3。
[0048]在步驟S203中，廣告投放裝置根據步驟S201獲取的廣告點擊率特征參數，對步驟S202建立的輸入層神經元進行分類；具體為廣告投放裝置根據不同種類的廣告點擊率特征參數的相關性，對輸入層神經元進行分類；具體請參照圖3，圖3為本發(fā)明的廣告投放方法的優(yōu)選實施例的步驟S203的流程圖。該步驟S203包括:
[0049]步驟S2031，廣告投放裝置計算每個廣告點擊率特征參數與其他廣告點擊率特征參數的相關系數。如使用用戶年齡的用戶特征參數對樣本進行分類，以及使用用戶網齡的用戶特征參數對樣本進行分類，然后通過判斷對應類別中心之間的距離來判斷每個廣告點擊率特征參數與其他廣告點擊率特征參數的相關系數，該距離越小，即說明分類結構越相似，兩種廣告點擊率特征參數的相關性就越高，相關系數就越大。
[0050]如按用戶年齡將樣本分為三類，以及按用戶網齡將樣本分為三類，兩種劃分方式對應的三個類別中心的距離小于設定值，則認為用戶年齡的用戶特征參數和用戶網齡的用戶特征參數的相關系數較大。如按用戶地址將樣本分為五類類，按用戶興趣愛好將樣本分為五類，兩種劃分方式對應的五個類別中心的距離大于設定值，則認為用戶地址的用戶特征參數和用戶興趣愛好的用戶特征參數的相關系數較小，甚至兩個用戶特征參數完全不相關。當然這里也可直接人為設置兩個用戶特征參數的相關系數。隨后轉到步驟S2032。
[0051]步驟S2032，廣告投放裝置根據步驟S2031獲取的廣告點擊率特征參數的相關系數對廣告點擊率特征參數進行分類，具體包括步驟:
[0052]首先廣告投放裝置計算每個廣告點擊率特征參數與其他廣告點擊率特征參數的相關系數和，如該相關系數和小于設定值，則認為該廣告點擊率特征參數與其他廣告點擊率特征參數相關性較差，即該廣告點擊率特征參數對廣告點擊率特征的顯著性較強，因此將該相關系數和小于設定值的廣告點擊率特征參數單獨設定為一個類別。
[0053]相關系數和大于等于設定值的廣告點擊率特征參數與其他廣告點擊率特征參數的相關性較強，即該廣告點擊率特征參數對廣告點擊率特征的顯著性較差，因此可將相關系數和大于等于設定值的廣告點擊率特征參數與其他廣告點擊率特征參數設定到同一類別中，以減小深度神經網絡結構的計算量。這里可將相關系數和大于等于設定值的廣告點擊率特征參數設定到廣告點擊率特征參數的最大相關性類別中，其中最大相關性類別為與該廣告點擊率特征參數的相關性最高的廣告點擊率特征參數所在的類別。
[0054]這樣即完成了對廣告點擊率特征參數的分類操作。隨后轉到步驟S2033。
[0055]步驟S2033，廣告投放裝置按步驟S2032獲取的廣告點擊率特征參數的類別，對相應的輸入層神經元也進行分類。隨后轉到步驟S204。
[0056]在步驟S204中，廣告投放裝置根據步驟S203獲取的輸入層神經元的類別，建立隱藏層神經元，其中隱藏層神經元和至少一個輸入層神經元連接。具體為廣告投放裝置根據步驟S203獲取的輸入層神經元的類別，建立第一隱藏層神經元，該第一隱藏層神經元包括多個神經元組，每個神經元組與對應類別的至少一個輸入層神經元連接，這樣即完成了第一隱藏層神經元的分類。隨后轉到步驟S205。
[0057]在步驟S205中，廣告投放裝置根據步驟S204建立的第一隱藏層神經元，通過輸出層神經元輸出預估廣告點擊率特征。隨后轉到步驟S206。
[0058]在步驟S206中，廣告投放裝置根據步驟S205輸出的預估廣告點擊率特征，進行廣告投放。
[0059]這樣即完成了本優(yōu)選實施例的廣告投放方法的廣告投放過程。
[0060]本優(yōu)選實施例的廣告投放方法中的輸入層神經元根據輸入向量進行分類處理，同時隱藏層神經元也進行了相應的分類處理，即突出了隱藏層神經元之間功用的差異性，給每個隱藏層神經元的神經元組分配不同的訓練任務，著力刻畫訓練不同的廣告特征以及用戶特征的作用，這樣降低了深度神經網絡的計算量，加快了深度神經網絡的學習過程，同時由于各個類別之間的相關性較差，因此對計算結果的影響較小。最后通過輸出層神經元與隱藏層神經元的全連接將各個相關性較差的不同神經元組的隱藏層神經元的輸出進行匯總，輸出預估廣告點擊率特征。
