CN113312555A - 转化率预测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开公开了一种转化率预测方法，涉及人工智能领域，尤其涉及智能搜索和自然语言处理技术领域。具体实现方案为：生成用户信息和产品信息之间的语义相似度特征；使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征；基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率。本公开还公开了一种转化率预测装置、电子设备和存储介质。

Description

转化率预测方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能搜索和自然语言处理技术。更具体地，本公开提供了一种转化率预测方法、一种转化率预测装置、一种电子设备、一种非瞬时性计算机可读存储介质和一种计算机程序产品。

背景技术

转化率(Post-Click Conversion Rate，CVR)可以被用来平衡用户的点击偏好与购买偏好。目前可以采用逻辑回归(Logistic Regression，LR)模型、深度交叉网络(Deep&Cross Network，DCN)模型及多任务模型(Entire Space Multi-Task Model，ESMM)来预测转化率。

发明内容

本公开提供了一种转化率预测方法、装置、设备、存储介质及计算机程序。

根据第一方面，提供了一种转化率预测方法，该方法包括：生成用户信息和产品信息之间的语义相似度特征；使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征；基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率。

根据第二方面，提供了一种转化率预测装置，该装置包括：语义特征生成模块，用于生成用户信息和产品信息之间的语义相似度特征；任务特征生成模块，用于使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征；转化率预测模块，用于基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据第四方面，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，该计算机指令用于使计算机执行根据本公开提供的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现根据本公开提供的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一个实施例的可以应用转化率预测方法和装置的示例性系统架构示意图；

图2是根据本公开的一个实施例的转化率预测方法的流程图；

图3是根据本公开的另一个实施例的转化率预测方法的流程图；

图4是根据本公开的一个实施例的转化率预测方法的原理图；

图5是根据本公开的一个实施例的转化率预测装置的框图；

图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

用户可以通过商业平台购买商品、文档等产品。在购买前，用户可以利用商业平台的信息检索功能搜索相关产品。用户通过输入关键词来表征自己的需求，接收返回的检索结果。该检索结果应该与用户的需求有较高的相关性，进而提高用户体验。商业平台的运营方则期望在保证用户体验的同时，为用户展现能带来收入的内容，提高平台收益。

检索结果的点击率(Click-Through Rate，CTR)可以反映检索结果与用户需求的相关性强弱，但是点击率高不一定会带来平台转化。转化率可以被用来平衡用户的点击偏好与购买偏好。

目前可以采用LR模型、DCN模型及ESMM来预测转化率。LR模型可以将产品的原有特性以及所在场景提取为该产品的特征，进而预测转化率。该模型简单且成熟，可解释性强。DCN模型可以将样本特征映射到高维特征空间，产生高阶交叉特征，进而预估转化率。该模型可以有效地学习特征之间的非线性特点，避免大量人工特征工程。ESMM综合考虑点击和转化的行为连续性，进而预估转化率。

但是，LR模型在大规模稀疏特征上的表达能力往往较弱。DCN模型弥补了LR模型的不足，但在训练样本构建过程中仍然存在样本选择偏差和数据稀疏的问题。这两个问题虽然可以在训练过程中对正样本进行过采样处理来缓解，但难以被根本解决。ESMM通过多任务学习的方式，隐式地学习CVR任务，有效地规避了样本选择偏差和数据稀疏的问题，但在考虑用户行为连续性问题上不够充分，未能充分利用语义信息。

图1是根据本公开一个实施例的可以应用转化率预测方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101通过网络102与服务器103进行交互，以接收或发送消息等。终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。

本公开实施例所提供的转化率预测方法一般可以由服务器103执行。相应地，本公开实施例所提供的转化率预测装置一般可以设置于服务器103中。本公开实施例所提供的转化率预测方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的转化率预测的装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中。

