[发明专利]用于训练点击率预估模型的方法和装置

权利要求书

1.一种用于训练点击率预估模型的方法，包括：

获取训练样本，其中，所述训练样本包括训练样本信息和训练样本标签，所述训练样本标签用于标识所述训练样本信息的点击情况；

获取所述训练样本的样本权重；

利用所述训练样本和所述样本权重对初始点击率预估模型进行训练，得到所述点击率预估模型。

2.根据权利要求1所述的方法，其中，所述获取所述训练样本的样本权重，包括：

获取所述训练样本信息的历史浏览时间，其中，所述样本信息是历史浏览信息；

基于所述历史浏览时间，确定所述样本权重。

3.根据权利要求2所述的方法，其中，所述基于所述历史浏览时间，确定所述样本权重，包括：

基于所述历史浏览时间，计算样本半衰期；

基于牛顿冷却定律和样本半衰期，计算所述样本权重。

4.根据权利要求3所述的方法，其中，所述基于所述历史浏览时间，计算样本半衰期，包括：

获取候选样本半衰期和预测样本，其中，所述预测样本包括预测样本信息和预测样本标签，所述预测样本标签用于标识所述预测样本信息的点击情况；

基于牛顿冷却定律和所述候选样本半衰期，计算候选样本权重；

利用所述训练样本和所述候选样本权重对所述初始点击率预估模型进行训练，得到候选点击率预估模型；

将所述预测样本信息输入至所述候选点击率预估模型，得到所述预测样本信息的预估点击率；

基于所述预估点击率和所述预测样本标签，计算所述候选半衰期对应的正样本排在负样本前面的概率；

基于所述正样本排在负样本前面的概率，从所述候选样本半衰期中确定所述样本半衰期。

5.根据权利要求1所述的方法，其中，所述利用所述训练样本和所述样本权重对初始点击率预估模型进行训练，得到所述点击率预估模型，包括：

基于所述训练样本和所述样本权重对所述初始点击率预估模型的交叉熵损失函数进行改进，得到代价函数；

将所述代价函数引入所述初始点击率预估模型，得到改进初始点击率预估模型；

将所述训练样本信息和所述样本权重作为输入，将所述训练样本标签作为输出，对所述改进初始点击率预估模型进行训练，得到所述点击率预估模型。

6.根据权利要求1-5之一所述的方法，其中，所述方法还包括：

获取候选推送信息；

将所述候选推送信息输入至所述点击率预估模型，得到所述候选推送信息的预估点击率；

基于所述预估点击率，从所述候选推送信息中确定推送信息，以及推送所述推送信息。

7.一种用于训练点击率预估模型的装置，包括：

样本获取单元，被配置成获取训练样本，其中，所述训练样本包括训练样本信息和训练样本标签，所述训练样本标签用于标识所述训练样本信息的点击情况；

权重获取单元，被配置成获取所述训练样本的样本权重；

模型训练单元，被配置成利用所述训练样本和所述样本权重对初始点击率预估模型进行训练，得到所述点击率预估模型。

8.根据权利要求7所述的装置，其中，所述样本获取单元包括：

时间获取子单元，被配置成获取所述训练样本信息的历史浏览时间，其中，所述样本信息是历史浏览信息；

权重确定子单元，被配置成基于所述历史浏览时间，确定所述样本权重。

9.根据权利要求8所述的装置，其中，所述权重确定子单元包括：

半衰期计算模块，被配置成基于所述历史浏览时间，计算样本半衰期；

权重计算模块，被配置成基于牛顿冷却定律和样本半衰期，计算所述样本权重。