一种CTR预估模型推荐方法技术

本发明专利技术公开了一种CTR预估模型推荐方法，包括获取并处理数据集样本，得到用户特征向量、物品特征向量、上下文特征向量和用户行为特征向量；构建滤波器，对用户行为特征向量过滤和池化，得到用户行为过滤特征向量；利用门控机制对用户特征向量、物品特征向量和上下文特征向量处理，得到用户‑物品高阶交叉特征、用户‑上下文高阶交叉特征和物品‑上下文高阶交叉特征；利用多层感知器，由用户行为过滤特征向量、用户‑物品高阶交叉特征、用户‑上下文高阶交叉特征和物品‑上下文高阶交叉特征得到点击预测结果；构建损失函数、对CTR预估模型进行训练。本发明专利技术过滤与用户当前兴趣偏差的行为，对高阶特征之间的深层隐藏关系和规律特征做出判断。

【技术实现步骤摘要】

本专利技术涉及深度学习，具体涉及一种ctr预估模型推荐方法。

技术介绍

1、随着互联网的日益普及，人们在网上购物或浏览信息时有了更多的选择，然而互联网海量的信息使得人们不可能选择到符合自己需求或喜好的产品，只能通过精确的搜索来购物，这降低了购物的效率和用户的购物体验。推荐系统作为一种信息过滤系统，通过学习用户的个人偏好和历史行为来预测用户的偏好，这不仅为卖家节省了广告成本，也改善了用户的购物体验。

2、点击率(click-through rate,ctr)预估模型是推荐系统的重要组成部分，通过分析用户的历史点击行为和已知的上下文特征，分析推荐目标的点击概率。常见的ctr预估模型包括因子分解机(factorization machine,fm)和逻辑回归(logistic regression,lr)作为基本模型，这些基本模型主要是通过手动或自动交叉构建特征向量来获得点击率预测，但是基本模型只能预测特征表面上的关系，无法对高阶特征之间的深层隐藏关系和规律特征做出有效判断。

3、因此，本专利技术提供了一种ctr预估模型推荐方法，以至少解本文档来自技高网...

【技术保护点】

1.一种CTR预估模型推荐方法，其特征在于，包括：

2.根据权利要求1所述的一种CTR预估模型推荐方法，其特征在于，步骤2中，采用CTR预估模型的输入层对数据集样本中的数据进行向量嵌入，得到用户特征向量、物品特征向量、上下文特征向量和用户行为特征向量。

3.根据权利要求1所述的一种CTR预估模型推荐方法，其特征在于，步骤3中，利用滤波器对用户行为特征向量进行过滤包括：假设用户行为特征向量c=[c1,c2,...,ci,...,cn]，预设的目标物品特征为cy，通过目标物品特征cy过滤得到过滤后的用户行为特征向量；

4.根据权利要求3所述的一种CTR预估...

【技术特征摘要】

1.一种ctr预估模型推荐方法，其特征在于，包括：

2.根据权利要求1所述的一种ctr预估模型推荐方法，其特征在于，步骤2中，采用ctr预估模型的输入层对数据集样本中的数据进行向量嵌入，得到用户特征向量、物品特征向量、上下文特征向量和用户行为特征向量。

3.根据权利要求1所述的一种ctr预估模型推荐方法，其特征在于，步骤3中，利用滤波器对用户行为特征向量进行过滤包括：假设用户行为特征向量c=[c1,c2,...,ci,...,cn]，预设的目标物品特征为cy，通过目标物品特征cy过滤得到过滤后的用户行为特征向量；

4.根据权利要求3所述的一种ctr预估模型推荐方法，其特征在于，步骤3中，对过滤后的用户行为特征向量进行池化聚合，得到用户行为过滤特征向量包括：通过聚合池化层将过滤后的用户行为特征向量转化为用户行为过滤特征向量，。

5.根据权利要求4所述的一种ctr预估模型推荐方法，其特征在于，步骤4中，...

【专利技术属性】
技术研发人员：谷满昌，张琪浩，
申请(专利权)人：云筑信息科技成都有限公司，
类型：发明
国别省市：