[发明专利]基于U-Net网络的互联网广告点击率预估方法

摘要

本发明提出了一种基于U‑Net网络的互联网广告点击率预估方法，主要用以解决现有互联网广告点击率预估方法中存在的预估精度低的技术问题，包括如下步骤：获取训练数据集和测试数据集；获取原始特征索引矩阵和原始特征值矩阵；基于深度卷积神经网络U‑Net构建点击率预估模型；对点击率预估模型进行训练；获取互联网广告点击率预估结果。本发明提出的基于U‑Net网络的互联网广告点击率预估方法，提高了互联网广告点击率预估模型的泛化能力，加强了对互联网广告数据深层特征的提取，明显地提高了点击率预估的精度，可应用于互联网广告投放领域。

主权项

1.一种基于深度卷积神经网络U‑Net的互联网广告点击率预估方法，其特征在于，包括如下步骤：(1)获取训练数据集和测试数据集：(1a)选取N个按行排列且包含有原始特征和实际点击率的互联网广告数据，其中，每个广告数据的原始特征，包括广告所针对人群的特征和广告对应产品的特征，广告所针对人群的特征和广告对应产品的特征均由分类型特征和数值型特征组成，N≥500000；(1b)对互联网广告数据按行进行缺失值填补，并从得到的不包含空值的N个按行排列的互联网广告数据中选取M个广告数据作为测试数据，剩余广告数据作为训练数据，M≥20000；(1c)分别对训练数据和测试数据中的分类型特征进行类别编码，对数值型特征进行归一化，得到训练数据集和测试数据集；(2)获取原始特征索引矩阵和原始特征值矩阵：(2a)将训练数据集和测试数据集中数值型特征包含的数值分别按照从小到大的顺序进行排列，并将排列结果中每个数值对应的序号作为数值型特征索引，将排列结果中的每个数值作为数值型特征值，同时将训练数据集和测试数据集中分类型特征包含的类别分别按照从小到大的顺序进行排列，并将排列结果中的每个类别对应的序号作为分类型特征索引，将排列结果中的每个类别作为分类型特征值，分类型特征值的大小统一定义为a，a≥1；(2b)将数值型特征索引和分类型特征索引的组合保存为原始特征索引矩阵，同时将数值型特征值和分类型特征值的组合保存为原始特征值矩阵；(3)基于深度卷积神经网络U‑Net构建点击率预估模型：将深度卷积神经网络U‑Net收缩路径中的深度卷积模块替换为由P个c×c卷积层组成的深度收缩模块，并在深度收缩模块与该U‑Net的输入层之间添加宽度线性收缩模块，将扩张路径中的嵌套卷积模块替换为包含P个转置卷积层和P个d×d卷积层的扩张模块，同时将扩张路径中的输出层替换为softmax分类器，得到点击率预估模型，其中，P≥2，c≥1，d≥1；(4)对点击率预估模型进行训练：(4a)将训练数据集对应的原始特征索引矩阵和原始特征值矩阵输入点击率预估模型中，利用宽度线性收缩模块，对原始特征索引矩阵与原始特征值矩阵进行线性组合，得到线性组合矩阵并保存；(4b)利用深度收缩模块，对线性组合矩阵、原始特征索引矩阵和原始特征值矩阵的组合结果进行卷积，得到P组高阶特征矩阵并保存；(4c)利用扩张模块所包含的P个转置卷积层对P组高阶特征矩阵进行转置卷积，然后利用扩张模块所包含的P个d×d卷积层对转置卷积的结果进行卷积，并对卷积的结果进行组合，得到组合高阶特征矩阵，然后对该组合高阶特征矩阵和线性组合矩阵以及P组高阶特征矩阵进行拼接并输出；(4d)利用softmax分类器对扩张模块的输出结果进行分类，得到点击率预估结果并输出；(4e)利用softmax分类器输出的点击率预估结果和训练数据集的实际点击率结果计算损失函数值，训练至损失函数值在j代内不再减小时停止，得到训练好的点击率预估模型，j≥50(5)获取互联网广告点击率预估结果：将测试数据集对应的特征索引矩阵和特征值矩阵输入步骤(4)训练好的点击率预估模型，得到互联网广告点击率预估结果。