[发明专利]点击率预测方法、系统、计算机及可读存储介质

说明书

本发明提供了一种点击率预测方法、系统、计算机及可读存储介质，该方法包括：通过嵌入模型将用户ID与商品ID分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于用户ID与所述商品ID中的评分矩阵构建出对应的用户‑商品交互图；通过图神经网络在所述用户‑商品交互图中进行多轮迭代的信息传播，并将用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；基于全连接神经网络构建出点击率预估层，并将用户兴趣向量输入至点击率预估层，以进行点击率的预估。本申请能够能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率。

技术领域

本发明涉及数据处理技术领域，特别涉及一种点击率预测方法、系统、计算机及可读存储介质。

背景技术

随着计算机计算能力的不断提升，线上广告系统实现了远超传统广告模式的触达效率与实际效益。在实际电子商务环境下，由于用户群体分布广泛，需求多样，同时广告种类丰富，通过固定规则向不同用户展示类似广告极大限制了线上广告系统的营收能力。点击率预估技术就是结合不同用户群体与待分发广告的特征，利用神经网络或综合性模型在历史数据上进行参数训练，进而完成针对不同用户预测对特定广告的点击概率任务。在实际生活中有着广泛的应用场景。

在点击率预估任务中，用户往往存在历史的记录，这类记录不仅保留了很长一段时间用户对于商品的选择或是多样化的特征，而且还具有丰富的兴趣ID。在实际应用中，用户的兴趣ID在许多任务中起着重要作用。例如，在商品推荐中，用户是否会购买某商品不仅与他的自身属性有关，而且与用户最近的购买或浏览记录密切相关。

然而，现有的点击率预测方法大部分聚焦于目标商品与用户历史行为的匹配程度，而忽略了用户潜在性的需求在预测任务中的重要性，从而使得预估结果具有一定的局限性，进而降低了预估结果的准确率。

发明内容

基于此，本发明的目的是提供一种点击率预测方法、系统、计算机及可读存储介质，以解决现有技术的点击率预测方法大部分聚焦于目标商品与用户历史行为的匹配程度，而忽略了用户潜在性的需求在预测任务中的重要性，从而使得预估结果具有一定局限性的问题。

本发明实施例第一方面提出了一种点击率预测方法，所述方法包括：

通过嵌入模型将用户ID与商品ID分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户ID与所述商品ID中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；

通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；

基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。

本发明的有益效果是：本申请提出的点击率预测方法首次提出在同一个模型结构中同时学习用户ID与商品ID之间的协同信息以及用户交互商品之间的逻辑联系，并最终在用户行为序列中提取出兴趣信息。与此同时，本申请还强调了用户的偏好与需求的挖掘在用户兴趣学习过程中的重要性，并提出了一个有效的用户兴趣学习方法同时对用户偏好与需求进行建模，并应用于点击率预估任务。并且本申请能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。

优选的，所述通过嵌入模型将用户ID与商品ID分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户ID与所述商品ID中的评分矩阵构建出对应的用户-商品交互图的步骤包括：