CN113592549B - 一种转化率预测方法、装置和电子设备 - Google Patents

Abstract

本申请提供的转化率预测方法、装置和电子设备，利用预测模型预测对象的不同层次用户行为之间的转化率。其中，在构建预测模型时，通过对时间长度大于预定阈值的预定历史时间段的对象数据进行聚合处理，得到所需的样本集，这样能有效聚合一个较长周期内的对象数据而生成模型的训练样本，可使得训练样本有效贴合广告等多媒体对象的不同用户行为之间的延迟转化特征，相应可使模型能够高准确度地对对象进行不同层次用户行为之间的转化率预测；并且，在生成样本集时，将预定历史时间段划分为了多个子时间段，不同子时间段内的对象数据的处理并行执行，从而提升了整体执行效率，能实现准确、高效地预测广告等多媒体对象的不同层次用户行为之间的转化率。

Description

一种转化率预测方法、装置和电子设备

技术领域

本申请属于多媒体智能分析、处理领域，尤其涉及一种转化率预测方法、装置和电子设备。

背景技术

对于多媒体对象(如广告，短视频宣传片等)的投放应用，常常需要能正确预测用户对投放的多媒体对象的不同行为之间的转化率，例如预测用户从对某app广告的关注行为到对下载该广告指向的app客户端的下载行为之间的转化率，或预测用户从下载该广告指向的app客户端的下载行为到付费/次留行为的转化率等等。

因此，提供一种面向广告等多媒体对象的、能预测其不同层次用户行为之间的转化率的解决方案，于本领域来说非常必要。

发明内容

为此，本申请提供了一种转化率预估方法、装置和电子设备，用于实现准确、高效地预测广告等多媒体对象的不同层次用户行为之间的转化率。

具体技术方案如下：

一种转化率预测方法，包括：

获取待预测的目标对象；

利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率；

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；所述多个样本对象包括：按并行方式，分别对所述预定历史时间段的不同子时间段的对象数据进行第一聚合处理，得到分别对应于不同子时间段的中间数据，并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象；所述第一聚合处理包括一次或多次聚合操作，所述第二聚合处理包括一次或多次聚合操作。

可选的，所述利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率，包括：

利用所述预测模型的特征提取层提取所述目标对象的对象特征；

对所述对象特征进行以下处理，以得到所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率：

将预定关注行为作为所述第一层次行为，预定浅层转化行为作为所述第二层次行为；利用所述预测模型的第一全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从所述预定关注行为到所述预定浅层转化行为的第一转化率；

和/或，

将预定浅层转化行为作为所述第一层次行为，预定深层转化行为作为所述第二层次行为；利用所述预测模型的第二全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率。

可选的，在所述获取待预测的目标对象之前，还包括：

构建所述预测模型；

其中，构建的所述预测模型包括特征提取层和全连接层；

所述全连接层包括：用于输出对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率的第一全连接层；和/或，用于输出对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率的第二全连接层；

所述第一全连接层和所述第二全连接层共享所述特征提取层。

可选的，所述构建所述预测模型，包括：

构建用于训练所述预测模型的样本集；样本集中的每一样本对象标注有相应的浅层转化标记信息和深层转化标记信息；

将所述样本集中的样本对象输入预定网络模型，基于模型输出和样本标注信息之间的损失进行模型训练，得到所述预测模型。

可选的，所述对象数据包括多媒体对象对应的用户行为数据；所述按并行方式，分别对不同子时间段内的对象数据进行第一聚合处理，包括：

按曝光标识，对同一多媒体对象在同一子时间段内的不同用户行为数据进行合并及标签标记处理，得到每一子时间段内各多媒体对象的对应于各曝光标识的中间数据；其中，针对多媒体对象的每次曝光事件，为其生成对应的曝光标识，不同曝光事件对应的曝光标识不同；

所述对不同子时间段对应的的中间数据进行第二聚合处理，得到多个样本对象，包括：

按曝光标识，将不同子时间段的中间数据进行合并及标签标记处理，得到多个样本对象。

可选的，所述多个样本对象包括浅层转化样本、深层转化样本和未转化样本；

在得到所述多个样本对象之后，还包括：

根据预定的最大允许的复制次数，以及单一的曝光标识对应的深层转化样本的个数，对对应的深层转化样本数目大于1的曝光标识进行深层转化样本复制，并将复制得到的深层转化样本纳入所述样本集。

可选的，在得到所述多个样本对象之后，还包括：

根据所述预测模型的转化目标，对所述样本集中的样本对象进行过滤处理，以滤除不符合所述转化目标的样本对象；

其中，所述预测模型的转化目标为所述目标对象的深层投放目标。

一种转化率预测装置，包括：

获取单元，用于获取待预测的目标对象；

预测单元，用于利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率；

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；所述多个样本对象包括：并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象；所述第一聚合处理包括一次或多次聚合操作，所述第二聚合处理包括一次或多次聚合操作。