图2是根据本公开的一个实施例的转化率预测方法的流程图。

如图2所示，该转化率预测方法200可以包括操作S210～操作S230。

在操作S210，生成用户信息和产品信息之间的语义相似度特征。

用户信息可以是用户行为信息、用户基本信息及用户兴趣信息等。产品信息可以是实物商品的信息，也可以是虚拟产品的信息，也可以是文档的信息等。

例如，用户行为信息可以为用户曾经浏览、点击、购买或检索过的产品信息；用户基本信息可以包括用户的年龄、性别等信息；用户兴趣信息可以是用户选择的兴趣标签。例如，实物商品的信息可以是实物商品的商品名、商品类别、商品标签；虚拟产品的信息可以是虚拟产品的产品名、虚拟产品的销售方等；文档的信息可以是文档的文档名、文档涉及的学术领域、文档的评价信息等。

在操作S220，使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征。

ESMM采用的用户信息和产品信息可以与生成语义相似度特征的用户信息和产品信息相同，也可以与生成语义相似度特征的用户信息和产品信息不同。

例如，生成语义相似度特征时与生成第一任务特征、第二任务特征时，采用了同样的用户行为信息、用户基本信息及用户兴趣信息，采用了同样的文档的信息。

例如，生成语义相似度特征时，采用的用户信息是用户行为信息和用户兴趣信息，采用的产品信息是文档的文档名、文档涉及的学术领域；ESMM采用的用户信息是用户基本信息和用户兴趣信息，采用的产品信息是文档的文档名、文档的评价信息。

例如，生成语义相似度特征时，采用的是用户行为信息，该用户行为信息可以为用户曾经浏览、点击、检索过的产品信息；生成第一任务特征时，也采用了用户行为信息，但该用户行为信息为可以为用户曾经浏览、点击、购买或检索过的产品信息。

ESMM生成第一任务特征时与生成第二任务特征时，采用的用户信息或产品信息可以相同，也可以不同。

例如，ESMM生成第一任务特征时与生成第二任务特征时，采用了同样的用户行为信息、用户基本信息及用户兴趣信息，以及采用了同样的文档的信息。

例如，ESMM生成第一任务特征时，采用的用户信息是用户基本信息和用户兴趣信息，采用的产品信息是文档的文档名、文档的评价信息；生成第二任务特征时，采用的用户信息是用户行为信息和用户基本信息，采用的产品信息是文档涉及的学术领域、文档的评价信息。

在操作S230，基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率。

例如，可以将语义相似度特征分别与第一任务特征、第二任务特征结合以预测转化率，也可以将语义相似度特征与第一任务特征、第二任务特征结合预测转化率。

根据本公开的实施例，预测转化率时，结合了语义相似度，充分利用了从语义相似到点击、从点击到转化的行为连续性，提高了转化率预测的准确性。

图3是根据本公开的另一个实施例的转化率预测方法的流程图。

如图3所示，生成用户信息和产品信息之间的语义相似度特征可以包括操作S311～S312。

在操作S311，使用深度语义模型基于上述用户信息和产品信息，生成第三用户特征和第三产品特征。

深度语义模型((Deep Structured Semantic Model，DSSM)可以基于用户信息生成第三用户特征，也可以基于产品信息生成第三产品特征。

例如，DSSM可以包括两个子模型，一个用于生成第三用户特征的用户子模型，一个用于生成第三产品特征的产品子模型。用户子模型可以将用户信息进行分词处理，基于用户信息的分词生成初始用户特征，初始用户特征的维度一般比较高且比较稀疏，不便于后续计算。因此，可以将高维的初始用户特征进行降维处理，得到低维度第三用户特征，不仅便于后续计算，且低维度第三用户特征表征用户信息的准确率更高。同理，产品子模型可以将产品信息进行分词处理，基于产品信息的分词生成高维的初始产品特征，然后将高维的初始产品特征转换为低维的第三产品特征。

在操作S312，计算上述第三用户特征和第三产品特征之间的相似度，作为上述用户信息和产品信息之间的语义相似度特征。

第三用户特征与第三产品特征的相似度可以用余弦相似度(Cosine Similarity)来表示。

例如，第三用户特征是一个低维向量，第三产品特征是另一个低维向量，可以计算两个向量的余弦相似度来获取语义相似度。

使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征可以包括操作S321～S322。其中，上述多任务模型包括针对产品的转化率的第一子模型和针对产品的点击率的第二子模型。

