CN113496304A - 网络媒介信息的投放控制方法、装置、设备及存储介质 - Google Patents
网络媒介信息的投放控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113496304A CN113496304A CN202010259936.1A CN202010259936A CN113496304A CN 113496304 A CN113496304 A CN 113496304A CN 202010259936 A CN202010259936 A CN 202010259936A CN 113496304 A CN113496304 A CN 113496304A
- Authority
- CN
- China
- Prior art keywords
- media information
- network media
- target
- historical
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000013598 vector Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 description 106
- 230000008569 process Effects 0.000 description 33
- 238000012549 training Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种网络媒介信息的投放控制方法、装置、设备及存储介质,所述方法包括:获取待投放网络媒介信息的媒介特征以及目标用户的用户特征;将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。本公开中综合两个任务的预测结果,进一步保证所述待投放网络媒介信息的准确投放。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种网络媒介信息的投放控制方法、装置、设备及存储介质。
背景技术
网络媒介是指运用电子计算机网络及多媒体技术传播信息的媒介技术。随着技术的发展,用户可以从计算机网络中获取到各种各样的信息,其中,商家可以在计算机网络中投放网络媒介信息(比如说广告、虚拟产品等),用户根据自身需求浏览或者订阅该网络媒介信息。
网络媒介信息指标是用于衡量网络媒介信息投放效果的参考因素,网络媒介信息指标包括但不限于点击率、转化率等,预测网络媒介信息的点击率或者转化率对于商家的投放计划和产品运营等具有重要意义。然而,传统的点击率预测方式/转化率预测方式预测准确率较低,从而无法对待投放的网络媒介信息进行准确地投放控制。
发明内容
为克服相关技术中存在的问题,本公开提供了一种网络媒介信息的投放控制方法、装置、设备及存储介质。
根据本公开实施例的第一方面,提供一种网络媒介信息的投放控制方法,包括:
获取待投放网络媒介信息的媒介特征以及目标用户的用户特征;
将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合;
根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
可选地,所述网络媒介信息指标预测模型通过以下步骤训练获得:
获取网络媒介信息指标样本以及目标人群样本;所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签;所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签;所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定;
将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史媒介特征输入所述指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;
根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,得到所述网络媒介信息指标预测模型。
可选地,所述根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,包括:
若输入所述指定模型的数据为所述第一用户特征和所述历史媒介特征,计算所述历史网络媒介信息指标预测结果与所述指标标签之间的第一损失值;
若输入所述指定模型的数据为所述第二用户特征和所述历史媒介特征,计算所述历史目标人群预测结果与所述目标人群标签之间的第二损失值;
根据所述第一损失值和/或所述第二损失值,调整所述指定模型的参数。
可选地,所述网络媒介信息指标样本中正负样本的比例与所述目标人群样本中正负样本的比例相同,或者两者的比例在预设范围内。
可选地,所述目标人群样本中负样本的第二用户特征基于对所述网络媒介信息指标样本中的第一用户特征进行采样获得。
可选地,所述网络媒介信息指标预测模型包括嵌入层;
所述嵌入层用于将所述用户特征以及所述媒介特征转化为嵌入向量。
可选地,所述网络媒介信息指标预测模型还包括一个或多个第一全连接层;
所述第一全连接层用于对所述嵌入向量进行特征提取,获取嵌入特征。
可选地,所述网络媒介信息指标预测模型还包括第二全连接层以及第三全连接层;
所述第二全连接层用于对所述嵌入特征进行处理,输出网络媒介信息指标预测结果;
所述第三全连接层用于对所述嵌入特征进行处理,输出目标人群预测结果。
可选地,所述网络媒介信息指标预测结果包括点击率预测结果或转化率预测结果;
所述网络媒介信息指标预测任务用于预测所述目标用户对待投放网络媒介信息的点击结果或转化结果。
根据本公开实施例的第二方面,提供一种网络媒介信息的投放控制装置,包括:
特征获取模块,用于获取待投放网络媒介信息的媒介特征以及目标用户的用户特征;
预测模块,用于将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合;
投放控制模块,用于根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
可选地,所述网络媒介信息指标预测模型基于以下模块得到:
样本获取模块,用于获取网络媒介信息指标样本以及目标人群样本;所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签;所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签;所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定;
模型训练模块,用于将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史媒介特征输入所述网络媒介信息指标预测模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;
参数调整模块,用于根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,得到所述网络媒介信息指标预测模型。
可选地,所述参数调整模块包括:
第一损失值计算单元,用于若输入所述指定模型的数据为所述第一用户特征和所述历史媒介特征,计算所述历史网络媒介信息指标预测结果与所述指标标签之间的第一损失值;
第二损失值计算单元,用于若输入所述指定模型的数据为所述第二用户特征和所述历史媒介特征,计算所述历史目标人群预测结果与所述目标人群标签之间的第二损失值;
模型参数调整单元,用于根据所述第一损失值和/或所述第二损失值,调整所述指定模型的参数。
可选地,所述网络媒介信息指标样本中正负样本的比例与所述目标人群样本中正负样本的比例相同,或者两者的比例在预设范围内。
可选地,所述目标人群样本中负样本的第二用户特征基于对所述网络媒介信息指标样本中的第一用户特征进行采样获得。
可选地,所述网络媒介信息指标预测模型包括嵌入层;
所述嵌入层用于将所述用户特征以及所述媒介特征转化为嵌入向量。
可选地,所述网络媒介信息指标预测模型还包括一个或多个第一全连接层;
所述第一全连接层用于对所述嵌入向量进行特征提取,获取嵌入特征。
可选地,所述网络媒介信息指标预测模型还包括第二全连接层以及第三全连接层;
所述第二全连接层用于对所述嵌入特征进行处理,输出网络媒介信息指标预测结果;
所述第三全连接层用于对所述嵌入特征进行处理,输出目标人群预测结果。
可选地,所述网络媒介信息指标预测结果包括点击率预测结果或转化率预测结果;
所述网络媒介信息指标预测任务用于预测所述目标用户对待投放网络媒介信息的点击结果或转化结果。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现第一方面中任一项所述的方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行第一方面中任一项所述的方法
根据本公开实施例的第五方面,提供一种计算机程序产品,包括第一方面中任一所述方法的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开实施例中,将待投放网络媒介信息的媒介特征以及目标用户的用户特征输入预先建立的网络媒介信息指标预测模型,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果,所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果,所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群,所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合,然后基于根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放,本实施例中网络媒介信息指标预测任务和目标人群预测任务都是与所述待投放网络媒介信息和所述目标用户直接相关的,两个任务相辅相成,保证了所述网络媒介信息指标预测结果和目标人群预测结果的准确性,并且综合两个任务的预测结果,进一步保证所述待投放网络媒介信息的准确投放。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本公开的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种网络媒介信息指标预测模型的训练方法的流程图。
图2为本公开根据一示例性实施例示出的一种网络媒介信息指标预测模型的结构示意图。
图3为本公开根据一示例性实施例示出的另一种网络媒介信息指标预测模型的结构示意图。
图4为本公开根据一示例性实施例示出的一种网络媒介信息的投放控制方法的流程示意图。
图5为本公开根据一示例性实施例示出的一种网络媒介信息转化率预测模型的训练方法的流程示意图。
图6为本公开根据一示例性实施例示出的电子设备的一种硬件结构图。
图7为本公开根据一示例性实施例提供的一种网络媒介信息的投放控制装置的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
需要说明的是,本公开实施例涉及的有关用户的信息诸如用户设备信息(如,用户设备信息、设备上存储的信息等)、用户个人信息(如用户生物信息、用户姓名、昵称、地理位置等)、与第三方软件交互的信息、以及用户的操作行为信息(如用户的消费行为信息或者浏览行为信息)等,均是经用户授权而采集并进行后续处理或分析的。
针对于相关技术中的问题,本公开实施例提供了一种网络媒介信息的投放控制方法,借助预先建立的网络媒介信息指标预测模型,同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果,所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果,所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群,所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合,然后基于根据所述网络媒介信息指标预测结果和/或(和/或表示两者或两者之一)所述目标人群预测结果,控制所述待投放网络媒介信息的投放,本实施例中网络媒介信息指标预测任务和目标人群预测任务都是与所述待投放网络媒介信息和所述目标用户直接相关的,两个任务相辅相成,保证了所述网络媒介信息指标预测结果和目标人群预测结果的准确性,并且综合两个任务的预测结果,进一步保证所述待投放网络媒介信息的准确投放。
其中,本公开实施例提供了一种网络媒介信息的投放控制方法可以应用于广告投放场景(实现对广告的投放控制)、虚拟商品投放场景(实现对商品的投放控制)等,所述网络媒介信息包括但不限于广告或虚拟商品等。
在对所述网络媒介信息的投放控制方法进行说明之前,以下先对所述方法应用的广告指标预测模型的训练过程进行说明:
请参阅图1,为本公开根据一示例性实施例示出的一种网络媒介信息指标预测模型的训练方法的流程图,所述方法可由电子设备来执行,所述电子设备可以是电脑、平板、终端或者服务器等计算设备,所述方法包括:
在步骤S101中,获取网络媒介信息指标样本以及目标人群样本;所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签;所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签;所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定。
在步骤S102中,将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史媒介特征输入所述指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果。
在步骤S103中,根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,得到所述网络媒介信息指标预测模型。
在一实施例中,所述电子设备可以从指定的网络媒介信息投放平台获取相关的历史网络媒介信息投放数据,所述历史网络媒介信息投放数据包括第一用户对历史网络媒介信息进行点击操作、付费操作或者注册操作等过程的所有数据,所述电子设备可以根据所述历史投放数据获取网络媒介信息指标样本,所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签。
