CN112819497A - 转化率预测方法、装置、设备和存储介质 - Google Patents

Abstract

本申请实施例公开一种转化率预测方法、装置、设备和存储介质，涉及大数据技术领域。具体实现方案为：获取待预测用户数据，以及待预测媒介信息；根据待预测媒介信息所属的投放方，在多任务模型中确定投放方关联的目标子模型；其中，多任务模型中的子模型是基于样本数据的场景信息训练得到，目标子模型是基于子模型对于投放方的预测结果确定的；基于目标子模型，根据待预测用户数据和待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。本申请实施例通过采用多任务模型来预测用户对媒介信息的转化率，避免单任务模型中无法进行多层面的特征学习，充分考虑媒介信息在各场景维度下的场景特征，提高多任务模型进行转化率预测的准确率。

Description

转化率预测方法、装置、设备和存储介质

技术领域

本申请实施例涉及计算机技术领域，尤其涉及大数据技术领域，具体涉及一种转化率预测方法、装置、设备和存储介质。

背景技术

搜索广告是目前互联网商业模式中的一种重要形式，较高的广告转化率(Conversion Rate，CVR)能够为广告主带来较高的投资回报率(Return on Investment，ROI)。因此转化率的预测尤为重要。

目前，通常基于单任务(Single Task Learning)深度学习网络的转化率预估模型，对于场景特征的表达能力有限，无法进行多层面的学习，预测准确率较低。

发明内容

本申请实施例提供了一种转化率预测方法、装置、设备和存储介质，能够提高转化率预测的准确性。

第一方面，本申请实施例提供了一种转化率预测方法，包括：

获取待预测用户数据，以及待预测媒介信息；

根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；

基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

上述申请中的一个实施例具有如下优点或有益效果：通过建立包含不同场景维度子模型的多任务模型，从中确定投放方适用的目标子模型，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

可选的，基于样本数据的场景信息训练得到多任务模型，包括：

根据所述样本数据，确定样本媒介信息的场景信息；

根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；

将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

上述申请中的一个实施例具有如下优点或有益效果：通过建立包含多个子模型的多任务模型，每个子模型基于媒介信息的场景信息而构建，从而基于媒介信息的场景信息来组织样本数据训练多任务模型，使多任务模型中的每个子模型有选择性的对不同特征进行加强学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

可选的，所述场景信息至少包括流量来源信息和投放方的历史转化率信息。

上述申请中的一个实施例具有如下优点或有益效果：在不同媒介信息具有相同展示效果的情况下，其流量来源信息有可能不同，进而导致转化率的不同；或者在不同媒介信息具有相同展示效果的情况下，其投放方的转化率本身就有可能不同。因此可以将流量来源信息和投放方的历史转化率信息作为场景信息，进行子模型的分类和样本数据的组织训练。有利于将场景特征也学习到各个子模型当中，进而提高多任务模型预测的准确率。

可选的，所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练，包括：

根据所述样本数据，训练所述多任务学习模型中的通用子模型；

根据所述样本媒介信息的流量来源信息，将所述样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；

根据所述样本媒介信息所属投放方的历史转化率信息，将所述样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。

上述申请中的一个实施例具有如下优点或有益效果：多任务学习模型中可以包括通用子模型、来源子模型以及区间子模型。通用子模型用于训练全部样本数据，以学习所有样本数据特征。来源子模型基于流量来源进行划分，用于对流量来源相匹配的样本数据进行训练。区间子模型基于媒介信息所属投放方长期相对稳定的历史转化率信息进行划分，用于对历史转化率相匹配的投放方的样本数据进行训练。进而来源子模型和区间子模型分别学习到了媒介信息的场景特征，实现了多层面的学习。

可选的，在所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，还包括：

基于所述多任务模型，对所述样本数据进行预测；

根据所述样本数据的预测结果，反向更新所述样本数据的特征表示，以使所述多任务模型中的任一子模型共享更新后的样本数据。

上述申请中的一个实施例具有如下优点或有益效果：由于场景信息的匹配，多任务模型中并非所有子模型都能够学习样本数据，而在样本数据的训练过程中，至少存在通过子模型和基于场景的子模型中的一个对同一样本数据进行训练，相应的，用于训练的任一子模型都可以对样本数据进行反向传播，从而更新样本数据的特征表示，以实现优化后的特征表示能够被其他用于训练的子模型所分享到。

