[发明专利]一种基于卷积神经网络的点击通过率预估方法

摘要

本发明公开一种基于卷积神经网络的点击通过率预估方法，通过对于点击实例中所有元素，建立哈希表，与潜在语义向量对应；对于一具体点击实例，在哈希表中索引出对应的潜在语义向量，得到点击实例矩阵,作为卷积神经网络输入矩阵；经卷积神经网络的卷积操作和池化操作得到多层卷积神经网络；最后一池化层与全连接矩阵乘积运算，通过柔性最大传递函数计算得到输出层得到输出层；优化模型参数与输入，采用逻辑斯特损失函数来度量模型的性能，最后输出点击实例被分到每一类的预估概率。本发明可挖掘单一广告中重要的全局语义交互信息和序列广告中局部全局的动态特征，解决了当前模型只能提取局部或静态特征的问题。

主权项

一种基于卷积神经网络的点击通过率预估方法，其特征在于，包括步骤：步骤S1，对点击实例中所有元素，建立哈希表，使所有元素与潜在语义向量一一对应；步骤S2，对某一具体点击实例，在哈希表中索引出对应的潜在语义向量，由该点击实例中所有元素对应的潜在语义向量组成点击实例矩阵，作为卷积神经网络的输入矩阵；步骤S3，将卷积神经网络的卷积操作应用于点击实例矩阵中的不同元素的同一维度上，得到第一个卷积层，即局部邻域的信息的特征；步骤S4，将卷积神经网络的池化操作应用于前一个卷积层，提取所需特征，得到第一个池化层；步骤S5，重复步骤S3‑S4卷积操作和池化操作得到多层卷积神经网络；步骤S6，使多层卷积神经网络的最后一个池化层与全连接矩阵进行乘积运算，再通过柔性最大传递函数计算得到输出层，即输入的点击实例被分到每一类的预估概率；步骤S7，给模型赋予初始化的输入和参数，在数据集上优化模型参数和输出，采用逻辑斯特损失函数度量模型性能，最终得到输入的点击实例被分到每一类的预估概率。