本公开具体公开一种推荐概率预测方法及装置、存储介质和电子设备。该方法包括：获取用户的行为数据，根据行为数据确定用户行为特征；将待推荐信息的特征和用户行为特征输入至多任务推荐概率预测模型中，输出用户的多个目标推荐概率，多任务推荐概率预测模型至少包括专家网络、与预测目标对应的门网络、隐层网络和融合网络；专家网络用于从多个维度对输入的第一目标特征进行特征提取，门网络用于输出提取的特征在对应的预测目标下的权重且输入至门网络的第二目标特征根据对应的预测目标确定，隐层网络用于根据对应门网络输出的权重，将提取的特征进行融合，融合网络用于对隐层网络输出的推荐概率进行融合处理。本公开能提高推荐概率的预估准确性。推荐概率的预估准确性。推荐概率的预估准确性。
【技术实现步骤摘要】
推荐概率预测方法及装置、计算机存储介质和电子设备
[0001]本公开涉及计算机
，更具体地，涉及一种推荐概率预测方法、推荐概率预测装置、计算机存储介质和电子设备。
技术介绍
[0002]随着计算机技术的发展，机器学习的应用领域也越来越广泛，很多应用场景下需要根据历史数据的发展规律进行数据预测，例如在个性化推荐领域，为了将用户最可能点击、更喜欢、更有付费倾向的内容能够优先展示，通过对展示的内容进行概率预估，并根据概率预估结果决定内容的展示与否或展示顺序。
[0003]相关技术中，采用单目标的概率预估模型仅能预测一个概率，若要同时预测多个概率，则需要训练多个模型并通过同时调用多个模型来获得多个推荐概率，然而在模型训练过程中，不同预测目标对应模型的训练样本量的需求不同，即存在数据稀疏性问题，例如对于点击率和转化率的样本量存在一个或几个数量级的差别，单独用来训练转化率模型的样本是不足的，则导致模型学习精度降低，影响概率预测的准确性；另一方面，单模型在转化率预估的预测阶段跟训练阶段的样本分布存在偏差，例如存在未点击而直接转化的样本并没有被转化率模型学习过，从而导致实际预测不准的情况。此外，相关技术中还有采用多目标预测模型来同时进行概率预测，然而不同预测目标之间存在相互干扰作用影响预测精度。
[0004]需要说明的是，在上述
技术介绍
部分专利技术的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0005]本公开的目的在于提供一种推荐概率预测方法及装置、计算机存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的同时预测多个目标推荐概率时的预测准确性低等问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0007]根据本公开的一个方面，提供一种推荐概率预测方法，包括：获取用户的行为数据，并根据所述行为数据确定用户行为特征；将待推荐信息的特征和所述用户行为特征输入至多任务推荐概率预测模型中，以输出所述用户的多个目标推荐概率，所述多任务推荐概率预测模型至少包括专家网络、与预测目标对应的门网络、隐层网络和融合网络；其中，所述专家网络用于从多个维度对输入的第一目标特征进行特征提取，所述门网络用于输出提取的特征在对应的预测目标下的权重且输入至门网络的第二目标特征根据对应的预测目标确定，所述第一目标特征包含于所述第二目标特征，所述隐层网络用于根据对应门网络输出的权重，将提取的特征进行融合，所述融合网络用于对所述隐层网络输出的推荐概率进行融合处理。
[0008]在本公开的一种示例性实施例中，所述多任务推荐概率预测模型是以用户历史行为样本数据和推荐信息样本数据确定的基础样本特征为输入进行训练得到的；其中，输入至所述专家网络的第一目标样本特征为输入至各个门网络的第二目标样本特征中的共有样本特征集；输入至所述门网络的第二目标样本特征为所述基础样本特征中所述门网络对应预测目标特有的样本特征和所述共有样本特征。
[0009]在本公开的一种示例性实施例中，所述目标推荐概率包括点击率和转化率，所述预测目标包括点击率和转化率，所述隐层网络根据对应门网络输出的权重，将提取的特征进行融合，包括：根据所述对应门网络输出的权重，对提取的特征进行加权求和，得到与所述专家网络具有相同维度的向量特征；所述向量特征经过所述隐层网络中的全连接网络和分类网络的处理，输出所述点击率或转化率。
[0010]在本公开的一种示例性实施例中，所述目标推荐概率还包括点击且转化率，所述融合网络对各所述隐层网络输出特征进行融合处理，包括：将所述点击率和转化率进行概率连乘以确定所述点击且转化率。
[0011]在本公开的一种示例性实施例中，所述多任务推荐概率预测模型训练过程中，损失函数的构建包括：根据得到的所述点击率与具有点击属性的样本特征确定第一交叉熵损失；根据得到的所述点击且转化率与具有转化属性的样本特征确定第二交叉熵损失；将所述第一交叉熵损失和第二交叉熵损失进行融合处理得到所述损失函数。
[0012]在本公开的一种示例性实施例中，所述专家网络包括多种类型的深度学习模型且每个所述专家网络输出的特征为具有相同维度的特征向量。
[0013]在本公开的一种示例性实施例中，所述待推荐信息的数量为多个；所述将待推荐信息的特征和所述用户行为特征输入至多任务推荐概率预测模型中，以输出所述用户的多个目标推荐概率之后，所述方法还包括：根据预设组合策略对所述多个目标推荐概率进行组合，得到每个待推荐信息对所述用户的组合推荐概率；将所述组合推荐概率大于概率阈值的目标推荐信息推送至所述用户。
[0014]根据本公开的一个方面，提供一种推荐概率预测装置，所述装置包括：获取模块，用于获取用户的行为数据，并根据所述行为数据确定用户行为特征；概率预测模块，用于将待推荐信息的特征和所述用户行为特征输入至多任务推荐概率预测模型中，以输出所述用户的多个目标推荐概率，所述多任务推荐概率预测模型至少包括专家网络、与预测目标对应的门网络、隐层网络和融合网络；其中，所述专家网络用于从多个维度对输入的第一目标特征进行特征提取，所述门网络用于输出提取的特征在对应的预测目标下的权重且输入至门网络的第二目标特征根据对应的预测目标确定，所述第一目标特征包含于所述第二目标特征，所述隐层网络用于根据对应门网络输出的权重，将提取的特征进行融合，所述融合网络用于对所述隐层网络输出的推荐概率进行融合处理。
[0015]根据本公开的一个方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的推荐概率预测方法。
[0016]根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的推荐概率预测方法。
[0017]本公开的示例性实施例中的推荐概率预测方法，通过将用户行为特征和待推荐信
息的特征输入至多任务推荐概率预测模型可输出用户的多个目标推荐概率。一方面，通过与预测目标对应的门网络输出专家网络输出特征在对应的预测目标下的权重，采用注意力机制将不同特征组合对不同预测目标的重要性动态计算出来，并施加到不同的专家网络，可以让预测和训练都能自适应的决定不同预测目标对输入特征和各个专家网络的依赖程度，缓解预测目标之间的相互干扰，同时由于输入至门网络的第二目标特征是根据对应的预测目标确定的，可以指定不同预测目标下的门网络输入，能更好让门网络学习不同预测目标下关于专家网络输出特征的权重组合，从而提高各个预测目标的预测准确性；另一方面，基于不同预测目标之间的潜在概率关系，通过融合网络将不同隐层网络输出的推荐概率进行融合处理，使模型在学习过程中捕捉两者关系，不仅提升模型预测性能，也增加输出的预测推荐概率的数量并能应用于不同的场景。
[0018]应当理解的是，以上的一般描述和后文的细本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种推荐概率预测方法，其特征在于，包括：获取用户的行为数据，并根据所述行为数据确定用户行为特征；将待推荐信息的特征和所述用户行为特征输入至多任务推荐概率预测模型中，以输出所述用户的多个目标推荐概率，所述多任务推荐概率预测模型至少包括专家网络、与预测目标对应的门网络、隐层网络和融合网络；其中，所述专家网络用于从多个维度对输入的第一目标特征进行特征提取，所述门网络用于输出提取的特征在对应的预测目标下的权重且输入至门网络的第二目标特征根据对应的预测目标确定，所述第一目标特征包含于所述第二目标特征，所述隐层网络用于根据对应门网络输出的权重，将提取的特征进行融合，所述融合网络用于对所述隐层网络输出的推荐概率进行融合处理。2.根据权利要求1所述的方法，其特征在于，所述多任务推荐概率预测模型是以用户历史行为样本数据和推荐信息样本数据确定的基础样本特征为输入进行训练得到的；其中，输入至所述专家网络的第一目标样本特征为输入至各个门网络的第二目标样本特征中的共有样本特征；输入至所述门网络的第二目标样本特征为所述基础样本特征中所述门网络对应预测目标特有的样本特征和所述共有样本特征。3.根据权利要求1所述的方法，其特征在于，所述目标推荐概率包括点击率和转化率，所述预测目标包括点击率和转化率，所述隐层网络根据对应门网络输出的权重，将提取的特征进行融合，包括：根据所述对应门网络输出的权重，对提取的特征进行加权求和，得到与所述专家网络具有相同维度的向量特征；所述向量特征经过所述隐层网络中的全连接网络和分类网络的处理，输出所述点击率或转化率。4.根据权利要求3所述的方法，其特征在于，所述目标推荐概率还包括点击且转化率，所述融合网络对各所述隐层网络输出特征进行融合处理，包括：将所述点击率和转化率进行概率连乘以确定所述点击且转化率。5.根据权利要求4所述的方法，其特征在于，所述多任务推荐概率预测模型训练过程中，损失函数的构建包括：根据得到的所述点击率与具有点击属性的样...
【专利技术属性】
技术研发人员：庄正中，赖弘基，张泽磊，
申请(专利权)人：广州博冠信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。