转化率确定方法、装置、电子设备和存储介质制造方法及图纸

本申请公开了一种转化率确定方法、装置、电子设备和存储介质，涉及人工智能技术领域。具体实现方案为：基于多任务模型中特征表示网络层，根据待预测用户数据和待预测媒介信息生成用户媒介特征表示；基于多任务模型中的通用模型，根据用户媒介特征表示确定待预测用户对待预测媒介信息的转化率；其中，多任务模型包括所述通用模型以及至少两个区间模型，不同区间模型关联有不同转化率区间，且通用模型与至少两个区间模型共享特征表示网络层。本申请实施例的多任务模型中包括通用模型及关联有不同转化率区间的区间模型，使得训练完的特征表示网络层可以准确全面的提取数据的特征表示，提高多任务模型的泛化能力，进而提高转化率预估的准确性。估的准确性。估的准确性。

【技术实现步骤摘要】
转化率确定方法、装置、电子设备和存储介质


[0001]本申请实施例涉及互联网
，尤其涉及人工智能
，具体涉及了一种转化率确定方法、装置、电子设备和存储介质。

技术介绍

[0002]转化率预估是作用于广告自动出价、扩量等策略，目的是在客户表达的成本(Cost Per Action,CPA)约束下，提升流量投放效率和客户转化量，实现在保障客户投资回报(Return on Investment，ROI)的同时，匹配用户意图、优化变现效率。
[0003]随着人工智能(Artificial Intelligence，AI)技术的快速发展，AI技术已经广泛应用于诸如语言识别、图像识别、自然语言处理和专家系统之类的各个领域。然而，目前基于人工智能技术进行转化率预估时，由于样本分布的多样性和稀疏性，模型预估的泛化能力有限，导致转化率预估的准确性低。

