CN109784537A - 广告点击率的预估方法、装置及服务器和存储介质 - Google Patents

Abstract

本公开是关于一种广告点击率的预估的方法、装置及服务器和存储介质，其中，所述方法包括：根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估；分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估；根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。本公开提高了广告点击率的预估准确度，也减少了训练第二网络模型的计算量。

Description

广告点击率的预估方法、装置及服务器和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及广告点击率的预估方法、装置及服务器和存储介质。

背景技术

互联网广告的广告点击率预估非常重要，是广告投放机制和策略的核心。广告点击率预估模型就是根据用户对广告的行为数据进行建模进而预估广告点击率。

随着深度学习技术的发展，深度学习模型成为广告点击率预估模型的主流。复杂的深度学习模型(如卷积神经网络、循环神经网络)能够更准确的预估广告点击率，但是需要的计算量也非常大。简单的深度学习模型(如多层感知器)计算量少，但是准确度较复杂的深度学习模型差一些。

相关技术中，广告点击率预估模型往往仅由简单的深度学习模型训练所得，广告点击率预估准确度低，或者，仅由复杂的深度学习模型训练所得，训练计算量大。

发明内容

为克服相关技术中存在的问题，本公开提供一种广告点击率的预估方法、装置及服务器和存储介质。

根据本公开实施例的第一方面，提供一种广告点击率的预估方法，包括：根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

可选地，所述根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练的步骤，包括：对所述第一损失函数和所述第二损失函数进行加权求和得到第三损失函数；利用所述第三损失函数对所述第二网络模型进行梯度更新。

可选地，所述分别创建训练完毕的所述第一网络模型的输出结果与第二训练样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数的步骤，包括：利用所述第一网络模型的输出结果和所述第二样本数据创建所述第一损失函数；利用所述第二网络模型的输出结果、第三样本数据和所述第一网络模型的输出结果与所述第二网络模型的输出结果之间的相似值创建所述第二损失函数；其中，所述第三样本数据包含第三样本广告和与所述第三样本广告对应的第三样本点击率。

可选地，在所述创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数的步骤之后，所述方法还包括：根据所述第一损失函数对训练完毕的所述第一网络模型进行梯度更新。

可选地，在所述根据第一样本数据训练第一网络模型的步骤之前，所述方法还包括：按照所述第一样本数据的数据类型构建所述第一网络模型。

根据本公开实施例的第二方面，提供广告点击率的预估装置，包括：第一训练单元，被配置为根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；创建单元，被配置为分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；第二训练单元，被配置为根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；预估单元，被配置为利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

可选地，所述第二训练单元，包括：加权单元，被配置为对所述第一损失函数和所述第二损失函数进行加权求和得到第三损失函数；梯度更新单元，被配置为利用所述第三损失函数对所述第二网络模型进行梯度更新。

可选地，所述创建单元，被配置为利用所述第一网络模型的输出结果和所述第二样本数据创建所述第一损失函数；利用所述第二网络模型的输出结果、第三样本数据和所述第一网络模型的输出结果与所述第二网络模型的输出结果之间的相似值创建所述第二损失函数，其中，所述第三样本数据包含第三样本广告和与所述第三样本广告对应的第三样本点击率。

可选地，所述第一训练单元，还被配置为在所述创建单元创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数之后，根据所述第一损失函数对训练完毕的所述第一网络模型进行梯度更新。

可选地，所述装置还包括：构建单元，被配置为在所述第一训练单元根据第一样本数据训练第一网络模型之前，按照所述第一样本数据的数据类型创建所述第一网络模型。

根据本公开实施例的第三方面，提供一种服务器，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：根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行一种广告点击率的预估方法，所述方法包括：根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括：当所述计算机程序产品中的指令由服务器的处理器执行时，使得服务器能够执行一种广告点击率的预估方法，所述方法包括：根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的广告点击率的预估方案，首先、构建第一网络模型和第二网络模型，并根据第一训练样本对第一网络模型进行训练，其中，第一网络模型和第二网络模型均用于对广告点击率进行预估，且第一网络模型的输出结果的准确度高于第二网络模型的输出结果的准确度，第一网络模型的训练计算量大于第二网络模型的训练计算量。然后、分别构建两个损失函数，即构建第一网络模型的输出结果与第二训练样本数据之间的第一损失函数，以及，构建第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数。其次，根据构建的第一损失函数和第二损失函数对第二网络模型进行训练。最后，利用训练完毕的第二网络模型对待预估的广告点击率进行预估。本公开实施例在训练第二网络模型时，避免了单纯地直接训练第二网络模型，而是预先训练第一网络模型，然后利用构建的第一损失函数和第二损失函数对第二网络模型训练，使得训练完毕的第二网络模型具有更准确的广告点击率的预估能力，同时，也减少了训练第二网络模型的计算量。在利用本公开实施例提供的广告点击率的预估方案中训练完毕的第二网络模型对广告点击率进行预估时，可以提高广告点击率的预估准确度。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种广告点击率的预估方法的流程图。

