(19)中华 人民共和国 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 202111500222.6 (22)申请日 2021.12.09 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 陈昊　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 代理人 李文静 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 点击率的预测方法、 装置、 设备、 存储介质及 程序产品 (57)摘要 本申请公开了一种点击率的预测方法、 装 置、 设备、 存储介质及程序产品， 属于人工智能领 域。 该方法包括： 确定与目标用户帐号点击过的 N1个一阶商品存在点击关系的M2个二阶用户帐 号； 确定与 点击过目标商品的M1个一阶用户帐号 存在点击关系的N2个二阶商品； 基于N1个一阶商 品和M2个二阶用户帐号， 得到第一空域特征； 基 于M1个一阶用户帐号和N2个二阶商品， 得到第二 空域特征； 基于N1个一阶商品和M2个二阶用户帐 号的点击时间戳， 得到第一时域特征； 基于M1个 一阶用户帐号和N2个二阶商品的点击时间戳， 得 到第二时域特征； 基于第一空域特征、 第二空域 特征、 第一时域特征和第二时域特征， 预测点击 率。 该方法提高了点击率的准确性。 权利要求书4页 说明书19页 附图6页 CN 114331500 A 2022.04.12 CN 114331500 A 1.一种点击率的预测方法， 其特 征在于， 所述方法包括： 确定与目标用户帐号点击过的N1个一阶商品之间存在点击关系的M2个二阶用户帐号； 以及确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品； N1、 M2、 M1和N2均为正整数； 基于所述N1个一阶商品的特征和所述M2个二阶用户帐号的特征， 得到第一 空域特征； 以 及基于所述M1个一阶用户帐号的特 征和所述 N2个二阶商品的特 征， 得到第二空域特 征； 基于所述N1个一阶商品和 所述M2个二阶用户帐号具有的点击时间戳， 得到第一时域特 征； 基于所述M1个一阶用户帐号和所述N2个二阶商品具有的点击时间戳， 得到第二时域特 征； 基于所述第 一空域特征、 所述第 二空域特征、 所述第 一时域特征和所述第 二时域特征， 预测所述目标用户帐号 点击所述目标商品的概 率。 2.根据权利要求1所述的方法， 其特征在于， 所述确 定与目标用户帐号点击过的N1个一 阶商品之间存在点击关系的M2个二阶用户帐号， 包括： 根据与所述目标用户帐号对应的目标用户节点、 与所述目标用户帐号点击过的所述N1 个一阶商 品对应的N1个一阶商 品节点、 与所述N1个一阶商品之间存在所述点击关系的所述 M2个二阶用户帐号对 应的M2个二阶用户节点， 以及， 将所述点击时间戳作为 所述目标用户节 点与所述一阶商品节 点之间的边权、 将所述点击时间戳作为所述一阶商品节点与所述二阶 用户节点之间的边权， 构建目标用户侧的第一交 互子图； 所述确定与点击过目标商品的M1个一阶用户帐号之间存在点击关系的N2个二阶商品， 包括： 根据与所述目标商品对应的目标商品节点、 与点击过所述目标商品的所述M1个一阶用 户帐号对应的M1个一阶用户节点、 与 所述M1个一阶用户帐号之间存在所述点击关系的所述 N2个二阶商品对 应的N2个二阶商品节点， 以及， 将所述点击时间戳作为 所述目标商品节点与 所述一阶用户节点之间的边权、 将所述点击时间戳作为所述一阶用户节点与所述二阶商品 节点之间的边权， 构建目标商品侧的第二交 互子图。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述N1个一阶商品的特征和所述 M2个二阶用户帐号的特 征， 得到第一空域特 征， 包括： 通过第一图神 经网络， 将所述N1个一阶商品节点的特征和 所述M2个二阶用户节点的特 征传递至所述 目标用户节点， 与所述 目标用户节点的特征进行聚合， 得到所述第一空域特 征； 所述基于所述M1个一阶用户帐号 的特征和 所述N2个二阶商品的特征， 得到第二空域特 征， 包括： 通过第二图神 经网络， 将所述M1个一阶用户节点的特征和 所述N2个二阶商品节点的特 征传递至所述 目标商品节点， 与所述 目标商品节点的特征进行聚合， 得到所述第二空域特 征。 4.根据权利要 求3所述的方法， 其特征在于， 所述通过第一图神经网络， 将所述N1个一阶 商品节点的特征和所述M2个二阶用户节点的特征传递至所述目标用户节点， 与所述目标用 户节点的特 征进行聚合， 得到所述第一空域特 征， 包括： 通过所述第一图神经网络， 执行两次聚合过程， 将第二次聚合得到的所述目标用户节权　利　要　求　书 1/4 页 2 CN 114331500 A 2点的特征向量作为第一空域特 征向量； 在第k次聚合的过程中： 将所述N1个一阶商品节点的N1个第k‑1特征向量逐维度均值聚合， 得到第k一 阶商品特 征向量， 之后将所述第k一阶商品特征向量与所述目标用户节点的第k ‑1特征向量进行拼 接， 得到所述目标用户节点的第k特 征向量； 以及， 针对所述N1个一阶商品节点中的第p个， 将M2p个所述二阶用户节点的M2p个第k‑1 特征向量逐维度均值聚合， 得到第k二阶用户特征向量， 之后将所述第k二阶用户特征向量 与所述一阶商品节 点的第k‑1特征向量进行拼接， 得到所述一阶商品节 点的第k特征向量， k 的值为1或2， p的值 为1至N1； 其中， 5.根据权利要 求3所述的方法， 其特征在于， 所述通过第二图神经网络， 将所述M1个一阶 用户节点的特征和所述N2个二阶商品节点的特征传递至所述目标商品节点， 与所述目标商 品节点的特 征进行聚合， 得到所述第二空域特 征， 包括： 通过所述第二图神经网络， 执行两次聚合过程， 将第二次聚合得到的所述目标商品节 点的特征向量作为第二空域特 征向量； 在第j次聚合的过程中： 将所述M1个一阶用户节点的M1个第j‑1特征向量逐维度均值聚合， 得到第j一 阶用户特 征向量， 之后将所述第j一阶用户特征向量与所述目标商品节点的第j ‑1特征向量进行拼 接， 得到所述目标商品节点的第j特 征向量； 以及， 针对所述M1个一阶用户节点中的第q个， 将N2q个所述二阶商品节点的N2q个第j‑1 特征向量逐维度均值聚合， 得到第j二阶商品特征向量， 之后将所述第j二阶商品特征向量 与所述一阶用户节 点的第j‑1特征向量进行拼接， 得到所述一阶用户节 点的第j特征向量， j 的值为1或2， q的值 为1至M1； 其中， 6.根据权利要 求2至5任一所述的方法， 其特征在于， 所述基于所述N1个一阶商品和所述 M2个二阶用户帐号具有的点击时间戳， 得到第一时域特 征， 包括： 将按所述点击时间戳排序后的所述N1个一阶商品节点的初始特征输入第一循环神经网 络， 得到与所述N1个一阶商品节点对应的第一时域子特征； 将按所述点击时间戳排序后的 所述M2个二阶用户节点的初始特征输入所述第一循环神经网络， 得到与 所述M2个二阶用户 节点对应的第一时域子特 征； 通过聚合两个所述第一时域子特 征， 得到所述第一时域特 征； 所述基于所述M1个一阶用户帐号和 所述N2个二阶商品具有的点击时间戳， 得到第二时 域特征， 包括： 将按所述点击时间戳排序后的所述M1个一阶用户节点的初始特征输入第二循环神经网 络， 得到与所述M1个一阶用户节点对应的第二时域子特征； 将按所述点击时间戳排序后的 所述N2个二阶商品节点的初始特征输入所述第二循环神经网络， 得到与 所述N2个二阶商 品 节点对应的第二时域子特 征； 通过聚合两个所述第二时域子特 征， 得到所述第二时域特 征。 7.根据权利要求6所述的方法， 其特征在于， 所述第 一循环神经网络为长短时记忆网络权　利　要　求　书 2/4 页 3 CN 114331500 A 3