CN109978606B - 广告点击率数据的处理方法、装置和计算机可读存储介质 - Google Patents

广告点击率数据的处理方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN109978606B
CN109978606B CN201910161450.1A CN201910161450A CN109978606B CN 109978606 B CN109978606 B CN 109978606B CN 201910161450 A CN201910161450 A CN 201910161450A CN 109978606 B CN109978606 B CN 109978606B
Authority
CN
China
Prior art keywords
click
advertisement
rate
estimated value
value
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.)
Active
Application number
CN201910161450.1A
Other languages
English (en)
Other versions
CN109978606A (zh
Inventor
刘永起
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201910161450.1A priority Critical patent/CN109978606B/zh
Publication of CN109978606A publication Critical patent/CN109978606A/zh
Application granted granted Critical
Publication of CN109978606B publication Critical patent/CN109978606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/0242—Determining effectiveness of advertisements
    • 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

Abstract

本申请是关于一种广告点击率数据的处理方法、装置和计算机存储介质。该广告点击率数据的处理方法包括：基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式；对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。该广告点击率数据的处理方法，提高了对广告点击率预估值校准的实时性和准确性，从而提高了得到的广告点击率预估值的准确性。

Description

广告点击率数据的处理方法、装置和计算机可读存储介质
技术领域
本申请属于计算机软件应用领域，尤其是广告点击率数据的处理方法和装置。
背景技术
广告点击率预估是提高广告投放效果的重要组成部分。由于用户点击行为的稀疏性以及不同点击率预估模型本身的性质限制，预估的点击率与真实的点击率可能存在一定的偏差，例如Boosted Tree模型的预测结果通常会使结果更趋于均保守，而
Figure BDA0001984785070000011
Bayes模型的预测结果会更加的极端，也就是让预测值更加的趋于0或者1。此外，由于用户的行为是不断变化的，数据可能快速的偏离模型原来的预测方向，因此需要有一种方法能够快速的将点击率预估模型的点击率预估结果校准到真实状态。
相关技术中，常用基于后验统计的离线校准方法。主要是每隔一段时间(如小时或者天为单位)，离线统计点击率预估模型的广告点击率预估值和广告点击率真实值的偏差，然后将得到的结果应用到线上的预测过程中。基于后验统计的离线校准方法存在的主要问题是非实时性。然而，用户对广告的点击行为是时刻在变化的，比如，用户在下午五点工作的时候和六点下班的时候对广告的点击偏好非常不同，而用五点的离线统计结果去对六点的数据进行校准，显然得到的点击率预估值是不准确的。
发明内容
为克服相关技术中存在的广告点击率预估的非实时性和准确率低的问题，本申请公开一种广告点击率数据的处理方法和装置，根据当前多个广告的历史广告点击率数据，在每一个迭代周期中，采用第一校准方式对第一点击率预估值在线动态校准，提高了对广告点击率预估值校准的实时性和准确性，从而提高了得到的广告点击率预估值的准确性。
根据本申请实施例的第一方面，提供一种广告点击率数据的处理方法，所述处理方法周期性地执行以下迭代步骤，不断地更新目标广告的广告点击率预估值，包括：
基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式；以及
对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
可选地，所述的处理方法，还包括：在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述的处理方法，还包括：基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
可选地，所述广告点击率数据，包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式。
可选地，所述基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，包括：
按照预设的预估值-行为(ctr-action)状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为(ctr-action)状态表的网格中，所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告；
根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为(ctr-action)状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为(ctr-action)状态表，得到当前周期的所述第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值；以及
将最大校准方式分析反馈值对应的校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为(ctr-action)状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为(ctr-action)状态表，随机将当前周期的所述第一点击率预估值的所属行的所有列中的一个校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，根据所述上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure BDA0001984785070000031
