CN110309406B - 点击率预估方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种点击率预估方法、装置、设备及存储介质。该方法包括：获取用户数据以及目标场景内的产品数据；根据获取到的数据以及针对目标场景的本地点击率预估模型和全局点击率预估模型，计算用户对于目标场景内产品的本地点击率和全局点击率，以及确定本地点击率对应的置信度；根据置信度、本地点击率和全局点击率，确定用户对于产品的最终点击率。本发明实施例的点击率预估方法、装置、设备及存储介质，通过本地点击率预估模型和全局点击率预估模型，计算用户对于场景内产品的本地点击率和全局点击率，然后利用置信度将本地点击率和全局点击率进行融合，确定用户对于产品的最终点击率，能够提高点击率预估的准确性及效率。

Description

点击率预估方法、装置、设备及存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种点击率预估方法、装置、设备及存储介质。

背景技术

在互联网技术中，场景泛指使用网络技术、数字技术、物联网技术等物理技术手段将人类的生活场合进行重现，使用户能完成现实中的行为。例如，场景可以包括但不限于：购物场景、社交场景、出行场景等。

在多种场景中，都存在预测用户行为的需求。例如，在社交场景中，希望预测到用户更希望与哪些其他用户发生交互，由此向用户推荐更容易发生交互行为的其他用户。或者，在购物场景中，希望了解到用户更偏向于了解什么类型的产品或服务，以提供针对性推荐。目前，可以使用点击率预估技术来满足上述预测需求。点击率预估技术可以确定用户对某个候选项目的选择概率(例如，在网络显示中，可以直观地被认为是用户是否愿意“点击”该后续项目)。

通过对场景中候选内容的点击率进行预估，可以了解不同用户感兴趣的内容，从而向每个用户更精确的展示相应的内容，以提高内容的点击率，改善内容投放效果和页面的访问量。

对于已经构建成熟且历史数据较多的场景，点击率预估系统可以更为准确地预测判断用户的行为。

但是，对于数据较少的小场景，以及处于尝试阶段的新场景，构建点击率预估系统离线和在线的开发和维护成本都很大，同时这些场景用于构建点击率预估系统的数据也是不充分的，构建的点击率预估系统所预估的点击率的准确性较差。

发明内容

本发明实施例提供一种点击率预估方法、装置、设备及存储介质，能够提高点击率预估的准确性及效率。

第一方面，本发明实施例提供了一种点击率预估方法，方法包括：

获取用户数据以及目标场景内的产品数据；

根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率；

确定本地点击率对应的置信度；

根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率，全局场景至少包括目标场景；

根据置信度、本地点击率和全局点击率，确定用户对于产品的最终点击率。

在本发明的一个实施例中，用户数据包括用户标识信息，产品数据包括产品标识信息和/或搜索词；

确定本地点击率对应的置信度，包括：

基于用户标识信息，查询用户分数表，得到用户对应的分数；

基于产品标识信息，查询产品分数表，得到产品对应的分数；和/或，

基于搜索词，查询搜索词分数表，得到搜索词对应的分数；

根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度。

在本发明的一个实施例中，根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度，包括：

将用户对应的分数、产品对应的分数和/或搜索词对应的分数中的最小分数值，作为本地点击率对应的置信度。

在本发明的一个实施例中，在根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率之前，方法还包括：

从目标场景的产品数据中提取目标场景的本地特征；

基于目标场景的产品数据以及本地特征，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，基于目标场景的产品数据以及本地特征，训练针对目标场景的本地点击率预估模型，包括：

基于目标场景的产品数据以及本地特征，采用二分类模型，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，在根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率之前，方法还包括：

从全局场景内的产品数据中提取全局特征；

基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，基于全局场景内的产品数据和全局特征，训练全局点击率预估模型，包括：

基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

第二方面，本发明实施例提供了一种点击率预估方法，方法包括：

确定用户在全局场景下针对一个或多个产品的预估全局点击率，全局场景包括一个或多个细分场景；

基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率；

将预估本地点击率高于一定阈值的产品推荐给用户。

在本发明的一个实施例中，确定用户在全局场景下针对一个或多个产品的预估全局点击率，包括：

根据获取到的用户数据以及全局场景内的产品数据，使用针对全局场景的全局点击率预估模型，确定用户在全局场景下针对一个或多个产品的预估全局点击率。

在本发明的一个实施例中，在根据获取到的用户数据以及全局场景内的产品数据，使用针对全局场景的全局点击率预估模型，确定用户在全局场景下针对一个或多个产品的预估全局点击率之前，方法还包括：

从全局场景内的产品数据中提取全局特征；

基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，基于全局场景内的产品数据和全局特征，训练全局点击率预估模型，包括：

基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

在本发明的一个实施例中，基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率，包括：

针对目标产品，将目标产品对应的预估全局点击率，确定为用户在细分场景下针对目标产品的预估本地点击率。

第三方面，本发明实施例提供一种点击率预估装置，装置包括：

获取模块，用于获取用户数据以及目标场景内的产品数据；

本地点击率计算模块，用于根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率；

置信度确定模块，用于确定本地点击率对应的置信度；

全局点击率计算模块，用于根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率，全局场景至少包括目标场景；

点击率融合模块，用于根据置信度、本地点击率和全局点击率，确定用户对于产品的最终点击率。

在本发明的一个实施例中，用户数据包括用户标识信息，产品数据包括产品标识信息和/或搜索词；

置信度确定模块，包括：

第一查询子模块，用于基于用户标识信息，查询用户分数表，得到用户对应的分数；

第二查询子模块，用于基于产品标识信息，查询产品分数表，得到产品对应的分数；和/或，

第三查询子模块，用于基于搜索词，查询搜索词分数表，得到搜索词对应的分数；

确定子模块，用于根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度。

在本发明的一个实施例中，确定子模块，具体用于：

将用户对应的分数、产品对应的分数和/或搜索词对应的分数中的最小分数值，作为本地点击率对应的置信度。

第四方面，本发明实施例提供一种点击率预估装置，装置包括：

第一确定单元，用于确定用户在全局场景下针对一个或多个产品的预估全局点击率，全局场景包括一个或多个细分场景；

第二确定单元，用于基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率；

推荐单元，用于将预估本地点击率高于一定阈值的产品推荐给用户。

在本发明的一个实施例中，第二确定单元，具体用于：

针对目标产品，将目标产品对应的预估全局点击率，确定为用户在细分场景下针对目标产品的预估本地点击率。

第五方面，本发明实施例提供一种点击率预估设备，设备包括：存储器和处理器；

存储器用于存储可执行程序代码；

处理器用于读取存储器中存储的可执行程序代码以执行本发明实施例第一方面提供的点击率预估方法或本发明实施例第二方面提供的点击率预估方法。

第六方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令；计算机程序指令被处理器执行时实现如本发明实施例第一方面提供的点击率预估方法或本发明实施例第二方面提供的点击率预估方法。

本发明实施例的点击率预估方法、装置、设备及存储介质，通过利用本地点击率预估模型计算用户对于场景内产品的本地点击率，利用全局点击率预估模型计算用户对于该产品的全局点击率，然后利用置信度将本地点击率和全局点击率进行融合，确定用户对于该产品的最终点击率。能够提高点击率预估的准确性及效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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他的附图。

图1示出了本发明实施例训练本地点击率预估模型和全局点击率预估模型的过程示意图；

图2示出了本发明实施例本地点击率和全局点击率进行融合确定最终点击率的过程示意图；

图3示出了本发明实施例的提供的点击率预估系统的示意图；

图4示出了本发明实施例提供的点击率预估方法的第一种流程示意图；

图5示出了本发明实施例提供的点击率预估方法的第二种流程示意图；

图6示出了本发明实施例提供的点击率预估装置的第一种结构示意图；

图7示出了本发明实施例提供的点击率预估装置的第二种结构示意图；

图8示出了能够实现根据本发明实施例的点击率预估方法的计算设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

现有对场景内的产品进行点击率预估主要有两种方式。

方式一：利用从数据量大的场景积累的数据中提取的特征以及待预估点击率的产品所处的场景中的数据，训练点击率预估模型，进而利用训练的点击率预估模型，进行点击率预估。但是，新上线的场景或者一些小场景数据较少，进而用于训练点击率预估模型的样本数量较少，使得训练出的点击率预估模型准确性较差。

方式二：利用从数据量大的场景积累的数据中抽取的数据样本以及待预估点击率的产品所述的场景中抽取的数据样本，训练点击率预估模型，进而利用训练的点击率预估模型，进行点击率预估。但是，从数据量大的场景中抽取数据样本较困难；并且每预估一个产品的点击率，都需要从数据量大的场景中抽取数据样本进行点击率预估模型的训练，效率较低且成本较高。

