申请/专利权人：深圳须弥云图空间科技有限公司

申请日：2023-07-10

公开（公告）日：2023-08-08

公开（公告）号：CN116562359A

主分类号：G06N3/0895

分类号：G06N3/0895;G06Q30/0202

优先权：

专利状态码：有效-授权

法律状态：2023.11.10#授权;2023.08.25#实质审查的生效;2023.08.08#公开

摘要：本申请提供一种基于对比学习的CTR预测模型训练方法、装置及电子设备。该方法包括：将用于CTR预测模型训练的离散特征映射到低维度的稠密向量中，得到原始特征向量；对原始特征向量进行正则化约束，得到特征对齐损失和特征一致性损失；对原始特征向量进行数据增强，得到第一特征向量和第二特征向量，对第一特征向量和第二特征向量进行特征交叉得到中间向量，计算中间向量之间的距离，得到对比学习损失；依据特征对齐损失、特征一致性损失、对比学习损失以及原始CTR预测任务的损失函数生成综合损失函数，利用综合损失函数反向更新模型参数，以便对CTR预测模型进行训练。本申请提高了CTR预测模型训练的泛化性能，从而提升CTR预测模型的预测性能及预测精度。

主权项：1.一种基于对比学习的CTR预测模型训练方法，其特征在于，包括：获取用于CTR预测模型训练的离散特征，将所述离散特征映射到低维度的稠密向量中，得到原始特征向量；利用预定的特征对齐约束以及特征一致性约束分别对所述原始特征向量进行正则化约束，得到特征对齐损失和特征一致性损失；对所述原始特征向量进行数据增强，得到第一特征向量和第二特征向量，对所述第一特征向量和第二特征向量进行特征交叉得到中间向量，计算所述中间向量之间的距离，得到对比学习损失；依据所述特征对齐损失、所述特征一致性损失、所述对比学习损失以及原始CTR预测任务的损失函数生成综合损失函数，利用所述综合损失函数反向更新模型参数，以便对所述CTR预测模型进行训练。

全文数据：

权利要求：

百度查询： 深圳须弥云图空间科技有限公司 基于对比学习的CTR预测模型训练方法、装置及电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD