点击率的预测方法、装置、设备、存储介质及程序产品制造方法及图纸

本申请公开了一种点击率的预测方法、装置、设备、存储介质及程序产品，属于人工智能领域。该方法包括：确定与目标用户帐号点击过的N1个一阶商品存在点击关系的M2个二阶用户帐号；确定与点击过目标商品的M1个一阶用户帐号存在点击关系的N2个二阶商品；基于N1个一阶商品和M2个二阶用户帐号，得到第一空域特征；基于M1个一阶用户帐号和N2个二阶商品，得到第二空域特征；基于N1个一阶商品和M2个二阶用户帐号的点击时间戳，得到第一时域特征；基于M1个一阶用户帐号和N2个二阶商品的点击时间戳，得到第二时域特征；基于第一空域特征、第二空域特征、第一时域特征和第二时域特征，预测点击率。该方法提高了点击率的准确性。该方法提高了点击率的准确性。该方法提高了点击率的准确性。

【技术实现步骤摘要】
点击率的预测方法、装置、设备、存储介质及程序产品


[0001]本申请涉及人工智能领域，特别涉及一种点击率的预测方法、装置、设备、存储介质及程序产品。

技术介绍

[0002]随着互联网电商平台的发展，基于目标用户对目标商品的点击率，判断是否为目标用户推送目标商品的决策方式屡见不鲜，点击率为目标用户点击目标商品的概率。
[0003]相关技术中，预测目标用户对目标商品的点击率，是根据目标用户和目标商品的各个特征域之间进行特征交叉得到的。比如，根据目标用户的年龄和职业，预测目标用户点击某奢侈品(该奢侈品具有价格昂贵、数量稀少的特征)广告的概率，根据预测得到的点击率，作出是否向目标用户推送该广告的决定。
[0004]然而，相关技术仅依赖目标用户和目标商品的各个特征域进行预测，预测得到的点击率并不准确，本申请提供了一种更为精确的点击率预测方法。

