CN109460513B - 用于生成点击率预测模型的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成点击率预测模型的方法和装置。该方法的一具体实施方式包括：响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；利用机器学习方法，将第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入各种信息对应的标注信息作为期望输出，训练得到点击率预测模型。该实施方式可以对模型进行实时地训练，有助于实时地更新模型，提高利用模型预测点击率的准确性。

Description

用于生成点击率预测模型的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成点击率预测模型的方法和装置。

背景技术

点击率又称点击通过率(CTR，Click Through Rate)，即某展示信息的实际点击次数除以展示信息的展示量(例如推送展示信息的次数或接收展示信息的终端的数量)的结果。根据点击率，可以反映信息展示的效果，并作为选择展示信息及推送展示信息的参考，从而可以提高信息推送的针对性。通过点击率预测模型，可以在展示信息推送之前，预测展示信息的点击率。训练点击率预测模型的训练样本，可以根据统计的一段时间内用户的行为(例如用户是否点击展示信息、点击的时间等)生成。

发明内容

本申请实施例提出了用于生成点击率预测模型的方法和装置，以及用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成点击率预测模型的方法，该方法包括：响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

在一些实施例中，对于第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率预先通过如下步骤得到：获取该第一训练样本包括的特征信息对应的展示信息的推送时间，其中，推送时间为向目标用户的终端推送展示信息的时间；确定当前时间和所获取的推送时间的时间差值；将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。

在一些实施例中，实时点击概率预测模型预先通过如下步骤训练得到：获取第二训练样本集合，其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户点击样本展示信息的时间与向样本用户的终端推送样本展示信息的时间的时间差值，以及预先标注的、用于表征样本用户点击样本展示信息的标注信息；利用机器学习方法，将第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。

第二方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；获取目标用户的用户信息；对于至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，点击率预测模型是根据上述第一方面中任一实现方式所描述的方法生成的。

在一些实施例中，在对于所获取的至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测待展示信息的点击率的预测点击率之后，方法还包括：基于所得到的预测点击率的大小，从至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息；将所选择的待展示信息推送至目标用户的终端。

第三方面，本申请实施例提供了一种用于生成点击率预测模型的装置，该装置包括：获取单元，被配置成响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；生成单元，被配置成利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

在一些实施例中，对于第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率预先通过如下步骤得到：获取该第一训练样本包括的特征信息对应的展示信息的推送时间，其中，推送时间为向目标用户的终端推送展示信息的时间；确定当前时间和所获取的推送时间的时间差值；将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。

在一些实施例中，实时点击概率预测模型预先通过如下步骤训练得到：获取第二训练样本集合，其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户点击样本展示信息的时间与向样本用户的终端推送样本展示信息的时间的时间差值，以及预先标注的、用于表征样本用户点击样本展示信息的标注信息；利用机器学习方法，将第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。

第四方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：第一获取单元，被配置成获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；第二获取单元，被配置成获取目标用户的用户信息；生成单元，被配置成对于至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，点击率预测模型是根据上述第一方面中任一实现方式所描述的方法生成的。

在一些实施例中，该装置还包括：选择单元，被配置成基于所得到的预测点击率的大小，从至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息；推送单元，被配置成将所选择的待展示信息推送至目标用户的终端。

第五方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

本申请实施例提供的用于生成点击率预测模型的方法和装置，通过获取当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及获取预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、预先确定的用于表征目标用户是否点击展示信息的标注信息，将特征信息、用户信息、将实时点击概率作为模型训练时的输入，将标注信息作为模型训练时的输出，利用机器学习方法，训练得到点击率预测模型，从而可以实时地得到训练样本，对模型进行实时地训练，有助于实时地更新模型，提高利用模型预测点击率的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请实施例的用于生成点击率预测模型的方法的一个实施例的流程图；

图3是根据本申请实施例的用于生成点击率预测模型的方法的一个应用场景的示意图；

图4是根据本申请实施例的用于生成信息的方法的一个实施例的流程图；

图5是根据本申请实施例的用于生成点击率预测模型的装置的一个实施例的结构示意图；

图6是根据本申请实施例的用于生成信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成点击率预测模型的方法或用于生成点击率预测模型的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上展示的信息提供支持的后台模型训练服务器。后台模型训练服务器可以利用获取的、包括在终端设备上展示的展示信息的特征信息的训练样本，训练得到点击率预测模型。

需要说明的是，本申请实施例所提供的用于生成点击率预测模型的方法或用于生成信息的方法一般由服务器105执行，相应地，用于生成点击率预测模型的装置或用于生成信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成点击率预测模型的方法的一个实施例的流程200。该用于生成点击率预测模型的方法，包括以下步骤：

步骤201，响应于确定当前时间为目标时间，获取第一训练样本集合。

在本实施例中，用于生成点击率预测模型的方法的执行主体(例如图1所示的服务器)可以响应于确定当前时间为目标时间，通过有线连接方式或者无线连接方式从远程或从本地获取第一训练样本集合。其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息。

上述目标时间可以是基于技术人员预设的时间周期而确定的时间。例如，预设的时间周期是1分钟，则上述执行主体在每分钟的初始时刻(例如第0秒)执行步骤201。

目标用户可以是当前时间利用其使用的终端(例如图1所示的终端设备)浏览展示信息的用户，且目标用户的数量可以是至少一个。需要说明的是，在本实施例中，一个训练样本对应一个目标用户，上述执行主体可以与多个目标用户的终端通信连接，因此，各个训练样本对应的目标用户可以全部或部分相同，也可以全部或部分不同。目标用户的用户信息可以用于表征目标用户的特征，目标用户的特征包括但不限于以下至少一种：目标用户的性别、年龄、兴趣等。

展示信息可以是各种类型的、用于向用户展示的信息，用户可以浏览或点击展示信息，展示信息可以包括但不限于以下至少一项：图片、文字、音频、视频、链接地址等。特征信息用于表征展示信息的特征。特征信息可以包括包含于展示信息中的信息(例如展示信息的标题、展示信息包括的链接地址等)，也可以包括预先针对展示信息建立的信息(例如展示信息所属的类型)。

上述实时点击概率可以预先由上述执行主体确定。作为示例，上述执行主体可以按照预设的时间间隔，周期地确定实时点击概率，当当前时间达到目标时间时，上述执行主体可以获取最近一次确定的实时点击概率作为训练样本包括的实时点击概率，或者上述执行主体可以确定当前时间对应的实时点击概率作为训练样本包括的实时点击概率。实时点击概率可以用于表征目标用户在当前时间点击展示信息的概率，通过将实时点击概率作为训练样本包括的信息，可以提前预估用户的行为(例如点击或不点击)，从而确定出标注信息。避免需要长时间地等待用户是否进行点击操作。

上述标注信息可以是预先基于实时点击概率所确定出的信息。例如，当实时点击概率大于等于预设的点击概率阈值时，标注信息可以为表征目标用户点击展示信息的信息，当实时点击概率小于该点击概率阈值时，标注信息可以为表征目标用户不点击展示信息的信息。上述标注信息可以是数值、文字、字符或其组合，例如“1”表示目标用户点击该展示信息(即目标用户点击该展示信息的)，“0”表示目标用户不点击展示信息。

在本实施例中，上述实时点击概率可以按照各种方式确定。作为示例，对于第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率可以存储在预先建立的对应关系表中，该对应关系表可以用于表征展示时间与实时点击概率的对应关系。其中，展示时间是以推送该训练样本包括的特征信息对应的展示信息的推送时间为起点所经历的时间段。技术人员可以预先基于展示信息(可以是单个展示信息，也可以某一类展示信息)的推送时间和多个用户对该展示信息(或该类展示信息)进行点击的点击时间进行统计，从而得到时间差与实时点击概率的对应关系。例如针对某个展示时间，该展示时间对应的实时点击概率可以是在该展示时间点击展示信息的用户的数量与上述多个用户包括的用户的数量的比值。上述执行主体可以确定当前时间与推送时间的时间差，从对应关系表中查找与该时间差对应的实时点击概率作为该训练样本包括的实时点击概率。

在本实施例的一些可选的实现方式中，对于第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率可以由上述执行主体或其他电子设备预先通过如下步骤得到：

首先，获取该第一训练样本包括的特征信息对应的展示信息的推送时间。其中，推送时间为向目标用户的终端推送展示信息的时间。

然后，确定当前时间和所获取的推送时间的时间差值。

最后，将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。其中，实时点击概率预测模型用于表征时间差值、特征信息、用户信息与实时点击概率的对应关系。

具体地，作为示例，实时点击概率预测模型可以是预先建立的对应关系表，该对应关系表可以包括多个子表，每个子表对应于某类展示信息和某类用户(例如某子表对应于新闻类展示信息和学生类用户)。子表包括时间差值和对应的实时点击概率，子表包括的实时点击概率可以是技术人员预先针对大量同类用户对该子表对应的同类展示信息进行点击的点击时间和展示信息的推送时间统计出的概率值(例如针对某个时间差值，该时间差值对应的实时点击概率可以是在推送时间之后，经过该时间差值指示的时间，上述同类用户包括的用户中点击展示信息的用户的数量与上述同类用户包括的用户的总数的比值)。

在本实施例的一些可选的实现方式中，实时点击概率预测模型可以预先通过如下步骤训练得到：

首先，获取第二训练样本集合。其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户浏览样本展示信息的时间与向样本用户的终端推送样本展示信息的推送时间的时间差值，以及预先标注的标注信息。标注信息用于表征样本用户在推送时间后，经过时间差值表征的时间，是否点击样本展示信息。其中，标注信息可以是数值、文字、字符或其组合。例如“1”表示点击，“0”表示不点击。

利用机器学习方法，将第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。通常，实时点击概率预测模型可以是用于对输入的特征信息、用户信息、时间差值进行分类的模型。训练得到的实时点击概率预测模型可以输出所输入的特征信息、用户信息、时间差值属于被点击类(例如标注为“1”的类别)的概率，即实时点击概率。

具体地，上述实时点击概率预测模型可以是对初始模型进行训练得到的模型。初始模型可以包括以下至少一种：神经网络模型、SVM(Support Vector Machine，支持向量机)模型等。初始模型可以设置有初始参数，参数在训练过程中可以被不断地调整。训练实时点击概率预测模型的执行主体可以基于预设的损失函数计算损失值，根据损失值确定初始模型是否训练完成。在这里，需要说明的是，损失值可以用于表征实际输出与期望输出之间的差异。实践中，可以采用预设的各种损失函数计算实际输出相对于标注的输出的损失值。例如，可以采用对数损失函数、交叉熵损失函数等计算损失值。

步骤202，利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

在本实施例中，上述执行主体可以利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

具体地，上述点击率预测模型可以是对初始模型进行训练得到的模型。初始模型可以包括但不限于以下至少一种模型：FM(Factorization Machine，因子分解机)模型、FFM(Field-aware Factorization Machine，场感知因子分解机、神经网络模型等。初始模型可以设置有初始参数，参数在训练过程中可以被不断地调整。训练点击率预测模型的执行主体可以基于预设的损失函数计算损失值，根据损失值确定初始模型是否训练完成。在这里，需要说明的是，损失值可以用于表征实际输出与期望输出之间的差异。实践中，可以采用预设的各种损失函数计算实际输出相对于标注的输出的损失值。例如，可以采用对数损失函数、交叉熵损失函数等计算损失值。

通常，点击率又称点击通过率(CTR，Click Through Rate)，即某展示信息的实际点击次数除以展示信息的展示量(例如推送展示信息的次数或接收展示信息的终端的数量)的结果。点击率预测模型可以是用于对输入其中的各种信息进行分类的模型。例如，当标注信息为“0”时，表征用户不点击展示信息，即训练时输入的该标注信息所对应的信息属于不点击类，当标注信息为“1”时，表征用户点击展示信息，即训练时输入的该标注信息所对应的信息属于点击类。训练后的点击率预测模型可以输出概率值，概率值可以用于表征输入的各种信息属于不点击类或点击类的概率，可以将表征输入的各种信息属于点击类的概率作为预测点击率。预测点击率越大，表示输入的特征信息表征的展示信息被输入的用户信息表征的用户点击的可能性越大。

通过上述各步骤，可以在较短的时间内获取到用于训练点击率预测模型的训练样本，避免了在训练点击率预测模型时，需要较长时间地检测用户的行为。从而可以提高模型训练的效率。

继续参见图3，图3是根据本实施例的用于生成点击率预测模型的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先响应于确定当前时间为目标时间(例如每分钟的第0秒)，获取第一训练样本集合302。其中，每个第一训练样本对应于一个目标用户。第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息(例如展示信息的标题、类型名称等)、目标用户的用户信息(例如性别信息、所处地理位置信息、年龄信息等)，以及预先从预设的用于表征展示时间与实时点击概率的对应关系的对应关系表中查询到的实时点击概率、用于表征目标用户是否点击展示信息的标注信息(例如“0”表示不点击，“1”表示点击)。

然后，服务器301利用机器学习方法，从第一训练样本集合302中提取第一训练样本3021，将提取的第一训练样本3021包括的用户信息30211、特征信息30212和实时点击概率30213作为输入，将第一训练样本3021包括的标注信息30214(例如“1”)作为期望输出，训练初始模型303，再经过反复地提取其他第一训练样本训练初始模型303，最终得到点击率预测模型304。

本申请的上述实施例提供的方法，通过获取当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及获取预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、预先确定的用于表征目标用户是否点击展示信息的标注信息，将特征信息、用户信息、将实时点击概率作为模型训练时的输入，将标注信息作为模型训练时的输出，利用机器学习方法，训练得到点击率预测模型，从而可以实时地得到训练样本，对模型进行实时地训练，有助于实时地更新模型，提高利用模型预测点击率的准确性。

继续参考图4，示出了根据本申请的用于生成信息的方法的一个实施例的流程400。该用于生成信息的方法，包括以下步骤：

步骤401，获取至少一个特征信息。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或从本地获取第一训练样本集合。其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征。待展示信息可以是各种类型的信息，包括但不限于以下至少一项：图片、文字、音频、视频、链接地址等。特征信息可以包括包含于待展示信息中的信息(例如展示信息的标题、展示信息包括的链接地址等)，也可以包括预先针对展示信息建立的信息(例如展示信息所属的类型)。目标用户可以是待利用其使用的终端(例如图1所示的终端设备)浏览上述执行主体推送的待展示信息的用户。

步骤402，获取目标用户的用户信息。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从远程或从本地获取目标用户的用户信息。其中，目标用户的用户信息可以用于表征目标用户的特征，目标用户的特征包括但不限于以下至少一种：目标用户的性别、年龄、兴趣等。

步骤403，对于至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率。

在本实施例中，对于至少一个特征信息中的特征信息，上述执行主体可以将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率。其中，关于预测点击率的描述可以参见上述图2实施例中的描述。点击率预测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

实践中，由于在训练点击率预测模型的过程中，输入点击率预测模型的信息中包括实时点击概率，因此，在使用上述训练后的点击率预测模型时，可以输入预设的默认实时点击概率(例如0)，从而在使用点击率预测模型时，不需要另外计算实时点击概率，而只要在使用点击率预测模型前，获取特征信息和用户信息即可。

