WO2022116431A1 - 一种点击通过率ctr预测方法及装置 - Google Patents
一种点击通过率ctr预测方法及装置 Download PDFInfo
- Publication number
- WO2022116431A1 WO2022116431A1 PCT/CN2021/083530 CN2021083530W WO2022116431A1 WO 2022116431 A1 WO2022116431 A1 WO 2022116431A1 CN 2021083530 W CN2021083530 W CN 2021083530W WO 2022116431 A1 WO2022116431 A1 WO 2022116431A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- user
- model
- devices
- model parameters
- target
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/0242—Determining effectiveness of 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0277—Online advertisement
Abstract
一种点击通过率CTR预测方法及装置。点击通过率CTR预测方法包括:第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数(S201);第一设备将第一模型参数发送至第二设备(S202);第二设备对多个第一设备对应的第一模型参数进行优化,生成第二模型参数(S203);第二设备将第二模型参数分别发送至多个第一设备(S204);第一设备将第一模型的第一模型参数更新为第二模型参数并训练,直至第二模型参数的损失值收敛,获得第二模型(S205);第一设备基于第二模型预测用户分别点击不同类型的广告中每一类广告的概率(S206)。可以为不同类别的候选广告做点击预测,提高广告投放效率。
Description
本申请要求于2020年12月2日提交中国专利局、申请号为202011393094.5,发明名称为“一种点击通过率CTR预测方法及装置”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
本申请涉及人工智能技术领域,尤其涉及一种点击通过率CTR预测方法及装置。
点击通过率(Click Through Rate,CTR)是指用户查看了广告之后,点击广告的概率,它能够反映广告的受关注程度,通常用来评估广告投放的效率。发明人意识到,目前的CTR预测方法中,我们需要考虑用户特征的数量以及不同特征之间的组合,然而在大多数实际情况下,不同的平台往往只能获取到有限维度的用户特征。为了提高平台的广告投放效率,需要综合用户各个方面的因素进行考虑,比如近期工作地点或家庭地址的变动、购物网站的浏览记录、游戏的在线时段等等,这些数据可能来自于不同的平台,由于商业竞争或者相关隐私保护规定,各方的数据是相互隔离的,难以实现联合建模。
因此,我们需要考虑如何在保证数据安全的前提下,利用不同平台的用户数据来优化广告投放,提高广告点击率,给用户带来更好的体验。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种预测点击通过率的训练生成方法及装置。
第一方面,本申请实施例提供了一种点击通过率CTR预测方法,应用于第一设备,可包括:
第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述第一设备为多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
所述第一设备将所述第一模型参数发送至第二设备;
所述第一设备接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;
所述第一设备将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;
所述第一设备基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
第二方面,本申请实施例提供了另一种点击通过率CTR预测方法,应用于第二设备,包括:
所述第二设备接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
所述第二设备对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;
所述第二设备将所述第二模型参数分别发送至所述多个第一设备。
第三方面,本申请实施例提供了一种点击通过率CTR预测装置,应用于第一设备,包括:
第一训练单元,用于基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述第一设备为多个第一设备中的任意一个,所述用户数据包括用户对多个 类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
第一发送单元,用于将所述第一模型参数发送至第二设备;
第一接收单元,用于接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;
第二训练单元,用于将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;
预测单元,用于基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
第四方面,本申请实施例提供了另一种点击通过率CTR预测装置,应用于第二设备,包括:
第三接收单元,用于接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