在操作S321，使用上述第一子模型基于上述用户信息和上述产品信息，生成第一用户特征和第一产品特征，并将上述第一用户特征和第一产品特征的集合作为上述第一任务特征。

例如，第一子模型包括第一嵌入层、第一池化层、第一全连接层、第一输出层。第一嵌入层将用户信息、产品信息映射为固定长度的低维实数向量。第一池化层对由用户信息映射产生的多个低维实数向量求和，得到第一用户特征；第一池化层对由产品信息映射产生的多个低维实数向量求和，得到第一产品特征。表示第一用户特征的向量和表示第一产品特征的向量的集合作为一个第一任务特征。基于第一任务特征得到的隐层向量再接入若干个第一全连接层，经全连接处理后，最后连接到只有一个神经元的第一输出层，转换为第一子模型的输出。

在操作S322，使用上述第二子模型基于上述用户信息和上述产品信息，生成第二用户特征和第二产品特征，并将上述第二用户特征和第二产品特征的集合作为上述第二任务特征。

例如，第二子模型包括第二嵌入层、第二池化层、第二全连接层、第二输出层。第二嵌入层将用户信息、产品信息映射为固定长度的低维实数向量。第二池化层对由用户信息映射产生的多个低维实数向量求和，得到第二用户特征；对由产品信息映射产生的多个低维实数向量求和，得到第二产品特征。表示第二用户特征的向量和表示第二产品特征的向量的集合作为一个第二任务特征。基于第二任务特征得到的隐层向量再接入若干个第二全连接层，经全连接处理后，最后连接到只有一个神经元的第二输出层，转换为第二子模型的输出。

基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率可以包括操作S331～S333。

操作S331，基于上述第二任务特征和上述语义相似度特征，预测产品的点击率。

可以将第二任务特征与语义相似度拼接，得到第二拼接特征，基于第二拼接特征预测产品的点击率。

例如，将第二用户特征、第二产品特征、语义相似度拼接为一个第二拼接特征，基于该第二拼接特征预测产品的点击率。

操作S332，基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的点击转化率。

可以将第一任务特征与语义相似度拼接，得到第一拼接特征。基于第一拼接特征和第二拼接特征，预测产品的点击转化率。

例如，将第一用户特征、第一产品特征、语义相似度拼接为一个第一拼接特征，基于该第一拼接特征和第二拼接特征预测产品的点击转化率。

操作S333，基于上述产品的点击率和点击转化率预测产品的转化率。

可以根据点击率、转化率之间的关系得到点击转化率，进而根据点击转化率和点击率也就可以得到转化率。

例如，上述产品的点击转化率等于上述产品的点击率与转化率的乘积。

例如，点击率、转化率、点击转化率之间的关系可以由下式表示：

p(CTCVR)＝p(CTR)×p(CVR) (1)。

公式(1)中，p(CTCVR)为预测出的产品的点击转换率，p(CTR)为预测出的点击率，p(CVR)为预测出的转化率。

根据本公开的实施例，基于DSSM和ESMM的融合模型来预测CVR，提高了CVR的预测准确率。可以适用于商业检索场景，可以同时满足用户对检索系统的相关性要求，也可以满足商业平台自身对商业转化的需求。

图4是根据本公开的一个实施例的转化率预测方法的原理图。

如图4所示，该转化率预测方法采用了DSSM 410和ESMM 420来获取预测转化率。

DSSM 410包括两个语义子模型，一个语义子模型以用户信息401为输入，一个语义子模型以产品信息402为输入。语义子模型包括输入层、表示层和匹配层。一个语义子模型的输入层获取用户信息401，将用户信息401送入表示层中。表示层可以是BOW(Bag ofWords，词袋)，也可以是CNN(Convolutional Neural Networks，卷积神经网络)。以CNN为例，表示层将输入层输入的用户信息转换为若干个特征矩阵411，然后将这些若干个特征矩阵411转换为高维语义向量412，再将该高维语义向量412输入全连接层中，转换为针对用户信息401的第三用户特征413，该第三用户特征是一个低维语义向量。基于类似的方式，另一语义子模型可以将产品信息402转换为针对产品信息402的第三产品特征414，该第三产品特征414是一个低维语义向量。可以计算第三用户特征413和第三产品特征414的余弦相似度作为语义相似度特征415。

