本说明书公开了一种预测推荐目标的点击率的方法及装置。通过根据预设的不同统计指标对各用户的历史行为进行统计确定的各类滑动窗口，分别对目标用户的历史行为序列的行为序列特征划分为若干子特征，并针对每类滑动窗口，将该类滑动窗口的各子特征与推荐目标对应的目标特征输入预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，并基于各类滑动窗口的兴趣特征，确定融合兴趣特征，以根据融合兴趣特征，通过该预测模型的输出模块确定目标用户对推荐目标的点击率。可基于滑动窗口将行为序列特征划分为不同粒度的子特征，基于各子特征显式地从不同角度提取表征目标用户的兴趣的特征，不易受训练样本误导，能更准确预测推荐目标的点击率。预测推荐目标的点击率。预测推荐目标的点击率。
【技术实现步骤摘要】
一种预测推荐目标的点击率的方法及装置
[0001]本说明书涉及推荐
，尤其涉及一种预测推荐目标的点击率的方法及装置。
技术介绍
[0002]一些业务平台会基于用户兴趣，主动向用户展示一些用户可能会感兴趣的业务、商品、服务提供方等推荐目标。或者在用户搜索时，被动向用户展示相关的推荐目标。
[0003]通常，业务平台会预测用户对推荐目标的点击率，以基于点击率进行推荐。而推荐的准确性受对用户兴趣的建模准确性影响。
[0004]目前，通常是基于隐式的多兴趣建模方法，根据用户历史上的一个行为序列，通过多头注意力机制(Multi
‑
Head Attention)，得到每个注意力头对应的一个用于表征用户兴趣的特征。
[0005]但是，基于隐式的多兴趣建模方法对训练样本的要求较高，容易受一些训练样本误导。且由于无法确定每个注意力头输出的特征是基于行为序列中的哪些内容得到的，表征的又是行为序列中哪部分对应的兴趣，因此也难以发现被训练样本误导的情况，更无法针对性调整，导致基于该方法得到的特征预测的点击率不准确。
技术实现思路
[0006]本说明书提供一种预测推荐目标的点击率的方法及装置，以部分的解决现有技术存在的上述问题。
[0007]本说明书采用下述技术方案：
[0008]本说明书提供了一种预测推荐目标的点击率的方法，包括：
[0009]将目标用户的历史行为序列输入预先训练的预测模型的编码模块，得到行为序列特征；
[0010]通过所述预测模型的划分模块，针对预设的每类滑动窗口，通过该类滑动窗口将所述行为序列特征划分为若干子特征；所述各滑动窗口为分别根据预设的不同统计指标对各用户的历史行为进行统计确定的；
[0011]将该类滑动窗口的各子特征与推荐目标对应的目标特征输入所述预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，并基于各类滑动窗口对应的兴趣特征，确定融合兴趣特征；
[0012]根据所述融合兴趣特征，通过所述预测模型的输出模块，确定所述目标用户对所述推荐目标的点击率。
[0013]可选地，所述统计指标至少包括基于时长的统计指标、基于用户行为类别的统计指标以及基于用户行为对应目标的类别的统计指标中的一种。
[0014]可选地，分别根据预设的不同统计指标对各用户的历史行为，确定各滑动窗口，具体包括：
[0015]针对每个统计指标，基于该统计指标，确定在该统计指标对应的时长内，每个用户对各目标的累计历史行为次数；
[0016]将所述累计历史行为次数的中位数，作为窗口尺寸；
[0017]根据该窗口尺寸，确定该统计指标对应的滑动窗口。
[0018]可选地，所述预测模型的多兴趣建模模块包括：注意力模块以及融合模块；
[0019]将该类滑动窗口的各子特征与推荐目标对应的目标特征输入所述预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，具体包括：
[0020]针对该类滑动窗口的每个子特征，将该子特征与推荐目标对应的目标特征输入所述注意力模块，确定该子特征对应的兴趣子特征；
[0021]基于各兴趣子特征以及权重矩阵，通过所述融合模块，确定该类滑动窗口对应的兴趣特征。
[0022]可选地，所述注意力模块包括第一注意力模块以及第二注意力模块；
[0023]将该子特征与推荐目标对应的目标特征输入所述注意力模块，确定该子特征对应的兴趣子特征，具体包括：
[0024]根据该子特征与推荐目标对应的目标特征，通过所述第一注意力模块，确定该子特征与所述目标特征间的注意力权重；
[0025]根据所述注意力权重以及该子特征，通过所述第二注意力模块，确定该子特征对应的兴趣子特征。
[0026]可选地，根据所述融合兴趣特征，通过所述预测模型的输出模块，确定所述目标用户对所述推荐目标的点击率，具体包括：
[0027]根据点击率的其他影响因素，通过所述预测模型的其他编码模块，确定其他影响特征；
[0028]通过所述预测模型的输出模块，将所述融合兴趣特征以及所述其他影响特征拼接，得到综合特征，并根据所述综合特征，确定所述目标用户对所述推荐目标的点击率。
[0029]可选地，基于各类滑动窗口对应的兴趣特征，确定融合兴趣特征，具体包括：
[0030]将各类滑动窗口对应的兴趣特征与预设的零向量进行拼接，得到聚合特征；
