基于決策樹的廣告點擊率預估方法與應(yīng)用推薦方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機技術(shù)領(lǐng)域，具體而言，本發(fā)明涉及基于決策樹的廣告點擊率預估方法及裝置，進一步涉及一種應(yīng)用軟件推薦方法及裝置。
【背景技術(shù)】
[0002]隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)應(yīng)用的普及，不同領(lǐng)域業(yè)務(wù)種類的逐漸豐富，網(wǎng)絡(luò)廣告成為各大網(wǎng)站、搜索引擎及各終端設(shè)備應(yīng)用程序的新型盈利方式。隨著互聯(lián)網(wǎng)廣告市場的不斷增長，其發(fā)揮的效用越來越重要。其中，用于表征廣告點擊率的值，即CRT，是互聯(lián)網(wǎng)計算廣告中的關(guān)鍵環(huán)節(jié)，其預估準確性直接影響公司廣告收入。通常意義上的CRT是指用戶在搜索引擎中輸入關(guān)鍵詞后，搜索引擎基于所述關(guān)鍵詞進行搜索，然后按競價等因素將相關(guān)的網(wǎng)頁按順序進行排序顯示給用戶，由用戶根據(jù)自己的興趣選擇相應(yīng)的網(wǎng)站點擊進去，則廣告點擊率即為用戶點擊進入網(wǎng)站的次數(shù)占網(wǎng)站被搜索出來的總次數(shù)的比例。
[0003]由于廣告位的個數(shù)有限，如果用戶能更加高效地查找到他們所需要的內(nèi)容，那將獲得更好的體驗，同時廣告商能獲得更多的利潤，其投放廣告的效果更好，用戶也能花費更少時間搜索他們所需的內(nèi)容。同時，由于應(yīng)用軟件市場的快速發(fā)展，其種類豐富多樣，現(xiàn)有技術(shù)通常向用戶隨機推薦應(yīng)用軟件，而無法精確知曉用戶的需求，導致推薦應(yīng)用軟件的下載使用率低，無法實現(xiàn)有效的應(yīng)用軟件推薦機制，基于此需要提供一種更加精確有效的應(yīng)用軟件推薦方法，以滿足商家和用戶的雙重需求。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的旨在解決上述至少一個問題，提供以下技術(shù)方案:
[0005]本發(fā)明實施例提供一種基于決策樹的廣告點擊率預估方法，包括以下步驟:
[0006]獲取預定歷史時間段內(nèi)特定歷史投放廣告的相關(guān)特征信息；
[0007]獲取目標用戶的個性化特征信息；
[0008]基于所述獲取的目標用戶個性化特征信息及特定歷史投放廣告的相關(guān)特征信息組成的特征向量通過決策樹模型計算，以確定用于預估所述特定歷史投放廣告的點擊率的交叉特征向量，其中所述決策樹模型的每個葉子節(jié)點表征一個交叉特征；
[0009]基于所述交叉特征向量及預先訓練得到的模型訓練參數(shù)，進行計算以預估所述特定歷史投放廣告的點擊率。
[0010]其中，所述獲取目標用戶個性化特征信息的步驟如下:
[0011 ]獲取目標的用戶的用于表征其身份特征的信息；
[0012]基于所述用戶身份特征信息向云端服務(wù)器發(fā)送請求，以獲取該用戶對應(yīng)的個性化特征信息；
[0013]接收云端服務(wù)器推送的依據(jù)該用戶身份特征信息確定的個性化特征信息。
[0014]具體的，所述目標用戶的身份特征信息包括目標用戶注冊的第三方賬戶信息、用戶綁定的賬戶信息。
[0015]進一步，還包括以下步驟:
[0016]提取目標用戶的個性化特征信息；
[0017]通過遠程接口發(fā)送至云端服務(wù)器進行保存。
[0018]具體的，所述提取目標用戶的個性化特征信息包括通過記錄的用戶歷史點擊所述廣告的日志信息提取。