其中，actioni是所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格对应的校准方式，
Figure BDA0001984785070000032
表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，
Figure BDA0001984785070000041
表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的网格中的所有广告的个数。
可选地，将当前周期的所述目标广告的所述第二点击率预估值和其对应的校准方式隐藏在所述目标广告的投放页面上，并实时更新。
根据本申请实施例的第二方面，提供一种广告点击率数据的处理装置，所述处理装置通过决策模块和点击率校准模块，不断地更新目标广告的广告点击率预估值，包括：
所述决策模块，被配置为基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式；
所述点击率校准模块，被配置为对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
可选地，所述的处理装置，还包括：数据更新收集模块，被配置为在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述的处理装置，还包括：初始值设置模块，被配置为基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
可选地，所述广告点击率数据，包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式。
可选地，所述基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，包括：
按照预设的预估值-行为(ctr-action)状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为(ctr-action)状态表的网格中，所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告；
根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为(ctr-action)状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为(ctr-action)状态表，得到当前周期的所述第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值；以及
将最大校准方式分析反馈值对应的校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为(ctr-action)状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为(ctr-action)状态表，随机将当前周期的所述第一点击率预估值的所属行的所有列中的一个校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
可选地，根据所述上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure BDA0001984785070000061
其中，actioni是所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格对应的校准方式，
Figure BDA0001984785070000062
表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，
Figure BDA0001984785070000063
表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在所述预估值-行为(ctr-action)状态表中当前周期的所述第一点击率预估值的所属行的网格中的所有广告的个数。
可选地，将当前周期的所述目标广告的所述第二点击率预估值和其对应的校准方式隐藏在所述目标广告的投放页面上，并实时更新。
根据本发明实施例的第三方面，提供一种广告点击率数据的处理控制装置，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述任意一项所述的广告点击率数据的处理方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述广告点击率数据的处理方法。
根据本申请实施例的第五方面，提供一种计算机程序产品，包括计算机程序产品，所述计算机程序包括程序指令，当所述程序指令被移动终端执行时，使所述移动终端执行上述广告点击率数据的处理方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
根据当前多个广告的历史广告点击率数据，在每一个迭代周期中，采用第一校准方式对第一点击率预估值在线动态校准，提高了对广告点击率预估值校准的实时性和准确性，从而提高了得到的广告点击率预估值的准确性。
及时对广告点击率数据的变化进行响应，进一步提高了对预估的广告点击率校准的准确性和实时性，从而进一步提高了预估的广告点击率的准确性。
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，并不能限制本申请。
附图说明
图1是根据一示例性实施例示出的广告点击率数据的处理方法的流程图。
图2是根据一示例性实施例示出的广告点击率数据的处理方法的流程图。
图3是根据一示例性实施例示出的预估值-行为(ctr-action)状态表。
图4是根据一示例性实施例示出的广告点击率数据的处理装置的示意图。
图5是根据一示例性实施例示出的广告点击率数据的处理装置的示意图。
图6是根据一示例性实施例示出的一种执行广告点击率数据的处理方法的装置的框图。
图7是根据一示例性实施例示出的一种执行广告点击率数据的处理方法的装置的框图。
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申请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、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的广告点击率数据的处理方法的流程图。所述处理方法周期性地执行以下迭代步骤，不断地更新目标广告的广告点击率预估值，具体包括以下步骤：
在步骤S101中，基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式。
上限置信区间算法(UCB算法)是解决探索与利用平衡问题的一个很有效的方法。对于一个目标广告，引入多臂赌博机问题中的概率思想，对历史广告的历史广告点击率数据进行利用和探索，得到点击率预估值的最优的校准方式。
在对一个给定的广告点击率预估值进行校准的时候，可以根据它所在的广告点击率区间，来挑选广告点击率预估值的均值与广告点击率真实值的均值最接近的历史广告对应的历史校准方式，但是这样的问题是只利用而没有探索。在实际应用中，用户的行为数据分布经常随时间发生较大的变化，这样旧的校准方式可能不再适用，因此需要不断的进行选择校准方式的尝试，来寻找出最符合当前需求的校准方式，即动态的对广告点击率预估值进行校准，不会错过每一次用户数据的变化。
在该步骤中，基于当前周期的目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到该目标广告的第一点击率预估值的第一校准方式。
在步骤S102中，对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
在该步骤中，对当前周期的目标广告的第一点击率预估值采用该第一校准方式，获得当前周期的目标广告的第二点击率预估值。根据该第二点击率预估值，将当前周期的目标广告投放给目标用户。
根据本申请的实施例，基于当前周期的目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到该目标广告的第一点击率预估值的第一校准方式。对当前周期的目标广告的第一点击率预估值采用该第一校准方式，获得当前周期的目标广告的第二点击率预估值。根据该第二点击率预估值，将当前周期的目标广告投放给目标用户。根据当前多个广告的历史广告点击率数据，在每一个迭代周期中，采用第一校准方式对第一点击率预估值在线动态校准，提高了对广告点击率预估值校准的实时性和准确性，从而提高了得到的广告点击率预估值的准确性。
图2是根据一示例性实施例示出的广告点击率数据的处理方法的流程图，是比前述实施例更加完善的实施例。包括以下步骤：
在步骤S201中，基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
用户访问短视频等客户端后，触发广告播放请求。广告投放引擎负责广告的过滤、检索、排序、计费等功能。根据该广告播放请求，广告投放引擎对广告资源中的所有广告进行过滤和检索，得到符合该广告播放请求的广告集合。利用预设的广告点击率预估模型，计算该广告集合中的广告的点击率预估值。
在排序阶段，广告投放引擎需要向动态决策模块发起请求，询问动态决策模块当前的广告点击率预估值需要进行什么样的调整才能达到最优状态。之后根据动态决策模块返回的响应进行广告点击率预估值的校准，之后基于校准后的点击率预估值，对该广告集合中的广告进行排序。将排序靠前的广告投放给用户。按照展示次数或者点击次数等方式对被投放的广告计费。
在该步骤中，基于预设的广告点击率预估模型，获得当前周期的目标广告的第一点击率预估值。当前周期的目标广告的该第一点击率预估值作为每个迭代周期的初始值。
在步骤S202中，基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式。
广告点击率数据，包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式。
在该步骤中，按照预设的预估值-行为(ctr-action)状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为(ctr-action)状态表的网格中，所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告。
具体地，根据当前多个广告的历史广告点击率预估值和历史校准方式将该多个广告中的至少一部分广告分发到预估值-行为(ctr-action)状态表的网格中，该预估值-行为状态表为由多个网格构成的二维矩阵，该二维矩阵的行表示广告点击率预估值区间，该二维矩阵的列表示校准方式，每个网格中的广告为广告点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告。图3是根据一示例性实施例示出的预估值-行为(ctr-action)状态表。该预估值-行为状态表为由10×5的网格构成的二维矩阵，该二维矩阵的10个行表示10个广告点击率预估值区间，该二维矩阵的5个列表示5个校准方式。假设将广告点击率预估值从0到1分成10分，即预设为10个广告点击率预估值区间(ctrbin)，每个广告点击率预估值区间的取值分别是[0.0,0.1]，[0.1,0.2],[0.2,0.3],…,[0.9,1.0]。对于每个广告点击率预估值区间里面的广告的广告点击率预估值，可以采用的校准方式(action)包括：-20％，-10％，+0％，+10％，+20％，即对广告点击率预估值进行相应的放大和缩小。每个点击率区间和每一个校准方式对应的格子里记录的元素是“所有广告点击率预估值在该广告点击率预估值区间(ctrbin)内，且在广告投放中执行了该校准方式(action)的广告”。
根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。包括：
按照所述设定概率，根据所述上限置信区间算法，对所述预估值-行为(ctr-action)状态表进行利用，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
具体地，根据当前周期的目标广告的第一点击率预估值，得到当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的所属行。按照设定概率，根据上限置信区间算法和该预估值-行为(ctr-action)状态表，得到当前周期的第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值。以及将最大校准方式分析反馈值对应的校准方式作为当前周期的目标广告的第一点击率预估值的第一校准方式。例如，当前周期的目标广告的第一点击率预估值为0.25，则当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的第三行，即广告点击率预估值区间的取值为[0.2,0.3]。根据上限置信区间算法和该预估值-行为(ctr-action)状态表，得到当前周期的第一点击率预估值(0.25)在该预估值-行为(ctr-action)状态表的第三行的所有列的每个校准方式对应的校准方式分析反馈值。将最大校准方式分析反馈值对应的校准方式，例如为+10％，作为当前周期的目标广告的第一点击率预估值的第一校准方式。