技术实现思路

[0004]本申请实施例公开一种转化率确定方法、装置、电子设备和介质，以解决现有技术中由于样本分布的多样性和稀疏性所导致模型预估的泛化能力有限、转化率预估准确性低的技术问题。
[0005]第一方面，本申请实施例公开了一种转化率确定方法，包括：
[0006]基于多任务模型中特征表示网络层，根据待预测用户数据和待预测媒介信息生成用户媒介特征表示；
[0007]基于多任务模型中的通用模型，根据所述用户媒介特征表示确定待预测用户对待预测媒介信息的转化率；其中，所述多任务模型包括所述通用模型以及至少两个区间模型，不同所述区间模型关联有不同转化率区间，且所述通用模型与所述至少两个区间模型共享所述特征表示网络层。
[0008]上述申请中的一个实施例具有如下优点或有益效果：构建的多任务模型中包括通用模型及关联有不同转化率区间的区间模型，使得基于不同转化率区间的样本数据训练完多任务模型后，多任务模型的特征表示网络层可以准确全面的提取待预测数据的特征表示来预估转化率，提高多任务模型的泛化能力，进而提高转化率预估的准确性。
[0009]另外，根据本申请上述实施例的转化率确定方法，还可以具有如下附加的技术特征：
[0010]可选的，通过如下方式训练所述多任务模型：
[0011]基于多任务模型中特征表示网络层，根据样本用户数据和样本媒介信息生成样本用户媒介特征表示；
[0012]根据样本用户对样本媒介信息的转化率值，从所述至少两个区间模型中选择目标区间模型；
[0013]将所述样本用户媒介特征表示作为所述通用模型和所述目标区间模型的输入，以
对所述通用模型和所述特征表示网络层进行训练。
[0014]上述申请中的一个实施例具有如下优点或有益效果：根据样本用户对样本媒介信息的转化率值的不同，选择不同的目标区间模型，进而训练多任务模型中的通用模型和选择的目标区间模型，提升了多任务模型的泛化能力以及模型预估的准确性。
[0015]可选的，所述样本用户媒介特征表示包括第一样本用户媒介特征表示和第二样本用户媒介特征表示；
[0016]将所述样本用户媒介特征表示作为模型的输入以进行训练，包括：
[0017]将所述第一样本用户媒介特征表示作为该模型中第一子模型的输入，得到第一子模型的预测结果和隐藏层参数；
[0018]将所述第二样本用户媒介特征表示以及所述第一子模型的预测结果和隐藏层参数作为该模型中第二子模型的输入，同步对所述第一子模型和所述第二子模型进行训练。
[0019]上述申请中的一个实施例具有如下优点或有益效果：通过采用同步训练的方式训练多任务模型，可以提高训练效率，而且第一子模型将其特征编码成隐藏参数传递给第二子模型，在减轻第二子模型负载的同时可以保证信息不丢失。
[0020]可选的，所述第一样本用户媒介特征表示与所述第二样本用户媒介特征表示的属性不同。
[0021]上述申请中的一个实施例具有如下优点或有益效果：实现了第一子模型和第二子模型之间存在独立的输入特征，不存在特征重复使用的情况。
[0022]可选的，所述第一样本用户媒介特征表示包括如下至少一项：搜索词特征表示、用户特征表示和样本媒介信息的内容特征表示；所述第二样本用户媒介特征表示包括样本媒介信息的样式特征表示和/或位置特征表示。
[0023]第二方面，本申请实施例公开了一种转化率确定装置，包括：
[0024]特征表示生成模块，用于基于多任务模型中特征表示网络层，根据待预测用户数据和待预测媒介信息生成用户媒介特征表示；
[0025]预测模块，用于基于多任务模型中的通用模型，根据所述用户媒介特征表示确定待预测用户对待预测媒介信息的转化率；其中，所述多任务模型包括所述通用模型以及至少两个区间模型，不同所述区间模型关联有不同转化率区间，且所述通用模型与所述至少两个区间模型共享所述特征表示网络层。
[0026]第三方面，本申请实施例还提供了一种电子设备，包括：
[0027]至少一个处理器；以及
[0028]与所述至少一个处理器通信连接的存储器；其中，
[0029]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的转化率确定方法。
[0030]第四方面，本本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的转化率确定方法。
[0031]上述申请中的一个实施例具有如下优点或有益效果：多任务模型包括通用模型以及至少两个关联有不同转化率区间的区间模型，且通用模型与区间模型共享特征表示网络
层，由此在用样本数据训练不同转化率区间对应的区间模型后，多任务模型的共享特征表示网络层可以全面准确的提取待预测数据的特征表示，提升了模型的泛化能力，进而提高转化率预估的准确性。
[0032]上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
[0033]附图用于更好地理解本方案，不构成对本申请的限定。其中：
[0034]图1是根据本申请实施例的转化率确定方法的流程示意图；
[0035]图2是根据本申请实施例的多任务模型训练方法的流程示意图；
[0036]图3是根据本申请实施例的另一多任务模型训练方法的流程示意图；
[0037]图4是根据本申请实施例的转化率确定装置的结构示意图；
[0038]图5是用来实现本申请实施例的转化率确定方法的电子设备的框图。
具体实施方式
[0039]以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0040]图1是本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种转化率确定方法，其特征在于，包括：基于多任务模型中特征表示网络层，根据待预测用户数据和待预测媒介信息生成用户媒介特征表示；基于多任务模型中的通用模型，根据所述用户媒介特征表示确定待预测用户对待预测媒介信息的转化率；其中，所述多任务模型包括所述通用模型以及至少两个区间模型，不同所述区间模型关联有不同转化率区间，且所述通用模型与所述至少两个区间模型共享所述特征表示网络层。2.根据权利要求1所述的方法，其特征在于，通过如下方式训练所述多任务模型：基于多任务模型中特征表示网络层，根据样本用户数据和样本媒介信息生成样本用户媒介特征表示；根据样本用户对样本媒介信息的转化率值，从所述至少两个区间模型中选择目标区间模型；将所述样本用户媒介特征表示作为所述通用模型和所述目标区间模型的输入，以对所述通用模型和所述特征表示网络层进行训练。3.根据权利要求2所述的方法，其特征在于，所述样本用户媒介特征表示包括第一样本用户媒介特征表示和第二样本用户媒介特征表示；将所述样本用户媒介特征表示作为模型的输入以进行训练，包括：将所述第一样本用户媒介特征表示作为该模型中第一子模型的输入，得到第一子模型的预测结果和隐藏层参数；将所述第二样本用户媒介特征表示以及所述第一子模型的预测结果和隐藏层参数作为该模型中第二子模型的输入，同步对所述第一子模型和所述第二子模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述第一样本用户媒介特征表示与所述第二样本用户媒介特征表示的属性不同。5.根据权利要求4所述的方法，其特征在于，所述第一样本用户媒介特征表示包括如下至少一项：搜索词特征表示、用户特征表示和样本媒介信息的内容特征表示；所述第二样本用户媒介特征表示包括样本媒介信息的样式特征表示和/或位置特征表示。6.一种转化率确定装置，其特征在于，包括：特征表示生成模块，用于基于多任务模型中特征表示网络层，根据待预测用户数据和待预测媒介信息生成用户媒介特征表示；预测模块，用于基于多任务模型中的通用模型，根据所述用户媒介特征表示确定待预测用户对待预测媒介信息的转化率；其中，所述多任务...

【专利技术属性】
技术研发人员：丁娇，曾云峰，李晨瑞，曹旭磊，黄旺，李沛龙，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：