CN113129046A - 点击率预测方法、装置以及计算机设备 - Google Patents

Abstract

本发明公开了一种点击率预测方法，该方法包括：接收点击率预测请求，获取所述点击率预测请求中的广告采样数据；对所述广告采样数据进行特征参数解析，得到第一特征参数集；在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集；从模型文件库中调用所述第二特征参数集对应的目标预测模型；根据所述目标预测模型对所述广告采样数据根据执行点击率预测。本发明还提供一种点击率预测装置、计算机设备以及计算机可读存储介质。本发明能够简化对于大量广告数据进行点击率预测的繁杂度，提升预测效率。

Description

点击率预测方法、装置以及计算机设备

技术领域

本发明涉及机器学习技术领域，尤其涉及一种点击率预测方法、装置、计算机设备及计算机可读存储介质。

背景技术

随着科学技术的快速发展，手机等终端智能设备的广泛使用，电子广告营销也普遍出现在我们的日常生活中。广告商在对广告位的定价或者竞拍过程中，一般都会预先采用预测模型对目标广告位的采样数据进行点击率的预测，然后根据所述点击率评估该目标广告位的价值从而决定竞价范围。

由于不同的广告数据中包含的特征参数不一样，广告商在对于广告平台的不同的广告位的点击率进行预测时，需要分别采集每一个广告位的广告采样数据，然后输入到对应的预测模型进行预测，从而得到对应的点击率。也就是说，这样的点击率预测方式，过程较为繁杂，效率比较低下。

发明内容

有鉴于此，本发明提出一种点击率预测方法、装置、计算机设备及计算机可读存储介质，能够解决上述的广告展示平台的广告位点击率预测过程繁杂，效率较低的问题。

首先，为实现上述目的，本发明提供一种点击率预测方法，所述方法包括：

接收点击率预测请求，获取所述点击率预测请求中的广告采样数据；对所述广告采样数据进行特征参数解析，得到第一特征参数集；在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集；从模型文件库中调用所述第二特征参数集对应的目标预测模型；根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

在一个例子中，所述对所述广告采样数据进行特征参数解析，得到第一特征参数集包括：提取出所述广告数据的用户对象信息和广告样式信息；根据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数；将用户特征参数和广告特征参数组成所述第一特征参数集。

在一个例子中，所述在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集包括：对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组；在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行；获取所述目标特征行关联的第二特征参数集。

在一个例子中，所述从模型文件库中调用所述第二特征参数集对应的目标预测模型包括：将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比；查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。

此外，为实现上述目的，本发明还提供一种点击率预测装置，所述装置包括：

接收模块，用于接收点击率预测请求，获取所述点击率预测请求中的广告采样数据；解析模块，用于对所述广告采样数据进行特征参数解析，得到第一特征参数集；查找模块，用于在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集；调用模块，用于从模型文件库中调用所述第二特征参数集对应的目标预测模型；预测模块，用于根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

在一个例子中，所述解析模块还用于：提取出所述广告数据的用户对象信息和广告样式信息；根据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数；将用户特征参数和广告特征参数组成所述第一特征参数集。

在一个例子中，所述查找模块还用于：对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组；在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行；获取所述目标特征行关联的第二特征参数集。

在一个例子中，所述调用模块还用于：将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比；查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。

进一步地，本发明还提出一种计算机设备，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的点击率预测方法的步骤。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的点击率预测方法的步骤。

相较于现有技术，本发明所提出的点击率预测方法、装置、计算机设备及计算机可读存储介质，能够接收点击率预测请求后获取对应的广告采样数据；然后对所述广告采样数据进行特征参数解析，得到第一特征参数集；接着，在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集，并从模型文件库中调用所述第二特征参数集对应的目标预测模型；最后根据所述目标预测模型对所述广告采样数据根据执行点击率预测。通过这种方式，能够简化对于大量广告数据进行点击率预测的繁杂度，提升预测效率。

