基于CTR预测模型的目标推荐方法及装置制造方法及图纸

本公开涉及机器学习技术领域，提供了一种基于CTR预测模型的目标推荐方法及装置。该方法包括：利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；利用特征生成网络和特征分类网络构建CTR预测模型；依据推荐任务对CTR预测模型进行训练，利用训练后的CTR预测模型执行推荐任务。采用上述技术手段，解决现有技术中，CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。题。题。

【技术实现步骤摘要】
基于CTR预测模型的目标推荐方法及装置


[0001]本公开涉及机器学习
，尤其涉及一种基于CTR预测模型的目标推荐方法及装置。

技术介绍

[0002]推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看等，都有其身影。用户点击预测(Click Through Rate，CTR)是推荐系统中的关键任务，它可以估计用户点击一个item的概率，用于执行CTR任务的称之为CTR预测模型。对于CTR预测最关键的是如何有效选择特征交互，然而目前在CTR预测中特征交互比较少，比较稀疏。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种基于CTR预测模型的目标推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。
[0005]本公开实施例的第一方面，提供了一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CTR预测模型的目标推荐方法，其特征在于，包括：利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；利用所述特征生成网络和所述特征分类网络构建CTR预测模型；依据推荐任务对所述CTR预测模型进行训练，利用训练后的所述CTR预测模型执行所述推荐任务。2.根据权利要求1所述的方法，其特征在于，依据推荐任务对所述CTR预测模型进行训练，包括：获取所述推荐任务对应的训练数据集；将所述训练数据集中的训练样本输入所述CTR预测模型：所述特征生成网络中的嵌入层对所述训练样本进行处理，输出多个多维嵌入特征向量；所述特征生成网络中的多组特征生成层对多个多维嵌入特征向量进行处理，输出多个多维交互特征向量，其中，每组特征生成层输出一个多维交互特征向量；所述特征分类网络对多个多维嵌入特征向量和多个多维交互特征向量进行处理，得到分类结果；利用交叉熵损失函数计算所述分类结果和所述训练样本对应的标签之间的损失值，利用所述损失值优化所述CTR预测模型的模型参数，以完成对所述CTR预测模型的训练。3.根据权利要求1所述的方法，其特征在于，所述嵌入层后接多组并列的特征生成层，作为所述特征生成网络。4.根据权利要求2所述的方法，其特征在于，所述特征分类网络对多个多维嵌入特征向量和多个多维交互特征向量进行处理，得到分类结果，包括：将多个多维嵌入特征向量和多个多维交互特征向量输入所述特征分类网络：所述特征分类网络中的特征拼接层对多个多维嵌入特征向量和多个多维交互特征向量进行拼接，得到拼接特征向量，其中，所述拼接特征向量包括多个一维特征向量；所述特征分类网络中的特征组合层对所述拼接特征向量中每任意两个一维特征向量进行组合，得到多个组合特征；多个组合特征依次经过多层感知机和softmax层，得到分类结果。5.根据权利要求4所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：董辉，暴宇健，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：