实体，获取各个维度的权重值，以及获取每个维度实体的广告作弊比率；然后，根据每个维度实体对应的广告作弊比率和权重值，计算该待预测广告的作弊概率。由此可见，通过上述过程能够预测未投放广告的广告作弊概率，从而为后续投放广告给出数据支持，降低广告投放的损失。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一种广告作弊预测方法的流程图；

图2示出了本发明实施例一种计算广告作弊概率过程的流程图；

图3示出了本发明实施例另一种广告作弊预测方法的流程图；

图4示出了本发明实施例一种计算维度实体的广告作弊比率过程的流程图；

图5示出了本发明实施例一种广告作弊预测装置的框图；

图6示出了本发明实施例一种第一计算模块的框图；

图7示出了本发明实施例另一种广告作弊预测装置的框图；

图8示出了本发明实施例一种第二计算模块的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

请参见图1，示出了本发明实施例一种广告作弊预测方法的流程图，该方法应用于计算机设备中，例如，个人计算机或服务器，如图1所示，该方法包括：

S110，获取待预测广告所包含的维度及每个所述维度所包含的维度实体。

待预测广告可以是未投放的广告，此时，待预测广告所包含的维度及维度实体是计划投放的维度和维度实体。或者，待预测广告还可以是已经投放的广告，此时，待预测广告所包含的维度及维度实体是已投放平台的维度及维度实体。

确定待预测广告所包含的各个维度，例如，媒体、代理商、设备等，其中，媒体是展示广告的媒介，例如新浪微博、百度知道网页等是媒体维度的具体维度实体；代理商能够为广告投放者制定广告计划、商业宣传、制作广告和提供其它促销工具等服务，例如，不同的代理商是代理商维度的具体维度实体；设备是展示广告的具体设备，例如，手机、电脑等是设备维度的维度实体。

S120，获取每个所述维度的权重值。

待预测广告所包含各个维度的权重值之和等于1，例如，待预测广告所包含的维度分别是媒体、代理商和设备，其中，媒体的权重系数是50％，代理商的权重系数是40％，则设备的权重系数是1-50％-40％＝10％。

而且，可以根据广告所包含的各个维度重要属性信息(重要程度信息)确定各个维度的权重值。例如，对于网页上展示广告而言，可能媒体维度的作弊的几率更大，则可以将媒体维度的作弊权重值设置得大一些，其他维度根据实际情况设置的小一些。对于在终端APP上展示的广告而言，可能设备作弊的几率变大，则可以增大设备维度的作弊权重。

S130，获取每个所述维度实体的广告作弊比率。

在本发明一种可能的实现方式中，维度实体对应的广告作弊比率预先根据广告样本集合的监测数据计算得到。

需要说明的是，本发明并不限定S120和S130的执行顺序，可以先执行S130，然后，执行S120。

S140，根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

首先，对于每个维度实体，计算该维度实体的广告作弊比率及权重值的乘积；然后，计算待预测广告的各个维度实体的乘积之和得到作弊概率。

如图2所示，S140可以包括S141～S142：

S141，计算待预测广告所包含的每个维度实体的广告作弊比率与权重值的乘积。

S142，计算该待预测广告所包含的各个维度实体对应的乘积之和，得到所述待预测广告的作弊概率。

例如，一个广告计划通过A代理商在新浪微博APP上投放，则该广告所包含的维度实体分别是新浪微博、A代理商和手机。新浪微博维度实体对应的广告作弊比率是3％，权重值是50％；A代理商维度实体对应的广告作弊比率是1％，权重值是40％；手机维度实体对应的广告作弊比率是0.2％，权重值是10％。则该待预测广告对应的作弊概率是3％*50％+1％*40％+0.2％*10％＝1.92％。

本实施例提供的广告作弊预测方法，获取待预测广告所包含的维度及每个维度所包含的维度实体，获取各个维度的权重值，以及获取每个维度实体的广告作弊比率；然后，根据每个维度实体对应的广告作弊比率和权重值，计算该待预测广告的作弊概率。由此可见，通过上述过程能够预测未投放广告的广告作弊概率，从而为后续投放广告给出数据支持，降低广告投放的损失。