附图说明

图1是本发明一实施例的应用环境示意图；

图2是本发明点击率预测方法一具体实施例的流程示意图；

图3是图2中步骤202一具体实施例的流程示意图；

图4是图2中步骤204一具体实施例的流程示意图；

图5是图2中步骤206一具体实施例的流程示意图；

图6是本发明一具体实施例的效果图；

图7是本发明计算机设备一可选的硬件架构的示意图；

图8是本发明点击率预测装置一实施例的程序模块示意图。

具体实施方式

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说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

图1是本发明一实施例的应用环境示意图。参阅图1所示，所述计算机设备1在接收点击率预测请求之后，获取广告采样数据并解析得到第一特征参数集；接着在特征列表中查找对应的第二特征参数集；最后从模型文件库中调用对应于第二特征参数集的目标预测模型用于对广告采样数据进行点击率预测。在本实施例中，所述计算机设备1可作为终端设备如预测服务器，移动终端，PC机等。在其他实施例中，所述计算机设备1也可以作为独立的功能模块，然后附加到预测服务器，移动终端，PC机上，以实现点击率预测的功能，这里不做限制。

图2是本发明点击率预测方法一实施例的流程示意图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以图1所示的应用环境为例，以计算机设备为执行主体进行示例性描述。

如图2所示，所述点击率预测方法可以包括步骤S200～S208，其中：

步骤S200，接收点击率预测请求，获取所述点击率预测请求中的广告采样数据。

具体地，所述计算机设备1可以通过连接到广告平台，或者广告数据服务器，从而获取所述广告平台或者广告数据服务器采集的广告采样数据。在本实施例中，所述计算机设备1连接到广告平台，当所述广告平台有广告点击率预测需求时，则可以向所述计算机设备1发送点击率预测请求，然后所述计算机设备1则获取所述广告平台直接采集的每个广告位的广告采样数据。其中，广告采样数据包括用户侧数据和广告侧数据，用户侧数据是浏览/点击过所述广告位展示的广告的用户对象信息比如年龄，性别，区域，用户标签等；广告侧数据则是广告样式信息，包括广告展示方式比如静态图，短视频和纯文本等，以及广告商品信息比如妇婴用品，男士用品，大众商品等。不同的广告采样数据，所包括的特征数据也不一样，因此，需要使用到的预测模型也不一样。当然，在其他实施例中，所述广告采样数据事先存储于所述计算机设备1，这里不做限制。

步骤S202，对所述广告采样数据进行特征参数解析，得到第一特征参数集。

所述计算机设备1获取到所述点击率预测请求中的广告采样数据之后，还会对所述广告采样数据进行特征参数解析，得到第一特征参数集。如图3所示，在一示例性实施例中，步骤S202可以包括步骤S300～S304。

步骤S300，提取出所述广告数据的用户对象信息和广告样式信息。

步骤S302，据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数。

步骤S304，将用户特征参数和广告特征参数组成所述第一特征参数集。

具体地，由于广告采样数据包括用户对象信息比如年龄，性别，区域，用户标签等；以及包括广告样式信息，包括广告展示方式比如静态图，短视频和纯文本等，以及广告商品信息比如妇婴用品，男士用品，大众商品等。因此，所述计算机设备1可以先提取出所述广告采样数据中的用户对象信息和广告样式信息，然后分解出对应的用户特征参数和广告特征参数。在本实施例中，所述广告采样数据中的用户对象信息和广告样式信息都是以固定格式进行描述，例如，广告平台获取浏览/点击了目标广告位的广告的用户对象信息之后，以：用户账号、用户性别、用户年龄、用户所在区域以及用户喜好标签连续5个字段表示。那么所述计算机设备1则可以获取到所述广告采样数据的用户对象信息后，从描述用户对象信息的5个字段中分解出对应的5个用户特征数据。同理，广告平台对于目标广告位的广告所展示的广告商品的展示样式也以固定格式如：广告商品类型、广告商品名以及广告样式3个字段描述。那么所述计算机设备1则可以在获取到所述广告采样数据中的广告样式信息后，分解出对应的3个广告特征参数。最后，所述计算机设备1将所述用户特征参数和所述广告特征参数作为所述广告采样数据对应的第一特征参数集。通过将所述广告采样数据中的用户特征参数和广告特征参数提取出来，可以准确地将所述广告采样数据的目标特征数据解析出来，用于后续根据所述目标特征数据判断所述广告采样数据适用的预测模型。

