CN116957641A - 点击行为预测方法和装置、电子设备、存储介质 - Google Patents

点击行为预测方法和装置、电子设备、存储介质 Download PDF

Info

Publication number
CN116957641A
CN116957641A CN202310838541.0A CN202310838541A CN116957641A CN 116957641 A CN116957641 A CN 116957641A CN 202310838541 A CN202310838541 A CN 202310838541A CN 116957641 A CN116957641 A CN 116957641A
Authority
CN
China
Prior art keywords
vector
sequence
behavior
candidate
embedded
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
CN202310838541.0A
Other languages
English (en)
Inventor
陆凯
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202310838541.0A priority Critical patent/CN116957641A/zh
Publication of CN116957641A publication Critical patent/CN116957641A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种点击行为预测方法和装置、电子设备、存储介质，属于人工智能和金融科技技术领域。该方法包括：获取候选用户序列；将候选用户序列进行嵌入编码，得到候选用户嵌入表示；根据候选用户嵌入表示和当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量；其中，当前用户嵌入表示是当前对象的嵌入表示；根据历史行为嵌入向量、候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，历史行为嵌入向量是历史对象的行为嵌入向量；将联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量；根据语义总向量对当前对象进行点击行为预测。本申请实施例能够提高预测点击行为的准确性。

Description

点击行为预测方法和装置、电子设备、存储介质
技术领域
本申请涉及人工智能和金融科技技术领域，尤其涉及一种点击行为预测方法和装置、电子设备、存储介质。
背景技术
点击率预估任务是预测用户点击某一个资源(包括商品、广告等)的概率，例如在金融科技场景下，点击理财产品或者保险产品。在点击率预估任务中，通常采用深度神经网络模型预测用户的点击行为，该预测方法主要是基于用户的历史兴趣进行推荐，在用户的历史兴趣较为分散或者数据不足时，预测效果不够准确。
发明内容
本申请实施例的主要目的在于提出一种点击行为预测方法和装置、电子设备、存储介质，旨在提高预测点击行为的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种点击行为预测方法，所述方法包括：
获取候选用户序列；所述候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
将所述候选用户序列进行嵌入编码，得到候选用户嵌入表示；
根据所述候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对所述候选资源感兴趣的候选对象向量；其中，所述当前用户嵌入表示是当前对象的嵌入表示；
根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，所述历史行为嵌入向量是历史对象的行为嵌入向量；
将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量；
根据所述语义总向量对所述当前对象进行点击行为预测。
在一些实施例，所述根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量，包括：
获取所述历史行为嵌入向量；
对所述候选对象向量和所述历史行为嵌入向量进行求差计算，得到序列差向量；
对所述候选对象向量和所述历史行为嵌入向量进行点积计算，得到序列点积向量；
将所述候选对象向量、所述历史行为嵌入向量、所述序列差向量、所述候选对象向量、所述序列点积向量进行拼接，得到所述客群行为关系向量。
在一些实施例，所述获取所述历史行为嵌入向量，包括：
获取所述历史对象的历史行为数据，得到历史行为序列；
将所述历史行为序列进行嵌入编码，得到历史嵌入表示；
将所述候选资源进行嵌入编码，得到资源嵌入表示；
根据所述历史嵌入表示和所述资源嵌入表示进行语义编码，得到所述历史行为嵌入向量。
在一些实施例，所述获取所述历史对象的历史行为数据，得到历史行为序列，包括：
获取所述历史对象的历史行为数据，得到初步序列；
获取所述初步序列的序列长度，得到当前序列长度；
根据所述当前序列长度更新所述初步序列，得到所述历史行为序列。
在一些实施例，所述根据所述当前序列长度更新所述初步序列，得到所述历史行为序列，包括：
比较所述当前序列长度和预设序列长度的大小关系；
若所述当前序列长度大于所述预设序列长度，则获取所述历史行为数据的行为时间；