一种电子设备，其特征在于，包括：

存储器，用于至少存储一组指令集；

处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集实现如上任一项所述的转化率预测方法。

本申请提供的转化率预测方法、装置和电子设备，利用预测模型预测对象的不同层次用户行为之间的转化率。其中，在构建预测模型时，通过对时间长度大于预定阈值的预定历史时间段的对象数据进行聚合处理，得到所需的样本集，这样能够有效聚合一个较长周期内的对象数据而生成模型的训练样本，可使得训练样本有效贴合广告等多媒体对象的不同用户行为之间的延迟转化特征，相应可使模型能够高准确度地对对象进行不同层次用户行为之间的转化率预测；并且，在生成样本集时，将预定历史时间段划分为了多个子时间段，不同子时间段内的对象数据的处理并行执行，从而提升了整体执行效率，能实现准确、高效地预测广告等多媒体对象的不同层次用户行为之间的转化率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本申请实施例提供的转化率预测方法的一种流程示意图；

图2是本申请实施例提供的预测模型不同层间的输入输出示意图；

图3是本申请实施例提供的转化率预测方法的另一种流程示意图；

图4是本申请实施例提供的预测模型的构建过程示意图；

图5是本申请实施例提供的预测模型所需的训练样本的生成过程示意图；

图6是本申请实施例提供的预测模型所需的训练样本的另一生成过程示意图；

图7是本申请实施例提供的预测模型所需的训练样本的又一生成过程示意图；

图8是本申请实施例提供的转化率预测装置的一种结构示意图；

图9是本申请实施例提供的转化率预测装置的另一种结构示意图；

图10是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供了一种转化率预测方法、装置和电子设备，用于利用预先构建的预测模型，预测对象的不同层次用户行为之间的转化率。

参见图1，为本申请实施例提供的转化率预测方法的一种流程示意图，该转化率预测方法可以应用于但不限于具有数据处理功能的智能手机、平板电脑、个人计算机(笔记本、一体机、台式机)等终端设备，或具有数据处理功能的局域网/互联网络、云平台等中的服务器。

如图1所示，本实施例的转化率预测方法包括以下处理过程：

步骤101、获取待预测的目标对象。

其中，目标对象为企业主投放的，用于引导用户产生一定消费行为(如流量消费、产品购买)的预定类型多媒体对象，用户通过对这些多媒体对象执行一定的转化行为(如下载、激活、付费、次留等)、实现对这些多媒体对象指向的产品的消费。通常，广告主投放的广告(如静态页面广告、视频广告)、或者视频运营商投放的短视频宣传片等多媒体对象是用来引导用户产生一定消费行为的，这些多媒体对象会涉及到用户的不同层次行为转化，从而，针对这些多媒体对象需要进行不同层次用户行为之间的转化预测。

不同层次用户行为，是指用户针对投放的广告或视频宣传片等多媒体对象，所执行的距离投放目标(如，某一app广告的投放目标是用户在app进行次留或付费购买app上的某些视频，某一业务广告的投放目标是用户购买该业务)不同远近程度的操作行为。

例如，若用户仅对某app广告执行了预定关注操作(如，点击、收藏等)，则该关注操作，与次留/付费这些投放目标的距离较远，而在关注(如，点击、收藏)广告后，若继续执行“下载”该广告指向的app的操作，则该“下载”行为进一步趋向于次留/付费这些投放目标，进一步的，若下载后，用户继续执行了“次留”或“付费”等操作，则“次留”或“付费”等用户行为与最终的投放目标距离为0，从而，针对该示例，可将“关注”、“下载”以及“次留/付费”这些用户行为，分别划分为不同层次的用户行为。其中，进一步的，仍以该示例为例，由于“下载”(还可以是“激活”等)是从“关注”转化而来，而“次留/付费”是进一步从“下载”转化而来，相应可以将“下载”行为称为浅层转化行为，将“次留/付费”行为称为深层转化行为。

进一步，本申请实施例对用户执行的距离投放目标远近程度不同的操作行为进行了深浅层次的划分，其中，距离投放目标远近程度越远的操作行为，其对应的操作行为层次越浅，距离投放目标远近程度越近的操作行为，其对应的操作行为层次越深，例如，预定关注行为、上述的浅层转化行为、上述的深层转化行为，三者分别对应的操作行为层次依次加深。并且，需要说明的是，操作行为的深浅是一个相对的概念，例如，上述的浅层转化行为(如，下载/激活)与预定关注行为(如，点击/收藏)相比，为深层行为，与上述的深层转化行为(如，次留/付费)相比，则为浅层行为。在此基础上，本申请实施例具体将用户针对投放的多媒体对象如广告所执行的不同操作行为划分为具有转化关系的第一层次行为与第二层次行为，其中，转化方向为由第一层次行为向第二层次行为转化，容易理解，第一层次行为与第二层次行为，既可以分别是指预定关注行为与上述浅层转化行为，又可以分别是指上述浅层转化行为与上述深层转化行为。当然，这些也仅是本申请的示例性说明，在其他应用场景中，还可以是指根据场景特点拓展出的具备转化关系的其他不同操作行为。

随着广告投放形式的演进，除了普通广告，目前还出现了双出价广告产品，广告主投放时指定同一转化链路上的浅层转化行为(如下载、激活等)和深层转化行为(如付费、次留等)并分别出价，对于广告系统来说，能正确预测由浅层转化行为到深层转化行为的概率，可以显著优化普通广告、双出价广告等广告产品的投放效果，增加平台收益。鉴于此，本申请实施例将主要以对广告这一多媒体对象的用户行为预测为例，进行方案描述。

步骤102、利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率。

本申请实施例通过预先构建预测模型，并基于构建的预测模型来至少预测用户的浅层转化行为至深层转化行为的转化率。

由此，在一具体实施例中，在获取待预测的目标对象之前，本申请预先构建一预测模型，构建的预测模型包括特征提取层和全连接层。

预测模型中的全连接层包括：用于输出对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率的第一全连接层；和/或，用于输出对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率的第二全连接层。

其中，预定关注行为可以是但不限于点击、收藏等行为，浅层转化行为可以是但不限于下载、激活等行为，深层转化行为可以是但不限于次留、付费等行为。相应的，第一全连接层可以但不限于用于输出广告对应的用户行为从点击/收藏等行为到下载/激活等行为的转化率，第二全连接层可以但不限于用于输出广告对应的用户行为从下载/激活等行为到付费/次留等行为的转化率。

第一全连接层和第二全连接层共享预测模型的特征提取层。

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；所述多个样本对象包括：并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象。

需要说明的是，所述第一聚合处理可以包括一次或多次聚合操作，所述第二聚合处理同样可以包括一次或多次聚合操作，即，本申请实施例不限定第一聚合处理或第二聚合处理必须是一次聚合操作，以第二聚合操作为例，其可以是在基于第一聚合处理得到中间数据的基础上，进一步对中间数据执行一次或多次聚合处理而最终得到多个样本对象。

对象数据可由技术人员针对实际应用场景(如广告的用户行为转化预测场景)确定，针对广告等对象，以及广告的用户行为转化预测等场景，技术人员可将携带点赞、次留等信息的广告数据作为对象数据。而中间数据是对相应子时间段内的对象数据进行聚合得到，只要确定了对象数据，中间数据也可以随之确定。

发明人经研究发现，在深层转化率预估中，深层转化行为如付费、次留等目标的转化时间远远长于一般的浅层转化行为，如下载、激活等，深层转化行为大多需要1-2天时间发生转化，最长可以延迟到7天以上，浅层转化行为则大多在1-2天内发生。本申请旨在基于预测模型至少预测用户的浅层转化行为至深层转化行为的转化率。

在构建用于预测对象的不同层次用户行为之间的转化率的预测模型时，考虑到深层转化行为的高延迟转化问题，如果直接对每天的数据进行处理、生成样本并进行模型训练，会出现样本重复标记和丢失的情况。如，某用户在D日发生曝光和点击行为，在D+1日发生付费行为，在生成的各天级数据中，同一次曝光行为会出现不同的样本标记，在D日训练数据中标记为未转化的负样本，D+1日标记为深层转化正样本，后续使用多天的样本数据进行模型训练会出现两个问题：同时使用D日和D+1日数据训练会导致样本集中某些样本的标注互相矛盾，影响训练效果，仅使用D+1日数据训练会导致样本集仅包含深层转化正样本而没有D日其他未转化的负样本，训练有偏，结果预估偏高、准确率低。而读取历史多天数据直接进行拼合生成训练样本，会面临数据量巨大和顺序处理分天数据导致效率低的两个问题，工程实现难度较大。

为解决深层转化行为的高延迟转化问题，本申请实施例中，具体通过对时间长度大于预定阈值(如，90天)的预定历史时间段内的对象数据按子时间段(如每天)，在每一子时段内(如，每天)进行合并和标记训练用的点击、浅层转化、深层转化等样本标签，实现第一聚合处理，而生成对应于每个子时间段的中间数据并储存中间数据，使得在涵盖一个较长周期、解决高延迟转化问题的同时减小上述预定历史时间段内全量对象数据直接合并时的数据量，同时针对不同子时间段内的数据聚合处理并行执行，以提升处理效率。后续，可进一步对90天对应的90个中间数据进行第二聚合处理，例如，直接聚合90天的中间数据，通过一次聚合操作完成第二聚合处理，或首先分别聚合30天的中间数据，得到3个30天的聚合结果，之后再继续聚合3个30天的聚合结果，相应通过两次(同理，还可以超过两次)聚合操作完成第二聚合处理等。

相应地，本步骤102，利用预先构建的预测模型，预测目标对象对应的用户行为从第一层次行为到第二层次行为的转化率，可以进一步实现为：

1)利用预测模型的特征提取层提取目标对象的对象特征；

特征提取层提取的目标对象的对象特征，具体为广告、视频宣传片等多媒体对象的分布式特征表示形式的特征，所提取的对象特征包括利用预先为预测模型设计的相应特征函数对目标对象(如广告、视频宣传片)进行特征提取所得的相应延迟转化特征，如利用一系列数学表达式表示的不同延迟转化特征等。

2)对对象特征进行以下处理，以得到所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率：

21)将预定关注行为作为所述第一层次行为，预定浅层转化行为作为所述第二层次行为；利用所述预测模型的第一全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率；

和/或，

22)将预定浅层转化行为作为所述第一层次行为，预定深层转化行为作为所述第二层次行为；利用所述预测模型的第二全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率。

其中，如上文所述，预定关注行为可以是但不限于用户对广告等多媒体对象的点击、收藏等行为；浅层转化行为可以是但不限于下载、激活多媒体对象的行为；深层转化行为可以是但不限于针对多媒体对象的付费、次留等行为。

第一全连接层、第二全连接层共享特征提取层，特征提取层在得到目标对象如广告等多媒体对象的分布式特征表示形式的对象特征后，将所得的对象特征输出至两个全连接层。两个全连接层分别根据接收的目标对象的分布式特征表示，处理得到对应的转化率。其中，第一全连接层根据“目标对象的分布式特征表示”(即，分布式特征表示形式的对象特征)，处理得到目标对象对应的用户行为从预定关注行为(如点击、收藏等)到浅层转化行为(如下载、激活等)的第一转化率；第二全连接层根据目标对象的“分布式特征表示”(即，分布式特征表示形式的对象特征)，处理得到目标对象对应的用户行为从浅层转化行为(如下载、激活等)到的深层转化行为(如付费、次留等)第二转化率。

具体的，结合参见图2，特征提取层负责将大量数据的特征进行抽象，供后续网络层使用，适应包括连续值、离散值、序列值等不同类型特征输入并提取高维特征。

每个目标的全连接输出层以特征提取层的输出作为输入，经过两层全连接网络处理，最后使用sigmoid函数变换，输出对应目标的转化率，如下载→付费/次留的转化率。不同目标使用的全连接输出层是独立的，拥有各自的权重参数，底层的特征提取层是共享的，即不同目标的全连接输出层使用相同的输入，但训练的目标不同，线上预测时只取目标对应的输出层的预估转化率作为最终的预估结果。

本实施例提供的转化率预测方法，利用预测模型预测对象的不同层次用户行为之间的转化率。其中，在构建预测模型时，通过对预定历史时间段的对象数据进行聚合处理，得到所需的样本集，这样能够有效聚合一个较长周期内的对象数据而生成模型的训练样本，可使得训练样本有效贴合广告等多媒体对象的不同用户行为之间的延迟转化特征，相应可使模型能够高准确度地对对象进行不同层次用户行为之间的转化率预测；并且，在生成样本集时，将预定历史时间段划分为了多个子时间段，不同子时间段内的对象数据的处理并行执行，从而提升了整体执行效率，能实现准确、高效地预测广告等多媒体对象的不同层次用户行为之间的转化率。

图1所示方法的执行，需以预先构建有能用于预测对象的不同层次用户行为之间的转化率的预测模型为基础，由此，参见图3示出的转化率预测方法的流程示意图，该转化率预测方法在步骤101之前，还可以包括以下的预处理步骤：

步骤101’、构建用于预测对象的不同层次用户行为之间的转化率的预测模型。

进一步参见图4，该预测模型的构建过程包括：

步骤401、构建用于训练所述预测模型的样本集。样本集中的每一样本对象标注有相应的浅层转化标记信息和深层转化标记信息；

本实施例中，样本集的生成，同时考虑以下几个因素：

a：涵盖一个较长周期的历史数据作为训练样本的生成基础，以解决深层转化行为的高延迟转化问题；

b：高效拼合分散在较长周期的高延迟对象数据以生成所需的训练样本。

基于上述考虑，如图5所示，本实施例通过以下处理进行模型训练所需的样本集的生成：

步骤501、将预定历史时间段划分为多个子时间段；

比如将历史90天作为生成训练样本所需基于的历史时间段。在该示例下，可选的，可将1天作为一个时间单位，而对历史时间段进行子时间段的划分，其中，每天作为一个子时间段。

步骤502、按并行方式，分别对不同子时间段内的对象数据进行第一聚合处理，得到分别对应于不同子时间段的中间数据。

第一聚合处理，可以包括对相应子时间段内的对象数据进行合并与标签标记处理，处理结果作为该子时间段对应的中间数据，并存储/缓存中间数据。

其中，不同子时间段内的数据的聚合处理过程并行执行。

具体地，可按曝光标识，对同一多媒体对象在同一子时间段内的不同用户行为数据进行合并及标签标记处理，得到每一子时间段内各多媒体对象的对应于各曝光标识的中间数据。例如，将每个曝光id对应的行为日志合并为一条样本保留，并标记在当天内是否发生点击、浅层转化(如下载、激活)、深层转化(如付费、次留)。

步骤503、对不同子时间段对应的中间数据进行第二聚合处理，得到多个样本对象；所述多个样本对象构成所述样本集。

第二聚合处理，可以包括对各个子时间段对应的中间数据进行合并与标签标记处理，最终的每条聚合结果可作为一个训练样本，合并过程可通过对中间数据执行一次或多次聚合操作实现。

接下来，以对历史90天的广告数据(如广告的行为日志数据)进行上述的聚合处理为例，对生成模型训练所需的训练样本的处理过程进行详细说明：

其中，在广告系统中会对用户的每一次行为进行记录，用户看到广告时系统会记录曝光日志，点击时系统再额外增加一条点击日志，相类似，发生任意转化行为也会对应增加相应转化日志，不同的行为通过曝光标识进行唯一关联。曝光标识是针对广告等多媒体对象的一次曝光事件，为多媒体对象生成或分配的标识信息，例如，为多媒体对象面向用户1的曝光事件，生成一个曝光标识，为该同一多媒体对象面向用户2的曝光事件，生成另一曝光标识等。曝光标识具体地比如可以为曝光id(Identity Document，身份证标识号)、曝光编号等。

该示例中，基于历史90天广告数据生成训练样本的过程如下：

1)对每天的广告行为日志数据进行处理，每个曝光id对应的行为日志合并为一条样本保留，并标记在当天内是否发生点击、浅层转化(如下载、激活)、深层转化(如付费、次留)，由于深层转化可能会发生多次，因此还记录发生深层转化的次数。后续训练中不需要仅有曝光的样本，因此将其过滤，将其余样本储存下来，作为中间数据。

2)训练前读取训练所需天数(如90天)的中间数据，按曝光id进行聚合，通过汇总同一曝光id下点击、浅层转化、深层转化的数据，可以得到90天数据的行为汇总结果，并统计同一曝光id下的深层转化次数。其中对于点击/浅层转化/深层转化次数大于0的分别打上点击/浅层转化/深层转化标记(可采用0、1形式，1表示点击/浅层转化/深层转化标记，0表示未发生点击/浅层转化/深层转化的标记)，对于深层转化次数记录其汇总值(大于0的整数值)。最终基于统计结果，完成对每一曝光id下对象数据的标记，实施中，由于已滤除仅有曝光的样本，保留样本默认均为已点击样本，从而，可以不对点击行为进行标记。

对于某条广告的某一曝光id，假设点击后，未发生任何的转化，则将该曝光id的广告样本标记为<未发生浅层转化，未发生深层转化>，此类样本即为未转化样本；若仅发生浅层转化，则将其标记为<发生浅层转化，未发生深层转化>，此类样本为浅层转化样本；既发生浅层转化、又发生深层转化，则将其标记为<发生浅层转化，发生深层转化>，此类样本为深层转化样本；实施中，具体可针对样本的浅层转化、深层转化，分别为其设置不同的维度，并在相应维度以0、1分别表示未发生转化和发生转化的标签。

聚合得到的每条样本及其对应的标签标记，作为模型的一个完整样本数据，相应得到模型训练所需的样本集。

需要说明的是，任何一只广告，通常情况下，针对不同的用户(即，不同次的曝光)都可能有不同的转化情况，例如，通知广告，对于用户1，仅关注，不转化，对于用户2，在关注之后又有转化，所以仅针对曝光维度统计其转换情况，并具体统计各个曝光ID对应的转化情况，才有意义，鉴于此，本实施例采用曝光维度，统计各个曝光ID对应的转化情况。

步骤402、将所述样本集中的样本对象输入预定网络模型，基于模型输出和样本标注信息之间的损失进行模型训练，得到所述预测模型。

可以但不限于基于ESMM(Entire Space Multi-TaskModel，全量空间多任务模型)、MMoE等中的任一种进行预测模型的训练。

在进行模型训练过程中，将样本集中的每一样本对象输入ESMM或MMoE等的网络模型中，并使用两个全连接结构网络，分别预测用户预定关注行为如点击到浅层转化行为的概率和浅层转化行为到深层转化行为的概率，两个全连接结构共享特征提取层，通过样本数据的两个标记同时对整个模型进行训练，即具体基于模型输出的两个概率和样本标注信息之间的损失进行模型训练，使损失不断逼近目标，直至损失达到目标则得到训练好的预测模型。

其中，模型输出包括用户预定关注行为如点击到浅层转化行为的第一概率，和浅层转化行为到深层转化行为的第二概率。本实施例中，可选的，在基于模型输出和样本标注信息之间的损失进行模型训练时，具体确定模型输出的样本第一概率与基于样本标注信息确定的样本第一概率之间的损失，并将模型输出的第一概率与第二概率进行相乘运算，得到基于模型所得的用户预定关注行为到深层转化行为的概率，并确定该概率与基于样本标注信息确定的用户预定关注行为到深层转化行为的概率之间的损失，基于上述两个损失对模型进行调参，使其损失不断逼近目标，直至达到目标时，得到所需的预测模型。

本实施例，在构建预测模型时，通过对时间长度大于预定阈值的预定历史时间段的对象数据进行聚合处理，得到所需的样本集，这样能够有效聚合一个较长周期内的对象数据而生成模型的训练样本，可使得训练样本有效贴合广告等多媒体对象的不同用户行为之间的延迟转化特征，相应可使模型能够高准确度地对对象进行不同层次用户行为之间的转化率预测；并且，在生成样本集时，将预定历史时间段划分为了多个子时间段，不同子时间段内的对象数据的处理并行执行，从而提升了整体执行效率，能实现准确、高效地预测广告等多媒体对象的不同层次用户行为之间的转化率。

在本申请一可选实施例中，参见图6，预测模型所需的训练样本的生成过程，在得到上述多个样本对象之后，还可以包括：

步骤504、根据预定的最大允许的复制次数以及单一的曝光标识对应的深层转化样本的个数，对对应的深层转化样本数目大于1的曝光标识进行深层转化样本复制，并将复制得到的深层转化样本纳入所述样本集。

一支广告通常是对应多个曝光标识，此处的单一是为了强调是一个曝光标识对应的深层转化样本的个数。

由于中间数据合并过程中丢失了重复的深层转化样本，为了避免模型训练有偏，影响模型性能，本实施例在生成训练样本时，进一步按同一曝光标识对应的深层转化次数汇总值，额外复制出对应的差额条数(即，深层转化次数-1)的深层转化样本，实施中，综合考虑训练增益和模型拟合性能，可优选地对复制条数进行最大次数限制，比如，限制最大复制条数为3条等。以尽可能保证训练增益和模型拟合性能方面的均衡。

具体的，一个曝光标识对应一次曝光事件，但一次曝光事件中，用户可能会执行多次相同的操作，如，用户A在点击某一个广告，下载其指示的app后，先付费购买一个月的会员，会员到期后，继续付费一个月的会员，...即，针对同一曝光事件，相同的操作行为(付费)执行了多次(如，10次)，这样在聚合处理中，针对同一曝光事件，会仅将用户的付费行为聚合为：曝光ID-付费-10次。后续，理论上需针对10次付费行为，复制9次，以还原其原始的10次付费，但本实施例中，为降低处理复杂度，设置一个最大允许的复制次数，不允许复制次数超过这个次数，如上述的示例，仅将其按最大复制次数执行复制(如，复制3次，而不是9次)。

在本申请一可选实施例中，参见图7，预测模型所需的训练样本的生成过程，在得到上述多个样本对象之后，还可以包括：

步骤505、根据所述预测模型的转化目标，对所述样本集中的样本对象进行过滤处理，以滤除不符合所述转化目标的样本对象。

不同广告投放的深层目标若不同(例如，有的广告投放的深层目标为付费，有的则为次留)，其转化率通常也不同，因此需要针对不同深层目标的广告投放分别进行建模。

基于上述特点，本实施例中，进一步根据待训练模型的转化目标，对基于上述处理所得的样本集中的训练样本进行过滤，滤除不符合转化目标的样本对象，最终得到待训练模型所需的训练数据。例如，若针对深层目标为付费的广告投放，待训练模型的转化目标相应为付费，从而可从生成的样本集合中进一步滤除深层转化行为为次留的样本，最终得到深层转化行为均为付费的训练样本，以使得有针对性地为模型训练提供所需的训练数据。

对应于上述的转化率预测方法，本申请实施例还提供了一种转化率预测装置，如图8所示的装置结构示意图，该装置包括：

获取单元801，用于获取待预测的目标对象；

预测单元802，用于利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率；

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；所述多个样本对象包括：并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象；所述第一聚合处理包括一次或多次聚合操作，所述第二聚合处理包括一次或多次聚合操作。

在本申请实施例的一可选实施方式中，预测单元802，具体用于：

利用所述预测模型的特征提取层提取所述目标对象的对象特征；

对所述对象特征进行以下处理，以得到所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率：

将预定关注行为作为所述第一层次行为，预定浅层转化行为作为所述第二层次行为；利用所述预测模型的第一全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率；

和/或，

将预定浅层转化行为作为所述第一层次行为，预定深层转化行为作为所述第二层次行为；利用所述预测模型的第二全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率。

在本申请实施例的一可选实施方式中，参见图9，上述装置还包括：

模型构建单元803，用于构建所述预测模型。

其中，构建的所述预测模型包括特征提取层和全连接层；

所述全连接层包括：用于输出对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率的第一全连接层；和/或，用于输出对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率的第二全连接层；

所述第一全连接层和所述第二全连接层共享所述特征提取层。

在本申请实施例的一可选实施方式中，模型构建单元803，具体用于：

构建用于训练所述预测模型的样本集；样本集中的每一样本对象标注有相应的浅层转化标记信息和深层转化标记信息；

将所述样本集中的样本对象输入预定网络模型，基于模型输出和样本标注信息之间的损失进行模型训练，得到所述预测模型。

在本申请实施例的一可选实施方式中，模型构建单元803，构建用于训练所述预测模型的样本集，包括：

将预定历史时间段划分为多个子时间段；

按并行方式，分别对不同子时间段内的对象数据进行第一聚合处理，得到分别对应于不同子时间段的中间数据；

对不同子时间段对应的中间数据进行第二聚合处理，得到多个样本对象；所述多个样本对象构成所述样本集。

在本申请实施例的一可选实施方式中，所述对象数据包括多媒体对象对应的用户行为数据；

模型构建单元803按并行方式，分别对不同子时间段内的对象数据进行第一聚合处理，包括：按曝光标识，对同一多媒体对象在同一子时间段内的不同用户行为数据进行合并及标签标记处理，得到每一子时间段内各多媒体对象的对应于各曝光标识的中间数据；其中，针对多媒体对象的每次曝光事件，为其生成对应的曝光标识，不同曝光事件对应的曝光标识不同；

模型构建单元803对不同子时间段对应的的中间数据进行第二聚合处理，得到多个样本对象，包括：按曝光标识，将不同子时间段的中间数据进行合并及标签标记处理，得到多个样本对象。

在本申请实施例的一可选实施方式中，所述多个样本对象包括浅层转化样本、深层转化样本和未转化样本；

模型构建单元803在得到所述多个样本对象之后，还用于：

根据预定的最大允许的复制次数，以及单一的曝光标识对应的深层转化样本的个数，对对应的深层转化样本数目大于1的曝光标识进行深层转化样本复制，并将复制得到的深层转化样本纳入所述样本集。

在本申请实施例的一可选实施方式中，模型构建单元603在得到所述多个样本对象之后，还用于：

根据所述预测模型的转化目标，对所述样本集中的样本对象进行过滤处理，以滤除不符合所述转化目标的样本对象。

对于本申请实施例公开的转化率预测装置而言，由于其与上文方法实施例公开的转化率预测方法相对应，所以描述的比较简单，相关相似之处请参见上文相应方法实施例的说明即可，此处不再详述。

与上文各实施例的处理方法相对应，本申请实施例还公开了一种电子设备，该电子设备可以是但不限于具有数据处理功能的智能手机、平板电脑、个人计算机(笔记本、一体机、台式机)等终端设备，或具有数据处理功能的局域网/互联网络、云平台等中的服务器。

如图10示出的电子设备的结构示意图，该电子设备至少包括：

存储器1001，用于存放计算机指令集；

所述的计算机指令集可以采用计算机程序的形式实现。

存储器1001可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器1002，用于通过执行存储器上存放的指令集，实现如上任一方法实施例的转化率预测方法。

其中，处理器1002可以为中央处理器(CentralProcessing Unit，CPU)，特定应用集成电路(application-specific integrated circuit，ASIC)，数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。

除此之外，电子设备还可以包括通信接口、通信总线等组成部分。存储器、处理器和通信接口通过通信总线完成相互间的通信。

通信接口用于电子设备与其他设备之间的通信。通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture，EISA)总线等，该通信总线可以分为地址总线、数据总线、控制总线等。

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

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种转化率预测方法，其特征在于，包括：

获取待预测的目标对象；

利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率；

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；所述多个样本对象包括：并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象；所述第一聚合处理包括一次或多次聚合操作，所述第二聚合处理包括一次或多次聚合操作；

其中，不同层次行为是指用户针对投放的多媒体对象，所执行的距离投放目标不同远近程度的操作行为。

2.根据权利要求1所述的方法，其特征在于，所述利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率，包括：

利用所述预测模型的特征提取层提取所述目标对象的对象特征；

对所述对象特征进行以下处理，以得到所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率：

将预定关注行为作为所述第一层次行为，预定浅层转化行为作为所述第二层次行为；利用所述预测模型的第一全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从所述预定关注行为到所述预定浅层转化行为的第一转化率；

和/或，

将预定浅层转化行为作为所述第一层次行为，预定深层转化行为作为所述第二层次行为；利用所述预测模型的第二全连接层根据所述对象特征，处理得到所述目标对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率。

3.根据权利要求1所述的方法，其特征在于，在所述获取待预测的目标对象之前，还包括：

构建所述预测模型；

其中，构建的所述预测模型包括特征提取层和全连接层；

所述全连接层包括：用于输出对象对应的用户行为从预定关注行为到浅层转化行为的第一转化率的第一全连接层；和/或，用于输出对象对应的用户行为从浅层转化行为到深层转化行为的第二转化率的第二全连接层；

所述第一全连接层和所述第二全连接层共享所述特征提取层。

4.根据权利要求3所述的方法，其特征在于，所述构建所述预测模型，包括：

构建用于训练所述预测模型的样本集；样本集中的每一样本对象标注有相应的浅层转化标记信息和深层转化标记信息；

将所述样本集中的样本对象输入预定网络模型，基于模型输出和样本标注信息之间的损失进行模型训练，得到所述预测模型。

5.根据权利要求4所述的方法，其特征在于，所述数据对象包括多媒体对象对应的用户行为数据；按并行方式，分别对不同子时间段内的数据对象进行第一聚合处理，包括：

按曝光标识，对同一多媒体对象在同一子时间段内的不同用户行为数据进行合并及标签标记处理，得到每一子时间段内各多媒体对象的对应于各曝光标识的中间数据；其中，针对多媒体对象的每次曝光事件，为其生成对应的曝光标识，不同曝光事件对应的曝光标识不同；

所述对不同子时间段对应的的中间数据进行第二聚合处理，得到多个样本对象，包括：

按曝光标识，将不同子时间段的中间数据进行合并及标签标记处理，得到多个样本对象。

6.根据权利要求5所述的方法，其特征在于，所述多个样本对象包括浅层转化样本、深层转化样本和未转化样本；

在得到所述多个样本对象之后，还包括：

根据预定的最大允许的复制次数，以及单一的曝光标识对应的深层转化样本的个数，对对应的深层转化样本数目大于1的曝光标识进行深层转化样本复制，并将复制得到的深层转化样本纳入所述样本集。

7.根据权利要求5或6所述的方法，其特征在于，在得到所述多个样本对象之后，还包括：

根据所述预测模型的转化目标，对所述样本集中的样本对象进行过滤处理，以滤除不符合所述转化目标的样本对象；

其中，所述预测模型的转化目标为所述目标对象的深层投放目标。

8.一种转化率预测装置，其特征在于，包括：

获取单元，用于获取待预测的目标对象；

预测单元，用于利用预先构建的预测模型，预测所述目标对象对应的用户行为从第一层次行为到第二层次行为的转化率；

其中，所述预测模型的样本集包括时间长度大于预定阈值的预定历史时间段内的多个样本对象，以通过时间长度大于预定阈值的预定历史时间段内的多个样本对象学习不同层次行为间的延迟转化特征，所述延迟转化特征用于表示不同层次行为之间转化时在时间上的延迟性；所述多个样本对象包括：并行处理不同子时间段内的数据对象，得到分别对应于不同子时间段的中间数据，在并行处理中对每一子时间段内数据对象的处理为对所述子时间段内数据对象的第一聚合处理；并对不同子时间段的中间数据进行第二聚合处理所得的多个样本对象；所述第一聚合处理包括一次或多次聚合操作，所述第二聚合处理包括一次或多次聚合操作；

其中，不同层次行为是指用户针对投放的多媒体对象，所执行的距离投放目标不同远近程度的操作行为。

9.一种电子设备，其特征在于，包括：

存储器，用于至少存储一组指令集；

处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集实现如权利要求1-7任一项所述的转化率预测方法。