图2是根据一示例性实施例示出的一种广告点击率的预估方法的流程图。

图3是根据一示例性实施例示出的一种广告点击率的预估装置的框图。

图4是根据一示例性实施例示出的一种创建损失函数的原理示意图。

图5是根据一示例性实施例示出的一种用于广告点击率预估的服务器的框图。

图6是根据一示例性实施例示出的一种用于广告点击率预估的装置的框图。

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发明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、本发明的一些方面相一致的系统和方法的例子。

图1是根据一示例性实施例示出的一种广告点击率的预估方法的流程图，如图1所示，广告点击率的预估方法可以用于装置中，包括以下步骤。

在步骤S11中，根据第一样本数据训练第一网络模型，第一网络模型用于对广告点击率进行预估。

第一样本数据可以包括大量的广告以及与各广告对应的广告点击率。本公开实施例中的广告可以为视频数据、图片、链接等等，本公开实施例对广告的内容和形式等不作具体限制。本公开实施例中的广告点击率可以为点击或者不点击，也可以为具体的数值，如50％等等，本公开实施例对广告点击率的形式等不作具体限制。

第一网络模型可以用于预估广告点击率。在实际应用中，第一网络模型可以为卷积神经网络模型或循环神经网络模型等。本公开实施例在根据第一样本数据训练第一网络模型时，可以利用梯度下降法、随机梯度下降法等常用的训练方法对第一网络模型中各层的参数进行调整，本公开实施例对第一网络模型的训练方法所采用的技术手段等不作具体限制。

在步骤S12中，分别创建训练完毕的第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，第二网络模型用于对广告点击率进行预估。

损失函数可以用来估量网络模型的预测值与真实值的不一致程度，是一个非负实值函数。损失函数的输出值越小，表示网络模型的鲁棒性越好。

第一网络模型的输出结果可以为第一网络模型对广告点击率的预估结果，可以包含第一网络模型预估得到的广告点击率。第二样本数据可以包括大量的广告以及与各广告对应的广告点击率。第二样本数据可以用于输入至训练完毕的第一网络模型，得到输出结果，

第二样本数据可以包含与第一样本数据中相同或者不同的广告以及对应的广告点击率。

第二网络模型也可以用于预估广告点击率。在实际应用中，第二网络模型可以为多层感知器(一种前馈人工神经网络模型)等。第二网络模型的输出结果可以为第二网络模型对广告点击率的预估结果，可以包含第二网络模型预估得到的广告点击率。需要说明的是，本公开实施例中的第一网络模型对广告点击率的预估准确度高于第二网络模型对广告点击率的预估准确度，而且，第一网络模型的训练计算量大于第二网络模型的训练计算量。

第一损失函数可以估量第一网络模型的输出结果与第二样本数据中广告点击率之间的不一致程度。第二损失函数可以估量第一网络模型的输出结果与第二网络模型的输出结果的不一致程度。

在步骤S13中，根据第一损失函数和第二损失函数对第二网络模型进行训练。

利用第一损失函数和第二损失函数对第二网络模型进行训练的过程中，可以利用第一损失函数和第二损失函数，以及，第二网络模型的输出结果与输入数据(第二样本数据的广告点击率)之间的偏差，对第二网络模型的各层的参数进行相应的调整，并在调整参数之后，继续利用第一损失函数和第二损失函数，以及，调整参数后的第二网络模型的输出结果与输入数据(第二样本数据的广告点击率)之间的偏差，对调整参数后的第二网络模型的各层的参数进行相应的调整，如此迭代，直至第二网络模型满足预设的收敛条件。满足收敛条件的第二网络模型即表示第二网络模型的输出结果与输入数据一致，或者，表示第二网络模型的输出结果与输入数据之间的偏差在可接受范围之内，本公开实施例对收敛条件的内容等不作具体限制。

