CN115564511A - 一种结合相邻位置及双历史序列的ctr位置消偏方法 - Google Patents
一种结合相邻位置及双历史序列的ctr位置消偏方法 Download PDFInfo
- Publication number
- CN115564511A CN115564511A CN202211038536.3A CN202211038536A CN115564511A CN 115564511 A CN115564511 A CN 115564511A CN 202211038536 A CN202211038536 A CN 202211038536A CN 115564511 A CN115564511 A CN 115564511A
- Authority
- CN
- China
- Prior art keywords
- information
- adjacent
- side information
- user
- pooling
- 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
Links
Images
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种结合相邻位置及双历史序列的CTR位置消偏方法。本专利针对推荐***中消除位置偏置,提出一种结合相邻位置及双历史序列的CTR位置消偏方法,在模型结构中引入样本物料相邻位置、相邻位置物料及其边信息和相邻位置物料结合历史序列的信息,用于消除位置偏置,使得模型效果更为准确。在此基础上利用用户历史正负反馈信息,能更充分地学习用户偏好及厌恶的信息,提高模型效果。并设计了独立网络学习,能够剥离位置因素对结果的影响,便于实际模型推断时使用以及线上更灵活地部署。
Description
技术领域
本发明涉及推荐***领域,特别涉及一种结合相邻位置及双历史序列的CTR位置消偏方法。
背景技术
千人千面的推荐形式已在电商、视频、新闻等许多生活中的场景发挥其作用,通过智能化的结果展示将众多的信息精挑细选发放给用户,让用户能看到自身更感兴趣的物品。推荐模型是基于学习用户在场景中的交互数据来判断用户对推荐物品的喜好,从而为用户推荐其满意的物品。然而,用户的交互数据受到整体展示环境的影响,例如,第3位的物料相比第6位更容易被关注,用户历史有交互的物料与第3位较为相关但与前2位相关性不大而更容易忽略前2位物料。因此,用户点击行为源于用户对该物料更感兴趣以及该物料的展示位置及环境能让用户关注到该物料。但当前大多数推荐***仅针对用户的兴趣,因此导致存在因位置信息产生的预测偏差。即便少量场景考虑了位置因素,也仅仅考虑了物料对应的位置信息,并未考虑结合用户历史行为序列信息下物料相邻位置及其展示物料对该物料的影响。
本专利针对这一实际背景,提出了一种结合相邻位置及双历史序列的CTR位置消偏方法,能够有效利用用户历史反馈信息及相邻环境信息消除预测偏差,提高推荐准确性,并且能够在模型结构层面分离位置因素的计算,便于实际模型推断时使用以及线上更灵活地部署。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供一种结合相邻位置及双历史序列的CTR位置消偏方法。
本发明提供了如下的技术方案:
本发明提供一种结合相邻位置及双历史序列的CTR位置消偏方法,包括以下:
一、采集模块:
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table;利用SQL对数据中曝光但并未点击的样本打标为0,点击的样本打标为1,得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合其他属性xi;该用户u历史t日内最多m条点击序列及曝光未点击序列应当指出的是,数据采集技术及存储形式包括但不限于以上所述方式;
二、相邻位置信息提取模块:
1)embedding转化
对于table中的样本,将物料展示位置posi、展示页面中相邻物料位置集合物料及其边信息itemi、展示页面中相邻物料及边信息集合正反馈序列和负反馈序列分别转化为对应的embedding形式pembi、iembi、和
2)正负反馈序列pooling计算
对于样本i的物料及其边信息,计算其与正负反馈序列pooling,得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i,其中S(·)为输出维度为1的MLP网络;
同理,对于样本i的相邻物料及其边信息,可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i;
3)相邻位置信息提取
concati=concat(pembi,iembi,pospoolu,i,negpoolu,i)
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习,输出结果分别为presi和npresi,W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数,S(·)为输出维度为1的多层深度网络;
presi=S(pembi,W1,…,WH,B1,…,BH)
npresi=S(nppooli,W1,…,WH,B1,…,BH);
2)其他信息网络学习
将xi转化为对应的embedding形式xembi,在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习,输出结果为iresi和niresi,W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数;
iconcati=concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati=concat(nipooli,npospooli,nnegpooli,xembi)
iresi=S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi=S(niconcati,W’1,…,W’H,B’1,…,B’H);
四、模型预测模块
与现有技术相比,本发明的有益效果如下:
传统推荐模型仅仅针对用户对物料的兴趣,这样在模型构建时引入了因位置信息未参与建模产生的预测偏差,使得对于用户的推荐结果有偏。尽管少量场景考虑了位置信息,也仅仅考虑了物料对应的位置信息,并未考虑结合用户历史行为序列信息下物料相邻位置及其展示物料对该物料的影响。
本专利针对推荐***中消除位置偏置,提出一种结合相邻位置及双历史序列的CTR位置消偏方法,在模型结构中引入样本物料相邻位置、相邻位置物料及其边信息和相邻位置物料结合历史序列的信息,用于消除位置偏置,使得模型效果更为准确。在此基础上利用用户历史正负反馈信息,能更充分地学习用户偏好及厌恶的信息,提高模型效果。并设计了独立网络学习,能够剥离位置因素对结果的影响,便于实际模型推断时使用以及线上更灵活地部署。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明结合相邻位置及双历史序列的CTR位置消偏算法训练及推断示意图;
