[发明专利]点击通过率预估方法、装置、设备及存储介质

权利要求书

1.一种点击通过率预估方法，其特征在于，所述方法包括：

获取目标数据，根据所述目标数据确定与目标用户相关联的特征数据；

将所述特征数据输入预设的CTR预估模型，基于所述CTR预估模型的隐藏层对所述特征数据进行分析，得到所述特征数据与待选对象的特征之间的关联特征向量；

基于注意力机制和所述CTR预估模型的特征交互层，对所述待选对象的特征和所述关联特征向量进行交互处理，得到交互特征向量；

基于所述CTR预估模型的特征融合层对所述交互特征向量进行融合分析，得到所述特征数据的权重特征向量；

将所述权重特征向量和所述特征数据输入所述CTR预估模型的深度神经网络层进行分析，得到所述待选对象的点击通过率。

2.根据权利要求1所述的点击通过率预估方法，其特征在于，所述目标数据包括目标用户在预设时长内浏览待选对象的数据；所述根据所述目标数据确定与目标用户相关联的特征数据，包括：

根据目标用户在预设时长内浏览待选对象的数据，确定目标用户的点击行为特征、用户属性特征和上下文描述满意度；

其中，所述点击行为特征、所述用户属性特征和所述上下文描述满意度为与所述目标用户相关联的特征数据。

3.根据权利要求2所述的点击通过率预估方法，其特征在于，所述基于所述CTR预估模型的隐藏层对所述特征数据进行分析，得到所述特征数据与待选对象的特征之间的关联特征向量，包括：

基于所述CTR预估模型的隐藏层对所述待选对象的特征和所述点击行为特征进行关联度分析，得到第一特征向量；

基于所述CTR预估模型的隐藏层对所述待选对象的特征和所述用户属性特征进行关联度分析，得到第二特征向量；

基于所述CTR预估模型的隐藏层对所述待选对象的特征和所述上下文描述满意度进行关联度分析，得到第三特征向量；

以所述第一特征向量、所述第二特征向量和所述第三特征向量为所述关联特征向量。

4.根据权利要求2或3任一项所述的点击通过率预估方法，其特征在于，所述基于注意力机制和所述CTR预估模型的特征交互层，对所述待选对象的特征和所述关联特征向量进行交互处理，得到交互特征向量，包括：

通过所述CTR预估模型的特征交互层对各所述关联特征进行分析，得到各所述关联特征的均值和方差；

基于多头注意力机制对所述待选对象的特征与所述均值和方差进行关联映射分析，得到所述目标用户行为状态特征映射矩阵；

根据所述行为状态映射矩阵确定用户行为状态特征与所述待选对象的特征之间的关联度；

根据各所述用户行为状态特征与所述待选对象的特征之间的关联度，得到所述交互特征向量。

5.根据权利要求4所述的点击通过率预估方法，其特征在于，所述根据所述行为状态映射矩阵确定用户行为状态特征与所述待选对象的特征之间的关联度，包括：

将所述行为状态特征映射矩阵输入所述CTR预估模型的前馈网络进行聚合分析，得到所述目标用户的聚合行为状态；

将所述聚合行为状态和所述待选对象的特征代入第一公式，计算用户行为状态特征与所述待选对象的特征之间的关联度。

6.根据权利要求5所述的点击通过率预估方法，其特征在于，所述基于所述CTR预估模型的特征融合层对所述交互特征向量进行融合分析，得到所述特征数据的权重特征向量，包括：

基于所述CTR预估模型的特征融合层将各个所述交互特征向量进行合并，生成高阶特征向量；

将各个所述交互特征向量中各交互特征代入第二公式，计算各所述交互特征对所述待选对象的影响权重值；

将所述影响权重值与各个所述交互特征进行相乘，得到各权重特征值，根据各所述权重特征值生成所述权重特征向量。

7.根据权利要求6所述的点击通过率预估方法，其特征在于，所述第二公式表示为：

其中，Rg表示交互特征对备选商品的影响权重值，i表示合并得到的高阶特征向量包含的交互特征数，r_l表示第l个交互特征数据，w_l表示第l个交互特征数据对应的敏感度，为预设的加权参数。