一种CTR预估处理方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种CTR预估处理方法、装置、电子设备及存储介质。所述方法，包括：针对任一目标POI，根据历史查询记录获取所述目标POI在每个查询词条件下的历史CTR，并获取所述目标POI的历史CTR最高的N个查询词，构建所述目标POI的第一标签序列；根据CTR相关参数和目标用户的实时查询词，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；其中，所述CTR相关参数至少包含所述目标POI的第一标签序列。从而取得了提高CTR预估结果准确性的有益效果。有益效果。有益效果。

【技术实现步骤摘要】
一种CTR预估处理方法、装置、电子设备及存储介质


[0001]本专利技术涉及互联网
，尤其涉及一种CTR预估处理方法、装置、电子设备及存储介质。

技术介绍

[0002]在搜索等应用场景下，为了更好提高搜索反馈结果与用户搜索需求的匹配度，需要精准地预估用户对每个目标POI(目标POIntofInterest/目标POInt ofInformation，兴趣点/信息点)的CTR(Click
‑
Through
‑
Rate，点击通过率)。如何建模用户和目标POI的匹配成为搜索的重点研究方向之一。
[0003]以外卖场景下的搜索场景为例，在外卖搜索场景下的广告展示，主要指的是商家(目标POI)和菜品(SPU，standardproductunit)单元。由于用户更倾向于点击商家区域，导致用户在菜品维度的点击数据较为稀疏；并且菜品信息可以聚合到商家单元上，因此现有方案主要从Query(查询词)与商家、用户的历史行为信息与商家两个方面建模匹配。
[0004]但是，在实际应用中，由于商家信息过多(比如有品类、菜品、品牌等)，而且不同商家的侧重点也会有所不同。现有的构建商家信息方式会将多种类型信息杂糅一起，并没有衡量该用哪个类型的信息来精准代表商家，会带来较多噪音。此外，外卖场景下复购现象较为明显，同时外卖场景下用户偏好也是多样性的，目前利用订单提取品类或者目标POI ID等信息构建序列都不够充分，导致用户信息表达不够充分和精准，进而均会影响CTR预估结果的准确性。
专利
技术实现思路

[0005]本专利技术实施例提供一种CTR预估处理方法、装置、电子设备及存储介质，以解决相关技术中CTR预估结果准确性易受影响的问题。
[0006]为了解决上述技术问题，本专利技术是这样实现的：
[0007]第一方面，本专利技术实施例提供了一种CTR预估处理方法，包括：
[0008]针对任一目标POI，根据历史查询记录获取所述目标POI在每个查询词条件下的历史CTR，并获取所述目标POI的历史CTR最高的N个查询词，构建所述目标POI的第一标签序列；
[0009]根据CTR相关参数和目标用户的实时查询词，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；
[0010]其中，所述CTR相关参数至少包含所述目标POI的第一标签序列。
[0011]可选地，所述根据目标用户的实时查询词和CTR相关参数，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值的步骤，包括：
[0012]针对所述目标用户的每个历史订单包含的每个POI，根据历史查询记录获取所述POI在每个查询词条件下的历史CTR，获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列；
[0013]根据CTR相关参数和所述目标用户的实时查询词，通过所述CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；
[0014]其中，所述CTR相关参数至少包括所述第一标签序列和所述第二标签序列。
[0015]可选地，所述根据历史查询记录获取所述POI在每个查询词条件下的历史CTR，获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列的步骤，包括：
[0016]针对所述目标用户的每个历史订单包含的每个POI，根据历史查询记录获取所述POI在每个查询词条件下的历史CTR；
[0017]针对任一所述历史订单包含的任一POI，基于所述POI在每个查询词下的历史CTR，获取所述历史订单下的每个查询词的权重，并保证同一历史订单下查询词的权重和值为指定数值；
[0018]将同一查询词在每个历史订单下的权重相加，得到所述查询词对应于所述目标用户的CTR；
[0019]获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列。
[0020]可选地，所述CTR预估模型为双序列建模子网络模型和CTR预估子网络模型的组合，所述根据CTR相关参数和目标用户的实时查询词，通过所述CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值的步骤，包括：
[0021]通过所述双序列建模子网络模型，获取所述第一标签序列和所述第二标签序列经交叉后的特征向量；
[0022]根据所述特征向量、所述目标用户的实时查询词和其他CTR相关参数，通过CTR预估子网络模型获取所述目标用户在所述实时查询词条件下针对所述目标POI的CTR预估值；
[0023]其中，所述其他CTR相关参数为所述CTR相关参数中除所述第一标签序列和所述第二标签序列之外的其他参数。
[0024]可选地，所述双序列建模子网络模型包括依次级联的嵌入层、注意力机制层、池化层；
[0025]所述通过所述双序列建模子网络模型，获取所述第一标签序列和所述第二标签序列经交叉后的特征向量的步骤，包括：
[0026]通过第一嵌入层获取所述实时查询词的第一矩阵表示，同时通过第二嵌入层分别获取所述第一标签序列的第二矩阵表示，和所述第二标签序列的第三矩阵表示；
[0027]通过所述第一矩阵表示替换用户侧的注意力机制层中K矩阵的输入，得到所述注意力机制层的输入矩阵；
[0028]获取所述注意力机制层的输出向量，并输入所述池化层，通过所述池化层得到经交叉后的所述特征向量。
[0029]可选地，所述嵌入层包括Word Embeddding层、Position Embeddding层、Segment Embedding层中的任意一种，或者任意多种的组合；所述注意力机制层包括多头注意力机制；所述池化层包括平均池化层。
[0030]第二方面，本专利技术实施例提供了另一种CTR预估处理方法，包括：
[0031]针对所述目标用户的每个历史订单包含的每个POI，根据历史查询记录获取所述
POI在每个查询词条件下的历史CTR，获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列；
[0032]针对任一目标POI，根据CTR相关参数和所述目标用户的实时查询词，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；
[0033]其中，所述CTR相关参数至少包括所述第二标签序列。
[0034]可选地，所述针对任一目标POI，根据CTR相关参数和所述目标用户的实时查询词，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值的步骤，包括：
[0035]针对任一目标POI，根据历史查询记录获取所述目标POI在每个查询词条件下的历史CTR，并获取所述目标POI的历史CTR最高的N个查询词，构建所述目标POI的第一标签序列；
[0036]根据CTR相关参数和目标用户的实时查询词，通过所述CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；
[0037]其中，所述CT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CTR预估处理方法，其特征在于，包括：针对任一目标POI，根据历史查询记录获取所述目标POI在每个查询词条件下的历史CTR，并获取所述目标POI的历史CTR最高的N个查询词，构建所述目标POI的第一标签序列；根据CTR相关参数和目标用户的实时查询词，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；其中，所述CTR相关参数至少包含所述目标POI的第一标签序列。2.根据权利要求1所述的方法，其特征在于，所述根据目标用户的实时查询词和CTR相关参数，通过CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值的步骤，包括：针对所述目标用户的每个历史订单包含的每个POI，根据历史查询记录获取所述POI在每个查询词条件下的历史CTR，获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列；根据CTR相关参数和所述目标用户的实时查询词，通过所述CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值；其中，所述CTR相关参数至少包括所述第一标签序列和所述第二标签序列。3.根据权利要求2所述的方法，其特征在于，所述根据历史查询记录获取所述POI在每个查询词条件下的历史CTR，获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列的步骤，包括：针对所述目标用户的每个历史订单包含的每个POI，根据历史查询记录获取所述POI在每个查询词条件下的历史CTR；针对任一所述历史订单包含的任一POI，基于所述POI在每个查询词下的历史CTR，获取所述历史订单下的每个查询词的权重，并保证同一历史订单下查询词的权重和值为指定数值；将同一查询词在每个历史订单下的权重相加，得到所述查询词对应于所述目标用户的CTR；获取所述目标用户对应的查询词中CTR最高的M个查询词，构建所述目标用户的第二标签序列。4.根据权利要求2或3所述的方法，其特征在于，所述CTR预估模型为双序列建模子网络模型和CTR预估子网络模型的组合，所述根据CTR相关参数和目标用户的实时查询词，通过所述CTR预估模型获取所述目标用户针对所述目标POI的CTR预估值的步骤，包括：通过所述双序列建模子网络模型，获取所述第一标签序列和所述第二标签序列经交叉后的特征向量；根据所述特征向量、所述目标用户的实时查询词和其他CTR相关参数，通过CTR预估子网络模型获取所述目标用户在所述实时查询词条件下针对所述目标POI的CTR预估值；其中，所述其他CTR相关参数为所述CTR相关参数中除所述第一标签序列和所述第二标签序列之外的其他参数。5.根据权利要求4所述的方法，其特征在于，所述双序列建模子网络模型包括依次级联的嵌入层、注意力机制层、池化层；所述通过所述双序列建模子网络模型，获取所述第一标签序列和所述第二标签序列经交叉后的特征向量的步骤，包括：
通过第一嵌入层获取所述实时查询词的第一矩阵表示，同时通过第二嵌入层分别获取所述第一标签序列的第二矩阵表示，和所述第二标签序列的第三矩阵表示；通过所述第一矩阵表示替换用户侧的注意力机制层中K矩阵的输入，得到所述注意力机制层的输入矩阵；获取所述注意力机制层的输出向量，并输入所述池化层，通过所述池化层得到经交叉后的所述特征向量。6.根据权利要求5所述的方法，其特征在于，所述嵌入层包括Word Embeddding层、Position Embeddding层、Segment Embedding层中的任意一种，或者任意多种的组合；所...

【专利技术属性】
技术研发人员：陈珊，王泽华，王兴星，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：