154] 對(duì)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；
[0155] 對(duì)于各候選的推薦信息，通過(guò)所述點(diǎn)擊率預(yù)估模型確定與所述用戶(hù)特征因子及相 應(yīng)的信息特征因子對(duì)應(yīng)的點(diǎn)擊率；
[0156]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(hù)的目標(biāo)推薦信息；
[0157] 向所述待推薦用戶(hù)推送所述目標(biāo)推薦信息。
[0158] 本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他 實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置 而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō) 明即可。
[0159] 專(zhuān)業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元 及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和 軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些 功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專(zhuān)業(yè) 技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng) 認(rèn)為超出本發(fā)明的范圍。
[0160] 結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí) 行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存 儲(chǔ)器(R0M)、電可編程R0M、電可擦除可編程R0M、寄存器、硬盤(pán)、可移動(dòng)磁盤(pán)、CD-ROM、或技術(shù) 領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。
[0161] 對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。 對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專(zhuān)業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的 一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明 將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一 致的最寬的范圍。
【主權(quán)項(xiàng)】
1. 一種推薦特征確定方法，其特征在于，包括： 確定至少一個(gè)候選的推薦特征因子； 對(duì)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； 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。2. 根據(jù)權(quán)利要求1所述的推薦特征確定方法，其特征在于，所述對(duì)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)擊信息量差包括： 對(duì)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； 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)。3. 根據(jù)權(quán)利要求2所述的推薦特征確定方法，其特征在于，所述對(duì)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包括： 根據(jù)公式Σ f {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； 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。4. 根據(jù)權(quán)利要求3所述的推薦特征確定方法，其特征在于，所述對(duì)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后，推薦信息的第二信息熵包括： 根據(jù)公式-Sf,ad{P(f，ad)H(y|f，ad)}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； 其中，p(f，ad)為f和ad出現(xiàn)的聯(lián)合概率，H(y |f，ad) = -2yp(y |f，ad)log(p(y |f，ad))，p (y |f，ad)為y與f及ad的條件概率。5. 根據(jù)權(quán)利要求4所述的推薦特征確定方法，其特征在于，所述將所述第一信息熵和所 述第二信息熵相結(jié)合包括： 根據(jù)公式16 = -2:￡^(：1{。(；^&(1)!1(7|;^3(1)}+2￡{。(；〇!1(7|;〇}，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。6. 根據(jù)權(quán)利要求1所述的推薦特征確定方法，其特征在于，所述對(duì)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)擊信息量差包括：^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； 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 I f，ad)為y與f及ad的 條件概率，p(y I f)為y與f的條件概率。7. -種信息推薦方法，其特征在于，基于權(quán)利要求1-6任一項(xiàng)所述的推薦特征確定方 法，所述信息推薦方法包括： 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； 確定待推薦用戶(hù)，獲取所述待推薦用戶(hù)的用戶(hù)特征中，與所述至少一個(gè)推薦特征因子 相應(yīng)的用戶(hù)特征因子； 對(duì)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； 對(duì)于各候選的推薦信息，通過(guò)所述點(diǎn)擊率預(yù)估模型確定與所述用戶(hù)特征因子及相應(yīng)的 信息特征因子對(duì)應(yīng)的點(diǎn)擊率； 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(hù)的目標(biāo)推薦信息； 向所述待推薦用戶(hù)推送所述目標(biāo)推薦信息。8. -種推薦特征確定裝置，其特征在于，包括： 候選因子確定模塊，用于確定至少一個(gè)候選的推薦特征因子； 點(diǎn)擊信息量差確定模塊，用于對(duì)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； 特征選擇模塊，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。9. 根據(jù)權(quán)利要求8所述的推薦特征確定裝置，其特征在于，所述點(diǎn)擊信息量差確定模塊 包括： 信息熵確定單元，用于對(duì)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； 信息熵減小確定單元，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)。10. 根據(jù)權(quán)利要求9所述的推薦特征確定裝置，其特征在于，所述信息熵確定單元包括： 第一信息熵確定子單元，用于根據(jù)公式Σ f {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； 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； 第二信息熵確定子單元，用于根據(jù)公式-Sf,ad{p(f，ad)H(y|f，ad)}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； 其中，p(f，ad)為f和ad出現(xiàn)的聯(lián)合概率，H(y |f，ad) = -2yp(y |f，ad)log(p(y |f，ad))，p (y |f，ad)為y與f及ad的條件概率； 所述信息熵減小確定單元包括： 信息熵結(jié)合子單元，用于根據(jù)公式 IG = -2f,ad{p(f，ad)H(y |f，ad)} + 2f{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。11. 根據(jù)權(quán)利要求8所述的推薦特征確定裝置，其特征在于，所述點(diǎn)擊信息量差確定模 塊包括： 計(jì)算單元預(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； 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 I f)為y與f的條件概率。12. -種信息推薦裝置，其特征在于，包括： 調(diào)取模塊，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； 用戶(hù)特征因子確定模塊，用于確定待推薦用戶(hù)，獲取所述待推薦用戶(hù)的用戶(hù)特征中，與 所述至少一個(gè)推薦特征因子相應(yīng)的用戶(hù)特征因子； 信息特征因子確定模塊，用于對(duì)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； 點(diǎn)擊率預(yù)估模塊，用于對(duì)于各候選的推薦信息，通過(guò)所述點(diǎn)擊率預(yù)估模型確定與所述 用戶(hù)特征因子及相應(yīng)的信息特征因子對(duì)應(yīng)的點(diǎn)擊率； 目標(biāo)推薦信息確定模塊，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(hù)的目標(biāo)推薦信息； 推送模塊，用于向所述待推薦用戶(hù)推送所述目標(biāo)推薦信息。
【專(zhuān)利摘要】本發(fā)明實(shí)施例提供一種推薦特征確定方法、信息推薦方法及裝置，其中方法包括：確定至少一個(gè)候選的推薦特征因子；對(duì)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；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。本發(fā)明實(shí)施例可以較為準(zhǔn)確的選擇加入點(diǎn)擊率預(yù)估模型的推薦特征，提升點(diǎn)擊率預(yù)估的準(zhǔn)確性。
【IPC分類(lèi)】G06Q30/02
【公開(kāi)號(hào)】CN105678587
【申請(qǐng)?zhí)枴緾N201610017754
【發(fā)明人】呂培立
【申請(qǐng)人】騰訊科技（深圳）有限公司
【公開(kāi)日】2016年6月15日
【申請(qǐng)日】2016年1月12日