CN113256339B - 资源投放的方法、装置、存储介质及电子设备 - Google Patents

资源投放的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113256339B
CN113256339B CN202110624419.4A CN202110624419A CN113256339B CN 113256339 B CN113256339 B CN 113256339B CN 202110624419 A CN202110624419 A CN 202110624419A CN 113256339 B CN113256339 B CN 113256339B
Authority
CN
China
Prior art keywords
user
target
resource
uncertainty
released
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
Application number
CN202110624419.4A
Other languages
English (en)
Other versions
CN113256339A (zh
Inventor
张傲南
王崇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202110624419.4A priority Critical patent/CN113256339B/zh
Publication of CN113256339A publication Critical patent/CN113256339A/zh
Application granted granted Critical
Publication of CN113256339B publication Critical patent/CN113256339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0251—Targeted 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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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)
  • Economics (AREA)
  • Game Theory and Decision Science (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

本公开涉及一种资源投放的方法、装置、存储介质及电子设备，获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；根据所述不确定度确定是否向所述待投放用户投放所述目标资源。

Description

资源投放的方法、装置、存储介质及电子设备
技术领域
本公开涉及资源投放领域，具体地，涉及一种资源投放的方法、装置、存储介质及电子设备。
背景技术
以广告投放为例，当前系统中广告针对的用户群体可能会出现同质的问题，即倾向于把一个广告发送给相似的用户，为了避免这种同质的问题，需要用一个量化指标来度量每个用户对广告的“不确定度”，其中，某广告对目标用户进行投放的不确定度与该广告在其投放历史上投放到与该目标用户相似的用户的频率为负相关关系，例如，一个游戏广告历史上没有投放给女性用户或者投放给女性用户的投放次数较少，那么该游戏广告对一位女性用户的不确定度就比较高，相应地，将该游戏广告投放给女性用户后可以获得收益的不确定程度也较高；相反地，该游戏广告的历史投放中投放给男性用户的频率较高，那么该游戏广告对一位男性用户的不确定度就较低，为了提高广告投放的准确度，对每个广告进行投放时，既要考虑广告的点击率也要考虑广告对每个用户的不确定度，一个点击率预测值不高但是不确定度很高的用户有可能是潜在用户，同样有价值进行投放探索。
目前学术界通常采用密度函数来衡量不确定度，但在广告投放系统中针对每个广告都估计一个其投放用户的密度函数几乎是不可能的，原因在于：密度函数的估计通常需要大量的数据，而广告投放系统中每个广告投放的用户数据相对较少，尤其是对于一些冷启动的广告，广告投放历史上仅对少量的用户进行了投放，因此在广告投放中直接估计密度函数的方法不可行。
相关技术中，通常采用一些统计量来替代密度函数，例如，用广告的点击数的反比表示不确定度，或者用广告转化数的反比表示不确定度，但这种方法得到的不确定度的准确程度较低，对广告投放的指导意义不大。
另外，若对所有广告同时估计不确定度属于多任务非监督学习问题，但任务数较多，每个广告投放用户的用户数据较少，使得每个任务对应的样本数较少，无法训练得到一个较准确地多任务非监督学习模型，因此，相关技术中也不能实现对所有广告同时估计不确定度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种资源投放的方法，所述方法包括：获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；根据所述不确定度确定是否向所述待投放用户投放所述目标资源。
第二方面，提供一种资源投放的装置，所述装置包括：获取模块，用于获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；确定模块，用于根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；预测模块，用于将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；第二确定模块，用于根据所述不确定度确定是否向所述待投放用户投放所述目标资源。
第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；根据所述不确定度确定是否向所述待投放用户投放所述目标资源，这样，可以基于目标预测模型对将目标资源投放给待投放用户的不确定度进行预测，准确地度量每个用户-资源对的不确定度，进而可以更精准的指导资源的投放。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种资源投放的方法的流程图；