[0031]根据所述聚合特征确定聚合权重，并根据所述聚合权重对所述聚合特征进行加权，得到融合兴趣特征。
[0032]本说明书提供了一种预测推荐目标的点击率的装置，包括：
[0033]输入模块，用于将目标用户的历史行为序列输入预先训练的预测模型的编码模块，得到行为序列特征；
[0034]拆分模块，用于通过所述预测模型的划分模块，针对预设的每类滑动窗口，通过该类滑动窗口将所述行为序列特征划分为若干子特征；所述各滑动窗口为分别根据预设的不同统计指标对各用户的历史行为进行统计确定的；
[0035]兴趣融合模块，用于将该类滑动窗口的各子特征与推荐目标对应的目标特征输入所述预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，并基于各类滑动窗口对应的兴趣特征，确定融合兴趣特征；
[0036]点击率确定模块，用于根据所述融合兴趣特征，通过所述预测模型的输出模块，确定所述目标用户对所述推荐目标的点击率。
[0037]本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述预测推荐目标的点击率的方法。
[0038]本说明书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并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述预测推荐目标的点击率的方法。
[0039]本说明书采用的上述至少一个技术方案能够达到以下有益效果：
[0040]在本说明书提供的预测推荐目标的点击率的方法中，通过根据预设的不同统计指标对各用户的历史行为进行统计确定的各类滑动窗口，分别对目标用户的历史行为序列对应的行为序列特征划分为若干子特征，并针对每类滑动窗口，将该类滑动窗口的各子特征与推荐目标对应的目标特征输入预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，并基于各类滑动窗口对应的兴趣特征，确定融合兴趣特征，以根据融合兴趣特征，通过该预测模型的输出模块，确定目标用户对推荐目标的点击率。
[0041]从上述方法中可以看出，本方法可通过不同的滑动窗口将行为序列特征划分为不同粒度的子特征，并基于各子特征显式地从不同角度提取表征目标用户的兴趣的特征，不易受训练样本误导，能更准确预测推荐目标的点击率。
附图说明
[0042]此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
[0043]图1为本说本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种预测推荐目标的点击率的方法，其特征在于，包括：将目标用户的历史行为序列输入预先训练的预测模型的编码模块，得到行为序列特征；通过所述预测模型的划分模块，针对预设的每类滑动窗口，通过该类滑动窗口将所述行为序列特征划分为若干子特征；所述各滑动窗口为分别根据预设的不同统计指标对各用户的历史行为进行统计确定的；将该类滑动窗口的各子特征与推荐目标对应的目标特征输入所述预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，并基于各类滑动窗口对应的兴趣特征，确定融合兴趣特征；根据所述融合兴趣特征，通过所述预测模型的输出模块，确定所述目标用户对所述推荐目标的点击率。2.如权利要求1所述的方法，其特征在于，所述统计指标至少包括基于时长的统计指标、基于用户行为类别的统计指标以及基于用户行为对应目标的类别的统计指标中的一种。3.如权利要求1或2所述的方法，其特征在于，分别根据预设的不同统计指标对各用户的历史行为，确定各滑动窗口，具体包括：针对每个统计指标，基于该统计指标，确定在该统计指标对应的时长内，每个用户对各目标的累计历史行为次数；将所述累计历史行为次数的中位数，作为窗口尺寸；根据该窗口尺寸，确定该统计指标对应的滑动窗口。4.如权利要求1所述的方法，其特征在于，所述预测模型的多兴趣建模模块包括：注意力模块以及融合模块；将该类滑动窗口的各子特征与推荐目标对应的目标特征输入所述预测模型的多兴趣建模模块，确定该类滑动窗口对应的兴趣特征，具体包括：针对该类滑动窗口的每个子特征，将该子特征与推荐目标对应的目标特征输入所述注意力模块，确定该子特征对应的兴趣子特征；基于各兴趣子特征以及权重矩阵，通过所述融合模块，确定该类滑动窗口对应的兴趣特征。5.如权利要求4所述的方法，其特征在于，所述注意力模块包括第一注意力模块以及第二注意力模块；将该子特征与推荐目标对应的目标特征输入所述注意力模块，确定该子特征对应的兴趣子特征，具体包括：根据该子特征与推荐目标对应的目标特征，通过所述第一注意力模块，确定该...
【专利技术属性】
技术研发人员：冯家琪，肖垚，李想，陈胜，
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：
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。