信息推送方法技术

本申请提供了一种信息推送方法

【技术实现步骤摘要】
信息推送方法、模型训练方法和装置


[0001]本申请实施例涉及人工智能
，尤其涉及一种信息推送方法
、
模型训练方法和装置
。

技术介绍

[0002]实时
API(RealTimeAPI
，
RTA)
是直投与互联网广告交易平台
(ad exchange
，
ADX)
相结合的一种广告投放模式，即每次请求时，广告平台都通过应用程序接口
(Application Programming Interface
，
API)
询问广告主是否参竞，然后结合广告主返回的决策进行下一步广告的优选投放，最终提升广告主的广告投放效果
。
这样，广告主可以基于自有数据
(
或模型
)
判定每次请求的对象参考值，返回广告平台“是否参与本次竞价”的决策，实现精准流量定向
。
此外，平台还可以实时询问广告主是否参竞，并结合广告主的实时回复进行最终流量优选，实现流量实时筛选
。
[0003]相关技术中，软件在付费买量环节主要基于人工统计分析，从粗粒度上挑选优质流量，例如基于不同广告位的流量过滤，或者基于对象差异化进行流量筛选，针对这些特定流量进行定向新增买量，从而提升整体软件新用户的投资回报率
(Return on Investment
，
ROI)
指标
。
但是，这些方案无法做到精细化的细粒度信息推送
。

技术实现思路

[0004]本申请提供一种信息推送方法
、
模型训练方法和装置，能够实现更精细的细粒度信息推送，提高信息对高参考值对象的覆盖率
。
[0005]第一方面，本申请实施例提供一种信息推送方法，包括：
[0006]获取候选对象的上下文特征信息，所述上下文特征信息用于指示所述候选对象使用的媒体服务的信息；
[0007]将所述上下文特征信息输入参考值预测模型，对所述上下文特征信息进行映射得到所述候选对象的第一预测数值转移概率和第一预测数值转移量；其中，所述参考值预测模型根据样本对象的真实上下文特征信息
、
真实数值转移概率和真实数值转移量对神经网络模型进行训练得到；
[0008]根据所述第一预测数值转移概率和所述第一预测数值转移量得到所述候选对象的预估参考值；
[0009]在所述候选对象的预估参考值满足预设条件时，使用所述媒体服务向所述候选对象推送信息
。
[0010]第二方面，本申请实施例提供一种用于对象参考值预测的模型训练方法，包括：
[0011]获取训练样本，所述训练样本包括样本对象的真实上下文特征信息
、
真实数值转移概率和真实数值转移量；
[0012]将所述真实上下文特征信息输入参考值预测模型，对所述真实上下文特征信息进行映射得到所述样本对象的第二预测数值转移概率和第二预测数值转移量；
[0013]根据所述第二预测数值转移概率和所述第二预测数值转移量得到所述样本对象的预估参考值；
[0014]根据所述真实数值转移概率
、
所述第二预测数值转移概率
、
所述真实数值转移量和所述样本对象的预估参考值，确定目标损失；
[0015]根据所述目标损失对所述参考值预测模型进行参数更新，得到训练后的所述参考值预测模型
。
[0016]第三方面，本申请实施例提供了一种信息推送装置，包括：
[0017]获取单元，用于获取候选对象的上下文特征信息，所述上下文特征信息用于指示所述候选对象使用的媒体服务的信息；
[0018]参考值预测模型，用于输入所述上下文特征信息，对所述上下文特征信息进行映射得到所述候选对象的第一预测数值转移概率和第一预测数值转移量；其中，所述参考值预测模型根据样本对象的真实上下文特征信息
、
真实数值转移概率和真实数值转移量对神经网络模型进行训练得到；
[0019]确定单元，用于根据所述第一预测数值转移概率和所述第一预测数值转移量得到所述候选对象的预估参考值；
[0020]推送单元，用于在所述候选对象的预估参考值满足预设条件时，使用所述媒体服务向所述候选对象推送信息
。
[0021]第四方面，本申请实施例提供了一种用于对象参考值预测的模型训练装置，包括：
[0022]获取单元，用于获取训练样本，所述训练样本包括样本对象的真实上下文特征信息
、
真实数值转移概率和真实数值转移量；
[0023]参考值预测模型，用于输入所述真实上下文特征信息，对所述真实上下文特征信息进行映射得到所述样本对象的第二预测数值转移概率和第二预测数值转移量；
[0024]确定单元，用于根据所述第二预测数值转移概率和所述第二预测数值转移量得到所述样本对象的预估参考值；
[0025]所述确定单元还用于根据所述真实数值转移概率
、
所述第二预测数值转移概率
、
所述真实数值转移量和所述样本对象的预估参考值，确定目标损失；
[0026]参数更新单元，用于根据所述目标损失对所述参考值预测模型进行参数更新，得到训练后的所述参考值预测模型
。
[0027]第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或第二方面中的方法
。
[0028]第六方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时使得计算机执行如第一方面或第二方面中的方法
。
[0029]第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或第二方面中的方法
。
[0030]第八方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面或第二方面中的方法
。
[0031]通过上述技术方案，使用参考值预测模型分别对候选对象的数值转移概率和数值转移量进行预估，根据数值转移概率和数值转移量这两个因子能够计算得到候选对象更加
准确的预估参考值，在该预估参考值满足预设条件时可以使用该媒体服务向候选对象推送信息，从而实现更精细的细粒度细粒度，提高信息对高参考值对象的覆盖率
。
附图说明
[0032]图1为本申请实施例的方案的系统架构的一个示意图；
[0033]图2为根据本申请实施例的一种应用场景的示意图；
[0034]图3为根据本申请实施例的一种信息推送方法的示意性流程图；
[0035]图4为根据本申请实施例的一种参考值预测模型的示意图；
[0036]图5为根据本申请实施例的另一种信息推送方法的示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种信息推送方法，其特征在于，包括：获取候选对象的上下文特征信息，所述上下文特征信息用于指示所述候选对象使用的媒体服务的信息；将所述上下文特征信息输入参考值预测模型，对所述上下文特征信息进行映射得到所述候选对象的第一预测数值转移概率和第一预测数值转移量；其中，所述参考值预测模型根据样本对象的真实上下文特征信息
、
真实数值转移概率和真实数值转移量对神经网络模型进行训练得到；根据所述第一预测数值转移概率和所述第一预测数值转移量得到所述候选对象的预估参考值；在所述候选对象的预估参考值满足预设条件时，使用所述媒体服务向所述候选对象推送信息
。2.
根据权利要求1所述的方法，其特征在于，所述参考值预测模型包括网络层
、
第一输出层和第二输出层，其中，所述将所述上下文特征信息输入参考值预测模型，对所述上下文特征信息进行映射得到所述候选对象的第一预测数值转移概率和第一预测数值转移量，包括：将所述上下文特征信息输入所述网络层进行映射，得到第一向量和第二向量；其中，所述第一向量用于表征所述候选对象的数值转移概率特征，所述第二向量用于表征所述候选对象的数值转移量特征；将所述第一向量输入所述第一输出层，得到所述第一预测数值转移概率；将所述第二向量输入所述第二输出层，得到所述第一预测数值转移量
。3.
根据权利要求2所述的方法，其特征在于，所述网络层包括非线性变换网络
、
第一非线性变换塔和第二非线性变换塔；其中，所述将所述上下文特征信息输入所述网络层进行映射，得到第一向量和第二向量，包括：将所述上下文特征信息输入所述非线性变换网络，得到非线性变换矩阵；将所述非线性变换矩阵输入所述第一非线性变换塔进行映射，得到所述第一向量；将所述非线性变换矩阵输入所述第二非线性变换塔进行映射，得到所述第二向量
。4.
根据权利要求3所述的方法，其特征在于，所述非线性变换网络包括至少一个专家网络；其中，所述将所述上下文特征信息输入所述非线性变换网络，得到非线性变换矩阵，包括：将所述上下文特征信息输入所述至少一个专家网络，得到至少一个非线性向量；根据所述至少一个非线性向量，得到所述非线性变换矩阵
。5.
根据权利要求3所述的方法，其特征在于，所述网络层还包括第一门控网络和第二门控网络；所述方法还包括：将所述上下文特征信息输入所述第一门控网络，得到第一权重向量；将所述上下文特征信息输入所述第二门控网络，得到第二权重向量；其中，所述将所述非线性变换矩阵输入所述第一非线性变换塔进行映射，得到所述第一向量，包括：
使用所述第一权重向量对所述非线性变换矩阵加权后输入所述第一非线性变换塔，得到所述第一向量；其中，所述将所述非线性变换矩阵输入所述第二非线性变换塔进行映射，得到所述第二向量，包括：使用所述第二权重向量对所述非线性变换矩阵加权后输入所述第二非线性变换塔，得到所述第二向量
。6.
根据权利要求1所述的方法，其特征在于，还包括：获取训练样本，所述训练样本包括所述样本对象的所述真实上下文特征信息
、
所述真实数值转移概率和所述真实数值转移量；将所述真实上下文特征信息输入所述参考值预测模型，对所述真实上下文特征信息进行映射得到所述样本对象的第二预测数值转移概率和第二预测数值转移量；根据所述第二预测数值转移概率和所述第二预测数值转移量得到所述样本对象的预估参考值；根据所述真实数值转移概率
、
所述第二预测数值转移概率
、
所述真实数值转移量和所述样本对象的预估参考值，确定目标损失；根据所述目标损失对所述参考值预测模型进行参数更新，得到训练后的所述参考值预测模型
。7.
根据权利要求6所述的方法，其特征在于，所述根据所述真实数值转移概率
、
所述第二预测数值转移概率
、
所述真实数值转移量和所述样本对象的预估参考值，确定目标损失，包括：根据所述真实数值转移概率和所述第二预测数值转...

【专利技术属性】
技术研发人员：林仔健，罗鑫骥，尹存祥，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：