一种点击率预估方法技术

一种点击率预估方法，涉及互联网技术领域，具体涉及互联网界面点击率测定技术领域。所述方法使用自主设计的基于注意力机制模型对点击率进行预估，所述自主设计的基于注意力机制模型包括输入层、集成模型、因子分解机、深度模型、拼接层以及输出层；数据通过输入层分别输出到集成模型和深度模型，集成模型分别输出数据到拼接层以及因子分解机，因子分解机输出数据到拼接层，深度模型输出数据到拼接层，拼接层输出数据到输出层，输出层输出点击率的预估结果。最终测试集上本发明专利技术所述模型的AUC结果为0.7618，效果优于单独的DIN模型和单独的XGBoost模型，在点击率预估效果上得到一定程度的提升。

【技术实现步骤摘要】

本专利技术涉及互联网，具体涉及互联网界面点击率测定。

技术介绍

1、随着互联网行业的不断发展，传统的广告行业已经大规模被线上广告所替代。线上广告具有低成本、易维护、覆盖面广等特点，同时相比于传统广告，线上广告可以进行个性化推荐。根据用户点击、浏览、购买等一系列历史行为信息，给用户推送喜欢点击的广告信息，以达到广告主盈利等目的。当前广告平台中大部分以广告点击次数（cpc）方式进行计费，模型中主要使用点击率（click through rate，ctr）来评估，点击率预估结果越高，表明用户点击广告的可能性越大。对广告点击率预估的准确程度会影响到用户对广告的态度，最终影响到广告商的宣传效果、广告平台的利益及用户的体验感。

2、现有的点击率预估模型主要如下：

3、单模型：

4、（1）逻辑回归模型（logistic regression，简称lr）

5、逻辑回归模型（logistic regression，lr）虽有回归二字，但其属于分类模型，是一种广义的线性模型。该模型是互联网点击率预估中最早使用的机器学习模型之一，本文档来自技高网...

【技术保护点】

1.一种点击率预估方法，所述方法使用自主设计的基于注意力机制模型对点击率进行预估，其特征在于，所述自主设计的基于注意力机制模型包括输入层、集成模型、因子分解机、深度模型、拼接层以及输出层；

2.根据权利要求1所述的点击率预估方法，其特征在于，所述集成模型采用XGBoost模型。

3.根据权利要求2所述的点击率预估方法，其特征在于，所述因子分解机采用AFM模型。

4.根据权利要求3所述的点击率预估方法，其特征在于，在XGBoost模型中，叶子节点的输出结果输入因子分解机，XGBoost模型的最终输出结果输入拼接层。

5.根据权利要求4所述的点...

【技术特征摘要】

1.一种点击率预估方法，所述方法使用自主设计的基于注意力机制模型对点击率进行预估，其特征在于，所述自主设计的基于注意力机制模型包括输入层、集成模型、因子分解机、深度模型、拼接层以及输出层；

2.根据权利要求1所述的点击率预估方法，其特征在于，所述集成模型采用xgboost模型。

3.根据权利要求2所述的点击率预估方法，其特征在于，所述因子分解机采用afm模型。

4.根据权利要求3所述的点击...

【专利技术属性】
技术研发人员：胡海丰，赵英杰，陈冠宏，
申请(专利权)人：长春大学，
类型：发明
国别省市：