[发明专利]一种点击率预估方法、服务器及计算机可读存储介质

权利要求书

1.一种点击率预估方法，其特征在于，包括：

获取样本数据；

将所述样本数据转换成特征数据；

从预置的多个聚类中心中确定与所述特征数据最接近的目标聚类中心，其中，每个聚类中心对应一个类别，预存的多个局部化模型分别对应多种不同的类别；

根据所述目标聚类中心确定所述特征数据的目标类别，并从所述多个局部化模型中选择与所述目标类别对应的局部化模型；所述局部化模型用于根据所述特征数据所属的类别计算点击率；

获取逻辑回归模型中的中心化模型，所述中心化模型用于计算所述特征数据的点击率；

将所述局部化模型与所述中心化模型进行组合得到综合预估模型；

根据所述综合预估模型对所述特征数据进行点击率预估。

2.根据权利要求1所述的方法，其特征在于，所述将所述样本数据转换成特征数据包括：

根据预置的目标数据对所述样本数据进行特征提取；

获取所述样本数据的特征数据。

3.根据权利要求1所述的方法，其特征在于，所述从预置的多个聚类中心中确定与所述特征数据最接近的目标聚类中心包括：

获取预置的多个聚类中心；

根据所述预置的多个聚类中心对所述特征数据进行聚类，确定与所述特征数据最接近的目标聚类中心。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

根据所述特征数据更新所述目标聚类中心；

根据所述特征数据更新所述中心化模型和所述局部化模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述特征数据更新所述目标聚类中心包括：

根据预置的K均值算法和所述特征数据更新所述目标聚类中心。

6.根据权利要求4所述的方法，其特征在于，所述根据所述特征数据更新所述中心化模型和所述局部化模型包括：

根据预置的在线梯度下降算法更新所述中心化模型和所述局部化模型；

或，根据预置的在线学习算法更新所述中心化模型和所述局部化模型。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

根据预置规则在所述样本数据中确定推送数据，所述预置规则用于从所述样本数据中确定符合点击率要求的数据；

将所述推送数据发送至用户设备，以使得所述用户设备显示所述推送数据。

8.一种服务器，其特征在于，包括：

第一获取单元，用于获取样本数据；

转换单元，用于将所述样本数据转换成特征数据；

第二获取单元，从预置的多个聚类中心中确定与所述特征数据最接近的目标聚类中心，其中，每个聚类中心对应一个类别，预存的多个局部化模型分别对应多种不同的类别；根据所述目标聚类中心确定所述特征数据的目标类别，并从所述多个局部化模型中选择与所述目标类别对应的局部化模型；所述局部化模型用于根据所述特征数据所属的类别计算点击率；获取逻辑回归模型中的中心化模型，所述中心化模型用于计算所述特征数据的点击率；将所述局部化模型与所述中心化模型进行组合得到综合预估模型；

预估单元，用于根据所述综合预估模型对所述特征数据进行点击率预估。

9.根据权利要求8所述的服务器，其特征在于，所述转换单元包括：

提取模块，用于根据预置的目标数据对所述样本数据进行特征提取；

第一获取模块，用于获取所述样本数据的特征数据。

10.根据权利要求8所述的服务器，其特征在于，所述第二获取单元包括：

第二获取模块，用于获取预置的多个聚类中心；

聚类模块，用于根据所述预置的多个聚类中心对所述特征数据进行聚类，确定与所述特征数据最接近的目标聚类中心。