【技术实现步骤摘要】
点击率预测方法、推荐方法、模型、装置及设备
本说明书涉及人工智能
，尤其涉及一种点击率预测方法、推荐方法、模型、装置及设备。
技术介绍
随着互联网的发展，网上推广已经越来越普及。当用户浏览网页时，即可在网页的广告展示区域为用户推荐一些商品以及广告，以便用户点击这些商品或者广告。点击率(CTR：Click-Through-Rate)预估是为用户推荐商品或广告的基础，即根据用户的历史点击行为、用户的相关信息以及商品或者广告的特性预测用户点击该商品或者广告的概率，然后根据预测的点击率确定向用户推荐哪些商品或者广告。点击率的准确预测不仅可以为用户推荐更为适合的产品，而且将影响商家的最终收入。由于影响点击率的特征较多，特征之间交互也会影响点击率的预测结果，充分考虑特征之间的交互，可以提升预测结果的准确性。相关技术中，采用预先训练的模型来预测点击率时，模型的预测结果不具解释性，不能清晰地知道不同特征组合会对预测结果产生怎样的影响，从而不利于提升点击率的预测效果。为了提高点击率预测的准确性，使点击率预测更具解释性，有必要对点击率预测
【技术保护点】
1.一种点击率预测方法，所述方法包括：/n获取原始特征，所述原始特征包括目标用户的用户特征和待推荐对象的属性特征；/n将所述用户特征和所述属性特征输入到预先训练的点击率预测模型，以使所述点击率预测模型对所述用户特征和所述属性特征进行组合得到组合特征，并确定各组合特征对应的权重，基于所述原始特征、所述组合特征以及所述权重预测所述目标用户点击所述待推荐对象的点击率。/n
【技术特征摘要】
1.一种点击率预测方法，所述方法包括：
获取原始特征，所述原始特征包括目标用户的用户特征和待推荐对象的属性特征；
将所述用户特征和所述属性特征输入到预先训练的点击率预测模型，以使所述点击率预测模型对所述用户特征和所述属性特征进行组合得到组合特征，并确定各组合特征对应的权重，基于所述原始特征、所述组合特征以及所述权重预测所述目标用户点击所述待推荐对象的点击率。
2.根据权利要求1所述的点击率预测方法，所述用户特征包括多个类别，所述组合特征通过每个类别的用户特征与所述属性特征进行组合而得到。
3.根据权利要求2所述的点击率预测方法，所述多个类别包括：用于表征用户历史行为序列的第一类别、用于表征用户属性信息的第二类别以及用于表征用户所处场景信息的第三类别。
4.根据权利要求3所述的点击率预测方法，所述点击预测率模型包括：
向量表征层，用于确定所述原始特征对应的原始向量；
多交互表征层，用于对所述用户特征和所述属性特征进行组合得到所述组合特征，并确定各组合特征对应的权重，并基于所述权重确定所述组合特征对应的表征向量；
预测层，用于基于所述原始向量和所述表征向量预测所述目标用户点击所述待推荐对象的点击率。
5.根据权利要求4所述的点击率预测方法，所述多交互表征层包括注意力模型，用于确定各组合特征的权重，并基于所述权重确定所述组合特征对应的表征向量。
6.根据权利要求5所述的点击率预测方法，所述用户特征包括第一类别的特征，所述多交互表征层还包括Bi-LSTM模型，对所述用户特征和所述属性特征的进行组合得到所述组合特征，并确定所述组合特征对应的表征向量，包括：
将所述第一类别的各特征对应的各原始向量输入到所述Bi-LSTM模型；
并将所述Bi-LSTM模型的输出的各向量与所述用户特征的对应的原始向量进行拼接，得到组合特征；
将所述组合特征输入到所述注意力模型，以得到所述组合特征对应的表征向量。
7.根据权利要求5所述的点击率预测方法，对所述用户特征和所述属性特征进行组合得到所述组合特征，并确定所述组合特征对应的表征向量，包括：
将所述第二类别的各特征对应的原始向量和第三类别的各特征对应的原始向量分别与所述属性特征对应的原始向量拼接，得到组合特征；
将所述组合特征输入到所述注意力模型，以得到所述组合特征对应的表征向量。
8.根据权利要求4所述的点击率预测方法，确定所述原始特征对应的原始向量，包括：
所述原始特征为连续...
【专利技术属性】
技术研发人员：张凯，向彪，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。