KR20170141247A - 정보 추천 방법 및 장치 - Google Patents

정보 추천 방법 및 장치 Download PDF

Info

Publication number
KR20170141247A
KR20170141247A KR1020177034700A KR20177034700A KR20170141247A KR 20170141247 A KR20170141247 A KR 20170141247A KR 1020177034700 A KR1020177034700 A KR 1020177034700A KR 20177034700 A KR20177034700 A KR 20177034700A KR 20170141247 A KR20170141247 A KR 20170141247A
Authority
KR
South Korea
Prior art keywords
information
recommendation
prediction model
click
click probability
Prior art date
Application number
KR1020177034700A
Other languages
English (en)
Other versions
KR101999471B1 (ko
Inventor
페일리 뤼
Original Assignee
텐센트 테크놀로지(센젠) 컴퍼니 리미티드
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 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 filed Critical 텐센트 테크놀로지(센젠) 컴퍼니 리미티드
Publication of KR20170141247A publication Critical patent/KR20170141247A/ko
Application granted granted Critical
Publication of KR101999471B1 publication Critical patent/KR101999471B1/ko

Links

Images

Classifications

    • G06F17/3053—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

정보 추천 방법 및 장치가 개시되어 있다. 이 방법은 적어도 하나의 후보 추천 특징 인자를 결정하는 단계(S100); 후보 추천 특징 인자가 클릭율 예측 모델에 추가되기 이전과 추가된 이후의 추천 정보의 클릭 정보량 차이를 예측하는 단계(S110); 그 클릭 정보량 차이가 설정된 조건을 충족하는 추천 특징 인자를 결정하고, 결정된 추천 특징 인자를 클릭율 예측 모델에 추가하는 단계(S120); 및 클릭율 예측 모델에 기초하여 추천 대상 사용자에게 푸시되는 타겟 푸시 정보를 결정하는 단계(S130)를 포함한다.

