CN114862431A - 广告转化特征的预测方法、装置 - Google Patents

Abstract

本申请的实施例提供了一种广告转化特征的预测方法、装置。该方法包括：获取第一广告样本数据和第二广告样本数据，第一广告样本数据包括广告的第一属性特征数据和点击特征数据，第二广告样本数据包括广告的第二属性特征数据和转化特征数据；以第一属性特征数据为第一输入数据，以点击特征数据为第一标签数据，对初始网络模型进行训练，得到广告点击特征预测模型；以第二属性特征数据为第二输入数据，以转化特征数据为第二标签数据，对广告点击特征预测模型进行训练，得到广告转化特征预测模型；根据目标广告的目标属性特征数据，通过广告转化特征预测模型预测目标广告的转化特征。本申请实施例的技术方案可以提高对广告转化特征的预测精度。

Description

广告转化特征的预测方法、装置

技术领域

本申请涉及计算机及人工智能技术领域，具体而言，涉及一种广告转化特征的预测方法、装置。

背景技术

在对广告转化特征进行预测的场景中，通常是通过对广告的历史转化特征进行统计，然后基于统计值预测当前广告的转化特征，或者是根据当前广告的属性特征，通过传统的神经网络方法预测当前广告的转化特征值，然而，本申请发明人发现，通过上述两种方法所预测的广告转化特征的精度均较低，基于此，如何能够提高对广告转化特征的预测精度是亟待解决的技术问题。

发明内容

本申请的实施例提供了一种广告转化特征的预测方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备，进而至少在一定程度上可以提高对广告转化特征的预测精度。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种广告转化特征的预测方法，所述方法包括：获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。

根据本申请实施例的一个方面，提供了一种广告转化特征的预测装置，所述装置包括：第一获取单元，被用于获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；第一训练单元，被用于以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；第二训练单元，被用于以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；预测单元，被用于根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的目标转化特征。

在本申请的一些实施例中，基于前述方案，所述第一获取单元配置为：获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告点击数据量和广告转化数量；将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据；将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。

在本申请的一些实施例中，基于前述方案，所述初始网络模型包括共享网络层和第一独享网络层，所述第一训练单元配置为：将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值；将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值；根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差；基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第二训练单元配置为：将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第二训练单元配置为：将所述第二输入数据输入至所述初始广告转化特征预测模型的共享网络层，以输出第二中间特征值；将所述第二中间特征值输入至所述第二独享网络层，以输出针对广告的转化特征预测值；根据所述第二标签数据和所述转化特征预测值，确定转化特征预测误差；基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，以得到广告转化特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第一属性特征数据或第二属性特征数据或目标属性特征数据包括至少一个广告属性值；所述点击特征数据包括广告点击率或者广告点击成本；所述转化特征数据包括广告转化率或者广告转化成本。

在本申请的一些实施例中，基于前述方案，所述装置还包括：第二获取单元，被用于在通过所述广告转化特征预测模型预测所述目标广告的目标转化特征之后，获取针对目标广告的预估点击率和预估转化率；确定单元，被用于根据所述目标广告的预估点击率、预估转化率、以及目标转化特征，确定针对所述目标广告的定价策略。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的广告转化特征的预测方法。

根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的广告转化特征的预测方法。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的广告转化特征的预测方法。

在本申请的一些实施例所提供的技术方案中，通过将广告的第一属性特征数据作为第一输入数据，将广告的点击特征数据作为第一标签数据，对初始网络模型进行训练，可以使得初始网络模型学习广告的第一属性特征数据与广告的点击特征数据之间的关联关系，得到广告点击特征预测模型。进一步通过将广告的第二属性特征数据作为第二输入数据，将广告的转化特征数据作为第二标签数据，对广告点击特征预测模型进行训练，可以使得广告点击特征预测模型学习广告的第二属性特征数据与广告的转化特征数据之间的关联关系，得到广告转化特征预测模型。一方面，由于广告的转化数据非常稀疏，大量的曝光只有很少的转化，无法通过模型直接学习广告属性特征与广告转化特征之间的高纬度交叉信息。另一方面，由于广告的转化不是一个从曝光直接到转化的过程，而是先曝光再点击然后再转化的过程，点击和转化是一个相关的过程，所以本申请通过学习有广告点击数据信息的模型递进学习广告转化数据，可以弥补广告转化数据过少的问题，从而提高广告转化特征预测模型的准确性，进而提高通过广告转化特征预测模型预测的广告转化特征的精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图2示出了根据本申请一个实施例的广告转化特征的预测方法的流程图；