基于现有对场景内的产品进行点击率预估所存在的问题，本发明实施例提供一种点击率预估方法、装置、设备及存储介质，来提高点击率预估效率和减少成本。

具体的，首先针对目标场景训练本地点击率预估模型和全局点击率预估模型。本发明的多个实施例中的目标场景可以是社交场景，例如，好友添加、阅读文案；也可以是购物场景，例如：特价促销、限时秒杀等等。术语“本地”指代某个特定场景及其数据与使用环境。术语“全局”指代多个本地场景所组合而成的复杂场景及其数据与使用环境。例如，社交场景即时通信“全局”场景可以指代整个即时通信社交行为的全部过程，而阅读文案“本地”场景可以指代在即时通信过程中提供文案阅读的场景及其数据。可以为全局和本地分别构建独立的点击率预估模型和点击率预估操作。

在训练针对目标场景的本地点击率预估模型时，利用目标场景内累积的数据(简称为场景本地数据)。通常情况下，目标场景内累积的数据存储于目标场景内的用户曝光点击日志中。目标场景内的用户曝光点击日志中可以包括时间戳、用户标识信息、产品标识信息、产品所属类目的标识信息、曝光位置、是否点击以及搜索词等。对于不含有搜索功能的场景(比如推荐场景、广告展示场景)来说，该场景内的用户曝光点击日志中不存在搜索词。

基于该目标场景的用户曝光点击日志，提取目标场景的本地特征。本地特征包括但不限于用户特征、产品特征、用户与产品的交互特征、产品所属类目特征以及用户与产品所属类目的交互特征。

用于训练该目标场景的本地点击率预估模型的样本数据选自该目标场景的用户曝光点击日志。其中，用户点击过的产品作为正样本数据，用户未点击过的产品作为负样本数据。

基于提取的目标场景的本地特征(即场景本地特征)以及上述样本数据(即场景本地样本)，训练该目标场景的本地点击率预估模型。

其中，在训练该目标场景的本地点击率预估模型时，可以采用二分类模型。其中，二分类模型可以为逻辑回归模型，还可以为梯度提升决策树模型，还可以为深度神经网络模型。

在训练全局点击率预估模型时，利用包含上述目标场景的所有场景内的产品数据。为了提高全局点击率预估模型的训练速度，可以利用包含上述目标场景以及一些积累数据量大的场景内的产品数据。也就是说全局场景可以为包含上述目标场景的所有场景，也可以为包含上述目标场景以及一些积累数据量大的场景，即全局场景为至少包含目标场景的场景集合。

利用包含上述目标场景的所有场景内的产品数据或者利用包含上述场景以及一些积累数据量大的场景内的产品数据，训练全局点击率预估模型，主要利用各个场景内的用户曝光点击日志中的数据。各个场景内的用户曝光点击日志中的数据可以包括时间戳、用户标识信息、产品标识信息、产品所述类目的标识信息、曝光位置、是否点击以及搜索词等。对于不含有搜索功能的场景(比如推荐场景、广告展示场景)来说，该场景内的用户曝光点击日志中不存在搜索词。

基于各个场景的用户曝光点击日志，提取全局特征。全局特征包括但不限于用户特征、产品特征、用户与产品的交互特征、产品所属类目特征以及用户与产品所属类目的交互特征。

用于训练全局点击率预估模型的样本数据选自各个场景的用户曝光点击日志。其中，用户点击过的产品作为正样本数据，用户未点击过的产品作为负样本数据。

基于提取的全局特征以及上述样本数据(即全局样本)，训练全局点击率预估模型。

其中，在训练全局点击率预估模型时，可以采用二分类模型。其中，二分类模型可以为逻辑回归模型，还可以为梯度提升决策树模型，还可以为深度神经网络模型。

基于上述过程，训练本地点击率预估模型和全局点击率预估模型，如图1所示，图1示出了本发明实施例训练本地点击率预估模型和全局点击率预估模型的过程示意图。

需要说明是的，基于特征以及样本数据训练本地点击率预估模型和全局点击率预估模型，与现有的训练点击率预估模型类似，本发明实施例在此不对其进行赘述。

当对目标场景内的产品进行点击率预估时，获得用户数据以及目标场景内的产品数据。本发明实施例中的场景内的产品指场景所关联的产品，即与场景具有关联关系的产品。比如，对于某一产品A，该产品A为卖家发布的价格较低的产品，且卖家将该产品A与“限时秒杀”场景相关联，则该产品A为“限时秒杀”场景内的产品。其中，本发明实施例中的产品包括但不限于任何类型的可以提供到市场，供人们消费或者使用的产品。在一些实施例中，产品可以包括实体的产品，如衣服、咖啡、汽车等，在其他实施例中，产品可以包括无形的产品，如服务、教育、游戏、虚拟资源等。本发明实施例的用户数据包括但不限于用户标识信息，产品数据包括但不限于产品标识信息和/或搜索词。

