[發明專利]一種基于深度學習的商品點擊率預測方法

有效

• 申請號: 201910698575.8
• 申請日: 2019-07-31
• 公開（公告）號: CN110555719B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 許勇;李倩婷
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q30/0201
• 分類號: G06Q30/0201;G06Q30/0202;G06Q30/0601;G06F40/284;G06F18/22
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 陳宏升

1.一種基于深度學習的商品點擊率預測方法，其特征在于，包括以下步驟：

S1、獲取商品信息，并通過商品信息計算商品相似度，建立商品相似度函數；

S2、根據商品銷售時間進行分類，對于缺失商品銷售時間序列的商品，通過商品相似性函數進行近似值排序，選擇近似值排序最大的商品進行填充，得到多變量時間序列；

S3、將多變量時間序列輸入時序模型，進行深度網絡學習迭代，得到迭代后的特征時間序列，具體為：

對于多變量時間序列，

其中，x_t,t∈{1,2,...,T}表示在時間s_t商品的銷售記錄；

為了區分本商品真實觀測值和近似商品填充值的差別，定義：

其中，m_t,t∈{1,2,...,T}表示在時間s_t，x_t是否為商品的真實銷售記錄，若有記錄，則m_t取值為1；若沒有記錄，則m_t取值為0；

定義:

其中，δ_t表示商品A的真實銷售記錄距離上一個真實銷售記錄的時間間隔；

將多變量時間序列輸入時序模型，進行深度網絡學習迭代，得到特征時間序列，同時按照真實銷售記錄的時間間隔對時序模型的隱藏狀態進行衰減，區分主商品和填充商品在數據序列中的重要性；定義在時間步t時刻的衰減因子γ_t，用sigmoid函數對衰減因子控制在0到1之間，則有：

γ_t＝sigmoid{-max(0,W_γδ_t+b_γ)}，

其中，W_γ表示作用在時間間隔上權重矩陣，b_γ表示偏置，γ_t為時間步t時刻的衰減因子；

隱藏狀態從當前狀態一直衰減至零，隱藏狀態的每個特征都有同樣的衰減因子，衰減因子與隱藏狀態做哈達瑪積之后得到衰減隱藏狀態；在每一個時間步計算之前都把隱藏狀態進行衰減，然后用GRU更新方程進行迭代，得到特征時間序列：

其中，N₁是GRU隱藏單元的數量，g_t,t∈{1,2,…,T}表示在時間步t時刻時序模型的隱藏狀態；

把每個時間步的隱藏狀態輸出到一個全連接層，得到每個時間步的點擊率預測值；

S4、對商品用獨熱編碼，得到商品詞向量，經過排序，得到商品詞向量序列，將特征時間序列與商品詞向量序列進行交互，得到交互時間序列；

S5、分別計算得到特征時間序列的損失值和交互時間序列的損失值，通過全連接網絡得到商品的預測點擊率。

2.根據權利要求1所述的一種基于深度學習的商品點擊率預測方法，其特征在于，所述商品信息包括商品圖片、商品標題、商品價格、商品品牌。