根据所述行为时间和所述预设序列长度对所述初步序列进行筛选，得到所述历史行为序列。
在一些实施例，所述将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量，包括：
获取所述联合特征向量；
将所述联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行合并处理，得到嵌入合并向量；
将所述嵌入合并向量进行语义编码，得到所述语义总向量。
在一些实施例，所述获取所述联合特征向量包括：
获取预设的资源特征和所述当前对象的当前属性特征；其中，所述资源特征是所述候选资源的特征；
将所述资源特征进行嵌入表示得到资源嵌入表示，将所述当前属性特征进行嵌入表示得到当前特征嵌入表示；
将预设的资源展示嵌入表示、所述资源嵌入表示、所述当前特征嵌入表示进行合并，得到所述联合特征向量。
为实现上述目的，本申请实施例的第二方面提出了一种点击行为预测装置，所述装置包括：
候选对象获取模块，用于获取候选用户序列；所述候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
用户嵌入编码模块，用于将所述候选用户序列进行嵌入编码，得到候选用户嵌入表示；
序列语义编码模块，用于根据所述候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对所述候选资源感兴趣的候选对象向量；其中，所述当前用户嵌入表示是当前对象的嵌入表示；
特征交叉编码模块，用于根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，所述历史行为嵌入向量是历史对象的行为嵌入向量；
特征提取模块，用于将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量；
点击行为预测模块，用于根据所述语义总向量对所述当前对象进行点击行为预测。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请实施例提出的点击行为预测方法和装置、电子设备、存储介质,可以应用于金融科技，其通过获取对预设的候选资源感兴趣的候选用户序列，并将所述候选用户序列进行嵌入编码得到候选用户嵌入表示，再根据所述候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对所述候选资源感兴趣的候选对象向量，及根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量；再将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量；从而根据所述语义总向量对所述当前对象进行点击行为预测，从而能够提高预测点击行为的准确性。
附图说明
图1是本申请实施例提供的点击行为预测方法的流程图；
图2是图1中的步骤104的流程图；
图3是图2中的步骤201的流程图；
图4是图3中的步骤301的流程图；
图5是图4中的步骤403的流程图；
图6是图1中的步骤105的流程图；
图7是图6中的步骤601的流程图；
图8是本申请实施例提供的点击行为预测装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
深度神经网络(Deep Neural Networks，DNN)：深度神经网络一般包括输入层、隐藏层、输出层，层有层之间为全连接关系。
前馈神经网路(feedforward neural network，FNN)：前馈神经网路是一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递(即单向传递)，一直到输出层结束。前馈神经网络一般包括：输入层(第0层)，隐藏层，输出层(最后一层)，隐藏层是输入层和输出层之间的中间部分，隐藏层可以是一层，也可以是多层。
点击率预估任务是预测用户点击某一个资源(包括商品、广告等)的概率，例如在金融科技场景下，点击理财产品或者保险产品。在点击率预估任务中，通常采用深度神经网络模型预测用户的点击行为，该预测方法主要是基于用户的历史兴趣进行推荐，在用户的历史兴趣较为分散或者数据不足时，预测效果不准确。
本申请实施例提供的点击行为预测方法和装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的点击行为预测方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的点击行为预测方法，涉及人工智能技术领域。本申请实施例提供的点击行为预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现点击行为预测方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户对话、用户特征、用户行为等数据，用户历史数据以及用户属性信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的点击行为预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤101至步骤106。
步骤101，获取候选用户序列；候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
步骤102，将候选用户序列进行嵌入编码，得到候选用户嵌入表示；
步骤103，根据候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量；其中，当前用户嵌入表示是当前对象的嵌入表示；
