一种转化率预估的确定方法、装置、设备以及存储介质与流程

1.本技术涉及互联网应用技术领域，尤其涉及一种转化率预估的确定方法、装置、设备以及存储介质。


背景技术：

2.在优化按照某个行为单次付费(optimized cost per x，ocpx)的业务下，转化率预估(predicted conversion rate，pcvr)值的准确性直接决定了产品的正向效果。因此，有必要对pcvr进行后期调整，使其具有更高的准确性。
3.传统的基于统计的转化率预估，准确度不高。为了解决这个问题，目前，对于pcvr进行校准策略为，在某个广告充分曝光的阶段，基于该广告的转化数和有效点击对应的pcvr之和，对该广告的单次pcvr进行校准。
4.然而，在上述pcvr校准策略中，只利用了某个广告的第一周期内的数据和第二周期内的数据，即使是在广告的充分曝光阶段，其自身的数据量也还是有限的，因此，并不能很好地描述实际情况，从而导致pcvr的准确度仍然较低。


技术实现要素：

5.本技术实施例提供了一种转化率预估的确定方法、装置、设备以及存储介质。不仅引入了更多的数据量用于优化参数，而且相比于人工经验值而言还具有更高的可信度，能够更好地描述实际情况，从而提升pcvr的准确度。
6.有鉴于此，本技术一方面提供一种转化率预估的确定方法，包括：
7.获取待优化参数集合、目标每次行动成本cpa值以及k个广告的样本数据集合，其中，样本数据集合包括每个广告的样本数据，每个广告的样本数据包括实际总转化数、每次有效点击校准前的转化率预估pcvr、第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长以及投放消耗值，第二周期为第一周期的前一个周期，k为大于1的整数；
8.基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和；
9.根据每个广告的有效点击次数的pcvr之和以及实际总转化数，确定针对于k个广告的差值平均值；
10.以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，其中，目标参数集合中包括至少一个已优化参数；
11.基于目标参数集合，根据目标广告的关联数据以及待调整pcvr，确定目标广告校准后的pcvr，其中，目标广告的关联数据包括目标广告在第三周期内的总转化数、目标广告在第三周期内的总pcvr、目标广告在第四周期内的总转化数、目标广告在第三周期内的持续时长以及目标广告的投放消耗值，第四周期为第三周期的前一个周期。
12.本技术另一方面提供一种转化率预估确定装置，包括：
13.获取模块，用于获取待优化参数集合、目标每次行动成本cpa值以及k个广告的样本数据集合，其中，样本数据集合包括每个广告的样本数据，每个广告的样本数据包括实际总转化数、每次有效点击校准前的转化率预估pcvr、第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长以及投放消耗值，第二周期为第一周期的前一个周期，k为大于1的整数；
14.确定模块，用于基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和；
15.确定模块，还用于根据每个广告的有效点击次数的pcvr之和以及实际总转化数，确定针对于k个广告的差值平均值；
16.训练模块，用于以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，其中，目标参数集合中包括至少一个已优化参数；
17.确定模块，还用于基于目标参数集合，根据目标广告的关联数据以及待调整pcvr，确定目标广告校准后的pcvr，其中，目标广告的关联数据包括目标广告在第三周期内的总转化数、目标广告在第三周期内的总pcvr、目标广告在第四周期内的总转化数、目标广告在第三周期内的持续时长以及目标广告的投放消耗值，第四周期为第三周期的前一个周期。
18.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，
19.确定模块，具体用于基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合所包括的消耗量划分参数为预先设定的；
20.基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数；
21.根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
22.根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
23.训练模块，具体用于以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合。
24.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，关联参数集合包括第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
25.确定模块，具体用于针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数；
26.针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数，其中，默认关联参数为预先设定的；
27.训练模块，具体用于以最小化差值平均值为目标，对第一关联参数、第二关联参
数、第三关联参数以及第四关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数以及优化后第四关联参数。
28.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，关联参数集合包括默认关联参数；
29.确定模块，具体用于针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数，其中，第一关联参数、第二关联参数、第三关联参数以及第四关联参数为预先设定的；
30.针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数；
31.训练模块，具体用于以最小化差值平均值为目标，对默认关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的默认关联参数。
32.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，
33.确定模块，具体用于基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数；
34.基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合所包括的关联参数为预先设定的；
35.根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
36.根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
37.训练模块，具体用于以最小化差值平均值为目标，对消耗量划分参数集合进行训练，以得到目标参数集合。
38.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，消耗量划分参数集合包括n个消耗量划分参数，其中，n为大于或等于1的整数；
39.确定模块，具体用于基于n值、n个消耗量划分参数以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，n值为预先设定的；
40.训练模块，具体用于以最小化差值平均值为目标，对n个消耗量划分参数中的每个消耗量划分参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的n个消耗量划分参数。
41.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，
42.确定模块，具体用于基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合包括默认关联参数、第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
43.基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合包括n值以及n个消耗量划分参
数，n为大于或等于1的整数；
44.根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
45.根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
46.训练模块，具体用于以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数、优化后第四关联参数、优化后的默认关联参数、优化后的n值以及优化后的n个消耗量划分参数。
47.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，每个广告的样本数据还包括广告主信息、在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
48.确定模块，具体用于根据每个广告所对应的广告主信息，将k个广告划分为t1个广告集合，其中，每个广告集合包括至少一个广告，t1为大于或等于1的整数；
49.若t1个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合，其中，(n+1)个消耗区间为基于消耗量划分参数集合以及目标cpa确定的，每个广告子集合包括至少一个广告，且同一个广告子集合对应于同一个消耗区间，n为大于或等于1的整数；
50.针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第一转化数以及在当前周期的第一pcvr，其中，当前周期包括至少一个单位时间；
51.针对于t1个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第二pcvr；
52.根据第一转化数、第一pcvr、第二转化数以及第二pcvr，确定每个广告所对应的因素参数。
53.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，每个广告的样本数据还包括品牌信息；
54.确定模块，具体用于若t1个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的品牌信息，将k个广告划分为t2个广告集合，其中，每个广告集合包括至少一个广告，t2为大于或等于1的整数；
55.若t2个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
56.针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第三转化数以及在当前周期的第三pcvr；
57.针对于t2个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第四转化数以及在当前周期的第四pcvr；
58.根据第三转化数、第三pcvr、第四转化数以及第四pcvr，确定每个广告所对应的因素参数。
59.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，每个广告的样本数据还包括商品信息；
60.确定模块，具体用于若t2个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的商品信息，将k个广告划分为t3个广告集合，其中，每个广告集合包括至少一个广告，t3为大于或等于1的整数；
61.若t3个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
