CN115391661A - 训练推荐模型的方法、推荐资源的方法及其装置 - Google Patents

Abstract

本公开的实施例提供了训练推荐模型的方法、推荐资源的方法及其装置。该方法可以包括获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，第一类型用户提供真实转化率。该方法还可以包括获取包括第二类型用户对目标资源的预测转化率的第二组训练数据，第二类型用户未提供真实转化率。此外，该方法可以进一步包括使用第一组训练数据和第二组训练数据来训练推荐模型。根据本公开的训练方式得到的推荐模型可以准确地向用户推荐资源，提升用户体验。

Description

训练推荐模型的方法、推荐资源的方法及其装置

技术领域

本公开的实施例涉及数据处理领域，并且更具体地，涉及训练推荐模型的方法、推荐资源的方法、装置、电子设备和计算机可读存储介质。

背景技术

随着互联网的快速发展，人们接受到的信息也在爆炸式增长，推荐系统需要在信息超载的情况下，为用户推荐其感兴趣的资源、从而提高用户体验并且提高资源的分发效率。推荐系统在面临海量资源的推荐分发时，可以应用各种不同类型的模型以实现在毫秒级时间内从千万量级资源库中为用户推荐出感兴趣的资源。因此，需要一种推荐模型来实现资源的准确推荐。

发明内容

本公开的实施例提供了推荐模型训练方案。

在本公开的第一方面中，提供了一种训练推荐模型的方法。该方法可以包括获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，第一类型用户提供真实转化率。该方法还可以包括获取包括第二类型用户对目标资源的预测转化率的第二组训练数据，第二类型用户未提供真实转化率。此外，该方法可以进一步包括使用第一组训练数据和第二组训练数据来训练推荐模型。

在本公开的第二方面中，提供了一种训练推荐模型的方法。该方法可以包括确定多个用户对目标资源初始转化率，单个用户未提供真实转化率。该方法还可以包括基于多个用户对目标资源的总转化率和初始转化率，确定校正因子。该方法还可以包括基于校正因子和初始转化率，确定用户对目标资源的预测转化率。此外，该方法可以进一步包括至少基于预测转化率来训练推荐模型。

在本公开的第三方面中，提供了一种推荐资源的方法。该方法可以包括获取用户的用户特征和资源的资源特征。该方法还可以包括利用根据第一方面和第二方面的方法训练的转化率模型，基于用户特征和资源特征，确定用户对资源的转化率。此外，该方法可以进一步包括基于转化率，向用户推荐资源。

在本公开的第四方面中，提供了一种训练推荐模型的装置，该装置可以包括：第一训练数据获取模块，被配置为获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，第一类型用户提供真实转化率；第二训练数据获取模块，被配置为获取包括第二类型用户对目标资源的预测转化率的第二组训练数据，第二类型用户未提供真实转化率；以及第一模型训练模块，被配置为使用第一组训练数据和第二组训练数据来训练推荐模型。

在本公开的第五方面中，提供了一种训练推荐模型的装置，该装置可以包括：初始转化率确定模块，被配置为确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；校正因子确定模块，被配置为基于多个用户对目标资源的总转化率和初始转化率，确定校正因子；预测转率确定模块，被配置为基于校正因子和初始转化率，确定用户对目标资源的预测转化率；以及第二模型训练模块，被配置为至少基于预测转化率来训练推荐模型。

在本公开的第六方面中，提供了一种推荐资源的装置，该装置可以包括：特征获取模块，被配置为获取用户的用户特征和资源的资源特征；转化率确定模块，被配置为利用第一方面或第二方面的方法训练的转化率模型，基于用户特征和资源特征，确定用户对资源的转化率；以及推荐模块，被配置为基于转化率，向用户推荐资源。

在本公开的第七方面中，提供了一种电子设备，包括：处理器；以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使电子设备执行根据第一方面、第二方面或第三方面的方法的任意步骤。

在本公开的第八方面中，提供了计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现根据第一方面、第二方面或第三方面的方法的任意步骤。

提供该内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。该内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同或相似的参考标号通常代表相同或相似的部件。在附图中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的实施例的用于训练和应用模型的详细示例环境的示意图；

图3示出了根据本公开的一个实施例的用于训练推荐模型的过程的流程图；

图4示出了根据本公开的另一实施例的用于训练推荐模型的过程的流程图；

图5示出了根据本公开的实施例的用于训练推荐模型的方案的总体流程图；

图6示出了根据本公开的一个实施例的用于训练推荐模型的装置的示意图；

图7示出了根据本公开的另一实施例的用于训练推荐模型的装置的示意图；以及

图8示出了可以用来实施本公开的实施例的示例设备的示意性框图。

具体实施方式

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

下面将参考附图中示出的若干示例实施例来描述本公开的原理。在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例的描述中，术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“模型”有时也可以被称为“神经网络”、“学习模型”、“学习网络”或“网络”。这些术语在本文中可互换地使用。

