一種推薦特征確定方法、信息推薦方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息推薦技術(shù)領(lǐng)域，具體涉及一種推薦特征確定方法、信息推薦方法 及裝置。
【背景技術(shù)】
[0002] 信息推薦是指在眾多候選的推薦信息中，選擇點擊率高的推薦信息推送給用戶， 以使推送后的信息與用戶間具有較高的匹配程度，提升信息推薦的有效性。典型的信息推 薦如廣告推薦，即對廣告主投放的一系列候選廣告，按照點擊率進行排序，從而將點擊率高 的廣告推送給用戶。
[0003] 為提升信息推薦的有效性，在信息推薦的過程中，預(yù)估用戶對推薦信息的點擊概 率尤為必要;而影響推薦信息點擊概率的因素可以稱為推薦特征，推薦特征主要有用戶、信 息(如廣告）、信息展示位(如廣告位)三類，各類推薦特征下又包含有具體內(nèi)容；目前主要通 過建立一個包含用戶、信息、信息展示位三類推薦特征的點擊率預(yù)估模型，進而在信息推薦 的過程中，針對具體的待推薦信息及待推薦用戶，選擇可用的推薦特征加入點擊率預(yù)估模 型中，預(yù)估出該待推薦信息推送后的點擊率。
[0004] 可以看出，為提升點擊率預(yù)估的準確性，在點擊率的預(yù)估過程中，選擇什么樣的推 薦特征加入點擊率預(yù)估模型尤為重要；目前在選擇加入點擊率預(yù)估模型的推薦特征時，主 要是基于工作人員的主觀分析，并沒有較為準確的推薦特征選擇方案，因此提供一種推薦 特征確定方法，以較為準確的選擇加入點擊率預(yù)估模型的推薦特征，提升后續(xù)點擊率預(yù)估 的準確性，顯得尤為必要。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明實施例提供一種推薦特征確定方法、信息推薦方法及裝置，以較 為準確的選擇加入點擊率預(yù)估模型的推薦特征，為提升后續(xù)點擊率預(yù)估的準確性提供可 能。
[0006] 為實現(xiàn)上述目的，本發(fā)明實施例提供如下技術(shù)方案：
[0007] -種推薦特征確定方法，包括：
[0008] 確定至少一個候選的推薦特征因子；
[0009] 對于各推薦特征因子，預(yù)估點擊率預(yù)估模型加入推薦特征因子前后，推薦信息的 點擊信息量差；
[0010]確定點擊信息量差符合設(shè)定量差條件的推薦特征因子加入所述點擊率預(yù)估模型。
[0011] 本發(fā)明實施例還提供一種信息推薦方法，基于上述所述的推薦特征確定方法，所 述信息推薦方法包括：
[0012] 調(diào)取點擊率預(yù)估模型及至少一個候選的推薦信息，所述點擊率預(yù)估模型加入有預(yù) 確定的至少一個推薦特征因子；
[0013] 確定待推薦用戶，獲取所述待推薦用戶的用戶特征中，與所述至少一個推薦特征 因子相應(yīng)的用戶特征因子；
[0014] 對于各候選的推薦信息，確定與所述至少一個推薦特征因子相應(yīng)的信息特征因 子；
[0015] 對于各候選的推薦信息，通過所述點擊率預(yù)估模型確定與所述用戶特征因子及相 應(yīng)的信息特征因子對應(yīng)的點擊率；
[0016] 根據(jù)各候選的推薦信息的點擊率，從所述至少一個候選的推薦信息中確定推送給 所述待推薦用戶的目標推薦信息；
[0017] 向所述待推薦用戶推送所述目標推薦信息。
[0018] 本發(fā)明實施例還提供一種推薦特征確定裝置，包括：
[0019]候選因子確定模塊，用于確定至少一個候選的推薦特征因子；
[0020] 點擊信息量差確定模塊，用于對于各推薦特征因子，預(yù)估點擊率預(yù)估模型加入推 薦特征因子前后，推薦信息的點擊信息量差；
[0021] 特征選擇模塊，用于確定點擊信息量差符合設(shè)定量差條件的推薦特征因子加入所 述點擊率預(yù)估模型。
[0022] 本發(fā)明實施例還提供一種信息推薦裝置，包括：
[0023] 調(diào)取模塊，用于調(diào)取點擊率預(yù)估模型及至少一個候選的推薦信息，所述點擊率預(yù) 估模型加入有預(yù)確定的至少一個推薦特征因子；
[0024]用戶特征因子確定模塊，用于確定待推薦用戶，獲取所述待推薦用戶的用戶特征 中，與所述至少一個推薦特征因子相應(yīng)的用戶特征因子；
[0025] 信息特征因子確定模塊，用于對于各候選的推薦信息，確定與所述至少一個推薦 特征因子相應(yīng)的信息特征因子；
[0026] 點擊率預(yù)估模塊，用于對于各候選的推薦信息，通過所述點擊率預(yù)估模型確定與 所述用戶特征因子及相應(yīng)的信息特征因子對應(yīng)的點擊率；
[0027] 目標推薦信息確定模塊，用于根據(jù)各候選的推薦信息的點擊率，從所述至少一個 候選的推薦信息中確定推送給所述待推薦用戶的目標推薦信息；
[0028] 推送模塊，用于向所述待推薦用戶推送所述目標推薦信息。
