[发明专利]一种广告点击率预测方法、装置及计算机设备

说明书

本发明属于电商大数据推荐领域，涉及一种广告点击率预测方法、装置及计算机设备；所述方法包括获取电商平台的用户行为数据，用户肖像数据和广告数据；对用户行为数据进行预处理形成用户行为序列；将用户行为序列、用户肖像数据、广告数据分别进行编码表示，得到对应特征的嵌入向量；采用基于注意力机制的深度神经网络，提取出用户的兴趣表示向量；采用堆栈式自动编码机，提取出用户肖像特征与广告特征之间的隐形关系向量；将用户的兴趣表示向量和隐形关系向量输入到多层感知机中进行联合训练，得到广告点击率的预测结果；本发明能够有效提高电商平台广告的点击率，实现精准营销和推荐的效果。

技术领域

本发明属于电商大数据推荐领域，特别涉及一种基于用户兴趣与时序行为的广告点击率预测方法、装置及计算机设备。

背景技术

随着信息技术的发展，许多国内外互联网电商平台越来越关注在线广告系统的盈利效果，注重实现个性化、精准化的营销策略。广告点击率(CTR，Click Through Rate)是电商平台系统中最核心的指标之一，在广告推荐、网页搜索、赞助推荐等领域至关重要。点击率预测的准确度不仅会影响电商平台的收益，还会影响用户的满意度和消费体验。

在当前的电商平台中，尽管营销人员想知道网络访问者的反应，但是使用当前技术几乎不可能量化对网站的情感反应以及该网站对公司品牌的影响。不过，点击率却是很容易获得。点击率衡量的是页面访问者数量与该页面商品广告点击后并将其重定向到另一个页面的访问者的比例，在该页面中，他们可以购买商品或了解有关产品或服务的更多信息。通常，点击率越高，则表明该广告商品更有商业价值或是该营销活动更吸引人。大多数电商网站旨在通过点击率来调整主页商品广告的展示，做个性化推荐。

目前，许多国内外学者都对CTR模型展开了深入的研究，研究成果主要体现在以下几个方面：一方面，随着深度学习技术的发展，深度CTR模型逐步取代了需要人工特征工程的LR等基于机器学习的CTR模型。另一方面，一些深度CTR模型注重于特征的压缩与交互。此外，也有模型重点关注用户行为序列特征的提取。但是现阶段的广告点击率仍存在以下不足：

1.用户历史行为序列的时效性。传统时序模型忽略了顺序行为之间的时间间隔对用户兴趣表达的影响，传统的RNN可以很好地捕捉行为序列中的顺序关系之间的依赖关系，但用户行为不仅仅是顺序关系，行为的时间间隔和行为的特点等含有更多的先验信息，这些信息对用户兴趣的表示至关重要。

2.用户兴趣的泛化性和复杂性。用户的兴趣具有多样性并且有变化的趋势，用户在某一段时间内的喜好具有集中性，并且每种兴趣都有自己的演变趋势，不同种类的兴趣之间很少相互影响。

3.数据特征的维度高，隐性信息量大。电商平台广告数据输入特征除了用户行为序列特征外，上下文特征、广告特征等特征之间的关系也影响着点击率预估的准确度。这些特征维度高，隐含信息大，获取它们之间的关系变得困难。

发明内容

针对上述不足，本发明提出一种广告点击率预测方法、装置及计算机设备用以解决广告点击率的预测问题。

在本发明的第一方面，本发明提供了一种广告点击率预测方法，所述方法包括：

获取电商平台的用户行为数据，用户肖像数据以及广告数据；

对电商平台的用户行为数据进行预处理，并形成用户行为序列；

将用户行为序列、用户肖像数据、广告数据分别进行编码表示，得到对应特征的嵌入向量；

输入用户行为序列特征，采用基于时间因子的Time-GRU的深度神经网络，输出用户的兴趣表示向量；

输入用户的兴趣表示向量，采用基于注意力机制的AT-GRU的深度神经网络，模拟兴趣的更新过程，并输出用户的兴趣更新向量；

输入用户肖像特征和广告特征，采用堆栈式自动编码机，提取出用户肖像特征与广告特征之间的隐形关系向量；