1.一种互联网内容的投放方法,其特征在于,包括:
获取当前用户在当前网站的历史访问记录数据,并将所述历史访问记录数据切分为多个持续访问记录,每个所述持续访问记录包括所述当前用户对所述当前网站的连续访问行为形成的至少一条访问记录,每条所述访问记录包括所述当前用户在所述当前网站上对对象的访问行为数据;
从所述多个持续访问记录包含的访问记录中选取正例样本和负例样本;
根据所述正例样本和所述负例样本,从所述历史访问记录数据归纳访问特征数据;
基于所述访问特征数据进行模型训练,以得到多个回归模型;
基于多个待预测对象的更新访问特征数据以及所述多个回归模型,确定与所述多个待预测对象关联的推荐内容的投放优先顺序。
2.根据权利要求1所述的互联网内容的投放方法,其特征在于,从所述多个持续访问记录包含的访问记录中选取正例样本和负例样本包括:
对于每一持续访问记录中的访问记录,如果所述访问记录针对的对象在先前的持续访问记录中被访问过,则将所述访问记录标记为所述正例样本;
对于每一持续访问记录中的访问记录,如果所述访问记录针对的对象在先前的持续访问记录中被访问过,但在当前持续访问记录中没有被访问,则将所述访问记录标记为所述负例样本。
3.根据权利要求1所述的互联网内容的投放方法,其特征在于,所述回归模型为GBDT树模型。
4.根据权利要求1所述的互联网内容的投放方法,其特征在于,基于多个待预测对象的更新访问特征数据以及所述多个回归模型,确定与所述多个待预测对象关联的推荐内容的投放优先顺序,包括:
基于待预测对象的更新访问特征数据和所述多个回归模型得到所述待预测对象的得分;
根据所述得分按从高至低进行排序,并根据所述排序确定与所述多个待预测对象关联的推荐内容的投放优先顺序。
5.根据权利要求1所述的互联网内容的投放方法,其特征在于,所述访问特征数据包括当前用户访问所述当前网站的特征数据、对象被访问的特征数据和所述当前用户访问所述对象的特征数据。
6.一种互联网内容的投放装置,其特征在于,包括:
获取单元,适于获取当前用户在当前网站的历史访问记录数据,并将所述历史访问记录数据切分为多个持续访问记录,每个所述持续访问记录包括所述当前用户对所述当前网站的连续访问行为形成的至少一条访问记录,
每条所述访问记录包括所述当前用户在所述当前网站上对对象的访问行为数据;
选取单元,适于从所述多个持续访问记录包含的访问记录中选取正例样本和负例样本;
归纳单元,适于根据所述正例样本和所述负例样本,从所述历史访问记录数据归纳访问特征数据;
模型训练单元,适于基于所述访问特征数据进行模型训练,以得到多个回归模型;
确定单元,适于基于多个待预测对象的更新访问特征数据以及所述多个回归模型,确定与所述多个待预测对象关联的推荐内容的投放优先顺序。
7.根据权利要求6所述的互联网内容的投放装置,其特征在于,所述选取单元包括:
第一标记子单元,适于对于每一持续访问记录中的访问记录,如果所述访问记录针对的对象在先前的持续访问记录中被访问过,则将所述访问记录标记为所述正例样本;
第二标记子单元,适于对于每一持续访问记录中的访问记录,如果所述访问记录针对的对象在先前的持续访问记录中被访问过,但在当前持续访问记录中没有被访问,则将所述访问记录标记为所述负例样本。
8.根据权利要求6所述的互联网内容的投放装置,其特征在于,所述回归模型为GBDT模型。
9.根据权利要求6所述的互联网内容的投放装置,其特征在于,所述确定单元包括:
得分获取子单元,适于基于待预测对象的更新访问特征数据和所述多个回归模型得到所述待预测对象的得分;
投放顺序确定子单元,适于根据所述得分按从高至低进行排序,并根据所述排序确定与所述多个待预测对象关联的推荐内容的投放优先顺序。
10.根据权利要求6所述的互联网内容的投放装置,其特征在于,所述访问特征数据包括当前用户访问所述当前网站的特征数据、对象被访问的特征数据和所述当前用户访问所述对象的特征数据。