CN110222894A - 广告投放方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供一种广告投放方法、装置及设备，在广告投放方法中，接收用户的页面访问请求。响应于所述页面访问请求，获取用户的用户特征。将用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测该用户对多个待投放广告各自的点击率。根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。

Description

广告投放方法、装置及设备

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种广告投放方法、装置及设备。

背景技术

广告，也称广告创意，其可以是指由不同的文案或者图片所组合得到。广告通常会被投放到网站，以达到宣传商家的商品或者活动的目的。为了更好地宣传商品或者活动，通常需要对广告进行个性化投放。即针对不同的用户投放不同的广告。

传统的广告投放方法可以为：通过人工的方式筛选适合当前用户的广告，向用户投放上述筛选得到的广告。然而，在通过该方式向用户投放广告时，其投放效果往往较差。

因此，需要提供一种投放效果更好、更有效的广告投放方案。

发明内容

本说明书一个或多个实施例描述了一种广告投放方法、装置及设备，可以有效地对广告进行投放。

第一方面，提供了一种广告投放方法，包括：

接收用户的页面访问请求；

响应于所述页面访问请求，获取所述用户的用户特征；

将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

向所述用户投放所述目标广告。

第二方面，提供了一种广告投放装置，包括：

接收单元，用于接收用户的页面访问请求；

获取单元，用于响应于所述接收单元接收的所述页面访问请求，获取所述用户的用户特征；

输入单元，用于将所述获取单元获取的用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

选取单元，用于根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

投放单元，用于向所述用户投放所述选取单元选取的所述目标广告。

第三方面，提供了一种广告投放设备，包括：

存储器；

一个或多个处理器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：

接收用户的页面访问请求；

响应于所述页面访问请求，获取所述用户的用户特征；

将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

向所述用户投放所述目标广告。

本说明书一个或多个实施例提供的广告投放方法、装置及设备，接收用户的页面访问请求。响应于所述页面访问请求，获取用户的用户特征。将用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测该用户对多个待投放广告各自的点击率。根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。在用户所请求访问的页面中投放目标广告。也即本说明书提供的方案，可以实现广告的智能化投放，由此可以大大提升广告投放的效率，且可以取得较好的广告投放效果。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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的附图。

图1为本说明书提供的CIN结构的宏观结构示意图；

图2为本说明书提供的广告投放系统示意图；

图3为本说明书提供的预测模型的获取方法流程图；

图4为本说明书一个实施例提供的广告投放方法流程图；

图5为本说明书一个实施例提供的广告投放装置示意图；

图6为本说明书一个实施例提供的广告投放设备示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

在对本说明书提供的方案进行描述之前，先对本方案的发明构思作以下说明。

为提升广告的投放效果以及投放效率，申请人尝试基于机器学习的方式来向用户投放广告。在该过程中，申请人首先尝试了传统的机器学习模型。这里的传统的机器学习模型例如可以为：支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和迭代决策树(Gradient Boosting Decision Tree,GBDT)等等。具体地，在该方式中，在向用户投放广告时，首先基于传统的机器学习模型对多个待投放广告进行打分，以得到打分结果。这里的打分结果用于预测用户对广告的点击率。之后，基于打分结果，从多个待投放广告中筛选出适合当前用户的广告，并向用户投放该广告。

然而，由于在基于传统的机器学习模型对广告进行打分时，该模型的输入特征通过是通过人工的方式提取得到，因此，基于传统的机器学习模型所预测的点击率转化率往往较低，达不到业务需求。

为提升点击率的转化率，申请人考虑基于极深因子分解机(eXtreme DeepFactorization Machine，xDeepFM)模型来预测用户对广告的点击率。xDeepFM模型属于深度学习模型，即其可以自动提取输入特征。此外，xDeepFM模型可以同时包含多种结构。这里的多种结构可以包括但不限于压缩交互网络(Compressed Interaction Network，CIN)结构、线性回归(linear regression，LR)结构以及深度神经网络(Deep Neural Networks，DNN)等。以下对CIN结构作简单说明。