术语“特征”是指通过向量表示资源或用户。该特征向量的性质使距离相近的向量对应的物体有相近的含义。例如，两个资源汽车和数码产品都属于科技类物品，则汽车的特征向量和数码产品的特征向量在空间上距离比较接近。又比如用户A和用户B同时选择娱乐类信息作为感兴趣的标签，则用户A和用户B的特征在空间上距离比较接近。利用“特征”概念能够用向量对物体进行编码还能保留其含义的特点，这非常适合深度学习。术语“推荐”是指将各种资源或者内容通过各种合适的形式呈现给用户或者曝光给用户的动作。

如上文所描述，需要一种推荐模型来实现资源的准确推荐。在传统上，通常根据用户对资源的转化率来确定是否向用户对进行推荐。然而根据不同操作系统的要求和用户的设置，往往无法获得真实转化率作为真值标签来对推荐模型进行训练。在常规操作中，可以利用一些初始转化率来对推荐模型进行训练。然而由于初始转化率与真实转化率之间具有较大的差异，训练效果不佳，从而无法得到准确的推荐模型。这一方面导致用户体验感差，另一方面导致推荐方投入的推荐成本过高。

根据本公开的实施例，提出了一种推荐模型训练方案。该方案在将训练数据分为两部分。对于提供真实转化率的第一类型用户，获取包括真实转化率的第一组训练数据用于推荐模型训练。对于未提供真实转化率的第二类型用户，获取包括预测转化率的第二组训练数据用于推荐模型训练。由此，将与不同类型的用户相关的数据作为不同的训练数据用于推荐模型训练，可以提高模型的泛化性。此外，根据最接近真实转化率的预测转化率来训练推荐模型，可以提高推荐模型预测转化率的准确性，从而能够解决上述问题和/或其他潜在问题。

以下将结合示例场景来详细描述本公开的各实施例。应当理解，这仅仅是出于说明的目的，不旨在以任何方式限制本公开的范围。

图1示出了根据本公开的实施例的用于训练推荐模型的示例系统100的框图。应当理解，图1所示的系统100仅仅是本公开的实施例可实现于其中的一种示例，不旨在限制本公开的范围。本公开的实施例同样适用于其他系统或架构。

如图1所示，系统100可以包括计算设备120。计算设备120可以被配置为接收输入110，输入可以包括与用户和资源相关联的数据，例如用户特征和资源特征。计算设备120基于输入110生成用户对资源的转化率130。具体地，计算设备120可以通过布置在其中的推荐模型140来生成转化率130。

用户可以是各种类型的应用的用户，该应用可以是包括推荐系统的应用，包括但不限于购物应用、短视频应用、音乐应用、婚恋交友应用、新闻应用、论坛应用、云盘存储应用、搜索应用等。本公开在此不做限制。

资源可以是包括推荐系统的上述应用中的商品、直播间、短视频、图片、音乐、人物信息等。用户在上述应用中接收被推荐的、与资源相关联的视频、图片、文字、语音或其组合。例如，用户进入新闻应用后，在显示界面中收到推荐的新闻的封面图片、新闻头条文字信息或视频信息。在本文中，“资源”、“内容”、“对象”等均指可能需要呈现或者曝光给用户的实体或者虚拟物品，本公开在此不做限制。

用户在上述应用中会经历以下流程：首先是用户看到资源，之后用户有可能会选择(例如，点击)感兴趣的资源。接着用户有可能会对该资源进行进一步操作，例如购买、收藏、加入购物车、下载、转发等，这一行为称为转化。预测资源被展示给用户后用户会产生转化行为的概率称为转化率预估。

可以理解，在用户选择该资源后，会离开应用的界面而进入资源相关的页面，之后用户的动作不可见。而根据用户设置、操作系统的类型以及资源相关方的设置，一些用户对该资源的真实转化率会被提供给应用方(在下文中，我们称其为第一类型用户)，而另一些用户对该资源的真实转化率不会被提供给应用方(在下文中，我们称其为第二类型用户)。

在本公开中，推荐模型140可以被设计用于执行推荐任务。推荐模型的示例包括但不限于各类深度神经网络(DNN)、卷积神经网络(CNN)、支持向量机(SVM)、决策树、随机森林模型等等。在本公开的实现中，推荐模型也可以被称为“神经网络”、“学习模型”、“学习网络”、“模型”和“网络”可替换地使用。

在一些实施例中，计算设备120可以包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理PDA、媒体播放器等)、消费电子产品、小型计算机、大型计算机、云计算资源等。

应当理解，系统100中所包括的这些装置和/或装置中的单元仅是示例性的，而不旨在限制本公开的范围。应当理解的是，系统100还可以包括未示出的附加装置和/或单元。例如，在一些实施例中，系统100的计算设备120中还可以进一步包括用于存储预先输入的超参数等的存储单元(未示出)。

下文将参考图2对计算设备120中的模型的训练和使用进行描述。图2示出了根据本公开的实施例的详细示例环境200的示意图。与图1类似地，示例环境200可以包含计算设备220、输入计算设备220的输入210和从计算设备220输出的转化率230。区别在于，示例环境200总体上可以包括模型训练系统260和模型应用系统270。作为示例，模型训练系统260和/或模型应用系统270可以在如图1所示的计算设备120或如图2所示的计算设备220中实现。应当理解，仅出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。

如前所述，对模型的输入进行处理以确定用户对资源的转化率130的过程可以分为两个阶段：模型训练阶段和模型应用阶段。作为示例，如图2所示，在模型训练阶段中，模型训练系统260可以利用训练数据250来训练模型240。应理解，训练数据250可以是(用户特征；资源特征；用户对资源转化率)的三元组。在一些实施例中，训练数据250可以包括与第一类型用户相关联的第一组训练数据252，其中用户对资源的真实转化率被提供。在一些其他实施例中，训练数据250可以包括与第二类型用户相关联的第二组训练数据254，其中用户对资源的真实转化率不被提供。此时，需要对该真实转化率进行预测以用于训练模型240，将在下文详细描述预测过程。备选地，在一些实施例中，训练数据250可以包括第一组训练数据252和第二组训练数据242两者。

在模型应用阶段中，模型应用系统270可以接收经训练的模型240。由此，载入到模型应用系统270的计算设备220中的模型240可以基于输入210来确定转化率230。

在其他实施例中，模型240可以被构建为学习网络。在一些实施例中，该学习网络可以包括多个网络，其中每个网络可以是一个多层神经网络，其可以由大量的神经元组成。通过训练过程，每个网络中的神经元的相应参数能够被确定。这些网络中的神经元的参数被统称为模型240的参数。

模型240的训练过程可以以迭代方式来被执行，直至模型240的参数中的至少部分参数收敛或者直至达到预定迭代次数，由此获得最终的模型参数。

上文描述的技术方案仅用于示例，而非限制本公开。应理解，还可以按照其他方式和连接关系来布置各个网络。为了更清楚地解释上述方案的原理，下文将参考图3来更详细描述推荐模型训练的过程。

图3示出了根据本公开的实施例的用于训练推荐模型的过程300的流程图。在某些实施例中，过程300可以在图1中的计算设备120和图2中的计算设备220中实现。现参照图3描述根据本公开实施例的训练推荐模型的过程300。为了便于理解，在下文描述中提及的具体实例均是示例性的，并不用于限定本公开的保护范围。

在302，计算设备120可以获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，第一类型用户提供真实转化率。例如，根据操作系统的类别、用户的设置以及资源方的设置，计算设备120可以获取第一类型用户对目标资源的真实转化率。计算设备120然后可以根据该真实转化率训练模型。

在一些实施例中，计算设备120可以确定第一类型用户的用户特征和目标资源的资源特征，然后获取第一类型用户对目标资源真实转化率。例如针对用户i的训练数据可以表示为(x_i,y_i,z_i)。其中x_i表示用户特征和资源特征；y_i以不同的值表示用户是否选择(点击)了展示给该用户的目标资源，y_i可以为0至1之间的一个数值，例如0表示没有选择，1表示选择；z_i则表示用户是否在选择之后的转化率，即是否实施了目标行为，该目标行为是在对应场景下被认为该用户得到转化的行为。z_i可以为0至1之间的一个数值，例如0表示发生转化，1表示未发生转化。请注意，上述训练数据仅仅使示例性的，还可以存在不同形式的训练数据，本公开在此不做限制。

对于用户特征和资源特征的确定，在一些实施例中，计算设备120可以分别确定用户特征和资源特征。例如，计算设备120可以基于用户对资源的历史选择来用户特征。计算设备120可以基于资源类别、资源发布者、历史上选择资源的用户的用户特征中的一项或者多项来确定资源特征。上述确定特征的方法仅仅是示例性的，计算设备120可以根据用户和资源的其他合适的固有特征来确定用户特征和资源特征，以准确地表示用户与资源间复杂的非线性关系。

备选地，在一些实施例中，可以通过用户与资源的交互信息来确定用户的用户特征以及资源的资源特征。例如可以通过用户对资源的点击、分享、发布等操作的关系来构建节点图，其中每个节点表示用户和资源。再通过在该节点图中游走来确定用户特征以及资源特征。可以理解，通过准确地表示用户与资源的特征，可以提升待训练的推荐模型的特征容量和泛化性。

上面描述了对已知真实预测率的用户的训练数据的获取和确定，下面描述对位未知真实预测率的用户的训练数据的获取和确定。在304，计算设备120可以获取包括第二类型用户对目标资源的预测转化率的第二组训练数据，第二类型用户未提供真实转化率。可以理解，对于一些类型的操作系统，有时需要用户和资源关联方的双重授权，才可以得到单个用户的真实转化率。此时，计算设备120需要根据已有数据来对转化率进行预测。

在一个示例中，计算设备120可以首先确定第二类型用户的用户特征和目标资源的资源特征。关于用户特征和资源特征的确定方法参见上文的描述，在此不再赘述。计算设备120然后可以基于第二类型用户选择目标资源之后的用户行为确定预测转化率。例如，虽然计算设备120无法直接获取用户的真实转化率，其可以根据用户与目标资源的交互行为对转化率进行预测。

在一些实施例中，计算设备120可以基于第二类型用户与目标资源之间的动作关系，确定初始转化率作为预测转化率。可以理解，用户对该资源的操作越多，或者用户应用中选择该资源后进入其他界面又跳回应用的时间越长，则表明用户存在更大概率实施了转化行为。例如，计算设备120可以根据用户是否对目标资源点赞、用户是否将目标资源转发、用户对目标资源点击后切换回资源展示界面的时间、以及用户是否将目标资源进行下载中的一项或者多项来确定初始转化率作为预测转化率。初始转化率可以是0到1之间的一个数值。根据用户在应用内与资源之间的动作关系，可以准确地预测转化率。

备选地，在一些实施例中，计算设备120可以将上述提供真实转化率的第一类型用户与目标资源之间的动作关系以及其真实转化率来训练机器学习模型以得到经训练的初始转化率模型。然后计算设备120可以利用该经训练的初始转化率模型来预测第二类型用户的初始转化率。可以理解，由于所使用的训练数据(即第一类型用户、目标资源、以及其之间的真实转化率)与用于预测的数据(即第二类型用户、目标资源、以及其之间的初始转化率)都是针对同一目标资源，这可以使得准确地预测初始转化率，即更加接近真实转化率。

可以理解，有时仅仅基于用户的交互行为往往还是不够准确，还可以根据一些其他数据对初始转化率进行校正，以得到更加接近于真实转化率的预测转化率。

附加地或者备选地，在一些实施例中，虽然出于多种因素，未提供单个用户对目标资源的转化率，但一个计划中的所有(或者一部分)用户对目标资源的总转化率可以被获得。在这种情况下，计算设备120可以基于第一类型用户和第二类型用户对资源的总转化率、真实转化率和初始转化率，确定校正因子。例如，可以根据以下等式(1)来确定校正因子C：

C＝(T-R)/I 等式(1)

其中总转化率T为第一类型用户和第二类型用户中的发生转化的用户数目与第一类型用户和第二类型用户的总数目之间的比率，真实转化率R为第一类型用户中发生转化的用户数目与第一类型用户和第二类型用户的总数目之间的比率，初始转化率I可以为上述预测的所有第二类型用户的初始转化率的平均值。对等式(1)中的分子和分母同时乘以第一类型用户和第二类型用户的总数目，上述等式(1)还可以如下等式(2)的形式呈现：

C＝(TN-FN)/IN 等式(2)

其中TN为总转化数，FN为第一类型用户中转化的用户数，IN为与初始转化率对应的初始转化数。

计算设备120然后将校正因子应用于初始转化率，以得到经校正的初始转化率作为预测转化率。例如，计算设备120可以将每个第二类型用户的初始转化率与校正因子相乘以作为预测转化率。可以理解，根据所获取的总转化率来对所预测的初始转化率进行校正，可以使得预测的转化率更加准确，从而使得随后训练的推荐模型的预测准确度提升。

