转化率预测方法、装置、设备和存储介质制造方法及图纸

本申请实施例公开一种转化率预测方法、装置、设备和存储介质，涉及大数据技术领域。具体实现方案为：获取待预测用户数据，以及待预测媒介信息；根据待预测媒介信息所属的投放方，在多任务模型中确定投放方关联的目标子模型；其中，多任务模型中的子模型是基于样本数据的场景信息训练得到，目标子模型是基于子模型对于投放方的预测结果确定的；基于目标子模型，根据待预测用户数据和待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。本申请实施例通过采用多任务模型来预测用户对媒介信息的转化率，避免单任务模型中无法进行多层面的特征学习，充分考虑媒介信息在各场景维度下的场景特征，提高多任务模型进行转化率预测的准确率。准确率。准确率。

【技术实现步骤摘要】
转化率预测方法、装置、设备和存储介质


[0001]本申请实施例涉及计算机
，尤其涉及大数据
，具体涉及一种转化率预测方法、装置、设备和存储介质。

技术介绍

[0002]搜索广告是目前互联网商业模式中的一种重要形式，较高的广告转化率(Conversion Rate，CVR)能够为广告主带来较高的投资回报率(Return on Investment，ROI)。因此转化率的预测尤为重要。
[0003]目前，通常基于单任务(Single Task Learning)深度学习网络的转化率预估模型，对于场景特征的表达能力有限，无法进行多层面的学习，预测准确率较低。

技术实现思路

[0004]本申请实施例提供了一种转化率预测方法、装置、设备和存储介质，能够提高转化率预测的准确性。
[0005]第一方面，本申请实施例提供了一种转化率预测方法，包括：
[0006]获取待预测用户数据，以及待预测媒介信息；
[0007]根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；
[0008]基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。
[0009]上述申请中的一个实施例具有如下优点或有益效果：通过建立包含不同场景维度子模型的多任务模型，从中确定投放方适用的目标子模型，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。
[0010]可选的，基于样本数据的场景信息训练得到多任务模型，包括：
[0011]根据所述样本数据，确定样本媒介信息的场景信息；
[0012]根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；
[0013]将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。
[0014]上述申请中的一个实施例具有如下优点或有益效果：通过建立包含多个子模型的多任务模型，每个子模型基于媒介信息的场景信息而构建，从而基于媒介信息的场景信息来组织样本数据训练多任务模型，使多任务模型中的每个子模型有选择性的对不同特征进行加强学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。
[0015]可选的，所述场景信息至少包括流量来源信息和投放方的历史转化率信息。
[0016]上述申请中的一个实施例具有如下优点或有益效果：在不同媒介信息具有相同展示效果的情况下，其流量来源信息有可能不同，进而导致转化率的不同；或者在不同媒介信息具有相同展示效果的情况下，其投放方的转化率本身就有可能不同。因此可以将流量来源信息和投放方的历史转化率信息作为场景信息，进行子模型的分类和样本数据的组织训练。有利于将场景特征也学习到各个子模型当中，进而提高多任务模型预测的准确率。
[0017]可选的，所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练，包括：
[0018]根据所述样本数据，训练所述多任务学习模型中的通用子模型；
[0019]根据所述样本媒介信息的流量来源信息，将所述样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；
[0020]根据所述样本媒介信息所属投放方的历史转化率信息，将所述样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。
[0021]上述申请中的一个实施例具有如下优点或有益效果：多任务学习模型中可以包括通用子模型、来源子模型以及区间子模型。通用子模型用于训练全部样本数据，以学习所有样本数据特征。来源子模型基于流量来源进行划分，用于对流量来源相匹配的样本数据进行训练。区间子模型基于媒介信息所属投放方长期相对稳定的历史转化率信息进行划分，用于对历史转化率相匹配的投放方的样本数据进行训练。进而来源子模型和区间子模型分别学习到了媒介信息的场景特征，实现了多层面的学习。
[0022]可选的，在所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，还包括：
[0023]基于所述多任务模型，对所述样本数据进行预测；
[0024]根据所述样本数据的预测结果，反向更新所述样本数据的特征表示，以使所述多任务模型中的任一子模型共享更新后的样本数据。
[0025]上述申请中的一个实施例具有如下优点或有益效果：由于场景信息的匹配，多任务模型中并非所有子模型都能够学习样本数据，而在样本数据的训练过程中，至少存在通过子模型和基于场景的子模型中的一个对同一样本数据进行训练，相应的，用于训练的任一子模型都可以对样本数据进行反向传播，从而更新样本数据的特征表示，以实现优化后的特征表示能够被其他用于训练的子模型所分享到。
[0026]可选的，基于所述子模型对于投放方的预测结果，确定所述投放方关联的目标子模型，包括：
[0027]根据所述多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果；
[0028]根据所述多任务模型中基于场景的子模型，对所述投放方的样本数据进行预测，得到第二转化率预测结果；
[0029]根据所述第一转化率预测结果和所述第二转化率预测结果，确定所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标；
[0030]根据所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标，确定所述投放方关联的目标子模型。
[0031]上述申请中的一个实施例具有如下优点或有益效果：在多任务模型的线下训练过
程中，可以采用训练好的多任务模型对样本数据进行预测，将样本数据输入至场景信息相匹配的子模型中进行预测，进而针对于多任务模型中的每一类子模型，至少都能够得到基于通用子模型的转化率预测结果，以及基于场景子模型的转化率预测结果。从而针对于每一类子模型中相匹配的子模型，根据其对样本数据的预测结果，评估该类样本数据的媒介信息所属投放方的模型收敛指标，根据评估结果选择预测效果最优的一个子模型作为该投放方后期预测时使用的目标子模型。
[0032]第二方面，本申请实施例提供了一种转化率预测装置，包括：
[0033]数据获取模块，用于获取待预测用户数据，以及待预测媒介信息；
[0034]模型确定模块，用于根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；
[0035]转化率预测模块，用于基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种转化率预测方法，其特征在于，包括：获取待预测用户数据，以及待预测媒介信息；根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。2.根据权利要求1所述的方法，其特征在于，基于样本数据的场景信息训练得到多任务模型，包括：根据所述样本数据，确定样本媒介信息的场景信息；根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。3.根据权利要求1所述的方法，其特征在于，所述场景信息至少包括流量来源信息和投放方的历史转化率信息。4.根据权利要求2或3所述的方法，其特征在于，所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练，包括：根据所述样本数据，训练所述多任务学习模型中的通用子模型；根据所述样本媒介信息的流量来源信息，将所述样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；根据所述样本媒介信息所属投放方的历史转化率信息，将所述样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。5.根据权利要求2所述的方法，其特征在于，在所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，还包括：基于所述多任务模型，对所述样本数据进行预测；根据所述样本数据的预测结果，反向更新所述样本数据的特征表示，以使所述多任务模型中的任一子模型共享更新后的样本数据。6.根据权利要求1所述的方法，其特征在于，基于所述子模型对于投放方的预测结果，确定所述投放方关联的目...

【专利技术属性】
技术研发人员：丁娇，曹旭磊，李沛龙，杨雷，曾云峰，李晨瑞，朱威，刘琦凯，秦首科，韩聪，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：