CN113420227B - 点击率预估模型的训练方法、预估点击率的方法、装置 - Google Patents
点击率预估模型的训练方法、预估点击率的方法、装置 Download PDFInfo
- Publication number
- CN113420227B CN113420227B CN202110822889.1A CN202110822889A CN113420227B CN 113420227 B CN113420227 B CN 113420227B CN 202110822889 A CN202110822889 A CN 202110822889A CN 113420227 B CN113420227 B CN 113420227B
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- content
- network
- output
- 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
- 238000012549 training Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 123
- 230000006870 function Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000003362 replicative effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种点击率预估模型的训练方法、预估目标内容的点击率的方法、装置、电子设备和计算机可读存储介质，涉及人工智能技术领域，尤其涉及推荐系统。点击率预估模型包括第一神经网络和第二神经网络，点击率预估模型的训练方法包括：获取训练样本集合，其中，训练样本集合中的训练样本来自m个内容产品线，每个训练样本包括样本用户特征和样本内容特征；通过将训练样本集合中的训练样本依次输入第一神经网络，训练第一神经网络，其中，第一神经网络包括n层网络层，第一神经网络的输出为样本内容被点击的概率；以及通过将第一神经网络的第n‑2层的输出连同与m个内容产品线之一相关联的场景化特征输入第二神经网络，训练第二神经网络。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及推荐系统，具体涉及一种点击率预估模型的训练方法、预估目标内容的点击率的方法、装置、电子设备和计算机可读存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着互联网的普及，越来越多的用户使用网页、APP等互联网产品获取信息。但互联网中充斥着大量的信息，用户反而难以获得自己需要的内容，获取信息效率低下。
为解决这个问题，推荐系统应运而生。推荐系统可以根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。推荐系统根据用户的行为特征等数据，通过人工智能等方法进行计算，发现用户的兴趣点，预测用户可能需要的信息，并将这些信息优先推送给用户，提高用户获取信息的效率。推荐系统已广泛应用于各领域中。为了节约资源，一个推荐系统还可以同时服务于多个产品(例如多个应用程序或多个客户端)。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种点击率预估模型的训练方法、预估目标内容的点击率的方法、装置、电子设备和计算机可读存储介质。
根据本公开的一方面，提供了一种点击率预估模型的训练方法，点击率预估模型包括第一神经网络和第二神经网络，方法包括：获取训练样本集合，其中，训练样本集合中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征；通过将训练样本集合中的训练样本依次输入第一神经网络，训练第一神经网络，其中，第一神经网络包括n层网络层，n是大于等于3的整数，第一神经网络的输出为样本内容被点击的概率；以及通过将第一神经网络的第n-2层的输出连同与m个内容产品线之一相关联的场景化特征输入第二神经网络，训练第二神经网络，其中，第二神经网络包括两层网络层，两层网络层中的第一层复制第一神经网络的第n-1层的网络结构和网络参数，并接收第一神经网络的第n-2层的输出作为输入，两层网络层中的第二层接收第一层的输出与场景化特征的拼接结果作为输入，并包括与m个内容产品线分别对应的m个输出节点，每个输出节点各自输出样本内容被点击的概率，其中，对于来自m个内容产品线中的第i个内容产品线的训练样本，场景化特征与第i个内容产品线相关联，i为大于等于1且小于等于m的整数。
根据本公开的另一方面，提供了一种采用如上述方法训练得到的点击率预估模型预估目标内容的点击率的方法，包括：获取与目标内容相对应的用户特征、内容特征和场景化特征；将用户特征和内容特征输入第一神经网络；将第一神经网络的第n-2层的输出连同场景化特征输入第二神经网络；确定目标内容所来自的内容产品线；以及响应于确定目标内容来自第i个内容产品线，选择第二神经网络的m个输出节点中的第i个输出节点的输出作为目标内容的点击率的预估值。
根据本公开的另一方面，提供了一种预估点击率的模型的训练装置，包括：第一获取模块，被配置为：获取训练样本集合，其中，训练样本集合中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征；第一训练模块，被配置为：通过将训练样本集合中的训练样本依次输入第一神经网络，训练第一神经网络，其中，第一神经网络包括n层网络层，n是大于等于3的整数，第一神经网络的输出为样本内容被点击的概率；以及第二训练模块，被配置为：通过将第一神经网络的第n-2层的输出连同与m个内容产品线之一相关联的场景化特征输入第二神经网络，训练第二神经网络，其中，第二神经网络包括两层网络层，两层网络层中的第一层复制第一神经网络的第n-1层的网络结构和网络参数，并接收第一神经网络的第n-2层的输出作为输入，两层网络层中的第二层接收第一层的输出与场景化特征的拼接结果作为输入，并包括与m个内容产品线分别对应的m个输出节点，每个输出节点各自输出样本内容被点击的概率，其中，对于来自m个内容产品线中的第i个内容产品线的训练样本，场景化特征与第i个内容产品线相关联，i为大于等于1且小于等于m的整数。
