CN112232546A - 一种推荐概率预估方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种推荐概率预估方法、装置、电子设备及存储介质。该方法包括：获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；将待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到待推荐信息的推荐概率；其中，推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，任务网络用于从不维度提取特征向量，门开关网络用于控制各个任务网络的权重。该方法可解决任务之间的冲突，提升模型效果。

Description

一种推荐概率预估方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种推荐概率预估方法、装置、电子设备及存储介质。

背景技术

在机器学习中，预估是常见的应用场景，通过模型预估出用户对商品的感兴趣程度，再针对性地向用户推荐其感兴趣的商品，不仅能提升用户体验，还能增加商家的收益。例如，某外卖平台在向用户推送商家的广告之前，会首先预估出各个用户对广告的点击率、下单率等，然后挑选出点击率或下单率较高的用户作为目标用户进行广告投放。又或者，针对某个用户，外卖平台会在众多的商品中预估出其点击率或下单率较高的商品，然后向该用户推荐这些商品。

在预估场景中，通常会对多个参数(例如：点击率、转化率、点击且转化率、成交总额等)进行预估，即多任务预估。相关技术中常见的多任务预估方式包括：硬参数共享方式和软参数共享方式。其中，硬参数共享方式是一种不同任务间共用底部的隐层网络以共用参数的方式，而软参数共享方式是一种多个任务间不共用参数，但不同任务的参数存在L2(Euclidean norm，欧几里得范数)范数的限制的方式。

然而，硬参数共享方式限制每个任务学习的参数必须相同，无法较好地表达出任务间的差异，同时，对于不相似的任务，由于底层表示差异很大，在进行参数共享时可能会互相冲突，导致模型预测效果不佳。而软参数共享方式虽然不共用任务之间的参数，但是每个任务学习的参数限制在 L2范数内，增加了网络规模，增加了预估成本。

发明内容

本申请实施例提供一种推荐概率预估方法、装置、电子设备及存储介质，旨在解决多个任务共享参数时存在的任务间冲突的情况。

本申请实施例第一方面提供了一种推荐概率预估方法，所述方法包括：

获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；

将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率；

其中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

可选地，所述多个任务网络共用输入所述推荐概率预测模型的各个特征，每个任务网络包括偏置子网络、任务子网络和拼接层，所述偏置子网络以所述样本信息的用户偏置特征和环境偏置特征为输入，所述任务子网络以所述样本信息的用户偏置特征以及环境偏置特征为输入，所述拼接层用于对所述偏置子网络和所述任务子网络输出的特征进行拼接，得到一个任务网络输出的特征。

可选地，所述多种维度的推荐概率包括以下任意多者的组合：点击率、转化率、点击且转化率、成交总额；和/或

所述环境偏置特征包括以下至少一者：用户所在地理位置、用户操作发生时间、客户端类型、用户终端的类型；和/或

所述用户偏置特征包括以下至少一者：点击率、下单率、下单金额、下单量。

可选地，所述待推荐信息的数量是多个；所述方法还包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

根据所述多个待推荐信息对目标用户的多种维度的推荐概率，确定所述多个待推荐信息对目标用户的综合推荐概率；

将所述多个待推荐信息按照综合推荐概率降序发送给所述目标用户使用的用户终端。

可选地，所述待推荐信息的数量是多个；所述方法还包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

将所述多个待推荐信息按照每种维度降序分别发送给所述目标用户使用的用户终端。

本申请实施例第二方面提供一种推荐概率预估装置，所述装置包括：

获得模块，用于获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；

输入模块，用于将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率；

其中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

可选地，所述多个任务网络共用输入所述推荐概率预测模型的各个特征，每个任务网络包括偏置子网络、任务子网络和拼接层，所述偏置子网络以所述样本信息的用户偏置特征和环境偏置特征为输入，所述任务子网络以所述样本信息的用户偏置特征以及环境偏置特征为输入，所述拼接层用于对所述偏置子网络和所述任务子网络输出的特征进行拼接，得到一个任务网络输出的特征。