图1为本说明书提供的CIN结构的宏观结构示意图。图1中，CIN结构的输入是所有字段(field)的特征(embedding)向量构成的矩阵X^0，该矩阵的第i行对应第i个field的embedding向量，假设共有m个field，每个field的embedding向量的维度为D。CIN网络也是一个多层的网络，它的第k层的输出也是一个矩阵，记为X^k，该矩阵的行数为H_k，表示第k层共有H_k个特征(embedding)向量，其中H_0＝m。CIN中第k层的输出X^k由第k-1层的输出X^{k-1}和输入X^0经过一个比较复杂的运算得到。

由图1可以看出，CIN结构最终学习出的特征交互的阶数是由网络的层数决定的，每一层隐层都通过一个池化操作连接到输出层，从而保证了输出单元可以见到不同阶数的特征交互模式。此外，CIN的结构与RNN非常相似，其中下一个隐层的输出取决于最近一个的隐层和一个额外的输入。在所有层上都持有embedding向量的结构，这样即可在向量级别上使用交叉。

需要说明的是，当xDeepFM模型同时包含CIN和DNN两个结构时，两个结构能够帮助模型同时以显式和隐式的方式学习高阶的特征交互。此外，集成的LR结构和DNN结构也让模型兼具记忆与泛化的学习能力。

以上就是本方案的发明构思，基于该发明构思就可以得到本方案，以下对本方案进行详细阐述。

图2为本说明书提供的广告投放系统示意图。图2中，该广告投放系统可以包括特征获取模块202、在线预测引擎204以及广告投放模块206。其中，特征获取模块202用于接收用户的页面访问请求，并获取用户的实时特征、离线特征以及广告的广告特征。并对所获取的特征进行预处理。这里的预处理可以包括但不限于特征过滤、缺省值填充以及归一化等操作。在线预测引擎204用于从云服务端加载预先训练好的预测模型(其训练过程后续进行说明)。之后，将特征获取模块202所获取的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测当前用户对多个待投放广告各自的点击率。广告投放模块206用于基于多个待投放广告各自的分数，向当前用户投放广告。

以下对预测模型的训练过程进行说明。

图3为本说明书提供的预测模型的获取方法流程图。如图3所示，该方法可以包括：

步骤302，获取多个样本。

这里的每个样本可以包括：用户的用户特征、广告的广告特征以及用户的标签值，该标签值指示该用户对该广告的点击率。

需要说明的是，由于样本通常为一些离线数据，所以上述样本包括的用户特征可以称为用户的离线特征，其可以包括但不限于性别、年龄、居住地、购物记录以及消费记录等等。上述广告特征至少可以包括如下两大类：文案特征以及图片特征。其中，文案特征可以包括但不限于词向量特征。图片特征可以包括但不限于像素特征等。

在一个例子中，可以通过特征提取工具获取上述用户特征以及广告特征。对于上述获取到的用户特征以及广告特征，特征获取模块202可以对其进行预处理。这里的预处理可以包括但不限于特征过滤、缺省值填充以及归一化等操作。此外，特征获取模块202还可以将获取的用户特征存储到分布式数据库hbase中。

步骤304，使用多个样本，训练深度学习模型，以获取预测模型。

这里的深度学习模型例如可以为基于CIN的xDeepFM模型。如前所述，本说明书所述的xDeepFM模型可以包括CIN结构、LR结构以及DNN结构等。当然，在实际应用中，也可以为其它深度学习模型，本说明书对此不作限定。

需要说明的是，由于使用样本训练模型为传统常规技术，因此，在此不复赘述。

可选地，在获取到预测模型之后，可以将预测模型保存至云服务端，以实现模型的安全存储。此外，将预测模型保存至云服务端之后，还可以方便于后续在先预测引擎对其进行快速加载。

在获取到预测模型之后，就可以执行本说明书提供的广告投放方法。

图4为本说明书一个实施例提供的广告投放方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者装置，如，可以为图2中的广告投放系统等。如图4所示，所述方法具体可以包括：

