本公开涉及机器学习,尤其涉及一种基于ctr预测模型的目标推荐方法及装置。
背景技术:
1、推荐系统在当今生活扮演着不可或缺的作用,无论是网络购物,新闻阅读,还是视频观看等,都有其身影。用户点击预测(click through rate,ctr)是推荐系统中的关键任务,它可以估计用户点击一个item的概率,用于执行ctr任务的称之为ctr预测模型。对于ctr预测最关键的是如何有效选择特征交互,然而目前在ctr预测中特征交互比较少,比较稀疏。
2、在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:ctr预测中特征交互比较少,比较稀疏,导致ctr预测准确率低的问题。
技术实现思路
1、有鉴于此,本公开实施例提供了一种基于ctr预测模型的目标推荐方法、装置、电子设备及计算机可读存储介质,以解决现有技术中,ctr预测中特征交互比较少,比较稀疏,导致ctr预测准确率低的问题。
2、本公开实施例的第一方面,提供了一种基于ctr预测模型的目标推荐方法,包括:利用卷积层、池化层和全连接层构建多组特征生成层,并利用嵌入层和多组特征生成层构建特征生成网络,其中,多组特征生成层彼此使用的卷积核不同;利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络;利用特征生成网络和特征分类网络构建ctr预测模型;依据推荐任务对ctr预测模型进行训练,利用训练后的ctr预测模型执行推荐任务。
3、本公开实施例的第二方面,提供了一种基于ctr预测模型的目标推荐装置,包括:第一构建模块,被配置为利用卷积层、池化层和全连接层构建多组特征生成层,并利用嵌入层和多组特征生成层构建特征生成网络,其中,多组特征生成层彼此使用的卷积核不同;第二构建模块,被配置为利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络;第三构建模块,被配置为利用特征生成网络和特征分类网络构建ctr预测模型;训练模块,被配置为依据推荐任务对ctr预测模型进行训练,利用训练后的ctr预测模型执行推荐任务。
4、本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在的有益效果是:因为本公开实施例通过利用卷积层、池化层和全连接层构建多组特征生成层,并利用嵌入层和多组特征生成层构建特征生成网络,其中,多组特征生成层彼此使用的卷积核不同;利用特征拼接层、特征组合层、多层感知机和softmax层构建特征分类网络;利用特征生成网络和特征分类网络构建ctr预测模型;依据推荐任务对ctr预测模型进行训练,利用训练后的ctr预测模型执行推荐任务,因此,采用上述技术手段,可以解决现有技术中,ctr预测中特征交互比较少,比较稀疏,导致ctr预测准确率低的问题,进而提高ctr预测准确率。
1.一种基于ctr预测模型的目标推荐方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,依据推荐任务对所述ctr预测模型进行训练,包括:
3.根据权利要求1所述的方法,其特征在于,所述嵌入层后接多组并列的特征生成层,作为所述特征生成网络。
4.根据权利要求2所述的方法,其特征在于,所述特征分类网络对多个多维嵌入特征向量和多个多维交互特征向量进行处理,得到分类结果,包括:
5.根据权利要求4所述的方法,其特征在于,所述特征分类网络中的特征拼接层对多个多维嵌入特征向量和多个多维交互特征向量进行拼接,得到拼接特征向量,包括:
6.根据权利要求1所述的方法,其特征在于,依据推荐任务对所述ctr预测模型进行训练,包括:
7.根据权利要求1所述的方法,其特征在于,所述池化层采用max pooling 或者avgpooling;
8.一种基于ctr预测模型的目标推荐装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。