CN111160959B - 一种用户点击转化预估方法及装置 - Google Patents
一种用户点击转化预估方法及装置 Download PDFInfo
- Publication number
- CN111160959B CN111160959B CN201911329758.9A CN201911329758A CN111160959B CN 111160959 B CN111160959 B CN 111160959B CN 201911329758 A CN201911329758 A CN 201911329758A CN 111160959 B CN111160959 B CN 111160959B
- Authority
- CN
- China
- Prior art keywords
- click
- user
- resource
- target
- characteristic information
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户点击转化预估方法及装置,其中方法为:获取待测的用户特征信息和所述用户待被曝光资源的资源特征信息;至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率;至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。上述方法应用于金融科技(Fintech)时,目标点击数据是根据转化率过滤后筛选出的更加精确的点击数据,能够得到更精确的点击转化率。
Description
技术领域
本发明涉及金融科技(Fintech)领域和信息推荐领域,尤其涉及一种用户点击转化预估方法及装置。
背景技术
随着计算机技术的发展,越来越多的技术(大数据、分布式、区块链(Blockchain)、人工智能等)应用在金融领域,传统金融业正在逐步向金融科技(Fintech)转变。目前,金融科技领域中,信息推荐效果的评估是一个很值得研究的课题。
目前的研究方法中,分别通过预估被曝光资源的用户的点击概率以及点击了被曝光资源的用户的并使用相应产品的概率(即转化概率),来评估信息推荐的效果。然而,在这个过程中,若资源推荐平台积累的点击数据包含对点击率预估模型有负面影响的数据,会造用户点击转化概率不准确,导致用户点击转化概率预估准确率较低。
发明内容
本申请提供一种用户点击转化预估方法及装置,解决了现有技术用户点击转化概率预估准确率较低的问题。
第一方面,本申请提供一种用户点击转化预估方法:获取待测的用户特征信息和所述用户待被曝光资源的资源特征信息;至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,所述特定点击率预估模型是根据目标点击数据和资源推荐平台的全量曝光数据训练得到的,所述目标点击数据是根据特定转化率模型预估的转化率,对所述资源推荐平台的全量点击数据中的可疑点击数据进行过滤得到的;至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地,所述至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,包括:至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,获取所述资源的曝光场景的场景特征信息;所述至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;包括:将所述用户特征信息和所述资源特征信息、所述场景特征信息输入到所述特定点击率预估模型;所述至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率;包括:利用所述特定点击率预估模型基于用户特征、资源特征、场景特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和所述全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的,第一级目标点击数据为所述全量点击数据;所述至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,包括:至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,得到所述用户被所述资源曝光后的多个点击率;基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率;所述至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率,包括:至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,得到所述用户点击所述资源后的多个转化率;基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率;或者将通过第一级转化率预估模型预估的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,所述获取待测的用户特征信息和所述用户待被曝光资源的用户特征信息之前,所述方法还包括:获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据;对所述第一级目标点击数据和所述全量转化数据进行机器学习训练,得到所述第一级转化率预估模型;根据所述第一级转化率预估模型对所述第一级目标点击数据进行预估,得到所述第一级点击数据的转化率;从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;对所述第二级目标点击数据和所述全量曝光数据进行机器学习训练,得到所述第一级点击率预估模型;对所述第二级点击数据和所述全量转化数据进行机器学习训练,得到所述第二级转化率预估模型;依次类推训练模型,直到得到所述各级转化率预估模型和所述各级点击率预估模型;基于所述各级转化率预估模型确定所述特定转化率预估模型,并基于所述各级点击率预估模型确定所述特定点击率预估模型。
