CN109949089A - 一种确定展示率的方法、装置及终端 - Google Patents

Abstract

本发明公开了一种确定展示率的方法、装置及终端，所述确定展示率的方法包括：获取目标信息的第一展示属性信息；基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。采用本发明的技术方案，提高了目标信息展示率的预测准确率。

Description

一种确定展示率的方法、装置及终端

技术领域

本发明涉及互联网应用技术领域，尤其涉及一种确定展示率的方法、装置及终端。

背景技术

在合约广告询量锁量系统中，存在两种询量方式，一种是按照曝光询量，一种是按照请求询量。按照曝光询量比较好理解，用户可以通过询量得知其要投放的广告在其选定定向下的可售卖曝光量。这也是比较准确，比较好的途径。但是有时候对于新的版位，广告位，或者售卖特别不充分的广告位版位，按照曝光询量得到的值偏小，会不准确，这时候就需要按照请求询量。按照请求询量的情况下，最终要获得广告的曝光量，需要乘上一个系数：展示率。

展示率是合约广告系统中的一个很重要的系数，此系数的确定方法目前主要有：

(1)配置法，此配置法就是事先利用一个配置文件，将一些情况下的展示率以约定的格式固定写入。这种配置法实施起来比较方便快捷，这些配置数据的使用也相对简单。

(2)广告位展示率的加权平均法，这种方法就是利用广告投放的广告位信息，对这些广告位展示率的加权平均来计算得到广告的展示率。

但是这两种方法均需要人工干预，维护成本高且对广告展示率的预估结果不够准确。因此，有必要提供一种准确率较高的确定展示率的方法。

发明内容

本发明提供了一种确定展示率的方法、装置及终端，可以提高预测目标信息对应展示率的准确率。

一方面，本发明提供了一种确定展示率的方法，所述方法包括：

获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；

基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；

将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；

基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

另一方面提供了一种确定展示率的装置，所述装置包括：

第一展示属性信息获取模块，用于获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；

目标信息的展示信息确定模块，用于基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；

第一展示率确定模块，用于将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

第二展示率确定模块，用于将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；

目标信息的展示率确定模块，用于基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

另一方面提供了一种确定展示率的终端，所述终端包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的确定展示率的方法。

另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的确定展示率的方法。

本发明提供的确定展示率的方法、装置及终端，具有如下技术效果：

本发明基于目标信息的第一展示属性信息确定目标信息的展示特征信息和展示标识信息，并将对应的信息输入展示率确定模型的不同部分进行学习，从而确定目标信息的展示率，由于第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性，可见，本发明的展示率是基于目标信息、所述目标信息的展示位、所述目标信息的展示对象的展示属性和wide&&deep深度学习模型确定得到的，从而提高了展示率的预测准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种确定展示率的系统的示意图；

图2是本发明实施例提供的一种确定展示率的方法的流程示意图；

图3是本发明实施例提供的一种确定展示率确定模型的方法的流程示意图；

图4是本发明实施例提供的基于目标信息的第一展示属性信息，确定目标信息的展示特征信息和展示标识信息的一种流程示意图；

图5是本发明实施例提供的基于展示属性信息确定目标信息的展示特征信息的一种流程示意图；

图6是本发明实施例提供的基于离散展示属性信息确定目标信息的展示标识信息的一种流程示意图；

图7是本发明实施例提供的wide&&deep深度学习模型的一种示意图；

图8是本发明实施例提供的确定展示率的方法在广告询锁量系统中的应用的一种流程示意图；

图9是本发明实施例提供的在广告询锁量系统中展示率的预测结果示意图；

图10是本发明实施例提供的一种确定展示率的装置的结构示意图；

图11是本发明实施例提供的一种展示率确定模型生成装置的结构示意图；

图12是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在合约广告询量锁量系统中，存在两种询量方式，一种是按照曝光询量，一种是按照请求询量。按照曝光询量是指用户可以通过询量得知其要投放的广告在其选定定向下的可售卖曝光量。这也是比较准确，比较好的途径。但是有时候对于新的版位，广告位，或者售卖特别不充分的广告位版位，按照曝光询量得到的值偏小，会不准确，这时候就需要按照请求询量。按照请求询量是指，在询量预估的时候预估的请求的次数，但是每次请求下并不是所有广告位上的广告都能曝光，还涉及到展示率。所谓请求，就是指用户的一次查询或者访问。

按照请求询量的情况下，最终要获得广告的曝光量，需要乘上一个系数：展示率。

例如，目前有10个广告位，有上有下，每个广告位都被分配了一个广告，这就是在每个广告位上这些广告被返回。但是这些广告位上的广告可能不会全被曝光，因为用户在浏览的时候可能不会从头慢慢拉到尾，可能看到一半就不看了，这样排在后面的广告就不会曝光，展示率就是指广告位上曝光的广告数量与广告位上所有展示广告数量的比值。