[0029] 基于上述技術(shù)方案，本發(fā)明實施例可以通過預(yù)估點擊率預(yù)估模型加入推薦特征因 子前后，推薦信息的點擊信息量差，來判斷推薦特征因子對推薦信息的點擊率區(qū)分性，從而 將點擊信息量差符合設(shè)定量差條件的推薦特征因子，確定為對推薦信息的點擊率區(qū)分性大 的推薦特征因子，并確定該推薦特征因子需加入點擊率預(yù)估模型中；由于本發(fā)明實施例確 定的需加入點擊率預(yù)估模型的推薦特征因子，具有對推薦信息的較大點擊率區(qū)分性，因此 所選擇的推薦特征因子對于點擊率預(yù)估的影響較大，將該對點擊率預(yù)估的影響較大的推薦 特征因子加入點擊率預(yù)估模型中，可實現(xiàn)較為準確的選擇加入點擊率預(yù)估模型的推薦特 征，加入點擊率預(yù)估模型的推薦特征因子作為后續(xù)點擊率預(yù)估時選取推薦特征的參考依 據(jù)，為提升點擊率預(yù)估的準確性提供了可能。
【附圖說明】
[0030] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù) 提供的附圖獲得其他的附圖。
[0031 ]圖1為本發(fā)明實施例提供的推薦特征確定方法的流程圖；
[0032] 圖2為本發(fā)明實施例提供的推薦特征確定方法的另一流程圖；
[0033] 圖3為本發(fā)明實施例提供的信息推薦方法的流程圖；
[0034]圖4為廣告推送的示意圖；
[0035]圖5為本發(fā)明實施例提供的推薦特征確定裝置的結(jié)構(gòu)框圖；
[0036] 圖6為本發(fā)明實施例提供的點擊信息量差確定模塊的結(jié)構(gòu)框圖；
[0037] 圖7為本發(fā)明實施例提供的信息熵確定單元的結(jié)構(gòu)框圖；
[0038] 圖8為本發(fā)明實施例提供的信息熵減小確定單元的結(jié)構(gòu)框圖；
[0039] 圖9為本發(fā)明實施例提供的點擊信息量差確定模塊的另一結(jié)構(gòu)框圖；
[0040] 圖10為本發(fā)明實施例提供的電子設(shè)備的硬件結(jié)構(gòu)框圖；
[0041] 圖11為本發(fā)明實施例提供的信息推薦裝置的結(jié)構(gòu)框圖；
[0042] 圖12為本發(fā)明實施例提供的電子設(shè)備的另一硬件結(jié)構(gòu)框圖。
【具體實施方式】
[0043]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；?本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。
[0044] 圖1為本發(fā)明實施例提供的推薦特征確定方法的流程圖，該方法可應(yīng)用于具有數(shù) 據(jù)處理能力的電子設(shè)備，優(yōu)選為可進行信息推薦的推薦服務(wù)器;參照圖1，該方法可以包括：
[0045] 步驟S100、確定至少一個候選的推薦特征因子；
[0046] 推薦特征因子為某一類推薦特征下包含的具體內(nèi)容，如用戶類的推薦特征下可包 含年齡、性別、地域、使用的上網(wǎng)設(shè)備、歷史點擊及購買行為所反應(yīng)出的興趣等推薦特征因 子；
[0047] 候選的推薦特征因子，為本發(fā)明實施例待分析的是否可以加入點擊率預(yù)估模型的 推薦特征因子；
[0048] 可選的，所確定的至少一個候選的推薦特征因子，可以屬于同一類型的推薦特征， 如同屬于用戶類的推薦特征;所確定的至少一個候選的推薦特征因子中，也可以是部分推 薦特征因子屬于用戶類的推薦特征，另一部分推薦特征因子屬于信息展示位類的推薦特 征。
[0049] 步驟S110、對于各推薦特征因子，預(yù)估點擊率預(yù)估模型加入推薦特征因子前后，推 薦信息的點擊信息量差；
[0050] 本發(fā)明實施例選擇推薦特征因子的原則為:將對推薦信息的點擊率區(qū)分性大的推 薦特征因子，確定為需加入點擊率預(yù)估模型；
[0051] 例如將性別作為一種用戶類的推薦特征下的推薦特征因子，可以預(yù)估性別對于推 薦信息點擊率的差異，即在考慮性別這一推薦特征因子時和不考慮性別這一推薦特征因子 時，推薦信息點擊率的差異，當性別對于推薦信息點擊率的差異較大時，則認為性別是一種 對推薦信息的點擊率有區(qū)分性，且點擊率區(qū)分性大的推薦特征因子；
[0052]推薦特征因子對推薦信息的點擊率區(qū)分性，可以點擊率預(yù)估模型加入推薦特征因 子前后，推薦信息的點擊信息量差衡量。
[0053]步驟S120、確定點擊信息量差符合設(shè)定量差條件的推薦特征因子加入所述點擊率 預(yù)估模型。
[0054] 在預(yù)估到點擊率預(yù)估模型加入推薦特征因子前后，推薦信息的點擊信息量差后， 本發(fā)明實施例可將點擊信息量差較大的推薦特征因子，認定為是對推薦信息的點擊率區(qū)分 性大的推薦特征因子，從而將該對推薦信息的點擊率區(qū)分性大的推薦特征因子確定為需加 入點擊率預(yù)估模型，即點擊率預(yù)估模型在預(yù)估推薦信息推送后的點擊率時需考慮該推薦特 征因子；
[0055] 本發(fā)明實施例可設(shè)置設(shè)定量差條件，如設(shè)定量差閾值，將點擊信息量差符合設(shè)定 量差條件的推薦特征因子確定為加入所述點擊率預(yù)估模型;如點擊信息量差大于設(shè)定量差 閾值的推薦特征因子需加入所述點擊率預(yù)估模型，可選的，本發(fā)明實施例也可根據(jù)各推薦 特征因子對應(yīng)的點擊信息量差，對各推薦特征因子進行排序，從而將序位處于設(shè)定范圍的