車貨匹配中考慮注意力機(jī)制的基于SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)模型

方 芳，王成浩 （合肥工業(yè)大學(xué) 管理學(xué)院，安徽 合肥 230009）

0 引 言

車貨信息不對(duì)稱的問題在車貨匹配平臺(tái)出現(xiàn)后得到了有效的緩解，但是貨源和車源數(shù)量在不斷增加，因此車貨匹配平臺(tái)也承受著越來越大的壓力。然而，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，大量的車貨源數(shù)據(jù)也為車貨匹配帶來了新的機(jī)會(huì)，通過對(duì)數(shù)據(jù)的分析處理，可以實(shí)現(xiàn)更加精準(zhǔn)的車貨匹配。因此，越來越多的研究人員開始從大規(guī)模數(shù)據(jù)的角度去探索新的車貨匹配方法。

在大數(shù)據(jù)時(shí)代，伴隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的浪潮，研究人員進(jìn)行了以下探索。黃美華等人通過網(wǎng)頁爬蟲采集到車貨匹配平臺(tái)中真實(shí)的歷史數(shù)據(jù)，并利用C4.5決策樹算法建立車貨匹配模型，所建模型能夠達(dá)到較高的匹配精確度；在此基礎(chǔ)上，黃美華等人運(yùn)用最小二乘支持向量機(jī)建立車貨信息匹配模型，在保持匹配精確度的同時(shí)，縮短了一半的計(jì)算時(shí)間。Tian等考慮到目前研究理想環(huán)境、小數(shù)據(jù)集、靜態(tài)匹配和匹配效率低等方面的局限，提出了一種基于改進(jìn)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的車貨匹配算法，并利用從物流行業(yè)大數(shù)據(jù)平臺(tái)中獲得的數(shù)據(jù)進(jìn)行驗(yàn)證，證明了該方法能夠提高車貨匹配的效率，同時(shí)為中小型物流企業(yè)的車貨匹配提供理論參考。周夏考慮了“滴滴打車”的模式，在不平衡數(shù)據(jù)的二分類問題的實(shí)驗(yàn)背景下，利用集成學(xué)習(xí)的方法建立車貨匹配預(yù)測(cè)模型，并利用P平臺(tái)的大規(guī)模數(shù)據(jù)進(jìn)行驗(yàn)證，為車貨匹配的預(yù)測(cè)研究提供參考與借鑒價(jià)值。肖斌在虛擬環(huán)境中具體定義了車貨匹配問題的半馬爾科夫過程，并基于深度前饋網(wǎng)絡(luò)設(shè)計(jì)了深度Q網(wǎng)絡(luò)算法，有效地提高了車貨匹配的效率。從這些研究中可以看出，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法逐漸被應(yīng)用于車貨匹配中，并且具有很好的效果。

推薦系統(tǒng)中常用的模型之一就是雙塔模型，其運(yùn)用了深度學(xué)習(xí)的方法，具有快速篩選海量數(shù)據(jù)和準(zhǔn)確度較高的優(yōu)勢(shì)，因此被廣泛地應(yīng)用在搜索、廣告等領(lǐng)域。DSSM(Deep Structured Semantic Model)模型由微軟于2013年提出，這便是最早的雙塔模型，其通過搜索引擎里文檔和查詢的海量點(diǎn)擊曝光日志，用DNN深度網(wǎng)絡(luò)將文檔和查詢表達(dá)為低維語義向量，并通過余弦相似度來計(jì)算兩個(gè)語義向量的距離，最終訓(xùn)練出語義相似度模型。視頻召回雙塔模型是YouTube于2019年提出的，通過計(jì)算用戶和候選視頻的相似度，為用戶推薦其可能感興趣的視頻。莫比烏斯模型是由百度在2019年提出的，通過計(jì)算用戶查詢和廣告之間的相似度，生成推薦序列。統(tǒng)一嵌入模型是Facebook在2020年提出的，通過計(jì)算查詢和文檔之間的相似度，為用戶提供準(zhǔn)確的搜索結(jié)果。雙塔模型之所以受歡迎有以下兩個(gè)原因，一是雙塔分離的結(jié)構(gòu)使其可以快速篩選海量數(shù)據(jù)，二是其本身是一個(gè)監(jiān)督學(xué)習(xí)的過程，能夠提供良好的結(jié)果。

