[发明专利]基于跨平台异构数据及行为上下文的CTR预估方法及系统

权利要求书

1.一种基于跨平台异构数据及行为上下文的CTR预估方法，其特征在于，该方法具体如下：

数据采集及预处理：采集不同平台的异构数据，对用户跨平台异构数据进行数据预处理；

预估用户实时兴趣：通过注意力机制将跨平台异构数据进行融入，即将用户行为通过注意力机制与当下行为联系起来，更好的预估用户的实时兴趣，从而提高CTR预估的准确性；

提取图片特征：通过残差网络对待推荐物品进行图片特征提取，再将所有特征向量进行拼接；

获取CTR精准预估结果：将拼接后的图片特征向量作为MLP网络的输入，通过MLP网络进行高阶特征提取和最终结果的预估，优势互补，得到物品CTR的精确预估。

2.根据权利要求1所述的基于跨平台异构数据及行为上下文的CTR预估方法，其特征在于，数据采集及预处理具体如下：

构建基本特征：根据硬件设备或手机APP获取到的基本上下文信息及用户信息构建离散特征和连续性数据特征；

特征转化：通过Embedding层将采集到的用户离散特征转变为低维实数向量，缓解稀疏性；具体如下：

对于任意一个特征feature_i，Embedding层通过不断训练更新为feature_i的所有可能取值建立一个稠密向量映射表e_i，具体如下：

其中，i∈[1，n]，n为特征总个数；表示feature_i第j种取值对应的表征向量，j∈[1，m_i]；d表示稠密向量的维度；m_i表示feature_i的取值个数；

通过Embedding层后，得到基本上下文特征e_c、用户基本特征e_u及待推荐物品基本特征e_i。

3.根据权利要求1所述的基于跨平台异构数据及行为上下文的CTR预估方法，其特征在于，预估用户实时兴趣具体如下：

通过Embedding层对用户跨平台异构数据转变为低维实数向量使其作为注意力信号，对用户行为序列进行编码，计算注意力分布；

计算注意力的加权平均，根据相似度通过注意力机制转换成兴趣权重，从而使得用户兴趣得到深度挖掘；

根据待推荐物品的向量再次对用户行为序列进行注意力机制操作，得到基础权重；

通过注意力机制得到的兴趣权重及基础权重进行对应求均值，从而得到用户交互过的每个物品最终权重；

对输入的序列进行加权融合，将得到的向量作为输入序列的聚合特征[e₁，e₂，…，e_n]。

4.根据权利要求1所述的基于跨平台异构数据及行为上下文的CTR预估方法，其特征在于，提取图片特征具体如下：

采用残差网络提取待推荐物品图片特征：采用7*7的卷积块，进行步长为2的卷积，再通过池化层对特征图进行压缩，即f(z)＝max(z_{[i，j+k][j，j+k]})；

使用四组残差块，在残差块之间进行一次卷积操作；

加入池化层对其进行池化操作，经过网络层后，对于输入创意图G的特征提取完毕；

经过一个包含256个神经元的全连接层，将所有特征相连并降维成256维向量的形式，记为e_G，将e_G与其余特征进行拼接。