CN110363346A - 点击率预测方法、预测模型的训练方法、装置及设备 - Google Patents
点击率预测方法、预测模型的训练方法、装置及设备 Download PDFInfo
- Publication number
- CN110363346A CN110363346A CN201910630380.XA CN201910630380A CN110363346A CN 110363346 A CN110363346 A CN 110363346A CN 201910630380 A CN201910630380 A CN 201910630380A CN 110363346 A CN110363346 A CN 110363346A
- Authority
- CN
- China
- Prior art keywords
- sample
- training sample
- training
- weight
- type
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006870 function Effects 0.000 claims description 20
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 241000406668 Loxodonta cyclotis Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种点击率预测方法、预测模型的训练方法、装置及设备，属于机器学习领域。该方法可以将获取到的用户信息和推荐对象的属性信息输入至预测模型，并获取预测模型输出的该推荐对象的点击率。该预测模型基于多个训练样本训练得到，且每个训练样本的权重是根据训练样本的类型和训练样本中样本对象的热度信息确定的，因此可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确。
Description
技术领域
本申请涉及机器学习领域，特别涉及一种点击率预测方法、预测模型的训练方法、装置及设备。
背景技术
在新闻或广告等对象推荐系统中，可以采用预先训练好的预测模型对推荐对象的点击率进行预测，进而可以基于预测结果进行对象推荐。
相关技术中，可以采用机器学习算法对多个训练样本进行训练，从而得到预测模型。其中，每个训练样本通常包括：用户信息、样本对象的属性信息以及点击标签，该点击标签用于指示用户是否点击了该样本对象。相应的，在采用预测模型进行点击率预测时，可以将用户信息和推荐对象的属性信息输入至预测模型，从而得到预测结果。
但是，相关技术中的预测模型的预测准确度较低。
发明内容
本申请提供了一种点击率预测方法、预测模型的训练方法、装置及设备，可以解决相关技术中的预测模型的预测准确度较低的问题。所述技术方案如下：
一方面，提供了一种点击率预测方法，所述方法包括：
获取用户信息和推荐对象的属性信息，所述属性信息包括热度信息，所述热度信息用于反映所述推荐对象的被关注程度；
将所述用户信息和所述推荐对象的属性信息输入至预测模型，所述预测模型基于多个训练样本训练得到，每个所述训练样本的权重根据所述训练样本的类型和所述训练样本中样本对象的热度信息确定，其中，所述训练样本的类型包括正样本或负样本；
获取所述预测模型输出的所述推荐对象的点击率。
另一方面，提供了一种预测模型的训练方法，所述方法包括：
获取多个训练样本，所述多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本；
对于每个所述训练样本，根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重；
根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到预测模型。
又一方面，提供了一种点击率预测装置，所述装置包括：
第一获取模块，用于获取用户信息和推荐对象的属性信息，所述属性信息包括热度信息，所述热度信息用于反映所述推荐对象的被关注程度；
输入模块，用于将所述用户信息和所述推荐对象的属性信息输入至预测模型，所述预测模型基于多个训练样本训练得到，每个所述训练样本的权重根据所述训练样本的类型和所述训练样本中样本对象的热度信息确定，其中，所述训练样本的类型包括正样本或负样本；
第二获取模块，用于获取所述预测模型输出的所述推荐对象的点击率。
再一方面，提供了一种预测模型的训练装置，所述装置包括：
获取模块，用于获取多个训练样本，所述多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本；
确定模块，用于对于每个所述训练样本，根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重；
训练模块，用于根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到预测模型。
再一方面，提供了一种计算机设备，所述计算机设备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述方面提供的点击率预测方法，或者如上述方面提供的预测模型的训练方法。
再一方面，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述方面提供的点击率预测方法，或者如上述方面提供的预测模型的训练方法。
再一方面，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述方面提供的点击率预测方法，或者如上述方面提供的预测模型的训练方法。
本发明实施例提供的技术方案带来的有益效果至少可以包括：
本发明实施例提供了一种点击率预测方法、预测模型的训练方法、装置及设备，该方法可以将用户信息和推荐对象的属性信息输入至预测模型，并获取该预测模型输出的推荐对象的点击率。由于在训练该预测模型时，可以基于训练样本的类型以及训练样本中样本对象的热度信息调整训练样本的权重，因此可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确，从而能够更为准确的反映用户真实的点击意图。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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他的附图。
图1是本发明实施例提供的点击率预测方法所应用的计算机设备的示意图；
图2是本发明实施例提供的一种推荐系统的示意图；
图3是本发明实施例提供的一种点击率预测方法的流程图；
图4是本发明实施例提供的一种预测模型的训练方法的流程图；
图5是本发明实施例提供的另一种点击率预测方法的流程图；
图6是本发明实施例提供的一种确定训练样本的权重的示意图；
图7是本发明实施例提供的一种各训练样本的权重的示意图；
图8是本发明实施例提供的又一种点击率预测方法的流程图；
图9是本发明实施例提供的一种点击率预测装置的结构示意图；
图10是本发明实施例提供的另一种点击率预测装置的结构示意图；
图11是本发明实施例提供的一种预测模型的训练装置的结构示意图；
图12是本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
请参考图1，其示出了本申请实施例提供的点击率预测方法所应用的计算机设备01的示意图。如图1所示，该计算机设备01可以为服务器、笔记本电脑或个人计算机等。其中，该服务器可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心。