图3示出了根据本申请一个实施例的获取第一广告样本数据和第二广告样本数据的细节流程图；

图4示出了根据本申请一个实施例的对初始网络模型进行训练的细节流程图；

图5示出了根据本申请一个实施例的对初始网络模型进行训练的模型示意图；

图6示出了根据本申请一个实施例的对广告点击特征预测模型进行训练的细节流程图；

图7示出了根据本申请一个实施例的对初始广告转化特征预测模型进行训练的细节流程图；

图8示出了根据本申请一个实施例的对初始广告转化特征预测模型进行训练的模型示意图；

图9示出了根据本申请一个实施例的在通过所述广告转化特征预测模型预测所述目标广告的转化特征之后的方法流程图；

图10示出了根据本申请一个实施例的广告转化特征的预测装置的框图；

图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

需要注意的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。

本申请中的实施例有涉及到关于人工智能的技术。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是其它具有定位功能的终端设备，例如水表。电表等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。

在本申请的一个实施例中，可以是由服务器105从终端设备(或者其它环境)获取第一广告样本数据和第二广告样本数据，其中，第一广告样本数据包括广告的第一属性特征数据和点击特征数据，第二广告样本数据包括广告的第二属性特征数据和转化特征数据，然后，由服务器105将所述第一属性特征数据作为第一输入数据，将所述点击特征数据作为第一标签数据，对初始网络模型进行训练，得到广告点击特征预测模型，并将所述第二属性特征数据作为第二输入数据，将所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，得到广告转化特征预测模型，最后由服务器105获取目标广告的目标属性特征数据，并通过所述广告转化特征预测模型预测所述目标广告的转化特征。

需要说明的是，本申请实施例所提供的广告转化特征的预测方法可以由服务器105执行，相应地，广告转化特征的预测装置一般设置于服务器105中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的广告转化特征的预测方案。

还需要说明的是，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此，本申请在此不做限制。

需要解释的是，如上所述的云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展。通过建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示出了根据本申请一个实施例的广告转化特征的预测方法的流程图，该广告转化特征的预测方法可以由具有计算处理功能的设备来执行，比如可以由图1中所示的服务器105来执行。参照图2所示，该广告转化特征的预测方法至少包括步骤210至步骤270，详细介绍如下：

在步骤210中，获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据。

在本申请中，需要对广告的生命周期进行简单阐述：一条广告在投放阶段，可以首先按照预定的投放环境和一定的投放速度将广告曝光在网络上，当网民浏览到该广告时，可能存在一部分网民选择忽略该广告，另外一部分网民会选择点击该广告(这是一个曝光-点击的过程)，而在选择点击广告的一部分网民中，又会存在一部分网民在广告落地页(也就是是广告在被点击之后跳转的页面)进行填表、下载、激活、购买等等转化操作(这是一个曝光-点击-转化的过程)。

本申请的发明人发现，在如上所述的广告生命周期中，一条广告在被曝光之后，其最终被转化的数量非常少，这就使得广告的转化数据非常稀疏，如果直接通过模型学习广告的转化数据，并不能准确的训练模型。然而，广告被点击的数量要比被转化的数量高很多，这就使得广告的点击数据要比其转化数据丰富很多，广告点击和广告转化是一个相关的过程，点击率高的广告利率也高。因此，本申请发明基于这一发现，利用广告点击数据训练模型，使得在通过广告转化数据训练模型之前，模型就已经具有一定的学习知识，以此弥补转化数据过少的问题。

