[发明专利]点击率预估模型训练方法、点击率预估方法及电子设备

说明书

本发明涉及深度学习领域，具体涉及一种点击率预估模型训练方法、点击率预估方法及电子设备。该方法包括：获取训练数据集；将训练数据集输入至初始点击率预估网络中，对训练数据集进行特征提取，生成初始特征，并对初始特征进行扩展和压缩处理，基于扩展和压缩后的特征，生成目标特征；对目标特征进行识别，输出点击率预估结果，基于点击率预估结果以及预设损失函数，计算损失值，基于损失值对初始点击率预估网络进行更新，生成点击率预估模型。上述方法保证了生成的点击率预估模型的准确性，进而可以保证基于点击率预估模型得到点击率结果的准确性。

技术领域

本发明涉及深度学习领域，具体涉及一种点击率预估模型训练方法、点击率预估方法及电子设备。

背景技术

随着信息时代的到来，通过广告进行商品销售的模式被广泛应用，其中，对如何预估广告点击率，从而根据用户的特征属性，预测用户点击商品的概率，更好的获得更高的广告点击率，增加商品的曝光度尤为重视。

目前，进行广告点击率预估方法主要包括基于深度学习的预估方法。基于深度学习的广告点击率预估方法，主要通过将离散特征转化为连续的特征向量，并将其简单的拼接起来，进行的非结构化特征组合，输入到一个深度神经网络结构中，忽视了各种特征之间的结构特性，导致广告点击率预估精度不高。

发明内容

有鉴于此，本发明实施例提供了一种点击率预估模型训练方法，旨在解决现有技术导致广告点击率预估精度不高的问题。

根据第一方面，本发明实施例提供了一种点击率预估模型训练方法，包括：

获取训练数据集；

将训练数据集输入至初始点击率预估网络中，对训练数据集进行特征提取，生成初始特征，并对初始特征进行扩展和压缩处理，基于扩展和压缩后的特征，生成目标特征；

对目标特征进行识别，输出点击率预估结果，基于点击率预估结果以及预设损失函数，计算损失值，基于损失值对初始点击率预估网络进行更新，生成点击率预估模型。

本申请实施例提供的点击率预估模型训练方法，获取训练数据集，将训练数据集输入至初始点击率预估网络中，对训练数据集进行特征提取，生成初始特征，保证了生成的初始特征的准确性。然后，对初始特征进行扩展和压缩处理，使得可以基于初始特征生出更丰富的特征，保证了特征的全面性。然后，基于扩展和压缩后的特征，生成目标特征，保证了生成的目标特征的准确性。对目标特征进行识别，输出点击率预估结果，保证了输出的点击率预估结果的准确性。然后，基于点击率预估结果以及预设损失函数，计算损失值，保证了计算得到的损失值的准确性。然后，基于损失值对初始点击率预估网络进行更新，生成点击率预估模型，保证了生成的点击率预估模型的准确性，进而可以保证基于点击率预估模型得到点击率结果的准确性。

结合第一方面，在第一方面第一实施方式中，对初始特征进行扩展和压缩处理，基于扩展和压缩后的特征，生成目标特征，包括：

使用两种不同线性的方式对初始特征进行扩展和压缩处理，生成备用特征；

对备用特征和初始特征进行多次交互迭代处理，生成多个交互特征；

基于各个交互特征之间的关系，生成目标特征。

本申请实施例提供的点击率预估模型训练方法，使用两种不同线性的方式对初始特征进行扩展和压缩处理，生成备用特征，保证了生成的备用特征的准确性以及多样性。然后，对备用特征和初始特征进行多次交互迭代处理，生成多个交互特征，保证了生成的多个交互特征的准确性。基于各个交互特征之间的关系，生成目标特征，保证了生成的目标特征的准确性，进而可以保证训练得到的点击率预估模型的准确性。

结合第一方面第一实施方式，在第一方面第二实施方式中，使用两种不同线性的方式对初始特征进行扩展和压缩处理，生成备用特征，包括：