优化单元,用于对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;
第三发送单元,用于将所述第二模型参数分别发送至所述多个第一设备。
第五方面,本申请实施例提供了又一种点击通过率CTR预测装置,包括存储组件,处理组件和通信组件,存储组件,处理组件和通信组件相互连接,其中,存储组件用于存储计算机程序,通信组件用于与外部设备进行信息交互;处理组件被配置用于调用计算机程序,执行以下方法:
基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述CTR预测装置为多个第一设备中的任意一个或者设置于所述多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
将所述第一模型参数发送至第二设备;
接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;
将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;
基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
第六方面,本申请实施例提供了又一种点击通过率CTR预测装置,包括存储组件,处理组件和通信组件,存储组件,处理组件和通信组件相互连接,其中,存储组件用于存储计算机程序,通信组件用于与外部设备进行信息交互;处理组件被配置用于调用计算机程序,执行以下方法:
接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;
将所述第二模型参数分别发送至所述多个第一设备。
第七方面,本申请实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现以下方法:
基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
将所述第一模型参数发送至第二设备;
接收所述第二设备发送的第二模型参数,所述第二模型参数为基于多个第一设备分别对应的第一模型参数确定的;
将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;
基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
第八方面,本申请实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现以下方法:
接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;
将所述第二模型参数分别发送至所述多个第一设备。
实施本申请可以提高平台广告的投放效率,节省广告经费与社会资源,提升用户体验感,减少平台用户的流失。
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种点击通过率CTR预测系统架构示意图。
图2是本申请实施例提供的一种点击通过率CTR预测方法流程的示意图。
图3是本申请实施例提供的一种多个第一设备的用户数据的示意图。
图4是本申请实施例提供的一种多个第一设备与第二设备之间的交互示意图。
图5是本申请实施例提供的一种点击通过率CTR预测装置的结构示意图。
图6是本申请实施例提供的另一种点击通过率CTR预测装置的结构示意图。
图7是本申请实施例提供的又一种点击通过率CTR预测装置的结构示意图。
图8是本申请实施例提供的又一种点击通过率CTR预测装置的结构示意图。
下面将结合本申请实施例中的附图,对本申请实施例进行描述。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请中使用的术语“第二设备”、“单元”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如,第二设备可以是但不限于,处理器,数据处理平台,计算设备,计算机,两个或更多个计算机等。
本申请的技术方案涉及人工智能技术领域,如可具体涉及机器学习技术,以实现CTR预测。可选的,本申请涉及的信息如用户数据、参数和/或概率等可存储于数据库中,或者可以存储于区块链中,本申请不做限定。
首先,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)联邦机器学习又名联邦学习,联合学习,联盟学习。联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。
(2)Cisco的网际操作系统(IOS),是一个为网际互连优化的操作系统,与硬件分离的软件体系结构,随网络技术的不断发展,可动态地升级以适应不断变化的技术(硬件和软件),具有模块性、灵活性、可伸缩性、可操控性。
(3)Windows Phone(简称为WP)是微软于2010年10月21日正式发布的一款手机操作系统,Windows Phone具有桌面定制、图标拖拽、滑动控制等一系列前卫的操作体验。其主屏幕通过提供类似仪表盘的体验来显示新的电子邮件、短信、未接来电、日历约会等。它还包括一个增强的触摸屏界面,更方便手指操作。
其次,对本申请实施例所基于的其中一种点击通过率CTR预测系统架构进行描述。请参考附图1,图1是本申请实施例提供的一种点击通过率CTR预测系统架构示意图,包括:多个第一设备101和第二设备102。其中:
第一设备101可以包括但不限于后台服务器、组件服务器、数据处理服务器等,为客户提供本地服务的程序。该本地服务可包括但不限于:可以基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;将所述第一模型参数发送至第二设备;接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