根据本公开的另一方面，提供了一种采用上述方法训练得到的点击率预估模型预估目标内容的点击率的装置，装置包括:第二获取模块，被配置为：获取与目标内容相对应的用户特征、内容特征和场景化特征；第一输入模块，被配置为：将用户特征和内容特征输入第一神经网络；第二输入模块，被配置为：将第一神经网络的第n-2层的输出连同场景化特征输入第二神经网络；确定模块，被配置为：确定目标内容所来自的内容产品线；以及输出模块，被配置为：响应于确定目标内容来自第i个内容产品线，选择第二神经网络的m个输出节点中的第i个输出节点的输出作为目标内容的点击率的预估值。
根据本公开的另一方面，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上述方法。
根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，可以使用一个预估点击率的模型，同时接入多个内容产品线，使多个内容产品线共享训练样本、场景化特征等数据和点击率的预估值，从而能够提升预估点击率的准确率，并且节省了大量的机器资源和人力资源。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的点击率预估模型的训练方法的流程图；
图3示出了根据本公开的实施例的点击率预估模型的结构框图；
图4示出了根据本公开的实施例的采用点击率预估模型预估目标内容的点击率的方法的流程图；
图5示出了根据本公开的实施例的点击率预估模型的训练装置的结构框图；
图6示出了根据本公开的实施例的采用点击率预估模型预估目标内容的点击率的装置的结构框图；
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行点击率预估模型的训练方法以及采用点击率预估模型的训练方法得到的点击率预估模型预估目标内容的点击率的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来浏览各内容产品线的信息。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLEiOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的点击率预估模型的训练方法200的流程图，图3示出了根据本公开的实施例的点击率预估模型300的结构框图。如图3所示，点击率预估模型300包括第一神经网络310和第二神经网络320。如图2所示，该点击率预估模型的训练方法200可以包括：
步骤S201，获取训练样本集合331，其中，训练样本集合331中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征。
步骤S203，通过将训练样本集合331中的训练样本依次输入第一神经网络310，训练第一神经网络310，其中，第一神经网络310包括n层网络层，n是大于等于3的整数，第一神经网络310的输出为样本内容被点击的概率。
步骤S205，通过将第一神经网络310的第n-2层的输出连同与m个内容产品线之一相关联的场景化特征332输入第二神经网络320，训练第二神经网络320，其中，第二神经网络320包括两层网络层，两层网络层中的第一层306复制第一神经网络310的第n-1层304的网络结构和网络参数，并接收第一神经网络310的第n-2层303的输出作为输入，两层网络层中的第二层307接收第一层306的输出与场景化特征332的拼接结果作为输入，并包括与m个内容产品线分别对应的m个输出节点341、342……343，每个输出节点各自输出样本内容被点击的概率，其中，对于来自m个内容产品线中的第i个内容产品线的训练样本，场景化特征332与第i个内容产品线相关联，i为大于等于1且小于等于m的整数。
样本用户特征是与用户有关的特征。根据本公开的一些实施例，样本用户特征包括：样本用户的属性特征、样本用户的行为特征、样本用户的请求特征中的一个或多个。在一个示例中，样本用户的属性特征可以包括：用户的年龄、性别、职业等特征。样本用户的行为特征可以包括：用户对内容的点击次数、观看次数、观看时长等特征。样本用户的请求特征可以包括：请求终端的品牌、请求终端的系统类型、请求地点等特征。
样本内容特征是指与该条信息的内容本身有关的特征。根据本公开的一些实施例，样本内容特征包括：标识内容产品线的特征、内容类别等特征。在一个示例中，内容产品线是指用户获取信息的平台或互联网产品，m个内容产品线341、342……343可以包括例如“有驾平台”、“宝宝知道平台”和“百度文库平台”。内容类别可以是科技类、娱乐类和新闻类等类别。
场景化特征332是指与用户所浏览的信息有关的特征。根据本公开的一些实施例，场景化特征332包括：频道、信息类型等特征。其中，频道是指用户浏览的信息所属的内容产品线的具体频道，例如，当内容产品线为有驾平台时，频道可以是“新车信息”、“用车技巧”、“汽车测评”、“汽车导购”、“豪车咨询”等频道。信息类型是指信息的呈现形式，包括但不限于图文、视频、短视频、音频等呈现形式。
根据本公开的一些实施例，其中，与第i个内容产品线相关联的场景化特征332包括标识第i个内容产品线的特征。
根据本公开的一些实施例，训练样本集合331中的训练样本包括场景化特征332。