在确定以及获取了不同类型用户的训练数据后，在306，计算设备120可以使用第一组训练数据和第二组训练数据来训练推荐模型。如上文所述的，训练数据包括用户特征、资源特征和转化率。计算设备120例如可以将用户特征和资源特征输入初始模型，得到预测的转化率。然后确定预测的转化率与作为真值标签的转化率之间的误差，接着计算设备120将该误差沿着从相反的方向(即从待训练模型的输出层到输入层的方向)传播。在反向传播过程中，可以依赖梯度下降算法，调整待训练模型中各个层的参数的值。根据多轮训练，待训练模型的预测与实际值之间的误差会越来越小，直到模型收敛，训练过程完成。由此，计算设备120得到推荐模型。

通过上述多个实施例，本公开可以在无法获得单个用户针对资源的转化率的情况下，通过用户行为以及总转化率来准确地预测用户的转化率。此外，本公开利用上述获得的准确转化率来训练推荐模型，可以提升推荐模型的预测准确度和泛化性。进而，可以使用经训练的推荐模型精准地向用户推荐资源，提高用户体验并且降低资源关联方成本。

上述介绍了同时存在两种类型的用户的方案，下面描述仅存在第二类型用户的方案。图4示出了根据本公开的另一实施例的用于训练推荐模型的过程的流程图。

在402，计算设备120确定多个用户对目标资源初始转化率，单个用户未提供真实转化率。确定初始转化率的过程与在304中描述的步骤类似，在此不再赘述。

在404，计算设备120基于多个用户对目标资源的总转化率和初始转化率，确定校正因子。与在304中描述的步骤不同的是，不存在第一类型用户。计算设备120可以根据如下等式(3)确定校正因子C：

C＝T/I 等式(3)

其中总转化率T为第二类型用户中的发生转化的用户数目与第二类型用户的总数目之间的比率，初始转化率I可以为上述预测的所有第二类型用户的初始转化率的平均值。

在406，计算设备120基于校正因子和初始转化率，确定用户对目标资源的预测转化率。计算设备120可以将校正因子应用于初始转化率，以得到经校正的初始转化率作为预测转化率。例如，计算设备120可以将每个第二类型用户的初始转化率与校正因子相乘以作为预测转化率。可以理解，根据所获取的总转化率来对所预测的初始转化率进行校正，可以使得预测的转化率更加准确，从而使得随后训练的推荐模型的预测准确度提升。

在408，计算设备120至少基于预测转化率来训练推荐模型。训练模型的过程与在306中描述的步骤类似，在此不再赘述。

通过上述过程，本公开可以在仅存在第二类型用户的情况下，通过用户行为以及总转化率来准确地预测用户的转化率。此外，本公开利用上述获得的准确转化率来训练推荐模型，可以提升推荐模型的预测准确度和泛化性。进而，可以使用经训练的推荐模型精准地向用户推荐资源，提高用户体验并且降低资源关联方成本。

图5示出了根据本公开的实施例的用于训练推荐模型的方案的总体流程图。首先将训练数据510划分为与第一类型用户的训练数据和第二类型用户的训练数据。第一类型用户的训练数据包括真实转化率540。第二类型用户的训练数据的转化率需要根据上述330和400的过程来确定，其中分别确定出事转化率550、校正因子570和预测转化率560。然后可以将第一类型用户的训练数据和第二类型用户的训练数据分别输入值模型520进行训练，模型520的输出位转化率530。具体步骤参见上文描述，在此不再赘述。

上文详细描述了推荐模型的训练过程，下面描述推荐模型应用过程。首先计算设备120获取用户的用户特征和资源的资源特征。例如，计算设备120可以确定用户特征和资源特征，户特征和资源特征的确定过程参见上文描述，在此不再赘述。在一些实施例中，计算设备120还可以根据用户标识和资源标识从数据库中调用预先存储的用户特征和资源特征。

计算设备120然后可以根据过程300和400训练的转化率模型，基于用户特征和资源特征，确定用户对资源的转化率。例如，计算设备120可以将用户特征和资源特征作为推荐模型的输入，从而得出预测转化率。之后计算设备120基于转化率，向用户推荐资源。例如，计算设备120可以将一个用户对多个资源的转化率进行排序，并将处于预定排序顺序之前的资源推荐给用户。

本公开还提供了一种模型训练装置。具体地，图6示出了根据本公开的实施例的用于训练推荐模型的装置600的示意图。如图6所示，装置600至少可以包括：第一训练数据获取模块602，被配置为获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，第一类型用户提供真实转化率；第二训练数据获取模块604，被配置为获取包括第二类型用户对目标资源的预测转化率的第二组训练数据，第二类型用户未提供真实转化率；以及第一模型训练模块606，被配置为使用第一组训练数据和第二组训练数据来训练推荐模型。

