CN114240555A - 训练点击率预测模型和预测点击率的方法和装置 - Google Patents

Abstract

本公开的实施例公开了训练点击率预测模型和预测点击率的方法和装置。该方法的具体实施方式包括：获取训练样本集和点击率预测模型；从训练样本集中选取目标训练样本通过第一表示嵌入层和第二表示嵌入层得到稀疏类目向量和用户行为向量；将稀疏类目向量输入基于域的动态参数化层得到第一输出结果；将用户行为向量输入基于用户行为的动态参数化层得到第二输出结果；基于第一输出结果和第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据预测值和目标训练样本的点击标签计算损失值；根据损失值调整点击率预测模型的网络参数。该实施方式实现了根据训练样本生成动态权重，提高点击率预测模型的准确性。

Description

训练点击率预测模型和预测点击率的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及训练点击率预测模型和预测点击率的方法和装置。

背景技术

近年来，深度神经网络(Deep neural networks，DNN)在点击率(Click-throughrate,CTR)预估任务上取得了巨大的成功。本质上，其核心的组件是一个线性变换，它通过固定内核(fixed kernels)对输入和上下文信息的交互进行建模。从人的角度来看，人们会根据自己的喜好来选择点击哪个商品，或者在点击几个相似的商品后可能会选择点击其他的商品。这种特性伴随着隐含的低阶交互，使得DNN很难感知乘性的关系。如今，大量的研究致力于构建合适的高阶交互模块对这种关系进行建模。在现有的推荐系统中，基于DNN的点击率预估方法对高阶的乘性关系比较难感知，近年来许多工作主要采用DNN+高阶交互模块来对尝试对这种关系进行刻画，但是这些方法无法基于输入和上下文进行自适应的交互，且其模型表达能力和高延迟性的问题限制了其在真实推荐系统中的应用落地。

发明内容

本公开的实施例提出了训练点击率预测模型和预测点击率的方法和装置。

第一方面，本公开的实施例提供了一种训练点击率预测模型的方法，包括：获取训练样本集和点击率预测模型，其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签，所述点击率预测模型包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层；执行如下训练步骤：从所述训练样本集中选取目标训练样本；将所述目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量；将所述目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量；将所述稀疏类目向量输入点击率预测模型的基于域的动态参数化层，以生成第一权重和第一偏置，并根据所述第一权重和所述第一偏置将所述稀疏类目向量进行线性变化得到第一输出结果；将所述用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据所述第二权重和所述第二偏置对所述用户行为向量进行卷积得到第二输出结果；基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据所述预测值和所述目标训练样本的点击标签计算损失值；如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

在一些实施例中，该方法还包括：如果损失值大于等于预定阈值，则调整所述点击率预测模型的网络参数，继续执行上述训练步骤。

在一些实施例中，所述点击率预测模型还包括基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层；以及所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：将所述用户行为向量输入第一多头注意力层，得到第一注意力结果；将所述第一注意力结果和所述第二输出结果的加权和作为第一加权结果；将所述稀疏类目向量输入第二全连接层得到查询向量；将所述第一加权结果和所述查询向量输入基于搜索行为的动态参数化层，以生成第三权重和第三偏置，并根据所述第三权重和所述第三偏置将所述查询向量进行线性变化得到第三输出结果；将所述第一加权结果和所述查询向量输入第二多头注意力层，得到第二注意力结果；将所述第二注意力结果和所述第三输出结果的加权和作为第二加权结果；基于所述第一输出结果和所述第二加权结果通过第一全连接层进行点击率预测，得到预测值。

在一些实施例中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后和第二加权结果进行拼接，得到拼接结果；将所述拼接结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在一些实施例中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后，得到投射结果；将所述投射结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在一些实施例中，所述基于域的动态参数化层包括：第一池化层、第一权重生成层、第一样本自适应仿射层，所述基于用户行为的动态参数化层包括：第二池化层、第二权重生成层、第二样本自适应卷积层。

在一些实施例中，所述基于搜索行为的动态参数化层包括：第三池化层、第三权重生成层、第三样本自适应仿射层，所述基于特征的动态参数化层包括：第四权重生成层、第四样本自适应仿射层。

第二方面，本公开的实施例提供了一种预测点击率的方法，包括：获取用户的用户信息、商品信息和用户历史行为；将所述用户信息、所述商品信息和用户历史行为输入根据第一方面任一项所述方法训练得到的点击率预测模型，得到所述用户对商品的点击率预测值。