根据本公开的一些实施例，训练样本集合331中的训练样本不包括场景化特征332。
通过使用来自m个内容产品线训练样本共同训练同一个模型，使多个内容产品线接入同一个模型，达到联合训练预估点击率的目的，解决小规模内容产品线的数据稀疏问题。同时减少模型个数，仅使用一套机器资源及计算资源，即可计算m个产品线的点击率，达到减少机器资源的效果。同时达到减少设计模型和维护机器设备的人力资源的效果。
同时，多个内容产品线共同进行训练，训练样本来自多个内容产品线，避免了由于某一个产品线的突然变化导致的训练样本不足等问题。
利用来自多个内容产品线的样本训练同一个神经网络模型时，常会有以下弊端：由于多个内容产品线之间存在一些不相似的特征，所以虽然增加了样本数量，但由于训练过程中训练样本所属的内容产品线的特征被均化，有时会出现训练得到的点击率预估模型的预估效果反而变差的负迁移现象。通过在训练过程中将场景化特征输入第二神经网络，使得在第二神经网络中训练样本所属的内容产品线的特征得到加强，减轻了负迁移现象。如已知的，所谓“负迁移”一般是指一种学习对另一种学习起干扰或抑制作用。负迁移通常表现为一种学习使另一种学习所需的学习时间或所需的练习次数增加或阻碍另一种学习的顺利进行以及知识的正确掌握。
根据本公开的一些实施例，训练第一神经网络310包括：计算第一神经网络310的损失函数loss1，其中，对于来自第i个内容产品线的当前训练样本，损失函数loss1与来自第i个内容产品线的训练样本的数量占训练样本集合331中的训练样本总数的比率负相关；以及通过最小化损失函数loss1调整第一神经网络310的n层网络层的网络参数。
根据本公开的一些实施例，loss1＝(1-γi)losscross-entropy_1，其中，losscross-entropy_1为交叉熵损失函数，其中，Ni为来自第i个内容产品线的训练样本的数量，∑j∈R Nj为训练样本集合331中的训练样本总数。
由上述计算过程可知，训练样本所属的内容产品线的训练样本数量越多，loss1的系数越小，因此避免了当某一个内容产品线样本数量过多时，对第一神经网络的参数影响过大的问题，均衡各产品规模的差异对模型的影响，从而进一步减轻跨域推荐中不同产品线的联合训练导致的负迁移的影响。
根据本公开的一些实施例，第二神经网络320的第二层307包括m组网络参数，m组网络参数分别对应m个输出节点341、342……343，其中，训练第二神经网络320包括：计算m个输出节点341、342……343各自对应的损失函数loss2(k)，其中，k为大于等于1且小于等于m的整数，对于来自第i个内容产品线的当前训练样本，对于k＝i，损失函数loss2(k)具有第一权重，对于k≠i，损失函数loss2(k)具有小于第一权重的第二权重；以及通过最小化损失函数loss2(k)调整m组网络参数中的第k组网络参数。
根据本公开的一些实施例，
其中，losscross-entropy_2为交叉熵损失函数，Nk为来自第k个内容产品线的训练样本的数量，∑i∈R Ni为训练样本集合331中的训练样本总数。
第二神经网络320中的第一层306复制第一神经网络310的第n-1层304的网络结构和网络参数，并接收第一神经网络310的第n-2层303的输出作为输入，第二神经网络320中的第二层307包括与m个内容产品线分别对应的m个输出节点341、342……343。由于第二神经网络320的上述结构特性，且通过最小化损失函数loss2(k)仅调整m组网络参数中的第k组网络参数，而不会影响第一神经网络310的参数，保证第一神经网络310和第二神经网络320训练过程的独立性；同时，不会影响m组网络参数中的其他组的网络参数，保证各节点的训练不会相互影响。同时由于各节点的训练不会相互影响，所以也减少了多内容产品线共享同一个排序模型带来的负迁移现象。
根据本公开的另一方面，如图4所示，还提供了一种采用如上方法200训练得到的点击率预估模型预估目标内容的点击率的方法400，包括：
步骤S401，获取与目标内容相对应的用户特征、内容特征和场景化特征。
步骤S403，将用户特征和内容特征输入第一神经网络。
步骤S405，将第一神经网络的第n-2层的输出连同场景化特征输入第二神经网络。
步骤S407，确定目标内容所来自的内容产品线。
步骤S409，响应于确定目标内容来自第i个内容产品线，选择第二神经网络的m个输出节点中的第i个输出节点的输出作为目标内容的点击率的预估值。
由此，在预估目标内容的点击率时，可以基于目标内容所来自的内容产品线，动态地选择第二神经网络的m个输出节点中的相应输出节点的输出作为点击率的预估值。
根据本公开的另一方面，如图5所示，还提供了一种预估点击率的模型的训练装置500，训练装置500包括：第一获取模块501，被配置为：获取训练样本集合，其中，训练样本集合中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征；第一训练模块502，被配置为：通过将训练样本集合中的训练样本依次输入第一神经网络，训练第一神经网络，其中，第一神经网络包括n层网络层，n是大于等于3的整数，第一神经网络的输出为样本内容被点击的概率；以及第二训练模块503，被配置为：通过将第一神经网络的第n-2层的输出连同与m个内容产品线之一相关联的场景化特征输入第二神经网络，训练第二神经网络，其中，第二神经网络包括两层网络层，两层网络层中的第一层复制第一神经网络的第n-1层的网络结构和网络参数，并接收第一神经网络的第n-2层的输出作为输入，两层网络层中的第二层接收第一层的输出与场景化特征的拼接结果作为输入，并包括与m个内容产品线分别对应的m个输出节点，每个输出节点各自输出样本内容被点击的概率，其中，对于来自m个内容产品线中的第i个内容产品线的训练样本，场景化特征与第i个内容产品线相关联，i为大于等于1且小于等于m的整数。
