作。也預見到各種其他示 例，可W在下面的節(jié)段中找到對各種其他示例的進一步討論。
[0027] 在一個特定示例中，時間預測模型104可W從監(jiān)控服務112獲得描述關于在線廣 告實例的用戶交互的跟蹤數(shù)據(jù)，例如點擊數(shù)據(jù)、轉換數(shù)據(jù)W及用戶購買數(shù)據(jù)。跟蹤數(shù)據(jù)可W 對應于由廣告商108提供的廣告并且可W與用戶（例如，用戶購買行為）、廣告和/或廣告 商品的潛在特征相關聯(lián)。在一些實例中，廣告可W連同由內容提供者110提供的web內容 一起被呈現(xiàn)在計算設備102的顯示設備上。出于弄清楚在線廣告策略的目的，由時間預測 模型104生成的預測可W與廣告商108、內容提供者110 W及監(jiān)控服務112進行共享。
[002引附加數(shù)據(jù)（例如，輔助信息）可W被利用W利用時間預測模型104。也就是說，時 間預測模型104可W獲得和/或處理除了跟蹤數(shù)據(jù)之外的輔助信息。輔助信息可W對應于 描述用戶、廣告商/廣告、和/或廣告商品的數(shù)據(jù)。用戶數(shù)據(jù)例如可W描述與在線廣告實例 (直接或間接）相關聯(lián)的用戶行為并且可W包括人口統(tǒng)計信息，例如國家、州、區(qū)域等。示例 廣告數(shù)據(jù)可w描述廣告商的屬性，例如廣告商姓名、廣告大小、營銷策略等。描述廣告商品 的數(shù)據(jù)可W包括商品類型和商品價格等。將在下面更詳細地討論通過時間預測模型104處 理輔助信息。
[0029] 網絡106同時表示諸如線纜網絡、業(yè)務、私有內聯(lián)網等的多種不同類型的有線和/ 或無線網絡的任何一種或組合。盡管圖1圖示了與廣告商108、內容提供者110和/或監(jiān)控 服務112在網絡106上通信的計算設備102,但是所述技術可W適用于任何其他網絡化架構 或非網絡化架構。
[0030] 所圖示的環(huán)境100還包括廣告商108、內容提供者110 W及監(jiān)控服務112,其中的 每個都可W經由網絡106與計算設備102交換數(shù)據(jù)。例如，廣告商108和內容提供者110 可W從計算設備102接收預測。附加地或備選地，廣告商108、內容提供者110和/或監(jiān)控 服務112可W向計算設備102發(fā)送廣告、網頁內容和/或跟蹤數(shù)據(jù)。在一些方案中，由廣告 商108、內容提供者110和/或監(jiān)控服務112執(zhí)行的功能可W被配置為由諸如計算設備102 的單個實體來執(zhí)行。
[0031] 可W從廣告商108向計算設備102發(fā)送將各種形式的廣告，W用于存儲和/或呈 現(xiàn)。可W基于從時間預測模型104預測的度量來選擇用于呈現(xiàn)的來自廣告商108的廣告。 因此，接收預測的度量的廣告商108可W利用時間預測模型104來使用所預測的度量W改 進回報率。例如，相對于傳統(tǒng)技術，由時間預測模型104確定的所預測的度量可W有助于經 由轉換、購買、訂購、會員和/或訂單改進到廣告商108的收入。
[0032] 一般而言，內容提供者110被配置為使各種資源（例如，內容、服務、網頁應用等） 在諸如互聯(lián)網的網絡106上可獲得，W向客戶提供"基于云的"計算環(huán)境和基于web的功能。 例如，內容提供者110可W提供在線廣告實例W用于由計算設備102的呈現(xiàn)。運里，可W響 應于由計算設備102接收的捜索查詢、啟動應用程序、請求網頁、或者在用戶接口或瀏覽器 中執(zhí)行的其他活動來提供在線廣告實例。
[0033] 監(jiān)控服務112(例如，利用分析和/或跟蹤工具的服務）可W接收來自計算設備 102的查詢并且跟蹤與所述查詢相關聯(lián)的在線廣告實例。在一些實例中，監(jiān)控服務112可W 向計算設備102發(fā)送描述在線廣告實例（例如，顯示的廣告、顯示的網頁、顯示的捜索結果、 推廣的網頁等）的跟蹤數(shù)據(jù)。在一個或多個實施方式中，監(jiān)控服務112可W是存儲將印象、 點擊、成本、轉換等與特定廣告實例和/或特定用戶相關的數(shù)據(jù)的第Ξ方服務。附加地或備 選地，監(jiān)控服務112可W存儲描述在網頁上花費的時間、查看的網頁和/或與特定廣告相關 聯(lián)的彈出率的跟蹤數(shù)據(jù)。
[0034] 時間預測模型104被圖示為包括數(shù)據(jù)處理器模塊114、時間因子分解模塊116、優(yōu) 化模塊118、W及預測模塊120。通過舉例而非限制性的方式，數(shù)據(jù)處理器模塊114表示用 于處理和/或接收諸如跟蹤數(shù)據(jù)和/或輔助信息的數(shù)據(jù)的功能。在一個特定示例中，對所 獲得的數(shù)據(jù)的處理包括標識點擊數(shù)據(jù)與轉換數(shù)據(jù)之間的時間關系?？蒞 W各種方式來標識 時間關系，其中的一個示例包括標識點擊數(shù)據(jù)（例如，用戶標識符（ID)、日期、廣告ID、網頁 ID、國家、瀏覽器、廣告商ID和/或廣告的大?。┡c轉換數(shù)據(jù)（諸如廣告商品ID、商品類型、 日期、價格和/或數(shù)量）之間的時間關聯(lián)。例如，時間連接可W表示在線廣告實例的點擊或 印象與對應于在線廣告實例的轉換之間的時間量。
[0035] 數(shù)據(jù)處理器模塊114還可W包括用于接收用于處理的一個或多個時間窗口的功 能。在一些示例中，時間窗口基本上等于在線廣告實例的點擊或印象與對應于在線廣告實 例的轉換之間的時間量。然而，在其他示例中，時間窗口可W是在線廣告實例的點擊或印象 與轉換之間的時間量加一些時間變量?；邳c擊集合與對應轉換集合之間的平均時間來確 定時間變量。在一個特定示例中，時間窗口被預先定義為大約一周，但是也預見到其他示 例。
[0036] 在備選實施方式中，數(shù)據(jù)處理器模塊114可W基于用戶購買行為的變化來接收時 間窗口。用戶購買行為的變化可各種方式被確定，并且可W包括確定購買特定商品的 用戶在至少設定的時間段內不大可能購買相同的商品?？蒞從描述相關的商品的購買之間 的時間段的各種資源（例如，監(jiān)控服務112)獲得購買行為數(shù)據(jù)。因此，時間窗口可W說明 用戶購買特定商品或相關商品的頻率。
[0037] 附加地或備選地，可W通過標識由特定用戶購買（或查看）的商品與提供銷售 (或售出）的商品之間的關系來確定用戶購買行為的變化。在該示例中，描述售出或提供銷 售的商品的用戶數(shù)據(jù)可W與描述購買或查看的商品的其他數(shù)據(jù)進行比較?；谠摫容^，可 W標識用戶購買行為的變化，其指示先前購買的商品不大可能是用戶感興趣的，是因為由 相同用戶售出的商品表明了變化的用戶興趣。也就是說，為他們的汽車購買配件的用戶不 大可能在售出他們的汽車并且買了公交票之后運樣做。因此，在該示例中，購買的商品與售 出的商品之間的關系可W用作反應實際用戶興趣（例如，在買了公交票附近的時間帖中的 購買）而非依賴于不再感興趣的過去購買或依賴于描述所有過去購買的數(shù)據(jù)的時間窗口。 [003引時間因子分解模塊116表示用于將時間動態(tài)應用到所獲得的數(shù)據(jù)的功能。例如， 時間窗口（或多個時間窗口）可W用于過濾所獲得的數(shù)據(jù)，W使得所獲得數(shù)據(jù)的子集用于 形成預測。在該示例中，點擊數(shù)據(jù)和轉換數(shù)據(jù)可W被輸入到被修改為包括對應于時間窗口 的時間值的集體矩陣因子分解（CM巧模型中。傳統(tǒng)CMF模型沒有考慮時間動態(tài)并且因此利 用大數(shù)據(jù)集用于訓練，從而導致計算延遲。通過將時間動態(tài)應用到CMF模型，可用數(shù)據(jù)的子 集被利用于訓練和預測，從而減少計算延遲。
[0039] 在一些情況下，在做出最終預測之前可W考慮和/或處理多個時間窗口。換言之， 時間因子分解模塊116可W動態(tài)地調整到另一時間窗口，W產生針對每個時間帖的預測。 在向廣告商發(fā)送最終預測之前可W比較從多個時間窗口生成的預測。在一個特定示例中， 用戶購買行為數(shù)據(jù)可W如W上所描述的被用于處理兩個時間窗口中的一個，W使得兩個時 間窗口由時間因子分解模塊116應用。
[0040] 通過時間因子分解模塊116處理多個時間窗口可W采取各種形式。例如，將第一 時間窗口應用到諸如點擊數(shù)據(jù)和轉換數(shù)據(jù)的跟蹤數(shù)據(jù)，而將第二時間窗口應用到諸如用戶 購買行為數(shù)據(jù)的其他數(shù)據(jù)。通過將時間窗口應用到數(shù)據(jù)，選擇引起預測的運樣的子集W用 于處理。在一個特定示例中，使用在圖2中描述的示例算法中的一個或多個來并行處理第 一時間窗口和第二時間窗口。
[0041] 在一些示例中，第一時間窗口和第二時間窗口是相同的持續(xù)時間（例如，一周）， 然而對于其他數(shù)據(jù)集，第一時間窗口和第二時間窗口可W是不同的持續(xù)時間。第二時間窗 口可W被認為與第一時間窗口相關聯(lián)，因為在一些實例中，第二時間窗口表示在第一時間 窗口之前出現(xiàn)的時間帖。也就是說，在示例中，當?shù)谝粫r間窗口為大約一周時，第二時間窗 口為前一周。W運種方式，第一時間窗口和第二時間窗口可W表示兩個連續(xù)的時間帖。
[0042] 優(yōu)化模塊118實施用于通過處理除了 W上提到的跟蹤數(shù)據(jù)之外的輔助信息來改 進預測的功能。在一個方案中，修改為包括時間動態(tài)的CMF模型還可W被修改為包括描述 用戶、廣告商和/或廣告商品的輔助信息數(shù)據(jù)。為了處理輔助信息，隨機梯度下降算法可W 被應用到先前經處理的數(shù)據(jù)，例如點擊數(shù)據(jù)和轉換數(shù)據(jù)。圖2關于處理跟蹤數(shù)據(jù)和輔助信 息的功能更詳細地進行說明。
[0043] 預測模塊120基于所獲得的數(shù)據(jù)（例如，