可选的，基于所述子模型对于投放方的预测结果，确定所述投放方关联的目标子模型，包括：

根据所述多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果；

根据所述多任务模型中基于场景的子模型，对所述投放方的样本数据进行预测，得到第二转化率预测结果；

根据所述第一转化率预测结果和所述第二转化率预测结果，确定所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标；

根据所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标，确定所述投放方关联的目标子模型。

上述申请中的一个实施例具有如下优点或有益效果：在多任务模型的线下训练过程中，可以采用训练好的多任务模型对样本数据进行预测，将样本数据输入至场景信息相匹配的子模型中进行预测，进而针对于多任务模型中的每一类子模型，至少都能够得到基于通用子模型的转化率预测结果，以及基于场景子模型的转化率预测结果。从而针对于每一类子模型中相匹配的子模型，根据其对样本数据的预测结果，评估该类样本数据的媒介信息所属投放方的模型收敛指标，根据评估结果选择预测效果最优的一个子模型作为该投放方后期预测时使用的目标子模型。

第二方面，本申请实施例提供了一种转化率预测装置，包括：

数据获取模块，用于获取待预测用户数据，以及待预测媒介信息；

模型确定模块，用于根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；

转化率预测模块，用于基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

第三方面，本申请实施例提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的转化率预测方法。

第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的转化率预测方法。

上述申请中的一个实施例具有如下优点或有益效果：根据获取的待预测媒介信息所属投放方，从多任务模型中的子模型中选择投放方关联的目标子模型，从而基于目标子模型，根据待预测用户数据和待预测媒介信息来预测用户对媒介信息的转化率。本申请实施例通过建立包含不同场景维度子模型的多任务模型，将样本数据划分至不同的子模型训练任务中，相应的不同的子模型可以有选择性的对不同特征进行加强学习，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的一种转化率预测方法的流程图；

图2是根据本申请第二实施例的多任务模型训练的流程图；

图3是根据本申请第二实施例的多任务模型架构示例图；

图4是根据本申请第三实施例的一种转化率预测装置的结构示意图；

图5是用来实现本申请实施例的转化率预测方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

第一实施例

图1是根据本申请第一实施例的一种转化率预测方法的流程图，本实施例可适用于对待预测用户在待预测媒介信息上发生转化的概率进行预测的情况，该方法可由一种转化率预测装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如手机、电脑或服务器等。如图1所示，该方法具体包括如下：

S110、获取待预测用户数据，以及待预测媒介信息。

在本申请具体实施例中，待预测用户是指所要预测的具体用户，可以是任意的网民。待预测用户数据可以包括用户基本信息、用户喜好信息以及历史行为信息等。本实施例不对待预测用户数据进行限定，任何能够辅助预测用户转化率的信息都可以应用于本实施例中。

本实施例中，待预测媒介信息是指所要预测的用户在其上所要发生转化概率的预测对象，例如广告等。待预测媒介信息可以包括标题信息、描述信息、流量来源信息、所属投放方信息以及数据回传方式等信息。其中，针对于广告这一类媒介信息，流量来源信息可以包括搜索引擎访问、外部导流以及不同产品线流量。搜索引擎访问可以是指以搜索方式直接得到并访问广告信息，外部导流可以是指通过其他页面中的链接间接得到并访问广告信息，不同产品线流量可以是指承载在不同检索产品上的广告，例如贴吧所展示的广告等。

本实施例中，不对待预测用户数据和待预测媒介信息的获取方式和获取时机进行限定，任何可以获取待预测用户数据和待预测媒介信息的方式都可以应用于本实施例中。例如，可以预先指定一待预测媒介信息，还可以随机获取一待预测用户的用户数据，用于预测该随机用户在待预测媒介信息上发生转化的概率。或者再例如，还可以针对待预测媒介信息的受众范围，根据用户数据选择落入受众范围的用户作为待预测用户。

S120、根据待预测媒介信息所属的投放方，在多任务模型中确定投放方关联的目标子模型；其中，多任务模型中的子模型是基于样本数据的场景信息训练得到，目标子模型是基于子模型对于投放方的预测结果确定的。

在本申请具体实施例中，待预测媒介信息所属的投放方是指在互联网中投放该待预测媒介信息的客户方，例如，针对于广告这一类媒介信息，其投放方为广告主。

本实施例中，多任务模型用于转化率的预测，多任务模型中包括至少两个子模型，每个子模型都是转化率预测模型。例如以特征数据为输入，以转化率为输出，以交叉熵损失函数作为训练目标，采用Adam优化算法训练整个神经网络，得到转化率预测模型。本实施例不对转化率预测模型的训练算法进行限定，任何能够实现转化率预测的算法都可以应用于本实施例中。

