CN111311328A - 用于确定在广告渠道下的产品的广告点击率的方法及装置 - Google Patents

Abstract

本说明书的实施例提供了一种用于确定在广告渠道下的产品的广告点击率的方法及装置。在该方法中，获取点击率预测特征数据集，每一点击率预测特征数据是针对待评测的广告渠道中的每个注册用户的，点击率预测特征数据包括用户属性特征数据、多个广告渠道特征数据和多个评测产品的产品属性特征数据；然后，将点击率预测特征数据集提供给点击概率预测模型，从而确定各个注册用户针对各个广告渠道下的不同评测产品的点击概率；之后，统计各个用户针对各个广告渠道下的不同评测产品的曝光点击概率，从而确定相应的广告点击率，这样只需要维护一个多任务学习模型，便可以预测多个广告渠道产品的点击率，可以节约成本。

Description

用于确定在广告渠道下的产品的广告点击率的方法及装置

技术领域

本说明书的实施例涉及互联网领域，具体地，涉及一种用于预测点击率的方法及装置。

背景技术

为了使得计算机广告利润实现最大化，广告主或广告运营商期望能在投放广告之前能够获知广告点击率，由此CTR(Click-Through Rate,点击率通过率)预测技术便应运而生了。

在目前的点击率预测的相关技术中，当存在多个预测对象(例如不同渠道的不同产品)时，一般会针对每个对象单独配置对应的CTR模型，需要配置多个CTR模型，导致成本较高且不便于维护。

针对上述问题，目前业界暂无较佳的解决方案。

发明内容

鉴于上述问题，本说明书的实施例提供了一种用于确定在广告渠道下的产品的广告点击率的方法及装置。利用该方法及装置，使用多任务学习模型，可以确定多个不同的广告渠道产品的多个广告点击率，而不需要维护多个CTR模型，降低了运营维护成本。另外，通过多任务学习模型可以使用不同广告点击率预测任务之间的共有信息，从而提高所确定的广告点击率的精确度。

根据本说明书实施例的一个方面，提供了一种用于确定在广告渠道下的产品的广告点击率的方法，包括：获取点击率预测特征数据集，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据；将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型；针对各个评测广告渠道下的各个评测产品，根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。

可选地，在上述方面的一个示例中，所述点击率预测特征数据还可以包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据。

可选地，在上述方面的一个示例中，所述点击概率预测模型的训练样本集标签包括关于针对至少一个广告渠道下曝光的至少一个产品的点击信息。

可选地，在上述方面的一个示例中，所述点击概率预测模型可以包括共享特征处理层和至少一个点击概率输出层，且每一点击概率输出层与各个针对评测广告渠道下的评测产品的点击概率预测任务唯一对应，其中，基于所述点击概率预测模型，执行包括以下的操作：基于所述共享特征处理层，确定与点击率预测特征数据相对应的共享特征数据；针对各个点击概率输出层，基于该点击概率输出层来确定针对注册用户标识的与所述共享特征数据和所述点击率预测特征数据相对应的曝光点击概率。

可选地，在上述方面的一个示例中，针对各个点击概率输出层，基于该点击概率输出层来确定针对注册用户标识的与所述共享特征数据和所述点击率预测特征数据相对应的曝光点击概率可以包括：基于各个点击概率输出层针对所述共享特征处理层所对应的各个权重矩阵来分别校准该共享特征数据；各个点击概率输出层分别基于所述点击率预测特征数据和相应的经校准的共享特征数据，确定针对用户标识的各个曝光点击概率。

可选地，在上述方面的一个示例中，各个评测产品之间具有至少一个相同的产品属性。

根据本说明书实施例的一个方面，提供了一种用于确定在广告渠道下的产品的广告点击率的装置，包括：预测特征数据集获取单元，获取点击率预测特征数据集，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据；模型预测单元，将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型；广告点击率确定单元，针对各个评测广告渠道下的各个评测产品，根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。