可以理解的是,本公开实施例对于所述第一用户特征与所述历史媒介特征的具体类型不做任何限制,可依据实际情况进行具体设置,例如所述第一用户特征可以包括但不限于基础属性特征、社会关系特征、消费能力特征、行为特征以及心理特征等;其中,所述基础属性特征包括但不限于年龄特征、地域特征、性别特征、教育特征以及身高体重特征等;所述社会关系特征包括但不限于婚姻特征、孕育特征、职业特征以及其他亲属特征(如有父母、兄弟姐妹等)等;所述消费能力特征可以描述所述第一用户在指定的网络媒介信息投放平台的消费能力;所述行为特征可以描述所述第一用户在指定网络媒介信息投放平台的浏览操作行为,所述心理特征可以用于描述第一用户在指定网络媒介信息投放平台的浏览偏好、付费偏好等;所述历史媒介特征包括但不限于视频特征、音频特征、图像特征以及文字特征等。
在另一实施例中,所述电子设备可以获取所述历史网络媒介信息的目标人群数据,即获取对所述历史网络媒介信息的反馈结果符合指定条件的用户集合,然后根据所述对所述历史网络媒介信息的反馈结果符合指定条件的用户集合构建目标人群样本,所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签,所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定,所述目标人群标签为二分类标签(是,否),其表征所述第二用户特征所指定的第二用户是否属于所述历史网络媒介信息的目标人群;可以理解的是,本公开实施例对于所述用户集合的来源不做任何限制,可依据实际情况进行具体设置,作为例子,所述用户集合可以是商家针对所述历史网络媒介信息,从其他网络媒介信息投放平台获取的,从而所述电子设备可以获取商家上传的对所述历史网络媒介信息的反馈结果符合指定条件的用户集合,并基于所述用户集合构建目标人群样本;本实施例通过获取对所述历史网络媒介信息的反馈结果符合指定条件的用户集合,基于所述用户集合确定目标人群样本,由于所述第二用户特征也是与所述历史网络媒介信息相关的,使得在进行后续的多任务学习的过程中,能够借助目标人群预测任务来改善网络媒介信息指标预测任务,从而解决了传统的网络媒介信息指标预测方式的训练数据过于稀疏的问题,有利于提高网络媒介信息指标的预测准确率。
其中,所述指定条件可依据实际应用场景进行具体设置,本实施例对此不作任何限制;作为例子,所述网络媒介信息指标包括点击率或转化率,所述指定条件可以是点击率高于指定阈值(如0.8),或者转化率高于指定阈值(如0.8)。
可以理解的是,所述第二用户特征可以是与所述第一用户特征同类型的数据,例如所述第二用户特征可以包括但不限于基础属性特征、社会关系特征、消费能力特征、行为特征以及心理特征等。
需要说明的是,网络媒介信息指标包括但不限于点击率、转化率等,所述电子设备可以根据实际需要,获取与具体的网络媒介信息指标相关的网络媒介信息指标样本以及目标人群样本。
示例性的,在一应用场景中需要对点击率进行预测,其目的是训练网络媒介信息点击率预测模型,则所述电子设备获取的所述网络媒介信息指标样本可以包括网络媒介信息点击率样本,所述网络媒介信息点击率样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及点击标签,所述点击标签为二分类标签(点击,未点击),其表示所述第一用户特征指向的第一用户是否点击了所述历史网络媒介信息,所述目标人群样本可以基于对所述历史网络媒介信息的点击概率高于指定阈值的用户集合所构建,从而所述电子设备可以基于所述网络媒介信息点击率样本和所述目标人群样本进行网络媒介信息点击率预测模型的训练;可以理解的是,本实施例对于所述指定阈值的大小不做任何限制,可依据实际情况进行具体设置。
示例性的,在另一应用场景中需要对转化率进行预测,其目的是训练网络媒介信息转化率预测模型,则所述电子设备获取的所述网络媒介信息指标样本可以包括网络媒介信息转化率样本,所述网络媒介信息转化率样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及转化标签,所述转化标签为二分类标签(转化,未转化),其表示所述第一用户特征指向的第一用户是否基于所述历史网络媒介信息实现转化(比如实现注册、付费等转化操作),所述目标人群样本可以基于对所述历史网络媒介信息的转化概率高于指定阈值的用户集合所构建,从而所述电子设备可以基于所述网络媒介信息转化率样本和所述目标人群样本进行网络媒介信息转化率预测模型的训练;可以理解的是,本实施例对于所述指定阈值的大小不做任何限制,可依据实际情况进行具体设置。
另外,考虑到正负样本分布不均衡可能会导致模型预测效果较差的问题,所述电子设备在获取所述网络媒介信息指标样本之后,确定所述网络媒介信息指标样本的正负样本比例,然后在获取所述目标人群数据(对所述历史网络媒介信息的反馈结果符合指定条件的用户集合)之后,根据所述目标人群数据以及所述网络媒介信息指标样本的正负样本比例确定所述目标人群样本,使得所述目标人群样本中的正负样本的比例与所述网络媒介信息指标样本的正负样本比例相同,或者两者的比例之差在预设范围内,从而解决正负样本分布不均衡的问题,保证模型预测结果的准确性;可以理解的是,本实施例对于所述预测范围不做任何限制,可依据实际情况进行具体设置。
在一种实现方式中,由于所述目标人群数据是对所述历史网络媒介信息的反馈结果符合指定条件的用户集合,即从所述目标人群数据中获取的是目标人群样本中的正样本,为了解决正负样本分布不均衡的问题,电子设备可以基于所述网络媒介信息指标样本构建出所述目标人群样本的负样本,作为其中一种实现方式,所述目标人群样本中负样本的第二用户特征可以基于对所述网络媒介信息指标样本中的第一用户特征进行采样获得,所述电子设备根据所述网络媒介信息指标样本的正负样本比例,针对于与所述目标人群相同的所述历史网络媒介信息,从所述网络媒介信息指标样本中采样出一定数量的第一用户特征,从而基于所述第一用户特征构建目标人群样本中的负样本,使得所述目标人群样本中的正负样本的比例与所述网络媒介信息指标样本的正负样本比例相同,或者两者的比例之差在预设范围内,从而解决正负样本分布不均衡的问题,保证模型预测的准确性,也有利于提高训练数据的获取效率。
在一实施例中,在获取所述网络媒介信息指标样本以及所述目标人群样本之后,所述电子设备将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取本次多任务学习过程得到网络媒介信息指标预测结果和目标人群预测结果,以及将所述第二用户特征和所述历史媒介特征输入所述指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取本次多任务学习过程得到网络媒介信息指标预测结果和目标人群预测结果;在获取每一次多任务学习过程得到的网络媒介信息指标预测结果和目标人群预测结果之后,所述电子设备根据所述网络媒介信息指标预测结果与所述指标标签的差异,以及所述目标人群预测结果与所述目标人群标签的差异,调整所述网络媒介信息指标预测模型的参数,在经过多次调整之后,得到训练完成后的网络媒介信息指标预测模型。
本实施例中,所述电子设备将所述第一用户特征和所述历史媒介特征、所述第二用户特征和所述历史媒介特征分别输入所述指定模型中,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取每一次多任务学习过程得到的网络媒介信息指标预测结果和目标人群预测结果,并基于每一次得到的结果对模型参数进行调整,其中多任务学习过程包括网络媒介信息指标预测任务和目标人群预测任务,两个任务在模型训练过程中相互辅助,多任务学习过程从第一用户特征和第二用户特征中提取信息,实现信息的共享,由于所述第二用户特征所述目标人群样本根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定,从而网络媒介信息指标预测任务不仅可以从第一用户特征中学习,还可以从第二用户特征中学习,通过使用从第二用户特征中提取的用户信息,从而有效解决相关技术中训练数据稀疏性的问题,借助目标人群预测任务来改善网络媒介信息指标预测任务,进一步有利于提高网络媒介信息指标预测结果的准确性。
在第一种实现方式中,若输入所述网络媒介信息指标预测模型的数据为所述第一用户特征和所述历史媒介特征,所述电子设备在获取本次多任务学习过程得到网络媒介信息指标预测结果和目标人群预测结果之后,所述电子设备计算所述网络媒介信息指标预测结果与所述指标标签之间的第一损失值,然后根据所述第一损失值调整所述网络媒介信息指标预测模型的参数;本实施例基于预测结果对模型参数进行调整,实现参数调优过程,有利于进一步提高模型预测效果。
在第二种实现方式中,若输入所述网络媒介信息指标预测模型的数据为所述第二用户特征和所述历史媒介特征,所述电子设备在获取本次多任务学习过程得到网络媒介信息指标预测结果和目标人群预测结果之后,所述电子设备计算所述网络媒介信息指标预测结果与所述指标标签之间的第二损失值,然后根据所述第二损失值调整所述网络媒介信息指标预测模型的参数;本实施例基于预测结果对模型参数进行调整,实现参数调优过程,有利于进一步提高模型预测效果。
在第三种实现方式中,所述电子设备获取基于第一用户特征和所述历史媒介特征进行多任务学习得到的网络媒介信息指标预测结果和目标人群预测结果,然后计算所述网络媒介信息指标预测结果与所述指标标签之间的第一损失值,以及获取基于第二用户特征和所述历史媒介特征进行多任务学习得到的网络媒介信息指标预测结果和目标人群预测结果,并计算所述目标人群预测结果与所述目标人群标签之间的第二损失值,最后所述电子设备根据所述第一损失值和所述第二损失值,调整所述网络媒介信息指标预测模型的参数;本实施例基于网络媒介信息指标预测结果和目标人群预测结果对模型参数进行综合调整,保证了调整后的模型参数既适用于网络媒介信息指标预测任务也适用于目标人群预测任务,在借助目标人群预测任务来改善网络媒介信息指标预测任务的同时也保证了两个任务对于输入内容的预测准确性。
可以理解的是,本公开实施例对于损失函数的选择不做任何限制,可依据实际应用场景进行具体选择,例如所述损失函数包括但不限于多层级结构相似性算法(MS-SSIM,Multi-Scale-Structural Similarity Index)、结构相似性算法(SSIM,StructuralSimilarity Index)、平均绝对差值算法(MAD,Mean Absolute Difference)、绝对误差和算法(SAD,Sum of Absolute Difference)、哈达玛变换算法(SATD,Sum of AbsoluteTransformed Difference)、差值平方和算法(SSD,Sum of Squared Difference)和平均平方误差算法(MSD,Mean Squared Difference)。
在一实施例中,请参阅图2,为本公开根据一示例性实施例示出的一种网络媒介信息指标预测模型100的结构示意图,所述网络媒介信息指标预测模型100包括嵌入层10、第一全连接层20、第二全连接层30以及第三全连接层40,可以理解的是,本公开实施例对于所述第一全连接层20、第二全连接层30以及第三全连接层40的数量不做任何限制,可依据实际应用场景进行具体设置,图2中以所述网络媒介信息指标预测模型100包括1个第一全连接层20、1个第二全连接层30以及1个第三全连接层40为例进行说明,所述嵌入层10连接第一全连接层20,其用于将输入的所述第一用户特征以及所述媒介特征、或者所述第二用户特征以及所述媒介特征转化为嵌入向量,实现将所述第一用户特征以及所述媒介特征、或者所述第二用户特征以及所述媒介特征降维成低维度稠密特征,从而避免大量的稀疏特征对资源的过度占用;所述第一全连接层20分别连接所述第二全连接层30以及第三全连接层40,所述第一全连接层20用于对所述嵌入向量进行特征提取,获取嵌入特征,然后由所述第二全连接层30对所述嵌入特征进行处理,输出网络媒介信息指标预测结果,以及所述第三全连接层40对所述嵌入特征进行处理,输出目标人群预测结果;本实施例通过多任务学习建模,在网络媒介信息指标预测任务和目标人群预测任务之间共享隐藏层(嵌入层10和第一全连接层20),从而大大降低了过拟合的风险;进一步通过第二全连接层以及所述第三全连接层分别执行两个预测任务,实现对各自所属任务的准确学习,保证获取的预测结果的准确性。
在另一实施例中,考虑到第一用户特征、第二用户特征以及媒介特征可能包括多个子特征,比如所述第一用户特征以及所述第二用户特征包含了基础属性特征、社会关系特征、消费能力特征、行为特征以及心理特征,所述媒介特征包含了音频特征、图像特征以及文字特征,基于此,请参阅图3,为本公开根据一示例性实施例示出的另一种网络媒介信息指标预测模型100的结构示意图,所述网络媒介信息指标预测模型100包括嵌入网络50,第一全连接层20、第二全连接层30以及第三全连接层40,所述嵌入网络50包括依次连接的多个嵌入层51,两个池化层52以及拼接层53,多个所述嵌入层51分别对所述第一用户特征的各个子特征、所述第二用户特征的各个子特征以及所述媒介特征的各个子特征进行嵌入(embedding)操作,分别获取第一嵌入向量;其中一个池化层52用于对所述第一用户特征对应的所有第一嵌入向量进行求和处理,得到所述第一用户特征对应的唯一一个第二嵌入向量,或者对所述第二用户特征对应的所有第一嵌入向量进行求和处理,得到所述第二用户特征对应的唯一一个第二嵌入向量;另一个池化层52用于对所述媒介特征对应的所有第一嵌入向量进行求和处理,得到所述媒介特征对应的唯一一个第二嵌入向量;所述拼接层53用于将所述第一用户特征对应的第二嵌入向量和所述媒介特征对应的第二嵌入向量进行拼接,得到全局的嵌入向量,或者将所述第二用户特征对应的第二嵌入向量和所述媒介特征对应的第二嵌入向量进行拼接,得到全局的嵌入向量;所述第一全连接层20用于对所述嵌入向量进行特征提取,获取嵌入特征,然后由所述第二全连接层30对所述嵌入特征进行处理,输出网络媒介信息指标预测结果,以及所述第三全连接层40对所述嵌入特征进行处理,输出目标人群预测结果;本实施例通过所述嵌入网络50实现将所述第一用户特征以及所述媒介特征、或者所述第二用户特征以及所述媒介特征降维成低维度稠密特征,从而避免大量的稀疏特征对资源的过度占用,并且通过多任务学习建模,在网络媒介信息指标预测任务和目标人群预测任务之间共享隐藏层(嵌入网络50和第一全连接层20),从而大大降低了过拟合的风险;进一步通过第二全连接层以及所述第三全连接层分别执行两个预测任务,实现对各自所述任务的准确学习,保证获取的预测结果的准确性。
请参阅图4,为本公开根据一示例性实施例示出的一种网络媒介信息的投放控制方法的流程示意图,所述方法可由电子设备来执行,所述电子设备可以是电脑、终端或者服务器等计算设备,所述方法包括:
在步骤S201中,获取待投放网络媒介信息的媒介特征以及目标用户的用户特征。
在步骤S202中,将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合。
在步骤S203中,根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
在本实施例中,在实际应用过程中,所述电子设备可以确定准备投放到指定网络媒介信息投放平台的待投放网络媒介信息,以及从指定网络媒介信息投放平台获取待投放的目标用户,然后获取目标用户的用户特征和待投放网络媒介信息的媒介特征,所述目标用户的用户特征可以包括但不限于基础属性特征、社会关系特征、消费能力特征、行为特征以及心理特征等,所述待投放网络媒介信息的媒介特征包括但不限于音频特征、视频特征、图像特征以及文字特征等,所述电子设备可以将所述目标用户的用户特征和所述待投放网络媒介信息的媒介特征输入预先建立的所述网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果,由于所述网络媒介信息指标预测模型中网络媒介信息指标预测任务和目标人群预测任务都是与所述待投放网络媒介信息和所述目标用户直接相关的,两个任务相辅相成,保证了所述网络媒介信息指标预测结果和目标人群预测结果的准确性。
进一步地,本公开实施例基于所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放,有利于保证所述待投放网络媒介信息的准确投放,实现给商家获得了更高的付费转化率和投资回报率。
作为例子,所述网络媒介信息指标预测结果以及所述目标人群预测结果以数值形式表示,作为其中一种实现方式,所述电子设备可以响应于所述网络媒介信息指标预测结果大于第一数值和/或所述目标人群预测结果大于第二数值,向所述目标用户投放所述待投放网络媒介信息;或者,响应于所述网络媒介信息指标预测结果小于第一数值和/或所述目标人群预测结果小于第二数值,保留所述待投放网络媒介信息,不进行投放;本实施例通过对所述待投放网络媒介信息进行准确地投放控制,实现给商家获得了更高的付费转化率和投资回报率。
其中,所述网络媒介信息指标预测用于对网络媒介信息的点击结果或转化结果进行预测,根据实际需要,可以获取与点击率相关的点击率样本以及目标人群样本,基于所述样本进行多任务学习联合建模及训练,得到网络媒介信息点击率预测模型,其用于预测目标用户是否会点击目标网络媒介信息;或者可以获取与转化率相关的转化率样本以及目标人群样本,基于所述样本进行多任务学习联合建模与训练,得到网络媒介信息转化率预测模型,其用于预测目标用户对目标网络媒介信息的转化结果;本实施例通过多任务学习方式,通过目标人群预测任务来改善网络媒介信息点击率/转化率预测任务,且目标人群数据也是与所述网络媒介信息的反馈结果直接相关的数据,解决网络媒介信息点击率/转化率预测任务的训练数据过于稀疏的问题,有利于提高网络媒介信息点击率/转化率预测结果的准确性。
在一实施例中,以所述网络媒介信息为广告进行举例说明,广告指标是用于衡量广告投放效果的参考因素,广告指标包括广告点击率、广告转化率等,广告点击率是指广告被点击的次数与被显示次数之比,其可以用来衡量广告的吸引程度;广告转化率是指通过点击广告进入推广网站的用户形成转化的比例,广告转化率通常反映广告的直接收益。
以下以所述网络媒介信息指标预测模型为广告转化率预测模型,广告转化率预测模型用于对广告转化率进行预测进行说明:请参阅图5,为本公开根据一示例性实施例示出的一种广告转化率预测模型的训练方法的流程示意图,所述方法可由电子设备来执行,所述电子设备可以是电脑、终端或者服务器等计算设备,所述方法包括:
在步骤S301中,获取广告转化率样本以及目标人群样本;所述广告转化率样本包括历史广告的历史广告特征、与所述历史广告对应的第一用户特征以及转化率标签;所述目标人群样本包括所述历史广告的历史广告特征、与所述历史广告对应的第二用户特征以及目标人群标签;所述第二用户特征所述目标人群样本根据对所述历史广告的反馈结果符合指定条件的用户集合所确定。
在步骤S302中,将所述第一用户特征和所述历史广告特征输入指定模型,通过所述指定模型同时进行广告转化率预测任务和目标人群预测任务,获取历史广告转化率预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史广告特征输入所述广告指标预测模型,通过所述指定模型同时进行广告转化率预测任务和目标人群预测任务,获取历史广告转化率预测结果以及历史目标人群预测结果。
在步骤S303中,根据所述历史广告转化率预测结果与所述转化率标签的差异,以及所述目标人群预测结果与所述目标人群标签的差异,调整所述广告转化率预测模型的参数,得到训练完成后的模型。
在一实施例中,所述电子设备可以从指定的广告投放平台获取相关的历史广告投放数据,所述历史广告投放数据包括第一用户对历史广告进行点击操作、付费操作或者注册操作等过程的所有数据,所述电子设备可以根据所述历史投放数据获取广告转化率样本,所述广告转化率样本包括历史广告的历史广告特征、与所述历史广告对应的第一用户特征以及转化率标签,所述转化率标签为二分类标签,包括转化标签和未转化标签。
在另一实施例中,所述电子设备可以获取所述历史广告的目标人群数据,即获取对所述历史广告的反馈结果符合指定条件的用户集合,作为例子,所述电子设备可以获取广告主上传的从其他广告投放平台获取的所述历史广告的目标人群数据,不同的历史广告对应不同的目标人群数据,比如所述目标人群数据可以包括对所述广告的转化概率高于指定阈值的用户集合,从而所述电子设备可以根据所述目标人群数据确定目标人群样本,所述目标人群样本包括所述历史广告的历史广告特征、与所述历史广告对应的第二用户特征以及目标人群标签,所述目标人群标签为二分类标签,包括“是目标人群”和“不是目标人群”两个标签;可以理解的是,本实施例对于所述指定阈值的大小不做任何限制,可依据实际情况进行具体设置;本实施例通过获取目标人群数据,基于目标人群数据确定目标人群样本,由于目标人群数据也是与所述历史广告直接相关的,使得在进行后续的多任务学习的过程中,能够借助目标人群预测任务来改善广告指标预测任务,从而解决了传统的广告转化率预测方式的训练数据过于稀疏的问题,有利于提高广告转化率的预测准确率。
另外,考虑到正负样本分布不均衡可能会导致模型预测效果较差的问题,所述电子设备在获取所述广告转化率样本之后,确定所述广告转化率样本的正负样本比例,然后在获取所述目标人群数据之后,根据所述目标人群数据以及所述广告转化率样本的正负样本比例确定所述目标人群样本,所述目标人群样本中的正负样本的比例与所述广告转化率样本的正负样本比例相同,或者两者的比例之差在预设范围内,从而解决正负样本分布不均衡的问题,保证模型预测结果的准确性;可以理解的是,本实施例对于所述预测范围不做任何限制,可依据实际情况进行具体设置。
在一种实现方式中,由于所述目标人群数据是对所述历史广告的反馈结果符合指定条件的用户集合,即从所述目标人群数据中获取的是目标人群样本中的正样本,为了解决正负样本分布不均衡的问题,电子设备可以基于所述广告转化率样本确定出所述目标人群样本的负样本,所述目标人群样本中负样本的第二用户特征可以基于对所述广告指标样本中的第一用户特征进行采样所确定,所述电子设备根据所述广告转化率样本的正负样本比例,针对于与所述目标人群数据相同的历史广告,从所述广告转化率样本中采样出第一用户特征,从而基于所述第一用户特征构建目标人群样本中的负样本,使得所述目标人群样本中的正负样本的比例与所述广告转化率样本的正负样本比例相同,或者两者的比例之差在预设范围内,从而解决正负样本分布不均衡的问题,保证模型预测结果的准确性。
