基于商品表示的点击率预测方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种基于商品表示的点击率预测方法及装置。


背景技术：

2.现有的大型电商门户网站通过移动应用和pc网站为数亿用户提供数十亿商品，为了获得更好的用户体验和业务效果，对商品进行更加准确、有效的表示有助于向用户推荐其所关注与喜欢的商品，从而提高推荐商品的点击率。而对商品的点击率预测越准确则可以更有效地提高电商与平台的收益。
3.目前，电商中的商品通常有多种异构模态表示，比如，商品的名称、图像、标题以及统计特征等模态。对于商品表示则是从不同的模态中按照预设的模态权重提取特征，而不管商品的类型如何。然而，理想的商品表示应该能够根据不同的类型的商品动态地权衡不同的模态，从而强调更有用的模态信号。由此可见，现有的多模态商品表示并不能有效体现商品特性，导致基于这种商品表示的点击率预测并不准确。


技术实现要素：

4.鉴于上述问题，本发明提出了一种基于商品表示的点击率预测方法及装置，主要目的在于对多模态商品进行更准确的商品表示，以提高点击率预测的准确性。
5.为达到上述目的，本发明主要提供如下技术方案：
6.一方面，本发明提供一种基于商品表示的点击率预测方法，具体包括：
7.获取目标用户的用户行为与目标商品所各自对应的一组多模态信息；
8.利用第一模型确定各组多模态信息对应的独有特征，所述独有特征包括存在于一种模态中的特征，并具有针对不同模态的动态权重；
9.利用第二模型确定各组多模态信息对应的共有特征，所述共有特征包括共同存在于多种模态中的特征；
10.根据所述独有特征与共有特征分别确定所述目标用户的用户表示以及所述目标商品的商品表示；
11.利用深度神经网络处理所述用户表示与商品表示，得到所述目标用户点击所述目标商品的概率。
12.另一方面，本发明提供一种基于商品表示的点击率预测装置，具体包括：
13.获取单元，用于获取目标用户的用户行为与目标商品所各自对应的一组多模态信息；
14.第一确定单元，用于利用第一模型确定所述获取单元获取的各组多模态信息对应的独有特征，所述独有特征包括存在于一种模态中的特征，并具有针对不同模态的动态权重；
15.第二确定单元，用于利用第二模型确定所述获取单元获取的各组多模态信息对应
的共有特征，所述共有特征包括共同存在于多种模态中的特征；
16.表示单元，用于根据所述第一确定单元确定的独有特征与第二确定单元确定的共有特征分别确定所述目标用户的用户表示以及所述目标商品的商品表示；
17.预测单元，用于利用深度神经网络处理所述表示单元得到的用户表示与商品表示，得到所述目标用户点击所述目标商品的概率。
18.另一方面，本发明提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的基于商品表示的点击率预测方法。
19.借由上述技术方案，本发明提供的一种基于商品表示的点击率预测方法及装置，是通过对商品表示的优化表示来预测商品被点击的概率，针对该商品表示的优化，本发明实施例提出将商品的多模态信息进行更进一步的拆分，从多模态信息中选出不同模态之间的独有特征与共有特征，并利用这些特征重新表示商品，并且，在确定独有特征时，会根据商品的不同模态给对应的独有特征赋予动态权重，以突出该商品被用户更加关注的模态特征。而通过共有特征的提取，可以减少对不同模态中冗余信息的处理，提高对商品的表示效率以及准确性。因此，基于这种优化的商品表示可以提高预设商品的点击率，从而提高电商与平台的收益。
20.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
21.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
22.图1示出了本发明实施例提出的一种基于商品表示的点击率预测方法的流程图；
23.图2示出了本发明实施例中获取多模态商品独有特征的流程图；
24.图3示出了本发明实施例中获取多模态商品共有特征的流程图；
25.图4示出了本发明实施例中对目标用户进行用户表示过程的流程图；
26.图5示出了本发明实施例提出的一种基于商品表示的点击率预测装置的组成框图；
27.图6示出了本发明实施例提出的另一种基于商品表示的点击率预测装置的组成框图。
具体实施方式
28.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
29.本发明实施例提出的一种基于商品表示的点击率预测方法中，提出了一种新的商品表示方法，特别是针对电商中所提供的商品，其通常由多种异构模态表示，而现有的商品
表示仅是从商品的不同模态中按照固定权重来提取特征进行表示，而对于不同种类的商品，其对应的模态权重应该是不同的，使得现有的商品表示方式不能有效适应复杂种类的商品，因此，使用现有的商品表示也无法准确地预测商品的点击率。为此，本发明以下实施例提出了一种基于商品表示的点击率预测方法，以提高对复杂种类商品的表示准确率，进而提高点击率预测的准确性，本发明实施例的具体步骤如图1所示，包括：
30.步骤101、获取目标用户的用户行为与目标商品所各自对应的一组多模态信息。
31.其中，本发明实施例中的点击率预测的内容是要预估目标用户点击目标商品的概率。目标商品与目标用户可以是预先设置的，也可以根据预置策略从数据库中提取的，本步骤中，目标商品与目标用户可视为预先给定的。对于目标用户的用户行为是指该目标用户在指定的历史时间段内执行的行为，其中对于行为的数量不做限定，而该行为包括对某商品的操作行为，例如，点击查看商品、购买商品、将商品添加购物车等，对于该用户行为所包含的信息至少包括操作行为的类型以及行为执行的时间等。
32.对于多模态信息，对于目标商品而言，可以理解为从不同的维度对商品进行表示的一组特征信息，对于电商商品而言，常用的模态包括：商品名称(id)、商品图片、商品标题、统计信息等，并且在每种模态中还具有多个特征，比如，对于商品名称模态，其中可以包括商品所述店铺的名称，商品所属品牌的名称，商品的名称编号等等。可见，每种模态都可以表示为一组多维向量。而对于目标用户的用户行为，是指该目标用户的某一个用户行为会对应一组多模态信息，该组多模态信息可以视为该用户行为所对应的行为商品所具有的多模态信息。
33.步骤102、利用第一模型确定各组多模态信息对应的独有特征。
34.其中，该独有特征包括存在于一种模态中的特有特征，并且，该独有特征具有针对不同模态的动态权重。该独有特征可以是某一模态中所独有的特征，或者是某一类模态中所特有的特征，或者是某一模态中最具有区别于其他模态能力的特征。
35.本步骤中的第一模型能够基于多模态融合网络学习商品的不同模态对应的动态权重，并基于该动态权重以及商品各模态中的模态独有特征输出能够表示该商品的独有特征表示。也就是说，第一模型在处理某一商品对应的一组多模态信息时，能够识别不同模态中具有的模态独有特征，并根据学习得到的不同模态对应的动态权重，得到针对该商品的独有特征表示。
36.本步骤中，第一模型将针对目标商品以及目标用户的用户行为所对应的行为商品逐一确定各个商品所对应的独有特征表示。商品的独有特征可以体现商品不同模态的互补性。
37.步骤103、利用第二模型确定各组多模态信息对应的共有特征。
38.其中，该共有特征包括共同存在于多种模态中的特征，商品的共有特征所体现的则是商品不同模态的冗余性。
39.本步骤中的第二模型是基于多模态对抗网络学习商品的不同模态中所具有的模态共有特征，并将这些模态共有特征进行共同表示，输出为该商品对应的共有特征表示。
40.可见，本步骤中的第二模型与上述步骤中的第一模型具有相返的处理功能，即输出多模态信息对应共有特征表示与独有特征表示。需要说明的是，第一模型与第二模型是两个独立的模型，因此，步骤103与步骤102在处理逻辑上不存在先后关系。
41.步骤104、根据独有特征与共有特征分别确定目标用户的用户表示以及目标商品的商品表示。
42.其中，目标商品的商品表示则是将该商品的多模态信息进行独有特征和共有特征的提取并组合得到。
43.而目标用户的用户表示是基于该目标用户的各个用户行为所对应的多模态信息，将多模态信息以独有特征和共有特征的组合来表示该用户行为，再根据各个用户行为的表示综合得到对该目标用户的用户表示。
44.步骤105、利用深度神经网络处理用户表示与商品表示，得到目标用户点击目标商品的概率。
45.由于目标用户的用户表示是基于该目标用户的多个用户行为得到，其可以表示该目标用户对商品的喜好偏向。利用该用户表示以及目标商品的商品表示通过深度神经网络可以预测该目标用户点击目标商品的概率，其中，将深度神经网络用于点击率预测是本领常用的预测方式，本发明实施例中在使用深度神经网络进行点击率预测时，主要区别在于所输出的目标用户与目标商品的表示方式不同，因此，对于深度神经网络内对用户表示与商品表示的具体处理过程不再说明。
46.通过上述实施例的说明，本发明提供的一种基于商品表示的点击率预测方法，主要是对目标用户与目标商品提供了一种新的表示方式，通过对商品的多模信息拆分为独有特征与共有特征，并利用这些特征进行商品表示，而目标用户的用户表示则基于该目标用户的已有用户行为所对应的商品进行独有特征与共有特征的组合表示，由于独有特征与共有特征可以体现多种模态的互补性与冗余性，因此，该表示方式能够得到更具有辨别性的商品表示，从而使得目标用户的用户表示以及目标商品的商品表示更为准确，能够更准确地预测目标商品的点击率。
47.进一步的，本发明实施例将针对上述图1所述方法各个步骤的具体实现进行逐一说明。
48.首先，对于上述步骤101，即获取目标用户的用户行为与目标商品所各自对应的一组多模态信息的具体实现分为：对目标用户的用户行为获取多模态信息，以及对目标商品获取多模态信息。
49.对于目标用户的用户行为获取多模态信息，需要先根据用户行为确定对应的行为商品，比如，目标用户的用户行为是点击查看一个商品，那么该商品所对应的多模态信息即为用户行为所对应的多模态信息，即将用户行为转换成对应的行为商品。
50.之后，根据预设模态获取行为商品与目标商品对应的各模态的特征信息。该预设模态对于电商商品可以分为名称、图片、标题以及统计信息等模态，根据这些模态从商品信息中提取对应不同模态的特征信息。一般地，所采集到的这些特征信息为高维向量，其不利于后续处理，因此，需要基于预设策略将这些特征信息映射为低维向量，以得到行为商品与目标商品各自对应的一组多模态信息。其中，预设策略是根据不同的模态而设置的对应降维映射策略，对此，本实施例不做特别限定。
51.经过降维映射处理后，每种模态可以视为一组向量序列，其中的每一个向量代表该种模态的一个特征。由此，每一个商品可以表示为多种模态对应的向量序列组合。
52.对于图1所示的步骤102，利用第一模型确定各组多模态信息对应的独有特征，即
分别对目标商品以及目标用户的各个用户行为从多模态信息中提取独有特征，对于某一商品确定其独有特征的具体过程如图2所示，包括：
53.步骤201、利用独有性投影层处理多模态信息，得到各模态中具有的模态独有特征。
54.其中，该独有性投影层用于在各个模态中查找出模态独有特征，该模态独有特征为仅存在于一个模态中的特征。该独有性投影层为非线性投影层，并且，由于商品在不同模态中独有性有所差异，因此，该独有性投影层是根据不同模态所确定，即确定不同模态中的模态独有特征需要应用与该模态相对应的独有性投影层。
55.步骤202、获取多模态信息对应商品的类目。
56.其中，该商品的类目可以是通过对商品信息中的指定类目字段的获取来确定，也可以是针对商品类目的学习网络分析所述商品信息来确定。
57.步骤203、根据类目与模态独有特征确定商品的多个模态对应的模态权重。
58.本步骤可以是通过一个多模态注意力融合网络来学习不同商品的多个模态所对应的模态权重，其中，不同模态的注意力可以利用tanh函数表示，通过对已有商品的模态独有性特征以及对应的商品类目的学习，确定不同类目的商品中不同模态的模态权重。
59.步骤204、利用模态权重以及模态独有特征确定对应商品的独有特征。
60.由于商品的独有特征的表示是基于所有模态独有特征构成的，因此，本实施例中，独有特征的一种表示方式可以是根据模态权重对各个模态独有特征进行加权求和，以此表示该商品的独有特征。除此方式外，也可以对模态权重的进行筛选，进而将具有模态权重的模态独有特征进行加权求和以表示该商品的独有特征。具体利用模态权重以及模态独有特征表示商品独有特征的具体方式，本步骤不做具体限定。
61.进一步的，为了提高商品独有特征表示的准确性，本发明实施例可以通过提高对模态独有特征的确定来现实。为此，可以设置一个辅助判别器，用于对步骤201得到的模态独有特征进行过滤。该辅助判别器实质上是一个经过训练的多类别的分类器，其类别对应于不同的模态，也就是说，如果一个模态独有特征被该辅助判别器识别出来的概率越大，则该模态独有特征的独有性越强。
62.对于图1所示的步骤103，利用第二模型确定各组多模态信息对应的共有特征，即分别对目标商品以及目标用户的各个用户行为从多模态信息中提取共有特征，对于某一商品确定其共有特征的具体过程如图3所示，包括：
63.步骤301、利用共有性投影层处理多模态信息，得到各模态中具有的模态共有特征。
64.其中，该共有性投影层与上述的独有性投影层相对应，都是用于从某一个模态信息中确定一类模态特征，区别在于，独有性投影层需要根据不同的模态而选择对应的投影层，而共有性投影层则是通用于不同模态的。
65.步骤302、利用第一判别器从模态共有特征中确定无法识别的候选共有特征。
66.根据步骤103的内容可知，该第二模型是基于多模态对抗网络所构建的，对于常规的对抗网络，其是由一个生成器(generator)与一个判别器(discriminator)所构成，生成器用于通过机器生成数据，目的是“骗过”判别器，而判别器用于判断输入生成器生成的数据是真实的数据还是制作的假数据。然而，这种对抗网络用于寻求跨不同模态的有效公共
子空间，然而，该跨模态对抗方式更侧重于一对一的对抗，而电商中的商品会涉及多种异构模态，即模态中的特征难以做到严格的一对一对抗，此外，不同的模态特征包含不同程度的共享潜在特征。因此，为了能够对电商中的商品进行对抗训练，本发明实施例提出了一种双判别器的多模态对抗网络，实现将一对一对抗扩展至多模态场景。其中，第一个判别器(第一判别器)用于识别那些可能来自模态共同子空间的特征，即候选共有特征，该第一判别器可以为一个多分类判别器，其分类对应于不同的模态。即该第一判别器的输入为步骤301得到的模态共有特征，将该判别器无法识别或识别概率低于某一阈值的模态共有特征输出为候选共有特征。此外，第一判别器还用于将其输出的候选共有特征输入第二个判别器(第二判别器)中，用以混淆第二判别器。而第二判别器用于驱动模态之间知识转移，以便学习跨多个模态的共同潜在子空间。针对该第二判别器的说明将在下一步骤中说明。
67.步骤303、利用第二判别器对候选共有特征与模态共有特征进行组合识别，以确定各模态中最无法识别的一个候选共有特征。
68.第二判别器也是一个多分类判别器，其与第一判别器的区别在于所使用的判别策略不同。第二判别器的目的在于减少不同模态之间的离散度，其输入为候选共有特征与模态共有特征的组合，以此来对混淆候选共有特征，可以理解为该第二判别器的作用是判断不同模态中的候选共有特征是否为同一个特征，并从每个模态中找出一个最无法识别的候选共有特征，即该候选共有特征被识别的概率在该模态中最低。
69.步骤304、将各模态中最无法识别的一个候选共有特征组合，得到多模态信息对应的共有特征。
70.其中，候选共有特征的组合是根据各模态的权重进行加权求和得到的，如此，某一商品的共有特征是从其多模态信息中选择不同模态内最具共有性的特征按照对应的模态权重组合构成的。其该共有特征并不是某个模态中的单个特征或多个特征，而有多个不同模态内具有的特征共同构成的。
71.对于图1所示的步骤104，根据独有特征与共有特征分别确定目标用户的用户表示以及目标商品的商品表示，可以具体分成两个步骤，一个是对目标商品的商品表示，另一个是对目标用户的用户表示。
72.其中，商品表示是利用目标商品的多模态信息获取对应的独有特征与公有特征，再将这些特征进行拼接组合得到商品表示。而对于目标用户的用户表示，则是基于该目标用户所对应的用户行为得到，而每一个用户行为又具有所对应的行为商品，因此，每个用户行为的表示等同于对该行为商品的商品表示，所以，目标用户的用户表示是综合多个用户行为的表示得到的。但考虑到电商中用户行为序列的时序特征，可以采用采用gru网络建模用户行为之间的依赖关系，其中，该gru网络的输入为按时间排序的商品，也就是按照时间排序对应的用户行为所对应的行为商品。但是，常规的gru网络所输出的隐含状态仅能捕获用户行为之间的依赖关系，并不能获取一组行为序列中的重要商品来表示该目标用户的不同兴趣，从而无法更好地表示目标用户。为此，本发明实施例对常规的gru网络进行优化改进，将用户行为的行为属性作为输入，以反映不同行为对目标用户的重要性，并网络输出的隐含状态与目标商品的商品表示利用注意力网路为每个用户行为配置对应的权重，最终，将不同用户行为所对应的隐含状态的加权求和来表示目标用户相对于目标商品的用户表示。该过程的具体步骤如图4所示，包括：
73.步骤401、将目标用户的用户行为对应的行为商品的独有特征与共有特征组合，得到行为商品表示。
74.该行为商品表示与上述的目标商品的商品表示相同，而独有特征与共有特征的提取可参考上述图2与图3所示的内容。此处不再赘述。
75.步骤402、根据用户行为的行为属性以及行为商品表示确定目标用户的行为状态。
76.本步骤就是利用优化后的gru网络模型处理上一步骤得到的行为商品表示以及对应的行为属性作为该模型的输入，其中，行为属性包括用户行为的类型与时间等信息。行为类型包括点击、购买等，用于衡量该用户行为的重要性，为用户行为赋予更高的权重，在电商领域中，一般购买行为的重要性高于点击行为，因为购买行为代表用户对商品的兴趣极高，并且转化为了成交金额。而行为时间则可以为用户行为按照时间排序，由于该模型所输出的隐含状态还依赖于前一个用户行为的隐含状态，因此，该模型的输入除了行为属性和行为商品表示，还需要输入上一个用户行为的隐含状态，该隐含状态表示目标用户在执行该用户行为时的行为状态，该行为状态用于表示目标用户针对行为商品执行用户行为的喜好程度，该喜好程度的度量是基于该目标用户的所有用户行为相比较得到的。
77.步骤403、利用行为状态匹配行为商品与目标商品的相关性，确定该行为商品对应的权重。
78.本步骤的具体可通过注意力网络模型实现，该模型的输入为上一步骤中得到的各个用户行为所对应的行为状态，以及目标商品的商品表示，输出为各个用户行为所对应的权重。该模型的处理逻辑在于关注用户行为所对应的行为商品与目标商品的相关性，相关性越高的用户行为所分配的权重也就越大，如此，在对目标用户进行用户表示时，就可以更加突出与目标商品相关的用户行为。以提高后续预测目标商品点击率的准确性。
79.步骤404、根据权重对目标用户的所有用户行为进行加权求和，得到该目标用户的用户表示。
80.具体的，目标用户的用户表示是由所有用户行为所对应的行为状态结合所分配的权重进行加权求和所得到的结果。
81.通过上述图4的说明可知，本发明实施例在确定目标用户的用户表示时，先是利用图2、图3中的网络模型将行为商品的多模态信息处理为独有特征与共有特征，得到行为商品表示，再将该行为商品表示利用优化后的gru网络模型转化为目标用户的行为状态，同时，根据得到的行为状态以及目标商品的商品表示利用注意力网络模型分配对应的权重，以确定目标用户相对于目标商品相关的行为，最终通过对行为状态的加权求和得到目标用户相对于目标商品的用户表示。
82.综合以上对图1各个步骤的详细说明可知，本发明实施例主要是针对商品的多模态信息提出了一种新的商品表示方式，兼顾了多种模态信息之间的互补性与冗余性，以独有特征和共有特征的组合表示商品，从而获得更具有辨别性的商品表示。同时，通过对gru网络的优化改进，也使得目标用户的用户表示能够更多的考虑与目标商品相关的行为商品所对应的行为状态，使得用户表示与商品表示的相关性更强，从而提高预测目标用户点击目标商品概率的准确性。
83.更进一步需要说明的是，本发明实施例所提供的方法不仅仅适用于淘宝、天猫、考拉等电商领域，也可以适用于飞猪等旅游场景，如目的地酒店、机票、旅行习惯等；也可以适
用于饿了么等本地生活场景，如送餐偏好、药品购买等；也可以适用于菜鸟等物流场景，如价格、速度等；等等。
84.进一步的，作为对上述图1-4所示方法的实现，本发明实施例提供了一种基于商品表示的点击率预测装置，该装置主要目的在于对多模态商品进行更准确的商品表示，以提高点击率预测的准确性。为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图5所示，具体包括：
85.获取单元51，用于获取目标用户的用户行为与目标商品所各自对应的一组多模态信息；
86.第一确定单元52，用于利用第一模型确定所述获取单元51获取的各组多模态信息对应的独有特征，所述独有特征包括存在于一种模态中的特征，并具有针对不同模态的动态权重；
87.第二确定单元53，用于利用第二模型确定所述获取单元51获取的各组多模态信息对应的共有特征，所述共有特征包括共同存在于多种模态中的特征；
88.表示单元54，用于根据所述第一确定单元52确定的独有特征与第二确定单元53确定的共有特征分别确定所述目标用户的用户表示以及所述目标商品的商品表示；
89.预测单元55，用于利用深度神经网络处理所述表示单元54得到的用户表示与商品表示，得到所述目标用户点击所述目标商品的概率。
90.进一步的，如图6所示，所述获取单元51包括：
91.确定模块511，用于根据所述用户行为确定对应的行为商品；
92.获取模块512，用于根据预设模态获取所述确定模块511确定的行为商品与目标商品对应的各模态的特征信息；
93.生成模块513，用于基于预设策略将所述获取模块512特征信息映射为低维向量，得到所述行为商品与目标商品各自对应的一组多模态信息。
94.进一步的，如图6所示，所述第一确定单元52包括：
95.映射模块521，用于利用独有性投影层处理所述多模态信息，得到各模态中具有的模态独有特征；
96.获取模块522，用于获取所述多模态信息对应商品的类目；
97.确定模块523，根据所述获取模块522得到的类目与映射模块521得到的模态独有特征确定所述商品的多个模态对应的模态权重；
98.生成模块524，用于利用所述确定模块523得到的模态权重以及所述模态独有特征确定对应所述商品的独有特征。
99.进一步的，所述生成模块524具体用于，根据所述模态权重对所述模态独有特征进行加权求和，得到所述商品的独有特征。
100.进一步的，如图6所示，所述第一确定单元52还包括：
101.过滤模块525，用于利用辅助判别器对所述映射模块521得到的模态独有特征进行过滤，以得到在各模态中可识别的模态独有特征。
102.进一步的，如图6所示，所述第二确定单元53包括：
103.映射模块531，用于利用共有性投影层处理所述多模态信息，得到各模态中具有的
模态共有特征；
104.第一识别模块532，用于利用第一判别器从所述映射模块531得到的模态共有特征中确定无法识别的候选共有特征；
105.第二识别模块533，用于利用第二判别器对所述第一识别模块532得到的候选共有特征与所述模态共有特征进行组合识别，以确定各模态中最无法识别的一个所述候选共有特征；
106.生成模块534，用于将所述第二识别模块533从各模态中最无法识别的一个所述候选共有特征组合，得到所述多模态信息对应的共有特征。
107.进一步的，如图6所示，所述表示单元54具体用于，将目标商品对应的独有特征与共有特征进行组合，得到所述商品表示；利用所述用户行为的行为属性确定所述目标用户的用户表示，所述行为属性包括用户行为的类型与时间信息。
108.进一步的，如图6所示，所述表示单元54包括：
109.组合模块541，将目标用户的用户行为对应的行为商品的独有特征与共有特征组合，得到所述行为商品表示；
110.确定模块542，用于根据所述用户行为的行为属性以及所述组合模块541得到的行为商品表示确定所述目标用户的行为状态，所述行为状态用于表示目标用户针对所述行为商品执行所述用户行为的喜好程度；
111.匹配模块543，用于利用所述确定模块542确定的行为状态匹配所述行为商品与所述目标商品的相关性，确定所述行为商品对应的权重；
112.表示模块544，用于根据所述匹配模块543得到的权重对所述目标用户的所有用户行为进行加权求和，得到所述目标用户的用户表示。
113.另外，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一个实施例提供的基于商品表示的点击率预测方法。
114.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
115.可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
116.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
117.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
118.此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
119.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
120.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
121.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
122.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
123.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
124.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
125.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
126.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
127.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形
式。
128.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。