可选地,所述从所述第一级目标点击数据中选取转化率符合第一预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据,包括:从所述第一级目标点击数据中选取转化率符合转化率小于或者等于预设阈值的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;或者按照预设排序顺序对所述第一级目标点击数据的转化率进行排序;将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据。
可选地,所述第一预设算法为加权平均算法,所述第二预设算法为加权平均算法,所述基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率,包括:基于所述加权平均算法对所述多个点击率进行加权平均处理;将加权平均处理后的点击率,确定为所述用户被所述资源曝光后的目标点击率;所述基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率,包括:基于所述加权平均算法对所述多个转化率进行加权平均处理;将加权平均处理后的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,获取所述资源的曝光场景的场景特征信息;所述至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,包括:将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估;所述至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,包括:将所述用户特征信息、所述资源特征信息、所述场景特征信息分别输入到所述各级转化率预估模型进行预估。
可选地,将所述目标点击率和所述目标转化率的乘积,确定所述用户被所述资源曝光并点击后的点击转化率。
第二方面,本申请提供一种用户点击转化预估装置,包括:获取模块,用于获取待测的用户特征信息和所述用户待被曝光资源的资源特征信息;处理模块,用于至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,所述特定点击率预估模型是根据目标点击数据和资源推荐平台的全量曝光数据训练得到的,所述目标点击数据是根据特定转化率模型预估的转化率,对所述资源推荐平台的全量点击数据中的可疑点击数据进行过滤得到的;至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地,所述处理模块具体用于:至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,所述获取模块具体用于:获取所述资源的曝光场景的场景特征信息;所述处理模块具体用于:将所述用户特征信息和所述资源特征信息、所述场景特征信息输入到所述特定点击率预估模型;利用所述特定点击率预估模型基于用户特征、资源特征、场景特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和所述全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的,第一级目标点击数据为所述全量点击数据;所述处理模块具体用于:至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,得到所述用户被所述资源曝光后的多个点击率;基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率;至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,得到所述用户点击所述资源后的多个转化率;基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率;或者将通过第一级转化率预估模型预估的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,所述获取模块还用于:获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据;所述处理模块具体用于:对所述第一级目标点击数据和所述全量转化数据进行机器学习训练,得到所述第一级转化率预估模型;根据所述第一级转化率预估模型对所述第一级目标点击数据进行预估,得到所述第一级点击数据的转化率;从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;对所述第二级目标点击数据和所述全量曝光数据进行机器学习训练,得到所述第一级点击率预估模型;对所述第二级点击数据和所述全量转化数据进行机器学习训练,得到所述第二级转化率预估模型;依次类推训练模型,直到得到所述各级转化率预估模型和所述各级点击率预估模型;基于所述各级转化率预估模型确定所述特定转化率预估模型,并基于所述各级点击率预估模型确定所述特定点击率预估模型。
可选地,所述处理模块具体用于:从所述第一级目标点击数据中选取转化率符合转化率小于或者等于预设阈值的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;或者按照预设排序顺序对所述第一级目标点击数据的转化率进行排序;将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据。