步骤104，根据预设的历史行为嵌入向量、候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，历史行为嵌入向量是历史对象的行为嵌入向量；
步骤105，将预设的联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量；
步骤106，根据语义总向量对当前对象进行点击行为预测。
本申请实施例所示意的步骤101至步骤106，通过将候选用户序列进行嵌入编码得到候选用户嵌入表示，并根据候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量，及根据预设的历史行为嵌入向量、候选对象向量进行特征交叉编码，得到客群行为关系向量，再将预设的联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量，从而根据语义总向量对当前对象进行点击行为预测，提高了对点击行为预测的准确性。
在一些实施例，候选用户序列是对候选资源感兴趣的候选对象的序列。候选资源可以是候选商品，例如在金融科技场景下，候选商品可以是理财产品或者保险产品；在其他场景下，候选商品可以是运动类的商品，例如球鞋、球拍、篮球、足球等；候选商品也可以是生活类的商品，例如家电(包括电视、洗衣机等)、电子设备(包括手机、平板电脑等)等；候选资源还可以是菜品等；此外，候选资源还可以是广告；候选资源不限于此，以上仅作为示例对候选商品进行举例说明。候选对象可以包括对候选资源感兴趣的用户，例如可以是对理财产品感兴趣的用户，或者对保险产品感兴趣的用户，还可以是对球鞋感兴趣的运动员，也可以是对球鞋感兴趣的健身教练等，候选对象不限于此，以上仅作为示例对候选对象进行举例说明。候选对象是历史对象中的对象，当前对象待预测点击行为的对象。
在一些实施例的步骤101，可以包括但不限于包括：
获取对候选资源感兴趣的候选对象的序列，得到初步候选序列；
获取初步候选序列的序列长度，得到初步序列长度；
根据初步序列长度更新初步候选序列，得到候选用户序列。
在一些实施例中，初步候选序列是对候选资源感兴趣的候选对象的序列，初步候选序列是对象序列；其中，候选资源是可以是商品，商品可以是金融科技场景下的理财产品或者保险产品，还可以是运动类的商品，例如球鞋、球拍、篮球、足球等；候选资源也可以是生活类的商品，例如家电(包括电视、洗衣机等)、电子设备(包括手机、平板电脑等)等；候选资源还可以是菜品等；此外，候选资源还可以是广告；候选资源不限于此，以上仅作为示例对候选资源进行举例说明。
在一些实施例中，初步序列长度表示为对候选资源感兴趣的候选对象的个数，示例地，若当初步序列长度为123，可以表示对候选资源感兴趣的候选对象的个数为123。
在一些实施例，根据初步序列长度更新初步候选序列，得到候选用户序列，可以包括但不限于包括：
比较初步序列长度和预设的候选序列长度的大小关系；
若初步序列长度大于候选序列长度，则获取初步候选序列的序列时间；
根据序列时间和候选序列长度对初步候选序列进行筛选，得到候选用户序列。
在一些实施例，预设的候选序列长度的取值范围可以为[100，1000]，可以根据实际需要进行设置。预设的候选序列长度可以用于表示对某一资源感兴趣的对象的个数。将初步序列长度和预设的候选序列长度进行大小比较，以通过预设的候选序列长度限制初步序列长度。
若初步序列长度大于候选序列长度，则需要对初步候选序列进行截取，可以包括但不限于包括：
获取初步序列长度的序列时间；根据序列时间从最近时间开始往前对初步候选序列进行截取，直到初步序列长度和候选序列长度相等，对初步候选序列进行截断，截取得到的序列作为候选用户序列。
在一些实施例，根据初步序列长度更新初步候选序列，得到候选用户序列，还可以包括但不限于包括：
若初步序列长度小于或者等于候选序列长度，则将初步候选序列作为候选用户序列。即若初步序列长度未超过最大上限(预设序列长度)，则直接将初步候选序列作为候选用户序列。
在一些实施例的步骤102，将候选用户序列进行嵌入编码(进行embedding 编码)，得到候选用户嵌入表示。在一应用场景，将候选用户嵌入表示可以用ecustomer表示，更具体地，其中，ecustomer是大小为(lenc，H)的二维向量，lenc是最终的长度，H是候选用户嵌入表示ecustomer的维度。
在一些实施例的步骤103，预设的当前用户嵌入表示可以用eclient表示；当前用户嵌入表示eclient是大小为H的一维向量。候选对象向量可以表示为Ecustomer-encoder。根据候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量Ecustomer-encoder可以表示为式(1)：
其中，i表示第i个候选对象，是求候选用户嵌入表示和当前用户嵌入表示eclient之间的点积，/>作为权重，对候选对象向量Ecustomer-encoder是一个大小为H的一维向量。
请参阅图2，在一些实施例的步骤104，可以包括但不限于包括步骤201至步骤204：
步骤201，获取历史行为嵌入向量；
步骤202，对候选对象向量和历史行为嵌入向量进行求差计算，得到序列差向量；
步骤203，对候选对象向量和历史行为嵌入向量进行点积计算，得到序列点积向量；
步骤204，将候选对象向量、历史行为嵌入向量、序列差向量、候选对象向量、序列点积向量进行拼接，得到客群行为关系向量。
请参阅图3，在一些实施例的步骤201，可以包括但不限于包括步骤301至步骤304：
步骤301，获取历史对象的历史行为数据，得到历史行为序列；
步骤302，将历史行为序列进行嵌入编码，得到历史嵌入表示；
步骤303，将候选资源进行嵌入编码，得到资源嵌入表示；
步骤304，根据历史嵌入表示和资源嵌入表示进行语义编码，得到历史行为嵌入向量。
请参阅图4，在一些实施例的步骤301，可以包括但不限于包括步骤401至步骤403：
步骤401，获取历史对象的历史行为数据，得到初步序列；
步骤402，获取初步序列的序列长度，得到当前序列长度；
步骤403，根据当前序列长度更新初步序列，得到历史行为序列。
在一些实施例的步骤401，历史对象的历史行为数据表示的是历史对象点击过的资源序列，得到初步序列；其中，资源序列是可以是商品序列，商品序列可以是运动类的商品，例如球鞋、球拍、篮球、足球等；商品序列也可以是生活类的商品，例如家电(包括电视、洗衣机等)、电子设备(包括手机、平板电脑等)等；商品序列还可以是菜品等；此外，商品序列还可以是广告；商品序列不限于此，以上仅作为示例对商品序列进行举例说明。
在一些实施例的步骤402，初步序列的序列长度表示为历史对象所点击的资源个数，包括：历史对象点击一个商品作为一个单位长度；也可以包括：历史对象的一个点击行为或者一个购买行为，作为一个单位长度；示例地，若当前序列长度为168，可以表示历史对象所点击的商品个数为168；也可以表示历史对象对商品的点击次数为168；还可以表示历史对象所点击的商品个数加上点击次数为168。
请参阅图5，在一些实施例的步骤403，可以包括但不限于包括步骤501至步骤503：
步骤501，比较当前序列长度和预设序列长度的大小关系；
步骤502，若当前序列长度大于预设序列长度，则获取历史行为数据的行为时间；
步骤503，根据行为时间和预设序列长度对初步序列进行筛选，得到历史行为序列。
在一些实施例的步骤501，预设序列长度的取值范围可以为[100，1000]，可以根据实际需要进行设置。预设序列长度可以用于表示用户所点击的资源个数，包括：用户点击一个商品作为一个单位长度；也可以包括：用户的一个点击行为或者一个购买行为，作为一个单位长度。将当前序列长度和预设序列长度进行大小比较，以通过预设序列长度限制当前序列长度。
在一些实施例的步骤502至步骤503，若当前序列长度大于预设序列长度，则说明若当前序列长度超过了最大上限(预设序列长度)，则需要对初步序列进行截取，具体地：获取历史行为数据的行为时间，并根据行为时间从最近时间开始往前对初步序列进行截取，直到当前序列长度和预设序列长度相等，对初步序列进行截断，截取得到的序列作为历史序列长度。
在一些实施例的步骤403，还可以包括但不限于包括：
若当前序列长度小于或者等于预设序列长度，则将初步序列作为历史行为序列。即若当前序列长度未超过最大上限(预设序列长度)，则直接将初步序列作为历史行为序列。
在一应用场景，步骤101中候选用户序列的获取与步骤301中获取历史行为序列的原理相似，若序列超过最大上限则需进行截断，以截取最近时间的序列。
在一些实施例的步骤302，将历史行为序列进行嵌入编码，得到的历史嵌入表示可以用ebeaviour进行表示。在一应用场景，请参式(2)，可以将历史嵌入表示进行如下表示：
其中，历史嵌入表示ebeaviour是大小为(lenb，H)的二维向量，lenb是最终的长度，H是历史嵌入表示ebeaviour的维度。
在一些实施例的步骤303，将候选资源进行嵌入编码，得到的资源嵌入表示可以用ecandidate进行表示。在一应用场景，可以将资源嵌入表示ecandidate是大小为H的一维向量。
在一些实施例的步骤304，根据历史嵌入表示和资源嵌入表示进行语义编码，得到的历史行为嵌入向量可以用Ebeaviour-encoder进行表示。在一应用场景，请参式(3)，可以将历史行为嵌入向量Ebeaviour-encoder进行如下表示：
其中，是求历史嵌入表示/>和资源嵌入表示ecandidate之间的点积，/>权重，历史行为嵌入向量Ebeaviour-encoder是一个大小为H的一维向量。
在一些实施例的步骤202，对候选对象向量和历史行为嵌入向量进行求差计算，得到的序列差向量可以用Ecustomer-encoder-Ebehaviour-encoder进行表示。
在一些实施例的步骤203，对候选对象向量和历史行为嵌入向量进行点积计算，得到的序列点积向量可以用Ecustomer-encoder*Ebehaviour-encoder进行表示。
在一些实施例的步骤204，请参式(4)，将候选对象向量、历史行为嵌入向量、序列差向量、候选对象向量、序列点积向量进行拼接，得到的客群行为关系向量可以表示为：
FNN(concat([Ecustomer-encoder，Ebehaviour-encoder，Ecustomer-encoder-Ebehaviour-encoder，Ecustomer-encoder*Ebehaviour-encoder])) (4)
其中，concat表示的是对4个大小为H的一维向量进行拼接，拼接成一个4*H的一维向量；并使用一层全连接网络；FNN输入的大小为4*H，输出为一个大小为H的一维向量。
请参阅图6，在一些实施例的步骤105，可以包括但不限于包括步骤601至步骤603：
步骤601，获取联合特征向量；
步骤602，将联合特征向量、历史行为嵌入向量、客群行为关系向量进行合并处理，得到嵌入合并向量；
步骤603，将嵌入合并向量进行语义编码，得到语义总向量。
请参阅图7，在一些实施例的步骤601，可以包括但不限于包括步骤701至步骤703：
步骤701，获取预设的资源特征和当前对象的当前属性特征；其中，资源特征是候选资源的特征；