在本发明实施例中，该计算机设备01中可以配置有预先采用机器学习算法训练得到的预测模型，该预测模型可以是基于机器学习的方法训练得到的人工智能(ArtificialIntelligence，AI)模型。计算机设备01可以采用该预测模型对推荐对象的点击率进行预测。其中，该点击率是指用户点击该推荐对象的概率，该点击率也可以称为点击通过率(click through rate，CTR)。该预测模型也可以称为CTR预估模型。
可选的，如图2所示，该计算机设备01中还可以配置有用户画像模型011、召回模型012和重排模型014，该用户画像模型011、召回模型012、预测模型013和重排模型014可以组成推荐系统。该推荐系统可以理解为一种自动联系用户和推荐对象的一种工具，其能够在信息过载的环境中帮助用户发现令他们感兴趣的推荐对象，也能将推荐对象推送给对它们感兴趣的用户。其中，该推荐对象可以包括：媒体内容、商品广告和应用程序等，媒体内容可以包括新闻、视频和音乐等。
在通过该推荐系统进行对象推荐时，用户画像模型011可以获取用户信息。该用户信息可以包括用户的性别、年龄、兴趣和历史点击行为等信息。之后，召回模型012可以根据用户信息，从内容池中筛选出待推荐的推荐对象，并获取推荐对象的属性信息，即该召回模型012可以根据用户信息对内容池中的推荐对象进行初步的粗略筛选。其中，推荐对象的属性信息可以包括：推荐对象的热度信息、名称或标题、类型、发布时间和关键词等信息。该热度信息可以用于反映该推荐对象的被关注程度。该内容池可以是指计算机设备中用于存储推荐对象和推荐对象的属性信息的存储区域。
进一步的，预测模型013可以根据用户信息和推荐对象的属性信息，对用户点击每个推荐对象的点击率进行预测，并可以按照点击率的高低对推荐对象进行排序。即预测模型013可以对推荐对象进行精确排序，因此该预测模型013也可以称为排序模型。
最后，重排模型014可以按照预设的排版方式，并基于预测模型013的排序结果，对各个推荐对象进行排版后推荐给用户。
当该推荐对象为新闻时，即该推荐系统为新闻推荐系统时，该新闻推荐系统可以根据用户的兴趣特点和阅读新闻，以及各个新闻的热度，向用户推荐他们感兴趣的新闻。
图3是本发明实施例提供的一种点击率预测方法的流程图，该方法可以由点击率预测装置执行，该点击率预测装置可以设置在图1所示实施环境中的计算机设备01中，或者该点击率预测装置可以是图1所示实施环境中的计算机设备01。如图2所示，该方法可以包括：
步骤101、获取用户信息和推荐对象的属性信息。
其中，该用户信息可以为用于描述用户特征的信息，例如可以包括用户的性别、年龄、兴趣和历史点击行为等信息中的一种或多种。推荐对象的属性信息为用于描述推荐对象的特征的信息，例如可以包括：推荐对象的热度信息、名称或标题、类型、发布时间和关键词等信息中的一种或多种。其中，热度信息可以用于反映该推荐对象的被关注程度。
在本发明实施例中，该热度信息可以是根据推荐对象的点击总数确定的。推荐对象的点击总数越高，说明推荐对象的被关注程度越高，则该推荐对象的热度信息指示的热度也越高。该推荐对象的点击总数越低，说明推荐对象的被关注程度越低，则该推荐对象的热度信息指示的热度也越低。
可选的，该推荐对象可以包括：媒体内容、商品广告或应用程序等，媒体内容可以包括新闻、视频或者音乐等。
步骤102、将该用户信息和该推荐对象的属性信息输入至预测模型。
即点击率预测装置可以将用户信息和推荐对象的属性信息作为特征输入至预测模型中。该预测模型可以是基于多个训练样本训练得到的。每个训练样本可以包括：样本用户信息、样本对象的属性信息以及该样本对象的点击标签。其中，样本对象的属性信息可以包括样本对象的热度信息。与推荐对象的热度信息的定义类似，该样本对象的热度信息可以用于反映该样本对象的被关注程度，即可以用于反映该样本对象的被关注程度。
在该预测模型的训练过程中，每个训练样本的权重是根据训练样本的类型和训练样本中样本对象的热度信息确定的。
步骤103、获取该预测模型输出的该推荐对象的点击率。
点击率预测装置可以直接将该预测模型的输出结果确定为该推荐对象的点击率，进而可以基于该点击率的高低，确定是否向用户推荐该推荐对象。
综上所述，本发明实施例提供了一种点击率预测方法，该方法可以将用户信息和推荐对象的属性信息输入至预测模型，并获取该预测模型输出的推荐对象的点击率。由于在训练该预测模型时，可以基于训练样本的类型以及训练样本中样本对象的热度信息调整训练样本的权重，因此可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确。
图4是本发明实施例提供的一种预测模型的训练方法的流程图，该方法可以由预测模型的训练装置执行，该预测模型的训练装置可以设置在图1所示实施环境中的计算机设备01中，或者可以是图1所示实施环境中的计算机设备01。如图4所示，该方法可以包括：
步骤201、获取多个训练样本。
该多个训练样本可以包括类型为正样本的训练样本，以及类型为负样本的训练样本。其中，每个训练样本可以包括：样本用户信息、样本对象的属性信息以及该样本对象的点击标签。样本对象的属性信息可以包括样本对象的热度信息。样本对象的点击标签可以用于指示用户是否点击了该样本对象。
每个训练样本的类型可以是根据该训练样本中样本对象的点击标签确定的。若训练样本中的点击标签指示用户点击了样本对象，则该训练样本的类型为正样本，该类型为正样本的训练样本也可以称为正类样本。若训练样本中的点击标签指示用户未点击样本对象，则该训练样本的类型为负样本，该类型为负样本的训练样本也可以称为负类样本。
步骤202、对于每个训练样本，根据该训练样本的类型和该训练样本中样本对象的热度信息，确定该训练样本的权重。
在本发明实施例中，训练装置中可以预先存储有基础权重，训练装置可以根据训练样本的类型，以及训练样本中样本对象的热度信息，对该基础权重进行调整，并将调整后的基础权重确定为训练样本的权重。其中，对于类型和热度信息中任一参数不同的两个训练样本，对该基础权重的调整幅度可以不同。
可选的，对于类型为正样本的训练样本，其权重与训练样本中样本对象的热度信息指示的热度可以负相关。对于类型为负样本的训练样本，其权重与训练样本中样本对象的热度信息指示的热度可以正相关。
也即是，对于用户点击的正类样本，样本对象的热度越高，该正类样本的权重越低。对于用户未点击的负类样本，样本对象的热度越高，该负类样本的权重也越高。
步骤203、根据每个训练样本的权重，对该多个训练样本进行训练，得到预测模型。
在本发明实施例中，训练装置可以将多个训练样本中的样本用户信息和样本对象的属性信息输入至初始模型中，获取初始模型输出的每个样本对象的预测点击率。然后，训练装置可以基于多个训练样本中，每个训练样本的权重，以及每个训练样本的点击标签与预测点击率的差值，构建损失函数。之后训练装置可以基于该损失函数调整初始模型的模型参数直至损失函数收敛，并可以将该损失函数收敛时的初始模型确定为最终训练得到的预测模型。
综上所述，本发明实施例提供了一种预测模型的训练方法，该方法在训练预测模型时，可以基于训练样本的类型以及该训练样本中样本对象的热度信息调整训练样本的权重。由于样本对象的热度信息可以反映该样本对象的被关注程度，样本对象的类型可以反映用户是否点击了该样本对象，因此基于该类型和热度信息确定训练样本的权重后，可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确。
需要说明的是，在本发明实施例中，该点击率预测装置和该预测模型的训练装置可以设置在同一个计算机设备中，或者也可以设置在不同的计算机设备中，本发明实施例对此不做限定。
图5是本发明实施例提供的另一种点击率预测方法的流程图，该方法可以由点击率预测装置执行，该点击率预测装置可以设置在图1所示实施环境中的计算机设备01中，或者该点击率预测装置可以是图1所示实施环境中的计算机设备01。如图5所示，该方法可以包括：