Description

정보 추천 방법 및 장치
본 출원은 그 전문이 본 명세서에 참조로 통합되어 있는 중국 특허청에 2016년 1월 12일자로 출원된 발명의 명칭이 "RECOMMENDATION FEATURE DETERMINING METHOD, INFORMATION RECOMMENDATION METHOD AND APPARATUS"인 중국 특허 출원 제201610017754.7호에 대한 우선권을 주장한다.
기술분야
본 개시내용은 정보 추천 기술의 분야, 특히 정보 추천 방법 및 정보 추천 장치에 관련한다.
정보 추천은 후보 추천 정보의 다수의 단편으로부터 높은 클릭 확률로 추천 정보를 선택하고, 선택된 추천 정보를 사용자에게 푸시하며, 따라서, 사용자에게 고도로 매칭되는 푸시된 정보를 형성하여 정보 추천의 효율을 촉진하는 것을 목적으로 한다. 예로서, 광고 추천은 일종의 전형적 정보 추천이며, 즉, 클릭 확률 순서에 따라 광고자에 의해 광고된 일련의 후보 광고를 정렬하고, 최고 클릭 확률을 갖는 광고를 사용자에게 푸시하기 위한 것이다.
정보 추천의 효율을 개선하기 위해, 정보 추천의 과정에서 사용자에 의해 클릭되는 추천 정보의 클릭 확률을 예측할 필요가 있다. 그리고, 추천 정보의 클릭 확률에 영향을 주는 인자는 추천 특징이라 지칭될 수 있으며, 추천 특징은 주로 사용자, 정보(예컨대, 광고) 및 정보 표시 위치(예컨대 광고 장소)를 포함하는 세 가지 유형을 포함하며, 각 유형의 추천 특징은 특정 콘텐츠를 포함한다. 현재, 사용자, 정보 및 정보 표시 위치인 세 가지 유형의 추천 특징을 포함하는 클릭 확률 예측 모델이 구축되어 있다. 그후, 정보 추천의 과정 동안, 가용 추천 특징이 특정 추천될 정보 및 추천 대상 사용자에 대해 선택되며, 클릭 확률 예측 모델에 추가되어 푸시 이후 추천될 정보의 클릭 확률을 예측한다.
클릭 확률의 예측 정확성을 향상시키기 위해, 클릭 확률의 예측 과정 동안 클릭 확률 예측 모델에 어떤 추천 특징이 추가되도록 선택되는지가 중요하다. 클릭 확률 예측 모델에 추가되는 추천 특징은 주로 더 정확한 추천 특징 선택 체계 없이 기술자의 주관적 분석에 주로 기초하여 선택된다. 따라서, 클릭 확률 예측 모델에 추가될 추천 특징을 정확하게 선택하여 후속하는 클릭 확률 예측의 정확성을 향상시키도록 정보 추천 방법을 제공하는 것이 중요하다.
따라서, 본 개시내용의 실시예에 따라 클릭 확률 예측 모델에 추가될 추천 특징을 정확하게 선택하여 후속하여 클릭 확률 예측의 정확성을 향상시키도록 정보 추천 방법 및 정보 추천 장치가 제공된다.
전술한 목적을 달성하기 위해, 본 개시내용의 실시예에 의거하여 다음의 기술적 해결책이 제공된다.
본 개시내용의 양태에 따라 정보 추천 방법이 제공되며, 이 방법은:
적어도 하나의 후보 추천 특징 인자를 결정하는 단계;
후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하는 단계;
설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자를 결정하고, 클릭 확률 예측 모델에 결정된 추천 특징 인자를 추가하는 단계; 및
클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계를 포함한다.
본 개시내용의 다른 양태에 따라 정보 추천 장치가 제공되며, 이 장치는:
적어도 하나의 후보 추천 특징 인자를 결정하도록 구성되는 후보 인자 결정 모듈;
후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하도록 구성되는 클릭 정보 양 차이 결정 모듈;
설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자를 결정하고, 클릭 확률 예측 모델에 결정된 추천 특징 인자를 추가하도록 구성되는 특징 선택 모듈; 및
클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하도록 구성되는 추천 정보 결정 모듈을 포함한다.
본 개시내용의 다른 양태에 따라서, 하나 이상의 컴퓨터 프로그램을 저장하기 위한 비휘발성 저장 매체가 제공되고, 컴퓨터 프로그램은 하나 이상의 메모리를 갖는 프로세서에 의해 실행가능한 명령어를 포함하고, 프로세서는 전술한 정보 추천 방법을 수행하기 위한 명령어를 실행한다.
전술한 기술적 해결책에 기초하여, 본 개시내용의 실시예에서, 추천 정보의 클릭 확률에 대한 추천 특징 인자의 변별성이 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측함으로써 결정된다. 설정된 양 차이 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자가 추천 정보의 클릭 확률에 대한 더 큰 변별성을 갖는 추천 특징 인자로서 결정되고, 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정된다. 본 개시내용의 실시예에서, 클릭 확률 예측 모델에 추가되도록 결정된 추천 특징 인자가 추천 정보의 클릭 확률에 더 큰 변별성을 가지기 때문에, 선택된 추천 특징 인자는 클릭 확률의 예측에 현저한 영향을 갖는다. 클릭 확률의 예측에 현저한 영향을 갖는 추천 특징 인자를 클릭 확률 예측 모델에 추가함으로써, 추천 특징은 더 정확하게 클릭 확률 예측 모델에 추가되도록 선택된다. 그리고, 클릭 확률 예측 모델에 추가된 추천 특징 인자는 후속하는 클릭 확률 예측 동안 추천 특징을 선택하기 위한 기준으로서 사용되어 클릭 확률 예측의 정확성을 향상시킨다.
본 개시내용의 실시예 또는 종래 기술에 따른 기술적 해결책이 더 명료해지도록 실시예 및 종래 기술의 설명에 사용되는 첨부 도면은 다음과 같이 간단히 설명된다. 다음 설명의 첨부 도면은 단지 본 개시내용의 일부 실시예를 예시하는 것임이 명백하다. 본 기술 분야의 숙련자는 어떠한 창의적 작업 없이도 이들 첨부 도면에 기초하여 다른 도면을 취득할 수 있다.
도 1은 본 개시내용의 실시예에 따른 정보 추천 방법의 흐름도이다.
도 2는 본 개시내용의 실시예에 따른 정보 추천 방법의 흐름도이다.
도 3은 본 개시내용의 실시예에 따른 정보 추천 방법에서 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계의 흐름도이다.
도 4는 광고 푸시를 예시하는 개략도이다.
도 5는 본 개시내용의 실시예에 따른 정보 추천 장치의 구조도이다.
도 6은 본 개시내용의 실시예에 따른 클릭 정보 양 차이 결정 모듈의 구조도이다.
도 7은 본 개시내용의 실시예에 따른 정보 엔트로피 결정 유닛의 구조도이다.
도 8은 본 개시내용의 실시예에 따른 정보 엔트로피 감소 결정 유닛의 구조도이다.
도 9는 본 개시내용의 실시예에 따른 클릭 정보 양 차이 결정 모듈의 구조도이다.
도 10은 본 개시내용의 실시예에 따른 정보 추천 장치의 추천 정보 결정 모듈의 구조도이다.
도 11은 본 개시내용의 실시예에 따른 전자 디바이스의 하드웨어의 구조도이다.
다음에 본 개시내용의 실시예에 따른 기술적 해결책을 본 개시내용의 실시예에서 첨부 도면과 연계하여 명확하고 완전하게 설명할 것이다. 설명된 실시예는 본 개시내용에 따른 실시예의 단지 일부임이 명백하다. 임의의 창의적 작업 없이 본 개시내용의 실시예에 기반하여 본 기술 분야의 숙련자가 취득하는 모든 다른 실시예는 본 개시내용의 보호 범위 내에 포함된다.
도 1은 본 개시내용의 실시예에 따른 정보 추천 방법의 흐름도이다. 본 방법은 데이터 처리 능력을 갖는 전자 디바이스에 적용될 수 있고, 바람직하게는 본 방법은 정보 추천을 수행할 수 있는 추천 서버에 적용된다. 도 1에 도시된 바와 같이, 정보 추천 방법은 다음의 단계 S100 내지 S130을 포함할 수 있다.
단계 S100에서, 적어도 하나의 후보 추천 특징 인자가 결정된다.
추천 특징 인자는 일 유형의 추천 특징에 포함된 특정 콘텐츠이다. 예로서, 사용자 유형 추천 특징은 연령, 성별, 지역, 사용된 인터넷 디바이스, 이력 클릭에 의해 반영된 관심 및 구매 거동 등 같은 추천 특징 인자를 포함할 수 있다.
본 개시내용의 본 실시예에서, 후보 추천 특징 인자는 클릭 확률 예측 모델에 추가되는지 여부가 분석될 추천 특징 인자이다.
선택적으로, 결정된 적어도 하나의 후보 추천 특징 인자는 동일 유형의 추천 특징에 속할 수 있고, 예로서, 적어도 하나의 후보 추천 특징 인자는 사용자 유형 추천 특징에 속한다. 선택적으로, 결정된 적어도 하나의 후보 추천 특징 인자에서, 추천 특징 인자의 일부는 사용자 유형 추천 특징에 속하고, 추천 특징 인자의 다른 부분은 정보 표시 위치 유형 추천 특징에 속한다.
단계 S110에서, 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이가 예측된다.
본 개시내용의 본 실시예에서 추천 특징 인자를 선택하는 원리는 클릭 확률 예측 모델에 추가될 필요가 있는 추천 특징 인자로서 추천 정보의 클릭 확률에 큰 영향을 갖는 추천 특징 인자를 결정하는 것이다.
예로서, 사용자 유형 추천 특징에서 추천 특징 인자로서 성별을 택함으로써, 추천 정보의 클릭 확률에 대한 성별의 영향이 예측되고, 즉, 성별의 추천 특징 인자가 고려되는 경우의 추천 정보의 클릭 확률과 성별의 추천 특징 인자가 고려되지 않는 경우의 추천 정보의 클릭 확률 사이의 차이가 예측된다. 성별에 의해 유발되는 추천 정보의 클릭 확률 사이의 차이가 큰 경우, 성별은 추천 정보의 클릭 확률에 큰 영향을 갖는 추천 특징 인자라고 고려된다.
추천 정보의 클릭 확률에 대한 추천 특징 인자의 영향은 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이에 의해 측정될 수 있다.
단계 S120에서, 설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자가 결정되고, 클릭 확률 예측 모델에 결정된 추천 특징 인자가 추가된다.
본 개시내용의 실시예에서, 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측한 이후, 더 큰 클릭 정보 양 차이에 대응하는 추천 특징 인자가 추천 정보의 클릭 확률에 큰 영향을 갖는 추천 특징 인자로서 결정될 수 있다. 따라서, 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정되고, 즉, 추천 특징 인자는 클릭 확률 예측 모델에 의해 추천 정보가 푸시된 이후 추천 정보의 클릭 확률 예측시에 고려되어야 한다.
본 개시내용의 본 실시예에서, 설정 양 차이 임계치 같은 설정 조건이 설정될 수 있다. 설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자가 클릭 확률 예측 모드에 추가되도록 결정된다. 예로서, 설정된 양 차이 임계치보다 큰 클릭 정보 양 차이에 대응하는 추천 특징 인자는 클릭 확률 예측 모델에 추가될 필요가 있다. 선택적으로, 본 개시내용의 본 실시예에서, 모든 추천 특징 인자는 모든 추천 특징 인자에 대응하는 클릭 정보 양 차이에 기초하여 정렬될 수 있고, 그 순서가 설정 범위 이내인 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정될 수 있다.
단계 S130에서, 클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보가 결정된다.
본 개시내용의 실시예에 의해 제공되는 정보 추천 방법은 적어도 하나의 후보 추천 특징 인자를 결정하는 단계; 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하는 단계; 설정 양 차이 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자를 결정하고 클릭 확률 예측 모델에 결정된 추천 특징 인자를 추가하는 단계 및 클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계를 포함한다.
본 개시내용의 실시예에서, 추천 정보의 클릭 확률에 대한 추천 특징 인자의 변별성이 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측함으로써 결정된다. 설정된 양 차이 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자가 추천 정보의 클릭 확률에 대한 더 큰 변별성을 갖는 추천 특징 인자로서 결정되고, 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정된다. 본 개시내용의 실시예에서, 클릭 확률 예측 모델에 추가되도록 결정된 추천 특징 인자가 추천 정보의 클릭 확률에 더 큰 변별성을 가지기 때문에, 선택된 추천 특징 인자는 클릭 확률의 예측에 현저한 영향을 갖는다. 클릭 확률의 예측에 현저한 영향을 갖는 추천 특징 인자를 클릭 확률 예측 모델에 추가함으로써, 추천 특징은 더 정확하게 클릭 확률 예측 모델에 추가되도록 선택된다. 그리고, 클릭 확률 예측 모델에 추가된 추천 특징 인자는 후속하는 클릭 확률 예측 동안 추천 특징을 선택하기 위한 기준으로서 사용되어 클릭 확률 예측의 정확성을 향상시킨다.
선택적으로, 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이는 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭의 증가에 의해 특징지어질 수 있다. 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭의 증가는 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 정보 엔트로피의 감소에 의해 특징지어질 수 있다. 즉, 정보 엔트로피의 감소는 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭의 증가로서 고려될 수 있다.
도 2는 본 개시내용의 실시예에 따른 정보 추천 방법의 흐름도이다. 도 2에 도시된 바와 같이, 본 방법은 다음 단계 S200 내지 S230을 포함할 수 있다.
단계 S200에서, 적어도 하나의 후보 추천 특징 인자가 결정된다.
단계 S210에서, 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 추천 정보의 제1 정보 엔트로피와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 추천 정보의 제2 정보 엔트로피가 예측된다.
선택적으로, 본 개시내용의 실시예에서, 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 추천 정보의 제1 정보 엔트로피는 공식
Figure pct00001
에 따라 예측될 수 있고, 여기서 f는 추천 특징 인자를 나타내고, y는 추천 정보가 클릭되는지 여부를 나타내는 타겟 값의 세트를 나타내고,
Figure pct00002
, p(f)는 후보 추천 특징 인자 f 가 발생하는 확률
Figure pct00003
을 나타내며,
Figure pct00004
는 f하에서 y의 조건부 확률, 예컨대, f하에서 추천 정보가 클릭되는 확률 및 추천 정보가 클릭되지 않는 확률을 나타낸다.
예로서, 추천 특징 인자 f(예컨대, 성별), 광고 ad 및 광고가 사용자에 의해 클릭되는지 여부를 나타내는 타겟 값의 세트 y에 대하여, y는 1과 -1의 세트일 수 있고, 여기서, 1은 광고가 사용자에 의해 클릭된다는 것을 나타낼 수 있고, -1은 광고가 사용자에 의해 클릭되지 않는다는 것을 나타낼 수 있다. 명백히, 1은 광고가 사용자에 의해 클릭된다는 것을 나타내도록 설정될 수 있고, -1은 광고가 사용자에 의해 클릭된다는 것을 나타낼 수 있다. 본 개시내용의 본 실시예에서, f가 클릭 확률 예측 모델에 추가되기 이전의 광고의 정보 엔트로피는 공식
Figure pct00005
에 따라 계산될 수 있다.
선택적으로, 본 개시내용의 본 실시예에서, 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 추천 정보의 제2 정보 엔트로피는 공식
Figure pct00006
에 따라 예측될 수 있고, 여기서, ad는 추천 정보를 나타내고,
Figure pct00007
는 f와 ad 발생의 결합 확률, 예컨대, 추천 정보와 f 둘 모두가 발생하는 확률
Figure pct00008
을 나타내고,
Figure pct00009
은 f와 ad하에서 y 의 조건부 확률, 예컨대, 특정 ad에 대하여, f하에서 사용자에 의해 ad가 클릭될 확률 및 ad가 사용자에 의해 클릭되지 않을 확률을 나타낸다.
예로서, 추천 특징 인자 f, 광고 ad 및 광고가 사용자에 의해 클릭되는지 여부를 나타내는 타겟 값의 세트 y에 대하여, 본 개시내용의 본 실시예에서, 클릭 확률 예측 모델에 f가 추가된 이후의 광고 ad의 정보 엔트로피는 공식
Figure pct00010
에 따라 계산될 수 있다.
단계 S220에서, 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 정보 엔트로피의 감소가 제1 정보 엔트로피 및 제2 정보 엔트로피에 기초하여 예측된다.
본 개시내용의 본 실시예에서, 정보 엔트로피의 감소는 제1 정보 엔트로피와 제2 정보 엔트로피를 가산함으로써 취득될 수 있다. 예로서, 제1 정보 엔트로피 및 제2 정보 엔트로피는 공식
Figure pct00011
에 따라 조합될 수 있고, 여기서, IG는 정보 엔트로피의 감소를 나타낸다.
정보 엔트로피의 감소는 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭의 증가에 대응한다.
단계 S230에서, 설정 정보 엔트로피 감소 조건을 충족하는 정보 엔트로피의 감소에 대응하는 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정된다.
설정 정보 엔트로피 감소 조건은 설정 양 차이 조건의 선택적 형태이다. 예로서, 본 개시내용의 본 실시예에서, 설정 정보 엔트로피 감소 값보다 작은 정보 엔트로피의 감소에 대응하는 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정될 수 있다. 선택적으로, 본 개시내용의 본 실시예에서, 모든 추천 특징 인자는 모든 추천 특징 인자 각각에 대응하는 정보 엔트로피의 감소 기초하여 정렬될 수 있고, 그 순서가 설정 범위 이내인 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정될 수 있다.
도 2에 도시된 방법의 구현예에 대한 설명이 이하에서 광고 푸시를 예로 들어 이루어진다.
온라인 광고 시스템은 알고리즘 세트를 통해 신속하게 그리고 자동으로 광고, 광고 환경 및 청중 사이의 최적 매칭을 검색한다. 자동 최적 매칭의 실현은 데이터 마이닝, 정보 검색, 텍스트 분석, 감성 컴퓨팅, 머신 러닝 등 같은 다수의 종류의 프로그램 알고리즘 사이의 상호작용에 기초한다. 청중이 매체에 진입하는 순간으로부터, 시스템은 사용자 모델의 수학적 시뮬레이션을 수행하고, 협력적 필터링 기술을 통해 청중의 관심 모델을 결정하고, 데이터베이스 검색 기술을 사용하여 최적 광고를 검색하고, 텍스트 분석 기술을 통해 광고 환경과 광고 사이의 관련성을 결정하고, 광고를 정렬하기 위해 로지스틱 회귀 모델로 사용자에 의한 클릭 확률을 예측하고, 최종적으로 광고를 정확하게 푸시한다. 클릭 확률을 예측하는 절차 동안, 예측 모델을 위한 적절한 특징을 선택하는 것은 중요한 단계이다. 일반적으로, 클릭 확률 예측 모델을 위한 특징은 세 가지 유형을 포함한다: 사용자 유형, 광고 장소 유형 및 광고 유형.