可选地,所述第一预设算法为第一加权平均算法,所述第二预设算法为第二加权平均算法,所述处理模块具体用于:基于所述第一加权平均算法对所述多个点击率进行加权平均处理;将加权平均处理后的点击率,确定为所述用户被所述资源曝光后的目标点击率;基于所述第二加权平均算法对所述多个转化率进行加权平均处理;将加权平均处理后的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,所述获取模块还用于:获取所述资源的曝光场景的场景特征信息;所述处理模块具体用于:将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估;将所述用户特征信息、所述资源特征信息、所述场景特征信息分别输入到所述各级转化率预估模型进行预估。
可选地,所述处理模块具体用于:将所述目标点击率和所述目标转化率的乘积,确定所述用户被所述资源曝光后点击并转化的点击转化率。
上述第二方面及第二方面各个实施方式的有益效果,可以参考上述第一方面及第一方面各个实施方式的有益效果,这里不再赘述。
第三方面,本申请提供一种计算机设备,包括程序或指令,当所述程序或指令被执行时,用以执行上述第一方面及第一方面各个实施方式的方法。
第四方面,本申请提供一种存储介质,包括程序或指令,当所述程序或指令被执行时,用以执行上述第一方面及第一方面各个实施方式的方法。
本申请提供的一种用户点击转化预估方法及装置中,所述目标点击数据是根据特定转化率模型预估的转化率,对所述资源推荐平台的全量点击数据中的可疑点击数据进行过滤得到的,因此目标点击数据是根据转化率筛选出的更加精确的点击数据,而所述特定点击率预估模型是根据目标点击数据和资源推荐平台的全量曝光数据训练得到的,所以特定点击率预估模型能够根据所述用户特征信息、所述资源特征信息和特定点击率预估模型更精确地预估目标点击率,从而再结合目标转化率,能够得到更精确的点击转化率。
附图说明
图1为本申请提供的一种用户点击转化预估方法可应用的架构示意图;
图2为本申请提供的一种用户点击转化预估方法的步骤流程示意图;
图3为本申请提供的一种用户点击转化预估装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互结合。
在金融机构(银行机构、保险机构或证券机构)在进行业务(如银行的贷款业务、存款业务等)运转过程中,金融机构经常需要对信息推荐效果进行评估。现有方式为,在点击预估概率时使用全量的用户的曝光、点击、与转化数据。但是,当可疑点击数据存在时,会严重影响预估效果。具体地说,首先,该算法会严重倾向于未作弊点击的流量预估较高的点击转化率。其次,该算法可能对某些显著热爱点击、但不转化的用户提供较高的预估值。显然,这两种情况都会造成点击转化率预估效果得下降,进而影响信息推荐效果。当作弊点击、恶意点击、或极易点击等可疑的点击数据主导整个点击数据时。若没有合理的处理方法,点击率预估模型会偏向于这类点击,而不是包括转化在内的真实点击。显然,妥善处理这些样本时更准确的预估点击转化率的关键。
为此,如图1所示架构图,本申请提供一种能应用于该架构的用户点击转化预估方法。需要说明的是,图1仅作为举例,描述该架构图的应用场景,但应用的架构图并不局限于图1示出的架构图。该架构的应用场景为,给定一推荐请求,其特征信息使用x表示。其中x包括以下至少一项:用户的特征信息(即用户的基础属性,如年龄、性别等);用户待被曝光资源的资源特征信息(即被曝光资源的基础属性,如被曝光资源的曝光时间段、被曝光资源的素材等);用户待被曝光资源的曝光场景的场景特征信息(即被曝光资源的曝光场景的基础属性,如曝光资源在何种网页下触发曝光等)。可以通过为用户增加标签值来标识用户的行为。第一、可以使用y0={0,1}表示用户仅曝光还是曝光并点击,其中y0=0表示为用户曝光了被曝光资源但用户未点击曝光的被曝光资源,即仅曝光;y0=1表示为用户曝光了被曝光资源且用户点击了曝光的被曝光资源,即曝光并点击。第二、可以使用y1={0,1}表示用户仅点击还是点击并转化,其中y0=0表示用户点击了被曝光资源但用户未转化,即仅点击;y0=1表示用户点击了被曝光资源且用户发生了转化,即点击并转化。这样为用户添加标签的目的是利用数据更准确的预估P(y1=1,y0=1|x)。因此,可以将每个用户的特征信息连同用户的标签值一起,作为一条样本数据,从而根据大量用户的样本数据进行机器学习训练,通过不同训练数据集可训练得到相应的不同分析模型,如对用户是否点击进行预估的点击率预估模型,对用户是否转化进行预估的转化率预估模型。进而,还可以通过分析模型来筛选可疑点击数据,可疑点击数据的判定规则有多种,举例来说,可以定义作弊点击、恶意点击、或极易点击的可疑点击数据满足:P(y0=1|x)≥1-∈,但P(y1=1|y0=1,x)≤∈,0<∈<1。而过滤后的点击数据还可以继续进行机器学习训练,对点击率预估模型和转化率预估模型进行优化。
下面结合图2,详细说明本申请实施例提供一种用户点击转化预估方法,具体实施方式包括以下步骤:
步骤201:获取待测的用户特征信息和所述用户待被曝光资源的资源特征信息。
步骤202:至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率。
步骤203:至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率。
步骤204:根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
步骤201中,还可以获取所述待被曝光资源的曝光场景的场景特征信息。
若额外获取了所述资源的曝光场景的场景特征信息,特定点击率预估模型还能学习到场景特征与用户被资源曝光后的点击映射关系的知识,将所述场景特征信息输入到所述特定点击率预估模型后,还能加入对场景特征信息的考量,从而可以更全面地预估目标点击率。
步骤202中,所述特定点击率预估模型是根据目标点击数据和资源推荐平台的全量曝光数据训练得到的,所述目标点击数据是根据特定转化率模型预估的转化率,对所述资源推荐平台的全量点击数据中的可疑点击数据进行过滤得到的。显然,特定转化率预估模型能够为可疑点击数据的过滤提供依据,不仅可以用于预估转化率,还可以用于定位可疑点击数据。
