1.本发明涉及数据处理技术领域，特别涉及一种点击率预测方法、系统、计算机及可读存储介质。
背景技术：2.随着计算机计算能力的不断提升，线上广告系统实现了远超传统广告模式的触达效率与实际效益。在实际电子商务环境下，由于用户群体分布广泛，需求多样，同时广告种类丰富，通过固定规则向不同用户展示类似广告极大限制了线上广告系统的营收能力。点击率预估技术就是结合不同用户群体与待分发广告的特征，利用神经网络或综合性模型在历史数据上进行参数训练，进而完成针对不同用户预测对特定广告的点击概率任务。在实际生活中有着广泛的应用场景。
3.在点击率预估任务中，用户往往存在历史的记录，这类记录不仅保留了很长一段时间用户对于商品的选择或是多样化的特征，而且还具有丰富的兴趣id。在实际应用中，用户的兴趣id在许多任务中起着重要作用。例如，在商品推荐中，用户是否会购买某商品不仅与他的自身属性有关，而且与用户最近的购买或浏览记录密切相关。
4.然而，现有的点击率预测方法大部分聚焦于目标商品与用户历史行为的匹配程度，而忽略了用户潜在性的需求在预测任务中的重要性，从而使得预估结果具有一定的局限性，进而降低了预估结果的准确率。
技术实现要素：5.基于此，本发明的目的是提供一种点击率预测方法、系统、计算机及可读存储介质，以解决现有技术的点击率预测方法大部分聚焦于目标商品与用户历史行为的匹配程度，而忽略了用户潜在性的需求在预测任务中的重要性，从而使得预估结果具有一定局限性的问题。
6.本发明实施例第一方面提出了一种点击率预测方法，所述方法包括：
7.通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；
8.通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；
9.基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。
10.本发明的有益效果是：本技术提出的点击率预测方法首次提出在同一个模型结构
中同时学习用户id与商品id之间的协同信息以及用户交互商品之间的逻辑联系，并最终在用户行为序列中提取出兴趣信息。与此同时，本技术还强调了用户的偏好与需求的挖掘在用户兴趣学习过程中的重要性，并提出了一个有效的用户兴趣学习方法同时对用户偏好与需求进行建模，并应用于点击率预估任务。并且本技术能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
11.优选的，所述通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图的步骤包括：
12.通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表eu以及ei，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：
[0013][0014]
其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，tu表示所述用户id的独热编码，ti表示所述商品id的独热编码；
[0015]
基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝＜v，e＞，其中，v表示节点集合，e表示边集合。
[0016]
优选的，所述通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播的步骤包括：
[0017]
在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。
[0018]
优选的，所述将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量的步骤包括：
[0019]
按照预设顺序将用户历史行为中的商品嵌入向量与其目标广告中的商品嵌入向量均输入至所述交互层中，并根据第二预设公式计算出对应的交互向量；
[0020]
将所述交互向量输入至所述逻辑推导层中，并根据第三预设公式计算出对应的用户兴趣向量。
[0021]
优选的，所述第二预设公式为：
[0022][0023]
其中，[|]表示拼接操作，w1、w2、b1、b2均表示可训练参数，ei表示所述商品id更新之后的商品嵌入向量，eu表示用户id更新之后的用户嵌入向量，σ2表示sigmoid激活函数；
[0024]
所述第三预设公式为：
[0025][0026]
其中，o表示所述用户兴趣向量，表示可训练参数，relu表示relu激活函数，hn表示所述逻辑推导层中时刻n得到的隐藏状态，表示下一时刻n+1
输入的商品嵌入向量与用户嵌入向量输入所述交互层之后得到的交互向量。
[0027]
本发明实施例第二方面提出了一种点击率预估系统，所述系统包括：
[0028]
转换模块，用于通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；
[0029]
分析模块，用于通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；
[0030]
预估模块，用于基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。
[0031]
其中，上述点击率预估系统中，所述转换模块具体用于：
[0032]
通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表eu以及ei，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：
