[发明专利]基于交叉特征提取模型的广告点击预测方法及其相关设备

权利要求书

1.一种基于交叉特征提取模型的广告点击预测方法，其特征在于，包括下述步骤：

收集用户广告行为数据，对所述用户广告行为数据依次进行数据清洗操作和数据加工操作，获得第一数据；

基于交叉特征提取模型循环提取所述第一数据的交叉特征，直至达到迭代次数，获得第二数据；

基于组合特征提取模型和叶子特征融合模型循环处理所述第一数据，直至达到预设迭代次数，获得第三数据；

分别对所述第二数据和所述第三数据进行全连接特征提取操作，获得第二数据的全连接特征和第三数据的全连接特征；

拼接所述第二数据的全连接特征和所述第三数据的全连接特征，获得目标特征；

将所述目标特征输入至预训练的点击预测模型中，获得广告点击预测结果。

2.根据权利要求1所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述对所述用户广告行为数据依次进行数据清洗操作和数据加工操作，获得第一数据的步骤包括:

识别所述用户广告行为数据中的关键数据，确认所述关键数据是否存在缺失；

若所述关键数据缺失，则删除对应的所述用户广告行为数据，获得清洗后的所述用户广告行为数据；

将清洗后的所述用户广告行为数据加工为稀疏特征向量，获得所述第一数据。

3.根据权利要求2所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述用户广告行为数据包括用户名称，所述将清洗后的所述用户广告行为数据加工为稀疏特征向量，获得所述第一数据的步骤包括：

基于所述用户名称对所述用户广告行为数据进行连表操作，获得宽表，并将所述宽表加载到预设的大数据的ADS层；

基于独热编码对所述大数据ADS层中的宽表进行维度扩充操作，获得所述第一数据。

4.根据权利要求1所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述交叉特征提取模型包括交叉输入层，嵌入层，特征交叉层和注意力池化层，所述基于交叉特征提取模型循环提取所述第一数据的交叉特征，直至达到迭代次数，获得第二数据的步骤包括：

将所述第一数据输入至所述交叉特征提取模型中，所述嵌入层将所述第一数据中取值为1的正向特征与预设的h个嵌入块进行乘积，获得k*h维的嵌入向量；

所述特征交叉层，基于所述嵌入向量对所述第一数据进行元素智能乘积处理，获得交叉特征；

将所述交叉特征输入至所述注意力池化层，获得输出的所述第二数据。

5.根据权利要求4所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述基于所述嵌入向量对所述第一数据进行元素智能乘积处理，获得交叉特征的步骤包括：

基于如下公式对所述第一数据进行元素智能乘积处理：

其中，b为偏置，x_i为第i个所述第一数据，x_j为第j个所述第一数据，v_i为第i个所述嵌入向量，v_j为第j个所述嵌入向量。P为预设的权重矩阵，为所述交叉特征。

6.根据权利要求1所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述组合特征提取模型包括多个决策树，所述基于组合特征提取模型和叶子特征融合模型循环处理所述第一数据，直至达到预设迭代次数，获得第三数据的步骤包括：

将所述第一数据输入至所述组合特征提取模型中，通过所述决策树对所述第一数据进行分类；

提取各所述决策树的叶子节点的特征，作为隐含向量；

将所述隐含向量输入至所述叶子特征融合模型进行组合，直至达到预设迭代次数，获得所述第三数据。

7.根据权利要求1所述的基于交叉特征提取模型的广告点击预测方法，其特征在于，所述将所述目标特征输入至预训练的点击预测模型中，获得广告点击预测结果的步骤包括：

基于如下公式计算所述广告点击预测结果：

其中，y为所述广告点击预测结果，Fm为所述组合特征，w为预设初始权重值，b为偏置，T为转置运算符。