一种基于深度多行为网络的广告点击率预测方法技术

本发明专利技术属于广告点击率预测领域，具体涉及一种基于深度多行为网络的广告点击率预测方法，包括：获取用户和广告的相应数据信息，该相应数据信息包括用户与广告基本信息数据、广告曝光数据以及用户行为日志数据；对相应数据信息数据信息进行预处理；提取预处理后数据信息的特征，该特征包括序列特征、用户特征、广告特征以及上下文特征；将数据信息特征输入到训练好后的基于深度多行为网络的广告点击率预测模型中，得到广告点击率预测结果；本发明专利技术提出了基于动态Dropout的兴趣融合模块，该模块能够捕捉到用户行为分布的差异，有效地对用户兴趣进行融合，避免模型过拟合至某类行为表征。避免模型过拟合至某类行为表征。避免模型过拟合至某类行为表征。

【技术实现步骤摘要】
一种基于深度多行为网络的广告点击率预测方法


[0001]本专利技术属于广告点击率预测领域，具体涉及一种基于深度多行为网络的广告点击率预测方法。

技术介绍

[0002]现如今社会处于一个信息爆炸的时代，琳琅满目的商品往往让用户难以抉择，尤其是在手机上选择商品时，在海量的商品中选出心仪的商品显得尤为重要。因此，通过点击率(Click through rate，简称CTR)预估来向用户推荐商品成为了一个重要的技术。
[0003]现有的序列模型在将用户行为引入CTR预估之后，虽然取得了较传统推荐算法更好的预测准确率，但是现有的技术往往引入的用户行为序列类型比较单一，往往只引入用户的历史点击行为序列，并且对于用户行为的建模方法也有一定的改进空间。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术提出了一种基于深度多行为网络的广告点击率预测方法，该方法包括：获取用户和广告的相应数据信息，该相应数据信息包括用户与广告基本信息数据、广告曝光数据以及用户行为日志数据；对相应数据信息数据信息进行预处理；提取预处理后数据信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度多行为网络的广告点击率预测方法，其特征在于，包括：获取用户和广告的相应数据信息，该相应数据信息包括用户与广告基本信息数据、广告曝光数据以及用户行为日志数据；对相应数据信息数据信息进行预处理；提取预处理后数据信息的特征，该特征包括序列特征、用户特征、广告特征以及上下文特征；将数据信息特征输入到训练好后的基于深度多行为网络的广告点击率预测模型中，得到广告点击率预测结果；对基于深度多行为网络的广告点击率预测模型进行训练的过程包括：S1：获取用户历史广告点击数据，并数据进行预处理；其中用户历史广告点击数据包括用户行为序列特征、广告特征、用户特征以及环境特征；S2：将户行为序列特征、广告特征、用户特征以及环境特征输入到特征嵌入层，生成户行为序列特征向量表示、广告特征向量表示、用户特征向量表示以及环境特征向量表示；S3：将户行为序列特征向量表示输入到深度多行为网络中，提取用户的行为特征；S4：将深度多行为网络的输出的多种用户行为特征输入到多行为融合模块中，得到用户行为融合特征；S5：将广告特征向量表示、用户特征向量表示以及环境特征向量表示输入到深度交叉网络中，得到广告上下文融合特征；S6：将用户行为融合特征和广告上下文融合特征进行融合后输入到全连接层，得到广告点击率预测结果；S7：根据广告点击率预测结果计算模型的损失函数，并采用Adam优化算法对模型的参数进行优化，当损失函数收敛时完成模型的训练。2.根据权利要求1所述的一种基于深度多行为网络的广告点击率预测方法，其特征在于，户行为序列特征包括长期点击后行为序列、长期点击行为序列、短期点击行为序列以及短期曝光行为序列。3.根据权利要求1所述的一种基于深度多行为网络的广告点击率预测方法，其特征在于，对数据进行预处理包括：将数据中的点击后行为按照映射改为<浏览，加购，喜欢，购买，
…
><1,2,3,4,...>；将数据中的连续型特征经过分桶处理改为离散型特征。4.根据权利要求1所述的一种基于深度多行为网络的广告点击率预测方法，其特征在于，深度多行为网络包括长期点击后行为序列建模模块、长期点击行为序列建模模块、短期点击行为序列建模模块以及短期曝光新闻个序列建模模块；长期点击后行为序列建模模块对输入数据进行处理的过程包括：长期点击后行为序列与候选广告特征向量输入到稀疏多头注意力层进行注意力特征提取；将提取的特征与输入序列金加和...

【专利技术属性】
技术研发人员：孙开伟，宣立德，刘虎，冉雪，李彦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：