因此，考慮到雙塔模型的優(yōu)勢(shì)和車貨平臺(tái)中大量的車貨數(shù)據(jù)，本文將雙塔模型應(yīng)用到車貨匹配中，提出了一種考慮注意力機(jī)制的基于SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)模型——A-SENet雙塔模型。A-SENet雙塔模型主要包括貨物塔、Attention模塊、司機(jī)塔和點(diǎn)擊率輸出模塊。在貨物塔中，對(duì)貨物的多個(gè)特征進(jìn)行嵌入處理，并進(jìn)一步通過SENet和DNN計(jì)算貨物隱向量。在Attention模塊中，將與司機(jī)相關(guān)的所有貨物通過Attention機(jī)制進(jìn)行加權(quán)求和，為得到更加準(zhǔn)確的司機(jī)隱向量做準(zhǔn)備。在司機(jī)塔中，對(duì)司機(jī)的多個(gè)特征進(jìn)行嵌入處理，并通過SENet進(jìn)一步處理，與Attention模塊的輸出拼接，一起輸入DNN中計(jì)算司機(jī)隱向量。最后，通過計(jì)算司機(jī)隱向量和貨物隱向量的點(diǎn)積，預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率?；谀耻囏浧ヅ淦脚_(tái)的數(shù)據(jù)集，最終的實(shí)驗(yàn)結(jié)果證明了A-SENet雙塔模型的有效性和優(yōu)越性。

1 基于A-SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)

面對(duì)車貨匹配平臺(tái)中的大規(guī)模車源和貨源數(shù)據(jù)，雙塔模型在保持匹配精準(zhǔn)度的同時(shí)，也能提高匹配效率，可以快速篩選數(shù)據(jù)。當(dāng)面對(duì)司機(jī)和貨物大量的特征時(shí)，不同特征對(duì)點(diǎn)擊率預(yù)測(cè)的重要性不同，而SENet可以動(dòng)態(tài)地增加重要特征的權(quán)重，降低不重要特征的權(quán)重。在表示司機(jī)向量時(shí)，除了利用常規(guī)的司機(jī)特征，也可以利用歷史點(diǎn)擊貨物的特征，通過Attention機(jī)制對(duì)點(diǎn)擊過的貨物隱向量進(jìn)行加權(quán)求和，得到更加準(zhǔn)確的司機(jī)隱向量。下面首先對(duì)車貨匹配問題進(jìn)行形式化描述，然后詳細(xì)介紹基于A-SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)。

1.1 車貨匹配問題描述

通過司機(jī)塔和貨物塔對(duì)司機(jī)特征和貨物特征加以處理，可以得到司機(jī)隱向量和貨物隱向量，從而計(jì)算出司機(jī)點(diǎn)擊貨物的概率。此時(shí)司機(jī)點(diǎn)擊貨物的標(biāo)簽用y表示，其中，y=1意為司機(jī)點(diǎn)擊了的貨物，y=0表示司機(jī)未點(diǎn)擊的貨物。綜上所述，實(shí)驗(yàn)的最終目標(biāo)便是預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

1.2 基于A-SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)框架

基于A-SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)框架（如圖1所示），共由四個(gè)模塊組成，分別是貨物塔、Attention模塊、司機(jī)塔和點(diǎn)擊率輸出模塊。首先，貨物塔通過SENet和DNN得到貨物隱向量。然后，將貨物塔中與司機(jī)相關(guān)的貨物隱向量通過Attention機(jī)制進(jìn)行加權(quán)求和。司機(jī)塔中通過SENet對(duì)司機(jī)特征進(jìn)行處理。處理后的特征向量與Attention機(jī)制加權(quán)求和后的向量進(jìn)行拼接，共同輸入DNN中，得到司機(jī)隱向量。最后，司機(jī)隱向量和貨物隱向量通過點(diǎn)乘和Sigmoid激活函數(shù)，計(jì)算出司機(jī)點(diǎn)擊貨物的概率。

圖1 基于A-SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)框架Fig.1 Click-through rate prediction framework of drivers based on A-SENet two-tower model

1.2.1 貨物塔

在普通的雙塔模型中，將處理后的貨物特征輸入DNN中，可以得到表示該貨物的貨物隱向量。在選取具體特征時(shí)，一般是根據(jù)相關(guān)知識(shí)和經(jīng)驗(yàn)進(jìn)行選取，但無法判斷特征的重要性。因此，為了判斷不同特征的重要性，引入SENet機(jī)制，可以動(dòng)態(tài)地增加重要特征的權(quán)重，降低不重要特征的權(quán)重，從而獲取更加準(zhǔn)確的貨物隱向量。

不同的貨物特征向量對(duì)于貨物隱向量的表示具有不同的重要性，所以引入SENet機(jī)制動(dòng)態(tài)地增加重要貨物特征向量的權(quán)重，降低不重要貨物特征向量的權(quán)重，對(duì)嵌入后的貨物特征向量做進(jìn)一步的更新。SENet機(jī)制共分為三步：擠壓階段（Squeeze）、激勵(lì)階段（Excitation）、再稱重階段（Re-Weight），接下來描述貨物特征向量通過SENet機(jī)制更新的具體過程。

1.2.1.1 擠壓階段

1.2.1.2 激勵(lì)階段

1.2.1.3 再稱重階段

通過上述操作，可以得到貨物i的貨物隱向量，同理，可以得到由n個(gè)貨物的貨物隱向量構(gòu)成的貨物塔。

1.2.2 Attention模塊本研究認(rèn)為司機(jī)歷史點(diǎn)擊過的貨物可以表示司機(jī)的興趣，所以將貨物塔中與司機(jī)相關(guān)的貨物抽取出來。但是，點(diǎn)擊貨物的重要性并不完全相同，為了更好地表示不同貨物的權(quán)重，利用Attention機(jī)制對(duì)相關(guān)貨物的貨物隱向量分配不同的權(quán)重，并進(jìn)行加權(quán)求和，為司機(jī)塔中的拼接操作提前做好準(zhǔn)備。

α為司機(jī)j第c個(gè)相關(guān)貨物隱向量的權(quán)重，S為司機(jī)j相關(guān)貨物隱向量的綜合表示。

通過上述操作，可以得到司機(jī)j相關(guān)貨物隱向量的綜合表示，同理，我們可以得到m個(gè)司機(jī)的相關(guān)貨物隱向量的綜合表示。

1.2.3 司機(jī)塔

司機(jī)塔的操作與貨物塔的操作基本相同，目的是得到司機(jī)的隱向量表示。上一節(jié)中已經(jīng)提到，為了得到更加準(zhǔn)確的司機(jī)隱向量表示，考慮了司機(jī)的歷史點(diǎn)擊貨物，并通過attention機(jī)制為不同的相關(guān)貨物賦予不同的權(quán)重，得到相關(guān)貨物隱向量的綜合表示。在司機(jī)塔中，將其與SENet操作后的司機(jī)特征向量進(jìn)行拼接共同輸入DNN中，得到司機(jī)隱向量。

1.2.3.2 激勵(lì)階段

1.2.3.3再稱重階段

通過上述操作，可以得到司機(jī)j的司機(jī)隱向量，同理，可以得到由m個(gè)司機(jī)的司機(jī)隱向量構(gòu)成的司機(jī)塔。

1.2.4 點(diǎn)擊率輸出模塊

通過上述操作，可以得到司機(jī)j點(diǎn)擊貨物i的概率，同理，可以得到司機(jī)塔中任意一個(gè)司機(jī)點(diǎn)擊貨物塔中的任意一個(gè)貨物的概率。

因?yàn)樗緳C(jī)是否點(diǎn)擊貨物屬于二分類問題，所以選擇負(fù)對(duì)數(shù)似然函數(shù)作為目標(biāo)函數(shù)，具體公式如下：

其中S表示總訓(xùn)練集，x和y分別是網(wǎng)絡(luò)的輸入和標(biāo)簽，()是網(wǎng)絡(luò)的輸出，表示司機(jī)點(diǎn)擊貨物的概率。

2 實(shí) 驗(yàn)

