買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉上海數鳴人工智能科技有限公司申請的專利基于陰影特征篩選的針對互聯網點擊率預測的預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115293800B 。

龍圖騰網通過國家知識產權局官網在2025-08-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210889770.0，技術領域涉及：G06Q30/0242；該發明授權基于陰影特征篩選的針對互聯網點擊率預測的預測方法是由項亮;裴智暉設計研發完成，并于2022-07-27向國家知識產權局提交的專利申請。

本基于陰影特征篩選的針對互聯網點擊率預測的預測方法在說明書摘要公布了：一種基于陰影特征篩選的針對互聯網點擊率預測的預測方法，其包括數據預處理步驟、訓練集的生成步驟和所述模型訓練與模型建立步驟；其中，訓練集的生成步驟包括特征工程的處理和陰影特征的構造和基于特征陰影的特征篩選。因此，本發明根據特征篩選策略、是否有每一個原特征重要性在M次重復后的均值大于陰影特征的情況出現以及原特征和陰影特征的兩者的分布具是否有顯著性差異，對每一個原特征進行保留或刪除的操作，將保留的原特征用于模型的最終訓練集和驗證集的數據特征；即本發明通過構造陰影特征對于原始特征進行篩選，使篩選后的原始特征顯著降低了樹模型的過擬合風險，提升了算法的魯棒性，并在實際業務中提升點擊率預測結果都具有重要的意義。

本發明授權基于陰影特征篩選的針對互聯網點擊率預測的預測方法在權利要求書中公布了：1.一種基于陰影特征篩選的針對互聯網點擊率預測的預測方法，其特征在于，包括數據預處理步驟S1、訓練集的生成步驟S2和模型訓練與模型建立步驟S3； 所述數據預處理步驟S1包括如下步驟： 步驟S11：獲取N個用戶的原始數據信息，并從所述用戶的原始數據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特征，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，根據業務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方法對連續特征進行調整樣本分布處理； 所述訓練集的生成步驟S2包括特征工程的處理步驟S21和陰影特征的構造步驟S22和基于特征陰影的特征篩選步驟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：連續特征進行數值型特征改造處理； 步驟S214：進行特征篩選和特征構造，以形成新的特征； 步驟S215：執行連續特征離散化處理； 步驟S22陰影特征的構造具體包括如下步驟： 對連續特征和離散化后的連續特征與類別特征構造對應的陰影特征；將訓練數據集的訓練數據原特征和獲得的陰影特征拼接，得到2倍于所述訓練數據原特征M的混合特征； 步驟S23具體包括如下步驟： 步驟S231：形成對每一個原特征和其對應的陰影特征的M個特征重要性的分布情況；根據特征篩選策略、是否有每一個原特征重要性在M次重復后的均值大于陰影特征的情況出現以及原特征和陰影特征的兩者的分布具是否有顯著性差異，對每一個原特征進行保留或刪除的操作； 步驟S232：將保留的原特征作為模型的最終訓練集和驗證集數據的特征；即使用保留下來的原特征作為基于樹算法的神經網絡模型的輸入； 所述模型訓練與模型建立步驟S3包括： 步驟S31：建立基于樹算法的神經網絡初始化模型，使用保留下來的原始數據的原特征，用所述訓練集中的經過處理的原始數據，以是否點擊作為訓練標簽，獲得每個訓練樣本是否點擊的輸出概率； 步驟S32，將所述新的訓練集中的每一個樣本對基于樹算法的神經網絡模型進行訓練和驗證，得到參數優化后的所述神經網絡模型，并使用驗證集進行驗證，得到最終的基于樹算法的預測網絡模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人上海數鳴人工智能科技有限公司，其通訊地址為：200436 上海市靜安區萬榮路1256、1258號406室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。