步骤702，将资源特征进行嵌入表示得到资源嵌入表示，将当前属性特征进行嵌入表示得到当前特征嵌入表示；
步骤703，将预设的资源展示嵌入表示、资源嵌入表示、当前特征嵌入表示进行合并，得到联合特征向量。
在一些实施例的步骤701，预设的资源特征包括有与资源相关的特征，包括候选商品的特征、候选商品的类别等，候选商品的特征可以包括商品ID，候选商品的类别可以包括类别ID(例如类别标签)。当前对象的当前属性特征包括当前对象的属性相关的特征，包括当前对象的年龄、当前对象的性别等。
在一些实施例的步骤702，将资源特征进行嵌入表示得到资源嵌入表示Eresource，将当前属性特征进行嵌入表示得到当前特征嵌入表示Eattribute。
在一些实施例的步骤703，将预设的资源展示嵌入表示是用于表征资源的展示形式、展示内容等，例如资源所展示的当前时间、当前页面等，资源展示嵌入表示可以用Edisplay表示。通过步骤703，将资源展示嵌入表示Edisplay、资源嵌入表示Eresource、当前特征嵌入表示Eattribute进行合并，得到的联合特征向量可以表示为联合特征向量是一个大小为(L，H)的二维向量，联合特征向量包括L个特征(从0至L-1)、每个特征的长度是H维。
在一些实施例的步骤602，将联合特征向量、历史行为嵌入向量、客群行为关系向量进行合并处理，得到的嵌入合并向量可以表示为Etotal。
嵌入合并向量Etotal是大小为L*H+3*H的一维向量。
在一些实施例的步骤603，通过DNN对嵌入合并向量进行语义编码，得到语义总向量S，语义总向量S中单个样本是大小为H的向量，语义总向量S可以表示为如下式(5)所示：
S＝FNN(Etotal) (5)
其中，FNN的输入是S，大小为L*H+3*H，输出为一个大小为H的一维向量。
在一应用场景，所使用的DNN使用两层全连接网络。在其他的实施例，也可以应采用DeepFM模型、或者xDeepFM(极深因子分解机模型)、或者深度交叉网络(Deep&CrossNetwork，DCN)等。
在一些实施例的步骤106，根据语义总向量对当前对象进行点击行为预测，得到目标行为。在一应用场景，目标行为是对应行为的概率值。目标行为可以表示为式(6)：
p＝sigmoid(<S，W>+d) (6)
其中，P是目标行为，是概率值，W、d均为可学习的模型参数，W是一个大小为H的向量，<S，W>是求S和W的点积。
在一应用场景，点击行为预测方法可以通过预先训练的目标预测模型实现，该目标预测模型包括行为序列语义编码器、用户序列语义编码器、嵌入合并网络层、深度神经网络和行为输出层。通过序列语义编码器可以得到步骤104中的历史行为嵌入向量；通过用户序列语义编码器可以实现步骤102至步骤103，以对步骤101中的候选用户序列进行嵌入编码得到候选用户嵌入表示，并对候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量；通过嵌入合并网络层可以实现步骤104的特征交叉编码，从而得到客群行为关系向量；通过深度神经网络，可以实现步骤105的将预设的联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量，并实现对当前对象进行点击行为预测得到目标行为；通过行为输出层可以输出步骤106预测得到的目标行为。
在通过目标预测模型实现上述点击行为预测方法的应用场景中，点击行为预测方法还可以包括训练目标预测模型，具体包括：
获取训练行为数据集，并将训练行为数据分为多个训练行为数据子集；其中，每一训练行为数据子集是一个batch数据；该训练行为数据子集与步骤201的历史行为序列类似，是包括行为序列的数据集，例如是用户点击过的资源序列，包括运动类的商品，例如球鞋、球拍、篮球、足球等，也包括生活类的商品，例如家电(包括电视、洗衣机等)、电子设备(包括手机、平板电脑等)等，还可以包括菜品等或者广告；训练行为数据子集不限于此，以上仅作为示例对训练行为数据集进行举例说明：
从训练行为数据子集筛选出有效行为数据；其中，有效行为数据是指有利于模型训练的数据，空数据、错误数据、无效数据等将会被剔除；
将有效行为数据输入至预设的原始行为预测模型进行训练，得到训练概率值；其中，训练概率值与上述式(6)的目标行为P类似，用于表征用户是否执行相关点击行为，例如是否点击购买行为；
根据训练概率值和预设标签计算损失数据；其中，预设标签用于表征用户是否执行点击行为；训练概率值是原始行为预测模型输出的预测值，也是预测标签，预设标签是真实标签，通过预测标签与真实标签进行损失计算，得到损失数据loss；
根据损失数据进行反向计算梯度，更新原始行为预测模型的模型参数，得到目标预测模型。反向计算梯度的原理，可以参照常规的反向计算梯度原理，本申请实施例不做限定。
更具体地，将有效行为数据输入至预设的原始行为预测模型进行训练，得到的训练概率值用pt表示，pt用于表示用户会产生点击行为的概率。预设标签用y表示。根据训练概率值和预设标签计算损失数据可以表示为式(7)：
loss＝-y*log(pt)-(1-y)*log(1-pt) (7)
其中，损失数据为loss，预设标签为y，pt是样本特征输入给模型后输出层的输出值。在一些实施例，可以设置预设标签y＝0时表示用户不会产生点击行为，预设标签y＝1时表示用户会产生点击行为。在其他的实施例，也可以设置预设标签y＝0时表示用户会产生点击行为，预设标签y＝1时表示用户不会产生点击行为，本申请实施例对此不做限定。
在点击率预估任务中，现有的方法往往忽略了当前用户和候选商品本身客户群体的相关性，也忽略了候选商品客户群与当前用户感兴趣的商品之间的关系。当前用户如果和该商品的客户群体较为相似的时候，那该当前用户更可能点击商品；候选商品的客户群对当前用户点击过的商品更感兴趣时，那该当前用户也更可能点击候选商品。
本申请实施例的技术方案，可以实现在点击率预估任务中建模商品客户群、用户行为，通过建模商品的客户群和当前用户的相关性、商品客户群与当前客户用户行为之间的相关性，来更好地提升点击率预估模型的模型效果。
本申请实施例建模了当前用户和对商品感兴趣的其它用户之间的相关性。购买同一件商品的客户之间往往具有相似性，可以将购买这件商品的客户划分成一类或多类，大部分购买的客户可以划分到其中的一个类别上。通过建模点击过商品的用户序列，学习用户表示，进而学习不同用户之间的相关性，帮助提升模型效果。在一应用场景中，历史对象A之前买过球衣、运动鞋。历史对象B之前买过球衣、篮球。历史对象C之前买过篮球、运动鞋。当只建模(历史对象A，球衣)预测出来的点击率可能不高。但是历史对象A、历史对象B、历史对象C实际上是一类客户，因此建模这些用户之间的相似性可以帮助模型更好地学习，从而可以学习到历史对象A，球衣，历史对象A和历史对象B、历史对象C之间的相关性。
本申请实施例可以学习用户embedding表示，依赖不同特征的共线性。如果两个用户对于同样的商品的点击与否行为是一样的，那模型训练过程中，这两个用户的embedding就会接近。相似用户的embedding会接近。同样的，相似商品的embedding也会接近。进一步地，如果两个用户对于相似的商品的点击与否行为是一样的，则模型训练过程中，这两个用户的embedding就会接近，会帮助相似用户的embedding接近。同理，商品的embedding也遵循上述原理。
在一应用场景中，例如有一类商品是运动商品，有一类用户是运动爱好者。假设有一个新用户，点击购买的东西很少且都是运动商品。并假设有一个新商品，是最近上架的新品，点击购买该新商品的用户较少且都是运动爱好者。由于新用户、新商品都是新的，因而对新用户的embedding、新商品的embedding的学习，表现都不太好。若单纯从新用户本身、或者新商品本身进行点击行为预测，难以预测是否会发生点击行为。本申请实施例中，结合用户行为、候选商品对应的客群(用户序列)进行点击行为预测的准确性更高。
本申请实施例通过在点击率预估任务中建模用户之间的相关性、用户和商品的相关性，可学习出用户的embedding表示。
请参阅图8，本申请实施例还提供一种点击行为预测装置，可以实现上述点击行为预测方法，该装置包括：
候选对象获取模块，用于获取候选用户序列；候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
用户嵌入编码模块，用于将候选用户序列进行嵌入编码，得到候选用户嵌入表示；
序列语义编码模块，用于根据候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量；其中，当前用户嵌入表示是当前对象的嵌入表示；
特征交叉编码模块，用于根据预设的历史行为嵌入向量、候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，历史行为嵌入向量是历史对象的行为嵌入向量；
特征提取模块，用于将预设的联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量；
点击行为预测模块，用根据语义总向量进行点击行为预测。
在一些实施例中，特特征交叉编码模块，具体可以用于实现：
获取历史行为嵌入向量；
对候选对象向量和历史行为嵌入向量进行求差计算，得到序列差向量；
对候选对象向量和历史行为嵌入向量进行点积计算，得到序列点积向量；
将候选对象向量、历史行为嵌入向量、序列差向量、候选对象向量、序列点积向量进行拼接，得到客群行为关系向量。
在一些实施例中，具体地，特特征交叉编码模块可以用于实现上述步骤201至步骤204，在此不再赘述。
在一些实施例中，特特征交叉编码模块用于实现获取历史行为嵌入向量的原理可以包括但不限于包括：
获取历史对象的历史行为数据，得到历史行为序列；
将历史行为序列进行嵌入编码，得到历史嵌入表示；
将候选资源进行嵌入编码，得到资源嵌入表示；
根据历史嵌入表示和资源嵌入表示进行语义编码，得到历史行为嵌入向量。
在一些实施例中，具体地，特特征交叉编码模块可以用于实现上述步骤301至步骤304，在此不再赘述。
在一些实施例中，特特征交叉编码模块用于实现“获取历史对象的历史行为数据，得到初步序列”的原理可以包括但不限于包括：
获取历史对象的历史行为数据，得到初步序列；
获取初步序列的序列长度，得到当前序列长度；
根据当前序列长度更新初步序列，得到历史行为序列。
在一些实施例中，具体地，特特征交叉编码模块可以用于实现上述步骤401至步骤403，在此不再赘述。
在一些实施例中，特特征交叉编码模块用于实现“根据当前序列长度更新初步序列，得到历史行为序列”的原理可以包括但不限于包括：
比较当前序列长度和预设序列长度的大小关系；
若当前序列长度大于预设序列长度，则获取历史行为数据的行为时间；
根据行为时间和预设序列长度对初步序列进行筛选，得到历史行为序列。
在一些实施例中，具体地，特特征交叉编码模块可以用于实现上述步骤501至步骤503，在此不再赘述。
在另一些实施例中，特特征交叉编码模块用于实现“根据当前序列长度更新初步序列，得到历史行为序列”的原理还可以包括但不限于包括：
若当前序列长度小于或者等于预设序列长度，则将初步序列作为历史行为序列。
在一些实施例中，具体地，特征提取模块可以用于实现：
获取联合特征向量；
将联合特征向量、历史行为嵌入向量、客群行为关系向量进行合并处理，得到嵌入合并向量；
将嵌入合并向量进行语义编码，得到语义总向量。
在一些实施例中，具体地，特征提取模块可以用于实现上述步骤601至步骤603，在此不再赘述。
在一些实施例中，特征提取模块用于实现“获取联合特征向量”的原理可以包括但不限于包括：
获取预设的资源特征和当前对象的当前属性特征；其中，资源特征是候选资源的特征；
将资源特征进行嵌入表示得到资源嵌入表示，将当前属性特征进行嵌入表示得到当前特征嵌入表示；
将预设的资源展示嵌入表示、资源嵌入表示、当前特征嵌入表示进行合并，得到联合特征向量。
在一些实施例中，具体地，特征提取模块可以用于实现上述步骤701至步骤703，在此不再赘述。
该点击行为预测装置的具体实施方式与上述点击行为预测方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述点击行为预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器801，可以采用通用的CPU(Central ProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器802，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本申请实施例的点击行为预测方法；
输入/输出接口803，用于实现信息输入及输出；
通信接口804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该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点击行为预测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的点击行为预测方法和装置、电子设备、存储介质，其通过将候选用户序列进行嵌入编码得到候选用户嵌入表示，并根据候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对候选资源感兴趣的候选对象向量，及根据预设的历史行为嵌入向量、候选对象向量进行特征交叉编码，得到客群行为关系向量，再将预设的联合特征向量、历史行为嵌入向量、客群行为关系向量进行特征提取，得到语义总向量，从而根据语义总向量对当前对象进行点击行为预测。本申请实施例建模用户之间的相关性、用户和商品的相关性，提高了对点击行为预测的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种点击行为预测方法，其特征在于，所述方法包括：
获取候选用户序列；所述候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
将所述候选用户序列进行嵌入编码，得到候选用户嵌入表示；
根据所述候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对所述候选资源感兴趣的候选对象向量；其中，所述当前用户嵌入表示是当前对象的嵌入表示；
根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，所述历史行为嵌入向量是历史对象的行为嵌入向量；
将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量；
根据所述语义总向量对所述当前对象进行点击行为预测。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量，包括：
获取所述历史行为嵌入向量；
对所述候选对象向量和所述历史行为嵌入向量进行求差计算，得到序列差向量；
对所述候选对象向量和所述历史行为嵌入向量进行点积计算，得到序列点积向量；
将所述候选对象向量、所述历史行为嵌入向量、所述序列差向量、所述候选对象向量、所述序列点积向量进行拼接，得到所述客群行为关系向量。
3.根据权利要求2所述的方法，其特征在于，所述获取所述历史行为嵌入向量，包括：
获取所述历史对象的历史行为数据，得到历史行为序列；
将所述历史行为序列进行嵌入编码，得到历史嵌入表示；
将所述候选资源进行嵌入编码，得到资源嵌入表示；
根据所述历史嵌入表示和所述资源嵌入表示进行语义编码，得到所述历史行为嵌入向量。
4.根据权利要求3所述的方法，其特征在于，所述获取所述历史对象的历史行为数据，得到历史行为序列，包括：
获取所述历史对象的历史行为数据，得到初步序列；
获取所述初步序列的序列长度，得到当前序列长度；
根据所述当前序列长度更新所述初步序列，得到所述历史行为序列。
5.根据权利要求4所述的方法，其特征在于，所述根据所述当前序列长度更新所述初步序列，得到所述历史行为序列，包括：
比较所述当前序列长度和预设序列长度的大小关系；
若所述当前序列长度大于所述预设序列长度，则获取所述历史行为数据的行为时间；
根据所述行为时间和所述预设序列长度对所述初步序列进行筛选，得到所述历史行为序列。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量，包括：
获取所述联合特征向量；
将所述联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行合并处理，得到嵌入合并向量；
将所述嵌入合并向量进行语义编码，得到所述语义总向量。
7.根据权利要求6所述的方法，其特征在于，所述获取所述联合特征向量包括：
获取预设的资源特征和所述当前对象的当前属性特征；其中，所述资源特征是所述候选资源的特征；
将所述资源特征进行嵌入表示得到资源嵌入表示，将所述当前属性特征进行嵌入表示得到当前特征嵌入表示；
