CN108875916A - 一种基于gru神经网络的广告点击率预测方法 - Google Patents
一种基于gru神经网络的广告点击率预测方法 Download PDFInfo
- Publication number
- CN108875916A CN108875916A CN201810675109.3A CN201810675109A CN108875916A CN 108875916 A CN108875916 A CN 108875916A CN 201810675109 A CN201810675109 A CN 201810675109A CN 108875916 A CN108875916 A CN 108875916A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- prediction
- neural network
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于GRU神经网络的广告点击率预测方法。在数据预处理时，构建了基于广告的时间序列数据，相比于用户序列数据，增强了序列数据之间的完整性和稳定性；然后通过one‑hot编码对文本特征进行数字化编码且只取映射值中bit值为1的下标作为字符的映射值，这样极大减少了特征的维度，提高了模型的训练速度。本发明采用了回归算法与深度学习算法相结合来形成最终的预测方法。首先用岭回归算法进行特征选择，减少了无效特征对模型训练的干扰，然后用基于LSTM神经网络改进的GRU神经网络来进行模型的训练与预测，GRU的预测模型相比于RNN的预测模型能提高预测的准确率，相比于LSTM的预测模型，它能在提升预测的准确率的同时，能更快速地进行模型的训练。
Description
技术领域
本发明涉及搜索引擎网络广告技术领域，尤其涉及一种基于深度学习中的GRU神经网络的广告点击率预测方法
背景技术
互联网的快速普及与发展，使得搜索引擎的作用日益增大。根据第41次《中国互联网发展状况统计报告》可知中国的搜索引擎用户数量达到6.4亿人。基于搜索引擎的广告推广成为当前非常热门的一种广告推广方式。
对于网络广告点击率的预测，由最早期用历史点击率的值作为预测值发展到基于传统的机器学习算法(如逻辑回归、决策树和贝叶斯算法等)的预测点击率预方法，再到当前的基于神经网络和深度学习算法的预测。在学习非线性特征之间的联系和训练海量数据方面，神经网络相比与传统的机器学习方法效果更好、速度更快。但是目前为止，大部分基于神经网络的点击率预测方法都是着重于特征的处理和选择，期望得到更好的特征，以此来进一步提高模型预测的准确率。如中国专利说明书CN105654200A《一种基于深度学习的广告点击率预测方法及装置》和CN106529721A《一种深度特征提取的广告点击率预测系统及其预测方法》等都是构建合适的特征，来训练出更好的预测模型。上述的方法都局限于特征之间的关系，却忽视了数据之间的依赖性的关系。这使得广告点击率预测的准确率有所偏差。zhang 等人提出了基于递归神经网络(RNN)的点击率预测方法。在该方法中，张等人将每个用户的浏览行为记录作为一个序列，用RNN模型来模拟数据之间的依赖关系。但由于每个用户行为的不稳定性，难以构建完整且稳定的用户序列数据，这极大的降低了预点击率预测的准确性；除此之外，RNN模型在训练时会出现梯度爆发或消失的问题，这也使得模型的预测变得不稳定。
发明内容
为了解决上述不足，笔者从广告的角度出发，对搜索引擎数据分析，结果与zhang等人的分析结果类似，同一广告的初始点击率对后续点击率存在一定的而影响，当该广告被点击的后续一段时间内，被点击的概率更高。所以本发明提出构建基于时间的广告序列数据来代替zhang等人提出的用户序列数据，这样既体现了数据之间的顺序依赖性和前后点击的正相关性，又保证了序列数据的完整性。然后根据岭回归算法进行特征选择，最后用基于GRU的预测模型代替RNN的预测模型拟合序列数据之间的依赖，从而进行更准确、更高效的点击率预测。
本发明所采用的技术方案如下：
一种基于GRU神经网络的广告点击率预测方法：
步骤1、获取原始数据。得到的数据为用户点击每条广告的数据信息和广告的信息数据；
步骤2、对数据进行预处理。对数据进行分析，去除用户无效点击的数据，然后拼接两类数据信息，以天为时间单位，统计每条广告的数据和点击率。最后根据多重插补方法把数据的缺失值补全。
作为优选，步骤2具体包括以下步骤：
步骤2.1、设置广告页面无效点击的时间界限，当用户停留在广告页面的时间超过20秒时，则将该点击的数据标为有效点击，否则标为无效点击；
步骤2.2、多重插补方法针对数据缺失率超过20％的数据难以进行很精确的补充，所以去除缺失超过20％的数据，然后剩余缺失的数据用多重插补法进行补充。
步骤3、广告序列数据的构建。在补全数据后，以天为时间单位，将每条广告进行先后排序，构成基于时间的广告序列数据，且将数据分为两类，一类为特征数据，另一类为点击率的真实值。
作为优选，步骤3具体包括以下步骤：
步骤3.1、基于时间的广告序列数据的时间长度不宜过长，否则就会影响预测的准确率。本发明选择每次处理的数据的时间长度为两周。