其中，本实施例根据媒介信息的场景信息来构建不同场景下的子模型。例如，场景信息至少可以包括流量来源信息和投放方的历史转化率信息，相应的，多任务模型中可以包括通用子模型、至少两个来源子模型以及至少两个区间子模型。具体的，在多任务模型的线下训练过程中，采集大量的样本数据，样本数据由多条样本信息构成，以某一用户发起的某一次检索得到的对应多个广告等样本媒介信息，每个样本媒介信息的标题等数据以及该用户的用户数据，共同作为一条样本信息。根据样本数据，确定样本媒介信息的场景信息；根据多任务模型中子模型所属的场景，确定与样本媒介信息的场景信息相匹配的子模型；将样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

示例性的，假设多任务模型中包括通用子模型、来源子模型和区间子模型三类，其中，通用子模型为一个，来源子模型和区间子模型是基于场景信息划分的，假设包括来源A子模型、来源B子模型、第一转化率区间子模型、第二转化率区间子模型和第三转化率区间子模型。则将全部样本数据都输入至通用子模型中进行训练。同时根据每一个媒介信息的流量来源信息，将样本媒介信息所属的那条样本信息输入至流量来源信息相匹配的来源子模型中进行训练，例如，若某一媒介信息的流量来源为A，则将该媒介信息所属的那条样本信息输入至来源A子模型进行训练。同时根据每一个媒介信息所属投放方的历史转化率信息，将样本媒介信息所属的那条样本信息输入至转化率区间相匹配的区间子模型中进行训练，例如，若某一媒介信息所属投放方的历史转化率信息落在第二区间内，则将该媒介信息所属的那条样本信息输入至第二区间子模型进行训练。也就是说，同一媒介信息所属的那条样本信息会分别输入至三类子模型中，每类子模型中的一个子模型参与训练。

其中，在多任务模型的线下训练过程中，还可以基于多任务模型，不断地对样本数据进行预测，根据样本数据的预测结果，反向更新样本数据的特征表示，以使多任务模型中的任一子模型共享更新后的样本数据。由于场景信息的匹配，多任务模型中并非所有子模型都能够学习样本数据，而在样本数据的训练过程中，至少存在通过子模型和基于场景的子模型中的一个对同一样本数据进行训练，相应的，用于训练的任一子模型都可以对样本数据进行反向传播，从而更新样本数据的特征表示，以实现优化后的特征表示能够被其他用于训练的子模型所分享到。

本实施例中，目标子模型是指在多任务模型的所有子模型中，所选择的对于投放方的预测效果最优的子模型。投放方关联的目标子模型是在多任务模型的线下训练过程中，基于子模型对于投放方的预测结果确定的。

具体的，根据多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果；根据多任务模型中基于场景的子模型，对投放方的样本数据进行预测，得到第二转化率预测结果。根据第一转化率预测结果和第二转化率预测结果，确定投放方在通用子模型和基于场景的子模型中的模型收敛指标；根据投放方在通用子模型和基于场景的子模型中的模型收敛指标，确定投放方关联的目标子模型。

示例性的，在上述示例中，对于样本数据，根据样本媒介信息所属的投放方进行分类，得到每个投放方下的所有样本信息。基于通用子模型对投放方下的所有样本媒介信息所属的样本信息进行预测，得到第一转化率预测结果。同时根据投放方下每一条样本媒介信息的流量来源信息，基于流量来源相匹配的来源子模型进行预测，得到第一个第二转化率预测结果。同时根据投放方下每一条样本媒介信息所属投放方的历史转化率信息，基于转化率区间相匹配的区间子模型进行预测，得到第二个第二转化率预测结果。从而在这三类预测结果批量数据的基础上，评估投放方在这三个子模型中的模型收敛指标，并将模型收敛指标最优的子模型作为该投放方关联的目标子模型。

本实施例中，在确定待预测媒介信息所属投放方之后，根据模型训练过程中构建的投放方与目标子模型之间的关联关系，确定用于对待预测媒介信息进行预测的目标子模型，以便在线上预测过程中，直接使用目标子模型进行预测。

