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。
[0040]如果候选展现场景有多种，需分别将得到的各项展现场景特征依次作为一种场景级特征，得到当前投放信息的一组特征集。进而，将该组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组特征集进行加权处理，进而预估得到当前投放信息在该项展现场景特征下的点击率，作为该模型的输出。
[0041]本实施例提供的技术方案，分级别得到当前投放信息的特征集，能够加快特征提取的速度，避免系统资源造成浪费。
[0042]实施例三
[0043]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。本实施例以上述所有实施例为基础，提供一优选实施例。在该实施例中，投放信息为搜索类投放信息，尤其为搜索广告。参见图3，本实施例提供的投放信息点击率预估方法由线下训练系统和线上预估系统共同作用实现。
[0044]一、先是，线下训练系统依次执行如下操作:
[0045]获取投放信息展现点击日志数据，其中该日志可包括如下数据:最近预设时间段内大量用户在终端上输入过的搜索词，并在该搜索词下终端所展现的投放信息的标识，投放信息的展现位次和投放样式(包括标题信息、创意信息和物料信息)，对所展现的投放信息的点击行为结果，以及一些其他数据(例如终端类型、终端屏幕的宽高、终端屏幕的分辨率、网速等)；
[0046]对日志数据进行预处理以从中提取训练样本，其中训练样本包括:多条历史投放信息的特征集以及对应的点击行为结果；其中，该特征集包括该历史投放信息的用户特征、意图需求特征、投放信息特征、展现位置特征和展现场景特征；
[0047]对训练样本进行训练得到投放信息点击率模型，该模型包括特征模型参数；
[0048]将特征模型参数推送至线上预估系统。
[0049]二、然后，线上预估系统包括搜索服务器和预估服务器，依次执行如下操作:
[0050]搜索服务器遍历各个展现位次(也即展位):生成对当前展现位次的投放信息队列中各候选投放信息的点击率进行预估的请求数据，并向预估服务器发起包含有该请求数据的预估请求，该请求数据包括展现位次信息、搜索用户信息、意图需求信息、各条候选投放信息的标识以及与各条候选投放信息对应的至少一种候选展现场景信息；
[0051]预估服务器对预估请求进行解析，以提取各候选投放信息在其对应的各候选展现场景下的特征集；查询特征模型参数，预估各候选投放信息在其对应的各候选展现场景下的转化率，并封装成应答包下发给搜索服务器；其中，该特征集包括候选投放信息的用户特征、意图需求特征、投放信息特征、展现位置特征和展现场景特征；
[0052]搜索服务器处理预估服务器下发的应答包，以从中获取当前展现位次的投放信息队列中各候选投放信息在其对应的各候选展现场景下的点击率。
[0053]而后，搜索服务器可以结合具体的展现场景，根据点击率对投放信息队列中各候选投放信息进行排序，以基于排序结果从投放信息队列中选择出目标投放信息作为用于在当前展现位次进行展现的投放信息。这样，遍历下一展现位次时，所确定的该展现位次投放信息队列，即为当前展现位次的投放信息队列中除目标投放信息之外的所有候选投放信息组成的队列。
[0054]本实施例能够提升投放信息点击率预估的精度，使得对投放信息预估的点击率与真实场景展现的投放信息的后验点击率拟合更好，提高投放的用户体验和收入；支持投放信息内容展现样式和附加创意的自动选择，支持更加细粒度的分位次投放信息拍卖机制，使得投放信息的选择、排序、计费更加合理，提升流量变现效率。
[0055]实施例四
[0056]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。参见图4，该装置的具体结构如下:
[0057]特征获取单元410，用于获取当前投放信息的特征集；
[0058]点击率预估单元420，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；
[0059]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。
[0060]示例性的，本实施例提供的投放信息点击率预估装置还包括:
[0061]训练样本获取单元400，用于在所述点击率预估单元420预估所获取的当前投放信息的点击率之前，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；
[0062]点击率模型创建单元405，用于基于机器学习算法对所述训练样本进行训练，以建立所述投放信息点击率模型。
[0063]示例性的，所述投放信息为搜索类投放信息；所述展现位置为展现位次；
[0064]所述特征获取单元410，包括:
[0065]特征确定子单元4101，用于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；
[0066]特征选取子单元4102，用于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。
[0067]示例性的，所述特征确定子单元4101，具体用于:
[0068]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；
[0069]根据生成结果确定各条候选投放信息的特征集。
[0070]在上述技术方案的基础上，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。
[0071]上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
[0072]注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
【主权项】
1.一种投放信息点击率预估方法，其特征在于，包括: 获取当前投放信息的特征集； 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； 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。2.根据权利要求1所述的方法，其特征在于，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所述训练样本进行训练，以建立所述投放信息点击率模型。3.根据权利要求2述的方法，其特征在于，所述投放信息为搜索类投放信息；所述展现位置为展现位次； 获取当前投放信息的特征集，包括: 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； 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。4.根据权利要求3所述的方法，其特征在于，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集。5.根据权利要求1-4中任一项所述的方法，其特征在于，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。6.一种投放信息点击率预估装置，其特征在于，包括: 特征获取单元，用于获取当前投放信息的特征集； 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； 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。7.根据权利要求6所述的装置，其特征在于，还包括: 训练样本获取单元，用于在所述点击率预估单元预估所获取的当前投放信息的点击率之前，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； 点击率模型创建单元，用于基于机器学习算法对所述训练样本进行训练，以建立所述投放信息点击率模型。8.根据权利要求7述的装置，其特征在于，所述投放信息为搜索类投放信息；所述展现位置为展现位次； 所述特征集获取单元，包括: 特征确定子单元，用于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； 特征选取子单元，用于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。9.根据权利要求8所述的装置，其特征在于，所述特征确定子单元，具体用于: 依次生成所述多条候选投放信息的全局特征集、投放信息级特征集以及场景级特征集; 根据生成结果确定各条候选投放信息的特征集。10.根据权利要求6-9中任一项所述的装置，其特征在于，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。
【专利摘要】本发明实施例公开了一种投放信息点击率预估方法及装置。其中，所述方法包括：获取当前投放信息的特征集；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；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。本发明实施例提供的技术方案，能够提高预估精度，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。
【IPC分类】G06F17/30
【公开号】CN105183772
【申请号】CN201510484468
【发明人】杨逍, 国智, 赵宇
【申请人】百度在线网络技术（北京）有限公司
【公开日】2015年12月23日
【申请日】2015年8月7日