请参见图3，示出了本发明实施例另一种广告作弊方法的流程图，该方法在图1中的步骤S130之前，还包括以下步骤：

S210，获取广告样本集合的监测数据。

可以选取一段时间(例如，2016年1月1日～2016年7月1日)内，对一定数量(例如，100000个广告)的广告进行监测得到的历史监测数据作为分析广告样本的数据源。其中，历史监测数据包括监测时间段内广告样本的曝光量、点击量等信息。

后续步骤通过分析广告样本的历史监测数据分析该广告样本是否存在作弊行为。

S220，获取广告样本集合中每个广告样本所包含的维度实体。

先确定广告样本所包含的维度，例如，媒体、代理商、设备等；然后，再确定每个维度所包含的维度实体，例如新浪微博、百度知道网页等是媒体维度的具体维度实体；不同的代理商是代理商维度的具体维度实体；手机、电脑等是设备维度的维度实体。

S230，根据广告样本的监测数据计算每个维度实体的广告作弊比率。

针对每个维度实体，获取该维度实体下的全部广告样本的数量，并确定出该维度实体下的全部作弊广告样本的数量；然后，计算该维度实体对应的作弊广告样本数量与全部广告样本数量的比值，得到该维度实体的广告作弊比率。

如图4所示，S230可以包括：

S231，从所述广告样本集合中查找任意一个维度实体的全部广告样本。

例如，该维度实体是“新浪微博”，广告样本集合中属于新浪微博维度实体的广告样本数量是1000个。

S232，获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值。

判断计算出的作弊判断参数是否符合对应的作弊判断指标的阈值要求，如果是，则确定该广告是作弊广告；如果否，则确定该广告不是作弊广告。

作弊判断指标可以根据广告样本对应的历史监测数据所包含的参数确定，例如，广告样本对应的历史监测数据包含曝光量和点击量，则可以将作弊判断指标确定为广告点击率，广告点击率＝点击量/曝光量。

作弊判断指标对应的阈值可以根据实际情况确定，例如，如果广告点击率超过20％确定为作弊广告。

S233，当所述作弊判断参数符合相应的阈值时，确定所述广告样本是作弊广告，统计所述维度实体所对应的作弊广告数量。

仍以S231中的实例为例进行说明，当1000个广告全部判断完成后，统计这1000个广告中作弊广告的数量，例如，作弊广告数量为30个。

S234，根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

例如，新浪微博下的1000个广告中有30个广告存在作弊行为，则新浪微博维度实体对应的广告作弊比率是30/1000*100％＝3％。

根据广告样本集合的历史监测数据计算出各个维度实体所对应的广告作弊比率后，可以保存在数据库中。后续预测待预测广告的广告作弊概率时，直接从该数据库中读取待预测广告所包含的维度实体对应的广告作弊比率，最后，计算得到待预测广告的广告作弊概率。

本实施例提供的计算维度实体下广告作弊比率的方式，查找到某一维度实体所包含的全部广告样本，并判断这些广告样本中哪些是作弊广告，然后，计算作弊广告的数量与该维度实体下的全部广告样本的数量之间的比值，得到该维度实体对应的广告作弊比率。后续，预测广告的作弊概率时，直接读取广告所包含的维度实体对应的广告作弊比率即可，从而使整个预测过程简单，且预测速度快。

相应于上述的广告作弊预测方法实施例，本发明还提供了广告作弊预测装置实施例。

请参见图5，示出了本发明实施例一种广告作弊预测装置的框图，该装置应用于计算机设备中，例如，个人计算机或服务器中。

如图5所示，该装置可以包括：第一获取模块110、第二获取模块120、第三获取模块130和第一计算模块140。

第一获取模块110，用于获取待预测广告所包含的维度及每个所述维度所包含的维度实体。

待预测广告可以是未投放的广告，此时，待预测广告所包含的维度及维度实体是计划投放的维度和维度实体。或者，待预测广告还可以是已经投放的广告，此时，待预测广告所包含的维度及维度实体是已投放平台的维度及维度实体。

第二获取模块120，用于获取每个所述维度的权重值。

可选地，所述广告作弊预测装置还包括确定模块，用于在获取每个所述维度的权重值之前，根据待预测广告所包含维度的重要属性信息(重要程度信息)确定各个维度的权重值，而且，待预测广告所包含各个维度的权重值之和等于1。

