一种点击率的预测方法、装置及电子设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110689376A(43)申请公布日2020.01.14(21)申请号201910927957.3(22)申请日2019.09.27(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人赵嘉祥(74)专利代理机构北京国昊天诚知识产权代理有限公司11315代理人许振新(51)Int.Cl.G06Q30/02(2012.01)G06K9/62(2006.01)权利要求书2页说明书10页附图2页(54)发明名称一种点击率的预测方法、装置及电子设备(57)摘要本申请实施例提供一种点击率的预测方法、装置及电子设备。方法包括：提取待预测的目标推广项的基础特征；将目标推广项的基础特征输入至极端梯度提升xgboost模型，得到目标推广项的高阶特征；其中，xgboost模型是基于第一历史推广项的基础特征和第一历史推广项的标签训练得到的，第一历史推广项的标签指示第一历史推广项投放后的点击率；将目标推广项的高阶特征输入至预测模型，得到目标推广项的点击率；其中，预测模型是基于第二历史推广项的高阶特征和第二历史推广项的标签训练得到，第二历史推广项的标签指示第二历史推广项投放后的点击率，第二历史推广项的高阶特征与第一历史推广项的高阶特征具有相同的特征维度。CN110689376ACN110689376A权利要求书1/2页1.一种点击率的预测方法，包括：提取待预测的目标推广项的基础特征；将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项的基础特征和所述第一历史推广项的标签训练得到的，所述第一历史推广项的标签指示所述第一历史推广项投放后的点击率；将所述目标推广项的高阶特征输入至预测模型，得到所述目标推广项的点击率；其中，所述预测模型是基于第二历史推广项的高阶特征和所述第二历史推广项的标签训练得到，所述第二历史推广项的标签指示所述第二历史推广项投放后的点击率，所述第二历史推广项的高阶特征与所述第一历史推广项的高阶特征具有相同的特征维度。2.根据权利要求1所述的方法，所述第一历史推广项对应的时间段早于所述第二历史推广项对应的时间段。3.根据权利要求1所述的方法，所述第二历史推广项的高阶特征是将所述第二历史推广项的基础特征输入至所述xgboost模型得到的。4.根据权利要求1-3任一项所述的方法，推广项的基础特征包括以下至少一种特征维度：推广项的受众对象的画像特征、推广项的权益特征和推广项对应的历史点击率特征。5.根据权利要求1-3任一项所述的方法，所述目标推广项的点击率与所述目标推广项在投放平台的展示位置具有对应关系。6.根据权利要求1-3任一项所述的方法，所述预测模型包括深度神经网络模型。7.根据权利要求1-3任一项所述的方法，提取待预测的目标推广项的基础特征，包括：对待预测的目标推广项进行结构化处理，得到所述目标推广项的结构化数据；对所述目标推广项的结构化数据进行特征识别，得到所述目标推广项的基础特征。8.一种点击率的预测装置，包括：基础特征提取模块，提取待预测的目标推广项的基础特征；高阶特征提取模块，将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项的基础特征和所述第一历史推广项的标签训练得到的，所述第一历史推广项的标签指示所述第一历史推广项投放后的点击率；点击率预测模块，将所述目标推广项的高阶特征输入至预测模型，得到所述目标推广项的点击率；其中，所述预测模型是基于第二历史推广项的高阶特征和所述第二历史推广项的标签训练得到，所述第二历史推广项的标签指示所述第二历史推广项投放后的点击率，所述第二历史推广项的高阶特征与所述第一历史推广项的高阶特征具有相同的特征维度。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，所述计算机程序被所述处理器执行：2CN110689376A权利要求书2/2页提取待预测的目标推广项的基础特征；将所述目标推广项的基础特征输入至极端梯度提升xgboost模型，得到所述目标推广项的高阶特征；其中，所述xgboost模型是基于第一历史推广项的基础特征和所述第一历史推广项的标签训练得到的，所述第一历史推广项的标签指示所述第一历史推广项投放后的点击率；将所述目标推广项的高阶特征输入至预测模型，得到所述目标推广项的点击率；其中，所述预测模型是基于第二历史推广项的高阶特征和所述第二历史推广项的标签训练得到，所述第二历史推广项的标签指示所述第二历史推广项投放后的点击率，所述第二