第二设备102可以安装并运行相关的应用。应用是指与第一设备相对应,当上述第二设备102为服务器时,所述服务器可以通过互联网与多个第一设备进行通信,服务器上也需要运行有相应的程序来提供相应的模型训练服务等等。例如,服务器可以接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;将所述第二模型参数分别发送至所述多个第一设备。
第一设备101可以向第二设备发送信息(例如:第一模型参数)和接收第二设备发送的信息(例如:第二模型参数)以及其他共享信息等等。本方案实施例中的第一设备和第二设备可以包括但不限于任何一种基于智能操作系统的电子产品,其可与用户通过键盘、虚拟键盘、触摸板、触摸屏以及声控设备等输入设备来进行人机交互,诸如平板电脑、个人电脑等。其中,智能操作系统包括但不限于任何通过向移动设备提供各种移动应用来丰富设备功能的操作系统,诸如:安卓(Android
TM)、iOS
TM、Windows Phone
TM等等。
还可以理解的是,图1的点击通过率CTR预测系统架构只是本申请实施例中的部分示例性的实施方式,本申请实施例中的点击通过率CTR预测系统架构包括但不仅限于以上点击通过率CTR预测系统架构。
参考附图2,图2是本申请实施例提供的一种点击通过率CTR预测方法流程的示意图。可应用于上述图1中的系统,下面将结合图2从第一设备101和第二设备102之间的交互进行描述。其中,该方法可以包括以下步骤S201-步骤S206。
步骤S201,第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数。
具体的,第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述第一设备为多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率。其中,所述多个第一设备分别代表不同的用户平台,每个第一设备的数据中应含有可以唯一标识每个用户的用户信息以及该平台特有的用户行为特征数据。即,每个第一设备都拥有自身独有的用户数据,本申请实施例中的用户数据包括用户对多个类型的广告是否点击的点击信息,例如:将用户对不同类型的候选广告点击与否作为数据的标签。
请参考附图3,图3是本申请实施例提供的一种多个第一设备的用户数据的示意图,需要说明的是,每一个用户平台都相当于第一设备,如图3所示,对于租房平台,用户数据可以是用户近期是否有过房屋浏览或搜索记录;对于求职平台,用户数据可以是用户近期是否有过面试记录以及面试的岗位信息;对于问答社区,用户数据可以是用户近期是否有过某一类文章的浏览记录和问答记录等等。
可选的,所述第一设备向所述第二设备发送用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;所述第一设备接收所述第二设备发送的目标用户标识集合,所述目标用户标识集合包括目标用户的用户标识,所述目标用户为所述多个第一设备之间共同的用户;所述第一设备根据所述目标用户标识集合获取所述目标用户的用户数据。可以理解的是,由于进行协作的平台往往是不同领域的不同平台,因此绝大部分的用户特征是不一致的,但是不同的用户平台之间共同的用户会比较多,所以可以预先筛选出多个第一设备之间的共同用户,以提高联邦学习的准确度。
可选的,所述第一设备向所述第二设备发送用户标识集合,包括:所述第一设备对所述用户标识集合包括的用户标识进行散列加密,并将加密过后的用户标识集合发送至所述第二设备。
步骤S202,第一设备将第一模型参数发送至第二设备。
具体的,第一设备将所述第一模型参数发送至第二设备。可以理解的,第一模型参数可以包括梯度和损失值。请参考附图4,图4是本申请实施例提供的一种多个第一设备与第二设备之间的交互示意图,需要说明的是,多个第一设备将训练好的第一模型参数发送至第二设备,以使第二设备可以根据多个第一设备的第一模型参数优化,优化过后的第二模型参数用于多个第一设备更新模型参数,提高模型预测的精准度。可以理解的是,如图4所涉及的系统为本申请实施例提及的第二设备,图4所涉及的平台相当于本申请实施例提及的第一设备。
在一种可能实现的方式中,所述第一设备将所述第一模型参数发送至第二设备,包括:所述第一设备将所述第一模型参数进行同态加密后发送至第二设备。可以理解的是,梯度和损失值加密的计算方式分别为:
步骤S203,第二设备对多个第一设备对应的第一模型参数进行优化,生成第二模型参数。
具体的,第二设备对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数,所述第二模型参数根据多个第一设备的发送的第一模型参数确定。例如,可以对多个第一模型参数做平均值计算以获得第二模型参数。本申请对比不做具体的限定。
步骤S204,第二设备将第二模型参数分别发送至多个第一设备。
具体的,第二设备将所述第二模型参数分别发送至所述多个第一设备。可以理解的,第二设备在发送所述第二模型参数时,可以将所述第二模型参数进行同态加密后再发送,以保证信息通信安全。
步骤S205,第一设备将第一模型的第一模型参数更新为第二模型参数并训练,直至第二模型参数的损失值收敛,获得第二模型。
具体的,所述第一设备将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型。可以理解的是,第二模型为第一模型更新参数后的模型,都用于预测用户分别点击所述不同类型的广告中每一类广告的概率。
步骤S206,第一设备基于第二模型预测用户分别点击不同类型的广告中每一类广告的概率。
具体的,第一设备基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