사용자 유형 특징은 일반적으로, 연령, 성별, 지역, 사용되는 인터넷 디바이스, 이력 클릭에 의해 반영된 관심, 및 사용자의 구매 거동 등을 포함한다. 사용자 유형 특징은 일반적으로 최종적으로 사용자를 그룹화하기 위해 사용되며, 따라서, 사용자 그룹의 광고의 관심이 학습된다.
광고 장소 유형 특징은 일반적으로 위치, 크기, 광고 장소의 컨텍스트 등 같은 특징을 포함한다. 상이한 광고 장소의 클릭 확률은 본질적으로 상이하다. 그리고, 광고 장소의 상이한 컨텍스트는 또한 광고의 상이한 클릭 확률을 초래한다.
사용자 유형 특징의 정보 이득은 상이한 사용자 그룹에 의해 클릭된 광고의 클릭 확률의 차이를 반영한다. 유사하게, 광고 장소 유형 특징의 정보 이득은 광고의 클릭 확률에 대한 상이한 광고 장소 유형 특징의 영향을 반영한다. 본 개시내용의 본 실시예에서, 사용자 그룹 또는 광고 장소 유형 특징에 대한 전체 클릭 확률을 예측하지 않고, 광고 장소 유형 특징과 사용자 유형 특징의 특정 추천 특징 인자에 기초하여 클릭 확률을 예측함으로써 모든 광고의 클릭 확률의 정확한 예측을 실현한다.
이에 기초하여, 클릭 확률 예측 모델에 추가되는 추천 특징 인자가 본 개시내용의 본 실시예에서 결정되어야 한다. 본 개시내용에서, 분석될 추천 특징 인자 f가 선택되고, 광고가 사용자에 의해 클릭되는지 여부를 나타내는 타겟 값의 세트 y(y=1,-1)가 특정 광고 ad에 대해 설정된다.
그리고 그후, 추천 특징 인자 f가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자 f가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 광고의 정보 엔트로피의 감소가 공식
Figure pct00012
에 따라 예측되고, 즉, 광고 ad에 대한 추천 특징 인자 f에 의해 유발된 정보 이득이 예측된다. 유사한 처리가 각 후보 추천 특징 인자에 대해 수행되어 각 추천 특징 인자에 대응하는 정보 엔트로피의 감소가 취득된다. 따라서, 설정 정보 엔트로피 감소 조건을 충족하는 정보 엔트로피의 감소에 대응하는 추천 특징 인자가 클릭 확률 예측 모델에 추가되도록 결정된다.
본 개시내용의 본 실시예에서, 추천 정보의 클릭 확률의 연역적 예측이 추천 특징 인자에 대해 수행되고, 클릭 확률에 대한 큰 변별성을 갖는 추천 특징 인자가 결정되며, 클릭 확률 예측 모델에 추가될 추천 특징이 정확하게 선택되고, 클릭 확률의 후속 예측의 정확성가 향상된다.
선택적으로, 클릭 확률 예측 모델에 추가될 추천 특징 인자를 결정한 이후, 추천 정보 ad에 대한 클릭 거동의 귀납적 확률이 다음의 공식에 따라 계산될 수 있다:
Figure pct00013
.
공식
Figure pct00014
은 다음과 같이 단순화된다:
Figure pct00015
즉,
Figure pct00016
.
따라서, 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 정보 엔트로피의 감소는 본 개시내용의 실시예에서 공식
Figure pct00017
에 따라 예측될 수 있고, 여기서 IG는 정보 엔트로피의 감소를 나타내고, f는 추천 특징 인자를 나타내고, ad는 추천 정보를 나타내고, y는 추천 정보가 클릭되는지 여부를 나타내는 타겟 값의 세트를 나타내고, p(f, ad, y)는 f, ad 및 y가 발생하는 결합 확률을 나타내며,
Figure pct00018
는 f 및 ad하에서의 y의 조건부 확률을 나타내고,
Figure pct00019
는 f하에서의 y의 조건부 확률을 나타낸다.
본 개시내용의 본 실시예에 제공된 정보 추천 방법에 따라서, 클릭 확률 예측 모델에 추가될 추천 특징이 정확하게 선택되고, 그에 의해, 후속하여 클릭 확률의 예측의 정확성을 향상시킨다.
앞서 설명한 정보 추천 방법에 기초하여, 정보 추천, 예로서, 광고 추천은 본 개시내용의 본 실시예의 클릭 확률 예측 모델에 추가될 추천 특징 인자를 결정한 이후에 수행된다.
도 3은 본 개시내용의 실시예에 따른 정보 추천 방법에서 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계의 흐름도이다. 도 3을 참조하면, 단계는 다음 단계 S300 내지 S350를 포함할 수 있다.
단계 S300에서, 클릭 확률 예측 모델 및 후보 추천 정보의 적어도 하나의 단편이 호출되고, 클릭 확률 예측 모델에 결정된 추천 특징 인자가 추가된다.
결정된 추천 특징 인자는 정보 추천 동안 클릭 확률 예측 모델에 의해 수행되는 계산에서 사용되는 특징을 선택하기 위한 기준 특징으로서 고려될 수 있다. 그리고, 그후, 기준 특징에 대응하는 사용자 특징 인자는 특정 추천 대상 사용자의 특징으로부터 결정되고, 기준 특징에 대응하는 정보 특징 인자는 특정 추천 정보의 특징으로부터 결정된다. 사용자 특징 인자 및 정보 특징 인자에 대응하는 클릭 확률은 클릭 확률 예측 모델을 통해 예측된다.
단계 S310에서, 추천 대상 사용자가 결정되고, 추천 대상 사용자의 사용자 특징의 적어도 하나의 추천 특징 인자에 대응하는 사용자 특징 인자가 취득된다.
단계 S320에서, 후보 추천 정보의 각 단편의 적어도 하나의 추천 특징 인자에 대응하는 정보 특징 인자가 결정된다.
단계 S330에서, 후보 추천 정보의 각 단편의 사용자 특징 인자 및 정보 특징 인자에 대응하는 클릭 확률은 클릭 확률 예측 모델에 기초하여 결정된다.
단계 S340에서, 추천 대상 사용자에게 푸시될 타겟 추천 정보는 후보 추천 정보의 각 단편의 클릭 확률에 기초하여 후보 추천 정보의 적어도 하나의 단편으로부터 결정된다.
선택적으로, 본 개시내용의 본 실시예에서, 후보 추천 정보의 모든 단편은 후보 추천 정보의 각 단편의 클릭 확률에 따라 정렬될 수 있고, 그 순서가 설정 요건을 충족하는 추천 정보가 푸시될 사용자에게 푸시되도록 타겟 추천 정보로서 결정될 수 있다.
단계 S350에서, 타겟 추천 정보가 추천 대상 사용자에게 푸시된다.
광고 푸시가 예로서 취해지고, 도 4는 광고 푸시를 예시하는 개략도이다.
도 4에서, 광고자에 의해 제공되는 광고 자료 등을 저장하기 위해 광고 풀이 사용된다.
광고 시스템은 디스플레이 페이지로부터 요청을 수신하고, 사용자 정보에 따라 광고 풀로부터 사용자 수요에 따른 광고를 추출하고, 클릭 확률 예측 모델에 의해 제공되는 클릭 확률을 참조하여 광고를 수행하기 위해 사용된다.
클릭 확률 예측 모델은 사용자가 광고 페이지를 방문할 때 사용자에 의한 페이지 상의 광고의 클릭 확률을 예측하기 위해 사용되고, 광고 페이지를 방문하는 사용자는 추천 대상 사용자로서 고려될 수 있다. 로지스틱 회귀 모델은 가장 간단한 클릭 확률 예측 모델이다. 사용자 u, 디스플레이 페이지 d 및 광고의 특징 a를 특징 벡터
Figure pct00020
로 조합하고, 사용자의 클릭 거동이 y∈(0,1)라고 가정하면, 로지스틱 회귀는 다음과 같이 기재될 수 있다:
Figure pct00021
. 모델의 파라미터 w는 이력의 사용자의 클릭 거동 기록
Figure pct00022
에 기초하여 SGD(stochastic gradient descent)를 사용하여 계산될 수 있다. 사용자의 새로운 요청에 대하여, 본 요청의 사용자의 클릭 거동의 확률 P0은 공식
Figure pct00023
에 따라 예측될 수 있다.
특징 선택은 사용자에 의한 광고의 클릭의 로그, 사용자 특징 등 같은 정보에 기초하여 후보 추천 특징 인자를 결정하고, 본 개시내용의 실시예에 제공된 정보 추천 방법을 사용하여 광고의 클릭 확률에 대한 큰 변별성을 갖는 추천 특징 인자를 결정하도록 사용된다. 결정된 추천 특징 인자는 클릭 확률 예측 모델에 추가되고, 광고의 클릭 확률이 클릭 확률 예측 모델에 기초하여 예측될 때 추천 특징을 선택하기 위한 기준으로서 사용된다.
사용자에 의한 광고에 대한 클릭 및 노출 거동은 클릭 노출 로그를 형성하도록 로그의 형태로 기록된다. 클릭 노출 로그의 콘텐츠는 사용자 ID, 발생된 클릭 또는 노출의 시간 등을 포함한다.
사용자의 관심, 거동 및 다른 특징을 마킹하기 위해 사용자의 방대한 기초 정보 데이터 및 클릭 거동 데이터를 분석함으로써 모든 사용자에게 특정 레이블을 할당하기 위해 사용자 초상이 사용된다.
본 개시내용의 본 실시예에서, 클릭 확률 예측 모델에 추가된 추천 특징을 정확하게 선택함으로써, 클릭 확률 예측 모델에 의해 예측된 사용자에 의한 추천 정보 클릭 확률의 정확성가 더 높고, 정보 추천이 더 정확하다.
본 개시내용의 실시예에서 제공되는 정보 추천 장치가 다음에 설명되며, 이는 앞서 설명한 정보 추천 방법에 대응한다.
도 5는 본 개시내용의 실시예에 따른 정보 추천 장치의 구조도이다. 장치는 데이터 처리 능력을 갖는 전자 디바이스에 적용될 수 있고, 바람직하게는 장치는 정보 추천을 수행할 수 있는 추천 서버에 적용된다. 도 5를 참조하면, 정보 추천 장치는 후보 인자 결정 모듈(100), 클릭 정보 양 차이 결정 모듈(110), 특징 선택 모듈(120) 및 추천 정보 결정 모듈(130)을 포함할 수 있다.
후보 인자 결정 모듈(100)은 적어도 하나의 후보 추천 특징 인자를 결정하도록 구성된다.
클릭 정보 양 차이 결정 모듈(110)은 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하도록 구성된다.
특징 선택 모듈(120)은 설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자를 결정하고, 클릭 확률 예측 모델에 결정된 추천 특징 인자를 추가하도록 구성된다.
추천 정보 결정 모듈(130)은 클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하도록 구성된다.