需要说明的是，在步骤210中，一条广告样本数据对应一条广告，获取第一广告样本数据和第二广告样本数据可以是获取多条第一广告样本数据和多条第二广告样本数据，即多条广告对应的广告样本数据。

具体的，第一广告样本数据包括广告的第一属性特征数据，第二广告样本数据包括广告的第二属性特征数据，其中，属性特征数据包括至少一个广告属性值，例如，广告属性值可以包括广告投放效果(比如闪屏的效果)，广告转化类型(比如下载APP)，广告创意，广告投放地域(比如深圳)，广告所述行业(比如游戏行业)，广告编号等等。

具体的，第一广告样本数据包括广告的点击特征数据，第二广告样本数据包括广告的转化特征数据，其中，所述点击特征数据包括广告点击率或者广告点击成本，所述转化特征数据包括广告转化率或者广告转化成本。

需要说明的是，在本申请中，广告点击率可以是指广告总点击数与广告总曝光数之间的比值。广告点击成本可以是指广告被点击一次或者预定次数时，广告主所需要承担的费用。广告转化率可以是指广告总转化数与广告总曝光数之间的比值。广告转化成本可以是指广告被转化一次或者预定次数时，广告主所需要承担的费用。

在本申请的一个实施例中，获取第一广告样本数据和第二广告样本数据，可以按照如图3所示的步骤执行。

参见图3，示出了根据本申请一个实施例的获取第一广告样本数据和第二广告样本数据的细节流程图。具体包括步骤211至步骤213：

在步骤211中，获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告点击数据量和广告转化数量。

在步骤212中，将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据。

具体的，例如，将广告点击数量超过30的广告样本数据确定为第一广告样本数据。

在步骤213中，将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。

具体的，例如，将广告转化数量超过30的广告样本数据确定为第二广告样本数据。

需要说明的是，本实施例中的第一阈值和第二阈值是根据实际需要而设定的，并不限于一个固定的数值，在本申请中，通过第一阈值和第二阈值筛选第一广告样本数据和第二广告样本数据，可以防止广告样本数据中出现数据稀疏的问题，从而提升数据质量。

继续参照图2，在步骤230中，以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型。

在本申请的一个实施例中，所述初始网络模型包括共享网络层和第一独享网络层，其中，共享网络层和第一独享网络层均包括有学习参数，用以在模型训练过程中学习数据特征。

在本实施例中，以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型，可以按照如图4所示的步骤执行。

参见图4，示出了根据本申请一个实施例的对初始网络模型进行训练的细节流程图。具体包括步骤231至步骤234：

在步骤231中，将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值。

在步骤232中，将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值。

在步骤233中，根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差。

在步骤234中，基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。

需要说明的是，所述第一中间特征值为模型内部中共享网络层输出的针对第一属性特征数据的学习结果。所述针对广告的点击特征预测值可以是指广告的点击率，也可以是指广告的点击成本。

在步骤233中，可以将该点击特征预测值与对应的第一标签数据进行比较，以确定点击特征预测误差。点击特征预测误差用于表示初始网络模型对点击特征值进行预测的真实可信度。点击特征预测误差越低，说明由初始网络模型得到的广告的点击特征预测值与真实的点击特征值越接近，也说明初始网络模型的预测能力越强。

具体的，确定点击特征预测误差，例如，可以是将第一标签数据与点击特征预测值之间差值确定为点击特征预测误差。

随后，在步骤234中，基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，是将输出的点击特征预测误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，本质上，该过程是一个权值调整的过程。

在本申请中，基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，可以使得增强初始网络模型的预测能力。

还需要说明的是，在实际对初始网络模型进行训练的过程中，可以是重复执行步骤231至步骤234，直至所述初始网络模型满足第一预设条件时，得到广告点击特征预测模型。

进一步的，通过重复执行步骤231至步骤234直至所述初始网络模型满足第一预设条件，得到广告点击特征预测模型，其中，第一预设条件可以是步骤231至步骤234的重复次数，也可以是模型达到收敛。