在步骤S14中，利用训练完毕的第二网络模型对待预估的广告点击率进行预估。

训练完毕的第二网络模型可以用于对广告点击率进行预估，在实际应用中，将广告输入至第二网络模型中，第二网络模型的输出结果为输入的广告对应的点击率预估值，点击率预估值可以为点击或者不点击，也可以为具体数值，如50％，该50％表示点击的概率为50％。其中，广告可以为广告特征数据，广告特征数据可以为特征向量，若广告为视频广告，则广告特征数据可以为视频的时长、视频的缩略图、视频的名称、视频的简介、视频的作者、视频中内容的类型等等；若广告为图片广告，则广告特征数据可以为图片的尺寸、图片的分辨率、图片的颜色、图片的内容等等，本公开实施例对广告特征数据的内容和形式等不作具体限制。

本公开实施例提供的广告点击率的预估方法，首先、构建第一网络模型和第二网络模型，并根据第一训练样本对第一网络模型进行训练，其中，第一网络模型和第二网络模型均用于对广告点击率进行预估，且第一网络模型的输出结果的准确度高于第二网络模型的输出结果的准确度，第一网络模型的训练计算量大于第二网络模型的训练计算量。然后、分别构建两个损失函数，即构建第一网络模型的输出结果与第二训练样本数据之间的第一损失函数，以及，构建第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数。其次，根据构建的第一损失函数和第二损失函数对第二网络模型进行训练。最后，利用训练完毕的第二网络模型对待预估的广告点击率进行预估。本公开实施例在训练第二网络模型时，避免了单纯地直接训练第二网络模型，而是预先训练第一网络模型，然后利用构建的第一损失函数和第二损失函数对第二网络模型训练，使得训练完毕的第二网络模型具有更准确的广告点击率的预估能力，同时，也减少了训练第二网络模型的计算量。在利用本公开实施例提供的广告点击率的预估方法中训练完毕的第二网络模型对广告点击率进行预估时，可以提高广告点击率的预估准确度。

图2是根据一示例性实施例示出的一种广告点击率的预估方法的流程图，其中，广告可以为音视频数据或图片等等。如图2所示，广告点击率的预估方法可以用于服务器中，包括以下步骤。

在步骤S21中，按照第一样本数据的数据类型构建第一网络模型，并对第一网络模型进行训练。

本公开实施例中的第一样本数据中包含了大量的广告(可以为音视频数据或者图片)，以及，标注有各广告是否被用户点击的概率值(广告点击率)，本公开实施例对第一样本数据的内容和形式等不作具体限制。

本公开实施例在构建第一网络模型时可以参照第一样本数据中广告的数据类型，若第一样本数据中广告的数据类型表示第一样本数据中的广告为具有时序关系的样本数据，例如，第一样本数据中的广告为音视频数据，则可以采用卷积神经网络模型或者长短期记忆网络模型作为第一网络模型；若第一样本数据中广告的数据类型表示第一样本数据中广告为具有空间局部关系的样本数据，例如，第一样本数据中的广告为图片，则可以采用卷积神经网络模型作为第一网络模型。构建后的第一网络模型具有对广告点击率进行预估的能力。

需要说明的是，本公开实施例中的第一样本数据中的广告与后续待预估广告点击率对应的广告具有相同的业务类型。

构建第一网络模型之后，可以采用常见的训练方法对第一网络模型进行训练，如梯度下降法等，以对第一网络模型进行调整，使得训练后的第一网络模型可以达到较理想的广告点击率的预估效果。

本公开实施例不仅需要构建第一网络模型，还需要构建第二网络模型，该第二网络模型可以采用与第一网络模型相比，相对简单的网络模型，如多层感知器等。

在步骤S22中，利用第一网络模型和第二网络模型创建损失函数。

本公开实施例中可以分别创建第一损失函数和第二损失函数，然后对第一损失函数和第二损失函数进行加权求和得到第三损失函数。

其中，在创建第一损失函数时，可以利用第一网络模型的输出结果和第二样本数据创建第一损失函数。例如，创建的第一损失函数为：

loss1(ctr1，y)＝y*log(ctr1)+(1-y)*log(1-ctr1)；

loss1为第一损失函数，ctr1为第一网络模型的输出结果，y为第二样本数据，具体可以为第二样本数据中的广告点击率，如点击或者不点击。

在创建第二损失函数时，可以利用第二网络模型的输出结果、第三样本数据和第一网络模型的输出结果与第二网络模型的输出结果之间的相似值创建第二损失函数，其中，第一样本数据可以包括大量的广告以及与各广告对应的广告点击率，第三样本数据可以包含与第一样本数据、第二样本数据中相同或者不同的广告以及对应的广告点击率。例如，创建的第二损失函数为：

loss2(ctr2，z)+kl(ctr1||ctr2)；

其中，loss2(ctr2，z)＝z*log(ctr2)+(1-z)*log(1-ctr2)；

kl(ctr1||ctr2)＝ctr1*logctr2+(1-ctr1)*log(1-ctr2)；

ctr2为第二网络模型的输出结果，z为第三样本数据，kl(ctr1||ctr2)为第一网络模型的输出结果与第二网络模型的输出结果之间的相似值。

在创建第一损失函数和第二损失函数之后，将第一损失函数和第二损失函数加权求和得到第三损失函数，即loss3＝y*log(ctr1)+(1-y)*log(1-ctr1)+z*log(ctr2)+(1-z)*log(1-ctr2)+ctr1*logctr2+(1-ctr1)*log(1-ctr2)。

