[发明专利]一种点击通过率CTR预测方法及装置

说明书

本申请实施例提供了一种点击通过率CTR预测方法及装置。其中，一种点击通过率CTR预测方法包括：第一设备基于用户数据对第一模型进行训练，获得训练好的第一模型和第一模型参数；第一设备将第一模型参数发送至第二设备；第一设备接收第二设备发送的第二模型参数；第一设备将第一模型的第一模型参数更新为第二模型参数并训练，直至第二模型参数的损失值收敛，获得第二模型；第一设备基于第二模型预测用户分别点击不同类型的广告中每一类广告的概率。本申请实施例可以为不同类别的候选广告做点击预测，可以提高广告投放效率，节省广告成本，提高用户留存率，用户可以免受自己不喜欢的广告的打扰。

技术领域

本申请涉及互联网技术领域，尤其涉及一种点击通过率CTR预测方法及装置。

背景技术

点击通过率(Click Through Rate，CTR)是指用户查看了广告之后，点击广告的概率，它能够反映广告的受关注程度，通常用来评估广告投放的效率。目前的CTR预测方法中，我们需要考虑用户特征的数量以及不同特征之间的组合，然而在大多数实际情况下，不同的平台往往只能获取到有限维度的用户特征。为了提高平台的广告投放效率，需要综合用户各个方面的因素进行考虑，比如近期工作地点或家庭地址的变动、购物网站的浏览记录、游戏的在线时段等等，这些数据可能来自于不同的平台，由于商业竞争或者相关隐私保护规定，各方的数据是相互隔离的，难以实现联合建模。

因此，我们需要考虑如何在保证数据安全的前提下，利用不同平台的用户数据来优化广告投放，提高广告点击率，给用户带来更好的体验。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种预测点击通过率的训练生成方法及装置。

第一方面，本申请实施例提供了一种点击通过率CTR预测方法，应用于第一设备，可包括：

第一设备基于用户数据对第一模型进行训练，获得训练好的第一模型和第一模型参数，所述第一设备为多个第一设备中的任意一个，所述用户数据包括用户对多个类型的广告是否点击的点击信息，所述第一模型用于预测用户分别点击所述多个类型的广告中每一类广告的概率；

所述第一设备将所述第一模型参数发送至第二设备；

所述第一设备接收所述第二设备发送的第二模型参数，所述第二模型参数为基于所述多个第一设备分别对应的第一模型参数确定的；

所述第一设备将所述第一模型的所述第一模型参数更新为所述第二模型参数并训练，直至所述第二模型参数的损失值收敛，获得第二模型；

所述第一设备基于所述第二模型预测用户分别点击所述不同类型的广告中每一类广告的概率。

通过第一方面的方法，本申请实施例可以首先第一设备基于用户数据对第一模型进行训练，获得训练好的第一模型和第一模型参数；第一设备将第一模型参数发送至第二设备；第一设备接收第二设备发送的第二模型参数；其次，第一设备将第一模型的第一模型参数更新为第二模型参数并训练，直至第二模型参数的损失值收敛，获得第二模型；第一设备基于第二模型预测用户分别点击不同类型的广告中每一类广告的概率。其中，第一设备为不同平台的服务设备，第二设备为可以进行纵向联邦建模，使得各个平台得到了自己的部分模型，为不同类别的候选广告做点击预测的服务器。本申请通过联邦建模方法为不同平台的协作提供了可能，使得在各平台数据在相互隔离的情况下，能够联合进行训练和学习，从而可以更好地利用不同平台的用户数据，提高平台广告的投放效率，节省广告经费与社会资源，提升用户体验感，减少平台用户的流失。