[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

说明书

本发明公开了一种基于跨平台异构数据及行为上下文的CTR预估方法及系统，属于大数据及自然语言处理领域，本发明要解决的技术问题为如何对用户兴趣进行深度挖掘，提高点击率预估精度，技术方案为：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；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，得到物品CTR的精确预估。

技术领域

本发明涉及大数据及自然语言处理领域，具体地说是一种基于跨平台异构数据及行为上下文的CTR预估方法及系统。

背景技术

点击率(Click-through Rate，CTR)是指某一内容被点击次数与被展示次数的比例，一般用于描述内容被用户点击的概率。CTR预估，是指通过一系列相关数据与技术去预测特定场景下物品或内容被用户点击的概率。

在内容推荐和在线广告领域，由于预估的CTR可以很好地反映特定场景下用户对内容的偏好程度，进而根据预估CTR的大小对推荐内容进行合理的排序、截断，形成更符合用户偏好和行为习惯的推荐列表，最终达到提高用户对应用的喜爱程度、使用时长或者提高应用内广告的变现效率等目的。因此，如何提高CTR预估的准确性已经成为各大企业在内容推荐、在线广告等领域最为核心及关键的研究课题。

鉴于CTR预估在内容推荐、在线广告等互联网应用领域的独特地位，越来越多的企业投入大量的人力物力在CTR预估模型的研究上。目前在计算机视觉、自然语言处理领域不断发展的深度学习技术，凭借其在大数据集下良好的并行处理能力和对高阶复杂特征的高效挖掘、抽象能力，也逐步成为CTR预估模型领域的热门研究内容。故如何对用户兴趣进行深度挖掘，提高点击率预估精度是目前现有技术中亟待解决的问题。

发明内容

本发明的技术任务是提供一种基于跨平台异构数据及行为上下文的CTR预估方法及系统，来解决如何对用户兴趣进行深度挖掘，提高点击率预估精度的问题。

本发明的技术任务是按以下方式实现的，一种基于跨平台异构数据及行为上下文的CTR预估方法，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(ResNet)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(多层全连接网络)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。

作为优选，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：