买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜湖州师范学院申请的专利一种支持多种细粒度兴趣提取的深度点击率预估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115309981B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210843970.2，技术领域涉及：G06F16/9535；该发明授权一种支持多种细粒度兴趣提取的深度点击率预估方法是由楼俊钢;覃荣臻;申情;王洪波设计研发完成，并于2022-07-18向国家知识产权局提交的专利申请。

本一种支持多种细粒度兴趣提取的深度点击率预估方法在说明书摘要公布了：本发明提出了一种支持多种细粒度兴趣提取的深度点击率预估方法，包括以下步骤：S1.采用深度兴趣网络中的局部兴趣激活层对用户的局部兴趣表示进行学习；S2.在总体兴趣提取层中，使用多个非线性全连接层拓展用户的表达空间并融入到用户行为序列中，再使用键值对注意力机制学得用户总体的兴趣表示；S3.使用多核卷积层自适应地将长序列划分为短期行为序列，并对子序列进行建模；S4.使用多头自注意力层对用户、物品侧以及上下文特征进行建模，以隐式形式引入特征间的二阶交互信息；S5.使用多层感知机对各步骤学习的特征进行结果预测，输出用户对候选物品的点击概率。该方法解决了注意力机制下局部兴趣在决策中过度主导等问题，具备更佳的个性化学习能力。

本发明授权一种支持多种细粒度兴趣提取的深度点击率预估方法在权利要求书中公布了：1.一种支持多种细粒度兴趣提取的深度点击率预估方法，其特征在于：包括以下步骤： S1.采用深度兴趣网络中的局部兴趣激活层对用户的局部兴趣表示进行学习；在局部兴趣激活层中，候选物品的嵌入向量以vi表示，用户历史行为序列B＝[i1,i2,…,imaxlen]经过嵌入层转化为稠密矩阵VB＝[vi,1,vi,2,…,vi,maxlen]，其中，maxlen指定的用户行为序列最大长度，vi,1为用户历史点击中第一个物品的嵌入表示，以此类推，使用vi作为注意力机制的询问项，矩阵VB为注意力机制的键与值矩阵，通过局部兴趣激活层为每个历史物品计算出注意力得分，最后以注意力得分为权重将所有历史物品向量进行加权求和得出用户的局部兴趣表示向量vlocal； S2.在总体兴趣提取层中，使用多个非线性全连接层拓展用户的表达空间，并将其融入到用户行为序列中，然后使用键值对注意力机制学得用户总体的兴趣表示； S3.使用多核卷积层自适应地将长序列划分为短期行为序列，并对这些子序列进行建模； S4.使用多头自注意力层对用户、物品侧以及上下文特征进行建模，以隐式形式引入特征间的二阶交互信息；上下文特征的嵌入向量、物品特征的嵌入向量以及经过两层非线性变换的用户侧特征被拼接为矩阵其中，m为输入部分特征的数量，d为所设置的嵌入维度；接着，矩阵A中的每一个值ai,j经由层标准化作如下转换： 其中i∈[1,m],j∈[1,d],ai,j表示矩阵A中第i行第j列个元素，∈为1E-15；层标准化对矩阵A每一行的转换如下: 其中，gi和bi均为可学习参数；层标准化的输出为矩阵在多头自注意力层中，特征矩阵被三个参数矩阵转换为三个新的特征矩阵: 其中参数矩阵在多头自注意力层中，特征矩阵Q、K和V依据第二维度分别被划分为h个子矩阵，随后在对应的子矩阵之间作点积自注意力计算，即: 其中i∈[1,h]为Q、K和V矩阵相对应第i个子矩阵；将所有head计算结果按照第二维度拼接作为多头自注意力的输出:mhto＝concathead1,head2,…,headhWO，其中为参数矩阵；最后，经线性变换的输出与原始输入作残差连接，得到多头自注意力层的最终输出vmth； S5.使用多层感知机对步骤S1至步骤S4所学习的特征进行结果预测，输出用户对候选物品的点击概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖州师范学院，其通讯地址为：313000 浙江省湖州市吴兴区二环东路759号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。