广告推荐预测系统及方法技术方案

一种广告推荐预测系统及方法，所述系统包含数据获取模块、特征提取与预处理模块、模型构建与训练模块和预测推荐模块；数据获取模块用于获取用户日志数据和广告信息数据；特征提取与预处理模块用于根据用户日志数据和广告信息数据获得用户有效点击数据；根据用户有效点击数据分析获得对应的特征图谱；模型构建与训练模块用于根据特征图谱通过循环神经网络算法构建GRU神经网络模型；根据广告信息数据建立正负样本训练集，根据正负样本训练集构建二分类模型；通过二分类模型和GRU神经网络模型获得预测模型；预测推荐模块用于根据预测模型和测试数据获得广告预测点击率，根据广告预测点击率获得广告预测数据。

【技术实现步骤摘要】
广告推荐预测系统及方法
本专利技术涉及数据分析领域，尤指一种基于CNN+GRU的广告推荐预测系统及方法。
技术介绍
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的用户不断流失。为了更好的为用户提供服务，在为用户提供服务的同时赚取更多的利润，越来越多的公司通过采用个性化推荐技术，辅助用户更快地发现自己喜欢的东西。公司根据用户在产品上的行为记录，结合用户自身和“标的物”的信息，利用广告推荐技术(机器学习的一个分支)来为用户推荐可能感兴趣的广告。伴随着深度学习的热潮，越来越多人将深度学习应用在广告推荐系统中。典型的有基于长短期记忆(LSTM，LongShortTermMemory)模型用于预测并推荐广告，但此方法的模型训练时更不容易收敛，在训练模型是耗时较长，难度较大。因此，如何从海量的广告与多种的用户历史行为中学习用户偏好，为客户提供精准的广告推荐服务是业内亟待解决的问题。
技术实现思路
本专利技术目的在于提供一种广告推荐预测系统及方法，为平台提供更准确、更高效的广告点击率预测，推荐更符合用户心理的信息，减少无关信息推荐，改善用户体验。为达上述目的，本专利技术所提供的广告推荐预测系统，具体包含数据获取模块、特征提取与预处理模块、模型构建与训练模块和预测推荐模块；所述数据获取模块用于获取用户日志数据和广告信息数据；所述特征提取与预处理模块用于根据所述用户日志数据和所述广告信息数据获得用户有效点击数据；根据所述用户有效点击数据分析获得对应的特征图谱；所述模型构建与训练模块用于根据所述特征图谱通过循环神经网络算法构建GRU神经网络模型；根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和所述GRU神经网络模型获得预测模型；所述预测推荐模块用于根据所述预测模型和待测数据获得广告预测点击率，根据所述广告预测点击率获得广告预测数据。在上述广告推荐预测系统中，优选的，所述特征提取与预处理模块还包含预处理单元，所述预处理单元用于将所述用户日志数据和所述广告信息数据按预设时间周期划分为训练数据和测试数据；比对筛除所述训练数据中所述用户日志数据和所述广告信息数据中用户的无效点击数据，获得用户有效点击数据。在上述广告推荐预测系统中，优选的，所述特征提取与预处理模块包含排序单元，所述排序单元用于根据所述用户有效点击数据的对应时间信息，对所述用户有效点击数据进行排序处理获得序列数据。在上述广告推荐预测系统中，优选的，所述特征提取与预处理模块还包含挖掘单元，所述挖掘单元用于通过对所述序列数据进行cnn深度网络挖掘结合dropout技术获得特征图谱。在上述广告推荐预测系统中，优选的，所述数据获取模块还包含转换单元，所述转换单元用于将所述用户日志数据和所述广告信息数据中非结构化数据通过预设数据字典转换为结构化数据。在上述广告推荐预测系统中，优选的，所述模型构建与训练模块包含二分类模型构建单元，所述二分类模型构建单元用于根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和预设的影响点击量的信息计算获得损失值。在上述广告推荐预测系统中，优选的，所述模型构建与训练模块包含GRU模型构建单元，所述GRU模型构建单元包含Dense层，所述Dense层用于将输出的向量转换为标签向量的维度后分析获得所述GRU神经网络模型的损失函数，根据所述损失函数和所述损失值调整所述GRU神经网络模型获得预测模型。本专利技术还提供一种广告推荐预测方法，所述方法包含：获取用户日志数据和广告信息数据；根据所述用户日志数据和所述广告信息数据获得用户有效点击数据；根据所述用户有效点击数据分析获得对应的特征图谱；根据所述特征图谱通过循环神经网络算法构建GRU神经网络模型；根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和所述GRU神经网络模型获得预测模型；根据所述预测模型和待测数据获得广告预测点击率，根据所述广告预测点击率获得广告预测数据。在上述广告推荐预测方法中，优选的，根据所述用户日志数据和所述广告信息数据获得用户有效点击数据包含：将所述用户日志数据和所述广告信息数据按预设时间周期划分为训练数据和测试数据；比对筛除所述训练数据中所述用户日志数据和所述广告信息数据中用户的无效点击数据，获得用户有效点击数据。在上述广告推荐预测方法中，优选的，根据所述用户有效点击数据分析获得对应的特征图谱包含：根据所述用户有效点击数据的对应时间信息，对所述用户有效点击数据进行排序处理获得序列数据；通过对所述序列数据进行cnn深度网络挖掘结合dropout技术获得特征图谱。在上述广告推荐预测方法中，优选的，获取用户日志数据和广告信息数据还包含：将所述用户日志数据和所述广告信息数据中非结构化数据通过预设数据字典转换为结构化数据。在上述广告推荐预测方法中，优选的，根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型还包含：通过所述二分类模型和预设的影响点击量的信息计算获得损失值。在上述广告推荐预测方法中，优选的，通过所述二分类模型和所述GRU神经网络模型获得预测模型包含：将所述GRU神经网络模型输出的向量转换为标签向量的维度后，分析获得所述GRU神经网络模型的损失函数；根据所述损失函数和所述损失值调整所述GRU神经网络模型获得预测模型。本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。本专利技术的有益技术效果在于：通过CNN强大的特征提取能力，对预处理后的原数据进行关键性的特征提取，降低了人力开销，又提升了整体预测模型的效率；基于GRU的预测模型相比传统预测模型能提高预测的准确率，相比基于LSTM的预测模型，在提升预测准确率的同时，能更快速地进行模型训练；可以为平台提供更准确、更高效的的广告点击率预测，推荐更符合用户心理的信息，减少无关信息推荐，改善用户体验。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1为本专利技术一实施例所提供的广告推荐预测系统的结构示意图；图2A为本专利技术一实施例所提供的GRU的结构示意图；图2B为本专利技术一实施例所提供的数据输入GRU模型的学习流程示意图；图3为本专利技术一实施例所提供的广告推荐预测系统的应用流程示意图；图4为本专利技术一实施例所提供的广告推荐预测方法的流程示意图；图5为本专利技术一实施例所提供本文档来自技高网...

【技术保护点】
1.一种广告推荐预测系统，其特征在于，所述系统包含数据获取模块、特征提取与预处理模块、模型构建与训练模块和预测推荐模块；/n所述数据获取模块用于获取用户日志数据和广告信息数据；/n所述特征提取与预处理模块用于根据所述用户日志数据和所述广告信息数据获得用户有效点击数据；根据所述用户有效点击数据分析获得对应的特征图谱；/n所述模型构建与训练模块用于根据所述特征图谱通过循环神经网络算法构建GRU神经网络模型；根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和所述GRU神经网络模型获得预测模型；/n所述预测推荐模块用于根据所述预测模型和待测数据获得广告预测点击率，根据所述广告预测点击率获得广告预测数据。/n

【技术特征摘要】
1.一种广告推荐预测系统，其特征在于，所述系统包含数据获取模块、特征提取与预处理模块、模型构建与训练模块和预测推荐模块；
所述数据获取模块用于获取用户日志数据和广告信息数据；
所述特征提取与预处理模块用于根据所述用户日志数据和所述广告信息数据获得用户有效点击数据；根据所述用户有效点击数据分析获得对应的特征图谱；
所述模型构建与训练模块用于根据所述特征图谱通过循环神经网络算法构建GRU神经网络模型；根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和所述GRU神经网络模型获得预测模型；
所述预测推荐模块用于根据所述预测模型和待测数据获得广告预测点击率，根据所述广告预测点击率获得广告预测数据。


2.根据权利要求1所述的广告推荐预测系统，其特征在于，所述特征提取与预处理模块还包含预处理单元，所述预处理单元用于将所述用户日志数据和所述广告信息数据按预设时间周期划分为训练数据和测试数据；比对筛除所述训练数据中所述用户日志数据和所述广告信息数据中用户的无效点击数据，获得用户有效点击数据。


3.根据权利要求2所述的广告推荐预测系统，其特征在于，所述特征提取与预处理模块包含排序单元，所述排序单元用于根据所述用户有效点击数据的对应时间信息，对所述用户有效点击数据进行排序处理获得序列数据。


4.根据权利要求3所述的广告推荐预测系统，其特征在于，所述特征提取与预处理模块还包含挖掘单元，所述挖掘单元用于通过对所述序列数据进行cnn深度网络挖掘结合dropout技术获得特征图谱。


5.根据权利要求1所述的广告推荐预测系统，其特征在于，所述数据获取模块还包含转换单元，所述转换单元用于将所述用户日志数据和所述广告信息数据中非结构化数据通过预设数据字典转换为结构化数据。


6.根据权利要求2所述的广告推荐预测系统，其特征在于，所述模型构建与训练模块包含二分类模型构建单元，所述二分类模型构建单元用于根据所述广告信息数据建立正负样本训练集，根据所述正负样本训练集构建二分类模型；通过所述二分类模型和预设的影响点击量的信息计算获得损失值。


7.根据权利要求6所述的广告推荐预测系统，其特征在于，所述模型构建与训练模块包含GRU模型构建单元，所述GRU模型构建单元包含Dense层，所述Dense层用于将输出的向量转换为标签向量的维度后分析获得所述GRU神经网络模型的损失函数，根据所述损失函数和所述损失值调整所述GRU神经网络模型获得预测模型。

【专利技术属性】
技术研发人员：范大煌，姚俊展，漆英，胡文涛，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11