图2是根据一示例性实施例示出的一种采用特征提取模型提取资源特征的过程示意图；
图3是根据一示例性实施例示出的一种采用目标预测模型预测似然比的过程示意图；
图4a-图4b是根据一示例性实施例示出的一种似然比的应用示意图；
图5是根据一示例性实施例示出的一种资源投放的装置的框图；
图6是根据一示例性实施例示出的一种资源投放的装置的框图；
图7是根据一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
首先，对本公开的应用场景进行介绍，本公开主要应用于资源投放领域，例如广告的投放、短视频的投放等场景中，以广告投放为例，对每个广告进行投放时，既要考虑广告的点击率也要考虑广告对每个用户的不确定度，一个点击率预测值不高但是不确定度很高的用户有可能是潜在用户，同样有价值进行投放探索，例如，在对广告的点击率进行建模时，若训练样本较少，对于一个新的用户-广告对，模型可能输出一个很极端的点击率，比如0.01％，但是0.01％这个数值可能是由于模型没有拟合好造成的，实际的点击率可能远远高于0.01％，因此，在资源投放领域，有必要对每个待投放资源-用户对的不确定度进行建模。
目前学术界通常采用密度函数来衡量不确定度，但在广告投放场景中无法满足密度函数估计时需要大量数据的需求，因此在广告投放中直接估计密度函数的方法不可行，相关技术中，采用一些统计量来替代密度函数，例如，用广告的点击数的反比表示不确定度，但该方法确定的不确定度的准确性较低，另外，若对所有广告同时估计不确定度属于多任务非监督学习问题，多任务非监督学习模型的训练需要大量的训练数据，但广告投放数据较少，使得训练样本较少，因此，相关技术中也不能实现对所有广告同时估计不确定度。
为解决上述存在的问题，本公开提供一种资源投放的方法、装置、存储介质及电子设备，可以基于目标预测模型对将目标资源投放给待投放用户的不确定度进行预测，准确地度量每个用户-资源对的不确定度，进而可以更精准的指导资源的投放。
下面结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种资源投放的方法的流程图，如图1所示，该方法包括以下步骤：
在步骤S101中，获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和该目标资源对应的待投放用户的第二用户特征。
其中，该目标资源可以包括广告、短视频或者其它形式的待推荐信息，该第一用户特征和该第二用户特征可以包括对应用户的性别、偏好(如游戏爱好者、美妆达人等)等用户特征信息。
在步骤S102中，根据多个已投放用户分别对应的该第一用户特征确定该目标资源的资源特征。
其中，该资源特征可以包括该目标资源的嵌入(embedding)特征，在本公开中，可以通过预先训练得到的目标特征提取模型确定该资源特征，例如，若该目标资源为待投放的广告i，该资源特征即为根据广告i对应的多个已投放用户分别对应的第一用户特征通过该目标特征提取模型提取得到的广告i的嵌入特征，另外，该目标特征提取模型可以为由前向全连接神经网络实现的响应函数网络模型。
在本步骤中，可以针对多个该已投放用户中每个已投放用户的该第一用户特征，将该已投放用户的该第一用户特征输入预先训练得到的目标特征提取模型，得到该已投放用户对应的K维输出向量，该K为第一预设数量；然后将多个该已投放用户分别对应的该K维输出向量的平均值作为该目标资源的该资源特征。
图2是根据一示例性实施例示出的一种采用目标特征提取模型提取资源特征的过程示意图，如图2所示，该目标特征提取模型包括用于输入用户特征的输入层，与该输入层连接的响应函数网络，与该响应函数网络连接的响应函数输出层以及分别与该响应函数输出层连接的K(K为第一预设数量)个输出头，其中，该输出头的个数与模型训练时训练样本的个数(如被选作训练样本的已投放广告的数量)相关，并且该输出头与该训练样本一一对应，例如，可以将模型的K个输出头表示为φ(1),φ(2),......,φ(k)，其中，φ(i)(i＝1,2,...,k)表示与第i个资源对应的输出头的输出响应值。
示例地，以该目标资源为广告i为例，结合图2对获取该广告i的广告嵌入特征的具体实现方式进行说明，假设在执行步骤S101后，可以获取到广告i对应的100个已投放用户的第一用户特征，记为xi,j(j＝1,2,...,100)，表示广告i对应的第j个已投放用户的第一用户特征，此时，可以根据这100个已投放用户的第一用户特征通过图2所示的特征提取模型提取得到广告i的嵌入特征，具体地，可以将这100个已投放用户的第一用户特征分别输入该特征提取模型，得到每个已投放用户分别对应的K维输出向量，然后计算这100个已投放用户的第一用户特征分别对应的K维输出向量的平均值，得到广告i对应的嵌入特征，记为e(i)，其中e(i)为一个K维向量，并且e(i)中的第h(h＝1,2,...,k)维是其中，N表示广告i对应的该已投放用户的个数，在本示例中，N＝100，上述示例仅是举例说明，本公开对此不作限定。
在本公开中，该目标特征提取模型可以通过以下方式预先训练得到：
获取多个已投放资源的用户数据作为第一训练样本；循环执行以下步骤，直至所述目标特征提取模型对应的第一损失函数收敛：从所述第一训练样本中选择第一用户的第一用户数据作为正例，从所述第一训练样本中选择第二用户的第二用户数据作为负例，所述第一用户为目标投放资源对应的任一已投放用户，所述目标投放资源为所述第一训练样本中的任一已投放资源，所述第二用户为所述第一训练样本中除所述第一用户之外的其他任一用户；将所述正例输入待训练的特征提取模型，得到所述响应函数输出层输出的第一输出值和目标输出头输出的第一响应值，所述目标输出头为与所述目标投放资源对应的输出头；将所述负例输入所述特征提取模型，得到所述响应函数输出层输出的第二输出值和所述目标输出头输出的第二响应值；根据所述第一输出值、所述第一响应值、所述第二输出值以及所述第二响应值确定所述第一损失函数对应的第一损失值；根据所述第一损失值确定所述第一损失函数是否收敛，并将所述第一损失函数收敛时的特征提取模型作为所述目标特征提取模型。
在一种可能的实现方式中，该第一损失函数可以表示为如下的形式：
