CN111709789B - 一种用户转化率的确定方法及相关设备 - Google Patents
一种用户转化率的确定方法及相关设备 Download PDFInfo
- Publication number
- CN111709789B CN111709789B CN202010564236.3A CN202010564236A CN111709789B CN 111709789 B CN111709789 B CN 111709789B CN 202010564236 A CN202010564236 A CN 202010564236A CN 111709789 B CN111709789 B CN 111709789B
- Authority
- CN
- China
- Prior art keywords
- target
- task
- tasks
- determining
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006870 function Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 12
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 24
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用户转化率的确定方法及相关设备,在模型的训练过程中,通过机器学习的方式综合考虑了多任务中任务之间的相关性,在通过模型预测多任务模式中用户的转化率时,提高预测的准确性。该方法包括:确定目标任务的预测偏差;确定N个任务中与目标任务具有相关性的父任务对应的目标指标;根据预测偏差以及目标指标确定目标任务的权重;根据目标任务的权重以及目标任务的损失函数确定N个任务对应的损失函数;基于N个任务对应的损失函数更新预设模型的模型参数;获取目标用户在目标业务对应的M个任务中每个任务的标签;基于目标用户在目标业务对应的M个任务中每个任务的标签以及更新模型参数后的预设模型确定目标用户的转化率。
Description
技术领域
本申请涉及通信领域,尤其涉及一种用户转化率的确定方法及相关设备。
背景技术
对于多任务学习,核心难点就是如何配置各个任务自身的Loss,生成一个总体的Loss来优化整个多任务学习的模型。
常用的做法是根据业务目标重要度设置损失函数Loss,比如需要同时优化点击率和播放时长,可以根据业务对各个目标的重要度,对这两个输出的Loss配上不同的权重后相加,另一种做法是根据任务泛化性来设置权重,也即根据各个目标在未知数据集上表现的效果来配置权重,如果效果越好,权重越大。
在实际应用中,在预测用户在相关型的多任务中的转化率来说,由于目前的模型都是认为任务和任务之间是相对独立的,通过模型进行预测时,预测到的用户的转化率并不准确。
发明内容
本申请提供了一种用户转化率的确定方法及相关设备,在模型更新参数的过程中综合考虑了任务之间的相关性,在通过模型预测多任务模式中用户的转化率时,提高预测的准确性。
本申请第一方面提供了一种用户转化率的确定方法,包括:
根据第一目标标签确定目标任务的预测偏差,所述第一目标标签为第一训练样本在所述目标任务上的标签,所述目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数;
确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标;
根据所述预测偏差以及所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标确定所述目标任务的权重;
根据所述目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数;
基于所述N个任务对应的损失函数更新预设模型的模型参数;
获取目标用户在目标业务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数;
基于所述目标用户在所述目标业务对应的M个任务中每个任务的标签以及更新模型参数后的所述预设模型确定所述目标用户的转化率。
可选地,所述根据第一目标标签确定所述目标任务的预测偏差包括:
基于所述预设模型确定所述目标任务的预测得分;
根据所述预测得分以及所述第一目标标签确定所述目标任务的预测偏差。
可选地,所述方法还包括:
根据第一任务的权重确定M个训练样本对应的损失函数的平均值,所述第一任务为所述M个训练样本对应至少两个任务中的任意一个任务,M为大于或等于1的正整数;
基于所述平均值更新所述预设模型的模型参数。
可选地,所述根据目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数包括:
基于所述目标任务的权重对所述N个任务中每个任务的损失函数进行加权计算,得到所述N个任务对应的损失函数。
可选地,所述确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标包括:
获取第二训练样本在目标父任务上第二目标标签,所述目标父任务为所述N个任务中与所述目标任务具有相关性的父任务中的任意一个任务;
确定所述目标父任务对应的预测分数;
根据所述第二目标标签以及所述目标父任务对应的预测分数确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标。
本申请第二方面提供了一种用户转化率的确定装置,包括:
第一确定单元,用于根据第一目标标签确定目标任务的预测偏差,所述第一目标标签为第一训练样本在所述目标任务上的标签,所述目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数;
第二确定单元,用于确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标;
第三确定单元,用于根据所述预测偏差以及所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标确定所述目标任务的权重;
第四确定单元,用于根据所述目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数;
更新单元,用于基于所述N个任务对应的损失函数更新预设模型的模型参数;
获取单元,用于获取目标用户在目标业务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数;
第五确定单元,用于基于所述目标用户在所述目标业务对应的M个任务中每个任务的标签以及更新模型参数后的所述预设模型确定所述目标用户的转化率。
可选地,所述第一确定单元具体用于:
基于所述预设模型确定所述目标任务的预测得分;
根据所述预测得分以及所述第一目标标签确定所述目标任务的预测偏差。
可选地,所述更新单元具体用于:
根据第一任务的权重确定M个训练样本对应的损失函数的平均值,所述第一任务为所述M个训练样本对应至少两个任务中的任意一个任务,M为大于或等于1的正整数;
基于所述平均值更新预设模型的模型参数。
可选地,所述第四确定单元具体用于:
基于所述目标任务的权重对所述N个任务中每个任务的损失函数进行加权计算,得到所述N个任务对应的损失函数。
可选地,所述第二确定单元具体用于:
获取第二训练样本在目标父任务上第二目标标签,所述目标父任务为所述N个任务中与所述目标任务具有相关性的父任务中的任意一个任务;
确定所述目标父任务对应的预测分数;
根据所述第二目标标签以及所述目标父任务对应的预测分数确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标。
本申请第三方面提供了一种计算机装置,其包括至少一个连接的处理器、存储器和收发器,其中,所述存储器用于存储程序代码,所述程序代码由所述处理器加载并执行以实现上述所述的用户转化率的确定方法的步骤。
本申请第四方面提供了一种计算机可读存储介质,其包括指令,当其在计算机上运行时,使得计算机执行上述所述的用户转化率的确定方法的步骤。
综上所述,可以看出,本申请提供的实施例中,用户转化率的确定装置通过相关型的N个任务中每个任务的权重确定每个任务的损失函数,并通过每个任务的损失函数确定N个任务对应的损失函数,进而更新预设模型的模型参数,而在计算每个任务的权重时,综合考虑目标任务与该目标任务的父任务之间的相关性,这样可以使得预设模型的参数更新更加贴合相关型任务,进而在应用模型对用户转化率进行预测时,由于模型参数更新时,综合考虑了任务之间的相关性,在通过模型预测多任务模式中用户的转化率时,提高预测的准确性。
附图说明
图1为本申请实施例提供的用户转化率的确定方法的流程示意图;
图2为本申请实施例提供的不同LOSS相加方式AUC比较示意图;
图3为本申请实施例提供的用户转化率的确定装置的虚拟结构示意图;
图4为本申请实施例提供的终端设备的硬件结构示意图;
图5为本申请实施例提供的服务器的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征向量可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
本申请实施例涉及人工智能领域以及机器学习领域,下面对人工智能以及机器学习的相关内容进行说明:
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
语音技术(Speech Technology)的关键技术有自动语音识别技术(ASR)和语音合成技术(TTS)以及声纹识别技术。让计算机能听、能看、能说、能感觉,是未来人机交互的发展方向,其中语音成为未来最被看好的人机交互方式之一。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
下面从用户转化率的确定装置的角度对本申请提供的用户转化率的确定方法进行说明,该用户转化率的确定装置可以为服务器,也可以为服务器中的服务单元,具体不做限定。
请参阅图1,图1为本申请实施例提供的用户转化率的确定方法的流程示意图,包括:
101、根据第一目标标签确定目标任务的预测偏差。
本实施例中,用户转化率的确定装置可以首先获取目标任务对应的第一训练样本,之后确定该第一训练样本在目标任务上的第一目标标签,之后根据该第一目标标签确定目标任务的预测偏差,其中,目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数。
需要说明的是,对于相关型多任务学习,只有处于漏斗上部的父任务完成了,下面的子任务才有意义,所以N个任务,定义任务1完成了才可以执行任务2,任务2完成了才可以执行任务3,以此类推。Loss函数的计算方法原则是:父任务预测得准,那么讨论子任务的预测才有意义,如果父任务预测得不准,那么增大父任务Loss的权重,降低子任务Loss的权重。反之则降低父任务Loss的权重,增加子任务Loss的权重。
一个实施例中,用户转化率的确定装置根据第一目标标签确定目标任务的预测偏差包括:
基于预设模型确定目标任务的预测得分;
根据预测得分以及第一目标标签确定目标任务的预测偏差。
本实施例中,模型参数可以根据预设模型确定目标任务的预测得分,之后根据预测得分以及第一目标标签确定目标任务的预测偏差,具体的构造如下函数来计算评估任务i(也即目标任务)的预测偏差:
ri=yi(1-pi)γ+(1-yi)pi γ;
其中,γ为权重参数,一般可以取2(当然也还可以根据实际情况取其他的值,具体不做限定),yi为任务i对应的样本在任务i上的标签,pi为预设模型预测的任务i的分数,Y=(y1,y2...yn)表示训练样本在N个任务中的各个任务上的标签,P=(p1,p2...pn)标识预设模型当轮预测输出的N个任务中各个任务的分数。
可以理解的是,ri的计算可以拆解为两部分,如果是个正样本,yi=1,右边一部分(也即上述公式中的(1-yi)pi γ)为0,左边一部分ri=yi(1-pi)γ=(1-pi)γ,也即对于正样本来说,预期是pi越接近于1预测偏差越小,所以如果pi很小,说明预测得不准,此时ri的值会很大。同理可以发现如果样本为负样本,yi=0,那么ri=(1-yi)pi γ=pi γ,pi越大越不准,此时ri越大,也即预测偏差越大。
102、确定N个任务中与目标任务具有相关性的父任务对应的目标指标。
本实施例中,用户转化率的确定装置可以确定N个任务中与目标任务具有相关性的父任务对应的目标指标。
一个实施例中,用户转化率的确定装置确定N个任务中与目标任务具有相关性的父任务对应的目标指标包括:
获取第二训练样本在目标父任务上第二目标标签,目标父任务为N个任务中与目标任务具有相关性的父任务中的任意一个任务;
确定目标父任务对应的预测分数;
根据第二目标标签以及目标父任务对应的预测分数确定N个任务中与目标任务具有相关性的父任务对应的目标指标。
本实施例中,由于N个任务属于相关型的多个任务,因此除了需要考虑目标任务的目标指标之外,还需要考虑N个任务中与目标任务具有相关性的父任务对应的目标指标,也即例如N为3,规定执行完任务1之后,执行任务2,执行完任务2之后执行任务3,若该任务2为目标任务,则还需要确定出任务1对应的目标指标,具体的可以首先获取目标任务上游的所有父任务的训练样本,之后确定各个训练样本在其对应的任务上的标签(确定是正样本还是负样本,正样本则为1,负样本则为0),并确定目标任务上游的所有父任务的预测分数,之后根据目标任务上游的所有父任务的标签以及预测分数确定目标任务上游的所有父任务对应的目标指标。需要说明的是,用户转化率的确定装置使用ri来评估模型对一个训练样本预测得准不准,同理可以构造出另一个目标指标使得模型对样本预测的越不准,/>越小,具体的可以通过如下公式来计算目标任务对应的目标指标/>
其中,yi为任务i对应的第一训练样本在任务i上的标签,正样本则为1,负样本则为0,pi为任务i的预测得分。同理可以通过上述公式得到N个任务中与目标任务具有相关性的父任务对应的目标指标。
需要说明的是,通过步骤101可以确定目标任务的预测偏差,通过步骤102可以确定N个任务中与目标任务具有相关性的父任务对应的目标指标,然而这两个步骤之间并没有先后执行顺序的限制,可以先执行步骤101,也可以先执行步骤102,或者同时执行,具体不做限定。
103、根据预测偏差以及N个任务中与目标任务具有相关性的父任务对应的目标指标确定目标任务的权重。
本实施例中,用户转化率的确定装置在确定目标任务的预测偏差以及N个任务中与目标任务具有相关性的父任务对应的目标指标之后,可以根据目标任务的预测偏差以及N个任务中与目标任务具有相关性的父任务对应的目标指标确定目标任务的权重,为了把任务之间的相关性考虑进去,可以让wi与其中,ri为目标任务的预测偏差,为N个任务中与目标任务具有相关性的父任务对应的目标指标,通过如下公式计算目标任务的权重:
其中,wi为目标任务i的权重,为N个任务中与目标任务具有相关性的父任务对应的目标指标,ri为目标任务的预测偏差。可以理解的是,如果某个任务k预测得不准,那么/>会很小,那么该任务下游所有子任务的权重wi都要乘一个/>的系数,以降低任务下游所有子任务的权重。
104、根据目标任务的权重以及目标任务的损失函数确定N个任务对应的损失函数。
本实施例中,用户转化率的确定装置在得到目标任务的权重之后,可以根据目标任务的权重以及目标任务的损失函数确定该N个任务对应的损失函数,具体的,可以基于该目标任务的权重对N个任务中每个任务的损失函数进行加权计算,得到N个任务对应的损失函数。本申请中,构造一种Loss的计算方法Loss=f(Y,P),用于更新预设模型的模型参数:
其中,θ为预设模型的模型参数,η为模型学习率,假设Li=Loss(yi,pi)为每个子任务的Loss,每个子任务的权重为wi,由上述目标任务的权重、目标任务的预测偏差以及N个任务中与目标任务具有相关性的父任务对应的目标指标的计算公式最终可以得到:
105、基于N个任务对应的损失函数更新预设模型的模型参数。
本实施例中,用户转化率的确定装置在得到N个任务对应的损失函数之后,可以根据N个任务对应的损失函数更新预设模型的模型参数,其中,该预设模型与N个任务相对应。
一个实施例中,用户转化率的确定装置可以计算一批样本的损失函数的平均值来更新预设模型的模型参数:
根据第一任务的权重确M个训练样本对应的损失函数的平均值,所述第一任务对应的训练样本为M个训练样本中的任意一个,M为大于或等于1的正整数;
基于平均值更新预设模型的模型参数。
本实施例中,用户转化率的确定装置在更新预设模型参数时,可以通过一批样本构造一个mini-batch,用一批样本的平均Loss来更新预设模型的模型参数:其中/>为当前批次内,所有训练样本的损失函数Loss的平均值,定义Lossk为第k个样本的损失函数Loss,一个mini-batch里面有M个样本,/>分别是第k个样本第i个子任务的权重和Loss,那么:
由此可以得到当前批次样本的loss的平均值,之后即可以基于该loss的平均值更新预设模型的模型参数。上述已经对/>的计算进行了详细说明,具体此处不再赘述。
106、获取目标用户在目标业务对应的M个任务中每个任务的标签。
本实施例中,用户转化率的确定装置可以获取目标用户在目标任务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数,该目标任务例如可以为微信推荐的游戏,不仅需要提高用户对该游戏的点击率,预测出点击了该游戏的用户的转化率,此时该M=2,包括点击任务以及下载任务,其中点击任务对应的是用户点击了该游戏,下载任务对应的是用户下载了该推荐的游戏,两个任务是具有相关性的,可以获取目标用户在该推荐游戏对应的2个任务中每个任务的标签,例如该目标用户至点击了该游戏并未下载该游戏,则该目标用户在点击任务的标签为1,在下载任务的标签即为0。上述仅为举例说明,并不代表对其的限定。
107、基于目标用户在目标业务对应的M个任务中每个任务的标签以及更新模型参数后的预设模型确定目标用户的转化率。
本实施例中,在得到目标用户在目标业务对应的M个任务中每个任务的标签之后,可以基于目标用户在目标业务对应的M个任务中每个任务的标签以及更新模型参数后的预设模型确定目标用户的转化率,例如通过该预设模型可以预测目标用户在点击了微信推荐的游戏之后的用户的转化率,也即用户点击微信推荐的游戏之后,下载的概率是多少。
综上所述,可以看出,本申请提供的实施例中,用户转化率的确定装置通过相关型的N个任务中每个任务的权重确定每个任务的损失函数,并通过每个任务的损失函数确定N个任务对应的损失函数,进而更新预设模型的模型参数,而在计算每个任务的权重时,综合考虑目标任务与该目标任务的父任务之间的相关性,这样可以使得预设模型的参数更新更加贴合相关型任务,进而在应用模型对用户转化率进行预测时,由于模型参数更新时,综合考虑了任务之间的相关性,在通过模型预测多任务模式中用户的转化率时,提高预测的准确性。
本申请提供的用户转化率的确定方法可以适用于各种多任务学习场景,请参阅图2以微信朋友圈商户卡券广告项目的模型中,用户曝光广告后可以领取卡券,领取后可以核销,图2为本申请实施例提供的不同LOSS相加方式AUC比较示意图,其中AUV(Area UnderCurve)被定义为感受性(receiver operating characteristic,ROC)曲线下与坐标轴围成的面积,请参阅图2,201对应的LOSS权重为直接相加模式下的领取转化率,202对应的LSS权重为固定权重模式下的领取转化率,203为对应的LOSS权重为本申请中自适应的权重模式下的领取转化率,可以明显看出,203相对于202以及201效果更好,204对应的LOSS权重为直接相加模式下的领取率,205对应的LSS权重为固定权重模式下的领取率,206为对应的LOSS权重为本申请中自适应的权重模式下的领取转化率,也可以明显看出,本申请提供的权重模式下,效果会由于权重直接相加以及固定权重。并且可以在相关性多任务上取得比其他常见算法优秀的效果,使得预测得到的用户转化率更加精确。
上面从的用户转化率的确定方法的角度对本申请进行说明,下面从用户转化率的确定装置的角度对本申请进行说明。
请参阅图3,图3为本申请实施例提供的一种用户转化率的确定装置的虚拟结构示意图,包括:
第一确定单元301,用于根据第一目标标签确定目标任务的预测偏差,所述第一目标标签为第一训练样本在所述目标任务上的标签,所述目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数;
第二确定单元302,用于确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标;
第三确定单元303,用于根据所述预测偏差以及所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标确定所述目标任务的权重;
第四确定单元304,用于根据所述目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数;
更新单元305,用于基于所述N个任务对应的损失函数更新预设模型的模型参数;
获取单元306,用于获取目标用户在目标业务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数;
第五确定单元307,用于基于所述目标用户在所述目标业务对应的M个任务中每个任务的标签以及更新模型参数后的所述预设模型确定所述目标用户的转化率。
可选地,所述第一确定单元301具体用于:
基于所述预设模型确定所述目标任务的预测得分;
根据所述预测得分以及所述第一目标标签确定所述目标任务的预测偏差。
可选地,所述更新单元305还用于:
根据第一任务的权重确定M个训练样本对应的损失函数的平均值,所述第一任务为所述M个训练样本对应至少两个任务中的任意一个任务,M为大于或等于1的正整数;
基于所述平均值更新预设模型的模型参数。
可选地,所述第四确定单元304具体用于:
基于所述目标任务的权重对所述N个任务中每个任务的损失函数进行加权计算,得到所述N个任务对应的损失函数。
可选地,所述第二确定单元302具体用于:
获取第二训练样本在目标父任务上第二目标标签,所述目标父任务为所述N个任务中与所述目标任务具有相关性的父任务中的任意一个任务;
确定所述目标父任务对应的预测分数;
根据所述第二目标标签以及所述目标父任务对应的预测分数确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标。
综上所述,可以看出,本申请提供的实施例中,用户转化率的确定装置通过相关型的N个任务中每个任务的权重确定每个任务的损失函数,并通过每个任务的损失函数确定N个任务对应的损失函数,进而更新预设模型的模型参数,而在计算每个任务的权重时,综合考虑目标任务与该目标任务的父任务之间的相关性,这样可以使得预设模型的参数更新更加贴合相关型任务,进而在应用模型对用户转化率进行预测时,由于模型参数更新时,综合考虑了任务之间的相关性,在通过模型预测多任务模式中用户的转化率时,提高预测的准确性。
本申请实施例还提供了另一种用户转化率的确定装置,如图4所示,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该用户转化率的确定装置可以为包括手机、平板电脑、PDA(Personal DigitalAssistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备,以用户转化率的确定装置为手机为例:
图4示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图4,手机包括:射频(Radio Frequency,RF)电路410、存储器420、输入单元430、显示单元440、传感器450、音频电路460、无线保真(wireless fidelity,WiFi)模块470、处理器480、以及电源490等部件。本领域技术人员可以理解,图4中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图4对手机的各个构成部件进行具体的介绍:
RF电路410可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器480处理;另外,将设计上行的数据发送给基站。通常,RF电路410包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器420可用于存储软件程序以及模块,处理器480通过运行存储在存储器420的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元430可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元430可包括触控面板431以及其他输入设备432。触控面板431,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板431附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板431可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器480,并能接收处理器480发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板431。除了触控面板431,输入单元430还可以包括其他输入设备432。具体地,其他输入设备432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元440可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元440可包括显示面板441,可选的,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板441。进一步的,触控面板431可覆盖显示面板441,当触控面板431检测到在其上或附近的触摸操作后,传送给处理器480以确定触摸事件的类型,随后处理器480根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图4中,触控面板431与显示面板441是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板431与显示面板441集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器450,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板441的亮度,接近传感器可在手机移动到耳边时,关闭显示面板441和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路460、扬声器461,传声器462可提供用户与手机之间的音频接口。音频电路460可将接收到的音频数据转换后的电信号,传输到扬声器461,由扬声器461转换为声音信号输出;另一方面,传声器462将收集的声音信号转换为电信号,由音频电路460接收后转换为音频数据,再将音频数据输出处理器480处理后,经RF电路410以发送给比如另一手机,或者将音频数据输出至存储器420以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块470,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器480是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器420内的软件程序和/或模块,以及调用存储在存储器420内的数据,执行手机的各种功能和处理数据。可选的,处理器480可包括一个或多个处理单元;优选的,处理器480可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器480中。
手机还包括给各个部件供电的电源490(比如电池),优选的,电源可以通过电源管理系统与处理器480逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本申请施例中,该终端所包括的处理器480还可以执行上述由用户转化率的确定装置所执行的操作。
图5是本申请实施例提供的一种服务器结构示意图,该服务器500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)522(例如,一个或一个以上处理器)和存储器1632,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在服务器500上执行存储介质530中的一系列指令操作。
服务器500还可以包括一个或一个以上电源527,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由用户转化率的确定装置所执行的步骤可以基于该图5所示的服务器结构。
本申请实施例还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述所述用户转化率的确定方法的步骤。
本申请实施例还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述用户转化率的确定方法的步骤。
本申请实施例还提供了一种终端设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,所述程序代码由所述处理器加载并执行以实现上述所述用户转化率的确定方法的步骤。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行上述所述用户转化率的确定方法的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种用户转化率的确定方法,其特征在于,包括:
根据第一目标标签确定目标任务的预测偏差,所述第一目标标签为第一训练样本在所述目标任务上的标签,所述目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数;
确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标;
根据所述预测偏差以及所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标确定所述目标任务的权重;
根据所述目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数;
基于所述N个任务对应的损失函数更新预设模型的模型参数;
获取目标用户在目标业务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数;
基于所述目标用户在所述目标业务对应的M个任务中每个任务的标签以及更新模型参数后的所述预设模型确定所述目标用户的转化率。
2.根据权利要求1所述的方法,其特征在于,所述根据第一目标标签确定所述目标任务的预测偏差包括:
基于所述预设模型确定所述目标任务的预测得分;
根据所述预测得分以及所述第一目标标签确定所述目标任务的预测偏差。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据第一任务的权重确定至少一个训练样本对应的损失函数的平均值,所述第一任务为所述至少一个训练样本对应至少两个任务中的任意一个任务;
基于所述平均值更新所述预设模型的模型参数。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述根据目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数包括:
基于所述目标任务的权重对所述N个任务中每个任务的损失函数进行加权计算,得到所述N个任务对应的损失函数。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标包括:
获取第二训练样本在目标父任务上第二目标标签,所述目标父任务为所述N个任务中与所述目标任务具有相关性的父任务中的任意一个任务;
确定所述目标父任务对应的预测分数;
根据所述第二目标标签以及所述目标父任务对应的预测分数确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标。
6.一种用户转化率的确定装置,其特征在于,包括:
第一确定单元,用于根据第一目标标签确定目标任务的预测偏差,所述第一目标标签为第一训练样本在所述目标任务上的标签,所述目标任务为相关型的N个任务中的任意一个任务,N为大于或等于2的正整数;
第二确定单元,用于确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标;
第三确定单元,用于根据所述预测偏差以及所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标确定所述目标任务的权重;
第四确定单元,用于根据所述目标任务的权重以及所述目标任务的损失函数确定所述N个任务对应的损失函数;
更新单元,用于基于所述N个任务对应的损失函数更新预设模型的模型参数;
获取单元,用于获取目标用户在目标业务对应的M个任务中每个任务的标签,其中,M个任务为相关型的任务,且M为大于或等于2的正整数;
第五确定单元,用于基于所述目标用户在所述目标业务对应的M个任务中每个任务的标签以及更新模型参数后的所述预设模型确定所述目标用户的转化率。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元具体用于:
基于所述预设模型确定所述目标任务的预测得分;
根据所述预测得分以及所述第一目标标签确定所述目标任务的预测偏差。
8.根据权利要求6所述的装置,其特征在于,所述更新单元还用于:
根据第一任务的权重确定至少一个训练样本对应的损失函数的平均值,所述第一任务为所述至少一个训练样本对应至少两个任务中的任意一个任务;
基于所述平均值更新所述预设模型的模型参数。
9.根据权利要求6至8中任一项所述的装置,其特征在于,所述第四确定单元具体用于:
基于所述目标任务的权重对所述N个任务中每个任务的损失函数进行加权计算,得到所述N个任务对应的损失函数。
10.根据权利要求6至8中任一项所述的装置,其特征在于,所述第二确定单元,具体用于:
获取第二训练样本在目标父任务上第二目标标签,所述目标父任务为所述N个任务中与所述目标任务具有相关性的父任务中的任意一个任务;
确定所述目标父任务对应的预测分数;
根据所述第二目标标签以及所述目标父任务对应的预测分数确定所述N个任务中与所述目标任务具有相关性的父任务对应的目标指标。
11.一种终端设备,其特征在于,所述终端设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序由所述处理器加载并执行以实现上述权利要求1至5中任一项所述的用户转化率的确定方法的步骤。
12.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行上述权利要求1至5中任一项所述的用户转化率的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564236.3A CN111709789B (zh) | 2020-06-18 | 2020-06-18 | 一种用户转化率的确定方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564236.3A CN111709789B (zh) | 2020-06-18 | 2020-06-18 | 一种用户转化率的确定方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709789A CN111709789A (zh) | 2020-09-25 |
CN111709789B true CN111709789B (zh) | 2023-12-19 |
Family
ID=72542205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010564236.3A Active CN111709789B (zh) | 2020-06-18 | 2020-06-18 | 一种用户转化率的确定方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709789B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163164B (zh) * | 2020-10-16 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 一种用户标签确定方法和相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019053541A (ja) * | 2017-09-15 | 2019-04-04 | Kddi株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN110008984A (zh) * | 2019-01-22 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种基于多任务样本的目标模型训练方法和装置 |