步骤301、获取多个训练样本。
该多个训练样本可以包括类型为正样本的训练样本，以及类型为负样本的训练样本。每个训练样本可以包括：样本用户信息、样本对象的属性信息以及该样本对象的点击标签。样本对象的属性信息可以包括样本对象的热度信息。样本对象的点击标签可以用于指示用户是否点击了该样本对象。该多个训练样本可以是从用户的点击日志，以及样本对象的曝光日志中收集到的。该曝光日志中可以记录有各个样本对象的曝光情况，其中，曝光可以是指将样本对象显示在推荐页面中。
在本发明实施例中，每个训练样本的类型可以是根据该训练样本中样本对象的点击标签确定的。若训练样本中的点击标签指示用户点击了样本对象，则该训练样本的类型为正样本，该类型为正样本的训练样本也可以称为正类样本。若训练样本中的点击标签指示用户未点击样本对象，则该训练样本的类型为负样本，该类型为负样本的训练样本也可以称为负类样本。
示例的，如图6所示，点击率预测装置获取到的训练样本可以包括正类样本A和负类样本B。
每个训练样本中，样本对象的热度信息可以是根据样本对象的点击总数确定的，且该热度信息指示的热度，可以与该点击总数的高低正相关。
步骤302、获取基础权重。
点击率预测装置中可以预先存储有基础权重，该基础权重可以是开发人员预先设置的。例如，该基础权重可以为1。
步骤303、对于每个训练样本，根据该训练样本的类型，以及该训练样本中样本对象的热度信息，对该基础权重进行调整，得到该训练样本的权重。
其中，对于类型和热度信息中任一参数不同的两个训练样本，对该基础权重的调整幅度可以不同。
在推荐系统中，受热度导向的影响，对于正类样本，若该正类样本的被关注程度较高，即若正类样本为热门样本，则用户点击的概率本身就较大，因此用户对热门样本的点击行为对于用户个性化兴趣的反映程度并没有那么强烈。比如某地区发生地震后，对于该地震地区的新闻，大多用户会点击了解一下情况，但并不能肯定的反映出用户就具有灾难类新闻这一兴趣点。也就是说，样本类型为正样本的热门样本的点击标签对于用户个性化兴趣的反映程度较弱。
相反，若正类样本的被关注程度较低，即若该正类样本为普通样本，则用户对于该正类样本的点击行为，更能肯定的反映出用户具有该普通样本的兴趣点。也就是说，样本类型为正样本的普通样本的点击标签对于用户个性化兴趣的反映程度较强。
同理，对于负类样本，若该负类样本为普通样本，则用户没有点击该普通样本，并不能肯定的说明用户就不具备该普通样本的兴趣点，可能是该普通样本出现过频，或者老旧等原因而没有发生点击行为。相反，如果用户对于热门样本没有发生点击行为，则更能准确的反映出用户不具备该热门样本的兴趣点。
鉴于以上原因，在本发明实施例中，对于用户发生点击行为的正类样本，可以基于该正类样本的热度信息，对其权重进行调整，避免造成正兴趣反馈的偏差。同样地，对于用户未发生未点击行为的负类样本，也可以基于该负类样本的热度信息，对其权重进行调整，避免造成负兴趣反馈的偏差。
图6是本发明实施例提供的一种调整基础权重的示意图，参考图6可以看出，该调整基础权重以确定训练样本的权重的过程可以包括：
第一种情况：若该训练样本的类型为正样本，且该热度信息指示的热度与热度阈值的差值大于第一差值，则可以减小基础权重，得到该训练样本的权重。
其中，热度阈值和第一差值均可以是该点击率预测装置中预先存储的，且均可以是开发人员设定的。其中，热度与热度阈值的差值可以是指：热度减去热度阈值得到的数值。该第一差值可以为大于或等于0的数。因此若训练样本中样本对象的热度信息指示的热度与热度阈值的差值大于第一差值，则点击率预测装置可以确定该训练样本为热门样本。
第二种情况：若该训练样本的类型为正样本，且热度信息指示的热度与热度阈值的差值不大于第二差值，则可以增大基础权重，得到该训练样本的权重。
在本发明实施例中，第二差值也可以是该点击率预测装置中预先存储的，且可以是开发人员设定的，并且该第二差值可以为小于或等于0的数，即该第二差值可以小于或等于第一差值。若训练样本中样本对象的热度信息指示的热度与热度阈值的差值不大于第二差值，则点击率预测装置可以确定该训练样本为普通样本。
结合图6可以看出，点击率预测装置可以根据样本对象的热度信息，将正类样本A划分为热门样本A1和普通样本A2。其中，对于热门样本A1，点击率预测装置可以降低训练样本的权重，以弱化正反馈，即弱化该正类样本的反馈。对于普通样本A2，点击率预测装置可以增加训练样本的权重，以强化正反馈。
第三种情况：若该训练样本的类型为负样本，且该热度信息指示的热度与热度阈值的差值大于第一差值，则可以增大基础权重，得到该训练样本的权重。
如图6所示，点击率预测装置可以根据样本对象的热度信息，将负类样本B划分为热门样本B1和普通样本B2。其中，对于热门样本B1，点击率预测装置可以增加该训练样本的权重，以强化负反馈，即强化该负类样本的反馈。
第四种情况：若该训练样本的类型为负样本，且热度信息指示的热度与热度阈值的差值不大于第二差值，则可以减小基础权重，得到该训练样本的权重。
结合图6可以看出，对于普通样本B2，点击率预测装置可以降低该训练样本的权重，以弱化负反馈，即弱化该负类样本的反馈。
第五种情况，若该训练样本的热度信息指示的热度与热度阈值的差值大于该第二差值，且不大于第一差值，则点击率预测装置可以直接将该基础权重确定为该训练样本的权重，也即是，可以无需对该基础权重进行调整。
根据上述调整方式可以看出，对于正类样本，为了避免热门样本带入的正兴趣反馈的噪音影响，减少用户正兴趣反馈的偏差，可以根据正类样本中样本对象的热度信息，给予不同热度的正类样本以不同的权重。其中，对于热门样本，可以进行降权处理，以弱化不确切的正兴趣的反馈。对于普通样本，则可以进行加权处理，以强化确切的正兴趣的反馈。采用上述方式调整权重后，可以使得正类样本的权重与热度信息指示的热度负相关。
对于负类样本，为了避免不确切的负兴趣的反馈，加强确切的负兴趣的反馈，对于热门样本可以进行加权处理，以强化确切的负兴趣的反馈。对于普通样本则可以进行降权处理，以弱化不确切的负兴趣的反馈。采用上述方式调整权重后，可以使得负类样本的权重与热度信息指示的热度正相关。
可选的，在调整基础权重时，对该基础权重的调整幅度，可以与该热度信息指示的热度和热度阈值的差值的绝对值正相关。也即是，热度信息指示的热度与热度阈值的差值的绝对值越大，对该基础权重的调整幅度越大。热度信息指示的热度与热度阈值的差值的绝对值越小，对该基础权重的调整幅度越小。
一方面，若训练样本的类型为正样本，则对于热门样本，其热度与热度阈值的差值的绝对值越大，表明该热门样本的被关注程度越高，因此对基础权重的减小幅度可以越大，从而有效弱化不确切的正兴趣的反馈。对于普通样本，其热度与热度阈值的差值的绝对值越大，则表明该普通样本的被关注程度越低，因此对基础权重的增大幅度可以越大，从而有效强化确切的正兴趣的反馈。
示例的，假设基础权重为1，第一差值大于0，第二差值小于0。参考图7，多个训练样本中包括正类样本1至正类样本n共n个正类样本，n为大于1的整数。其中，正类样本1的热度信息指示的热度等于热度阈值，正类样本2的热度信息指示的热度以及正类样本n的热度信息指示的热度与热度阈值的差值均大于第一差值，且正类样本n的热度信息指示的热度大于正类样本2的热度信息指示的热度。
对于该正类样本1，由于其热度信息指示的热度与热度阈值的差值等于0，因此点击率预测装置可以确定其权重W11等于基础权重，即W11＝1。对于正类样本2，由于其热度信息指示的热度与热度阈值的差值大于第一差值，则点击率预测装置可以将基础权重由1减小至0.8，并将0.8确定为该正类样本2的权重，即W12＝0.8。对于正类样本n，由于其热度信息指示的热度与热度阈值的差值大于第一差值，并且其热度信息指示的热度大于正类样本2的热度信息指示的热度，则点击率预测装置对基础权重1的减小幅度可以较大，例如可以减小至0.2，并将0.2确定为该正类样本n的权重，即W1n＝0.2。
另一方面，若该训练样本的类型为负样本，则对于热门样本，其热度与热度阈值的差值的绝对值越大，表明该热门样本的被关注程度越高，因此对该基础权重的增大幅度可以越大，从而有效强化确切的负兴趣的反馈。对于普通样本，其热度与热度阈值的差值的绝对值越大，则表明该普通样本的被关注程度越低，因此对该基础权重的减小幅度可以越大，从而有效弱化不确切的负正兴趣的反馈。
示例的，参考图7，多个训练样本中包括负类样本1至正类样本m共m个负类样本，m为大于1的整数。其中，负类样本m的热度信息指示的热度等于热度阈值，负类样本1的热度信息指示的热度以及负类样本2的热度信息指示的热度与热度阈值的差值均不大于第二差值，且负类样本2的热度信息指示的热度大于负类样本1的热度信息指示的热度。
对于该负类样本m，由于其热度信息指示的热度与热度阈值的差值等于0，因此点击率预测装置可以确定其权重W2m等于基础权重，即W2m＝1。对于负类样本1，由于其热度信息指示的热度与热度阈值的差值不大于第二差值，则点击率预测装置可以将基础权重由1减小至0.2，并将0.2确定为该负类样本1的权重，即W21＝0.2。对于负类样本2，由于其热度信息指示的热度与热度阈值的差值不大于第二差值，并且其热度信息指示的热度大于负类样本1的热度信息指示的热度，则点击率预测装置对基础权重1的减小幅度可以较小，例如可以减小至0.8，并将0.8确定为该负类样本m的权重，即W22＝0.8。
步骤304、将每个训练样本中的样本用户信息和样本对象的属性信息输入至初始模型，得到该初始模型输出的该样本对象的预测点击率。
在本发明实施例中，对于每个训练样本，均可以将该训练样本中的样本用户信息和样本对象的属性信息输入至初始模型，并获取该初始模型输出的该样本对象的预测点击率。
其中，该初始模型可以为因子分解机(factorization machine，FM)模型、宽度深度(wide and deep)模型、深度FM(deepFM)模型或文档列表(ListWise)模型等机器学习模型。
步骤305、基于多个训练样本中，每个训练样本的权重，以及样本对象的点击标签与预测点击率的差值，构建损失函数。
该损失函数可以用于反映该初始模型的预测偏差。可选的，构建的损失函数L可以满足：
其中，n为正类样本的个数，m为负类样本的个数，n+m即为训练样本的总数。Wk为该n+m个训练样本中第k个训练样本的权重，yk为第k个训练样本中样本对象的点击标签，yk'为第k个训练样本中样本对象的预测点击率。k为不大于n+m的正整数。
参考上述损失函数L的公式可以看出，根据训练样本的类型和热度信息对其权重进行调整后，在模型训练阶段，就能够有针对性的偏向于去学习确切的兴趣反馈，弱化不确定的兴趣反馈，使得最终训练出的预测模型对于用户真实兴趣的反映就会更准确，进而可以确保对于推荐对象的点击率的预测能够更接近于用户的真实点击意图。
步骤306、调整该初始模型的模型参数直至该损失函数收敛，得到预测模型。
在得到损失函数后，可以基于该损失函数，调整初始模型的模型参数，并基于调整模型参数后的初始模型，再次执行上述步骤305，即更新该损失函数。当该损失函数收敛时，可以将当前调整模型参数后的初始模型确定为预测模型。
步骤307、获取用户信息以及推荐对象的属性信息。
其中，该用户信息可以为用于描述用户特征的信息，例如可以包括用户的性别、年龄、兴趣和历史点击行为等信息中的一种或多种。推荐对象的属性信息为用于描述推荐对象的特征的信息，例如可以包括：推荐对象的热度信息、名称或标题、类型、发布时间和关键词等信息中的一种或多种。其中，热度信息可以用于反映该推荐对象的被关注程度，即该热度信息可以用于反映该推荐对象的被关注程度。
在本发明实施例中，推荐对象的点击总数越多，表明该推荐对象的被关注程度越高，因此该推荐对象的热度信息指示的热度也越高。该推荐对象的点击总数越少，表明该推荐对象的被关注程度越低，因此该推荐对象的热度信息指示的热度也越低。
可选的，该推荐对象可以包括：媒体内容、商品广告或应用程序等，媒体内容可以包括新闻、视频或者音乐等。
步骤308、将该用户信息和该推荐对象的属性信息输入至预测模型。
该预测模型即为上述步骤306中训练得到的预测模型。
步骤309、获取该预测模型输出的该推荐对象的点击率。
点击率预测装置可以直接将该预测模型的输出结果确定为该推荐对象的点击率，进而可以基于该点击率的高低，确定是否向用户推荐该推荐对象。
图8是本发明实施例提供的又一种点击率预测方法的流程图，参考图8可以看出，该方法可以包括：A、样本收集，B、样本处理，C、模型训练得到预测模型，以及D、线上预测共4个步骤。
其中，步骤A所示的样本收集阶段的实现过程可以参考上述步骤301的相关描述。
在步骤B所示的样本处理阶段，点击率预测装置可以对获取到的多个训练样本进行清洗和采样等操作。其中，清洗可以是指剔除训练样本中的异常数据或脏数据。采样可以是指根据训练样本的类型，对多个训练样本进行筛选，使得多个训练样本中，正类样本的数量和负类样本的数量的比例满足预设比例。例如，该预设比例可以为1:2。
步骤C所示的模型训练阶段的实现过程可以参考上述步骤302至步骤306的相关描述。
点击率预测装置训练得到预测模型后，即可将该预测模型投入到线上使用，即执行步骤D所示的线上预测。例如，可以将其配置在图2所示的推荐系统中，以进行点击率的预测评估。该步骤D所示的线上预测阶段的实现过程可以参考上述步骤307至步骤309的相关描述。
需要说明的是，本发明实施例提供的点击率预测方法的步骤先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减。例如步骤302也可以在步骤301之前执行。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
综上所述，本发明实施例提供了一种点击率预测方法，该方法可以将用户信息和推荐对象的属性信息输入至预测模型，并获取预测模型输出的推荐对象的点击率。由于在训练该预测模型时，可以基于训练样本的类型以及训练样本中样本对象的热度信息调整训练样本的权重，因此可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确，能够更为准确的反映用户真实个性化兴趣，有效的提高了推荐模型的精准性和泛化能力。
图9是本发明实施例提供的一种点击率预测装置的结构示意图，该装置可以是图1所示实施环境中的计算机设备01，也可以设置在计算机设备01上。如图9所示，该装置可以包括：
第一获取模块401，用于获取用户信息和推荐对象的属性信息，该属性信息包括热度信息，该热度信息用于反映该推荐对象的被关注程度。
输入模块402，用于将该用户信息和该推荐对象的属性信息输入至预测模型，该预测模型基于多个训练样本训练得到，每个训练样本的权重根据该训练样本的类型和该训练样本中样本对象的热度信息确定，其中，该训练样本的类型包括正样本或负样本。
第二获取模块403，用于获取该预测模型输出的该推荐对象的点击率。
图10是本发明实施例提供的另一种点击率预测装置的结构示意图，参考图10，该装置还可以包括：
第三获取模块404，用于获取该多个训练样本，该多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本。
确定模块405，用于对于每个训练样本，根据该训练样本的类型和该训练样本中样本对象的热度信息，确定该训练样本的权重。
训练模块406，用于根据每个训练样本的权重，对该多个训练样本进行训练，得到该预测模型。
可选的，该确定模块405，可以用于：根据该训练样本的类型和该训练样本中样本对象的热度信息，调整基础权重，得到该训练样本的权重；
其中，对于类型和热度信息中任一参数不同的两个训练样本，对该基础权重的调整幅度不同。
可选的，该确定模块405，可以用于：
