[發明專利]基于多行為的點擊預測模型訓練方法及裝置

在審

• 申請號: 202310849548.2
• 申請日: 2023-07-12
• 公開（公告）號: CN116578875A
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 劉艷剛;董輝;王芳
• 申請（專利權）人: 深圳須彌云圖空間科技有限公司
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/25;G06N3/08;G06F16/9535
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 彭杰

本申請提供了一種基于多行為的點擊預測模型訓練方法及裝置。該方法包括：將多種行為信息輸入點擊預測模型：通過特征處理網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示和目標的嵌入表示；通過特征系數網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示的系數；通過用戶特征融合網絡處理多種行為下用戶的嵌入表示和各種行為下用戶的嵌入表示的系數，得到用戶的最終表示，以及通過目標特征融合網絡處理多種行為下目標的嵌入表示，得到目標的最終表示；根據用戶的最終表示和目標的最終表示，利用目標損失函數計算損失值，依據損失值更新點擊預測模型的模型參數。

技術領域

本申請涉及機器學習技術領域，尤其涉及一種基于多行為的點擊預測模型訓練方法及裝置。

背景技術

推薦系統在當今生活扮演著不可或缺的作用，無論是網絡購物，新聞閱讀，還是視頻觀看等，都有其身影。用戶點擊預測(Click?Through?Rate，CTR)是推薦系統中的關鍵任務，它可以估計用戶點擊一個目標的概率，用于執行CTR任務的稱之為CTR預測模型或者點擊預測模型。點擊預測模型是基于用戶以往的行為預測用戶以后的行為，其中涉及到多種行為，但是目前常用的點擊預測模型并沒有將多種行為完美結合起來，導致預測準確率低。

發明內容

有鑒于此，本申請實施例提供了一種基于多行為的點擊預測模型訓練方法、裝置、電子設備及計算機可讀存儲介質，以解決現有技術中，點擊預測模型沒有將多種用戶行為深度結合，導致預測準確率低的問題。

本申請實施例的第一方面，提供了一種基于多行為的點擊預測模型訓練方法，包括：構建特征處理網絡、特征系數網絡、用戶特征融合網絡和目標特征融合網絡，并利用特征處理網絡、特征系數網絡、用戶特征融合網絡和目標特征融合網絡構建點擊預測模型；獲取訓練數據，其中，訓練數據包括用戶與目標之間的多種行為信息；將多種行為信息輸入點擊預測模型：通過特征處理網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示和目標的嵌入表示；通過特征系數網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示的系數；通過用戶特征融合網絡處理多種行為下用戶的嵌入表示和各種行為下用戶的嵌入表示的系數，得到用戶的最終表示，以及通過目標特征融合網絡處理多種行為下目標的嵌入表示，得到目標的最終表示；根據用戶的最終表示和目標的最終表示，利用目標損失函數計算損失值，依據損失值更新點擊預測模型的模型參數，以完成對點擊預測模型的訓練。

本申請實施例的第二方面，提供了一種基于多行為的點擊預測模型訓練裝置，包括：構建模塊，被配置為構建特征處理網絡、特征系數網絡、用戶特征融合網絡和目標特征融合網絡，并利用特征處理網絡、特征系數網絡、用戶特征融合網絡和目標特征融合網絡構建點擊預測模型；獲取模塊，被配置為獲取訓練數據，其中，訓練數據包括用戶與目標之間的多種行為信息；將多種行為信息輸入點擊預測模型：第一處理模塊，被配置為通過特征處理網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示和目標的嵌入表示；第二處理模塊，被配置為通過特征系數網絡處理多種行為信息，得到每種行為信息對應行為下用戶的嵌入表示的系數；第三處理模塊，被配置為通過用戶特征融合網絡處理多種行為下用戶的嵌入表示和各種行為下用戶的嵌入表示的系數，得到用戶的最終表示，以及通過目標特征融合網絡處理多種行為下目標的嵌入表示，得到目標的最終表示；更新模塊，被配置為根據用戶的最終表示和目標的最終表示，利用目標損失函數計算損失值，依據損失值更新點擊預測模型的模型參數，以完成對點擊預測模型的訓練。

本申請實施例的第三方面，提供了一種電子設備，包括存儲器、處理器以及存儲在存儲器中并且可在處理器上運行的計算機程序，該處理器執行計算機程序時實現上述方法的步驟。

本申請實施例的第四方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行時實現上述方法的步驟。