可选的,在所述用户点击目标类型广告的概率大于预设阈值时,向所述第一设备中的用户投放所述目标类型广告,所述目标类型广告属于所述多个类型的广告中的一类。举例来讲,对于近期有过搬家行为的用户,购物平台可以为他推送生活用品,问答平台可以为他推送房屋改造的文章,求职平台可以根据他的职业为他推荐附近的就业机会等;对于刚刚失恋的用户,购物平台可以为他推送情感方面的书籍,知识分享平台可以为他推送有关失恋的问答,外卖平台可以为他推送“一个人也要吃好点”的豪华单人套餐等。
本申请实施例可以首先第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数;第一设备将第一模型参数发送至第二设备;第一设备接收第二设备发送的第二模型参数;其次,第一设备将第一模型的第一模型参数更新为第二模型参数并训练,直至第二模型参数的损失值收敛,获得第二模型;第一设备基于第二模型预测用户分别点击不同类型的广告中每一类广告的概率。其中,第一设备为不同平台的服务设备,第二设备为可以进行纵向联邦建模,使得各个平台得到了自己的部分模型,为不同类别的候选广告做点击预测的服务器。用户的浏览记录、购买记录等等是个人数据,不能够也不允许在不同所属方之间流通,然而来自单个平台的用户画像维度往往较为单一,无法从各个方面对用户进行立体的刻画,这样容易造成广告和推送的定位不准确,导致用户的体验感降低,引起平台用户的流失。本申请通过联邦建模方法为不同平台的协作提供了可能,使得在各平台数据在相互隔离的情况下,能够联合进行训练和学习,从而可以更好地利用不同平台的用户数据,提高平台广告的投放效率,节省广告经费与社会资源,提升用户体验感,减少平台用户的流失。
上述详细阐述了本申请实施例的方法,下面提供了与本申请实施例相关的点击通过率CTR预测装置,应用于第一设备,点击通过率CTR预测装置30可以是一种通过快速获取、处理、分析和提取有价值的数据,以交互数据为基础,为第三方使用带来各种便利的服务设备。请参考附图5,图5是本申请实施例提供的一种点击通过率CTR预测装置的结构示意图。点击通过率CTR预测装置30可以包括第一训练单元301,第一发送单元302,第一 接收单元303,第二训练单元304和预测单元305,还可以包括第二发送单元306,第二接收单元307和投放单元308。
第一训练单元301,用于基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述第一设备为多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
第一发送单元302,用于将所述第一模型参数发送至第二设备;
第一接收单元303,用于接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;
第二训练单元304,用于将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;
预测单元305,用于基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
在一种可能实现的方式中,所述装置还包括:第二发送单元306,用于向所述第二设备发送用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;第二接收单元307,用于接收所述第二设备发送的目标用户标识集合,所述目标用户标识集合包括目标用户的用户标识,所述目标用户为所述多个第一设备之间共同的用户;所述第一设备根据所述目标用户标识集合获取所述目标用户的用户数据。
在一种可能实现的方式中,所述第二发送单元306,具体用于对所述用户标识集合包括的用户标识进行散列加密,并将加密过后的用户标识集合发送至所述第二设备。
在一种可能实现的方式中,所述第一发送单元302,具体用于所述第一设备将所述第一模型参数进行同态加密后发送至第二设备。
在一种可能实现的方式中,所述装置还包括:投放单元308,用于在所述用户点击目标类型广告的概率大于预设阈值时,向所述第一设备中的用户投放所述目标类型广告,所述目标类型广告属于所述多个类型的广告中的一类。
需要说明的是,各个操作的实现还可以对应参照图2-图4所示的方法实施例的相应描述,此处不再赘述。
如图6所示,图6是本申请实施例提供的另一种点击通过率CTR预测装置的结构示意图,应用于第二设备,该装置40包括:第三接收单元401,优化单元402和第三发送单元403,还可以包括:第四接收单元404,筛选单元405和第四发送单元406。
第三接收单元401,用于接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;
优化单元402,用于对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;
第三发送单元403,用于将所述第二模型参数分别发送至所述多个第一设备。
在一种可能实现的方式中,所述装置还包括:第四接收单元404,用于接收所述多个第一设备分别发送的用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;筛选单元405,用于从所述多个第一设备多对应的用户标识集合中,筛选出所述多个第一设备之间共同用户的用户标识,得到目标用户标识集合;第四发送单元406,用于将所述目标用户标识集合分别发送至所述多个第一设备。
需要说明的是,各个操作的实现还可以对应参照图2-图4所示的方法实施例的相应描述,此处不再赘述。
如图7所示,图7是本申请实施例提供的又一种点击通过率CTR预测装置的结构示意图,该装置50应用于第一设备,包括至少一个处理器501,至少一个存储器502、至少一个通信接口503。此外,该设备还可以包括天线等通用部件,在此不再详述。可选的,该装置可以为计算机设备,或者说可以设置于计算机设备中。该处理器还可称为处理组件,存储器还可称为存储组件,通信接口还可称为通信组件,本申请不做限定。
处理器501可以是通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制以上方案程序执行的集成电路。
