一种使用深度学习预估制造技术

本申请涉及深度学习

【技术实现步骤摘要】
一种使用深度学习预估AIGC生成广告点击通过率的方法


[0001]本申请涉及深度学习
、AIGC、
并行结构
CTR
预估
、
域矩阵因子分解机技术，特别是涉及一种使用深度学习预估
AIGC
生成广告点击通过率的方法
。

技术介绍

[0002]AIGC(AI
‑
Generated Content)
指的是人工智能生成内容
。
它可以利用机器学习和深度学习算法来生成各种形式的广告内容，包括文案
、
图片和视频等
。
与传统广告生成方式相比，
AIGC
能够显著提高广告生成的效率和精准度
。
此外，
AIGC
还可以不断优化广告内容，提高广告的点击率和转化率，从而为广告主带来更好的营销效果
。
[0003]推荐系统通常由召回和排序两个模块组成
。
其中，点击通过率
(Click
‑
Through Ra本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种使用深度学习预估
AIGC
生成广告点击通过率的方法，其特征在于：包括以下步骤：
1)
获取并获取点击通过率预估所需的数据集，根据8：1：1的比例划分为训练集
、
验证集和测试集；
2)
数据输入层，对数据集进行预处理，将连续特征离散化，并且对离散特征进行独热编码；
3)
在特征嵌入层，使用嵌入技术，将
2)
中输出的高维稀疏的特征向量转变为低维且稠密的特征嵌入向量；
4)
特征交互层中的浅层模型，将特征嵌入层的输出输入到特征交互层中的域矩阵因子分解机
(Field
‑
matrixed Factorization Machine
，
FmFM)
，在
FmFM
中通过域矩阵进行低阶特征交互，并且考虑到了特征交互之间的多语义问题
。5)
特征交互层中的深层模型，将特征嵌入层的输出输入到特征交互层中的增强深度神经网络
(Enhanced Deep Neural Network
，
EDNN)
，在
EDNN
中进行高阶特征交互，并且通过桥接模块
(Bridge Module)
来避免过度泛化
。6)
预测层
。
将低阶特征交互和高阶特征交互的结果进行集成，然后通过
Sigmoid
进行非线性映射，将模型预测值映射到
(0,1)
之间，得到最终的
CTR
预估值
。2.
根据权利要求1所述的一种使用深度学习预估
AIGC
生成广告点击通过率的方法，其特征在于，所述的并行结构
CTR
预估模型的浅层模型是
FmFM
，通过域矩阵对特征进行二阶交互，并有效解决了特征交互存在的多语义问题
。3.
根据权利要求1所述的一种使用深度学习预估
AIGC
生成广告点击通过率的方法，其特征在于，所述的并行结构
CTR
预估模型的浅层模型是
EDNN
，通过在普通
DNN
的层与层之间添加桥接模块，防止模型过度泛化
。4.
根据权利要求1所述的一种使用深度学习预估
AIGC
生成广告点击通过率的方法，其特征在于，所述基于所述并行结构
CTR
预估模型的模型架构，将所述浅层模型的输出和所述深层模型的输出进行融合，从而得到
CTR
预估值，具体包...

【专利技术属性】
技术研发人员：陈乔松，黄泽锰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：