CN113610582A - 广告推荐方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种广告推荐方法、装置、存储介质及电子设备。该广告推荐方法包括：响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。采用这种方法，可达到广告的实时性推荐目的。

Description

广告推荐方法、装置、存储介质及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种广告推荐方法、装置、存储介质及电子设备。

背景技术

随着大数据技术的发展，很多历史数据被挖掘出潜在价值，而对有价值的历史数据的使用也普及到各个行业中。相关技术中，可根据用户历史行为数据预测该用户可能感兴趣的产品，以实现向用户推荐产品。然而，这种产品推荐方法针对尚未产生历史行为数据的新用户并不适用。

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，本公开提供一种广告推荐方法，其特征在于，所述方法包括：

响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

第二方面，本公开提供一种广告推荐装置，所述装置包括：

获取模块，用于响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；推荐模块，用于在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

第三方面，本公开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第一方面中任一项所述方法的步骤。

第四方面，本公开提供一种电子设备，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，以实现第一方面中任一项所述方法的步骤。

采用上述技术方案，至少可以达到如下的技术效果：

响应于用户与广告的交互操作，获取表征该用户转化为广告用户的目标转化率。在目标转化率大于预设阈值的情况下，说明该用户对该广告是感兴趣的，此种情况下，可向该用户推送与该广告相关联的其他待推荐广告。采用本公开的这种方法，可在该用户转化为广告用户之前(即用户未对广告产生使用数据)，就预测到该用户转化为广告用户的目标转化率，在得到目标转化率之后，可基于目标转化率的大小及时向该用户推荐与该广告相关联的其他待推荐广告。如此，本公开的方法，实现了广告的实时性推荐目的，而且在用户转化为广告用户之前，就预测到该用户转化为广告用户的目标转化率的方式适用于没有历史行为数据的新用户。

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是根据本公开一示例性实施例示出的一种广告推荐方法的流程图。

图2是根据本公开一示例性实施例示出的一种本公开多头转化率预测模型的ACU指标测试结果。

图3是根据本公开一示例性实施例示出的一种转化率预测模型的ACU指标测试结果。

图4是根据本公开一示例性实施例示出的一种广告推荐装置的框图。

图5是根据本公开一示例性实施例示出的一种电子设备的框图。

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。

在对本公开的技术方案进行详细地实施例说明之前，需声明的是，本公开实施例中所使用的与用户相关的信息，如用户与广告的交互操作、用户特征信息、广告特征信息、产品特征信息等均为在获得用户授权或同意的情况下合法采集/使用的。

图1是根据本公开一示例性实施例示出的一种广告推荐方法的流程图。如图1所示，该方法包括：

S11、响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率。

值得说明的是，本公开中的目标转化率也可称为用户行为转化率，用于表征用户发生期望行为以转化或成为广告用户的概率。其中，期望行为是指希望用户做到的行为，比如阅读完一篇文章、完成一次注册、成功绑定银行卡、支付成功、完成新手教学等都可以作为期望行为。示例地，在点击率计算场景中，用户的“点击”操作就是期望行为；在转发率计算场景中，用户的“转发”操作就是期望行为；以此类推还有下载率、激活率、购买率、打开率、成交率、复购率等场景。本公开对期望行为不作具体限制。

基于上述对目标转化率的详细解释，容易理解的是本公开中的交互操作是指用户的非转化操作(即在发生期望行为之前的任一种用户操作)。示例地，假设该广告为游戏广告，且预先定义的期望行为是用户完成新手教学。那么用户与广告的交互操作可以为用户点击该游戏广告、用户下载该游戏、用户安装该游戏等操作。在用户安装该游戏之后，若用户完成该游戏的新手教学，则该用户转化为该游戏广告的游戏用户。

