CN110245990A - 广告推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例提供了一种广告推荐方法、装置、电子设备及存储介质，应用于互联网技术领域，所述方法包括：获取待预测特征，待预测特征包括：待预测广告的广告特征和用户的用户特征；提取待预测特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取待预测特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值；通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值；将稳定特征值和校准后的敏感特征值输入点击概率模型的输出层，得到用户对待预测广告的点击概率预测值。本公开实施例可提高广告推荐的准确性。

Description

广告推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及互联网技术领域，特别是涉及一种广告推荐方法、装置、电子设备及存储介质。

背景技术

在互联网应用中，在线CTR(Click-Through-Rate，点击通过率)预测是计算广告与个性化推荐服务最重要的模块之一，其预测结果的精准性直接影响广告系统收入和推荐产品效果。CTR指在搜索引擎中输入关键词后进行搜索，然后按竞价等因素把相关的网页按顺序进行排列出来，然后用户会选择自己感兴趣的网站点击进去；把一个网站所有搜索出来的次数作为总次数，把所有用户点击并进入网站的次数占总次数的比例叫点击通过率。针对每个用户，用户点击并进入网站的概率为广告点击概率。

在线广告点击概率预测的准确性受到多种因素的影响，例如，流量的波动、广告或推荐物品的实时变更和依赖数据的质量变动等，点击概率模型对外界变化的响应能力直接影响到其预测结果的可信度。相关技术中，通过统计历史广告点击概率，利用当前广告点击概率作为参照，调整点击概率模型的预测结果。由于历史广告点击概率具有滞后性，利用当前广告点击概率调整时，调整的幅度基于经验或试验来设定，因此，广告点击概率预测的准确性较低，导致广告推荐的准确性较低。

发明内容

本公开提供一种广告推荐方法、装置、电子设备及存储介质，以至少解决相关技术中广告推荐的准确性较低的问题。具体技术方案如下：

根据本公开实施例的第一方面，提供一种广告推荐方法，所述方法包括：

获取待预测特征，所述待预测特征包括：待预测广告的广告特征和要点击所述待预测广告的用户的用户特征；

提取所述待预测特征中的稳定特征，将所述稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取所述待预测特征中的敏感特征，将所述敏感特征输入所述点击概率模型中的敏感模块，得到敏感特征值；

所述点击概率模型是根据各历史样本特征与所述各历史样本特征对应的点击概率进行神经网络训练得到的；

通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，所述校准样本为预先获取的在当前时刻之前的预设数量个样本；

将所述稳定特征值和所述校准后的敏感特征值输入所述点击概率模型的输出层，得到所述用户对所述待预测广告的点击概率预测值；

根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告。

可选的，所述点击概率模型的建立方法，包括：

获取所述各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征；

获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率；

根据所述各历史样本特征与各点击概率的对应关系进行神经网络训练，得到所述点击概率模型。

可选的，所述通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，包括：

若校准样本为R个，所述敏感特征值为N维，_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数；

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将所述校准后的敏感特征值输入所述输出层得到的点击概率；

根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。

可选的，所述点击概率模型的输出层为softmax函数。

可选的，所述根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告，包括：

若所述点击概率预测值大于预设阈值，确定为所述用户推荐所述待预测广告；

若所述点击概率预测值不大于预设阈值，确定不为所述用户推荐所述待预测广告。

根据本公开实施例的第二方面，提供一种广告推荐装置，所述装置包括：

待预测特征获取模块，被配置为执行获取待预测特征，所述待预测特征包括：待预测广告的广告特征和要点击所述待预测广告的用户的用户特征；

特征值确定模块，被配置为执行提取所述待预测特征中的稳定特征，将所述稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取所述待预测特征中的敏感特征，将所述敏感特征输入所述点击概率模型中的敏感模块，得到敏感特征值；

所述点击概率模型是根据各历史样本特征与所述各历史样本特征对应的点击概率进行神经网络训练得到的；

特征值校准模块，被配置为执行通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，所述校准样本为预先获取的在当前时刻之前的预设数量个样本；

点击概率预测值确定模块，被配置为执行将所述稳定特征值和所述校准后的敏感特征值输入所述点击概率模型的输出层，得到所述用户对所述待预测广告的点击概率预测值；

判断模块，被配置为执行根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告。

可选的，本公开实施例的广告推荐装置，还包括：

历史样本特征获取模块，被配置为执行获取所述各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征；

点击概率获取模块，被配置为执行获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率；

点击概率模型建立模块，被配置为执行根据所述各历史样本特征与各点击概率的对应关系进行神经网络训练，得到所述点击概率模型。

可选的，所述特征值校准模块，具体被配置为执行若校准样本为R个，所述敏感特征值为N维，V_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数；

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将所述校准后的敏感特征值输入所述输出层得到的点击概率；

根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。

可选的，所述点击概率模型的输出层为softmax函数。

可选的，所述判断模块具体被配置为执行若所述点击概率预测值大于预设阈值，确定为所述用户推荐所述待预测广告；若所述点击概率预测值不大于预设阈值，确定不为所述用户推荐所述待预测广告。

根据本公开实施例的第三方面，提供一种电子设备，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执行所述指令，以实现上述第一方面任一所述的广告推荐方法的步骤。

根据本公开实施例的第四方面，提供一种存储介质，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上述第一方面任一所述的广告推荐方法的步骤。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品在处理器上被执行时，实现上述第一方面任一所述的广告推荐方法的步骤。

本公开实施例提供的技术方案至少带来以下有益效果：由于待预测特征中的稳定特征变动缓慢，敏感特征实时波动，通过提取待预测特征中的稳定特征和敏感特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值。根据实时获取的校准样本，校准敏感特征值，使点击概率模型快速适应环境的变化。通过稳定模块和敏感模块的叠加，固定稳定特征值，校准敏感特征值，使得点击概率模型调整的幅度可控，从而提高广告点击概率预测的准确性。根据点击概率预测值确定是否为用户推荐待预测广告，从而提高广告推荐的准确性。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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1a为本公开实施例的广告推荐方法的一种流程图；

图1b为本公开实施例的广告推荐方法的另一种流程图；

图2为本公开实施例的点击概率模型的结构图；

图3为本公开实施例的点击概率模型的建立方法的流程图；

图4为本公开实施例的广告推荐装置的结构图；

图5为本公开实施例的电子设备的结构示意图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开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、本公开的一些方面相一致的装置和方法的例子。

还需要说明的是，本方案涉及的用户设备信息(如，用户设备信息、设备上存储的信息等)、用户个人信息(如用户生物信息、用户姓名、昵称、地理位置等)、与第三方软件交互的信息、以及用户的操作行为信息等，均是经用户授权而采集并进行后续处理或分析的。

在互联网应用中，应用平台可以为用户推荐广告，广告的准确性将影响推荐效果。因此，应用平台可以预测用户对广告的点击概率，从而为用户推荐点击概率高的广告。相关技术中，广告推荐的准确性较低，为了解决该问题，本公开实施例提供了一种广告推荐方法、装置、电子设备及存储介质，以提高广告推荐的准确性。

参见图1a，图1a为本公开实施例的广告推荐方法的一种流程图，应用于客户端，包括以下步骤：

S101，获取待预测特征，待预测特征包括：待预测广告的广告特征和用户的用户特征。

S102，提取待预测特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取待预测特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值。

S103，通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值，校准样本为预先获取的在当前时刻之前的预设数量个样本。

S104，将稳定特征值和校准后的敏感特征值输入点击概率模型的输出层，得到用户对待预测广告的点击概率预测值。

S105，根据点击概率预测值确定是否为用户推荐待预测广告。

上述图1a实施例的有益效果在于，由于待预测特征中的稳定特征变动缓慢，敏感特征实时波动，通过提取待预测特征中的稳定特征和敏感特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值。根据实时获取的校准样本，校准敏感特征值，使点击概率模型快速适应环境的变化。通过稳定模块和敏感模块的叠加，固定稳定特征值，校准敏感特征值，使得点击概率模型调整的幅度可控，从而提高广告点击概率预测的准确性。根据点击概率预测值确定是否为用户推荐待预测广告，从而提高广告推荐的准确性。

参见图1b，图1b为本公开实施例的广告推荐方法的另一种流程图，包括以下步骤：

S201，获取待预测广告的广告特征和用户的用户特征。

本公开实施例中，可以预测用户对待预测广告的点击概率，根据点击概率确定是否为用户推荐待预测广告。因此，可以获取待预测广告的广告特征和用户的用户特征，以根据广告特征和用户特征，预测用户对待预测广告的点击概率。