在某些实施例中，第二训练数据获取模块604可以包括：第一特征确定模块，被配置为确定第二类型用户的用户特征和目标资源的资源特征；以及第一预测模块，被配置为基于第二类型用户选择目标资源之后的用户行为确定预测转化率。

在某些实施例中，第一预测模块可以包括：第二预测模块，被配置为基于第二类型用户与目标资源之间的动作关系，确定初始转化率作为预测转化率。

在某些实施例中，第二类型用户与目标资源之间的动作关系包括以下至少一项：用户是否对目标资源点赞、用户是否将目标资源转发、用户对目标资源点击后切换回资源展示界面的时间、以及用户是否将目标资源进行下载。

在某些实施例中，装置600还可以包括：校正因子模块，被配置为基于第一类型用户和第二类型用户对资源的总转化率、真实转化率和初始转化率，确定校正因子；以及校正应用模块，被配置为将校正因子应用于初始转化率，以得到经校正的初始转化率作为预测转化率。

在某些实施例中，第一训练数据获取模块602可以包括：第二特征确定模块，被配置为确定第一类型用户的用户特征和目标资源的资源特征；以及转化率获取模块，被配置为获取真实转化率。

在某些实施例中，第一特征确定模块和第二特征确定模块可以包括：用户特征确定模块，被配置为基于用户对资源的历史选择，确定用户特征。

在某些实施例中，第一特征确定模块和第二特征确定模块可以包括：资源特征确定模块，被配置为基于资源类别、资源发布者、历史上选择资源的用户的用户特征中的至少一项确定资源特征。

图7示出了根据本公开的另一实施例的用于训练推荐模型的装置700的示意图。如图7所示，装置700至少可以包括：初始转化率确定模块702，被配置为确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；校正因子确定模块704，被配置为基于多个用户对目标资源的总转化率和初始转化率，确定校正因子；预测转率确定模块706，被配置为基于校正因子和初始转化率，确定用户对目标资源的预测转化率；以及第二模型训练模块708，被配置为至少基于预测转化率来训练推荐模型。

此外，虽然未示出，但本公开还提供了一种推荐资源的装置，可以包括：特征获取模块，被配置为获取用户的用户特征和资源的资源特征；转化率确定模块，被配置为利用根据过程300和400方法训练的转化率模型，基于用户特征和资源特征，确定用户对资源的转化率；以及推荐模块，被配置为基于转化率，向用户推荐资源。

图8示出了可以用来实施本公开的实施例的示例设备800的示意性框图。例如，如图1所示的计算设备120以及图2所示的计算设备220可以由设备800来实施。如图所示，设备800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令，来执行各种适当的动作和处理。在RAM 803中，还可存储设备900操作所需的各种程序和数据。CPU801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。应理解，本公开可以利用输出单元807显示用户满意度的实时动态变化信息、满意度的群体用户或个体用户的关键因素识别信息、优化策略信息、以及策略实施效果评估信息等。

处理单元801可通过一个或多个处理电路来实现。处理单元801可被配置为执行上文所描述的各个过程和处理，例如过程300、400和500。例如，在一些实施例中，过程300、400和500可以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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到RAM 803并由CPU801执行时，可以执行上文描述的过程300、400和500中的一个或多个步骤。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例。示例1.一种训练推荐模型的方法，包括：获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，所述第一类型用户提供所述真实转化率；获取包括第二类型用户对所述目标资源的预测转化率的第二组训练数据，所述第二类型用户未提供所述真实转化率；以及使用所述第一组训练数据和所述第二组训练数据来训练所述推荐模型。

示例2.根据示例1所述的方法，其中获取所述第二组训练数据包括：确定所述第二类型用户的用户特征和所述目标资源的资源特征；以及基于所述第二类型用户选择所述目标资源之后的用户行为确定所述预测转化率。

示例3.根据示例1-2所述的方法，其中确定所述预测转化率包括：基于所述第二类型用户与所述目标资源之间的动作关系，确定初始转化率作为预测转化率。

示例4.根据示例1-3所述的方法，其中所述第二类型用户与所述目标资源之间的动作关系包括以下至少一项：用户是否对目标资源点赞、用户是否将目标资源转发、用户对目标资源点击后切换回资源展示界面的时间、以及用户是否将目标资源进行下载。

示例5.根据示例1-4所述的方法，还包括基于所述第一类型用户和所述第二类型用户对所述资源的总转化率、所述真实转化率和所述初始转化率，确定校正因子；以及将所述校正因子应用于所述初始转化率，以得到经校正的初始转化率作为预测转化率。

