基于时间感知兴趣演化的点击率预测方法技术

本发明专利技术提出了一种基于时间感知兴趣演化的点击率预测方法，包括：S1，采集用户、目标项目、用户历史行为的用户数据信息；S2，根据所述用户数据信息预测所述用户在所述目标项目的点击概率；S3，将点击概率大于或者等于预设点击率阈值所对应的目标项目推荐给用户。本发明专利技术使用了时间感知注意力网络与ATT

【技术实现步骤摘要】
基于时间感知兴趣演化的点击率预测方法


[0001]本专利技术涉及点击率预测领域，特别是涉及一种基于时间感知兴趣演化的点击率预测方法。

技术介绍

[0002]现代社会，人们每天都享受着互联网的便利，网上购物使得人们可以足不出户地购买自己想要的产品。与此同时，大量的用户行为数据被生成并记录下来。我们可以从这些数据中提取出一些重要的信息，例如用户的偏好和行为模式，推荐系统可以利用这些信息为用户提供个性化的服务或内容，提升他们的体验。点击率(CTR)预测是在线广告和推荐系统等电子商务的核心任务，因为它与整个平台的收入直接相关，也影响用户体验和满意度。对于点击率(CTR)预测模型，捕捉用户的兴趣是提高性能的关键部分。
[0003]Wide and Deep(WDL)和Product Neural Network(PNN)等许多点击率(CTR)预测模型都使用深度学习方法来提取项目特征表示以及特征之间的交互。然而，这些模型没有考虑到使用用户历史行为来捕捉用户的个性化兴趣。通过使用注意力机制，一些先进的点击率(CTR)预测模型基于用户历史行为提取行为特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间感知兴趣演化的点击率预测方法，其特征在于，包括：S1，采集用户、目标项目、用户历史行为的用户数据信息；S2，根据所述用户数据信息预测所述用户在所述目标项目的点击概率；S3，将点击概率大于或者等于预设点击率阈值所对应的目标项目推荐给用户。2.根据权利要求1所述的一种基于时间感知兴趣演化的点击率预测方法，其特征在于，所述S2包括：S2
‑
1，通过预测模型的嵌入层将用户、目标项目和用户历史行为中的稀疏特征转化为低维密集向量，得到用户、目标项目和用户历史行为的嵌入向量；S2
‑
2，捕获用户的兴趣表示；S2
‑
3，将目标项目、用户的嵌入向量和用户的兴趣表示连接起来，得到连接的向量；S2
‑
4，将连接的向量送入多层感知器MLP；S2
‑
5，使用softmax函数预测用户点击目标项目的概率。3.根据权利要求1所述的一种基于时间感知兴趣演化的点击率预测方法，其特征在于，所述S2
‑
2包括：S2
‑2‑
1，通过所述预测模型的兴趣提取层基于用户历史行为的嵌入向量提取用户历史行为的兴趣表示；S2
‑2‑
2，通过所述预测模型的兴趣发展层基于目标项目的嵌入向量提取目标项目的兴趣表示。4.根据权利要求3所述的一种基于时间感知兴趣演化的点击率预测方法，其特征在于，所述兴趣提取层包括：采用GRU模型来模拟行为之间的依赖关系，其中GRU的输入是按发生时间排序的行为；所述GRU模型包括：u
t
＝σ(W
u
i
t
+U
u
h
t
‑1+b
u
)r
t
＝σ(W
r
i
t
+U
r
h
t
‑1+b
r
))其中u
t
代表GRU的更新门；σ(
·
)为sigmoid激活函数；i
t
是GRU的输入；h
t
‑1表示GRU第t
‑
1个隐藏层的状态；r
t
代表重置门；代表候选集；h
t
表示GRU第t个隐藏层的状态；tanh(
·
)为双曲正切函数；ο为元素乘积符号；W
u
,W
r
,W
h
均为属于N
H
×
d
model
维实数域的参数；U
u
,U
r
,U
h
均为属于N
H
×
N
H
维实数域的参数；
b
u
,b
r
,b
h
均为属于N
H
×
N
H
维实数域的参数；N
H
为隐藏层的尺寸。5.根据权利要求3所述的一种基于时间感知兴趣演化的点击率预测方法，其特征在于，所述兴趣发展层包括：采用注意力机制和ATT
‑
GRU模型相结合的模型；所述注意力机制包括时间感知注意力网络，所述时间感知注意力网络包括：注意力分数p
a
＝a(b
a
,e
t
)以及三个时间的注意力分数p
y
，p
m
，p
d
；当前年份与用户历史行为发生的年份进行交互，得到年份的注意力分数为：p
y
＝a(y
t
,y
now
)其中a(
·
,
·
)为注意力函数；y
t
表示用户历史行为发生的年份；y
now
表示当前年份的嵌入向量；当前年份与用户历史行为发生的月份进行交互，得到月份的注意力分数为：p
m
＝a(m
t
,m

【专利技术属性】
技术研发人员：王佳萌，陈乙雄，
申请(专利权)人：重庆大学，
类型：发明
国别省市：