本節(jié)描述了為評(píng)估A-SENet雙塔模型的性能而進(jìn)行的實(shí)驗(yàn)設(shè)計(jì)，其中包括實(shí)驗(yàn)使用的數(shù)據(jù)集、評(píng)價(jià)指標(biāo)、對(duì)比方法和實(shí)驗(yàn)流程。

2.1 數(shù)據(jù)集

本研究中所使用的數(shù)據(jù)集是某車貨匹配平臺(tái)提供的非公開的司機(jī)行為數(shù)據(jù)集，該數(shù)據(jù)集包括667名司機(jī)和2 208 579個(gè)貨物，在這2 208 579個(gè)貨物中，包括了與667名司機(jī)發(fā)生過交互的1 751 673個(gè)貨物，而司機(jī)的交互行為包括瀏覽貨物、點(diǎn)擊貨物和打電話，由于瀏覽貨物的行為占司機(jī)行為中的絕大多數(shù)，所以認(rèn)為瀏覽貨物屬于未點(diǎn)擊行為，即負(fù)樣本；點(diǎn)擊貨物和打電話屬于點(diǎn)擊行為，即正樣本。在貨物塔中所使用的也是這1 751 673個(gè)貨物。為了保證實(shí)驗(yàn)的真實(shí)性，還進(jìn)行了數(shù)據(jù)處理工作。具體來說，就是刪除歷史行為不超過100次和點(diǎn)擊行為次數(shù)不超過10次的司機(jī)。因此，最終的實(shí)驗(yàn)數(shù)據(jù)集包括582名司機(jī)和1 105 719個(gè)貨物。

2.2 評(píng)價(jià)指標(biāo)

本研究選擇了兩種評(píng)價(jià)指標(biāo)來評(píng)估我們的方法，如下所示：

AUC(Area Under Curve)是點(diǎn)擊率預(yù)測(cè)領(lǐng)域常用的評(píng)價(jià)指標(biāo)，將樣本根據(jù)預(yù)測(cè)點(diǎn)擊率由大到小排列，然后隨機(jī)抽取一個(gè)正樣本和一個(gè)負(fù)樣本，正樣本排在負(fù)樣本前的概率即為AUC。計(jì)算公式如式(19)所示，表示從正樣本集合中隨機(jī)抽取的樣本，表示從負(fù)樣本集合中隨機(jī)抽取的樣本，和分別表示正負(fù)樣本的數(shù)量， ()表示樣本i的預(yù)測(cè)點(diǎn)擊率的排名。AUC的上限是1，結(jié)果越大表示性能越好。

LogLoss（Log-likelihood Loss）用交叉熵來度量每個(gè)樣本的預(yù)測(cè)概率和實(shí)際標(biāo)簽之間的距離。計(jì)算公式如式 （18）所示，LogLoss值越低，表明與實(shí)際標(biāo)簽的偏差越小，性能越好。

2.3 對(duì)比方法

為了驗(yàn)證所提出的A-SENet雙塔模型的性能，與LR、雙塔模型、DNN、SENet雙塔模型、DeepFM方法進(jìn)行了比較。其中，LR是非DNN方法，其他是基于DNN的方法。具體來講，DNN是單模型，雙塔模型、SENet雙塔模型和DeepFM是雙組合模型。每個(gè)方法的介紹如下：

LR (Logistic Regression，邏輯回歸)是用于點(diǎn)擊率預(yù)測(cè)的多字段分類數(shù)據(jù)的最廣泛使用的模型，它執(zhí)行基本形式的邏輯函數(shù)來模擬二元因變量。

雙塔模型是在推薦系統(tǒng)召回和粗排環(huán)節(jié)中廣泛應(yīng)用的模型，雙塔的結(jié)構(gòu)使其能夠快速篩選海量數(shù)據(jù)。

DNN是一個(gè)標(biāo)準(zhǔn)的深度神經(jīng)網(wǎng)絡(luò)，只包括用于預(yù)測(cè)的嵌入層和MLP層。

SENet雙塔模型在雙塔模型的基礎(chǔ)上，在左右雙塔均添加了SENet模塊，動(dòng)態(tài)地表示不同特征的重要性，在不影響雙塔模型速度的前提下，增加了雙塔模型的準(zhǔn)確度。

DeepFM由Deep部分和FM部分組成，能夠同時(shí)學(xué)習(xí)低階和高階特征的交互。

2.4 實(shí)驗(yàn)流程

使用PyTorch實(shí)現(xiàn)本文提出的方法和所有的對(duì)比方法。采用60%的數(shù)據(jù)集作為訓(xùn)練集來學(xué)習(xí)參數(shù)，20%的數(shù)據(jù)集作為驗(yàn)證集來調(diào)整超參數(shù)，20%的數(shù)據(jù)集作為測(cè)試集來評(píng)估性能。對(duì)于所有的實(shí)驗(yàn)?zāi)Ｐ?，默認(rèn)使用Adam作為優(yōu)化器，學(xué)習(xí)率初始為0.001。神經(jīng)網(wǎng)絡(luò)的隱藏層設(shè)定為與嵌入維度相同，Batch size設(shè)為64。使用Dropout來防止神經(jīng)網(wǎng)絡(luò)中的過擬合。根據(jù)經(jīng)驗(yàn)，設(shè)置如下超參數(shù)：在{32，64，128，256，512}中測(cè)試嵌入維度，在{0.1，0.3，0.5，0.7，0.9}中測(cè)試Dropout比率。

3 討 論

本節(jié)將A-SENet雙塔模型與對(duì)比方法進(jìn)行比較以評(píng)估性能，同時(shí)探討了嵌入維度和Dropout比率對(duì)模型的影響。因?yàn)樵趯?duì)比方法中有雙塔模型和SENet雙塔模型兩種，關(guān)于SENet模塊和Attention模塊的必要性可以根據(jù)實(shí)驗(yàn)結(jié)果證明，所以在本節(jié)中沒有做消融實(shí)驗(yàn)。

3.1 結(jié) 果

實(shí)驗(yàn)結(jié)果如表1所示，所有實(shí)驗(yàn)結(jié)果都是通過5次實(shí)驗(yàn)以平均值報(bào)告的。從表1中可以發(fā)現(xiàn)，不論是AUC指標(biāo)，還是LogLoss指標(biāo)，A-SENet雙塔模型是優(yōu)于其他對(duì)比方法的。具體來說：

表1 AUC和LogLoss下的方法性能比較Table1 Performance comparison of methods by AUC and LogLoss

LR的結(jié)果最差，說明非DNN的方法相比DNN的方法還是要差一些，即使在準(zhǔn)確度上不占優(yōu)勢(shì)的雙塔模型，其AUC和LogLoss結(jié)果相比LR也分別有1.26%和2.05%的改進(jìn)，這也表明深度學(xué)習(xí)模型的非線性泛化能力有助于預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

DNN的AUC和LogLoss結(jié)果要優(yōu)于雙塔模型，雖然雙塔模型包含兩個(gè)DNN模塊，但是每個(gè)DNN模塊只服務(wù)于司機(jī)特征或貨物特征，而DNN輸入的為司機(jī)特征和貨物特征，能夠捕捉到司機(jī)和貨物交互的特征，這表明司機(jī)特征和貨物特征的交互有助于預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

SENet雙塔模型的AUC和LogLoss結(jié)果要優(yōu)于DNN，雖然沒有融合司機(jī)特征和貨物特征，但SENet模塊的添加使司機(jī)特征和貨物特征的權(quán)重進(jìn)行了動(dòng)態(tài)調(diào)整，增加了重要特征的權(quán)重，能夠得到更加準(zhǔn)確的司機(jī)隱向量和貨物隱向量，這表明SENet的使用有助于預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

DeepFM的AUC和LogLoss結(jié)果要優(yōu)于SENet雙塔模型，DeepFM實(shí)現(xiàn)了司機(jī)特征和貨物特征的低階和高階交互，相比之前增加了特征的低階交互，這表明同時(shí)進(jìn)行高階和低階特征的交互有助于預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

A-SENet雙塔模型的AUC和LogLoss結(jié)果要優(yōu)于DeepFM，因?yàn)锳-SENet雙塔模型通過Attention機(jī)制將司機(jī)的相關(guān)貨物加權(quán)求和，加強(qiáng)了司機(jī)隱向量的表示，這表明Attention和SENet的同時(shí)使用有助于預(yù)測(cè)司機(jī)點(diǎn)擊貨物的概率。

