投放信息点击率预估方法及装置的制造方法
【技术领域】
[0001]本发明实施例涉及互联网技术领域，尤其涉及投放信息点击率预估方法。
【背景技术】
[0002]随着互联网商业模式的不断探索发展，投放信息(例如互联网广告)已经成为互联网流量变现的一种重要业务形式。投放信息的点击率综合反应了投放信息与搜索需求的相关性、投放信息创意的吸引力等水平，量化了投放信息在展现后被网民点击的概率。投放信息选择、准入、排序及计费等阶段都依赖对候选投放信息的点击率进行准确的预估。因此，如何精准实时地预估投放信息的点击率至关重要。
[0003]然而，现有技术仅仅根据投放信息的如下一些特征:意图需求特征、用户特征以及上下文投放信息间的文本相似度特征，来进行点击率预估，以供下游的投放信息拍卖机制使用。由于该预估方式无法有效纳入其他有用特征进行预估，从而使得预估的点击率与实际场景下投放信息的后验点击率存在误差。
【发明内容】
[0004]本发明实施例提供一种投放信息点击率预估方法及装置，以提高预估精度。
[0005]—方面，本发明实施例提供了一种投放信息点击率预估方法，该方法包括:
[0006]获取当前投放信息的特征集；
[0007]根据所获取的特征集，采用预先基于机器学习算法、历史投放信息的特征集及对应的点击行为结果创建的投放信息点击率模型，预估所获取的当前投放信息的点击率；
[0008]其中，任一投放信息的特征集包括该投放信息的展现位置特征和/或展现场景特征。
[0009]另一方面，本发明实施例还提供了一种投放信息点击率预估装置，该装置包括:
[0010]特征获取单元，用于获取当前投放信息的特征集；
[0011]点击率预估单元，用于根据所获取的特征集，采用预先基于机器学习算法、历史投放信息的特征集及对应的点击行为结果创建的投放信息点击率模型，预估所获取的当前投放信息的点击率；
[0012]其中，任一投放信息的特征集包括该投放信息的展现位置特征和/或展现场景特征。
[0013]本发明实施例提供的技术方案，根据更加细粒度的展现位置和/或展现场景信息来预估投放信息的点击率，能够提升预估精度，使得投放信息预估的点击率与投放信息真实场景展现的后验点击率拟合更好，后续对投放信息的选择、排序以及计费业务处理流程更加合理准确，提升流量变现效率。
【附图说明】
[0014]图1是本发明实施例一提供的一种投放信息点击率预估方法的流程示意图；
[0015]图2是本发明实施例二提供的一种投放信息点击率预估方法的流程示意图；
[0016]图3是本发明实施例三提供的一种投放信息点击率预估方法的流程示意图；
[0017]图4是本发明实施例四提供的一种投放信息点击率预估装置的结构示意图。
【具体实施方式】
[0018]下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0019]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0020]实施例一
[0021]图1是本发明实施例一提供的一种投放信息点击率预估方法的流程示意图。本实施例可适用于对投放信息的点击率进行预估的情况。该方法可以由投放信息点击率预估装置来执行，所述装置由软件实现，可被配置在为终端提供投放信息展示服务的物理设备上。参见图1，本实施例提供的投放信息点击率预估方法所包括的执行操作具体如下。
[0022]S110、获取当前投放信息的特征集。
[0023]S120、根据所获取的特征集，采用预先基于机器学习算法、历史投放信息的特征集及对应的点击行为结果创建的投放信息点击率模型，预估所获取的当前投放信息的点击率。
[0024]当前投放信息可以是搜索类投放信息，具体为:在接收到用户在终端显示的搜索页面输入的搜索词之后，通过搜索技术所确定的待在终端的搜索结果输出页面进行展现的候选投放信息。当然，当前投放信息还可以是展示类投放信息，具体为:在接收到用户触发的对其他非搜索页面(例如京东主页面、搜狐主页面)的访问请求后，所确定的待在所述其他非搜索页面进行展现的候选投放信息。
[0025]在本实施例中，可预先在线下建立好投放信息点击率模型。示例性的，在预估所获取的当前投放信息的点击率之前，还包括:获取历史投放信息的特征集及对应的点击行为结果，作为训练样本；基于机器学习算法对训练样本进行训练，以建立投放信息点击率模型。其中，点击行为结果指的是:在历史投放信息被投放展现时，用户对历史投放信息的点击行为结果，例如如果用户点击了该投放信息，则该点击行为结果为1，相反则为O。机器学习算法可以是神经网络算法、决策树算法、或者逻辑回归算法等。
[0026]在线下建立好投放信息点击率模型后，可在线上实时地获取当前投放信息的特征集；进而，将当前投放信息的特征集作为投放信息点击率模型的一次输入，并基于该模型中的特征模型参数对该特征集进行加权处理，进而预估得到当前投放信息的点击率，作为该模型的输出。
[0027]在本发明实施例中，任一投放信息的特征集包括该投放信息的展现位置特征和/或展现场景特征。其中，如果投放信息为搜索类投放信息，则展现位置特征可以是该投放信息在投放信息展现列表中的展现位次；如果投放信息为展示类投放信息，则展现位置特征可以是该投放信息在非搜索页面中的位置。任一投放信息的展现场景特征包括如下至少一种:该投放信息的展现样式特征、展现设备特征以及网速特征。举例而言，展现设备特征可具体包括用于展现投放信息的终端类型、终端屏幕的宽高、终端屏幕的分辨率等。
[0028]示例性的，投放信息的展现样式特征可包括如下至少一种:标题特征、创意特征和物料特征。其中，标题特征可包括标题描述、标题大小、标题飘红程度等；创意特征可包括创意类型，例如是属于幽默型创意、悬念型创意还是夸张型创意等；物料特征可包括物料类型，例如是属于文字链型物料、图片型物料、应用下载型物料还是电话拨打型物料等。
[0029]除展现位置特征和展现场景特征之外，特征集还可包括如下至少一种特征:用户特征、意图需求特征、投放信息特征。其中，用户特征指的是输入搜索词的搜索用户的特征(对应于搜索类投放信息)，或者访问非搜索页面的浏览用户的特征(对应于展示类投放信息)，可具体包括用户标识、年龄、性别、所在地区等。如果投放信息为搜索类投放信息，则意图需求特征可包括用户输入的搜索词、搜索意图类别等。举例而言，可根据预先创建的多个搜索词与多个意图类别之间的映射关系，确定用户输入的搜索词所属的意图类别，将该类别作为搜索意图类别。如果投放信息为展示类投放信息，则意图需求特征可包括浏览意图类别。举例而言，可根据用户的历史浏览行为确定浏览意图类别。投放信息特征可包括投放信息标识。
[0030]本实施例提供的技术方案，根据更加细粒度的展现位置和/或展现场景信息来预估投放信息的点击率，能够提升预估精度，使得投放信息预估的点击率与投放信息真实场景展现的后验点击率拟合更好，后续对投放信息的选择、排序以及计费业务处理流程更加合理准确，提升流量变现效率。
[0031]实施例二
[0032]图2是本发明实施例二提供的一种投放信息点击率预估方法的流程示意图。本实施例在上述实施例一的基础上，在投放信息为搜索类投放信息的应用场景下，对“获取当前投放信息的特征集”的操作作进一步优化。参见图2，本实施例提供的投放信息点击率预估方法所包括的执行操作具体如下。
[0033]S210、遍历预设的投放信息展现列表中的各个展现位次，确定当前展现位次下的多条候选投放信息的特征集。
[0034]在本实施例中，在遍历各个展现位次之前，可包括:接收到用户在终端显示的搜索页面输入的搜索词，基于该搜索词在投放信息库中进行搜索，以得到与该搜索词关联的多条候选投放信息；然后，从搜索到的多条候选投放信息中选择至少一条投放信息。
[0035]而后，示例性的，可按照展现位次序号的大小顺序，依次遍历终端搜索结果输出页面所包含的投放信息展现列表中的各个展现位次:确定当前展现位次下的投放信息队列，以及队列中各条候选投放信息的特征集。投放信息队列中任一条候选投放信息为:从搜索到的多条候选投放信息中选择的一条投放信息。特征集包括:展现位置特征和展现场景特征。
[0036]作为本实施例的一种优选的实施方式，确定当前展现位次下的多条候选投放信息的特征集，包括:依次生成所述多条候选投放信息的全局特征、投放信息级特征以及场景级特征；根据生成结果确定各条候选投放信息的特征。其中，全局特征为:针对所述多条候选投放信息中全部的候选投放信息，得到的不会随着候选投放信息的不同而发生变化的特征，例如:用户特征、意图需求特征等。全局特征的生成过程无需对各条候选投放信息进行遍历即可得到。投放信息级特征为:通过遍历所述多条候选投放信息中的各条候选投放信息，得到的除全局特征之外的，且不会随着展现样式的不同而发生变化的各条候选投放信息的特征，例如:该条投放信息标识。场景级特征为:通过遍历所述多条候选投放信息中的各条候选投放信息所对应的各种候选展现场景，得到的除全局特征和投放信息级特征之外的各条候选投放信息的展现场景特征。
[0037]S220、将所述多条候选投放信息中的一条候选投放信息作为当前投放信息，从确定结果中选取当前投放信息的特征集。
[0038]当前投放信息的特征集包括:确定结果中的全局特征集、当前投放信息所对应的投放信息级特征集以及场景级特征集。
[0039]S230、根据所选取的特征集，采用预先基于机器学习算法、历史投放信息的特征集及对应的点击行为结果