展示率又叫曝光率，其计算公式如下：

其中，impression_ratio为展示率，ad_exposure_cnt为广告曝光数，ad_return_cnt为广告返回数。

正确的获取各种不同情形下的展示率，有利于提高询量的准确性，从而提高合约广告的保量率。

请参阅图1，图1是本发明实施例提供的一种展示率确定系统的示意图，如图1所示，该展示率确定系统可以至少包括服务器01和客户端02。

具体的，本说明书实施例中，所述服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的，所述服务器01可以用于进行wide&&deep深度学习训练。

具体的，本说明书实施例中，所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备，也可以包括运行于实体设备中的软体，例如一些服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，所述客户端02可以用于在线查询目标信息的展示率。

以下介绍本发明的一种确定展示率的方法，图2是本发明实施例提供的一种确定展示率的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

S201：获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性。

在实际应用中，所述第一展示属性信息可以包括所述目标信息的展示属性信息、所述目标信息对应的展示位的展示属性信息和所述目标信息对应的定向投放对象的展示属性信息；所述目标信息对应的展示位用于对所述目标信息进行展示，所述目标信息对应的定向投放对象是指所述目标信息的受众信息。

具体的，在本说明书实施例中，所述目标信息包括但不限于广告信息，当所述目标信息为广告信息时，所述目标信息的展示属性信息可以包括广告投放时间、商品ID、广告类目ID、广告投放类型、版位ID等反应广告本身内容特点的信息，在实际应用中，用户往往会根据自己的喜好浏览展示位所展示的信息，不同用户(展示对象)往往具有不同的信息喜好，相应的，具有不同特点的信息对用户的吸引程度不同，进而导致具有不同内容特点的信息的展示效果不同。

在本说明书实施例中，当所述目标信息为广告信息时，所述目标信息对应的展示位的展示属性信息可以包括广告位长ID、广告长ID等反应广告展示位置的信息，在实际应用中，不同的用户具有不同的生活轨迹，设置在不同展示位的广告所对应的用户群体不同，进而导致不同广告位所对应的用户群体存在区别。

在本说明书实施例中，当所述目标信息为广告信息时，所述目标信息对应的定向投放对象的展示属性信息可以包括年龄、收入、长期爱好、用户职业等用户信息，在实际应用中，不同年龄段的用户关注的话题不同，不同收入水平的用户的消费水平不同，不同爱好的用户消费方向不同，所以在获取到用户的相关信息之后，可以根据用户信息确定用户所感兴趣的广告，从而可以获取到不同广告所针对的用户群体。

本发明实施例中，所述目标信息的展示属性信息、所述目标信息对应的展示位的展示属性信息和所述目标信息对应的定向投放对象的展示属性信息都为后续的展示率预估提供了数据依据，提高了展示率的预测准确率。

S203：基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息。

本说明书实施例中，所述展示特征信息可以包括但不限于广告类目、受众的性别、年龄、收入、常住地等信息；所述展示标识信息可以包括但不限于版位标识和广告位标识；版位是若干个广告位的集合，所述版位标识包括版位ID，所述广告位标识包括广告位ID。

本说明书实施例中，所述第一展示特征信息可以包括不同类别的信息，所述第一展示特征信息可以包括维度小于等于预设值的展示特征信息，如图4所示，所述基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息可以包括：

S2031：将所述第一展示属性信息按照信息连续性进行分类，得到第一连续展示属性信息、第一单值离散展示属性信息和第一多值离散展示属性信息；

具体的，如表1所示，所述第一连续展示属性信息可以包括年龄、收入等；所述第一单值离散展示属性信息可以包括广告一级类目、版位标识、常住地等；所述第一多值离散展示属性信息可以包括性别、广告位标识等；

表1：第一展示属性信息分类表

S2033：基于所述第一连续展示属性信息、所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示特征信息；

在一个具体的实施例中，所述第一单值离散展示属性信息包括第一单值离散特征属性信息，所述第一多值离散展示属性信息包括第一多值离散特征属性信息；

具体的，所述第一单值离散特征属性信息可以包括广告一级类目、常住地；所述第一多值离散特征属性信息可以包括性别；

本说明书实施例中，如图5所示，所述基于所述第一连续展示属性信息、所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示特征信息可以包括：

S20331：获取所述第一单值离散展示属性信息中的第一单值离散特征属性信息；

S20333：获取所述第一多值离散展示属性信息中的第一多值离散特征属性信息；

S20335：基于所述第一连续展示属性信息、所述第一单值离散特征属性信息和所述第一多值离散特征属性信息，确定所述目标信息的展示特征信息。

本说明书实施例中，所述基于所述第一连续展示属性信息、所述第一单值离散特征属性信息和所述第一多值离散特征属性信息，确定所述目标信息的展示特征信息可以包括：

对所述第一单值离散特征属性信息和所述第一多值离散特征属性信息进行降维处理，得到预设维度的离散特征属性信息；

在一个具体的实施例中，所述对所述第一单值离散特征属性信息和所述第一多值离散特征属性信息进行降维处理包括：对所述第一单值离散特征属性信息和所述第一多值离散特征属性信息进行embedding(嵌入，植入)处理。