[0033][0034]
其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，tu表示所述用户id的独热编码，ti表示所述商品id的独热编码；
[0035]
基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝《v，e》，其中，v表示节点集合，e表示边集合。
[0036]
其中，上述点击率预估系统中，所述分析模块具体用于：
[0037]
在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。
[0038]
其中，上述点击率预估系统中，所述分析模块还具体用于：
[0039]
按照预设顺序将用户历史行为中的商品嵌入向量与其目标广告中的商品嵌入向量均输入至所述交互层中，并根据第二预设公式计算出对应的交互向量；
[0040]
将所述交互向量输入至所述逻辑推导层中，并根据第三预设公式计算出对应的用户兴趣向量。
[0041]
其中，上述点击率预估系统中，所述第二预设公式为：
[0042][0043]
其中，[|]表示拼接操作，w1、w2、b1、b2均表示可训练参数，ei表示所述商品id更新之后的商品嵌入向量，eu表示用户id更新之后的用户嵌入向量，σ2表示sigmoid激活函数；
[0044]
所述第三预设公式为：
[0045]
[0046]
其中，o表示所述用户兴趣向量，表示可训练参数，relu表示relu激活函数，hn表示所述逻辑推导层中时刻n得到的隐藏状态，表示下一时刻n+1输入的商品嵌入向量与用户嵌入向量输入所述交互层之后得到的交互向量。
[0047]
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上面所述的点击率预测方法。
[0048]
本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的点击率预测方法。
[0049]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0050]
图1为本发明第一实施例提供的点击率预测方法的流程图；
[0051]
图2为本发明第三实施例提供的点击率预估系统的结构框图。
[0052]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0053]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0054]
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0055]
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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0056]
现有的点击率预测方法大部分聚焦于目标商品与用户历史行为的匹配程度，而忽略了用户潜在性的需求在预测任务中的重要性，从而使得预估结果具有一定的局限性，进而降低了预估结果的准确率。
[0057]
请参阅图1，所示为本发明第一实施例提供的点击率预测方法，本实施例提供的点击率预测方法能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
[0058]
具体的，本实施例提供的点击率预测方法具体包括以下步骤：
[0059]
步骤s10，通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出
对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；
[0060]
在本实施例中，首先需要说明的是，本实施例提供的点击率预测方法是基于嵌入模型、神经网络以及协同过滤模型实现的。其中，嵌入模型广泛应用于深度学习领域，该嵌入模型可以将高维、稀疏的特征转化为低维稠密的向量，为深度神经网络提供初始的输入，使深度模型可以更好地学习与收敛。其中，在点击率预估领域最常见的做法是为每个特征创建一个可训练的
·
n x d维嵌入表，其中，n代表该特征的所有种类，并通过查表的形式将特征转换为d维的向量。
[0061]
另外，上述协同过滤模型的核心思想为“物以类聚、人以群分”。分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一商品的评价作为协同信息，形成模型对该指定用户对此信息的喜好程度预测。同样也可以寻找指定商品的相似商品，综合用户对这些相似商品的评价作为协同信息进行预测。基于图的协同过滤模型则是利用图挖掘商品与商品，用户与用户，用户与商品之间的关系，相比传统协同过滤通过评分矩阵计算相似度，基于图的协同过滤能够更深层次的挖掘互相之间的协同信息。
[0062]
因此，在本步骤中，需要说明的是，本步骤会基于创建好的嵌入模型将采集到的用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，其中，用户id和商品id都具有唯一性。
[0063]
进一步的，在本步骤中，需要指出的是，本实施例采集到的用户id和商品id都自带有评分矩阵，因此，在本步骤中，会进一步根据用户id和商品id中的评分矩阵构建出对应的用户-商品交互图，具体的，该用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络。
[0064]
步骤s20，通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；
[0065]
进一步的，在本步骤中，需要说明的是，在获取到用户-商品交互图之后，本步骤会对该用户-商品交互图进行二次处理，具体的，本步骤会通过上述图神经网络在用户-商品交互图中进行多轮迭代的信息传播，进一步的，本步骤还会将获取到的上述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量。
[0066]
步骤s30，基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。
[0067]
最后，在本步骤中，需要说明的是，本步骤会进一步基于创建好的全连接神经网络构建出对应的点击率预估层，并将上述获取到的用户兴趣向量输入值该点击率预估层内，以进行点击率的预估，并获取到最终的预估结果。
[0068]
使用时，通过在同一个模型结构中同时学习用户id与商品id之间的协同信息以及用户交互商品之间的逻辑联系，并最终在用户行为序列中提取出兴趣信息。与此同时，本技术还强调了用户的偏好与需求的挖掘在用户兴趣学习过程中的重要性，并提出了一个有效
的用户兴趣学习方法同时对用户偏好与需求进行建模，并应用于点击率预估任务。并且本技术能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
[0069]
需要说明的是，上述的实施过程只是为了说明本技术的可实施性，但这并不代表本技术的点击率预测方法只有上述唯一一种实施流程，相反的，只要能够将本技术的点击率预测方法实施起来，都可以被纳入本技术的可行实施方案。
[0070]
综上，本发明上述实施例当提供的点击率预测方法能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
[0071]
本发明第二实施例也提供了一种点击率预测方法，本实施例提供的点击率预测方法具体包括以下步骤：
[0072]
同理，在本实施例中，首先需要说明的是，本实施例提供的点击率预测方法同样是基于嵌入模型、神经网络以及协同过滤模型实现的。
[0073]
步骤s11，通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表eu以及ei，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：
[0074][0075]
其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，tu表示所述用户id的独热编码，ti表示所述商品id的独热编码；
[0076]
基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝＜v，e＞，其中，v表示节点集合，e表示边集合。
[0077]
具体的，在本实施例中，需要说明的是，本步骤会首先通过创建好的嵌入模型为获取到的用户id初始化嵌入表eu，以及为获取到的商品id初始化嵌入表ei，进一步的，根据上述第一预设公式分别计算出用户嵌入向量以及商品嵌入向量。
[0078]
更进一步的，本技术还会根据用户id以及商品id中评分矩阵构建出上述用户-商品交互图g＝＜v，e＞，其中，v表示节点集合，e表示边集合。
[0079]
步骤s21，在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。
[0080]
进一步的，在本步骤中，本实施例会在获取到的用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。
[0081]
具体的，在本步骤中，会通过下述公式计算出上述用户-商品交互图中相连两个节点中的一个节点向另一个节点的信息传播量：
[0082][0083]
其中，eh和e
t
表示信息的传出节点与接收节点对应的嵌入向量，dh和d
t
分别表示节点的度，即与之相连的节点数量。ws、wi和b均表示可训练参数。
[0084]
进一步的，本步骤还会根据下述公式将相邻节点传播的信息与自身信息结合得到新的节点向量。
[0085][0086]
其中，σ表示sigmoid激活函数迭代进行l次信息传播，并且每个节点将得到l个向量并将l个向量凭借该节点最终表示成向量e
t
。
[0087]
步骤s31，按照预设顺序将用户历史行为中的商品嵌入向量与其目标广告中的商品嵌入向量均输入至所述交互层中，并根据第二预设公式计算出对应的交互向量；
[0088]
将所述交互向量输入至所述逻辑推导层中，并根据第三预设公式计算出对应的用户兴趣向量。
[0089]
具体的，在本步骤中，需要说明的是，本步骤会按照预设好的先后顺序将当前用户历史行为记录中的商品嵌入向量和其目标广告中的商品嵌入向量均输入至所述交互层中，并根据下述第二预设公式计算出对应的交互向量。
[0090]
具体的，第二预设公式为：
[0091][0092]
其中，[|]表示拼接操作，w1、w2、b1、b2均表示可训练参数，ei表示商品id更新之后的商品嵌入向量，eu表示用户id更新之后的用户嵌入向量，σ2表示sigmoid激活函数；
[0093]
进一步的，本步骤在获取到交互向量之后，会顺序输入逻辑推导层中的推导网络，并根据下述公式在输入循环结构之前为每个行为对应的交互向量进行非操作：
[0094][0095]
其中，均为可训练参数。
[0096]