以及按照所述设定概率，根据所述上限置信区间算法，对所述预估值-行为(ctr-action)状态表进行探索，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
具体地，根据当前周期的目标广告的第一点击率预估值，得到当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的所属行。按照设定概率，根据上限置信区间算法和该预估值-行为(ctr-action)状态表，随机将当前周期的第一点击率预估值的所属行的所有列中的一个校准方式作为当前周期的目标广告的第一点击率预估值的第一校准方式。例如，当前周期的目标广告的第一点击率预估值为0.25，则当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的第三行，即广告点击率预估值区间的取值为[0.2,0.3]。根据上限置信区间算法和该预估值-行为(ctr-action)状态表，随机将当前周期的第一点击率预估值(0.25)在该预估值-行为(ctr-action)状态表的第三行所有列中的一个校准方式，例如为+10％，作为当前周期的目标广告的第一点击率预估值的第一校准方式。
在步骤S203中，对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
在该步骤中，对当前周期的目标广告的第一点击率预估值采用第一校准方式，获得当前周期的该目标广告的第二点击率预估值，其中，根据该第二点击率预估值，将该目标广告投放给目标用户。当目标用户点击该目标广告的时候将该目标广告标记为1，当目标用户未点击该目标广告的时候将该目标广告标记为0。根据用户对广告的点击情况，计算该广告的广告点击率真实值。例如，当前周期的目标广告的第一点击率预估值(0.25)的第一校准方式为+10％，则当前周期的该目标广告的第二点击率预估值为0.25×(1+10％)＝0.275。根据该第二点击率预估值(0.275)对目标广告进行排序，将该目标广告投放给目标用户。
在步骤S204中，在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
在该步骤中，根据当前周期的目标广告的广告点击率预估值和该广告点击率预估值对应的第一校准方式，将该当前周期的目标广告分发到该预估值-行为(ctr-action)状态表中。
按照设定概率，根据上限置信区间算法，对经过更新后的该预估值-行为(ctr-action)状态表进行计算，得到下一周期的目标广告的第一点击率预估值的第一校准方式。
根据本申请实施例，根据当前周期的目标广告的广告点击率预估值和该广告点击率预估值对应的第一校准方式，将该当前周期的目标广告分发到该预估值-行为(ctr-action)状态表中。按照设定概率，根据上限置信区间算法，对经过更新后的该预估值-行为(ctr-action)状态表进行计算，得到下一周期的目标广告的第一点击率预估值的第一校准方式。及时对广告点击率数据的变化进行响应，进一步提高了对预估的广告点击率校准的准确性和实时性，从而进一步提高了预估的广告点击率的准确性。
在本申请的一个可选的实施例中，根据上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure BDA0001984785070000131
其中，actioni是预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格对应的校准方式，
Figure BDA0001984785070000132
表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，
Figure BDA0001984785070000133
表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的网格中的所有广告的个数。
这样，在探索的次数较少时，每个校准方式的校准方式分析反馈不一定稳定，上式中
Figure BDA0001984785070000134
会比较大，算法自动的对探索次数少的校准方式进行较多的尝试。在对某个校准方式尝试次数较多之后，它本身的校准方式分析反馈已经币价置信，右侧这一项会比较小，校准方式分析反馈的计算主要依赖于左侧这一项。而使用上置信区间算法(UCB算法)，可以在最优校准方式和其他校准方式之间进行权衡，达到边利用边探索的目的，既能有效的校准广告点击率预估值，又能及时的发现历史广告点击率数据分布的变化，对其进行响应。
在本申请的一个可选的实施例中，将当前周期的目标广告的第二点击率预估值和其对应的校准方式隐藏在该目标广告的投放页面上，并实时更新。
图4是根据一示例性实施例示出的广告点击率数据的处理装置的示意图。该处理装置通过决策模块和点击率校准模块，不断地更新目标广告的广告点击率预估值。如图4所示，该装置40包括：决策模块401和点击率校准模块402。
决策模块401，被配置为基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式。
该模块被配置为基于当前周期的目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到该目标广告的第一点击率预估值的第一校准方式。
点击率校准模块402，被配置为对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
该模块被配置为对当前周期的目标广告的第一点击率预估值采用该第一校准方式，获得当前周期的目标广告的第二点击率预估值。根据该第二点击率预估值，将当前周期的目标广告投放给目标用户。
图5是根据一示例性实施例示出的广告点击率数据的处理装置的示意图。是比前述实施例更加完善的实施例。如图5所示，该装置50包括：初始值设置模块501、决策模块502、点击率校准模块503和数据更新收集模块504。
初始值设置模块501，被配置为基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
该模块被配置为基于预设的广告点击率预估模型，获得当前周期的目标广告的第一点击率预估值。当前周期的目标广告的该第一点击率预估值作为每个迭代周期的初始值。
决策模块502，基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式。
广告点击率数据，包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式。
该模块被配置为按照预设的预估值-行为(ctr-action)状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为(ctr-action)状态表的网格中，所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告。