S202，提取广告特征和用户特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取广告特征和用户特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值。

具体的，用户特征和广告特征中包含短期内不会随着时间变化而变化的特征，即稳定特征。例如，稳定特征包括：用户所属地域、用户的性别、用户的年龄、待预测广告所属广告行业等。用户特征和广告特征中也包含短期内会随着时间变化而变化的特征，即敏感特征，例如，敏感特征包括：广告id等。

其中，点击概率模型是根据各历史样本特征与各历史样本特征对应的点击概率进行神经网络训练得到的，点击概率模型包括：稳定模块、敏感模块和输出层，可参见图2，下文将对点击概率模型的具体建立方法进行详细介绍。由于稳定特征变动缓慢，可以将稳定特征输入稳定模块，得到稳定特征值。敏感特征实时波动，可以将敏感特征输入敏感模块，得到敏感特征值。稳定特征值和敏感特征值均是神经网络内部的特征值，可以分别是不同的一维数组，没有实际的物理意义。

S203，通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值。

本公开实施例中，由于敏感特征可以是实时波动的，通过点击概率模型得到的敏感特征值是不准确的。因此，可以通过校准样本对敏感特征值进行校准。其中，校准样本为预先获取的在当前时刻之前的预设数量个样本，校准样本与当前时刻比较接近，可以捕捉近期的变化，从而提高敏感特征值的准确性，校准样本对敏感特征值进行校准的方法将在下文进行详细介绍，在此不再详述。

S204，将稳定特征值和校准后的敏感特征值输入softmax函数，得到用户对待预测广告的点击概率预测值。

本公开实施例中，点击概率模型的输出是点击概率预测值，而softmax函数可以作为一个学习算法来优化分类结果，是神经网络中的一层额外的处理层，将神经网络的输出变成了一个概率分布。因此，softmax函数可以作为点击概率模型的输出层。

S205，判断点击概率预测值是否大于预设阈值。

本公开实施例中，点击概率预测值表示的是用户对待预测广告点击的概率，点击概率预测值越大，表明用户点击待预测广告的概率越大，否则，表示用户点击待预测广告的概率越小。因此，若点击概率预测值大于预设阈值，执行S206，确定为用户推荐待预测广告。否则，执行S207。可选的，预设阈值是根据经验设置的值，在此不做限定。

S206，确定为用户推荐待预测广告。

S207，确定不为用户推荐待预测广告。

上述图1b实施例的有益效果在于，由于广告特征和用户特征中的稳定特征变动缓慢，敏感特征实时波动，通过提取广告特征和用户特征中的稳定特征和敏感特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值。根据实时获取的校准样本，校准敏感特征值，使点击概率模型快速适应环境的变化。通过稳定模块和敏感模块的叠加，固定稳定特征值，校准敏感特征值，使得点击概率模型调整的幅度可控，从而提高广告点击概率预测的准确性。若点击概率预测值大于预设阈值，确定为用户推荐待预测广告；否则，确定不为用户推荐待预测广告。这样，根据点击概率预测值，可以提高广告推荐的准确性。

本公开的一种实现方式中，图1a实施例S102中和图1b实施例S202中，点击概率模型的建立方法可参见图3，包括以下步骤：

S301，获取各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征。

本公开实施例中，各历史样本特征是历史时刻的样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征。也就是，每个历史样本特征中，历史样本用户和历史样本广告是对应的。

S302，获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率。

具体的，对于在历史时刻所获取的每个历史样本特征，可以确定该历史样本特征中的历史样本用户是否点击了历史样本广告，如果历史样本用户点击了历史样本广告，那么，历史样本用户对历史样本广告的点击概率为1；否则，历史样本用户对历史样本广告的点击概率为0。因此，在获取各历史样本特征之后，可以获取历史样本用户对历史样本广告的点击概率。

S303，根据各历史样本特征与各点击概率的对应关系进行神经网络训练，得到点击概率模型。

本公开实施例中，在获取各历史样本特征对应的点击概率之后，可以根据各历史样本特征与各点击概率的对应关系进行神经网络训练，得到点击概率模型。这样，根据该点击概率模型、待预测广告的广告特征和用户的用户特征，以预测用户对待预测广告的点击概率。

本公开的一种实现方式中，图1a实施例S103中和图1b实施例S203中，校准样本对敏感特征值进行校准的方法包括：若校准样本为R个，敏感特征值为N维，_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数。

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将校准后的敏感特征值输入输出层得到的点击概率。

具体的，通过R个校准样本对敏感特征值进行校准使得敏感特征值部分对广告点击概率的影响最小，上述公式计算的是使上述对数损失函数取值最小时W_i的取值，由于i为1～N的整数，因此，W_i的取值是N维数组。

在得到W_i之后，根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。这样，通过校准样本对敏感特征值进行校准，可以提高校准后的敏感特征值的准确性。

相应于上述方法实施例，本公开实施例提供了一种广告推荐装置，参见图4，图4为本公开实施例的广告推荐装置的结构图，包括：

待预测特征获取模块401，被配置为执行获取待预测特征，待预测特征包括：待预测广告的广告特征和用户的用户特征；

特征值确定模块402，被配置为执行提取待预测特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取待预测特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值；

点击概率模型是根据各历史样本特征与各历史样本特征对应的点击概率进行神经网络训练得到的；

特征值校准模块403，被配置为执行通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值，校准样本为预先获取的在当前时刻之前的预设数量个样本；

点击概率预测值确定模块404，被配置为执行将稳定特征值和校准后的敏感特征值输入点击概率模型的输出层，得到用户对待预测广告的点击概率预测值。

判断模块405，被配置为执行根据点击概率预测值确定是否为用户推荐待预测广告。

本公开实施例的广告推荐装置，通过获取待预测特征，待预测特征包括：待预测广告的广告特征和用户的用户特征；提取待预测特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取待预测特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值；通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值；将稳定特征值和校准后的敏感特征值输入点击概率模型的输出层，得到用户对待预测广告的点击概率预测值。通过稳定模块和敏感模块的叠加，固定稳定特征值，校准敏感特征值，使得点击概率模型调整的幅度可控，从而提高广告点击概率预测的准确性。根据点击概率预测值确定是否为用户推荐待预测广告，从而提高广告推荐的准确性。

在一种可能的实施方式中，本公开实施例的广告推荐装置，还包括：

历史样本特征获取模块，被配置为执行获取各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征；

点击概率获取模块，被配置为执行获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率；

点击概率模型建立模块，被配置为执行根据各历史样本特征与各点击概率的对应关系进行神经网络训练，得到点击概率模型。

在一种可能的实施方式中，特征值校准模块，具体被配置为执行若校准样本为R个，敏感特征值为N维，V_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数；

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将校准后的敏感特征值输入输出层得到的点击概率；

根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。

在一种可能的实施方式中，点击概率模型的输出层为softmax函数。

在一种可能的实施方式中，判断模块具体被配置为执行若点击概率预测值大于预设阈值，确定为用户推荐待预测广告；若点击概率预测值不大于预设阈值，确定不为用户推荐待预测广告。

关于上述实施例中的装置，其中各个模块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。

本公开实施例提供了一种电子设备，参见图5，图5为本公开实施例的电子设备的一种示意图，包括：

处理器501；

用于存储处理器501可执行指令的存储器502；

其中，处理器501被配置为执行所述指令，以实现上述任一广告推荐方法的步骤。

本公开实施例中，通过获取待预测特征，提取待预测特征中的稳定特征，将稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取待预测特征中的敏感特征，将敏感特征输入点击概率模型中的敏感模块，得到敏感特征值；通过校准样本对敏感特征值进行校准，得到校准后的敏感特征值；将稳定特征值和校准后的敏感特征值输入点击概率模型的输出层，得到用户对待预测广告的点击概率预测值。通过稳定模块和敏感模块的叠加，固定稳定特征值，校准敏感特征值，使得点击概率模型调整的幅度可控，从而提高广告点击概率预测的准确性。根据点击概率预测值确定是否为用户推荐待预测广告，从而提高广告推荐的准确性。

本公开实施例提供了一种存储介质，当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上述任一广告推荐方法的步骤。可选的，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM(只读存储器)、RAM(随机存取存储器)、CD-ROM(光盘只读存储器)、磁带、软盘和光数据存储设备等。