技术实现思路

[0005]本申请提供了一种点击率的预测方法、装置、设备、存储介质及程序产品，能够提高预测得到的点击率的准确性。所述技术方案如下：
[0006]根据本申请的一个方面，提供了一种点击率的预测方法，所述方法包括：
[0007]确定与目标用户帐号点击过的N1个一阶商品之间存在点击关系的M2个二阶用户帐号；以及确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品；N1、M2、M1和N2均为正整数；
[0008]基于N1个一阶商品的特征和M2个二阶用户帐号的特征，得到第一空域特征；以及基于M1个一阶用户帐号的特征和N2个二阶商品的特征，得到第二空域特征；
[0009]基于N1个一阶商品和M2个二阶用户帐号具有的点击时间戳，得到第一时域特征；基于M1个一阶用户帐号和N2个二阶商品具有的点击时间戳，得到第二时域特征；
[0010]基于第一空域特征、第二空域特征、第一时域特征和第二时域特征，预测目标用户帐号点击目标商品的概率。
[0011]根据本申请的一个方面，提供了一种点击率的预测装置，所述装置包括：
[0012]确定模块，用于确定与目标用户帐号点击过的N1个一阶商品之间存在点击关系的M2个二阶用户帐号；以及确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品；N1、M2、M1和N2均为正整数；
[0013]处理模块，用于基于N1个一阶商品的特征和M2个二阶用户帐号的特征，得到第一空域特征；以及基于M1个一阶用户帐号的特征和N2个二阶商品的特征，得到第二空域特征；
[0014]处理模块，还用于基于N1个一阶商品和M2个二阶用户帐号具有的点击时间戳，得到第一时域特征；基于M1个一阶用户帐号和N2个二阶商品具有的点击时间戳，得到第二时域特征；
[0015]预测模块，用于基于第一空域特征、第二空域特征、第一时域特征和第二时域特征，预测目标用户帐号点击目标商品的概率。
[0016]在一个可选的实施例中，确定模块，还用于根据与目标用户帐号对应的目标用户节点、与目标用户帐号点击过的N1个一阶商品对应的N1个一阶商品节点、与N1个一阶商品之间存在点击关系的M2个二阶用户帐号对应的M2个二阶用户节点，以及，将点击时间戳作为目标用户节点与一阶商品节点之间的边权、将点击时间戳作为一阶商品节点与二阶用户节点之间的边权，构建目标用户侧的第一交互子图。
[0017]在一个可选的实施例中，确定模块，还用于根据与目标商品对应的目标商品节点、与点击过目标商品的M1个一阶用户帐号对应的M1个一阶用户节点、与M1个一阶用户帐号之间存在点击关系的N2个二阶商品对应的N2个二阶商品节点，以及，将点击时间戳作为目标商品节点与一阶用户节点之间的边权、将点击时间戳作为一阶用户节点与二阶商品节点之间的边权，构建目标商品侧的第二交互子图。
[0018]在一个可选的实施例中，处理模块，还用于通过第一图神经网络，将N1个一阶商品节点的特征和M2个二阶用户节点的特征传递至目标用户节点，与目标用户节点的特征进行聚合，得到第一空域特征。
[0019]在一个可选的实施例中，处理模块，还用于通过第二图神经网络，将M1个一阶用户节点的特征和N2个二阶商品节点的特征传递至目标商品节点，与目标商品节点的特征进行聚合，得到第二空域特征。
[0020]在一个可选的实施例中，处理模块，还用于通过第一图神经网络，执行两次聚合过程，将第二次聚合得到的目标用户节点的特征向量作为第一空域特征向量；
[0021]在第k次聚合的过程中：
[0022]将N1个一阶商品节点的N1个第k
‑
1特征向量逐维度均值聚合，得到第k一阶商品特征向量，之后将第k一阶商品特征向量与目标用户节点的第k
‑
1特征向量进行拼接，得到目标用户节点的第k特征向量；
[0023]以及，针对N1个一阶商品节点中的第p个，将M
2p
个二阶用户节点的M
2p
个第k
‑
1特征向量逐维度均值聚合，得到第k二阶用户特征向量，之后将第k二阶用户特征向量与一阶商品节点的第k
‑
1特征向量进行拼接，得到一阶商品节点的第k特征向量，k的值为1或2，p的值为1至N1；
[0024]其中，
[0025]在一个可选的实施例中，处理模块，还用于通过第二图神经网络，执行两次聚合过程，将第二次聚合得到的目标商品节点的特征向量作为第二空域特征向量；
[0026]在第j次聚合的过程中：
[0027]将M1个一阶用户节点的M1个第j
‑
1特征向量逐维度均值聚合，得到第j一阶用户特征向量，之后将第j一阶用户特征向量与目标商品节点的第j
‑
1特征向量进行拼接，得到目标商品节点的第j特征向量；
[0028]以及，针对M1个一阶用户节点中的第q个，将N
2q
个二阶商品节点的N
2q
个第j
‑
1特征向量逐维度均值聚合，得到第j二阶商品特征向量，之后将第j二阶商品特征向量与一阶用户节点的第j
‑
1特征向量进行拼接，得到一阶用户节点的第j特征向量，j的值为1或2，q的值
为1至M1；
[0029]其中，
[0030]在一个可选的实施例中，处理模块，还用于将按点击时间戳排序后的N1个一阶商品节点的初始特征输入第一循环神经网络，得到与N1个一阶商品节点对应的第一时域子特征；将按点击时间戳排序后的M2个二阶用户节点的初始特征输入第一循环神经网络，得到与M2个二阶用户节点对应的第一时域子特征；通过聚合两个第一时域子特征，得到第一时域特征。
[0031]在一个可选的实施例中，处理模块，还用于将按点击时间戳排序后的M1个一阶用户节点的初始特征输入第二循环神经网络，得到与M1个一阶用户节点对应的第二时域子特征；将按点击时间戳排序后的N2个二阶商品节点的初始特征输入第二循环神经网络，得到与N2个二阶商品节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点击率的预测方法，其特征在于，所述方法包括：确定与目标用户帐号点击过的N1个一阶商品之间存在点击关系的M2个二阶用户帐号；以及确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品；N1、M2、M1和N2均为正整数；基于所述N1个一阶商品的特征和所述M2个二阶用户帐号的特征，得到第一空域特征；以及基于所述M1个一阶用户帐号的特征和所述N2个二阶商品的特征，得到第二空域特征；基于所述N1个一阶商品和所述M2个二阶用户帐号具有的点击时间戳，得到第一时域特征；基于所述M1个一阶用户帐号和所述N2个二阶商品具有的点击时间戳，得到第二时域特征；基于所述第一空域特征、所述第二空域特征、所述第一时域特征和所述第二时域特征，预测所述目标用户帐号点击所述目标商品的概率。2.根据权利要求1所述的方法，其特征在于，所述确定与目标用户帐号点击过的N1个一阶商品之间存在点击关系的M2个二阶用户帐号，包括：根据与所述目标用户帐号对应的目标用户节点、与所述目标用户帐号点击过的所述N1个一阶商品对应的N1个一阶商品节点、与所述N1个一阶商品之间存在所述点击关系的所述M2个二阶用户帐号对应的M2个二阶用户节点，以及，将所述点击时间戳作为所述目标用户节点与所述一阶商品节点之间的边权、将所述点击时间戳作为所述一阶商品节点与所述二阶用户节点之间的边权，构建目标用户侧的第一交互子图；所述确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品，包括：根据与所述目标商品对应的目标商品节点、与点击过所述目标商品的所述M1个一阶用户帐号对应的M1个一阶用户节点、与所述M1个一阶用户帐号之间存在所述点击关系的所述N2个二阶商品对应的N2个二阶商品节点，以及，将所述点击时间戳作为所述目标商品节点与所述一阶用户节点之间的边权、将所述点击时间戳作为所述一阶用户节点与所述二阶商品节点之间的边权，构建目标商品侧的第二交互子图。3.根据权利要求2所述的方法，其特征在于，所述基于所述N1个一阶商品的特征和所述M2个二阶用户帐号的特征，得到第一空域特征，包括：通过第一图神经网络，将所述N1个一阶商品节点的特征和所述M2个二阶用户节点的特征传递至所述目标用户节点，与所述目标用户节点的特征进行聚合，得到所述第一空域特征；所述基于所述M1个一阶用户帐号的特征和所述N2个二阶商品的特征，得到第二空域特征，包括：通过第二图神经网络，将所述M1个一阶用户节点的特征和所述N2个二阶商品节点的特征传递至所述目标商品节点，与所述目标商品节点的特征进行聚合，得到所述第二空域特征。4.根据权利要求3所述的方法，其特征在于，所述通过第一图神经网络，将所述N1个一阶商品节点的特征和所述M2个二阶用户节点的特征传递至所述目标用户节点，与所述目标用户节点的特征进行聚合，得到所述第一空域特征，包括：通过所述第一图神经网络，执行两次聚合过程，将第二次聚合得到的所述目标用户节
点的特征向量作为第一空域特征向量；在第k次聚合的过程中：将所述N1个一阶商品节点的N1个第k
‑
1特征向量逐维度均值聚合，得到第k一阶商品特征向量，之后将所述第k一阶商品特征向量与所述目标用户节点的第k
‑
1特征向量进行拼接，得到所述目标用户节点的第k特征向量；以及，针对所述N1个一阶商品节点中的第p个，将M
2p
个所述二阶用户节点的M
2p
个第k
‑
1特征向量逐维度均值聚合，得到第k二阶用户特征向量，之后将所述第k二阶用户特征向量与所述一阶商品节点的第k
‑
1特征向量进行拼接，得到所述一阶商品节点的第k特征向量，k的值为1或2，p的值为1至N1；其中，5.根据权利要求3所述的方法，其特征在于，所述通过第二图神经网络，将所述M1个一阶用户节点的特征和所述N2个二阶商品节点的特征传递至所述目标商品节点，与所述目标商品节点的特征进行聚合，得到所述第二空域特征，包括：通过所述第二图神经网络，执行两次聚合过程，将第二次聚合得到的所述目标商品节点的特征向量作为第二空域特征向量；在第j次聚合的过程中：将所述M1个一阶用户节点的M1个第j
‑
1特征向量逐维度均值聚合，得到第j一阶用户特征向量，之后将所述第j一阶用户特征向量与所述目标商品节点的第j
‑
1特征向量进行拼接，得到所述目标商品节点的第j特征向量；以及，针对所述M1个一阶用户节点中的第q个，将N
2q
个所述二阶商品节点的N
2q
个第j
‑
1特征向量逐维度均值聚合，得到第j二阶商品特征向量，之后将所述第j二阶商品特征向量与所述一阶用户节点的第j
‑
1特征向量进行拼接，得到所述一阶用户节点的第j特征向量，j的值为1或2，q的值为1至M1；其中，6.根据权利要求2至5任一所述的方法，其特征在于，所述基于所述N1个一阶商品和所述M2个二阶用户帐号具有的点击时间戳，得到第一时域特征，包括：将按所述点击时间戳排序后的所述N1个一阶商品节点的初始特征输入第一循环神经网络，得到与所述N1个一阶商品节点对应的第一时域子特征；将按所述点击时间戳排序后的所述M2个二阶用户节点的初始特征输入所述第一循环神经网络，得到与所述M2个二阶用户节点对应的第一时域子特征；通过聚合两个所述第一时域子特征，得到所述第一时...

【专利技术属性】
技术研发人员：陈昊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：