[发明专利]一种广告查看比率的估计方法及装置

权利要求书

1.一种广告查看比率的估计方法，其特征在于，所述方法包括：

获取预设数量个样本广告；

利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收至少一个待估计广告；

根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

2.根据权利要求1所述的方法，其特征在于，所述获取预设数量个样本广告，利用所述样本广告训练用于估计广告查看比率的深度学习模型，包括：

获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

将每个所述样本广告的训练特征转换成训练向量，利用每个所述样本广告的训练查看比率以及所述训练向量训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率，包括：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

4.根据权利要求2所述的方法，其特征在于，所述将每个所述样本广告的训练特征转换成训练向量，包括：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

5.根据权利要求1所述的方法，其特征在于，在将得到的全部特征值及特征向量连接起来之前，所述方法还包括：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。

6.一种广告查看比率的估计装置，其特征在于，所述装置包括：

获取模块，用于获取预设数量个样本广告；

训练模块，用于利用所述样本广告，训练用于估计广告查看比率的深度学习模型，其中，所述深度学习模型为基于非线性函数实现的；

接收模块，用于接收至少一个待估计广告；

估计模块，用于根据所述待估计广告和所述深度学习模型，估计所述待估计广告的查看比率。

7.根据权利要求6所述的装置，其特征在于，所述训练模块，包括：

获取单元，用于获取预设数量个样本广告、每个所述样本广告的训练查看比率以及训练特征；

转换单元，用于将每个所述样本广告的训练特征转换为训练向量；

训练单元，用于利用每个所述样本广告的训练查看比率以及所述训练向量，训练深度学习模型，其中，所述深度学习模型为基于非线性函数实现的。

8.根据权利要求6所述的装置，其特征在于，所述估计模块，具体用于：

将待估计广告的待测特征转换为对应的待测向量；

将所述待测向量作为所述深度学习模型的输入，得到与所述待估计广告对应的估计查看比率。

9.根据权利要求7所述的装置，其特征在于，所述转换单元，具体用于：

对于所述训练特征中的离散型训练特征，统计所述离散型训练特征在所述训练特征中出现的频次，作为该离散训练特征对应的特征值；

对于所述训练特征中的连续型训练特征，统计所述连续性训练特征在所述训练特征中对应的最大值及最小值，并依据所述最大值及最小值将所述连续型训练特征切分成预设数量个子训练特征；

统计每个所述子训练特征在所述训练特征中出现的频次，作为该子训练特征对应的连续型训练特征的特征向量值；

将得到的全部特征值及特征向量值连接起来，得到所述训练向量。

10.根据权利要求9所述的装置，其特征在于，在将得到的全部特征值及特征向量连接起来之前，所述转换单元还具体用于：

将所述特征值及所述特征向量值中对应的频次小于第二预设值的特征值或者特征向量值进行删除。