【技术实现步骤摘要】
本专利技术涉及广告推荐，特别是一种基于点击率预估模型的广告推荐方法及系统。
技术介绍
1、随着互联网广告技术的快速发展，基于大数据驱动的广告推荐系统逐渐成为提升用户体验和广告投放效率的重要工具。传统的广告推荐系统通常依赖于协同过滤、基于内容的推荐以及混合推荐等方法，通过分析用户的历史行为数据、广告内容特征以及用户与广告之间的交互关系，预测用户可能感兴趣的广告。然而，随着用户行为数据维度的不断增加和广告内容复杂度的提升，现有推荐方法在准确性和实时性方面面临诸多瓶颈。近年来，机器学习，尤其是深度学习的广泛应用，为广告推荐系统提供了新的技术手段，其中基于点击率预估模型的推荐方法成为研究热点。这类方法通过点击率预估模型对广告进行排序，以点击率（click-through rate, ctr）作为衡量用户兴趣的核心指标，显著提高了广告推荐的精准度。然而，如何进一步提升点击率预估模型的表现，充分挖掘用户兴趣特征，优化广告排序策略，仍然是当前广告推荐领域的研究难点。
2、尽管基于点击率预估模型的广告推荐方法取得了广泛应用，但现有技术仍存在一些不足之处。首先，大多数点击率预估模型在特征提取阶段通常依赖于简单的统计特征或手工设计特征，未能充分考虑用户行为特征的时序性和上下文环境对用户兴趣变化的影响，从而导致模型对用户兴趣的捕获不够精准。其次，现有模型大多通过传统的损失函数进行监督训练，忽略了用户行为数据中潜在的因果关系，容易受到非因果因素的干扰，导致点击率预估结果存在偏差。此外，在广告排序阶段，现有技术通常基于静态优化目标，未能充分利
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于点击率预估模型的广告推荐方法解决现有技术中对用户兴趣的捕获不够精准以及难以满足个性化推荐需求的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种基于点击率预估模型的广告推荐方法，其包括，采集广告推荐特征数据，通过特征工程进行处理，输出用户特征向量；
5、基于用户特征向量，利用因果推断模型剔除非因果因素干扰，提取用户兴趣偏值，生成优化后的用户兴趣向量；
6、所述生成优化后的用户兴趣向量，具体步骤如下：
7、对降维后的用户特征向量进行标准化处理；
8、将标准化后的特征向量按照时序排列，形成时间序列矩阵；
9、基于时间序列矩阵构建因果推断模型，提取用户兴趣偏值，表达式为：
10、，
11、其中，表示当前时间的用户兴趣偏值，表示时间窗口，表示衰减基准系数，表示时间衰减率，表示调节系数，表示特征值的总数，表示特征值的索引变量，表示对应第个特征值的权重，表示实际观测到的特征值，表示预期观测到的特征值，表示积分的微元，表示积分变量，表示决定时间衰减率的时间间隔；
12、根据用户兴趣偏值，对时间序列矩阵中的各特征维度进行重要性加权；
13、基于加权结果，对重要性加权后的各特征维度进行筛选，输出优化后的用户兴趣向量；
14、将用户兴趣向量输入点击率预估模型，通过因果优化的交叉熵损失函数对点击率预估模型进行训练，输出每个广告的点击概率值；
15、将点击概率值作为强化学习算法的输入，结合用户交互行为，通过动态优化多目标奖励函数，生成广告排序结果；
16、根据用户交互行为中的实时反馈数据，实时更新因果推断模型的用户兴趣偏值，并校正用户兴趣向量偏移。
17、作为本专利技术所述基于点击率预估模型的广告推荐方法的一种优选方案，其中：所述采集广告推荐特征数据，通过特征工程进行处理，输出用户特征向量，具体步骤如下：
18、实时收集用户行为数据，存储为结构化数据表；
19、利用时间窗口，统计结构化数据表中的用户行为特征；
20、获取广告属性，并通过双向编码器表示提取语义向量，生成广告特征；
21、记录广告展示时的上下文信息，编码时间与地理特征，同时关联用户行为特征和广告特征，形成上下文特征；
22、将上下文特征与用户行为特征组合，生成时间行为交叉特征；
23、使用主成分分析对时间行为交叉特征进行降维，输出降维后的用户特征向量。
24、作为本专利技术所述基于点击率预估模型的广告推荐方法的一种优选方案，其中：所述根据用户兴趣偏值，对时间序列矩阵中的各特征维度进行重要性加权，具体步骤如下：
