广告的播放方法及装置与流程

本发明涉及计算机技术领域，特别是涉及一种广告的播放方法及装置。

背景技术

网络平台通过广告的点击率大小，对广告的播放时长、广告的播放次数、广告播放流量进行合理的分配，制定广告费收费标准，然后播放广告。

现有技术中，广告的播放过程如下：

使用数据库中的历史广告数据作为广告样本，将广告样本作为包含预设各项参数的fm(factorizationmachine，因子分解机)算法的输入，将历史广告数据中广告点击率作为训练目标，训练并输出为广告点击率的fm模型。将需要播放的各个广告作为待选广告，然后将获得的各个待选广告数据输入至优化后的fm模型，输出预估的各个待选广告的点击率，选择点击率最高的待选广告作为在线播放的广告。

由于现有技术中采用的历史广告数据很多时候已经过时，但是用户对于产品的需求经常会发生变化。因此，现有技术中，通过使用历史广告数据训练出的fm模型实在进行预测时性可能较低，进而使得预估出的待选广告的点击率往往不太准确，在线播放的广告中的产品往往与用户所需的产品可能相差甚远，用户可能不会点击在线播放的广告，从而导致在线播放的广告的点击率可能较低。

技术实现要素：

本发明实施例的目的在于提供一种广告的播放方法及装置，使用当前时间播放的广告特征数据实时训练出已训练的fm模型，提高了已训练的fm模型实时性，提高预估待选广告的点击率准确度，因此可以提高在线播放广告的点击率。具体技术方案如下：

第一方面，本发明实施例提供了一种广告的播放方法，包括：

获取当前时间播放广告的当前广告数据；当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；第一点击率为用户点击当前时间播放的广告产生的点击率；

将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；

将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；

选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。

可选的，将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型，包括：

将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，利用梯度下降算法，确定第一点击率与预设的fm模型输出第三点击率的误差值是否是最小；第三点击率为：预设的fm模型的输入为当前广告特征数据及当前用户数据，预设的fm模型输出的点击率；

若第一点击率与第三点击率的误差值不是最小，则调整预设的fm模型的各项参数直至第一点击率与第三点击率误差值是最小；

将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型，包括：

将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，计算获得第一点击率与第三点击率的误差值；

将误差值及预设的fm模型中预设的各项参数作为预设的极大似然估计函数的输入，将预设的极大似然估计函数的输出取对数，获得预设的fm模型输出的损失函数；

利用跟随正规的领导ftrl算法计算损失函数，对于预设的fm模型的各项参数的梯度，确定预设的fm模型输出的损失函数是否最小；

若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，预设的fm模型是通过如下步骤预先训练获得：

将一个广告的历史广告数据作为一条训练样本，获得训练集合；训练集合包括：多条训练样本；每条训练样本包括：历史用户数据、历史广告特征数据及用户点击广告产生的历史点击率；

将训练集合中各个训练样本作为初始fm模型的输入，将各个训练样本中的历史点击率作为初始fm模型训练目标；

利用正态有限记忆拟牛顿owlqn算法设定的伪梯度函数的梯度下降方向，计算在该方向下预设的损失函数值的各项参数，确定预设的fm模型输出的损失函数是否最小；

若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

将调整各项参数后的初始fm模型作为预设的fm模型。

可选的，可以采用如下步骤，获得预设的待选广告数据集：

将一待选广告的广告特征数据及一用户数据进行组合，作为一条预测样本；

获得预设的待选广告数据集；预设的待选广告数据集包括：多条预测样本。

可选的，本发明实施例提供了一种广告的播放方法还包括：

将当前广告数据作为一条广告样本，加入预设的待选广告数据集，更新预设的待选广告数据集。

第二方面，本发明实施例提供了一种广告的播放装置，包括：

获取模块，用于获取当前时间播放广告的当前广告数据；当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；第一点击率为用户点击当前时间播放的广告产生的点击率；

训练模块，用于将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；

预估模块，用于将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；

播放模块，用于选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。

可选的，训练模块包括：

第一误差单元，用于将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，利用梯度下降算法，确定第一点击率与预设的fm模型输出第三点击率的误差值是否是最小；第三点击率为：预设的fm模型的输入为当前广告特征数据及当前用户数据，预设的fm模型输出的点击率；

第一调整单元，用于若第一点击率与第三点击率的误差值不是最小，则调整预设的fm模型的各项参数直至第一点击率与第三点击率误差值是最小；

第一确定单元，用于将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，训练模块包括：

第二误差单元，用于将第一点击率与第三点击率作比较，计算获得第一点击率与第三点击率的误差值；

第一损失单元，用于将误差值及预设的fm模型中预设的各项参数作为预设的极大似然估计函数的输入，将预设的极大似然估计函数的输出取对数，获得预设的fm模型输出的损失函数；

计算单元，用于利用梯度下降法计算损失函数，对于预设的fm模型的各项参数的梯度，确定预设的fm模型输出的损失函数是否最小；

第二调整单元，用于若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

第二确定单元，用于将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，本发明实施例提供的一种广告的播放装置还包括：

样本模块，用于将一个广告的历史广告数据作为一条训练样本，获得训练集合；训练集合包括：多条训练样本；每条训练样本包括：历史用户数据、历史广告特征数据及用户点击该广告产生的历史点击率；

目标模块，用于将训练集合中各个训练样本作为初始fm模型的输入，将各个训练样本中历史点击率作为初始fm模型训练目标；

损失模块，用于利用正态有限记忆拟牛顿owlqn算法设定的伪梯度函数的梯度下降方向，计算在该方向下预设的损失函数值的各项参数，确定预设的fm模型输出的损失函数是否最小；

损失调整模块，用于若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

模型确定模块，用于将调整各项参数后的初始fm模型作为预设的fm模型。

可选的，本发明实施例提供的一种广告的播放装置还包括：

预测模块，用于将一待选广告的广告特征数据及一用户数据进行组合，作为一条预测样本；

待选模块，用于获得预设的待选广告数据集；预设的待选广告数据集包括：多条预测样本。

可选的，本发明实施例提供的一种广告的播放装置还包括：

更新模块，用于将当前广告数据作为一条广告样本，加入预设的待选广告数据集，更新预设的待选广告数据集。

在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的广告的播放方法。

在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计运行时，使得计算机执行上述任一所述的广告的播放方法。

本发明实施例提供的广告的播放方法及装置，通过获取当前时间播放广告的当前广告数据；所述当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；所述第一点击率为用户点击所述当前时间播放的广告产生的点击率；将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。本实施例利用当前播放的广告数据训练得到已训练的fm模型，实时性较高；使用已训练的fm模型预估出各个待选广告的点击率，准确度较高；然后选择点击率最高的待选广告进行播放。播放的待选广告与用户所需求产品广告的较为匹配。因此，可以提高播放广告的点击率。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例提供的一种广告的播放方法的流程图；

图2为本发明实施例提供的获得预设的fm模型的流程图；

图3为本发明实施例提供的获得预设的待选广告数据集的流程图；

图4为本发明实施例提供的一种获得已训练的fm模型的流程图；

图5为本发明实施例提供的另一种获得已训练的fm模型的流程图；

图6为本发明实施例提供的一种广告的播放装置的结构图；

图7为本发明实施例提供的一种电子设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。

首先，为了方便理解本发明实施例，在此先介绍一下本发明实施例中下文的使用术语“第一点击率”、“第二点击率”、“第三点击率”、“历史点击率”。等。

第一点击率为用户点击当前时间播放的广告产生的点击率；第二点击率为已训练的fm模型输入为各个待选广告数据，已训练的fm模型输出的各个待选广告的点击率。第三点击率为：第三点击率为：预设的fm模型的输入为当前广告特征数据及当前用户数据，预设的fm模型输出的点击率。这里的诸如第一和第二等之类的关系术语仅仅用来将“第一点击率”及“第二点击率”“第三点击率”进行区分，并不一定要求或者暗示“第一点击率”及“第二点击率”“第三点击率”之间存在任何这种实际的关系或者顺序。具体“第一点击率”及“第二点击率”“第三点击率”是否有顺序，可以根据实际情况去限定。

历史点击率为用户点击历史广告产生的点击率。

本发明实施例使用当前时间播放的当前广告数据训练得到已训练的fm模型；将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。本实施例利用当前播放的广告数据训练得到已训练的fm模型，实时性较高；使用已训练的fm模型预估出各个待选广告的点击率，准确度较高；然后选择点击率最高的待选广告进行播放。播放的待选广告与用户所需求产品广告的较为匹配。因此，可以提高播放广告的点击率。

下面继续对本发明实施例提供的一种广告的播放方法作简单介绍。

本发明实施例提供的一种广告的播放方法，应用于电子设备，进一步电子设备可以为手机、电脑、服务器、智能移动终端设备、可穿戴式智能移动终端设备等；还可以应用于实时竞价广告位盈利的广告公司。在此不做限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。

如图1所示，本发明实施例提供了一种广告的播放方法，包括：

s101，获取当前时间播放广告的当前广告数据；当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；第一点击率为用户点击所述当前时间播放的广告产生的点击率；

其中，当前用户数据包括：年龄、城市、性别、爱好，当前广告特征数据包括：当前广告的文字、当前广告的格式、当前广告的图片、当前广告的播放时长、当前广告的播放次数、当前广告的播放流量。当前广告数据还包括：环境数据，环境数据包括：客户端型号、时间、地理位置、客户端屏幕尺寸、客户端的网络ip及客户端与网络连接方式；第一点击率的值为100％。

其中，当前时间是人为根据行业经验设定的时间段，当前时间小于或者等于当前广告的播放时长，当前时间可以根据不同种类广告播放时长做适应性调整。

例如：如果当前播放广告是手机广告，手机广告播放时长常常为10秒；人为可以设置当前时间为10秒或者5秒；如果当前播放广告是洗发水广告，洗发水广告播放时长常常为8秒，人为可以设置当前时间为8秒或者7秒。

s102，将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将所述第一点击率作为所述预设的fm模型输出的训练目标，训练所述预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；

为了实现提高得到已训练的fm模型的效率，上述s102可以采用如下至少一种可能的实现方式，获得预设的fm模型：

在一种可能的实现方式中，预设的fm模型可以人为直接提供，提高获得预设的fm模型的速率。

在另一种可能的实现方式中，预设的fm模型采用如下步骤，预先训练得到：

s201，将一个广告的历史广告数据作为一条训练样本，获得训练集合；训练集合包括：多条训练样本；每条训练样本包括：历史用户数据、历史广告特征数据及用户点击该广告产生的历史点击率；

其中，历史用户数据包括：年龄、城市、性别、爱好，历史广告特征数据包括：历史广告的文字、历史广告的格式、历史广告的图片、历史广告的播放时长、历史广告的播放次数、历史广告的播放流量。历史广告数据还包括：环境数据，环境数据包括：客户端型号、时间、地理位置、客户端屏幕尺寸、客户端的网络ip及客户端与网络连接方式；历史点击率的值为100％。

s202，将训练集合中各个训练样本作为初始fm模型的输入，将各个训练样本中的历史点击率作为初始fm模型训练目标；

其中，初始fm模型是人为根据广告行业的数据选择符合广告点击率的数学公式，该数学公式中的各项参数可以是人为预设的，也可以是该公式初始自有的。

s203，利用正态有限记忆拟牛顿owlqn算法设定的伪梯度函数的梯度下降方向，计算在该方向下预设的损失函数值的各项参数，确定预设的fm模型输出的损失函数是否最小；

利用owlqn算法设定的伪梯度函数，可以每个训练样本在同一象限，保证每个训练样本取得的方向导数最小，从而确定梯度的下降方向；计算在该方向下预设的损失函数值的各项参数，确定预设的fm模型输出的损失函数是否最小，从而对预设的fm模型进行多次优化，以提高确定损失函数最小的效率。

s204，若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

在一种可能的实施方式中，若损失函数值不是最小，向梯度下降方向调整预设的fm模型的各项参数直至损失函数值最小，可以节省调整各项参数的时间，快速的使得损失函数达到最小。

s205，将调整各项参数后的初始fm模型作为预设的fm模型。

相较于人为直接提供预设的fm模型的方式，本实施方式通过广告的历史广告数据，将调整各项参数后的初始fm模型作为预设的fm模型，将预设的fm模型的各项参数作为训练已训练的fm模型的启动参数，使其不需要经过冷启动时间就能立马达到与预设的fm模型一样的效果，节省获得已训练模型的时间，使得训练出的已训练模型的准确率更高。

在一种可能的实施方式中，为了防止使用ftrl算法训练预设的fm模型有偏，定期使用预设的fm的各项参数更新已训练的fm模型的启动参数，提高已训练模型的准确率。

s103，将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；

为了实现提高得到第二点击率的效率，上述s103可以采用如下至少一种可能的实现方式，获得预设的待选广告数据集：

在一种可能的实现方式中，预设的待选广告数据集可以人为将网站上的所有历史广告数据作为预设的待选广告数据集，以提高获得预设的待选广告数据集的速率。

在另一种可能的实现方式中，结合图1的实施例，如图3所示，采用如下步骤，获得预设的待选广告数据集：

s301，将一待选广告的广告特征数据及一用户数据进行组合，作为一条预测样本；

其中，待选广告的广告特征数据及用户数据可以由广告投资商或者商家提供。

例如：广告特征数据为：洗发水广告、播放时长10秒，3秒循环播放一次，广告图片大小10k；用户数据为：女、28，将该用户数据排列在广告特征数据后或者前进行组合，作为一条预测样本，该预测样本为：洗发水广告、播放时长10秒，3秒循环播放一次，广告图片大小10k、女、28。或者该预测样本为：、女、28、洗发水广告、播放时长10秒，3秒循环播放一次，广告图片大小10k。

s302，获得预设的待选广告数据集；预设的待选广告数据集包括：多条预测样本。

相较于人为将网站上的所有历史广告数据作为，预设的待选广告数据集的实施方式，本实施方式考虑到网站收入及用户需求，因为历史广告数据往往已经与用户需求不匹配，本实施方式可以提高用户感受及网站收入。

s104，选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。

本发明实施例利用当前播放的广告数据训练得到已训练的fm模型，实时性较高；使用已训练的fm模型预估出各个待选广告的点击率，准确度较高；然后选择点击率最高的待选广告进行播放。播放的待选广告与用户所需求产品广告的较为匹配。因此，可以提高播放广告的点击率。

为了实现提高已训练的fm模型的准确率，上述s102可以采用如下至少一种可能的实现方式，训练得到已训练的fm模型：

在一种可能的实施方式中，结合图1及图2的实施例，如图4所示，采用如下步骤，获得已训练的fm模型：

s401，将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，利用梯度下降算法，确定第一点击率与预设的fm模型输出第三点击率的误差值是否是最小；第三点击率为：预设的fm模型的输入为当前广告特征数据及当前用户数据，预设的fm模型输出的点击率；

在一种可能的实施方式中，可以采用momentum(冲量)算法、nesterov(牛顿动量)加速梯度算法、adagrad(阿达格雷)算法、adadelta(阿达德尔塔)算法、rmsprop(均方根反向传播)算法、adam(适应性动量估计)算法，确定第一点击率与预设的fm模型输出第三点击率的误差值是否是最小，提高梯度下降的速度，以便快速得到已训练的fm模型。

s402，若第一点击率与第三点击率的误差值不是最小，则调整预设的fm模型的各项参数直至第一点击率与第三点击率误差值是最小；

其中，第一点击率与第三点击率误差值可以是0时最小，也可以是不大于1的小数时，达到最小，在此不做限制，具体情况根据第一点击率与第三点击率的值可以调整该误差值到达最小值的衡量标准。

s403，将调整各项参数后的预设的fm模型作为已训练的fm模型。

本实施方式通过调整预设的fm模型的各项参数，使得第一点击率及第三点击率的误差值最小，将调整各项参数后的预设的fm模型作为已训练的fm模型，可以提高获得已训练fm模型的效率。

在另一种可能的实施方式中，结合图1及图2的实施例，如图5所示，采用如下步骤，获得已训练的fm模型：

s501，将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，计算获得第一点击率与第三点击率的误差值；

s502，将误差值及预设的fm模型中预设的各项参数作为预设的极大似然估计函数的输入，将预设的极大似然估计函数的输出取对数，获得预设的fm模型输出的损失函数；

在一种可能的实施方式中，将误差值及预设的fm模型中预设的各项参数作为预设的极大似然估计函数的输入，将预设的极大似然估计函数的输出取对数，将对数后，将该输出取对数后的预设的极大似然估计函数作为预设的fm模型输出的损失函数，以提高获得预设fm模型的准确率。

s503，利用ftrl(follow-the-regularized-leader，跟随正规的领导)算法计算损失函数，对于预设的fm模型的各项参数的梯度，确定预设的fm模型输出的损失函数是否最小；

在一种可能的实施方式中，利用ftrl算法的公式，迭代计算损失函数对于预设的fm模型的各项参数，不超过差值阈值的梯度的累加和，利用该梯度的累加和最小时的预设的fm的各项参数，求解预设的fm输出的第三点击率与第一点击率的误差是否是最小，提高已训练的fm模型的准确度。

s504，若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

在一种可能的实施方式中，若损失函数值不是最小，向梯度下降方向调整预设的fm模型的各项参数直至损失函数值最小，可以节省调整各项参数的时间，快速的使得损失函数达到最小。

s505，将调整各项参数后的预设的fm模型作为已训练的fm模型。

本实施方式利用ftrl算法调整预设的fm模型的各项参数，求解第一点击率及第三点击率的损失函数最小，确定已训练的fm模型。ftrl算法具有模型参数稀疏化、数据只需迭代一次等优点，使用ftrl算法保证训练预设的fm模型过程中当前广告特征数据及当前用户数据的稀疏特征，提高训练预设的fm模型得到已训练fm模型的效率的同时，提高了已训练fm模型的准去率。

为了更好的提高广告的点击率，在s102之后，本发明实施例提供的一种可选的实现方式，所述方法还包括：

将当前广告数据作为一条广告样本，加入预设的待选广告数据集，更新预设的待选广告数据集。

本实施方式通过将当前广告特征数据加入预设的待选广告数据集，将加入当前广告特征数据后的预设的待选广告数据集作为预设的待选广告数据集，达到更新预设的待选广告数据集的目的，以提高第二点击率的准确率。

下面继续对本发明实施例提供的一种广告的播放装置作简单介绍。

如图6所示，本发明实施例提供的一种广告的播放装置，包括：

获取模块601，用于获取当前时间播放广告的当前广告数据；当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；第一点击率为用户点击当前时间播放的广告产生的点击率；

训练模块602，用于将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；

预估模块603，用于将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；

播放模块604，用于选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。

可选的，训练模块包括：

第一误差单元，用于将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率与第三点击率作比较，利用梯度下降算法，确定第一点击率与预设的fm模型输出第三点击率的误差值是否是最小；第三点击率为：预设的fm模型的输入为当前广告特征数据及当前用户数据，预设的fm模型输出的点击率；

第一调整单元，用于若第一点击率与第三点击率的误差值不是最小，则调整预设的fm模型的各项参数直至第一点击率与第三点击率误差值是最小；

第一确定单元，用于将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，训练模块包括：

第二误差单元，用于将第一点击率与第三点击率作比较，计算获得第一点击率与第三点击率的误差值；

第一损失单元，用于将误差值及预设的fm模型中预设的各项参数作为预设的极大似然估计函数的输入，将预设的极大似然估计函数的输出取对数，获得预设的fm模型输出的损失函数；

计算单元，用于利用梯度下降法计算损失函数，对于预设的fm模型的各项参数的梯度，确定预设的fm模型输出的损失函数是否最小；

第二调整单元，用于若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

第二确定单元，用于将调整各项参数后的预设的fm模型作为已训练的fm模型。

可选的，本发明实施例提供的一种广告的播放装置还包括：

样本模块，用于将一个广告的历史广告数据作为一条训练样本，获得训练集合；训练集合包括：多条训练样本；每条训练样本包括：历史用户数据、历史广告特征数据及用户点击该广告产生的历史点击率；

目标模块，用于将训练集合中各个训练样本作为初始fm模型的输入，将各个训练样本中历史点击率作为初始fm模型训练目标；

损失模块，用于利用正态有限记忆拟牛顿owlqn算法设定的伪梯度函数的梯度下降方向，计算在该方向下预设的损失函数值的各项参数，确定预设的fm模型输出的损失函数是否最小；

损失调整模块，用于若损失函数值不是最小，则调整预设的fm模型的各项参数直至损失函数值最小；

模型确定模块，用于将调整各项参数后的初始fm模型作为预设的fm模型。

可选的，本发明实施例提供的一种广告的播放装置还包括：

预测模块，用于将一待选广告的广告特征数据及一用户数据进行组合，作为一条预测样本；

待选模块，用于获得预设的待选广告数据集；预设的待选广告数据集包括：多条预测样本。

可选的，本发明实施例提供的一种广告的播放装置还包括：

更新模块，用于将当前广告数据作为一条广告样本，加入预设的待选广告数据集，更新预设的待选广告数据集。

本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：

获取当前时间播放广告的当前广告数据；当前广告数据包括：当前用户数据、当前广告特征数据及第一点击率；第一点击率为用户点击所当前时间播放的广告产生的点击率；

将当前广告特征数据及当前用户数据作为预设的fm模型的输入，将第一点击率作为预设的fm模型输出的训练目标，训练预设的fm模型，将训练完成后的预设的fm模型作为已训练的fm模型；

将预设的待选广告数据集中的各个待选广告数据输入至已训练的fm模型中，输出预估的各个待选广告的第二点击率；待选广告数据包括：用户数据及广告特征数据；

选择第二点击率最高的待选广告，在当前时间后的预设时间内进行播放。

上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的广告的播放方法。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的广告的播放方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。