征因子；
[0095] 步驟S330、對于各候選的推薦信息，通過所述點(diǎn)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(diǎn)擊率；
[0096] 步驟S340、根據(jù)各候選的推薦信息的點(diǎn)擊率，從所述至少一個(gè)候選的推薦信息中 確定推送給所述待推薦用戶的目標(biāo)推薦信息；
[0097]可選的，本發(fā)明實(shí)施例可按照各候選的推薦信息的點(diǎn)擊率，對各候選的推薦信息 進(jìn)行排序，從而將序位處于設(shè)定要求的推薦信息，確定為需推送給所述待推薦用戶的目標(biāo) 推薦信息。
[0098]步驟S350、向所述待推薦用戶推送所述目標(biāo)推薦信息。
[0099]以廣告的推送為例，圖4示出了廣告推送的相應(yīng)示意圖；
[0100]圖4中，廣告池:用于存放廣告主提供的廣告素材等；
[0101] 投放系統(tǒng)：用于接受展示頁面的請求，根據(jù)用戶的信息，從廣告池拉取符合用戶定 向的廣告，并且參考點(diǎn)擊預(yù)估模型提供的點(diǎn)擊率來進(jìn)行投放；
[0102] 點(diǎn)擊率預(yù)估模型：當(dāng)用戶有訪問廣告頁面時(shí)，可調(diào)用點(diǎn)擊率預(yù)估模型預(yù)估用戶在 該頁面上點(diǎn)擊廣告的概率，該訪問廣告頁面的用戶可以認(rèn)為是待推薦用戶；最簡單的點(diǎn)擊 率預(yù)估樽塑是邏輯回歸模型，可以由用戶u，展示頁面d，廣告a的特征組合成一個(gè)特征向量
I，設(shè)用戶的點(diǎn)擊行為ye(0，l)，邏輯回歸可以寫為：
[0103]
[0104] 根據(jù)用戶在歷史上的點(diǎn)擊行為記錄(04,<4\可以適用梯度隨機(jī)下降（SGD) 求解出模型參數(shù)W;對于新的用戶請求，可以通is
，預(yù)測該次請求中用戶發(fā) 生點(diǎn)擊行為的概率P〇。
[0105] 特征選擇:基于用戶點(diǎn)擊廣告的日志，用戶特征等信息，確定出候選的推薦特征因 子，以本發(fā)明實(shí)施例提供的推薦特征確定方法，分析出對廣告的點(diǎn)擊率區(qū)分性大的推薦特 征因子，從而加入到點(diǎn)擊率預(yù)估模型中，作為點(diǎn)擊率預(yù)估模型在預(yù)估廣告點(diǎn)擊率時(shí)，推薦特 征的選取參考。
[0106] 點(diǎn)擊曝光日志：用戶對廣告的點(diǎn)擊、曝光行為會(huì)以日志的形式記錄下來，如用戶 ID，點(diǎn)擊或曝光發(fā)生的時(shí)間等。
[0107] 用戶畫像:通過分析海量用戶基礎(chǔ)信息數(shù)據(jù)和點(diǎn)擊行為數(shù)據(jù)，對每個(gè)用戶賦予特 定的標(biāo)簽，以標(biāo)記用戶的興趣、行為等特征。
[0108] 本發(fā)明實(shí)施例通過較為準(zhǔn)確的選擇加入點(diǎn)擊率預(yù)估模型的推薦特征，使得點(diǎn)擊率 預(yù)估模型預(yù)估出的用戶點(diǎn)擊推薦信息概率的準(zhǔn)確性較高，使得推薦信息的推薦更為精準(zhǔn)。
[0109] 下面對本發(fā)明實(shí)施例提供的推薦特征確定裝置進(jìn)行介紹，下文描述的推薦特征確 定裝置可與上文描述的推薦特征確定方法相互對應(yīng)參照。
[0110] 圖5為本發(fā)明實(shí)施例提供的推薦特征確定裝置的結(jié)構(gòu)框圖，該裝置可應(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(jìn)行信息推薦的推薦服務(wù)器;參照圖5，該推薦特征確 定裝置可以包括：
[0111] 候選因子確定模塊1〇〇,用于確定至少一個(gè)候選的推薦特征因子；
[0112] 點(diǎn)擊信息量差確定模塊110,用于對于各推薦特征因子，預(yù)估點(diǎn)擊率預(yù)估模型加入 推薦特征因子前后，推薦信息的點(diǎn)擊信息量差；
