[發(fā)明專利]一種推薦概率預估方法、裝置、電子設備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010942205.7
• 申請日: 2020-09-09
• 公開（公告）號: CN112232546A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設計）人: 孫慧楠;王興星;王永康
• 申請（專利權(quán)）人: 北京三快在線科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/06;G06N3/08
• 代理公司: 北京潤澤恒知識產(chǎn)權(quán)代理有限公司 11319
• 代理人: 任亞娟

本申請?zhí)峁┝艘环N推薦概率預估方法、裝置、電子設備及存儲介質(zhì)。該方法包括：獲得待推薦信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征、用戶偏置特征以及環(huán)境偏置特征；將待推薦信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征輸入推薦概率預測模型，得到待推薦信息的推薦概率；其中，推薦概率預測模型是以樣本信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征、用戶偏置特征以及環(huán)境偏置特征為輸入，對預設模型進行訓練得到的，推薦概率預測模型包括多個任務網(wǎng)絡、多個門開關(guān)網(wǎng)絡、多個融合模塊以及多個任務層，任務網(wǎng)絡用于從不維度提取特征向量，門開關(guān)網(wǎng)絡用于控制各個任務網(wǎng)絡的權(quán)重。該方法可解決任務之間的沖突，提升模型效果。

技術(shù)領(lǐng)域

本申請實施例涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種推薦概率預估方法、裝置、電子設備及存儲介質(zhì)。

背景技術(shù)

在機器學習中，預估是常見的應用場景，通過模型預估出用戶對商品的感興趣程度，再針對性地向用戶推薦其感興趣的商品，不僅能提升用戶體驗，還能增加商家的收益。例如，某外賣平臺在向用戶推送商家的廣告之前，會首先預估出各個用戶對廣告的點擊率、下單率等，然后挑選出點擊率或下單率較高的用戶作為目標用戶進行廣告投放。又或者，針對某個用戶，外賣平臺會在眾多的商品中預估出其點擊率或下單率較高的商品，然后向該用戶推薦這些商品。

在預估場景中，通常會對多個參數(shù)(例如：點擊率、轉(zhuǎn)化率、點擊且轉(zhuǎn)化率、成交總額等)進行預估，即多任務預估。相關(guān)技術(shù)中常見的多任務預估方式包括：硬參數(shù)共享方式和軟參數(shù)共享方式。其中，硬參數(shù)共享方式是一種不同任務間共用底部的隱層網(wǎng)絡以共用參數(shù)的方式，而軟參數(shù)共享方式是一種多個任務間不共用參數(shù)，但不同任務的參數(shù)存在L2(Euclidean norm，歐幾里得范數(shù))范數(shù)的限制的方式。

然而，硬參數(shù)共享方式限制每個任務學習的參數(shù)必須相同，無法較好地表達出任務間的差異，同時，對于不相似的任務，由于底層表示差異很大，在進行參數(shù)共享時可能會互相沖突，導致模型預測效果不佳。而軟參數(shù)共享方式雖然不共用任務之間的參數(shù)，但是每個任務學習的參數(shù)限制在 L2范數(shù)內(nèi)，增加了網(wǎng)絡規(guī)模，增加了預估成本。

發(fā)明內(nèi)容

本申請實施例提供一種推薦概率預估方法、裝置、電子設備及存儲介質(zhì)，旨在解決多個任務共享參數(shù)時存在的任務間沖突的情況。

本申請實施例第一方面提供了一種推薦概率預估方法，所述方法包括：

獲得待推薦信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征、用戶偏置特征以及環(huán)境偏置特征；

將所述待推薦信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征輸入推薦概率預測模型，得到所述待推薦信息的多種維度的推薦概率；

其中，所述推薦概率預測模型是以樣本信息的信息內(nèi)容特征、用戶通用特征、環(huán)境通用特征、用戶偏置特征以及環(huán)境偏置特征為輸入，對預設模型進行訓練得到的，所述推薦概率預測模型包括多個任務網(wǎng)絡、多個門開關(guān)網(wǎng)絡、多個融合模塊以及多個任務層，每個任務網(wǎng)絡用于獲得所述樣本信息的一種維度的特征向量，一個門開關(guān)網(wǎng)絡用于輸出所述多個任務網(wǎng)絡各自輸出的特征向量在一種維度下的權(quán)重，一個融合模塊用于根據(jù)所述多個任務網(wǎng)絡各自輸出的特征向量在一種維度下的權(quán)重，對所述多個任務網(wǎng)絡各自輸出的特征向量進行融合，一個任務層用于根據(jù)一種維度下的融合后的特征向量得到對應的推薦概率。

可選地，所述多個任務網(wǎng)絡共用輸入所述推薦概率預測模型的各個特征，每個任務網(wǎng)絡包括偏置子網(wǎng)絡、任務子網(wǎng)絡和拼接層，所述偏置子網(wǎng)絡以所述樣本信息的用戶偏置特征和環(huán)境偏置特征為輸入，所述任務子網(wǎng)絡以所述樣本信息的用戶偏置特征以及環(huán)境偏置特征為輸入，所述拼接層用于對所述偏置子網(wǎng)絡和所述任務子網(wǎng)絡輸出的特征進行拼接，得到一個任務網(wǎng)絡輸出的特征。

可選地，所述多種維度的推薦概率包括以下任意多者的組合：點擊率、轉(zhuǎn)化率、點擊且轉(zhuǎn)化率、成交總額；和/或