其中，L1表示该目标特征提取模型的第一损失函数，x表示作为正例的该第一用户数据，表示作为负例的该第二用户数据，g(x)表示将该正例输入该特征提取模型后响应函数输出的第一输出值，/>表示将该负例输入该特征提取模型后响应函数输出的第二输出值，φ(i)表示将该正例输入该特征提取模型后与该任一已投放资源i对应的输出头输出的第一响应值，φ(i')表示将该负例输入该特征提取模型后与该任一已投放资源i对应的输出头输出的第二响应值，该第一用户数据和该第二用户数据也为对应用户的用户特征数据(如性别、偏好等)。
需要说明的是，本公开在对该特征提取模型进行训练的过程中，为了提高模型训练的效率，可以采用预训练+后训练两个训练阶段进行训练，在预训练阶段，可以选用较少的训练样本对模型进行预训练，在预训练完成后，基于预训练得到的模型参数继续选用其它训练样本进行模型训练，以便得到训练后的该目标特征提取模型，另外，预训练和后训练的具体训练过程相同，本公开中叙述的模型训练过程可以适用于任一训练阶段。
示例地，继续以待投放的资源为广告为例，假设共有M个广告，可以从M个广告中随机采集K(K＜＜M，例如，M＝1000000，K＝10)个已投放广告的用户数据作为预训练样本对该特征提取模型进行预训练，考虑到模型训练的效率，在预训练阶段仅采用较少的训练样本进行模型训练，因此，K可以取一个较小的数值，(其中，该K个已投放广告可以分别投放给不同的用户，例如，广告1对应的已投放用户为A、B、C，广告2对应的已投放用户为D、E、F、G)，从而基于K个已投放广告的用户数据训练图2所示的响应函数和K个输出头，具体地，可以从1到K个已投放广告中随机选择一个广告，假设选中第i个广告，然后从该第i个广告对应的多个已投放用户中随机选择一个用户作为第一用户，并将该第一用户的第一用户数据作为模型训练的正例，之后可以随机从K个已投放广告对应的多个用户中选择第二用户(该第二用户为该除该第一用户以外的其他任一用户)的第二用户数据作为模型训练的负例，然后基于选择出的正例和负例确定上述第一损失函数的第一损失值，并根据该第一损失值确定该第一损失函数是否收敛，若未收敛，则根据该第一损失值对上述第一损失函数做一步梯度下降运算，然后重新从K个已投放广告对应的用户数据中选取正例和负例再次对上述第一损失函数做一步梯度下降，直至上述第一损失函数收敛，并将该第一损失函数收敛时的模型参数作为训练好的目标模型参数，从而训练得到该目标特征提取模型，上述示例仅是举例说明，本公开对此不作限定。
另外，在本公开在根据该第一损失值确定该第一损失函数是否收敛的过程中，考虑到若该第一损失值不再变化，可以视为损失函数收敛，因此，可以通过以下方式确定该第一损失函数是否收敛：
所述第一损失值满足预设收敛条件，并且连续第二预设数量的所述第一损失值满足所述预设收敛条件，所述预设收敛子条件可以为：当前时刻获取到的所述第一损失值与上一时刻获取到的历史损失值的差值绝对值小于或者等于预设差值阈值。
还需说明的是，在上述训练该特征提取模型的过程中，作为正例的该第一用户数据为广告i对应的其中一个已投放用户的用户数据，作为负例的该第二用户数据为K个已投放广告对应的第二用户(该第二用户可以不是广告i对应的已投放用户)的用户数据，由于一个广告的训练学习过程可以影响到其它相似广告的训练学习，因此，对于相似的广告可以采用协同学习的方式进行模型训练，即在广告i对应的广告投放数据较稀疏的情况下，可以选用其它相似广告对应的已投放用户的用户数据作为负例进行协同训练学习，从而可以解决广告数据稀疏的问题。
在步骤S103中，将该第二用户特征和该资源特征输入预先训练的目标预测模型，得到该目标资源针对该待投放用户进行投放时的不确定度。
其中，该目标预测模型可以包括单类分类模型，该单类分类模型可以包括由前向全连接神经网络实现的模型。
在本公开中，在将该第二用户特征和该资源特征输入该目标预测模型后，可以得到该待投放用户对该目标资源的似然比，然后根据该似然比确定该目标资源针对该待投放用户进行投放时的不确定度。
其中，用户x对广告i的似然比可以定义为ri(x)＝qi(x)/p(x)，其中，qi(x)表示广告i投放的用户的密度函数，p(x)表示总体用户的密度函数，由该似然比的公式可以知道似然比与目标资源对投放用户的密度函数成正比，又因为密度函数可以用于衡量资源投放时的不确定度，因此，在本公开中可以使用似然比作为该目标资源针对该待投放用户进行投放时的不确定度。
示例地，图3是根据一示例性实施例示出的一种采用目标预测模型预测似然比的过程示意图，假设想要将广告i投放给用户x，即广告i为该目标资源，用户x为该待投放用户，如图3所示，可以将用户x的该第二用户特征和基于步骤S102获取到的广告i的嵌入特征输入该单类分类模型，得到用户x对广告i的似然比ri(x)，之后可以将ri(x)作为将广告i向用户x进行投放时的不确定度，上述示例仅是举例说明，本公开对此不作限定。
基于本公开提供的确定不确定度的方法，还可以通过上述目标预测模型同时预测出该目标资源对应多个待投放用户分别进行投放时的不确定度，即实现多任务(这里的多任务是对应多个待投放用户)的不确定度估计，具体地，该第二用户特征包括多个待投放用户分别对应的第二用户特征，这样，可以将该资源特征和多个待投放用户分别对应的该第二用户特征输入该目标预测模型，得到该目标资源针对每个该待投放用户分别对应的似然比；针对每个该待投放用户分别对应的似然比，将该似然比作为该目标资源针对该待投放用户进行投放时的不确定度，这里进行多任务的不确定估计的方式与上述所述的估计一个用户对该目标资源的不确定度的方式类似，在此不再赘述。
另外，上述已经提及，考虑到相似广告的广告特征可以协同学习，即在广告i对应的广告投放数据较稀疏的情况下，可以选用其它相似广告对应的已投放用户的用户数据作为负例进行协同训练学习，从而可以解决广告数据稀疏的问题，进而解决相关技术中由于每个广告投放用户的用书数据较少，使得每个任务对应的样本数较少而无法训练得到一个较准确地多任务学习模型的问题，因此，本公开中，该目标资源也可以包括多个，这样通过该目标预测模型可以对多个目标资源针对一个待投放用户进行投放时的不确定度同时进行预测，实现了多任务(这里的多任务是对应多个待投放的目标资源)的不确定度估计，提高了不确定度估计的效率。
在本公开中，该目标预测模型可以通过以下方式预先训练得到：
