CN114781503A - 一种基于深度特征融合的点击率预估方法 - Google Patents

一种基于深度特征融合的点击率预估方法 Download PDF

Info

Publication number
CN114781503A
CN114781503A CN202210382800.9A CN202210382800A CN114781503A CN 114781503 A CN114781503 A CN 114781503A CN 202210382800 A CN202210382800 A CN 202210382800A CN 114781503 A CN114781503 A CN 114781503A
Authority
CN
China
Prior art keywords
model
feature
auc
interaction
fmfm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210382800.9A
Other languages
English (en)
Inventor
石秀金
龚园
夏小玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN202210382800.9A priority Critical patent/CN114781503A/zh
Publication of CN114781503A publication Critical patent/CN114781503A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度特征融合的点击率预估方法，包括如下步骤：拿到历史数据，将数据经过热编码后变成由0和1组成的高维稀疏特征，得到基础特征；对基础特征经过嵌入层进行特征向量构建，构建后的向量作为模型训练输入；经过浅层模型FmFM和深层模型DenseDNN，同时学习显式和隐式特征交互；将FmFM模型和DenseDNN网络的结果拼接后，经过Sigmoid函数得到输出结果，用AUC和LogLoss两个指标来判断模型预测的准确率。本发明用特征融合的方式提升模型性能，使得点击率预估的结果更准确，提高广告媒介的利益。

Description

一种基于深度特征融合的点击率预估方法
技术领域
本发明涉及深度学习领域，是一种基于深度特征融合的点击率预估方法。
背景技术
电商平台、搜索引擎平台等互联网平台根据广告的点击率和点击价值来确定在线广告的价格，假如这些互联网平台可以准确地预估用户对于某一广告的喜好程度，再将广告精准地投放给喜好程度较高的那一部分用户，使得用户点击广告的概率大大增加，那么互联网平台得到的广告收益也会随之变高，而表现用户对某广告喜好程度的指标为点击率(Click Through Rate，CTR)，代表广告点击数量与广告展现数量的比率。
传统的CTR预估模型如因子分解机(Factorization Machine,FM)模型，它通过两个特征对应的嵌入向量之间的点积来模拟两个特征之间的相互作用，降低了开销，但忽略了不同域特征进行交互时的差异；FFM(Field-aware Factorization Machines)模型，在FM模型的基础上引入了特征域感知的概念，使模型的表达能力变强，但其参数量过大，在实际生产系统中不可取；FwFM(Field-weighted Factorization Machines)模型，对不同的域相互作用进行了有效的建模，仅用FFM4％左右的参数，但只用一个标量来表达域交互的强度，自由度不够，表达能力有限；FmFM(Field-matrixed Factorization Machines)模型，在两个特征向量之间使用一个域矩阵来模拟它们的相互作用，自由度较高，表达能力较强。
近年来，深度神经网络(DNN)凭借其强大的特征表征学习能力，在计算机视觉、语音识别和自然语言处理等领域取得了成功。目前有许多基于深度学习的点击率预估模型，这些模型一般使用浅层模型和深层模型相结合的方法学习特征交互，可以有效捕获高阶特征交互，显著提高模型性能。如谷歌2016年提出的Wide&Deep模型，它混合了一个线性模型和Deep模型，但线性部分的输入依赖人工特征工程；华为2017年提出 DeepFM模型，在Wide&Deep模型的基础上将Wide部分换成FM模型，不需要人工特征工程且训练效率高，但其准确度仍然不够；谷歌2017年提出DCN模型，使用cross network，无需人工特征工程，网络结构简单高效，但特征交互在元素级；微软2018年提出xDeepFM模型，其CIN部分能自动学习显式的高阶特征交互，且交互在向量级，但复杂度较高，应用困难；谷歌2020年提出DCN-v2模型，其核心是交叉层，继承了DCN 中简单的跨网络结构，但在学习显式和有界度交叉特征方面表现得非常好；普渡大学和雅虎研究等2021年提出DeepLight模型，使用高质量、低消耗、低延迟的模型，在不损失预测精度的情况下，将模型的推断速度提高了数十倍。
现有的点击率预估模型通常是浅层模型和深层模型并行结合，且深层模型通常使用深度学习中的深度神经网络。基于深度学习的点击率预估模型能有效捕捉高阶特征交互，显著提高模型的性能。工业界已提出许多结合深度神经网络的点击率预估模型，其中大多并行模型通过改进学习显式特征交互的浅层模型部分来提升模型效果，如DeepFM模型将Wide&Deep的Wide部分换成FM模型、xDeepFM模型设计CIN网络、DeepLight 模型将DeepFM模型的FM部分换成FwFM模型等，而对于深度神经网络部分却缺乏研究，为提升深度神经网络的性能，理论上可以通过提升DNN网络的层数或增加神经元参数的方式，但在实际应用中会导致梯度消失、梯度爆炸和参数量过大等问题，DNN的性能会随着层数的增加达到饱和之后迅速下降。
发明内容
本发明公开了一种基于深度特征融合的点击率预估方法，该技术用特征融合的方式提升模型性能，使得点击率预估的结果更准确，提高广告媒介的利益。
一种基于深度特征融合的点击率预估方法，包括如下步骤：
S1、拿到历史数据，将数据经过热编码后变成由0和1组成的高维稀疏特征，得到基础特征；
S2、对基础特征经过嵌入层进行特征向量构建，构建后的向量作为模型训练输入；
S3、经过浅层模型FmFM和深层模型DenseDNN，同时学习显式和隐式特征交互；
S4、将FmFM模型和DenseDNN网络的结果拼接后，经过Sigmoid函数得到输出结果，用AUC和LogLoss两个指标来判断模型预测的准确率。
本发明的目的在于解决现有点击率预估模型对深层模型研究的缺乏问题，提出DenseDNN网络，将DNN网络的每一层的输入变成前面所有层的输出之和，加强特征传播，达到特征融合。为进一步提高模型准确率，选取目前研究中效果最好的浅层模型 FmFM与深层模型DenseDNN结合，并将二者结合后的模型命名为DDNNFMFM。相比于现有的点击率预估模型方法，本发明的优点有：
1)提出DenseDNN网络，将DNN网络前面每一层的输出之和作为下一层的输入，加强特征传播，达到特征融合。
2)提出DDNNFMFM模型，将浅层模型FmFM与深层模型DenseDNN并行结合，同时学习高阶和低阶特征交互，进一步提升预估准确率。
3)将DDNNFMFM模型在Criteo和Avazu两个经典数据集做了充分的对比实验，由于在数据量庞大的广告推荐系统的实际应用中，预估准确率的一点小提升就可能使得在线点击率的显著提高，验证了DDNNFMFM模型的有效性。
附图说明
为更清楚地说明本发明的实施方案，以下对所需附图进行简单的介绍：
图1为本发明某一实施案例的技术方案流程图，展现了基于深度特征融合的点击率预估方法的大概技术方案。
图2为本发明的DDNNFMFM模型图，以一种直观的方式展现了实施过程中的计算步骤。
图3为本发明所使用的浅层模型FmFM的一个相互作用运算实例。
图4为本发明创新的深层模型DenseDNN的结构。
具体实施方式
本发明提出了一个新的点击率预估模型DDNNFMFM，该模型能够同时学习显式和隐式特征交互，且以特征融合的方式更高效地学习隐式特征交互。如图1所示为技术方案流程图，如图2所示是DDNNFMFM模型图，结合本发明的附图，以下是对本发明技术方案的具体阐述：
一种基于深度特征融合的点击率预估方法，包括如下步骤：
S1、拿到历史数据，将数据进行预处理后得到基础特征。从用户的历史点击数据中提取用户数据，由于在实际生产活动中，产生的的数据会有缺失、异常等情况，若直接使用易产生不良结果。故对数据集中缺失的部分进行填充，并对数值特征做归一化处理。
S2、特征向量构建，作为模型训练输入。将基础特征经过one-hot编码后变成稀疏矩阵，通过一些线性变换，成为一个密集矩阵，这个密集矩阵不仅与原始特征有一一对应的关系，还有大量特征之间的内在关系，用嵌入层学习的参数表征这些内在关系。特征向量构建即把独立的向量关联起来，且将数据从高维稀疏变成低维稠密的特征。
S3、同时学习显式和隐式特征交互，得到更多隐含特征。基于步骤S2中的低维稠密特征向量，将这些特征向量作为模型中特征交互层的输入，得到多元交叉特征，这些特征比原始特征更为抽象，能够表示原始特征中难以推出的隐含特征，这样能够显著提高点击率预估性能。其中特征交互分为两部分：
S31、嵌入向量经过FmFM模型，利用域矩阵的思想来高效地学习显式特征交互；FmFM模型由FwFM模型发展而来，将后者中描述不同域特征之间交互强度的标量替换为一个二维矩阵M，提高了模型的自由度和表达能力，其公式为：
Figure BDA0003588368310000041
其中，xi，xj为第i个特征和第j个特征，vi，vj是特征i和特征j的嵌入向量，F(i)， F(j)是特征i和特征j所属的域，MF(i),F(j)即为特征i和特征j所在域有关的权重矩阵，wi为权重参数，w0为偏置项。
如说明书附图图3例举了FmFM相互作用项的过程，显示了交互对(vi，vj)和(vi，vk)的计算，且特征i，j，k分别来自3个不同域。其计算可以分为三个步骤：1)EmbeddingLookup：从嵌入表中查找vi，vj，vk三个嵌入向量；2)Transformation：vi和矩阵MF(i),F(j)，MF(i),F(k)分别计算，获得两组对应的中间向量vi、F(j)和vi、F(k)；3)Dotproduct：通过简单的点击计算获得最后的交互项；
S32、嵌入向量经过DenseDNN网络用特征融合的方法学习隐式特征交互。DenseDNN模型图如图4所示，DenseDNN将DNN网络每一层的输入变为前面所有层输出之和，它的优点有：a)解决深层网络的梯度消失问题；b)加强特征传播；c)减少模型参数；d) 减少样本过拟合的问题。以下公式为其输出，其中xi代表第i层的输出，W(n)和bn为训练参数。其每一层的输出为：
Figure BDA0003588368310000042
其中xi代表第i层的输出，W(n)和bn为训练参数。
S4、得到输出结果，拼接FmFM模型和DenseDNN网络的结果后，经过Sigmoid函数得到输出结果。输出结果并通过二元交叉熵损失函数Logloss以及AUC(Area Under Curve)评判模型精度。
Logloss定义二元交叉熵损失函数，用来评估模型的准确度，通过对所有预期CTR的广告进行排序来评价模型的性能：
Figure BDA0003588368310000051
其中，N为样本数量，对于第i个样本，y(i)为它的真实标签，且y(i)∈[0,1]，预测概率为
Figure BDA0003588368310000052
且
Figure BDA0003588368310000053
AUC的定义为ROC曲线下面区域的面积，取值介于0到1之间，AUC的大小与CTR 预估模型性能的优劣呈正相关；在介绍AUC之前，引入混淆矩阵的概念。在混淆矩阵中有真(True)、假(False)、阳性(Positive)、阴性(Negative)这四个概念，且预测正确为真、错误为假，预测类别为1的是阳性、为0的是阴性，其中需要解释的概念如下：
(1)TP：预测为正样本，实际也为正样本。
(2)FP：预测为正样本，实际也为负样本。
(3)FN：预测为负样本，实际也为正样本。
(4)TN：预测为负样本，实际也为负样本。
(5)TPR：即真阳率，为TP和(TP+FN)的比值。
(6)FPR：即假阳率，为FP和(FP+TN)的比值。
AUC的计算步骤为：a)通过混淆矩阵求解真阳率和假阳率的值，得到坐标点对；b)由不同的坐标点对形成的曲线为ROC曲线；c)AUC为ROC曲线下方的面积；
当AUC的值越接近1.0时，说明方法的真实性越高，是接近完美的分类器；AUC的值等于0.5时，证明模型没有预测价值；当AUC的值小于0.5时，证明比随机猜测的效果还差，换一个角度来讲，只要我们进行反预测，就会比随机猜测的效果更好。
最后，本发明基于两组经典广告数据集Criteo和Avazu做了充分的对比实验。
其中表1单独验证了DDNNFMFM中DenseDNN和FwFM两个模型的性能，并将他们与具有相似功能的单个模型进行对比。
表1单元件模型在Criteo和Avazu两个数据集上的对比
Figure BDA0003588368310000061
可以看出：
1)对比显式特征交互的单元件模型，FmFM模型在两个数据集中性能最好，证明了将不同域特征的相互作用建模为矩阵，有利于模型性能的提升。
2)本文所提出的DenseDNN模型的准确率与DNN相比，在Criteo和Avazu两个数据集中，AUC指标分别提高了0.29％、0.70％，LogLoss指标降低了0.57％、0.84％，证明了DNN在进行特征融合之后的性能更好。
表2展示了DDNNFMFM模型的性能结果，并将DDNNFMFM模型与其有相似结构且目前最先进的几个模型进行对比。
表2综合模型在Criteo和Avazu两个数据集上的对比
Figure BDA0003588368310000062
可以看出：
1)FmFM模型不仅是性能最优的浅层模型，甚至在Criteo数据集中，其性能比经典深度学习模型DeepFM和xDeepFM的效果更好，再一次证明了FmFM模型中域矩阵的优势，且比DeepFM和xDeepFM这两个并行模型更轻量更快速。
2)DDNNFMFM模型在所有基于嵌入神经网络的模型中效果最优。在Criteo和Avazu数据集中，与经典次优模型DeepLight相比，DDNNFMFM模型的AUC指标分别提高了 0.21％、0.41％，LogLoss指标分别降低了0.36％、0.35％。

Claims (5)

1.一种基于深度特征融合的点击率预估方法，其特征在于包括如下步骤：
S1、拿到历史数据，将数据经过热编码后变成由0和1组成的高维稀疏特征，得到基础特征；
S2、对基础特征经过嵌入层进行特征向量构建，构建后的向量作为模型训练输入；
S3、经过浅层模型FmFM和深层模型DenseDNN，同时学习显式和隐式特征交互；
S4、将FmFM模型和DenseDNN网络的结果拼接后，经过Sigmoid函数得到输出结果，用AUC和LogLoss两个指标来判断模型预测的准确率。
2.根据权利要求1所述的基于深度特征融合的点击率预估方法，其特征在于上述步骤S1的具体过程为：拿到历史数据，将数据进行预处理后得到基础特征；从用户的历史点击数据中提取用户数据，并对数据集中缺失的部分进行填充，并对数值特征做归一化处理。
3.根据权利要求2所述的基于深度特征融合的点击率预估方法，其特征在于上述步骤S2的具体过程为：特征向量构建，作为模型训练输入；将基础特征经过one-hot编码后变成稀疏矩阵，通过线性变换，成为一个密集矩阵，用嵌入层学习的参数表征密集矩阵的内在关系；特征向量构建即把独立的向量关联起来，且将数据从高维稀疏变成低维稠密的特征向量。
4.根据权利要求3所述的基于深度特征融合的点击率预估方法，其特征在于上述步骤S3的具体过程为：经过浅层模型FmFM和深层模型DenseDNN，同时学习显式和隐式特征交互得到更多隐含特征；基于低维稠密特征向量，作为模型中特征交互层的输入，得到多元交叉特征，所述特征交互分为两部分：
S31、嵌入向量经过FmFM模型，利用域矩阵的思想来高效地学习显式特征交互；FmFM模型由FwFM模型发展而来，将后者中描述不同域特征之间交互强度的标量替换为一个二维矩阵M，提高了模型的自由度和表达能力，其公式为：
Figure FDA0003588368300000011
其中，xi，xj为第i个特征和第j个特征，vi，vj是特征i和特征j的嵌入向量，F(i)，F(j)是特征i和特征j所属的域，MF(i),F(j)即为特征i和特征j所在域有关的权重矩阵，wi为权重参数，w0为偏置项；
FmFM相互作用项的过程，通过交互对(vi，vj)和(vi，vk)进行计算，且特征i，j，k分别来自3个不同域；分为三个步骤：1)Embedding Lookup：从嵌入表中查找vi，vj，vk三个嵌入向量；2)Transformation：vi和矩阵MF(i),F(j)，MF(i),F(k)分别计算，获得两组对应的中间向量vi、F(j)和vi、F(k)；3)Dotproduct：通过简单的点击计算获得最后的交互项；
S32、嵌入向量经过DenseDNN网络用特征融合的方法学习隐式特征交互；DenseDNN将DNN网络每一层的输入变为前面所有层输出之和，其每一层的输出为：
Figure FDA0003588368300000021
其中xi代表第i层的输出，W(n)和bn为训练参数。
5.根据权利要求4所述的基于深度特征融合的点击率预估方法，其特征在于上述步骤S4的具体过程为：得到输出结果，拼接FmFM模型和DenseDNN网络的结果后，经过Sigmoid函数得到输出结果；输出结果并通过二元交叉熵损失函数Logloss以及AUC评判模型精度；
Logloss定义二元交叉熵损失函数，用来评估模型的准确度，通过对所有预期CTR的广告进行排序来评价模型的性能：
Figure FDA0003588368300000022
其中，N为样本数量，对于第i个样本，y(i)为它的真实标签，且y(i)∈[0,1]，预测概率为
Figure FDA0003588368300000023
且
Figure FDA0003588368300000024
AUC的定义为ROC曲线下面区域的面积，取值介于0到1之间，AUC的大小与CTR预估模型性能的优劣呈正相关；在介绍AUC之前，引入混淆矩阵的概念。在混淆矩阵中有真(True)、假(False)、阳性(Positive)、阴性(Negative)这四个概念，且预测正确为真、错误为假，预测类别为1的是阳性、为0的是阴性，其中需要解释的概念如下：
(1)TP：预测为正样本，实际也为正样本；
(2)FP：预测为正样本，实际也为负样本；
(3)FN：预测为负样本，实际也为正样本；
(4)TN：预测为负样本，实际也为负样本；
(5)TPR：即真阳率，为TP和(TP+FN)的比值；
(6)FPR：即假阳率，为FP和(FP+TN)的比值；
AUC的计算步骤为：a)通过混淆矩阵求解真阳率和假阳率的值，得到坐标点对；b)由不同的坐标点对形成的曲线为ROC曲线；c)AUC为ROC曲线下方的面积；
当AUC的值越接近1.0时，说明方法的真实性越高，是接近完美的分类器；AUC的值等于0.5时，证明模型没有预测价值；当AUC的值小于0.5时，证明比随机猜测的效果还差。
CN202210382800.9A 2022-04-09 2022-04-09 一种基于深度特征融合的点击率预估方法 Pending CN114781503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210382800.9A CN114781503A (zh) 2022-04-09 2022-04-09 一种基于深度特征融合的点击率预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210382800.9A CN114781503A (zh) 2022-04-09 2022-04-09 一种基于深度特征融合的点击率预估方法

