[发明专利]一种基于深度学习的商品点击率预测方法有效
| 申请号： | 201910698575.8 | 申请日： | 2019-07-31 |
| 公开（公告）号： | CN110555719B | 公开（公告）日： | 2023-09-29 |
| 发明（设计）人： | 许勇;李倩婷 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06Q30/0201 | 分类号： | G06Q30/0201;G06Q30/0202;G06Q30/0601;G06F40/284;G06F18/22 |
| 代理公司： | 广州市华学知识产权代理有限公司 44245 | 代理人： | 陈宏升 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开的一种基于深度学习的商品点击率预测方法，包括以下步骤：通过商品信息计算商品相似度，建立商品相似度函数；根据商品销售时间进行分类，对于缺失商品销售时间序列的商品，通过商品相似性函数进行近似值排序并选取排序最大的商品进行填充，得到多变量时间序列；将多变量时间序列输入时序模型，进行迭代得到特征时间序列；对商品用独热编码，得到商品词向量，将特征时间序列与商品词向量进行交互得到交互时间序列；分别计算特征时间序列损失值和交互时间序列损失值，得到商品的预测点击率，本发明通过填补得到完整销售时间序列并输入到时序网络，获得商品点击率预测；商品相似度函数计算得到近似商品，为用户提供优质的商品消费服务。 | ||
| 搜索关键词： | 一种 基于 深度 学习 商品 点击率 预测 方法 | ||
【主权项】：
1.一种基于深度学习的商品点击率预测方法，其特征在于，包括以下步骤：/nS1、获取商品信息，并通过商品信息计算商品相似度，建立商品相似度函数；/nS2、根据商品销售时间进行分类，对于缺失商品销售时间序列的商品，通过商品相似性函数进行近似值排序，选择近似值排序最大的商品进行填充，得到多变量时间序列；/nS3、将多变量时间序列输入时序模型，进行深度网络学习迭代，得到迭代后的特征时间序列；/nS4、对商品用独热编码，得到商品词向量，经过排序，得到商品词向量序列，将特征时间序列与商品词向量序列进行交互，得到交互时间序列；/nS5、分别计算得到特征时间序列的损失值和交互时间序列的损失值，通过全连接网络得到商品的预测点击率。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910698575.8/，转载请声明来源钻瓜专利网。