深度神经网络模型通常需要的输入是连续的稠密特征，对于稀疏、高维的类别特征，通常首先将其转换为低维的向量，这个过程也称为embedding。

基于所述第一连续展示属性信息和所述预设维度的离散特征属性信息，确定所述目标信息的展示特征信息。

在一个具体的实施例中，所述基于所述第一连续展示属性信息和所述预设维度的离散特征属性信息，确定所述目标信息的展示特征信息包括：

将所述第一连续展示属性信息以及embedding处理后的第一单值离散特征属性信息、第一多值离散特征属性信息确定为所述目标信息的展示特征信息。

本说明书实施例中，对第一单值离散展示属性信息和第一多值离散展示属性信息进行分类，并将分类后的信息进行不同的处理后确定得到目标信息的展示特征信息，由于展示特征信息与展示率具有关联关系，所以目标信息的展示特征信息的确定提高了展示率预测的准确率。

S2035：基于所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示标识信息。

在一个具体的实施例中，所述第一单值离散展示属性信息包括第一单值离散标识属性信息，所述第一多值离散展示属性信息包括第一多值离散标识属性信息；

本说明书实施例中，所述第一单值离散标识属性信息可以包括版位标识，所述第一多值离散标识属性信息可以包括广告位标识；

在一个具体的实施例中，如图6所示，所述基于所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示标识信息可以包括：

S20351：获取所述第一单值离散展示属性信息中的第一单值离散标识属性信息；

S20353：获取所述第一多值离散展示属性信息中的第一多值离散标识属性信息；

S20355：基于所述第一单值离散标识属性信息和所述第一多值离散标识属性信息，确定所述目标信息的展示标识信息。

本说明书实施例中，所述基于所述第一单值离散标识属性信息和所述第一多值离散标识属性信息，确定所述目标信息的展示标识信息可以包括：

对所述第一单值离散标识属性信息和所述第一多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息。

在一个具体的实施例中，所述第一单值离散标识属性信息可以包括版位标识，所述第一多值离散标识属性信息可以包括广告位标识；所述对所述第一单值离散标识属性信息和所述第一多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息可以包括：

对所述版位标识进行one-hot编码，得到编码后的单值离散标识属性信息；

对所述广告位标识进行multi-hot编码，得到编码后的多值离散标识属性信息。

基于所述编码后的离散标识属性信息，确定所述目标信息的展示标识信息。

本说明书实施例中，所述基于所述编码后的离散标识属性信息，确定所述目标信息的展示标识信息可以包括：

将所述编码后的离散标识属性信息作为所述目标信息的展示标识信息。

在一个具体的实施例中，所述将所述编码后的离散标识属性信息作为所述目标信息的展示标识信息可以包括：

将编码后的版位标识和编码后的广告位标识作为所述目标信息的展示标识信息。

本说明书实施例中，对第一单值离散展示属性信息和第一多值离散展示属性信息进行分类，并将分类后的信息进行不同的处理后确定得到目标信息的展示标识信息，由于展示标识信息与展示率具有关联关系，所以目标信息的展示标识信息的确定提高了展示率预测的准确率。

S205：将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

本说明书实施例中，展示率确定模型可以包括wide&&deep深度学习模型，该模型包括深度(deep)部分和线性(wide)部分，所述展示率确定模型基于对预设量训练信息的第二展示属性信息和展示率进行训练学习得到。

本说明书实施例中，所述目标信息的第一展示率用于表征展示率与第一展示特征信息的关联程度。

S207：将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率。

本说明书实施例中，所述目标信息的第二展示率用于表征展示率与目标信息的展示标识信息的关联程度。

本说明书实施例中，所述目标信息的展示特征信息还可以包括第二展示特征信息，所述第二展示特征信息可以包括维度大于预设值的展示特征信息；所述将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率可以包括：

