(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 202211078033.9 (22)申请日 2022.09.05 (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 刘宴兵　朱宇　万鑫　黄于洋　 杨劲松　李茜　李暾　卢星宇　 王蓉　肖云鹏　刘红　 (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) G06F 16/26(2019.01) G06F 17/16(2006.01) G06N 3/04(2006.01) (54)发明名称 一种商品转 化率预测方法 (57)摘要 本发明属于互联网应用技术领域， 具体涉及 一种商品转化率预测方法， 包括： 通过电商平台 获取原始数据， 并根据原始数据计算得到用户商 品交互特征； 将用户商品交互特征输入多任务商 品预测模型对多任务商品预测模 型进行训练； 获 取目标用户和目标商品的属性信息， 并计算目标 用户商品交互特征， 将目标用户商品交互特征输 入训练好的多任务商品预测模型预测得到目标 用户对目标商品的预测转化率、 目标用户对目标 商品的预测点击转化率、 目标用户对目标商品的 预测延迟转化率， 利用EM算法得到目标用户对目 标商品的最终转化率， 本发明能够准确的预测商 品的转化率， 根据最终转化率精确的向用户推荐 商品， 提高平台的成交量， 节约用户的浏览时间。 权利要求书4页 说明书8页 附图1页 CN 115439152 A 2022.12.06 CN 115439152 A 1.一种商品转 化率预测方法， 其特 征在于， 所述方法包括： S1： 通过电商平台获取原始数据； 所述原始数据包括： 用户属性信息、 商品属性信息、 用 户历史点击行为信息、 用户历史转 化行为信息； S2： 对用户属性信息和商品属性信息进行特征处理得到用户特征矩阵和商品特征矩 阵， 并将用户特 征矩阵和商品特 征矩阵进行 特征拼接得到用户商品交 互特征矩阵； S3： 根据用户历史点击行为信息和用户历史转化行为信息预估用户对商品的点击率、 用户对商品的点击转化率和用户对商品的延迟转化率， 并将用户对商品的点击率作为点击 标签、 用户对商品的点击转化率作为点击转化标签以及用户对商品的延迟转化率作为延迟 转化标签； S4： 构建多任务商品预测模型， 并将用户商品交互特征矩阵中的用户商品交互特征作 为多任务商品预测模型 的输入对多任务商品预测模型进行训练， 其中， 所述多任务商品预 测模型包括： 点击率学习任务模型、 点击转 化率学习任务模型和延迟转 化率学习任务模型； S5： 获取目标用户和目标商品的属性信息， 并对目标用户 和目标商品的属性信息进行 特征提取得到目标用户和目标商品的特征向量， 将目标用户和目标商品的特征向量进 行拼 接， 得到目标用户商品交 互特征； S6： 将目标用户商品交互特征输入训练好的多任务商品预测模型预测得到目标用户对 目标商品的预测点击率、 目标用户对目标商品的预测 点击转化率、 目标用户对目标商品的 预测延迟转 化率； S7： 根据目标用户对目标商品的预测转化率、 目标用户对目标商品的预测点击转化率、 目标用户对目标商品的预测延迟转化率利用EM算法计算得到目标用户对目标商品的最终 转化率。 2.根据权利要求1所述的一种 商品转化率预测方法， 其特征在于， 所述对用户属性信 息 和商品属性信息进行 特征处理得到用户特 征矩阵和商品特 征矩阵包括： S21： 根据用户属性信息计算用户之间的相似度， 将用户作为节点， 将相似度超过设定 阈值的用户作为相邻节点创建用户属性网络空间； 根据商品属性信息计算商品之 间的相似 度， 将商品作为节点， 将相似度超过设定阈值的商品作为相邻节点创建商品属性网络空间； S22： 将用户属性网络空间输入UIGraph模型进行特征处理计算得到用户特征矩阵， 将 商品属性网络空间输入UIGraph模型进行特征处理计算得到商品特征矩阵， 其中， 所述 UIGraph模型为图神经网络 。 