具体地，根据当前多个广告的历史广告点击率预估值和历史校准方式将该多个广告中的至少一部分广告分发到预估值-行为(ctr-action)状态表的网格中，该预估值-行为状态表为由多个网格构成的二维矩阵，该二维矩阵的行表示广告点击率预估值区间，该二维矩阵的列表示校准方式，每个网格中的广告为广告点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告。图3是根据一示例性实施例示出的预估值-行为(ctr-action)状态表。该预估值-行为状态表为由10×5的网格构成的二维矩阵，该二维矩阵的10个行表示10个广告点击率预估值区间，该二维矩阵的5个列表示5个校准方式。假设将广告点击率预估值从0到1分成10分，即预设为10个广告点击率预估值区间(ctrbin)，每个广告点击率预估值区间的取值分别是[0.0,0.1]，[0.1,0.2],[0.2,0.3],…,[0.9,1.0]。对于每个广告点击率预估值区间里面的广告的广告点击率预估值，可以采用的校准方式(action)包括：-20％，-10％，+0％，+10％，+20％，即对广告点击率预估值进行相应的放大和缩小。每个点击率区间和每一个校准方式对应的格子里记录的元素是“所有广告点击率预估值在该广告点击率预估值区间(ctrbin)内，且在广告投放中执行了该校准方式(action)的广告”。
根据所述上限置信区间算法，按照设定概率对所述预估值-行为(ctr-action)状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。包括：
按照所述设定概率，根据所述上限置信区间算法，对所述预估值-行为(ctr-action)状态表进行利用，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
具体地，根据当前周期的目标广告的第一点击率预估值，得到当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的所属行。按照设定概率根据上限置信区间算法和该预估值-行为(ctr-action)状态表，得到当前周期的第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值。以及将最大校准方式分析反馈值对应的校准方式作为当前周期的目标广告的第一点击率预估值的第一校准方式。例如，当前周期的目标广告的第一点击率预估值为0.25，则当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的第三行，即广告点击率预估值区间的取值为[0.2,0.3]。根据上限置信区间算法和该预估值-行为(ctr-action)状态表，得到当前周期的第一点击率预估值(0.25)在该预估值-行为(ctr-action)状态表的第三行的所有列的每个校准方式对应的校准方式分析反馈值。将最大校准方式分析反馈值对应的校准方式，例如为+10％，作为当前周期的目标广告的第一点击率预估值的第一校准方式。
以及按照所述设定概率，根据所述上限置信区间算法，对所述预估值-行为(ctr-action)状态表进行探索，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
具体地，根据当前周期的目标广告的第一点击率预估值，得到当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的所属行。按照设定概率，根据上限置信区间算法和该预估值-行为(ctr-action)状态表，随机将当前周期的第一点击率预估值的所属行的所有列中的一个校准方式作为当前周期的目标广告的第一点击率预估值的第一校准方式。例如，当前周期的目标广告的第一点击率预估值为0.25，则当前周期的第一点击率预估值在该预估值-行为(ctr-action)状态表的第三行，即广告点击率预估值区间的取值为[0.2,0.3]。根据上限置信区间算法和该预估值-行为(ctr-action)状态表，随机将当前周期的第一点击率预估值(0.25)在该预估值-行为(ctr-action)状态表的第三行所有列中的一个校准方式，例如为+10％，作为当前周期的目标广告的第一点击率预估值的第一校准方式。
点击率校准模块503，被配置为对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
该模块被配置为对当前周期的目标广告的第一点击率预估值采用第一校准方式，获得当前周期的该目标广告的第二点击率预估值，其中，根据该第二点击率预估值，将该目标广告投放给目标用户。当目标用户点击该目标广告的时候将该目标广告标记为1，当目标用户未点击该目标广告的时候将该目标广告标记为0。根据用户对广告的点击情况，计算该广告的广告点击率真实值。例如，当前周期的目标广告的第一点击率预估值(0.25)的第一校准方式为+10％，则当前周期的该目标广告的第二点击率预估值为0.25×(1+10％)＝0.275。根据该第二点击率预估值(0.275)对目标广告进行排序，将该目标广告投放给目标用户。
数据更新收集模块504，被配置为在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
该模块被配置为根据当前周期的目标广告的广告点击率预估值和该广告点击率预估值对应的第一校准方式，将该当前周期的目标广告分发到该预估值-行为(ctr-action)状态表中。
按照设定概率，根据上限置信区间算法，对经过更新后的该预估值-行为(ctr-action)状态表进行计算，得到下一周期的目标广告的第一点击率预估值的第一校准方式。
在本申请的一个可选的实施例中，根据上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure BDA0001984785070000171
其中，actioni是预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格对应的校准方式，
Figure BDA0001984785070000172
表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，
Figure BDA0001984785070000173
表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在预估值-行为(ctr-action)状态表中当前周期的第一点击率预估值的所属行的网格中的所有广告的个数。
在本申请的一个可选的实施例中，将当前周期的目标广告的第二点击率预估值和其对应的校准方式隐藏在该目标广告的投放页面上，并实时更新。