[0019]具體的，所述提取目標用戶的個性化特征信息包括通過用戶的交互應(yīng)用的歷史信息提取。
[0020]可選的，所述交互應(yīng)用包括但不限于如下任意一項或多項:
[0021]短消息、QQ、微信、易信。
[0022]可選的，所述用戶個性化特征信息包括但不限于如下任意一項或多項:
[0023]性別、省份、職業(yè)、收入、學校、年齡、學歷、血型、星座、聯(lián)網(wǎng)方式、聯(lián)網(wǎng)時間、偏好、
婚戀情況。
[0024]可選的，所述特定歷史投放廣告的相關(guān)特征信息包括但不限于如下任意一項或多項:
[0025]廣告所屬行業(yè)、廣告尺寸、廣告文本、廣告圖片、廣告歷史展現(xiàn)次數(shù)、廣告歷史點擊次數(shù)、廣告位置歸一化后的點擊率。
[0026]其中，所述決策樹模型具體包括200顆樹。
[0027]具體的，所述預測歷史投放廣告點擊率的模型為邏輯回歸模型。
[0028]本發(fā)明另一實施例還提供一種應(yīng)用軟件推薦方法，包括以下步驟:
[0029]獲取預定歷史時間段內(nèi)多個歷史投放應(yīng)用軟件的相關(guān)特征信息；
[0030]獲取目標用戶的個性化特征信息；
[0031]基于所述獲取的目標用戶個性化特征信息及多個歷史投放應(yīng)用軟件的相關(guān)特征信息組成的特征向量通過決策樹模型計算，以分別確定用于預估所述多個歷史投放應(yīng)用的點擊率的交叉特征向量，其中所述決策樹模型的每個葉子節(jié)點表征一個交叉特征；
[0032]基于所述交叉特征向量及預先訓練得到的模型訓練參數(shù)，分別進行計算以預估所述多個歷史投放應(yīng)用軟件的點擊率；
[0033]對所述多個歷史投放應(yīng)用軟件的點擊率進行排序，以確定向用戶推薦的應(yīng)用軟件。
[0034]優(yōu)選的，所述點擊率排序為依據(jù)所述點擊率值從大到小進行排序。
[0035]優(yōu)選的，所述向用戶推薦的應(yīng)用軟件為點擊率排序最前面的一個或多個應(yīng)用軟件。
[0036]其中，所述獲取目標用戶個性化特征信息的步驟如下:
[0037]獲取目標的用戶的用于表征其身份特征的信息；
[0038]基于所述用戶身份特征信息向云端服務(wù)器發(fā)送請求，以獲取該用戶對應(yīng)的個性化特征信息；
[0039]接收云端服務(wù)器推送的依據(jù)該用戶身份特征信息確定的個性化特征信息。
[0040]具體的，所述目標用戶的身份特征信息包括目標用戶注冊的第三方賬戶信息、用戶綁定的賬戶信息。
[0041 ] 進一步，還包括以下步驟:
[0042]提取目標用戶的個性化特征信息；
[0043]通過遠程接口發(fā)送至云端服務(wù)器以進行保存。
[0044]具體的，所述提取目標用戶的個性化特征信息包括通過記錄的用戶歷史使用應(yīng)用軟件的日志信息提取。
[0045]具體的，所述提取目標用戶的個性化特征信息包括通過用戶的交互應(yīng)用軟件的歷史ig息提取。
[0046]可選的，所述交互應(yīng)用軟件包括但不限于如下任意一項或多項:
[0047]短消息、QQ、微信、易信。
[0048]可選的，所述用戶個性化特征信息包括但不限于如下任意一項或多項:
[0049]性別、省份、職業(yè)、收入、學校、年齡、學歷、血型、星座、聯(lián)網(wǎng)方式、聯(lián)網(wǎng)時間、偏好、
婚戀情況。
[0050]可選的，所述特定歷史投放應(yīng)用軟件的相關(guān)特征信息包括但不限于如下任意一項或多項:
[0051]應(yīng)用軟件所屬行業(yè)、應(yīng)用軟件功能信息、應(yīng)用軟件歷史下載次數(shù)、應(yīng)用軟件歷史使用次數(shù)、應(yīng)用軟件位置信息。
