1.一种广告投放模型统计类特征离散化方法,其特征在于,包括以下步骤:
s1:获取若干广告投放历史数据样本,获取各广告投放历史数据样本中的统计类特征的ctr值;
s2:按照统计类特征的ctr值从小到大的顺序,将所有广告投放历史数据样本中的统计类特征分为连续的n组,得到连续的n个初始离散特征;
s3:将各初始离散特征分别输入预设的权重确定模型,得到各初始离散特征的模型权重;
s4:遍历各初始离散特征,当当前初始离散特征的模型权重<前一个初始离散特征的模型权重时,将当前初始离散特征与前一个初始离散特征合并;
s5:重复s3~s4,至遍历各初始离散特征后,任一初始离散特征的模型权重均≥前一个初始离散特征的模型权重,得到最终的离散特征。
2.根据权利要求1所述的广告投放模型统计类特征离散化方法,其特征在于,所述获取各广告投放历史数据样本的统计类特征的ctr值的具体方法为:
获取各广告投放历史数据样本中统计类特征的维度特征的特征值,得到若干维度特征的特征值;
遍历各维度特征的特征值,由下式得到各维度特征的特征值的ctr值:
维度特征的特征值的ctr值=m/n
其中,m表示统计类特征的时间周期内的所有广告投放历史数据样本中,包含当前维度特征的特征值且标记为点击的广告投放历史数据样本条数;n表示统计类特征的时间周期内的所有广告投放历史数据样本中,包含当前维度特征的特征值的广告投放历史数据样本条数;
将各广告投放历史数据样本中维度特征的特征值的ctr值,作为各广告投放历史数据样本的统计类特征的ctr值。
3.根据权利要求1所述的广告投放模型统计类特征离散化方法,其特征在于,所述将所有广告投放历史数据样本中的统计类特征分为连续的n组时,将所有广告投放历史数据样本中的统计类特征分为连续的10组。
4.根据权利要求1所述的广告投放模型统计类特征离散化方法,其特征在于,所述将所有广告投放历史数据样本中的统计类特征分为连续的n组时,将所有广告投放历史数据样本中的统计类特征,按照等频分组的方式分为连续的n组。
5.根据权利要求1所述的广告投放模型统计类特征离散化方法,其特征在于,所述权重确定模型为经过历史广告投放历史数据样本训练的逻辑回归模型。
6.根据权利要求5所述的广告投放模型统计类特征离散化方法,其特征在于,所述将各初始离散特征分别输入预设的权重确定模型的具体方法为:
将各初始离散特征进行one-hot编码,将编码后的各初始离散特征分别输入预设的权重确定模型。
7.一种广告投放模型统计类特征离散化方法,其特征在于,包括:
获取模块,用于获取若干广告投放历史数据样本,获取各广告投放历史数据样本的统计类特征的ctr值;
初始离散特征确定模块,用于按照统计类特征的ctr值从小到大的顺序,将所有广告投放历史数据样本中的统计类特征分为连续的n组,得到连续的n个初始离散特征;
权重确定模块,用于将各初始离散特征分别输入预设的权重确定模型,得到各初始离散特征的模型权重;
初始离散特征更新模块,用于遍历各初始离散特征,当当前初始离散特征的模型权重<前一个初始离散特征的模型权重时,将当前初始离散特征与前一个初始离散特征合并;
迭代模块,用于迭代触发权重确定模块和初始离散特征更新模块,至遍历各初始离散特征后,任一初始离散特征的模型权重均≥前一个初始离散特征的模型权重,得到最终的离散特征。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述广告投放模型统计类特征离散化方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述广告投放模型统计类特征离散化方法的步骤。