图6是根据一示例性实施例示出的一种执行广告点击率数据的处理方法的装置1200的框图。例如，交互装置1200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置1200可以包括以下一个或多个组件：处理组件1202，存储器1204，电源组件1206，多媒体组件1208，音频组件1210，输入/输出(I/O)的接口1212，传感器组件1214，以及通信组件1216。
处理组件1202通常控制装置1200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1202可以包括一个或多个处理器1220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1202可以包括一个或多个模块，便于处理组件1202和其他组件之间的交互。例如，处理组件1202可以包括多媒体模块，以方便多媒体组件1208和处理组件1202之间的交互。
存储器1204被配置为存储各种类型的数据以支持在设备1200的操作。这些数据的示例包括用于在装置1200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1204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1206为装置1200的各种组件提供电力。电源组件1206可以包括电源管理系统，一个或多个电源，及其他与为装置1200生成、管理和分配电力相关联的组件。
多媒体组件1208包括在所述装置1200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1208包括一个前置摄像头和/或后置摄像头。当设备1200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1210被配置为输出和/或输入音频信号。例如，音频组件1210包括一个麦克风(MIC)，当装置1200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1204或经由通信组件1216发送。在一些实施例中，音频组件1210还包括一个扬声器，用于输出音频信号。
I/O接口1212为处理组件1202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1214包括一个或多个传感器，用于为装置1200提供各个方面的状态评估。例如，传感器组件1214可以检测到设备1200的打开/关闭状态，组件的相对定位，例如所述组件为装置1200的显示器和小键盘，传感器组件1214还可以检测装置1200或装置1200一个组件的位置改变，用户与装置1200接触的存在或不存在，装置1200方位或加速/减速和装置1200的温度变化。传感器组件1214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1214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1214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1216被配置为便于装置1200和其他设备之间有线或无线方式的通信。装置1200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1216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1216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，装置1200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1204，上述指令可由装置1200的处理器1220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。
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序产品，所述计算机程序包括程序指令，当所述程序指令被移动终端执行时，使所述移动终端执行上述广告点击率数据的处理方法的步骤：基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式；以及对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户。
图7是根据一示例性实施例示出的一种执行广告点击率数据的处理方法的装置1300的框图。例如，装置1300可以被提供为一服务器。参照图7，装置1300包括处理组件1322，其进一步包括一个或多个处理器，以及由存储器1332所代表的存储器资源，用于存储可由处理组件1322的执行的指令，例如应用程序。存储器1332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1322被配置为执行指令，以执行上述信息列表显示方法。
装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理，一个有线或无线网络接口1350被配置为将装置1300连接到网络，和一个输入输出(I/O)接口1358。装置1300可以操作基于存储在存储器1332的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

Claims (14)

1.一种广告点击率数据的处理方法，其特征在于，所述处理方法周期性地执行以下迭代步骤，不断地更新目标广告的广告点击率预估值，包括：
基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，所述广告点击率数据包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式，
其中，根据所述上限置信区间算法和预估值-行为状态表，得到当前周期的所述第一点击率预估值在所述预估值-行为状态表的所属行的所有列的每个校准方式对应的校准方式分析反馈值，所述第一点击率预估值的第一校准方式是最大校准方式分析反馈值对应的校准方式，其中，
所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告；以及
对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户；
在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
2.根据权利要求1所述的处理方法，其特征在于，还包括：基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
3.根据权利要求2所述的处理方法，其特征在于，所述基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，包括：
