[发明专利]一种点击率预估方法、装置、设备及可读存储介质

说明书

本发明公开了一种点击率预估方法，该方法考虑到线性部分只能获取到二阶交叉特征，调用预估模型获取了数据的线性特征、深度特征和高阶交叉特征，通过获取邻接特征相关信息的优势获取更高阶的特征交叉，并同时将线性特征、深度特征和高阶交叉特征相结合用于最终的分类决策。相较过去只利用单一特征或没有应用高阶交叉特征的模型，该方法中供识别的特征种类更多、更丰富，模型泛化能力更强，且得到的高阶交叉特征对于复杂特征的表达能力更强，可以有效提升模型预估精度。本发明还公开了一种点击率预估装置、设备及可读存储介质，具有相应的技术效果。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种点击率预估方法、装置、设备及可读存储介质。

背景技术

经过互联网多年的普及和发展，广告、链接、图片、文章等互联网可点击项以多种形式存在于各种各样的互联网产品中，成为互联网的重要组成部分。

精准互联网营销的核心是点击率预估技术。点击率越高，表明用户对可点击项越感兴趣，进而转化为交易的可能性也越大。因此通过模型算法对点击率进行预测，可以用于指导当前广告、链接、图片、文章等互联网可点击项的精准投放，实现经济效益产出的最大化。

伴随大数据、人工智能等技术的发展，使得投放商利用平台历史数据进行精准营销从技术上成为可能。目前，点击率预估主流技术主要包括两种：单一深度学习模型方法以及混合深度学习模型方法。单一深度学习模型方法常用经典的DNN(深度神经网络)方法进行点击率预估，该类模型则是利用深度学习对数据具有很好的表征能力，但是单一的线性模型泛化能力较差，导致模型精度不高。混合模型的方法主要以DeepFM(宽深模型)方法为代表，结合了传统机器学习方法和深度学习方法的优点，但是实际检测精准度仍然有限，难以达到精准预测的要求。

综上所述，如何提高点击率预估的精准度，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种点击率预估方法、装置、设备及可读存储介质，以提高点击率预估的精准度。

为解决上述技术问题，本发明提供如下技术方案：

一种点击率预估方法，包括：

获取可点击项的属性信息；其中，所述属性信息包括：用户信息、对象信息以及场景信息中至少一种；

对所述属性信息进行数据预处理，得到预处理数据；

将所述预处理数据输入至预训练的预测模型中，调用所述预测模型提取所述预处理数据的线性特征、深度特征以及高阶交叉特征后进行点击行为预测分类，生成预测点击概率。

可选地，所述调用所述预测模型提取所述预处理数据的线性特征、深度特征以及高阶交叉特征后进行点击行为预测分类，包括：

所述预测模型对所述预处理数据进行低维映射，得到嵌入特征向量；

分别提取所述嵌入特征向量的线性特征量、深度特征量以及高阶交叉特征量；

对所述线性特征量、所述深度特征量以及所述高阶交叉特征量进行特征拼接，得到多维特征值；

根据所述多维特征值进行点击行为预测分类，生成预测点击概率。

可选地，所述分别提取所述嵌入特征向量的线性特征量、深度特征量以及高阶交叉特征量，包括：

调用卷积网络对所述嵌入特征向量进行特征提取，将提取得到的卷积特征作为所述高阶交叉特征。

可选地，所述调用卷积网络对所述嵌入特征向量进行特征提取，包括：

对所述嵌入特征向量进行数据结构适配处理，生成嵌入特征矩阵；

调用卷积层对所述嵌入特征矩阵进行卷积计算，得到卷积矩阵；