在步骤S23中，根据损失函数对第二网络模型进行训练。

在上述步骤S22中得到第三损失函数之后，可以利用第三损失函数对第二网络模型进行训练，在实际应用中，可以利用第三损失函数对第二网络模型进行梯度更新。

而且，为了保证第一网络模型的稳定性，还可以利用第一损失函数对第一网络模型进行梯度更新，如利用tensorflow、pytorch等深度学习框架提供的应用程序编程接口进行梯度更新。

在步骤S24中，利用训练完毕的第二网络模型对广告点击率进行预估。

将待预估的广告输入至训练完毕的第二网络模型中，输出结果为待预估的广告的广告点击率。

本公开实施例提供的广告点击率的预估方法，首先、构建第一网络模型和第二网络模型，并根据第一训练样本对第一网络模型进行训练，其中，第一网络模型和第二网络模型均用于对广告点击率进行预估，且第一网络模型的输出结果的准确度高于第二网络模型的输出结果的准确度，第一网络模型的训练计算量大于第二网络模型的训练计算量。然后、分别构建两个损失函数，即构建第一网络模型的输出结果与第二训练样本数据之间的第一损失函数，以及，构建第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数。其次，根据构建的第一损失函数和第二损失函数对第二网络模型进行训练。最后，利用训练完毕的第二网络模型对待预估的广告点击率进行预估。本公开实施例在训练第二网络模型时，避免了单纯地直接训练第二网络模型，而是利用广告点击率预估能力较强、预估效果较好的第一网络模型指导第二网络模型的训练，使得训练完毕的第二网络模型具有更准确的广告点击率的预估能力，同时，也减少了训练第二网络模型的计算量。在利用本公开实施例提供的广告点击率的预估方法中训练完毕的第二网络模型对广告点击率进行预估时，可以提高广告点击率的预估准确度。

图3是根据一示例性实施例示出的一种广告点击率的预估装置的框图。参照图3，该装置包括第一训练单元31、创建单元32、第二训练单元33和预估单元34。

第一训练单元31，被配置为根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；创建单元32，被配置为分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；第二训练单元33，被配置为根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；预估单元34，被配置为利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

第二训练单元33，包括：加权单元331，被配置为对所述第一损失函数和所述第二损失函数进行加权求和得到第三损失函数；梯度更新单元332，被配置为利用所述第三损失函数对所述第二网络模型进行梯度更新。

创建单元32，被配置为利用所述第一网络模型的输出结果和所述第二样本数据创建所述第一损失函数；利用所述第二网络模型的输出结果、第三样本数据和所述第一网络模型的输出结果与所述第二网络模型的输出结果之间的相似值创建所述第二损失函数，其中，所述第三样本数据包含第三样本广告和与所述第三样本广告对应的第三样本点击率。

第一训练单元31，还被配置为在所述创建单元32创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数之后，根据所述第一损失函数对训练完毕的所述第一网络模型进行梯度更新。

装置还包括：构建单元35，被配置为在所述第一训练单元31根据第一样本数据训练第一网络模型之前，按照所述第一样本数据的数据类型创建所述第一网络模型。

关于上述实施例中的装置，其中各个单元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4是根据一示例性实施例示出的一种创建损失函数的原理示意图。参照图4，将样本特征分别输入至预先创建的复杂网络模型和简单网络模型中。其中，样本特征可以来源于广告日志数据，具体可以包含广告本身和广告点击率等等。复杂网络模型可以为卷积神经网络模型，简单网络模型可以为多层感知器。再将简单网络模型的输出结果与广告点击率的损失函数，与简单网络模型的输出结果和复杂网络模型的输出结果的损失函数进行加权得到最终的损失函数。