根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户对于产品的本地点击率；以及使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率。

然后确定本地点击率对应的置信度。其中，置信度指所计算得到的本地点击率的可信程度。本地点击率对应的置信度高，则该本地点击率的可信程度较高；本地点击率对应的置信度低，则该本地点击率的可信程度较低。

然后将计算得到的本地点击率和全局点击率利用置信度进行融合，得到用户对于该目标场景内产品的最终点击率，即根据置信度、本地点击率和全局点击率，确定用户对于该场景内产品的最终点击率。通过置信度将本地点击率和全局点击率进行融合，可以针对目标场景获得更为精确的点击率。

在本发明的一个实施例中，本地点击率和全局点击率进行融合，可以采用简单且便于实现的线性融合方式进行融合，比如，最终点击率＝r*本地点击率+(1-r)*全局点击率。其中，r为本地点击率对应的置信度。可以理解的是，置信度r可以为本地点击率对应的权重值。

基于上述线性融合，本发明实施例提供以下方式来确定本地点击率对应的置信度。

针对用户，预先统计一段时间(比如30天、1季度、半年、1年等)内场景内每个用户出现的次数，按照次数从高至低的顺序对用户进行排序，并且将所有次数均分为10档，分别为第1档至第10档，将排名在第1档内的次数对应的用户设置为1分，将排名在第2当内的次数对应的用户设置为0.9分，……，将排名为第10档内的次数对应的用户设置为0.1分。

将用户标识信息和为用户设置的分数存储于用户分数表。

当然，还可以将排名在第1档内的次数对应的用户设置为10分，将排名在第2当内的次数对应的用户设置为9分，……，将排名为第10档内的次数对应的用户设置为1分等等。本发明实施例并不对设置的分数进行限定。

当然，本发明实施例还可以将所有次数均分为50、100档等等。本发明实施例并不对分档进行限定。

可以理解的是，当第一档内的次数对应的用户分数为X，本地点击率对应的置信度为r时，全局点击率对应的置信度为X-r，其中，r不大于X。

类似的，将产品的标识信息和为产品设置的分数存储于产品分数表中；将搜索词和为搜索词设置的分数存储于搜索词分数表中。

当确定本地点击率对应的置信度时，从用户分数表、产品分数表和/或搜索词分数表中分别查询用户对应的分数、产品对应的分数和/或搜索词对应的分数，根据查询用户对应的分数、产品对应的分数和搜索词对应的分数，确定本地点击率对应的置信度。具体的，可以将用户对应的分数、产品对应的分数和/或搜索词对应的分数中的最小分数值，作为本地点击率对应的置信度。其中，选取最小分数值作为本地点击率对应的置信度可以使得本地点击率的可信程度更准确。

由于本地点击率对应的置信度是依据用户对应的分数、产品对应的分数和搜索词对应的分数确定的，因此，本地点击率和全局点击率的融合是基于用户、产品和搜索词的组合粒度的。

基于上述过程，本地点击率和全局点击率进行融合确定最终点击率，如图2所示。图2示出了本发明实施例本地点击率和全局点击率进行融合确定最终点击率的过程示意图。

对于发展中的或者定位小众的场景，利用上述过程确定最终点击率，可以快速低成本地使用所有场景的数据(即全局数据)，提升点击率预估的准确性，从而提升场景的点击率。特别是，对于推广中的小场景，每天会有大量的新用户被引入，仅仅利用小场景内的本地数据，很难为这些新用户匹配到场景内合适的产品。但是场景内的新用户，对于所有场景来说往往已经是老用户，全局点击率预估模型依然能够较准确的预估这类用户对于场景内产品的点击率，从而为这类用户在场景内匹配到需要的产品。对于提升场景点击率、提高场景新用户体验效果、提高用户粘性增加活跃用户，都能起到显著的效果。

在本发明的一个实施例中，对于新搭建的场景来说，新搭建的场景的用户曝光点击日志中不存在数据。此时根据新搭建的场景的本地点击率向用户推荐产品时，可以确定用户在全局场景下针对一个或多个产品的预估全局点击率，基于预估全局点击率，确定用户在新搭建的场景下针对一个或多个产品的预估本地点击率，将预估本地点击率高于一定阈值的产品推荐给用户。从而大幅度提升新场景用户体验和场景点击率与转化率。

可以理解的是，新搭建的场景即为全局场景的一个细分场景。

图3示出了本发明实施例提供的点击率预估系统的示意图。该点击率预估系统可以包括：用户客户端100和推荐服务器200，用户客户端100与推荐服务器200耦合。该应用场景中可以有一个或者多个用户客户端100。

在本发明的一个实施例中，用户客户端100可以是可移动设备。例如，可以是手机、平板电脑等。用户客户端100还可以是桌面设备，例如：一体机、电脑等。

在本发明的一个实施例中，上述推荐服务器200中存在与目标场景关联的产品，推荐服务器200利用所有场景内的用户曝光点击日志中的数据，训练全局点击率预估模型，并利用目标场景内的用户曝光点击日志中的数据，训练针对目标场景的本地点击率预估模型。比如，目标场景为“天天特价”场景。

其中，推荐服务器200训练全局点击率预估模型和目标场景的本地点击率预估模型的过程可参考上述图1所示的全局点击率预估模型和目标场景的本地点击率预估模型的训练过程，本发明实施例在此不再赘述。

当用户通过用户客户端100向推荐服务器200发送针对“天天特价”场景的访问请求时，推荐服务器200获得用户数据以及“天天特价”场景内的产品数据，然后利用全局点击率预估模型计算用户对于“天天特价”场景内每个产品的全局点击率；利用“天天特价”场景的本地点击率预估模型，计算用户对于“天天特价”场景内每个产品的本地点击率。

从用户分数表查询该用户对应的分数；从产品分数表查询产品对应的分数；和/或，从搜索词分数表查询该用户输入的搜索词对应的分数；将查询到的三个分数中最小的分数值作为本地点击率对应的置信度。

利用置信度对本地点击率和全局点击率进行融合，进而得到该用户针对“天天特价”场景内每个产品的最终点击率。

将产品按照最终点击率进行排序处理，将排序处理后的产品通过用户客户端100向用户展示。

对于“天天特价”场景而言，对产品进行排序的最终目的在于处于排序靠前的产品能够最大化地满足用户的需求。

当该“天天特价”场景刚上线时，此时，“天天特价”场景的用户曝光点击日志中不存在数据，还未训练出“天天特价”场景的本地点击率预估模型。但对于访问“天天特价”场景的新用户而言，其对于包括“天天特价”场景的全局场景来说往往已经是老用户，全局点击率预估模型依然能够较准确的预估这类用户对于场景内产品的点击率。首先针对用户，确定用户在全局场景下针对一个或多个产品的预估全局点击率；当用户通过用户客户端100向推荐服务器200发送针对“天天特价”场景的访问请求时，针对“天天特价”场景中的某一产品，将所确定的该用户针对该产品的预估全局点击率，确定为用户在“天天特价”场景下针对该产品的预估本地点击率；然后将“天天特价”场景下每一产品对应的预估本地点击率与预设阈值进行比较，将预估本地点击率高于预设阈值的产品通过用户客户端100推荐给用户。具体的，可以将产品按照预估本地点击率进行排序处理，将排序处理后的产品通过用户客户端100推荐给用户。

当该“天天特价”场景上线一段时间后，“天天特价”场景的用户曝光点击日志中存在数据，则基于“天天特价”场景的用户曝光点击日志中存在的数据，训练“天天特价”场景所对应的本地点击率预估模型。

当再有用户访问“天天特价”场景时，获取用户数据和“天天特价”场景的产品数据。

基于获取到的用户数据和“天天特价”场景的产品数据以及所训练得到的“天天特价”场景所对应的本地点击率预估模型，计算用户对于“天天特价”场景内产品的本地点击率。

并且基于获取到的用户数据和“天天特价”场景的产品数据以及全局点击率预估模型，计算用户对于“天天特价”场景内该产品的全局点击率。

然后确定本地点击率的置信度。

利用本地点击率的置信度，将本地点击率和全局点击率进行融合，得到用户对于“天天特价”场景内该产品的最终点击率。

基于上述的过程，本发明实施例提供的点击率预估方法，可以归纳为图4所示步骤。图4示出了本发明实施例提供的点击率预估方法的第一种流程示意图。点击率预估方法其可以包括：

S301：获取用户数据以及目标场景内的产品数据。

S302：根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率。

S303：确定本地点击率对应的置信度。

S304：根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率。

其中，全局场景至少包括目标场景。

S305：根据置信度、本地点击率和全局点击率，确定用户对于产品的最终点击率。

在本发明的一个实施例中，用户数据包括用户标识信息，产品数据包括产品标识信息和/或搜索词；

确定本地点击率对应的置信度，可以包括：基于用户标识信息，查询用户分数表，得到用户对应的分数；基于产品标识信息，查询产品分数表，得到产品对应的分数；和/或，基于搜索词，查询搜索词分数表，得到搜索词对应的分数；根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度。

在本发明的一个实施例中，根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度，可以包括：将用户对应的分数、产品对应的分数和/或搜索词对应的分数中的最小分数值，作为本地点击率对应的置信度。

在本发明的一个实施例中，在根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率之前，点击率预估方法还可以包括：从目标场景的产品数据中提取目标场景的本地特征；基于目标场景的产品数据以及本地特征，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，基于目标场景的产品数据以及本地特征，训练针对目标场景的本地点击率预估模型，可以包括：基于目标场景的产品数据以及本地特征，采用二分类模型，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，在根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率之前，点击率预估方法还可以包括：从全局场景内的产品数据中提取全局特征；基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，基于全局场景内的产品数据和全局特征，训练全局点击率预估模型，可以包括：基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

基于上述的过程，对于新搭建的、用户曝光点击日志中不存在数据的场景，本发明实施例提供的点击率预估方法，可以归纳为图5所示步骤。图5示出了本发明实施例提供的点击率预估方法的第二种流程示意图。点击率预估方法其可以包括：

S401：确定用户在全局场景下针对一个或多个产品的预估全局点击率。

其中，全局场景包括一个或多个细分场景。

S402：基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率。

S403：将预估本地点击率高于一定阈值的产品推荐给用户。

在本发明的一个实施例中，确定用户在全局场景下针对一个或多个产品的预估全局点击率，可以包括：

根据获取到的用户数据以及全局场景内的产品数据，使用针对全局场景的全局点击率预估模型，确定用户在全局场景下针对一个或多个产品的预估全局点击率。

在本发明的一个实施例中，在根据获取到的用户数据以及全局场景内的产品数据，使用针对全局场景的全局点击率预估模型，确定用户在全局场景下针对一个或多个产品的预估全局点击率之前，点击率预估方法还可以包括：

从全局场景内的产品数据中提取全局特征。

基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，基于全局场景内的产品数据和全局特征，训练全局点击率预估模型，可以包括：

基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

在本发明的一个实施例中，基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率，可以包括：

针对目标产品，将目标产品对应的预估全局点击率，确定为用户在细分场景下针对目标产品的预估本地点击率。

与图4所示的方法实施例相对应，本发明实施例还提供一种点击率预估装置，如图6所示。图6示出了本发明实施例提供的点击率预估装置的第一种结构示意图。点击率预估装置可以包括：

