分类，然后通过判断对应类别中心之间的距离来判断每个广告点击率特征参数与其他广告点击率特征参数的相关系数，该距离越小，即说明分类结构越相似，两种广告点击率特征参数的相关性就越高，相关系数就越大。
[0073]如按用户年龄将样本分为三类，以及按用户网龄将样本分为三类，两种划分方式对应的三个类别中心的距离小于设定值，则认为用户年龄的用户特征参数和用户网龄的用户特征参数的相关系数较大。如按用户地址将样本分为五类类，按用户兴趣爱好将样本分为五类，两种划分方式对应的五个类别中心的距离大于设定值，则认为用户地址的用户特征参数和用户兴趣爱好的用户特征参数的相关系数较小，甚至两个用户特征参数完全不相关。当然这里也可直接人为设置两个用户特征参数的相关系数。
[0074]随后输入层神经元分类模块43的点击率特征参数分类单元432根据相关系数计算单元获取的广告点击率特征参数的相关系数对广告点击率特征参数进行分类，具体包括步骤:
[0075]点击率特征分类单元432计算每个广告点击率特征参数与其他广告点击率特征参数的相关系数和，如该相关系数和小于设定值，则认为该广告点击率特征参数与其他广告点击率特征参数相关性较差，即该广告点击率特征参数对广告点击率特征的显著性较强，因此第一类别设定子单元将该相关系数和小于设定值的广告点击率特征参数单独设定为一个类别。
[0076]相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数的相关性较强，即该广告点击率特征参数对广告点击率特征的显著性较差，因此第二类别设定子单元可将相关系数和大于等于设定值的广告点击率特征参数与其他广告点击率特征参数设定到同一类别中，以减小深度神经网络结构的计算量。这里可将相关系数和大于等于设定值的广告点击率特征参数设定到广告点击率特征参数的最大相关性类别中，其中最大相关性类别为与该广告点击率特征参数的相关性最高的广告点击率特征参数所在的类别。这样即完成了对广告点击率特征参数的分类操作。
[0077]然后输入层神经元分类单元433按点击率特征参数分类单元432获取的广告点击率特征参数的类别，对相应的输入层神经元也进行分类。
[0078]随后隐藏层神经元建立模块44根据输入层神经元分类模块43获取的输入层神经元的类别，建立隐藏层神经元，其中隐藏层神经元和至少一个输入层神经元连接。具体为第一隐藏层神经元建立单元441根据输入层神经元分类模块43获取的输入层神经元的类别，建立第一隐藏层神经元，该第一隐藏层神经元包括多个神经元组，每个神经元组与对应类别的至少一个输入层神经元连接，这样即完成了第一隐藏层神经元的分类。
[0079]然后点击率特征输出模块45根据隐藏层神经元建立模块44建立的第一隐藏层神经元，通过输出层神经元输出预估广告点击率特征。
[0080]最后广告投放模块46根据点击率特征输出模块45输出的预估广告点击率特征，进行广告投放。
[0081]这样即完成了本优选实施例的广告投放装置40的广告投放过程。
[0082]本优选实施例的广告投放装置40的输入层神经元根据输入向量进行分类处理，同时隐藏层神经元也进行了相应的分类处理，即突出了隐藏层神经元之间功用的差异性，给每个隐藏层神经元的神经元组分配不同的训练任务，着力刻画训练不同的广告特征以及用户特征的突出作用，这样降低了深度神经网络的计算量，加快了深度神经网络的学习过程，同时由于各个类别之间的相关性较差，因此对计算结果的影响较小。最后通过输出层神经元与隐藏层神经元的全连接将各个相关性较差的不同神经元组的隐藏层神经元的输出进行汇总，输出预估广告点击率特征。
[0083]优选的，请参照图7，图7为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之二。该隐藏层神经元建立模块44还可包括第二隐藏层神经元建立单元442，该第二隐藏层神经元建立单元442用于建立第二隐藏层神经元，其中第二隐藏层神经元与第一隐藏深神经元全连接。随后点击率特征输出模块45根据第二隐藏层神经元，通过输出层神经元输出预估广告点击率特征。这样通过第二隐藏层神经元和第一隐藏层神经元的全连接将各个相关性较差的不同神经元组的第一隐藏层神经元的输出进行汇总，输出预估广告点击率特征。从而降低了对输出层神经元的全连接要求。
[0084]本优选实施例的广告投放装置通过对神经网络结构的输入层神经元进行分类，降低了神经网络结构在训练时的计算量，同时使得神经网络结构在训练时更易收敛，提高了广告投放目标的准确度。
[0085]下面将通过具体实施例说明本发明的广告投放方法及广告投放装置的具体工作原理。请参照图8和图9，图8为本发明的广告投放方法及广告投放装置的具体实施例的广告点击率特征参数转换示意图，图9为本发明的广告投放方法及广告投放装置的第一具体实施例对应的深度神经网络结构的结构示意图。该具体实施例的广告投放过程包括:
[0086]步骤1，广告投放装置获取广告点击率特征参数，并使用独热编码将广告点击率特征参数转换为可被机器识别的数值，这样这些数值可作为相应的深度神经网络结构的输入向量，具体如图8所示。
[0087]步骤2，广告投放装置根据广告点击率特征参数的相关性，对广告点击率特征参数进行分类，具体分类方式可参见上述广告投放方法的优选实施例中的相关描述。如广告点击率特征参数A、广告点击率特征参数D以及广告点击率特征参数E为一类；广告点击率特征参数B、广告点击率特征参数F以及广告点击率特征参数G为一类；广告点击率特征参数C、广告点击率特征参数H以及广告点击率特征参数I为一类。
[0088]步骤3，广告投放装置随后根据广告点击率特征参数的类别，对输入层神经元901也进行分类，具体如图9所示，图中的同一虚线框内的输入层神经元901为同一类；即输入层神经元A、输入层神经元D以及输入层神经元E为一类；输入层神经元B、输入层神经元F以及输入层神经元G为一类；输入层神经元C、输入层神经元H以及输入层神经元I为一类。
[0089]步骤4，广告投放装置建立具有多个隐藏层神经元902的神经元组903，即通过神经元组903对隐藏层神经元902进行分类，神经元组903中的每个隐藏层神经元902均与相应的输入层神经元901连接，具体如图9所示，。
[0090]步骤5，广告投放装置建立输出层神经元904，输出层神经元904与隐藏层神经元902全连接，对隐藏层神经元902的输出进行汇总，输出预估广告点击率特征。即将输入层神经元901和隐藏层神经元902的向前输出进行汇总，并将误差信号向后递归至隐藏层神经元902以及输入层神经元901。由于向前输出以及向后递归均在同一种类的输入层神经元901和隐藏层神经元902内进行，因此整个深度神经网络结构在训练时的计算量较小，且较易收敛。
[0091]步骤6，广告投放装置根据输出的预估广告点击率特征，进行广告投放。
[0092]这样即完成了本具体实施例的广告投放方法以及广告投放装置的广告投放过程。
[0093]请参照图8和图10，图10为本发明的广告投放方法及广告投放装置的第二具体实施例对应的深度神经网络结构的结构示意图。该具体实施例的广告投放过程包括:
[0094]步骤1，广告投放装置获取广告点击率特征参数，并使用独热编码将广告点击率特征参数转换为可被机器识别的数值，这样这些数值可作为相应的深度神经网络结构的输入向量，具体如图8所示。
[0095]步骤2，广告投放装置根据广告点击率特征参数的相关性，对广告点击率特征参数进行分类，具体分类方式可参见上述广告投放方法的优选实施例中的相关描述。如广告点击率特征参数A、广告点击率特征参数D以及广告点击率特征参数E为一类；广告点击率特征参数B、广告点击率特征参数F以及广告点击率特征参数G为一类；广告点击率特征参数C、广告点击率特征参数H以及广告点击率特征参数I为一类。
[0096]步骤3，广告投放装置随后根据广告点击率特征参数的类别，对输入层神经元1001也进行分类，具体如图10所示，图中的同一虚线框内的输入层神经元901为同一类。输入层神经元A、输入层神经元D以及输入层神经元E为一类；输入层神经元B、输入层神经元F以及输入层神经元G为一类；输入层神经元C、输入层神经元H以及输入层神经元I为一类。
[0097]步骤4，广告投放装置建立具有多个第一隐藏层神经元1002的神经元组1003，即通过神经元组1003对第一隐藏层神经元1002进行分类，神经元组1003中的每个第一隐藏层神经元1002均与相应的输入层神经元1001连接，具体如图10所示。
[0098]步骤5，广告投放装置建立第二隐藏层神经元1