可选地，在上述方面的一个示例中，所述点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据。

可选地，在上述方面的一个示例中，所述点击概率预测模型的训练样本集标签包括关于针对至少一个广告渠道下曝光的至少一个产品的点击信息。

可选地，在上述方面的一个示例中，所述点击概率预测模型包括共享特征处理层和至少一个点击概率输出层，且每一点击概率输出层与各个针对评测广告渠道下的评测产品的点击概率预测任务唯一对应，其中，所述共享特征处理层确定与点击率预测特征数据相对应的共享特征数据；各个点击概率输出层基于所述共享特征数据和所述点击率预测特征数据确定针对注册用户标识的各个曝光点击概率。

可选地，在上述方面的一个示例中，各个点击概率输出层针对所述共享特征处理层所对应的各个权重矩阵来分别校准该共享特征数据；以及各个点击概率输出层分别基于所述点击率预测特征数据和相应的经校准的共享特征数据，确定针对用户标识的各个曝光点击概率。

可选地，在上述方面的一个示例中，各个评测产品之间具有至少一个相同的产品属性。

根据本说明书的实施例的另一方面，还提供一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的用于确定在广告渠道下的产品的广告点击率的方法。

根据本说明书的实施例的另一方面，还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于确定在广告渠道下的产品的广告点击率的方法。

附图说明

通过参照下面的附图，可以实现对于本说明书的实施例内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本说明书的实施例，但并不构成对本说明书的实施例的限制。在附图中：

图1示出了根据本说明书的实施例的用于确定在广告渠道下的产品的广告点击率的方法的一示例的流程图；

图2示出了根据本说明书的实施例的对点击概率预测模型进行训练的一示例的流程图；

图3示出了根据本说明书的实施例的点击概率预测模型的一示例的结构框图；

图4示出了根据本发明书的实施例的用于确定在广告渠道下的产品的广告点击率的装置的一示例的结构框图；和

图5示出了根据本说明书的实施例的用于确定在广告渠道下的产品的广告点击率的装置的一示例的硬件结构图。

具体实施方式

以下将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书的实施例内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

在本文中，术语“广告渠道”可以表示广告过程的传播形式或传播媒介，例如CPC(Cost Per Click,按点击付费)渠道。术语“广告点击率”可以表示用户点击量与广告曝光量之间的比值，其可以用来反映所曝光的广告中有多少比率被用户点击了。

此外，术语“多任务学习模型”可以表示对多个任务进行处理的机器学习模型，其可以通过共享多个相关任务之间的隐含特定信息，从而提升模型整体的学习效果。

图1示出了根据本说明书的实施例的用于确定在广告渠道下的产品的广告点击率的方法(下文中也被称为，广告渠道产品点击率确定方法)的一示例的流程图。

如图1所示的流程100，在块110中，获取点击率预测特征数据集。这里，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应。并且，点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据。

具体地，可以通过获取诸如产品属性数据信息、广告渠道数据信息和用户属性数据信息之类的原始数据信息，另外在一个评测广告渠道下可能会存在多个多个注册用户，并且一个用户也可能会在多个评测广告渠道上进行注册。这里，针对各个注册用户，可以将该注册用户的用户属性数据信息、所对应的广告渠道信息和评测产品的产品属性数据信息整合成一个用户点击预测数据。进而，可以通过将各个用户点击预测数据进行特征处理，从而得到相应的点击率预测特征数据。

举例来说，评测产品可能是手机，相应的产品属性数据可能是“小米手机”、“双卡双待”、“支持5G”或“面部解锁”等。评测广告渠道可以是诸如“腾讯新闻”、“抖音短视频”之类的应用平台，并且在应用平台授权之后，可以从这些应用平台服务端中获得已注册的用户的属性数据信息。另外，多个评测广告渠道也可以表示不同类型的广告渠道(例如，互联网广告和电视广告渠道等)，或者同一广告运营商所运营的不同的流量渠道(例如，微信和QQ渠道)，在此可不加限制。

接着，在块120中，将点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率。这里，该点击概率预测模型为多任务学习模型。例如，点击概率预测模型可以从用户属性特征维度、广告渠道特征维度和产品属性特征维度等多个维度对点击率预测特征数据进行评估，从而可以确定分别针对多个渠道产品的多个曝光点击概率。

需说明的是，一些产品和/或广告渠道之间具有一定的相似度，这些相似度会对一些用户在对广告渠道产品的点击操作产生影响，例如“年轻女白领”的一些用户可能会倾向于对“XX流媒体应用平台”的一些广告渠道上曝光的“美颜手机”的一些产品产生较大概率的点击操作。因此，可以应用多任务学习模型来抽取对广告渠道产品的用户点击进行预测的相关任务中的共有信息，可以提升所确定的点击概率的精确度。

在一些实施方式中，各个评测产品之间具有至少一个相同的产品属性，该产品属性可以表示产品类型、产品制造厂商名称或产品功能，等等。例如，各个评测产品可以是对应同一产品类型(例如，手机)的多个产品，或者对应同一厂商(例如，“苹果”)的多个产品。这样，使得在相关预测任务之间的共有信息是充分的，保障了点击概率预测模型所确定的点击概率具有较高的精确度。

接着，在块130中，针对各个评测广告渠道下的各个评测产品，可以根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。例如，可以通过统计评测广告渠道C1下的所有注册用户对评测产品P1的曝光点击概率，从而确定广告渠道产品C1P1所对应的广告点击率。

在本说明书实施例中，通过应用多任务学习模型来得到针对多个广告渠道产品的广告点击率，不需要针对多个广告渠道上的不同产品分别构建模型并进行维护，可以降低运营成本。另外，基于多任务学习模型，还可以抽取产品和渠道针对广告渠道产品预测任务的共有信息，有助于提高最终所确定的广告点击率的精确度。

在一些实施方式中，还可以将评测产品在各个评测广告渠道的广告点击率进行对比，进而广告主或广告运营商可以根据对比结果来选择对应广告点击率高的评测广告渠道来投放该评测产品。在本说明书的实施例中，使用一个预测模型来确定多个广告点击率，而不是多个不同的预测模型，使得对比结果更加客观，对广告主或广告运营商更有参考价值。

应理解的是，点击概率预测模型可以配置更多的特征维度，而并不限于上述的用户属性特征维度、广告渠道特征维度和产品属性特征维度。

进一步地，用户针对不同广告渠道和/或产品的点击行为也是具有相似度的，例如用户点击过广告渠道C1的次数对于广告渠道C2的点击预测也是有效的，曝光过产品P1但未点击对于产品P2的点击预测也是有效的。

在本说明书的实施例的一个示例中，点击概率预测模型还配置有点击特征维度，可以提高预测效果。相应地，点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据，例如用户点击或未点击广告渠道产品C1P1。具体地，在进行第一点击概率预测任务(例如，针对广告渠道产品C1P1)时，可以使用对应第二点击概率预测任务(例如，广告渠道产品C1P2、C2P1等)的点击特征数据，而不使用第一点击概率预测任务所对应的点击特征数据。关于上述关于广告渠道产品的点击数据的获取方式，其可以通过各种方式来确定的，例如可以在各个评测广告渠道上针对不同的评测产品进行对应设定时间段的试曝光，从而得到用户针对各个广告渠道产品的点击数据。

图2示出了根据本说明书一实施例的对点击概率预测模型进行训练的一示例的流程图。

如图2所示的流程200，在块210中，确定点击率预测训练特征样本集，每一点击率预测训练特征样本可以是与各个用户标识唯一相对应的。在本说明书实施例的一个示例中，点击率预测训练特征样本可以包括针对用户标识的用户属性特征数据、至少一个广告渠道特征数据和至少一个评测产品的产品属性特征数据，例如可以将这些特征数据连接成对应点击率预测训练特征样本的向量条。

具体地，可以预先确定(例如，由研发人员指定)针对多个广告渠道的广告渠道数据集。应理解的是，训练样本集所对应的广告渠道的数量应当是足够大的，以保障模型的性能(例如，至少能够覆盖各个评测广告渠道C1、C2等)。另外，可以收集各个广告渠道下曝光过的产品的属性数据和注册用户的属性数据。进而，通过特征工程处理，可以得到对应的点击率预测训练特征样本集。

接着，在块220中，统计各个广告渠道下的注册用户对曝光的各个产品的点击信息，进而为点击率预测训练特征样本集中的各个样本打上对应的标签。具体地，点击概率预测模型的训练样本集标签包括关于针对预先确定的至少一个(例如，各个)广告渠道下的曝光的至少一个产品的点击信息，该点击信息可以是曝光且未点击信息或曝光且有点击信息。也就是说，针对一个用户标识所对应的训练样本，可能会附加上该用户分别针对多个广告渠道下的不同产品的多个点击标签。

接着，在块230中，基于具有标签的训练样本集对点击概率预测模型进行训练。这里，可以采用目前已知的各种适用于多任务学习模型的训练方式来完成针对点击概率预测模型的训练过程。示例性地，可以采用BP(Back Propagation,反向传播)算法来对多任务学习模型进行训练。

在本说明书实施例的另一示例中，点击率预测训练特征样本还可以包括注册用户标识在各个广告渠道下的各个评测产品的点击特征数据。示例性地，可以根据注册用户针对广告渠道产品(例如，C1P1、C1P2、C2P1和C2P2)所对应的曝光点击信息来确定点击特征数据。需说明的是，在该点击概率预测模型进行训练的时候，针对不同的点击概率预测任务的训练操作可以是分别单独进行(即，并行)的。并且，针对第一点击概率预测任务(例如C1P1)的训练操作，可以使用对应除第一点击概率预测任务之外的其他点击概率预测任务的点击特征数据，例如使用(除了C1P1)对应C1P2、C2P1和C2P2的点击特征数据。由此，使得点击概率预测模型的特征维度还包括点击特征维度，从而实现更好的点击概率预测效果。

需说明的是，多任务学习模型一般分为两种类型，即通过隐藏层的硬(Hard)参数共享而构建的模型和通过隐藏层的软(Soft)参数共享而构建的模型。在共享Hard参数的多任务学习模型中，通常通过在所有任务之间共享隐藏层，同时保留几个特定任务的输出层来实现。然而，在共享Soft参数的多任务学习模型中，每个任务都有专属的参数和模型结构。

在本说明书的实施例中，由于用户针对各个渠道下的不同产品的点击概率并不是完全相关的任务，因此可以推荐点击概率预测模型使用共享Soft参数的多任务学习模型。也就是说，针对每个点击概率预测任务可以存在独立的模型结构。

图3示出了根据本说明书一实施例的点击概率预测模型的一示例的结构框图。

如图3所示，点击概率预测模型300整体是一个网络，其包括特征输入层310、共享特征处理层320和点击概率输出层330。这里，点击概率输出层330可以包括第一点击概率输出层331、第二点击概率输出层333、第三点击概率输出层335和第四点击概率输出层337，等等。更具体地，每一点击概率输出层与各个点击概率预测任务唯一对应，并且点击概率预测任务是针对评测广告渠道下的评测产品的，例如331～337可以被用来确定用户分别针对广告渠道产品C1P1～C2P2所对应的点击概率。并且，各个点击概率输出层分别可以采用一个或多个全连接层。

具体地，特征输入层310与共享特征处理层320和各个点击概率输出层(331～337)分别相连接。这里，特征输入层310用于准备点击率预测特征数据集，例如可以基于“用户属性特征数据集”、“渠道特征数据集”和“产品属性特征数据集”来完成的。示例性地，针对每个用户标识将所对应的渠道特征数据、产品属性特征数据和用户属性特征数据收集成一行，使得针对一个用户只存在一条点击率预测特征数据(例如，用户标识-渠道特征数据-产品属性特征数据-用户属性特征数据)。然后，特征输入层310会将所得到的针对用户标识的点击率预测特征数据传递至共享特征处理层320和各个点击概率输出层330。

这里，共享特征处理层320可以根据所输入的点击率预测特征数据确定针对该用户标识的共享特征数据，例如共享特征处理层320可以基于特征数据条(例如，渠道特征数据-产品属性特征数据-用户属性特征数据)来确定相对应的共享特征数据。

此外，共享特征处理层320可以是与各个点击概率输出层(331～337)相连接的。这样，各个点击概率输出层的输入特征可以包括点击率预测特征数据和来自共享特征处理层的共享特征数据，丰富了输入特征，可以提高输出结果的精准度。

在一些实施方式中，在训练点击概率预测模型的过程中，共享特征处理层320可以是与点击概率输出层330协同进行训练的，例如采用BP算法进行训练操作。这里，BP算法是适合于多层神经元网络的学习算法，BP算法的学习过程由正向传播过程和反向传播过程组成，在传播过程中层与层之间所对应的权重矩阵会被不断变化而直到结束学习。这样，各个点击概率输出层相对于共享特征处理层存在对应的权重矩阵，并且针对不同的点击概率输出层的权重矩阵可能也是不同的。

进一步地，当使用点击概率预测模型执行点击概率预测任务时，可以基于各个点击概率输出层针对共享特征处理层的各个权重矩阵来分别校准该共享特征数据。进而，各个点击概率输出层分别基于点击率预测特征数据和相应的经校准的共享特征数据来确定针对用户标识的各个曝光点击概率。

在本说明书的另一示例中，点击概率预测模型还可以配置有点击特征维度，相应地，在特征输入层310中还可以具有“点击特征数据集”(未示出)。这样，在由特征输入层提供给各个点击概率输出层的点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据，例如“广告渠道特征数据-产品属性特征数据-用户属性特征数据-点击特征数据”。

在本说明书的实施例中，提供给各个点击概率输出层的经校准的共享特征数据可能是不同的，并取决于模型针对不同预测任务的权重矩阵，在较佳地应用了相关任务之间的共有消息的同时又保留了独立性，提高了模型的预测效果。

图4示出了根据本发明书的实施例的用于确定在广告渠道下的产品的广告点击率的装置(下文中也称为，广告渠道产品点击率确定装置)的结构框图。

如图4所示，广告渠道产品点击率确定装置400包括预测特征数据集获取单元410、模型预测单元420和广告点击率确定单元430。

预测特征数据集获取单元410获取点击率预测特征数据集，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据。预测特征数据集获取单元410的操作可以参照上面参考图1描述的块110的操作。

模型预测单元420将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型。模型预测单元420的操作可以参照上面参考图1描述的块120的操作。

广告点击率确定单元430针对各个评测广告渠道下的各个评测产品，根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。广告点击率确定单元430的操作可以参照上面参考图1描述的块130的操作。

进一步地，所述点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据。

进一步地，所述点击概率预测模型的训练样本集标签包括关于针对至少一个广告渠道下曝光的各个产品的点击信息。

进一步地，所述点击概率预测模型包括共享特征处理层和至少一个点击概率输出层，且每一点击概率输出层与各个针对评测广告渠道下的评测产品的点击概率预测任务唯一对应，其中，所述共享特征处理层确定与点击率预测特征数据相对应的共享特征数据；各个点击概率输出层基于所述共享特征数据和所述点击率预测特征数据确定针对注册用户标识的各个曝光点击概率。

进一步地，各个点击概率输出层针对所述共享特征处理层所对应的各个权重矩阵来分别校准该共享特征数据；以及各个点击概率输出层分别基于所述点击率预测特征数据和相应的经校准的共享特征数据，确定针对用户标识的各个曝光点击概率。关于点击概率预测模型的操作，可以参照上面参考图2和3中各个块所描述的操作。

进一步地，各个评测产品之间具有至少一个相同的产品属性。

如上参照图1到图4，对根据本说明书的实施例的用于确定在广告渠道下的产品的广告点击率的方法及装置的实施例进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书的装置的实施例。上面的用于确定在广告渠道下的产品的广告点击率的装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

图5示出了根据本说明书的实施例的用于确定在广告渠道下的产品的广告点击率的电子设备500的一示例的硬件结构图。如图5所示，电子设备500可以包括至少一个处理器510、存储器(例如非易失性存储器)520、内存530和通信接口540，并且至少一个处理器510、存储器520、内存530和通信接口540经由总线560连接在一起。至少一个处理器510执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器510：获取点击率预测特征数据集，每一点击率预测特征数据与至少一个广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个广告渠道特征数据和至少一个评测产品的产品属性特征数据；将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型；针对各个广告渠道下的各个评测产品，根据该广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。

应该理解，在存储器520中存储的计算机可执行指令当执行时使得至少一个处理器510进行本说明书的各个实施例中以上结合图1-4描述的各种操作和功能。

在本说明书中，电子设备500可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。

根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-4描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

本领域技术人员应当理解，上面说明书的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。

上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (14)

1.一种用于确定在广告渠道下的产品的广告点击率的方法，包括：

获取点击率预测特征数据集，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据；

将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型；

针对各个评测广告渠道下的各个评测产品，根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。

2.如权利要求1所述的方法，其中，所述点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据。

3.如权利要求1或2所述的方法，其中，所述点击概率预测模型的训练样本集标签包括关于针对至少一个广告渠道下曝光的至少一个产品的点击信息。

4.如权利要求1或2所述的方法，其中，所述点击概率预测模型包括共享特征处理层和至少一个点击概率输出层，且每一点击概率输出层与各个针对评测广告渠道下的评测产品的点击概率预测任务唯一对应，

其中，基于所述点击概率预测模型，执行包括以下的操作：

基于所述共享特征处理层，确定与点击率预测特征数据相对应的共享特征数据；

针对各个点击概率输出层，基于该点击概率输出层来确定针对注册用户标识的与所述共享特征数据和所述点击率预测特征数据相对应的曝光点击概率。

5.如权利要求4所述的方法，其中，针对各个点击概率输出层，基于该点击概率输出层来确定针对注册用户标识的与所述共享特征数据和所述点击率预测特征数据相对应的曝光点击概率包括：

基于各个点击概率输出层针对所述共享特征处理层所对应的各个权重矩阵来分别校准该共享特征数据；

各个点击概率输出层分别基于所述点击率预测特征数据和相应的经校准的共享特征数据，确定针对用户标识的各个曝光点击概率。

6.如权利要求1所述的方法，其中，各个评测产品之间具有至少一个相同的产品属性。

7.一种用于确定在广告渠道下的产品的广告点击率的装置，包括：

预测特征数据集获取单元，获取点击率预测特征数据集，每一点击率预测特征数据与至少一个评测广告渠道中的各个注册用户标识唯一对应，所述点击率预测特征数据包括针对注册用户标识的用户属性特征数据、至少一个评测广告渠道的广告渠道特征数据和至少一个评测产品的产品属性特征数据；

模型预测单元，将所述点击率预测特征数据集提供给点击概率预测模型，以由该点击概率预测模型确定不同的注册用户标识分别针对各个评测广告渠道下的各个评测产品的曝光点击概率，所述点击概率预测模型为多任务学习模型；

广告点击率确定单元，针对各个评测广告渠道下的各个评测产品，根据该评测广告渠道中的各个注册用户针对该评测产品的曝光点击概率来确定相应的广告点击率。

8.如权利要求7所述的装置，其中，所述点击率预测特征数据还包括针对注册用户标识在各个评测广告渠道下的各个评测产品的点击特征数据。

9.如权利要求7或8所述的装置，其中，所述点击概率预测模型的训练样本集标签包括关于针对至少一个广告渠道下曝光的至少一个产品的点击信息。

10.如权利要求7或8所述的装置，其中，所述点击概率预测模型包括共享特征处理层和至少一个点击概率输出层，且每一点击概率输出层与各个针对评测广告渠道下的评测产品的点击概率预测任务唯一对应，

其中，所述共享特征处理层确定与点击率预测特征数据相对应的共享特征数据；

各个点击概率输出层基于所述共享特征数据和所述点击率预测特征数据确定针对注册用户标识的各个曝光点击概率。

11.如权利要求10所述的装置，其中，各个点击概率输出层针对所述共享特征处理层所对应的各个权重矩阵来分别校准该共享特征数据；以及

各个点击概率输出层分别基于所述点击率预测特征数据和相应的经校准的共享特征数据，确定针对用户标识的各个曝光点击概率。

12.如权利要求7所述的装置，其中，各个评测产品之间具有至少一个相同的产品属性。

13.一种电子设备，包括：

至少一个处理器；以及

存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1到6中任一所述的方法。

14.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到6中任一所述的方法。

Images