获取模块501，用于获取用户数据以及目标场景内的产品数据。

本地点击率计算模块502，用于根据用户数据和产品数据，使用针对目标场景的本地点击率预估模型，计算用户数据对应的用户对于产品数据对应的产品的本地点击率。

置信度确定模块503，用于确定本地点击率对应的置信度。

全局点击率计算模块503，用于根据用户数据和产品数据，使用针对全局场景的全局点击率预估模型，计算用户对于产品的全局点击率。

其中，全局场景至少包括目标场景。

点击率确定模块505，用于根据置信度、本地点击率和全局点击率，确定用户对于产品的最终点击率。

在本发明的一个实施例中，用户数据包括用户标识信息，产品数据包括产品标识信息和/或搜索词。

置信度确定模块504，可以包括：

第一查询子模块，用于基于用户标识信息，查询用户分数表，得到用户对应的分数；

第二查询子模块，用于基于产品标识信息，查询产品分数表，得到产品对应的分数；和/或，

第三查询子模块，用于基于搜索词，查询搜索词分数表，得到搜索词对应的分数；

确定子模块，用于根据用户对应的分数、产品对应的分数和/或搜索词对应的分数，确定本地点击率对应的置信度。

在本发明的一个实施例中，确定子模块，具体可以用于：

将用户对应的分数、产品对应的分数和/或搜索词对应的分数中的最小分数值，作为本地点击率对应的置信度。

在本发明的一个实施例中，点击率预估装置还可以包括：

场景本地特征提取模块，用于从目标场景的产品数据中提取目标场景的本地特征；

场景本地点击率预估模型训练模块，用于基于目标场景的产品数据以及本地特征，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，场景本地点击率预估模型训练模块，具体可以用于：

基于目标场景的产品数据以及本地特征，采用二分类模型，训练针对目标场景的本地点击率预估模型。

在本发明的一个实施例中，点击率预估装置还可以包括：

全局特征提取模块，用于从全局场景内的产品数据中提取全局特征；

全局点击率预估模型训练模块，用于基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，全局点击率预估模型训练模块，具体可以用于：

基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型可以包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

与图5所示的方法实施例相对应，本发明实施例还提供一种点击率预估装置，如图7所示。图7示出了本发明实施例提供的点击率预估装置的第二种结构示意图。点击率预估装置可以包括：

第一确定单元601，用于确定用户在全局场景下针对一个或多个产品的预估全局点击率，全局场景包括一个或多个细分场景。

第二确定单元602，用于基于预估全局点击率，确定用户在细分场景下针对一个或多个产品的预估本地点击率。

推荐单元603，用于将预估本地点击率高于一定阈值的产品推荐给用户。

在本发明的一个实施例中，第一确定单元601具体可以用于：

根据获取到的用户数据以及所述全局场景内的产品数据，使用针对所述全局场景的全局点击率预估模型，确定用户在全局场景下针对一个或多个产品的预估全局点击率。

在本发明的一个实施例中，点击率预估装置还可以包括：

全局特征提取单元，用于从全局场景内的产品数据中提取全局特征；

全局点击率预估模型训练单元，用于基于全局场景内的产品数据和全局特征，训练全局点击率预估模型。

在本发明的一个实施例中，全局点击率预估模型训练单元，具体可以用于：

基于全局场景内的产品数据和全局特征，采用二分类模型，训练全局点击率预估模型。

在本发明的一个实施例中，二分类模型可以包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

在本发明的一个实施例中，第二确定单元602，具体可以用于：

针对目标产品，将目标产品对应的预估全局点击率，确定为用户在细分场景下针对目标产品的预估本地点击率。

图8示出了能够实现根据本发明实施例的点击率预估方法和装置的计算设备的示例性硬件架构的结构图。如图8所示，计算设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中，输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接，输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接，进而与计算设备700的其他组件连接。

具体地，输入设备701接收来自外部的输入信息，并通过输入接口702将输入信息传送到中央处理器703；中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器704中，然后通过输出接口705将输出信息传送到输出设备706；输出设备706将输出信息输出到计算设备700的外部供用户使用。

也就是说，图8所示的计算设备也可以被实现为点击率预估设备，该数据仓库构建设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图4和图6描述的点击率预估方法和装置或实现结合图5和图7描述的点击率预估方法和装置。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的点击率预估方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (13)

1.一种点击率预估方法，其特征在于，所述方法包括：

获取用户数据以及目标场景内的产品数据；

根据所述用户数据和所述产品数据，使用针对所述目标场景的本地点击率预估模型，计算所述用户数据对应的用户对于所述产品数据对应的产品的本地点击率，所述本地点击率预估模型是利用所述目标场景内的产品数据进行训练得到的；

根据用户对应的分数、产品对应的分数和/或所述产品数据中的搜索词对应的分数，确定所述本地点击率对应的置信度；

根据所述用户数据和所述产品数据，使用针对全局场景的全局点击率预估模型，计算所述用户对于所述产品的全局点击率，所述全局场景至少包括所述目标场景，所述全局点击率预估模型是利用所述全局场景内的产品数据进行训练得到的；