[0061]優(yōu)選的，在步驟S204中，廣告投放裝置還可建立與第一隱藏層神經元全連接的第二隱藏層神經元。在步驟S205中，廣告投放裝置看根據第二隱藏層神經元，通過輸出層神經元輸出預估廣告點擊率特征。這樣通過第二隱藏層神經元和第一隱藏層神經元的全連接將各個相關性較差的不同神經元組的第一隱藏層神經元的輸出進行匯總，輸出預估廣告點擊率特征。從而降低了對輸出層神經元的全連接要求。
[0062]本優(yōu)選實施例的廣告投放方法通過對神經網絡結構的輸入層神經元進行分類，降低了神經網絡結構在訓練時的計算量，同時使得神經網絡結構在訓練時更易收斂，提高了廣告投放目標的準確度。
[0063]本發(fā)明還提供一種廣告投放裝置，請參照圖4，圖4為本發(fā)明的廣告投放裝置的優(yōu)選實施例的結構示意圖。本優(yōu)選實施例的廣告投放裝置40包括點擊率特征參數獲取模塊41、輸入層神經元建立模塊42、輸入層神經元分類模塊43、隱藏層神經元建立模塊44、點擊率特征輸出模塊45以及廣告投放模塊46。點擊率特征參數獲取模塊41用于獲取廣告點擊率特征參數；輸入層神經元建立模塊42用于根據廣告點擊率特征參數，建立相應的輸入層神經元；輸入層神經元分類模塊43用于根據廣告點擊率特征參數，對輸入層神經元進行分類；具體用于根據不同的廣告點擊率特征參數的相關性，對輸入層神經元進行分類；隱藏層神經元建立模塊44用于根據輸入層神經元的類別，建立隱藏層神經元；點擊率特征輸出模塊45用于根據隱藏層神經元，輸出預估廣告點擊率特征；廣告投放模塊46用于根據預估廣告點擊率特征，進行廣告投放。
[0064]請參照圖5，圖5為本發(fā)明的廣告投放裝置的優(yōu)選實施例的輸入層神經元輸入模塊的結構示意圖。該輸入層神經元分類模塊43包括相關系數計算單元431、點擊率特征參數分類單元432以及輸入層神經元分類單元433。相關系數計算單元431用于計算每個廣告點擊率特征參數與其他廣告點擊率特征參數的相關系數；點擊率特征參數分類單元432用于根據廣告點擊率特征參數的相關系數對廣告點擊率特征參數進行分類；輸入層神經元分類單元433用于按廣告點擊率特征參數的類別，對輸入層神經元進行分類。
[0065]其中點擊率特征分類單元432包括第一類別設定子單元以及第二類別設定子單元；第一類別設定子單元用于將相關系數和小于設定值的廣告點擊率特征參數設定為一個類別；第二類別設定子單元用于將相關系數和大于等于設定值的廣告點擊率特征參數設定到廣告點擊率特征參數的最大相關性類別中，其中最大相關性類別為與廣告點擊率特征參數的相關性最高的廣告點擊率特征參數所在的類別。
[0066]請參照圖6，圖6為本發(fā)明的廣告投放裝置的優(yōu)選實施例的隱藏層神經元建立模塊的結構示意圖之一。該隱藏層神經元建立模塊44包括第一隱藏層神經元建立單元441，該第一隱藏層神經元建立單元441用于根據輸入層神經元的類別，建立第一隱藏層神經元。點擊率特征輸出模塊45具體用于根據第一隱藏層神經元，通過輸出層神經元輸出預估廣告點擊率特征。
[0067]下面詳細說明本優(yōu)選實施例的廣告投放裝置的具體工作流程。
[0068]首先點擊率特征參數獲取模塊41獲取廣告點擊率特征參數，該廣告點擊率特征參數可包括廣告特征參數以及用戶特征參數。其中廣告特征參數可包括廣告文字或圖片等內容，廣告類別等廣告?zhèn)鹊奶卣鲄担挥脩籼卣鲄悼砂ㄓ脩舻哪挲g、性別、地址、網齡以及興趣愛好等用戶側的特征參數。
[0069]由于上述特征均為人的邏輯表達，因此可使用獨熱編碼(One-Hot Encoding)將上述廣告點擊率特征參數轉換為可被機器識別的數值。這樣這些數值可作為相應的深度神經網絡結構的輸入向量。
[0070]隨后輸入層神經元建立模塊42根據點擊率特征參數獲取模塊41獲取的機器可識別的廣告點擊率特征參數，建立深度神經網絡結構的輸入層神經元。
[0071 ] 然后輸入層神經元分類模塊43根據點擊率特征參數獲取模塊41獲取的廣告點擊率特征參數，對輸入層神經元建立模塊42建立的輸入層神經元進行分類；具體為輸入層神經元分類模塊43根據不同種類的廣告點擊率特征參數的相關性，對輸入層神經元進行分類；其包括:
[0072]輸入層神經元分類模塊43的相關系數計算單元431計算每個廣告點擊率特征參數與其他廣告點擊率特征參數的相關系數。如使用用戶年齡的用戶特征參數對樣本進行分類，以及使用用戶網齡的用戶特征參數對樣本進行