[发明专利]一种基于时间衰减采样的广告点击预估方法

说明书

本发明公开了一种基于时间衰减采样的广告点击预估方法，主体思想是从离测试集日期近的数据中多采样，离测试集日期远的数据中少采样，采样量依据时间的远近呈现一个渐变的趋势，通过将采样数据进行时间维度上的划分，构建出适合广告点击预估的训练数据，再通过多模型融合的方法，为广告点击预估构建出更加精准和有效的模型。本发明更能捕捉到时间更近的数据的特征，达到更好的预估效果，此类基于时间衰减的采样方法可以延伸到其他跟时间相关，基于时间序列的不平衡数据中，具有广泛的应用前景。

技术领域

本发明涉及广告点击预估领域，尤其是指一种基于时间衰减采样的广告点击预估方法。

背景技术

互联网在线广告将广告投放和实时的用户信息、媒体信息、上下文情景信息相结合，使得互联网在线广告投放具有技术导向和计算导向，广告可以进行精确的受众定向，每一次广告决策对每个用户的效果都是可衡量和经过精确计算的。对于每一个用户的广告请求，在服务器端都进行了用户与广告库中的广告的匹配，将最适合的广告投放给该用户，以获得更高的潜在广告点击率，得到更多有效点击，产生更多收益，这种模式通常需要先将用户进行数字化建模，用一个正确精准的模型去刻画互联网用户的方方面面，然后再用广告点击预估算法去求得模型计算所需要的权重。广告点击预估模型的构建需要基于过去积累的大量历史点击日志，利用用户历史点击日志进行大数据分析和数据挖掘方法，通过构建合适的广告点击预估的机器学习模型，进行广告点击率的预估，从而进行精准的广告投放。

在许多机器学习任务中，可能会出现目标类别分布不平衡现象，例如广告点击预估这种二分类问题中，训练集会存在某个类别数量远远大于另一个类别数量的情况，在这种类别不平衡问题中，如果直接进行建模，会造成结果偏向数量大的那一个类别，为了使得模型学习到数据的分布，需要解决这种类别不平衡问题。

对于不平衡的数据，传统的学习算法无法很好地发挥作用，针对这种问题，有从数据方面进行改善的解决方法。通过对原始数据进行采样，可以将原本不平衡的数据转化为较平衡的数据，随机采样是一种比较常见的改变数据类别分布的采样方法，随机采样又分为过采样和欠采样，过采样是通过多次有放回的方式，从少数类中抽取数据集，抽取出的数据要大于原来的少数类数据，然后再将抽取出的数据和原来的多数类数据结合，形成完整数据集；欠采样是指从多数类中随机抽取少量的样本，再和原本的少数类样本进行结合，形成完整数据集，根据从多数类中抽取少量样本是否放回，欠采样可以进而分为有放回欠采样和无放回欠采样。过采样和欠采样都是随机的采样方式，在组成完整数据集的过程中，每个样本被选择的机会均等，然而在某些情况下，数据集的时间新鲜度是一个影响训练出的模型的重要因素，应该要有某种采样方式，在随机采样的基础上，将时间因素考虑到采样方法中，从而训练出更加鲁棒的模型。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于时间衰减采样的广告点击预估方法，将时间因素融入采样方法中，此类基于时间衰减的采样方法可以延伸到其他跟时间相关，基于时间序列的不平衡数据中，具有广泛的应用前景。

为实现上述目的，本发明所提供的技术方案为：一种基于时间衰减采样的广告点击预估方法，包括以下步骤：

S1、数据清洗