[发明专利]一种推送信息点击率估计方法和装置

说明书

本发明实施例公开了一种推送信息点击率估计方法，所述方法包括：获取信息点击行为数据；对所述信息点击行为数据进行分解得到训练语料，所述训练语料包括各个用户特征分别对各个信息特征的点击行为记录和不点击行为记录；对任意某个用户特征对任意某个信息特征的点击率建立二分类算法模型，并根据所述训练语料对所述二分类算法模型进行参数优化，得到最逼近所述信息点击行为数据的点击率算法模型；根据经过参数优化得到的所述点击率算法模型，计算目标推送信息相对于目标用户的点击率。本发明实施例还公开了一种推送信息点击率估计装置。采用本发明，可有效解决信息推荐系统的冷启动问题。

技术领域

本发明涉及一种互联网技术领域，尤其涉及一种推送信息点击率估计方法和装置。

背景技术

随着互联网的快速发展，信息推荐系统在互联网技术领域得到了广泛的使用，如在电商，视频，文学等互联网服务当中。现有的信息推荐系统，主要考虑用户与用户之间，或推送对象与推送对象之间的相似程度，即给用户推荐与他相似的用户评价高或点击过的推送对象，或推荐用户看过的推送对象的近似对象。在推荐系统的应用中，针对新的用户，或新的推送对象或初始化的推荐系统，由于缺乏用户的历史行为数据，而造成的问题叫做冷启动问题。

发明内容

本发明实施例所要解决的技术问题在于，提供一种推送信息点击率估计方法和装置，可有效解决信息推荐系统的冷启动问题。

为了解决上述技术问题，本发明实施例提供了一种推送信息点击率估计方法，所述方法包括：

获取信息点击行为数据，所述信息点击行为数据包括多个用户分别对被推送至该多个用户的推送信息的点击行为记录和不点击行为记录；

根据所述多个用户中各个用户的多维用户特征，以及所述被推送至该多个用户的推送信息中各个推送信息的多维信息特征，对所述信息点击行为数据进行分解得到训练语料，所述训练语料包括各个用户特征分别对各个信息特征的点击行为记录和不点击行为记录；

对任意某个用户特征对任意某个信息特征的点击率建立二分类算法模型，并根据所述训练语料对所述二分类算法模型进行参数优化，得到最逼近所述信息点击行为数据的点击率算法模型；

根据经过参数优化得到的所述点击率算法模型，计算目标推送信息相对于目标用户的点击率。

相应地，本发明实施例还提供了一种推送信息点击率估计装置，所述装置包括：

点击数据获取模块，用于获取信息点击行为数据，所述信息点击行为数据包括多个用户分别对被推送至该多个用户的推送信息的点击行为记录和不点击行为记录；

训练语料获取模块，用于根据所述多个用户中各个用户的多维用户特征，以及所述被推送至该多个用户的推送信息中各个推送信息的多维信息特征，对所述信息点击行为数据进行分解得到训练语料，所述训练语料包括各个用户特征分别对各个信息特征的点击行为记录和不点击行为记录；

算法模型优化模块，用于对任意某个用户特征对任意某个信息特征的点击率建立二分类算法模型，并根据所述训练语料对所述二分类算法模型进行参数优化，得到最逼近所述信息点击行为数据的点击率算法模型；

点击率估计模块，用于根据经过参数优化得到的所述点击率算法模型，计算目标推送信息相对于目标用户的点击率。

本发明实施例通过将已有的信息点击行为数据分解为多个维度的用户特征对多个维度的信息特征之间的点击行为记录，进而基于用户特征与信息特征之间的点击行为作为训练语料进行二分类算法模型优化，能够充分理由已有的点击行为数据，能够实现根据非常少的点击行为记录得到较为准确的点击率估算模型，同时对于新用户或新生成的推送信息，依然可以根据其自身的用户特征或信息特征估算出点击率，可以很好的解决推荐系统冷启动的问题。

附图说明