若该训练样本的类型为正样本，且该热度信息指示的热度与热度阈值的差值大于第一差值，则减小基础权重，得到该训练样本的权重；
若该训练样本的类型为正样本，且该热度信息指示的热度与热度阈值的差值不大于第二差值，则增大基础权重，得到该训练样本的权重；
若该训练样本的类型为负样本，且该热度信息指示的热度与热度阈值的差值大于第一差值，则增大基础权重，得到该训练样本的权重；
若该训练样本的类型为负样本，且该热度信息指示的热度与热度阈值的差值不大于第二差值，则减小基础权重，得到该训练样本的权重；
其中，该第一差值大于或等于0，该第二差值小于或等于0。
可选的，类型为正样本的训练样本的权重，与该训练样本中样本对象的热度信息指示的热度负相关；类型为负样本的训练样本的权重，与该训练样本中样本对象的热度信息指示的热度正相关。
可选的，该训练模块406，可以用于：
将每个训练样本中的样本用户信息和样本对象的属性信息输入至初始模型，得到该初始模型输出的该样本对象的预测点击率；
基于多个训练样本中，每个训练样本的权重，以及样本对象的点击标签与预测点击率的差值，构建损失函数。
调整该初始模型的模型参数直至该损失函数收敛，得到该预测模型。
综上所述，本发明实施例提供了一种点击率预测装置，该装置可以将用户信息和推荐对象的属性信息输入至预测模型，并获取该预测模型输出的推荐对象的点击率。由于在训练该预测模型时，可以基于训练样本的类型以及训练样本中样本对象的热度信息调整训练样本的权重，因此可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确，从而能够更为准确的反映用户真实个性化兴趣，有效的提高了推荐模型的精准性和泛化能力。
图11是本发明实施例提供的一种预测模型的训练装置的结构示意图，该装置可以是图1所示实施环境中的计算机设备01，也可以设置在计算机设备01上。如图11所示，该装置可以包括：
获取模块501，用于获取多个训练样本，该多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本。
确定模块502，用于对于每个训练样本，根据该训练样本的类型和该训练样本中样本对象的热度信息，确定该训练样本的权重。
训练模块503，用于根据每个训练样本的权重，对该多个训练样本进行训练，得到预测模型。
综上所述，本发明实施例提供了一种预测模型的训练装置，该装置在训练预测模型时，可以基于训练样本的类型以及该训练样本中样本对象的热度信息调整训练样本的权重。由于样本对象的热度信息可以反映该样本对象的被关注程度，样本对象的类型可以反映用户是否点击了该样本对象，因此基于该类型和热度信息确定训练样本的权重后，可以确保训练得到的预测模型的预测精度较高，采用该预测模型预测得到的点击率较为准确。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的点击率预测装置、预测模型的训练装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图12是本发明实施例提供的一种计算机设备1200的结构框图。该计算机设备1200可以是：智能手机、平板电脑、笔记本电脑、台式电脑或服务器等。计算机设备1200还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。其中，服务器可以是一台服务器，或者可以是由若干台服务器组成的服务器集群，又或者可以是一个云计算服务中心。
通常，计算机设备1200包括有：处理器1201和存储器1202。
处理器1201可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1201可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1201可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1201还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1202可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1202还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1202中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1201所执行以实现本申请中方法实施例提供的点击率预测方法或者推荐模型的训练方法。
在一些实施例中，计算机设备1200还可选包括有：外围设备接口1203和至少一个外围设备。处理器1201、存储器1202和外围设备接口1203之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1203相连。具体地，外围设备包括：射频电路1204、触摸显示屏1205、摄像头1206、音频电路1207、定位组件1208和电源1209中的至少一种。
外围设备接口1203可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1201和存储器1202。在一些实施例中，处理器1201、存储器1202和外围设备接口1203被集成在同一芯片或电路板上；在一些其他实施例中，处理器1201、存储器1202和外围设备接口1203中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1204用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1204通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1204将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1204包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1204可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1204还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1205用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1205是触摸显示屏时，显示屏1205还具有采集在显示屏1205的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1201进行处理。此时，显示屏1205还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1205可以为一个，设置计算机设备1200的前面板；在另一些实施例中，显示屏1205可以为至少两个，分别设置在计算机设备1200的不同表面或呈折叠设计；在再一些实施例中，显示屏1205可以是柔性显示屏，设置在计算机设备1200的弯曲表面上或折叠面上。甚至，显示屏1205还可以设置成非矩形的不规则图形，也即异形屏。显示屏1205可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1206用于采集图像或视频。可选地，摄像头组件1206包括前置摄像头和后置摄像头。通常，前置摄像头设置在计算机设备的前面板，后置摄像头设置在计算机设备的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1206还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1207可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1201进行处理，或者输入至射频电路1204以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备1200的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1201或射频电路1204的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1207还可以包括耳机插孔。
定位组件1208用于定位计算机设备1200的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件1208可以是基于美国的GPS(Global Positioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1209用于为计算机设备1200中的各个组件进行供电。电源1209可以是交流电、直流电、一次性电池或可充电电池。当电源1209包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图12中示出的结构并不构成对计算机设备1200的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本本发明实施例还提供了一种计算机可读存储介质，该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，该至少一条指令、该至少一段程序、该代码集或指令集可以由处理器加载并执行以实现如上述实施例提供的点击率预测方法，或者如上述实施例提供的预测模型的训练方法。可选的，该存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种点击率预测方法，其特征在于，所述方法包括：
获取用户信息和推荐对象的属性信息，所述属性信息包括热度信息，所述热度信息用于反映所述推荐对象的被关注程度；
将所述用户信息和所述推荐对象的属性信息输入至预测模型，所述预测模型基于多个训练样本训练得到，每个所述训练样本的权重根据所述训练样本的类型和所述训练样本中样本对象的热度信息确定，其中，所述训练样本的类型包括正样本或负样本；
获取所述预测模型输出的所述推荐对象的点击率。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述多个训练样本，所述多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本；
对于每个所述训练样本，根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重；
根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到所述预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重，包括：
根据所述训练样本的类型和所述训练样本中样本对象的热度信息，调整基础权重，得到所述训练样本的权重；
其中，对于类型和热度信息中任一参数不同的两个训练样本，对所述基础权重的调整幅度不同。
4.根据权利要求3所述的方法，其特征在于，所述根据所述训练样本的类型和所述训练样本中样本对象的热度信息，调整基础权重，得到所述训练样本的权重，包括：
若所述训练样本的类型为正样本，且所述热度信息指示的热度与热度阈值的差值大于第一差值，则减小基础权重，得到所述训练样本的权重；
若所述训练样本的类型为正样本，且所述热度信息指示的热度与热度阈值的差值不大于第二差值，则增大基础权重，得到所述训练样本的权重；
若所述训练样本的类型为负样本，且所述热度信息指示的热度与热度阈值的差值大于第一差值，则增大基础权重，得到所述训练样本的权重；
若所述训练样本的类型为负样本，且所述热度信息指示的热度与热度阈值的差值不大于第二差值，则减小基础权重，得到所述训练样本的权重；
其中，所述第一差值大于或等于0，所述第二差值小于或等于0。
5.根据权利要求2至4任一所述的方法，其特征在于，
类型为正样本的训练样本的权重，与所述训练样本中样本对象的热度信息指示的热度负相关；
类型为负样本的训练样本的权重，与所述训练样本中样本对象的热度信息指示的热度正相关。
6.根据权利要求2至4任一所述的方法，其特征在于，所述根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到所述预测模型，包括：
将每个训练样本中的样本用户信息和样本对象的属性信息输入至初始模型，得到所述初始模型输出的所述样本对象的预测点击率；
基于多个训练样本中，每个训练样本的权重，以及样本对象的点击标签与预测点击率的差值，构建损失函数。
调整所述初始模型的模型参数直至所述损失函数收敛，得到所述预测模型。
7.一种预测模型的训练方法，其特征在于，所述方法包括：
获取多个训练样本，所述多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本；
对于每个所述训练样本，根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重；
根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到预测模型。
8.一种点击率预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取用户信息和推荐对象的属性信息，所述属性信息包括热度信息，所述热度信息用于反映所述推荐对象的被关注程度；
输入模块，用于将所述用户信息和所述推荐对象的属性信息输入至预测模型，所述预测模型基于多个训练样本训练得到，每个所述训练样本的权重根据所述训练样本的类型和所述训练样本中样本对象的热度信息确定，其中，所述训练样本的类型包括正样本或负样本；
第二获取模块，用于获取所述预测模型输出的所述推荐对象的点击率。
9.一种预测模型的训练装置，其特征在于，所述装置包括：
获取模块，用于获取多个训练样本，所述多个训练样本包括类型为正样本的训练样本，以及类型为负样本的训练样本；
确定模块，用于对于每个所述训练样本，根据所述训练样本的类型和所述训练样本中样本对象的热度信息，确定所述训练样本的权重；
训练模块，用于根据每个所述训练样本的权重，对所述多个训练样本进行训练，得到预测模型。
10.一种计算机设备，其特征在于，所述计算机设备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至6任一所述的点击率预测方法，或者如权利要求7所述的预测模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630380.XA CN110363346A (zh) | 2019-07-12 | 2019-07-12 | 点击率预测方法、预测模型的训练方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630380.XA CN110363346A (zh) | 2019-07-12 | 2019-07-12 | 点击率预测方法、预测模型的训练方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363346A true CN110363346A (zh) | 2019-10-22 |
Family