参见图5，示出了根据本申请一个实施例的对初始网络模型进行训练的模型示意图。

其中，可以通过第一广告样本数据510训练初始网络模型，并基于模型输出的点击特征预测值530，对模型中的参数进行更新，最终得到广告点击特征预测模型520。

继续参照图2，在步骤250中，以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型。

在本申请的一个实施例中，以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型，可以按照如图6所示的步骤执行。

参见图6，示出了根据本申请一个实施例的对广告点击特征预测模型进行训练的细节流程图。具体包括步骤251至步骤252：

在步骤251中，将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型。

在步骤252中，以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。

在本申请中，首先利用广告第一属性特征数据和点击特征数据对初始网络模型进行训练，得到广告点击特征预测模型，再将广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型，并利用广告第二属性特征数据和转化特征数据对初始广告转化特征预测模型进行训练，得到广告转化特征预测模型，可以有效将广告的第一属性特征数据和点击特征数据中的特征转移到广告转化特征预测模型中去，并通过保留所述广告点击特征预测模型中的共享网络层，可以在第二次模型训练时保留第一次训练阶段的学习结果，同时极大地缩减参数调整数量，提高整体模型的训练速度和训练效果。

在本实施例中，以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型，可以按照如图7所示的步骤执行。

参见图7，示出了根据本申请一个实施例的对初始广告转化特征预测模型进行训练的细节流程图。具体包括步骤2521至步骤2524：

在步骤2521中，将所述第二输入数据输入至所述初始广告转化特征预测模型的共享网络层，以输出第二中间特征值。

在步骤2522中，将所述第二中间特征值输入至所述第二独享网络层，以输出针对广告的转化特征预测值。

在步骤2523中，根据所述第二标签数据和所述转化特征预测值，确定转化特征预测误差。

在步骤2524中，基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，以得到广告转化特征预测模型。

此外，其它具体实现中，步骤2524还可以是基于所述转化特征预测误差反向更新所述第二独享网络层中的参数或所述共享网络层中的参数，以得到广告转化特征预测模型。

需要说明的是，所述第二中间特征值为模型内部中共享网络层输出的针对第二属性特征数据的学习结果。所述针对广告的转化特征预测值可以是指广告的转化率，也可以是指广告的转化成本。在步骤2523中，可以将该转化特征预测值与对应的第二标签数据进行比较，以确定转化特征预测误差。转化特征预测误差用于表示初始广告转化特征预测模型对转化特征值进行预测的真实可信度。转化特征预测误差越低，说明由初始广告转化特征预测模型得到的广告的转化特征预测值与真实的转化特征值越接近，也说明初始广告转化特征预测模型的预测能力越强。

在本申请中，基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，或者是基于所述转化特征预测误差反向更新所述第二独享网络层中的参数，可以使得增强初始广告转化特征预测模型的预测能力。

还需要说明的是，在实际对初始广告转化特征预测模型进行训练的过程中，可以是重复执行步骤2521至步骤2524，直至所述初始广告转化特征预测模型满足第二预设条件时，以得到广告转化特征预测模型。

进一步的，通过重复执行步骤2521至步骤2524直至所述初始广告转化特征预测模型满足第二预设条件，得到广告转化特征预测模型，其中，第二预设条件可以是步骤2521至步骤2524的重复次数，也可以是模型达到收敛。

参见图8，示出了根据本申请一个实施例的对初始广告转化特征预测模型进行训练的模型示意图。

其中，可以通过第二广告样本数据810训练初始广告转化特征预测模型，并基于模型输出的转化特征预测值830，对模型中的参数进行更新，最终得到广告转化特征预测模型820。