通信接口503,用于与其他设备或通信网络通信,如以太网,无线接入网(RAN),核心网,无线局域网(Wireless Local Area Networks,WLAN)等。
存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器502用于存储执行以上方案的应用程序代码,并由处理器501来控制执行。所述处理器501用于执行所述存储器502中存储的应用程序代码。
存储器502存储的代码可执行以上图2提供的点击通过率CTR预测方法,比如,当装置50为点击通过率CTR预测装置时,可以基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;将所述第一模型参数发送至第二设备;接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
需要说明的是,本申请实施例中所描述的点击通过率CTR预测装置中各功能单元的功能可参照图2-图4所示的方法实施例的相应描述,此处不再赘述。
如图8所示,图8是本申请实施例提供的又一种点击通过率CTR预测装置的结构示意图,该装置60应用于第二设备,包括至少一个处理器601,至少一个存储器602、至少一个通信接口603。此外,该设备还可以包括天线等通用部件,在此不再详述。可选的,该装置可以为计算机设备,或者说可以设置于计算机设备中。该处理器还可称为处理组件,存储器还可称为存储组件,通信接口还可称为通信组件,本申请不做限定。
处理器601可以是通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制以上方案程序执行的集成电路。
通信接口603,用于与其他设备或通信网络通信,如以太网,无线接入网(RAN),核心网,无线局域网(Wireless Local Area Networks,WLAN)等。
存储器602可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的 其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器602用于存储执行以上方案的应用程序代码,并由处理器601来控制执行。所述处理器601用于执行所述存储器602中存储的应用程序代码。
存储器602存储的代码可执行以上图2提供的点击通过率CTR预测方法,比如,当装置60为点击通过率CTR预测装置时,可以接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;将所述第二模型参数分别发送至所述多个第一设备。
需要说明的是,本申请实施例中所描述的点击通过率CTR预测装置中各功能单元的功能可参照图2-图4所示的方法实施例的相应描述,此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可实现上述实施例中方法的步骤,或者,计算机程序被处理器执行时可实现上述实施例中装置的各模块/单元的功能,这里不再赘述。可选的,本申请涉及的存储介质如计算机可读存储介质可以是非易失性的,也可以是易失性的。
在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能组件可以集成在一个组件也可以是各个组件单独物理存在,也可以是两个或两个以上组件集成在一个组件中。上述集成的组件既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的组件如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,第二设备,或者网络设备等)执行各个本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。尽管在此结合各实施例对本申请进行了描述,然而,在实施例所要求保护的本申请过程中,本领域技术人员可理解并实现公开实施例的其他变化。
Claims (20)
- 一种点击通过率CTR预测方法,应用于第一设备,包括:第一设备基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述第一设备为多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;所述第一设备将所述第一模型参数发送至第二设备;所述第一设备接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;所述第一设备将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;所述第一设备基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
- 根据权利要求1所述方法,其中,所述方法还包括:所述第一设备向所述第二设备发送用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;所述第一设备接收所述第二设备发送的目标用户标识集合,所述目标用户标识集合包括目标用户的用户标识,所述目标用户为所述多个第一设备之间共同的用户;所述第一设备根据所述目标用户标识集合获取所述目标用户的用户数据。
- 根据权利要求2所述方法,其中,所述第一设备向所述第二设备发送用户标识集合,包括:所述第一设备对所述用户标识集合包括的用户标识进行散列加密,并将加密过后的用户标识集合发送至所述第二设备。
- 根据权利要求1所述方法,其中,所述第一设备将所述第一模型参数发送至第二设备,包括:所述第一设备将所述第一模型参数进行同态加密后发送至第二设备。
- 根据权利要求1所述方法,其中,所述方法还包括:在所述用户点击目标类型广告的概率大于预设阈值时,向所述第一设备中的用户投放所述目标类型广告,所述目标类型广告属于所述多个类型的广告中的一类。
