[发明专利]一种基于联合学习模型的展示广告点击率预测方法

说明书

本发明公开一种基于联合学习模型的展示广告点击率预测方法，目的是利用两个不同的残差网络子结构来分别学习高阶特征的信息，以提升模型的预测准确性。首先，基于已有的广告投放记录建立样本并对特征进行预处理，从而得到训练数据集；其次，建立融合结构，包括一阶特征嵌入层、混合嵌入层、ResNet‑Left子结构、ResNet‑Right子结构、表示向量层和输出节点；第三，利用训练数据集对融合结构的参数进行学习，得到最终的预测模型参数；最后，对于一个新的广告展示机会，基于训练好的点击率预测模型计算预测点击率。

技术领域

本发明属于互联网应用技术领域，特别涉及一种用于展示广告点击率预测的机器学习模型。

背景技术

随着移动互联网的广泛普及以及大数据技术的快速发展，使得广告商利用互联网平台进行广告精准营销成为可能。与传统广告相比，在线广告在覆盖范围、灵活性、针对性、成本和效果评估等方面拥有得天独厚的优势，已经发展成为具有数百亿美元的产业。展示广告属于在线广告的一种投放形式，指的是当一个用户浏览网页时，网站通过在网页上嵌入的广告位，动态地向用户展示广告，如附图1所示。在展示广告的投放中，每当用户浏览一个嵌入广告位的网页时就会触发一个广告展示机会，网站的广告投放系统会根据在网站上投放的各种广告与这个广告展示机会的匹配程度，选择与这个广告展示机会匹配程度最高的广告进行投放。为了提升广告投放效果和用户体验，广告投放系统通常利用一个用户点击率指标来衡量广告与广告展示机会的匹配程度，这里用户点击率是指的当广告投放到这个广告展示机会后，用户点击这个广告的概率。预测点击率越高，则广告与这个广告展示机会的匹配程度越高，因此点击率预测对于广告投放系统是一个至关重要的功能。

业界广泛采用的点击率预测方法包括基于逻辑回归模型的预测方法、基于因子分解机模型的预测方法、基于深度神经网络的预测方法等，这些已有的点击率预测方法通常都是基于单一的机器学习模型结构，预测能力有限。例如，基于逻辑回归模型和基于因子分解机模型的预测方法，只利用了低阶特征信息来进行点击率预测；基于深度神经网络的预测方法，则只利用了高阶特征信息来进行点击率预测。目前，最新的点击率预测方法是将两种不同的点击率预测模型结构进行融合，通过联合学习得到最优的融合结构的模型参数，从而提升预测性能。本发明延续了采用融合结构的机器学习模型进行点击率预测的思路，提出建立一个包含两个异构残差网络的新的融合结构来进行点击率预测。与已有的基于融合结构的点击率预测方法相比，本发明提出的方法能够利用更丰富的高阶特征组合信息。大量基于真实场景数据集的实验表明，本发明提出的基于联合学习模型的展示广告点击率预测方法能够比目前最新的基于融合结构的点击率预测方法获得更好的预测性能。

发明内容

本发明的目的是提供一种基于联合学习模型的展示广告点击率预测方法，该方法融合两个异构的残差网络来分别学习广告展示机会特征和广告特征的高阶组合表示，从而实现更为准确的点击率预测。为实现上述发明目的，本发明提供的基于联合学习模型的展示广告点击率预测方法，其特征在于，包括以下步骤：

步骤1：基于真实广告的投放和点击记录建立样本，对每个广告展示机会和广告本身的属性进行预处理，建立训练数据集，具体如下：

步骤1.1：广告投放系统会对已经发生的广告投放和点击行为进行记录，每条记录包括：广告展示机会的属性、广告的属性、是否发生点击行为；这里广告展示机会的属性又进一步分为用户属性和上下文场景属性，用户属性可以是用户的年龄、性别、所在城市、使用的浏览器类型等，上下文场景属性可以是浏览网页的类型、广告位的大小、广告位的可见度等；投放广告的属性可以是广告创意的类型、广告商等；当广告投放到广告展示机会后用户发生点击行为，则点击行为记录为1，否则记录为0；在本发明中将每条广告投放记录作为一个数据样本；