基于行为序列和特征重要性的点击率预测方法技术

本发明专利技术公开一种基于行为序列和特征重要性的点击率预测方法，包括：对公开的互联网平台数据集预处理后得到候选物品序列特征，用户历史行为特征，用户画像特征和其他特征；对处理得到的特征输入到嵌入层，将低维稀疏的特征转化为高维稠密的嵌入特征；将用户历史行为特征和候选物品序列特征对应的嵌入特征输入到用户行为序列网络中进行用户行为序列建模，得到用户的兴趣状态向量，所述用户行为序列网络包括兴趣抽取层和兴趣更新层；将用户画像特征和其他特征嵌入后的数据输入到层次注意力网络中；将上述输出拼接后输入多层神经网络中训练，得到点击率预测结果。本发明专利技术降低了计算的复杂度，提升了模型的点击率预测效率。提升了模型的点击率预测效率。提升了模型的点击率预测效率。

【技术实现步骤摘要】
基于行为序列和特征重要性的点击率预测方法


[0001]本专利技术涉及信息推荐系统
，尤其涉及一种基于行为序列和特征重要性的点击率预测方法。

技术介绍

[0002]随着信息技术和互联网行业的发展，人们的衣食住行都和互联网紧密的联系在一起，随之而来的则是信息量呈现爆发性的增长。如何从海量的数据中挖掘出有效的信息，帮助用户找到最感兴趣的物品是一个重要的问题，而推荐系统的出现极大的缓解了这个问题。
[0003]推荐系统是一种利用用户历史行为数据和其他相关信息，为用户推荐个性化内容的技术。推荐系统的出现成为了克服信息过载的有效途径，它主要利用用户信息、物品信息以及用户的显式或隐式信息，帮助用户找到有价值的物品。推荐系统框架大致划分为召回和排序两个阶段，召回是从海量的物品集中找到用户感兴趣的物品，排序则是对召回的物品进行打分，根据用户点击的概率从大到小排序。物品的点击率是衡量用户对物品喜好程度的重要指标，因此排序阶段中点击率预测在工业应用中起着至关重要的作用。点击率的准确预估有利于提高推荐系统的性能并且带来最大化的商业收益。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行为序列和特征重要性的点击率预测方法，其特征在于，包括：步骤1：对公开的互联网平台数据集预处理后得到候选物品序列特征，用户历史行为特征，用户画像特征和其他特征；所述其他特征包括品牌，价格；步骤2：对处理得到的特征输入到嵌入层，将低维稀疏的特征转化为高维稠密的嵌入特征；步骤3：将用户历史行为特征和候选物品序列特征对应的嵌入特征输入到用户行为序列网络中进行用户行为序列建模，得到用户的兴趣状态向量，所述用户行为序列网络包括兴趣抽取层和兴趣更新层；步骤4：将用户画像特征和其他特征嵌入后的数据输入到层次注意力网络中；步骤5：将步骤3和步骤4的输出拼接后输入多层神经网络中训练，得到点击率预测结果。2.根据权利要求1所述的基于行为序列和特征重要性的点击率预测方法，其特征在于，所述步骤2中，按照以下方式构建嵌入特征：设输入的数据X
i
、X
b
、X
u
、X
c
分别表示候选物品序列特征，用户历史行为特征，用户画像特征和其他特征；将稀疏特征经过嵌入层后转化为低维稠密的嵌入特征，分别表示为E
i
、E
b
、E
u
、E
c
；对于X
b
进行位置编码得到行为序列的位置编码E
pos
，按照以下方式进行行为序列嵌入：E
bs
＝E
b
+E
pos
其中E
bs
表示最终的用户历史行为嵌入特征向量，E
b
是用户历史行为的嵌入。3.根据权利要求2所述的基于行为序列和特征重要性的点击率预测方法，其特征在于，所述步骤3中，所述兴趣抽取层包括全局
‑
局部的门控模块，所述全局
‑
局部的门控模块包括全局门控模块及局部模块；所述兴趣更新层包括基于注意力机制的门控循环单元A
‑
GRU。4.根据权利要求3所述的基于行为序列和特征重要性的点击率预测方法，其特征在于，所述全局门控模块具体用于执行以下步骤：对嵌入特征向量E
bs
考虑全局信息融合，将嵌入特征向量E
bs
中每个特征嵌入使用均值池来压缩，计算全局信息p
i
，形成统计向量P，再经过两个全连接层后得到向量G；将嵌入特征向量E
bs
和全局的门控向量G，通过重新加权的方法构建全局特征嵌入V
g
。5.根据权利要求4所述的基于行为序列和特征重要性的点击率预测方法，其特征在于，所述局部模块具体用于执行以...

【专利技术属性】
技术研发人员：王瑛琦，季会勤，
申请(专利权)人：河南大学，
类型：发明
国别省市：