[发明专利]一种广告点击率预估方法

权利要求书

1.一种广告点击率预估方法，其特征在于，所述广告点击率预估方法包括：

步骤一，特征编码；

步骤二，建立嵌入层，所述嵌入层用于onehot编码后的高维稀疏向量转化为低维稠密向量E；

步骤三，建立SENET层，所述SENET层用于动态学习特征之间的重要度的SENET层；所述SENET层包括FM模块和DNN模块，其中FM模块用于学习特征的一阶和二阶交叉，DNN模块用于学习特征之间的高阶交叉；

步骤四，建立拼接层，所述拼接层用于将所述FM模块的输出结果和所述DNN模块的输出结果进行拼接，将拼接的结果输送给后续的多层感知机层；

步骤五，建立多层感知机层，所述多层感知机层包含多个隐层的前向神经网络，用于对所述FM模块和所述DNN模块拼接后的结果进一步特征交叉；

步骤六，广告点击率预估模型建立完成后，计算模型的损失函数；

所述步骤一的特征编码具体为：利用原始特征中的类别特征，经过onehot编码转化成onehot向量，公式表示为x＝[x₁,x₂,...,x_i,...x_f]，x∈R^d，d为onehot向量的维度；f为特征域的个数；

所述嵌入层用于将onehot编码后的高维稀疏向量转化为低维稠密向量E，公式表示如下：

E＝[e₁,e₂,...,e_i,...,e_M]；

e_i＝v_ix_i；

其中，M为类别特征的特征域个数，e_i为第i个特征域的Embedding向量，e_i∈R^k，K为Embedding向量的维度，v_i是第i个特征域的Embedding矩阵向量，x_i为第i个特征域的onehot向量。

2.如权利要求1所述广告点击率预估方法，其特征在于，所述步骤三建立SENET层具体过程为：

首先对每个特征域的Embedding向量通过平均池化操作，使得Embedding的维度得到压缩；

其次，通过两层神经网络学习特征域之间的相关性；

最后，将得到的相关性向量和原Embedding向量按照对应的特征域相乘得到新的Embedding向量。

3.如权利要求2所述广告点击率预估方法，其特征在于，压缩通过平均池化将原Embedding向量转化为统计向量，使得每个特征域的统计向量具有全局信息，公式表示如下：

Z＝[z₁,z₂,...,z_i,...,z_f]；

其中e_i为第i个特征域的Embedding向量，K为Embedding向量的维度，z_i为经过平均池化后的第i个特征域的统计向量。