可选地，所述多种维度的推荐概率包括以下任意多者的组合：点击率、转化率、点击且转化率、成交总额；和/或

所述环境偏置特征包括以下至少一者：用户所在地理位置、用户操作发生时间、客户端类型、用户终端的类型；和/或

所述用户偏置特征包括以下至少一者：点击率、下单率、下单金额、下单量。

可选地，所述待推荐信息的数量是多个；所述装置还包括：

第一确定模块，用于确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

第二确定模块，用于根据所述多个待推荐信息对目标用户的多种维度的推荐概率，确定所述多个待推荐信息对目标用户的综合推荐概率；

第一发送模块，用于将所述多个待推荐信息按照综合推荐概率降序发送给所述目标用户使用的用户终端。

可选地，所述待推荐信息的数量是多个；所述装置还包括：

第三确定模块，用于确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

第二发送模块，用于将所述多个待推荐信息按照每种维度降序分别发送给所述目标用户使用的用户终端。

本申请实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面所述的推荐概率预估方法中的步骤。

本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的推荐概率预估方法中的步骤。

采用本申请实施例提供的推荐概率预估方法，首先获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；然后将待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到待推荐信息的多种维度的推荐概率，以便于根据推荐概率向用户推荐待推荐信息。其中，推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得样本信息的一种维度的特征向量，一个门开关网络用于输出多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据多个任务网络各自输出的特征向量在一种维度下的权重，对多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

本申请的推荐概率预估方法具有如下技术效果：

一、对相关技术的两种多任务预估模型的网络结构进行了改进，得到了推荐概率预测模型，该推荐概率模型中设置有多个任务网络，多个任务网络的参数不完全共享，每个任务网络用于抽取出输入信息中的部分信息，并通过门开关网络对每个任务网络的信息进行选择性利用，有效解决多个任务间的冲突问题。

二、通过门开关网络控制各个任务网络输出的特征向量的权重，可保证每一个任务层的输入特征的差异性，进而提升模型预估精准度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是相关技术中的硬参数共享方式的原理图；

图2是相关技术中的软参数共享方式的原理图；

图3是本申请一实施例示出的一种实施环境示意图；

图4是本申请一实施例示出的推荐概率预估方法的流程图；

图5是本申请一实施例示出的一种推荐概率预测模型的示意图；

图6是本申请一实施例示出的一种任务网络的结构示意图；

图7是本申请一实施例提供的推荐概率预估装置的结构框图；

图8是本申请一实施例示出的一种电子设备的示意图。

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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在对本申请的推荐概率预估方法进行详细说明之前，下面首先对相关技术中的多任务预估方法进行简单介绍。

图1是相关技术中的硬参数共享方式的原理图。图2是相关技术中的软参数共享方式的原理图。

在图1中，多个任务包括点击率、转化率以及成交总额。硬参数共享方式采用多个任务共用底部的隐层网络的方式，即点击率、转化率以及成交总额三个任务共享底部两个全连接层的参数。该种方式存在的问题是：每个任务学习到的参数是相同的，无法较好地表达出任务之间的差异，对于不相似的任务，底层表示差异较大，在进行参数共享时很可能会互相冲突或噪声太多，导致多任务学习模型效果不佳。

在图2中，采用软参数共享方式时，多个任务间不共用参数，但是对不同任务的参数增加L2范数的限制，即各个任务的参数之间有一定程度的限制，相差不是较大，各个任务并不是完全独立的，关于L2范数的介绍请见相关技术中的介绍，本申请在此不作赘述。该种方式存在的问题是：增加了网络规模，增加了多任务预估的成本。