CN110569427A (zh) * | 2019-08-07 | 2019-12-13 | 智者四海(北京)技术有限公司 | 一种多目标排序模型训练、用户行为预测方法及装置 |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
-
2020
- 2020-06-18 CN CN202010564236.3A patent/CN111709789B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019053541A (ja) * | 2017-09-15 | 2019-04-04 | Kddi株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN110008984A (zh) * | 2019-01-22 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种基于多任务样本的目标模型训练方法和装置 |
CN110569427A (zh) * | 2019-08-07 | 2019-12-13 | 智者四海(北京)技术有限公司 | 一种多目标排序模型训练、用户行为预测方法及装置 |
CN110659646A (zh) * | 2019-08-21 | 2020-01-07 | 北京三快在线科技有限公司 | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 |
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
基于机器学习混合算法的APP广告转化率预测研究;赵杨;袁析妮;陈亚文;武立强;;数据分析与知识发现(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709789A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364144B (zh) | 一种语音识别模型训练方法及装置 | |
CN108304388B (zh) | 机器翻译方法及装置 | |
CN110163367B (zh) | 一种终端部署方法和装置 | |
WO2018113409A1 (zh) | 启动资源加载方法及装置 | |
CN110634474B (zh) | 一种基于人工智能的语音识别方法和装置 | |
US20200202070A1 (en) | Method and device for generating natural language expression by using framework | |
CN110162603B (zh) | 一种智能对话方法、动态存储方法和装置 | |
CN110570840A (zh) | 一种基于人工智能的智能设备唤醒方法和装置 | |
CN113821720A (zh) | 一种行为预测方法、装置及相关产品 | |
CN112749252A (zh) | 一种基于人工智能的文本匹配方法和相关装置 | |
CN111522592A (zh) | 一种基于人工智能的智能终端唤醒方法和装置 | |
CN110399474B (zh) | 一种智能对话方法、装置、设备及存储介质 | |
CN111709789B (zh) | 一种用户转化率的确定方法及相关设备 | |
CN112862021B (zh) | 一种内容标注方法和相关装置 | |
CN110956265A (zh) | 一种模型训练方法和相关装置 | |
CN113569572B (zh) | 文本实体生成方法、模型训练方法及装置 | |
CN112859136B (zh) | 一种定位方法和相关装置 | |
CN112907255A (zh) | 一种用户分析方法和相关装置 | |
KR20200028089A (ko) | 전자 장치 및 그의 제어방법 | |
CN113822435B (zh) | 一种用户转化率的预测方法及相关设备 | |
CN110929882A (zh) | 一种基于人工智能的特征向量计算方法和相关装置 | |
CN117217327A (zh) | 一种模型训练方法和相关装置 | |
CN115392405A (zh) | 模型训练方法、相关装置及存储介质 | |
CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
CN112752155B (zh) | 一种媒体数据显示方法和相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |