[发明专利]一种视频点击率的预估方法及装置

权利要求书

1.一种视频点击率的预估方法，其特征在于，包括：

当判断用户操作满足预设的预估点击率的触发条件时，采集所述用户的用户数据和所述用户操作的操作时间；

提取所述用户数据中的用户特征，所述用户特征为非连续性特征；

提取待预估视频的视频特征，所述视频特征为非连续性特征；

调用第一视频点击率预估模型对所述用户特征、所述待预估视频的视频特征和所述操作时间进行处理，得到所述待预估视频的点击率的预估结果；所述第一视频点击率预估模型基于能够处理非线性特征的深度学习模型构建而成；

所述第一视频点击率预估模型的构建过程，包括：

采集用户历史行为数据，所述用户历史行为数据包括用户历史数据、所述用户历史数据对应的视频历史数据、以及所述用户历史数据中的用户点击视频时的点击时间；

提取所述用户历史数据中的用户历史特征和所述视频历史数据中的视频历史特征；

对所述用户历史特征、所述视频历史特征和所述点击时间进行深度学习，获得所述第一视频点击率预估模型。

2.根据权利要求1所述的预估方法，其特征在于，所述提取所述用户数据中的用户特征，包括：

根据第一预设提取规则提取所述用户数据中的特征，得到第一特征组；

删除所述第一特征组中相关性小的特征，得到第二特征组；

对所述第二特征组进行连续特征离散化处理，得到第三特征组；

对所述第三特征组中的特征进行离散变量编码，得到编码后的第三特征组，所述编码后的第三特征组即为所述用户特征。

3.根据权利要求1所述的预估方法，其特征在于，所述提取待预估视频的视频特征，包括：

根据第二预设提取规则提取所述待预付视频中的特征，得到第四特征组；

删除所述第四特征组中相关性小的特征，得到第五特征组；

对所述第五特征组进行连续特征离散化处理，得到第六特征组；

对所述第六特征组中的特征进行离散变量编码，得到编码后的第六特征组，所述编码后的第六特征组即为所述视频特征。

4.根据权利要求1所述的预估方法，其特征在于，所述对所述用户历史特征、所述视频历史特征和所述点击时间进行深度学习，获得所述第一视频点击率预估模型，包括：

将所述用户历史特征、所述视频历史特征和所述点击时间分为训练数据、测试数据和验证数据，所述训练数据、测试数据和验证数据中均包含一个或多个数据组，每个所述数据组包括互相对应的一个用户历史特征、一个视频历史特征和一个点击时间；

对所述训练数据中的用户历史特征、视频历史特征和点击时间进行深度学习，获得初始视频点击率预估模型；

通过所述验证数据中的用户历史特征、视频历史特征和点击时间对所述初始视频点击率预估模型进行验证，若得到的预估结果与所述验证数据对应的视频点击率相同或在第一预设偏差范围内，则验证通过；若得到的预估结果在所述第一预设偏差范围外，则验证不通过，对所述初始视频点击率预估模型进行参数调整，直到验证通过，得到验证通过的视频点击率预估模型；

通过所述测试数据中的用户历史特征、视频历史特征和点击时间对所述验证通过的视频点击率预估模型进行测试，若得到的预估结果与所述测试数据对应的视频点击率相同或在第二预设偏差范围内，则测试通过；若得到的预估结果在所述第二预设偏差范围外，则测试不通过，对所述验证通过的视频点击率预估模型进行参数调整，直到测试通过，得到测试通过的视频点击率预估模型，将所述测试通过的视频点击率预估模型作为所述第一视频点击率预估模型。

5.根据权利要求4所述的预估方法，其特征在于，在所述得到测试通过的视频点击率预估模型之后，还包括：

将所述测试通过的视频点击率预估模型与所述初始视频点击率预估模型设置于相同的两个应用场景中进行在线A/B测试，若使用所述测试通过的视频点击率预估模型的应用场景用户点击率增加幅度大于使用所述初始视频点击率预估模型的应用场景用户点击率增加幅度，则将所述测试通过的视频点击率预估模型作为所述第一视频点击率预估模型；若使用所述测试通过的视频点击率预估模型的应用场景用户点击率增加幅度小于使用所述初始视频点击率预估模型的应用场景用户点击率增加幅度，则将所述初始视频点击率预估模型作为所述第一视频点击率预估模型。