图2是本发明的实施流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
实施例1
如图1-2,本发明提供一种结合相邻位置及双历史序列的CTR位置消偏方法,包括以下:
一、采集模块:
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table;利用SQL对数据中曝光但并未点击的样本打标为0,点击的样本打标为1,得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合其他属性xi;该用户u历史t日内最多m条点击序列及曝光未点击序列应当指出的是,数据采集技术及存储形式包括但不限于以上所述方式;
二、相邻位置信息提取模块:
1)embedding转化
对于table中的样本,将物料展示位置posi、展示页面中相邻物料位置集合物料及其边信息itemi、展示页面中相邻物料及边信息集合正反馈序列和负反馈序列分别转化为对应的embedding形式pembi、iembi、和
2)正负反馈序列pooling计算
对于样本i的物料及其边信息,计算其与正负反馈序列pooling,得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i,其中S(·)为输出维度为1的MLP网络;
同理,对于样本i的相邻物料及其边信息,可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i;
3)相邻位置信息提取
concati=concat(pembi,iembi,pospoolu,i,negpoolu,i)
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习,输出结果分别为presi和npresi,W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数,S(·)为输出维度为1的多层深度网络;
presi=S(pembi,W1,…,WH,B1,…,BH)
npresi=S(nppooli,W1,…,WH,B1,…,BH);
2)其他信息网络学习
将xi转化为对应的embedding形式xembi,在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习,输出结果为iresi和niresi,W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数;
iconcati=concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati=concat(nipooli,npospooli,nnegpooli,xembi)
iresi=S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi=S(niconcati,W’1,…,W’H,B’1,…,B’H);
四、模型预测模块
进一步的,示例如下:
1.利用流技术对用户的曝光和点击数据进行采集并存储至hive中记为table。利用SQL得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合其他属性xi;该用户u历史t日内最多m条点击序列及曝光未点击序列
2.将样本值转化为对应的embedding形式pembi、iembi、xembi、和根据该用户历史反馈信息对于该物料及其边信息以及相邻物料及其边信息相应的偏好与厌恶信息池化pospoolu,i、negpoolu,i、pospoolu,i和negpoolu,i,其中S(·)为输出维度为1的MLP网络。
3.计算相邻位置池化nppooli、相邻位置物料及其边信息池化nppooli和相邻位置正负反馈序列池化npospooli和nnegpooli。
concati=concat(pembi,iembi,pospoolu,i,negpoolu,i)
4.使用位置独立网络计算
presi=S(pembi,W1,…,WH,B1,…,BH)
npresi=S(nppooli,W1,…,WH,B1,…,BH)
5.使用其他信息独立网络计算
iconcati=concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati=concat(nipooli,npospooli,nnegpooli,xembi)
iresi=S(iconcati,W’1,…,W’H,B’1,…,B’H)
niresi=S(niconcati,W’1,…,W’H,B’1,…,B’H)
7.取需要预测的物料及其边信息、正负反馈序列和其他信息转化为对应的embedding形式iembj、pospoolu,j、negpoolu,j和xembj。利用训练好的模型计算
本发明中具备以下特征:
1.提出了消除推荐模型位置偏置的方法,利用物料展示位置、相邻位置、相邻物料、历史行为序列池化及相邻物料历史行为序列池化提取相应信息,能够有效提高模型准确性。
2.提出了利用双历史序列来提取用户偏好及厌恶信息的方法,能够在模型中更准确地学习用户正负反馈信息,有效提高模型推荐效果。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种结合相邻位置及双历史序列的CTR位置消偏方法,其特征在于,包括以下:
一、采集模块:
利用流技术对用户在推荐场景下的曝光和点击数据进行采集并存储至hive中记为table;利用SQL对数据中曝光但并未点击的样本打标为0,点击的样本打标为1,得到第i个样本标签yi并拼接物料展示位置posi和相邻物料位置集合物料及其边信息(如物料类别等)itemi和相邻物料及其边信息集合其他属性xi;该用户u历史t日内最多m条点击序列及曝光未点击序列应当指出的是,数据采集技术及存储形式包括但不限于以上所述方式;
二、相邻位置信息提取模块:
1)embedding转化
对于table中的样本,将物料展示位置posi、展示页面中相邻物料位置集合物料及其边信息itemi、展示页面中相邻物料及边信息集合正反馈序列和负反馈序列分别转化为对应的embedding形式pembi、iembi、和
2)正负反馈序列pooling计算
对于样本i的物料及其边信息,计算其与正负反馈序列pooling,得到根据该用户历史反馈信息对于该物料及其边信息相应的偏好与厌恶信息池化pospoolu,i和negpoolu,i,其中S(·)为输出维度为1的MLP网络;
同理,对于样本i的相邻物料及其边信息,可得到该用户历史反馈信息对于该相邻物料及其边信息相应的偏好与厌恶信息pospoolu,i和negpoolu,i;
3)相邻位置信息提取
concati=concat(pembi,iembi,pospoolu,i,negpoolu,i)
三、模型构建模块
1)位置网络学习
在位置网络中分别输入pembi和nppooli使用同一多层深度网络学习,输出结果分别为presi和npresi,W1,…,WH和B1,…,BH分别表示学习的权重和偏置参数,S(·)为输出维度为1的多层深度网络;
presi=S(pembi,W1,…,WH,B1,…,BH)
npresi=S(nppooli,W1,…,WH,B1,…,BH);
