[发明专利]点击率预估方法、系统、可读存储介质及计算机设备

说明书

本发明提供一种点击率预估方法、系统、可读存储介质及计算机设备，方法包括：当获取到点击率预估任务时，将用户行为序列进行序列划分得到多个行为序列段；将各行为序列段通过商品初始嵌入表转换成嵌入向量；通过自注意力网络对各嵌入向量计算出第一兴趣表征向量；通过异质性学习模型和相关性学习模型对各第一兴趣表征向量计算出异质性指标和相关性指标；根据各异质性指标和各相关性指标得到各行为序列段在点击率预估任务中的权重及第二兴趣表征向量；根据第二兴趣表征向量和全连接神经网络得到最终预估结果。本发明通过综合学习行为序列段中各行为之间的关系及目标与行为序列段中行为之间的关系，减少高异质性及低相关性行为序列段的负面影响。

技术领域

本发明涉及互联网技术领域，特别涉及一种点击率预估方法、系统、可读存储介质及计算机设备。

背景技术

随着计算机计算能力的不断提升，线上广告系统实现了远超传统广告模式的触达效率与实际效益。在实际电子商务环境下，由于用户群体分布广泛，需求多样，同时广告种类丰富，通过固定规则向不同用户展示类似广告极大限制了线上广告系统的营收能力。点击率预估技术就是结合不同用户群体与待分发广告的特征，利用神经网络或综合性模型在历史数据上进行参数训练，进而完成针对不同用户预估对特定广告的点击概率任务。在实际生活中有着广泛的应用场景。

在点击率预估任务中，用户与商品往往都存在许多可用的上下文特征，这类特征往往能够反映用户的潜在偏好。在实际应用中，用户的偏好信息在许多任务中起着重要作用。例如，在商品推荐中，用户是否会购买某商品不仅与他的自身属性有关，而且与用户最近的购买或浏览记录密切相关。目前，工业界与学术界均已经提出了许多学习用户兴趣的方法，其中，当前最主流的是基于深度学习的相关方法。

尽管许多基于用户行为的点击率预估相关工作都在对用户兴趣的学习上取得了巨大的成功，少有方法能重视行为序列中与目标不相关的商品为预估结果带来的负面影响。一方面，尤其在电子商务应用中，一个用户的兴趣经常会发生频繁变化，这使得用户历史记录中的行为多样，导致行为序列具有异质性(即一段序列中商品的种类变化很大)，尽管DSIN模型通过将序列分段的方式试图减小异质性的影响并确定了一定的效果提升，这类方法的结果依赖于对序列的划分方式，通常的做法是当相邻行为之间发生间隔超过30分钟就将其划分到两个序列段，但这种做法在用户兴趣频繁变化的场合并不能有效保证序列段的同质性，异质性高的序列段会对整体兴趣的学习产生负面的影响，对用户兴趣的学习造成极大的阻碍。具体来说，目前的从序列段中学习兴趣向量的方法，在对异质性高的序列进行处理时，因为其中涉及商品种类更多，提取的兴趣向量往往不能有效表示这一段时间内用户的真实需求。在实际预估过程中，应该尽力避免不相关行为对学习到的兴趣向量的负面影响，因此，在对用户行为序列划分之后，对高异质性以及与目标广告低相关度行为的影响是必要的。

发明内容

基于此，本发明的目的是提供一种点击率预估方法、系统、可读存储介质及计算机设备，以至少解决上述技术中的不足。

本发明提出一种点击率预估方法，包括：

当获取到点击率预估任务时，获取用户行为序列，并将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段；

获取目标广告的商品初始嵌入表，并利用所述商品初始嵌入表将各所述行为序列段转换成对应的嵌入向量；

将各所述嵌入向量输入预设的自注意力网络中，以计算出对应的第一兴趣表征向量；

将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标；

根据各所述异质性指标和各所述相关性指标得到各所述行为序列段在所述点击率预估任务中的权重，并利用各所述行为序列段在所述点击率预估任务中的权重得到第二兴趣表征向量；

根据所述第二兴趣表征向量和预设的全连接神经网络得到所述点击率预估任务的最终预估结果。