点击率预测方法、推荐方法、模型、装置及设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111046294A(43)申请公布日2020.04.21(21)申请号201911377019.7(22)申请日2019.12.27(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人张凯向彪周俊(74)专利代理机构北京博思佳知识产权代理有限公司11415代理人周嗣勇(51)Int.Cl.G06F16/9535(2019.01)权利要求书2页说明书13页附图5页(54)发明名称点击率预测方法、推荐方法、模型、装置及设备(57)摘要本说明书实施例提供一种点击率预测方法、推荐方法、装置、模型及设备。在获取目标用户的用户特征以及待推荐对象的属性特征等原始特征后，将用户特征和待推荐对象的属性特征输入到预先训练的点击率预测模型，点击率预测模型可以将用户特征和属性特征进行组合，得到组合特征，并确定各组合特征对应的权重，然后基于原始特征、组合特征以及组合特征的权重预测目标用户点击待推荐对象的概率。通过这种方式，使得点击率的预测更具解释性，同时充分考虑了组合特征对点击率的影响，使得预测结果更加准确。CN111046294ACN111046294A权利要求书1/2页1.一种点击率预测方法，所述方法包括：获取原始特征，所述原始特征包括目标用户的用户特征和待推荐对象的属性特征；将所述用户特征和所述属性特征输入到预先训练的点击率预测模型，以使所述点击率预测模型对所述用户特征和所述属性特征进行组合得到组合特征，并确定各组合特征对应的权重，基于所述原始特征、所述组合特征以及所述权重预测所述目标用户点击所述待推荐对象的点击率。2.根据权利要求1所述的点击率预测方法，所述用户特征包括多个类别，所述组合特征通过每个类别的用户特征与所述属性特征进行组合而得到。3.根据权利要求2所述的点击率预测方法，所述多个类别包括：用于表征用户历史行为序列的第一类别、用于表征用户属性信息的第二类别以及用于表征用户所处场景信息的第三类别。4.根据权利要求3所述的点击率预测方法，所述点击预测率模型包括：向量表征层，用于确定所述原始特征对应的原始向量；多交互表征层，用于对所述用户特征和所述属性特征进行组合得到所述组合特征，并确定各组合特征对应的权重，并基于所述权重确定所述组合特征对应的表征向量；预测层，用于基于所述原始向量和所述表征向量预测所述目标用户点击所述待推荐对象的点击率。5.根据权利要求4所述的点击率预测方法，所述多交互表征层包括注意力模型，用于确定各组合特征的权重，并基于所述权重确定所述组合特征对应的表征向量。6.根据权利要求5所述的点击率预测方法，所述用户特征包括第一类别的特征，所述多交互表征层还包括Bi-LSTM模型，对所述用户特征和所述属性特征的进行组合得到所述组合特征，并确定所述组合特征对应的表征向量，包括：将所述第一类别的各特征对应的各原始向量输入到所述Bi-LSTM模型；并将所述Bi-LSTM模型的输出的各向量与所述用户特征的对应的原始向量进行拼接，得到组合特征；将所述组合特征输入到所述注意力模型，以得到所述组合特征对应的表征向量。7.根据权利要求5所述的点击率预测方法，对所述用户特征和所述属性特征进行组合得到所述组合特征，并确定所述组合特征对应的表征向量，包括：将所述第二类别的各特征对应的原始向量和第三类别的各特征对应的原始向量分别与所述属性特征对应的原始向量拼接，得到组合特征；将所述组合特征输入到所述注意力模型，以得到所述组合特征对应的表征向量。8.根据权利要求4所述的点击率预测方法，确定所述原始特征对应的原始向量，包括：所述原始特征为连续型的数值特征，通过对所述原始特征进行标准化或离散化处理，得到所述原始特征对应的原始向量；和/或所述原始特征为文本类型的特征，确定所原始特征的词向量作为所述原始特征对应的原始向量。9.一种点击率预测方法，所述方法包括：获取原始特征，所述原始特征包括目标用户的用户特征和待推荐对象的属性特征；对所述用户特征和所述属性特征进行组合得到组合特征，确定各组合特征对应的权2CN111046294A权利要求书2/2页重；基于所述原始特征、所述组合特征以所述权重预测所述目标用户点击所述待推荐对象的点击率。10.一种点击率预测模型，所述模型包括：向量表征层，用于确定所述原始特征对应的原始向量；多交互表征层，用于对所述用户特征和所述属性特征的进行组合得到所述组合特征，并确定各组合特征对应的权重，基于所述权重确定所述组合特征对应的表征向量；预测层，用于基于所述原始向量和所述表征向量预测所述目标用户点击所述待推荐对象的点击率。11.一种推荐方法，所述方法包括：获取原始特征，所述原始特征包括目标用户