25、采用算术平均数，逐个计算特征维度在整个时间序列上的均值，输出特征维度均值；
26、采用算术平均数，计算整个时间序列上用户兴趣偏值的均值；
27、基于特征维度均值和用户兴趣偏值的均值，计算协方差；
28、将计算得到的所有协方差，组合成特征维度与用户兴趣偏值的关联矩阵；
29、对于关联矩阵中的每一列，构建协方差向量，并计算所有特征维度协方差向量模长的总和；
30、根据协方差向量模长的总和计算出各特征维度对应的权重向量；
31、将权重向量与时间序列矩阵中的对应元素相乘，输出加权后的时间序列矩阵。
32、作为本专利技术所述基于点击率预估模型的广告推荐方法的一种优选方案，其中：所述将用户兴趣向量输入点击率预估模型，通过因果优化的交叉熵损失函数对点击率预估模型进行训练，输出每个广告的点击概率值，具体步骤如下：
33、将用户兴趣向量和广告特征拼接，构造模型输入特征向量；
34、采用基于多头自注意力机制的transformer网络作为点击率预估模型的核心框架；
35、对transformer网络结构中的输入层，输入拼接后的特征向量，并进行线性变换，生成查询矩阵、键矩阵和值矩阵；
36、基于查询矩阵、键矩阵和值矩阵，通过transformer的多头自注意力机制捕获用户兴趣特征与广告特征的交互关系；
37、对transformer网络结构中的全连接层使用多层感知机进一步提取高维特征；
38、使用sigmoid激活函数，将全连接层输出的高维特征映射到区间，生成初始点击概率；
39、在交叉熵损失函数的基础上引入因果惩罚项，进一步优化交叉熵损失函数，表达式为：
40、，
41、其中，表示交叉熵损失，表示因果正则项的权重系数，表示因果惩罚项；
42、因果惩罚项表达式为：
43、，
44、其中，表示frobenius范数；
45、利用优化后的交叉熵损失函数，训练点击率预估模型；
46、通过训练好的点击率预估模型对新样本进行推理，得到每个广告的点击概率值。
47、作为本专利技术所述基于点击率预估模型的广告推荐方法的一种优选方案，其中：所述生成广告排本文档来自技高网...
【技术保护点】
1.一种基于点击率预估模型的广告推荐方法，其特征在于：包括，
2.如权利要求1所述的基于点击率预估模型的广告推荐方法，其特征在于：所述采集广告推荐特征数据，通过特征工程进行处理，输出用户特征向量，具体步骤如下：
3.如权利要求2所述的基于点击率预估模型的广告推荐方法，其特征在于：所述根据用户兴趣偏值，对时间序列矩阵中的各特征维度进行重要性加权，具体步骤如下：
4.如权利要求3所述的基于点击率预估模型的广告推荐方法，其特征在于：所述将用户兴趣向量输入点击率预估模型，通过因果优化的交叉熵损失函数对点击率预估模型进行训练，输出每个广告的点击概率值，具体步骤如下：
5.如权利要求4所述的基于点击率预估模型的广告推荐方法，其特征在于：所述生成广告排序结果，具体步骤如下：
6.如权利要求5所述的基于点击率预估模型的广告推荐方法，其特征在于：所述根据用户交互行为中的实时反馈数据，实时更新因果推断模型的用户兴趣偏值，并校正用户兴趣向量偏移，具体步骤如下：
7.一种基于点击率预估模型的广告推荐系统，基于权利要求1~6任一所述的
...【技术特征摘要】
1.一种基于点击率预估模型的广告推荐方法，其特征在于：包括，
2.如权利要求1所述的基于点击率预估模型的广告推荐方法，其特征在于：所述采集广告推荐特征数据，通过特征工程进行处理，输出用户特征向量，具体步骤如下：
3.如权利要求2所述的基于点击率预估模型的广告推荐方法，其特征在于：所述根据用户兴趣偏值，对时间序列矩阵中的各特征维度进行重要性加权，具体步骤如下：
4.如权利要求3所述的基于点击率预估模型的广告推荐方法，其特征在于：所述将用户兴趣向量输入点击率预估模型，通过因果优化的交叉熵损失函数对点击率预估模型进行训练...
【专利技术属性】
技术研发人员：张峰，高洁，张超，张浩，张宇宁，
申请(专利权)人：北京鸿途信达科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。