步骤S204，在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集。参阅图4所示，在一示例性实施例中，步骤S204可以包括步骤S400～S404。

步骤S400，对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组。

步骤S402，在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行。

步骤S404，获取所述目标特征行关联的第二特征参数集。

具体地，所述计算机设备1在获取到所述广告采样数据的第一特征参数集之后，则会进一步对所述第一特征参数集中的每个特征参数进行哈希值计算，得到对应的哈希值数组。在本实施例中，所述计算机设备1对所述第一特征参数集的每个特征参数的明文进行哈希值计算，得到对应的整型哈希值，因此，所述特征参数集对应地被计算得到哈希值数组。接着，所述计算机设备1将所述哈希值数组与预设的特征列表中的每一特征行进行比对，从而找出包括所述哈希值数组中每个哈希值的目标特征行；最后获取所述目标特征行关联的第二特征参数集。在本实施例中，所述计算机设备1预先计算出所有预测模型所包括的特征参数的哈希值，并设置为所述特征列表，其中，所述特征列表中的每一特征行表示一个预测模型所对应的特征参数集的每个特征参数的哈希值。因此，当所述计算机设备1获取到所述广告采样数据对应的第一特征参数集的哈希值数组后，可以在所述特征列表中查找出包括所述哈希值数组的目标特征行，然后获取对应的第二特征参数集。其中，所述计算机设备1将所述特征参数集对应地计算得到哈希值数组，以及将每个预测模型的特征参数集计算出哈希值并设置为特征列表，可以有效地减少后续的查找所述广告采样数据的特征参数集所适用的预测模型步骤，对于特征参数比对的计算量，而且，整型数值存储相对于明文存储，更加节省存储空间，减少成本。

步骤S206，从模型文件库中调用所述第二特征参数集对应的目标预测模型。

步骤S208，根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

具体地，所述计算机设备1在获取到所述第二特征参数集之后，还会进一步根据所述第二特征参数集从模型文件库中调用对应的目标预测模型；然后根据所述目标预测模型对所述广告采样数据进行点击率预测。其中，所述模型文件库包括多种类型的点击率预测模型，比如LR(Logistic Regression，逻辑回归)类型模型，FM(Factorization Machines，因子分解机器)类型模型以及DNN(Deep Neural Network，深度神经网络)类型模型等，不同模型的算法逻辑和计算复杂度都有较大差异，所依赖的特征参数也不同。

参阅图5所示，在一示例性实施例中，步骤S206可以包括步骤S500～S502。

步骤S500，将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比。

步骤S502，查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。

具体地，所述计算机设备1获取到所述第二特征参数集之后，则将所述第二特征参数集中的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行一致性比较，当所述模型文件库中存在的目标预测模型所适用的特征参数包括所述第二特征参数集中的每一个特征参数，那么，说明所述目标预测模型适用于所述广告采样数据。因此，所述计算机设备1则会从所述模型文件库中调用所述目标预测模型，用于对所述广告采样数据执行点击率预测。在本实施例中，所述计算机设备1需要根据所述第一特征参数集对所述广告采样数据进行点击率预测。

通过这种方式，所述计算机设备1通过特征参数的比对，找到所述广告采样数据使用的预测模型，然后进行调用，并对所述广告采样数据进行点击率预测。从而能够准确快速地实现广告采样数据的统一输入，以及预测模型的分别调用。

当然，在其他实施例中，所述广告平台在发送广告点击率预测请求时，还可以同时发送预测策略，也就是发送针对于所述点击率预测请求对应的广告采样数据的预测模型的需求。例如，发送的广告采样数据中包括10条广告，那么所述点击率预测请求中的预测策略包括10条广告对应的预测模型的信息，然后所述计算机设备1在对所述广告采样数据进行特征参数解析，得到第一特征参数集之后，直接根据所述预测策略从所述模型文件库中调用对应的预测模型，然后根据所述第一特征参数集对所述广告采样数据进行点击率预测。