步骤402，接收用户的页面访问请求。

如，可以是由图2中的特征获取模块202接收用户的页面访问请求。

这里的页面访问请求可以是用户通过客户端向广告投放系统发送的。在一个例中，在用户通过客户端登录某app时，广告投放系统就可以通过该客户端接收到用户发送的页面访问请求。

需要说明的是，上述页面访问请求至少可以包括用户id。此外，还可以包括用户当前的登录地等实时特征。

步骤404，响应于页面访问请求，获取用户的用户特征。

如，可以是由图2中的特征获取模块202获取用户的用户特征。

该获取过程具体可以为：从页面访问请求中提取用户的实时特征。获取预先记录的用户的离线特征。这里，可以是从分布式数据库hbase中获取预先记录的用户的离线特征。基于所提取的实时特征，更新用户的离线特征中的至少一部分特征。将用户的离线特征中已更新的特征以及未更新的特征共同作为用户的用户特征。

以下结合例子对用户特征的获取过程进行简单说明，假设从用户的页面访问请求中提取的实时特征如下：登录地：A城市，而预先记录的用户的离线特征为：登录地：B城市、性别：男、年龄：25岁等等，那么，可以对离线特征中的登录地进行更新，从而得到用户的用户特征：登录地：A城市、性别：男、年龄：25岁等等。

由此可以看出，本说明书所述的用户特征可以包括实时特征以及离线特征。当结合实时特征，来从多个待投放广告中筛选适合于当前用户的广告时，可以大大提升所筛选广告的准确性。

步骤406，将用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测用户对多个待投放广告各自的点击率。

这里的多个待投放广告可以是指全量的广告，也可以是指基于预设的广告召回规则从全量的广告中召回的部分广告。这里的广告召回规则例如可以为：用户群体A对应广告集合1，用户群体B对应广告集合2等等。

以上述多个待投放广告是指基于预设的广告召回规则从全量的广告中召回的部分广告为例来说，其召回过程具体可以为：根据用户的用户标识确定当前用户所属的用户群体。之后，根据确定的用户群体，获取相对应的广告集合。将该广告集合中的各个广告作为上述多个待投放广告。本说明书只针对召回的广告预测点击率的方式，可以大大提升模型的预测效率。

还需要说明的是，对于上述多个待投放广告，其对应的广告特征可以是基于广告与广告特征之间的对应关系确定的。这里的广告特征至少可以包括如下两大类：文案特征以及图片特征。其中，文案特征可以包括但不限于词向量特征。图片特征可以包括但不限于像素特征等。

上述对应关系可以通过如下方式建立:通过人工或者自动化的方式从每个广告中提取对应的广告特征。之后，可以对所提取的广告特征进行上述预处理。最后，建立全量的广告中每个广告与所提取的广告特征之间的对应关系。

在获取到多个待投放广告的广告特征之时或之后,可以是由在线预测引擎204从云服务端加载预先存储的预测模型。之后，由在线预测引擎204将用户的用户特征以及多个待投放广告的广告特征输入已加载的预测模型，以获取多个待投放广告各自的分数。

本说明书所述的在线预测引擎204可以具有高效的计算特征，这可以加快预测模型的预测效率。

步骤408，根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。

如，可以是由广告投放模块206根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。

该选取过程具体可以为：对多个待投放广告各自的分数进行排序。基于排序结果，从多个待投放广告中选取出目标广告。如，在对多个待投放广告各自的分数进行排序之后，可以是将TOP N的分数所对应的待投放广告均选取为目标广告。

步骤410，向用户投放所选取的目标广告。

在一个例子中，可以是在用户所请求访问的页面中投放所选取的目标广告。

需要说明的是，本说明书实施例，在基于xDeepFM模型预测用户的点击率时，由于xDeepFM模型具有很好的学习与泛化能力，此外，还由于模型的输入还包含了实时特征，从而可以对点击率进行准确预测，进而可以提升广告的投放效果。此外，本方案在通过在线预测引擎加载预测模型，并通过在线预测引擎输入用户特征以及广告特征时，由于在线预测引擎具有高效的计算特性，进而可以实现广告的实时投放。

