[发明专利]点击率预测方法、装置、电子设备及介质

说明书

本公开实施例提供了一种点击率预测方法、点击率预测装置、电子设备及计算机可读介质；涉及大数据处理技术领域。该点击率预测方法包括：采集广告曝光数据作为样本数据，根据所述广告曝光数据中包含的点击字段确定所述样本数据的标签；提取所述样本数据的显式交互特征以及隐式交互特征，基于所述样本数据的标签，结合所述显式交互特征以及隐式交互特征获取点击率预测模型；通过所述点击率预测模型预测待投放广告的点击率，并根据所述点击率将所述待投放广告进行投放。本公开实施例的技术方案能够从不同的角度获得广告曝光数据中更丰富的特征，从而提高点击率预测模型的精确性。

技术领域

本公开涉及大数据处理技术领域，具体而言，涉及一种点击率预测方法、点击率预测装置、电子设备和计算机可读介质。

背景技术

在线广告的出现使得传统的电视、报纸等广告行业向着直播、短视频等新兴互联网形式发展，因此积累了大量的行为数据，使得从数据中挖掘细致的用户兴趣成为可能。面对众多的用户和广告，如何将某个在线广告推送到合适的用户面前，以实现点击次数的最大化是在线广告需要研究的核心问题。

广告点击率预估技术可以预测用户对广告可能点击的概率，一方面可以为用户推送感兴趣的广告，为用户减少搜索的时间；另一方面也可以为广告主提供有价值的参考信息，提高广告的效果。特征在广告预测中起着核心作用，输入特征通常是稀疏和高维的，由于使用原始特征很少能够获取最佳结果，有效的预测通常依赖于高阶组合特征，例如，年轻的职场女性会对化妆品类的广告更感兴趣，在校男生会对体育类广告更有兴趣等等。因此数据科学家会花费大量时间和精力对原始特征进行手工交互，以便获得最佳的预测结果。传统的手工特征的生成成本较大，需要数据科学家拥有丰富的经验，而且交互特在并未包括一些隐含的、看不见的特征，导致有效的交互特征没有被充分提取。近年来，机器学习和深度学习在自然语言处理、图像处理等各个领域取得了惊人的成就，使得业界开始研究和探索如何将机器学习和深度学习技术应用在广告点击率预估场景。

当前众多的模型将因子分解机作为嵌入特征的生成，而因子分解机只为每个特征域维持一个特征向量，会损失过多信息，不能充分表达特征，例如，男性与广告品类进行交互时、男性与年龄进行交互时所代表的含义是不同的，但因子分解机却当作是一样的，从而影响模型的预测精度。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种点击率预测方法、一种点击率预测装置、电子设备和计算机可读介质，通过提取显式交互特征以及隐式交互特征，能够从不同的角度获得广告曝光数据中更丰富的特征，从而提高点击率预测模型的精确性。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种点击率预测方法，包括：采集广告曝光数据作为样本数据，将所述广告曝光数据中包含的目标特征作为所述样本数据的标签；其中，所述广告曝光数据包括与广告对应的多个特征，所述目标特征为所述多个特征中的其中一个；所述标签用于表征所述广告是否被点击；对所述样本数据中的多个特征进行显式的特征交互，以获得显示交互特征，并对所述样本数据中的多个特征进行隐式的特征交互，以获得隐式交互特征；基于所述样本数据的标签，结合所述显式交互特征以及隐式交互特征获取点击率预测模型；其中，所述点击率预测模型用于预测待投放广告的点击率，所述点击率用于确定是否对所述待投放广告进行投放。

在本公开的示例性实施方式中，所述对所述样本数据中的多个特征进行显式的特征交互，以获得显示交互特征，并对所述样本数据中的多个特征进行隐式的特征交互，以获得隐式交互特征包括：生成所述样本数据多个特征域的嵌入向量；对不同特征域的所述嵌入向量进行外积运算，获取显式交互特征；对不同特征域的所述嵌入向量进行点积运算，获得隐式交互特征。