进一步的，根据下述公式设计推导网络的迭代计算方式：
[0097][0098]
其中，表示t时刻的商品嵌入向量通过上述公式转化而成的向量。
[0099]
更进一步的，本步骤将上述交互向量输入至所述逻辑推导层中，并通过下述第三预设公式计算出对应的用户兴趣向量：
[0100]
具体的，第三预设公式为：
[0101][0102]
其中，o表示所述用户兴趣向量，表示可训练参数，relu表
示relu激活函数，hn表示所述逻辑推导层中时刻n得到的隐藏状态，表示下一时刻n+1输入的商品嵌入向量与用户嵌入向量输入所述交互层之后得到的交互向量。
[0103]
步骤s41，基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。
[0104]
在本步骤中，需要说明的是，本步骤会进一步基于创建好的全连接神经网络构建出对应的点击率预估层，并将上述获取到的用户兴趣向量输入值该点击率预估层内，以进行点击率的预估，并获取到最终的预估结果。
[0105]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
[0106]
综上，本发明上述实施例当提供的点击率预测方法能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
[0107]
请参阅图2，所示为本发明第三实施例提供的点击率预估系统，所述系统包括：
[0108]
转换模块12，用于通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；
[0109]
分析模块22，用于通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；
[0110]
预估模块32，用于基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。
[0111]
其中，上述点击率预估系统中，所述转换模块12具体用于：
[0112]
通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表eu以及ei，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：
[0113][0114]
其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，tu表示所述用户id的独热编码，ti表示所述商品id的独热编码；
[0115]
基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝＜v，e＞，其中，v表示节点集合，e表示边集合。
[0116]
其中，上述点击率预估系统中，所述分析模块22具体用于：
[0117]
在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。
[0118]
其中，上述点击率预估系统中，所述分析模块22还具体用于：
[0119]
按照预设顺序将用户历史行为中的商品嵌入向量与其目标广告中的商品嵌入向量均输入至所述交互层中，并根据第二预设公式计算出对应的交互向量；
[0120]
将所述交互向量输入至所述逻辑推导层中，并根据第三预设公式计算出对应的用户兴趣向量。
[0121]
其中，上述点击率预估系统中，所述第二预设公式为：
[0122][0123]
其中，[|]表示拼接操作，w1、w2、b1、b2均表示可训练参数，ei表示商品id更新之后的商品嵌入向量，eu表示用户id更新之后的用户嵌入向量，σ2表示sigmoid激活函数；
[0124]
所述第三预设公式为：
[0125][0126]
其中，o表示所述用户兴趣向量，表示可训练参数，relu表示relu激活函数，hn表示所述逻辑推导层中时刻n得到的隐藏状态，表示下一时刻n+1输入的商品嵌入向量与用户嵌入向量输入所述交互层之后得到的交互向量。
[0127]
本发明第四实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一实施例或者第二实施例提供的点击率预测方法。
[0128]
本发明第五实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一实施例或者第二实施例提供的的点击率预测方法。
[0129]
综上所述，本发明上述实施例当提供的点击率预测方法、系统、计算机及可读存储介质能够有效的利用用户-商品交互图中的深层次协同信息以及用户行为序列中的逻辑联系来挖掘用户的偏好与需求，从而能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率，适用于大范围的推广与使用。
[0130]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0131]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0132]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器
(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0133]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0134]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0135]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