按照预设的预估值-行为状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为状态表的网格中；
根据所述上限置信区间算法，按照设定概率对所述预估值-行为状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
4.根据权利要求3所述的处理方法，其特征在于，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为状态表，得到当前周期的所述第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值；以及
将最大校准方式分析反馈值对应的校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
5.根据权利要求4所述的处理方法，其特征在于，根据所述上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure FDA0003719567870000021
其中，actioni是所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格对应的校准方式，pctr_i表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，rctr_i表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的网格中的所有广告的个数。
6.根据权利要求5所述的处理方法，其特征在于，将当前周期的所述目标广告的所述第二点击率预估值和其对应的校准方式隐藏在所述目标广告的投放页面上，并实时更新。
7.一种广告点击率数据的处理装置，其特征在于，所述处理装置通过决策模块、点击率校准模块和数据更新收集模块，不断地更新目标广告的广告点击率预估值，包括：
所述决策模块，被配置为基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，所述广告点击率数据包括以下数据中至少之一的数据：广告点击率真实值、广告点击率预估值和所述广告点击率预估值对应的校准方式，
其中，根据所述上限置信区间算法和预估值-行为状态表，得到当前周期的所述第一点击率预估值在所述预估值-行为状态表的所属行的所有列的每个校准方式对应的校准方式分析反馈值，所述第一点击率预估值的第一校准方式是最大校准方式分析反馈值对应的校准方式，其中，
所述预估值-行为状态表为由多个网格构成的二维矩阵，所述二维矩阵的行表示广告点击率预估值区间，所述二维矩阵的列表示校准方式，每个网格中的广告为点击率预估值在对应行的广告点击率预估值区间且在实际广告投放中执行了相应校准方式的广告；
所述点击率校准模块，被配置为对当前周期的所述目标广告的所述第一点击率预估值采用所述第一校准方式，获得当前周期的所述目标广告的第二点击率预估值，其中，根据所述第二点击率预估值，将所述目标广告投放给目标用户；
所述数据更新收集模块，被配置为在当前周期实时收集所述目标广告的广告点击率数据，并添加到已有的所述多个广告的历史广告点击率数据中，以用于计算下一周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
8.根据权利要求7所述的处理装置，其特征在于，还包括：初始值设置模块，被配置为基于预设的广告点击率预估模型，获得所述目标广告的所述第一点击率预估值，所述目标广告的所述第一点击率预估值作为每个迭代周期的初始值。
9.根据权利要求8所述的处理装置，其特征在于，所述基于当前周期的所述目标广告的第一点击率预估值，通过上限置信区间算法对多个广告的历史广告点击率数据进行计算，得到所述目标广告的所述第一点击率预估值的第一校准方式，包括：
按照预设的预估值-行为状态表，根据所述多个广告的历史广告点击率预估值和历史校准方式将所述多个广告中的至少一部分广告分发到所述预估值-行为状态表的网格中；
根据所述上限置信区间算法，按照设定概率对所述预估值-行为状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式。
10.根据权利要求9所述的处理装置，其特征在于，所述根据所述上限置信区间算法，按照设定概率对所述预估值-行为状态表进行计算，得到所述目标广告的所述第一点击率预估值的所述第一校准方式，包括：
根据当前周期的所述目标广告的所述第一点击率预估值，得到当前周期的所述第一点击率预估值在所述预估值-行为状态表的所属行；
按照所述设定概率，根据所述上限置信区间算法和所述预估值-行为状态表，得到当前周期的所述第一点击率预估值的所属行的所有列的每个校准方式对应的校准方式分析反馈值；以及
将最大校准方式分析反馈值对应的校准方式作为当前周期的所述目标广告的所述第一点击率预估值的所述第一校准方式。
11.根据权利要求10所述的处理装置，其特征在于，根据所述上限置信区间算法，采用以下函数计算每个校准方式对应的校准方式分析反馈值，
Figure FDA0003719567870000041
其中，actioni是所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格对应的校准方式，pctr_i表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率预估值的均值，rctr_i表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中的所有广告的广告点击率真实值的均值，ti表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的第i列的网格中所有广告的个数，T表示落在所述预估值-行为状态表中当前周期的所述第一点击率预估值的所属行的网格中的所有广告的个数。
12.根据权利要求11所述的处理装置，其特征在于，将当前周期的所述目标广告的所述第二点击率预估值和其对应的校准方式隐藏在所述目标广告的投放页面上，并实时更新。
13.一种广告点击率数据的处理控制装置，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述权利要求1至6任意一项所述的处理方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至6任一项所述的处理方法。
CN201910161450.1A 2019-03-04 2019-03-04 广告点击率数据的处理方法、装置和计算机可读存储介质 Active CN109978606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910161450.1A CN109978606B (zh) 2019-03-04 2019-03-04 广告点击率数据的处理方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910161450.1A CN109978606B (zh) 2019-03-04 2019-03-04 广告点击率数据的处理方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109978606A CN109978606A (zh) 2019-07-05
CN109978606B true CN109978606B (zh) 2022-09-30

Family

ID=67077832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910161450.1A Active CN109978606B (zh) 2019-03-04 2019-03-04 广告点击率数据的处理方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109978606B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310161A (zh) * 2019-07-09 2019-10-08 西安点告网络科技有限公司 特征聚合的方法及装置
CN110515904B (zh) * 2019-08-13 2022-04-29 北京达佳互联信息技术有限公司 媒体文件的质量预测模型训练方法、质量预测方法及装置
CN110866776B (zh) * 2019-10-12 2023-11-24 上海掌门科技有限公司 推广资源的数据校准方法、电子设备及可读存储介质
CN111028005B (zh) * 2019-11-29 2021-11-05 腾讯科技（深圳）有限公司 广告展示方法、装置
CN113220969A (zh) * 2020-02-06 2021-08-06 百度在线网络技术（北京）有限公司 一种广告确定方法、装置、设备及存储介质
CN111652647B (zh) * 2020-06-03 2023-07-07 广州市丰申网络科技有限公司 一种广告自动化上新方法、系统、装置及存储介质
CN112801700A (zh) * 2021-01-29 2021-05-14 北京达佳互联信息技术有限公司 虚拟对象变更方法及装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942603A (zh) * 2013-01-17 2014-07-23 腾讯科技（深圳）有限公司 一种广告点击率的预估方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268644A (zh) * 2014-09-23 2015-01-07 新浪网技术(中国)有限公司 广告位上的广告的点击次数预估方法和装置
US20170278114A1 (en) * 2016-03-24 2017-09-28 Xerox Corporation Adaptive collaborative filtering with extended kalman filters and multi-armed bandits
US11017040B2 (en) * 2017-02-17 2021-05-25 Microsoft Technology Licensing, Llc Providing query explanations for automated sourcing
CN108681915B (zh) * 2018-04-18 2022-06-03 北京奇艺世纪科技有限公司 一种点击率预估方法、装置及电子设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942603A (zh) * 2013-01-17 2014-07-23 腾讯科技（深圳）有限公司 一种广告点击率的预估方法和装置

Also Published As

Publication number Publication date
CN109978606A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978606B (zh) 广告点击率数据的处理方法、装置和计算机可读存储介质
CN111431727B (zh) 一种群组展示方法、装置、终端、服务器及系统
CN109543066B (zh) 视频推荐方法、装置和计算机可读存储介质
CN112131410A (zh) 多媒体资源展示方法、装置、系统和存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN111859020A (zh) 推荐方法、装置、电子设备及计算机可读存储介质
CN109543069B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109670632A (zh) 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
CN112148923B (zh) 搜索结果的排序方法、排序模型的生成方法、装置及设备
CN111538955A (zh) 货品销量的预测方法、装置及存储介质
CN112131466A (zh) 群组展示方法、装置、系统和存储介质
CN111859097B (zh) 数据处理方法、装置、电子设备及存储介质
CN107515853B (zh) 一种细胞词库推送方法及装置
CN111160887B (zh) 互联网资源的分配方法及装置
CN114840761A (zh) 推送模型的训练方法、装置、设备、存储介质及程序产品
CN110677470B (zh) 服务信息推送方法、装置及计算机可读存储介质
CN111949808B (zh) 一种多媒体内容相似度确定方法、装置、电子设备及存储介质
CN113569148A (zh) 一种目标信息的推荐方法、装置、电子设备及存储介质
CN111984864A (zh) 对象推荐方法、装置、电子设备和存储介质
CN113190725B (zh) 对象的推荐及模型训练方法和装置、设备、介质和产品
CN114785852B (zh) 一种推送内容确定方法、装置、电子设备及存储介质
CN110457560B (zh) 一种获得点击率的方法及相关装置
CN110874146A (zh) 一种输入方法、装置及电子设备
CN114416503A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN114416246B (zh) 一种数据处理方法、装置、电子设备及存储介质

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