ESMM 420包括两个子模型，即第一子模型和第二子模型。第二子模型包括第二嵌入层、第二池化层、第二全连接层、第二输出层。第二嵌入层将用户信息405映射为固定长度的多个低维用户向量421，将产品信息406映射为固定长度的多个低维产品向量422。第二池化层对多个低维用户向量421求和，得到第二用户特征423；第二池化层对多个低维产品向量422求和，得到第二产品特征424。表示第二用户特征423的向量和表示第二产品特征424的向量的集合作为一个第二任务特征。第二用户特征423、第二产品特征424与语义相似度特征415拼接，得到第二拼接特征425。基于类似的方式，第一子模型根据用户信息403、产品信息404得到了第一拼接特征426。第二全连接层以第二拼接特征425为输入，得到了点击率427。其中，第二全连接层至少一个。基于第一拼接特征426、第二拼接特征425，得到了点击转化率428。根据点击转化率428和点击率427，并根据公式(1)得到了点击率429。

图5是根据本公开的一个实施例的转化率预测装置的框图。

如图5所示，该转化率预测装置500可以包括相似度特征生成模块510、任务特征生成模块520及转化率生成模块530。

相似度特征生成模块510，用于生成用户信息和产品信息之间的语义相似度特征。

任务特征生成模块520，用于使用多任务模型基于上述用户信息和上述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征。

转化率生成模块530，用于基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的转化率。

根据本公开的实施例，上述转化率生成模块包括：点击率预测子模块用于基于上述第二任务特征和上述语义相似度特征，预测产品的点击率；点击转化率预测子模块，用于基于上述第一任务特征、上述第二任务特征以及语义相似度特征预测产品的点击转化率；转化率预测子模块，用于基于上述产品的点击率和点击转化率预测产品的转化率。

根据本公开的实施例，上述点击转化率子模块包括：拼接单元，用于将上述第一任务特征和上述第二任务特征分别与上述语义相似度进行拼接，得到第一拼接特征和第二拼接特征；预测单元，用于基于上述第一拼接特征和第二拼接特征，预测上述产品的点击转化率。

根据本公开的实施例，点击率预测子模块用于基于上述第二拼接特征预测上述产品的点击率。

根据本公开的实施例，上述产品的点击转化率等于上述产品的点击率与转化率的乘积。

根据本公开的实施例，上述多任务模型包括针对产品的转化率的第一子模型和针对产品的点击率的第二子模型，上述任务特征生成模块包括：第一任务特征生成子模块，用于使用上述第一子模型基于上述用户信息和上述产品信息，生成第一用户特征和第一产品特征，并将上述第一用户特征和第一产品特征的集合作为上述第一任务特征；第二任务特征生成子模块，用于使用上述第二子模型基于上述用户信息和上述产品信息，生成第二用户特征和第二产品特征，并将上述第二用户特征和第二产品特征的集合作为上述第二任务特征。

根据本公开的实施例，相似度特征生成模块包括：第三任务特征生成子模块，用于使用深度语义模型基于上述用户信息和产品信息，生成第三用户特征和第三产品特征；计算子模块，用于计算上述第三用户特征和第三产品特征之间的相似度，作为上述用户信息和产品信息之间的语义相似度特征。

应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或者类似，本公开在此不再赘述

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如转化率预测方法。例如，在一些实施例中，转化率预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的转化率预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行转化率预测方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，CRT(阴极射线管)或者LCD(液晶显示器)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，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者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(LAN)、广域网(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。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种转化率预测方法，包括：

生成用户信息和产品信息之间的语义相似度特征；

使用多任务模型基于所述用户信息和所述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征；

基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的转化率。

2.根据权利要求1所述的方法，其中，所述基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的转化率包括：