62.针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第五转化数以及在当前周期的第五pcvr；
63.针对于t3个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第六转化数以及在当前周期的第六pcvr；
64.根据第五转化数、第五pcvr、第六转化数以及第六pcvr，确定每个广告所对应的因素参数。
65.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，
66.确定模块，具体用于针对于任意一个广告，确定广告所对应的投放消耗值所在的目标cpa区间；
67.基于目标cpa区间，根据广告所对应的投放消耗值以及第一周期内的总转化数，确定目标扩大系数；
68.根据广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定广告所对应的待调整校准参数；
69.根据广告所对应的待调整校准参数以及目标扩大系数，确定广告所对应的校准参数。
70.在一种可能的设计中，在本技术实施例的另一方面的另一种实现方式中，每个广告的样本数据还包括在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
71.确定模块，还用于针对于任意一个广告，若广告所对应的第一周期内的总转化数小于转化数阈值，且投放消耗值小于目标cpa阈值，则根据广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定广告在当前周期的第七转化数以及在当前周期的第七pcvr，其中，当前周期包括至少一个单位时间；
72.确定模块，还用于根据广告在当前周期的第七转化数、在当前周期的第七pcvr以及预设扩大系数，确定广告所对应的校准参数；
73.确定模块，还用于根据广告所对应的每次点击校准前的pcvr以及校准参数，确定
广告的有效点击次数的pcvr之和。
74.本技术的另一方面提供了一种计算机设备，包括：存储器、处理器以及总线系统；
75.其中，存储器用于存储程序；
76.处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面所提供的方法；
77.总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。
78.本技术的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
79.本技术的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所提供的方法。
80.从以上技术方案可以看出，本技术实施例具有以下优点：
81.本技术实施例中，提供了一种转化率预估的确定方法，首先获取待优化参数集合、目标每次行动成本cpa值以及k个广告的样本数据集合，该样本数据集合包括每个广告的样本数据，每个广告的样本数据包括实际总转化数、每次有效点击校准前的转化率预估pcvr、第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长以及投放消耗值，第二周期为第一周期的前一个周期。然后，基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和，再根据每个广告的有效点击次数的pcvr之和以及实际总转化数，确定针对于k个广告的差值平均值。最后，以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合。基于此，可根据目标参数集合、目标cpa以及目标广告的关联数据，确定目标广告校准后的pcvr。通过上述方式，在对目标广告进行pcvr校准时，利用了优化后的目标参数集合进行计算的，而目标参数集合中的各个已优化参数是基于多个广告的样本数据训练得到的，因此，不仅引入了更多的数据量用于优化参数，而且相比于人工经验值而言还具有更高的可信度，能够更好地描述实际情况，从而提升pcvr的准确度。
附图说明
82.图1为本技术实施例中转化率预估确定系统的一个架构示意图；
83.图2为本技术实施例中广告阶段的一个示意图；
84.图3为本技术实施例中转化率预估确定方法的一个流程示意图；
85.图4为本技术实施例中转化率预估确定装置的一个示意图；
86.图5为本技术实施例中计算机设备的一个结构示意图。
具体实施方式
87.本技术实施例提供了一种转化率预估的确定方法、装置、设备以及存储介质。不仅引入了更多的数据量，而且相比于人工经验值而言还具有更高的可信度，能够更好地描述
实际情况，从而提升pcvr的准确度。
88.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
89.互联网广告是最重要的一种商业模式之一，提升广告的收入的方式就是吸引更多的用户在平台上投放广告。由此，涉及到推广效率的问题。广告投放效果通常通过曝光、点击和转化各环节来衡量，大多数广告系统受广告效果数据回流的限制只能通过曝光或点击作为投放效果的衡量标准开展优化。一些广告平台能够帮助广告主跟踪广告投放后的转化效果，基于广告转化数据训练转化率预估(predicted conversion rate，pcvr)模型，在广告排序中引入pcvr因子可优化广告投放效果，由此提升投资回报率(return on investment，roi)。
90.为了提升pcvr的准确性，本技术提出了一种pcvr确定方法，该方法应用于图1所示的pcvr确定系统，如图所示，pcvr确定系统包括服务器以及数据库，还可以包括广告屏和/或终端设备，且客户端部署于终端设备上，其中，客户端可以通过浏览器的形式运行于终端设备上，也可以通过独立的应用程序(application，app)的形式运行于终端设备上等，对于客户端的具体展现形式，此处不做限定。本技术涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表、车载设备、可穿戴设备等，但并不局限于此。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。服务器和终端设备的数量也不做限制。
91.如本技术所公开的pcvr确定处理方法，其中样本数据以及待优化参数等可保存于区块链上。
92.转化率(conversion rate，cvr)是衡量一个每次行动成本(cost per action，cpa)广告效果的指标，即用户通过点击终端设备或者广告屏上的广告，到成为一个有效激活或者注册甚至付费用户的转化率。终端设备或广告屏可以向服务器上报用户对广告的操作，例如，是否注册，是否付费等。服务器将对每个广告的相关信息记录至数据库中，由此，便于进行后续的统计。
93.鉴于本技术涉及到部分专业术语，为了便于理解，下面将对这些专业术语进行介绍。
94.(1)广告阶段：请参阅图2，图2为本技术实施例中广告阶段的一个示意图，如图所示，可将广告整个的过程概括成四个阶段，分别为曝光、点击、转化和付费。
95.(2)计费点：是指平台方以什么方式计费。如果计费点在曝光，则平台方以广告的
曝光量对广告主收费。如果计费点在点击，则平台方以广告的点击量对广告主收费，依次类推。
96.(3)出价点：是指广告主以什么方式出价。如果出价点在曝光，则广告主以广告的曝光量出价。如果出价点在点击，则广告主以广告的点击量出价。如果计费点和出价点都集中在曝光，则这种广告则是经典的按千次曝光付费(cost per mille，cpm)广告。如果计费点和出价点都集中在点击，则这种广告则是经典的按点击付费(cost per click，cpc)广告。如果计费点和出价点都集中在转化，则这种广告则是cpa广告。
97.(4)cpa广告：按转化效果付费，其中，转化效果包含但不仅限于表单留销售线索、应用程序下载安装、新注册用户、领优惠劵、加购物车以及下单等。cpa广告固然好，但是很多平台并不能采取这种方式。这是由于广告的转化数据依赖广告主的回传，如果采用cpa模式，广告主很可能不传或者少传转化数。在这种情况下就需要去用更加特殊的方式，例如优化cpa(optimized cpa，ocpa)。
98.(5)ocpa：是一种比较特征的模式，其计费点和出价点分离，计费点在点击，出价点在转化。这种方式的好处是既利用了数据优势帮助广告主在转化出价(即对pcvr进行预估)，又保证了平台的收费。
99.(6)pcvr：广告的转化率预估，通常指的是广告的点击转化率，即广告被点击之后得到转化的概率。
100.(7)pcvr校准：是指对pcvr预估模型输出结果的一种后期调整。会在某个特定的行业上进行有针对性的调整，例如，针对直营电商的pcvr校准。
101.(8)行业因子：针对某个特定的行业对其广告的预估千次展示收益(effective cost per mile，ecpm)进行再调整。这个再调整的策略，可以是基于某一行业，对pcvr进行特定行业的调整。也可以是根据某一行业的人群特定，进行特定人群效果增强等。在直营电商上，行业因子主要包括直营电商pcvr弥补因子和直营电商高转化人群加强因子。其中，pcvr弥补因子是在某个领域上训练模型，得到该领域的pcvr加强因子。高转化人群加强因子是识别出哪些人群是高转化人群，针对高转化人群计算出的加强因子，这个因子可以让高转化人群更有机会看到该领域的广告。
102.(9)广告的转化数：以cpc广告为例，转化数即为点击数。以cpm广告为例，转化数即为展示数。以cpa广告为例，转化数即为转化效果数。
103.(10)广告的消耗：是指投放广告消耗的费用，即广告主要付给平台的钱。
104.(11)目标cpa(target_cpa)：是指目标每次转化费用，即广告主预先规定好的每次转化其会出的费用。
105.(12)广告初始阶段：是指广告在一天中刚开始曝光时候的曝光不充分阶段。例如，广告的转化数≤2，或者，广告的消耗≤2*target_cpa。
106.(13)广告成熟阶段(即广告曝光充分阶段)：是指广告跨越了广告初始阶段，并进入广告成熟阶段。例如，广告的转化数＞2，且，广告的消耗＞2*target_cpa。
107.(14)同类别广告：是指具有相同广告主的广告，或者，具有相同品牌的广告，又或者，具有相同商品信息的广告等。
108.(15)参数优化建模：是指针对pcvr校准策略中涉及到的重要参数建立参数优化模型，从数据出发，去学些得到实时的合适的参数，以达到更好的pcvr校准效果。
109.基于上述介绍，在本技术中，针对广告转化数较多阶段的pcvr校准策略，可以采用如下方式计算广告的校准参数：
[0110][0111]
其中，calibration_rate表示广告的校准参数，history_pcvr_bias_factor表示广告的因素参数，conversion_num表示广告在第一周期内的总转化数，smooth_base表示广告的平滑参数，sum_pcvr表示广告在第一周期内的总pcvr。
[0112]
可以采用如下方式计算示广告的平滑参数：
[0113][0114]
其中，smooth_base表示广告的平滑参数，sum_conversion_yesterday表示广告在第二周期内的总转化数，h表示广告在第一周期内的持续时长，min()表示取最小值，ceil()表示朝正无穷大方向取整，e表示自然对数函数的底数。p1、p2、p3和p4可以是待优化参数，或者，采用人工设定的经验值，例如，p1设定为10，p2设定为5，p3设定为10，p4设定为10，基于此，如果广告在第二周期内的总转化数(sum_conversion_yesterday)为0，则广告的平滑参数(smooth_base)为10。
[0115]
基于此公式1，还引入了广告的因素参数(history_pcvr_bias_factor)，可以采用如下方式计算示广告的因素参数：
[0116][0117]
其中，history_pcvr_bias_factor表示广告的因素参数，conv_valid_p表示第p个消耗区间的转化数，pcvr_valid_p表示第p个消耗区间的pcvr，conv_valid表示同类广告的转化数，pcvr_valid表示同类广告的pcvr。
[0118]