步骤4、对广告序序列数据进行特征选择。广告序列数据是为了让模型模拟数据之间的依赖特性，为了更高效地进行模型训练和预测，本发明还进行了特征的选择，去掉无效的特征。本发明先对文本特征进行one-hot编码，且为了减少训练时间和避免无法收敛的问题，对数据特征进行归一化处理，然后采用Embedded方法对归一化后的数据特征进行进一步特的征选择。
作为优选，步骤4具体包括以下步骤：
步骤4.1、为了解决经过one-hot编码带来的特征维度过多的问题，本发明把经过one-hot编码的字符的映射值中bit值为1的下标作为字符的映射值，每一个字符对应一个数字特征；
步骤4.2、采用Embedded方法中的岭回归算法对经过归一化的特征进行特征选择。当特征的系数趋近于0或等于0，去掉这些特征，剩下的特征即为所需的特征。
步骤5、基于GRU神经网络的模型的构建，本发明采用keras框架进行基于GRU神经网络的模型构建。
作为优选，步骤5具体包括以下步骤：
步骤5.1、模型构建四层，前三层为GRU层，最后一层为Dense 层，且最后一层的激活函数选为sigmoid函数；
步骤5.2、损失函数采用logloss函数，优化函数则采用的是SGD，且SGD的学习率设置为0.1，将AUC和logloss函数的值作为评价指标。
步骤6、模型的训练与测试。将序列数据按照时间顺序分为前后两个同等时间长度的数据块，第一部分广告序列数据作为训练数据特征，对应的点击率作为训练数据的真实结果，第二部分作为测试数据特征，对应的点击率作为测试数据的真实结果。模型的训练是将处理好的数据导入模型进行前向传播和后向传播算法的多次轮询训练。在模型收敛的同时，使得损失函数的值尽可能的趋于0且AUC值尽可能的趋于1。在训练完成后，用测试数据进行点击率的预测，AUC的值越趋近于1且logloss的值越趋近于0则表明预测的效果会越好。
作为优选，步骤6具体包括以下步骤：
步骤6.1、正如步骤3.1所述，选取两周数据较为合适，第一周的序列数据作为训练数据，第二周的广告序列数据作为测试数据。
步骤6.2、模型训练中轮询的次数设置为50次，模型通过前向传播算法和后向传播算法对一周数据进行50次的轮询训练，实现权重参数的的多次更新，使模型趋于稳定且达到最优值；
步骤6.3、模型采用第二周数据进行测试，测试结果为每条广告一周的预测值，本发明将最后一天的预测值作为最终的预测结果，AUC 值越趋近1且logloss越趋近于0表示预测效果越好。
与现有技术相比，本发明具有以下明显优势：
本发明方法在数据预处理时，构建了基于广告的时间序列数据，相比于用户序列数据，增强了序列数据之间的完整性和稳定性；然后通过one-hot编码对文本特征进行数字化编码且只取映射值中bit值为1的下标作为字符的映射值，这样极大减少了特征的维度，提高了模型的训练速度。本发明采用了回归算法与深度学习算法相结合来形成最终的预测方法。首先用岭回归算法进行特征选择，减少了无效特征对模型训练的干扰，然后用基于LSTM神经网络的改进GRU神经网络来进行模型的训练与预测，GRU的预测模型相比于RNN的预测模型能提高预测的准确率，相比于LSTM的预测模型，它能在提升预测的准确率的同时，能更快速地进行模型的训练。
附图说明
图1为本发明实例所涉及的流程图
图2为GRU神经网络的单元结构图
图3为本发明实例损失值的变化图
图4为本分明实例与其它预测方法AUC值的比较图
具体实施方式：
以下结合实例，并参照附图，对本发明进一步详细说明。
如图1所示，本文提供了一种基于GRU神经网络的点击率预测模型的方法。具体包括以下步骤：
步骤1，获取数据。通过某个搜索引擎获取连续两周的广告数据集，包括广告的信息数据和用户点击数据。
步骤2，对数据进行预处理。对数据进行分析，去除用户无效点击的数据，然后拼接广告和用户点击的数据信息，以天为时间单位，统计每条广告的数据和点击率。最后根据多重插补法对有效点击的数据进行数据补全。
步骤2.1，无效的点击数据会对点击率的预测造成极大的干扰。且对于有效的点击当前没有一个明确的规定。本发明评判的标准则为：当用户在点击的广告页面停留20秒以上，则认为是有效点击，当低于20秒时，则认为是无效点击。本发明则根据以上标准对无效的用户点击数据进行去除操作；
步骤2.2，拼接数据和统计每条广告的数据。将两类数据根据广告id进行拼接，在拼接的过程中去掉不能合并或者统计的字段，如用户id，用户名等，将拼接完成的数据以天为时间单位，统计每条广告每天的数据和点击率；
步骤2.3，用多重插补的方法对统计后的数据进行数据补全。多重插补的方法只补充缺失率不超过20％的缺失值，超过20％的数据则直接去除。
步骤3，构建基于时间的广告序列数据。以天为时间单位，按照时间的前后顺序，把两周的同一条广告的数据排好顺序，且将数据分为两类，一类为特征数据，另一类为点击率的真实值。
步骤4，对特征数据进行特征选择。将数据中的文本信息进行 one-hot编码和归一化，然后使用Embedded方法中的岭回归算法对数据进行特征选择，选出影响因素大的特征。
步骤4.1，使用one-hot编码对广告序列数据中的文本特征进行数字化编码，为了解决经过one-hot编码带来的特征维度过多的问题，本发明把经过one-hot编码的字符的映射值中bit值为1的下标作为字符的映射值，每一个字符对应一个数字特征。经过one-hot编码之后的数据全都是数字特征，为了减少训练时间和加速收敛，将该数据全部归一化处理；
步骤4.2，本发明使用基于正则化的岭回归算法对广告序列数据进行特征选择，其损失函数公式如下：
E＝(Y-Xw)T(Y-Xw)+λwTw
损失函数中，E代表的是带有正则项的方差值，Y代表预测值的真实矩阵，X代表输入的矩阵值，w代表特征权重系数矩阵，T则代表矩阵转置，λ是正则项的系数。上式对w求偏导数，且令求导后的公式等于0，可求出特征权重值。
w＝(XTX+λI)-1·XTY
I代表的是单位矩阵。在经过岭回归算法处理后，会得到各个特征的系数值。当某个特征的系数值趋近于0或为0时，表明该特征影响极小或者没有影响，可以直接去掉该特征。
步骤5，构建基于GRU神经网络的预测模型。GRU神经网络的单元结构图如图2所示，它拥有更新门和重置门。更新门就是图2中的zt部分，其作用是控制前一时刻cell状态信息的保留的数量。重置门是图2中rt部分，主要作用控制忽略前一时刻的cell状态信息的程度。本发明构建的模型采用keras框架。模型包含四层，前三层都是GRU 单元构成，最后一层为Dense层，Dense层的激活函数为sigmoid；模型的损失函数为logloss；优化函数采用SGD函数，且SGD的学习率设置为0.1；模型的评价指标则由AUC和logloss共同决定。
步骤6，对模型进行训练与测试。
步骤6.1将两周的数据分为训练集和测试集，训练集为第一周的数据，测试集为第二周的数据。
步骤6.2，模型通过第一周的数据进行训练。模型训练轮询次数设置为50次。训练过程分为前向传播和后向传播：
在前向传播中，每个单元通过对特征数据进行如图2的结构处理后，得到cell状态值，其和下一时刻的特征值一起作为下一时刻GRU 单元的输入值，在下一时刻进行同样的操作；同时此cell状态值通过激活函数得出此时刻的输出值，并且输出值作为下一层的输入值，直到得出最后一层的输出值。
在后向传播中，关键的是就是通过损失函数计算损失值，本发明采用logloss作为损失函数，其公式为：
上述公式中，m代表的是样本数目，θ是模型的参数，i则代表第几条样本,hθ(x(i))则表示的是通过参数θ和第i条数据的特征值预测第i条广告数据的点击率。首先通过上述损失函数得出本次轮询的损失值，然后通过SGD算法迭代更新所有的参数。通过一次前向传播和后向传播就完成了一次轮询，接下来就是通过50次轮询训练使得模型趋于收敛。
步骤6.3，把第二周的数据用于已经过训练的模型测试，测试的结果为7个输出值，对应于一周的结果，本发明只采取最后一个结果作为最后一天的预测值。logloss的损失值越趋近0和AUC的值越趋近于1表明预测的准确率越高。
图3和图4分别为本发明实例的logloss值变化图和GRU预测模型与其它预测模型的AUC值。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (5)
1.一种基于GRU神经网络的广告点击率预测方法，其特征在于，
步骤1、获取原始数据
得到的数据为用户点击每条广告的数据信息和广告的信息数据；
步骤2、对数据进行预处理
对数据进行分析，去除用户无效点击的数据，然后拼接两类数据信息，以天为时间单位，统计每条广告的数据和点击率；最后根据多重插补方法把数据的缺失值补全；
步骤3、广告序列数据的构建
在补全数据后，以天为时间单位，将每条广告进行先后排序，构成基于时间的广告序列数据，且将数据分为两类，一类为特征数据，另一类为点击率的真实值；
步骤4、对广告序序列数据进行特征选择
先对文本特征进行one-hot编码，且对数据特征进行归一化处理，然后采用Embedded方法对归一化后的数据特征进行进一步特的征选择；
步骤5、基于GRU神经网络的模型的构建
采用keras框架进行基于GRU神经网络的模型构建；
步骤6、模型的训练与测试
将序列数据按照时间顺序分为前后两个同等时间长度的数据块，第一部分广告序列数据作为训练数据特征，对应的点击率作为训练数据的真实结果，第二部分作为测试数据特征，对应的点击率作为测试数据的真实结果；模型的训练是将处理好的数据导入模型并进行前向传播和后向传播算法的多次轮询训练；在模型收敛的同时，使得损失函数的值尽可能的趋于0且AUC值尽可能的趋于1。在训练完成后，用测试数据进行点击率的预测。
2.如权利要求1所述的基于GRU神经网络的广告点击率预测方法，其特征在于，步骤2具体包括以下步骤：
步骤2.1、设置广告页面无效点击的时间界限，当用户停留在广告页面的时间超过20秒时，则将该点击的数据标为有效点击，否则标为无效点击；
步骤2.2、多重插补的方法只补充缺失率不超过20％的缺失值，超过20％的数据则直接去除。
3.如权利要求1所述的基于GRU神经网络的广告点击率预测方法，其特征在于，步骤4具体包括以下步骤：
步骤4.1、把经过one-hot编码的字符的映射值中bit值为1的下标作为字符的映射值，每一个字符对应一个数字特征；
步骤4.2、采用Embedded方法中的岭回归算法对经过归一化的特征进行特征选择。当特征的系数趋近于0或等于0，去掉这些特征，剩下的特征即为所需的特征。
4.如权利要求1所述的基于GRU神经网络的广告点击率预测方法，其特征在于，步骤5具体包括以下步骤：
步骤5.1、模型构建四层，前三层为GRU层，最后一层为Dense层，且最后一层的激活函数选为sigmoid函数；
步骤5.2、损失函数采用logloss函数，优化函数则采用的是SGD，且SGD的学习率设置为0.1，将AUC和logloss函数的值作为评价指标。
5.如权利要求1所述的基于GRU神经网络的广告点击率预测方法，其特征在于，步骤6具体包括以下步骤：
步骤6.1、选取两周数据，第一周的序列数据作为训练数据，第二周的广告序列数据作为测试数据。
步骤6.2、模型训练中轮询的次数设置为50次：模型通过前向传播算法和后向传播算法对一周数据进行50次的轮询训练，实现权重参数的的多次更新，使模型趋于稳定且达到最优值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810675109.3A CN108875916B (zh) | 2018-06-27 | 2018-06-27 | 一种基于gru神经网络的广告点击率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810675109.3A CN108875916B (zh) | 2018-06-27 | 2018-06-27 | 一种基于gru神经网络的广告点击率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875916A true CN108875916A (zh) | 2018-11-23 |
| CN108875916B CN108875916B (zh) | 2021-07-16 |
Family
ID=64295121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810675109.3A Active CN108875916B (zh) | 2018-06-27 | 2018-06-27 | 一种基于gru神经网络的广告点击率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875916B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技（北京）有限公司 | 点击率预估方法、系统、介质和计算设备 |
| CN110223553A (zh) * | 2019-05-20 | 2019-09-10 | 北京师范大学 | 一种答题信息的预测方法及系统 |
| CN110263920A (zh) * | 2019-06-21 | 2019-09-20 | 北京石油化工学院 | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 |
| CN110555719A (zh) * | 2019-07-31 | 2019-12-10 | 华南理工大学 | 一种基于深度学习的商品点击率预测方法 |
| CN110681074A (zh) * | 2019-10-29 | 2020-01-14 | 苏州大学 | 基于双向gru网络的肿瘤呼吸运动预测方法 |
| CN110796499A (zh) * | 2019-11-06 | 2020-02-14 | 中山大学 | 一种广告转化率预估模型及其训练方法 |
| CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
| CN110992079A (zh) * | 2019-11-08 | 2020-04-10 | 华南理工大学 | 一种基于时间序列填补的商品点击率预测方法 |
| CN111062738A (zh) * | 2019-11-11 | 2020-04-24 | 广州荔支网络技术有限公司 | 一种基于大数据及人工智能的音频平台推广广告题材生成方法 |
| WO2020114302A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳先进技术研究院 | 一种行为预测方法 |
| CN111325579A (zh) * | 2020-02-25 | 2020-06-23 | 华南师范大学 | 一种广告点击率预测方法 |
| CN111340537A (zh) * | 2020-02-20 | 2020-06-26 | 大连理工大学 | 一种广告点击率预估模型的建立方法 |
| CN111651935A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种非平稳时间序列数据的多维度扩充预测方法与装置 |
| CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测系统及方法 |
| CN112000084A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 |
| 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 |
| CN114169500A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060106797A1 (en) * | 2004-11-17 | 2006-05-18 | Narayan Srinivasa | System and method for temporal data mining |
| CN104536983A (zh) * | 2014-12-08 | 2015-04-22 | 北京掌阔技术有限公司 | 一种预测广告点击率的方法和装置 |
| CN105654200A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于深度学习的广告点击率预测方法及装置 |
| CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测系统及其预测方法 |
-
2018
- 2018-06-27 CN CN201810675109.3A patent/CN108875916B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060106797A1 (en) * | 2004-11-17 | 2006-05-18 | Narayan Srinivasa | System and method for temporal data mining |
| CN104536983A (zh) * | 2014-12-08 | 2015-04-22 | 北京掌阔技术有限公司 | 一种预测广告点击率的方法和装置 |
| CN105654200A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于深度学习的广告点击率预测方法及装置 |
| CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测系统及其预测方法 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020114302A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳先进技术研究院 | 一种行为预测方法 |
| CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技（北京）有限公司 | 点击率预估方法、系统、介质和计算设备 |
| CN110223553A (zh) * | 2019-05-20 | 2019-09-10 | 北京师范大学 | 一种答题信息的预测方法及系统 |
| CN110223553B (zh) * | 2019-05-20 | 2021-08-10 | 北京师范大学 | 一种答题信息的预测方法及系统 |
| CN110263920A (zh) * | 2019-06-21 | 2019-09-20 | 北京石油化工学院 | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 |
| CN110263920B (zh) * | 2019-06-21 | 2021-08-10 | 北京石油化工学院 | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 |
| CN110555719A (zh) * | 2019-07-31 | 2019-12-10 | 华南理工大学 | 一种基于深度学习的商品点击率预测方法 |
| CN110555719B (zh) * | 2019-07-31 | 2023-09-29 | 华南理工大学 | 一种基于深度学习的商品点击率预测方法 |
| CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
| CN110681074B (zh) * | 2019-10-29 | 2021-06-15 | 苏州大学 | 基于双向gru网络的肿瘤呼吸运动预测方法 |
| CN110681074A (zh) * | 2019-10-29 | 2020-01-14 | 苏州大学 | 基于双向gru网络的肿瘤呼吸运动预测方法 |
| CN110796499B (zh) * | 2019-11-06 | 2023-05-30 | 中山大学 | 一种广告转化率预估模型及其训练方法 |
| CN110796499A (zh) * | 2019-11-06 | 2020-02-14 | 中山大学 | 一种广告转化率预估模型及其训练方法 |
| CN110992079A (zh) * | 2019-11-08 | 2020-04-10 | 华南理工大学 | 一种基于时间序列填补的商品点击率预测方法 |
| CN111062738A (zh) * | 2019-11-11 | 2020-04-24 | 广州荔支网络技术有限公司 | 一种基于大数据及人工智能的音频平台推广广告题材生成方法 |
| CN111340537B (zh) * | 2020-02-20 | 2022-10-04 | 大连理工大学 | 一种广告点击率预估模型的建立方法 |
| CN111340537A (zh) * | 2020-02-20 | 2020-06-26 | 大连理工大学 | 一种广告点击率预估模型的建立方法 |