- 一种点击通过率CTR预测方法,其中,应用于第二设备,包括:所述第二设备接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;所述第二设备对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;所述第二设备将所述第二模型参数分别发送至所述多个第一设备。
- 根据权利要求6所述方法,其中,所述方法还包括:所述第二设备接收所述多个第一设备分别发送的用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;所述第二设备从所述多个第一设备多对应的用户标识集合中,筛选出所述多个第一设备之间共同用户的用户标识,得到目标用户标识集合;所述第二设备将所述目标用户标识集合分别发送至所述多个第一设备。
- 一种计算机设备,包括处理组件、存储组件和通信组件,处理组件、存储组件和通 信组件相互连接,其中,存储组件用于存储计算机程序,通信组件用于与外部设备进行信息交互;处理组件被配置用于调用计算机程序,执行以下方法:基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述计算机设备为多个第一设备中的任意一个,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;将所述第一模型参数发送至第二设备;接收所述第二设备发送的第二模型参数,所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的;将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
- 根据权利要求8所述的计算机设备,其中,所述处理组件还用于执行:向所述第二设备发送用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;接收所述第二设备发送的目标用户标识集合,所述目标用户标识集合包括目标用户的用户标识,所述目标用户为所述多个第一设备之间共同的用户;根据所述目标用户标识集合获取所述目标用户的用户数据。
- 根据权利要求9所述的计算机设备,其中,执行所述向所述第二设备发送用户标识集合,包括:对所述用户标识集合包括的用户标识进行散列加密,并将加密过后的用户标识集合发送至所述第二设备。
- 根据权利要求8所述的计算机设备,其中,执行所述将所述第一模型参数发送至第二设备,包括:将所述第一模型参数进行同态加密后发送至第二设备。
- 根据权利要求8所述的计算机设备,其中,所述处理组件还用于执行:在所述用户点击目标类型广告的概率大于预设阈值时,向所述第一设备中的用户投放所述目标类型广告,所述目标类型广告属于所述多个类型的广告中的一类。
- 一种计算机设备,包括处理组件、存储组件和通信组件,处理组件、存储组件和通信组件相互连接,其中,存储组件用于存储计算机程序,通信组件用于与外部设备进行信息交互;处理组件被配置用于调用计算机程序,执行以下方法:接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;将所述第二模型参数分别发送至所述多个第一设备。
- 根据权利要求13所述的计算机设备,其中,所述处理组件还用于执行:接收所述多个第一设备分别发送的用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;从所述多个第一设备多对应的用户标识集合中,筛选出所述多个第一设备之间共同用户的用户标识,得到目标用户标识集合;将所述目标用户标识集合分别发送至所述多个第一设备。
- 一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序, 所述计算机程序被处理器执行以实现以下方法:基于用户数据对第一模型进行训练,获得训练好的第一模型和第一模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;将所述第一模型参数发送至第二设备;接收所述第二设备发送的第二模型参数,所述第二模型参数为基于多个第一设备分别对应的第一模型参数确定的;将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练,直至所述第二模型参数的损失值收敛,获得第二模型;基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。
- 根据权利要求15所述的计算机可读存储介质,其中,所述计算机程序被处理器执行时还用于实现:向所述第二设备发送用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;接收所述第二设备发送的目标用户标识集合,所述目标用户标识集合包括目标用户的用户标识,所述目标用户为所述多个第一设备之间共同的用户;根据所述目标用户标识集合获取所述目标用户的用户数据。
- 根据权利要求16所述的计算机可读存储介质,其中,执行所述向所述第二设备发送用户标识集合,包括:对所述用户标识集合包括的用户标识进行散列加密,并将加密过后的用户标识集合发送至所述第二设备。
- 根据权利要求15所述的计算机可读存储介质,其中,所述计算机程序被处理器执行时还用于实现:在所述用户点击目标类型广告的概率大于预设阈值时,向所述第一设备中的用户投放所述目标类型广告,所述目标类型广告属于所述多个类型的广告中的一类。
- 一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现以下方法:接收多个第一设备分别发送的第一模型参数,所述第一模型参数为所述第一设备基于用户数据对第一模型进行训练获得的模型参数,所述用户数据包括用户对多个类型的广告是否点击的点击信息,所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率;对所述多个第一设备对应的第一模型参数进行优化,生成第二模型参数;将所述第二模型参数分别发送至所述多个第一设备。
