CN108805611A - 广告筛选方法及装置 - Google Patents
广告筛选方法及装置 Download PDFInfo
- Publication number
- CN108805611A CN108805611A CN201810489147.XA CN201810489147A CN108805611A CN 108805611 A CN108805611 A CN 108805611A CN 201810489147 A CN201810489147 A CN 201810489147A CN 108805611 A CN108805611 A CN 108805611A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- user
- vector
- candidate locations
- candidate
- 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
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
本公开是关于广告筛选方法及装置。方法包括：获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示；根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率；根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。本公开能够解决相关技术中存在的计算时间不可控及筛选效果差的问题。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及广告筛选方法及装置。
背景技术
计算广告是一个有着千亿规模的市场，而竞价广告占据了半壁江山。在竞价广告系统中，通常会有成千上万的广告参与一次广告竞价；但是对于一次广告请求，最后只有少数最优的广告会被显示出来，而最优广告的选择过程一般要在几十毫秒的时间内计算完成，可见，在线广告系统对于延时要求非常苛刻，要在极短的时间内完成大量的广告计算和优选是计算广告的核心技术之一。
相关技术中，基于轻量的逻辑回归(LR，Logistic Regression)模型进行广告优选。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种广告筛选方法及装置。所述技术方案如下：
根据本公开实施例的第一方面，提供一种广告筛选方法，方法包括：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
在一个实施例中，所述方法还包括：
获取所述用户的用户数据及所述广告候选集中各所述候选广告的广告特征数据；
根据所述用户的用户数据，确定所述用户的用户向量；
根据各所述候选广告的广告特征数据，分别确定各所述候选广告的广告特征向量。
在一个实施例中，所述方法还包括：
获取用户样本的用户数据、广告样本的广告特征数据及点击率；
根据所述用户样本的用户数据、各所述广告样本的广告特征数据及点击率，训练得到所述神经网络预估模型。
在一个实施例中，所述根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告，包括：
根据所述用户对于各所述候选广告的预估点击率，将所述广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
在一个实施例中，所述根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告，包括：
根据预估点击率由大到小的顺序，将所述广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
根据本公开实施例的第二方面，提供一种广告筛选装置，包括：
第一获取模块，用于获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
第一确定模块，用于根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
筛选模块，用于根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
在一个实施例中，所述装置还包括：
第二获取模块，用于获取所述用户的用户数据及所述广告候选集中各所述候选广告的广告特征数据；
第二确定模块，用于根据所述用户的用户数据，确定所述用户的用户向量；
第三确定模块，用于根据各所述候选广告的广告特征数据，分别确定各所述候选广告的广告特征向量。
在一个实施例中，所述装置还包括：
第三获取模块，用于获取用户样本的用户数据、广告样本的广告特征数据及点击率；
训练模块，用于根据所述用户样本的用户数据、各所述广告样本的广告特征数据及点击率，训练得到所述神经网络预估模型。
在一个实施例中，所述筛选模块根据所述用户对于各所述候选广告的预估点击率，将所述广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
在一个实施例中，所述筛选模块根据预估点击率由大到小的顺序，将所述广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
根据本公开实施例的第三方面，提供一种广告筛选装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面中任意一项所述方法实施例的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：该技术方案通过将用户的用户数据转化成用户向量、及将各候选广告的广告特征数据转化成广告特征向量，当需要从广告候选集中筛选广告时，只需要使用预先训练的神经网络预估模型对用户向量和广告特征向量进行有限的计算，就可以得到各候选广告的预估点击率，进而根据预估点击率从广告候选集中筛选得到目标广告，由于用户向量和广告特征向量的大小是固定的，无论用户数据或者广告特征数据有多复杂，每一次计算时间都是确定的；为了提高模型的性能和筛选效果，可以任意增加用户特征或者广告特征数据，并不增加在线计算的延时，从而解决相关技术中存在的计算时间不可控及筛选效果差的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是相关技术中基于轻量的LR模型进行广告优选的原理示意图。
图2是根据一示例性实施例示出的广告筛选方法的流程图。
图3是根据一示例性实施例示出的广告筛选方法的原理示意图。
图4是根据一示例性实施例示出的神经网络预估模型的数据处理示意图。
图5是根据一示例性实施例示出的广告筛选方法的流程图。
图6是根据一示例性实施例示出的广告筛选装置的框图。
图7是根据一示例性实施例示出的广告筛选装置的框图。
图8是根据一示例性实施例示出的广告筛选装置的框图。
图9是根据一示例性实施例示出的广告筛选装置的框图。
图10是根据一示例性实施例示出的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中，基于轻量的LR模型进行广告优选，图1示出了基于轻量的LR模型进行广告优选，得到优选广告的原理图，参见图1，在竞价广告系统中，通常会有成千上万的广告参与一次广告竞价，LR模型使用简单用户数据和简单广告相关数据进行计算，从广告候选集中成千上万的候选广告中优选出数以百计的优选广告，然后，精准预估模型根据上下文数据、详细的用户数据、优选广告的详细的广告相关数据，从数以百计的优选广告中选择出最优广告。然而，基于轻量的LR模型的技术存在着如下问题：1)在线计算过程时间不可控：逻辑回归模型对于每一个广告的特征数量不确定，造成单次计算时延无法精确控制，整体计算时间不可控；2)轻量模型的筛选效果不理想：为了节省计算时间，大部分轻量模型只使用一些泛化的简单用户数据及简单广告数据，造成筛选效果差。
为了解决上述问题，本公开实施例提供了一种广告筛选方法，方法包括：获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示；根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率；根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。本公开实施例通过将用户的用户数据转化成用户向量、及将各候选广告的广告特征数据转化成广告特征向量，当需要从广告候选集中筛选广告时，只需要使用预先训练的神经网络预估模型对用户向量和广告特征向量进行有限的计算，就可以得到各候选广告的预估点击率，进而根据预估点击率从广告候选集中筛选得到目标广告，由于用户向量和广告特征向量的大小是固定的，无论用户数据或者广告特征数据有多复杂，每一次计算时间都是确定的；为了提高模型的性能和筛选效果，可以任意增加用户特征或者广告特征数据，并不增加在线计算的延时，从而解决相关技术中存在的计算时间不可控及筛选效果差的问题，提高用户体验。
图2是根据一示例性实施例示出的一种广告筛选方法的流程图；该方法的执行主体可以为服务器；如图2所示，该方法包括以下步骤201-203：
在步骤201中，获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示。
示例的，对于每一个用户的用户数据，计算出该用户的用户数据的向量表示，即用户向量，例如，V用户＝<v1,v2,v3>；对于每一个候选广告的广告特征数据，计算出该候选广告的广告特征数据的向量表示，即广告特征向量，例如，V广告＝<v1,v2,v3>。示例的，可以通过预先离线计算的方式，计算得到用户的用户向量及广告候选集中各候选广告的广告特征向量，并存储，例如将用户的用户向量存储在一张表里，将各候选广告的广告特征向量存储在一张表里。当需要从广告候选集中筛选广告时，直接获取存储的用户向量及广告特征向量，减少在线计算的用时。
在步骤202中，根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率。
示例的，神经网络预估模型用于根据用户向量及各候选广告的广告特征向量，从广告候选集中成千上万的候选广告中优选出数以百计的优选广告。通过将该候选广告的广告特征向量及用户的用户向量输入神经网络预估模型，就可以计算出用户点击该候选广告的预估点击率，并据此从广告候选集中优选出优选广告。示例的，神经网络预估模型的学习步骤可以包括：采用深度神经网络(DNN，Deep Neural Networks)的方式建立一个神经网络预估模型，神经网络预估模型根据大量的广告样本学习得到神经网络预估模型的各个节点的权重。例如，获取大量的广告样本；根据用户的用户数据生成的用户向量、及根据各广告样本的广告特征数据生成各广告样本的广告特征向量；根据用户向量、广告样本的广告特征向量及实际点击率，训练得到神经网络预估模型。
图3示出了基于神经网络预估模型进行广告优选，得到优选广告的原理图，参见图3，在竞价广告系统中，通常会有成千上万的广告参与一次广告竞价，神经网络预估模型使用根据用户的用户数据生成的用户向量、及根据各候选广告的广告特征数据生成的广告特征向量进行计算，从广告候选集中成千上万的候选广告中优选出数以百计的优选广告，然后，精准预估模型根据上下文数据、详细的用户数据、优选广告的详细的广告相关数据，从数以百计的优选广告中选择出最优广告。
图4示出了神经网络预估模型的数据处理示意图，参见图4，预先根据用户的用户数据生成用户向量1至3，并存储在一个表里面；及根据各候选广告的广告特征数据生成各候选广告的广告特征向量4至6，并存储在一个表里面；对于在线的广告推荐请求，通过查表得到与广告推荐请求的相关用户的用户向量和各候选广告的广告特征向量，神经网络预估模型的节点7至10使用用户向量1至3、及广告特征向量4至6进行计算，从广告候选集中成千上万的候选广告中优选出数以百计的优选广告。可见，无论用户数据或者广告数据有多复杂，每一次计算时间都是确定的。而且可以任意增加用户特征或者数据，以提高模型的性能，并不增加在线的延时。
在步骤203中，根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。
示例的，根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告的实现方式至少可以包括以下任意一种方式或组合：
方式1、根据用户对于各候选广告的预估点击率，将广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
方式2、根据预估点击率由大到小的顺序，将广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
本公开实施例提供的技术方案，通过将用户的用户数据转化成用户向量、及将各候选广告的广告特征数据转化成广告特征向量，当需要从广告候选集中筛选广告时，只需要使用预先训练的神经网络预估模型对用户向量和广告特征向量进行有限的计算，就可以得到各候选广告的预估点击率，进而根据预估点击率从广告候选集中筛选得到目标广告，由于用户向量和广告特征向量的大小是固定的，无论用户数据或者广告特征数据有多复杂，每一次计算时间都是确定的；为了提高模型的性能和筛选效果，可以任意增加用户特征或者广告特征数据，并不增加在线计算的延时，从而解决相关技术中存在的计算时间不可控及筛选效果差的问题，提高用户体验。
图5是根据一示例性实施例示出的一种广告筛选方法的流程图。如图5所示，在图2所示实施例的基础上，本公开涉及的广告筛选方法可以包括以下步骤501-504：
在步骤501中，获取用户的用户数据及广告候选集中各候选广告的广告特征数据。
在步骤502中，根据用户的用户数据，确定用户的用户向量；及根据各候选广告的广告特征数据，分别确定各候选广告的广告特征向量。
示例的，步骤501及步骤502可以通过预先离线计算的方式进行，计算得到用户的用户向量及广告候选集中各候选广告的广告特征向量，并存储；例如，将用户的用户向量存储在一张表里，将各候选广告的广告特征向量存储在一张表里。当需要从广告候选集中筛选广告时，直接获取存储的用户向量及广告特征向量，减少在线计算的用时。
在步骤503中，根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率。
在步骤504中，根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。
本公开实施例提供的技术方案，通过充分利用神经网络的特点，将大部分计算量在预先离线计算完成，在需要在线推荐广告时，只需要进行简单计算。提高了优选效果，优选时间精确可控，减少了超时需要的大量处理逻辑。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图6是根据一示例性实施例示出的一种广告筛选装置的框图；该装置可以采用各种方式来实施，例如在服务器中实施装置的全部组件，或者，在服务器侧以耦合的方式实施装置中的组件；该装置可以通过软件、硬件或者两者的结合实现上述本公开涉及的方法，如图6所示，该广告筛选装置包括：第一获取模块601、第一确定模块602及筛选模块603，其中：
第一获取模块601被配置为获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示；
第一确定模块602被配置为根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率；
筛选模块603被配置为根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。
本公开实施例提供的装置能够用于执行图2所示实施例的技术方案，其执行方式和有益效果类似，此处不再赘述。
在一种可能的实施方式中，如图7所示，图6示出的广告筛选装置还可以包括：第二获取模块701、第二确定模块702及第三确定模块703，其中：
第二获取模块701被配置为获取用户的用户数据及广告候选集中各候选广告的广告特征数据；
第二确定模块702被配置为根据用户的用户数据，确定用户的用户向量；
第三确定模块703被配置为根据各候选广告的广告特征数据，分别确定各候选广告的广告特征向量。
在一种可能的实施方式中，如图8所示，图6示出的广告筛选装置还可以包括：
第三获取模块801被配置为获取用户样本的用户数据、广告样本的广告特征数据及点击率；
训练模块802被配置为根据用户样本的用户数据、各广告样本的广告特征数据及点击率，训练得到神经网络预估模型。
在一种可能的实施方式中，筛选模块603根据用户对于各候选广告的预估点击率，将广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
在一种可能的实施方式中，筛选模块603根据预估点击率由大到小的顺序，将广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
图9是根据一示例性实施例示出的一种广告筛选装置900的框图，广告筛选装置900适用于服务器，广告筛选装置900包括：
处理器901；
用于存储处理器可执行指令的存储器902；
其中，处理器901被配置为：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示；
根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率；
根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。
在一个实施例中，上述处理器901还可被配置为：
获取用户的用户数据及广告候选集中各候选广告的广告特征数据；
根据用户的用户数据，确定用户的用户向量；
根据各候选广告的广告特征数据，分别确定各候选广告的广告特征向量。
在一个实施例中，上述处理器901还可被配置为：
获取用户样本的用户数据、广告样本的广告特征数据及点击率；
根据用户样本的用户数据、各广告样本的广告特征数据及点击率，训练得到神经网络预估模型。
在一个实施例中，上述处理器901还可被配置为：
根据用户对于各候选广告的预估点击率，将广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
在一个实施例中，上述处理器901还可被配置为：
根据预估点击率由大到小的顺序，将广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种装置的框图。例如，装置1000可以被提供为一服务器。装置1000包括处理组件1002，其进一步包括一个或多个处理器，以及由存储器1003所代表的存储器资源，用于存储可由处理组件1002的执行的指令，例如应用程序。存储器1003中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1002被配置为执行指令，以执行上述方法。
装置1000还可以包括一个电源组件1006被配置为执行装置1000的电源管理，一个有线或无线网络接口1005被配置为将装置1000连接到网络，和一个输入输出(I/O)接口1008。装置1000可以操作基于存储在存储器1003的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由装置1000的处理器执行时，使得装置1000能够执行如下方法：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；用户向量是用户的用户数据的向量表示；各候选广告的广告特征向量是分别是各候选广告的广告特征数据的向量表示；
根据神经网络预估模型、用户向量及各候选广告的广告特征向量，分别确定用户对于各候选广告的预估点击率；
根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告。
在一个实施例中，方法还包括：
获取用户的用户数据及广告候选集中各候选广告的广告特征数据；
根据用户的用户数据，确定用户的用户向量；
根据各候选广告的广告特征数据，分别确定各候选广告的广告特征向量。
在一个实施例中，方法还包括：
获取用户样本的用户数据、广告样本的广告特征数据及点击率；
根据用户样本的用户数据、各广告样本的广告特征数据及点击率，训练得到神经网络预估模型。
在一个实施例中，根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告，包括：
根据用户对于各候选广告的预估点击率，将广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
在一个实施例中，根据用户对于各候选广告的预估点击率，从广告候选集中筛选得到目标广告，包括：
根据预估点击率由大到小的顺序，将广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种广告筛选方法，其特征在于，包括：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述用户的用户数据及所述广告候选集中各所述候选广告的广告特征数据；
根据所述用户的用户数据，确定所述用户的用户向量；
根据各所述候选广告的广告特征数据，分别确定各所述候选广告的广告特征向量。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户样本的用户数据、广告样本的广告特征数据及点击率；
根据所述用户样本的用户数据、各所述广告样本的广告特征数据及点击率，训练得到所述神经网络预估模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告，包括：
根据所述用户对于各所述候选广告的预估点击率，将所述广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
5.根据权利要求1所述的方法，其特征在于，所述根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告，包括：
根据预估点击率由大到小的顺序，将所述广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
6.一种广告筛选装置，其特征在于，包括：
第一获取模块，用于获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
第一确定模块，用于根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
筛选模块，用于根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
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：
第二获取模块，用于获取所述用户的用户数据及所述广告候选集中各所述候选广告的广告特征数据；
第二确定模块，用于根据所述用户的用户数据，确定所述用户的用户向量；
第三确定模块，用于根据各所述候选广告的广告特征数据，分别确定各所述候选广告的广告特征向量。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取用户样本的用户数据、广告样本的广告特征数据及点击率；
训练模块，用于根据所述用户样本的用户数据、各所述广告样本的广告特征数据及点击率，训练得到所述神经网络预估模型。
9.根据权利要求6所述的装置，其特征在于，所述筛选模块根据所述用户对于各所述候选广告的预估点击率，将所述广告候选集中预估点击率大于第一阈值的候选广告确定为目标广告。
10.根据权利要求6所述的装置，其特征在于，所述筛选模块根据预估点击率由大到小的顺序，将所述广告候选集中预估点击率的排名大于第二阈值的候选广告确定为目标广告。
11.一种广告筛选装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取用户的用户向量及广告候选集中各候选广告的广告特征向量；所述用户向量是所述用户的用户数据的向量表示；各所述候选广告的广告特征向量是分别是各所述候选广告的广告特征数据的向量表示；
根据神经网络预估模型、所述用户向量及各所述候选广告的广告特征向量，分别确定所述用户对于各所述候选广告的预估点击率；
根据所述用户对于各所述候选广告的预估点击率，从所述广告候选集中筛选得到目标广告。
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810489147.XA CN108805611A (zh) | 2018-05-21 | 2018-05-21 | 广告筛选方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810489147.XA CN108805611A (zh) | 2018-05-21 | 2018-05-21 | 广告筛选方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108805611A true CN108805611A (zh) | 2018-11-13 |
Family
ID=64091202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810489147.XA Pending CN108805611A (zh) | 2018-05-21 | 2018-05-21 | 广告筛选方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805611A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 |
| CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
| CN111563202A (zh) * | 2020-04-30 | 2020-08-21 | 百度在线网络技术（北京）有限公司 | 资源数据处理方法、装置、电子设备和介质 |
| CN111985971A (zh) * | 2020-08-25 | 2020-11-24 | 北京达佳互联信息技术有限公司 | 广告筛选方法、装置、设备及存储介质 |
| CN112633952A (zh) * | 2021-03-08 | 2021-04-09 | 腾讯科技（深圳）有限公司 | 广告推送方法和装置、存储介质及电子设备 |
| CN112819492A (zh) * | 2019-11-15 | 2021-05-18 | 北京达佳互联信息技术有限公司 | 一种广告推荐方法、装置及电子设备 |
| CN116167804A (zh) * | 2023-04-19 | 2023-05-26 | 江西时刻互动科技股份有限公司 | 广告投放方法、装置、计算机可读存储介质及电子设备 |
| CN116485477A (zh) * | 2023-06-19 | 2023-07-25 | 北京大学 | 一种广告估值的处理方法、装置和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463615A (zh) * | 2013-09-20 | 2015-03-25 | 祁勇 | 一种互联网广告的个性化精准投放方法 |
| CN104992347A (zh) * | 2015-06-17 | 2015-10-21 | 北京奇艺世纪科技有限公司 | 一种视频匹配广告的方法及装置 |
| CN105809462A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种广告点击率的估算方法和装置 |
| 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 |
| CN107767174A (zh) * | 2017-10-19 | 2018-03-06 | 厦门美柚信息科技有限公司 | 一种广告点击率的预测方法及装置 |
-
2018
- 2018-05-21 CN CN201810489147.XA patent/CN108805611A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463615A (zh) * | 2013-09-20 | 2015-03-25 | 祁勇 | 一种互联网广告的个性化精准投放方法 |
| CN105809462A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种广告点击率的估算方法和装置 |
| CN104992347A (zh) * | 2015-06-17 | 2015-10-21 | 北京奇艺世纪科技有限公司 | 一种视频匹配广告的方法及装置 |
| 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 |
| CN107767174A (zh) * | 2017-10-19 | 2018-03-06 | 厦门美柚信息科技有限公司 | 一种广告点击率的预测方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 |
| CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
| CN112819492A (zh) * | 2019-11-15 | 2021-05-18 | 北京达佳互联信息技术有限公司 | 一种广告推荐方法、装置及电子设备 |
| CN111563202A (zh) * | 2020-04-30 | 2020-08-21 | 百度在线网络技术（北京）有限公司 | 资源数据处理方法、装置、电子设备和介质 |
| CN111563202B (zh) * | 2020-04-30 | 2023-12-08 | 百度在线网络技术（北京）有限公司 | 资源数据处理方法、装置、电子设备和介质 |
| CN111985971A (zh) * | 2020-08-25 | 2020-11-24 | 北京达佳互联信息技术有限公司 | 广告筛选方法、装置、设备及存储介质 |
| CN112633952A (zh) * | 2021-03-08 | 2021-04-09 | 腾讯科技（深圳）有限公司 | 广告推送方法和装置、存储介质及电子设备 |
| CN112633952B (zh) * | 2021-03-08 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 广告推送方法和装置、存储介质及电子设备 |
| CN116167804A (zh) * | 2023-04-19 | 2023-05-26 | 江西时刻互动科技股份有限公司 | 广告投放方法、装置、计算机可读存储介质及电子设备 |
| CN116167804B (zh) * | 2023-04-19 | 2023-07-21 | 江西时刻互动科技股份有限公司 | 广告投放方法、装置、计算机可读存储介质及电子设备 |
| CN116485477A (zh) * | 2023-06-19 | 2023-07-25 | 北京大学 | 一种广告估值的处理方法、装置和电子设备 |
| CN116485477B (zh) * | 2023-06-19 | 2023-11-10 | 北京大学 | 一种广告估值的处理方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805611A (zh) | 广告筛选方法及装置 | |
| US20210406327A1 (en) | Resource recommendation method and apparatus, parameter determination method and apparatus, device, and medium | |
| WO2021219054A1 (zh) | 横向联邦学习系统优化方法、装置、设备及可读存储介质 | |
| CN111259222B (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
| US20200090073A1 (en) | Method and apparatus for generating machine learning model | |
| KR20200069352A (ko) | 융합 데이터 처리 방법 및 정보 추천 시스템 | |
| CN106445147B (zh) | 基于人工智能的对话系统的行为管理方法及装置 | |
| US11514368B2 (en) | Methods, apparatuses, and computing devices for trainings of learning models | |
| US11436434B2 (en) | Machine learning techniques to identify predictive features and predictive values for each feature | |
| CN109597965B (zh) | 基于深度神经网络的数据处理方法、系统、终端及介质 | |
| CN110263979B (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
| WO2019084560A1 (en) | SEARCH FOR NEURONAL ARCHITECTURES | |
| CN112990478B (zh) | 联邦学习数据处理系统 | |
| CN112084035B (zh) | 一种基于蚁群算法的任务调度方法及系统 | |
| US10474926B1 (en) | Generating artificial intelligence image processing services | |
| CN110428046A (zh) | 神经网络结构的获取方法及装置、存储介质 | |
| CN111428883A (zh) | 基于向后法的联邦建模方法、设备和可读存储介质 | |
| CN104794644B (zh) | 一种面向智能服务引擎的任务众包方法 | |
| CN111428884A (zh) | 基于向前法的联邦建模方法、设备和可读存储介质 | |
| CN111222553A (zh) | 机器学习模型的训练数据处理方法、装置和计算机设备 | |
| CN109389424A (zh) | 流量分配方法、装置、电子设备及存储介质 | |
| CN114116995B (zh) | 基于增强图神经网络的会话推荐方法、系统及介质 | |
| CN106648895A (zh) | 一种处理数据的方法、装置及终端 | |
| CN116149855A (zh) | 一种微服务架构下中性能资源成本优化方法及系统 | |
| Chou et al. | Pseudo-reward algorithms for contextual bandits with linear payoff functions |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |