(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211016264.7 (22)申请日 2022.08.24 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 韦世红　张健　何玮康　肖寒春　 肖云鹏　庞育才　李茜　王蓉　 贾朝龙　李暾　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于多任务联合学习的点击转化率预 测方法 (57)摘要 本发明属于电商 大数据推荐领域， 特别涉及 一种基于多任务联合学习的点击转化率预测方 法， 包括获取商品信息并构建用户 ‑商品感兴趣 度； 根据获取的商品信息， 获取商品节点序列和 用户节点序列， 根据得到的用户节 点序列和商品 节点序列计算该各自序列中节点与其相邻节点 之间的二阶相似度； 将商品节 点和用户节点投影 到相同的特征空间上， 计算在该空间中一个节点 的注意力系数， 并利用该系数获得节 点的聚合表 示； 利用用户 ‑商品感兴趣度对节点的聚合加权 得到节点的最终嵌入表示， 将最终嵌入表示的商 品信息和用户信息嵌入到预测器中， 通过预测器 预测用户购买商品的概率； 本发 明可协助电商平 台掌握消费群体行为特性分布， 有利于广告主精 准投放广告信息 。 权利要求书3页 说明书11页 附图3页 CN 115358790 A 2022.11.18 CN 115358790 A 1.一种基于多任务联合学习的点击转 化率预测方法， 其特 征在于， 包括以下步骤： 获取电商平台下的用户信 息、 商品信 息、 辅助信息以及用户历史行为数据信息， 所述辅 助信息包括与用户或商品直接关联的用户的搜索词、 店铺信息、 活动信息； 通过用户历史行为数据信息构建用户 ‑商品感兴趣度； 基于辅助信息， 通过meta ‑path随机游走策略获取用户节点序列和商品节点序列， 即定 义一条以节 点1‑辅助信息1 ‑节点2‑辅助信息2 ‑…‑节点n‑1‑辅助信息n ‑1‑节点n的元路径， 去除元路径中的辅助信息得到节点序列， 所述节点 为商品节点或者用户节点； 将商品节点和用户节点投影到相同的特征空间上， 在该特征空间中指定一条由该空间 中节点构成的元路径， 计算该路径中一个节点对另一个节点的重要性， 将当前节点的所有 邻居节点对当前节点的重要 进行归一 化得到当前节点的注意力系数； 计算在一组元路径下当前节点的注意力系数， 利用该系数对当前节点的邻居节点在投 影的特征空间的表示加权求和作为当前节点的聚合表示； 利用用户 ‑商品感兴趣度对节点在所有原路径的聚合表示进行加权， 得到该节点的最 终嵌入表示； 获取用户对商品的评分矩阵， 并通过该矩阵获取用户点击矩阵和用户购买矩阵得到的 用户和商品的信息分别输入预测器中计算用户对商品的点击率和转 化率； 用过点击率和转 化率预测用户购买某一商品的概 率。 2.根据权利要求1所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， 用户历史行为数据信息构建用户 ‑商品感兴趣度表示 为： 其中， 表示用户um对商品in的感兴趣度； IsBuy、 IsCollect、 IsCart、 IsClick、 IsBrowse分别代表着用户对商品是否购买、 是否收藏、 是否加入购物车、 是否点击、 是否浏 览； 当用户购买该商品， 则IsBuy的值为5； 当用户收藏该商品， 则IsCollect的值为4； 当用户 将该商品加入购物车， 则IsCart的值为3； 当用户点击该商品的值， 则IsClick的值为2； 当用 户浏览该商品， 则IsBr owse的值为1； 当用户没有对商品进行购买、 收藏、 加入购物车、 点击、 浏览， 则IsBuy、 IsCo llect、 IsCar t、 IsClick、 IsBro wse的值均为0 。 3.根据权利要求1所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， meta‑path随机游走策略中， 给定异质网络信息 并指定元路径为游走约束， 通过基于元路径的随机游走 策略来生成相应的节点序列， 随机游走的概 率表示为： 其中， 表示随机游走的概率， vm+1表示要生成的下一个节点， 表示 类型为At的节点， Φs为制定的第s条元路径； 表示在节点 的周围邻居中类型 为At+1节点的集合， ||表示求集合中元素的数量； E表示异质图中的边； φ(vm+1)表示判断下 一个节点的类型， 即求节点vm+1的类型； 为异质网络中节点的集合， ε为异质网络中节点之权　利　要　求　书 1/3 页 2 CN 115358790 A 2间边关系的集 合。 4.根据权利要求1所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， 节点的最终嵌入表示表示 为： 其中， Z＝Zu∪Zi， 表示节点的最终嵌入表示， 表示用户um的最终嵌入表示， 表示 商品iq的最终嵌入表示； 表示第s条元路径Φs中的节点嵌入表示； 表示在第s 条元路径Φs中用户um对商品in的感兴趣度； 在第s条元路径Φs中用户对商品的兴趣度的大 小； S为元路径的数量。 5.根据权利要求4所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， 一个节点 i在元路径 Φs下的注意力加权表示 为： 其中， 表示进行K次学习， 为元路径Φs下的一个节点i的表示， K为重复训练的 次数； σ()为激活函数； 表示元路径Φs下i节点的邻域； 表示在元路径中Φs节点i 的每个邻居节点对其的注意力系数； h ′j表示一个节点的向量表示hj投影到商品与用户一致 的特征空间后的向量表示， hj为商品节点或者用户节点。 6.根据权利要求5所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， 节点i的每个邻居节点对其的注意力系数表示 为： 其中， [h′i||h′j]表示将节点i的向量表示h ′i与节点j的向量表示h ′j拼接在一起， h ′i和 h′j为节点的向量表 示hi和节点的向量表 示hj投影到相同的特征空间上后得到的向量表示， 节点为商品节点或者用户节点； 为一个转换系数， 使得[h ′i||h′j]从矩阵转换为一个标 量； attnode表示元路径Φs下执行节点注意力聚合操作的深度神经网络； Simij表示节点i与 节点j之间的二阶相似度。 7.根据权利要求6所述的一种基于多任务联合学习的点击转化率预测方法， 其特征在 于， 在计算节点i与节点j之间的二阶相似度时， 根据节点为用户节点还是商品节点进行计 算， 若节点 为用户节点， 则用户 ‑用户的二阶相似度表示 为：权　利　要　求　书 2/3 页 3 CN 115358790 A 3