在本实施例的一些可选的实现方式中，在步骤403之后，上述执行主体还可以执行如下步骤：

首先，基于所得到的预测点击率的大小，从至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息。

具体地，上述执行主体可以基于所得到的各个预测点击率的大小，按照各种方法从各个特征信息对应的待展示信息中选择待展示信息。例如，可以从所得到的各个预测点击率中确定大于等于预设的点击率阈值的预测点击率(例如三个预测点击率a、b、c)。然后从各个特征信息对应的待展示信息中，选择所确定的预测点击率对应的待展示信息(例如选择三个待展示信息A、B、C，分别对应预测点击率a、b、c)。

然后，将所选择的待展示信息推送至目标用户的终端，以使在终端上显示待展示信息。

本申请的上述实施例提供的方法，通过使用由上述图2实施例描述的方法训练得到的点击率预测模型，可以得到多个待展示信息的预测点击率，由于训练该模型时使用的训练样本是及时生成的，因此该模型的参数可以及时更新，利用该模型可以更准确地预测出当前的待展示信息的点击率，有助于在向用户推送待展示信息的时候，提高信息推送的针对性。

进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种用于生成点击率预测模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成点击率预测模型的装置500包括：获取单元501，被配置成响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；生成单元502，被配置成利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

在本实施例中，获取单元501可以响应于确定当前时间为目标时间，通过有线连接方式或者无线连接方式从远程或从本地获取第一训练样本集合。其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息。

上述目标时间可以是基于技术人员预设的时间周期而确定的时间。目标用户可以是当前时间利用其使用的终端(例如图1所示的终端设备)浏览展示信息的用户，且目标用户的数量可以是至少一个。需要说明的是，在本实施例中，一个训练样本对应一个目标用户，上述获取单元501可以与多个目标用户的终端通信连接，因此，各个训练样本对应的目标用户可以全部或部分相同，也可以全部或部分不同。目标用户的用户信息可以用于表征目标用户的特征，目标用户的特征包括但不限于以下至少一种：目标用户的性别、年龄、兴趣等。

展示信息可以是各种类型的、用于向用户展示的信息，用户可以浏览或点击展示信息，展示信息可以包括但不限于以下至少一项：图片、文字、音频、视频、链接地址等。特征信息用于表征展示信息的特征。特征信息可以包括包含于展示信息中的信息(例如展示信息的标题、展示信息包括的链接地址等)，也可以包括预先针对展示信息建立的信息(例如展示信息所属的类型)。

上述实时点击概率可以预先由上述装置500确定。作为示例，上述装置500可以按照预设的时间间隔，周期地确定实时点击概率，当当前时间达到目标时间时，上述获取单元501可以获取最近一次确定的实时点击概率作为训练样本包括的实时点击概率，或者上述获取单元501可以确定当前时间对应的实时点击概率作为训练样本包括的实时点击概率。实时点击概率可以用于表征目标用户在当前时间点击展示信息的概率，通过将实时点击概率作为训练样本包括的信息，可以提前预估用户的行为(例如点击或不点击)，从而确定出标注信息。避免需要长时间地等待用户是否进行点击操作而生成标注信息。

上述标注信息可以是预先基于实时点击概率所确定出的信息。例如，当实时点击概率大于等于预设的点击概率阈值时，标注信息可以为表征目标用户点击展示信息的信息，当实时点击概率小于该点击概率阈值时，标注信息可以为表征目标用户不点击展示信息的信息。上述标注信息可以是数值、文字、字符或其组合，例如“1”表示目标用户点击该展示信息(即目标用户点击该展示信息的)，“0”表示目标用户不点击展示信息。

在本实施例中，生成单元502可以利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

具体地，上述点击率预测模型可以是对初始模型进行训练得到的模型。初始模型可以包括但不限于以下至少一种模型：FM(Factorization Machine，因子分解机)模型、FFM(Field-aware Factorization Machine，场感知因子分解机)、神经网络模型等。初始模型可以设置有初始参数，参数在训练过程中可以被不断地调整。训练点击率预测模型的执行主体可以基于预设的损失函数计算损失值，根据损失值确定初始模型是否训练完成。在这里，需要说明的是，损失值可以用于表征实际输出与期望输出之间的差异。实践中，可以采用预设的各种损失函数计算实际输出相对于标注的输出的损失值。例如，可以采用对数损失函数、交叉熵损失函数等计算损失值。

