[发明专利]一种基于深度学习的商品点击率预测方法

说明书

本发明公开的一种基于深度学习的商品点击率预测方法，包括以下步骤：通过商品信息计算商品相似度，建立商品相似度函数；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并选取排序最大的商品进行填充，得到多变量时间序列；将多变量时间序列输入时序模型，进行迭代得到特征时间序列；对商品用独热编码，得到商品词向量，将特征时间序列与商品词向量进行交互得到交互时间序列；分别计算特征时间序列损失值和交互时间序列损失值，得到商品的预测点击率，本发明通过填补得到完整销售时间序列并输入到时序网络，获得商品点击率预测；商品相似度函数计算得到近似商品，为用户提供优质的商品消费服务。

技术领域

本发明涉及时间序列预测的研究领域，特别涉及一种基于深度学习的商品点击率预测方法。

背景技术

随着网络技术的发展和个人电脑以及手机等上网设备的普及，在网络电商平台购物已经成为现代人生活必不可少的组成部分。从淘宝，京东的蓬勃发展到现在拼多多疯狂抢占空余市场，这些电商平台无时无刻不在产生大量数据，这些基于用户点击的商品数据由于超大的数量，在宏观上能够表达很多重要信息，例如某种商品是否流行，在同类商品中具有哪些特质的商品会特别受到消费者青睐。如果能够通过机器学习方法将这些重要特质挖掘出来，对未来商品的挑选、采购以及电商平台的广告投放以及精准推送有着极其重大的意义。

对于电商平台，其上线商品种类日益繁多，各种不同类型的商品数量日益激增，为了适应人们多变的时尚需求以及保证平台较好的盈利率，需要及时地从网络商店后台的品种繁多的海量商品数据中精确的检索出所适合上线的商品以及针对不同用户去挖掘其潜在会感兴趣的商品信息并进行相应的推荐，这不仅需要耗费大量时间进行前期数据分析和研究，也是一个亟待解决的技术难题。对于这些问题的深入研究不仅具有重要的学术理论意义，而且也具有重要的实际应用价值。

在电商平台所在的大数据环境中，需要为亿万用户提供多种商品服务，而在提供服务前，需要事先进行大量商品的采购服务。面对海量商品，需要通过商品点击率预测，来支撑采购业务应用体系，从而保证所采购的商品具有高的关注度，具体表现为点击率高。为用户提供更加优质的商品消费服务，并让用户体验到所见即所需，免于被海量无兴趣商品信息包围的困扰，并为商业决策提供科学的数据服务，提升商品消费电商行业的服务质量。

然而常见的商品销售模式是商品在电商平台根据自己的销售情况或者电商的营销策略时刻调整商品上架或者下架，造成商品销售数据的时间序列(包含商品的总体点击率、折扣、价格等)在时间维度大量缺失，需要在建模的时候就考虑对商品销售时间序列中的缺失值做什么处理，以及应该对模型进行针对缺失值的改进来处理这个问题，目前缺少具体的实施方案。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于深度学习的商品点击率预测方法，对有大量缺失值的商品销售时间序列进行建模，从而减少缺失值对真实值造成的影响以便准确预估商品在未来的总体点击率。

本发明的目的通过以下的技术方案实现：

一种基于深度学习的商品点击率预测方法，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，得到特征时间序列；

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。