广告点击率预估方法、装置、电子设备和存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种广告点击率预估方法、装置、电子设备和存储介质。

背景技术：

2.随着互联网技术的快速发展，广告从线下发展到线上，形式趋于多样化。投放网络广告已经成为了互联网商业模式中进行广告投放的主流方式。网络广告的投放过程需要在非常短的时间内完成。广告点击率的准确预估将有助于确定广告投放策略，实现广告的精准投放，提高广告的传播效果。
3.因此，如何提高广告点击率预估的准确性，成为业界亟待解决的技术问题。

技术实现要素：

4.本发明提供一种广告点击率预估方法、装置、电子设备和存储介质，用于解决如何提高广告点击率预估的准确性的技术问题。
5.本发明提供一种广告点击率预估方法，包括：
6.基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征；
7.基于所述待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值；
8.其中，各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。
9.根据本发明提供的广告点击率预估方法，所述基于所述待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值，包括：
10.基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性；
11.基于所述相关性和所述待投放广告的点击率影响特征，确定所述待投放广告的点击率预估值。
12.根据本发明提供的广告点击率预估方法，所述基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：
13.基于各个已投放广告对应的多个点击率影响特征，确定多个特征域；
14.基于各个点击率影响特征在各个特征域对应的隐向量，确定各个点击率影响特征之间的组合关联性；
15.基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
16.根据本发明提供的广告点击率预估方法，所述基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响
特征与点击率之间的相关性，包括：
17.对各个点击率影响特征进行交叉关联，得到多个特征组合；
18.基于各个点击率影响特征之间的组合关联性，确定各个特征组合对应的影响权重；
19.基于各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
20.根据本发明提供的广告点击率预估方法，所述基于各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：
21.确定各个点击率影响特征对应的影响权重初始值，以及各个特征组合对应的影响权重初始值；
22.基于各个已投放广告的点击率实际值，以及各个已投放广告对应的多个点击率影响特征，对各个点击率影响特征对应的影响权重初始值和各个特征组合对应的影响权重初始值进行调整，并基于影响权重调整结果确定点击率影响特征与点击率之间的相关性。
23.根据本发明提供的广告点击率预估方法，所述基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征，包括：
24.基于所述流量数据中的用户属性数据，确定所述待投放广告对应目标用户的用户属性特征；
25.基于所述流量数据中的广告属性数据，确定所述待投放广告的广告属性特征；
26.基于所述流量数据中的历史统计数据，确定所述目标用户的用户行为特征；
27.基于所述用户属性特征、所述广告属性特征和所述用户行为特征中的至少一种，确定所述点击率影响特征。
28.根据本发明提供的广告点击率预估方法，所述确定所述点击率影响特征之后，所述方法包括：
29.基于各个类别的点击率影响特征的离散化表示结果，确定各个类别的特征维度；
30.基于各个类别的特征维度，对各个类别的点击率影响特征进行特征编码。
31.本发明提供一种广告点击率预估装置，包括：
32.确定单元，用于基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征；
33.预估单元，用于基于所述待投放广告的点击率影响特征，以及已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值；
34.其中，各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。
35.本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述广告点击率预估方法。
36.本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述广告点击率预估方法。
37.本发明提供的广告点击率预估方法、装置、电子设备和存储介质，根据待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定待投放广告的点击率预估值，由于各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的，能够有效地利用上一投放周期的全量信息和当前投放周期的增量信息，准确地分析点击率影响特征和点击率之间的相关性，提高了广告点击率预估的准确性。
附图说明
38.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1是本发明提供的广告点击率预估方法的流程示意图之一；
40.图2是本发明提供的广告点击率预估方法的流程示意图之二；
41.图3为本发明提供的数据预处理方法的流程示意图；
42.图4为本发明提供的增量学习方法的流程示意图；
43.图5是本发明提供的广告点击率预估装置的结构示意图；
44.图6是本发明提供的电子设备的结构示意图。
具体实施方式
45.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.需要说明的是，本发明中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
47.图1是本发明提供的广告点击率预估方法的流程示意图之一，如图1所示，该方法步骤110和步骤120。
48.步骤110、基于待投放广告对应的流量数据，确定待投放广告的点击率影响特征。
49.具体地，本发明提供的广告点击率预估方法的执行主体为广告点击率预估装置。该装置可以为终端或者终端中设置的硬件模块，也可以为运行在终端中的软件程序。终端可以包括移动终端、服务器、平板电脑和台式计算机等。
50.待投放广告为即将进行投放的广告。待投放广告可以是通过互联网进行传播的广告，例如商业广告和公益广告等。本发明实施例对此不作具体限定。
51.点击率是指网站页面上广告被点击的次数与被显示次数之比，反映了广告的受关
注程度，经常用来衡量广告的吸引程度。例如，点击率可以用点击通过率(click-through-rate，ctr)来体现，即广告的实际点击次数除以广告的展现量。点击率越大，待投放广告的投放准确性越好，宣传效果也就越好。
52.流量数据为与待投放广告的点击率相关的数据。流量数据可以包括两方面，一方面为与待投放广告的目标用户相关的数据，例如目标用户的年龄、性别和媒体偏好等数据；另一方面为与待投放广告自身相关的数据，例如广告品牌、广告的显示位置等。
53.点击率影响特征为对广告的点击率产生影响的特征。例如青年用户对于网页广告的点击率高于老年用户，则用户的年龄能够影响广告的点击率，因此可以从流量数据中提取用户年龄特征作为点击率影响特征；又例如在网页中间位置显示的广告的点击率高于网页周边位置显示的广告，因此可以从流量数据中提取广告显示位置特征作为点击率影响特征。
54.待投放广告的点击率影响特征可以为多个，可以通过文本数据解析和特征工程等方法从待投放广告对应的流量数据中得到。
55.步骤120、基于待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定待投放广告的点击率预估值；其中，各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。
56.具体地，已投放广告为已经投放过的广告。点击率实际值为已投放广告在投放后确定的点击率的实际值。
57.广告是通过互联网进行投放的，各个类型的广告在从投放到被用户点击的过程中，由于在某些影响特征方面具有较高的相似度，导致最终所体现出来的点击率也具有较高的相似度。因此，可以对各个已投放广告的点击率影响特征和点击率实际值之间的相关性进行分析，根据这些相关性来对待投放广告的点击率进行预估，得到待投放广告的点击率预估值。点击率预估值可以用来提前预测待投放广告的投放效果，为是否投放待投放广告以及待投放广告的具体投放策略提供参考。
58.本发明实施例中的已投放广告的流量数据可以从两个方面获取，一方面为上一投放周期中已投放广告对应的全量流量数据，另一方面为当前投放周期中已投放广告对应的增量流量数据。广告的投放是按照一定的投放周期循环进行的。在每个投放周期中又可以具体分为多个投放时间段。例如，可以以一天为投放周期，在一天中分为三个投放时间段进行投放，分别为早上、中午和晚上。
59.对于当前投放时间段而言，上一投放周期中各个投放时间段的所有已投放广告的流量数据为全量流量数据；当前投放周期中当前投放时间段之前已投放广告的流量数据为增量流量数据。通过全量流量数据和增量流量数据，可以更好地分析点击率影响特征和点击率实际值之间的相关性。
60.例如，可以根据神经网络模型、逻辑回归模型、树模型和因子分解模型等建立点击率预估模型。以上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据为样本，以各个已投放广告的点击率实际值为样本标签，训练点击率预估模型，使得点击率预估模型能够学习到点击率影响特征和点击率实际值之间的相关性。将待投放广告的点击率影响特征输入点击率预估模型，可以得到准确的点击率预估
值。
