[发明专利]一种结合相邻位置及双历史序列的CTR位置消偏方法

权利要求书

1.一种结合相邻位置及双历史序列的CTR位置消偏方法，其特征在于，包括以下：

一、采集模块：

利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table；利用SQL对数据中曝光但并未点击的样本打标为0，点击的样本打标为1，得到第i个样本标签y_i并拼接物料展示位置pos_i和相邻物料位置集合物料及其边信息(如物料类别等)item_i和相邻物料及其边信息集合其他属性x_i；该用户u历史t日内最多m条点击序列及曝光未点击序列应当指出的是，数据采集技术及存储形式包括但不限于以上所述方式；

二、相邻位置信息提取模块：

1)embedding转化

对于table中的样本，将物料展示位置pos_i、展示页面中相邻物料位置集合物料及其边信息item_i、展示页面中相邻物料及边信息集合正反馈序列和负反馈序列分别转化为对应的embedding形式pemb_i、iemb_i、和

2)正负反馈序列pooling计算

对于样本i的物料及其边信息，计算其与正负反馈序列pooling，得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospool_u,i和negpool_u,i，其中S(·)为输出维度为1的MLP网络；

同理，对于样本i的相邻物料及其边信息，可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospool_u,i和negpool_u,i；

3)相邻位置信息提取

计算每个样本物料的相邻位置对应的注意力分数相邻位置池化nppool_i、相邻位置物料及其边信息池化nipool_i、相邻位置正反馈序列池化npospool_i和相邻位置负反馈序列池化nnegpool_i；

concat_i＝concat(pemb_i,iemb_i,pospool_u,i,negpool_u,i)

三、模型构建模块

1)位置网络学习

在位置网络中分别输入pemb_i和nppool_i使用同一多层深度网络学习，输出结果分别为pres_i和npres_i，W₁,…,W_H和B₁,…,B_H分别表示学习的权重和偏置参数，S(·)为输出维度为1的多层深度网络；

pres_i＝S(pemb_i,W₁,…,W_H,B₁,…,B_H)

npres_i＝S(nppool_i,W₁,…,W_H,B₁,…,B_H)；

2)其他信息网络学习

将x_i转化为对应的embedding形式xemb_i，在其他信息网络中分别输入iconcat_i和niconcat_i使用同一多层深度网络学习，输出结果为ires_i和nires_i，W’₁,…,W’_H和B’₁,…,B’_H分别表示学习的权重和偏置参数；

iconcat_i＝concat(iemb_i,pospool_u,i,negpool_u,i,xemb_i)

niconcat_i＝concat(nipool_i,npospool_i,nnegpool_i,xemb_i)

ires_i＝S(iconcat_i,W′₁,…,W′_H,B′₁,…,B′_H)

nires_i＝S(niconcat_i,W′₁,…,W′_H,B′₁,…,B′_H)；

四、模型预测模块

在训练时损失函数在推断时仅输入物料及其边信息、正负反馈序列和其他信息，并将推荐结果表result储存在hive中；由接口将推荐接口输出至前端展示。