CN119273408B 一种基于融合神经网络的广告推 荐方法和系统 （北京顶当互动科技有限公司）

一种基于融合神经网络的广告推荐方法和本申请提供一种基于融合神经网络的广告2基于所述实时行为数据，动态构建用户兴趣图谱，所述用户兴结合所述用户所处的当前场景，从所述候选广告中选择所述融合神经网络模型预测所述用户对特定广告类别的偏好概率通过以下计算公式计算出所述用户对特定广告类;时行为数据和历史行为数据在时间t的特征向量；wcar是针对特定广告类别cat的权重矩其中，W⃞ar·fuser(t)用于计算用户的特征向量fuser(t)对特定广告类别cat的贡献；w-c(t)用于计算当前场景信息c(t)对特定广告类别cat的贡献；bcat用于调整整体评w:中的T代表对权重矩阵的转置。从所述实时行为数据中提取出用户的行为特征，所述行为特征包括用户的浏览习惯、将所述行为特征映射为所述用户兴趣图谱中的节点，并将所述节点之将所述用户的实时行为数据、获取的历史行为数据输入至预3模型，以通过所述融合神经网络模型使用多层次的隐藏层来捕捉用户行为中的非线性关基于所述非线性关系以及所述相互依赖关系，并结合当前场景信息，确定构建广告库，所述广告库包含所有可选广告以及所基于预先构建的广告库索引，将筛选出的广告类别与所述广告库根据广告的相关性和用户偏好的综合得分对匹配出的广告集合进行通过环境感知模块获取所述用户所处的当前场景对应的场景信息，分析所述场景信息，提取出关键场景特征，并将所述将所述综合上下文数据输入到所述融合神经网络模型中，评估依据所述评估结果，从候选广告中选取最符合当前场景且具有根据所述目标广告，制定相应的广告推送策略，所述广告推送;其中，saa(t,c)表示在时间t和综合上下文数据c下的候选广是候选广告ad的嵌入向量;h(fuser(t),c(t))是一个非线性4来计算用户特征向量fuser(t)与当前情境信化项R(fuser(t),c(t))的系数；其中，h(fspr(t),c(t))=o(w2·o(w·[fuse.(t);c(t)]+b1)+b2)，Ifuser(t);c(t)]表示将用户特征向量fuser(t)和当前情境信息c(t)连接成一个向量；含所述用户的感兴趣节点以及感兴趣节点之间的关推送模块，用于结合所述用户所处的当前场景，从所述候选广告所述融合神经网络模型预测所述用户对特定广告类别的偏好概率通过以下计算公式计算出所述用户对特定广告类;时行为数据和历史行为数据在时间t的特征向量；wcar是针对特定广告类别cat的权重矩其中，W⃞ar·fuser(t)用于计算用户的特征向量fuser(t)对特定广告类别cat的贡献；w-c(t)用于计算当前场景信息c(t)对特定广告类别cat的贡献；bcat用于调整整体评5w:中的T代表对权重矩阵的转置。要求1~6任一项所述的一种基于融合神经6[0004]然而传统的推荐算法主要依赖于用户的历史行为数据，缺乏对实时行为的敏感谱包含所述用户的感兴趣节点以及感兴趣节点之间的关7[0020]图2为本申请实施例提供的一种基于融合神经网络的广告推荐系统的结构示意8列（如Kafka）传输到后端服务器。最后，将接收到的数据存储到实时数据仓述用户的感兴趣节点以及感兴趣节点之间的关联[0035]假设有一个用户的实时行为数据，其中包括该用户在过去一周内的在线活动记运动装备;在社交媒体上关注了多个体育明星，并且经常评论和分享体育赛事视9输入特征向量。其次，将用户兴趣图谱中的节点和边转化为向量表示，通过图神经网络为用户对不同广告类别的偏好概率。模型，以通过所述融合神经网络模型使用多层次的隐藏层来捕捉用户行为中的非线性关[0048]可选地，步骤103中的所述融合神经网络模型预测所述用户对特定广告类别的偏[0051]其中，pcae(t)表示用户在时间t对特定广告类别cat的偏好概率；fuser(t)是用户的实时行为数据和历史行为数据在时间t的特征向量；war是针对特定广告类别cat的权[0052]本公式的整体设计目标是通过融合用户的实时和历史行[0057]权重矩阵wcar和偏置bcat:通过训练神经网络模型获得,模型的输入为用户特征[0060]正则化系数λ:通过交叉验证等技术确定最佳值,以平衡模型的复杂度和泛化能[0063]用户特征向量fuse,(t)=[0.8,0.5,0.3](简化表示)[0065]广告类别集合C={娱乐,新闻,科技,时尚}[0079]根据计算结果，用户在当前场景下对"科技"类广告的偏好概率最高（约为[0094]假设用户小赵在一个周五晚上8点左右在家附近的咖啡馆里使用手机上网。根据[0099]通过以下计算公式计算出所述候选广告在当前场景下和预期表现，得到评估结[0101]其中，saa(t,c)表示在时间t和综合上下文数据c下的候选广告ad的评估结果；vad是候选广告ad的嵌入向量;h(fse,(t),c(t))是一个非线性函数，用于整合用户特征正则化项R(fuser(t),c(t))的系数；Ifuser(t);c(t)l表示将用户特[0105]F,(f.se,(t),c(t))=o(u,·fiee.(t)+M,·c(t)+d)，uj是权重矩阵，用于计算用户特征向[0109]广告嵌入向量vdz·h(fuss,(t),c(t)):广告嵌入向量vaa用于表示广告的特征,通过与综合向量h(fuser(t),c(t))的点积,衡量广告与用户特征和当前场景信息的匹配[0110]指示函数用于捕捉广告在特定上下文中的特定属性，例如广[0111]交互函数1Bj·Fj(fuser(t),c(t))用于计算用户特征向量与当前场景信息之[0112]正则化项y·R(fuser(t),c(t))用于惩罚用户特征向量和当前场景信息的复杂的用户特征向量为f。[0116]当前场景信息C(t)通过API接口实时获取用户的地理位置、时间、天气状况等信[0117]权重矩阵w1和wa以及偏置向量b1和b2通过训练神经网络模型获得，模型的输[0122]交互函数F,(fuser(t),c(t))和权重因子Bj通过定义交互函数和权重因子，结合[0124]F2(f,(t),[0125]正则化项R(fuser(t),c(t))和正则化系数通过定义正则化项和正则化系数，通的正则化系数为y=0.01。[0127]用户特征向量f[0131]权重矩阵wz=[0.30.30.3][0133]偏置向量b2=0.1[0140]正则化系数y=0.01[0142]计算综合向量h(fser(t),c(t)):[0147]第二层计算:zz2=w2·o(z1)+b2[0149]激活函数o(z2)=ReLU(0.41)=0.41[0150]综合向量(fuser(t),c(t))=0.41[0162]图2为本申请实施例提供一种基于融合神经网络的广告推荐系统的结构示意图，[0168]图2所述的一种基于融合神经网络的广告推荐系统可以执行图1所示实施例所述[0169]在一个可能的设计中，图2所示实施例的一种基于融合神经网络的广告推荐系统任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM电可擦除可编程只读存储器（EEPROM可擦除可编[0175]输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口