61.利用上一投放周期中已投放广告对应的全量流量数据，可以提高点击率预估模型的准确性；利用当前投放周期中已投放广告对应的增量流量数据，可以实时更新点击率预估模型。可以将两者结合，采用增量学习的方式训练点击率预估模型。
62.本发明实施例提供的广告点击率预估方法，根据待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定待投放广告的点击率预估值，由于各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的，能够有效地利用上一投放周期的全量信息和当前投放周期的增量信息，准确地分析点击率影响特征和点击率之间的相关性，提高了广告点击率预估的准确性。
63.需要说明的是，本发明每一个实施方式可以自由组合、调换顺序或者单独执行，并不需要依靠或依赖固定的执行顺序。
64.基于上述实施例，步骤120包括：
65.基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性；
66.基于相关性和待投放广告的点击率影响特征，确定待投放广告的点击率预估值。
67.具体地，点击率影响特征与点击率之间的相关性用于描述点击率影响特征与点击率之间的关联程度。
68.相关性越大，点击率影响特征对点击率的影响程度就越大；相关性越小，点击率影响特征对点击率的影响程度就越小。例如当终端类型为移动终端时，已投放广告的点击率实际值较大；当终端类型为平板电脑时，已投放广告的点击率实际值较小。可以认为当点击率影响特征为移动终端时，可以取得较大的相关性；当点击率影响特征为平板电脑时，可以取得较小的相关性。相关性的计算可以采用相关系数算法和逻辑回归算法等。
69.根据各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性之后，将该相关性与待投放广告的点击率影响特征进行运算，可以得到待投放广告的点击率预估值。
70.本发明实施例提供的广告点击率预估方法，根据各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性，提高了对已投放广告对应的流量数据的利用率，提高了广告点击率预估的准确性。
71.基于上述任一实施例，基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：
72.基于各个已投放广告对应的多个点击率影响特征，确定多个特征域；
73.基于各个点击率影响特征在各个特征域对应的隐向量，确定各个点击率影响特征之间的组合关联性；
74.基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
75.具体地，对于海量的流量数据，以及各个特征之间可能存在相互关联的情况下，可以考虑引入特征域。在各个特征域下，确定各个点击率影响特征是否存在关联。特征域(field)是指具有相同性质的特征所属的类别。例如，对于目标用户的性别，可以作为一个
特征域。在该特征域下，目标用户的性别特征可以具体表示为{男}或者{女}。如果对该特征域内的特征进行编码，则目标用户的性别特征可以用独热编码表示为[1，0]或者[0，1]。
[0076]
不同的点击率影响特征可能具有关联关系，也就是说，除了点击率影响特征本身对点击率有影响之外，两个不同的点击率影响特征的组合也可能对于点击率有影响。那么，在考虑两个不同的点击率影响特征进行组合时，需要考虑这两个点击率影响特征的组合关联性。组合关联性越强，这两个点击率影响特征同时出现时对点击率的影响越大。
[0077]
因此，可以采用ffm(field-aware factorization machines)模型，在学习特征组合时加入特征域的信息，来提高对于各个点击率影响特征与点击率之间的相关性的学习能力。
[0078]
可以对各个已投放广告对应的多个点击率影响特征进行分类，例如将性质相同的特征划分为同一个特征域，从而确定多个特征域。
[0079]
通过ffm模型学习各个点击率影响特征在各个特征域对应的隐向量，来表示各个点击率影响特征与不同特征域下的各个点击率影响特征之间的组合关联性。
[0080]
最后，根据各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
[0081]
本发明实施例提供的广告点击率预估方法，通过学习每个点击率影响特征的隐向量，来确定各个点击率影响特征之间的组合关联性，提高了对于点击率影响特征与点击率之间的相关性的学习能力，提高了广告点击率预估的准确性。
[0082]
基于上述任一实施例，基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：
[0083]
对各个点击率影响特征进行交叉关联，得到多个特征组合；
[0084]
基于各个点击率影响特征之间的组合关联性，确定各个特征组合对应的影响权重；
[0085]
基于各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
[0086]
具体地，可以对各个点击率影响特征进行两两交叉关联，得到多个特征组合。
[0087]
将各个点击率影响特征之间的组合关联性的大小程度，确定为各个特征组合对应的影响权重。组合关联性越大的两个点击率影响特征所构成的特征组合，对于点击率的影响就越大，相应地，特征组合对应的影响权重就越大。
[0088]
可以根据各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个点击率特征组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
[0089]
本发明实施例提供的广告点击率预估方法，一方面考虑了各个点击率影响特征对于点击率的影响；另一方面考虑了点击率影响特征构成的特征组合对于点击率的影响。从上述两方面出发，提高了对于点击率影响特征与点击率之间的相关性的学习能力，提高了广告点击率预估的准确性。
[0090]
基于上述任一实施例，基于各个点击率影响特征和各个点击率影响特征对应的影
响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：
[0091]
确定各个点击率影响特征对应的影响权重初始值，以及各个特征组合对应的影响权重初始值；
[0092]
基于各个已投放广告的点击率实际值，以及各个已投放广告对应的多个点击率影响特征，对各个点击率影响特征对应的影响权重初始值和各个特征组合对应的影响权重初始值进行调整，并基于影响权重调整结果确定点击率影响特征与点击率之间的相关性。
[0093]
具体地，可以根据各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个点击率特征组合和各个特征组合对应的影响权重，构建点击率预估值的计算公式，如下所示：
[0094][0095]
式中，y为点击率预估值，w0为常数，n为点击率影响特征的数量，xi为第i个点击率影响特征，fi为xi对应的特征域，xj为第j个点击率影响特征，fj为xj对应的特征域，为xi在特征域fj对应的隐向量，为xj在特征域fi对应的隐向量，wi为xi对应的影响权重，为和的内积，表示xi和xj构成的特征组合的影响权重。
[0096]
可以对各个点击率影响特征对应的影响权重和各个特征组合对应的影响权重赋予初始值，然后根据各个已投放广告的点击率实际值，以及各个已投放广告对应的多个点击率影响特征，对上述公式进行迭代计算，对各个点击率影响特征对应的影响权重初始值和各个特征组合对应的影响权重初始值进行调整。
[0097]
影响权重的最终迭代值可以作为相关系数，用来表示各个点击率影响特征与点击率之间的相关性。
[0098]
本发明实施例提供的广告点击率预估方法，提高了对于点击率影响特征与点击率之间的相关性的学习能力，提高了广告点击率预估的准确性。
[0099]
基于上述任一实施例，步骤110包括：
[0100]
基于流量数据中的用户属性数据，确定待投放广告对应目标用户的用户属性特征；
[0101]
基于流量数据中的广告属性数据，确定待投放广告的广告属性特征；
[0102]
基于流量数据中的历史统计数据，确定目标用户的用户行为特征；
[0103]
基于用户属性特征、广告属性特征和用户行为特征中的至少一种，确定点击率影响特征。
[0104]
具体地，流量数据可以具体包括用户属性数据、广告属性数据和历史统计数据。
[0105]
用户属性数据可以包括用户年龄、性别、地域、使用终端类型以及媒体偏好特征等。对用户属性数据进行特征提取，可以得到广告对应目标用户的用户属性特征。用户属性特征主要用来对目标用户的基本信息进行描述。
[0106]
广告属性数据可以包括广告创意信息、广告所属的项目信息、广告发行商的信息、广告品牌信息、广告所属行业信息以及广告的网页显示位置信息等。对广告属性数据进行
特征提取，可以得到广告的广告属性特征。广告属性特征主要用来对与所投放的广告本身的基本信息进行描述。
[0107]
历史统计数据可以包括广告展现次数、用户点击次数、用户点击天数和广告的历史点击率等。对历史统计数据进行特征提取，可以得到用户行为特征。用户行为特征主要用来对目标用户对于广告的点击行为进行描述。
[0108]
可以综合三个方面的特征，最终确定点击率影响特征。
[0109]
本发明实施例提供的广告点击率预估方法，比较全面地考虑了用户属性数据、广告属性数据和历史统计数据，提高了广告点击率预估的准确性。
[0110]
基于上述任一实施例，确定点击率影响特征之后，方法包括：
[0111]
基于各个类别的点击率影响特征的离散化表示结果，确定各个类别的特征维度；
[0112]
基于各个类别的特征维度，对各个类别的点击率影响特征进行特征编码。
[0113]
具体地，可以对点击率影响特征进行分类。对各个类别的点击率影响特征进行离散化表示，从而确定在各个类别下进行特征表示的特征维度。再根据各个类别的特征维度，对各个类别下的点击率影响特征进行统一特征编码。统一特征编码的方式可以采用独热编码(one hot encoding)。
[0114]
例如，针对不同类型的特征采取不同的特征处理，将连续性的数值特征分组转化成离散型特征，例如用户的年龄特征，0-100岁可以分组转换成0-20、20-40、40-60、60-80和90-100离散型的字符特征，如果该用户年龄为35，则转换后的年龄特征为20-40。标识类或者字符型特征进行独热编码，即该特征有多少个取值则对于特征的多少维，例如特征有3种可能的值，则演变成3维的特征，样本的特征处在哪个取值上，则对应的那一维特征为1，其他两维则为0。
[0115]
图2是本发明提供的广告点击率预估方法的流程示意图之二，如图2所示，本发明实施例采用ffm模型构建点击率预估模型，并对该模型进行增量学习。该方法主要包括步骤210、步骤220和步骤230。
[0116]
步骤210、数据预处理
[0117]
获取上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据。投放周期可以以天为单位。
[0118]
对流量数据进行数据预处理，提取点击率影响特征。点击率影响特征具体包括用户属性特征、广告属性特征和用户行为特征。
[0119]
图3为本发明提供的数据预处理方法的流程示意图，如图3所示，数据预处理具体包括了数据清洗310、特征工程320和特征处理330等步骤。
[0120]
数据清洗，主要用于剔除掉无效的用户信息、广告信息以及异常流量的数据、填补缺失值等。
[0121]
特征工程，主要用于对清洗后的流量数据进行特征筛选，得到用户属性特征、广告属性特征和用户行为特征。
[0122]
特征处理，主要用于对特征进行分类和离散化，并根据离散化表示结果进行独热编码。
[0123]
步骤220、模型训练
[0124]
图4为本发明提供的增量学习方法的流程示意图，如图4所示，以ffm模型为初始模
型，采用上一投放周期中已投放广告对应的全量流量数据作为初始训练数据对初始模型进行训练，得到点击率预估模型。
[0125]
采用当前投放周期中已投放广告对应的增量流量数据作为新的训练数据对点击率预估模型进行实时训练，不断调整模型参数，根据测试数据打分结果对模型参数进行更新。
[0126]
步骤230、模型预测
[0127]
将待投放广告的点击率影响特征输入至点击率预估模型，得到待投放广告的点击率预估值。
[0128]
本发明实施例提供的广告点击率预估方法，将获得的流量数据进行清洗，提取用户属性特征、广告属性特征和用户行为特征，然后进行特征处理，提取上一投放周期的数据作为初始模型的训练数据，送入ffm模型进行训练。然后将当前投放周期中每个时段的流量数据做相同特征抽取和处理，加载基础的ffm模型，依次输入各时段的流量特征数据，不断地更新ffm模型，并输出各时段流量数据的广告点击率预估值。通过此种方式能够有效地利用流量数据的历史信息。并且能根据最新的数据更新模型，提高实时性和准确性。增量学习的方式不仅能够学习新的信息中有用的信息，不需要访问已经用于训练的原始数据，对已经学习的知识具有记忆功能。最终能有效地提升模型的准确率和稳定性。
[0129]
图5是本发明提供的广告点击率预估装置的结构示意图，如图5所示，该装置包括：
[0130]
确定单元510，用于基于待投放广告对应的流量数据，确定待投放广告的点击率影响特征；
[0131]
预估单元520，用于基于待投放广告的点击率影响特征，以及已投放广告的点击率影响特征和点击率实际值，确定待投放广告的点击率预估值；
[0132]
其中，各个已投放广告的点击率影响特征是基于上一时期各个已投放广告对应的流量数据和上一时段各个已投放广告对应的流量数据确定的。
[0133]
本发明实施例提供的广告点击率预估装置，根据待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定待投放广告的点击率预估值，由于各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的，能够有效地利用上一投放周期的全量信息和当前投放周期的增量信息，准确地分析点击率影响特征和点击率之间的相关性，提高了广告点击率预估的准确性。
[0134]
基于上述任一实施例，预估单元具体用于：
[0135]
基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性；
[0136]
基于相关性和待投放广告的点击率影响特征，确定待投放广告的点击率预估值。
[0137]
基于上述任一实施例，预估单元具体用于：
[0138]
基于各个已投放广告对应的多个点击率影响特征，确定多个特征域；
[0139]
基于各个点击率影响特征在各个特征域对应的隐向量，确定各个点击率影响特征之间的组合关联性；
[0140]
基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0159]
本发明实施例还提供一种计算机可读的存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法。
[0160]
其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0161]
本发明实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述方法。
[0162]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0163]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0164]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种广告点击率预估方法，其特征在于，包括：基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征；基于所述待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值；其中，各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。2.根据权利要求1所述的广告点击率预估方法，其特征在于，所述基于所述待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值，包括：基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性；基于所述相关性和所述待投放广告的点击率影响特征，确定所述待投放广告的点击率预估值。3.根据权利要求2所述的广告点击率预估方法，其特征在于，所述基于各个已投放广告的点击率影响特征和点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：基于各个已投放广告对应的多个点击率影响特征，确定多个特征域；基于各个点击率影响特征在各个特征域对应的隐向量，确定各个点击率影响特征之间的组合关联性；基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。4.根据权利要求3所述的广告点击率预估方法，其特征在于，所述基于各个点击率影响特征，各个点击率影响特征之间的组合关联性，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：对各个点击率影响特征进行交叉关联，得到多个特征组合；基于各个点击率影响特征之间的组合关联性，确定各个特征组合对应的影响权重；基于各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性。5.根据权利要求4所述的广告点击率预估方法，其特征在于，所述基于各个点击率影响特征和各个点击率影响特征对应的影响权重，以及各个组合和各个特征组合对应的影响权重，以及各个已投放广告的点击率实际值，确定点击率影响特征与点击率之间的相关性，包括：确定各个点击率影响特征对应的影响权重初始值，以及各个特征组合对应的影响权重初始值；基于各个已投放广告的点击率实际值，以及各个已投放广告对应的多个点击率影响特征，对各个点击率影响特征对应的影响权重初始值和各个特征组合对应的影响权重初始值进行调整，并基于影响权重调整结果确定点击率影响特征与点击率之间的相关性。6.根据权利要求1至5任一项所述的广告点击率预估方法，其特征在于，所述基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征，包括：
基于所述流量数据中的用户属性数据，确定所述待投放广告对应目标用户的用户属性特征；基于所述流量数据中的广告属性数据，确定所述待投放广告的广告属性特征；基于所述流量数据中的历史统计数据，确定所述目标用户的用户行为特征；基于所述用户属性特征、所述广告属性特征和所述用户行为特征中的至少一种，确定所述点击率影响特征。7.根据权利要求6所述的广告点击率预估方法，其特征在于，所述确定所述点击率影响特征之后，所述方法包括：基于各个类别的点击率影响特征的离散化表示结果，确定各个类别的特征维度；基于各个类别的特征维度，对各个类别的点击率影响特征进行特征编码。8.一种广告点击率预估装置，其特征在于，包括：确定单元，用于基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征；预估单元，用于基于所述待投放广告的点击率影响特征，以及已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值；其中，各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述广告点击率预估方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述广告点击率预估方法。

技术总结

本发明提供一种广告点击率预估方法、装置、电子设备和存储介质，其中方法包括：基于待投放广告对应的流量数据，确定所述待投放广告的点击率影响特征；基于所述待投放广告的点击率影响特征，以及各个已投放广告的点击率影响特征和点击率实际值，确定所述待投放广告的点击率预估值；各个已投放广告的点击率影响特征是基于上一投放周期中已投放广告对应的全量流量数据和当前投放周期中已投放广告对应的增量流量数据确定的。本发明提供的方法和装置，提高了广告点击率预估的准确性。提高了广告点击率预估的准确性。提高了广告点击率预估的准确性。