在一个例子中,比如存在一条样本数据为{历史广告的历史广告特征、第一用户特征、未转化},则采样到该条样本数据中的第一用户特征所指向的用户自然也不是所述历史广告的目标人群,则可以基于该条样本数据构建出{历史广告的历史广告特征、第一用户特征(第二用户特征)、非目标人群}的负样本,即是说,针对于同一个历史广告,所述目标人群样本中负样本的第二用户特征可以基于对所述广告指标样本中的负样本的第一用户特征进行采样所确定。
接着,在获取所述广告转化率样本以及所述目标人群样本之后,所述电子设备将所述第一用户特征和所述历史广告特征输入指定模型,通过所述指定模型同时进行广告转化率预测任务和目标人群预测任务,获取本次多任务学习过程得到的广告转化率预测结果和目标人群预测结果;以及将所述第二用户特征和所述历史广告特征输入所述指定模型,通过所述指定模型同时进行广告转化率预测任务和目标人群预测任务,获取本次多任务学习过程得到的广告转化率预测结果和目标人群预测结果;在获取每一次多任务学习过程得到的广告转化率预测结果和目标人群预测结果之后,所述电子设备根据所述广告转化率预测结果与所述转化率标签的差异,以及所述目标人群预测结果与所述目标人群标签的差异,调整所述广告转化率预测模型的参数,在经过多次调整之后,得到训练完成后的广告转化率预测模型。
本实施例中,所述电子设备将所述第一用户特征和所述历史广告特征、所述第二用户特征和所述历史广告特征分别输入所述广告转化率预测模型中进行多任务学习,获取每一次多任务学习过程得到的广告转化率预测结果和目标人群预测结果,并基于每一次得到的结果对模型参数进行调整,多任务学习过程包括广告转化率预测任务和目标人群预测任务,两个任务在模型训练过程中相互辅助,从第一用户特征和第二用户特征中提取信息,实现信息的共享,由于所述第二用户特征所述目标人群样本根据对所述历史广告的反馈结果符合指定条件的用户集合所确定,从而广告转化率预测任务不仅可以从第一用户特征中学习,还可以从第二用户特征中学习,通过使用从第二用户特征中提取的用户信息,从而有效解决相关技术中广告转化率预测任务训练数据稀疏性的问题,借助目标人群预测任务来改善广告转化率预测任务,进一步有利于提高广告转化率预测结果的准确性。
在第一种实现方式中,若输入所述广告转化率预测模型的数据为所述第一用户特征和所述历史广告特征,所述电子设备在获取本次多任务学习得到的广告转化率预测结果和目标人群预测结果之后,所述电子设备计算所述广告转化率预测结果与所述转化率标签之间的第一损失值,然后根据所述第一损失值调整所述广告转化率预测模型的参数;本实施例基于预测结果对模型参数进行调整,实现参数调优过程,有利于进一步提高模型预测效果。
在第二种实现方式中,若输入所述广告转化率预测模型的数据为所述第二用户特征和所述历史广告特征,所述电子设备在获取本次多任务学习得到的广告转化率预测结果和目标人群预测结果之后,所述电子设备计算所述广告转化率预测结果与所述转化率标签之间的第二损失值,然后根据所述第一损失值调整所述广告转化率预测模型的参数;本实施例基于预测结果对模型参数进行调整,实现参数调优过程,有利于进一步提高模型预测效果。
在第三种实现方式中,所述电子设备获取基于第一用户特征和所述历史广告特征进行多任务学习得到的广告转化率预测结果和目标人群预测结果,然后计算所述广告转化率预测结果与所述转化率标签之间的第一损失值,以及获取基于第二用户特征和所述历史广告特征进行多任务学习得到的广告转化率预测结果和目标人群预测结果,并计算所述目标人群预测结果与所述目标人群标签之间的第二损失值,最后所述电子设备根据所述第一损失值和所述第二损失值,调整所述广告转化率预测模型的参数;本实施例基于广告转化率预测结果和目标人群预测结果对模型参数进行综合调整,保证了调整后的模型参数既适用于广告转化率预测任务也适用于目标人群预测任务,在借助目标人群预测任务来改善广告转化率预测任务的同时也保证了两个任务的预测准确性。
在应用所述广告转化率预测模型进行广告的投放控制过程中,所述电子设备获取待投放广告的广告特征以及目标用户的用户特征;然后将所述广告特征和所述用户特征输入预先建立的广告指标预测模型中,通过所述广告指标预测模型同时进行广告指标预测任务和目标人群预测任务,获得广告指标预测结果和目标人群预测结果;所述广告指标预测任务用于预测所述目标用户对所述待投放广告的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放广告的目标人群;所述目标人群表征对所述待投放广告的反馈结果符合指定条件的用户集合;最后根据所述广告指标预测结果和/或所述目标人群预测结果,控制所述待投放广告的投放。本实施例基于所述广告转化率预测模型可以获得准确的预测结果,进而基于该预测结果对所述待投放广告进行精准投放控制。
与前述方法的实施例相对应,本公开还网络媒介信息的投放控制装置、及其所应用的设备的实施例。
本公开中网络媒介信息的投放控制装置的实施例可以应用在计算机设备上,例如服务器或终端设备。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本公开实施例网络媒介信息的投放控制装置所在电子设备的一种硬件结构图,除了图6所示的处理器410、内存430、网络接口420、以及非易失性存储器440之外,实施例中装置431所在的服务器或电子设备,通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。
相应地,本公开实施例还提供一种计算机存储介质,所述存储介质中存储有程序,所述程序被处理器执行时实现上述任一实施例中的方法。
本公开可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可用存储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。
请参阅图7,为本公开根据一示例性实施例提供的一种网络媒介信息的投放控制装置的结构框图,所述装置包括:
特征获取模块501,用于获取待投放网络媒介信息的媒介特征以及目标用户的用户特征。
预测模块502,用于将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合。
投放控制模块503,用于根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
可选地,所述网络媒介信息指标预测模型基于以下模块得到:
样本获取模块,用于获取网络媒介信息指标样本以及目标人群样本;所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签;所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签;所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定。
模型训练模块,用于将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史媒介特征输入所述网络媒介信息指标预测模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果。
参数调整模块,用于根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,得到所述网络媒介信息指标预测模型。
可选地,所述参数调整模块包括:
第一损失值计算单元,用于若输入所述指定模型的数据为所述第一用户特征和所述历史媒介特征,计算所述历史网络媒介信息指标预测结果与所述指标标签之间的第一损失值。
第二损失值计算单元,用于若输入所述指定模型的数据为所述第二用户特征和所述历史媒介特征,计算所述历史目标人群预测结果与所述目标人群标签之间的第二损失值。
模型参数调整单元,用于根据所述第一损失值和/或所述第二损失值,调整所述指定模型的参数。
可选地,所述网络媒介信息指标样本中正负样本的比例与所述目标人群样本中正负样本的比例相同,或者两者的比例在预设范围内。
可选地,所述目标人群样本中负样本的第二用户特征基于对所述网络媒介信息指标样本中的第一用户特征进行采样获得。
可选地,所述网络媒介信息指标预测模型包括嵌入层。
所述嵌入层用于将所述用户特征以及所述媒介特征转化为嵌入向量。
可选地,所述网络媒介信息指标预测模型还包括一个或多个第一全连接层。
所述第一全连接层用于对所述嵌入向量进行特征提取,获取嵌入特征。
可选地,所述网络媒介信息指标预测模型还包括第二全连接层以及第三全连接层。
所述第二全连接层用于对所述嵌入特征进行处理,输出网络媒介信息指标预测结果。
所述第三全连接层用于对所述嵌入特征进行处理,输出目标人群预测结果。
可选地,所述网络媒介信息指标预测结果包括点击率预测结果或转化率预测结果。
所述网络媒介信息指标预测任务用于预测所述目标用户对待投放网络媒介信息的点击结果或转化结果。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本公开还提供一种电子设备,所述电子设备包括有处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行所述指令时完成本公开实施例中任一项的方法实施例所述的方法。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以包括至少一种类型的存储介质,存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。而且,设备可以与通过网络连接执行存储器的存储功能的网络存储装置协作。存储器可以是设备的内部存储单元,例如设备的硬盘或内存。存储器也可以是设备的外部存储设备,例如设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
这里描述的各种实施方式可以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施,这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施。对于软件实施,诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施,软件代码可以存储在存储器中并且由控制器执行。
电子设备包括但不限于以下存在形式:(1)移动终端:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等;(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad;(3)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于只要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高;(4)其他具有计算功能的电子设备。设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,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,例如设备还可以包括输入输出设备、网络接入设备、总线、摄像设备等。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由电子设备的处理器执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当存储介质中的指令由终端的处理器执行时,使得终端能够执行上述方法。
在示例性实施例中,还提供了一种计算机程序产品,包括可执行程序代码,其中,所述程序代码在通过上述装置执行时实施上述任意一项的方法实施例。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种网络媒介信息的投放控制方法,其特征在于,包括:
获取待投放网络媒介信息的媒介特征以及目标用户的用户特征;
将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合;
根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
2.根据权利要求1所述的方法,其特征在于,所述网络媒介信息指标预测模型通过以下步骤训练获得:
获取网络媒介信息指标样本以及目标人群样本;所述网络媒介信息指标样本包括历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第一用户特征以及指标标签;所述目标人群样本包括所述历史网络媒介信息的历史媒介特征、与所述历史网络媒介信息对应的第二用户特征以及目标人群标签;所述第二用户特征根据对所述历史网络媒介信息的反馈结果符合指定条件的用户集合所确定;
将所述第一用户特征和所述历史媒介特征输入指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;以及将所述第二用户特征和所述历史媒介特征输入所述指定模型,通过所述指定模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获取历史网络媒介信息指标预测结果以及历史目标人群预测结果;
根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,得到所述网络媒介信息指标预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史网络媒介信息指标预测结果与所述指标标签的差异,以及所述历史目标人群预测结果与所述目标人群标签的差异,调整所述指定模型的参数,包括:
若输入所述指定模型的数据为所述第一用户特征和所述历史媒介特征,计算所述历史网络媒介信息指标预测结果与所述指标标签之间的第一损失值;
若输入所述指定模型的数据为所述第二用户特征和所述历史媒介特征,计算所述历史目标人群预测结果与所述目标人群标签之间的第二损失值;
根据所述第一损失值和/或所述第二损失值,调整所述指定模型的参数。
4.根据权利要求2所述的方法,其特征在于,所述网络媒介信息指标样本中正负样本的比例与所述目标人群样本中正负样本的比例相同,或者两者的比例在预设范围内。
5.根据权利要求1所述的方法,其特征在于,所述网络媒介信息指标预测模型包括嵌入层;
所述嵌入层用于将所述用户特征以及所述媒介特征转化为嵌入向量。
6.根据权利要求5所述的方法,其特征在于,所述网络媒介信息指标预测模型还包括一个或多个第一全连接层;
所述第一全连接层用于对所述嵌入向量进行特征提取,获取嵌入特征。
7.根据权利要求6所述的方法,其特征在于,所述网络媒介信息指标预测模型还包括第二全连接层以及第三全连接层;
所述第二全连接层用于对所述嵌入特征进行处理,输出网络媒介信息指标预测结果;
所述第三全连接层用于对所述嵌入特征进行处理,输出目标人群预测结果。
8.一种网络媒介信息的投放控制装置,其特征在于,包括:
特征获取模块,用于获取待投放网络媒介信息的媒介特征以及目标用户的用户特征;
预测模块,用于将所述媒介特征和所述用户特征输入预先建立的网络媒介信息指标预测模型中,通过所述网络媒介信息指标预测模型同时进行网络媒介信息指标预测任务和目标人群预测任务,获得网络媒介信息指标预测结果和目标人群预测结果;所述网络媒介信息指标预测任务用于预测所述目标用户对所述待投放网络媒介信息的反馈结果;所述目标人群预测任务用于预测所述目标用户是否属于所述待投放网络媒介信息的目标人群;所述目标人群表征对所述待投放网络媒介信息的反馈结果符合指定条件的用户集合;
投放控制模块,用于根据所述网络媒介信息指标预测结果和/或所述目标人群预测结果,控制所述待投放网络媒介信息的投放。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259936.1A CN113496304B (zh) | 2020-04-03 | 2020-04-03 | 网络媒介信息的投放控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010259936.1A CN113496304B (zh) | 2020-04-03 | 2020-04-03 | 网络媒介信息的投放控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496304A true CN113496304A (zh) | 2021-10-12 |
CN113496304B CN113496304B (zh) | 2024-03-08 |
Family
ID=77995495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010259936.1A Active CN113496304B (zh) | 2020-04-03 | 2020-04-03 | 网络媒介信息的投放控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496304B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834641A (zh) * | 2014-02-11 | 2015-08-12 | 腾讯科技(北京)有限公司 | 网络媒介信息的处理方法和相关系统 |
CN108427708A (zh) * | 2018-01-25 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
WO2018149337A1 (zh) * | 2017-02-15 | 2018-08-23 | 腾讯科技(深圳)有限公司 | 一种信息投放方法、装置及服务器 |
CN109670623A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、系统、介质和计算设备 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 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 |
-
2020
- 2020-04-03 CN CN202010259936.1A patent/CN113496304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834641A (zh) * | 2014-02-11 | 2015-08-12 | 腾讯科技(北京)有限公司 | 网络媒介信息的处理方法和相关系统 |
WO2018149337A1 (zh) * | 2017-02-15 | 2018-08-23 | 腾讯科技(深圳)有限公司 | 一种信息投放方法、装置及服务器 |
CN109670623A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN108427708A (zh) * | 2018-01-25 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 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 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、系统、介质和计算设备 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113496304B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023061087A1 (zh) | 信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
CN111144937B (zh) | 广告素材确定方法、装置、设备及存储介质 | |
CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
CN113627447A (zh) | 标签识别方法、装置、计算机设备、存储介质及程序产品 | |
JP2023500222A (ja) | 系列マイニングモデルの訓練方法、系列データの処理方法、系列マイニングモデルの訓練装置、系列データの処理装置、コンピュータ機器、及びコンピュータプログラム | |
CN113034168B (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN112347361A (zh) | 推荐对象的方法、神经网络及其训练方法、设备和介质 | |
CN113822734B (zh) | 用于生成信息的方法和装置 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN112148976A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN116956204A (zh) | 多任务模型的网络结构确定方法、数据预测方法及装置 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN115756821A (zh) | 在线任务处理模型训练、任务处理方法及装置 | |
CN113496304A (zh) | 网络媒介信息的投放控制方法、装置、设备及存储介质 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN115329183A (zh) | 数据处理方法、装置、存储介质及设备 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN112446738A (zh) | 广告数据处理方法、装置、介质以及电子设备 | |
CN111897951A (zh) | 用于生成信息的方法和装置 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
CN114880565B (zh) | 一种信息推荐的方法、模型训练的方法以及相关装置 | |
CN118094016B (zh) | 推荐方法、装置、设备、计算机可读存储介质及程序产品 |
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 |