[发明专利]一种在线招聘广告推荐的实时竞价方法及其系统

权利要求书

1.一种在线招聘广告推荐的实时竞价方法；其特征在于；其包括以下步骤：

步骤1、求职人员登录网页，广告供应平台通过求职人员ID在与所述广告供应平台相对应的求职人员信息数据库中搜索并获取求职人员信息特征集合；

步骤2、广告供应平台将求职人员的信息特征集合传送到广告交易平台，广告交易平台发送包含求职人员信息特征集合的竞价请求信号到广告需求平台；

步骤3、广告需求平台根据竞价请求信号搜索匹配的广告信息特征集合；

步骤4、广告交易平台对求职人员信息特征集合和广告信息特征集合进行匹配竞价：将参与竞价的广告主的广告信息特征集合与求职人员信息特征集合结合生成广告点击记录，将广告点击记录分别存储到线下广告点击记录数据库和在线广告点击记录数据库；

步骤5、数据处理模型：将线下广告点击记录数据库的广告点击记录输入到数据处理模型中进行数据处理并更新，将在线广告点击记录数据库中广告点击记录输入数据处理模型进行数据处理；

步骤6、基于多目标优化参数更新自动编码器集成模型MO-AE，将所有经过数据处理模型处理的带有标签的线下广告点击记录输入到MO-AE模型，更新MO-AE模型，将经过数据处理模型处理的线上广告点击记录输入MO-AE模型中，进行对应广告点击记录标签预测，具体步骤为：

定义：MO-AE模型，是一个基于多目标优化(Multi-objective Optimization)参数更新的自动编码器(AutoEncoder)集成模型；

定义：设置多层自动编码器，分别是输入层、多层隐藏层、输出层；

定义：H为自动编码器个数

定义：Minimize：

其中，h表示集成模型中第h个自动编码器，表示第h个自动编码器的第i个广告点击记录的真实输出值，Err_h表示第h个自动编码器的误差函数，E表示广告点击记录总体样本，y_i表示第i个广告点击记录标签；

定义：Minimize:

其中ave(j)表示所有自动编码器第i个广告点击记录真实输出的平均值；

定义：Minimize:

其中V(v)表示MO-AE模型的目标函数，表示第g代种群的第h个候选集，分别表示两个函数Err(v)、Div(v)的权重值；

步骤6.1：将所有经过数据模型处理的带有标签的线下广告点击记录输入到MO-AE模型对模型进行更新；

步骤6.2：初始化种群及MO-AE模型中各参数值；

定义：L：领域大小

G：最大迭代次数

通过随机抽样产生第一代初始化种群其中表示第一代中第h个自编码器的候选集，包含第h个自编码器中所有参数，包括隐藏层数η^h、第t个隐藏层神经元个数权重偏置项学习速率α^h，即

步骤6.3：为H个自动编码器产生均匀分布的随机权重向量{w¹,w²,…,w^h…,w^H}，其中h∈{1,2,…,H}，表示第h个自动编码器的权重，对于任意一个w^h，有L个比较相近的数值(L≤H)；

步骤6.4：进化算法

在第g(g＝1,2,3...,G)次迭代中随机从L中随机抽取两个权重w^j,w^k及其对应的候选集经过交叉变异得到：

其中F为缩放因子，在[0,2]之间选择，rnd_g(0,1)表示第g代时，在[0,1]之间服从均匀分布随机数；

初始化V^*＝V(v₁)

若

则替代其中

步骤6.4.1交叉变异后第g+1代候选集个数为H；

步骤6.5：更新种群；

若V(v_g)V(v_g+1)，则V^*＝V(v_g+1)，v_g+1替代v_g，其中v_g，v_g+1分别表示第g代和第g+1代种群；

步骤6.5.1：到达第G代时，记录V^*值，以及种群v_G；

步骤6.6：将种群v_G中候选集输入集成自动编码器，计算ave(i)；

步骤6.6.1：将在线广告点击记录输入MO-AE模型中，如果ave(i)0.5，则第i个在线广告点击记录经过MO-AE模型后，输出预测广告点击记录标签值为y_i＝1的广告信息特征；

步骤6.7：MO-AE模型将输出为1所对应的广告信息特征传送到广告供应平台；

步骤7、广告供应平台根据MO-AE模型对线上广告点击记录标签预测为1的广告点击记录，得到对应广告信息特征，进行网页广告投放和求职人员在线广告推荐。