[发明专利]一种广告点击率的预测方法、装置及计算机可读存储介质

说明书

本发明公开了一种广告点击率的预测方法、装置及计算机可读存储介质，所述方法包括：获取广告点击数据；将广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；高阶特征向量提取层，用于提取广告点击数据的高阶特征向量；低阶特征向量提取层，用于提取广告点击数据的低阶特征向量；第一通道融合层，用于将高阶特征向量和低阶特征向量进行通道融合，得到广告点击数据的特征向量。本发明可实现广告点击数据高阶特征向量和低阶特征向量的提取与融合，保证了数据特征信息提取的全面性和丰富性，进而提高了广告点击率预测结果的可靠性。

技术领域

本发明涉及广告点击率的预测技术领域，具体涉及一种广告点击率的预测方法、装置及计算机可读存储介质。

背景技术

随着互联网的快速普及和发展，利用互联网进行在线广告推广产品已经成为一种非常重要的营销方式。广告点击率是指广告点击次数与广告展示次数的比率，广告点击率越高，说明用户对该广告越感兴趣，正确预测广告点击率是实现产品精准营销的重要手段，也是反映广告投放效果和评估广告转化率的重要指标。因此，实现广告点击率的正确预测具有十分重要的现实意义。

广告点击率预测涉及大量语料的处理和分类预测，目前，较为常见的有长短期记忆网络(Long Short-Term Memory，LSTM)与神经网络的结合、深度因子分解机(Factorization Machine，FM)、各种卷积点击率预测模型(如Liu等人提出的模型)和基于GRU(Gated Recurrent Unit，LSTM的一种变体)神经网络的点击率预测模型等。

采用卷积神经网络对数据进行特征提取，再将该部分特征输入神经网络能够实现点击率的预测分析，但是卷积神经网络中卷积感受野设置不同，在池化处理时容易丢失特征信息，数据的高阶特征信息和低阶特征信息往往只能保留一个，不能满足数据特征信息的全面性，大大的降低了广告点击率预测的可靠性。

发明内容

为了解决现有广告点击率预测模型所存在的数据提取不全面，导致广告点击率预测结果可靠性不高的问题，本发明的目的在于提供一种能够同时提取数据的高阶特征向量和低阶特征向量，使深层语义信息与浅层语义信息形成更好的映射，保证了数据特征信息提取全面性的广告点击率的预测方法、装置和计算机可读存储介质。

第一方面，本发明提供了一种广告点击率的预测方法，包括：

获取广告点击数据；

将所述广告点击数据输入广告点击率预测模型，得到广告点击数据对应广告的点击率预测结果，其中，所述广告点击率预测模型包括高阶特征向量提取层、低阶特征向量提取层和第一通道融合层；

所述高阶特征向量提取层，用于提取所述广告点击数据的高阶特征向量；

所述低阶特征向量提取层，用于提取所述广告点击数据的低阶特征向量；

所述第一通道融合层，用于将所述高阶特征向量和所述低阶特征向量进行通道融合，得到所述广告点击数据的特征向量。

基于上述公开的内容，本发明能够使用广告点击率预测模型中的高阶特征向量提取层提取广告点击数据的高阶特征向量，同时还能够使用低阶特征向量提取层提取广告点击数据的低阶特征向量，实现了广告点击数据的高阶和低阶特征向量的同时提取；并在提取后，还使用第一通道融合层进行高阶和低阶特征向量的通道融合，实现了不同阶数特征的交互融合，得到了具有广告点击数据全面特征信息的特征向量，进而得到了广告点击数据的深层语义信息和浅层语义信息，保证了数据提取的全面性。

综上所述，本发明可实现广告点击数据高阶特征向量和低阶特征向量的提取与融合，保证了广告点击数据特征信息提取的全面性和丰富性，进而提高了广告点击率预测结果的可靠性。