ID=68219299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910630380.XA Pending CN110363346A (zh) | 2019-07-12 | 2019-07-12 | 点击率预测方法、预测模型的训练方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363346A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992127A (zh) * | 2019-11-14 | 2020-04-10 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法及装置 |
| CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置及电子设备 |
| CN111340561A (zh) * | 2020-03-04 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息点击率的计算方法、装置、设备及可读存储介质 |
| CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
| CN111524612A (zh) * | 2020-04-26 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
| CN112084307A (zh) * | 2020-09-14 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、服务器及计算机可读存储介质 |
| CN112182362A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 训练用于在线预测点击率的模型的方法、设备及推荐系统 |
| CN112287239A (zh) * | 2020-12-30 | 2021-01-29 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112492396A (zh) * | 2020-12-08 | 2021-03-12 | 中国计量大学 | 一种基于细粒度的多方面分析的短视频点击率预测方法 |
| CN112581191A (zh) * | 2020-08-14 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 行为预测模型的训练方法及装置 |
| CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
| CN112732953A (zh) * | 2020-12-30 | 2021-04-30 | 上海众源网络有限公司 | 推荐方法、样本分析方法、装置、电子设备和存储介质 |
| CN112905674A (zh) * | 2021-03-04 | 2021-06-04 | 北京小米移动软件有限公司 | 信息排序方法及装置 |
| CN112925924A (zh) * | 2019-12-05 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体文件的推荐方法、装置、电子设备及存储介质 |
| CN112989179A (zh) * | 2019-12-13 | 2021-06-18 | 北京达佳互联信息技术有限公司 | 模型训练、多媒体内容推荐方法和装置 |
| CN113190725A (zh) * | 2021-03-31 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
| CN113449175A (zh) * | 2020-03-24 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 热点数据的推荐方法和装置 |
| CN113508378A (zh) * | 2019-10-31 | 2021-10-15 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003022279A (ja) * | 2001-07-09 | 2003-01-24 | Team Lab:Kk | 情報フィルタリングシステム |
| CN107341176A (zh) * | 2017-05-23 | 2017-11-10 | 北京三快在线科技有限公司 | 一种样本权重设置方法及装置，电子设备 |
| CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
| CN109167816A (zh) * | 2018-08-03 | 2019-01-08 | 广州虎牙信息科技有限公司 | 信息推送方法、装置、设备和存储介质 |
| CN109948023A (zh) * | 2019-03-08 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 推荐对象获取方法、装置及存储介质 |
-
2019
- 2019-07-12 CN CN201910630380.XA patent/CN110363346A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003022279A (ja) * | 2001-07-09 | 2003-01-24 | Team Lab:Kk | 情報フィルタリングシステム |
| CN107341176A (zh) * | 2017-05-23 | 2017-11-10 | 北京三快在线科技有限公司 | 一种样本权重设置方法及装置，电子设备 |
| CN108229555A (zh) * | 2017-12-29 | 2018-06-29 | 深圳云天励飞技术有限公司 | 样本权重分配方法、模型训练方法、电子设备及存储介质 |
| CN109167816A (zh) * | 2018-08-03 | 2019-01-08 | 广州虎牙信息科技有限公司 | 信息推送方法、装置、设备和存储介质 |
| CN109948023A (zh) * | 2019-03-08 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 推荐对象获取方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 何明等: "TEFRCF:标签熵特征表示的协同过滤个性化推荐算法", 《计算机科学》, vol. 45, no. 6, pages 466 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113508378A (zh) * | 2019-10-31 | 2021-10-15 | 华为技术有限公司 | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 |
| CN110992127A (zh) * | 2019-11-14 | 2020-04-10 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法及装置 |
| CN110992127B (zh) * | 2019-11-14 | 2023-09-29 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法及装置 |
| CN112925924A (zh) * | 2019-12-05 | 2021-06-08 | 北京达佳互联信息技术有限公司 | 多媒体文件的推荐方法、装置、电子设备及存储介质 |