继续参照图2，在步骤270中，根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。

在本申请中，根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征，可以是将目标广告的目标属性特征数据直接输入广告转化特征预测模型，直接输出目标广告的转化特征。其中，目标属性特征数据包括至少一个广告属性值，目标广告的转化特征包括目标广告的转化率或者转化成本。

在本申请的一个实施例中，在通过所述广告转化特征预测模型预测所述目标广告的转化特征之后，还可以执行如图9所示的步骤。

参见图9，示出了根据本申请一个实施例的在通过所述广告转化特征预测模型预测所述目标广告的转化特征之后的方法流程图。具体包括步骤281至步骤282：

在步骤281中，获取针对目标广告的预估点击率和预估转化率。

在步骤282中，根据所述目标广告的预估点击率、预估转化率、以及转化特征，确定针对所述目标广告的定价策略。

具体的，在所述转化特征为广告转化成本时，可以通过如下公式确定针对所述目标广告的定价策略：

ECPM＝OCPA×pctr×pcvr

或者

CPM＝ECPM/1000＝(OCPA×pctr×pcvr)/1000

或者

CPC＝ECPM/click＝(OCPA×pctr×pcvr)/click

其中，ECPM表示广告千次曝光定价；OCPA表示预测的广告转化成本；CPM表示广告单次曝光定价；CPC表示广告单次点击定价；pctr表示广告预估点击率；pcvr表示广告预估转化率；click表示广告实际点击数。

在本申请上述实施例的技术方案中，本申请发明人发现，一方面，广告的转化数据非常稀疏，大量的曝光只有很少的转化，无法通过模型直接学习广告属性特征与广告转化特征之间的高纬度交叉信息。另一方面，广告的转化不是一个从曝光直接到转化的过程，而是先曝光再点击然后再转化的过程，点击和转化是一个相关的过程，基于此，本申请通过学习有广告点击数据信息的模型递进学习广告转化数据，可以弥补广告转化数据过少的问题，从而提高广告转化特征预测模型的准确性，进而提高通过广告转化特征预测模型预测的广告转化特征的精度。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的广告转化特征的预测方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的广告转化特征的预测方法的实施例。

图10示出了根据本申请的一个实施例的广告转化特征的预测装置的框图。

参照图10所示，根据本申请的一个实施例的广告转化特征的预测装置1000，包括：第一获取单元1001、第一训练单元1002、第二训练单元1003和预测单元1004。

其中，第一获取单元1001，被用于获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；第一训练单元1002，被用于以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；第二训练单元1003，被用于以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；预测单元1004，被用于根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的目标转化特征。

在本申请的一些实施例中，基于前述方案，所述第一获取单元1001配置为：获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告点击数据量和广告转化数量；将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据；将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。

在本申请的一些实施例中，基于前述方案，所述初始网络模型包括共享网络层和第一独享网络层，所述第一训练单元1002配置为：将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值；将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值；根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差；基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第二训练单元1003配置为：将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型；以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第二训练单元1003配置为：将所述第二输入数据输入至所述初始广告转化特征预测模型的共享网络层，以输出第二中间特征值；将所述第二中间特征值输入至所述第二独享网络层，以输出针对广告的转化特征预测值；根据所述第二标签数据和所述转化特征预测值，确定转化特征预测误差；基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，以得到广告转化特征预测模型。

在本申请的一些实施例中，基于前述方案，所述第一属性特征数据或第二属性特征数据或目标属性特征数据包括至少一个广告属性值；所述点击特征数据包括广告点击率或者广告点击成本；所述转化特征数据包括广告转化率或者广告转化成本。

在本申请的一些实施例中，基于前述方案，所述装置还包括：第二获取单元，被用于在通过所述广告转化特征预测模型预测所述目标广告的目标转化特征之后，获取针对目标广告的预估点击率和预估转化率；确定单元，被用于根据所述目标广告的预估点击率、预估转化率、以及目标转化特征，确定针对所述目标广告的定价策略。

图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括中央处理单元(Central Processing Unit，CPU)1101，其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1103中，还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output，I/O)接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107；包括硬盘等的储存部分1108；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入储存部分1108。

特别地，根据本申请的实施例，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，本申请的实施例包括一种计算机程序产品，其包括承载在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部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，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，上述模块、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，框图或流程图中的每个方框、以及框图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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的广告转化特征的预测方法。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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一个该电子设备执行时，使得该电子设备实现上述实施例中所述的广告转化特征的预测方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种广告转化特征的预测方法，其特征在于，所述方法包括：

获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；

以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；

以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；

根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。

2.根据权利要求1所述的方法，其特征在于，所述获取第一广告样本数据和第二广告样本数据，包括：

获取历史上已投放广告的广告样本数据，其中，每一条广告样本数据中还包括所对应投放广告的广告点击数据量和广告转化数量；

将广告点击数量超过第一阈值的广告样本数据确定为第一广告样本数据；

将广告转化数量超过第二阈值的广告样本数据确定为第二广告样本数据。

3.根据权利要求1所述的方法，其特征在于，所述初始网络模型包括共享网络层和第一独享网络层；所述以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型，包括：

将所述第一输入数据输入至所述共享网络层，以输出第一中间特征值；

将所述第一中间特征值输入至所述第一独享网络层，以输出针对广告的点击特征预测值；

根据所述第一标签数据和所述点击特征预测值，确定点击特征预测误差；

基于所述点击特征预测误差反向更新所述第一独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。

4.根据权利要求3所述的方法，其特征在于，所述以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型，包括：

将所述广告点击特征预测模型中的第一独享网络层替换为第二独享网络层，并保留所述广告点击特征预测模型中的共享网络层，得到初始广告转化特征预测模型；

以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型。

5.根据权利要求4所述的方法，其特征在于，所述以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述初始广告转化特征预测模型进行训练，以得到广告转化特征预测模型，包括：

将所述第二输入数据输入至所述初始广告转化特征预测模型的共享网络层，以输出第二中间特征值；

将所述第二中间特征值输入至所述第二独享网络层，以输出针对广告的转化特征预测值；

根据所述第二标签数据和所述转化特征预测值，确定转化特征预测误差；

基于所述转化特征预测误差反向更新所述第二独享网络层中的参数和所述共享网络层中的参数，以得到广告点击特征预测模型。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述第一属性特征数据或第二属性特征数据或目标属性特征数据包括至少一个广告属性值；

所述点击特征数据包括广告点击率或者广告点击成本；

所述转化特征数据包括广告转化率或者广告转化成本。

7.根据权利要求1所述的方法，其特征在于，在通过所述广告转化特征预测模型预测所述目标广告的转化特征之后，所述方法还包括：

获取针对目标广告的预估点击率和预估转化率；

根据所述目标广告的预估点击率、预估转化率、以及转化特征，确定针对所述目标广告的定价策略。

8.一种广告转化特征的预测装置，其特征在于，所述装置包括：

第一获取单元，被用于获取第一广告样本数据和第二广告样本数据，所述第一广告样本数据包括广告的第一属性特征数据和点击特征数据，所述第二广告样本数据包括广告的第二属性特征数据和转化特征数据；

第一训练单元，被用于以所述第一属性特征数据作为第一输入数据，以所述点击特征数据作为第一标签数据，对初始网络模型进行训练，以得到广告点击特征预测模型；

第二训练单元，被用于以所述第二属性特征数据作为第二输入数据，以所述转化特征数据作为第二标签数据，对所述广告点击特征预测模型进行训练，以得到广告转化特征预测模型；

预测单元，被用于根据目标广告的目标属性特征数据，通过所述广告转化特征预测模型预测所述目标广告的转化特征。

9.一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中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如权利要求1至7任一项所述的广告转化特征的预测方法所执行的操作。

10.一种计算机设备，其特征在于，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至7任一项所述的广告转化特征的预测方法所执行的操作。

Images