[发明专利]一种基于深度学习的商品点击率预测方法

权利要求书

1.一种基于深度学习的商品点击率预测方法，其特征在于，包括以下步骤：

S1、获取商品信息，并通过商品信息计算商品相似度，建立商品相似度函数；

S2、根据商品销售时间进行分类，对于缺失商品销售时间序列的商品，通过商品相似性函数进行近似值排序，选择近似值排序最大的商品进行填充，得到多变量时间序列；

S3、将多变量时间序列输入时序模型，进行深度网络学习迭代，得到迭代后的特征时间序列，具体为：

对于多变量时间序列，

其中，x_t,t∈{1,2,...,T}表示在时间s_t商品的销售记录；

为了区分本商品真实观测值和近似商品填充值的差别，定义：

其中，m_t,t∈{1,2,...,T}表示在时间s_t，x_t是否为商品的真实销售记录，若有记录，则m_t取值为1；若没有记录，则m_t取值为0；

定义:

其中，δ_t表示商品A的真实销售记录距离上一个真实销售记录的时间间隔；

将多变量时间序列输入时序模型，进行深度网络学习迭代，得到特征时间序列，同时按照真实销售记录的时间间隔对时序模型的隐藏状态进行衰减，区分主商品和填充商品在数据序列中的重要性；定义在时间步t时刻的衰减因子γ_t，用sigmoid函数对衰减因子控制在0到1之间，则有：

γ_t＝sigmoid{-max(0,W_γδ_t+b_γ)}，

其中，W_γ表示作用在时间间隔上权重矩阵，b_γ表示偏置，γ_t为时间步t时刻的衰减因子；

隐藏状态从当前状态一直衰减至零，隐藏状态的每个特征都有同样的衰减因子，衰减因子与隐藏状态做哈达玛积之后得到衰减隐藏状态；在每一个时间步计算之前都把隐藏状态进行衰减，然后用GRU更新方程进行迭代，得到特征时间序列：

其中，N₁是GRU隐藏单元的数量，g_t,t∈{1,2,…,T}表示在时间步t时刻时序模型的隐藏状态；

把每个时间步的隐藏状态输出到一个全连接层，得到每个时间步的点击率预测值；

S4、对商品用独热编码，得到商品词向量，经过排序，得到商品词向量序列，将特征时间序列与商品词向量序列进行交互，得到交互时间序列；

S5、分别计算得到特征时间序列的损失值和交互时间序列的损失值，通过全连接网络得到商品的预测点击率。

2.根据权利要求1所述的一种基于深度学习的商品点击率预测方法，其特征在于，所述商品信息包括商品图片、商品标题、商品价格、商品品牌。