在一些实施例中，所述方法还包括：按商品的点击率预测值由大到小的顺序选择预定数目个商品；向所述用户推送所选取的商品的商品信息。

在一些实施例中，所述方法还包括：预测点击率过程中根据所述用户信息、所述商品信息和所述用户历史行为调整所述点击率预测模型中以下至少一种动态参数化层的权重和偏置：基于域的动态参数化层、基于用户行为的动态参数化层、基于搜索行为的动态参数化层、基于特征的动态参数化层。

在一些实施例中，所述方法还包括：获取所述用户点击的商品信息作为点击标签；根据所述点击标签与所述点击率预测值计算损失值；根据所述损失值调整所述点击率预测模型的网络参数。

在一些实施例中，所述方法还包括：获取所述用户点击的商品信息添加到所述用户的用户历史行为中。

第三方面，本公开的实施例提供了一种训练点击率预测模型的装置，包括：获取单元，被配置成获取训练样本集和点击率预测模型，其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签，所述点击率预测模型包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层；训练单元，被配置成执行如下训练步骤：从所述训练样本集中选取目标训练样本；将所述目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量；将所述目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量；将所述稀疏类目向量输入点击率预测模型的基于域的动态参数化层，以生成第一权重和第一偏置，并根据所述第一权重和所述第一偏置将所述稀疏类目向量进行线性变化得到第一输出结果；将所述用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据所述第二权重和所述第二偏置对所述用户行为向量进行卷积得到第二输出结果；基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据所述预测值和所述目标训练样本的点击标签计算损失值；如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

在一些实施例中，该装置还包括调整单元，被配置成：如果损失值大于等于预定阈值，则调整所述点击率预测模型的网络参数，继续执行上述训练步骤。

在一些实施例中，所述点击率预测模型还包括基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层；以及训练单元进一步被配置成：将所述用户行为向量输入第一多头注意力层，得到第一注意力结果；将所述第一注意力结果和所述第二输出结果的加权和作为第一加权结果；将所述稀疏类目向量输入第二全连接层得到查询向量；将所述第一加权结果和所述查询向量输入基于搜索行为的动态参数化层，以生成第三权重和第三偏置，并根据所述第三权重和所述第三偏置将所述查询向量进行线性变化得到第三输出结果；将所述第一加权结果和所述查询向量输入第二多头注意力层，得到第二注意力结果；将所述第二注意力结果和所述第三输出结果的加权和作为第二加权结果；基于所述第一输出结果和所述第二加权结果通过第一全连接层进行点击率预测，得到预测值。

在一些实施例中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及训练单元进一步被配置成：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后和第二加权结果进行拼接，得到拼接结果；将所述拼接结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在一些实施例中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及训练单元进一步被配置成：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后，得到投射结果；将所述投射结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在一些实施例中，所述基于域的动态参数化层包括：第一池化层、第一权重生成层、第一样本自适应仿射层，所述基于用户行为的动态参数化层包括：第二池化层、第二权重生成层、第二样本自适应卷积层。

在一些实施例中，所述基于搜索行为的动态参数化层包括：第三池化层、第三权重生成层、第三样本自适应仿射层，所述基于特征的动态参数化层包括：第四权重生成层、第四样本自适应仿射层。

第四方面，本公开的实施例提供了一种预测点击率的装置，包括：获取单元，被配置成获取用户的用户信息、商品信息和用户历史行为；预测单元，被配置成将所述用户信息、所述商品信息和用户历史行为输入根据第一方面中任一项所述方法训练得到的点击率预测模型，得到所述用户对商品的点击率预测值。

在一些实施例中，所述装置还包括推荐单元，被配置成：按商品的点击率预测值由大到小的顺序选择预定数目个商品；向所述用户推送所选取的商品的商品信息。

在一些实施例中，所述装置还包括调整单元，被配置成：预测点击率过程中根据所述用户信息、所述商品信息和所述用户历史行为调整所述点击率预测模型中以下至少一种动态参数化层的权重和偏置：基于域的动态参数化层、基于用户行为的动态参数化层、基于搜索行为的动态参数化层、基于特征的动态参数化层。

在一些实施例中，所述装置还包括调整单元，被配置成：获取所述用户点击的商品信息作为点击标签；根据所述点击标签与所述点击率预测值计算损失值；根据所述损失值调整所述点击率预测模型的网络参数。

在一些实施例中，所述获取单元进一步被配置成：获取所述用户点击的商品信息添加到所述用户的用户历史行为中。

第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面任一项所述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任一项所述的方法。

本公开实施例提供的训练点击率预测模型和预测点击率的方法和装置，通过基于域的动态参数化层、基于用户行为的动态参数化层根据样本自适应生成动态权重。通过感知不同样本的内在属性，自动调整模型的参数，同时在保证线上服务耗时不大的前提下进行点击率预估。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的训练点击率预测模型的方法的一个实施例的流程图；

图3a-3h是根据本公开的点击率预测模型的网络结构的示意图；

图4是根据本公开的预测点击率的方法的一个实施例的流程图；

图5是根据本公开的训练点击率预测模型的装置的一个实施例的结构示意图；

图6是根据本公开的预测点击率的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开实施例的训练点击率预测模型的方法、训练点击率预测模型的装置、预测点击率的方法或预测点击率的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、点击率预测类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括用户信息、商品信息和用户行为序列、点击标签。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的点击率预测模型)用于信息推荐。这样，网站服务提供商可以应用点击率预测模型进行商品信息的点击率预测，从而向用户推荐点击率高的推荐信息，从而提高推荐信息的命中率和转化率。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本公开实施例所提供的训练点击率预测模型的方法或预测点击率的方法一般由服务器105执行。相应地，训练点击率预测模型的装置或预测点击率的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本公开的训练点击率预测模型的方法的一个实施例的流程200。该训练点击率预测模型的方法可以包括以下步骤：

步骤201，获取训练样本集和点击率预测模型。

在本实施例中，训练点击率预测模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取训练样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集训练样本。这样，执行主体可以接收终端所收集的训练样本，并将这些训练样本存储在本地，从而生成训练样本集。

在这里，训练样本集中可以包括至少一个训练样本。其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签。用户信息可以是一些用户稀疏ID，例如用户标签，用户设备标签，用户所在地标签等。商品信息可以是一些商品稀疏ID，如商品标签，商品类目标签，商品品牌标签等。本文中称不同类型的稀疏ID为域。用户行为序列指的是用户的浏览、收藏、购买等行为。点击标签用来标识用户对展示商品的点击概率，1为点击，0为未点击。

这里的点击率预测模型是初始模型，可包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层，如图3a所示。

可选地，点击率预测模型可包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层、基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层，如图3b所示；

可选地，点击率预测模型可包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层、基于特征的动态参数化层、第三全连接层、第三嵌入表示层，如图3c所示。

可选地，点击率预测模型可包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层、基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层、基于特征的动态参数化层、第三全连接层、第三嵌入表示层，如图3d所示。

步骤202，从训练样本集中选取目标训练样本。

在本实施例中，执行主体可以从步骤201中获取的训练样本集中选取训练样本作为目标训练样本，以及执行步骤203至步骤210的训练步骤。其中，训练样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取用户行为序列较长(即用户的操作较多)的样本。点击标签为1的是正样本，点击标签为0的是负样本。需要保证训练过程中正样本和负样本的比例基本相同。

步骤203，将目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量。

在本实施例中，第一表示嵌入层对用户稀疏ID和商品稀疏ID进行特征处理以及离散化，并使用独热编码对进行特征向量化得到了高维稀疏向量，再进行低维嵌入，从而得到稠密的向量表示，命名为稀疏类目向量，以减少神经网络模型的复杂度。

步骤204，将目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量。

在本实施例中，第二表示嵌入层对于用户行为序列使用Multi-Hot编码进行特征向量化，得到了高维稀疏向量，再进行低维嵌入，从而得到稠密的向量表示，命名为用户行为向量，以减少神经网络模型的复杂度。

步骤205，将稀疏类目向量输入基于域的动态参数化层，以生成第一权重和第一偏置，并根据第一权重和第一偏置将稀疏类目向量进行线性变化得到第一输出结果。

在本实施例中，基于域的动态参数化层的结构如图3e所示，包括池化层、权重生成层和样本自适应仿射层。首先通过池化层对不同特征域进行特征聚合，如使用全局最大池化，全局平均池化，来聚合不同域的特征，如商品ID、用户ID等，得到聚合向量后使用两层MLP(多层感知机，也称为全连接层)来生成前向权重和偏置值，这里假设输入特征维度为16，两层MLP的输出维度则分别8，272。其中MLP的第一层代表一次线性变换，MLP的第二层代表输出实例级的动态权重和偏置，其中权重的大小为16*16，偏置为16，因此通过变形操作，可以将两层MLP之后的输出变为一个kernel(权重)和bias(偏置)用于模仿全连接层中的前向计算。随后在特征聚合层：对于每个不同的特征域，都使用上述生成的kernel和bias进行一次线性变化得到维度为16的域向量。

然后，使用生成的权重和偏置通过样本自适应仿射层模仿全连接层对原始样本进行仿射变换，即简单的矩阵乘法和加法，得到第一输出结果。需要注意，这里的权重和偏置对于每个不同的样本都是不一样的，这一点与全连接层不同。

本申请中涉及四种动态参数化层，因此，用“第一池化层”、“第二池化层”、“第一权重生成层”、“第二权重生成层”、“第一权重”、“第第二权重”、“第一偏置”、“第二偏置”等加以区分。

步骤206，将用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据第二权重和第二偏置对用户行为向量进行卷积得到第二输出结果。

在本实施例中，基于用户行为的动态参数化层的结构如图3g所示，包括池化层、权重生成层和样本自适应卷积层。首先可以对用户行为向量进行一次卷积操作用于提取一些局部特征，随后通过池化层使用全局聚合函数进行特征聚合，如全局最大池化，全局平均池化等到用户行为全局聚合向量。对于聚合向量，选择使用两层全连接层(双层MLP)来生成动态卷积核和偏置值，这里假设用户行为向量维度为32，用户行为长度为100，卷积核宽为3，卷积核输出维度为64，双层MLP的输出维度分别设置成8和6208，其中MLP的第一层的维度可以自由设置，而MLP的第二层的输出维度则由卷积核的长宽，输入维度和输出维度以及偏置维度决定，即3*32*64+64。

随后通过切分和变形操作分别得到动态卷积核和偏置项。在样本自适应卷积层使用卷积操作对原始用户行为向量进行局部线性变换(使用动态卷积核进行卷积再加上偏置)最后得到第二输出结果，其中，用户行为特征长度为100，维度为64。卷积核的宽度越大能感知到越多的用户行为信息，但是同时也会引起优化困难的问题，在实际使用中可选择卷积核的大小为3。这里所说的所有数值都用于举例，不构成具体的神经网络结构。

步骤207，基于第一输出结果和第二输出结果通过第一全连接层进行点击率预测，得到预测值。

在本实施例中，这里的第一全连接层相当于分类层，能得到商品被点击的概率，即预测值。

在本实施例的一些可选地实现方式中，点击率预测模型还包括基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层。基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：将所述用户行为向量输入第一多头注意力层，得到第一注意力结果；将所述第一注意力结果和所述第二输出结果的加权和作为第一加权结果；将所述稀疏类目向量输入第二全连接层得到查询向量；将所述第一加权结果和所述查询向量输入基于搜索行为的动态参数化层，以生成第三权重和第三偏置，并根据所述第三权重和所述第三偏置将所述查询向量进行线性变化得到第三输出结果；将所述第一加权结果和所述查询向量输入第二多头注意力层，得到第二注意力结果；将所述第二注意力结果和所述第三输出结果的加权和作为第二加权结果；基于所述第一输出结果和所述第二加权结果通过第一全连接层进行点击率预测，得到预测值。

如图3b所示，用户行为向量与多头注意力层输出加权结合后输出的第一注意力结果作为整体用户行为向量，输入到用户行为解码器。其中用户行为解码器由多头注意层和基于搜索行为的动态参数化层构成。如图3h所示，基于搜索行为的动态参数化层同样也包括池化层、权重生成层和样本自适应仿射层。首先使用池化层聚合所有的用户行为向量(第一注意力结果)，如全局平均池化等，并使用两层MLP生成前向权重和偏置值。这里假设搜索向量维度为32，聚合后的用户行为向量维度为64，两层的MLP的输出维度则可以设置为8，2112。其中MLP的第二层输出动态权重和偏置，其中权重大小为32*64，偏置大小为64。随后在样本自适应仿射层，对于搜索向量，使用上述生成的动态权重和偏置生成维度64的搜索行为聚合向量(第三输出结果)。

将第三输出结果和第二注意力结果的加权和与第一输出结果作为第一全连接层的输入，对点击率进行预测得到预测值。

查询向量包含了当前行为的搜索词、商品类目、商品标签等信息，基于搜索行为的动态参数化层通过建模用户行为序列与查询向量之间的关系，学习以往用户行为对当前商品是否点击的指导意义。

在本实施例的一些可选地实现方式中，点击率预测模型还包括基于特征的动态参数化层、第三全连接层、第三嵌入表示层；以及基于第一输出结果和第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：从用户信息、商品信息中选择出上下文信息；将上下文信息输入第三嵌入表示层，得到上下文向量；将第一输出结果和第二输出结果通过第三全连接层进行线性投射到低维度后，得到投射结果；将投射结果和上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据第四权重和第四偏置将拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