步骤202的一种可选实施方式中,将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
当在步骤201中获取了所述待被曝光资源的曝光场景的场景特征信息后,步骤202的一种可选实施方式中,将所述用户特征信息和所述资源特征信息、所述场景特征信息输入到所述特定点击率预估模型;利用所述特定点击率预估模型基于用户特征、资源特征、场景特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
显然,在步骤202的方式及可选实施方式中,在训练过程中,所述特定点击率预估模型在训练过程中学习到了用户特征、资源特征与用户被资源曝光后的点击映射关系的知识,当将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型,特定点击率预估模型会将学习到的知识表征出来,所述特定点击率预估模型基于映射关系和所述用户特征信息、所述资源特征信息(以及场景特征信息)进行预估,得到待测的用户的点击率。
同理可知,在训练过程中,特定转化率预估模型也学习了用户特征、资源特征(以及场景特征)与用户被资源曝光后的转化映射关系。所述特定转化率预估模型基于映射关系和所述用户特征信息、所述资源特征信息(以及场景特征信息)进行预估,得到待测的用户的转化率。
需要说明的是,步骤202中的特定点击率预估模型和特定转化率预估模型的训练方式有多种,如通过梯度下降算法。目标点击数据的筛选规则也有多种,只要目标点击数据是根据转化率按一定筛选规则从全量点击数据筛选出来的,均在步骤202的范围内,具体的可疑点击数据的筛选规则不做限定,可根据具体场景灵活设置。
下面以一种典型的实施方式来详细说明步骤202中特定点击率预估模型和步骤203特定转化率预估模型的获得方式:
所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和所述全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的;第一级目标点击数据为所述全量点击数据。
举例来说,首先使用全量点击数据为负样本,全量转化数据/>为正样本,得到第一级转化率预估模型/>使用全量曝光数据/>为负样本,全量点击数据/>为正样本,得到第一级点击率预估模型/>通过/>得到/>的转化率,再通过可疑点击数据的过滤规则,根据点击数据/>的转化率把可疑点击数据过滤掉,从而得到第二级目标点击数据再根据/>和/>得到第二级点击率预估模型/>根据/>和/>得到第二级转化率预估模型/>得到各级点击率预估模型和各级转化率预估模型。
上述方式下,由于所述特定点击率预估模型包括级联的多个点击率预估模型以及级联的多个转化率预估模型,且各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,也就是说每一级目标点击数据都过滤了一部分上一级目标点击数据的可疑点击数据,因此每一级的目标点击数据都更加准确,每级点击率预估模型都比上一级点击率预估模型精确,每级转化率预估模型都比上一级转化率预估模型精确,从而可以得到更加精确的目标点击率和目标转化率。
因此在一种可选实施方式下,特定点击率预估模型和特定转化率预估模型的具体训练方式可以为:
获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据;对所述第一级目标点击数据和所述全量转化数据进行机器学习训练,得到所述第一级转化率预估模型;根据所述第一级转化率预估模型对所述第一级目标点击数据进行预估,得到所述第一级点击数据的转化率;从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;对所述第二级目标点击数据和所述全量曝光数据进行机器学习训练,得到所述第一级点击率预估模型;对所述第二级点击数据和所述全量转化数据进行机器学习训练,得到所述第二级转化率预估模型;依次类推训练模型,直到得到所述各级转化率预估模型和所述各级点击率预估模型;基于所述各级转化率预估模型确定所述特定转化率预估模型,并基于所述各级点击率预估模型确定所述特定点击率预估模型。
在获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据后,先得到所述第一级转化率预估模型、第一级点击数据的转化率、并基于得到的内容筛选出更加精确的第二级目标点击数据,并依次类推训练模型,从而得到越来越精确的所述各级转化率预估模型和所述各级点击率预估模型,并进一步得到精确的特定点击率预估模型,从而提供了一种递推特定点击率预估模型的方法。
其中,预设条件可根据具体场景灵活限定,一种可选实施方式中,得到第二级目标点击数据的实施方式可以为:
从所述第一级目标点击数据中选取转化率符合转化率小于或者等于预设阈值的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;或者按照预设排序顺序对所述第一级目标点击数据的转化率进行排序;将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据。
举例来说,预设阈值为0.6,那么第一级目标点击数据中转化率小于或等于0.6的点击数据,便是可疑点击数据,过滤了可疑点击数据后剩下的点击数据则是第二级目标点击数据。另外,预设排序顺序既可以是从小到大的排列顺序,也可以是从大到小的排列顺序。若是从小到大的排列顺序,可疑点击数据就是前部一定位置的点击数据;若是从大到小的排列顺序,可疑点击数据就是后部一定位置的点击数据。
上述方式下,所述第一级目标点击数据中转化率符合转化率小于或者等于预设阈值的点击数据便是容易点击但不容易转化用户的数据,因此可以将这部分用户过滤掉,或者将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,从而提供了一种可以根据预设阈值和预设排序顺序筛选可疑点击数据的方法。
