一种多任务网络获取方法、系统、计算机和存储介质技术方案

本申请涉及神经网络领域，尤其涉及一种多任务网络获取方法、系统、计算机和存储介质，该方法包括：获取每个样本的样本特征；构造多任务训练网络和损失函数，多任务训练网络包括点击率子网络和下单率子网络；基于样本特征和损失函数对多任务训练网络进行训练，得到训练好的多任务训练网络，其中，在训练过程中，点击率子网络和下单率子网络中进行特征共享；训练好的多任务训练网络用于输出预测点击概率值和预测下单转化概率值；基于预测点击概率值和预测下单转化概率值，构造任务输出函数，任务输出函数用于输出任务函数值。本申请的多任务网络获取方法可以使得多个模型进行特征共享，大大提升从曝光到下单的转化率。大提升从曝光到下单的转化率。大提升从曝光到下单的转化率。

【技术实现步骤摘要】
一种多任务网络获取方法、系统、计算机和存储介质


[0001]本申请涉及神经网络领域，尤其涉及一种多任务网络获取方法、系统、计算机和存储介质。

技术介绍

[0002]目前，在金融科技领域中，经常需要对多个样本进行相应的分析，来获得所需数据，并根据所需数据来更好的推广业务或其它的服务。而为了更好的、更有效率、更准确的快速获取所需数据，一般采用了建模的方法，但是由于一个样本具有多种特征或属性，往往分别各自建立独立模型，来对不同属性进行单一化处理，但此方法中不能实现模型与模型之间的特征共享。

技术实现思路

[0003]鉴于上述问题，本申请提出一种多任务网络获取方法、系统、计算机和存储介质。
[0004]本申请实施例提出一种多任务网络获取方法，包括：
[0005]获取每个样本的样本特征；
[0006]构造多任务训练网络和损失函数，所述多任务训练网络包括点击率子网络和下单率子网络；
[0007]基于所述样本特征和所述损失函数对所述多任务训练网络进行训练，得到训练好的多任务训练网络，其中，在训练过程中，所述点击本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务网络获取方法，其特征在于，包括：获取每个样本的样本特征；构造多任务训练网络和损失函数，所述多任务训练网络包括点击率子网络和下单率子网络；基于所述样本特征和所述损失函数对所述多任务训练网络进行训练，得到训练好的多任务训练网络，其中，在训练过程中，所述点击率子网络和所述下单率子网络中进行特征共享；所述训练好的多任务训练网络用于输出预测点击概率值和预测下单转化概率值；基于所述预测点击概率值和所述预测下单转化概率值，构造任务输出函数，所述任务输出函数用于输出任务函数值。2.根据权利要求1所述的多任务网络获取方法，其特征在于，所述训练好的多任务训练网络用于输出预测点击概率值和预测下单转化概率值包括：所述点击率子网络输出所述预测点击概率值，所述下单率子网络输出所述预测下单转化概率值。3.根据权利要求1所述的多任务网络获取方法，其特征在于，所述损失函数中的变量包括获取到的点击概率真实值、下单概率真实值、所述预测点击概率值和预测下单转化概率值，所述基于所述样本特征和所述损失函数对所述多任务训练网络进行训练，得到训练好的多任务训练网络包括：根据当前训练的点击概率真实值、下单转化概率真实值、以及所述多任务训练网络当前对应输出的预测点击概率值、预测下单转化概率值和所述损失函数，得到预测点击率误差和预测下单率误差；基于所述预测点击率误差和所述预测下单率误差，得到综合误差；当本次训练的所述综合误差不满足预设条件时，输入下一样本特征继续训练，直至计算到的所述综合误差满足所述预设条件时停止，得到训练好的多任务训练网络。4.根据权利要求3所述的多任务网络获取方法，其特征在于，所述损失函数的公式为：E1＝(P1
‑
R1)/R1；E2＝(P2
‑
R2)/R2；其中，在所述点击率子网络中，E1为所述预测点击率误差，P1为所述预测点击概率值，R1为所述点击概率真实值；在所述下单率子网络中，E2为...

【专利技术属性】
技术研发人员：黎建辉，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：