参阅图6所示，图6是本发明一具体实施例的效果图。在本实施例中，广告平台向计算机设备1发送点击率预测请求以及预测策略，然后所述计算机设备1获取所述预测请求对应的广告采样数据，然后进行参数解析，从而得到第一特征参数集。接着，所述计算机设备1根据所述第一特征参数集从模型文件库中调用对应的预测模型，其中，所述模型文件库中的预测模型都由模型分片构成，每个模型分片对应一个特征参数。也就是说，所述计算机设备1根据预测策略中的预测模型以及所述第一特征参数集中的每个特征参数，从模型文件库中调用该预测模型的各个模型分片，从而组合成用于预测所述广告采样数据的最终预测模型。最后，所述计算机设备1根据所述最终预测模型和所述特征参数集对所述广告采样数据进行点击率预测，然后将预测出来的点击率返回给所述广告平台。

从上文可知，本实施例所提出的点击率预测方法能够接收点击率预测请求后获取对应的广告采样数据；然后对所述广告采样数据进行特征参数解析，得到第一特征参数集；接着，在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集，并从模型文件库中调用所述第二特征参数集对应的目标预测模型；最后根据所述目标预测模型对所述广告采样数据根据执行点击率预测。通过这种方式，能够简化对于大量广告数据进行点击率预测的繁杂度，提升预测效率。

此外，本发明还提供一种计算机设备，参阅图7所示，是本发明计算机设备一可选的硬件架构的示意图。

本实施例中，所述计算机设备1可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。所述计算机设备1通过网络接口13连接网络(图7未标出)，通过网络连接到服务器(图7未标出)进行数据交互。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division MultIPle Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。

需要指出的是，图7仅示出了具有组件11-13的计算机设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述计算机设备1的内部存储单元，例如该计算机设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述计算机设备1的外部存储设备，例如该计算机设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述计算机设备1的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述计算机设备1的操作系统和各类应用软件，点击率预测装置200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述计算机设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述点击率预测装置200的应用程序，这里不做限制。

所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述计算机设备1与广告平台建立通信连接。

本实施例中，所述计算机设备1内安装并运行有点击率预测装置200时，当所述点击率预测装置200运行时，能够接收点击率预测请求后获取对应的广告采样数据；然后对所述广告采样数据进行特征参数解析，得到第一特征参数集；接着，在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集，并从模型文件库中调用所述第二特征参数集对应的目标预测模型；最后根据所述目标预测模型对所述广告采样数据根据执行点击率预测。通过这种方式，能够简化对于大量广告数据进行点击率预测的繁杂度，提升预测效率。

至此，己经详细介绍了本发明计算机设备的硬件结构和功能。下面，将基于上述计算机设备，提出本发明的各个实施例。

参阅图8所示，是本发明点击率预测装置200一实施例的程序模块图。

本实施例中，所述点击率预测装置200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明实施例的点击率预测功能。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，点击率预测装置200可以被划分为一个或多个模块。例如，在图8中，所述点击率预测装置200可以被分割成接收模块201、解析模块202、查找模块203、调用模块204和预测模块205。其中：

所述接收模块201，用于接收点击率预测请求，获取所述点击率预测请求中的广告采样数据。

具体的，所述计算机设备可以通过连接到广告平台，或者广告数据服务器，从而获取所述广告平台或者广告数据服务器采集的广告采样数据。在本实施例中，所述计算机设备连接到广告平台，当所述广告平台有广告点击率预测需求时，则可以向所述计算机设备发送点击率预测请求，然后所述接收模块201则获取所述广告平台直接采集的每个广告位的广告采样数据。其中，广告采样数据包括用户侧数据和广告侧数据，用户侧数据是浏览/点击过所述广告位展示的广告的用户对象信息比如年龄，性别，区域，用户标签等；广告侧数据则是广告样式信息，包括广告展示方式比如静态图，短视频和纯文本等，以及广告商品信息比如妇婴用品，男士用品，大众商品等。不同的广告采样数据，所包括的特征数据也不一样，因此，需要使用到的预测模型也不一样。当然，在其他实施例中，所述广告采样数据事先存储于所述计算机设备，这里不做限制。