根据本公开的另一方面，如图6所示，还提供了一种采用如上述方法200训练得到的点击率预估模型预估目标内容的点击率的装置600，装置600包括：第二获取模块601，被配置为：获取与目标内容相对应的用户特征、内容特征和场景化特征；第一输入模块602，被配置为：将用户特征和内容特征输入第一神经网络；第二输入模块603，被配置为：将第一神经网络的第n-2层的输出连同场景化特征输入第二神经网络；确定模块604，被配置为：确定目标内容所来自的内容产品线；以及输出模块605，被配置为：响应于确定目标内容来自第i个内容产品线，选择第二神经网络的m个输出节点中的第i个输出节点的输出作为目标内容的点击率的预估值。
应当理解，图5中所示装置500的各个模块可以与参考图2描述的方法200中的各个步骤相对应，并且图6中所示装置600的各个模块可以与参考图4描述的方法400中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置500及其包括的模块，并且上面针对方法400描述的操作、特征和优点同样适用于装置600及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5和6描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。
根据本公开的另一方面，还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上述方法。
根据本公开的另一方面，还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，其中，计算机指令用于使计算机执行上述方法。
根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理，例如点击率预估模型的训练方法200或预估方法400。例如，在一些实施例中，点击率预估模型的训练方法200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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的点击率预估模型的训练方法200或预估方法400的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行点击率预估模型的训练方法200。
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (14)
1.一种点击率预估模型的训练方法，所述点击率预估模型包括第一神经网络和第二神经网络，所述方法包括：
获取训练样本集合，其中，所述训练样本集合中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征；
通过将所述训练样本集合中的训练样本依次输入所述第一神经网络，训练所述第一神经网络，其中，所述第一神经网络包括n层网络层，n是大于等于3的整数，所述第一神经网络的输出为样本内容被点击的概率；以及
通过将所述第一神经网络的第n-2层的输出连同与所述m个内容产品线之一相关联的场景化特征输入所述第二神经网络，训练所述第二神经网络，其中，所述第二神经网络包括两层网络层，所述两层网络层中的第一层复制所述第一神经网络的第n-1层的网络结构和网络参数，并接收所述第一神经网络的第n-2层的输出作为输入，所述两层网络层中的第二层接收所述第一层的输出与所述场景化特征的拼接结果作为输入，并包括与所述m个内容产品线分别对应的m个输出节点，每个输出节点各自输出所述样本内容被点击的概率，其中，对于来自所述m个内容产品线中的第i个内容产品线的训练样本，所述场景化特征与所述第i个内容产品线相关联，i为大于等于1且小于等于m的整数，
其中，所述训练所述第一神经网络包括：
计算所述第一神经网络的损失函数loss1，其中，对于来自所述第i个内容产品线的当前训练样本，所述损失函数loss1与来自所述第i个内容产品线的训练样本的数量占所述训练样本集合中的训练样本总数的比率负相关；以及
通过最小化所述损失函数loss1调整所述第一神经网络的所述n层网络层的网络参数。
2.根据权利要求1所述的方法，其中，loss1＝(1-γi)losscross-entropy_1，其中，losscross-entropy_1为交叉熵损失函数，其中，Ni为来自所述第i个内容产品线的训练样本的数量，∑j∈RNj为所述训练样本集合中的训练样本总数。
3.根据权利要求1所述的方法，其中，所述第二神经网络的所述第二层包括m组网络参数，所述m组网络参数分别对应所述m个输出节点，
其中，所述训练所述第二神经网络包括：
计算所述m个输出节点各自对应的损失函数loss2(j)，其中，k为大于等于1且小于等于m的整数，对于来自所述第i个内容产品线的当前训练样本，对于k＝i，所述损失函数loss2(k)具有第一权重，对于j≠i，所述损失函数loss2(k)具有小于所述第一权重的第二权重；以及
通过最小化所述损失函数loss2(k)调整所述m组网络参数中的第k组网络参数。
4.根据权利要求3所述的方法，其中，
其中，losscross-entropy_2为交叉熵损失函数，Nk为来自第k个内容产品线的训练样本的数量，∑i∈RNi为所述训练样本集合中的训练样本总数。
5.根据权利要求1-4中任一项所述的方法，其中，所述样本用户特征包括：样本用户的属性特征、样本用户的行为特征、样本用户的请求特征中的一个或多个。
6.根据权利要求1-4中任一项所述的方法，其中，与所述第i个内容产品线相关联的所述场景化特征包括标识所述第i个内容产品线的特征。
7.根据权利要求1-4中任一项所述的方法，其中，所述训练样本集合中的训练样本包括所述场景化特征。
8.根据权利要求1-4中任一项所述的方法，其中，所述训练样本集合中的训练样本不包括所述场景化特征。
9.一种采用如权利要求1-8中任一项所述的方法训练得到的点击率预估模型预估目标内容的点击率的方法，包括：
获取与所述目标内容相对应的用户特征、内容特征和场景化特征；
将所述用户特征和所述内容特征输入所述第一神经网络；
将所述第一神经网络的第n-2层的输出连同所述场景化特征输入所述第二神经网络；
确定所述目标内容所来自的内容产品线；以及
响应于确定所述目标内容来自所述第i个内容产品线，选择所述第二神经网络的所述m个输出节点中的第i个输出节点的输出作为所述目标内容的点击率的预估值。
10.一种预估点击率的模型的训练装置，包括：
第一获取模块，被配置为：获取训练样本集合，其中，所述训练样本集合中的训练样本来自m个内容产品线，m为大于1的整数，每个训练样本包括样本用户特征和样本内容特征；
第一训练模块，被配置为：通过将所述训练样本集合中的训练样本依次输入所述第一神经网络，训练所述第一神经网络，其中，所述第一神经网络包括n层网络层，n是大于等于3的整数，所述第一神经网络的输出为样本内容被点击的概率；以及
第二训练模块，被配置为：通过将所述第一神经网络的第n-2层的输出连同与所述m个内容产品线之一相关联的场景化特征输入所述第二神经网络，训练所述第二神经网络，其中，所述第二神经网络包括两层网络层，所述两层网络层中的第一层复制所述第一神经网络的第n-1层的网络结构和网络参数，并接收所述第一神经网络的第n-2层的输出作为输入，所述两层网络层中的第二层接收所述第一层的输出与所述场景化特征的拼接结果作为输入，并包括与所述m个内容产品线分别对应的m个输出节点，每个输出节点各自输出所述样本内容被点击的概率，其中，对于来自所述m个内容产品线中的第i个内容产品线的训练样本，所述场景化特征与所述第i个内容产品线相关联，i为大于等于1且小于等于m的整数，
其中，所述第一训练模块被进一步配置为：
计算所述第一神经网络的损失函数loss1，其中，对于来自所述第i个内容产品线的当前训练样本，所述损失函数loss1与来自所述第i个内容产品线的训练样本的数量占所述训练样本集合中的训练样本总数的比率负相关；以及
通过最小化所述损失函数loss1调整所述第一神经网络的所述n层网络层的网络参数。
11.一种采用如权利要求1-8中任一项所述的方法训练得到的点击率预估模型预估目标内容的点击率的装置，所述装置包括:
第二获取模块，被配置为：获取与所述目标内容相对应的用户特征、内容特征和场景化特征；
第一输入模块，被配置为：将所述用户特征和所述内容特征输入所述第一神经网络；
第二输入模块，被配置为：将所述第一神经网络的第n-2层的输出连同所述场景化特征输入所述第二神经网络；
确定模块，被配置为：确定所述目标内容所来自的内容产品线；以及
输出模块，被配置为：响应于确定所述目标内容来自所述第i个内容产品线，选择所述第二神经网络的所述m个输出节点中的第i个输出节点的输出作为所述目标内容的点击率的预估值。
12.一种电子设备，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1-9中任一项所述的方法。
13.一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1-9中任一项所述的方法。
14.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822889.1A CN113420227B (zh) | 2021-07-21 | 2021-07-21 | 点击率预估模型的训练方法、预估点击率的方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822889.1A CN113420227B (zh) | 2021-07-21 | 2021-07-21 | 点击率预估模型的训练方法、预估点击率的方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420227A CN113420227A (zh) | 2021-09-21 |
| CN113420227B true CN113420227B (zh) | 2024-05-14 |
Family
ID=77721432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110822889.1A Active CN113420227B (zh) | 2021-07-21 | 2021-07-21 | 点击率预估模型的训练方法、预估点击率的方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420227B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐系统点击率预测方法 |
| CN110717106A (zh) * | 2019-10-14 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
| CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技（北京）有限公司 | 信息处理方法、推荐方法及相关设备 |
| WO2020143225A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京人工智能高等研究院有限公司 | 神经网络的训练方法、训练装置和电子设备 |
| CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
| CN112288086A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 一种神经网络的训练方法、装置以及计算机设备 |
| CN112347361A (zh) * | 2020-11-16 | 2021-02-09 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
| CN112860998A (zh) * | 2021-02-08 | 2021-05-28 | 浙江大学 | 一种基于多任务学习机制的点击率预估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018237051A1 (en) * | 2017-06-20 | 2018-12-27 | Catalina Marketing Corporation | AUTOMATIC LEARNING FOR THE MARKETING OF BRANDED CONSUMPTION PRODUCTS |
-
2021
- 2021-07-21 CN CN202110822889.1A patent/CN113420227B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| WO2020143225A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京人工智能高等研究院有限公司 | 神经网络的训练方法、训练装置和电子设备 |
| CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐系统点击率预测方法 |
| CN110717106A (zh) * | 2019-10-14 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
| CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技（北京）有限公司 | 信息处理方法、推荐方法及相关设备 |
| CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
| CN112288086A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 一种神经网络的训练方法、装置以及计算机设备 |
| CN112347361A (zh) * | 2020-11-16 | 2021-02-09 | 百度在线网络技术（北京）有限公司 | 推荐对象的方法、神经网络及其训练方法、设备和介质 |
| CN112860998A (zh) * | 2021-02-08 | 2021-05-28 | 浙江大学 | 一种基于多任务学习机制的点击率预估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420227A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114648638B (zh) | 语义分割模型的训练方法、语义分割方法与装置 | |
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN114861910B (zh) | 神经网络模型的压缩方法及装置、设备和介质 | |
| CN116306862B (zh) | 用于文本处理神经网络的训练方法、装置和介质 | |
| CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
| WO2023245938A1 (zh) | 对象推荐方法和装置 | |
| CN113642740A (zh) | 模型训练方法及装置、电子设备和介质 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| US11416686B2 (en) | Natural language processing based on user context | |
| CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
| CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| CN113420227B (zh) | 点击率预估模型的训练方法、预估点击率的方法、装置 | |
| CN113868453B (zh) | 对象推荐方法和装置 | |
| CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
| CN113536120B (zh) | 基于用户行为的兴趣点召回方法和装置 | |
| CN114896061A (zh) | 计算资源控制模型的训练方法、计算资源控制方法及装置 | |
| CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
| CN112559883B (zh) | 用于评估推荐系统的方法、装置、电子设备以及可读介质 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN112765975B (zh) | 分词岐义处理方法、装置、设备以及介质 | |
| CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
| CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
| CN115033782B (zh) | 推荐对象的方法、机器学习模型的训练方法、装置和设备 |
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 |