선택적으로, 도 6은 본 개시내용의 실시예에 따른 클릭 정보 양 차이 결정 모듈(110)의 선택적 구조를 예시한다. 도 6을 참조하면, 클릭 정보 양 차이 결정 모듈(110)은 정보 엔트로피 결정 유닛(111) 및 정보 엔트로피 감소 결정 유닛(112)을 포함할 수 있다.
정보 엔트로피 결정 유닛(111)은 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 추천 정보의 제1 정보 엔트로피와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 추천 정보의 제2 정보 엔트로피를 예측하도록 구성된다.
정보 엔트로피 감소 결정 유닛(112)은 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 정보 엔트로피의 감소를 제1 정보 엔트로피 및 제2 정보 엔트로피에 기초하여 예측하도록 구성되며, 정보 엔트로피의 감소는 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭의 증가에 대응한다.
선택적으로, 도 7은 본 개시내용의 실시예에 따른 정보 엔트로피 결정 유닛(111)의 선택적 구조를 예시한다. 도 7을 참조하면, 정보 엔트로피 결정 유닛(111)은 제1 정보 엔트로피 결정 서브-유닛(1111) 및 제2 정보 엔트로피 결정 서브-유닛(1112)을 포함할 수 있다.
제1 정보 엔트로피 결정 서브-유닛(1111)은 공식
Figure pct00024
에 따라 클릭 확률 예측 모델에 추천 특징 인자가 추가되기 이전의 추천 정보의 제1 정보 엔트로피를 예측하도록 구성되며;
여기서, f는 추천 특징 인자를 나타내고, y는 추천 정보가 클릭되는지 여부를 나타내는 타겟 값의 세트
Figure pct00025
를 나타내고, p(f)는 추천 특징 인자 f 발생의 확률
Figure pct00026
를 나타내고,
Figure pct00027
는 f하에서 y의 조건부 확률을 나타낸다.
제2 정보 엔트로피 결정 서브-유닛(1112)은 공식
Figure pct00028
에 따라 클릭 확률 예측 모델에 후보 추천 특징 인자가 추가된 이후의 추천 정보의 제2 정보 엔트로피를 예측하도록 구성되며;
여기서, ad는 추천 정보를 나타내고,
Figure pct00029
는 f와 ad 발생의 결합 확률
Figure pct00030
를 나타내고,
Figure pct00031
는 f 및 ad하에서 y 의 조건부 확률을 나타낸다.
도 8은 정보 엔트로피 감소 결정 유닛(112)의 선택적 구조를 예시한다. 도 8을 참조하면, 정보 엔트로피 감소 결정 유닛(112)은 공식
Figure pct00032
에 따라 추천 정보의 정보 엔트로피의 감소를 예측하도록 구성된 정보 엔트로피 조합 서브-유닛(1121)을 포함할 수 있고, 여기서 IG는 정보 엔트로피의 감소를 나타낸다.
선택적으로, 도 9는 본 개시내용의 실시예에 따른 클릭 정보 양 차이 결정 모듈(110)의 선택적 구조를 예시한다. 도 9를 참조하면, 클릭 정보 양 차이 결정 모듈(110)은 공식
Figure pct00033
에 따라 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 정보 엔트로피의 감소를 예측하도록 구성된 계산 유닛(113)을 포함할 수 있고;
여기서, IG는 정보 엔트로피의 감소를 나타내고, f는 추천 특징 인자를 나타내고, ad는 추천 정보를 나타내고, y는 추천 정보가 클릭되는지 여부를 나타내는 타겟 값의 세트
Figure pct00034
를 나타내고, p (f, ad, y)는 f, ad 및 y 발생의 결합 확률을 나타내고,
Figure pct00035
는 f 및 ad 하에서의 y의 조건부 확률을 나타내고,
Figure pct00036
는 f 하에서의 y의 조건부 확률을 나타낸다.
본 개시내용의 본 실시예에 제공되는 정보 추천 장치에 따라서, 클릭 확률 예측 모델에 추가될 추천 특징이 정확하게 선택되고, 후속 클릭 확률 예측의 정확성가 향상된다.
본 개시내용의 다른 실시예에서 정보 추천 장치가 제공되며, 이는 앞서 설명한 정보 추천 방법에 대응한다.
도 10은 본 개시내용의 실시예에 따른 정보 추천 장치의 추천 정보 결정 모듈(130)의 구조도이다. 도 10을 참조하면, 추천 정보 결정 모듈(130)은 호출 유닛(200), 사용자 특징 인자 결정 유닛(210), 정보 특징 인자 결정 유닛(220), 클릭 확률 예측 유닛(230), 타겟 추천 정보 결정 유닛(240) 및 푸시 유닛(250)을 포함할 수 있다.
호출 유닛(200)은 후보 추천 정보의 적어도 하나의 단편과 클릭 확률 예측 모델을 호출하도록 구성되며, 클릭 확률 예측 모델에는 결정된 적어도 하나의 추천 특징 인자가 추가된다.
사용자 특징 인자 결정 유닛(210)은 추천 대상 사용자를 결정하고 추천 대상 사용자의 사용자 특징의 적어도 하나의 추천 특징 인자에 대응하는 사용자 특징 인자를 취득하도록 구성된다.
정보 특징 인자 결정 유닛(220)은 후보 추천 정보의 각 단편의 적어도 하나의 추천 특징 인자에 대응하는 정보 특징 인자를 결정하도록 구성된다.
클릭 확률 예측 유닛(230)은 클릭 확률 예측 모델에 기초하여 후보 추천 정보의 각 단편의 정보 특징 인자 및 사용자 특징 인자에 대응하는 클릭 확률을 결정하도록 구성된다.
타겟 추천 정보 결정 유닛(240)은 후보 추천 정보의 각 단편의 클릭 확률에 기초하여 후보 추천 정보의 적어도 하나의 단편으로부터 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하도록 구성된다.
푸시 유닛(250)은 추천 대상 사용자에게 타겟 추천 정보를 푸시하도록 구성된다.
선택적으로, 도 11은 정보 추천 장치가 설치된 전자 디바이스의 하드웨어의 구조도이며, 전자 디바이스는 예로서 추천 서버일 수 있다. 도 11을 참조하면, 전자 디바이스는 프로세서(1), 통신 인터페이스(2), 메모리(3) 및 통신 버스(4)를 포함할 수 있다. 프로세서(1), 통신 인터페이스(2) 및 메모리(3)는 통신 버스(4)를 통해 서로 통신한다. 선택적으로, 통신 인터페이스(2)는 GSM 모듈의 인터페이스 같은 통신 모듈의 인터페이스일 수 있다. 프로세서(1)는 프로그램을 실행하도록 구성된다. 메모리(3)는 프로그램을 저장하도록 구성된다. 프로그램은 프로그램 코드를 포함할 수 있고, 프로그램 코드는 컴퓨터 동작 명령어를 포함할 수 있다.
프로세서(1)는 본 개시내용의 실시예를 구현하도록 구성되는 CPU(central processing unit) 또는 ASIC(application specific integrated circuit) 또는 하나 이상의 집적 회로일 수 있다.
메모리(3)는 고속 RAM(random access memory)를 포함할 수 있거나 비휘발성 메모리, 예컨대, 적어도 하나의 자기 디스크 메모리를 포함할 수 있다.
프로그램은 다음을 수행하도록 구성된다:
적어도 하나의 후보 추천 특징 인자를 결정;
후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측;
설정 조건을 충족하는 클릭 정보 양 차이에 대응하는 추천 특징 인자를 결정하고, 클릭 확률 예측 모델에 결정된 추천 특징 인자를 추가; 및
클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정.
본 명세서의 전술한 실시예는 점진적 방식으로 설명되어 있다. 실시예 각각은 다른 실시예로부터의 그 차이를 설명하는 데 주로 집중하며, 이들 실시예 사이의 동일 또는 유사 부분에 관하여서는 이들 실시예들에서 참조할 수 있다. 실시예에 개시된 장치에 대한 설명은 단순하며, 그 이유는 장치가 실시예에 개시된 방법에 대응하고, 관련 설명을 방법에 대한 설명에서 찾을 수 있기 때문이다.
본 기술 분야의 숙련자는 본 명세서에 설명된 실시예에 설명된 예와 조합하여, 방법 단계 및 유닛은 전자 하드웨어, 컴퓨터 소프트웨어 또는 그 조합에 의해 구현될 수 있다는 것을 알 수 있을 것이다. 하드웨어와 소프트웨어 사이의 상호교환성을 명백히 설명하기 위해, 앞서 기능에 따른 각 실시예의 단계 및 조성을 일반적으로 설명하였다. 기능들이 하드웨어에 의해 수행되는지 또는 소프트웨어에 의해 수행되는지는 기술적 해결책들의 특정한 용례 및 설계 제약 조건들에 의존한다. 본 기술 분야의 숙련자는 각 특정 용례를 위해 설명된 기능을 이행하기 위해 상이한 방법을 사용할 수 있지만, 이러한 구현이 본 개시내용의 범위를 초과하는 것으로 고려되지는 않아야 한다.
본 명세서에 개시되는 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 하드웨어, 프로세서에 의해 실행되는 소프트웨어 모듈, 또는 그것의 조합으로 직접 구현될 수 있다. 상기 소프트웨어 모듈은 RAM(Random Access Memory), 메모리, ROM(Read Only Memory), 전기적으로 프로그램 가능한 ROM, 전기적으로 소거가능하고 프로그램 가능한 ROM, 레지스터, 하드 디스크, 이동식 디스크, CD-ROM, 또는 본 분야에 잘 공지된 임의의 다른 형태의 저장 매체 내에 위치될 수 있다.
개시된 실시예에 대한 전술한 설명에 기초하여, 본 기술 분야의 숙련자는 본 출원을 사용하거나 수행할 수 있다. 본 기술 분야의 숙련자는 이들 실시예에 대한 다수의 수정을 이행할 수 있다는 것은 명백하다. 본 명세서에 정의된 일반적 원리는 본 출원의 개념 및 범위로부터 벗어나지 않고 다른 실시예에 적용될 수 있다. 따라서, 본 출원은 본 명세서에 예시된 실시예에 한정되지 않으며, 본 명세서에 개시된 원리와 신규한 특징에 일치하는 가장 넓은 범위에 의해 정의되어야 한다.

Claims (15)

  1. 정보 추천 방법으로서,
    적어도 하나의 후보 추천 특징 인자(candidate recommendation feature factor)를 결정하는 단계;
    상기 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하는 단계;
    설정 조건을 충족하는 상기 클릭 정보 양 차이에 대응하는 상기 추천 특징 인자를 결정하고, 상기 클릭 확률 예측 모델에 상기 결정된 추천 특징 인자를 추가하는 단계; 및
    상기 클릭 확률 예측 모델에 기초하여 추천 대상 사용자(to-be-recommended user)에게 푸시될 타겟 추천 정보를 결정하는 단계
    를 포함하는 정보 추천 방법.
  2. 제1항에 있어서,
    상기 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하는 단계는,
    상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 상기 추천 정보의 제1 정보 엔트로피, 및 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 상기 추천 정보의 제2 정보 엔트로피를 예측하는 단계; 및
    상기 제1 정보 엔트로피 및 상기 제2 정보 엔트로피에 기초하여, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 정보 엔트로피의 감소를 예측하는 단계 - 상기 정보 엔트로피의 감소는, 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 클릭의 증가에 대응함 -
    를 포함하는 정보 추천 방법.
  3. 제2항에 있어서,
    상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 상기 추천 정보의 제1 정보 엔트로피를 예측하는 단계는, 공식
    Figure pct00037
    에 따라, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 상기 추천 정보의 제1 정보 엔트로피를 예측하는 단계를 포함하고;
    여기서, f는 상기 후보 추천 특징 인자를 나타내고, y는 상기 추천 정보가 클릭되는지 여부를 나타내는 타겟 값들의 세트
    Figure pct00038
    를 나타내고, p(f)는 상기 후보 추천 특징 인자 f가 발생할 확률
    Figure pct00039
    를 나타내고,
    Figure pct00040
    는 f 하에서의 y의 조건부 확률을 나타내는 정보 추천 방법.
  4. 제3항에 있어서,
    상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 상기 추천 정보의 제2 정보 엔트로피를 예측하는 단계는, 공식
    Figure pct00041
    에 따라, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 상기 추천 정보의 제2 정보 엔트로피를 예측하는 단계를 포함하고;
    여기서, ad는 상기 추천 정보를 나타내고,
    Figure pct00042
    는 f 및 ad가 발생할 결합 확률(joint probability)
    Figure pct00043
    를 나타내고,
    Figure pct00044
    는 f 및 ad 하에서의 y 의 조건부 확률을 나타내는 정보 추천 방법.
  5. 제4항에 있어서,
    상기 제1 정보 엔트로피 및 상기 제2 정보 엔트로피에 기초하여, 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 정보 엔트로피의 감소를 예측하는 단계는, 공식
    Figure pct00045
    에 따라, 상기 추천 정보의 정보 엔트로피의 감소를 예측하는 단계를 포함하고, 여기서 IG는 상기 정보 엔트로피의 감소를 나타내는 정보 추천 방법.
  6. 제1항에 있어서,
    상기 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하는 단계는, 공식
    Figure pct00046
    에 따라, 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 정보 엔트로피의 감소를 예측하는 단계를 포함하고;
    여기서, IG는 상기 정보 엔트로피의 감소를 나타내고, f는 상기 추천 특징 인자를 나타내고, ad는 상기 추천 정보를 나타내고, y는 상기 추천 정보가 클릭되는지 여부를 나타내는 타겟 값들의 세트
    Figure pct00047
    를 나타내고, p (f, ad, y)는 f, ad 및 y가 발생할 결합 확률을 나타내고,
    Figure pct00048
    는 f 및 ad 하에서의 y의 조건부 확률을 나타내고,
    Figure pct00049
    는 f 하에서의 y의 조건부 확률을 나타내는 정보 추천 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계는,
    상기 클릭 확률 예측 모델 및 후보 추천 정보의 적어도 하나의 단편을 호출하는 단계 - 상기 클릭 확률 예측 모델에는 상기 결정된 추천 특징 인자가 추가됨 -;
    추천 대상 사용자를 결정하고, 상기 추천 대상 사용자의 사용자 특징들의, 상기 적어도 하나의 추천 특징 인자에 대응하는 사용자 특징 인자를 취득하는 단계;
    후보 추천 정보의 각각의 단편의, 상기 적어도 하나의 추천 특징 인자에 대응하는 정보 특징 인자를 결정하는 단계;
    상기 클릭 확률 예측 모델에 기초하여, 후보 추천 정보의 각각의 단편의, 상기 사용자 특징 인자 및 상기 정보 특징 인자에 대응하는 클릭 확률을 결정하는 단계;
    후보 추천 정보의 각각의 단편의 상기 클릭 확률에 기초하여 상기 후보 추천 정보의 적어도 하나의 단편으로부터 상기 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하는 단계; 및
    상기 추천 대상 사용자에게 상기 타겟 추천 정보를 푸시하는 단계
    를 포함하는 정보 추천 방법.
  8. 정보 추천 장치로서,
    적어도 하나의 후보 추천 특징 인자를 결정하도록 구성된 후보 인자 결정 모듈;
    상기 후보 추천 특징 인자가 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 추천 정보의 클릭 정보 양 차이를 예측하도록 구성된 클릭 정보 양 차이 결정 모듈;
    설정 조건을 충족하는 상기 클릭 정보 양 차이에 대응하는 상기 추천 특징 인자를 결정하고, 상기 클릭 확률 예측 모델에 상기 결정된 추천 특징 인자를 추가하도록 구성된 특징 선택 모듈; 및
    상기 클릭 확률 예측 모델에 기초하여 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하도록 구성된 추천 정보 결정 모듈
    을 포함하는 정보 추천 장치.
  9. 제8항에 있어서,
    상기 클릭 정보 양 차이 결정 모듈은,
    상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 상기 추천 정보의 제1 정보 엔트로피, 및 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 상기 추천 정보의 제2 정보 엔트로피를 예측하도록 구성된 정보 엔트로피 결정 유닛; 및
    상기 제1 정보 엔트로피 및 상기 제2 정보 엔트로피에 기초하여, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 정보 엔트로피의 감소를 예측하도록 구성된 정보 엔트로피 감소 결정 유닛 - 상기 정보 엔트로피의 감소는, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 클릭의 증가에 대응함 -
    을 포함하는 정보 추천 장치.
  10. 제9항에 있어서,
    상기 정보 엔트로피 결정 유닛은, 공식
    Figure pct00050
    에 따라, 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 상기 추천 정보의 제1 정보 엔트로피를 예측하도록 구성된 제1 정보 엔트로피 결정 서브-유닛을 포함하고,
    여기서, f는 상기 추천 특징 인자를 나타내고, y는 상기 추천 정보가 클릭되는지 여부를 나타내는 타겟 값들의 세트
    Figure pct00051
    를 나타내고, p(f)는 상기 추천 특징 인자 f가 발생할 확률
    Figure pct00052
    를 나타내고,
    Figure pct00053
    은 f 하에서의 y의 조건부 확률을 나타내는 정보 추천 장치.
  11. 제10항에 있어서,
    상기 정보 엔트로피 결정 유닛은, 공식
    Figure pct00054
    에 따라, 상기 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 상기 추천 정보의 제2 정보 엔트로피를 예측하도록 구성된 제2 정보 엔트로피 결정 서브-유닛을 더 포함하고,
    여기서, ad는 상기 추천 정보를 나타내고,
    Figure pct00055
    는 f 및 ad가 발생할 결합 확률
    Figure pct00056
    를 나타내고,
    Figure pct00057
    는 f 및 ad 하에서의 y 의 조건부 확률을 나타내는 정보 추천 장치.
  12. 제11항에 있어서,
    상기 정보 엔트로피 감소 결정 유닛은, 공식
    Figure pct00058
    에 따라, 상기 추천 정보의 정보 엔트로피의 감소를 예측하도록 구성된 정보 엔트로피 조합 서브-유닛을 포함하고, 여기서 IG는 상기 정보 엔트로피의 감소를 나타내는 정보 추천 장치.
  13. 제8항에 있어서,
    상기 클릭 정보 양 차이 결정 모듈은, 공식
    Figure pct00059
    에 따라, 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가되기 이전의 경우와 상기 후보 추천 특징 인자가 상기 클릭 확률 예측 모델에 추가된 이후의 경우 사이의 상기 추천 정보의 정보 엔트로피의 감소를 예측하도록 구성된 계산 유닛을 포함하고,
    여기서, IG는 상기 정보 엔트로피의 감소를 나타내고, f는 상기 추천 특징 인자를 나타내고, ad는 상기 추천 정보를 나타내고, y는 상기 추천 정보가 클릭되는지 여부를 나타내는 타겟 값들의 세트
    Figure pct00060
    를 나타내고, p (f, ad, y)는 f, ad 및 y가 발생할 결합 확률을 나타내고,
    Figure pct00061
    는 f 및 ad 하에서의 y의 조건부 확률을 나타내고,
    Figure pct00062
    는 f 하에서의 y의 조건부 확률을 나타내는 정보 추천 장치.
  14. 제8항 내지 제13항 중 어느 한 항에 있어서,
    상기 추천 정보 결정 모듈은,
    상기 클릭 확률 예측 모델 및 후보 추천 정보의 적어도 하나의 단편을 호출하도록 구성된 호출 유닛 - 상기 클릭 확률 예측 모델에는 상기 결정된 적어도 하나의 추천 특징 인자가 추가됨 -;
    추천 대상 사용자를 결정하고, 상기 추천 대상 사용자의 사용자 특징들의, 상기 적어도 하나의 추천 특징 인자에 대응하는 사용자 특징 인자를 취득하도록 구성된 사용자 특징 인자 결정 유닛;
    후보 추천 정보의 각각의 단편의, 상기 적어도 하나의 추천 특징 인자에 대응하는 정보 특징 인자를 결정하도록 구성된 정보 특징 인자 결정 유닛;
    상기 클릭 확률 예측 모델에 기초하여, 후보 추천 정보의 각각의 단편의, 상기 사용자 특징 인자 및 상기 정보 특징 인자에 대응하는 클릭 확률을 결정하도록 구성된 클릭 확률 예측 유닛;
    후보 추천 정보의 각각의 단편의 상기 클릭 확률에 기초하여 상기 후보 추천 정보의 적어도 하나의 단편으로부터 상기 추천 대상 사용자에게 푸시될 타겟 추천 정보를 결정하도록 구성된 타겟 추천 정보 결정 유닛; 및
    상기 추천 대상 사용자에게 상기 타겟 추천 정보를 푸시하도록 구성된 푸시 유닛
    을 포함하는 정보 추천 장치.
  15. 하나 이상의 컴퓨터 프로그램을 저장하기 위한 비휘발성 저장 매체로서,
    상기 컴퓨터 프로그램들은 하나 이상의 메모리를 갖는 프로세서에 의해 실행가능한 명령어들을 포함하고; 상기 프로세서는 상기 명령어들을 실행하여 제1항 내지 제7항 중 어느 한 항에 따른 정보 추천 방법을 수행하는 비휘발성 저장 매체.
KR1020177034700A 2016-01-12 2017-01-10 정보 추천 방법 및 장치 KR101999471B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201610017754.7A CN105678587B (zh) 2016-01-12 2016-01-12 一种推荐特征确定方法、信息推荐方法及装置
CN201610017754.7 2016-01-12
PCT/CN2017/070764 WO2017121314A1 (zh) 2016-01-12 2017-01-10 信息推荐方法及装置

Publications (2)

Publication Number Publication Date
KR20170141247A true KR20170141247A (ko) 2017-12-22
KR101999471B1 KR101999471B1 (ko) 2019-10-01

Family

ID=56300069

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177034700A KR101999471B1 (ko) 2016-01-12 2017-01-10 정보 추천 방법 및 장치

Country Status (5)

Country Link
US (1) US11301525B2 (ko)
JP (1) JP6588572B2 (ko)
KR (1) KR101999471B1 (ko)
CN (1) CN105678587B (ko)
WO (1) WO2017121314A1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678587B (zh) 2016-01-12 2020-11-24 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置
CN108268464B (zh) * 2016-12-30 2021-01-12 广东精点数据科技股份有限公司 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN107172151B (zh) * 2017-05-18 2020-08-07 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN107613022B (zh) * 2017-10-20 2020-10-16 阿里巴巴（中国）有限公司 内容推送方法、装置及计算机设备
US11238358B2 (en) * 2017-12-18 2022-02-01 Microsoft Technology Licensing, Llc Predicting site visit based on intervention
CN110110210A (zh) * 2018-01-22 2019-08-09 腾讯科技（北京）有限公司 推送展示信息的方法和装置
JP7217097B2 (ja) * 2018-06-26 2023-02-02 株式会社Lifull 照会確率提示装置、照会確率提示プログラム、照会確率提示方法、及び情報提供システム
JP7217096B2 (ja) * 2018-06-26 2023-02-02 株式会社Lifull 広告オプション割当装置、広告オプション割当プログラム、広告オプション割当方法、及び情報提供システム
CN110781374A (zh) * 2018-07-13 2020-02-11 北京字节跳动网络技术有限公司 用户数据匹配方法、装置、电子设备和计算机可读介质
CN109255070B (zh) * 2018-08-01 2022-04-12 百度在线网络技术（北京）有限公司 推荐信息处理方法、装置、计算机设备及存储介质
CN109165742A (zh) * 2018-08-28 2019-01-08 北京百度网讯科技有限公司 推荐方法、装置、存储介质和终端设备
CN109272360B (zh) * 2018-09-28 2021-09-10 有米科技股份有限公司 一种广告智能推荐方法、系统及装置
CN111598638B (zh) * 2019-02-21 2023-11-07 北京沃东天骏信息技术有限公司 点击率确定方法、装置及设备
CN110413358B (zh) * 2019-06-27 2022-03-04 创新先进技术有限公司 页面的展示方法及装置
CN111159241B (zh) * 2019-12-20 2023-04-07 深圳前海微众银行股份有限公司 一种点击转化预估方法及装置
CN111914172B (zh) * 2020-07-29 2021-09-10 上海梅斯医药科技有限公司 一种基于用户标签的医学信息推荐方法及系统
CN112115365B (zh) * 2020-09-25 2021-09-14 贝壳找房(北京)科技有限公司 模型协同优化的方法、装置、介质和电子设备
CN113763103A (zh) * 2021-01-19 2021-12-07 北京沃东天骏信息技术有限公司 一种物品搭配关系确定方法、装置、电子设备和存储介质
US11803253B2 (en) * 2021-11-29 2023-10-31 International Business Machines Corporation Keyword recommendations for virtual keyboards

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080043764A (ko) * 2005-06-28 2008-05-19 초이스스트림, 인코포레이티드 타게팅 광고용 통계 시스템에 관한 방법 및 장치

Family Cites Families (92)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6460036B1 (en) * 1994-11-29 2002-10-01 Pinpoint Incorporated System and method for providing customized electronic newspapers and target advertisements
US5948061A (en) * 1996-10-29 1999-09-07 Double Click, Inc. Method of delivery, targeting, and measuring advertising over networks
US6286005B1 (en) * 1998-03-11 2001-09-04 Cannon Holdings, L.L.C. Method and apparatus for analyzing data and advertising optimization
US6907566B1 (en) * 1999-04-02 2005-06-14 Overture Services, Inc. Method and system for optimum placement of advertisements on a webpage
US6981040B1 (en) * 1999-12-28 2005-12-27 Utopy, Inc. Automatic, personalized online information and product services
US20040151250A1 (en) * 2001-06-11 2004-08-05 Witterbrood Rimmert B. Feature point selection
US20100138451A1 (en) * 2006-04-03 2010-06-03 Assaf Henkin Techniques for facilitating on-line contextual analysis and advertising
US7937345B2 (en) * 2006-07-12 2011-05-03 Kofax, Inc. Data classification methods using machine learning techniques
US20080103897A1 (en) * 2006-10-25 2008-05-01 Microsoft Corporation Normalizing and tracking user attributes for transactions in an advertising exchange
US20080109285A1 (en) * 2006-10-26 2008-05-08 Mobile Content Networks, Inc. Techniques for determining relevant advertisements in response to queries
US8175914B1 (en) * 2007-07-30 2012-05-08 Google Inc. Automatic adjustment of advertiser bids to equalize cost-per-conversion among publishers for an advertisement
US20090063268A1 (en) * 2007-09-04 2009-03-05 Burgess David A Targeting Using Historical Data
US7912843B2 (en) * 2007-10-29 2011-03-22 Yahoo! Inc. Method for selecting electronic advertisements using machine translation techniques
US9203912B2 (en) * 2007-11-14 2015-12-01 Qualcomm Incorporated Method and system for message value calculation in a mobile environment
US9734460B1 (en) * 2008-06-13 2017-08-15 Google Inc. Adjusting participation of content in a selection process
US8738436B2 (en) * 2008-09-30 2014-05-27 Yahoo! Inc. Click through rate prediction system and method
US20100262456A1 (en) * 2009-04-08 2010-10-14 Jun Feng System and Method for Deep Targeting Advertisement Based on Social Behaviors
JP5519210B2 (ja) * 2009-08-10 2014-06-11 株式会社エイチアイ モデル生成装置、モデル生成方法、情報処理システム、及びプログラム
US20110093331A1 (en) * 2009-10-19 2011-04-21 Donald Metzler Term Weighting for Contextual Advertising
US9760802B2 (en) * 2010-01-27 2017-09-12 Ebay Inc. Probabilistic recommendation of an item
US20110313842A1 (en) * 2010-03-24 2011-12-22 Taykey Ltd. System and methods thereof for providing an advertisement placement recommendation based on trends
US8655695B1 (en) * 2010-05-07 2014-02-18 Aol Advertising Inc. Systems and methods for generating expanded user segments
US8510658B2 (en) * 2010-08-11 2013-08-13 Apple Inc. Population segmentation
US20120150626A1 (en) * 2010-12-10 2012-06-14 Zhang Ruofei Bruce System and Method for Automated Recommendation of Advertisement Targeting Attributes
US9104960B2 (en) * 2011-06-20 2015-08-11 Microsoft Technology Licensing, Llc Click prediction using bin counting
WO2013052936A1 (en) * 2011-10-06 2013-04-11 Infersystems Corp. Automated allocation of media via network
CN102346899A (zh) * 2011-10-08 2012-02-08 亿赞普(北京)科技有限公司 一种基于用户行为的广告点击率预测方法和装置
CN103092877B (zh) * 2011-11-04 2016-09-07 百度在线网络技术（北京）有限公司 一种关键词推荐方法和装置
US20130138507A1 (en) * 2011-11-30 2013-05-30 Amit Kumar Predictive modeling for e-commerce advertising systems and methods
US20130191223A1 (en) * 2012-01-20 2013-07-25 Visa International Service Association Systems and methods to determine user preferences for targeted offers
US20140372350A1 (en) * 2012-02-09 2014-12-18 Kenshoo Ltd. System, A Method and a Computer Program Product for Performance Assessment
US20130211905A1 (en) * 2012-02-13 2013-08-15 Microsoft Corporation Attractiveness-based online advertisement click prediction
CN103246686A (zh) * 2012-02-14 2013-08-14 阿里巴巴集团控股有限公司 文本分类方法和装置及文本分类的特征处理方法和装置
JP2013205170A (ja) * 2012-03-28 2013-10-07 Sony Corp 情報処理装置、情報処理方法、およびプログラム
EP2688029A1 (en) * 2012-04-11 2014-01-22 Taboola.com Ltd. Click through rate estimation in varying display situations
US20130346182A1 (en) * 2012-06-20 2013-12-26 Yahoo! Inc. Multimedia features for click prediction of new advertisements
CN102821465B (zh) * 2012-09-07 2014-11-26 哈尔滨工业大学 基于分区信息熵增益的wlan室内定位方法
US20140101685A1 (en) * 2012-10-04 2014-04-10 Lucid Commerce, Inc. Continuous optimization of advertising campaigns based on real time tracking
US20140149223A1 (en) * 2012-11-29 2014-05-29 Nipun Mathur Targeted Advertisements In Mobile Applications
US9129227B1 (en) * 2012-12-31 2015-09-08 Google Inc. Methods, systems, and media for recommending content items based on topics
US20140207564A1 (en) * 2013-01-18 2014-07-24 Linkedln Corporation System and method for serving electronic content
US20140236705A1 (en) * 2013-02-15 2014-08-21 Turn Inc. Method and apparatus for data-driven multi-touch attribution determination in multichannel advertising campaigns
US20140372202A1 (en) * 2013-06-17 2014-12-18 Google Inc. Predicting performance of content items using loss functions
US20150006295A1 (en) * 2013-06-28 2015-01-01 Linkedln Corporation Targeting users based on previous advertising campaigns
US20150006294A1 (en) * 2013-06-28 2015-01-01 Linkedln Corporation Targeting rules based on previous recommendations
US20150006286A1 (en) * 2013-06-28 2015-01-01 Linkedin Corporation Targeting users based on categorical content interactions
US9767489B1 (en) * 2013-08-30 2017-09-19 Google Inc. Content item impression effect decay
US20160255139A1 (en) * 2016-03-12 2016-09-01 Yogesh Chunilal Rathod Structured updated status, requests, user data & programming based presenting & accessing of connections or connectable users or entities and/or link(s)
CN104572734B (zh) * 2013-10-23 2019-04-30 腾讯科技（深圳）有限公司 问题推荐方法、装置及系统
US10832281B1 (en) * 2013-12-20 2020-11-10 Groupon, Inc. Systems, apparatus, and methods for providing promotions based on consumer interactions
WO2015096146A1 (en) * 2013-12-27 2015-07-02 Yahoo! Inc. Systems and methods for a unified audience targeting solution
CN103747537B (zh) * 2014-01-15 2017-05-03 广东交通职业技术学院 一种基于熵度量的无线传感器网络离群数据自适应检测方法
CN104834641B (zh) * 2014-02-11 2019-03-15 腾讯科技（北京）有限公司 网络媒介信息的处理方法和相关系统
US20150235260A1 (en) * 2014-02-20 2015-08-20 Linkedln Corporation Forecasting electronic events
US9727818B1 (en) * 2014-02-23 2017-08-08 Google Inc. Impression effect modeling for content items
WO2015138016A1 (en) * 2014-03-13 2015-09-17 The Nielsen Company (Us), Llc Methods and apparatus to compensate impression data for misattribution and/or non-coverage by a database proprietor
US9836765B2 (en) * 2014-05-19 2017-12-05 Kibo Software, Inc. System and method for context-aware recommendation through user activity change detection
US10963810B2 (en) * 2014-06-30 2021-03-30 Amazon Technologies, Inc. Efficient duplicate detection for machine learning data sets
US20150379571A1 (en) * 2014-06-30 2015-12-31 Yahoo! Inc. Systems and methods for search retargeting using directed distributed query word representations
US9886670B2 (en) * 2014-06-30 2018-02-06 Amazon Technologies, Inc. Feature processing recipes for machine learning
US10452992B2 (en) * 2014-06-30 2019-10-22 Amazon Technologies, Inc. Interactive interfaces for machine learning model evaluations
US10528981B2 (en) * 2014-07-18 2020-01-07 Facebook, Inc. Expansion of targeting criteria using an advertisement performance metric to maintain revenue
US10318983B2 (en) * 2014-07-18 2019-06-11 Facebook, Inc. Expansion of targeting criteria based on advertisement performance
US10706439B1 (en) * 2014-07-30 2020-07-07 Groupon, Inc. Predictive recommendation system using tiered feature data
US20160180248A1 (en) * 2014-08-21 2016-06-23 Peder Regan Context based learning
WO2016037278A1 (en) * 2014-09-10 2016-03-17 Sysomos L.P. Systems and methods for continuous analysis and procurement of advertisement campaigns
JP6129802B2 (ja) * 2014-09-19 2017-05-17 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
US10296546B2 (en) * 2014-11-24 2019-05-21 Adobe Inc. Automatic aggregation of online user profiles
US20160210657A1 (en) * 2014-12-30 2016-07-21 Anto Chittilappilly Real-time marketing campaign stimuli selection based on user response predictions
US20160253325A1 (en) * 2014-12-30 2016-09-01 Socialtopias, Llc Method and apparatus for programmatically adjusting the relative importance of content data as behavioral data changes
US10671679B2 (en) * 2014-12-30 2020-06-02 Oath Inc. Method and system for enhanced content recommendation
US20160189239A1 (en) * 2014-12-30 2016-06-30 Yahoo!, Inc. Advertisement generator
US20160210658A1 (en) * 2014-12-31 2016-07-21 Anto Chittilappilly Determining touchpoint attributions in a segmented media campaign
US20160189202A1 (en) * 2014-12-31 2016-06-30 Yahoo! Inc. Systems and methods for measuring complex online strategy effectiveness
US20160232575A1 (en) * 2015-02-06 2016-08-11 Facebook, Inc. Determining a number of cluster groups associated with content identifying users eligible to receive the content
US10497024B2 (en) * 2015-04-28 2019-12-03 Facebook, Inc. Identifying content to present to a group of online system users based on user actions and specified by a third-party system
WO2016201631A1 (en) * 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation
CN105046277B (zh) * 2015-07-15 2019-06-14 华南农业大学 特征显著性在图像质量评价中的鲁棒机理研究方法
CN105183772A (zh) * 2015-08-07 2015-12-23 百度在线网络技术（北京）有限公司 投放信息点击率预估方法及装置
US10127573B2 (en) * 2015-11-13 2018-11-13 Facebook, Inc. Framework for evaluating targeting models
US10057199B2 (en) * 2015-11-16 2018-08-21 Facebook, Inc. Ranking and filtering comments based on impression calculations
US10242386B2 (en) * 2015-12-16 2019-03-26 Facebook, Inc. Grouping users into tiers based on similarity to a group of seed users
US20170178199A1 (en) * 2015-12-22 2017-06-22 Intuit Inc. Method and system for adaptively providing personalized marketing experiences to potential customers and users of a tax return preparation system
US20170186047A1 (en) * 2015-12-28 2017-06-29 International Business Machines Corporation Optimization of audience groups in online advertising bidding
CN105678587B (zh) * 2016-01-12 2020-11-24 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置
US20170236073A1 (en) * 2016-02-12 2017-08-17 Linkedln Corporation Machine learned candidate selection on inverted indices
US10200485B2 (en) * 2016-04-05 2019-02-05 Facebook, Inc. Pushing news feed content to client devices
US20180189074A1 (en) * 2017-01-03 2018-07-05 Facebook, Inc. Postview of content items for dynamic creative optimization
US20190197176A1 (en) * 2017-12-21 2019-06-27 Microsoft Technology Licensing, Llc Identifying relationships between entities using machine learning
US10740825B1 (en) * 2018-04-10 2020-08-11 Facebook, Inc. User clustering in a latent space for identifying user interest in a content item
CN109614794A (zh) * 2018-12-12 2019-04-12 中国科学院计算机网络信息中心 基于信息增益的特征选择方法、装置及存储介质
CN111159564A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 信息推荐方法、装置、存储介质及计算机设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080043764A (ko) * 2005-06-28 2008-05-19 초이스스트림, 인코포레이티드 타게팅 광고용 통계 시스템에 관한 방법 및 장치

Also Published As

Publication number Publication date
KR101999471B1 (ko) 2019-10-01
CN105678587A (zh) 2016-06-15
US11301525B2 (en) 2022-04-12
WO2017121314A1 (zh) 2017-07-20
US20180081978A1 (en) 2018-03-22
JP2018526710A (ja) 2018-09-13
CN105678587B (zh) 2020-11-24
JP6588572B2 (ja) 2019-10-09

Similar Documents

Publication Publication Date Title
KR101999471B1 (ko) 정보 추천 방법 및 장치
JP6494801B2 (ja) 情報推奨方法および装置、ならびにサーバ
US11443015B2 (en) Generating prediction models in accordance with any specific data sets
CN102262647B (zh) 信息处理装置、信息处理方法和程序
TW201812689A (zh) 惡意地址／惡意訂單的識別系統、方法及裝置
US20190311395A1 (en) Estimating click-through rate
EP3279806A1 (en) Data processing method and apparatus
WO2018192348A1 (zh) 数据处理方法、装置及服务器
CA3121190C (en) Systems and methods for implementing search and recommendation tools for attorney selection
CN109168052B (zh) 服务满意度的确定方法、装置及计算设备
JP6653374B2 (ja) ユーザニーズを決定するための方法及び装置
CN110162609B (zh) 用于向用户推荐咨询问题的方法及装置
CN110490595B (zh) 一种风险控制方法和装置
JP2017535866A (ja) ランキング関数のオフライン評価
CN107784551A (zh) 股票舆情数据处理方法、装置、计算机设备和存储介质
CN103324641B (zh) 信息记录推荐方法和装置
CN107330709B (zh) 确定目标对象的方法及装置
CN108805332B (zh) 一种特征评估方法和装置
US11093957B2 (en) Techniques to quantify effectiveness of site-wide actions
US20110113006A1 (en) Business process control apparatus, businesses process control method and business process control program
CN108154377B (zh) 广告作弊预测方法及装置
CN116415063A (zh) 云服务推荐方法及装置
CN112561569B (zh) 基于双模型的到店预测方法、系统、电子设备及存储介质
CN112862223A (zh) 业务活动价值的评估方法、装置、决策方法、设备、介质
JP4689701B2 (ja) 広告評価方法、コンピュータ読み取り可能な記録媒体、広告評価システム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right