广告投放方法及装置的制造方法
【技术领域】
[0001]本发明涉及广告技术领域，特别是涉及一种广告投放方法及装置。
【背景技术】
[0002]目前，业内进行广告投放时，都是使用了基于广告点击率预估的方法都广告进行排序。具体方法为，首先通过逻辑回归算法预估候选广告的点击率，即广告点击率预估(pCTR，predicted click-through rate)，然后基于 pCTR 计算广告的质量度(Quality)，最后将广告按照出价(Bid)*Quality逆序排列并展现，出价越高且质量度越高的广告排序越靠前。在排序时遵循普遍二级价格拍卖(GSP，Generalized SecondPrice Auct1n)机制，该机制可以最大化搜索引擎的收益，达到GSP均衡。在上述计算过程中，广告点击率预估是最核心的部分之一。
[0003]如图1所示，图1为现有的深度神经网络结构的结构示意图。该神经网络结构10包括一输入层101、两个隐藏层102以及一个输出层103，其中输入层101为将训练数据中每条广告中的用户特征和广告特征组合离散化后的独热编码向量。隐藏层102根据输入层101的独热编码向量进行模型训练。从图1中可见，该神经网络结构10为全连接结构，即该神经网络结构中的输入层101和隐藏层102的神经元、两个隐藏层102的神经元以及隐藏层与输出层103的神经元之间的连接均采用全连接方式。
[0004]现有的深度神经网络结构10中需要将成千上万个特征离散化后的稀疏特征向量作为神经网络结构10的输入，因此必须构造相同数量的输入层神经元，同时输入层101到隐藏层102、不同隐藏层102之间、隐藏层102到输出层103均采用全连接方式，整个深度神经网络结构10的模型参数众多，计算量大且收敛较难；从而造成广告投放目标不准确。
【发明内容】
[0005]本发明实施例提供一种使用计算量较小以及较易收敛的神经网络结构的广告投放方法和广告投放装置，该广告投放方法及广告投放装置的广告投放目标准确度较高；以解决现有的广告投放方法及广告投放装置的广告投放目标不准确的技术问题。
[0006]本发明实施例提供一种广告投放方法，其包括:
[0007]获取广告点击率特征参数，其中所述广告点击率特征参数包括广告特征参数以及用户特征参数；
[0008]根据所述广告点击率特征参数，建立相应的输入层神经元；
[0009]根据所述广告点击率特征参数，对所述输入层神经元进行分类；
[0010]根据所述输入层神经元的类别，建立隐藏层神经元；其中所述隐藏层神经元和至少一个所述输入层神经元连接；
[0011]根据所述隐藏层神经元，输出预估广告点击率特征；以及
[0012]根据所述预估广告点击率特征，进行广告投放。
[0013]本发明实施例还提供一种广告投放装置，其包括:
[0014]点击率特征参数获取模块，用于获取广告点击率特征参数，其中所述广告点击率特征参数包括广告特征参数以及用户特征参数；
[0015]输入层神经元建立模块，用于根据所述广告点击率特征参数，建立相应的输入层神经元；
[0016]输入层神经元分类模块，用于根据所述广告点击率特征参数，对所述输入层神经元进行分类；
[0017]隐藏层神经元建立模块，用于根据所述输入层神经元的类别，建立隐藏层神经元；其中所述隐藏层神经元和至少一个所述输入层神经元连接；
[0018]点击率特征输出模块，用于根据所述隐藏层神经元，输出预估广告点击率特征；以及
[0019]广告投放模块，用于根据所述预估广告点击率特征，进行广告投放。
[0020]相较于现有技术的广告投放方法和广告投放装置，本发明的广告投放方法和广告投放装置通过对神经网络结构的输入层神经元进行分类，降低了神经网络结构在训练时的计算量，同时使得神经网络结构在训练时更易收敛，提高了广告投放目标的准确度；解决了现有的广告投放方法及广告投放装置的广告投放目标不准确的技术问题。
【附图说明】
[0021]图1为现有的深度神经网络结构的结构示意图；
[0022]图2为本发明的广告投放方法的优选实施例的流程图；
[0023]图3为本发明的广告投放方法的优选实施例的步骤S203的流程图；
[0024]图4为本发明的广告投放装置的优选实施例的结构示意图；
[0025]图5为本发明的广告投放装置的优选实施例的输入层神经元分类模块的结构示意图；
[0026]图6为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之一；
[0027]图7为本发明的广告投放装置的优选实施例的隐藏层神经元建立模块的结构示意图之二 ；
[0028]图8为本发明的广告投放方法及广告投放装置的具体实施例的广告点击率特征参数转换示意图；
[0029]图9为本发明的广告投放方法及广告投放装置的第一具体实施例对应的深度神经网络结构的结构示意图；
[0030]图10为本发明的广告投放方法及广告投放装置的第二具体实施例对应的深度神经网络结构的结构示意图；
[0031]图11为本发明的广告投放方法及广告投放装置的第三具体实施例对应的深度神经网络结构的结构示意图；
[0032]图12为本发明的广告投放方法及广告投放装置的第四具体实施例对应的深度神经网络结构的结构示意图；
[0033]图13为本发明的广告投放装置所在的电子设备的工作环境结构示意图。
【具体实施方式】
[0034]请参照图式，其中相同的组件符号代表相同的组件，本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例，其不应被视为限制本发明未在此详述的其它具体实施例。
[0035]在以下的说明中，本发明的具体实施例将参考由一部或多部计算机所执行之作业的步骤及符号来说明，除非另有述明。因此，其将可了解到这些步骤及操作，其中有数次提到为由计算机执行，包括了由代表了以一结构化型式中的数据之电子信号的计算机处理单元所操纵。此操纵转换该数据或将其维持在该计算机之内存系统中的位置处，其可重新配置或另外以本领域技术人员所熟知的方式来改变该计算机之运作。该数据所维持的数据结构为该内存之实体位置，其具有由该数据格式所定义的特定特性。但是，本发明原理以上述文字来说明，其并不代表为一种限制，本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
[0036]本发明的广告投放方法可使用各种具有计算能力的电子设备进行实施，该电子设备包括但不限于个人计算机、服务器计算机、手持式或膝上型设备、移动设备(比如移动电话、个人数字助理(PDA)、媒体播放器等等)、多处理器系统、消费型电子设备、小型计算机、大型计算机、包括上述任意系统或设备的分布式计算环境，等等。本发明的广告投放方法通过使用在训练时计算量较小且更易收敛的神经网络结构，提高了广告投放目标的准确性。
[0037]请参照图2，图2为本发明的广告投放方法的优选实施例的流程图。本优选实施例的广告投放方法包括:
[0038]步骤S201，获取广告点击率特征参数；
[0039]步骤S202，根据广告点击率特征参数，建立相应的输入层神经元；
[0040]步骤S203，根据广告点击率特征参数，对输入层神经元进行分类；
[0041]步骤S204，根据输入层神经元的类别，建立隐藏层神经元；
[0042]步骤S205，根据隐藏层神经元，输出预估广告点击率特征；
[0043]步骤S206，根据预估广告点击率特征，进行广告投放；
[0044]下面详细说明本优选实施例的广告投放方法的各步骤的具体流程。
[0045]在步骤S201中，广告投放装置获取广告点击率特征参数，该广告点击率特征参数可包括广告特征参数以及用户特征参数。其中广告特征参数可包括广告文字或图片等内容，广告类别等广告侧的特征参数；用户特征参数可包括用户的年龄、性别、地址、网龄以及兴趣爱好等用户侧的特征参数。
[0046]由于上述特征均为人的逻辑表达，因此可使用独热编码(One-Hot Encoding)将上述广告点击率特征参数转换为可被机器识别的数值。这样这些数值可作为相应的深度神经网络结构的输入向量。随后转到步骤S202。
[0047]在步骤S202中，广告投放装置根据步骤S201获取的机器可识别的广告点击率特征参数，建立深度神经网络结构的输入层神经元，随后转到步骤S20