[發明專利]一種基于深度學習的商業廣告多興趣提取推薦方法

在審

• 申請號: 202310631370.4
• 申請日: 2023-05-31
• 公開（公告）號: CN116542718A
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 葛洪偉;楊哲;江明;李婷
• 申請（專利權）人: 江南大學
• 主分類號: G06Q30/0251
• 分類號: G06Q30/0251;G06N3/0464;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 呂永芳

本發明公開了一種基于深度學習的商業廣告多興趣提取推薦方法，屬于智能信息處理與模式識別領域、推薦系統領域。所述方法在物品側進行多興趣提取，設計了融合分裂模塊，在將高維稀疏的輸入轉換到低維密集中后，融合分裂模塊能夠將單個輸入分裂成多個不同的子興趣點特征，之后在多個不同子興趣點特征之間建立關聯，學習它們之間的共同關聯信息以及獨特性特征，最終再融合為一個向量，整合成包含多個興趣點復合向量，來彌補先前主流模型只能捕捉用戶對于物品單個興趣點的不足之處，來增強模型對于數據的泛化能力，從而提升模型性能。

技術領域

本發明涉及一種基于深度學習的商業廣告多興趣提取推薦方法，屬于智能信息處理與模式識別領域、推薦系統領域。

背景技術

隨著互聯網的高速發展，商業化廣告為企業盈利起到十分關鍵的作用。為了精準的向客戶推薦感興趣的商品廣告，平臺會利用召回模型對搜集到的客戶信息及操作數據進行處理，以從中精準的提取出客戶感興趣的內容。召回任務能夠提高廣告推薦的轉化率和收益，同時也有利于增加用戶滿意度和忠誠度。通常召回任務是從原始語料庫的千萬甚至上億級別數據中迅速篩選出百級別的推薦結果，在工業應用中十分重要，對于后續排序階段都有著至關重要的作用，因此召回模型的優良程度就決定了最終推薦結果的質量。模型的性能和預測結果與廣告商利潤有著最直接的關聯，對后續下游任務比如推薦排序算法以及廣告替換等決策有著重要的參考意義。

在構建大規模召回算法中，能夠學習訓練出表達性很強的用戶和物品表示向量至關重要。因為在推薦實際應用中，一般需要根據給定的用戶表示向量來從海量原始語料庫中高效提取出與用戶興趣相關度最高的多個物品，從而實現召回任務。然而大多現存召回模型中存在只能捕捉用戶單興趣點的問題，使用物品的單個特征表示向量和用戶進行相似度計算，然而不同用戶對于商品的關注點是不同的，現有模型中只是將二者表示向量進行簡單粗暴的內積，因此只能夠捕捉到不同用戶對于物品某一固定特征的興趣強弱，這顯然是不合理的；還有就是對于用戶明確不喜歡和可能不喜歡的負樣本處理界限模糊(即客戶明確指出不感興趣的內容和沒有明確表示不喜歡的內容沒有進行區分處理)，從而會導致在進行多分類概率計算的時候，會稀釋掉用戶明確喜歡物品的概率，從而導致模型對于物品區分能力下降以及模型性能下降，應該對于用戶明確不喜歡的物品給予更大力度的懲罰，這在后續階段對于推薦結果進行多樣性推薦的時候也有很大幫助。