[发明专利]一种基于顶端排序的在线广告排序方法

权利要求书

1.一种基于顶端排序的在线广告排序方法，其特征在于，包括如下步骤：首先，获取广告样本数据库作为训练数据，其中每一个广告样本都带有多维特征，且具有因变量数据；接着，在用户选定时间段内，提取每个广告在该时间段内的特征及该时间段内转化率，同时拼接多时间段特征及过往转化率标记，得到当次训练数据，使用顶端排序模型优化排序顶部的正确率得到各特征权重，在测试时使用同样的构建方式得到当期测试数据，与各特征权重结合后得到各广告的排序结果，用于之后的在线广告排序，在下一期重新学习权重以对广告排序进行更新；

使用TopPush算法得到各个特征权重，TopPush算法输入是广告样本特征矩阵X∈R^n1×d1、标记向量Y∈R^n1×1以及参数λ，其中n1为c个广告样本在大窗口wb时间段内的训练数据，即n1＝c*wb，d1为小窗口拼接后的特征长度，即d1＝ws*(d+1)，λ为正则化参数，ws为小窗口时间长度参数，ws*d为广告样本过去的特征，ws*1为提取其过去转化率作为新的特征；步骤13初始化算法参数，包括最大迭代次数/误差精度ε/λ；步骤14至步骤17为循环迭代过程，直至满足收敛条件，具体的，步骤14在迭代到第k次时，在求取原问题的对偶问题后，计算其辅助解：

其中α_k与β_k为对偶问题的对偶变量，欲求出各广告特征的最优权重w^*，那么最优权重可以由对偶变量计算得出；

步骤15计算辅助解与的梯度g_α与g_β

其中

步骤16将对偶解投影到Ξ域

[α_k+1；β_k+1]＝π_Ξ([α_k′₊₁；β_k′₊₁]) (6)

更新α与β，之后在新的近似解决方案中计算目标值，循环计算直到目标值满足条件：

在满足条件后跳出步骤16，在步骤17中，判断模型的收敛条件：

g(α_k+1,β_k+1)-g(α_k,β_k)＜ε(8)

若满足，则跳转到18步返回顶端排序模型的权重W，最后步骤11结束算法返回；若不满足收敛条件，跳转到步骤14进行下一轮的迭代。