本公开实施例提供了一种计算机程序产品，计算机程序产品在处理器上被执行时，实现上述任一广告推荐方法的步骤。

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

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种广告推荐方法，其特征在于，所述方法包括：

获取待预测特征，所述待预测特征包括：待预测广告的广告特征和要点击所述待预测广告的用户的用户特征；

提取所述待预测特征中的稳定特征，将所述稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取所述待预测特征中的敏感特征，将所述敏感特征输入所述点击概率模型中的敏感模块，得到敏感特征值；

所述点击概率模型是根据各历史样本特征与所述各历史样本特征对应的点击概率进行神经网络训练得到的；

通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，所述校准样本为预先获取的在当前时刻之前的预设数量个样本；

将所述稳定特征值和所述校准后的敏感特征值输入所述点击概率模型的输出层，得到所述用户对所述待预测广告的点击概率预测值；

根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告。

2.根据权利要求1所述的广告推荐方法，其特征在于，所述点击概率模型的建立方法，包括：

获取所述各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征；

获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率；

根据所述各历史样本特征与各点击概率的对应关系进行神经网络训练，得到所述点击概率模型。

3.根据权利要求1所述的广告推荐方法，其特征在于，所述通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，包括：

若校准样本为R个，所述敏感特征值为N维，V_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数；

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将所述校准后的敏感特征值输入所述输出层得到的点击概率；

根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。

4.根据权利要求1所述的广告推荐方法，其特征在于，所述根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告，包括：

若所述点击概率预测值大于预设阈值，确定为所述用户推荐所述待预测广告；

若所述点击概率预测值不大于预设阈值，确定不为所述用户推荐所述待预测广告。

5.一种广告推荐装置，其特征在于，所述装置包括：

待预测特征获取模块，被配置为执行获取待预测特征，所述待预测特征包括：待预测广告的广告特征和要点击所述待预测广告的用户的用户特征；

特征值确定模块，被配置为执行提取所述待预测特征中的稳定特征，将所述稳定特征输入预先建立的点击概率模型中的稳定模块，得到稳定特征值；提取所述待预测特征中的敏感特征，将所述敏感特征输入所述点击概率模型中的敏感模块，得到敏感特征值；

所述点击概率模型是根据各历史样本特征与所述各历史样本特征对应的点击概率进行神经网络训练得到的；

特征值校准模块，被配置为执行通过校准样本对所述敏感特征值进行校准，得到校准后的敏感特征值，所述校准样本为预先获取的在当前时刻之前的预设数量个样本；

点击概率预测值确定模块，被配置为执行将所述稳定特征值和所述校准后的敏感特征值输入所述点击概率模型的输出层，得到所述用户对所述待预测广告的点击概率预测值；

判断模块，被配置为执行根据所述点击概率预测值确定是否为所述用户推荐所述待预测广告。

6.根据权利要求5所述的广告推荐装置，其特征在于，所述装置还包括：

历史样本特征获取模块，被配置为执行获取所述各历史样本特征，每个历史样本特征包括：历史样本用户的用户特征和历史样本广告的广告特征；

点击概率获取模块，被配置为执行获取每个历史样本特征对应的历史样本用户对历史样本广告的点击概率；

点击概率模型建立模块，被配置为执行根据所述各历史样本特征与各点击概率的对应关系进行神经网络训练，得到所述点击概率模型。

7.根据权利要求5所述的广告推荐装置，其特征在于，所述特征值校准模块，具体被配置为执行若校准样本为R个，所述敏感特征值为N维，V_i表示第i个维度的敏感特征值，V′_i表示第i个维度的校准后的敏感特征值，若校准后的敏感特征值满足关系式：V′_i＝V_i+αW_i；α表示预先设置的校准权重系数，W_i表示第i个维度的校准值，i为1～N的整数，R为大于0的整数；

根据公式：求解W_i，P_r表示第r个样本的点击概率，表示将所述校准后的敏感特征值输入所述输出层得到的点击概率；

根据W_i、V_i、α以及V′_i＝V_i+αW_i，得到校准后的敏感特征值V′_i。

8.根据权利要求5所述的广告推荐装置，其特征在于，所述判断模块具体被配置为执行若所述点击概率预测值大于预设阈值，确定为所述用户推荐所述待预测广告；若所述点击概率预测值不大于预设阈值，确定不为所述用户推荐所述待预测广告。

9.一种电子设备，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所述指令，以实现如权利要求1～4任一所述的广告推荐方法的步骤。

10.一种存储介质，其特征在于，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权利要求1～4任一所述的广告推荐方法的步骤。