3.根据权利要求1所述的一种 商品转化率预测方法， 其特征在于， 所述对多任务商品预 测模型进行训练包括： 将用户商 品交互特征矩阵中的用户商 品交互特征作为训练样本， 将点击标签作为点击 率学习任务模型的约束， 对点击率学习任务模型进行训练； 将用户商 品交互特征矩阵中的用户商 品交互特征作为训练样本， 将点击转化标签作为 点击转化率学习任务模型的约束， 对点击转 化率学习任务模型进行训练； 将用户商 品交互特征矩阵中的用户商 品交互特征作为训练样本， 将延迟转化标签作为 延迟转化率学习任务模型的约束， 对延迟转 化率学习任务模型进行训练。 4.根据权利要求3所述的一种 商品转化率预测方法， 其特征在于， 所述点击率学习任务 模型的训练过程包括：权　利　要　求　书 1/4 页 2 CN 115439152 A 2所述点击率学习任务模型基于DCN神经网络包括： 第一输入层、 第一隐藏层、 第一输出 层； 所述第一输入层用于将用户商品交互特征矩阵中的用户商品交互特征输入至第一隐 藏层； 所述第一隐藏层包括： 第一cros s层、 第一de ep层、 第一组合层； 通过第一cros s层对用户商品交 互特征向量进行 特征关联处 理， 得到第一关联 特征； 通过第一de ep层对用户商品交 互特征进行特征关联处 理， 得到第二关联 特征； 通过第一组合层将第 一关联特征和第 二关联特征进行连接， 并将连接后的特征向量通 过激活函数计算得到用户对商品的预测点击率； 根据用户对商品的预测点击率和点击标签对点击率学习 任务模型的参数进行调 整， 完 成模型的训练。 5.根据权利要求3所述的一种 商品转化率预测方法， 其特征在于， 所述点击转化率学习 任务模型的训练过程包括： 所述点击转化率学习任务模型基于DCN神经网络包括： 第二输入层、 第二隐藏层、 第二 输出层； 所述第二输入层用于将用户商品交互特征矩阵中的用户商品交互特征输入至第二隐 藏层； 所述第二隐藏层包括： 第二cros s层、 第二de ep层、 第二组合层； 通过第二cros s层对用户商品交 互特征向量进行 特征关联处 理， 得到第一子关联 特征； 通过第二de ep层对用户商品交 互特征向量进行 特征关联处 理， 得到第二子关联 特征； 通过第二组合层将第 一子关联特征和第 二子关联特征进行连接， 并将连接后的特征向 量通过激活函数计算得到用户对商品的预测点击转 化率； 根据用户对商品的预测点击转化率和点击转化标签对点击转化率学习任务模型的参 数进行调整， 完成模型的训练。 6.根据权利要求3所述的一种 商品转化率预测方法， 其特征在于， 所述延迟转化率学习 任务模型的训练过程包括： 所述延迟转 化率学习任务模型基于DN N神经网络： 包括输入层、 隐藏层和输出层； 所述输入层用于将用户商品交 互特征矩阵中的用户商品交 互特征向量输入至隐藏层； 所述隐藏层用于将用户 商品交互特征进行多个维度的特征提取， 得到多维度特征向 量， 并根据多维度特 征向量计算得到用户对商品的预测延迟转 化率； 根据用户对商品的预测延迟转化率和延迟转化标签对延迟转化率学习任务模型的参 数进行调整， 完成模型的训练。 7.根据权利要求1所述的一种 商品转化率预测方法， 其特征在于， 所述目标用户对目标 商品的最终转 化率的计算 步骤包括： S71： 将目标用户对目标商品的预测转化率、 目标用户对目标商品的预测点击转化率、 目标用户对目标商品的预测延迟转化率作为EM算法的初始参数， 并通过EM算法计算期望 值； S72： 根据期望值构建E M算法的对数似然损失函数； S73： 对EM算法的参数进行最大化收敛， 当对数似然损失函数最大时，权　利　要　求　书 2/4 页 3 CN 115439152 A 3