由此可见，广告的因素参数与conv_valid_p、pcvr_valid_p、conv_valid和pcvr_valid有关。conv_valid和pcvr_valid可基于同类广告当日数据统计得到。而conv_valid_p和pcvr_valid_p则与消耗区间的划分方式有关，即划分为几个消耗区间，每个消耗区间的阈值都会影响conv_valid_p和pcvr_valid_p的结果。
[0119]
假设变量x1，x2，
…
，xn将消耗区间划分为(n+1)个消耗区间，分别为cost≤x1*target_cpa，x1*target_cpa＜cost≤x2*target_cpa，
…
，cost＞xn*target_cpa。这样就可以通过优化n值以及x1，x2，
…
，xn变量的值来获得更加有效的结果。
[0120]
为了便于说明，下面将先对公式1进行拆解和分析。
[0121]
广告在第一周期内的总转化数(conversion_num)可指广告当日的总转化数，是一个明确的统计结果。广告在第一周期内的总pcvr(sum_pcvr)可指广告当日所有有效点击对应的pcvr之和，也是一个明确的统计结果。
[0122]
下面将先对公式2进行拆解和分析。
[0123]
公式2中的p1、p2、p3和p4这四个参数在一定程度上能影响平滑参数(smooth_base)的具体取值，也会影响校准系数(calibration_rate)。因此，可以通过优化这四个参
数来获得更加有效的结果。假如某个广告昨天没有消耗，即该广告在第二周期内的总转化数(sum_conversion_yesterday)为0，那么平滑参数(smooth_base)的默认值(即默认关联参数(default_smooth))也是一个可以去优化的量，通过优化此值也可以获得更加有效的结果。
[0124]
综上，可以得知校准系数(calibration_rate)的计算与待优化参数集合有关，其中，待优化参数集合可以包括p1、p2、p3、p4、default_smooth、n值以及x1，x2，
…
，xn中的一个或多个。如果这些参数都凭经验确定，很难确保其准确性，且人工不可能实时地频繁更改这些参数。基于此，本技术提供的转化率预估确定方法中，能够训练并不断优化这些参数，使其随着时间推移仍然合理。本技术从数据角度出发，构建模型去求解合适的参数，相比较经验值而言，更加贴近真实数据，得到的参数更加准确。于此同时，模型的训练可以每天进行，每天得到最新数据上计算出的最新版本的参数，更加具有实时性。
[0125]
结合上述介绍，下面将对本技术中转化率预估的确定方法进行介绍，请参阅图3，本技术实施例中pcvr确定方法的一个实施例包括：
[0126]
101、获取待优化参数集合、目标每次行动成本cpa值以及k个广告的样本数据集合，其中，样本数据集合包括每个广告的样本数据，每个广告的样本数据包括实际总转化数、每次有效点击校准前的转化率预估pcvr、第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长以及投放消耗值，第二周期为第一周期的前一个周期，k为大于1的整数；
[0127]
在一个或多个实施例中，pcvr确定装置需要获取待优化参数集合、目标cpa以及k个广告的样本数据集合，其中，待优化参数集合包括计算pcvr时使用的可优化参数。目标cpa是预先设定的目标每次转化费用。而样本数据集合包括k个广告中每个广告所对应的样本数据，k为大于1的整数。
[0128]
具体地，第i个广告的样本数据包括第i个广告的实际总转化数(sumconvi)、第j次有效点击校准前的pcvr(pcvrj)、第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、第二周期内的总转化数(sum_conversion_yesterday)、第一周期内的持续时长(h)以及投放消耗值(cost)。其中，j为大于或等于1的整数，且样本数据包括每次有效点击校准前的pcvr。第二周期为第一周期的前一个周期，以第一周期为当日(例如，2021年5月20日)为例，则第二周期为昨日，即2021年5月19日。广告在第一周期内的持续时长(h)可以是广告当日的持续时长，以小时为单位，例如，当前时刻为8点05分，那么广告在第一周期内的持续时长(h)为8。
[0129]
示例性地，第一周期内的总转化数(conversion_num)为当日当前的总转化数，例如，当前时间为2021年5月20日15点整，则第一周期内的总转化数(conversion_num)为从2021年5月20日00点整至2021年5月20日15点整的转化数之和。
[0130]
示例性地，第一周期内的总pcvr(sum_pcvr)为当日当前的总转化数，例如，当前时间为2021年5月20日15点整，则第一周期内的总pcvr(sum_pcvr)为从2021年5月20日00点整至2021年5月20日15点整的pcvr之和。
[0131]
需要说明的是，pcvr确定装置可部署于计算机设备，计算机设备可以是服务器或者终端设备，此处不做限定。
[0132]
102、基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的
总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和；
[0133]
在一个或多个实施例中，待优化参数集合中包括至少一个待优化参数，且这些待优化参数的初始值可根据人工经验来设定。基于此，根据待优化参数集合以及目标cpa，结合每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、第二周期内的总转化数(sum_conversion_yesterday)、第一周期内的持续时长(h)、投放消耗值(cost)以及每次点击校准前的pcvr(pcvrj)，确定每个广告的有效点击次数的pcvr之和。
[0134]
具体地，结合上述式1、式2和式3，构建如下模型：
[0135][0136][0137][0138][0139][0140]
其中，k表示广告总数，sumconvi表示第i个广告的实际总转化数，sumpcvri表示第i个广告的有效点击次数的pcvr之和，calibration_rate表示第i个广告的校准参数，history_pcvr_bias_factor表示第i个广告的因素参数，conversion_num表示第i个广告在第一周期内的总转化数，smooth_base表示第i个广告的平滑参数，sum_pcvr表示第i个广告在第一周期内的总pcvr。sum_conversion_yesterday表示第i个广告在第二周期内的总转化数，h表示第i个广告在第一周期内的持续时长，default_smooth表示默认关联参数，conv_valid_p表示第p个消耗区间的转化数，pcvr_valid_p表示第p个消耗区间的pcvr，conv_valid表示同类广告的转化数，pcvr_valid表示同类广告的pcvr。
[0141]
由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。为了便于说明，请参阅表1，表1为消耗区间划分方式的一个示意。
[0142]
表1
[0143][0144]
其中，category可以是广告主信息、商品信息信息或者品牌信息信息。target_cpa表示目标cpa。
[0145]
103、根据每个广告的有效点击次数的pcvr之和以及实际总转化数，确定针对于k个广告的差值平均值；
[0146]
在一个或多个实施例中，式4为整体优化的目标，优化的目的是希望k个广告的有效点击次数的pcvr之和能够与实际总转化数尽可能接近。基于此，结合式4至式8，以及表1所示的消耗区间划分方式，即得到如下针对于k个广告的差值平均值：
[0147][0148]
其中，e表示针对于k个广告的差值平均值。
[0149]
104、以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，其中，目标参数集合中包括至少一个已优化参数；
[0150]
在一个或多个实施例中，以最小化差值平均值(e)为目标，对待优化参数集合进行训练，其中，待优化参数集合可以包括p1、p2、p3、p4、default_smooth、n值以及x1，x2，
…
，xn中的一个或多个。经过训练后得到目标参数集合，其中，目标参数集合包括至少一个已优化参数。
[0151]
需要说明的是，求解待优化参数集合的方式包含但不仅限于针对于单个公式求解，或者，采用遗传算法求解，或者，采用粒子群算法求解，或者，采用蚁群算法求解等。
[0152]
可以理解的是，以直营电商领域的广告为例，所采用的样本数据集合为直营电商领域的数据，优化得到的目标参数集合适用于直营电商领域的广告。在实际应用中，还可以采用其他领域的数据进行训练，此处仅为一个示意，不应理解为对本技术的限定。此外，训练所使用的样本数据集合通常为5天以内的数据，如果天数过长，则数据的可靠性较低，可能会降低目标参数集合的准确性。
[0153]
105、基于目标参数集合，根据目标广告的关联数据以及待调整pcvr，确定目标广告校准后的pcvr，其中，目标广告的关联数据包括目标广告在第三周期内的总转化数、目标广告在第三周期内的总pcvr、目标广告在第四周期内的总转化数、目标广告在第三周期内的持续时长以及目标广告的投放消耗值，第四周期为第三周期的前一个周期。
[0154]
在一个或多个实施例中，在得到目标参数集合之后，可以对某个领域(例如，直营
电商领域)下的目标广告进行pcvr校准。
[0155]
具体地，经过训练之后，假设得到的目标参数集合包括n＝4，x1＝3.75，x2＝10.21，x3＝21.13，x4＝29.71，p1＝8.7，p2＝6.65，p3＝11.77，p4＝10.95，default_smooth＝15.3。基于此，将这些已优化参数代入至上述式7和表1之后，再将目标广告在第三周期内的总转化数(例如，当日当前的总转化数)、目标广告在第三周期内的总pcvr(例如，当日当前的总pcvr)、目标广告在第四周期内的总转化数(例如，昨日的总转化数)、目标广告在第三周期内的持续时长以及目标广告的投放消耗值，分别代入至式6、式7和式8中，由此，得到校准参数。最后，采用校准参数对待调整pcvr进行计算，得到目标广告校准后的pcvr。
[0156]
可以理解的是，第四周期为第三周期的前一个周期，以第三周期为当日(例如，2021年5月22日)为例，则第四周期为昨日，即2021年5月21日。
[0157]
本技术实施例中，提供了一种转化率预估的确定方法。通过上述方式，在对目标广告进行pcvr校准时，利用了优化后的目标参数集合进行计算的，而目标参数集合中的各个已优化参数是基于多个广告的样本数据训练得到的，因此，不仅引入了更多的数据量用于优化参数，而且相比于人工经验值而言还具有更高的可信度，能够更好地描述实际情况，从而提升pcvr的准确度。
[0158]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和，具体可以包括：
[0159]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合所包括的消耗量划分参数为预先设定的；
[0160]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数；
[0161]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0162]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0163]
以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，具体可以包括：
[0164]
以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合。
[0165]
在一个或多个实施例中，介绍了一种对待优化参数集合进行训练的方式。假设已预先设置消耗量划分参数集合，例如，消耗量划分参数集合包括n＝4，x1＝4，x2＝10，x3＝20，x4＝40。
[0166]