将预设的资源展示嵌入表示、所述资源嵌入表示、所述当前特征嵌入表示进行合并，得到所述联合特征向量。
8.一种点击行为预测装置，其特征在于，所述装置包括：
候选对象获取模块，用于获取候选用户序列；所述候选用户序列是对预设的候选资源感兴趣的候选对象的序列；
用户嵌入编码模块，用于将所述候选用户序列进行嵌入编码，得到候选用户嵌入表示；
序列语义编码模块，用于根据所述候选用户嵌入表示和预设的当前用户嵌入表示进行序列语义编码，得到对所述候选资源感兴趣的候选对象向量；其中，所述当前用户嵌入表示是当前对象的嵌入表示；
特征交叉编码模块，用于根据预设的历史行为嵌入向量、所述候选对象向量进行特征交叉编码，得到客群行为关系向量；其中，所述历史行为嵌入向量是历史对象的行为嵌入向量；
特征提取模块，用于将预设的联合特征向量、所述历史行为嵌入向量、所述客群行为关系向量进行特征提取，得到语义总向量；
点击行为预测模块，用于根据所述语义总向量对所述当前对象进行点击行为预测。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述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权利要求1至7中任一项所述的方法。
CN202310838541.0A 2023-07-07 2023-07-07 点击行为预测方法和装置、电子设备、存储介质 Pending CN116957641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310838541.0A CN116957641A (zh) 2023-07-07 2023-07-07 点击行为预测方法和装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310838541.0A CN116957641A (zh) 2023-07-07 2023-07-07 点击行为预测方法和装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN116957641A true CN116957641A (zh) 2023-10-27

Family

ID=88452213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310838541.0A Pending CN116957641A (zh) 2023-07-07 2023-07-07 点击行为预测方法和装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN116957641A (zh)

Similar Documents

Publication Publication Date Title
EP3717984B1 (en) Method and apparatus for providing personalized self-help experience
WO2019144892A1 (zh) 数据处理方法、装置、存储介质和电子装置
CN111784455A (zh) 一种物品推荐方法及推荐设备
CN111966914B (zh) 基于人工智能的内容推荐方法、装置和计算机设备
CN112119388A (zh) 训练图像嵌入模型和文本嵌入模型
CN111680217A (zh) 内容推荐方法、装置、设备及存储介质
CN112307351A (zh) 用户行为的模型训练、推荐方法、装置和设备
CN108959323B (zh) 视频分类方法和装置
CN111881671A (zh) 一种属性词提取方法
CN113392179A (zh) 文本标注方法及装置、电子设备、存储介质
CN111625715A (zh) 信息提取方法、装置、电子设备及存储介质
CN115659008A (zh) 大数据信息反馈的信息推送系统、方法、电子设备及介质
CN113705698B (zh) 基于点击行为预测的信息推送方法及装置
CN114329004A (zh) 数字指纹生成、数据推送方法、装置和存储介质
CN116741396A (zh) 文章归类方法和装置、电子设备和存储介质
CN116543798A (zh) 基于多分类器的情感识别方法和装置、电子设备、介质
Goel Shopbot: an image based search application for e-commerce domain
CN116957641A (zh) 点击行为预测方法和装置、电子设备、存储介质
CN114817697A (zh) 标签信息的确定方法、装置、电子设备以及存储介质
CN112446738A (zh) 广告数据处理方法、装置、介质以及电子设备
CN115222486B (zh) 物品推荐模型训练方法、物品推荐方法、装置及存储介质
CN114201516B (zh) 一种用户画像构建的方法、信息推荐的方法以及相关装置
CN117711001B (zh) 图像处理方法、装置、设备和介质
Cherukuri et al. Sentiment analysis model and its role in determining social media’s influence on decision making
CN117436980A (zh) 保险产品的推荐方法和装置、设备、存储介质

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