示例6.根据示例1-5所述的方法，其中获取第一组训练数据包括：确定所述第一类型用户的用户特征和所述目标资源的资源特征；以及获取所述真实转化率。

示例7.根据示例1-6所述的方法，其中确定用户特征包括：基于用户对资源的历史选择，确定所述用户特征。

示例8.根据示例1-7所述的方法，其中确定所述目标资源的资源特征包括：基于资源类别、资源发布者、历史上选择资源的用户的用户特征中的至少一项确定所述资源特征。

示例9.一种训练推荐模型的方法，包括：确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；基于所述多个用户对所述目标资源的总转化率和所述初始转化率，确定校正因子；基于所述校正因子和所述初始转化率，确定用户对所述目标资源的预测转化率；以及至少基于所述预测转化率来训练所述推荐模型。

示例10.一种推荐资源的方法，包括：获取用户的用户特征和资源的资源特征；利用根据示例1至9中任一项所述的方法训练的转化率模型，基于所述用户特征和所述资源特征，确定所述用户对资源的转化率；以及基于所述转化率，向所述用户推荐资源。

示例11.一种训练推荐模型的装置，包括：第一训练数据获取模块，被配置为获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，所述第一类型用户提供所述真实转化率；第二训练数据获取模块，被配置为获取包括第二类型用户对所述目标资源的预测转化率的第二组训练数据，所述第二类型用户未提供所述真实转化率；以及第一模型训练模块，被配置为使用所述第一组训练数据和所述第二组训练数据来训练所述推荐模型。

示例12.根据示例11所述的装置，所述获取所述第二训练数据获取模块包括：第一特征确定模块，被配置为确定所述第二类型用户的用户特征和所述目标资源的资源特征；以及第一预测模块，被配置为基于所述第二类型用户选择所述目标资源之后的用户行为确定所述预测转化率。

示例13.根据示例11或12所述的装置，所述第一预测模块包括：第二预测模块，被配置为基于所述第二类型用户与所述目标资源之间的动作关系，确定初始转化率作为预测转化率。

示例14.根据示例11-13所述的装置，其中所述第二类型用户与所述目标资源之间的动作关系包括以下至少一项：用户是否对目标资源点赞、用户是否将目标资源转发、用户对目标资源点击后切换回资源展示界面的时间、以及用户是否将目标资源进行下载。

示例15.根据示例11-14所述的装置，所述装置还包括：校正因子模块，被配置为基于所述第一类型用户和所述第二类型用户对所述资源的总转化率、所述真实转化率和所述初始转化率，确定校正因子；以及校正应用模块，被配置为将所述校正因子应用于所述初始转化率，以得到经校正的初始转化率作为预测转化率。

示例16.根据示例11-15所述的装置，所述第一训练数据获取模块包括：第二特征确定模块，被配置为确定所述第一类型用户的用户特征和所述目标资源的资源特征；以及转化率获取模块，被配置为获取所述真实转化率。

示例17.根据示例11-16所述的装置，所述第一特征确定模块和第二特征确定模块可以包括：用户特征确定模块，被配置为基于用户对资源的历史选择，确定所述用户特征。

示例18.根据示例11-17所述的装置，所述第一特征确定模块和第二特征确定模块可以包括：资源特征确定模块，被配置为基于资源类别、资源发布者、历史上选择资源的用户的用户特征中的至少一项确定所述资源特征。

示例19.一种训练推荐模型的装置，包括：初始转化率确定，被配置为确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；校正因子确定模块，被配置为基于所述多个用户对所述目标资源的总转化率和所述初始转化率，确定校正因子；预测转率确定模块，被配置为基于所述校正因子和所述初始转化率，确定用户对所述目标资源的预测转化率；以及第二模型训练模块，被配置为至少基于所述预测转化率来训练所述推荐模型。

示例20.一种推荐资源的装置，包括：特征获取模块，被配置为获取用户的用户特征和资源的资源特征；转化率确定模块，被配置为利用根据示例1至10中任一项所述的方法训练的转化率模型，基于所述用户特征和所述资源特征，确定所述用户对资源的转化率；以及推荐模块，被配置为基于所述转化率，向所述用户推荐资源。

示例21.一种电子设备，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述电子设备执行动作，所述动作包括：获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，所述第一类型用户提供所述真实转化率；获取包括第二类型用户对所述目标资源的预测转化率的第二组训练数据，所述第二类型用户未提供所述真实转化率；以及使用所述第一组训练数据和所述第二组训练数据来训练所述推荐模型。

示例22.一种电子设备，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述电子设备执行动作，所述动作包括：确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；基于所述多个用户对所述目标资源的总转化率和所述初始转化率，确定校正因子；基于所述校正因子和所述初始转化率，确定用户对所述目标资源的预测转化率；以及至少基于所述预测转化率来训练所述推荐模型。

