[發明專利]模型訓練和轉化率確定方法、裝置、設備及存儲介質

在審

• 申請號: 202210620490.X
• 申請日: 2022-06-01
• 公開（公告）號: CN114936881A
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 張峰
• 申請（專利權）人: 北京奇藝世紀科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/04;G06K9/62
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 丁蕓;馬敬

本發明提供了一種模型訓練和轉化率確定方法、裝置、設備及存儲介質，涉及計算機技術領域。具體技術方案如下：針對至少一個對象中的每個對象，獲取針對對象的多個行為數據，多個行為數據包括針對對象進行第一行為的數據，第一行為包括點擊之后至完成轉化目標的轉化鏈路所包含的行為；基于每個對象的多個行為數據，訓練用于確定轉化率的模型，轉化率包括點擊目標對象之后針對目標對象進行第二行為的轉化率；能夠提高轉化率的準確度。

技術領域

本發明涉及計算機技術領域，特別是涉及模型訓練和轉化率確定方法、裝置、設備及存儲介質。

背景技術

深度學習模型以其強大的擬合能力和學習能力在多個領域取得了較好的效果，目前在實踐中已經被廣泛應用。深度模型的訓練需要大量的數據，但是有些領域如廣告領域，轉化的數據稀疏，使得轉化率預估面臨更大挑戰。

相關技術中為了解決轉化數據稀疏的問題，通過全樣本空間的多任務模型(Entire Space Multi-Task Model，ESMM)，使用曝光樣本輔助學習，即利用曝光樣本訓練模型，并利用該模型預估轉化率。但是，曝光樣本指的是對象自身的數據，例如廣告展現出來的數據，是在用戶點擊對象之前的數據，而轉換率預估的是用戶點擊對象后轉化的概率，例如用戶點擊廣告后注冊的概率，如此會導致利用該基于曝光樣本訓練的模型預估的轉化率的有偏差，也可以理解為利用該基于曝光樣本訓練的模型確定轉化率的準確度不高。

發明內容

本發明實施例的目的在于提供一種模型訓練和轉化率確定方法、裝置、設備及存儲介質，以提高轉化率的準確度。具體技術方案如下：

在本發明實施的第一方面，提供了一種模型訓練方法，包括：

針對至少一個對象中的每個對象，獲取針對所述對象的多個行為數據，所述多個行為數據包括針對所述對象進行第一行為的數據，所述第一行為包括點擊之后至完成轉化目標的轉化鏈路所包含的行為；

基于每個對象的多個行為數據，訓練用于確定轉化率的模型，所述轉化率包括點擊目標對象之后針對所述目標對象進行第二行為的轉化率。

可選的，所述基于每個對象的多個行為數據，訓練用于確定轉化率的模型，包括：

針對每個對象，將所述對象的多個行為數據作為樣本數據，并針對每一樣本數據，確定所述樣本數據對應的特征信息和樣本標簽；

基于所述每一樣本數據分別對應的特征信息和樣本標簽，對多任務學習模型的模型參數進行調整得到訓練好的模型。

可選的，所述針對每一樣本數據，確定所述樣本數據對應的特征信息和樣本標簽，包括：

針對每一樣本數據，確定所述樣本數據對應的統計特征、用戶畫像、上下文特征和對象特征；

分別確定所述用戶畫像、所述上下文特征和所述對象特征對應的特征向量，并基于所述統計特征確定所述樣本標簽；

所述基于所述每一樣本數據分別對應的特征信息和樣本標簽，對多任務學習模型的模型參數進行調整得到訓練好的模型，包括：

針對各個樣本數據，將所述用戶畫像、所述上下文特征和所述對象特征對應的特征向量，以及所述樣本標簽輸入所述多任務學習模型中的第一隱層；

基于所述多任務學習模型的輸出與所述樣本標簽之間的差異，調節所述模型參數，直至滿足預設結束條件，得到訓練好的模型。

可選地，所述基于所述多任務學習模型的輸出與所述樣本標簽之間的差異，調節所述模型參數，直至滿足預設結束條件，得到訓練好的模型，包括：

針對每一樣本數據，將所述樣本數據對應的多任務學習模型的輸出與樣本標簽進行比較；基于所述多任務學習模型的輸出與所述樣本標簽之間的差異，調節所述模型參數，直至多任務學習模型的輸出與樣本標簽的差異小于預設值或者迭代次數達到預設次數。