| CN111325579A (zh) * | 2020-02-25 | 2020-06-23 | 华南师范大学 | 一种广告点击率预测方法 |
| CN111651935A (zh) * | 2020-05-25 | 2020-09-11 | 成都千嘉科技有限公司 | 一种非平稳时间序列数据的多维度扩充预测方法与装置 |
| CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测系统及方法 |
| CN112000084A (zh) * | 2020-09-07 | 2020-11-27 | 华北电力大学 | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 |
| 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 |
| 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 |
| CN114169500A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
| CN114169500B (zh) * | 2021-11-30 | 2023-04-18 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875916B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875916A (zh) | 一种基于gru神经网络的广告点击率预测方法 | |
| Zhou et al. | Deep interest evolution network for click-through rate prediction | |
| Chen et al. | Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach | |
| CN104133837B (zh) | 一种基于分布式计算的互联网信息投放渠道优化系统 | |
| CN105335391B (zh) | 基于搜索引擎的搜索请求的处理方法和装置 | |
| US8484077B2 (en) | Using linear and log-linear model combinations for estimating probabilities of events | |
| CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
| US20210271970A1 (en) | Neural network optimizer search | |
| CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
| CN103955842B (zh) | 一种面向大规模媒体数据的在线广告推荐系统及方法 | |
| CN103116582B (zh) | 一种信息检索方法及相关系统和装置 | |
| CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
| CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
| CN105631711A (zh) | 一种广告投放方法及装置 | |
| CN110032623B (zh) | 用户问句与知识点标题的匹配方法和装置 | |
| CN109087178A (zh) | 商品推荐方法和装置 | |
| CN110458181A (zh) | 一种基于宽度随机森林的句法依存模型、训练方法和分析方法 | |
| CN103593353A (zh) | 信息搜索方法、展示信息排序权重值确定方法及其装置 | |
| CN109784959A (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
| CN106997488A (zh) | 一种结合马尔科夫决策过程的动作知识提取方法 | |
| Niu et al. | Multi-objective evolutionary algorithm based on RBF network for solving the stochastic vehicle routing problem | |
| CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
| CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
| CN106503858A (zh) | 一种训练用于预测社交网络用户转发消息的模型的方法 | |
| CN114881712A (zh) | 智能广告投放方法、装置、设备及存储介质 |
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 |