【技术实现步骤摘要】
本专利技术涉及数据处理，具体的，本专利技术应用于数据服务平台，特别是涉及一种基于神经网络的广告推荐方法、系统、设备及介质。
技术介绍
1、目前，在大多网络平台上均会使用广告推荐技术，而广告推荐技术可以为广告主提供更高效的广告投放方式，同时提供用户个性化的广告体验；现有技术中，存在如下广告推荐方案：
2、在涉及召回方面的广告推荐常采用协同过滤、基于内容的推荐、上下文广告推荐、基于机器学习的广告推荐以及实时竞价广告推荐；
3、在涉及排序方面的广告推荐常采用基于传统的机器学习模型（lr、svm等）、基于树模型（gbdt、随机森林、xgboost等）、基于交叉特征模型（fm、ffm、lr+gbdt等）以及基于深度学习模型（dnn、dcn、deepfm）的精排模型进行广告排序推荐；
4、以上这些技术常结合使用，根据不同广告平台进行定制化的应用，但是以上现有技术中，仍存在着如下多方面的缺陷：
5、第一方面，兴趣均衡问题：现有的广告推荐技术主要基于短期用户行为数据进行推荐，其缺乏对用户长期兴趣和变化的建模；那么推荐结果就极大可能受到用户行为的临时偏好影响，进而忽略了用户长期兴趣趋势，影响了推荐精准性；
6、第二方面，应用对象存在局限性：广告推荐技术在面对老用户时，具有较大的用户行为信息来源，能够进行正常的应用和推荐；而由于新用户缺乏足够的个人化信息，以及新广告缺乏用户的评估数据，这使广告推荐技术在面对新用户或新广告时存在一定的局限性，往往无法推荐出较为准确的结果，推荐效果也受到了限制
7、第三方面，算法具有透明性：广告推荐算法大多基于机器学习和深度学习等复杂模型构建，这导致算法的决策过程非透明；基于此，在用户端缺乏对推荐结果的解释和可控性，用户和广告主往往难以理解某个广告推荐的原因或逻辑，影响了部分用户体验感；
8、第四方面，广告灵活性差：一些广告推荐技术过于追求个性化，使用户被过度定制的广告所围绕，导致用户缺乏多样性和新颖性的体验；长周期下，极易引起用户对广告的疲劳感，降低了用户的兴趣和参与度。
技术实现思路
1、本专利技术的目的在于，提供一种基于神经网络的广告推荐方法、系统、设备及介质，进而解决现有技术中存在的上述所有缺陷或缺陷之一。
2、为解决上述技术问题，本专利技术的具体技术方案如下：
3、一方面，本专利技术提供一种基于神经网络的广告推荐方法，包括以下步骤：
4、特征处理步骤：
5、采集特征数据，并对所述特征数据进行预处理；
6、基于预处理后的所述特征数据提取用户特征以及广告特征；
7、召回处理步骤：
8、基于所述用户特征、所述广告特征以及预处理后的所述特征数据，进行热门召回以及偏好召回，得到推荐候选集；
9、精排推荐步骤：
10、基于神经网络模型对所述推荐候选集中广告进行排序处理，得到排序列表；
11、设置机制层，根据所述机制层对所述排序列表中的广告进行推荐。
12、作为一种改进的方案，所述特征数据，包括：
13、用户数据、广告数据以及上下文数据；
14、所述预处理，包括：
15、对采集的所述用户数据、所述广告数据以及所述上下文数据进行噪声去除处理、缺失值处理以及异常值处理。
16、作为一种改进的方案，所述基于预处理后的所述特征数据提取用户特征以及广告特征，包括：
17、基于预处理后的所述特征数据提取用户场景特征、用户基础属性特征以及用户行为兴趣特征作为所述用户特征；
18、基于预处理后的所述特征数据提取广告基础属性特征、广告内容特征以及广告统计特征作为所述广告特征。
19、作为一种改进的方案，所述热门召回，包括：
20、将用户历史行为数据划分为三日热门数据和七日热门数据；
21、基于所述三日热门数据中广告的用户点击数据以及曝光数据计算三日点击率；
22、基于所述七日热门数据中广告的用户点击数据以及曝光数据计算七日点击率；
23、基于所述三日热门数据中广告的阅读数据以及完读数据计算三日完读率；
24、基于所述七日热门数据中广告的阅读数据以及完读数据计算七日完读率；
25、基于所述三日热门数据中广告的点赞数据、评论数据以及收藏数据计算三日互动率；
26、基于所述七日热门数据中广告的点赞数据、评论数据以及收藏数据计算七日互动率；
27、将所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行去异常以及归一化处理；
28、将处理后的所述三日点击率、所述七日点击率、所述三日完读率、所述七日完读率、所述三日互动率以及所述七日互动率进行加权计算，得到对应广告的广告热门分；
29、在所述三日热门数据和所述七日热门数据中，基于所述广告热门分筛选热门召回广告，基于所述热门召回广告构建初始候选集。
30、作为一种改进的方案，所述偏好召回，包括：
31、分别计算用户的分类偏好得分、价格偏好得分以及品牌偏好得分；
32、基于所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分，筛选待归一化广告：
33、基于所述待归一化广告的所述分类偏好得分、所述价格偏好得分以及所述品牌偏好得分分别计算价格归一化得分、类别归一化得分以及品牌归一化得分；
34、基于所述价格权重归一化、所述类别权重归一化以及所述品牌权重归一化得分计算用户偏好分；
35、计算所述待归一化广告的广告热门分，基于所述待归一化广告的广告热门分选取所述待归一化广告加入所述初始候选集；
36、对所述待归一化广告的所述用户偏好分以及广告热门分进行融合加权计算，得到最终得分；
37、根据所述最终得分筛选所述待归一化广告再次加入所述初始候选集，得到所述推荐候选集。
38、作为一种改进的方案，所述神经网络模型训练时，将分类处理后的特征数据作为所述神经网络模型的输入；
39、在输入时，将特征数据转换为长数组，采用dnn模型构造三层模型结构；
40、在训练时，在所述神经网络模型的三层全连接上引入dropout技术。
41、作为一种改进的方案，所述机制层，包括：对于同品牌广告的混淆推荐机制、对于相同广告的推荐时长限制以及设置基于用户类别的推荐机制；
42、所述根据所述机制层对所述排序列表中的广告进行推荐，包括；
43、设置对于同品牌广告的混淆推荐机制；
44、设置对于相同广告的推荐时长限制；
45、设置基于用户类别的推荐机制；
46、基于所述混淆推荐机制、所述推荐时长限制以及所述基于用户类别的推荐机制对所述排序列表中的广告进行分类推荐。...
【技术保护点】
1.一种基于神经网络的广告推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
3.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
4.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
5.根据权利要求4所述的一种基于神经网络的广告推荐方法，其特征在于：
6.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
7.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
8.一种基于神经网络的广告推荐系统，其特征在于，包括：特征处理模块、召回处理模块和精排推荐模块；
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1~7中任一项所述基于神经网络的广告推荐方法的步骤。
10.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信
...【技术特征摘要】
1.一种基于神经网络的广告推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
3.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
4.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
5.根据权利要求4所述的一种基于神经网络的广告推荐方法，其特征在于：
6.根据权利要求1所述的一种基于神经网络的广告推荐方法，其特征在于：
7.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：孙明珠，
申请(专利权)人：苏州摩多多信息科技有限公司，
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。