- 根据权利要求19所述的计算机可读存储介质,其中,所述计算机程序被处理器执行时还用于实现:接收所述多个第一设备分别发送的用户标识集合,所述用户标识集合包括多个用户标识,所述多个用户标识中的每个用户标识分别用于标识对应的用户及用户数据;从所述多个第一设备多对应的用户标识集合中,筛选出所述多个第一设备之间共同用户的用户标识,得到目标用户标识集合;将所述目标用户标识集合分别发送至所述多个第一设备。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393094.5A CN112446736A (zh) | 2020-12-02 | 2020-12-02 | 一种点击通过率ctr预测方法及装置 |
CN202011393094.5 | 2020-12-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022116431A1 true WO2022116431A1 (zh) | 2022-06-09 |
Family
ID=74739284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/083530 WO2022116431A1 (zh) | 2020-12-02 | 2021-03-29 | 一种点击通过率ctr预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112446736A (zh) |
WO (1) | WO2022116431A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012066A (zh) * | 2023-03-28 | 2023-04-25 | 江西时刻互动科技股份有限公司 | 广告转化率的预测方法、装置、可读存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技(深圳)有限公司 | 一种点击通过率ctr预测方法及装置 |
CN113269232B (zh) * | 2021-04-25 | 2023-12-08 | 北京沃东天骏信息技术有限公司 | 模型训练方法、向量化召回方法、相关设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170186030A1 (en) * | 2015-04-21 | 2017-06-29 | Tencent Technology (Shenzhen) Company Limited | Advertisement click-through rate correction method and advertisement push server |
CN109446431A (zh) * | 2018-12-10 | 2019-03-08 | 网易传媒科技(北京)有限公司 | 用于信息推荐的方法、装置、介质、和计算设备 |
CN109472632A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 评价广告竞争力的方法、装置、介质及电子设备 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
CN111460511A (zh) * | 2020-04-17 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 |
CN111967910A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 一种用户客群分类方法和装置 |
CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技(深圳)有限公司 | 一种点击通过率ctr预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046294A (zh) * | 2019-12-27 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 点击率预测方法、推荐方法、模型、装置及设备 |
CN111553745A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 基于联邦的模型更新方法、装置、设备及计算机存储介质 |
-
2020
- 2020-12-02 CN CN202011393094.5A patent/CN112446736A/zh active Pending
-
2021
- 2021-03-29 WO PCT/CN2021/083530 patent/WO2022116431A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170186030A1 (en) * | 2015-04-21 | 2017-06-29 | Tencent Technology (Shenzhen) Company Limited | Advertisement click-through rate correction method and advertisement push server |
CN109472632A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 评价广告竞争力的方法、装置、介质及电子设备 |
CN109446431A (zh) * | 2018-12-10 | 2019-03-08 | 网易传媒科技(北京)有限公司 | 用于信息推荐的方法、装置、介质、和计算设备 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
CN111460511A (zh) * | 2020-04-17 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 |
CN111967910A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 一种用户客群分类方法和装置 |
CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技(深圳)有限公司 | 一种点击通过率ctr预测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012066A (zh) * | 2023-03-28 | 2023-04-25 | 江西时刻互动科技股份有限公司 | 广告转化率的预测方法、装置、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112446736A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022116431A1 (zh) | 一种点击通过率ctr预测方法及装置 | |
US11494666B2 (en) | Systems and methods for online content recommendation | |
EP2880553B1 (en) | Uniquely identifying a network-connected entity | |
US9549047B1 (en) | Initiating a client-side user model | |
US10824608B2 (en) | Feature generation and storage in a multi-tenant environment | |
US10129197B2 (en) | Computerized system and method for modifying a message to apply security features to the message's content | |
US20080086458A1 (en) | Social interaction tagging | |
WO2015055067A1 (en) | Method and apparatus for pushing messages | |
US20200356572A1 (en) | Search ranking method and apparatus, electronic device and storage medium | |
CN114647742A (zh) | 学习新字词 | |
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
CN111178950A (zh) | 一种用户画像构建方法、装置及计算设备 | |
EP2939200B1 (en) | Method and apparatus for secure advertising | |
CN108369709A (zh) | 基于网络的广告数据业务时延减小 | |
US10051075B1 (en) | Systems and methods for maintaining an asynchronous communication via an intermediary | |
US10074097B2 (en) | Classification engine for classifying businesses based on power consumption | |
EP2862338A1 (en) | Method, server, and client for pushing and displaying splash screen | |
US20160239533A1 (en) | Identity workflow that utilizes multiple storage engines to support various lifecycles | |
TW202018637A (zh) | 資料處理方法及裝置、計算設備及儲存媒體 | |
US10680841B1 (en) | Facilitated content selection using occurrences of downstream events responsive to prior content distributions | |
CN111343265B (zh) | 信息推送方法、装置、设备及可读存储介质 | |
US20240070157A1 (en) | System and Method for Email Address Selection | |
US20140040456A1 (en) | Managing website registrations | |
CN110808899B (zh) | 一种内容分享方法、装置、客户端、服务器及系统 | |
US20170330236A1 (en) | Enhancing contact card based on knowledge graph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21899475 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21899475 Country of ref document: EP Kind code of ref document: A1 |