为解决相关技术中存在的问题，本申请针对多任务预估模型提出了新的网络结构，可有效解决多个任务共用参数时存在的任务间冲突的问题。

图3是本申请一实施例示出的一种实施环境示意图。在图3中，信息推荐平台与多个用户终端(包括用户终端1-用户终端N)通信连接，向用户终端推荐信息。信息推荐平台设置有本申请新提出的新的多任务预估模型，通过该新的多任务预估模型预估出针对每一个用户终端的推荐概率，以实现针对性的信息推荐。例如，当信息推荐平台是外卖平台，待推荐信息是入驻该外卖平台的商家的广告时，针对商家A的待推荐广告B，外卖平台通过多任务预估模型获得每一个用户终端针对待推荐广告B的推荐概率，然后将待推荐广告B发送给推荐概率较高的用户终端。或者针对某一个登录该外卖平台的用户终端，外卖平台在多个广告中预估出推荐概率较高的广告，然后将推荐概率较高的广告推送给该用户终端。

本申请提出的推荐概率预估方法应用于图3中的多任务预估模型。图4 是本申请一实施例示出的推荐概率预估方法的流程图。参照图4，本申请的推荐概率预估方法可以包括如下步骤：

步骤S11：获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征。

在本实施例中，待推荐的信息是指预备向用户推荐的信息。以信息推荐平台是外卖平台为例，待推荐信息可以是商品的信息、店铺的广告、平台的活动等，本实施例对此不作具体限制。

信息内容特征是指从多个维度对待推荐信息进行特征提取所获得的特征，以待推荐信息是商品的信息为例，信息内容特征可以是商品的价格、商品的口味(酸甜苦辣)、商品的质量、所属店铺、购买方式、有无优惠等。如何从多个维度获得信息内容特征可以根据实际需求设置，本实施例对此不作具体限制。

用户通用特征和用户偏置特征均是指用户特征，两者实质内容相同。用户特征包括以下至少一者：点击率、下单率、下单金额、下单量。具体地，用户特征可以包括点击率、下单率、下单金额、下单量、用户的性别、年龄、活跃度、消费区间、消费频率、口味标签等，用户特征可以通过分析用户的历史行为数据获得，用户的历史行为数据是指用户在使用信息推荐平台(例如外卖平台等)，或者使用与信息推荐平台相关联的其它平台的过程中所产生的所有历史行为记录，用户特征的类别和获得用户特征的方式可根据实际需求设置，本实施例对此不作具体限制。

环境通用特征和环境偏置特征均是指环境特征，两者实质内容相同。环境特征包括以下至少一者：用户所在地理位置、用户操作发生时间、客户端类型、用户终端的类型。具体地，环境特征可以包括用户操作时的地理位置、用户操作的时间点、客户端类型、用户终端的类型等基础环境特征，和根据基础环境特征进一步分析得到的深度环境特征，例如深度特征可以是用户操作时的所在城市、用户操作时是否为周末、距离用户操作时间最近的节假日等。基础环境特征和深度环境特征的类别可根据实际需求设置，本实施例对此不作具体限制。

步骤S12：将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率。

在本实施例中，所述多种维度的推荐概率包括以下任意多者的组合：点击率、转化率、点击且转化率、成交总额。多任务预估模型可以是推荐概率预测模型。推荐概率预测模型用于预测待推荐信息的推荐概率。其中，推荐概率可以具有多种维度，例如点击率、转化率、点击且转化率、成交总额等分别为四个维度的推荐概率。推荐概率预测模型可以预估单个维度或者多个维度的组合。

在本实施例中，可以以一个维度或者多个维度的推荐概率为依据向用户推荐待推荐的信息。以一个维度的推荐概率为依据向用户推荐待推荐的信息为例，可以在预估出的点击率高于预设点击率阈值时向用户推荐待推荐的信息，也可以在预估出的转化率高于预设转化率阈值时向用户推荐待推荐的信息，本实施例对此不作具体限制。以多个维度的推荐概率为依据向用户推荐待推荐的信息为例，可以在预估出的点击率高于预设点击率阈值，且转化率高于预设转化率阈值时向用户推荐待推荐的信息，也可以在预估出的点击率高于预设点击率阈值，且点击且转化率高于预设点击且转化率阈值时向用户推荐待推荐的信息，本实施例对此不作具体限制。