点击率预测模型如图3c所示。上下文信息是预先指定的用户信息、商品信息中的部分信息，例如，用户标签、商品品牌等。第三嵌入表示层的作用与第一嵌入表示层相同。基于域的动态参数化层的输出结果为第一输出结果，基于用户行为的动态参数化层的输出结果为第二二输出结果。将第一输出结果拼接之后使用单层全连接层(第三全连接层)进行线性投射到低维度，随后和第二输出结果进行拼接，共同输入到基于特征的动态参数化层(如图3f所示)。该基于特征的动态参数化层包括权重生成层和样本自适应仿射层。其中权重生成层，使用稀疏上下文ID得到的上下文向量，并使用两层MLP去生成动态权重和偏置值，假设上下文向量维度为16，拼接后的特征输入维度为512，要求输出维度为256，两层MLP的输出维度则分别为8，131328。通过切分和变形操作，分别得到大小512*256的权重矩阵和256的偏置值，通过线性变换操作对输入向量进行仿射变换，通过堆叠该层最后得到第四输出结果。最后由线性分类层(第一全连接层)得到点击率预测值。

在本实施例的一些可选地实现方式中，点击率预测模型还包括基于特征的动态参数化层、第三全连接层、第三嵌入表示层；以及基于第一输出结果和第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：从用户信息、商品信息中选择出上下文信息；将上下文信息输入第三嵌入表示层，得到上下文向量；将第一输出结果通过第三全连接层进行线性投射到低维度后和第二加权结果进行拼接，得到拼接结果；将拼接结果和上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据第四权重和第四偏置将拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

点击率预测模型的结构如图3d所示。包括了4种动态参数化层。每种动态参数化层的处理已在上文中描述过，不再赘述。与前面的实现方式的区别在于，使用了第二加权结果替换第二输出结果。其它过程是一样的，不再赘述。

步骤208，根据预测值和目标训练样本的点击标签计算损失值。

在本实施例中，可以将预测值和对应的点击标签作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间损失值。

在本实施例中，损失函数通常是用来估量模型的预测值(如预测的点击率)与真值(如点击标签)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

步骤209，如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

在本实施例中，预定阈值一般可以用于表示预测值与真值之间的不一致程度的理想情况。也就是说，当损失值达到预定阈值时，可以认为预测值接近或近似真值。预定阈值可以根据实际需求来设置。

需要说明的是，若步骤202中选取有多个(至少两个)训练样本，则执行主体可以将每个训练样本的损失值分别与预定阈值进行比较。从而可以确定每个训练样本的损失值是否达到预定阈值。

步骤210，如果损失值大于等于预定阈值，则调整点击率预测模型的网络参数，继续执行步骤202-210。

在本实施例中，如果损失值大于等于预定阈值，说明点击率预测模型未训练完成。可利用相关优化算法调整点击率预测模型的网络参数。例如采用随机梯度下降技术修改初始的点击率预测模型中各卷积层中的权重。以及可以返回步骤202，从训练样本集中重新选取训练样本。从而可以继续执行上述训练步骤。

需要说明的是，这里的选取方式在本公开中也不限制。例如在训练样本集中有大量训练样本的情况下，执行主体可以从中选取未被选取过的训练样本。

动态参数化模型利用步骤203、204得到的稠密向量得到输出为点击率预估值，并进行整体训练.其中基于域的动态参数化层用于学习特征域之间的动态交互信息；基于特征的动态参数化层利用稀疏上下文特征得到的稠密向量来计算动态权重，用于样本自适应的聚合输入特征；基于用户行为的动态参数化层利用用户行为聚合后的特征表示来生成动态权重分别用于样本自适应卷积和聚合用户搜索查询特征。

训练得到的点击率预测模型可直接应用在基于特征的建模和基于用户行为序列的建模问题中，用于处理点击率预估不准问题。

请参见图4，其示出了本公开提供的预测点击率的方法的一个实施例的流程400。该预测点击率的方法可以包括以下步骤：

步骤401，获取用户的用户信息、商品信息和用户历史行为。

在本实施例中，预测点击率的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取用户的用户信息、商品信息和用户历史行为。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的用户信息、商品信息(待推荐信息)和用户历史行为。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的日志信息以及待推荐的商品信息。

在本实施例中，商品信息可以是任意待推荐的商品的信息，例如电商平台展示的商品信息。

步骤402，将用户信息、商品信息和用户历史行为输入点击率预测模型，得到用户对商品的点击率预测值。

在本实施例中，执行主体可以将步骤401中获取的用户信息、商品信息和用户历史行为输入点击率预测模型中，从而生成用户对商品的点击率预测值。可根据用户对商品的点击率预测值来生成商品信息的推荐排序，例如，预测值越高则优先推荐给用户，预测值低于推荐阈值的则不推荐给用户。

在预测过程中，点击率预测模型仍会根据用户信息、商品信息和用户历史行为调整4种动态参数化层的权重和偏置。

在本实施例中，点击率预测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

需要说明的是，本实施例预测点击率的方法可以用于测试上述各实施例所生成的点击率预测模型。进而根据测试结果可以不断地优化点击率预测模型。该方法也可以是上述各实施例所生成的点击率预测模型的实际应用方法。采用上述各实施例所生成的点击率预测模型，来进行点击率预测，有助于提高信息推荐的准确性和成功率。

在本实施例的一些可选地实现方式中，所述方法还包括：按商品的点击率预测值由大到小的顺序选择预定数目个商品；向所述用户推送所选取的商品的商品信息。点击率的预测可用于信息推荐，预先判断用户可能点击的商品，有针对性的推荐，提高信息推荐的命中率。

在本实施例的一些可选地实现方式中，所述方法还包括：预测点击率过程中根据所述用户信息、所述商品信息和所述用户历史行为调整所述点击率预测模型中以下至少一种动态参数化层的权重和偏置：基于域的动态参数化层、基于用户行为的动态参数化层、基于搜索行为的动态参数化层、基于特征的动态参数化层。具体调整过程如图3a-3h所示，前文已经阐述过，因此不再赘述。动态新增样本重新进行模型训练，进一步提升了模型预测的准确性。

在本实施例的一些可选地实现方式中，所述方法还包括：获取所述用户点击的商品信息作为点击标签；根据所述点击标签与所述点击率预测值计算损失值；根据所述损失值调整所述点击率预测模型的网络参数。向用户推荐商品后，用户点击的商品信息才是真值，可将其作为点击标签，相当于增加了新的样本，重新进行模型训练，进一步提升了模型预测的准确性。

在本实施例的一些可选地实现方式中，所述方法还包括：获取所述用户点击的商品信息添加到所述用户的用户历史行为中。这样可以无需人工操作就可增加样本数量，既降低了人力成本又提高了模型的精度。

继续参见图5，作为对上述图2所示方法的实现，本公开提供了一种训练点击率预测模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的训练点击率预测模型的装置500可以包括：获取单元501、训练单元502。其中，获取单元501，被配置成获取训练样本集和点击率预测模型，其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签，所述点击率预测模型包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层；训练单元502，被配置成执行如下训练步骤：从所述训练样本集中选取目标训练样本；将所述目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量；将所述目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量；将所述稀疏类目向量输入点击率预测模型的基于域的动态参数化层，以生成第一权重和第一偏置，并根据所述第一权重和所述第一偏置将所述稀疏类目向量进行线性变化得到第一输出结果；将所述用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据所述第二权重和所述第二偏置对所述用户行为向量进行卷积得到第二输出结果；基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据所述预测值和所述目标训练样本的点击标签计算损失值；如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

在本实施例的一些可选的实现方式中，该装置还包括调整单元503，被配置成：如果损失值大于等于预定阈值，则调整所述点击率预测模型的网络参数，继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，所述点击率预测模型还包括基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层；以及训练单元502进一步被配置成：将所述用户行为向量输入第一多头注意力层，得到第一注意力结果；将所述第一注意力结果和所述第二输出结果的加权和作为第一加权结果；将所述稀疏类目向量输入第二全连接层得到查询向量；将所述第一加权结果和所述查询向量输入基于搜索行为的动态参数化层，以生成第三权重和第三偏置，并根据所述第三权重和所述第三偏置将所述查询向量进行线性变化得到第三输出结果；将所述第一加权结果和所述查询向量输入第二多头注意力层，得到第二注意力结果；将所述第二注意力结果和所述第三输出结果的加权和作为第二加权结果；基于所述第一输出结果和所述第二加权结果通过第一全连接层进行点击率预测，得到预测值。

在本实施例的一些可选的实现方式中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及训练单元502进一步被配置成：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后和第二加权结果进行拼接，得到拼接结果；将所述拼接结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在本实施例的一些可选的实现方式中，所述点击率预测模型还包括基于特征的动态参数化层和第三全连接层；以及训练单元502进一步被配置成：从所述稀疏类目向量选择出上下文向量；将所述第一输出结果通过第三全连接层进行线性投射到低维度后，得到投射结果；将所述投射结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；将第四输出结果输入第一全连接层，得到点击率的预测值。

在本实施例的一些可选的实现方式中，所述基于域的动态参数化层包括：第一池化层、第一权重生成层、第一样本自适应仿射层，所述基于用户行为的动态参数化层包括：第二池化层、第二权重生成层、第二样本自适应卷积层。

在本实施例的一些可选的实现方式中，所述基于搜索行为的动态参数化层包括：第三池化层、第三权重生成层、第三样本自适应仿射层，所述基于特征的动态参数化层包括：第四权重生成层、第四样本自适应仿射层。

继续参见图6，作为对上述图4所示方法的实现，本公开提供了一种预测点击率的装置的一个实施例。该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的预测点击率的装置600可以包括：获取单元601和预测单元602。其中，获取单元601，被配置成获取用户的用户信息、商品信息和用户历史行为；预测单元602，被配置成将所述用户信息、所述商品信息和用户历史行为输入根据第一方面中任一项所述方法训练得到的点击率预测模型，得到所述用户对商品的点击率预测值。

在本实施例的一些可选的实现方式中，装置600还包括推荐单元(附图中未示出)，被配置成：按商品的点击率预测值由大到小的顺序选择预定数目个商品；向所述用户推送所选取的商品的商品信息。

在本实施例的一些可选的实现方式中，装置600还包括调整单元(附图中未示出)，被配置成：预测点击率过程中根据所述用户信息、所述商品信息和所述用户历史行为调整所述点击率预测模型中以下至少一种动态参数化层的权重和偏置：基于域的动态参数化层、基于用户行为的动态参数化层、基于搜索行为的动态参数化层、基于特征的动态参数化层。

在本实施例的一些可选的实现方式中，装置还包括调整单元(附图中未示出)，被配置成：获取所述用户点击的商品信息作为点击标签；根据所述点击标签与所述点击率预测值计算损失值；根据所述损失值调整所述点击率预测模型的网络参数。

在本实施例的一些可选的实现方式中，获取单元601进一步被配置成：获取所述用户点击的商品信息添加到所述用户的用户历史行为中。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质。

一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如流程200所述的方法。

一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如流程200所述的方法。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如训练点击率预测模型的方法。例如，在一些实施例中，训练点击率预测模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的训练点击率预测模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练点击率预测模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (16)

1.一种训练点击率预测模型的方法，包括：

获取训练样本集和点击率预测模型，其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签，所述点击率预测模型包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层；

执行如下训练步骤：从所述训练样本集中选取目标训练样本；将所述目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量；将所述目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量；将所述稀疏类目向量输入基于域的动态参数化层，以生成第一权重和第一偏置，并根据所述第一权重和所述第一偏置将所述稀疏类目向量进行线性变化得到第一输出结果；将所述用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据所述第二权重和所述第二偏置对所述用户行为向量进行卷积得到第二输出结果；基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据所述预测值和所述目标训练样本的点击标签计算损失值；如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

2.根据权利要求1所述的方法，其中，所述方法还包括：

如果损失值大于等于预定阈值，则调整所述点击率预测模型的网络参数，继续执行上述训练步骤。

3.根据权利要求1所述的方法，其中，所述点击率预测模型还包括基于搜索行为的动态参数化层、第一多头注意力层、第二多头注意力层、第二全连接层；以及

所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：

将所述用户行为向量输入第一多头注意力层，得到第一注意力结果；

将所述第一注意力结果和所述第二输出结果的加权和作为第一加权结果；

将所述稀疏类目向量输入第二全连接层得到查询向量；

将所述第一加权结果和所述查询向量输入基于搜索行为的动态参数化层，以生成第三权重和第三偏置，并根据所述第三权重和所述第三偏置将所述查询向量进行线性变化得到第三输出结果；

将所述第一加权结果和所述查询向量输入第二多头注意力层，得到第二注意力结果；

将所述第二注意力结果和所述第三输出结果的加权和作为第二加权结果；

基于所述第一输出结果和所述第二加权结果通过第一全连接层进行点击率预测，得到预测值。

4.根据权利要求3所述的方法，其中，所述点击率预测模型还包括基于特征的动态参数化层、第三全连接层、第三嵌入表示层；以及

所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：

从所述用户信息、商品信息中选择出上下文信息；

将所述上下文信息输入第三嵌入表示层，得到上下文向量；

将所述第一输出结果通过第三全连接层进行线性投射到低维度后和第二加权结果进行拼接，得到拼接结果；

将所述拼接结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；

将第四输出结果输入第一全连接层，得到点击率的预测值。

5.根据权利要求1所述的方法，其中，所述点击率预测模型还包括基于特征的动态参数化层、第三全连接层、第三嵌入表示层；以及

所述基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值，包括：

从所述用户信息、商品信息中选择出上下文信息；

将所述上下文信息输入第三嵌入表示层，得到上下文向量；

将所述第一输出结果和第二输出结果通过第三全连接层进行线性投射到低维度后，得到投射结果；

将所述投射结果和所述上下文向量输入到基于特征的动态参数化层，以生成第四权重和第四偏置，并根据所述第四权重和所述第四偏置将所述拼接结果进行线性变化得到第四输出结果；

将第四输出结果输入第一全连接层，得到点击率的预测值。

6.根据权利要求1所述的方法，其中，所述基于域的动态参数化层包括：第一池化层、第一权重生成层、第一样本自适应仿射层，所述基于用户行为的动态参数化层包括：第二池化层、第二权重生成层、第二样本自适应卷积层。

7.根据权利要求4所述的方法，其中，所述基于搜索行为的动态参数化层包括：第三池化层、第三权重生成层、第三样本自适应仿射层，所述基于特征的动态参数化层包括：第四权重生成层、第四样本自适应仿射层。

8.一种预测点击率的方法，包括：

获取用户的用户信息、商品信息和用户历史行为；

将所述用户信息、所述商品信息和所述用户历史行为输入根据权利要求1-7中任一项所述方法训练得到的点击率预测模型，得到所述用户对商品的点击率预测值。

9.根据权利要求8所述的方法，所述方法还包括：

按商品的点击率预测值由大到小的顺序选择预定数目个商品；

向所述用户推送所选取的商品的商品信息。

10.根据权利要求8所述的方法，所述方法还包括：

预测点击率过程中根据所述用户信息、所述商品信息和所述用户历史行为调整所述点击率预测模型中以下至少一种动态参数化层的权重和偏置：基于域的动态参数化层、基于用户行为的动态参数化层、基于搜索行为的动态参数化层、基于特征的动态参数化层。

11.根据权利要求9所述的方法，所述方法还包括：

获取所述用户点击的商品信息作为点击标签；

根据所述点击标签与所述点击率预测值计算损失值；

根据所述损失值调整所述点击率预测模型的网络参数。

12.根据权利要求9所述的方法，所述方法还包括：

获取所述用户点击的商品信息添加到所述用户的用户历史行为中。

13.一种训练点击率预测模型的装置，包括：

获取单元，被配置成获取训练样本集和点击率预测模型，其中，每个训练样本包括用户信息、商品信息和用户行为序列、点击标签，所述点击率预测模型包括第一表示嵌入层、第二表示嵌入层、基于域的动态参数化层、基于用户行为的动态参数化层、第一全连接层；

训练单元，被配置成执行如下训练步骤：从所述训练样本集中选取目标训练样本；将所述目标训练样本的用户信息和商品信息输入第一表示嵌入层得到稀疏类目向量；将所述目标训练样本的用户行为序列输入第二表示嵌入层得到用户行为向量；将所述稀疏类目向量输入基于域的动态参数化层，以生成第一权重和第一偏置，并根据所述第一权重和所述第一偏置将所述稀疏类目向量进行线性变化得到第一输出结果；将所述用户行为向量输入基于用户行为的动态参数化层，以生成第二权重和第二偏置，并根据所述第二权重和所述第二偏置对所述用户行为向量进行卷积得到第二输出结果；基于所述第一输出结果和所述第二输出结果通过第一全连接层进行点击率预测，得到预测值；根据所述预测值和所述目标训练样本的点击标签计算损失值；如果损失值小于预定阈值，则确定出点击率预测模型训练完成。

14.一种预测点击率的装置，包括：

获取单元，被配置成获取用户的用户信息、商品信息和用户历史行为；

预测单元，被配置成将所述用户信息、所述商品信息和用户历史行为输入根据权利要求1-7中任一项所述方法训练得到的点击率预测模型，得到所述用户对商品的点击率预测值。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个计算机程序，

当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一项所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-12中任一项所述的方法。

Images