僅從雙塔模型的角度考慮，即同時(shí)考慮雙塔模型、SENet雙塔模型和A-SENet雙塔模型這三種方法。首先，從結(jié)構(gòu)方面，雖然對(duì)普通的雙塔模型進(jìn)行了結(jié)構(gòu)的調(diào)整，但整體思路不變，仍是得到司機(jī)隱向量和貨物隱向量，這表明結(jié)構(gòu)復(fù)雜度的增加并沒有影響模型處理數(shù)據(jù)的效率。其次，從結(jié)果來看，相比雙塔模型，SENet雙塔模型在AUC和LogLoss方面分別獲得了8.79%和10.51%的改進(jìn)，這表明了SENet模塊的必要性。同理，A-SENet雙塔模型相比SENet雙塔模型也有一定的改進(jìn)，這也表明了Attention模塊的必要性。綜上所述，融合了SENet和Attention的雙塔模型不僅保留了處理車貨數(shù)據(jù)的高效率，還提高了預(yù)測(cè)司機(jī)點(diǎn)擊貨物概率的準(zhǔn)確度。

3.2 嵌入維度的影響

在這一小節(jié)，研究嵌入維度對(duì)模型性能的影響。具體來說，在保持其他參數(shù)固定的情況下，嵌入維度在{32，64，128，256，512}的集合中搜索。圖2顯示了不同嵌入維度下雙塔模型、SENet雙塔模型和A-SENet雙塔模型在AUC和LogLoss方面的比較結(jié)果。從圖2中可以看到，隨著嵌入維度的增加，方法性能呈現(xiàn)先上升后下降的趨勢(shì)，嵌入維度為128時(shí)AUC和LogLoss取得最好的結(jié)果。這一結(jié)果表明較大的嵌入維度可以包括更多有用的特征，然而嵌入維度如果設(shè)置得過大，整個(gè)模型會(huì)更加復(fù)雜，容易遭受過擬合問題，從而導(dǎo)致模型性能下降。因此，選取嵌入維度為128。

圖2 不同嵌入維度下的方法比較結(jié)果Fig.8 The comparison results of methods at different embedding size

3.3 Dropout比率的影響

深度學(xué)習(xí)方法總在遭受擬合問題的困擾。Dropout是一種通過在訓(xùn)練過程中隨機(jī)丟棄神經(jīng)元來緩解過擬合問題的有效策略。所以，在這一小節(jié)來研究Dropout比率對(duì)模型性能的影響。具體來說，在保持其他參數(shù)固定的情況下，Dropout比率在{0.1，0.3，0.5，0.7，0.9}的集合中搜索。圖3中展示了不同Dropout比率下雙塔模型、SENet雙塔模型和A-SENet雙塔模型在AUC和LogLoss方面的比較結(jié)果。從圖3中可以看到，方法性能呈現(xiàn)先上升后下降的趨勢(shì)，Dropout比率為0.3時(shí)AUC和LogLoss取得最好的結(jié)果。這一結(jié)果表明丟棄較多的神經(jīng)元會(huì)損失過多的信息，導(dǎo)致模型的性能降低，而丟棄較少的神經(jīng)元又無法有效地解決過擬合問題。因此，選取Dropout比率為0.3。

圖3 不同dropout比率下的方法比較結(jié)果Fig.9 The comparison results of methods at different dropouts

4 結(jié) 語

文章以車貨匹配平臺(tái)中的大規(guī)模數(shù)據(jù)為切入點(diǎn)，結(jié)合深度學(xué)習(xí)，提出了考慮注意力機(jī)制的基于SENet雙塔模型的司機(jī)點(diǎn)擊率預(yù)測(cè)模型——A-SENet雙塔模型。在雙塔模型的大框架下，利用Attention和SENet對(duì)司機(jī)特征和貨物特征進(jìn)行處理，得到司機(jī)隱向量和貨物隱向量，進(jìn)一步計(jì)算司機(jī)點(diǎn)擊貨物的概率。在某車貨匹配平臺(tái)數(shù)據(jù)集的支持下，經(jīng)實(shí)驗(yàn)結(jié)果證明了該方法的有效性和優(yōu)越性，也證明了利用深度學(xué)習(xí)方法進(jìn)行車貨匹配的可行性。