[发明专利]一种基于GRU神经网络的广告点击率预测方法

摘要

本发明公开一种基于GRU神经网络的广告点击率预测方法。在数据预处理时，构建了基于广告的时间序列数据，相比于用户序列数据，增强了序列数据之间的完整性和稳定性；然后通过one‑hot编码对文本特征进行数字化编码且只取映射值中bit值为1的下标作为字符的映射值，这样极大减少了特征的维度，提高了模型的训练速度。本发明采用了回归算法与深度学习算法相结合来形成最终的预测方法。首先用岭回归算法进行特征选择，减少了无效特征对模型训练的干扰，然后用基于LSTM神经网络改进的GRU神经网络来进行模型的训练与预测，GRU的预测模型相比于RNN的预测模型能提高预测的准确率，相比于LSTM的预测模型，它能在提升预测的准确率的同时，能更快速地进行模型的训练。

主权项

1.一种基于GRU神经网络的广告点击率预测方法，其特征在于，步骤1、获取原始数据得到的数据为用户点击每条广告的数据信息和广告的信息数据；步骤2、对数据进行预处理对数据进行分析，去除用户无效点击的数据，然后拼接两类数据信息，以天为时间单位，统计每条广告的数据和点击率；最后根据多重插补方法把数据的缺失值补全；步骤3、广告序列数据的构建在补全数据后，以天为时间单位，将每条广告进行先后排序，构成基于时间的广告序列数据，且将数据分为两类，一类为特征数据，另一类为点击率的真实值；步骤4、对广告序序列数据进行特征选择先对文本特征进行one‑hot编码，且对数据特征进行归一化处理，然后采用Embedded方法对归一化后的数据特征进行进一步特的征选择；步骤5、基于GRU神经网络的模型的构建采用keras框架进行基于GRU神经网络的模型构建；步骤6、模型的训练与测试将序列数据按照时间顺序分为前后两个同等时间长度的数据块，第一部分广告序列数据作为训练数据特征，对应的点击率作为训练数据的真实结果，第二部分作为测试数据特征，对应的点击率作为测试数据的真实结果；模型的训练是将处理好的数据导入模型并进行前向传播和后向传播算法的多次轮询训练；在模型收敛的同时，使得损失函数的值尽可能的趋于0且AUC值尽可能的趋于1。在训练完成后，用测试数据进行点击率的预测。