[发明专利]点击通过率预估方法、装置、设备及存储介质

说明书

本申请涉及AI技术领域，并公开了一种点击通过率预估方法、装置、设备及存储介质；通过将与目标用户相关联的特征数据输入预设的CTR预估模型，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，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。提高了CTR预测的准确性。

技术领域

本申请涉及AI技术领域，尤其涉及一种点击通过率预估方法、装置、设备及存储介质。

背景技术

点击通过率(Click-Through-Rate,CTR)是指网络广告的点击到达率，对预估广告场景中推荐系统的性能起着非常重要的作用。

目前，常采用CTR预估模型进行CTR预估，常见的CTR预估模型是在稀疏特征数据的基础上，基于相同的特征数据权重训练而成的。但是，由于CTR是由多个特征数据相互影响与制约且不同特征数据对CTR的影响权重不同。导致现有的CTR预估模型存在较大的预估误差。

发明内容

本申请提供了一种点击通过率预估方法、装置、设备及存储介质，通过在CTR预估模型中引入特征交互层和特征融合层，得到与目标用户相关联的特征数据的权重特征向量，进而基于各特征数据和各特征数据的权重特征向量进行CTR预测，提高了CTR预测的准确性。

第一方面，本申请提供了一种点击通过率预估方法，所述点击通过率预估方法包括：

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。

第二方面，本申请还提供了一种点击通过率预估装置，包括：

确定模块，用于获取目标数据，根据所述目标数据确定与目标用户相关联的特征数据；

得到模块，用于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；

处理模块，用于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；

第一分析模块，用于基于所述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；

第二分析模块，用于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。

第三方面，本申请还提供了一种点击通过率预估设备，包括：

存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上第一方面所述的点击通过率预估方法的步骤。