[发明专利]一种基于特征组合与表示学习的点击转化率预测方法

说明书

本发明属于电商大数据推荐领域，特别涉及一种基于特征组合与表示学习的点击转化率预测方法，包括；获取书城电商平台销售数据和基础数据，包括用户数据和书籍数据；通过表示学习与特征组合的方法获取用户数据和书籍数据中的隐藏的属性特征；通过与特征组合与表示学习的联合训练建立预测模型，将获得的隐藏的属性特征作为输入，通过该模型得到点击转化率预测结果本发明针对文本等特征进行深度挖掘得到完整特征空间，通过分析图书营销活动的动态性来预测点击购买的转化率，本发明能够针对书城电商平台提升精准营销的效果。

技术领域

本发明属于电商大数据推荐领域，特别涉及一种基于特征组合与表示学习的点击转化率预测方法。

背景技术

随着网购平台的发展，各大互联网电商平台的竞争日益激烈，阿里、Amazon、Criteo等厂商团队都在针对电商平台打造一个点击率预测模型或点击转化率模型来提高广告相关性的用户体验从而提高收入。近两年，各大著名电商平台将预测模型应用于自己的线上系统对实现了一定程度上的精准营销。可见，一个有效的点击率预测方法或者点击转化率模型，对电商平台的利益以及对用户的购物体验都有很大的提升。

在当前的电商平台中，尽管营销人员想知道网络访问者的反应，但是使用当前技术几乎不可能量化对网站的情感反应以及该网站对公司品牌的影响。不过，点击率和点击后的购买转化率很容易获得。点击率衡量的是页面访问者数量与该页面商品广告点击后并将其重定向到另一个页面的访问者的比例，在该页面中，他们可以购买商品或了解有关产品或服务的更多信息。而点击转化率则是点击后购买的次数与点击次数的比率。

通常，点击率越高，则表明该广告商品更有商业价值或是该营销活动更吸引人。而点击后的购买转化率则更能够反映一个书籍的商业价值。大多数电商网站旨在通过点击率和点击后的购买转化率预测来调整主页商品广告的展示，做个性化推荐，或者调整新商品的进货量。

各大互联网研究团队以及学者在近几年对于点击率，点击转化率模型相关的研究突破主要在以下两方面：一方面是通过深度学习模型代替传统的机器学习方法，代替了初期工业界广泛应用的逻辑回归模型。另一方面是研究者们针对电商平台大量高维稀疏特征间的特征组合问题做出了一定的研究。但是现阶段针对书城电商平台仍存在以下不足：

1.在图书电商平台中，交互特征信息以及大量文本信息中所包含的丰富隐藏信息往往是关键信息，挖掘这些隐藏信息比较困难，单纯地采用自动特征组合模型难以在特定商品电商平台中取得好的效果。

2.图书电商平台中文本类特征复杂多样，基于文档建模的方法通过额外使用文本数据(如摘要或概要)能有效提高预测准确性，但如何在不损失文本核心信息下减少特征词，提取有效特征从而简化计算显然是一个问题。

3.用户连续购买多本图书间随时间变化的关联程度以及营销活动热度随时间变化的程度，这一系列变化对整个模型的预测准确性带来了挑战。

发明内容

针对上述不足，本发明提出一种基于特征组合与表示学习的点击转化率预测方法，具体包括以下步骤：

S1、获取书城电商平台销售数据和基础数据，包括用户数据和书籍数据；

S2、通过表示学习与特征组合的方法获取用户数据和书籍数据中的隐藏的属性特征；

S3、通过与特征组合与表示学习的联合训练建立预测模型，将获得的隐藏的属性特征作为输入，通过该模型得到点击转化率预测结果。

进一步的，通过表示学习与特征组合的方法获取隐藏的属性特征具体包括：

S21、构建图书-用户-活动特征矩阵Triad＝[bo_i,bu_i,a_i]；