所述解析模块202，用于对所述广告采样数据进行特征参数解析，得到第一特征参数集。

具体地，所述接收模块201获取到所述点击率预测请求中的广告采样数据之后，所述解析模块202则会对所述广告采样数据进行特征参数解析，得到第一特征参数集。在本实施例中，所述解析模块202先提取出所述广告数据的用户对象信息和广告样式信息，然后据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数，最后将用户特征参数和广告特征参数组成所述第一特征参数集。

具体地，由于广告采样数据包括用户对象信息比如年龄，性别，区域，用户标签等；以及包括广告样式信息，包括广告展示方式比如静态图，短视频和纯文本等，以及广告商品信息比如妇婴用品，男士用品，大众商品等。因此，所述解析模块202可以先提取出所述广告采样数据中的用户对象信息和广告样式信息，然后分解出对应的用户特征参数和广告特征参数。在本实施例中，所述广告采样数据中的用户对象信息和广告样式信息都是以固定格式进行描述，例如，广告平台获取浏览/点击了目标广告位的广告的用户对象信息之后，以：用户账号、用户性别、用户年龄、用户所在区域以及用户喜好标签连续5个字段表示。那么所述解析模块202则可以获取到所述广告采样数据的用户对象信息后，从描述用户对象信息的5个字段中分解出对应的5个用户特征数据。同理，广告平台对于目标广告位的广告所展示的广告商品的展示样式也以固定格式如：广告商品类型、广告商品名以及广告样式3个字段描述。那么所述解析模块202则可以在获取到所述广告采样数据中的广告样式信息后，分解出对应的3个广告特征参数。最后，所述解析模块202将所述用户特征参数和所述广告特征参数作为所述广告采样数据对应的第一特征参数集。通过将所述广告采样数据中的用户特征参数和广告特征参数提取出来，可以准确地将所述广告采样数据的目标特征数据解析出来，用于后续根据所述目标特征数据判断所述广告采样数据适用的预测模型。

所述查找模块203，用于在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集。

具体地，所述查找模块203对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组，然后在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行，最后获取所述目标特征行关联的第二特征参数集。

具体地，所述解析模块202在获取到所述广告采样数据的第一特征参数集之后，所述查找模块203则会进一步对所述第一特征参数集中的每个特征参数进行哈希值计算，得到对应的哈希值数组。在本实施例中，所述查找模块203对所述第一特征参数集的每个特征参数的明文进行哈希值计算，得到对应的整型哈希值，因此，所述特征参数集对应地被计算得到哈希值数组。接着，所述查找模块203将所述哈希值数组与预设的特征列表中的每一特征行进行比对，从而找出包括所述哈希值数组中每个哈希值的目标特征行；最后获取所述目标特征行关联的第二特征参数集。在本实施例中，所述计算机设备预先计算出所有预测模型所包括的特征参数的哈希值，并设置为所述特征列表，其中，所述特征列表中的每一特征行表示一个预测模型所对应的特征参数集的每个特征参数的哈希值。因此，当所述查找模块203获取到所述广告采样数据对应的第一特征参数集的哈希值数组后，则可以在所述特征列表中查找出包括所述哈希值数组的目标特征行，然后获取对应的第二特征参数集。其中，所述计算机设备将所述特征参数集对应地计算得到哈希值数组，以及将每个预测模型的特征参数集计算出哈希值并设置为特征列表，可以有效地减少后续的查找所述广告采样数据的特征参数集所适用的预测模型步骤，对于特征参数比对的计算量，而且，整型数值存储相对于明文存储，更加节省存储空间，减少成本。

所述调用模块204，用于从模型文件库中调用所述第二特征参数集对应的目标预测模型。

所述预测模块205，用于根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

具体地，所述接收模块201在获取到所述第二特征参数集之后，然后所述调用模块204则可以根据所述第二特征参数集从模型文件库中调用对应的目标预测模型；然后所述预测模块205根据所述目标预测模型对所述广告采样数据进行点击率预测。其中，所述模型文件库包括多种类型的点击率预测模型，比如LR(Logistic Regression，逻辑回归)类型模型，FM(Factorization Machines，因子分解机器)类型模型以及DNN(Deep NeuralNetwork，深度神经网络)类型模型等，不同模型的算法逻辑和计算复杂度都有较大差异，所依赖的特征参数也不同。

在本实施例中，所述调用模块204先将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比，然后查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。具体地，所述查找模块203获取到所述第二特征参数集之后，所述调用模块204则将所述第二特征参数集中的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行一致性比较，当所述模型文件库中存在的目标预测模型所适用的特征参数包括所述第二特征参数集中的每一个特征参数，那么，说明所述目标预测模型适用于所述广告采样数据。因此，所述调用模块204则会从所述模型文件库中调用所述目标预测模型，然后所述预测模块205则将所述目标预测模型用于对所述广告采样数据执行点击率预测。其中，所述预测模块205则根据所述第一特征参数集对所述广告采样数据进行点击率预测。通过这种方式，能够准确快速地实现广告采样数据的统一输入，以及预测模型的分别调用。

从上文可知，所述计算机设备能够接收点击率预测请求后获取对应的广告采样数据；然后对所述广告采样数据进行特征参数解析，得到第一特征参数集；接着，在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集，并从模型文件库中调用所述第二特征参数集对应的目标预测模型；最后根据所述目标预测模型对所述广告采样数据根据执行点击率预测。通过这种方式，能够简化对于大量广告数据进行点击率预测的繁杂度，提升预测效率。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种点击率预测方法，其特征在于，所述方法包括：

接收点击率预测请求，获取所述点击率预测请求中的广告采样数据；

对所述广告采样数据进行特征参数解析，得到第一特征参数集；

在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集；

从模型文件库中调用所述第二特征参数集对应的目标预测模型；

根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

2.如权利要求1所述的点击率预测方法，其特征在于，所述对所述广告采样数据进行特征参数解析，得到第一特征参数集包括：

提取出所述广告数据的用户对象信息和广告样式信息；

根据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数；

将用户特征参数和广告特征参数组成所述第一特征参数集。

3.如权利要求1所述的点击率预测方法，其特征在于，所述在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集包括：

对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组；

在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行；

获取所述目标特征行关联的第二特征参数集。

4.如权利要求1所述的点击率预测方法，其特征在于，所述从模型文件库中调用所述第二特征参数集对应的目标预测模型包括：

将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比；

查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。

5.一种点击率预测装置，其特征在于，所述装置包括：

接收模块，用于接收点击率预测请求，获取所述点击率预测请求中的广告采样数据；

解析模块，用于对所述广告采样数据进行特征参数解析，得到第一特征参数集；

查找模块，用于在预设的特征列表中查找出包含所述第一特征参数集的第二特征参数集；

调用模块，用于从模型文件库中调用所述第二特征参数集对应的目标预测模型；

预测模块，用于根据所述目标预测模型对所述广告采样数据根据执行点击率预测。

6.如权利要求5所述的点击率预测装置，其特征在于，所述解析模块还用于：

提取出所述广告数据的用户对象信息和广告样式信息；

根据预设的第一数据格式从所述用户对象信息分解出用户特征参数，以及根据预设的第二数据格式从所述广告样式信息中分解出广告特征参数；

将用户特征参数和广告特征参数组成所述第一特征参数集。

7.如权利要求5所述的点击率预测装置，其特征在于，所述查找模块还用于：

对所述第一特征参数集中的每个特征参数进行哈希计算，得到对应的哈希值数组；

在所述特征列表中查找出包括所述哈希值数组的每个哈希值的目标特征行；

获取所述目标特征行关联的第二特征参数集。

8.如权利要求5所述的点击率预测装置，其特征在于，所述调用模块还用于：

将所述第二特征参数集的每个特征参数与所述模型文件库中的每个预测模型的适用特征参数进行对比；

查找并调用适用特征参数包含所述第二特征参数集的每个特征参数的目标预测模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-4任一项所述的点击率预测方法的步骤。

10.一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存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4中任一项所述的点击率预测方法的步骤。

Images