[发明专利]用于信息推广的方法、装置、电子设备及计算机可读介质

说明书

本申请公开一种用于信息推广的方法、装置、电子设备及计算机可读介质。该方法包括：实时获取请求信息，所述请求信息包括用户信息与推广信息；将所述请求信息映射为自然语言以生成第一数据；将所述第一数据输入排序模型以确定排序评分，所述排序模型为深度卷积神经网络模型；以及根据所述排序评分对所述请求信息中的所述推广信息进行推广。本申请的用于信息推广的方法、装置、电子设备及计算机可读介质，能够减少了特征选择及建模等工作，避免了大量的特征工程，增加了排序方法的泛化能力，所有特征采用同一种网络处理，简化了模型复杂度。

技术领域

本发明涉及大数据信息处理领域，具体而言，涉及一种用于信息推广的方法、装置、电子设备及计算机可读介质。

背景技术

排序方法是信息推广，可例如推荐/广告系统中一种核心技术，排序方法直接影响了推荐物品或者广告的展示次序，进而影响用户的点击以及后续的购买转化。好的排序方法可以使质量更好的推荐/广告排在靠前的位置，从而提升用户的点击和消费。因此，排序算法是推荐/广告系统中非常关键的一环。目前，推荐/广告系统中采取的排序方案主要包含两个步骤或者模块：首先是对相关特征的提取和处理；然后是对候选推荐或广告进行排序。在特征提取阶段都是从推荐/广告请求中提取出相关维度的特征，例如用户维度特征、上下文特征等，然后经过一系列的特征工程加工处理。

目前，大多数排序方法在特征提取阶段都需要做大量的特征工作来处理特征，对特征进行建模，且针对不同的特征要做不同的处理，过于复杂。而在排序阶段采取的各种模型算法也有相应的缺点。主流的基于浅层机器学习的模型算法，本质上是一种线性模型，只能学习特征的线性变换，对许多特征的提取和表达不够充分，尤其是对一些非线性的特征。为了在排序中引入非线性的变换，例如逻辑回归，通常会在现有特征的基础上进行特征组合。这也导致两个缺点：首先，需要进行许多额外的特征工程，例如特征筛选、确定特征之间如何组合等；其次，特征组合可以使排序方法学习到很好的记忆能力，可以很好地处理训练数据中频繁出现的特征及组合，但也会导致排序方法的泛化能力不足，对新出现的特征及组合处理不够好。

因此，需要一种新的用于信息推广的方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种用于信息推广的方法、装置、电子设备及计算机可读介质，能够减少了特征选择及建模等工作，避免了大量的特征工程，增加了排序方法的泛化能力，所有特征采用同一种网络处理，简化了模型复杂度。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提出一种用于信息推广的方法，该方法包括：实时获取请求信息，请求信息包括用户信息与推广信息；将请求信息映射为自然语言以生成第一数据；将第一数据输入排序模型以确定排序评分，排序模型为深度卷积神经网络模型；以及根据排序评分对请求信息中的推广信息进行推广。

在本公开的一种示例性实施例中，还包括：通过历史请求信息与历史请求结果建立排序模型。

在本公开的一种示例性实施例中，通过历史请求信息与历史请求结果建立排序模型，包括：通过历史请求信息与历史请求结果对深度卷积神经网络模型进行训练，以获得排序模型。

在本公开的一种示例性实施例中，排序模型，包括：对应于深度卷积神经网络模型的每一层的模型结构；以及每一层的模型结构对应的权重。

在本公开的一种示例性实施例中，将第一数据输入排序模型以确定排序评分，排序模型为深度卷积神经网络模型，包括：将第一数据进行one-hot编码处理，生成编码矩阵；将编码矩阵进行卷积处理，以提取多个特征矩阵；通过多个特征矩阵提取组合特征；以及通过组合特征与激活函数，确定排序评分。