[发明专利]一种基于用户偏好的广告点击率预估方法

权利要求书

1.一种基于用户偏好的广告点击率预估方法，其特征在于，包括以下步骤：

S1、采集商业平台中的用户广告点击记录及用户和广告相应属性数据，按时间先后整理获得每个用户的广告点击序列；

S2、对广告点击序列进行预处理，对长度不足或长度超出限定长度的点击序列进行异常处理，获得序列训练数据集；

S3、构建基于用户偏好网络的点击率预估模型，包括用户长短期偏好子网、偏好漂移子网、偏好融合子网的构建；

S4、采用预处理得到的训练数据集对基于用户偏好网络的点击率预估模型进行迭代训练；

S5、输入用户完整的广告点击序列，利用训练获得的基于用户偏好网络的点击率预估模型学习用户偏好特征，获得点击率预估结果。

2.根据权利要求1所述的一种基于用户偏好的广告点击率预估方法，其特征在于，所述用户广告点击记录包括用户id编号、点击查看且购买的广告商品id编号、购买时间，用于记录用户点击查看且购买过的广告商品；所述用户和广告相应属性数据包括用户性别、用户年龄段、用户平台等级、广告商品价格、广告商品评价等级、广告商品销量大小。

3.根据权利要求2所述的一种基于用户偏好的广告点击率预估方法，其特征在于，按时间先后整理获得每个用户的广告点击序列具体如下：

将每个用户的购买行为按unix时间戳进行排序；

可以在python中编写程序将采集的数据按照unix时间戳进行排序，或者采用excel按时间戳进行排序。

4.根据权利要求3所述的一种基于用户偏好的广告点击率预估方法，其特征在于，步骤S2包括以下步骤：

S2.1、对广告点击序列中出现过的所有用户、广告分别建立新的统一索引编号，将广告点击序列中的用户id编号、广告商品id编号分别映射为新建的索引编号；

S2.2、对长度不符合要求的广告点击序列异常处理：剔除长度低于指定长度a的广告点击序列，截断长度超过限定长度b的广告点击序列；

S2.3、对每一条用户广告点击序列，假设序列包括n个购买行为，a≤n≤b，则分割前n-1个购买行为和第n个购买行为，在后续点击率预估模型训练时点击率预估模型输入前n-1个购买行为，利用第n个购买行为作监督，在训练完成后点击率预估模型作预测时输入的则是完整的用户行为序列。

5.根据权利要求4所述的一种基于用户偏好的广告点击率预估方法，其特征在于，步骤S3中，所述基于用户偏好网络的点击率预估模型包括输入层、嵌入层、用户偏好提取层、特征全连接层和输出层，具体如下：

输入层的输入包括用户广告点击序列、点击率预估的用户属性和点击率预估的商品属性；用户广告点击序列由按时间顺序排列的用户点击购买过的广告商品的索引编号构成；点击率预估的用户属性包括点击率预估用户的索引编号及用户性别、年龄段、用户平台等级；点击率预估的商品属性包括需要判断是否进行推荐的点击率预估商品的索引编号及商品价格、评价等级、销量大小；

嵌入层用户id编号和广告商品id编号将输入层输入的用户广告点击序列、点击率预估的用户属性及商品属性映射为固定长度、随机初始化的嵌入向量；

用户偏好提取层在设计的三个偏好子网中引入多头注意力机制(Multi-HeadAttention)与压缩-激发注意力机制(Squeeze-and-Excitation Attenton,SE Attention)两种注意力机制，基于门控循环单元(Gated Recurrent Unit,GRU)与融合偏好注意力门的门控循环单元(Gated Recurrent Unit with Preference Attention Gate,PAGRU)学习用户长短期偏好、漂移偏好和融合偏好；

全连接层将长短期偏好特征、漂移偏好特征和融合偏好特征与嵌入层根据用户id编号和广告商品id编号进行映射得到的嵌入向量、采用独热编码嵌入得到的用户和广告商品的附加属性对应的特征向量进行向量拼接，通过基于多层感知机(Multi-Layer Perceptron,MLP)的全连接神经网络(Fully Connected Neural Network,FNN)学习特征间的高阶交互关系；

输出层借助Softmax函数获得点击率预估结果。