根据所述置信度、所述本地点击率和所述全局点击率，确定所述用户对于所述产品的最终点击率。

2.根据权利要求1所述的方法，其特征在于，所述用户数据包括用户标识信息，所述产品数据包括产品标识信息和/或搜索词；

所述确定所述本地点击率对应的置信度，包括：

基于所述用户标识信息，查询用户分数表，得到所述用户对应的分数；

基于所述产品标识信息，查询产品分数表，得到所述产品对应的分数；和/或，

基于所述搜索词，查询搜索词分数表，得到所述搜索词对应的分数；

根据所述用户对应的分数、所述产品对应的分数和/或所述搜索词对应的分数，确定所述本地点击率对应的置信度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述用户对应的分数、所述产品对应的分数和/或所述搜索词对应的分数，确定所述本地点击率对应的置信度，包括：

将所述用户对应的分数、所述产品对应的分数和/或所述搜索词对应的分数中的最小分数值，作为所述本地点击率对应的置信度。

4.根据权利要求1所述的方法，其特征在于，在所述根据所述用户数据和所述产品数据，使用针对所述目标场景的本地点击率预估模型，计算所述用户数据对应的用户对于所述产品数据对应的产品的本地点击率之前，所述方法还包括：

从所述产品数据中提取所述目标场景的本地特征；

基于所述产品数据以及所述本地特征，训练针对所述目标场景的本地点击率预估模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述产品数据以及所述本地特征，训练针对所述目标场景的本地点击率预估模型，包括：

基于所述产品数据以及所述本地特征，采用二分类模型，训练针对所述目标场景的本地点击率预估模型。

6.根据权利要求1所述的方法，其特征在于，在所述根据所述用户数据和所述产品数据，使用针对全局场景的全局点击率预估模型，计算所述用户对于所述产品的全局点击率之前，所述方法还包括：

从所述全局场景内的产品数据中提取全局特征；

基于所述全局场景内的产品数据和所述全局特征，训练所述全局点击率预估模型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述全局场景内的产品数据和所述全局特征，训练所述全局点击率预估模型，包括：

基于所述全局场景内的产品数据和所述全局特征，采用二分类模型，训练所述全局点击率预估模型。

8.根据权利要求5或7所述的方法，其特征在于，所述二分类模型包括以下所列中的任意一种：

逻辑回归模型、梯度提升决策树模型和深度神经网络模型。

9.一种点击率预估装置，其特征在于，所述装置包括：

获取模块，用于获取用户数据以及目标场景内的产品数据；

本地点击率计算模块，用于根据所述用户数据和所述产品数据，使用针对所述目标场景的本地点击率预估模型，计算所述用户数据对应的用户对于所述产品数据对应的产品的本地点击率，所述本地点击率预估模型是利用所述目标场景内的产品数据进行训练得到的；

置信度确定模块，用于根据用户对应的分数、产品对应的分数和/或所述产品数据中的搜索词对应的分数，确定所述本地点击率对应的置信度；

全局点击率计算模块，用于根据所述用户数据和所述产品数据，使用针对全局场景的全局点击率预估模型，计算所述用户对于所述产品的全局点击率，所述全局场景至少包括所述目标场景，所述全局点击率预估模型是利用所述全局场景内的产品数据进行训练得到的；

点击率融合模块，用于根据所述置信度、所述本地点击率和所述全局点击率，确定所述用户对于所述产品的最终点击率。

10.根据权利要求9所述的装置，其特征在于，所述用户数据包括用户标识信息，所述产品数据包括产品标识信息和/或搜索词；

所述置信度确定模块，包括：

第一查询子模块，用于基于所述用户标识信息，查询用户分数表，得到所述用户对应的分数；

第二查询子模块，用于基于所述产品标识信息，查询产品分数表，得到所述产品对应的分数；和/或，

第三查询子模块，用于基于所述搜索词，查询搜索词分数表，得到所述搜索词对应的分数；

确定子模块，用于根据所述用户对应的分数、所述产品对应的分数和/或所述搜索词对应的分数，确定所述本地点击率对应的置信度。

11.根据权利要求10所述的装置，其特征在于，所述确定子模块，具体用于：

将所述用户对应的分数、所述产品对应的分数和/或所述搜索词对应的分数中的最小分数值，作为所述本地点击率对应的置信度。

12.一种点击率预估设备，其特征在于，所述设备包括：存储器和处理器；

所述存储器用于存储可执行程序代码；

所述处理器用于读取所述存储器中存储的可执行程序代码以执行权利要求1-8任意一项所述的点击率预估方法。

13.一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上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的点击率预估方法。

Images