Publications (1)

Publication Number Publication Date
CN114781503A true CN114781503A (zh) 2022-07-22

Family

ID=82429399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210382800.9A Pending CN114781503A (zh) 2022-04-09 2022-04-09 一种基于深度特征融合的点击率预估方法

Country Status (1)

Country Link
CN (1) CN114781503A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271272A (zh) * 2022-09-29 2022-11-01 华东交通大学 多阶特征优化与混合型知识蒸馏的点击率预测方法与系统
CN115994632A (zh) * 2023-03-24 2023-04-21 北京搜狐新动力信息技术有限公司 一种点击率预测方法、装置、设备及可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271272A (zh) * 2022-09-29 2022-11-01 华东交通大学 多阶特征优化与混合型知识蒸馏的点击率预测方法与系统
CN115271272B (zh) * 2022-09-29 2022-12-27 华东交通大学 多阶特征优化与混合型知识蒸馏的点击率预测方法与系统
CN115994632A (zh) * 2023-03-24 2023-04-21 北京搜狐新动力信息技术有限公司 一种点击率预测方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110263912B (zh) 一种基于多目标关联深度推理的图像问答方法
CN106021364B (zh) 图片搜索相关性预测模型的建立、图片搜索方法和装置
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN110781409B (zh) 一种基于协同过滤的物品推荐方法
CN109657156A (zh) 一种基于循环生成对抗网络的个性化推荐方法
CN112464097B (zh) 一种多辅助域信息融合跨域推荐方法与系统
CN114781503A (zh) 一种基于深度特征融合的点击率预估方法
CN111563770A (zh) 一种基于特征差异化学习的点击率预估方法
CN111241394A (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN112967088A (zh) 基于知识蒸馏的营销活动预测模型结构和预测方法
CN110222838B (zh) 文档排序方法、装置、电子设备及存储介质
CN114693397A (zh) 一种基于注意力神经网络的多视角多模态商品推荐方法
CN111259264B (zh) 一种基于生成对抗网络的时序评分预测方法
CN116976505A (zh) 基于信息共享的解耦注意网络的点击率预测方法
CN111340537B (zh) 一种广告点击率预估模型的建立方法
CN115270752A (zh) 一种基于多层次对比学习的模板句评估方法
CN115510322A (zh) 一种基于深度学习的多目标优化推荐方法
CN116228368A (zh) 一种基于深度多行为网络的广告点击率预测方法
CN113590965B (zh) 一种融合知识图谱与情感分析的视频推荐方法
CN108491477B (zh) 基于多维云和用户动态兴趣的神经网络推荐方法
Peng et al. Dual contrastive learning network for graph clustering
CN117034921B (zh) 一种基于用户数据的提示学习训练方法、装置和介质
CN117435982A (zh) 一种多维度快速识别网络水军的方法
CN109858543B (zh) 基于低秩稀疏表征和关系推断的图像可记忆度预测方法
CN115689639A (zh) 一种基于深度学习的商业广告点击率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination