[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

本發明公開的一種基于深度學習的商品點擊率預測方法，包括以下步驟：通過商品信息計算商品相似度，建立商品相似度函數；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并選取排序最大的商品進行填充，得到多變量時間序列；將多變量時間序列輸入時序模型，進行迭代得到特征時間序列；對商品用獨熱編碼，得到商品詞向量，將特征時間序列與商品詞向量進行交互得到交互時間序列；分別計算特征時間序列損失值和交互時間序列損失值，得到商品的預測點擊率，本發明通過填補得到完整銷售時間序列并輸入到時序網絡，獲得商品點擊率預測；商品相似度函數計算得到近似商品，為用戶提供優質的商品消費服務。

技術領域

本發明涉及時間序列預測的研究領域，特別涉及一種基于深度學習的商品點擊率預測方法。

背景技術

隨著網絡技術的發展和個人電腦以及手機等上網設備的普及，在網絡電商平臺購物已經成為現代人生活必不可少的組成部分。從淘寶，京東的蓬勃發展到現在拼多多瘋狂搶占空余市場，這些電商平臺無時無刻不在產生大量數據，這些基于用戶點擊的商品數據由于超大的數量，在宏觀上能夠表達很多重要信息，例如某種商品是否流行，在同類商品中具有哪些特質的商品會特別受到消費者青睞。如果能夠通過機器學習方法將這些重要特質挖掘出來，對未來商品的挑選、采購以及電商平臺的廣告投放以及精準推送有著極其重大的意義。

對于電商平臺，其上線商品種類日益繁多，各種不同類型的商品數量日益激增，為了適應人們多變的時尚需求以及保證平臺較好的盈利率，需要及時地從網絡商店后臺的品種繁多的海量商品數據中精確的檢索出所適合上線的商品以及針對不同用戶去挖掘其潛在會感興趣的商品信息并進行相應的推薦，這不僅需要耗費大量時間進行前期數據分析和研究，也是一個亟待解決的技術難題。對于這些問題的深入研究不僅具有重要的學術理論意義，而且也具有重要的實際應用價值。

在電商平臺所在的大數據環境中，需要為億萬用戶提供多種商品服務，而在提供服務前，需要事先進行大量商品的采購服務。面對海量商品，需要通過商品點擊率預測，來支撐采購業務應用體系，從而保證所采購的商品具有高的關注度，具體表現為點擊率高。為用戶提供更加優質的商品消費服務，并讓用戶體驗到所見即所需，免于被海量無興趣商品信息包圍的困擾，并為商業決策提供科學的數據服務，提升商品消費電商行業的服務質量。

然而常見的商品銷售模式是商品在電商平臺根據自己的銷售情況或者電商的營銷策略時刻調整商品上架或者下架，造成商品銷售數據的時間序列(包含商品的總體點擊率、折扣、價格等)在時間維度大量缺失，需要在建模的時候就考慮對商品銷售時間序列中的缺失值做什么處理，以及應該對模型進行針對缺失值的改進來處理這個問題，目前缺少具體的實施方案。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于深度學習的商品點擊率預測方法，對有大量缺失值的商品銷售時間序列進行建模，從而減少缺失值對真實值造成的影響以便準確預估商品在未來的總體點擊率。

本發明的目的通過以下的技術方案實現：

一種基于深度學習的商品點擊率預測方法，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，得到特征時間序列；

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。