应当理解的是，在不同的应用场景中，交互操作和用于界定用户转化为广告用户的期望行为可以基于应用场景的需求而适应性设定，对此本公开不作具体的限制。

一种电商网站的实施场景，将上述用户与广告的交互操作预设为用户点击产品的操作，同时将期望行为预设为用户购买该广告对应的产品的行为。那么，上述步骤S11具体可为响应于用户点击广告的操作，获取表征用户购买该广告对应的产品的目标转化率。基于这种实施场景，应当清楚的是，获取目标转化率的操作是在用户购买该广告对应的产品之前。也就是说，目标转化率为广告(产品/商品)被点击之后的转化率，而不是广告(产品/商品)被购买之后的转化率。

S12、在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

其中，预设阈值可以为0.8、0.9等。其中，与广告相关联的待推荐广告是指，与该广告相类似(至少部分属性相同)的其它广告。

相关技术中，在用户已经转化为广告用户之后，才可确定该用户对该广告是感兴趣的。而在确定用户对该广告感兴趣之后，才可进一步确定该用户可能会对与该广告相关联的其他广告也感兴趣。然而，用户从浏览(搜索、点击等非转化操作)广告时起，到用户发生期望行为(如购买、下载等)转化为该广告的用户时止，这期间具有难以预估的一段时长，可能为1分钟、1天、1周等。由此，相关技术中的广告推荐方式均为等待用户成功转化为广告用户之后，确定向用户推荐与该广告相关的其他广告的方式。这种等待用户成功转化为广告用户之后向用户推荐相关的其它广告的方式不满足广告实时性推荐需求。

而采用本公开的上述方法，响应于用户与广告的交互操作，获取表征该用户转化成该广告的广告用户的目标转化率。在目标转化率大于预设阈值的情况下，说明该用户对该广告是感兴趣的，此种情况下，可向该用户推送与该广告相关联的其他待推荐广告。采用这种方法，在用户浏览(搜索、点击等非转化操作)广告时，即在该用户转化为广告的广告用户之前，就可预测到该用户转化为广告用户的目标转化率，在得到目标转化率之后，可基于目标转化率的大小及时向该用户推荐与该广告相关联的其他待推荐广告。如此，本公开的方法，实现了广告的实时性推荐目的，而且在用户转化为广告用户之前，就预测到该用户转化为广告用户的目标转化率的方式适用于没有历史行为数据的新用户。

一种可能的实施方式，所述响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率，具体包括以下步骤：

响应于所述用户与所述广告的交互操作，获取所述用户的用户特征以及所述广告的广告特征；将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率；根据所述多个窗口转化率生成所述目标转化率。

示例地，用户特征User feature可以包括以下任一种信息：国籍、性别、职业、历史行为(视频观看、点击、购买等历史行为)。广告特征Ads feature可以包括以下任一种信息：品牌、类别、型号、历史统计数据(总购买次数、平均转化率、复购率等)。

此处值得说明的是，一般情况下，线上的转化率预测模型会基于新产生的用户历史数据而不断更新迭代。但是，由于不同用户(即发生交互操作的用户)对应的转化事件的回流时间不同，所以如果在所有用户对应的转化事件完全回流之后，再根据所有的转化事件对转化率预测模型进行更新训练，这必然造成如下问题：以回流时间短的转化事件对转化率预测模型进行更新训练的时间被延迟。

而且，这种在所有用户对应的转化事件完全回流之后，再根据所有的转化事件对转化率预测模型进行更新训练的方式，使得模型存在实时性和准确性的矛盾。原因是如果用较长时间窗口下的转化事件数据对模型进行训练，模型会具有较高的准确性，但是实时性不足；而如果用较短时间窗口下的转化事件数据对模型进行训练，模型会具有较强的实时性但是准确性会受到一定程度的影响。

从下表的实验数据可以看出，App-Event Optimization等回流慢的转化事件数据在更长的时间窗口内占比更高(2-7天40％v.s.1天37％)。

时间窗口	AEO	总人数	转化率
				1天	2238300	6045844	0.370221263
2-7天	2188311	5453413	0.401273661
				7天	2263146	6125739	0.369448649