举例来说,首先使用全量点击数据为负样本,全量转化数据/>为正样本,训练转化率预估模型/>可以用/>的预估值为指标对全量点击数据按从大到小进行排序,并保留其中预估值较大的一部分点击数据(如前p比例的点击数据)。称保留的点击数据为/>直观地说,所排除部分点击数据(如1-p比例点击数据)为可疑点击数据的概率大于所保留的点击数据为可疑点击数据的概率。基于余下点击数据(如前p比例的点击数据)和全量转化数据(或者全量转化数据中的部分数据),重新训练转化率预估模型/>使用可以继续过滤部分点击数据(如1-p比例点击数据),并保留点击数据/>这种不断过滤与重新训练的方法可以直到留存点击数据少于一定数据量或者留存点击数据的转化预估概率的方差小于方差阈值时停止。假设经过N轮过滤,则该部分过后,拥有/>多份点击数据。
基于上述级联的多个点击率预估模型,级联的多个转化率预估模型的方式下,可以通过以下方式得到用户被所述资源曝光后的目标点击率和目标转化率。
目标点击率具体获得方式为:
至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,得到所述用户被所述资源曝光后的多个点击率;基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率。
举例来说,可以随机剔除一部分点击率求点击率的平均值,作为目标点击率。需要说明的是,若在步骤201中获取了场景特征信息,上述方式下还可以加入场景特征信息,将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估。
目标转化率具体获得方式为:
至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,得到所述用户点击所述资源后的多个转化率;基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率;或者将通过第一级转化率预估模型预估的转化率,确定为所述用户被所述资源曝光后的目标转化率。
举例来说,可以随机剔除一部分转化率求转化率的平均值,作为目标转化率。需要说明的是,若在步骤201中获取了场景特征信息,上述方式下还可以加入场景特征信息,将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级转化率预估模型进行预估。
加入场景特征信息后,在将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估,从而对每一级的目标点击率和目标转化率都加入了场景特征信息的考量,因此对每一级的目标点击数据筛选的尺度也更加全面。
在一种实施方式中,所述第一预设算法为第一加权平均算法,所述第二预设算法为第二加权平均算法,所述基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率的方式具体可以为:
基于所述第一加权平均算法对所述多个点击率进行加权平均处理;将加权平均处理处理后的点击率,确定为所述用户被所述资源曝光后的目标点击率;基于所述第二加权平均算法对所述多个转化率进行加权平均处理;将加权平均处理后的转化率,确定为所述用户被所述资源曝光后的目标转化率。
举例来说,由于过滤后留存的一份点击数据会比上一份点击数据更加可靠。因此,本申请使用全量曝光数据以及多份点击数据训练N个点击率预估模型由于训练的点击数据愈发可靠,因此,对一个待测用户的点击预估概率Mctr可以使用k个点击率预估的加权平均方式得到。具体的说:
上述方式下,基于所述第一加权平均算法对所述多个点击率进行加权平均处理,从而既考虑了全面的点击数据又考虑了精确的点击数据,得到全面又精确的目标点击率,同理,基于所述第二加权平均算法对所述多个转化率进行加权平均处理,得到全面又精确的目标转化率。
步骤204的一种可选实施方式中,将所述目标点击率和所述目标转化率的乘积,确定所述用户被所述资源曝光后点击并转化的点击转化率。
举例来说,用户的目标点击率为0.8,用户的目标转化率为0.6,那么用户被所述资源曝光后点击并转化的点击转化率即为0.8与0.6的乘积0.48,从而获得了目标点击率和目标转化率后,直接根据乘积便可确定所述用户被所述资源曝光并点击后的点击转化率,给出了一种简便高效的获得点击转化率的方式。
如图3所示,本申请提供一种用户点击转化预估装置,包括:获取模块301,用于获取待测的用户特征信息和所述用户待被曝光资源的资源特征信息;处理模块302,用于至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,所述特定点击率预估模型是根据目标点击数据和资源推荐平台的全量曝光数据训练得到的,所述目标点击数据是根据特定转化率模型预估的转化率,对所述资源推荐平台的全量点击数据中的可疑点击数据进行过滤得到的;至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地,所述处理模块302具体用于:至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,所述获取模块301具体用于:获取所述资源的曝光场景的场景特征信息;所述处理模块302具体用于:将所述用户特征信息和所述资源特征信息、所述场景特征信息输入到所述特定点击率预估模型;利用所述特定点击率预估模型基于用户特征、资源特征、场景特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
可选地,所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和所述全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的,第一级目标点击数据为所述全量点击数据;所述处理模块302具体用于:至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,得到所述用户被所述资源曝光后的多个点击率;基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率;至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,得到所述用户点击所述资源后的多个转化率;基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率;或者将通过第一级转化率预估模型预估的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,所述获取模块301还用于:获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据;所述处理模块302具体用于:对所述第一级目标点击数据和所述全量转化数据进行机器学习训练,得到所述第一级转化率预估模型;根据所述第一级转化率预估模型对所述第一级目标点击数据进行预估,得到所述第一级点击数据的转化率;从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;对所述第二级目标点击数据和所述全量曝光数据进行机器学习训练,得到所述第一级点击率预估模型;对所述第二级点击数据和所述全量转化数据进行机器学习训练,得到所述第二级转化率预估模型;依次类推训练模型,直到得到所述各级转化率预估模型和所述各级点击率预估模型;基于所述各级转化率预估模型确定所述特定转化率预估模型,并基于所述各级点击率预估模型确定所述特定点击率预估模型。
可选地,所述处理模块302具体用于:从所述第一级目标点击数据中选取转化率符合转化率小于或者等于预设阈值的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;或者按照预设排序顺序对所述第一级目标点击数据的转化率进行排序;将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据。
可选地,所述第一预设算法为第一加权平均算法,所述第二预设算法为第二加权平均算法,所述处理模块302具体用于:基于所述第一加权平均算法对所述多个点击率进行加权平均处理;将加权平均处理处理后的点击率,确定为所述用户被所述资源曝光后的目标点击率;基于所述第二加权平均算法对所述多个转化率进行加权平均处理;将加权平均处理后的转化率,确定为所述用户被所述资源曝光后的目标转化率。
可选地,所述获取模块301还用于:获取所述资源的曝光场景的场景特征信息;所述处理模块302具体用于:将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估;将所述用户特征信息、所述资源特征信息、所述场景特征信息分别输入到所述各级转化率预估模型进行预估。
可选地,所述处理模块302具体用于:将所述目标点击率和所述目标转化率的乘积,确定所述用户被所述资源曝光后点击并转化的点击转化率。
本申请实施例提供一种计算机设备,包括程序或指令,当所述程序或指令被执行时,用以执行本申请实施例提供的一种用户点击转化预估方法及任一可选方法。
本申请实施例提供一种存储介质,包括程序或指令,当所述程序或指令被执行时,用以执行本申请实施例提供的一种用户点击转化预估方法及任一可选方法。
最后应说明的是:本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种用户点击转化预估方法,其特征在于,包括:
获取待测的用户特征信息和用户待被曝光资源的资源特征信息;
至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率;
至少根据所述用户特征信息、所述资源特征信息和特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的,第一级目标点击数据为全量点击数据;
根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
2.根据权利要求1所述的方法,其特征在于,所述至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,包括:
至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;
至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取所述资源的曝光场景的场景特征信息;
所述至少将所述用户特征信息和所述资源特征信息输入到所述特定点击率预估模型;包括:
将所述用户特征信息和所述资源特征信息、所述场景特征信息输入到所述特定点击率预估模型;
所述至少利用所述特定点击率预估模型基于用户特征、资源特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率;包括:
利用所述特定点击率预估模型基于用户特征、资源特征、场景特征与用户被资源曝光后的点击映射关系,预估得到所述用户被所述资源曝光后的目标点击率。
4.根据权利要求1所述的方法,其特征在于,所述至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率,包括:
至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,得到所述用户被所述资源曝光后的多个点击率;
基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率;
所述至少根据所述用户特征信息、所述资源特征信息和所述特定转化率预估模型,预估所述用户点击所述资源后的目标转化率,包括:
至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,得到所述用户点击所述资源后的多个转化率;
基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率;或者
