[发明专利]点击率的预测方法、点击率的确定方法及服务器

权利要求书

1.一种点击率的预测方法，其特征在于，包括：

获取待预测的用户数据；

通过第一预测模型确定所述待预测的用户数据所对应的目标模型学习参数，其中，所述第一预测模型表示下一个时刻模型学习参数与当前时刻模型学习参数以及加权平均梯度之间的函数关系，所述加权平均梯度与时刻具有关联关系；

通过第二预测模型确定所述目标模型学习参数所对应的目标点击率，其中，所述第二预测模型表示所述模型学习参数与点击率之间的函数关系；

向客户端发送所述目标点击率，其中，所述客户端用于展示所述目标点击率；

其中，当所述加权平均梯度为第一加权平均梯度时，通过如下方式计算所述第一加权平均梯度：

其中，所述表示第一时刻的第一加权平均梯度，所述g_s表示第s个时刻所采集到的第一待训练数据对应的梯度，所述p_ts表示所述第一时刻对应的第一加权系数，所述θ_t表示目标参数，所述t表示所述第一时刻。

2.一种点击率的确定方法，其特征在于，包括：

获取第一时刻所对应的第一待训练数据；

根据所述第一待训练数据确定所述第一待训练数据对应的梯度；

采用第一加权系数对所述第一待训练数据对应的梯度进行加权平均处理，得到第一加权平均梯度；

通过第一预测模型以及所述第一加权平均梯度确定第二时刻所对应的第一模型学习参数；其中，所述第二时刻为所述第一时刻之后的一个相邻时刻；所述第一预测模型表示下一个时刻模型学习参数与当前时刻模型学习参数以及加权平均梯度之间的函数关系，所述加权平均梯度与时刻具有关联关系；

通过第二预测模型以及所述第一模型学习参数确定所述第二时刻所对应的点击率；

其中，当所述加权平均梯度为第一加权平均梯度时，通过如下方式计算所述第一加权平均梯度：

其中，所述表示第一时刻的第一加权平均梯度，所述g_s表示第s个时刻所采集到的第一待训练数据对应的梯度，所述p_ts表示所述第一时刻对应的第一加权系数，所述θ_t表示目标参数，所述t表示所述第一时刻。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一待训练数据确定所述第一待训练数据对应的梯度，包括：

获取所述第一待训练数据中样本数据所对应的点击结果；

根据所述第一待训练数据中样本数据所对应的点击结果计算目标损失函数，其中，所述目标损失函数与所述第一时刻的点击率具有关联关系；

根据所述目标损失函数确定所述第一待训练数据对应的梯度。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一待训练数据中每个样本数据所对应的因变量计算目标损失函数，包括：

通过如下方式计算所述目标损失函数：

l_t(w)＝-y_tlog(p_t)+(1-y_t)log(1-p_t)；

其中，所述L(w)表示所述目标损失函数，所述s表示第s个时刻，所述s为1至所述第一时刻的任意时刻，所述y_t表示所述第一待训练数据中样本数据所对应的点击结果，所述l_t(w)表示样本数据的损失函数，所述p_t表示所述第一时刻的点击率，所述t表示所述第一时刻。

5.根据权利要求2所述的方法，其特征在于，所述θ_t满足如下条件：

或，

其中，所述θ_t表示目标参数，所述t表示所述第一时刻，所述m表示超参数，所述m为非0正数。