有鉴于此，本公开提出通过多头转化率预测模型来预测多个时间窗口(如上表所示的时间窗口为1天、时间窗口为2-7天)下的窗口转化率，然后基于多个窗口转化率进行加权求和、平均计算等方式计算得到目标转化率。

一种可实现的实施方式，所述根据所述多个窗口转化率生成所述目标转化率，包括：基于全概率公式，根据所述多个窗口转化率计算所述目标转化率。

在所述多个窗口转化率包括第一窗口转化率以及第二窗口转化率的情况下，所述全概率公式具体可为：cvr_d＝cvr_1+(1-cvr_1)*cvr_2，其中，cvr_d表征所述目标转化率，cvr_1表征第一窗口转化率，cvr_2表征第二窗口转化率。

可实现地，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率，包括：

将所述用户特征和所述广告特征输入所述第一窗口转化率预测子模型，得到所述第一窗口转化率；并，将所述用户特征和所述广告特征输入所述第二窗口转化率预测子模型，得到所述第二窗口转化率。

其中，第一窗口转化率预测子模型和第二窗口转化率预测子模型是多头转化率预测模型的公共部分(share模块)上分出来的两个头，用于分别学习第一窗口(1天的短窗口)下的归因数据的特征和第二窗口(2到7天的长窗口)下的归因数据的特征。

而在本公开的一种实施方式中，为了在训练多头转化率预测模型时，更好的利用不同窗口的归因数据，可将训练数据分为1天的短窗口归因数据和2-7天的长窗口归因数据，并利用multi-head技术对这两种训练数据分别进行预估和建模，以分别学习1天的短窗口归因数据的特征和2-7天的长窗口归因数据的特征。如此可以基于短窗口归因数据、长窗口归因数据来平衡多头转化率预测模型实时性和准确性。

一种可能的实施方式，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述多头转化率预测模型是通过如下方式训练得到的：

获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本；根据所述广告样本、所述第一广告用户正样本和所述第一广告用户负样本训练所述第一窗口转化率预测子模型，并根据所述广告样本、所述第二广告用户正样本和所述第二广告用户负样本训练所述第二窗口转化率预测子模型，以得到训练完成的所述多头转化率预测模型。

其中，所述获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本，包括：

获取所述广告样本、以及对所述广告样本产生交互操作的用户样本；从所述用户样本中确定在所述第一时间窗口内转化为所述广告样本的广告用户的所述第一广告用户正样本以及在所述第一时间窗口内未转化为所述广告样本的广告用户的所述第一广告用户负样本；从所述第一广告用户负样本中确定在所述第二时间窗口转化为所述广告样本的广告用户的所述第二广告用户正样本以及在所述第二时间窗内未口转化为所述广告样本的广告用户的所述第二广告用户负样本。

示例地，假设用户与广告的交互操作是指用户点击广告的操作，第一时间窗口为1天，第二时间窗口为2-7天。那么在训练多头转化率预测模型之前，通过以下方式收集多头转化率预测模型的训练数据：

收集历史时间段内的广告样本、以及点击该广告样本的用户样本。然后从用户样本中确定在1天内转化为广告用户的第一广告用户正样本，以及在1天内未转化为广告用户的第一广告用户负样本。接着，从第一广告用户负样本中确定在2-7天内转化为广告用户的第二广告用户正样本以及在在2-7天内未转化为广告用户的第二广告用户负样本。进一步地，将广告样本、第一广告用户正样本作为label为+1的第一数据流，将广告样本、第一广告用户负样本作为label为-1的第二数据流。同时，将广告样本、第二广告用户正样本作为label为+1的第三数据流，将广告样本、第二广告用户负样本作为label为-1的第四数据流。将第一数据流、第二数据流、第三数据流、第四数据流作为多头转化率预测模型的训练数据。