将通过第一级转化率预估模型预估的转化率,确定为所述用户被所述资源曝光后的目标转化率。
5.根据权利要求4所述的方法,其特征在于,所述获取待测的用户特征信息和所述用户待被曝光资源的用户特征信息之前,所述方法还包括:
获取所述第一级目标点击数据、所述全量转化数据和所述全量曝光数据;
对所述第一级目标点击数据和所述全量转化数据进行机器学习训练,得到所述第一级转化率预估模型;
根据所述第一级转化率预估模型对所述第一级目标点击数据进行预估,得到第一级点击数据的转化率;
从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;
对所述第二级目标点击数据和所述全量曝光数据进行机器学习训练,得到第一级点击率预估模型;
对第二级点击数据和所述全量转化数据进行机器学习训练,得到第二级转化率预估模型;
依次类推训练模型,直到得到所述各级转化率预估模型和所述各级点击率预估模型;
基于所述各级转化率预估模型确定所述特定转化率预估模型,并基于所述各级点击率预估模型确定所述特定点击率预估模型。
6.根据权利要求5所述的方法,其特征在于,所述从所述第一级目标点击数据中选取转化率符合预设条件的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据,包括:
从所述第一级目标点击数据中选取转化率符合转化率小于或者等于预设阈值的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据;或者
按照预设排序顺序对所述第一级目标点击数据的转化率进行排序;将排序位置处于预设排列范围的点击数据作为可疑点击数据进行过滤,得到第二级目标点击数据。
7.根据权利要求4所述的方法,其特征在于,所述第一预设算法为第一加权平均算法,所述第二预设算法为第二加权平均算法,所述基于所述多个点击率和第一预设算法,确定所述用户被所述资源曝光后的目标点击率,包括:
基于所述第一加权平均算法对所述多个点击率进行加权平均处理;
将加权平均处理后的点击率,确定为所述用户被所述资源曝光后的目标点击率;
所述基于所述多个转化率和第二预设算法,确定所述用户被所述资源曝光后的目标转化率,包括:
基于所述第二加权平均算法对所述多个转化率进行加权平均处理;
将加权平均处理后的转化率,确定为所述用户被所述资源曝光后的目标转化率。
8.根据权利要求4所述的方法,其特征在于,还包括:
获取所述资源的曝光场景的场景特征信息;
所述至少将所述用户特征信息和所述资源特征信息分别输入到所述各级点击率预估模型进行预估,包括:
将所述用户特征信息、所述资源特征信息和所述场景特征信息分别输入到所述各级点击率预估模型进行预估;
所述至少将所述用户特征信息、所述资源特征信息分别输入到所述各级转化率预估模型进行预估,包括:
将所述用户特征信息、所述资源特征信息、所述场景特征信息分别输入到所述各级转化率预估模型进行预估。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光并点击后的点击转化率,包括:
将所述目标点击率和所述目标转化率的乘积,确定所述用户被所述资源曝光后点击并转化的点击转化率。
10.一种用户点击转化预估装置,其特征在于,包括:
获取模块,用于获取待测的用户特征信息和用户待被曝光资源的资源特征信息;
处理模块,用于至少根据所述用户特征信息、所述资源特征信息和特定点击率预估模型,预估所述用户被所述资源曝光后的目标点击率;至少根据所述用户特征信息、所述资源特征信息和特定转化率预估模型,预估所述用户点击所述资源后的目标转化率;所述特定点击率预估模型包括级联的多个点击率预估模型,所述特定转化率预估模型包括级联的多个转化率预估模型,各级点击率预估模型是根据各级目标点击数据和全量曝光数据训练得到的,各级目标点击数据是根据各级转化率预估模型对上级目标点击数据进行预估得到的转化率,对所述上级目标点击数据中的可疑点击数据进行过滤得到的,各级转化率预估模型是根据各级目标点击数据和全量转化数据训练得到的,第一级目标点击数据为全量点击数据;根据所述目标点击率和所述目标转化率,确定所述用户被所述资源曝光后点击并转化的点击转化率。
11.一种计算机设备,其特征在于,包括程序或指令,当所述程序或指令被执行时,如权利要求1至9中任意一项所述的方法被执行。
12.一种存储介质,其特征在于,包括程序或指令,当所述程序或指令被执行时,如权利要求1至9中任意一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329758.9A CN111160959B (zh) | 2019-12-20 | 2019-12-20 | 一种用户点击转化预估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329758.9A CN111160959B (zh) | 2019-12-20 | 2019-12-20 | 一种用户点击转化预估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160959A CN111160959A (zh) | 2020-05-15 |
CN111160959B true CN111160959B (zh) | 2023-06-27 |
Family
ID=70557656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329758.9A Active CN111160959B (zh) | 2019-12-20 | 2019-12-20 | 一种用户点击转化预估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160959B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749333B (zh) * | 2020-07-24 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 资源搜索方法、装置、计算机设备和存储介质 |
CN111932309A (zh) * | 2020-08-13 | 2020-11-13 | 北京达佳互联信息技术有限公司 | 资源参考信息确定方法、装置、服务器和存储介质 |
CN112950266B (zh) * | 2021-02-26 | 2024-05-03 | 北京达佳互联信息技术有限公司 | 一种媒体资源展示方法及装置 |
CN114422584B (zh) * | 2021-12-16 | 2023-07-07 | 北京百度网讯科技有限公司 | 资源的推送方法、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN110309406A (zh) * | 2018-03-12 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 点击率预估方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037543B2 (en) * | 2012-08-13 | 2018-07-31 | Amobee, Inc. | Estimating conversion rate in display advertising from past performance data |
CN107767174A (zh) * | 2017-10-19 | 2018-03-06 | 厦门美柚信息科技有限公司 | 一种广告点击率的预测方法及装置 |
US10846564B2 (en) * | 2018-01-04 | 2020-11-24 | Facebook, Inc. | Capturing a cluster effect with targeted digital-content exposures |
CN110399550B (zh) * | 2019-03-14 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法及装置 |
CN110415032A (zh) * | 2019-07-24 | 2019-11-05 | 深圳乐信软件技术有限公司 | 一种曝光转化率预估方法、装置、设备以及存储介质 |
-
2019
- 2019-12-20 CN CN201911329758.9A patent/CN111160959B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN110309406A (zh) * | 2018-03-12 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 点击率预估方法、装置、设备及存储介质 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111160959A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
CN109934293B (zh) | 图像识别方法、装置、介质及混淆感知卷积神经网络 | |
CN110598620B (zh) | 基于深度神经网络模型的推荐方法和装置 | |
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
US20220044148A1 (en) | Adapting prediction models | |
CN111178533B (zh) | 实现自动半监督机器学习的方法及装置 | |
CN112182269B (zh) | 图像分类模型的训练、图像分类方法、装置、设备及介质 | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
US20210319269A1 (en) | Apparatus for determining a classifier for identifying objects in an image, an apparatus for identifying objects in an image and corresponding methods | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN110059743B (zh) | 确定预测的可靠性度量的方法、设备和存储介质 | |
CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
JP2010272004A (ja) | 判別装置及び判別方法、並びにコンピューター・プログラム | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
WO2022253636A1 (en) | Method for training a classifier and system for classifying blocks | |
CN112989869B (zh) | 人脸质量检测模型的优化方法、装置、设备及存储介质 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN115349129A (zh) | 生成具有不确定性区间的性能预测 | |
CN115687910A (zh) | 一种数据处理方法、装置、计算机设备以及可读存储介质 | |
CN113469204A (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
CN112463964A (zh) | 文本分类及模型训练方法、装置、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 |