图5是根据一示例性实施例示出的一种用于广告点击率预估的服务器500的框图。服务器500可以包括以下一个或多个组件：处理组件502，存储器504，电力组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制服务器500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在服务器500的操作。这些数据的示例包括用于在服务器500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为服务器500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为服务器500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述服务器500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当服务器500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当服务器500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为服务器500提供各个方面的状态评估。例如，传感器组件514可以检测到服务器500的打开/关闭状态，组件的相对定位，例如所述组件为服务器500的显示器和小键盘，传感器组件514还可以检测服务器500或服务器500一个组件的位置改变，用户与服务器500接触的存在或不存在，服务器500方位或加速/减速和服务器500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于服务器500和其他设备之间有线或无线方式的通信。服务器500可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，服务器500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由服务器500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图6是根据一示例性实施例示出的一种用于广告点击率预估的装置600的框图。例如，装置600可以被提供为一服务器或电子设备。参照图6，装置600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632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622被配置为执行指令，以执行上述图1和图2所示的方法。

装置600还可以包括一个电源组件626被配置为执行装置600的电源管理，一个有线或无线网络接口650被配置为将装置600连接到网络，和一个输入输出(I/O)接口658。装置600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本公开实施例还可以提供一种计算机程序产品，当所述计算机程序产品中的指令由服务器、装置或电子设备的处理器执行时，使得服务器、装置或电子设备能够执行上述广告点击率的预估方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种广告点击率的预估方法，其特征在于，包括：

根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；

分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；

根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；

利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

2.根据权利要求1所述的广告点击率的预估方法，其特征在于，所述根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练的步骤，包括：

对所述第一损失函数和所述第二损失函数进行加权求和得到第三损失函数；

利用所述第三损失函数对所述第二网络模型进行梯度更新。

3.根据权利要求1所述的广告点击率的预估方法，其特征在于，所述分别创建训练完毕的所述第一网络模型的输出结果与第二训练样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数的步骤，包括：

利用所述第一网络模型的输出结果和所述第二样本数据创建所述第一损失函数；

利用所述第二网络模型的输出结果、第三样本数据和所述第一网络模型的输出结果与所述第二网络模型的输出结果之间的相似值创建所述第二损失函数；

其中，所述第三样本数据包含第三样本广告和与所述第三样本广告对应的第三样本点击率。

4.根据权利要求1所述的广告点击率的预估方法，其特征在于，在所述创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数的步骤之后，所述方法还包括：

根据所述第一损失函数对训练完毕的所述第一网络模型进行梯度更新。

5.根据权利要求1所述的广告点击率的预估方法，其特征在于，在所述根据第一样本数据训练第一网络模型的步骤之前，所述方法还包括：

按照所述第一样本数据的数据类型构建所述第一网络模型。

6.一种广告点击率的预估装置，其特征在于，包括：

第一训练单元，被配置为根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；

创建单元，被配置为分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；

第二训练单元，被配置为根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；

预估单元，被配置为利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

7.根据权利要求6所述的广告点击率的预估装置，其特征在于，所述第二训练单元，包括：

加权单元，被配置为对所述第一损失函数和所述第二损失函数进行加权求和得到第三损失函数；

梯度更新单元，被配置为利用所述第三损失函数对所述第二网络模型进行梯度更新。

8.根据权利要求6所述的广告点击率的预估装置，其特征在于，所述创建单元，被配置为利用所述第一网络模型的输出结果和所述第二样本数据创建所述第一损失函数；利用所述第二网络模型的输出结果、第三样本数据和所述第一网络模型的输出结果与所述第二网络模型的输出结果之间的相似值创建所述第二损失函数；

其中，所述第三样本数据包含第三样本广告和与所述第三样本广告对应的第三样本点击率。

9.一种服务器，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：

根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；

分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；

根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；

利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行一种广告点击率的预估方法，所述方法包括：

根据第一样本数据训练第一网络模型，所述第一网络模型用于对广告点击率进行预估，所述第一样本数据包含第一样本广告和与所述第一样本广告对应的第一样本点击率；

分别创建训练完毕的所述第一网络模型的输出结果与第二样本数据之间的第一损失函数，和训练完毕的所述第一网络模型的输出结果与第二网络模型的输出结果之间的第二损失函数，所述第二网络模型用于对广告点击率进行预估，所述第一网络模型的输出结果包含所述第一网络模型预估得到的广告点击率，所述第二网络模型的输出结果包含所述第二网络模型预估得到的广告点击率，所述第二样本数据包含第二样本广告和与所述第二样本广告对应的第二样本点击率，所述第一网络模型的输出结果的准确度高于所述第二网络模型的输出结果的准确度，且所述第一网络模型的训练计算量大于所述第二网络模型的训练计算量；

根据所述第一损失函数和所述第二损失函数对所述第二网络模型进行训练；

利用训练完毕的所述第二网络模型对待预估的广告点击率进行预估。