将所述目标信息的展示标识信息与所述第二展示特征信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率。

S209：基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

在一个具体的实施例中，在得出wide&&deep深度学习模型中deep部分的第一展示率以及wide部分的第二展示率之后，可以根据以下步骤确定目标信息的展示率：

计算所述第一展示率与所述第二展示率之和，得到第三展示率；

对所述第三展示率进行归一化处理，得到所述目标信息的展示率。

具体的，可以采用逻辑函数对所述第三展示率进行归一化处理；

在一个具体的实施例中，可以将所述第三展示率归一化至区间[0，1]，由此可得到位于0-1之间的展示率数值。

本说明书实施例中，如图3所示，所述展示率确定模型包括采用下述方法确定：

S301：获取预设量训练信息的第二展示属性信息和展示率，所述第二展示属性信息表征所述训练信息、所述训练信息的展示位以及所述训练信息的展示对象的展示属性；

在本说明书实施例中，可以获取预设时间段内所有训练信息的第二展示属性信息和展示率，预设时间段可以根据实际情况进行设置，例如，所述预设时间段可以为最近六个月。

在实际应用中，所述第二展示属性信息可以包括所述训练信息的第一展示信息、所述训练信息对应的展示位的第二展示信息和所述训练信息对应的定向投放对象的第三展示信息。

在本说明书实施例中，所述训练信息的第二展示信息可以包括不同广告位的属性信息；

在本说明书实施例中，所述训练信息的第三展示信息可以包括广告的定向投放数据，即广告的受众信息。

本发明实施例中，所述训练信息的第一展示信息、训练信息的第二展示信息和训练信息的第三展示信息都为后续的展示率确定模型训练提供了数据依据，提高了展示率确定模型的展示率预测准确率。

具体的，在本说明书实施例中，所述训练信息可以是广告，所述第二展示信息可以包括广告的基础数据，所述广告的基础数据如下表2所示：

表2：广告的基础数据列表

特征名	特征说明
		ftime	广告的投放时间
aid	广告长ID
		product_id	商品ID
ad_category_id	广告类目ID
		ad_campaign_type	广告投放类型
aindex	广告短ID
		site_set	站点集合
segment_id	版位ID

从表2中可以得到每天的所有的广告的重要的ID信息。这些ID信息提供了广告的一些最基本的属性特征，能够标志某个广告的基本分类，这些信息为后续的展示率预估提供了部分依据，提高了展示率的预测准确率。

在本说明书实施例中，所述第二展示信息可以包括不同广告位的属性信息，所述广告位的属性信息如下表3所示：

表3：不同广告位的属性信息

特征名	特征说明
		ftime	广告的投放时间
aid	广告长ID
		position_id	广告位长ID
exposure_cnt	广告在对应广告位上的曝光量
		return_cnt	广告在对应广告位上的返回数

表3记载了广告长ID、广告位长ID等属性信息，所述信息均与广告的展示率具有关联关系，结合该数据预测展示率，提高了展示率的预测准确率；通过广告曝光量和返回数可以计算得到广告的展示率。

在本说明书实施例中，还提供了长短广告位ID的对照表，如下表4所示：

表4：长短广告位ID对照表

特征名	特征说明
		ftime	时间
position_id	广告位长ID
		short_position_id	广告位短ID

表4提供了一个长短广告位的映射关系，以便于通过广告位长ID，获取到对应的广告位短ID。

在本说明书实施例中，所述第三展示信息可以包括广告的定向投放数据，即广告的受众信息，如下表5所示：

表5：广告的定向投放数据表

表5中的广告定向投放数据进一步提高了展示率的预测准确率。

S303：基于所述训练信息的第二展示属性信息，确定所述训练信息的展示特征信息和展示标识信息，所述训练信息的展示特征信息包括第三展示特征信息；

本说明书实施例中，所述第三展示特征信息可以包括维度小于等于预设值的展示特征信息，所述基于所述训练信息的第二展示属性信息，确定所述训练信息的展示特征信息和展示标识信息可以包括：

S3031：将所述第二展示属性信息按照信息连续性进行分类，得到第二连续展示属性信息、第二单值离散展示属性信息和第二多值离散展示属性信息；

具体的，所述第二连续展示属性信息可以包括年龄、收入等；所述第二单值离散展示属性信息可以包括广告一级类目、版位标识、常住地等；所述第二多值离散展示属性信息可以包括性别、广告位标识等；

S3033：基于所述第二连续展示属性信息、所述第二单值离散展示属性信息和所述第二多值离散展示属性信息，确定所述训练信息的展示特征信息；

在一个具体的实施例中，所述第二单值离散展示属性信息包括第二单值离散特征属性信息，所述第二多值离散展示属性信息包括第二多值离散特征属性信息；

具体的，所述第二单值离散特征属性信息可以包括广告一级类目、常住地；所述第二多值离散特征属性信息可以包括性别；

本说明书实施例中，所述基于所述第二连续展示属性信息、所述第二单值离散展示属性信息和所述第二多值离散展示属性信息，确定所述训练信息的展示特征信息可以包括：

S30331：获取所述第二单值离散展示属性信息中的第二单值离散特征属性信息；

S30333：获取所述第二多值离散展示属性信息中的第二多值离散特征属性信息；

S30335：基于所述第二连续展示属性信息、所述第二单值离散特征属性信息和所述第二多值离散特征属性信息，确定所述训练信息的展示特征信息。

本说明书实施例中，所述基于所述第二连续展示属性信息、所述第二单值离散特征属性信息和所述第二多值离散特征属性信息，确定所述训练信息的展示特征信息可以包括：

对所述第二单值离散特征属性信息和所述第二多值离散特征属性信息进行降维处理，得到预设维度的离散特征属性信息；

在一个具体的实施例中，所述对所述第二单值离散特征属性信息和所述第二多值离散特征属性信息进行降维处理包括：对所述第二单值离散特征属性信息和所述第二多值离散特征属性信息进行embedding处理。

