買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉上海數(shù)鳴人工智能科技有限公司申請的專利基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115271823B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210959780.7，技術(shù)領(lǐng)域涉及：G06Q30/0202；該發(fā)明授權(quán)基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法是由項亮;陳楨設(shè)計研發(fā)完成，并于2022-08-11向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法在說明書摘要公布了：一種基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法，其包括數(shù)據(jù)預(yù)處理步驟S1、訓(xùn)練集的生成步驟S2和模型建立和預(yù)測步驟S3。本發(fā)明基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法，其針對DPI訪問時間不易獲得和DPI獨熱編碼帶來的特征稀疏性問題，提出使用DPI共現(xiàn)情況構(gòu)建統(tǒng)計矩陣，再對該矩陣進行SVD分解，得到每個DPI的特征向量；通過用戶的DPI特征，使用非缺失的用戶屬性特征建立模型，來預(yù)測這些特征的缺失值；之后再將包含了預(yù)測值和本身有值的用戶屬性特征連同DPI特征一起，作為用戶整體特征，用于基于用戶廣告點擊情況建立點擊率預(yù)估模型，以提升用戶點擊率預(yù)測結(jié)果。

本發(fā)明授權(quán)基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法在權(quán)利要求書中公布了：1.一種基于DPI共現(xiàn)關(guān)系特征的半監(jiān)督用戶行為預(yù)估方法，其特征在于，包括數(shù)據(jù)預(yù)處理步驟S1、訓(xùn)練集的生成步驟S2和模型建立和預(yù)測步驟S3； 所述數(shù)據(jù)預(yù)處理步驟S1包括如下步驟： 步驟S11：獲取m個用戶的原始數(shù)據(jù)信息，并從所述用戶的原始數(shù)據(jù)信息提取原始特征信息；其中，所述原始特征信息包括用戶ID、用戶所在省份、用戶所在城市、用戶訪問DPI、用戶訪問時間、設(shè)備類型和或用戶是否點擊特征；其中，所述用戶所在省份、用戶所在城市、和用戶訪問DPI為類別特征，所述用戶訪問時間為連續(xù)特征，所述m大于等于2；所述用戶訪問DPI為n個，所述n大于等于2； 步驟S12：對所述用戶的原始特征信息進行異常檢測與處理步驟； 步驟S13：通過獨熱編碼對類別特征進行處理，根據(jù)業(yè)務(wù)需求及求解模型選擇進行歸一化后梯度下降處理，或利用RankGauss方法對連續(xù)特征進行調(diào)整樣本分布處理； 所述步驟S2包括特征工程的處理步驟S21、共現(xiàn)矩陣的構(gòu)造和DPI特征向量的獲取步驟S22和模型訓(xùn)練與模型建立步驟S23； 步驟S21具體包括如下步驟： 步驟S211：用戶訪問DPI處理步驟，建立用戶ID與用戶訪問DPI的特征列； 步驟S212：采用通過獨熱編碼對類別特征進行處理； 步驟S213：連續(xù)特征進行數(shù)值型特征改造處理； 步驟S214：進行特征篩選和特征構(gòu)造，以形成新的特征； 步驟S215：執(zhí)行連續(xù)特征離散化處理； 步驟S22共現(xiàn)矩陣的構(gòu)造和DPI特征向量的獲取具體包括如下步驟： 步驟S221：通過用戶訪問DPI訪問列表，獲得所有用戶當(dāng)天訪問用戶訪問DPI的情況，之后對用戶訪問DPI訪問列表中的用戶訪問DPI進行計數(shù)統(tǒng)計來獲得共現(xiàn)矩陣；其中，所述共現(xiàn)矩陣的維度為n×n； 步驟S221：使用奇異值分解算法可以將共現(xiàn)矩陣分解得到維度為n×k的特征矩陣，其中，k為特征矩陣的維度kn，所述特征矩陣的維度自由指定，代表特征維度，對于每個DPI來說都有對應(yīng)的k維特征向量，所述k維特征向量即用戶訪問DPI的稠密表達，也即詞向量； 步驟S3具體包括如下步驟： 步驟S31：通過共現(xiàn)矩陣得到每個DPI的特征向量，之后對于每個用戶而言，將其訪問的DPI對應(yīng)的特征向量取均值，得到k維DPI特征； 步驟S32：將具有未缺失用戶屬性特征的用戶篩選出來，使用DPI特征和用戶屬性特征建立用戶屬性預(yù)測模型，再使用缺失了用戶屬性特征的用戶的DPI特征帶入到模型中來預(yù)測這些用戶所缺失的用戶屬性特征； 步驟S33：把所有用戶的DPI特征和用戶屬性特征進行合并，結(jié)合每個用戶廣告點擊標(biāo)簽，建立最終的點擊率預(yù)估模型。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人上海數(shù)鳴人工智能科技有限公司，其通訊地址為：200436 上海市靜安區(qū)萬榮路1256、1258號406室；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。