首先获取多个资源分别对应的资源特征和每个资源分别对应的用户数据作为第二训练样本，该资源特征可以通过步骤S102所述的目标特征提取模型预先提取得到，然后根据该资源特征对预先设置的预测模型进行模型参数的初始化，得到待训练的预设初始预测模型，之后可以循环执行以下步骤，以便对该初始化预测模型进行训练，直至第二损失函数收敛，得到该目标预测模型：
从该第二训练样本中选择第三用户的第三用户数据作为正例，从该第二训练样本中选择第四用户的第四用户数据作为负例，该第三用户为目标资源对应的任一已投放用户，该目标资源为该第二训练样本中的任一资源，该第四用户为该第二训练样本中除该第三用户之外的其他任一用户；将该正例和该目标资源对应的资源特征输入预设初始预测模型，得到第三输出值，将该负例和该目标资源对应的资源特征输入该预设初始预测模型，得到第四输出值；根据该第三输出值和该第四输出值确定该第二损失函数对应的第二损失值；根据该第二损失值确定该第二损失函数是否收敛，并将该第二损失函数收敛时的预测模型作为该目标预测模型。
在一种可能的实现方式中，该第二损失函数可以表示为如下的形式：
其中，L2表示该目标预测模型的第二损失函数，x表示作为正例的该第三用户数据，表示作为负例的该第四用户数据，e(i)表示该任一资源i对应的资源特征，f(x,e(i))表示将该第三用户数据和该任一资源i对应的资源特征输入目标预测模型后模型输出的第三输出值，/>表示将该第四用户数据和该任一资源i对应的资源特征输入目标预测模型后模型输出的第四输出值。
示例地，继续以待投放的资源为广告为例，可以选用L个广告及其对应的用户数据作为第二训练样本，首先用在执行步骤S102后得到的L个广告中每个广告的嵌入特征e(i)对预先设置的预测模型进行模型初始化，得到待训练的预设初始预测模型，然后可以从1到L个已投放广告中随机选择一个广告，假设选中第i个广告，然后从该第i个广告对应的多个已投放用户中随机选择一个用户(即第三用户)的第三用户数据作为模型训练的正例，之后可以随机从L个已投放广告中对应的除该第三用户之外的用户中选择任一用户(即第四用户)的第四用户数据作为模型训练的负例，然后将选择出的正例和负例以及广告i对应的广告特征输入上述的第二损失函数，得到第二损失值，并根据该第二损失值确定该第二损失函数是否收敛，若未收敛，则根据该第二损失值对上述第二损失函数做一步梯度下降运算，然后重新从L个已投放广告对应的用户数据中选取正例和负例再次对上述第二损失函数做一步梯度下降，直至上述第二损失函数收敛，并将该第二损失函数收敛时的模型参数作为训练好的模型参数，从而训练得到该目标预测模型，上述示例仅是举例说明，本公开对此不作限定，这里的模型收敛条件与特征提取模型训练时的模型收敛条件类似，在此不再赘述。
还需说明的是，在基于训练样本训练得到该目标预测模型后，可以选用测试样本对该目标预测模型进行模型测试，例如，可以在测试广告上对所有广告预测似然比ri(x)，并根据测试结果确定，针对每个测试广告，点击该测试广告较多的用户的预测似然比较大，点击该测试广告较少的用户的预测似然比较小，因此，用户的似然比可以作为密度函数的替代指标来度量广告对用户进行投放的不确定度。
为了进一步验证似然比可以用于衡量资源投放时的不确定度，本公开通过示例的方式示出了似然比在其它场景中的应用：
在MNIST数据集上通过似然比区分“见过的数字”和“没见过的数字”，如图4a所示，任务1被分配了“0”和“1”两个数字，任务2被分配了“1”和“2”两个数字，任务3被分配了“2”和“0”两个数字，那么对于任务1来说，可以识别出“见过的数字”为“0”和“1”，“没见过的数字”为2，对于任务2来说，可以识别出“见过的数字”为“1”和“2”，“没见过的数字”为0，对于任务3来说，可以识别出“见过的数字”为“2”和“0”，“没见过的数字”为1，如图4b所示，基于本公开中的方法，通过似然比来区分见过的数字和没见过的数字，见过的数字对应的似然比较大，没见过的数字对应的似然比较小，并且模型识别的AUC(Area Under the Curve，ROC曲线下的面积)指标有显著提升，由此可知，似然比可以作为用户密度函数的替代指标，用于衡量资源投放时的不确定度。
在步骤S104中，根据该不确定度确定是否向该待投放用户投放该目标资源。
在得到目标资源针对该待投放用户进行投放时的不确定度后，该不确定度可以用作资源投放者向该待投放用户进行资源投放时的参考依据。
在本步骤一种可能的实现方式中，可以根据该不确定度确定将该目标资源向该待投放用户进行投放时的第一收益；然后根据该第一收益确定是否向该待投放用户投放该目标资源。
其中，可以按照预设转化公式将该不确定度转化为该第一受益，该预设转化公式的具体形式可以参考相关技术中基于点击率确定资源投放时的收益的转化公式，本公开对该预设转化公式不作具体限定。
在本步骤另一种可能的实现方式中，为提高资源投放的准确性，还可以根据对该目标资源的点击率和不确定度两个指标的考量确定是否进行资源投放，具体地，可以获取该目标资源对应的点击率；然后根据该点击率确定将该目标资源向该待投放用户进行投放时的第二收益，这样，可以根据该第一收益和该第二收益确定是否向该待投放用户投放该目标资源，这里可以将该第一收益和该第二收益向加，得到该目标资源对应的总收益，然后根据总收益的大小确定是否向该待投放用户投放该目标资源。
示例地，假设当前有3个广告待投放至用户x，首先获取每个广告向该用户x进行投放的不确定度，以及每个广告分别对应的点击率，然后根据该不确定度分别计算每个广告向该用户x进行投放时的第一收益，根据该点击率分别计算每个广告向该用户x进行投放时的第二收益，针对每个广告，将该广告对应的第一收益和第二收益相加，得到该广告对应的总收益，从3个广告中选择该总收益最高的最为目标广告，并将该目标广告投放至该用户x，上述示例进行举例说明，本公开对此不作限定。
采用上述方法，基于目标预测模型预测得到似然比(likelihood ratio)，从而以似然比作为密度函数的近似，准确地度量每个用户-资源对的不确定度，进而可以更精准的指导资源的投放。
图5是根据一示例性实施例示出的一种资源投放的装置的框图，如图5所示，该装置包括：
获取模块501，用于获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和该目标资源对应的待投放用户的第二用户特征；
第一确定模块502，用于根据多个已投放用户分别对应的该第一用户特征确定该目标资源的资源特征；