具体地，为了便于说明，请参阅表2，表2为消耗区间划分方式的一个示意。
[0167]
表2
[0168][0169]
其中，category可以是广告主信息、商品信息信息或者品牌信息信息。target_cpa表示目标cpa。由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0170]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。需要说明的是，式7中的p1、p2、p3、p4和默认关联参数(default_smooth)均属于关联参数集合中的参数。
[0171]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0172]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0173]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的p1、p2、p3、p4和默认关联参数(default_smooth)。
[0174]
需要说明的是，本技术将因素参数融入至校准参数的计算中，此外，利用同类别广告信息的其他方式：例如，加权和，也可以应用于校准参数的计算，此处不做限定。
[0175]
其次，本技术实施例中，提供了一种对待优化参数集合进行训练的方式，通过上述方式，即固定消耗量划分参数集合并优化关联参数集合，由此，在节省参数训练量的同时，能够优化关联参数集合中的参数，从而在提高训练效率的同时，提升校准参数的准确度。
[0176]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，关联参数集合包括第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
[0177]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，具体可以包括：
[0178]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据
任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数；
[0179]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数，其中，默认关联参数为预先设定的；
[0180]
以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，具体可以包括：
[0181]
以最小化差值平均值为目标，对第一关联参数、第二关联参数、第三关联参数以及第四关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数以及优化后第四关联参数。
[0182]
在一个或多个实施例中，介绍了另一种对待优化参数集合进行训练的方式。假设已预先设置消耗量划分参数集合以及默认关联参数(default_smooth)，例如，消耗量划分参数集合包括n＝4，x1＝4，x2＝10，x3＝20，x4＝40，而默认关联参数为default_smooth＝10。
[0183]
具体地，为了便于说明，请再次参阅表2，由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0184]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。需要说明的是，式7中的第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)和默认关联参数(default_smooth)均属于关联参数集合中的参数。如果广告在第二周期内的总转化数(sum_conversion_yesterday)不为0，则基于第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)、在第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，计算平滑参数(smooth_base)。如果广告在第二周期内的总转化数(sum_conversion_yesterday)为0，则直接将默认关联参数(default_smooth)确定为广告的平滑参数(smooth_base)。
[0185]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0186]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0187]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)和第四关联参数(p4)。
[0188]
再次，本技术实施例中，提供了另一种对待优化参数集合进行训练的方式，通过上述方式，即固定默认关联参数并优化其他关联参数，由此，在节省参数训练量的同时，能够优化其他关联参数，从而在提高训练效率的同时，提升校准参数的准确度。
[0189]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施
例中，关联参数集合包括默认关联参数；
[0190]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，具体可以包括：
[0191]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数，其中，第一关联参数、第二关联参数、第三关联参数以及第四关联参数为预先设定的；
[0192]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数；
[0193]
以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，具体可以包括：
[0194]
以最小化差值平均值为目标，对默认关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的默认关联参数。
[0195]
在一个或多个实施例中，介绍了另一种对待优化参数集合进行训练的方式。假设已预先设置消耗量划分参数集合、第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)以及第四关联参数(p4)，例如，消耗量划分参数集合包括n＝4，x1＝4，x2＝10，x3＝20，x4＝40，而第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)以及第四关联参数(p4)分别为p1＝10，p2＝5，p3＝10，p4＝10。
[0196]
具体地，为了便于说明，请再次参阅表2，由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0197]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。需要说明的是，式7中的第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)和默认关联参数(default_smooth)均属于关联参数集合中的参数。如果广告在第二周期内的总转化数(sum_conversion_yesterday)不为0，则基于第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)、在第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，计算平滑参数(smooth_base)。如果广告在第二周期内的总转化数(sum_conversion_yesterday)为0，则直接将默认关联参数(default_smooth)确定为广告的平滑参数(smooth_base)。
[0198]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0199]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0200]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的默认关联参数(default_smooth)。
[0201]
再次，本技术实施例中，提供了另一种对待优化参数集合进行训练的方式，通过上述方式，即固定其他关联参数并优化默认关联参数，由此，在节省参数训练量的同时，能够优化其他关联参数，从而在提高训练效率的同时，提升校准参数的准确度。
[0202]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和，具体可以包括：
[0203]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数；
[0204]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合所包括的关联参数为预先设定的；
[0205]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0206]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0207]
以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，具体可以包括：
[0208]
以最小化差值平均值为目标，对消耗量划分参数集合进行训练，以得到目标参数集合。
[0209]
在一个或多个实施例中，介绍了另一种对待优化参数集合进行训练的方式。假设已预先设置关联参数集合，关联参数集合包括第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)以及默认关联参数，例如，p1＝10，p2＝5，p3＝10，p4＝10，default_smooth＝10。
[0210]
具体地，为了便于说明，请再次参阅表1，由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。需要说明的是，表1中的n值以及x1，x2，
…
，xn均属于消耗量划分参数集合中的参数。
[0211]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。
[0212]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0213]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0214]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的n值以及n个消耗量划分参数(即x1，x2，
…
，
xn)。
[0215]
其次，本技术实施例中，提供了另一种对待优化参数集合进行训练的方式，通过上述方式，即固定关联参数集合并优化消耗量划分参数集合，由此，在节省参数训练量的同时，能够优化关联参数集合中的参数，从而在提高训练效率的同时，提升校准参数的准确度。
[0216]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，消耗量划分参数集合包括n个消耗量划分参数，其中，n为大于或等于1的整数；
[0217]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，具体可以包括：
[0218]
基于n值、n个消耗量划分参数以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，n值为预先设定的；
[0219]
以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，具体可以包括：