[0113] 特征選擇模塊120,用于確定點(diǎn)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(diǎn)擊率預(yù)估模型。
[0114] 可選的，圖6示出了本發(fā)明實(shí)施例提供的點(diǎn)擊信息量差確定模塊110的可選結(jié)構(gòu)， 參照圖6,點(diǎn)擊信息量差確定模塊110可以包括：
[0115] 信息熵確定單元111，用于對于各推薦特征因子，預(yù)估點(diǎn)擊率預(yù)估模型加入推薦特 征因子前，推薦信息的第一信息熵，及點(diǎn)擊率預(yù)估模型加入推薦特征因子后，推薦信息的第 二信息熵；
[0116] 信息熵減小確定單元112,用于將所述第一信息熵和所述第二信息熵相結(jié)合，預(yù)估 出點(diǎn)擊率預(yù)估模型加入推薦特征因子前后，推薦信息的信息熵減小量;所述信息熵減小量 與點(diǎn)擊率預(yù)估模型加入推薦特征因子前后，推薦信息被點(diǎn)擊的增加量相應(yīng)。
[0117] 可選的，圖7示出了本發(fā)明實(shí)施例提供的信息熵確定單元111的一種可選結(jié)構(gòu)，參 照圖7，信息熵確定單元111可以包括：
[0118] 第一信息熵確定子單元1111，用于根據(jù)公式Xf{p(f)H(y |f)}預(yù)估點(diǎn)擊率預(yù)估模 型加入推薦特征因子前，推薦信息的第一信息熵；
[0119] 其中f為推薦特征因子，ad為推薦信息，y為推薦信息被點(diǎn)擊和不被點(diǎn)擊的目標(biāo)值 集合，P(f)為推薦特征因子f出現(xiàn)的概率，H(y |f)=-Xyp(y |f)l〇g(p(y |f))，p(y |f)為y與f 的條件概率；
[0120] 第二信息熵確定子單元1112，用于根據(jù)公式-2:￡^(：1化(；^&(1)!1(7|;^3(1)}預(yù)估點(diǎn)擊 率預(yù)估模型加入推薦特征因子前后，推薦信息的第二信息熵；
[0121] 其中，p(f，ad)為f和ad出現(xiàn)的聯(lián)合概率，H(y | f，ad)=-Xyp(y | f，ad)log(p(y | f， ad))，p(y I f，ad)為y與f及ad的條件概率。
[0122] 相應(yīng)的，圖8示出了信息熵減小確定單元112的可選結(jié)構(gòu)，參照圖8，信息熵減小確 定單元112可以包括：
[0123] 信息熵結(jié)合子單元1121，用于根據(jù)公式IG = -Xf,ad{p(f，ad)H(y | f，ad)} + Xf{p(f) H(y |f)}，將所述第一信息熵和所述第二信息熵相結(jié)合，其中IG為所述信息熵減小量。
[0124] 可選的，圖9示出了本發(fā)明實(shí)施例提供的點(diǎn)擊信息量差確定模塊110的另一種可選 結(jié)構(gòu)，參照圖9,點(diǎn)擊信息量差確定模塊110可以包括：
[0125] 計(jì)算單元113,用于根據(jù)公式
）預(yù)估出 點(diǎn)擊率預(yù)估模型加入推薦特征因子前后，推薦信息的信息熵減小量；
[0126] 其中，IG為所述信息熵減小量，f為推薦特征因子，ad為推薦信息，y為推薦信息被 點(diǎn)擊和不被點(diǎn)擊的目標(biāo)值集合，p(f，ad，y)為f，ad和y出現(xiàn)的聯(lián)合概率，p(y |f，ad)為y與f及 ad的條件概率，p(y|f)為y與f的條件概率。
[0127] 本發(fā)明實(shí)施例提供的推薦特征確定裝置，可以較為準(zhǔn)確的選擇加入點(diǎn)擊率預(yù)估模 型的推薦特征，為提升后續(xù)點(diǎn)擊率預(yù)估的準(zhǔn)確性提供可能。
[0128] 可選的，圖10示出了推薦特征確定裝置所裝載的電子設(shè)備的硬件結(jié)構(gòu)框圖，該電 子設(shè)備如推薦服務(wù)器，參照圖10,該電子設(shè)備可以包括:處理器1，通信接口 2,存儲(chǔ)器3和通 信總線4;
[0129] 其中處理器1、通信接口 2、存儲(chǔ)器3通過通信總線4完成相互間的通信；
[0130] 可選的，通信接口 2可以為通信模塊的接口，如GSM模塊的接口；
[0131] 處理器1，用于執(zhí)行程序；
[0132] 存儲(chǔ)器3,用于存放程序；
[0133] 程序可以包括程序代碼，所述程序代碼包括計(jì)算機(jī)操作指令。
[0134] 處理器1可能是一個(gè)中央處理器CPU，或者是特定集成電路ASIC(Applicati〇n Specific Integrated Circuit)，或者是被配置成實(shí)施本發(fā)明實(shí)施例的一個(gè)或多個(gè)集成電 路。
[0135] 存儲(chǔ)器3可能包含高速RAM存儲(chǔ)器，也可能還包括非易失性存儲(chǔ)器(non-volatile memory)，例如至少一個(gè)磁盤存儲(chǔ)器。
[0136] 其中，程序可具體用于：
[0137] 確定至少一個(gè)候選的推薦特征因子；
[0138] 對于各推薦特征因子，預(yù)估點(diǎn)擊率預(yù)估模型加入推薦特征因子前后，推薦信息的 點(diǎn)擊信息量差；
[0139] 確定點(diǎn)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(diǎn)擊率預(yù)估模型。
[0140] 下面對本發(fā)明實(shí)施例提供的信息推薦裝置進(jìn)行介紹，下文描述的信息推薦裝置與 上文描述的信息推薦方法相互對應(yīng)參照，且下文描述的信息推薦裝置需基于上文描述的推 薦特征確定裝置。
[0141] 圖11為本發(fā)明實(shí)施例提供的信息推薦裝置的結(jié)構(gòu)框圖，該裝置可應(yīng)用于推薦服務(wù) 器，參照圖11，該裝置可以包括：
[0142] 調(diào)取模塊200,用于調(diào)取點(diǎn)擊率預(yù)估模型及至少一個(gè)候選的推薦信息，所述點(diǎn)擊率 預(yù)估模型加入有預(yù)確定的至少一個(gè)推薦特征因子；
[0143] 用戶特征因子確定模塊210,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(gè)推薦特征因子相應(yīng)的用戶特征因子；
[0144] 信息特征因子確定模塊220,用于對于各候選的推薦信息，確定與所述至少一個(gè)推 薦特征因子相應(yīng)的信息特征因子；
[0145] 點(diǎn)擊率預(yù)估模塊230,用于對于各候選的推薦信息，通過所述點(diǎn)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(diǎn)擊率；
[0146] 目標(biāo)推薦信息確定模塊240,用于根據(jù)各候選的推薦信息的點(diǎn)擊率，從所述至少一 個(gè)候選的推薦信息中確定推送給所述待推薦用戶的目標(biāo)推薦信息；
[0147] 推送模塊250,用于向所述待推薦用戶推送所述目標(biāo)推薦信息。
[0148] 圖12示出了信息推薦裝置所裝載的電子設(shè)備的硬件結(jié)構(gòu)框圖，該電子設(shè)備可以為 推薦服務(wù)器，該推薦服務(wù)器可以在圖10所示電子設(shè)備功能上增加信息推薦功能;參照圖12， 該電子設(shè)備可以包括:處理器Γ，通信接口2'，存儲(chǔ)器3'和通信總線4' ；
[0149] 處理器Γ，用于執(zhí)行程序；
[0150] 存儲(chǔ)器3'，用于存放程序；
[0151] 其中，程序可具體用于：
[0152] 調(diào)取點(diǎn)擊率預(yù)估模型及至少一個(gè)候選的推薦信息，所述點(diǎn)擊率預(yù)估模型加入有預(yù) 確定的至少一個(gè)推薦特征因子；
[0153]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(gè)推薦特征 因子相應(yīng)的用戶特征因子；
[0