第三获取模块130，用于获取每个所述维度实体的广告作弊比率。

维度实体对应的广告作弊比率预先根据广告样本集合的监测数据计算得到。

第一计算模块140，用于根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

首先，对于每个维度实体，计算该维度实体的广告作弊比率及权重值的乘积；然后，计算待预测广告的各个维度实体的乘积之和得到作弊概率。

如图6所示，该第一计算模块140包括：第二计算子模块141和第三计算子模块142。

第二计算子模块141，用于计算待预测广告所包含的每个维度实体的广告作弊比率与权重值的乘积。

第三计算子模块142，用于计算待预测广告所包含的各个维度实体对应的乘积之和，得到待预测广告的作弊概率。

例如，待预测广告所包含新浪微博、A代理商和手机这三个维度实体。新浪微博维度实体对应的广告作弊比率是3％，权重值是50％；A代理商维度实体对应的广告作弊比率是1％，权重值是40％；手机维度实体对应的广告作弊比率是0.2％，权重值是10％。则待预测广告对应的作弊概率是3％*50％+1％*40％+0.2％*10％＝1.92％。

本实施例提供的广告作弊预测装置，由第一获取模块获取待预测广告所包含的维度及每个维度所包含的维度实体；第二获取模块获取各个维度的权重值，以及通过第三获取模块获取每个维度实体的广告作弊比率；然后，由第一计算模块根据每个维度实体对应的广告作弊比率和权重值，计算该待预测广告的作弊概率。由此可见，通过上述过程能够预测未投放广告的广告作弊概率，从而为后续投放广告给出数据支持，降低广告投放的损失。

请参见图7，示出了本发明实施例另一种广告作弊预测装置的框图，该装置在图5所示实施例的基础上还包括以下模块：

第四获取模块210，用于在获取每个所述维度实体对应的广告作弊比率之前，获取广告样本集合的监测数据。

可以选取一段时间(例如，2016年1月1日～2016年7月1日)内，对一定数量(例如，100000个广告)的广告进行监测得到的历史监测数据作为分析广告样本的数据源。

第五获取模块220，用于获取广告样本集合中每个广告样本所包含的维度实体。

先确定广告样本所包含的维度，再确定各个维度所包含的维度实体。

第二计算模块230，用于根据广告样本的监测数据计算每个维度实体的广告作弊比率。

针对每个维度实体，获取该维度实体下的全部广告样本的数量，并确定出该维度实体下的全部作弊广告样本的数量；然后，计算该维度实体对应的作弊广告样本数量与全部广告样本数量的比值，得到该维度实体的广告作弊比率。

如图8所示，该第二计算模块230包括：查找子模块231、判断子模块232、统计子模块233和第一计算子模块234。

查找子模块231，用于从广告样本集合中查找任意一个维度实体的全部广告样本。

判断子模块232，用于获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值。

统计子模块233，用于当所述作弊判断参数符合相应的阈值时，确定该广告样本是作弊广告，并统计该维度实体所对应的作弊广告数量。

作弊判断指标对应的阈值可以根据实际情况确定，例如，如果广告点击率超过20％确定为作弊广告。

第一计算子模块234，用于根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

例如，新浪微博下的1000个广告中有30个广告存在作弊行为，则新浪微博维度实体对应的广告作弊比率是30/1000*100％＝3％。

根据广告样本集合的历史监测数据计算出各个维度实体所对应的广告作弊比率后，可以保存在数据库中。后续预测待预测广告的广告作弊概率时，直接从该数据库中读取待预测广告所包含的维度实体对应的广告作弊比率，最后，计算得到待预测广告的广告作弊概率。

本实施例提供的广告作弊预测装置，查找到某一维度实体所包含的全部广告样本，并判断这些广告样本中哪些是作弊广告，然后，计算作弊广告的数量与该维度实体下的全部广告样本的数量之间的比值，得到该维度实体对应的广告作弊比率。后续，预测广告的作弊概率时，直接读取广告所包含的维度实体对应的广告作弊比率即可，从而使整个预测过程简单，且预测速度快。

在本发明另一种可能的实现方式中，所述广告作弊预测装置包括处理器和存储器，上述第一获取模块、第二获取模块、第三获取模块和第一计算模块等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序模块。内核可以设置一个或以上，通过调整内核参数提早预测广告投放的作弊概率，从而降低未来广告投放的损失。

存储器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)，存储器包括至少一个存储芯片。

本实施例提供的广告作弊预测装置，由第一获取模块获取待预测广告所包含的维度及每个维度所包含的维度实体；第二获取模块获取各个维度的权重值，以及通过第三获取模块获取每个维度实体的广告作弊比率；然后，由第一计算模块根据每个维度实体对应的广告作弊比率和权重值，计算该待预测广告的作弊概率。由此可见，通过上述过程能够预测未投放广告的广告作弊概率，从而为后续投放广告给出数据支持，降低广告投放的损失。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：

获取待预测广告所包含的维度及每个所述维度所包含的维度实体；

获取每个所述维度的权重值；

获取每个所述维度实体的广告作弊比率；

根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，计算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。

存储器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)。存储器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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种广告作弊预测方法，其特征在于，包括：

获取待预测广告所包含的维度及每个所述维度所包含的维度实体；

获取每个所述维度的权重值；

获取每个所述维度实体的广告作弊比率；

根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

2.根据权利要求1所述的方法，其特征在于，在获取每个所述维度实体对应的广告作弊比率之前，所述方法还包括：

获取广告样本集合的监测数据；

获取所述广告样本集合中每个广告样本所包含的维度实体；

根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率，包括：

从所述广告样本集合中查找任意一个维度实体的全部广告样本；

获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值；

当所述作弊判断参数符合相应的阈值时，确定所述广告样本是作弊广告，统计所述维度实体所对应的作弊广告数量；

根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

4.根据权利要求1所述的方法，其特征在于，所述根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率，包括：

计算所述待预测广告所包含的每个所述维度实体的广告作弊比率与权重值的乘积；

计算所述待预测广告所包含的各个所述维度实体对应的所述乘积之和，得到所述待预测广告的作弊概率。

5.根据权利要求1所述的方法，其特征在于，在获取每个所述维度的权重值之前，所述方法还包括：

根据所述待预测广告所包含维度的重要属性信息，确定每个所述维度的权重值，且所述待预测广告的各个所述维度对应的权重值之和为1。

6.一种广告作弊预测装置，其特征在于，包括：

第一获取模块，用于获取待预测广告所包含的维度及每个所述维度所包含的维度实体；

第二获取模块，用于获取每个所述维度的权重值；

第三获取模块，用于获取每个所述维度实体的广告作弊比率；

第一计算模块，用于根据每个所述维度实体对应的广告作弊比率及权重值，计算得到所述待预测广告的作弊概率。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第四获取模块，用于在获取每个所述维度实体对应的广告作弊比率之前，获取广告样本集合的监测数据；

第五获取模块，用于获取所述广告样本集合中每个广告样本所包含的维度实体；

第二计算模块，用于根据所述广告样本的监测数据计算每个所述维度实体的广告作弊比率。

8.根据权利要求7所述的装置，其特征在于，所述第二计算模块，包括：

查找子模块，用于从所述广告样本集合中查找任意一个维度实体的全部广告样本；

判断子模块，用于获取所述全部广告样本中每个广告样本的作弊判断参数，并判断所述作弊判断参数是否符合相应的阈值；

统计子模块，用于当所述作弊判断参数符合相应的阈值时，确定所述广告样本是作弊广告，并统计所述维度实体所对应的作弊广告数量；

第一计算子模块，用于根据所述维度实体对应的作弊广告数量及属于所述维度实体的全部广告样本数量，计算所述维度实体对应的广告作弊比率。

9.根据权利要求6所述的装置，其特征在于，所述第一计算模块包括：

第二计算子模块，用于计算所述待预测广告所包含的每个所述维度实体的广告作弊比率与权重值的乘积；

第三计算子模块，用于计算所述待预测广告所包含的各个所述维度实体对应的所述乘积之和，得到所述待预测广告的作弊概率。

10.根据权利要求6所述的装置，其特征在于，所述装置还包括：

确定模块，用于在获取每个所述维度的权重值之前，根据所述待预测广告所包含维度的重要属性信息，确定每个所述维度的权重值，且所述待预测广告的各个所述维度对应的权重值之和为1。