预测模块503，用于将该第二用户特征和该资源特征输入预先训练的目标预测模型，得到该目标资源针对该待投放用户进行投放时的不确定度；
第二确定模块504，用于根据该不确定度确定是否向该待投放用户投放该目标资源。
可选地，该第一确定模块502，用于针对多个该已投放用户中每个已投放用户的该第一用户特征，将该已投放用户的该第一用户特征输入预先训练得到的目标特征提取模型，得到该已投放用户对应的K维输出向量，该K为第一预设数量；将多个该已投放用户分别对应的该K维输出向量的平均值作为该目标资源的该资源特征。
可选地，该目标特征提取模型包括输入层，与该输入层连接的响应函数网络，与该响应函数网络连接的响应函数输出层以及分别与该响应函数输出层连接的该第一预设数量的输出头；该目标特征提取模型通过以下方式预先训练得到：
获取多个已投放资源的用户数据作为第一训练样本；
循环执行以下步骤，直至该目标特征提取模型对应的第一损失函数收敛：
从该第一训练样本中选择第一用户的第一用户数据作为正例，从该第一训练样本中选择第二用户的第二用户数据作为负例，该第一用户为目标投放资源对应的任一已投放用户，该目标投放资源为该第一训练样本中的任一已投放资源，该第二用户为该第一训练样本中除该第一用户之外的其他任一用户；将该正例输入待训练的特征提取模型，得到该响应函数输出层输出的第一输出值和目标输出头输出的第一响应值，该目标输出头为与该目标投放资源对应的输出头；将该负例输入该特征提取模型，得到该响应函数输出层输出的第二输出值和该目标输出头输出的第二响应值；根据该第一输出值、该第一响应值、该第二输出值以及该第二响应值确定该第一损失函数对应的第一损失值；根据该第一损失值确定该第一损失函数是否收敛，并将该第一损失函数收敛时的特征提取模型作为该目标特征提取模型。
可选地，该目标预测模型包括单类分类模型，该目标预测模型通过以下方式预先训练得到：
获取多个资源分别对应的资源特征和每个资源分别对应的用户数据作为第二训练样本；循环执行以下步骤，直至该目标预测模型对应的第二损失函数收敛：从该第二训练样本中选择第三用户的第三用户数据作为正例，从该第二训练样本中选择第四用户的第四用户数据作为负例，该第三用户为目标资源对应的任一已投放用户，该目标资源为该第二训练样本中的任一资源，该第四用户为该第二训练样本中除该第三用户之外的其他任一用户；将该正例和该目标资源对应的资源特征输入预设初始预测模型，得到第三输出值，将该负例和该目标资源对应的资源特征输入该预设初始预测模型，得到第四输出值；根据该第三输出值和该第四输出值确定该第二损失函数对应的第二损失值；根据该第二损失值确定该第二损失函数是否收敛，并将该第二损失函数收敛时的预测模型作为该目标预测模型。
可选地，该第二确定模块504，用于根据该不确定度确定将该目标资源向该待投放用户进行投放时的第一收益；根据该第一收益确定是否向该待投放用户投放该目标资源。
可选地，图6是根据图5所示实施例示出的一种资源投放的装置的框图，如图6所示，该装置还包括：
第三确定模块505，用于获取该目标资源对应的点击率；根据该点击率确定将该目标资源向该待投放用户进行投放时的第二收益；
该第二确定模块504，用于根据该第一收益和该第二收益确定是否向该待投放用户投放该目标资源。
可选地，该第二用户特征包括多个待投放用户分别对应的第二用户特征；该预测模块503，用于将该资源特征和多个待投放用户分别对应的该第二用户特征输入该目标预测模型，得到该目标资源针对每个该待投放用户分别对应的该不确定度。
可选地，该目标资源包括多个资源，该预测模块503，用于将多个该资源的资源特征和该待投放用户的该第二用户特征输入该目标预测模型，得到每个资源分别对该待投放用户进行投放时的不确定度。
采用上述装置，基于目标预测模型预测得到似然比(likelihood ratio)，从而以似然比作为密度函数的近似，准确地度量每个用户-资源对的不确定度，进而可以更精准的指导资源的投放。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；根据所述不确定度确定是否向所述待投放用户投放所述目标资源。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向广告的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取用户特征的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种资源投放的方法，包括：获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；根据所述不确定度确定是否向所述待投放用户投放所述目标资源。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征包括：针对多个所述已投放用户中每个已投放用户的所述第一用户特征，将该已投放用户的所述第一用户特征输入预先训练得到的目标特征提取模型，得到该已投放用户对应的K维输出向量，所述K为第一预设数量；将多个所述已投放用户分别对应的所述K维输出向量的平均值作为所述目标资源的所述资源特征。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述目标特征提取模型包括输入层，与所述输入层连接的响应函数网络，与所述响应函数网络连接的响应函数输出层以及分别与所述响应函数输出层连接的所述第一预设数量的输出头，所述目标特征提取模型通过以下方式预先训练得到：获取多个已投放资源的用户数据作为第一训练样本；循环执行以下步骤，直至所述目标特征提取模型对应的第一损失函数收敛：从所述第一训练样本中选择第一用户的第一用户数据作为正例，从所述第一训练样本中选择第二用户的第二用户数据作为负例，所述第一用户为目标投放资源对应的任一已投放用户，所述目标投放资源为所述第一训练样本中的任一已投放资源，所述第二用户为所述第一训练样本中除所述第一用户之外的其他任一用户；将所述正例输入待训练的特征提取模型，得到所述响应函数输出层输出的第一输出值和目标输出头输出的第一响应值，所述目标输出头为与所述目标投放资源对应的输出头；将所述负例输入所述特征提取模型，得到所述响应函数输出层输出的第二输出值和所述目标输出头输出的第二响应值；根据所述第一输出值、所述第一响应值、所述第二输出值以及所述第二响应值确定所述第一损失函数对应的第一损失值；根据所述第一损失值确定所述第一损失函数是否收敛，并将所述第一损失函数收敛时的特征提取模型作为所述目标特征提取模型。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述目标预测模型包括单类分类模型，所述目标预测模型通过以下方式预先训练得到：获取多个资源分别对应的资源特征和每个资源分别对应的用户数据作为第二训练样本；循环执行以下步骤，直至所述目标预测模型对应的第二损失函数收敛：从所述第二训练样本中选择第三用户的第三用户数据作为正例，从所述第二训练样本中选择第四用户的第四用户数据作为负例，所述第三用户为目标资源对应的任一已投放用户，所述目标资源为所述第二训练样本中的任一资源，所述第四用户为所述第二训练样本中除所述第三用户之外的其他任一用户；将所述正例和所述目标资源对应的资源特征输入预设初始预测模型，得到第三输出值，将所述负例和所述目标资源对应的资源特征输入所述预设初始预测模型，得到第四输出值；根据所述第三输出值和所述第四输出值确定所述第二损失函数对应的第二损失值；根据所述第二损失值确定所述第二损失函数是否收敛，并将所述第二损失函数收敛时的预测模型作为所述目标预测模型。
根据本公开的一个或多个实施例，示例5提供了示例1所述的方法，所述根据所述不确定度确定是否向所述待投放用户投放所述目标资源包括：根据所述不确定度确定将所述目标资源向所述待投放用户进行投放时的第一收益；根据所述第一收益确定是否向所述待投放用户投放所述目标资源。
根据本公开的一个或多个实施例，示例6提供了示例5所述的方法，在所述根据所述第一收益确定是否向所述待投放用户投放所述目标资源之前，所述方法还包括：获取所述目标资源对应的点击率；根据所述点击率确定将所述目标资源向所述待投放用户进行投放时的第二收益；所述根据所述第一收益确定是否向所述待投放用户投放所述目标资源包括：根据所述第一收益和所述第二收益确定是否向所述待投放用户投放所述目标资源。
根据本公开的一个或多个实施例，示例7提供了示例1-6任一项所述的方法，所述第二用户特征包括多个待投放用户分别对应的第二用户特征；
所述将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度包括：将所述资源特征和多个待投放用户分别对应的所述第二用户特征输入所述目标预测模型，得到所述目标资源针对每个所述待投放用户分别对应的所述不确定度。
根据本公开的一个或多个实施例，示例8提供了示例1-6任一项所述的方法，所述目标资源包括多个资源，所述将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度包括：
将多个所述资源的资源特征和所述待投放用户的所述第二用户特征输入所述目标预测模型，得到每个资源分别对所述待投放用户进行投放时的不确定度。
根据本公开的一个或多个实施例，示例9提供了一种资源投放的装置，所述装置包括：
获取模块，用于获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；
第一确定模块，用于根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；
预测模块，用于将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；
第二确定模块，用于根据所述不确定度确定是否向所述待投放用户投放所述目标资源。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种资源投放的方法，其特征在于，所述方法包括：
获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；
根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；
将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；
根据所述不确定度确定是否向所述待投放用户投放所述目标资源；
所述将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度包括：
将所述第二用户特征和所述资源特征输入所述目标预测模型，得到所述待投放用户对所述目标资源的似然比，根据所述似然比确定所述目标资源针对所述待投放用户进行投放时的不确定度。
2.根据权利要求1所述的方法，其特征在于，所述根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征包括：
针对多个所述已投放用户中每个已投放用户的所述第一用户特征，将该已投放用户的所述第一用户特征输入预先训练得到的目标特征提取模型，得到该已投放用户对应的K维输出向量，所述K为第一预设数量；
将多个所述已投放用户分别对应的所述K维输出向量的平均值作为所述目标资源的所述资源特征。
3.根据权利要求2所述的方法，其特征在于，所述目标特征提取模型包括输入层，与所述输入层连接的响应函数网络，与所述响应函数网络连接的响应函数输出层以及分别与所述响应函数输出层连接的所述第一预设数量的输出头，所述目标特征提取模型通过以下方式预先训练得到：
获取多个已投放资源的用户数据作为第一训练样本；
循环执行以下步骤，直至所述目标特征提取模型对应的第一损失函数收敛：
从所述第一训练样本中选择第一用户的第一用户数据作为正例，从所述第一训练样本中选择第二用户的第二用户数据作为负例，所述第一用户为目标投放资源对应的任一已投放用户，所述目标投放资源为所述第一训练样本中的任一已投放资源，所述第二用户为所述第一训练样本中除所述第一用户之外的其他任一用户；
将所述正例输入待训练的特征提取模型，得到所述响应函数输出层输出的第一输出值和目标输出头输出的第一响应值，所述目标输出头为与所述目标投放资源对应的输出头；
将所述负例输入所述特征提取模型，得到所述响应函数输出层输出的第二输出值和所述目标输出头输出的第二响应值；
根据所述第一输出值、所述第一响应值、所述第二输出值以及所述第二响应值确定所述第一损失函数对应的第一损失值；
根据所述第一损失值确定所述第一损失函数是否收敛，并将所述第一损失函数收敛时的特征提取模型作为所述目标特征提取模型。
4.根据权利要求1所述的方法，其特征在于，所述目标预测模型包括单类分类模型，所述目标预测模型通过以下方式预先训练得到：
获取多个资源分别对应的资源特征和每个资源分别对应的用户数据作为第二训练样本；
循环执行以下步骤，直至所述目标预测模型对应的第二损失函数收敛：
从所述第二训练样本中选择第三用户的第三用户数据作为正例，从所述第二训练样本中选择第四用户的第四用户数据作为负例，所述第三用户为目标资源对应的任一已投放用户，所述目标资源为所述第二训练样本中的任一资源，所述第四用户为所述第二训练样本中除所述第三用户之外的其他任一用户；
将所述正例和所述目标资源对应的资源特征输入预设初始预测模型，得到第三输出值，将所述负例和所述目标资源对应的资源特征输入所述预设初始预测模型，得到第四输出值；
根据所述第三输出值和所述第四输出值确定所述第二损失函数对应的第二损失值；
根据所述第二损失值确定所述第二损失函数是否收敛，并将所述第二损失函数收敛时的预测模型作为所述目标预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述不确定度确定是否向所述待投放用户投放所述目标资源包括：
根据所述不确定度确定将所述目标资源向所述待投放用户进行投放时的第一收益；
根据所述第一收益确定是否向所述待投放用户投放所述目标资源。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述第一收益确定是否向所述待投放用户投放所述目标资源之前，所述方法还包括：
获取所述目标资源对应的点击率；
根据所述点击率确定将所述目标资源向所述待投放用户进行投放时的第二收益；
所述根据所述第一收益确定是否向所述待投放用户投放所述目标资源包括：
根据所述第一收益和所述第二收益确定是否向所述待投放用户投放所述目标资源。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述第二用户特征包括多个待投放用户分别对应的第二用户特征；
所述将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度包括：
将所述资源特征和多个待投放用户分别对应的所述第二用户特征输入所述目标预测模型，得到所述目标资源针对每个所述待投放用户分别对应的所述不确定度。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述目标资源包括多个资源，所述将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度包括：
将多个所述资源的资源特征和所述待投放用户的所述第二用户特征输入所述目标预测模型，得到每个资源分别对所述待投放用户进行投放时的不确定度。
9.一种资源投放的装置，其特征在于，所述装置包括：
获取模块，用于获取待投放的目标资源对应的多个已投放用户分别对应的第一用户特征和所述目标资源对应的待投放用户的第二用户特征；
第一确定模块，用于根据多个已投放用户分别对应的所述第一用户特征确定所述目标资源的资源特征；
预测模块，用于将所述第二用户特征和所述资源特征输入预先训练的目标预测模型，得到所述目标资源针对所述待投放用户进行投放时的不确定度；
第二确定模块，用于根据所述不确定度确定是否向所述待投放用户投放所述目标资源；
所述预测模块，用于将所述第二用户特征和所述资源特征输入所述目标预测模型，得到所述待投放用户对所述目标资源的似然比，根据所述似然比确定所述目标资源针对所述待投放用户进行投放时的不确定度。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202110624419.4A 2021-06-04 2021-06-04 资源投放的方法、装置、存储介质及电子设备 Active CN113256339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110624419.4A CN113256339B (zh) 2021-06-04 2021-06-04 资源投放的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110624419.4A CN113256339B (zh) 2021-06-04 2021-06-04 资源投放的方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113256339A CN113256339A (zh) 2021-08-13
CN113256339B true CN113256339B (zh) 2023-08-29

Family

ID=77186499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110624419.4A Active CN113256339B (zh) 2021-06-04 2021-06-04 资源投放的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113256339B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996575A (zh) * 2022-05-30 2022-09-02 北京达佳互联信息技术有限公司 资源信息推送方法、装置、电子设备和存储介质
CN114786031B (zh) * 2022-06-17 2022-10-14 北京达佳互联信息技术有限公司 资源投放方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709749A (zh) * 2015-11-18 2017-05-24 腾讯科技（北京）有限公司 媒体信息的投放方法及服务器
CN107657486A (zh) * 2017-10-19 2018-02-02 厦门美柚信息科技有限公司 一种广告投放方法及装置
CN109767267A (zh) * 2018-12-29 2019-05-17 微梦创科网络科技（中国）有限公司 一种用于广告投放的目标用户推荐方法及装置
CN110033294A (zh) * 2018-01-12 2019-07-19 腾讯科技（深圳）有限公司 一种业务分值的确定方法、业务分值确定装置及介质
CN110264241A (zh) * 2019-05-15 2019-09-20 浙江华坤道威数据科技有限公司 一种基于大数据的广告投放评估优化系统
CN111160983A (zh) * 2019-12-31 2020-05-15 众安在线财产保险股份有限公司 广告投放效果的评估方法、装置、计算机设备及存储介质
CN111651722A (zh) * 2020-04-08 2020-09-11 西窗科技(苏州)有限公司 一种针对广告主广告投放效果的风险评估方法及平台
CN111973996A (zh) * 2020-08-20 2020-11-24 腾讯科技（上海）有限公司 一种游戏资源投放方法和装置
CN112381581A (zh) * 2020-11-17 2021-02-19 东华理工大学 一种基于改进Transformer的广告点击率预估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324521A1 (en) * 2009-02-11 2014-10-30 Johnathan Mun Qualitative and quantitative analytical modeling of sales performance and sales goals
US20130298147A1 (en) * 2012-05-01 2013-11-07 Google Inc. Advertisements based on viewer feedback
US10341701B2 (en) * 2015-04-21 2019-07-02 Edge2020 LLC Clustering and adjudication to determine a recommendation of multimedia content

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709749A (zh) * 2015-11-18 2017-05-24 腾讯科技（北京）有限公司 媒体信息的投放方法及服务器
CN107657486A (zh) * 2017-10-19 2018-02-02 厦门美柚信息科技有限公司 一种广告投放方法及装置
CN110033294A (zh) * 2018-01-12 2019-07-19 腾讯科技（深圳）有限公司 一种业务分值的确定方法、业务分值确定装置及介质
CN109767267A (zh) * 2018-12-29 2019-05-17 微梦创科网络科技（中国）有限公司 一种用于广告投放的目标用户推荐方法及装置
CN110264241A (zh) * 2019-05-15 2019-09-20 浙江华坤道威数据科技有限公司 一种基于大数据的广告投放评估优化系统
CN111160983A (zh) * 2019-12-31 2020-05-15 众安在线财产保险股份有限公司 广告投放效果的评估方法、装置、计算机设备及存储介质
CN111651722A (zh) * 2020-04-08 2020-09-11 西窗科技(苏州)有限公司 一种针对广告主广告投放效果的风险评估方法及平台
CN111973996A (zh) * 2020-08-20 2020-11-24 腾讯科技（上海）有限公司 一种游戏资源投放方法和装置
CN112381581A (zh) * 2020-11-17 2021-02-19 东华理工大学 一种基于改进Transformer的广告点击率预估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LS-SVM的广告转化效果处理方法;丁杨;任广宇;;电子世界(第09期);12-14 *

Also Published As

Publication number Publication date
CN113256339A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN109740018B (zh) 用于生成视频标签模型的方法和装置
CN109376267B (zh) 用于生成模型的方法和装置
CN109145828B (zh) 用于生成视频类别检测模型的方法和装置
CN113256339B (zh) 资源投放的方法、装置、存储介质及电子设备
CN112149699B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN113033580B (zh) 图像处理方法、装置、存储介质及电子设备
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN110009101B (zh) 用于生成量化神经网络的方法和装置
CN112800276B (zh) 视频封面确定方法、装置、介质及设备
CN113392018B (zh) 流量分发方法、装置、存储介质及电子设备
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN112241761B (zh) 模型训练方法、装置和电子设备
CN114240867A (zh) 内窥镜图像识别模型的训练方法、内窥镜图像识别方法及装置
CN111915689B (zh) 用于生成目标函数的方法、装置、电子设备和计算机可读介质
CN112307243B (zh) 用于检索图像的方法和装置
CN116258911A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN113255819B (zh) 用于识别信息的方法和装置
CN110555861A (zh) 光流计算方法、装置及电子设备
CN113222050B (zh) 图像分类方法、装置、可读介质及电子设备
CN113034580B (zh) 图像信息检测方法、装置和电子设备
CN112669816B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN110704679B (zh) 视频分类方法、装置及电子设备
CN113220922A (zh) 图像搜索方法、装置和电子设备

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