在收集到多头转化率预测模型的训练数据之后，通过如下方式进行模型训练：

初始化多头转化率预测模型的参数；将第一数据流、第二数据流、第三数据流、第四数据流输入多头转化率预测模型；多头转化率预测模型根据第一数据流、第二数据流、第三数据流、第四数据流预测(pred)各个用户样本在一天时间窗口内产生转化行为的概率cvr_1和在2-7天时间窗口内产生转化行为的概率cvr_2；根据预设的全概率公式对预估的两个概率进行计算，得到预测的目标转化概率cvr_d＝cvr_1+(1-cvr_1)*cvr_2；根据预测的目标转化概率与真实的label做比较计算损失函数(loss)；将loss进行back-propagation更新模型参数，如此往复，直到直到loss不再有显著的降时，得到训练完成的多头转化率预测模型。

上述示例的二头转化率预测模型仅仅是示例性说明，三头及以上的多头转化率预测模型的训练方式与二头转化率预测模型的训练方式相类似，此处不再赘述。

采用这种方式训练得到的多头转化率预测模型，其预估目标转化率的准确性和模型指标AUC都得到了一定程度的提高。从图2和图3可见，本公开中的多头转化率预测模型的AUC指标(平均0.91)相较于一般转化率预测模型的ACU指标(平均0.87)有明显提升。

而在多头转化率预测模型的应用过程中，响应于用户与广告的交互操作，获取用户的用户特征以及广告的广告特征，并将用户特征和广告特征输入多头转化率预测模型，可得到多头转化率预测模型输出的准确性高的多个窗口转化率。根据准确性高的多个窗口转化率可生成准确性高的目标转化率。基于准确性高的目标转化率可实现更准确的向用户推送用户需求的待推荐广告的目的。

基于同一发明构思，本公开实施例还提供广告推荐装置。如图4所示，该广告推荐装置400包括：

获取模块410，用于响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；推荐模块420，用于在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

一种可能的实施方式，所述获取模块410包括：获取子模块，用于响应于所述用户与所述广告的交互操作，获取所述用户的用户特征以及所述广告的广告特征；输入子模块，用于将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率；生成子模块，用于根据所述多个窗口转化率生成所述目标转化率。

一种可能的实施方式，所述生成子模块，用于基于全概率公式，根据所述多个窗口转化率计算所述目标转化率。

一种可能的实施方式，所述全概率公式为：cvr_d＝cvr_1+(1-cvr_1)*cvr_2，其中，cvr_d表征所述目标转化率，cvr_1表征第一窗口转化率，cvr_2表征第二窗口转化率，所述多个窗口转化率包括所述第一窗口转化率以及所述第二窗口转化率。

一种可能的实施方式，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述装置400包括训练模块，用于获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本；根据所述广告样本、所述第一广告用户正样本和所述第一广告用户负样本训练所述第一窗口转化率预测子模型，并根据所述广告样本、所述第二广告用户正样本和所述第二广告用户负样本训练所述第二窗口转化率预测子模型，以得到训练完成的所述多头转化率预测模型。

一种可能的实施方式，所述训练模块包括数据分流模块，用于获取所述广告样本、以及对所述广告样本产生交互操作的用户样本；从所述用户样本中确定在所述第一时间窗口内转化为所述广告样本的广告用户的所述第一广告用户正样本以及在所述第一时间窗口内未转化为所述广告样本的广告用户的所述第一广告用户负样本；从所述第一广告用户负样本中确定在所述第二时间窗口转化为所述广告样本的广告用户的所述第二广告用户正样本以及在所述第二时间窗内未口转化为所述广告样本的广告用户的所述第二广告用户负样本。

一种可能的实施方式，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述输入子模块，用于将所述用户特征和所述广告特征输入所述第一窗口转化率预测子模型，得到所述第一窗口转化率；并，将所述用户特征和所述广告特征输入所述第二窗口转化率预测子模型，得到所述第二窗口转化率。

