一种基于机器学习的消费周期广告适配方法、设备及介质与流程
本发明涉及机器学习,特别是一种基于机器学习的消费周期广告适配方法、设备及介质。
背景技术:
1、在数字化与移动互联网快速发展的背景下,个性化广告投放成为提升商业价值和用户体验的重要手段。近年来,随着人工智能技术的持续演进,尤其是机器学习和深度学习在大规模数据处理与预测建模中的应用日益成熟,基于用户行为数据的广告推荐和投放策略优化已经成为研究热点。随着多任务学习、多维时序数据建模和强化学习技术的发展,学术界和工业界开始探索利用高维行为特征张量、低维嵌入表示以及神经网络预测方法,对用户的消费周期、行为模式以及潜在兴趣进行更精细化建模,从而实现更精准的广告适配。
2、不过现有的方法还有可以进行改进的地方,首先,多任务深度神经网络缺乏对不同特征子集贡献权重的量化机制,导致候选特征子集的选择多依赖经验规则,无法准确评估各特征子集对目标响应的实际影响,从而限制了策略的精度和适应性。其次,在特征选择与策略生成过程中缺乏动态迭代和自适应调整机制,无法根据实时预测结果或用户反馈优化特征组合,容易造成策略输出不稳定或响应效果不理想。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了一种基于机器学习的消费周期广告适配方法解决无法准确评估各特征子集对目标响应的实际影响的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明提供了一种基于机器学习的消费周期广告适配方法,其包括,
5、采集用户在多个应用程序间的匿名化交互时序数据,进行特征提取后执行堆叠操作,构建高维行为特征张量,对高维行为特征张量执行奇异值分解运算,提取主成分特征向量,并作为低维嵌入表示向量;
6、将低维嵌入表示向量输入多任务深度神经网络,通过多任务深度神经网络的共享参数层进行特征融合,输出融合特征向量,并基于多个任务头分别输出状态分类结果和连续数值预测结果;
7、基于状态分类结果与连续数值预测结果,从预设候选特征集合中选取多个候选特征子集,进行向量化编码后构建组合特征向量,并输入深度神经网络进行前向推理,得到目标响应预测值;
8、根据目标响应预测值对组合特征向量执行反向传播计算,获取组合特征向量中各维度特征对目标响应预测值的贡献权重,并基于贡献权重通过序贯决策优化方法对候选特征子集进行筛选与组合,生成目标策略;
9、通过目标策略获取用户反馈数据,构建强化学习奖励信号,同时通过在线梯度下降方法对多任务深度神经网络进行参数更新。
10、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述匿名化交互时序数据包括行为类别访问频率、跨应用切换频率以及页面停留时长;
11、所述构建高维行为特征张量,具体为:
12、按照预设时间步长对匿名化交互时序数据进行滑动切片,得到多个连续的时间窗口;
13、针对每一个时间窗口,将当前时间窗口内的行为类别访问频率、跨应用切换频率以及页面停留时长进行数值组合处理,得到对应时间窗口的行为特征子向量;
14、将所有时间窗口的行为特征子向量按照时间先后顺序进行堆叠,得到三维结构的高维行为特征张量。
15、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述提取主成分特征向量,具体为:
16、对高维行为特征张量执行奇异值分解运算,得到左奇异向量矩阵、奇异值对角矩阵以及右奇异向量矩阵;
17、提取奇异值对角矩阵对角线上的元素并进行降序排列,选择前n个最大奇异值,并分别索引出最大奇异值对应的左奇异向量矩阵中的列向量和右奇异向量矩阵中的行向量;
18、将选取的左奇异向量矩阵列向量与奇异值对角矩阵中对应的奇异值进行点乘运算,生成加权左奇异向量矩阵;
19、将加权左奇异向量矩阵与选取的右奇异向量矩阵行向量进行矩阵乘法运算,构建投影矩阵,并与高维行为特征张量执行张量乘法运算,得到降维后的主成分特征向量。
20、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述分别输出状态分类结果和连续数值预测结果,具体为:
21、将低维嵌入表示向量输入多任务深度神经网络的共享底层;
22、所述共享底层由至少两层全连接层构成;
23、每层全连接层后接relu激活函数,通过至少两层全连接层对低维嵌入表示向量执行非线性变换与特征交互,输出融合特征向量;
24、将融合特征向量输入第一任务头,通过softmax分类层对融合特征向量执行分类计算,输出状态分类结果;
25、将融合特征向量输入第二任务头,通过全连接回归层对融合特征向量执行回归计算,输出连续数值预测结果。
26、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述得到目标响应预测值,具体为:
27、根据状态分类结果与连续数值预测结果,从预设候选特征集合中检索并选取匹配的多个候选特征子集,构建候选特征组合;
28、对候选特征组合中的不同类型特征分别进行向量化处理,得到对应的特征嵌入向量并进行拼接,生成组合特征向量;
29、将组合特征向量输入训练好的深度神经网络,依次通过深度神经网络的全连接层执行线性变换,并在全连接层后施加relu激活函数进行非线性映射,经由网络输出层输出多维张量;
30、将多维张量作为前向推理结果,并根据预设映射关系将多维张量中每个维度的数值对应到目标响应类型,形成目标响应预测值。
31、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述获取组合特征向量中各维度特征对目标响应预测值的贡献权重,具体为:
32、固定训练完成的深度神经网络中的网络参数,以目标响应预测值作为梯度传播起点,对组合特征向量执行反向传播计算;
33、计算目标响应预测值相对于组合特征向量中各维度特征的偏导数,并将偏导数绝对值作为对应维度特征对目标响应预测值的特征贡献权重;
34、对所有特征贡献权重执行归一化处理,生成标准化特征贡献权重;
35、将标准化特征贡献权重作为组合特征向量中各维度特征对目标响应预测值的最终贡献权重。
36、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述通过序贯决策优化方法对候选特征子集进行筛选与组合,具体为:
37、获取候选特征集合中的多个候选特征子集对应的标准化特征贡献权重,并基于标准化特征贡献权重初始化候选特征子集优先级队列;
38、初始化目标策略为空策略集合,并从候选特征子集优先级队列中选取当前优先级最高的候选特征子集添加至目标策略中,得到更新后的目标策略;
39、基于更新后的目标策略动态计算剩余候选特征子集对应的目标响应预测值变化量;
40、在计算目标响应预测值变化量的同时,对剩余候选特征子集之间的组合特征进行联合梯度计算,并根据联合梯度调整各候选特征子集的标准化贡献权重;
41、按照更新后的排序结果重新选取对应的候选特征子集添加至目标策略中,并基于更新后的目标策略计算对应的目标响应预测值;
42、判断目标响应预测值是否满足预设响应阈值;
43、在目标响应预测值满足预设响应阈值的情况下,停止候选特征子集筛选过程;
44、在目标响应预测值不满足预设响应阈值的情况下,继续执行剩余候选特征子集对应的标准化特征贡献权重动态更新过程,直至目标响应预测值满足预设响应阈值;
45、将满足预设响应阈值的候选特征子集组合,作为最终的目标策略。
46、作为本发明所述基于机器学习的消费周期广告适配方法的一种优选方案,其中:所述通过在线梯度下降方法对多任务深度神经网络进行参数更新,具体为:
47、将目标策略输入预设策略执行环境中,生成对应的特征组合输出结果,获取用户针对特征组合输出结果产生的用户反馈数据;
48、对用户反馈数据进行数值统计处理,得到对应的行为反馈参数;
49、基于行为反馈参数按照预设奖励函数计算强化学习奖励信号;
50、将强化学习奖励信号输入多任务深度神经网络,计算多任务深度神经网络对应的损失函数梯度;
51、基于损失函数梯度通过在线梯度下降方法对多任务深度神经网络中的网络参数进行迭代更新,将完成迭代更新后的网络参数作为多任务深度神经网络的更新参数。
52、第二方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的消费周期广告适配方法的任一步骤。
53、第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的消费周期广告适配方法的任一步骤。
54、本发明有益效果为:通过对组合特征向量执行反向传播计算获取各维度特征对目标响应预测值的贡献权重,并进行标准化处理,实现了对不同特征子集在预测结果中的重要性进行量化,从而解决了多任务深度神经网络在候选特征子集选择上依赖经验规则、难以准确评估各特征子集对目标响应影响的问题。同时,通过基于贡献权重的序贯决策优化方法动态筛选和组合候选特征子集,并结合目标响应预测值进行迭代更新,实现了特征选择与策略生成的自适应调整,能够根据实时预测结果和用户反馈优化特征组合,确保策略输出稳定且响应效果理想,从而显著提升了广告策略的精度、适应性和优化效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com