综上，本说明书提供的方案，可以实现广告的智能化投放，由此可以大大提升广告投放的效率，且可以取得较好的广告投放效果。

与上述广告投放方法对应地，本说明书一个实施例还提供的一种广告投放装置，如图5所示，该装置可以包括：

接收单元502，用于接收用户的页面访问请求。

获取单元504，用于响应于接收单元502接收的页面访问请求，获取用户的用户特征。

获取单元504具体可以用于：

从页面访问请求中提取用户的实时特征。

获取预先记录的用户的离线特征。

基于实时特征，更新用户的离线特征中的至少一部分特征。

将用户的离线特征中已更新的特征以及未更新的特征共同作为用户的用户特征。

输入单元506，用于将获取单元504获取的用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测用户对多个待投放广告各自的点击率。

这里的广告特征包括以下至少一种：文案特征以及图片特征。

选取单元508，用于根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。

选取单元508具体可以用于：

对多个待投放广告各自的分数进行排序。

基于排序结果，从多个待投放广告中选取出目标广告。

投放单元510，用于向用户投放选取单元508选取的目标广告。

需要说明的是，上述接收单元502和获取单元504的功能可以由图2中的特征获取模块202实现，输入单元506的功能可以由图2中的在线预测引擎204实现，选取单元508和投放单元510的功能可以由图2中的广告投放模块206实现。

可选地，该装置还可以包括：训练单元512。

获取单元504，还用于获取多个样本，其中，每个样本包括：用户的用户特征、广告的广告特征以及用户的标签值，该标签值指示用户对广告的点击率。

训练单元512，用于使用获取单元504获取的多个样本，训练深度学习模型，以获取预测模型。

这里的深度学习模型可以为基于压缩交互网络CIN的极深因子分解机xDeepFM模型。

可选地，该装置还可以包括：

存储单元514，用于将预测模型存储到云服务端。

输入单元506具体可以用于：

通过在线预测引擎从云服务端加载预测模型。

通过在线预测引擎将用户的用户特征以及多个待投放广告的广告特征输入已加载的预测模型。

可选地，该装置还可以包括：

召回单元516，用于根据预设的广告召回规则，从全量的广告中召回多个待投放广告。

确定单元518，用于根据广告与广告特征的对应关系，分别确定对应于召回单元516召回的多个待投放广告的广告特征。

本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。

本说明书一个实施例提供的广告投放装置，接收单元502接收用户的页面访问请求。响应于页面访问请求，获取单元504获取用户的用户特征。输入单元506将用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测用户对多个待投放广告各自的点击率。选取单元508根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。投放单元510向用户投放选取的目标广告。由此，可以有效地对广告进行投放。

与上述广告投放方法对应地，本说明书实施例还提供了一种广告投放设备，如图6所示，该设备可以包括：存储器602、一个或多个处理器604以及一个或多个程序。其中，该一个或多个程序存储在存储器602中，并且被配置成由一个或多个处理器604执行，该程序被处理器604执行时实现以下步骤：

接收用户的页面访问请求。

响应于页面访问请求，获取用户的用户特征。

将用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取多个待投放广告各自的分数，该分数用于预测用户对所述多个待投放广告各自的点击率。

根据多个待投放广告各自的分数，从多个待投放广告中选取出目标广告。

向用户投放目标广告。

本说明书一个实施例提供的广告投放设备，可以有效地对广告进行投放。

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，对于设备实施例而言，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。

结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

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。

以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。

Claims (17)

1.一种广告投放方法，包括：

接收用户的页面访问请求；

响应于所述页面访问请求，获取所述用户的用户特征；

将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

向所述用户投放所述目标广告。

2.根据权利要求1所述的方法，还包括获取所述预测模型的步骤，包括：

获取多个样本，其中，每个样本包括：用户的用户特征、广告的广告特征以及用户的标签值，所述标签值指示所述用户对所述广告的点击率；

使用所述多个样本，训练深度学习模型，以获取所述预测模型。

3.根据权利要求2所述的方法，所述深度学习模型为基于压缩交互网络CIN的极深因子分解机xDeepFM模型。

4.根据权利要求2所述的方法，在所述获取所述预测模型之后，还包括：

将所述预测模型存储到云服务端；

所述将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型，包括：

通过在线预测引擎从所述云服务端加载所述预测模型；

通过所述在线预测引擎将所述用户的用户特征以及多个待投放广告的广告特征输入已加载的所述预测模型。

5.根据权利要求1所述的方法，所述获取所述用户的用户特征，包括：

从所述页面访问请求中提取所述用户的实时特征；

获取预先记录的所述用户的离线特征；

基于所述实时特征，更新所述用户的离线特征中的至少一部分特征；

将所述用户的离线特征中已更新的特征以及未更新的特征共同作为所述用户的用户特征。

6.根据权利要求1-5任一项所述的方法，所述广告特征包括以下至少一种：文案特征以及图片特征。

7.根据权利要求1所述的方法，在所述将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型之前，还包括：

根据预设的广告召回规则，从全量的广告中召回所述多个待投放广告；

根据广告与广告特征的对应关系，分别确定对应于所述多个待投放广告的广告特征。

8.根据权利要求1所述的方法，所述根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告，包括：

对所述多个待投放广告各自的分数进行排序；

基于排序结果，从所述多个待投放广告中选取出目标广告。

9.一种广告投放装置，包括：

接收单元，用于接收用户的页面访问请求；

获取单元，用于响应于所述接收单元接收的所述页面访问请求，获取所述用户的用户特征；

输入单元，用于将所述获取单元获取的用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

选取单元，用于根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

投放单元，用于向所述用户投放所述选取单元选取的所述目标广告。

10.根据权利要求9所述的装置，还包括：训练单元；

所述获取单元，还用于获取多个样本，其中，每个样本包括：用户的用户特征、广告的广告特征以及用户的标签值，所述标签值指示所述用户对所述广告的点击率；

所述训练单元，用于使用所述获取单元获取的所述多个样本，训练深度学习模型，以获取所述预测模型。

11.根据权利要求10所述的装置，所述深度学习模型为基于压缩交互网络CIN的极深因子分解机xDeepFM模型。

12.根据权利要求10所述的装置，还包括：

存储单元，用于将所述预测模型存储到云服务端；

所述输入单元具体用于：

通过在线预测引擎从所述云服务端加载所述预测模型；

通过所述在线预测引擎将所述用户的用户特征以及多个待投放广告的广告特征输入已加载的所述预测模型。

13.根据权利要求9所述的装置，所述获取单元具体用于：

从所述页面访问请求中提取所述用户的实时特征；

获取预先记录的所述用户的离线特征；

基于所述实时特征，更新所述用户的离线特征中的至少一部分特征；

将所述用户的离线特征中已更新的特征以及未更新的特征共同作为所述用户的用户特征。

14.根据权利要求9-13任一项所述的装置，所述广告特征包括以下至少一种：文案特征以及图片特征。

15.根据权利要求9所述的装置，还包括：

召回单元，用于根据预设的广告召回规则，从全量的广告中召回所述多个待投放广告；

确定单元，用于根据广告与广告特征的对应关系，分别确定对应于所述召回单元召回的所述多个待投放广告的广告特征。

16.根据权利要求9所述的装置，所述选取单元具体用于：

对所述多个待投放广告各自的分数进行排序；

基于排序结果，从所述多个待投放广告中选取出目标广告。

17.一种广告投放设备，包括：

存储器；

一个或多个处理器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：

接收用户的页面访问请求；

响应于所述页面访问请求，获取所述用户的用户特征；

将所述用户的用户特征以及多个待投放广告的广告特征输入预测模型，以获取所述多个待投放广告各自的分数，所述分数用于预测所述用户对所述多个待投放广告各自的点击率；

根据所述多个待投放广告各自的分数，从所述多个待投放广告中选取出目标广告；

向所述用户投放所述目标广告。