在本实施例的一些可选的实现方式中，对于第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率可以预先通过如下步骤得到：获取该第一训练样本包括的特征信息对应的展示信息的推送时间，其中，推送时间为向目标用户的终端推送展示信息的时间；确定当前时间和所获取的推送时间的时间差值；将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。

在本实施例的一些可选的实现方式中，实时点击概率预测模型可以预先通过如下步骤训练得到：获取第二训练样本集合，其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户点击样本展示信息的时间与向样本用户的终端推送样本展示信息的时间的时间差值，以及预先标注的、用于表征样本用户点击样本展示信息的标注信息；利用机器学习方法，将第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。

本申请的上述实施例提供的装置，通过获取当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及获取预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、预先确定的用于表征目标用户是否点击展示信息的标注信息，将特征信息、用户信息、将实时点击概率作为模型训练时的输入，将标注信息作为模型训练时的输出，利用机器学习方法，训练得到点击率预测模型，从而可以实时地得到训练样本，对模型进行实时地训练，有助于实时地更新模型，提高利用模型预测点击率的准确性。

进一步参考图6，作为对上述图4所示方法的实现，本申请提供了一种用于生成点击率预测模型的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成点击率预测模型的装置600包括：第一获取单元601，被配置成获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；第二获取单元602，被配置成获取目标用户的用户信息；生成单元603，被配置成对于至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，点击率预测模型是根据上述第一方面中任一实现方式所描述的方法生成的。

在本实施例中，第一获取单元601可以通过有线连接方式或者无线连接方式从远程或从本地获取第一训练样本集合。其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征。待展示信息可以是各种类型的信息，包括但不限于以下至少一项：图片、文字、音频、视频、链接地址等。特征信息可以包括包含于待展示信息中的信息(例如展示信息的标题、展示信息包括的链接地址等)，也可以包括预先针对展示信息建立的信息(例如展示信息所属的类型)。目标用户可以是待利用其使用的终端(例如图1所示的终端设备)浏览上述装置600推送的待展示信息的用户。

在本实施例中，第二获取单元602可以通过有线连接方式或者无线连接方式从远程或从本地获取目标用户的用户信息。其中，目标用户的用户信息可以用于表征目标用户的特征，目标用户的特征包括但不限于以下至少一种：目标用户的性别、年龄、兴趣等。

在本实施例中，对于至少一个特征信息中的特征信息，上述生成单元603可以将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率。其中，关于预测点击率的描述可以参见上述图2实施例中的描述。点击率预测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

在本实施例的一些可选的实现方式中，该装置还可以包括：选择单元(图中未示出)，被配置成基于所得到的预测点击率的大小，从至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息；推送单元(图中未示出)，被配置成将所选择的待展示信息推送至目标用户的终端。

本申请的上述实施例提供的装置，通过使用由上述图2实施例描述的方法训练得到的点击率预测模型，可以得到多个待展示信息的预测点击率，由于训练该模型时使用的训练样本是及时生成的，因此该模型的参数可以及时更新，利用该模型可以更准确地预测出当前的待展示信息的点击率，有助于在向用户推送待展示信息的时候，提高信息推送的针对性。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元501和生成单元502。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“响应于确定当前时间为目标时间，获取第一训练样本集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；利用机器学习方法，将第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

此外，当上述一个或者多个程序被该服务器执行时，还可以使得该服务器：获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；获取目标用户的用户信息；对于至少一个特征信息中的特征信息，将该特征信息、用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，点击率预测模型是根据上述第一方面中任一实现方式所描述的方法生成的。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成点击率预测模型的方法，包括：

响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；

利用机器学习方法，将所述第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

2.根据权利要求1所述的方法，其中，对于所述第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率预先通过如下步骤得到：

获取该第一训练样本包括的特征信息对应的展示信息的推送时间，其中，推送时间为向目标用户的终端推送展示信息的时间；

确定当前时间和所获取的推送时间的时间差值；

将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。

3.根据权利要求2所述的方法，其中，所述实时点击概率预测模型预先通过如下步骤训练得到：

获取第二训练样本集合，其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户点击样本展示信息的时间与向样本用户的终端推送样本展示信息的时间的时间差值，以及预先标注的、用于表征样本用户点击样本展示信息的标注信息；

利用机器学习方法，将所述第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。

4.一种用于生成信息的方法，包括：

获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；

获取所述目标用户的用户信息；

对于所述至少一个特征信息中的特征信息，将该特征信息、所述用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，所述点击率预测模型是根据权利要求1-3之一的方法生成的。

5.根据权利要求4所述的方法，其中，在所述对于所获取的至少一个特征信息中的特征信息，将该特征信息、所述用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测所述待展示信息的点击率的预测点击率之后，所述方法还包括：

基于所得到的预测点击率的大小，从所述至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息；

将所选择的待展示信息推送至所述目标用户的终端。

6.一种用于生成点击率预测模型的装置，包括：

获取单元，被配置成响应于确定当前时间为目标时间，获取第一训练样本集合，其中，第一训练样本包括当前时间在目标用户的终端上展示的展示信息的特征信息、目标用户的用户信息，以及预先确定的、用于预测目标用户在当前时间点击展示信息的概率的实时点击概率、用于表征目标用户是否点击展示信息的标注信息；

生成单元，被配置成利用机器学习方法，将所述第一训练样本集合中的第一训练样本包括的用户信息、特征信息和实时点击概率作为输入，将输入的用户信息、特征信息和实时点击概率对应的标注信息作为期望输出，训练得到点击率预测模型。

7.根据权利要求6所述的装置，其中，对于所述第一训练样本集合中的第一训练样本，该第一训练样本包括的实时点击概率预先通过如下步骤得到：

获取该第一训练样本包括的特征信息对应的展示信息的推送时间，其中，推送时间为向目标用户的终端推送展示信息的时间；

确定当前时间和所获取的推送时间的时间差值；

将所确定的时间差值、该第一训练样本包括的特征信息和该第一训练样本包括的用户信息输入预先训练的实时点击概率预测模型，得到实时点击概率。

8.根据权利要求7所述的装置，其中，所述实时点击概率预测模型预先通过如下步骤训练得到：

获取第二训练样本集合，其中，第二训练样本包括样本展示信息的特征信息、浏览样本展示信息的样本用户的用户信息、样本用户点击样本展示信息的时间与向样本用户的终端推送样本展示信息的时间的时间差值，以及预先标注的、用于表征样本用户点击样本展示信息的标注信息；

利用机器学习方法，将所述第二训练样本集合中的第二训练样本包括的特征信息、用户信息、时间差值作为输入，将与输入的特征信息、用户信息、时间差值对应的标注信息作为期望输出，训练得到实时点击概率预测模型。

9.一种用于生成信息的装置，包括：

第一获取单元，被配置成获取至少一个特征信息，其中，特征信息用于表征待向目标用户的终端推送的待展示信息的特征；

第二获取单元，被配置成获取所述目标用户的用户信息；

生成单元，被配置成对于所述至少一个特征信息中的特征信息，将该特征信息、所述用户信息、预设的默认实时点击概率输入预先训练的点击率预测模型，得到用于预测该特征信息指示的待展示信息的点击率的预测点击率，其中，所述点击率预测模型是根据权利要求1-3之一的方法生成的。

10.根据权利要求9所述的装置，其中，所述装置还包括：

选择单元，被配置成基于所得到的预测点击率的大小，从所述至少一个特征信息中的特征信息对应的待展示信息中，选择待展示信息；

推送单元，被配置成将所选择的待展示信息推送至所述目标用户的终端。

11.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images