深度神经网络模型通常需要的输入是连续的稠密特征，对于稀疏、高维的类别特征，通常首先将其转换为低维的向量，这个过程也称为embedding。

基于所述第二连续展示属性信息和所述预设维度的离散特征属性信息，确定所述训练信息的展示特征信息。

在一个具体的实施例中，所述基于所述第二连续展示属性信息和所述预设维度的离散特征属性信息，确定所述训练信息的展示特征信息包括：

将所述第二连续展示属性信息以及embedding处理后的第二单值离散特征属性信息、第二多值离散特征属性信息确定为所述训练信息的展示特征信息。

S3035：基于所述第二单值离散展示属性信息和所述第二多值离散展示属性信息，确定所述训练信息的展示标识信息。

在一个具体的实施例中，所述第二单值离散展示属性信息包括第二单值离散标识属性信息，所述第二多值离散展示属性信息包括第二多值离散标识属性信息；

本说明书实施例中，所述第二单值离散标识属性信息可以包括版位标识，所述第二多值离散标识属性信息可以包括广告位标识；

在一个具体的实施例中，所述基于所述第二单值离散展示属性信息和所述第二多值离散展示属性信息，确定所述训练信息的展示标识信息可以包括：

S30351：获取所述第二单值离散展示属性信息中的第二单值离散标识属性信息；

S30353：获取所述第二多值离散展示属性信息中的第二多值离散标识属性信息；

S30355：基于所述第二单值离散标识属性信息和所述第二多值离散标识属性信息，确定所述训练信息的展示标识信息。

本说明书实施例中，所述基于所述第二单值离散标识属性信息和所述第二多值离散标识属性信息，确定所述训练信息的展示标识信息可以包括：

对所述第二单值离散标识属性信息和所述第二多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息。

本说明书实施例中，所述对所述第二单值离散标识属性信息和所述第二多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息的步骤之前，所述方法还包括：

对所述第二单值离散标识属性信息和所述第二多值离散标识属性信息进行预处理，所述预处理包括去长尾处理；去长尾处理是指去掉一些出现次数很少的特征，从而可提高展示率确定模型的稳定性。

在一个具体的实施例中，所述第二单值离散标识属性信息可以包括版位标识，所述第二多值离散标识属性信息可以包括广告位标识；所述对所述第二单值离散标识属性信息和所述第二多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息可以包括：

对所述版位标识进行one-hot编码，得到编码后的单值离散标识属性信息；

对所述广告位标识进行multi-hot编码，得到编码后的多值离散标识属性信息。

基于所述编码后的离散标识属性信息，确定所述训练信息的展示标识信息。

本说明书实施例中，所述基于所述编码后的离散标识属性信息，确定所述训练信息的展示标识信息可以包括：

将所述编码后的离散标识属性信息作为所述训练信息的展示标识信息。

在一个具体的实施例中，所述将所述编码后的离散标识属性信息作为所述训练信息的展示标识信息可以包括：

将编码后的版位标识和编码后的广告位标识作为所述训练信息的展示标识信息。

S305：将所述第三展示特征信息输入深度学习模型的深度部分，将所述训练信息的展示标识信息输入所述深度学习模型的线性部分，以所述训练信息的展示率作为回归目标，对所述深度学习模型进行展示率预测训练；

本说明书实施例中，深度学习模型可以包括wide&&deep深度学习模型，如图7所示，该模型包括深度(deep)部分和线性(wide)部分。

wide部分是一个广义线性模型；deep部分是一个前馈神经网络，前馈神经网络(feed forward neural network)，简称前馈网络，是人工神经网络的一种。在此种神经网络中，各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。整个网络中无反馈，可用一个有向无环图表示。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元，同一层的神经元之间没有互相连接，层间信息的传送只沿一个方向进行。其中第一层称为输入层。最后一层为输出层，中间为隐含层，简称隐层，隐层可以是一层，也可以是多层，隐层采用激活函数进行计算，例如ReLU。

本说明书实施例中，所述训练信息的展示特征信息还可以包括第四展示特征信息，所述第四展示特征信息可以包括维度大于预设值的展示特征信息；

所述将所述训练信息的展示标识信息输入所述深度学习模型的线性部分还可以包括：

将所述训练信息的展示标识信息与所述第四展示特征信息输入所述深度学习模型的线性部分。

S307：判断所述训练信息的展示率与所述深度学习模型的预测展示率的差值绝对值是否小于等于预设阈值；

S309：若是，结束训练，将差值绝对值小于等于预设阈值时所对应的深度学习模型确定为所述展示率确定模型。

一般地，所述训练信息的展示率与所述深度学习模型的预测展示率的差值越小，表明展示率确定模型的预测准确率越高。

本说明书实施例中，若所述训练信息的展示率与所述深度学习模型的预测展示率的差值绝对值大于预设阈值，则返回步骤S301。

以下介绍本发明的确定展示率的方法在广告询锁量系统中的应用。如图8所示，所述询锁量系统中存储了广告1至广告n的播放日志数据，根据获取到的广告日志数据，将训练信息的第二展示属性信息和展示率输入wide&&deep深度学习模型进行展示率预测训练，将训练得到的模型作为展示率确定模型；当用户按照请求询量时，询锁量系统将合约广告对应的第一展示属性信息输入所述展示率确定模型便可得到合约广告的展示率，如图9所示，图9为广告询锁量系统中展示率的预测结果示意图。然后结合广告的返回数，根据展示率的计算公式，便可得到对应广告的曝光数。

本说明书实施例中，还可以根据最新获取的广告日志数据，按预设时间级别对所述wide&&deep深度学习模型进行持续更新训练，具体的，可以按天数或小时对所述wide&&deep深度学习模型进行更新训练，从而进一步提高获取到的展示率确定模型的预测准确率。

以下举例说明本发明实施例的确定展示率的方法与现有技术的方法的预测效果。本实施例选取同一广告，分别采用现有技术的方法和本发明的确定展示率的方法对展示率进行预测，其中现有技术包括配置法和加权平均法。

配置法的具体方案步骤如下：

1)根据实际的流量划分以及一些特殊的配置诉求，对所有的流量按照不同的标准分类，例如广告位，版位，业务方等；每一种分类下，都会配置有一个展示率。

2)根据第一步已经获悉要配置展示率的流量类别，拉取历史数据，统计下对应流量类别下的展示率，写入配置文件。

3)线上需要获取展示率的时候，读取配置文件，获取到对应的展示率即可。如果线上某个广告在配置文件中找不到对应的展示率，默认的展示率为1。

4)根据实际的反馈情况，不定期的对配置文件中的配置数据等进行修改和增删。

加权平均法的具体方案步骤如下：

1)根据已有的日志数据统计各个不同的广告位的历史展示率以及历史返回广告数，将统计结果按照(广告位展示率广告返回数)这样的格式写入文件，做为展示率预估模型文件。

2)询锁量系统需要计算展示率时，读取此模型文件，根据某个广告投放的广告位，从模型文件中提取出这些广告位对应的历史展示率和历史返回广告数，按照下面式子去计算展示率：

其中，impression_ratio为展示率，imrRatio为历史展示率，returnCnt为广告返回数；i表示广告位的数量。

3)每天拉取最新的数据，按天级别更新展示率预估模型文件。

以上三种方法的预测结果的误差如下表6所示：

表6：现有技术与本实施例的确定展示率方法的预测结果误差对比表

其中，RMSE为误差均方根，其计算公式如下：

MAE为平均误差绝对值，其计算公式如下：

R2为决定系数，其计算公式如下：

其中，y_actual是样本的真实标签值，y_predict是样本的预估标签值，y_mean是样本真实标签值的均值，i为广告位的数量。

由上述表6可知，本发明预估展示率的方法明显比现有技术的方法的误差小，准确率高。

由以上本说明书实施例提供的技术方案可见，本说明书实施例首先获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；然后，基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；再将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；最后基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率，由此将展示率与目标信息的多个关联属性信息结合起来，提高了目标信息展示率的预测准确率。

本发明实施例还提供了一种确定展示率的装置，如图10所示，所述装置包括：

第一展示属性信息获取模块1001，可以用于获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；

目标信息的展示信息确定模块1002，可以用于基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；

第一展示率确定模块1003，用于将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

第二展示率确定模块1004，用于将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；

目标信息的展示率确定模块1005，用于基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

在一些实施例中，所述目标信息的展示信息确定模块1002包括：

第一分类单元，用于将所述第一展示属性信息按照信息连续性进行分类，得到第一连续展示属性信息、第一单值离散展示属性信息和第一多值离散展示属性信息；

目标信息的展示特征信息确定单元，用于基于所述第一连续展示属性信息、所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示特征信息；

在一些实施例中，所述第一单值离散展示属性信息可以包括第一单值离散特征属性信息和第一单值离散标识属性信息，所述第一多值离散展示属性信息包括第一多值离散特征属性信息和第一多值离散标识属性信息；

在一些实施例中，所述目标信息的展示特征信息确定单元可以包括：

第一单值离散特征属性信息获取子单元，用于获取所述第一单值离散展示属性信息中的第一单值离散特征属性信息；

第一多值离散特征属性信息获取子单元，用于获取所述第一多值离散展示属性信息中的第一多值离散特征属性信息；

目标信息的展示特征信息确定子单元，用于基于所述第一连续展示属性信息、所述第一单值离散特征属性信息和所述第一多值离散特征属性信息，确定所述目标信息的展示特征信息；

在一些实施例中，所述目标信息的展示特征信息确定子单元可以包括：

第一确定子单元，用于对所述第一单值离散特征属性信息和所述第一多值离散特征属性信息进行降维处理，得到预设维度的离散特征属性信息；

第二确定子单元，用于基于所述第一连续展示属性信息和所述预设维度的离散特征属性信息，确定所述目标信息的展示特征信息。

目标信息的展示标识信息确定单元，用于基于所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示标识信息。

在一些实施例中，所述目标信息的展示标识信息确定单元可以包括：

第一单值离散标识属性信息获取子单元，用于获取所述第一单值离散展示属性信息中的第一单值离散标识属性信息；

第一多值离散标识属性信息获取子单元，用于获取所述第一多值离散展示属性信息中的第一多值离散标识属性信息；

目标信息的展示标识信息确定子单元，用于基于所述第一单值离散标识属性信息和所述第一多值离散标识属性信息，确定所述目标信息的展示标识信息。

在一些实施例中，所述目标信息的展示标识信息确定子单元可以包括：

第三确定子单元，用于对所述第一单值离散标识属性信息和所述第一多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息。

所述编码后的离散标识属性信息包括编码后的单值离散标识属性信息和编码后的多值离散标识属性信息。

在一些实施例中，所述第三确定子单元可以包括：

编码后的单值离散标识属性信息获取子单元，用于对所述第一单值离散标识属性信息进行one-hot编码，得到编码后的单值离散标识属性信息；所述第一单值离散标识属性信息包括版位标识；

编码后的多值离散标识属性信息获取子单元，用于对所述第一多值离散标识属性信息进行multi-hot编码，得到编码后的多值离散标识属性信息；所述第一多值离散标识属性信息包括广告位标识。

第四确定子单元，用于基于所述编码后的离散标识属性信息，确定所述目标信息的展示标识信息。

在一些实施例中，所述目标信息的展示特征信息还包括第二展示特征信息；所述第二展示率确定模块，还用于将所述目标信息的展示标识信息与所述第二展示特征信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率。

在一些实施例中，所述目标信息的展示率确定模块可以包括：

第三展示率确定单元，用于计算所述第一展示率与所述第二展示率之和，得到第三展示率；

归一化处理单元，用于对所述第三展示率进行归一化处理，得到所述目标信息的展示率。

本说明书实施例中，如图11所示，所述展示率确定模型生成装置可以包括：

第二展示属性信息获取模块1101，用于获取预设量训练信息的第二展示属性信息和展示率，所述第二展示属性信息表征所述训练信息、所述训练信息的展示位以及所述训练信息的展示对象的展示属性；

训练信息的展示信息确定模块1102，用于基于所述训练信息的第二展示属性信息，确定所述训练信息的展示特征信息和展示标识信息，所述训练信息的展示特征信息包括第三展示特征信息；

展示率预测训练模块1103，用于将所述第三展示特征信息输入深度学习模型的深度部分，将所述训练信息的展示标识信息输入所述深度学习模型的线性部分，以所述训练信息的展示率作为回归目标，对所述深度学习模型进行展示率预测训练；

展示率判断模块1104，用于判断所述训练信息的展示率与所述深度学习模型的预测展示率的差值绝对值是否小于等于预设阈值；

展示率确定模型确定模块1105，用于当所述训练信息的展示率与所述深度学习模型的预测展示率的差值绝对值小于等于预设阈值时，结束训练，将差值绝对值小于等于预设阈值时所对应的深度学习模型确定为所述展示率确定模型。

所述的装置实施例中的装置与方法实施例基于同样地发明构思。

本发明实施例提供了一种确定展示率的终端，该终端包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的确定展示率的方法。

本发明的实施例还提供了一种存储介质，所述存储介质可设置于终端之中以保存用于实现方法实施例中一种确定展示率的方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的确定展示率的方法。

可选地，在本说明书实施例中，存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书实施例所述存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本发明实施例所提供的确定展示率的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图12是本发明实施例提供的一种确定展示率的方法的服务器的硬件结构框图。如图12所示，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(CentralProcessing Units，CPU)1210(处理器1210可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1230，一个或一个以上存储应用程序1223或数据1222的存储介质1220(例如一个或一个以上海量存储设备)。其中，存储器1230和存储介质1220可以是短暂存储或持久存储。存储在存储介质1220的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1210可以设置为与存储介质1220通信，在服务器1200上执行存储介质1220中的一系列指令操作。服务器1200还可以包括一个或一个以上电源1260，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1240，和/或，一个或一个以上操作系统1221，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

输入输出接口1240可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1200的通信供应商提供的无线网络。在一个实例中，输入输出接口1240包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1240可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。

本领域普通技术人员可以理解，图12所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1200还可包括比图12中所示更多或者更少的组件，或者具有与图12所示不同的配置。

