点击率预估方法、装置、计算机可读介质及电子设备与流程

本技术涉及计算机及通信，具体而言，涉及一种推广信息的点击率预估方法、装置、计算机可读介质及电子设备。

背景技术：

1、随着互联网技术和通信技术的发展，在应用程序上投放推广信息越来越普遍，一般来说，在应用程序中投放推广信息的整个过程可以概括为：展示(即曝光)→点击(即触发展示的推广信息)→转化(即注册账号、下载应用程序、关注公众号、提交表单等)。对于推广信息而言，点击率是用于衡量推广效果的重要因素，其是指页面上某一推广信息被点击的次数与被显示次数之比，在投放推广信息之前，通常需要预测推广信息的点击率，但是相关技术中所提出的点击率预测方案通常准确性较差，影响了推广信息的投放准确性和投放效果。

技术实现思路

1、本技术的实施例提供了一种推广信息的点击率预估方法、装置、计算机可读介质及电子设备，可以提高点击率预估模型的预估准确性，有利于提升推广信息的投放准确性和投放效果。

2、本技术的其它特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。

3、根据本技术实施例的一个方面，提供了一种推广信息的点击率预估方法，包括：获取待推广信息，以及所述待推广信息需要推送到的目标对象所对应的对象信息；将所述待推广信息和所述对象信息输入至点击率预估模型，所述点击率预估模型在训练时所采用的损失函数包含有监督学习损失函数和自监督学习损失函数，所述自监督学习损失函数是基于推广信息的受众对象针对所曝光的推广信息的关注时长进行构建的；获取所述点击率预估模型输出的所述目标对象针对所述待推广信息的预估点击率。

4、根据本技术实施例的一个方面，提供了一种推广信息的点击率预估装置，包括：信息获取单元，配置为获取待推广信息，以及所述待推广信息需要推送到的目标对象所对应的对象信息；处理单元，配置为将所述待推广信息和所述对象信息输入至点击率预估模型，所述点击率预估模型在训练时所采用的损失函数包含有监督学习损失函数和自监督学习损失函数，所述自监督学习损失函数是基于推广信息的受众对象针对所曝光的推广信息的关注时长进行构建的；结果获取单元，配置为获取所述点击率预估模型输出的所述目标对象针对所述待推广信息的预估点击率。

5、在本技术的一些实施例中，基于前述方案，所述信息获取单元还配置为：获取训练样本，所述训练样本包括受众对象样本、推广信息样本、所述受众对象样本针对所述推广信息样本的点击率，以及所述受众对象样本在所述推广信息样本曝光后的关注时长；

6、所述推广信息的点击率预估装置还包括：损失函数构建单元，配置为根据所述训练样本构建点击率预估模型的损失函数；模型训练单元，配置为基于所述训练样本和所述损失函数对所述点击率预估模型进行训练。

7、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元配置为：根据所述受众对象样本和所述推广信息样本构建模型期望输出值；根据所述模型期望输出值，以及所述受众对象样本针对所述推广信息样本的点击率，构建有监督学习损失函数；根据所述受众对象样本在所述推广信息样本曝光后对所述推广信息样本的关注时长，构建自监督学习损失函数；基于所述有监督学习损失函数和所述自监督学习损失函数，生成所述点击率预估模型的损失函数。

8、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元构建自监督学习损失函数的过程，包括：根据所述受众对象样本在所述推广信息样本曝光后对所述推广信息样本的关注时长，确定关注时长超过设定阈值的第一样本集，以及关注时长未超过所述设定阈值的第二样本集；根据所述第一样本集和所述第二样本集构建样本对，一个样本对中包含了所述第一样本集的一个推广信息样本和所述第二样本集中的一个推广信息样本；根据所述样本对中的第一推广信息样本和第二推广信息样本分别构建模型期望输出值，得到第一期望输出值和第二期望输出值；计算所述第一期望输出值与所述第二期望输出值之间的差值的绝对值，根据所述绝对值生成所述自监督学习损失函数。

9、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元根据所述第一样本集和所述第二样本集构建样本对的过程，包括：分别从所述第一样本集和所述第二样本集中选取一个对应于相同受众对象样本的推广信息样本，以构建一个所述样本对；或者

10、分别从所述第一样本集和所述第二样本集中选取一个对应于相同类型的受众对象样本的推广信息样本，以构建一个所述样本对。

11、在本技术的一些实施例中，基于前述方案，若所述样本对中包含的第一推广信息样本和第二推广信息样本分别对应于不同的受众对象样本，则所述损失函数构建单元计算所述第一期望输出值与所述第二期望输出值之间的差值的绝对值的过程，包括：对所述第一期望输出值和所述第二期望输出值进行归一化处理，得到归一化处理后的第一期望输出值和归一化处理后的第二期望输出值；计算所述归一化处理后的第一期望输出值与所述归一化处理后的第二期望输出值之间的差值的绝对值。

12、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元对所述第一期望输出值和所述第二期望输出值进行归一化处理的过程，包括：获取所述第一推广信息样本所对应的受众对象样本的第一平均点击率预估值，以及所述第二推广信息样本所对应的受众对象样本的第二平均点击率预估值；计算所述第一期望输出值与所述第一平均点击率预估值之间的差值，得到所述归一化处理后的第一期望输出值；计算所述第二期望输出值与所述第二平均点击率预估值之间的差值，得到所述归一化处理后的第二期望输出值。

13、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元根据所述绝对值生成所述自监督学习损失函数的过程，包括：将所述绝对值与设定的惩罚项进行累加，以得到所述自监督学习损失函数。

14、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元构建自监督学习损失函数的过程，包括：获取所述受众对象样本对应的平均点击率预估值；若所述受众对象样本在所述推广信息样本曝光后对所述推广信息样本的关注时长超过设定阈值，则计算所述平均点击率预估值与所述模型期望输出值之间的差值；若所述受众对象样本在所述推广信息样本曝光后对所述推广信息样本的关注时长未超过设定阈值，则计算所述模型期望输出值与所述平均点击率预估值之间的差值；根据所述差值生成所述自监督学习损失函数。

15、在本技术的一些实施例中，基于前述方案，所述设定阈值为所述受众对象样本针对推广信息样本的平均关注时长。

16、在本技术的一些实施例中，基于前述方案，所述损失函数构建单元基于所述有监督学习损失函数和所述自监督学习损失函数，生成所述点击率预估模型的损失函数的过程，包括：将所述自监督学习损失乘以设定的超参数，并将相乘结果与所述有监督学习损失函数进行累加，得到所述点击率预估模型的损失函数。

17、根据本技术实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的推广信息的点击率预估方法。

18、根据本技术实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述实施例中所述的推广信息的点击率预估方法。

19、根据本技术实施例的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取并执行该计算机程序，使得该电子设备执行上述各种可选实施例中提供的推广信息的点击率预估方法。

20、在本技术的一些实施例所提供的技术方案中，由于推广信息在曝光之后，受众对象对推广信息的关注程度很大程度上决定了受众对象是否会点击推广信息，比如对于一条推广信息，如果在页面上曝光之后被迅速滑动出页面的显示范围，那么说明受众对象很大程度上对这条推广信息不感兴趣，推广信息的这次曝光属于无效曝光。因此通过在训练点击率预估模型时，添加自监督学习损失函数，且自监督学习损失函数是基于推广信息的受众对象针对所曝光的推广信息的关注时长进行构建的，使得点击率预测模型在训练时就能够关注到受众对象对所曝光的推广信息的关注情况，进而在通过点击率预估模型来预测目标对象针对待推广信息的点击率时，能够更加准确地捕捉到目标对象的真实意图，进而可以提高点击率预估模型的预估准确性，有利于提升推广信息的投放准确性和投放效果。

21、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。