| CN112989179A (zh) * | 2019-12-13 | 2021-06-18 | 北京达佳互联信息技术有限公司 | 模型训练、多媒体内容推荐方法和装置 |
| CN112989179B (zh) * | 2019-12-13 | 2023-07-28 | 北京达佳互联信息技术有限公司 | 模型训练、多媒体内容推荐方法和装置 |
| CN111259302B (zh) * | 2020-01-19 | 2023-04-07 | 深圳市雅阅科技有限公司 | 信息推送方法、装置及电子设备 |
| CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置及电子设备 |
| CN111340561A (zh) * | 2020-03-04 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息点击率的计算方法、装置、设备及可读存储介质 |
| CN113449175A (zh) * | 2020-03-24 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 热点数据的推荐方法和装置 |
| CN111524612A (zh) * | 2020-04-26 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| CN111524612B (zh) * | 2020-04-26 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| CN111339355A (zh) * | 2020-05-21 | 2020-06-26 | 北京搜狐新媒体信息技术有限公司 | 一种视频推荐方法及系统 |
| CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
| CN112581191A (zh) * | 2020-08-14 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 行为预测模型的训练方法及装置 |
| CN112182362A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 训练用于在线预测点击率的模型的方法、设备及推荐系统 |
| CN112084307A (zh) * | 2020-09-14 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、服务器及计算机可读存储介质 |
| CN112084307B (zh) * | 2020-09-14 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、服务器及计算机可读存储介质 |
| CN112492396A (zh) * | 2020-12-08 | 2021-03-12 | 中国计量大学 | 一种基于细粒度的多方面分析的短视频点击率预测方法 |
| CN112732953A (zh) * | 2020-12-30 | 2021-04-30 | 上海众源网络有限公司 | 推荐方法、样本分析方法、装置、电子设备和存储介质 |
| CN112669078A (zh) * | 2020-12-30 | 2021-04-16 | 上海众源网络有限公司 | 一种行为预测模型训练方法、装置、设备及存储介质 |
| CN112287239B (zh) * | 2020-12-30 | 2021-03-19 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112287239A (zh) * | 2020-12-30 | 2021-01-29 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN112732953B (zh) * | 2020-12-30 | 2024-04-12 | 上海众源网络有限公司 | 推荐方法、样本分析方法、装置、电子设备和存储介质 |
| CN112905674A (zh) * | 2021-03-04 | 2021-06-04 | 北京小米移动软件有限公司 | 信息排序方法及装置 |
| CN113190725A (zh) * | 2021-03-31 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
| CN113190725B (zh) * | 2021-03-31 | 2023-12-12 | 北京达佳互联信息技术有限公司 | 对象的推荐及模型训练方法和装置、设备、介质和产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363346A (zh) | 点击率预测方法、预测模型的训练方法、装置及设备 | |
| CN104219617B (zh) | 服务获取方法及装置 | |
| CN109284445B (zh) | 网络资源的推荐方法、装置、服务器及存储介质 | |
| WO2020200146A1 (zh) | 页面信息处理方法、装置及电子设备 | |
| US20120296941A1 (en) | Method and Apparatus for Modelling Personalized Contexts | |
| CN111064655A (zh) | 模板消息的推送方法、装置、设备及存储介质 | |
| CN110428311B (zh) | 招投标信息推荐方法及相关产品 | |
| KR102633711B1 (ko) | 상품 정보 추정 모델을 이용한 글로벌 이커머스 통합 관리 방법 및 시스템 | |
| CN114154068A (zh) | 媒体内容推荐方法、装置、电子设备及存储介质 | |
| CN112328911A (zh) | 地点推荐方法、装置、设备及存储介质 | |
| CN114117206B (zh) | 推荐模型处理方法、装置、电子设备及存储介质 | |
| WO2021218634A1 (zh) | 内容推送 | |
| CN111435377A (zh) | 应用推荐方法、装置、电子设备以及存储介质 | |
| CN107807940B (zh) | 信息推荐方法和装置 | |
| CN108897785A (zh) | 搜索内容推荐方法、装置、终端设备及存储介质 | |
| CN110866114B (zh) | 对象行为的识别方法、装置及终端设备 | |
| CN110149408B (zh) | 业务数据显示方法、装置、终端及服务器 | |
| CN112000264A (zh) | 菜品信息展示方法、装置、计算机设备及存储介质 | |
| CN111782950A (zh) | 样本数据集获取方法、装置、设备及存储介质 | |
| WO2022057764A1 (zh) | 广告显示方法及电子设备 | |
| CN111062709B (zh) | 资源转移方式推荐方法、装置、电子设备及存储介质 | |
| CN110178130B (zh) | 一种生成相册标题的方法及设备 | |
| CN114691860A (zh) | 文本分类模型的训练方法、装置、电子设备及存储介质 | |
| CN110519378B (zh) | 确定目标对象的方法、装置、服务器及存储介质 | |
| CN114611009B (zh) | 资源推荐方法、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 |