技术特征：1.一种点击率预测方法，其特征在于，所述方法包括：通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。2.根据权利要求1所述的点击率预测方法，其特征在于：所述通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图的步骤包括：通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表e
u
以及e
i
，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，t
u
表示所述用户id的独热编码，t
i
表示所述商品id的独热编码；基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝<v，e>，其中，v表示节点集合，e表示边集合。3.根据权利要求1所述的点击率预测方法，其特征在于：所述通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播的步骤包括：在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。4.根据权利要求1所述的点击率预测方法，其特征在于：所述将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量的步骤包括：按照预设顺序将用户历史行为中的商品嵌入向量与其目标广告中的商品嵌入向量均输入至所述交互层中，并根据第二预设公式计算出对应的交互向量；将所述交互向量输入至所述逻辑推导层中，并根据第三预设公式计算出对应的用户兴趣向量。5.根据权利要求4所述的点击率预测方法，其特征在于：所述第二预设公式为：其中，[|]表示拼接操作，w1、w2、b1、b2均表示可训练参数，e
i
表示所述商品id更新之后的
商品嵌入向量，e
u
表示用户id更新之后的用户嵌入向量，σ2表示sigmoid激活函数；所述第三预设公式为：其中，o表示所述用户兴趣向量，表示可训练参数，relu表示relu激活函数，h
n
表示所述逻辑推导层中时刻n得到的隐藏状态，表示下一时刻n+1输入的商品嵌入向量与用户嵌入向量输入所述交互层之后得到的交互向量。6.一种点击率预估系统，其特征在于，所述系统包括：转换模块，用于通过嵌入模型将用户id与商品id分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于所述用户id与所述商品id中的评分矩阵构建出对应的用户-商品交互图，所述用户-商品交互图包括若干节点，每一所述节点代表一个用户或者一个商品，且存在交互关系的两个所述节点通过边连接，所述神经网络包括图神经网络以及全连接神经网络；分析模块，用于通过所述图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将所述用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；预估模块，用于基于所述全连接神经网络构建出点击率预估层，并将所述用户兴趣向量输入至所述点击率预估层，以进行点击率的预估。7.根据权利要求6所述的点击率预估系统，其特征在于：所述转换模块具体用于：通过所述嵌入模型分别为所述用户id以及所述商品id初始化嵌入表e
u
以及e
i
，并根据第一预设公式分别计算出所述用户嵌入向量以及所述商品嵌入向量，其中，所述第一预设公式为：其中，e
0u
表示所述用户id对应的嵌入向量，e
0i
表示所述商品id对应的嵌入向量，t
u
表示所述用户id的独热编码，t
i
表示所述商品id的独热编码；基于所述用户id以及所述商品id中的评分矩阵构建出所述用户-商品交互图g＝<v，e>，其中，v表示节点集合，e表示边集合。8.根据权利要求6所述的点击率预估系统，其特征在于：所述分析模块具体用于：在所述用户-商品交互图中通过信息传播函数将相连两个所述节点中的一个节点的嵌入向量的信息传输至另一个节点中，以更新每一所述节点对应的用户嵌入向量或者商品嵌入向量。9.一种计算机，包括存储器、处理器以及存储在所述存储器上并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5中任意一项所述的点击率预测方法。10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任意一项所述的点击率预测方法。
技术总结本发明提供了一种点击率预测方法、系统、计算机及可读存储介质，该方法包括：通过嵌入模型将用户ID与商品ID分别转换为对应的可输入至神经网络的用户嵌入向量以及商品嵌入向量，并基于用户ID与所述商品ID中的评分矩阵构建出对应的用户-商品交互图；通过图神经网络在所述用户-商品交互图中进行多轮迭代的信息传播，并将用户嵌入向量及其历史行为中的所述商品嵌入向量输入至预设的交互层以及逻辑推导层中，以得到用户兴趣向量；基于全连接神经网络构建出点击率预估层，并将用户兴趣向量输入至点击率预估层，以进行点击率的预估。本申请能够能够更加准确的对点击率进行预估，大幅提升了预估结果的准确率。提升了预估结果的准确率。提升了预估结果的准确率。
技术研发人员：商烁 陈力思 王皓 于程远 左俊杰 孔卓
受保护的技术使用者：思创数码科技股份有限公司
技术研发日：2022.03.21
技术公布日：2022/7/5