[0220]
以最小化差值平均值为目标，对n个消耗量划分参数中的每个消耗量划分参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的n个消耗量划分参数。
[0221]
在一个或多个实施例中，介绍了另一种对待优化参数集合进行训练的方式。假设已预先设置关联参数集合以及n值，关联参数集合包括第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)以及默认关联参数，例如，p1＝10，p2＝5，p3＝10，p4＝10，default_smooth＝10。n值可以设置为n＝4。
[0222]
具体地，为了便于说明，请再次参阅表1，由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。需要说明的是，表1中的n值以及x1，x2，
…
，xn均属于消耗量划分参数集合中的参数。
[0223]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。
[0224]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0225]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0226]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的n个消耗量划分参数(即x1，x2，
…
，xn)。
[0227]
再次，本技术实施例中，提供了另一种对待优化参数集合进行训练的方式，通过上述方式，即固定n值并优化消耗量划分参数，由此，在节省参数训练量的同时，能够优化关联参数集合中的参数，从而在提高训练效率的同时，提升校准参数的准确度。
[0228]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化
数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和，具体可以包括：
[0229]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合包括默认关联参数、第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
[0230]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合包括n值以及n个消耗量划分参数，n为大于或等于1的整数；
[0231]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0232]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0233]
以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，具体可以包括：
[0234]
以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数、优化后第四关联参数、优化后的默认关联参数、优化后的n值以及优化后的n个消耗量划分参数。
[0235]
在一个或多个实施例中，介绍了另一种对待优化参数集合进行训练的方式。待优化参数集合包括关联参数集合以及消耗量划分参数集合，其中，关联参数集合包括第一关联参数(p1)、第二关联参数(p2)、第三关联参数(p3)、第四关联参数(p4)以及默认关联参数。消耗量划分参数集合包括n值以及n个消耗量划分参数(x1，x2，
…
，xn)。
[0236]
具体地，为了便于说明，请再次参阅表1，由前述介绍可知，conv_valid_p与pcvr_valid_p与消耗区间的划分方式有关。根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0237]
结合上述式7，根据每个广告所对应的第一周期内的持续时长(h)以及第二周期内的总转化数(sum_conversion_yesterday)，确定每个广告所对应的平滑参数(smooth_base)。
[0238]
结合上述式6，根据每个广告所对应的第一周期内的总转化数(conversion_num)、第一周期内的总pcvr(sum_pcvr)、平滑参数(smooth_base)以及因素参数(history_pcvr_bias_factor)，确定每个广告所对应的校准参数(calibration_rate)。
[0239]
结合上述式5，根据每个广告所对应的每次点击校准前的pcvr(例如，第j次点击校准前的pcvr为pcvrj)以及校准参数(calibration_rate)，确定每个广告的有效点击次数的pcvr之和(例如，第i个广告的有效点击次数的pcvr之和为sumpcvri)。
[0240]
基于此，以最小化差值平均值(e)为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数、优化后第四关联参数、优化后的默认关联参数、优化后的n值以及优化后的n个消耗量划分参数。
[0241]
其次，本技术实施例中，提供了另一种对待优化参数集合进行训练的方式，通过上
述方式，可优化固定关联参数集合以及消耗量划分参数集合，从而有助于提升校准参数的准确度，进而对pcvr进行更好的校准，有利于对广告成本的控制，并且有利于提高ocpa产品的可靠性和可用性。
[0242]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，每个广告的样本数据还包括广告主信息、在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
[0243]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，具体可以包括：
[0244]
根据每个广告所对应的广告主信息，将k个广告划分为t1个广告集合，其中，每个广告集合包括至少一个广告，t1为大于或等于1的整数；
[0245]
若t1个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合，其中，(n+1)个消耗区间为基于消耗量划分参数集合以及目标cpa确定的，每个广告子集合包括至少一个广告，且同一个广告子集合对应于同一个消耗区间，n为大于或等于1的整数；
[0246]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第一转化数以及在当前周期的第一pcvr，其中，当前周期包括至少一个单位时间；
[0247]
针对于t1个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第二pcvr；
[0248]
根据第一转化数、第一pcvr、第二转化数以及第二pcvr，确定每个广告所对应的因素参数。
[0249]
在一个或多个实施例中，介绍了一种基于广告主信息确定因素参数的方式。有前述实施例可知，根据目标cpa、n值以及n个消耗量划分参数(x1，x2，
…
，xn)，可划分出(n+1)个消耗区间。在训练开始之前，可以先基于人工经验设置消耗量划分参数集合，例如，n＝4，x1＝4，x2＝10，x3＝20，x4＝40。可以理解的是，在训练过中，如果需要对消耗量划分参数集合进行调优，那么使用的n值以及n个消耗量划分参数(x1，x2，
…
，xn)可能会发生变化。下面将以基于要对消耗量划分参数集合进行调优之前的参数为例进行介绍。
[0250]
为了便于说明，请参阅表3，表3为基于广告主信息的消耗区间划分方式的一个示意。
[0251]
表3
[0252][0253]
其中，advertiser是广告主信息。target_cpa表示目标cpa。由前述介绍可知，根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0254]
具体地，首先，根据每个广告所对应的广告主信息，将k个广告划分为t1个广告集合。即分别统计不同广告主信息下，在不同维度下的数据，得到t1个广告集合。假设有50个广告，共有5个广告主，基于此，先对这50个广告进行划分，将具有相同广告主信息的广告划分为一类。在此基础上，进一步对每组广告进行划分，例如，每组广告都有站点集27和28，于是分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据。此时，可得到20个广告集合。
[0255]
接下来，针对于每个广告集合，分别统计每个广告集合的投放总消耗值，如果每个广告集合的投放总消耗值都大于或等于投放消耗阈值(例如，4*target_cpa)，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值(cost)，生成至少一个广告子集合。即根据每个广告所对应的投放消耗值(cost)确定所在的消耗区间，分别统计每个广告集合所包括的广告子集合，由此得到至少一个广告子集合，且同一个广告子集合对应于同一个消耗区间。
[0256]
示例性地，在一种实现方式中，针对于每个广告集合，分别采用如下方式计算每个广告子集合在当前周期的第一转化数以及在当前周期的第一pcvr：
[0257][0258][0259]
其中，对于单个广告而言，i满足表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第一转化数，pcvr_advertiser_p表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第一pcvr。i表示截止当前小时，单个广告的投放消耗值(cost)在对应消耗区间内(例如，投放消耗值≤4*target_cpa)。lambda表示时间衰减系数(例如，0.05)。conv_advertiser_houri表示在单位时间(例如，第i个小时)统计到的总转化数。pcvr_advertiser_houri表示在单位时间(例如，第i个小时)统计到的总pcvr。
[0260]
示例性地，在另一种实现方式中，还可以进一步统计当日和最近一个小时的广告总的转化数，以及总的有效点击对应的pcvr之和。例如，分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据在全天和最近一小时的数据，其中，统计全天数据的时候，采用了较为直观的时间衰减策略，即：
[0261][0262][0263]
其中，conv_advertiser_day表示统计得到的当日转化数，pcvr_advertiser_day表示统计得到的当日总pcvr之和。
[0264]
若当前1个小时的数据充分，则采用当前1小时的数据，否则将采用全天的数据，即：
[0265][0266][0267]
需要说明的是，conv_advertiser_1是统计得到单广告的消耗≤4*target_cpa时，同广告主信息下所有广告的转化数之和。pcvr_advertiser_1是统计得到单广告的消耗≤4*target_cpa时候，同广告主信息下所有广告的有效点击对应的pcvr之和。其他档次对应的统计方式类似，此处不做赘述。
[0268]
针对于每个广告集合，根据每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第二pcvr。具体地，分别统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)的广告总的转化数，即第二转化数(conv_advertiser)，以及统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)总的有效点击对应的pcvr之和，即第二pcvr(pcvr_advertiser)。
[0269]
最后，将每个广告所对应的第一转化数(conv_advertiser_p)作为conv_valid_p，将第一pcvr(pcvr_advertiser_p)作为pcvr_valid_p，将第二转化数(conv_advertiser)作为conv_valid，将第二pcvr(pcvr_advertiser)作为pcvr_valid，并结合上述式8，从而计算得到每个广告所对应的因素参数。
[0270]
可以理解的是，本技术所采用的维度还可以包括归属、受众和内容等，这些维度也可以方便扩展，例如，同集团、同区域和同定向等。本技术考虑了站点集以及是否新旧广告的维度，其中，对于新旧广告的定义采用的策略是只有当日曝光的广告且之前没曝光过的广告是新广告，这个新广告的定义可以进行扩展。例如，只有当前2天有曝光过的广告是新广告。在计算统计当天数据的时候考虑了时间衰减系数，本技术采用线性的时间衰减策略，此外，还可以采用其他的时间衰减策略(例如高斯衰减等)。
[0271]
进一步地，本技术实施例中，提供了一种基于广告主信息确定因素参数的方式，通过上述方式，将具有相同广告主信息的广告进行分类，并基于同类广告进行划分和计算，从而引入了更多用于优化参数的数据量。
[0272]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施
例中，每个广告的样本数据还包括品牌信息；
[0273]
还可以包括：
[0274]
若t1个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的品牌信息，将k个广告划分为t2个广告集合，其中，每个广告集合包括至少一个广告，t2为大于或等于1的整数；
[0275]
若t2个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
[0276]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第三转化数以及在当前周期的第三pcvr；
[0277]
针对于t2个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第四转化数以及在当前周期的第四pcvr；
[0278]
根据第三转化数、第三pcvr、第四转化数以及第四pcvr，确定每个广告所对应的因素参数。
[0279]
在一个或多个实施例中，介绍了一种基于品牌信息确定因素参数的方式。有前述实施例可知，如果基于广告主信息进行划分，且存在广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据品牌信息将k个广告划分为t2个广告集合。类似地，根据目标cpa、n值以及n个消耗量划分参数(x1，x2，
…
，xn)，可划分出(n+1)个消耗区间。
[0280]
为了便于说明，请参阅表4，表4为基于品牌信息的消耗区间划分方式的一个示意。
[0281]
表4
[0282][0283]
其中，brand是品牌信息。target_cpa表示目标cpa。由前述介绍可知，根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0284]
具体地，首先，根据每个广告所对应的品牌信息，将k个广告划分为t2个广告集合。即分别统计不同品牌信息下，在不同维度下的数据，得到t2个广告集合。假设有50个广告，共有5个品牌，基于此，先对这50个广告进行划分，将具有相同品牌信息的广告划分为一类。
在此基础上，进一步对每组广告进行划分，例如，每组广告都有站点集27和28，于是分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据。此时，可得到20个广告集合。
[0285]
接下来，针对于每个广告集合，分别统计每个广告集合的投放总消耗值，如果每个广告集合的投放总消耗值都大于或等于投放消耗阈值(例如，4*target_cpa)，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值(cost)，生成至少一个广告子集合。即根据每个广告所对应的投放消耗值(cost)确定所在的消耗区间，分别统计每个广告集合所包括的广告子集合，由此得到至少一个广告子集合，且同一个广告子集合对应于同一个消耗区间。
[0286]
示例性地，在一种实现方式中，针对于每个广告集合，分别采用如下方式计算每个广告子集合在当前周期的第三转化数以及在当前周期的第三pcvr：
[0287][0288][0289]
其中，对于单个广告而言，i满足表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第三转化数，pcvr_brand_p表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第三pcvr。i表示截止当前小时，单个广告的投放消耗值(cost)在对应消耗区间内(例如，投放消耗值≤4*target_cpa)。lambda表示时间衰减系数(例如，0.05)。conv_brand_houri表示在单位时间(例如，第i个小时)统计到的总转化数。pcvr_brand_houri表示在单位时间(例如，第i个小时)统计到的总pcvr。
[0290]
示例性地，在另一种实现方式中，还可以进一步统计当日和最近一个小时的广告总的转化数，以及总的有效点击对应的pcvr之和。例如，分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据在全天和最近一小时的数据，其中，统计全天数据的时候，采用了较为直观的时间衰减策略，即：
[0291][0292][0293]
其中，conv_brand_day表示统计得到的当日转化数，pcvr_brand_day表示统计得到的当日总pcvr之和。
[0294]
若当前1个小时的数据充分，则采用当前1小时的数据，否则将采用全天的数据，即：
[0295][0296][0297]
需要说明的是，conv_brand_1是统计得到单广告的消耗≤4*target_cpa时，同品
牌信息下所有广告的转化数之和。pcvr_brand_1是统计得到单广告的消耗≤4*target_cpa时候，同品牌信息下所有广告的有效点击对应的pcvr之和。其他档次对应的统计方式类似，此处不做赘述。
[0298]
针对于每个广告集合，根据每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第四pcvr。具体地，分别统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)的广告总的转化数，即第二转化数(conv_brand)，以及统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)总的有效点击对应的pcvr之和，即第四pcvr(pcvr_brand)。
[0299]
最后，将每个广告所对应的第三转化数(conv_brand_p)作为conv_valid_p，将第三pcvr(pcvr_brand_p)作为pcvr_valid_p，将第四转化数(conv_brand)作为conv_valid，将第四pcvr(pcvr_brand)作为pcvr_valid，并结合上述式8，从而计算得到每个广告所对应的因素参数。
[0300]
更进一步地，本技术实施例中，提供了一种基于品牌信息确定因素参数的方式，通过上述方式，将具有相同品牌信息的广告进行分类，并基于同类广告进行划分和计算，从而引入了更多用于优化参数的数据量。
[0301]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，每个广告的样本数据还包括商品信息；
[0302]
还可以包括：
[0303]
若t2个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的商品信息，将k个广告划分为t3个广告集合，其中，每个广告集合包括至少一个广告，t3为大于或等于1的整数；
[0304]
若t3个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
[0305]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第五转化数以及在当前周期的第五pcvr；
[0306]
针对于t3个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第六转化数以及在当前周期的第六pcvr；
[0307]
根据第五转化数、第五pcvr、第六转化数以及第六pcvr，确定每个广告所对应的因素参数。
[0308]
在一个或多个实施例中，介绍了一种基于商品信息确定因素参数的方式。有前述实施例可知，如果基于品牌信息进行划分，且存在品牌信息所对应的投放总消耗值大于或等于投放消耗阈值，则根据商品信息将k个广告划分为t3个广告集合。类似地，根据目标cpa、n值以及n个消耗量划分参数(x1，x2，
…
，xn)，可划分出(n+1)个消耗区间。
[0309]
为了便于说明，请参阅表5，表5为基于商品信息的消耗区间划分方式的一个示意。
[0310]
表5
[0311][0312]
其中，product是商品信息。target_cpa表示目标cpa。由前述介绍可知，根据每个广告所对应的投放消耗值所在的消耗区间，结合上述式8，计算得到每个广告所对应的因素参数(history_pcvr_bias_factor)。
[0313]
具体地，首先，根据每个广告所对应的商品信息，将k个广告划分为t3个广告集合。即分别统计不同商品信息下，在不同维度下的数据，得到t3个广告集合。假设有50个广告，共有5类商品，基于此，先对这50个广告进行划分，将具有相同商品信息的广告划分为一类。在此基础上，进一步对每组广告进行划分，例如，每组广告都有站点集27和28，于是分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据。此时，可得到20个广告集合。
[0314]
接下来，针对于每个广告集合，分别统计每个广告集合的投放总消耗值，如果每个广告集合的投放总消耗值都大于或等于投放消耗阈值(例如，4*target_cpa)，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值(cost)，生成至少一个广告子集合。即根据每个广告所对应的投放消耗值(cost)确定所在的消耗区间，分别统计每个广告集合所包括的广告子集合，由此得到至少一个广告子集合，且同一个广告子集合对应于同一个消耗区间。
[0315]
示例性地，在一种实现方式中，针对于每个广告集合，分别采用如下方式计算每个广告子集合在当前周期的第五转化数以及在当前周期的第五pcvr：
[0316][0317][0318]
其中，对于单个广告而言，i满足表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第五转化数，pcvr_product_p表示在第p档次的消耗区间下统计得到的广告子集合在当前周期(例如，当日)的第五pcvr。i表示截止当前小时，单个广告的投放消耗值(cost)在对应消耗区间内(例如，投放消耗值≤4*target_cpa)。lambda表示时间衰减系数(例如，0.05)。conv_product_houri表示在单位时间(例如，第i个小时)统计到的总转化数。pcvr_product_houri表示在单位时间(例如，第i个小时)统计到的总pcvr。
[0319]
示例性地，在另一种实现方式中，还可以进一步统计当日和最近一个小时的广告总的转化数，以及总的有效点击对应的pcvr之和。例如，分别统计[27，新广告]、[27，旧广告]、[28，新广告]和[28，旧广告]，这4个组合维度下不同消耗档次下的数据在全天和最近一小时的数据，其中，统计全天数据的时候，采用了较为直观的时间衰减策略，即：
[0320][0321][0322]
其中，conv_product_day表示统计得到的当日转化数，pcvr_product_day表示统计得到的当日总pcvr之和。
[0323]
若当前1个小时的数据充分，则采用当前1小时的数据，否则将采用全天的数据，即：
[0324][0325][0326]
需要说明的是，conv_product_1是统计得到单广告的消耗≤4*target_cpa时，同商品信息下所有广告的转化数之和。pcvr_product_1是统计得到单广告的消耗≤4*target_cpa时候，同商品信息下所有广告的有效点击对应的pcvr之和。其他档次对应的统计方式类似，此处不做赘述。
[0327]
针对于每个广告集合，根据每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第六pcvr。具体地，分别统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)的广告总的转化数，即第二转化数(conv_product)，以及统计在[站点集，是否新旧广告]维度下在当前周期(例如，当日)总的有效点击对应的pcvr之和，即第六pcvr(pcvr_product)。
[0328]
最后，将每个广告所对应的第五转化数(conv_product_p)作为conv_valid_p，将第五pcvr(pcvr_product_p)作为pcvr_valid_p，将第六转化数(conv_product)作为conv_valid，将第六pcvr(pcvr_product)作为pcvr_valid，并结合上述式8，从而计算得到每个广告所对应的因素参数。
[0329]
再进一步地，本技术实施例中，提供了一种基于商品信息确定因素参数的方式，通过上述方式，将具有相同商品信息的广告进行分类，并基于同类广告进行划分和计算，从而引入了更多用于优化参数的数据量。
[0330]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数，具体可以包括：
[0331]
针对于任意一个广告，确定广告所对应的投放消耗值所在的目标cpa区间；
[0332]
基于目标cpa区间，根据广告所对应的投放消耗值以及第一周期内的总转化数，确定目标扩大系数；
[0333]
根据广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定广告所对应的待调整校准参数；
[0334]
根据广告所对应的待调整校准参数以及目标扩大系数，确定广告所对应的校准参数。
[0335]
在一个或多个实施例中，介绍了一种在广告成熟阶段采用扩大系数对校准参数进行调整的方式。为了便于说明，下面将针对任意一个广告进行介绍，可以理解的是，其他广告的处理方式类似，此处不做赘述。
[0336]
具体地，预先将广告的投放消耗值划分为若干个cpa区间，本技术以划分为三个cpa区间为例，其中，低于8倍target_cpa属于一个cpa区间，介于8倍target_cpa至25倍的target_cpa之间属于一个cpa区间，大于25倍的target_cpa属于一个cpa区间。由此，根据广告所对应的投放消耗值(cost)先确定所在的目标cpa区间。
[0337]
示例性地，如果目标cpa区间为低于8倍target_cpa的cpa区间，则pcvr乘以系数1.0，即相当于不乘系数。因为这个阶段广告的消耗较少，总体量较少，很容易受到干扰而导致偏离，最后超成本。因此，可不对系数进行扩大。
[0338]
示例性地，如果目标cpa区间为介于8倍target_cpa和25倍target_cpa之间的cpa区间，则pcvr乘以的系数可通过下述计算式得到：
[0339][0340]
其中，coef表示目标扩大系数，cost表示广告的投放消耗值，target_cpa表示目标cpa，current_cpa_bias表示广告的当前cpa偏差。广告的当前cpa偏差可采用如下方式进行计算：
[0341]
current_cpa_bias＝cost/(conv_num*target_cpa)
–
1；式28
[0342]
其中，current_cpa_bias表示广告的当前cpa偏差，cost表示广告的投放消耗值(即，广告的当前消耗)，conv_num表示广告在第一周期内的总转化数(即，广告的当前转化数)。
[0343]
示例性地，如果目标cpa区间为大于25倍的target_cpa的cpa区间，则pcvr乘以的系数可通过下述计算式得到：
[0344][0345]
其中，coef表示目标扩大系数，cost表示广告的投放消耗值，target_cpa表示目标cpa，current_cpa_bias表示广告的当前cpa偏差。广告的当前cpa偏差的计算方式可参阅式28，此处不做赘述。
[0346]
基于此，采用如下方式计算待调整校准参数：
[0347][0348]
其中，calibration_rate
′
表示广告的待调整校准参数，history_pcvr_bias_factor表示广告的因素参数，conversion_num表示广告在第一周期内的总转化数，smooth_base表示广告的平滑参数，sum_pcvr表示第i个广告在第一周期内的总pcvr。
[0349]
采用如下方式计算广告所对应的校准参数：
[0350]
calibration_rate＝calibration_rate’*coef；式31
[0351]
其中，calibration_rate表示广告的校准参数，calibration_rate’表示广告的待调整校准参数，coef表示目标扩大系数。
[0352]
进一步地，本技术实施例中，提供了一种在广告成熟阶段采用扩大系数对校准参数进行调整的方式，通过上述方式，还可以结合广告阶段对校准参数进行调整，从而使得校准参数更贴近实际情况，由此，提升参数优化的合理性。
[0353]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的另一个可选实施例中，每个广告的样本数据还包括在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
[0354]
还可以包括：
[0355]
针对于任意一个广告，若广告所对应的第一周期内的总转化数小于转化数阈值，且投放消耗值小于目标cpa阈值，则根据广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定广告在当前周期的第七转化数以及在当前周期的第七pcvr，其中，当前周期包括至少一个单位时间；
[0356]
根据广告在当前周期的第七转化数、在当前周期的第七pcvr以及预设扩大系数，确定广告所对应的校准参数；
[0357]
根据广告所对应的每次点击校准前的pcvr以及校准参数，确定广告的有效点击次数的pcvr之和。
[0358]
在一个或多个实施例中，介绍了一种在广告初始阶段采用扩大系数对校准参数进行调整的方式。为了便于说明，下面将针对任意一个广告进行介绍，可以理解的是，其他广告的处理方式类似，此处不做赘述。
[0359]
具体地，若广告所对应的第一周期内的总转化数(conversion_num)小于转化数阈值(例如，2)，且投放消耗值(cost)小于目标cpa阈值(例如，2*target_cpa)，则可采用如下方式计算校准参数：
[0360]
calibration_rate’＝conv_valid/pcvr_valid；
[0361]
其中，calibration_rate’表示广告的待调整校准参数,conv_valid表示广告在当前周期的第七转化数，pcvr_valid表示广告在当前周期的第七pcvr。第七转化数为根据广告在单位时间统计到的总转化数确定的，例如，单位时间为1小时，当前周期为当日，假设当前时刻为8点，那么当前周期的第七转化数可以是8个小时统计到总转化数之和。类似地，第七pcvr为根据广告在单位时间统计到的总pcvr确定的。
[0362]
采用如下方式计算广告所对应的校准参数：
[0363]
calibration_rate＝calibration_rate’*coef；式32
[0364]
其中，calibration_rate表示广告的校准参数，calibration_rate’表示广告的待调整校准参数，coef表示预设扩大系数，该预设扩大系数设置为1。
[0365]
其次，本技术实施例中，提供了一种在广告初始阶段采用扩大系数对校准参数进行调整的方式，通过上述方式，还可以结合广告阶段对校准参数进行调整，从而使得校准参数更贴近实际情况，由此，提升参数优化的合理性。
[0366]
结合上述各个实施例，本技术对将参数优化后的目标参数集合应用于真实数据。请参阅表6，表6为广告维度全天四个时间段的pcvr_bias均值。
[0367]
表6
[0368]
时间段abs(bias-1)消耗加权0～60.3002966～120.17038712～180.13876518～240.101298
[0369]
请参阅表7，表7为广告维度全天四个时段的pcvr_bias分布。
[0370]
表7
[0371][0372][0373]
请参阅表8，表8广告主维度全天四个时段的pcvr_bias均值。
[0374]
表8
[0375]
时间段abs(bias-1)消耗加权0～60.2001616～120.12712512～180.10142918～240.078564
[0376]
请参阅表9，表9为广告主维度全天四个时段的pcvr_bias分布
[0377]
表9
[0378][0379]
由此可见，从均值来看，优化后的参数带来了明显的正向效果，在各个时段的广告的pcvr预估上都实现了较为明显的改进。从pcvr的bias分布来看，在每个时间段上，pcvr的bias低估和高估占比都得到了明显的减少。在各个时间段上，pcvr预估也都有明确优化，可见针对广告的各个时段部分都有优化效果。
[0380]
下面对本技术中的转化率预估确定装置进行详细描述，请参阅图4，图4为本技术实施例中转化率预估确定装置的一个实施例示意图，转化率预估确定装置20包括：
[0381]
获取模块201，用于获取待优化参数集合、目标每次行动成本cpa值以及k个广告的样本数据集合，其中，样本数据集合包括每个广告的样本数据，每个广告的样本数据包括实际总转化数、每次有效点击校准前的转化率预估pcvr、第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长以及投放消耗值，第二周期为第一周期的前一个周期，k为大于1的整数；
[0382]
确定模块202，用于基于待优化参数集合以及目标cpa，并根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、第二周期内的总转化数、第一周期内的持续时长、投放消耗值以及每次点击校准前的pcvr，确定每个广告的有效点击次数的pcvr之和；
[0383]
确定模块202，还用于根据每个广告的有效点击次数的pcvr之和以及实际总转化数，确定针对于k个广告的差值平均值；
[0384]
训练模块203，用于以最小化差值平均值为目标，对待优化参数集合进行训练，以得到目标参数集合，其中，目标参数集合中包括至少一个已优化参数；
[0385]
确定模块202，还用于基于目标参数集合，根据目标广告的关联数据以及待调整pcvr，确定目标广告校准后的pcvr，其中，目标广告的关联数据包括目标广告在第三周期内的总转化数、目标广告在第三周期内的总pcvr、目标广告在第四周期内的总转化数、目标广告在第三周期内的持续时长以及目标广告的投放消耗值，第四周期为第三周期的前一个周期。
[0386]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确
定装置20的另一实施例中，
[0387]
确定模块202，具体用于基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合所包括的消耗量划分参数为预先设定的；
[0388]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数；
[0389]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0390]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0391]
训练模块203，具体用于以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合。
[0392]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，关联参数集合包括第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
[0393]
确定模块202，具体用于针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数；
[0394]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数，其中，默认关联参数为预先设定的；
[0395]
训练模块203，具体用于以最小化差值平均值为目标，对第一关联参数、第二关联参数、第三关联参数以及第四关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数以及优化后第四关联参数。
[0396]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，关联参数集合包括默认关联参数；
[0397]
确定模块202，具体用于针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数不为零，则基于第一关联参数、第二关联参数、第三关联参数以及第四关联参数，根据任意一个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定任意一个广告所对应的平滑参数，其中，第一关联参数、第二关联参数、第三关联参数以及第四关联参数为预先设定的；
[0398]
针对于k个广告中的任意一个广告，若任意一个广告所对应的第二周期内的总转化数为零，则将默认关联参数确定为任意一个广告所对应的平滑参数；
[0399]
训练模块203，具体用于以最小化差值平均值为目标，对默认关联参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的默认关联参数。
[0400]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，
[0401]
确定模块202，具体用于基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数；
[0402]
基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合所包括的关联参数为预先设定的；
[0403]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0404]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0405]
训练模块203，具体用于以最小化差值平均值为目标，对消耗量划分参数集合进行训练，以得到目标参数集合。
[0406]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，消耗量划分参数集合包括n个消耗量划分参数，其中，n为大于或等于1的整数；
[0407]
确定模块202，具体用于基于n值、n个消耗量划分参数以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，n值为预先设定的；
[0408]
训练模块203，具体用于以最小化差值平均值为目标，对n个消耗量划分参数中的每个消耗量划分参数进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的n个消耗量划分参数。
[0409]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，
[0410]
确定模块202，具体用于基于关联参数集合，根据每个广告所对应的第一周期内的持续时长以及第二周期内的总转化数，确定每个广告所对应的平滑参数，其中，关联参数集合包括默认关联参数、第一关联参数、第二关联参数、第三关联参数以及第四关联参数；
[0411]
基于消耗量划分参数集合以及目标cpa，并根据每个广告所对应的投放消耗值，确定每个广告所对应的因素参数，其中，消耗量划分参数集合包括n值以及n个消耗量划分参数，n为大于或等于1的整数；
[0412]
根据每个广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定每个广告所对应的校准参数；
[0413]
根据每个广告所对应的每次点击校准前的pcvr以及校准参数，确定每个广告的有效点击次数的pcvr之和；
[0414]
训练模块203，具体用于以最小化差值平均值为目标，对关联参数集合进行训练，以得到目标参数集合，其中，目标参数集合包括优化后的第一关联参数、优化后第二关联参数、优化后第三关联参数、优化后第四关联参数、优化后的默认关联参数、优化后的n值以及优化后的n个消耗量划分参数。
[0415]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，每个广告的样本数据还包括广告主信息、在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
[0416]
确定模块202，具体用于根据每个广告所对应的广告主信息，将k个广告划分为t1
个广告集合，其中，每个广告集合包括至少一个广告，t1为大于或等于1的整数；
[0417]
若t1个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合，其中，(n+1)个消耗区间为基于消耗量划分参数集合以及目标cpa确定的，每个广告子集合包括至少一个广告，且同一个广告子集合对应于同一个消耗区间，n为大于或等于1的整数；
[0418]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第一转化数以及在当前周期的第一pcvr，其中，当前周期包括至少一个单位时间；
[0419]
针对于t1个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第二转化数以及在当前周期的第二pcvr；
[0420]
根据第一转化数、第一pcvr、第二转化数以及第二pcvr，确定每个广告所对应的因素参数。
[0421]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，每个广告的样本数据还包括品牌信息；
[0422]
确定模块202，具体用于若t1个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的品牌信息，将k个广告划分为t2个广告集合，其中，每个广告集合包括至少一个广告，t2为大于或等于1的整数；
[0423]
若t2个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
[0424]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第三转化数以及在当前周期的第三pcvr；
[0425]
针对于t2个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第四转化数以及在当前周期的第四pcvr；
[0426]
根据第三转化数、第三pcvr、第四转化数以及第四pcvr，确定每个广告所对应的因素参数。
[0427]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，每个广告的样本数据还包括商品信息；
[0428]
确定模块202，具体用于若t2个广告集合存在任意一个广告集合所对应的投放总消耗值小于投放消耗阈值，根据每个广告所对应的商品信息，将k个广告划分为t3个广告集合，其中，每个广告集合包括至少一个广告，t3为大于或等于1的整数；
[0429]
若t3个广告集合中每个广告集合所对应的投放总消耗值大于或等于投放消耗阈值，则根据(n+1)个消耗区间以及每个广告集合中每个广告所对应的投放消耗值，生成至少一个广告子集合；
[0430]
针对于至少一个广告子集合中的每个广告子集合，根据每个广告子集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告子集合在当前周期的第五转化数以及在当前周期的第五pcvr；
[0431]
针对于t3个广告集合中的每个广告集合，根据每个广告集合中每个广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定每个广告集合在当前周期的第六转化数以及在当前周期的第六pcvr；
[0432]
根据第五转化数、第五pcvr、第六转化数以及第六pcvr，确定每个广告所对应的因素参数。
[0433]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，
[0434]
确定模块202，具体用于针对于任意一个广告，确定广告所对应的投放消耗值所在的目标cpa区间；
[0435]
基于目标cpa区间，根据广告所对应的投放消耗值以及第一周期内的总转化数，确定目标扩大系数；
[0436]
根据广告所对应的第一周期内的总转化数、第一周期内的总pcvr、平滑参数以及因素参数，确定广告所对应的待调整校准参数；
[0437]
根据广告所对应的待调整校准参数以及目标扩大系数，确定广告所对应的校准参数。
[0438]
可选地，在上述图4所对应的实施例的基础上，本技术实施例提供的转化率预估确定装置20的另一实施例中，每个广告的样本数据还包括在单位时间统计到的总转化数以及在单位时间统计到的总pcvr；
[0439]
确定模块202，还用于针对于任意一个广告，若广告所对应的第一周期内的总转化数小于转化数阈值，且投放消耗值小于目标cpa阈值，则根据广告在单位时间统计到的总转化数以及在单位时间统计到的总pcvr，确定广告在当前周期的第七转化数以及在当前周期的第七pcvr，其中，当前周期包括至少一个单位时间；
[0440]
确定模块202，还用于根据广告在当前周期的第七转化数、在当前周期的第七pcvr以及预设扩大系数，确定广告所对应的校准参数；
[0441]
确定模块202，还用于根据广告所对应的每次点击校准前的pcvr以及校准参数，确定广告的有效点击次数的pcvr之和。
[0442]
图5是本技术实施例提供的一种计算机设备结构示意图，该计算机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在计算机设备300上执行存储介质330中的一系列指令操作。
[0443]
计算机设备300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例
如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等等。
[0444]
上述实施例中由计算机设备所执行的步骤可以基于该图5所示的计算机设备结构。
[0445]
本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述各个实施例描述的方法。
[0446]
本技术实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例描述的方法。
[0447]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0448]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0449]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0450]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0451]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0452]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。