[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

说明书

本申请实施例属于人工智能领域，应用于智慧社区领域中，涉及一种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，包括收集用户广告行为数据，对用户广告行为数据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提取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处理第一数据，直至达到预设迭代次数，获得第三数据；对第二数据和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，并拼接，获得目标特征；将目标特征输入预训练的点击预测模型，获得广告点击预测结果。用户广告行为数据可存储于区块链中。提高对广告点击预测的准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及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。

背景技术

在进入21世纪以来，互联网得到了极大的发展，借助互联网平台的在线广告，展示了巨大的价值。相对比于传统的广告投放，互联网在线广告，具丰富多样，成本低廉，个性化推荐等优点，因此基于互联网在线广告成为各个知名公司的重要投放地方，也是各大互联网平台的战略方向。目前，互联网的广告投放主要存在两种形式，分别为在线展示广告和在线搜索广告。对于互联网的广告的重要节点，在于预测点击的估算。预测点击的估算是智能广告推荐的性能评估的核心。因此研究并建模用户行为的预测点击率具备重要意义。

基于个人推荐的智能广告系统给在线广告带来巨大的发展机会。预测点击率(Click-through Rate，CTR)作为智能推荐的核心，目前有大量的模型应用。在学术界和工业界中，基于用户行为信息的预测率估计，研究学者提出的各自算法模型，用于提高广告预测点击率。线性回归作为最开始的预测模型，因其简单的模型结构，容易计算，最初作用于广告预测率的点击，同时也是目前应用最广的广告模型。但是因为需要大量的人工交叉特征，并不能很好的自动提取广告的特征。但是，现有技术存在预测的广告点击率的准确性不高的情况。

发明内容

本申请实施例的目的在于提出一种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，提高对广告点击预测的准确性。

为了解决上述技术问题，本申请实施例提供一种基于交叉特征提取模型的广告点击预测方法，采用了如下所述的技术方案：

一种基于交叉特征提取模型的广告点击预测方法，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。

进一步的，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。

进一步的，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：