[發明專利]點擊率預估模型訓練方法、點擊率預估方法及電子設備

在審

• 申請號: 202210913634.0
• 申請日: 2022-07-29
• 公開（公告）號: CN115456039A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 張文領
• 申請（專利權）人: 天翼云科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 馬永芬

本發明涉及深度學習領域，具體涉及一種點擊率預估模型訓練方法、點擊率預估方法及電子設備。該方法包括：獲取訓練數據集；將訓練數據集輸入至初始點擊率預估網絡中，對訓練數據集進行特征提取，生成初始特征，并對初始特征進行擴展和壓縮處理，基于擴展和壓縮后的特征，生成目標特征；對目標特征進行識別，輸出點擊率預估結果，基于點擊率預估結果以及預設損失函數，計算損失值，基于損失值對初始點擊率預估網絡進行更新，生成點擊率預估模型。上述方法保證了生成的點擊率預估模型的準確性，進而可以保證基于點擊率預估模型得到點擊率結果的準確性。

技術領域

本發明涉及深度學習領域，具體涉及一種點擊率預估模型訓練方法、點擊率預估方法及電子設備。

背景技術

隨著信息時代的到來，通過廣告進行商品銷售的模式被廣泛應用，其中，對如何預估廣告點擊率，從而根據用戶的特征屬性，預測用戶點擊商品的概率，更好的獲得更高的廣告點擊率，增加商品的曝光度尤為重視。

目前，進行廣告點擊率預估方法主要包括基于深度學習的預估方法。基于深度學習的廣告點擊率預估方法，主要通過將離散特征轉化為連續的特征向量，并將其簡單的拼接起來，進行的非結構化特征組合，輸入到一個深度神經網絡結構中，忽視了各種特征之間的結構特性，導致廣告點擊率預估精度不高。

發明內容

有鑒于此，本發明實施例提供了一種點擊率預估模型訓練方法，旨在解決現有技術導致廣告點擊率預估精度不高的問題。

根據第一方面，本發明實施例提供了一種點擊率預估模型訓練方法，包括：

獲取訓練數據集；

將訓練數據集輸入至初始點擊率預估網絡中，對訓練數據集進行特征提取，生成初始特征，并對初始特征進行擴展和壓縮處理，基于擴展和壓縮后的特征，生成目標特征；

對目標特征進行識別，輸出點擊率預估結果，基于點擊率預估結果以及預設損失函數，計算損失值，基于損失值對初始點擊率預估網絡進行更新，生成點擊率預估模型。

本申請實施例提供的點擊率預估模型訓練方法，獲取訓練數據集，將訓練數據集輸入至初始點擊率預估網絡中，對訓練數據集進行特征提取，生成初始特征，保證了生成的初始特征的準確性。然后，對初始特征進行擴展和壓縮處理，使得可以基于初始特征生出更豐富的特征，保證了特征的全面性。然后，基于擴展和壓縮后的特征，生成目標特征，保證了生成的目標特征的準確性。對目標特征進行識別，輸出點擊率預估結果，保證了輸出的點擊率預估結果的準確性。然后，基于點擊率預估結果以及預設損失函數，計算損失值，保證了計算得到的損失值的準確性。然后，基于損失值對初始點擊率預估網絡進行更新，生成點擊率預估模型，保證了生成的點擊率預估模型的準確性，進而可以保證基于點擊率預估模型得到點擊率結果的準確性。

結合第一方面，在第一方面第一實施方式中，對初始特征進行擴展和壓縮處理，基于擴展和壓縮后的特征，生成目標特征，包括：

使用兩種不同線性的方式對初始特征進行擴展和壓縮處理，生成備用特征；

對備用特征和初始特征進行多次交互迭代處理，生成多個交互特征；

基于各個交互特征之間的關系，生成目標特征。

本申請實施例提供的點擊率預估模型訓練方法，使用兩種不同線性的方式對初始特征進行擴展和壓縮處理，生成備用特征，保證了生成的備用特征的準確性以及多樣性。然后，對備用特征和初始特征進行多次交互迭代處理，生成多個交互特征，保證了生成的多個交互特征的準確性。基于各個交互特征之間的關系，生成目標特征，保證了生成的目標特征的準確性，進而可以保證訓練得到的點擊率預估模型的準確性。

結合第一方面第一實施方式，在第一方面第二實施方式中，使用兩種不同線性的方式對初始特征進行擴展和壓縮處理，生成備用特征，包括：