[發明專利]用于信息推廣的方法、裝置、電子設備及計算機可讀介質

有效

• 申請號: 201710322279.9
• 申請日: 2017-05-09
• 公開（公告）號: CN108876422B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 王玉;李滿天;徐吉興
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 闞梓瑄;王衛忠

本申請公開一種用于信息推廣的方法、裝置、電子設備及計算機可讀介質。該方法包括：實時獲取請求信息，所述請求信息包括用戶信息與推廣信息；將所述請求信息映射為自然語言以生成第一數據；將所述第一數據輸入排序模型以確定排序評分，所述排序模型為深度卷積神經網絡模型；以及根據所述排序評分對所述請求信息中的所述推廣信息進行推廣。本申請的用于信息推廣的方法、裝置、電子設備及計算機可讀介質，能夠減少了特征選擇及建模等工作，避免了大量的特征工程，增加了排序方法的泛化能力，所有特征采用同一種網絡處理，簡化了模型復雜度。

技術領域

本發明涉及大數據信息處理領域，具體而言，涉及一種用于信息推廣的方法、裝置、電子設備及計算機可讀介質。

背景技術

排序方法是信息推廣，可例如推薦/廣告系統中一種核心技術，排序方法直接影響了推薦物品或者廣告的展示次序，進而影響用戶的點擊以及后續的購買轉化。好的排序方法可以使質量更好的推薦/廣告排在靠前的位置，從而提升用戶的點擊和消費。因此，排序算法是推薦/廣告系統中非常關鍵的一環。目前，推薦/廣告系統中采取的排序方案主要包含兩個步驟或者模塊：首先是對相關特征的提取和處理；然后是對候選推薦或廣告進行排序。在特征提取階段都是從推薦/廣告請求中提取出相關維度的特征，例如用戶維度特征、上下文特征等，然后經過一系列的特征工程加工處理。

目前，大多數排序方法在特征提取階段都需要做大量的特征工作來處理特征，對特征進行建模，且針對不同的特征要做不同的處理，過于復雜。而在排序階段采取的各種模型算法也有相應的缺點。主流的基于淺層機器學習的模型算法，本質上是一種線性模型，只能學習特征的線性變換，對許多特征的提取和表達不夠充分，尤其是對一些非線性的特征。為了在排序中引入非線性的變換，例如邏輯回歸，通常會在現有特征的基礎上進行特征組合。這也導致兩個缺點：首先，需要進行許多額外的特征工程，例如特征篩選、確定特征之間如何組合等；其次，特征組合可以使排序方法學習到很好的記憶能力，可以很好地處理訓練數據中頻繁出現的特征及組合，但也會導致排序方法的泛化能力不足，對新出現的特征及組合處理不夠好。

因此，需要一種新的用于信息推廣的方法、裝置、電子設備及計算機可讀介質。

在所述背景技術部分公開的上述信息僅用于加強對本發明的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

有鑒于此，本發明提供一種用于信息推廣的方法、裝置、電子設備及計算機可讀介質，能夠減少了特征選擇及建模等工作，避免了大量的特征工程，增加了排序方法的泛化能力，所有特征采用同一種網絡處理，簡化了模型復雜度。

本發明的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本發明的實踐而習得。

根據本發明的一方面，提出一種用于信息推廣的方法，該方法包括：實時獲取請求信息，請求信息包括用戶信息與推廣信息；將請求信息映射為自然語言以生成第一數據；將第一數據輸入排序模型以確定排序評分，排序模型為深度卷積神經網絡模型；以及根據排序評分對請求信息中的推廣信息進行推廣。

在本公開的一種示例性實施例中，還包括：通過歷史請求信息與歷史請求結果建立排序模型。

在本公開的一種示例性實施例中，通過歷史請求信息與歷史請求結果建立排序模型，包括：通過歷史請求信息與歷史請求結果對深度卷積神經網絡模型進行訓練，以獲得排序模型。

在本公開的一種示例性實施例中，排序模型，包括：對應于深度卷積神經網絡模型的每一層的模型結構；以及每一層的模型結構對應的權重。

在本公開的一種示例性實施例中，將第一數據輸入排序模型以確定排序評分，排序模型為深度卷積神經網絡模型，包括：將第一數據進行one-hot編碼處理，生成編碼矩陣；將編碼矩陣進行卷積處理，以提取多個特征矩陣；通過多個特征矩陣提取組合特征；以及通過組合特征與激活函數，確定排序評分。