在本实施例中，预估一个维度的推荐概率对应一个任务，预估多个维度的推荐概率对应多任务。任务的数量可以预先根据实际需求由人工设置。多个任务共享信息内容特征、用户特征以及环境特征，因此，将待推荐信息的信息内容特征、用户通用特征以及环境通用特征输入推荐概率预测模型，可以得到待推荐信息的多种维度的推荐概率，例如可以得到点击率、转化率、点击且转化率等。

在本实施例中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

图5是本申请一实施例示出的一种推荐概率预测模型的示意图。在图5 中，推荐概率预测模型中设置有3个任务网络(任务网络1-任务网络3)、 3个门开关网络(门开关网络1-门开关网络3)、3个融合模块(融合模块 1-融合模块3)以及3个任务层(任务层1-任务层3)。图5中仅示出了任务网络的数量为3，任务层的数量为3的情形，当然，任务网络的数量和任务层的数量可根据实际需求设置，本实施例对此不作具体限制。

任务网络用于将信息输入层输入的特征转化为特征向量，一个任务网络用于从一个维度提取特征向量，例如任务网络1用于提取涉及点击行为的特征向量，任务网络2用于提取涉及下单行为的特征向量，任务网络3 用于提取涉及下单行为的特征向量等。

一个门开关网络用于输出各个任务网络各自输出的特征向量在一种维度下的权重。以图5为例，门开关网络1用于控制任务网络1-任务网络3 分别向任务层1输入特征向量的权重，门开关网络2用于控制任务网络1- 任务网络3分别向任务层2输入特征向量的权重，门开关网络3用于控制任务网络1-任务网络3分别向任务层3输入特征向量的权重。

一个融合模块用于根据各个任务网络各自输出的特征向量在一种维度下的权重，对各个任务网络各自输出的特征向量进行融合。以图5为例，融合模块1用于对门开关网络1输出的值和任务网络1-任务网络3输出的值进行融合，得到任务层1的输入特征；融合模块2用于对门开关网络2 输出的值和任务网络1-任务网络3输出的值进行融合，得到任务层2的输入特征；融合模块3用于对门开关网络1输出的值和任务网络1-任务网络3 输出的值进行融合，得到任务层3的输入特征。融合模块进行融合是指将权重对应乘到各个特征向量中，获得带权重的特征向量。融合模块可以通过softmax将任务网络的输出和门开关网络的输出进行融合，当然也可以采用其它方式融合，本实施例对融合方式不作具体限制。

具体地，假设任务网络1输出的特征向量为T1，任务网络2输出的特征向量为T2，任务网络3输出的特征向量为T3，即任务网络1-任务网络3 输出的特征向量为{T1、T2、T3}。门开关网络1对任务网络1输出的权重为w1，门开关网络2对任务网络2输出的权重为w2，门开关网络3对任务网络3输出的权重为w3，即门开关网络1对任务网络1-任务网络3输出的权重为{w1、w2、w3}，同理，门开关网络2对任务网络1-任务网络3输出的权重为{w1’、w2’、w3’}，门开关网络3对任务网络1-任务网络3输出的权重为{w1”、w2”、w3”}。融合模块1对{T1、T2、T3}和{w1、w2、 w3}融合得到的带权重的特征向量为{w1T1、w2T2、w3T3}，为任务层1的输入特征；融合模块2对{T1、T2、T3}和{w1’、w2’、w3’}融合得到的带权重的特征向量为{w1’T1、w2’T2、w3’T3}为任务层2的输入特征；融合模块3对{T1、T2、T3}和{w1”、w2”、w3”}融合得到的带权重的特征向量为{w1”T1、w2”T2、w3”T3}，为任务层3的输入特征。

任务层的数量与任务的数量相同，可以根据实际需求任意设置，一个任务层对应一个融合模块和一个门开关网络，例如任务层1对应融合模块1 和门开关网络1，任务层2对应融合模块2和门开关网络2，任务层3对应融合模块3和门开关网络3。一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。例如在图5中，任务层1输出的推荐概率为点击率，任务层2输出的推荐概率为转化率，任务层3输出的推荐概率为成交总额。

在本实施例中，可以根据向用户推荐过的历史信息的推荐记录及用户反馈情况，获得样本信息的信息内容特征、用户特征及环境特征，利用这些特征对预设模型进行训练，即可获得推荐概率预测模型。例如，可以确定多个样本用户，获得向各个样本用户推荐过的历史商品的信息，以及样本用户针对历史商品做出的反馈行为，分析得到样本商品信息的信息内容特征、样本用户特征及环境特征，利用这些特征对预设模型进行训练，即可获得用于预测向用户推荐商品的概率的推荐概率预测模型。

通过本实施例的推荐概率预估方法，首先获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；然后将待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到待推荐信息的多种维度的推荐概率，以便于根据推荐概率向用户推荐待推荐信息。其中，推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得样本信息的一种维度的特征向量，一个门开关网络用于输出多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据多个任务网络各自输出的特征向量在一种维度下的权重，对多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

本申请的推荐概率预估方法具有如下技术效果：

一、对相关技术的两种多任务预估模型的网络结构进行了改进，得到了推荐概率预测模型，该推荐概率模型中设置有多个任务网络，多个任务网络的参数不完全共享，每个任务网络用于抽取出输入信息中的部分信息，并通过门开关网络对每个任务网络的信息进行选择性利用，有效解决多个任务间的冲突问题。

二、通过门开关网络控制各个任务网络输出的特征向量的权重，可保证每一个任务层的输入特征的差异性，进而提升模型预估精准度。

结合以上实施例，在一种实施方式中，所述多个任务网络共用输入所述推荐概率预测模型的各个特征，每个任务网络包括偏置子网络、任务子网络和拼接层，所述偏置子网络以所述样本信息的用户偏置特征和环境偏置特征为输入，所述任务子网络以所述样本信息的用户偏置特征以及环境偏置特征为输入，所述拼接层用于对所述偏置子网络和所述任务子网络输出的特征进行拼接，得到一个任务网络输出的特征。

图6是本申请一实施例示出的一种任务网络的结构示意图。结合图6，在本实施例中，每一个任务网络均包括偏置子网络、任务子网络以及拼接层，偏置子网络使用环境特征和用户特征作为输入，通过全连接网络FCN (full connect networks)对输入的特征进行处理，任务子网络使用环境特征、用户特征以及信息内容特征作为输入，通过全连接网络FCN对输入的特征进行处理。其中，全连接网络FCN的层数可以根据实际需求设置。拼接层用于将偏置子网络的输出和任务子网络的输出做拼接，得到任务网络的输出。

在本实施例中，每一个任务网络中，任务子网络的作用是针对输入特征，提取出一个维度的特征，而偏置子网络的作用是对任务子网络输出的特征除去偏置特征，实现纠正，以保证最终提取的特征的准确度。拼接层用于在任务子网络输出的特征中除去偏置子网络输出的偏置特征，并将最终得到的特征转化为特征向量，并输入到融合模块。

在本实施例中，在预估推荐概率时或多或少存在偏置特征的影响。例如安卓系统和苹果系统，安卓系统的下单金额普遍较高，但是当一个用户访问某外卖平台时其操作系统已经固定了，外卖平台对其推荐的商家不应当受到操作系统的影响，所以应当去除操作系统这一偏置特征，为用户推荐其感兴趣的商家。

示例地，结合图5和图6，如果任务网络1负责提取“点击行为”这一维度的特征，那么任务网络1的任务子网络负责在环境特征、用户特征以及信息内容特征中提取出点击行为特征，任务网络1的偏置子网络用于在环境特征和用户特征中提取出与点击行为无关的偏置特征(例如用户历史下单金额、成交率等对点击率没有影响的偏置信息)，拼接层用于在点击行为特征中除去与点击行为无关的偏置特征。如果任务网络2负责提取“下单行为”这一维度的特征，那么任务网络2的任务子网络负责在环境特征、用户特征以及信息内容特征中提取出下单行为特征，任务网络2的偏置子网络用于在环境特征和用户特征中提取出与下单行为无关的偏置特征(如位置特征、在前端展示的店名信息等对点击率有影响，但对下单率影响不大的偏置信息)，拼接层用于在下单行为特征中除去与下单行为无关的偏置特征。如果任务网络3负责提取“下单金额行为”这一维度的特征，那么任务网络3的任务子网络负责在环境特征、用户特征以及信息内容特征中提取出下单金额行为特征，任务网络1的偏置子网络用于在环境特征和用户特征中提取出与下单金额行为无关的偏置特征(如位置特征、在前端展示的店名信息等对点击率有影响，但对下单金额影响不大的偏置信息)，拼接层用于在点击行为特征中除去与下单金额行为无关的偏置特征。

在本实施例中，每个任务有一定的偏置信息，且每个任务的偏置信息是不同的，因而在每个任务网络中设计偏置子网络，由门开关网络为每个任务抽取不同的偏置信息，实现了不同任务自适应获取偏置信息。

当然，任务网络还可以提取其它维度的特征，具体可根据实际需求设置，本实施例对此不作具体限制。针对一个维度的特征，其偏置特征是根据业务需求预先由人工设置的，本实施例对偏置特征的设置不作具体限制。同一个特征可能在一个任务中是偏置特征，在另一个任务中不是偏置特征，那么可以通过控制门开关网络对任务网络的输出值的权重，从而控制相应任务层的输入特征，即可实现不同任务自适应获取偏置信息。

具体实施时，针对任务网络X，提取的特征的维度是Y，如果确定的偏置特征有2个(偏置特征1和偏置特征2)，那么可以设置4个任务网络 (任务网络1-任务网络4)，任务网络1用于提取维度是Y的特征且除去偏置特征1，任务网络2用于提取维度是Y的特征且除去偏置特征2，任务网络3用于提取维度是Y的特征且除去偏置特征1和偏置特征2，任务网络4 用于提取维度是Y的特征且不除偏置特征。如此，当某个业务层需要维度是Y的特征且除去偏置特征1时，该业务层对应的门开关网络可以控制任务网络1输出的特征的权重为1，任务网络2-任务网络4输出的特征的权重为0，当某个业务层需要维度是Y的特征且不除去偏置特征时，该业务层对应的门开关网络可以控制任务网络4输出的特征的权重为1，任务网络 1-任务网络3输出的特征的权重为0。当然，偏置特征的数量和任务网络的数量均可以根据实际需求设置，本实施例对此不作具体限制。

本实施例中，为解决偏置问题，针对任务网络的结构进行了改进，在任务子网络的基础上新增了偏置子网络，通过偏置子网络去除任务子网络中的偏置特征，提升了任务网络输出的特征的准确度，提升了任务层预估的推荐概率的精准度，使得信息推荐平台能更好地获得用户的感兴趣的待推荐信息并进行针对性推荐，一方面提升了信息推荐平台和信息投放方的收益，另一方面提升了用户的使用体验。

结合以上实施例，在一种实施方式中，本申请还提供了一种待推荐信息的推荐方法。在待推荐信息的数量是多个时，该推荐方法可以包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

根据所述多个待推荐信息对目标用户的多种维度的推荐概率，确定所述多个待推荐信息对目标用户的综合推荐概率；

将所述多个待推荐信息按照综合推荐概率降序发送给所述目标用户使用的用户终端。

在本实施例中，可以按照综合推荐概率的高低向用户推荐待推荐信息。具体而言，如果推荐概率预测模型输出的是多个维度的推荐概率，那么针对每一个待推荐信息，可以将其针对目标用户所预估出的多个维度的待推荐概率按照预设规则获得综合推荐概率。如此，当待推荐信息的数量是多个时，可以按照综合推荐概率高低顺序对待推荐信息进行排序，然后将按照排序结果将待推荐信息发送到目标用户使用的用户终端。

本实施例中，信息推荐平台按照综合推荐概率高低顺序对待推荐信息进行排序信息，能更好地获得用户的感兴趣的待推荐信息并进行针对性推荐，不仅提升了信息推荐平台和信息投放方的收益，还提升了用户的使用体验。

结合以上实施例，在一种实施方式中，本申请还提供了另一种待推荐信息的推荐方法。在待推荐信息的数量是多个时，该推荐方法还可以包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

将所述多个待推荐信息按照每种维度降序分别发送给所述目标用户使用的用户终端。

在本实施例中，还可以分维度向用户推荐待推荐信息。例如针对点击率这一维度，可以将针对目标用户预估出的多个待推荐信息对应的点击率进行降序排序，然后按照排序结果将待推荐信息发送给目标用户使用的用户终端。再例如针对转化率这一维度，可以将针对目标用户预估出的多个待推荐信息对应的转化率进行降序排序，然后按照排序结果将待推荐信息发送给目标用户使用的用户终端。

在实际业务场景中，有的业务以点击率为目标，有的业务以转化率为目标，有的业务以成交总额为目标，因此，通过该种分维度推荐待推荐信息的方式，能更好地满足业务需求，在提升信息推荐平台和信息投放方的收益的同时，还提升了用户的使用体验。

本申请的推荐概率预估方法具有如下多个技术效果：

一、对相关技术的两种多任务预估模型的网络结构进行了改进，得到了推荐概率预测模型，该推荐概率模型中设置有多个任务网络，且多个任务网络共享信息输入层输入的特征，增强了模型的泛化能力。

二、通过门开关网络控制各个任务网络输出的特征向量的权重，可保证每一个任务层的输入特征的差异性，进而提升模型预估精准度。

三、通过在参数共享的基础上控制任务之间的差异性，可防止不同任务之间底层表示差异过大时导致的任务间冲突或噪声过多的现象，提升模型预估效果。

四、针对任务网络的结构进行了改进，在任务子网络的基础上新增了偏置子网络，通过偏置子网络去除任务子网络中的偏置特征，提升了任务网络输出的特征的准确度，提升了任务层预估的推荐概率的精准度，使得信息推荐平台能更好地获得用户的感兴趣的待推荐信息并进行针对性推荐，一方面提升了信息推荐平台和信息投放方的收益，另一方面提升了用户的使用体验。

基于同一发明构思，本申请一实施例提供一种推荐概率预估装置700。图7是本申请一实施例提供的推荐概率预估装置的结构框图。如图7所示，该推荐概率预估装置700包括：

获得模块701，用于获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；

输入模块702，用于将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率；

其中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

可选地，所述多个任务网络共用输入所述推荐概率预测模型的各个特征，每个任务网络包括偏置子网络、任务子网络和拼接层，所述偏置子网络以所述样本信息的用户偏置特征和环境偏置特征为输入，所述任务子网络以所述样本信息的用户偏置特征以及环境偏置特征为输入，所述拼接层用于对所述偏置子网络和所述任务子网络输出的特征进行拼接，得到一个任务网络输出的特征。

可选地，所述多种维度的推荐概率包括以下任意多者的组合：点击率、转化率、点击且转化率、成交总额；和/或

所述环境偏置特征包括以下至少一者：用户所在地理位置、用户操作发生时间、客户端类型、用户终端的类型；和/或

所述用户偏置特征包括以下至少一者：点击率、下单率、下单金额、下单量。

可选地，所述待推荐信息的数量是多个；所述装置700还包括：

第一确定模块，用于确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

第二确定模块，用于根据所述多个待推荐信息对目标用户的多种维度的推荐概率，确定所述多个待推荐信息对目标用户的综合推荐概率；

第一发送模块，用于将所述多个待推荐信息按照综合推荐概率降序发送给所述目标用户使用的用户终端。

可选地，所述待推荐信息的数量是多个；所述装置700还包括：

第三确定模块，用于确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

第二发送模块，用于将所述多个待推荐信息按照每种维度降序分别发送给所述目标用户使用的用户终端。

基于同一发明构思，本申请另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。

基于同一发明构思，本申请另一实施例提供一种电子设备800，如图8 所示。图8是本申请一实施例示出的一种电子设备的示意图。该电子设备包括存储器802、处理器801及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例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，本申请实施例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。

本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种推荐概率预估方法、装置、存储介质和电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种推荐概率预估方法，其特征在于，所述方法包括：

获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；

将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率；

其中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

2.根据权利要求1所述的方法，其特征在于，所述多个任务网络共用输入所述推荐概率预测模型的各个特征，每个任务网络包括偏置子网络、任务子网络和拼接层，所述偏置子网络以所述样本信息的用户偏置特征和环境偏置特征为输入，所述任务子网络以所述样本信息的用户偏置特征以及环境偏置特征为输入，所述拼接层用于对所述偏置子网络和所述任务子网络输出的特征进行拼接，得到一个任务网络输出的特征。

3.根据权利要求1所述的方法，其特征在于，所述多种维度的推荐概率包括以下任意多者的组合：点击率、转化率、点击且转化率、成交总额；和/或

所述环境偏置特征包括以下至少一者：用户所在地理位置、用户操作发生时间、客户端类型、用户终端的类型；和/或

所述用户偏置特征包括以下至少一者：点击率、下单率、下单金额、下单量。

4.根据权利要求1-3任一所述的方法，其特征在于，所述待推荐信息的数量是多个；所述方法还包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

根据所述多个待推荐信息对目标用户的多种维度的推荐概率，确定所述多个待推荐信息对目标用户的综合推荐概率；

将所述多个待推荐信息按照综合推荐概率降序发送给所述目标用户使用的用户终端。

5.根据权利要求1-3任一所述的方法，其特征在于，所述待推荐信息的数量是多个；所述方法还包括：

确定所述多个待推荐信息对目标用户的多种维度的推荐概率；

将所述多个待推荐信息按照每种维度降序分别发送给所述目标用户使用的用户终端。

6.一种推荐概率预估装置，其特征在于，所述装置包括：

获得模块，用于获得待推荐信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征；

输入模块，用于将所述待推荐信息的信息内容特征、用户通用特征、环境通用特征输入推荐概率预测模型，得到所述待推荐信息的多种维度的推荐概率；

其中，所述推荐概率预测模型是以样本信息的信息内容特征、用户通用特征、环境通用特征、用户偏置特征以及环境偏置特征为输入，对预设模型进行训练得到的，所述推荐概率预测模型包括多个任务网络、多个门开关网络、多个融合模块以及多个任务层，每个任务网络用于获得所述样本信息的一种维度的特征向量，一个门开关网络用于输出所述多个任务网络各自输出的特征向量在一种维度下的权重，一个融合模块用于根据所述多个任务网络各自输出的特征向量在一种维度下的权重，对所述多个任务网络各自输出的特征向量进行融合，一个任务层用于根据一种维度下的融合后的特征向量得到对应的推荐概率。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一所述的推荐概率预估方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-5任一所述的推荐概率预估方法中的步骤。

Images