[发明专利]基于CTR预测模型的目标推荐方法及装置

说明书

本公开涉及机器学习技术领域，提供了一种基于CTR预测模型的目标推荐方法及装置。该方法包括：利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；利用特征生成网络和特征分类网络构建CTR预测模型；依据推荐任务对CTR预测模型进行训练，利用训练后的CTR预测模型执行推荐任务。采用上述技术手段，解决现有技术中，CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。

技术领域

本公开涉及机器学习技术领域，尤其涉及一种基于CTR预测模型的目标推荐方法及装置。

背景技术

推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看等，都有其身影。用户点击预测(Click Through Rate，CTR)是推荐系统中的关键任务，它可以估计用户点击一个item的概率，用于执行CTR任务的称之为CTR预测模型。对于CTR预测最关键的是如何有效选择特征交互，然而目前在CTR预测中特征交互比较少，比较稀疏。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。

发明内容

有鉴于此，本公开实施例提供了一种基于CTR预测模型的目标推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题。

本公开实施例的第一方面，提供了一种基于CTR预测模型的目标推荐方法，包括：利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；利用特征生成网络和特征分类网络构建CTR预测模型；依据推荐任务对CTR预测模型进行训练，利用训练后的CTR预测模型执行推荐任务。

本公开实施例的第二方面，提供了一种基于CTR预测模型的目标推荐装置，包括：第一构建模块，被配置为利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；第二构建模块，被配置为利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；第三构建模块，被配置为利用特征生成网络和特征分类网络构建CTR预测模型；训练模块，被配置为依据推荐任务对CTR预测模型进行训练，利用训练后的CTR预测模型执行推荐任务。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过利用卷积层、池化层和全连接层构建多组特征生成层，并利用嵌入层和多组特征生成层构建特征生成网络，其中，多组特征生成层彼此使用的卷积核不同；利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络；利用特征生成网络和特征分类网络构建CTR预测模型；依据推荐任务对CTR预测模型进行训练，利用训练后的CTR预测模型执行推荐任务，因此，采用上述技术手段，可以解决现有技术中，CTR预测中特征交互比较少，比较稀疏，导致CTR预测准确率低的问题，进而提高CTR预测准确率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。