一种基于分解机和图神经网络的点击率预测方法及系统技术方案

本公开提供了一种基于分解机和图神经网络的点击率预测方法及系统，包括获取广告点击历史数据，并通过所述历史数据对所述基于分解机的图神经网络模型进行训练，利用训练好的模型对待预测的广告进行迭代预测，获得预测的广告点击率；其中，所述基于分解机的图神经网络模型的构建包括：将图神经网络中的所有特征域两两连接，从而获得全连接图；根据分解机的交互方式，实现邻接特征域之间的交互，并以加和的方式进行特征聚合操作；将不同层的节点嵌入进行连接，形成预测节点的最终表达。所述方案可以充分地利用稀疏的输入特征，通过特征节点间的交互，丰富信息提取和学习，有效保证在较少的输入特征的情况下，保证广告点击率预测的准确度。准确度。准确度。

【技术实现步骤摘要】
一种基于分解机和图神经网络的点击率预测方法及系统


[0001]本公开属于计算机应用
，尤其涉及一种基于分解机和图神经网络的点击率预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]互联网在线广告将广告投放和实时的用户信息、媒体信息、上下文情景信息相结合，使得互联网的在线广告投放具有技术导向和计算导向，广告可以进行精确的受众定向，每一次广告决策对每个用户的效果都是可衡量和经过精确计算的。对于每一个用户的广告请求，在服务器端都进行了用户与广告库中的广告的匹配，将最适合的广告投放给该用户，以获得更高的潜在广告点击率，得到更多有效点击，产生更多收益；为了获得更高的点击率，需要预先对点击率进行预测，进而根据预测结果进行广告的推送，由此，点击率的预测精度对广告的推送起到极其重要的作用；点击率预测的目标是预测用户点击广告或商品的概率，这对许多网络应用程序(如在线广告和推荐系统)是至关重要的。
[0004]专利技术人发现，一方面，现有的点击率预测方法虽然可以基于线性模型(支持向量机、逻辑回归等方法)实现对点击率的预测，但是，现实中的点击率并不是简单的线性模型能够体现，导致现有的预测方法精度较低；另一方面，现有方法采用基于深度学习的方法进行点击率预测，但是，深度学习算法的精度受到样本数量以及样本自身特征丰富程度的影响，而现有点击率预测中，用户及广告的自身属性信息较为稀疏，单纯依靠样本自身的特征进行预测，其精度也受到限制。
专利技术内容
[0005]本公开为了解决上述问题，提供一种基于分解机和图神经网络的点击率预测方法及系统，所述方案通过将分解机的交互方式显示的引入图神经网络中，可以充分地利用稀疏的输入特征，丰富信息提取和学习，有效提高了点击率预测的精度。
[0006]根据本公开实施例的第一个方面，提供了基于分解机和图神经网络的点击率预测方法，包括：
[0007]获取待预测的用户特征和广告特征，并进行特征组合得到组合特征；
[0008]将所述组合特征输入至预训练的点击率预测模型，获得用户对所述点击率的预测结果；
[0009]其中，所述点击率预测模型基于图神经网络，将图神经网络中的所有特征域两两连接，从而获得全连接图；根据分解机的交互方式，实现邻接特征域之间的交互，并以加和的方式进行特征聚合操作；将不同层的节点嵌入进行连接，形成预测节点的最终表达。
[0010]根据本公开实施例的第二个方面，提供了基于分解机和图神经网络的点击率预测系统，包括：
[0011]获取单元，其用于获取待预测的用户特征和广告特征，并进行特征组合得到组合特征；
[0012]预测单元，其用于将所述组合特征输入至预训练的点击率预测模型，获得用户对所述点击率的预测结果；
[0013]其中，所述点击率预测模型基于图神经网络，将图神经网络中的所有特征域两两连接，从而获得全连接图；根据分解机的交互方式，实现邻接特征域之间的交互，并以加和的方式进行特征聚合操作；将不同层的节点嵌入进行连接，形成预测节点的最终表达。
[0014]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于分解机和图神经网络的点击率预测方法。
[0015]根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于分解机和图神经网络的点击率预测方法。
[0016]与现有技术相比，本公开的有益效果是：
[0017](1)本公开所述方案通过分解机和图神经网络的融合，不仅保存了GNN在图上的出色表达能力，同时实现了显式的图节点间的高阶交互，所述方法可以充分地利用稀疏的输入特征，通过特征节点间的交互，丰富信息提取和学习，有效的在较少的输入特征的情况下，保证点击率预测的准确度；
[0018](2)所述高阶交互的方式是显式的，模型有效，交互阶数可调，可以根据广告点击率预测的实际的需求通过堆叠层的方式来实现任意阶的交互；同时，所述模型通过一定的参数选取可以退化为FM、HOFM和NFM，具备更加强大的框架和可扩展能力。
[0019](3)随着深度神经网络在各个领域的成功应用，研究人员开始使用深度神经网络来学习高阶特征交互，当前已经有一些应用深度神经网络方法，可以隐式地包含特征交互，然而这种黑盒模式往往缺乏解释性，也难以有效地建模高阶交互。因此，单独设计学习高阶交互的网络是十分有必要的。这样的显式方法可以更加有效地建模高阶交互，对实验效果也有一定的提升。
附图说明
[0020]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0021]图1为本公开实施例一中所述的基于分解机的图神经网络的交互模型。
具体实施方式
[0022]下面结合附图与实施例对本公开作进一步说明。
[0023]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0024]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0025]实施例一：
[0026]本实施例的目的是提供一种基于分解机和图神经网络的点击率预测方法。
[0027]一种基于分解机和图神经网络的点击率预测方法，包括：
[0028]步骤1：获取待预测的用户特征和广告特征，并进行特征组合得到组合特征；
[0029]所述用户特征，包括用户的基本信息、用户当前位置、用户的历史行为信息的任意一种或多种；例如：用户A姓名为：XX、性别为：女、职业：I T行业；位置为：杭州；历史行为信息为：在淘宝、京东等等经常购买YSL化妆品、GUCC I等精品包等商品；具体可根据实际应用的需求进行设定。
[0030]所述广告信息包括广告对应产品基本信息、广告对应产品的位置、广告对应的产品的消费人群和广告对应的产品的历史评价信息中的任意一种或多种；举例说明，产品基本信息可为产品名称、产品功能、产品图像；产品位置为杭州；产品的消费人群为18-30岁女性；产品的历史评价为：产品质量好、正品、服务好等等，可根据实际应用进行设定。
[0031]所述特征组合是通过深度学习算法提取用户信息以及广告信息中的特征向量，并将两者的特征向量进行简单拼接，得到组合特征向量。
[0032]步骤2：将所述组合特征输入至预训练的点击率预测模型，获得用户对所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分解机和图神经网络的点击率预测方法，其特征在于，包括：获取待预测的用户特征和广告特征，并进行特征组合得到组合特征；将所述组合特征输入至预训练的点击率预测模型，获得用户对所述广告点击率的预测结果；其中，所述点击率预测模型基于图神经网络，将图神经网络中的所有特征域两两连接，从而获得全连接图；根据分解机的交互方式，实现邻接特征域之间的交互，并以加和的方式进行特征聚合操作；将不同层的节点嵌入进行连接，形成预测节点的最终表达。2.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法，其特征在于，所述以加和的方式进行特征聚合操作，具体公式如下：其中，表示在第k层中特征域i的嵌入表达，
⊙
表示元素逐元素乘法，N
i
表示特征域i的邻居节点和节点本身的集合，表示拉普拉斯正则化权重。3.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法，其特征在于，所述将不同层的节点嵌入进行连接，形成预测节点的最终表达之前，需要对每一个图交互层的输出添加激活函数，通过组合所有层的输出来形成最终的预测表达。4.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法，其特征在于，所述点击率预测模型的损失函数为对数损失函数，具体如下：其中，N代表训练样本的数量，σ表示sigmoid函数，y
i
和分别表示样本i的标签和模型预测结果。5.如权利要求1所述的一种基于分解机和图神经网络的点击率预测方法，其特征在于，所述特征组合...

【专利技术属性】
技术研发人员：吴书，王亮，王海滨，纪文峰，
申请(专利权)人：中科人工智能创新技术研究院青岛有限公司，
类型：发明
国别省市：