采用本公开的上述装置，响应于用户与广告的交互操作，获取表征该用户转化为广告用户的目标转化率。在目标转化率大于预设阈值的情况下，说明该用户对该广告是感兴趣的，此种情况下，可向该用户推送与该广告相关联的其他待推荐广告。采用本公开的这种方法，可在该用户转化为广告用户之前(即用户未对广告产生使用数据)，就预测到该用户转化为广告用户的目标转化率，在得到目标转化率之后，可基于目标转化率的大小及时向该用户推荐与该广告相关联的其他待推荐广告。如此，本公开的方法，实现了广告的实时性推荐目的，而且在用户转化为广告用户之前，就预测到该用户转化为广告用户的目标转化率的方式适用于没有历史行为数据的新用户。

上述装置400的各个模块的执行步骤，已经在相关的方法实施例中进行了详细的阐述，此处不再赘述。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如应用本公开上述广告推荐方法的终端或服务器)600的结构示意图。本公开实施例中的终端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5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5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，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：响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

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对象的程序设计语言—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。

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提供了一种广告推荐方法，包括响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

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，所述响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率，包括：响应于所述用户与所述广告的交互操作，获取所述用户的用户特征以及所述广告的广告特征；将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率；根据所述多个窗口转化率生成所述目标转化率。

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，所述根据所述多个窗口转化率生成所述目标转化率，包括：基于全概率公式，根据所述多个窗口转化率计算所述目标转化率。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述全概率公式为：cvr_d＝cvr_1+(1-cvr_1)*cvr_2，其中，cvr_d表征所述目标转化率，cvr_1表征第一窗口转化率，cvr_2表征第二窗口转化率，所述多个窗口转化率包括所述第一窗口转化率以及所述第二窗口转化率。

根据本公开的一个或多个实施例，示例5提供了示例2-4的方法，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述多头转化率预测模型是通过如下方式训练得到的：

获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本；根据所述广告样本、所述第一广告用户正样本和所述第一广告用户负样本训练所述第一窗口转化率预测子模型，并根据所述广告样本、所述第二广告用户正样本和所述第二广告用户负样本训练所述第二窗口转化率预测子模型，以得到训练完成的所述多头转化率预测模型。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本，包括：

获取所述广告样本、以及对所述广告样本产生交互操作的用户样本；从所述用户样本中确定在所述第一时间窗口内转化为所述广告样本的广告用户的所述第一广告用户正样本以及在所述第一时间窗口内未转化为所述广告样本的广告用户的所述第一广告用户负样本；从所述第一广告用户负样本中确定在所述第二时间窗口转化为所述广告样本的广告用户的所述第二广告用户正样本以及在所述第二时间窗内未口转化为所述广告样本的广告用户的所述第二广告用户负样本。

根据本公开的一个或多个实施例，示例7提供了示例4的方法，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率，包括：将所述用户特征和所述广告特征输入所述第一窗口转化率预测子模型，得到所述第一窗口转化率；并，将所述用户特征和所述广告特征输入所述第二窗口转化率预测子模型，得到所述第二窗口转化率。

根据本公开的一个或多个实施例，示例8提供了一种广告推荐装置，所述装置包括：获取模块，用于响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；推荐模块，用于在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述获取模块包括：获取子模块，用于响应于所述用户与所述广告的交互操作，获取所述用户的用户特征以及所述广告的广告特征；输入子模块，用于将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率；生成子模块，用于根据所述多个窗口转化率生成所述目标转化率。

根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述生成子模块，用于基于全概率公式，根据所述多个窗口转化率计算所述目标转化率。

根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述全概率公式为：cvr_d＝cvr_1+(1-cvr_1)*cvr_2，其中，cvr_d表征所述目标转化率，cvr_1表征第一窗口转化率，cvr_2表征第二窗口转化率，所述多个窗口转化率包括所述第一窗口转化率以及所述第二窗口转化率。

根据本公开的一个或多个实施例，示例12提供了示例9-11的装置，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述广告推荐装置包括训练模块，用于获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本；根据所述广告样本、所述第一广告用户正样本和所述第一广告用户负样本训练所述第一窗口转化率预测子模型，并根据所述广告样本、所述第二广告用户正样本和所述第二广告用户负样本训练所述第二窗口转化率预测子模型，以得到训练完成的所述多头转化率预测模型。

根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述训练模块包括数据分流模块，用于获取所述广告样本、以及对所述广告样本产生交互操作的用户样本；从所述用户样本中确定在所述第一时间窗口内转化为所述广告样本的广告用户的所述第一广告用户正样本以及在所述第一时间窗口内未转化为所述广告样本的广告用户的所述第一广告用户负样本；从所述第一广告用户负样本中确定在所述第二时间窗口转化为所述广告样本的广告用户的所述第二广告用户正样本以及在所述第二时间窗内未口转化为所述广告样本的广告用户的所述第二广告用户负样本。

根据本公开的一个或多个实施例，示例14提供了示例11的装置，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述输入子模块，用于将所述用户特征和所述广告特征输入所述第一窗口转化率预测子模型，得到所述第一窗口转化率；并，将所述用户特征和所述广告特征输入所述第二窗口转化率预测子模型，得到所述第二窗口转化率。

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 (10)

1.一种广告推荐方法，其特征在于，所述方法包括：

响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；

在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

2.根据权利要求1所述的方法，其特征在于，所述响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率，包括：

响应于所述用户与所述广告的交互操作，获取所述用户的用户特征以及所述广告的广告特征；

将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率；

根据所述多个窗口转化率生成所述目标转化率。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个窗口转化率生成所述目标转化率，包括：

基于全概率公式，根据所述多个窗口转化率计算所述目标转化率。

4.根据权利要求3所述的方法，其特征在于，所述全概率公式为：

cvr_d＝cvr_1+(1-cvr_1)*cvr_2，其中，cvr_d表征所述目标转化率，cvr_1表征第一窗口转化率，cvr_2表征第二窗口转化率，所述多个窗口转化率包括所述第一窗口转化率以及所述第二窗口转化率。

5.根据权利要求2-4中任一项所述的方法，其特征在于，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述多头转化率预测模型是通过如下方式训练得到的：

获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本；

根据所述广告样本、所述第一广告用户正样本和所述第一广告用户负样本训练所述第一窗口转化率预测子模型，并根据所述广告样本、所述第二广告用户正样本和所述第二广告用户负样本训练所述第二窗口转化率预测子模型，以得到训练完成的所述多头转化率预测模型。

6.根据权利要求5所述的方法，其特征在于，所述获取广告样本、第一时间窗口下的第一广告用户正样本和第一广告用户负样本以及第二时间窗口下的第二广告用户正样本和第二广告用户负样本，包括：

获取所述广告样本、以及对所述广告样本产生交互操作的用户样本；

从所述用户样本中确定在所述第一时间窗口内转化为所述广告样本的广告用户的所述第一广告用户正样本以及在所述第一时间窗口内未转化为所述广告样本的广告用户的所述第一广告用户负样本；

从所述第一广告用户负样本中确定在所述第二时间窗口转化为所述广告样本的广告用户的所述第二广告用户正样本以及在所述第二时间窗口内未转化为所述广告样本的广告用户的所述第二广告用户负样本。

7.根据权利要求4所述的方法，其特征在于，所述多头转化率预测模型包括第一窗口转化率预测子模型和第二窗口转化率预测子模型，所述将所述用户特征和所述广告特征输入多头转化率预测模型，得到所述多头转化率预测模型输出的多个窗口转化率，包括：

将所述用户特征和所述广告特征输入所述第一窗口转化率预测子模型，得到所述第一窗口转化率；并，

将所述用户特征和所述广告特征输入所述第二窗口转化率预测子模型，得到所述第二窗口转化率。

8.一种广告推荐装置，其特征在于，所述装置包括：

获取模块，用于响应于用户与广告的交互操作，获取表征所述用户转化为所述广告的广告用户的目标转化率；

推荐模块，用于在所述目标转化率大于预设阈值的情况下，向所述用户推送与所述广告相关联的待推荐广告。

9.一种计算机可读介质，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1-7中任一项所述方法的步骤。

10.一种电子设备，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1-7中任一项所述方法的步骤。

Images