一种基于特征组合与表示学习的点击转化率预测方法.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CN112270570A(43)申请公布日2021.01.26(21)申请号202011207345.6G06F40/216(2020.01)(22)申请日2020.11.03G06F16/2458(2019.01)(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人曾杨肖云鹏李暾刘红桑春艳周由胜刘宴兵(74)专利代理机构重庆辉腾律师事务所50215代理人王海军(51)Int.Cl.G06Q30/02(2012.01)G06Q30/06(2012.01)G06Q10/04(2012.01)G06N3/08(2006.01)G06F40/289(2020.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于特征组合与表示学习的点击转化率预测方法(57)摘要本发明属于电商大数据推荐领域，特别涉及一种基于特征组合与表示学习的点击转化率预测方法，包括；获取书城电商平台销售数据和基础数据，包括用户数据和书籍数据；通过表示学习与特征组合的方法获取用户数据和书籍数据中的隐藏的属性特征；通过与特征组合与表示学习的联合训练建立预测模型，将获得的隐藏的属性特征作为输入，通过该模型得到点击转化率预测结果本发明针对文本等特征进行深度挖掘得到完整特征空间，通过分析图书营销活动的动态性来预测点击购买的转化率，本发明能够针对书城电商平台提升精准营销的效果。CN112270570ACN112270570A权利要求书1/3页1.一种基于特征组合与表示学习的点击转化率预测方法，其特征在于，具体包括以下步骤：S1、获取书城电商平台销售数据和基础数据，包括用户数据和书籍数据；S2、通过表示学习与特征组合的方法获取用户数据和书籍数据中的隐藏的属性特征；S3、通过与特征组合与表示学习的联合训练建立预测模型，将获得的隐藏的属性特征作为输入，通过该模型得到点击转化率预测结果。2.根据权利要求1所述的一种基于特征组合与表示学习的点击转化率预测方法，其特征在于，通过表示学习与特征组合的方法获取隐藏的属性特征具体包括：S21、构建图书-用户-活动特征矩阵Triad＝[boi,bui,ai]；S22、根据用户行为计算用户对图书的关注度，表示为Attentionub＝tstay(boi)*Num(click(boi))*fav；S23、根据营销活动内用户的参与行为构建营销活动影响因子，表示为S24、根据书籍数据构建图书长文本内容集合，表示为TL＝{(bi,co,ti)|bi∈(Pb∪Lb)}；其中，boi为用户浏览的记录，bui表示参与活动的所有用户，ai表示一次营销活动；tstay(bo)表示用户在该图书间停留时间，Num(click(bo))表示用户对该图书的点击次数，fav表示用户对该图书的收藏标志，且当用户收藏该图书时，该标志值为1，否则值为0.1；ci为营销活动序号，Num(history(ai))表示活动时间内参与该活动人数，T表示活动持续时间，Discount表示活动具体内容；boi表示图书节点；co表示图书简介内容；ti表示图书标题内容；Pb为浏览且购买图书，Lb为浏览未购买图书。3.根据权利要求1所述的一种基于特征组合与表示学习的点击转化率预测方法，其特征在于，通过与特征组合与表示学习的联合训练建立预测模型包括：S30、构建用户-图书-营销活动三部图网络，该三部图表示为：GBBA＝{Bu∪Bk∪A,MBB∪MBA}，其中Bu,Bk,A分别表示购书用户，图书，营销活动；MBB为用户、图书之间的邻接矩阵，aij为矩阵MBB中的元素；如果用户Bui购买了图书Bki，aij＝1则，否则，aij＝0；MBA为图书、活动之间的邻接矩阵，bjk为矩阵MBA中的元素，如果活动Ai包含图书Boi，则bjk＝1，否则bjk＝0；S31、用户-图书-营销活动特征组合进行特征组合以及特征分解后的再组合，获取图书的文本tag特征；S32、基于文本tag特征，将三部图用户-图书-营销活动TriadBBA的嵌入向量矩阵W0扩充为嵌入向量矩阵W0'，获取构建完整特征组合空间；S33、基于BBA2vec算法将用户与图书通过时间与购买记录构造的特征空间进行向量表示；S34、将S32构建的完整特征组合空间特征表示作为DNN神经网络的输入，并改进DNN神经网络的损失函数，同时与BBA2vec算法的损失函数联合训练得到预测模型。4.根据权利要求3所述的一种基于特征组合与表示学习的点击转化率预测方法，其特征在于，步骤S31具体包括以下步骤：S311、针对图书的标题文本以及简介文本TL进行jieba分词、词性标注和过滤停用词，2CN112270570A权利要求书2/3页得到标题的候选关键词Tti