示例23.一种电子设备，包括：处理器；以及与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述电子设备执行动作，所述动作包括：获取用户的用户特征和资源的资源特征；利用根据示例1至9中任一项所述的方法训练的转化率模型，基于所述用户特征和所述资源特征，确定所述用户对资源的转化率；以及基于所述转化率，向所述用户推荐资源。

示例24.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如示例1-10中任一项所述的方法。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (15)

1.一种训练推荐模型的方法，包括：

获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，所述第一类型用户提供所述真实转化率；

获取包括第二类型用户对所述目标资源的预测转化率的第二组训练数据，所述第二类型用户未提供所述真实转化率；以及

使用所述第一组训练数据和所述第二组训练数据来训练所述推荐模型。

2.根据权利要求1所述的方法，其中获取所述第二组训练数据包括：

确定所述第二类型用户的用户特征和所述目标资源的资源特征；以及

基于所述第二类型用户选择所述目标资源之后的用户行为确定所述预测转化率。

3.根据权利要求2所述的方法，其中确定所述预测转化率包括：

基于所述第二类型用户与所述目标资源之间的动作关系，确定初始转化率作为所述预测转化率。

4.根据权利要求3所述的方法，其中所述第二类型用户与所述目标资源之间的动作关系包括以下至少一项：

用户是否对目标资源点赞、用户是否将目标资源转发、用户对目标资源点击后切换回资源展示界面的时间、以及用户是否将目标资源进行下载。

5.根据权利要求3所述的方法，还包括

基于所述第一类型用户和所述第二类型用户对所述资源的总转化率、所述真实转化率和所述初始转化率，确定校正因子；以及

将所述校正因子应用于所述初始转化率，以得到经校正的初始转化率作为预测转化率。

6.根据权利要求1所述的方法，其中获取第一组训练数据包括：

确定所述第一类型用户的用户特征和所述目标资源的资源特征；以及

获取所述真实转化率。

7.根据权利要求2或6所述的方法，其中确定所述用户特征包括：

基于用户对资源的历史选择，确定所述用户特征。

8.根据权利要求2或6所述的方法，其中确定所述目标资源的资源特征包括：

基于资源类别、资源发布者、历史上选择资源的用户的用户特征中的至少一项确定所述资源特征。

9.一种训练推荐模型的方法，包括：

确定多个用户对目标资源初始转化率，所述多个用户中的用户未提供真实转化率；

基于所述多个用户对所述目标资源的总转化率和所述初始转化率，确定校正因子；

基于所述校正因子和所述初始转化率，确定用户对所述目标资源的预测转化率；以及

至少基于所述预测转化率来训练所述推荐模型。

10.一种推荐资源的方法，包括：

获取用户的用户特征和资源的资源特征；

利用根据权利要求1至9中任一项所述的方法训练的转化率模型，基于所述用户特征和所述资源特征，确定所述用户对资源的转化率；以及

基于所述转化率，向所述用户推荐资源。

11.一种训练推荐模型的装置，包括：

第一训练数据获取模块，被配置为获取包括第一类型用户对目标资源的真实转化率的第一组训练数据，所述第一类型用户提供所述真实转化率；

第二训练数据获取模块，被配置为获取包括第二类型用户对所述目标资源的预测转化率的第二组训练数据，所述第二类型用户未提供所述真实转化率；以及

第一模型训练模块，被配置为使用所述第一组训练数据和所述第二组训练数据来训练所述推荐模型。

12.一种训练推荐模型的装置，包括：

初始转化率确定，被配置为确定多个用户对目标资源初始转化率，单个用户未提供真实转化率；

校正因子确定模块，被配置为基于所述多个用户对所述目标资源的总转化率和所述初始转化率，确定校正因子；

预测转率确定模块，被配置为基于所述校正因子和所述初始转化率，确定用户对所述目标资源的预测转化率；以及

第二模型训练模块，被配置为至少基于所述预测转化率来训练所述推荐模型。

13.一种推荐资源的装置，包括：

特征获取模块，被配置为获取用户的用户特征和资源的资源特征；

转化率确定模块，被配置为利用根据权利要求1至10中任一项所述的方法训练的转化率模型，基于所述用户特征和所述资源特征，确定所述用户对资源的转化率；以及

推荐模块，被配置为基于所述转化率，向所述用户推荐资源。

14.一种电子设备，包括：

处理器；以及

与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被处理器执行时使所述电子设备执行如权利要求1-10中任一项所述的方法。

15.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-10中任一项所述的方法。

Images