S130、基于目标子模型，根据待预测用户数据和待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

在本申请具体实施例中，将待预测用户数据和待预测媒介信息的相关数据，输入至多任务模型中，相应的，多任务模型根据待预测媒介信息所属的投放方确定目标子模型，并将待预测用户数据和待预测媒介信息的相关数据输入至目标子模型中，以得到待预测用户在待预测媒介信息上发生转化的概率预测结果，即待预测用户对待预测媒介信息的转化率。

本实施例的技术方案，根据获取的待预测媒介信息所属投放方，从多任务模型中的子模型中选择投放方关联的目标子模型，从而基于目标子模型，根据待预测用户数据和待预测媒介信息来预测用户对媒介信息的转化率。本申请实施例通过建立包含不同场景维度子模型的多任务模型，将样本数据划分至不同的子模型训练任务中，相应的不同的子模型可以有选择性的对不同特征进行加强学习，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

第二实施例

图2是根据本申请第二实施例的多任务模型训练的流程图，本实施例在上述第一实施例的基础上，进一步对基于样本数据的场景信息训练得到多任务模型，以及基于子模型对于投放方的预测结果，确定投放方关联的目标子模型进行解释说明，能够基于媒介信息的场景信息来组织样本数据训练多任务模型，以及根据各个相匹配的子模型对于样本数据的预测结果选择投放方关联的目标子模型。如图2所示，该方法具体包括如下：

S210、根据样本数据，确定样本媒介信息的场景信息。

在本申请具体实施例中，在多任务模型的线下训练过程中采集大量的样本数据用于模型训练。样本数据中包括多条样本信息，每条样本信息包括一个用户的用户数据以及一个样本媒介信息的相关数据。例如，可以基于用户日志或广告的数据库等方式，采集大量的样本数据，以某一用户发起的某一次检索得到的对应多个广告，每个广告的标题等数据以及该用户的用户数据，共同作为一条样本信息。

本实施例中，针对于样本数据中的每条样本信息，提取样本信息中的样本媒介信息的相关数据，确定样本媒介信息的场景信息。即每一条样本信息都具有对应的场景信息。

可选的，场景信息至少包括流量来源信息和投放方的历史转化率信息。其中，流量来源信息可以包括搜索引擎访问、外部导流以及不同产品线流量。搜索引擎访问可以是指以搜索方式直接得到并访问广告信息，外部导流可以是指通过其他页面中的链接间接得到并访问广告信息，不同产品线流量可以是指承载在不同检索产品上的广告，例如贴吧所展示的广告等。投放方的历史转化率信息是指广告主等投放方，长期统计得到的较为稳定的转化率值，可以作为投放方的属性信息，直接提取使用即可。

S220、根据多任务模型中子模型所属的场景，确定与样本媒介信息的场景信息相匹配的子模型。

在本申请具体实施例中，本实施例根据媒介信息的场景信息来构建不同场景下的子模型，与场景信息相对应，多任务模型中可以包括通用子模型、来源子模型以及区间子模型，来源子模型和区间子模型可以分别包含多个子模型。

示例性的，图3为多任务模型架构示例图。如图3所示，将流量来源分为流量来源A和流量来源B，转化率区间划分为第一转化率区间、第二转化率区间和第三转化率区间，进而多任务模型中包括一个通用子模型、两个来源子模型和三个区间子模型。每个子模型基于各自相匹配的样本数据来训练各自的网络层参数，且每个子模型之间可以共享底层的样本数据特征表示。

本实施例子中，对于每一条样本信息，将样本媒介信息的场景信息，与多任务模型中各个子模型所属的场景进行匹配，确定该条样本信息所要输入的子模型。示例性的，在上述示例中，通用子模型为所有样本信息相匹配的子模型之一；同时根据样本媒介信息的流量来源信息，从来源子模型中选择流量来源相匹配的子模型；同时根据样本媒介信息所属投放方的历史转化率，从区间子模型中选择转化率相匹配的子模型。即共三个子模型可以利用该条样本信息进行训练。

S230、将样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

在本申请具体实施例中，在每一条样本信息与多任务模型之间，通过场景信息的匹配，锁定了每条样本信息所要训练的子模型，从而将样本信息输入至场景相匹配的子模型中进行训练。

示例性的，根据样本数据，训练多任务学习模型中的通用子模型；根据样本媒介信息的流量来源信息，将样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；根据样本媒介信息所属投放方的历史转化率信息，将样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。