基于所述第二任务特征和所述语义相似度特征，预测产品的点击率；

基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的点击转化率；

基于所述产品的点击率和点击转化率预测产品的转化率。

3.根据权利要求2所述的方法，其中，所述基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的点击转化率包括：

将所述第一任务特征和所述第二任务特征分别与所述语义相似度进行拼接，得到第一拼接特征和第二拼接特征；

基于所述第一拼接特征和第二拼接特征，预测所述产品的点击转化率。

4.根据权利要求3所述的方法，其中，所述基于所述第二任务特征和所述语义相似度特征预测产品的点击率包括：

基于所述第二拼接特征预测所述产品的点击率。

5.根据权利要求2至4中任一项所述的方法，其中，所述产品的点击转化率等于所述产品的点击率与转化率的乘积。

6.根据权利要求1所述的方法，其中，所述多任务模型包括针对产品的转化率的第一子模型和针对产品的点击率的第二子模型，所述生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征包括：

使用所述第一子模型基于所述用户信息和所述产品信息，生成第一用户特征和第一产品特征，并将所述第一用户特征和第一产品特征的集合作为所述第一任务特征；

使用所述第二子模型基于所述用户信息和所述产品信息，生成第二用户特征和第二产品特征，并将所述第二用户特征和第二产品特征的集合作为所述第二任务特征。

7.根据权利要求1所述的方法，其中，所述生成用户信息和产品信息之间的语义相似度特征包括：

使用深度语义模型基于所述用户信息和产品信息，生成第三用户特征和第三产品特征；

计算所述第三用户特征和第三产品特征之间的相似度，作为所述用户信息和产品信息之间的语义相似度特征。

8.一种转化率预测装置，包括：

相似度特征生成模块，用于生成用户信息和产品信息之间的语义相似度特征；

任务特征生成模块，用于使用多任务模型基于所述用户信息和所述产品信息，生成针对产品的转化率的第一任务特征和针对产品的点击率的第二任务特征；

转化率生成模块，用于基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的转化率。

9.根据权利要求8所述的装置，其中，所述转化率生成模块包括：

点击率预测子模块，用于基于所述第二任务特征和所述语义相似度特征，预测产品的点击率；

点击转化率预测子模块，用于基于所述第一任务特征、所述第二任务特征以及语义相似度特征预测产品的点击转化率；

转化率预测子模块，用于基于所述产品的点击率和点击转化率预测产品的转化率。

10.根据权利要求9所述的装置，其中，所述点击转化率子模块包括：

拼接单元，用于将所述第一任务特征和所述第二任务特征分别与所述语义相似度进行拼接，得到第一拼接特征和第二拼接特征；

预测单元，用于基于所述第一拼接特征和第二拼接特征，预测所述产品的点击转化率。

11.根据权利要求10所述的装置，其中，点击率预测子模块用于基于所述第二拼接特征预测所述产品的点击率。

12.根据权利要求9至11任一项所述的装置，其中，所述产品的点击转化率等于所述产品的点击率与转化率的乘积。

13.根据权利要求8所述的装置，其中，所述多任务模型包括针对产品的转化率的第一子模型和针对产品的点击率的第二子模型，所述任务特征生成模块包括：

第一任务特征生成子模块，用于使用所述第一子模型基于所述用户信息和所述产品信息，生成第一用户特征和第一产品特征，并将所述第一用户特征和第一产品特征的集合作为所述第一任务特征；

第二任务特征生成子模块，用于使用所述第二子模型基于所述用户信息和所述产品信息，生成第二用户特征和第二产品特征，并将所述第二用户特征和第二产品特征的集合作为所述第二任务特征。

14.根据权利要求8所述的装置，其中，相似度特征生成模块包括：

第三任务特征生成子模块，用于使用深度语义模型基于所述用户信息和产品信息，生成第三用户特征和第三产品特征；

计算子模块，用于计算所述第三用户特征和第三产品特征之间的相似度，作为所述用户信息和产品信息之间的语义相似度特征。

15.一种电子设备，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权利要求1至7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至7中任一项所述的方法。

Images