2)其他信息网络学习
将xi转化为对应的embedding形式xembi,在其他信息网络中分别输入iconcati和niconcati使用同一多层深度网络学习,输出结果为iresi和niresi,W’1,…,W’H和B’1,…,B’H分别表示学习的权重和偏置参数;
iconcati=concat(iembi,pospoolu,i,negpoolu,i,xembi)
niconcati=concat(nipooli,npospooli,nnegpooli,xembi)
iresi=S(iconcati,W′1,…,W′H,B′1,…,B′H)
niresi=S(niconcati,W′1,…,W′H,B′1,…,B′H);
四、模型预测模块
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038536.3A CN115564511A (zh) | 2022-08-29 | 2022-08-29 | 一种结合相邻位置及双历史序列的ctr位置消偏方法 |
PCT/CN2022/136489 WO2024045394A1 (zh) | 2022-08-29 | 2022-12-05 | 一种结合相邻位置及双历史序列的ctr位置消偏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038536.3A CN115564511A (zh) | 2022-08-29 | 2022-08-29 | 一种结合相邻位置及双历史序列的ctr位置消偏方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564511A true CN115564511A (zh) | 2023-01-03 |
Family
ID=84738297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211038536.3A Pending CN115564511A (zh) | 2022-08-29 | 2022-08-29 | 一种结合相邻位置及双历史序列的ctr位置消偏方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115564511A (zh) |
WO (1) | WO2024045394A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100153370A1 (en) * | 2008-12-15 | 2010-06-17 | Microsoft Corporation | System of ranking search results based on query specific position bias |
CN112487278A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 推荐模型的训练方法、预测选择概率的方法及装置 |
CN111177575B (zh) * | 2020-04-07 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
-
2022
- 2022-08-29 CN CN202211038536.3A patent/CN115564511A/zh active Pending
- 2022-12-05 WO PCT/CN2022/136489 patent/WO2024045394A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024045394A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schröter et al. | Citizen science for assessing ecosystem services: Status, challenges and opportunities | |
CN107105320B (zh) | 一种基于用户情绪的在线视频热度预测方法及*** | |
Stafford et al. | Eu-social science: the role of internet social networks in the collection of bee biodiversity data | |
CN108268441B (zh) | 句子相似度计算方法和装置及*** | |
JP2019114222A (ja) | 撮像システム、学習装置、および撮像装置 | |
CN101754056A (zh) | 支持海量数据自动处理的数字内容编目管理***及方法 | |
CN114565826A (zh) | 一种农业病虫害识别诊断方法、***及装置 | |
JP2011198364A (ja) | 媒体文書へのラベル添加方法及び該方法を用いるシステム | |
Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
CN108806355B (zh) | 一种书画艺术互动教育*** | |
CN108182597A (zh) | 一种基于决策树和逻辑回归的点击率预估方法 | |
CN112967112A (zh) | 一种自注意力机制和图神经网络的电商推荐方法 | |
Mesaglio et al. | Recognition and completeness: two key metrics for judging the utility of citizen science data | |
CN111723256A (zh) | 一种基于信息资源库的政务用户画像构建方法及其*** | |
JP2023545896A (ja) | シーケンス情報を融合した特徴組み合わせ推薦アルゴリズムフレームワーク | |
CN113239159A (zh) | 基于关系推理网络的视频和文本的跨模态检索方法 | |
CN110704510A (zh) | 一种结合用户画像的题目推荐方法及*** | |
CN112000889A (zh) | 一种信息汇聚呈现*** | |
CN112528010A (zh) | 知识推荐方法、装置、计算机设备及可读存储介质 | |
CN113065342B (zh) | 一种基于关联关系分析的课程推荐方法 | |
Zhaosheng et al. | Rapid detection of wheat ears in orthophotos from unmanned aerial vehicles in fields based on YOLOX | |
CN113361928A (zh) | 一种基于异构图注意力网络的众包任务推荐方法 | |
CN113095883B (zh) | 基于深度交叉注意力网络的视频付费用户预测方法及*** | |
CN115564511A (zh) | 一种结合相邻位置及双历史序列的ctr位置消偏方法 | |
CN116542687A (zh) | 数字藏品属性信息分析处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |