技术特征：
1.一种广告点击率预测方法，其特征在于，具体包括以下步骤：获取电商平台的用户行为数据，用户肖像数据以及广告数据；对电商平台的用户行为数据进行预处理，并形成用户行为序列；将用户行为序列、用户肖像数据、广告数据分别进行编码表示，得到对应特征的嵌入向量；输入用户行为序列特征，采用基于时间因子的time
‑
gru的深度神经网络，输出用户的兴趣表示向量；输入用户的兴趣表示向量，采用基于注意力机制的at
‑
gru的深度神经网络，模拟兴趣的更新过程，并输出用户的兴趣更新向量；输入用户肖像特征和广告特征，采用堆栈式自动编码机，提取出用户肖像特征与广告特征之间的隐形关系向量；将用户的兴趣更新向量，用户肖像特征与广告特征之间的隐形关系向量分别输入到多层感知机中进行联合训练，得到广告点击率的预测结果。2.根据权利要求1所述的一种广告点击率预测方法，其特征在于，所述对电商平台的用户行为数据进行预处理包括去除无效的用户行为数据；按照用户的数量进行数据的统计，并按照每个用户的id、浏览广告和时间戳信息拼接出原始的用户行为数据；采用多重插值的方法对统计后的用户行为数据进行补全；构建出基于时间差的用户行为序列；并根据用户id对用户行为数据进行分组，将用户行为数据以时间的先后顺序排序，构成用户行为序列；对于其中的每一个行为序列，使用下一个行为的时间戳与当前行为的时间戳之差作为时间。3.根据权利要求1所述的一种广告点击率预测方法，其特征在于，所述输出用户的兴趣表示向量包括根据用户行为序列，采用基于时间因子的time
‑
gru即时间门控循环单元学习用户的静态兴趣组状态集合；也即是根据输入的用户行为序列特征，计算出时间门权重；将所述时间门权重加入到更新门的第一更新策略中；通过时间门控循环单元中的重置门和更新门来选择出的静态兴趣组状态集合。4.根据权利要求3所述的一种广告点击率预测方法，其特征在于，所述第一更新策略表示为其中，h
t
表示time
‑
gru中第t个隐藏兴趣状态；z
t
是time
‑
gru中更新门；是逐元素相乘，t
t
表示时间门权重，h
t
‑1表示time
‑
gru中第t
‑
1个隐藏兴趣状态；t
t
＝σ(w
t
[log(δt+ζ),i
t
])；σ是sigmoid激活函数，w
t
表示时间门的第t个隐含状态矩阵；δt表示时间因子，即当前行为的时间戳与上一个行为的时间戳之差；ζ表示时间门偏置；i
t
表示time
‑
gru的输入向量；表示time
‑
gru中第t个隐藏兴趣状态的临时状态。5.根据权利要求3或4所述的一种广告点击率预测方法，其特征在于，所述输出用户的兴趣更新向量包括根据所述静态兴趣组状态集合，计算每个兴趣状态与目标广告的注意力分数；根据静态兴趣组状态集合和所述注意力分数，采用基于注意力机制的at
‑
gru即基于注意力机制的门控循环单元计算得到兴趣最终更新状态，也即是将注意力分数作为更新门，采用注意力分数的大小作为更新门的第二更新策略，通过该更新门和时间门控循环单元中的重置门来选择出的兴趣最终更新状态。
6.根据权利要求5所述的一种广告点击率预测方法，其特征在于，所述第二更新策略表示为其中，h'
t
表示at
‑
gru的第t个隐藏兴趣状态；a
t
表示注意力分数；是逐元素相乘，h'
t
‑1表示at
‑
gru的第t
‑
1个隐藏兴趣状态；表示at
‑
gru中第t个隐藏兴趣状态的临时状态。7.根据权利要求1所述的一种广告点击率预测方法，其特征在于，所述将用户的兴趣更新向量，用户肖像特征与广告特征之间的隐形关系向量分别输入到多层感知机中进行联合训练，得到广告点击率的预测结果包括将用户的兴趣更新向量以及所述隐形关系向量进行连接，对连接后的向量进行平滑处理；分别对基于时间因子的time
‑
gru的深度神经网络部分的局部损失函数和多层感知机的全局损失函数进行联合训练，训练完成后得到广告点击率的预测结果；其中，所述全局损失函数表示为：l＝l
target
+λ*l
aux
其中，l表示多层感知机的全局损失函数；λ是超参数，l
aux
表示时间门控循环单元的辅助损失函数；n表示用户数量；表示用户i单击的第t个嵌入向量，g是整个行为序列嵌入集合；表示用户i在第t步点击的项目之外的样本的嵌入向量；σ表示sigmoid激活函数，表示用户i在time
‑
gru中的第t个隐藏兴趣状态；l
target
表示根据正负样本比例改进的目标损失函数；n1表示正样本数量；n2表示负样本数量；y是指示变量，如果该类别y和样本x的类别相同就是1，否则是0；p表示多层感知机网络输出属于标签的预测概率。8.根据权利要求1或7所述的一种广告点击率预测方法，其特征在于，所述广告点击率的预测结果表示为：y＝sigmoid(w
l
(...(w
c
(r
c
)+b
c
)...)+b
l
)其中，r
c
表示将用户的兴趣更新向量与隐形关系向量的连接向量；w
l
为第一权值参数矩阵；w
c
为第二权值参数矩阵，b
c
表示第一训练偏置；b
l
为第二训练偏置。9.一种广告点击率预测装置，其特征在于，所述装置包括：获取模块，用于获取电商平台的用户行为数据，用户肖像数据以及广告数据；处理模块，用于对电商平台的用户行为数据进行预处理，并形成用户行为序列；嵌入模块，用于将用户行为序列、用户肖像数据、广告数据分别进行编码表示，得到对应特征的嵌入向量；第一特征提取模块，用于输入用户行为序列特征，采用基于时间因子的time
‑
gru的深度神经网络，输出用户的兴趣表示向量；第二特征提取模块，用于输入用户的兴趣表示向量，采用基于注意力机制的at
‑
gru的深度神经网络，模拟兴趣的更新过程，并输出用户的兴趣更新向量；第三特征提取模块，用于输入用户肖像特征和广告特征，采用堆栈式自动编码机，提取
出用户肖像特征与广告特征之间的隐性关系向量；广告点击率预测模块，用于将用户的兴趣表示向量和用户肖像特征与广告特征之间的隐形关系向量输入到多层感知机中进行联合训练，得到广告点击率的预测结果。10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至8中任一项所述方法的步骤。
技术总结
本发明属于电商大数据推荐领域，涉及一种广告点击率预测方法、装置及计算机设备；所述方法包括获取电商平台的用户行为数据，用户肖像数据和广告数据；对用户行为数据进行预处理形成用户行为序列；将用户行为序列、用户肖像数据、广告数据分别进行编码表示，得到对应特征的嵌入向量；采用基于注意力机制的深度神经网络，提取出用户的兴趣表示向量；采用堆栈式自动编码机，提取出用户肖像特征与广告特征之间的隐形关系向量；将用户的兴趣表示向量和隐形关系向量输入到多层感知机中进行联合训练，得到广告点击率的预测结果；本发明能够有效提高电商平台广告的点击率，实现精准营销和推荐的效果。的效果。的效果。
技术研发人员：肖云鹏 朱江湖 王蓉 贾朝龙 李暾 李茜 卢星宇
受保护的技术使用者：重庆邮电大学
技术研发日：2021.10.25
技术公布日：2022/1/4