由上述本发明提供的确定展示率的方法、装置、终端或存储介质的实施例可见，本发明中首先获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；然后，基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；再将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；最后基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率，由此将展示率与目标信息的多个关联属性信息结合起来，提高了目标信息展示率的预测准确率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种确定展示率的方法，其特征在于，所述方法包括：

获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；

基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；

将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；

基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率包括：

计算所述第一展示率与所述第二展示率之和，得到第三展示率；

对所述第三展示率进行归一化处理，得到所述目标信息的展示率。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息包括：

将所述第一展示属性信息按照信息连续性进行分类，得到第一连续展示属性信息、第一单值离散展示属性信息和第一多值离散展示属性信息；

基于所述第一连续展示属性信息、所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示特征信息；

基于所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示标识信息。

4.根据权利要求3所述的方法，其特征在于，所述第一单值离散展示属性信息包括第一单值离散特征属性信息和第一单值离散标识属性信息，所述第一多值离散展示属性信息包括第一多值离散特征属性信息和第一多值离散标识属性信息；

相应的，所述基于所述第一连续展示属性信息、所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示特征信息包括：

获取所述第一单值离散展示属性信息中的第一单值离散特征属性信息；

获取所述第一多值离散展示属性信息中的第一多值离散特征属性信息；

基于所述第一连续展示属性信息、所述第一单值离散特征属性信息和所述第一多值离散特征属性信息，确定所述目标信息的展示特征信息；

所述基于所述第一单值离散展示属性信息和所述第一多值离散展示属性信息，确定所述目标信息的展示标识信息包括：

获取所述第一单值离散展示属性信息中的第一单值离散标识属性信息；

获取所述第一多值离散展示属性信息中的第一多值离散标识属性信息；

基于所述第一单值离散标识属性信息和所述第一多值离散标识属性信息，确定所述目标信息的展示标识信息。

5.根据权利要求4所述的方法，其特征在于，所述基于所述第一连续展示属性信息、所述第一单值离散特征属性信息和所述第一多值离散特征属性信息，确定所述目标信息的展示特征信息包括：

对所述第一单值离散特征属性信息和所述第一多值离散特征属性信息进行降维处理，得到预设维度的离散特征属性信息；

基于所述第一连续展示属性信息和所述预设维度的离散特征属性信息，确定所述目标信息的展示特征信息。

6.根据权利要求4所述的方法，其特征在于，所述基于所述第一单值离散标识属性信息和所述第一多值离散标识属性信息，确定所述目标信息的展示标识信息包括：

对所述第一单值离散标识属性信息和所述第一多值离散标识属性信息进行数值特征编码，得到编码后的离散标识属性信息；

基于所述编码后的离散标识属性信息，确定所述目标信息的展示标识信息。

7.根据权利要求1所述的方法，其特征在于，所述目标信息的展示特征信息还包括第二展示特征信息，所述将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率包括：

将所述目标信息的展示标识信息与所述第二展示特征信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率。

8.根据权利要求1所述的方法，其特征在于，所述展示率确定模型包括采用下述方法确定：

获取预设量训练信息的第二展示属性信息和展示率，所述第二展示属性信息表征所述训练信息、所述训练信息的展示位以及所述训练信息的展示对象的展示属性；

基于所述训练信息的第二展示属性信息，确定所述训练信息的展示特征信息和展示标识信息，所述训练信息的展示特征信息包括第三展示特征信息；

将所述第三展示特征信息输入深度学习模型的深度部分，将所述训练信息的展示标识信息输入所述深度学习模型的线性部分，以所述训练信息的展示率作为回归目标，对所述深度学习模型进行展示率预测训练；

判断所述训练信息的展示率与所述深度学习模型的预测展示率的差值绝对值是否小于等于预设阈值；

若是，结束训练，将差值绝对值小于等于预设阈值时所对应的深度学习模型确定为所述展示率确定模型。

9.一种确定展示率的装置，其特征在于，所述装置包括：

第一展示属性信息获取模块，用于获取目标信息的第一展示属性信息，所述第一展示属性信息表征所述目标信息、所述目标信息的展示位以及所述目标信息的展示对象的展示属性；

目标信息的展示信息确定模块，用于基于所述目标信息的第一展示属性信息，确定所述目标信息的展示特征信息和展示标识信息，所述目标信息的展示特征信息包括第一展示特征信息；

第一展示率确定模块，用于将所述第一展示特征信息输入展示率确定模型的深度部分进行展示率预测学习，得到所述目标信息的第一展示率；

第二展示率确定模块，用于将所述目标信息的展示标识信息输入所述展示率确定模型的线性部分进行展示率预测学习，得到所述目标信息的第二展示率；

目标信息的展示率确定模块，用于基于所述第一展示率和所述第二展示率，确定所述目标信息的展示率。

10.一种确定展示率的终端，其特征在于，所述终端包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-8任一所述的确定展示率的方法。