[0052]本發(fā)明另一實施例提供一種基于決策樹的廣告點擊率預估裝置，包括:
[0053]第一特征信息獲取模塊:用于獲取預定歷史時間段內(nèi)特定歷史投放廣告的相關(guān)特征信息；
[0054]第二特征信息獲取模塊:用于獲取目標用戶的個性化特征信息；
[0055]交叉特征向量生成模塊:用于基于所述獲取的目標用戶個性化特征信息及特定歷史投放廣告的相關(guān)特征信息組成的特征向量通過決策樹模型計算，以確定用于預估所述特定歷史投放廣告的點擊率的交叉特征向量，其中所述決策樹模型的每個葉子節(jié)點表征一個交叉特征；
[0056]預估模塊:用于基于所述交叉特征向量及預先訓練得到的模型訓練參數(shù)，進行計算以預估所述特定歷史投放廣告的點擊率。
[0057]其中，所述第二特征信息獲取模塊獲取目標用戶個性化特征信息的步驟如下:
[0058]獲取目標的用戶的用于表征其身份特征的信息；
[0059]基于所述用戶身份特征信息向云端服務(wù)器發(fā)送請求，以獲取該用戶對應(yīng)的個性化特征信息；
[0060]接收云端服務(wù)器推送的依據(jù)該用戶身份特征信息確定的個性化特征信息。
[0061]具體的，所述目標用戶的身份特征信息包括目標用戶注冊的第三方賬戶信息、用戶綁定的賬戶信息。
[0062]進一步，所述第二特征信息獲取模塊還包括以下模塊:
[0063]提取模塊:用于提取目標用戶的個性化特征信息；
[0064]發(fā)送模塊:用于通過遠程接口發(fā)送至云端服務(wù)器以進行保存。
[0065]具體的，所述提取模塊提取目標用戶的個性化特征信息包括通過記錄的用戶歷史點擊所述廣告的日志信息提取。
[0066]具體的，所述提取模塊提取目標用戶的個性化特征信息包括通過用戶的交互應(yīng)用的歷史信息提取。
[0067]可選的，所述交互應(yīng)用包括但不限于如下任意一項或多項:
[0068]短消息、QQ、微信、易信。
[0069]可選的，所述用戶個性化特征信息包括但不限于如下任意一項或多項:
[0070]性別、省份、職業(yè)、收入、學校、年齡、學歷、血型、星座、聯(lián)網(wǎng)方式、聯(lián)網(wǎng)時間、偏好、
婚戀情況。
[0071]可選的，所述特定歷史投放廣告的相關(guān)特征信息包括但不限于如下任意一項或多項:
[0072]廣告所屬行業(yè)、廣告尺寸、廣告文本、廣告圖片、廣告歷史展現(xiàn)次數(shù)、廣告歷史點擊次數(shù)、廣告位置歸一化后的點擊率。
[0073]其中，所述決策樹模型具體包括200顆樹。
[0074]具體的，所述預測歷史投放廣告點擊率的模型為邏輯回歸模型。
[0075]本發(fā)明另一實施例還一種應(yīng)用軟件推薦裝置，包括:
[0076]第一特征信息獲取模塊:用于獲取預定歷史時間段內(nèi)多個歷史投放應(yīng)用軟件的相關(guān)特征信息；
[0077]第二特征信息獲取模塊:用于獲取目標用戶的個性化特征信息；
[0078]交叉特征向量生成模塊:用于基于所述獲取的目標用戶個性化特征信息及多個歷史投放應(yīng)用軟件的相關(guān)特征信息組成的特征向量通過決策樹模型計算，以分別確定用于預估所述多個歷史投放應(yīng)用的點擊率的交叉特征向量，其中所述決策樹模型的每個葉子節(jié)點表征一個交叉特征；
[0079]預估模塊:用于基于所述交叉特征向量及預先訓練得到的模型訓練參數(shù)，分別進行計算以預估所述多個歷史投放應(yīng)用軟件的點擊率；
[0080]排序模塊:用于對所述多個歷史投放應(yīng)用軟件的點擊率進行排序，以確定向用戶推薦的應(yīng)用軟件。
[0081 ]優(yōu)選的，所述點擊率排序為依據(jù)所述點擊率值從大到小進行