本实施例中，各个子模型根据与自身场景相匹配的样本信息进行模型的训练，形成自身的网络层参数。因此，即使是相近的样本信息，其特征相相似，但由于其输入至不同场景下的子模型，所以能够在保留单任务模型学习样本信息本身特征的情况下，还能够对不同的场景信息进行学习，增加了模型的学习层次，提高了模型的针对性以及预测准确率。

可选的，在将样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，还包括：基于多任务模型，对样本数据进行预测；根据样本数据的预测结果，反向更新样本数据的特征表示，以使多任务模型中的任一子模型共享更新后的样本数据。

本实施例中，在模型的线下训练过程中，可以基于反向传播算法(Backpropagation algorithm，BP算法)，利用训练好的子模型对样本数据进行预测，并根据预测结果反向更新样本数据的特征表示，例如修改特征表示的权重等参数，以此循环训练最优的模型。同时任一子模型对于样本数据特征表示的更新，都能够在多任务模型输入的底层中，被其他所需的子模型所共享，有利于其他子模型的优化更新。其中，当存在多个子模型对同一样本数据进行不同的优化更新时，可以分别对不同的更新方式进行指标评估，以从中选择一个最优的更新方式进行特征表示更新。

S240、根据多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果。

在本申请具体实施例中，对于样本数据，可以根据样本媒介信息所属的投放方进行分类，得到每个投放方下的所有样本信息。基于多任务模型的通用子模型，根据投放方下的每条样本信息进行预测，得到第一转化率预测结果。

S250、根据多任务模型中基于场景的子模型，对投放方的样本数据进行预测，得到第二转化率预测结果。

在本申请具体实施例中，基于多任务模型中基于场景的子模型，根据投放方下的每条样本信息进行预测，得到第二转化率预测结果。其中，若场景维度包括至少两个，则第二转化率预测结果中可以包括每个场景维度的子模型对应的预测结果。具体的，根据投放方下每一条样本媒介信息的场景信息，基于场景信息相匹配的子模型，根据投放方下的每条样本信息进行预测，得到第N个第二转化率预测结果。

示例性的，在图3的示例中，基于通用子模型，对投放方下的每条样本信息进行预测，得到第一转化率预测结果。基于来源子模型A或来源子模型B，对投放方下的每条样本信息进行预测，得到第一个第二转化率预测结果。基于第一区间子模型、第二区间子模型或第三区间子模型，对投放方下的每条样本信息进行预测，得到第二个第二转化率预测结果。其中，所采用的来源子模型和区间子模型，都是用于训练待预测样本信息的子模型。

S260、根据第一转化率预测结果和第二转化率预测结果，确定投放方在通用子模型和基于场景的子模型中的模型收敛指标。

在本申请具体实施例中，在同一投放方的大量预测结果的基础上，采用能够反映模型训练效果的模型收敛指标对各个子模型的转化率预测结果进行评估，以次确定该投放方最优的子模型。其中，模型收敛指标可以为ROC(Receiver Operating Characteristic，接收者操作特征)曲线下面积(Area Under Curve，AUC)、MAE(Mean Absolute Error，平均绝对误差)、MSE(Mean Square Error，均方误差)或COPC(Click Over Predicted Click，点击预测点击)等。以AUC为例，AUC是用来衡量广告排序好坏的指标，通常介于x＝y直线的上方，介于0.5到1之间，AUC的数值越接近1越好。本实施例不对模型收敛指标及其评估方式进行限定，任何模型收敛指标及其任何评估方式都可以应用于本实施例中。

本实施例中，根据第一转化率预测结果，以及至少一类第二转化率预测结果，对每类转化率预测结果进行模型收敛指标的评估。示例性的，在上述示例中，假设对于同一广告主的所有样本信息，都分别输入至六个子模型中进行训练，针对于每个子模型的预测结果，评估该广告主在每个子模型的模型收敛指标，从而得到六个模型收敛指标。

S270、根据投放方在通用子模型和基于场景的子模型中的模型收敛指标，确定投放方关联的目标子模型。

在本申请具体实施例中，根据模型收敛指标的评估特性，选择预测效果最优的子模型，作为投放方关联的目标子模型。例如，若以AUC为模型收敛指标，则从多个预测结果的AUC中，选择AUC最大的预测结果对应的子模型，确定为投放方关联的目标子模型。

本实施例中，多任务模型的训练可以是实时进行并更新的，相应的在线上预测时，将待预测用户数据和待预测媒介信息输入至多任务模型中，根据待预测媒介信息所属投放方，确定目标子模型，并基于目标子模型，根据待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的线上预测转化率。

本实施例的技术方案，通过建立包含多个子模型的多任务模型，每个子模型基于媒介信息的场景信息而构建，从而基于媒介信息的场景信息来组织样本数据训练多任务模型，使多任务模型中的每个子模型有选择性的对不同特征进行加强学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

第三实施例

图4是根据本申请第三实施例的一种转化率预测装置的结构示意图，本实施例可适用于对待预测用户在待预测媒介信息上发生转化的概率进行预测的情况，该装置可实现本申请任意实施例所述的转化率预测方法。

该装置400具体包括如下：

数据获取模块410，用于获取待预测用户数据，以及待预测媒介信息；

模型确定模块420，用于根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；

转化率预测模块430，用于基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

进一步的，所述装置还包括多任务模型训练模块440，具体用于：

根据所述样本数据，确定样本媒介信息的场景信息；

根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；

将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

可选的，所述场景信息至少包括流量来源信息和投放方的历史转化率信息。

可选的，所述多任务模型训练模块440具体用于：

根据所述样本数据，训练所述多任务学习模型中的通用子模型；

根据所述样本媒介信息的流量来源信息，将所述样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；

根据所述样本媒介信息所属投放方的历史转化率信息，将所述样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。

可选的，所述多任务模型训练模块440具体用于：

在所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，基于所述多任务模型，对所述样本数据进行预测；

根据所述样本数据的预测结果，反向更新所述样本数据的特征表示，以使所述多任务模型中的任一子模型共享更新后的样本数据。

进一步的，所述装置还包括目标子模型确定模块450，具体用于：

根据所述多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果；

根据所述多任务模型中基于场景的子模型，对所述投放方的样本数据进行预测，得到第二转化率预测结果；

根据所述第一转化率预测结果和所述第二转化率预测结果，确定所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标；

根据所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标，确定所述投放方关联的目标子模型。

本实施例的技术方案，通过各个功能模块之间的相互配合，实现了多任务模型的构建、场景信息的划分、子模型的训练、目标子模型的确定以及转化率的预测等功能。本申请实施例通过建立包含不同场景维度子模型的多任务模型，将样本数据划分至不同的子模型训练任务中，相应的不同的子模型可以有选择性的对不同特征进行加强学习，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

第四实施例

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的转化率预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置，诸如，耦合至接口的显示设备，其上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作，例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的转化率预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的转化率预测方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的转化率预测方法对应的程序指令/模块，例如，附图4所示的数据获取模块410、模型确定模块420、转化率预测模块430、多任务模型训练模块440和目标子模型确定模块450。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的转化率预测方法。

存储器502可以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、至少一个功能所需要的应用程序；存储数据区可存储根据转化率预测方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至转化率预测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

转化率预测方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与转化率预测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(LightEmitting Diode，LED)；触觉反馈装置例如，振动电机等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、LED显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuit，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序，也称作程序、软件、软件应用、或者代码，包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置，例如，磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置，例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD监视器；以及键盘和指向装置，例如，鼠标或者轨迹球，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈、或者触觉反馈；并且可以用任何形式，包括声输入、语音输入或者、触觉输入，来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统，例如，数据服务器，或者实施在包括中间件部件的计算系统，例如，应用服务器、或者实施在包括前端部件的计算系统，例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互，或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信，例如，通信网络，来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过建立包含不同场景维度子模型的多任务模型，从中确定投放方适用的目标子模型，从而采用多任务模型来预测用户对媒介信息的转化率，避免了单任务模型中无法进行多层面的特征学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

另外，通过建立包含多个子模型的多任务模型，每个子模型基于媒介信息的场景信息而构建，从而基于媒介信息的场景信息来组织样本数据训练多任务模型，使多任务模型中的每个子模型有选择性的对不同特征进行加强学习，充分考虑了媒介信息在各场景维度下的场景特征，提高了多任务模型进行转化率预测的准确率。

另外，在不同媒介信息具有相同展示效果的情况下，其流量来源信息有可能不同，进而导致转化率的不同；或者在不同媒介信息具有相同展示效果的情况下，其投放方的转化率本身就有可能不同。因此可以将流量来源信息和投放方的历史转化率信息作为场景信息，进行子模型的分类和样本数据的组织训练。有利于将场景特征也学习到各个子模型当中，进而提高多任务模型预测的准确率。

另外，多任务学习模型中可以包括通用子模型、来源子模型以及区间子模型。通用子模型用于训练全部样本数据，以学习所有样本数据特征。来源子模型基于流量来源进行划分，用于对流量来源相匹配的样本数据进行训练。区间子模型基于媒介信息所属投放方长期相对稳定的历史转化率信息进行划分，用于对历史转化率相匹配的投放方的样本数据进行训练。进而来源子模型和区间子模型分别学习到了媒介信息的场景特征，实现了多层面的学习。

另外，由于场景信息的匹配，多任务模型中并非所有子模型都能够学习样本数据，而在样本数据的训练过程中，至少存在通过子模型和基于场景的子模型中的一个对同一样本数据进行训练，相应的，用于训练的任一子模型都可以对样本数据进行反向传播，从而更新样本数据的特征表示，以实现优化后的特征表示能够被其他用于训练的子模型所分享到。

另外，在多任务模型的线下训练过程中，可以采用训练好的多任务模型对样本数据进行预测，将样本数据输入至场景信息相匹配的子模型中进行预测，进而针对于多任务模型中的每一类子模型，至少都能够得到基于通用子模型的转化率预测结果，以及基于场景子模型的转化率预测结果。从而针对于每一类子模型中相匹配的子模型，根据其对样本数据的预测结果，评估该类样本数据的媒介信息所属投放方的模型收敛指标，根据评估结果选择预测效果最优的一个子模型作为该投放方后期预测时使用的目标子模型。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种转化率预测方法，其特征在于，包括：

获取待预测用户数据，以及待预测媒介信息；

根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；

基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

2.根据权利要求1所述的方法，其特征在于，基于样本数据的场景信息训练得到多任务模型，包括：

根据所述样本数据，确定样本媒介信息的场景信息；

根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；

将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

3.根据权利要求1所述的方法，其特征在于，所述场景信息至少包括流量来源信息和投放方的历史转化率信息。

4.根据权利要求2或3所述的方法，其特征在于，所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练，包括：

根据所述样本数据，训练所述多任务学习模型中的通用子模型；

根据所述样本媒介信息的流量来源信息，将所述样本媒介信息所属的样本信息输入至流量来源信息相匹配的来源子模型中进行训练；

根据所述样本媒介信息所属投放方的历史转化率信息，将所述样本媒介信息所属的样本信息输入至转化率区间相匹配的区间子模型中进行训练。

5.根据权利要求2所述的方法，其特征在于，在所述将所述样本媒介信息的样本数据输入至场景相匹配的子模型中进行训练之后，还包括：

基于所述多任务模型，对所述样本数据进行预测；

根据所述样本数据的预测结果，反向更新所述样本数据的特征表示，以使所述多任务模型中的任一子模型共享更新后的样本数据。

6.根据权利要求1所述的方法，其特征在于，基于所述子模型对于投放方的预测结果，确定所述投放方关联的目标子模型，包括：

根据所述多任务模型的通用子模型，对投放方的样本数据进行预测，得到第一转化率预测结果；

根据所述多任务模型中基于场景的子模型，对所述投放方的样本数据进行预测，得到第二转化率预测结果；

根据所述第一转化率预测结果和所述第二转化率预测结果，确定所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标；

根据所述投放方在所述通用子模型和所述基于场景的子模型中的模型收敛指标，确定所述投放方关联的目标子模型。

7.一种转化率预测装置，其特征在于，包括：

数据获取模块，用于获取待预测用户数据，以及待预测媒介信息；

模型确定模块，用于根据待预测媒介信息所属的投放方，在多任务模型中确定所述投放方关联的目标子模型；其中，所述多任务模型中的子模型是基于样本数据的场景信息训练得到，所述目标子模型是基于所述子模型对于投放方的预测结果确定的；

转化率预测模块，用于基于所述目标子模型，根据所述待预测用户数据和所述待预测媒介信息，得到待预测用户对待预测媒介信息的转化率。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括多任务模型训练模块，具体用于：

根据所述样本数据，确定样本媒介信息的场景信息；

根据所述多任务模型中子模型所属的场景，确定与所述样本媒介信息的场景信息相匹配的子模型；

将所述样本媒介信息所属的样本信息输入至场景相匹配的子模型中进行训练。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的转化率预测方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的转化率预测方法。

Images