CN116319932A - 内容推送模型的训练方法、装置、设备及存储介质 - Google Patents

内容推送模型的训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116319932A
CN116319932A CN202310308509.1A CN202310308509A CN116319932A CN 116319932 A CN116319932 A CN 116319932A CN 202310308509 A CN202310308509 A CN 202310308509A CN 116319932 A CN116319932 A CN 116319932A
Authority
CN
China
Prior art keywords
content
click
model
prediction result
target
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.)
Pending
Application number
CN202310308509.1A
Other languages
English (en)
Inventor
沈定国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202310308509.1A priority Critical patent/CN116319932A/zh
Publication of CN116319932A publication Critical patent/CN116319932A/zh
Priority to PCT/CN2024/081241 priority patent/WO2024198920A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/1396—Protocols specially adapted for monitoring users' activity
    • 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
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本公开实施例提供了一种内容推送模型的训练方法、装置、设备及存储介质。获取目标内容的点击相关特征及展示相关特征；将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；将训练后的所述第一设定模型确定为内容推送模型。本公开实施例提供的内容推送模型的训练方法，在训练内容推送模型时，考虑了目标内容是否被展示的因素，可以在一定程度上消除内容是否可见对模型预测精度的影响，从而提高内容推送模型预测点击率的准确性。

Description

内容推送模型的训练方法、装置、设备及存储介质
技术领域
本公开实施例涉及互联网技术领域，尤其涉及一种内容推送模型的训练方法、装置、设备及存储介质。
背景技术
在推送场景下，目前的做法是通过内容推送神经网络预测用户对内容的点击率，然后基于点击率确定是否将内容推送至用户。这样方式的缺陷是：由于各种应用程序(Application，APP)均会向终端设备推送内容，使得大量的内容无法展开显示，经常处于被折叠的状态。这会导致很多本来用户感兴趣的推送内容因为没有被用户看到而被神经网络认为用户点击该物料的可能性较低，从而影响预估的准确性。
发明内容
本公开实施例提供一种内容推送模型的训练方法、装置、设备及存储介质，可以提高内容推送模型预测点击率的准确性。
第一方面，本公开实施例提供了一种内容推送模型的训练方法，包括：
获取目标内容的点击相关特征及展示相关特征；
将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
将训练后的所述第一设定模型确定为内容推送模型。
第二方面，本公开实施例还提供了一种内容推送模型的训练装置，包括：
获取模块，用于获取目标内容的点击相关特征及展示相关特征；
点击预测结果获取模块，用于将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
展示预测结果获取模块，用于将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
模型训练模块，用于基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
内容推送模型确定模块，用于将训练后的所述第一设定模型确定为内容推送模型。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的内容推送模型的训练方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的内容推送模型的训练方法。
本公开实施例公开了一种内容推送模型的训练方法、装置、设备及存储介质，获取目标内容的点击相关特征及展示相关特征；将点击相关特征输入第一设定模型，输出目标内容的点击预测结果；其中，点击预测结果表征目标内容被点击的概率；将展示相关特征输入第二设定模型，输出目标内容的展示预测结果；其中，展示预测结果表征目标内容被展示的概率；基于点击预测结果和展示预测结果对第一设定模型和第二设定模型进行训练；将训练后的第一设定模型确定为内容推送模型。本公开实施例提供的内容推送模型的训练方法，在训练内容推送模型时，考虑了目标内容是否被展示的因素，可以在一定程度上消除内容是否可见对模型预测精度的影响，从而提高内容推送模型预测点击率的准确性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种内容推送模型的训练方法的流程示意图；
图2是本公开实施例所提供的一种内容推送模型的训练的示例图；
图3是本公开实施例所提供的一种内容推送模型的训练装置的结构示意图；
图4是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
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。
目前的内容推送模型无法理解是因为用户没看到推送内容而未点击还是因为用户不感兴趣未点击，这会导致很多本来用户感兴趣的内容因为没有被用户看到而被模型认为用户点击该内容的可能性较低。例如：某些终端的操作系统中，推送过一段时间的内容会被自动折叠，若用户不去展开则无法看到该内容；或者由于设备原因导致推送内容无法被展示。
图1为本公开实施例所提供的一种内容推送模型的训练方法流程示意图，本公开实施例适用于对内容推送模型进行训练的情形，该方法可以由内容推送模型的训练装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。
如图1所示，所述方法包括：
S110，获取目标内容的点击相关特征及展示相关特征。
其中，目标内容可以是用于推送至终端设备上的内容，例如：可以是物品的广告内容、活动的宣传内容、多媒体(音频、视频)内容等，本实施例对目标内容不做限定。
其中，点击相关特征可以理解为影响目标内容是否被点击的特征。可以包括如下至少一项：对象特征、内容主题特征、内容文案特征及时间上下文特征。其中，对象特征可以理解为使用终端设备的对象的特征。内容主题特征可以理解为目标内容所对应的主题的特征，可以由物品的类别、名称等信息构成。内容文案特征可以理解为目标内容所涉及的主题的描述信息构成的特征，例如文案的长度、文案的文本等。时间上下文特征可以包括时间特征、推送系统的时间特征及目标内容的实时特征等，关于时间上下文特征可参见现有的推荐系统中关于时间上下文信息的内容，此处不做限定。
其中，展示相关特征可以理解为影响目标内容是否被展示的特征。可以包括如下至少一项：对象标识、内容展示时差特征、设备特征及内容文案特征。内容展示时差表征目标内容从第一展示形式切换至第二展示形式之间的时间差，第一展示形式可以是目标内容的主题被展示，第二展示形式可以是目标内容的文案被展示，则内容展示时差可以理解为目标内容从开始展示到被点击之间的时间差。对象标识可以理解为使用终端设备的对象的标识(ID)。设备特征可以包括设备型号及设备的操作系统等。内容文案特征征可以理解为目标内容所涉及的主题的描述信息构成的特征，例如文案的长度、文案的文本等。
本实施例中，需要将目标内容推送至终端设备上，然后根据目标内容在终端设备上被点击的情况获取其点击相关特征，根据其被展示的情况获取其展示相关特征。
S120，将点击相关特征输入第一设定模型，输出目标内容的点击预测结果。
其中，点击预测结果表征目标内容被点击的概率。第一设定模型可以是用于预测目标内容被点击的概率的模型。第一设定模型可以包括全连接层、激活层及归一化层，以对输入的点击相关特征进行处理。
具体的，首先对点击相关特征进行量化处理，然后将量化处理后的点击相关特征输入第一设定模型，输出点击预测结果。
S130，将展示相关特征输入第二设定模型，输出目标内容的展示预测结果。
其中，展示预测结果表征目标内容被展示的概率。第二设定模型可以是用于预测目标内容被展示的概率的模型。第二设定模型可以包括全连接层、激活层及归一化层，以对输入的展示相关特征进行处理。
具体的，首先对展示相关特征进行量化处理，然后将量化处理后的展示相关特征输入第二设定模型，输出展示预测结果。
S140，基于点击预测结果和展示预测结果对第一设定模型和第二设定模型进行训练。
具体的，基于点击预测结果和展示预测结果对第一设定模型和第二设定模型进行训练的方式可以是：将点击预测结果和展示预测结果进行融合，获得目标点击结果；基于目标点击结果对第一设定模型和第二设定模型进行训练。
其中，目标点击结果可以表征目标对象被点击的概率，该概率考虑了目标内容被展示的概率。将点击预测结果和展示预测结果进行融合的方式可以是：将点击预测结果对应的概率与展示预测结果对应的概率进行相乘，获得目标点击结果的概率。示例性的，假设P1表示点击预测结果对应的目标内容被点击的概率，P2表示展示预测结果表征对应的目标内容被展示的概率，则目标点击结果的概率P3可以表示为：P3＝P1*P2。
本实施例中，基于目标点击结果对第一设定模型和第二设定模型进行训练的过程可以是：首先基于目标点击结果确定损失信息，然后基于损失信息分别对第一设定模型和第二设定模型进行反向调参，以实现对第一设定模型和第二设定模型的训练。
具体的，基于目标点击结果对第一设定模型和第二设定模型进行训练的过程可以是：获取目标内容的真实点击结果；确定真实点击结果和目标点击结果间的损失信息；基于损失信息对第一设定模型和第二设定模型进行反向梯度调参，以对第一设定模型和第二设定模型进行训练。
其中，真实点击结果可以是将目标内容推送至终端设备中展示时，该终端设备对应的对象对该目标内容的点击信息，可以包括点击目标内容(对应的概率为1)或者未点击目标内容(对应的概率为0)。真实点击结果和目标点击结果间的损失信息可以采用现有任意的损失函数进行计算，例如：铰链损失函数、交叉熵损失函数及指数损失函数等，此处不做限定。在获得损失信息后，基于损失信息对第一设定模型和第二设定模型进行反向梯度调参，以对第一设定模型和第二设定模型进行训练。
示例性的，图2是本实施例中内容推送模型的训练的示例图，如图2所示，将点击相关特征输入第一设定模型，输出目标内容的点击预测结果；将展示相关特征输入第二设定模型，输出目标内容的展示预测结果；将点击预测结果和展示预测结果进行融合，获得目标点击结果；基于目标点击结果对第一设定模型和第二设定模型进行训练。
S150，将训练后的第一设定模型确定为内容推送模型。
本实施例中，在第一设定模型和第二设定模型训练完成后，将训练后的第一设定模型确定为内容推送模型，以基于内容推送模型预测待推送内容被点击的概率。
可选的，在将训练后的第一设定模型确定为内容推送模型之后，还包括如下步骤：获取待推送内容的点击相关特征；将待推送内容的点击相关特征输入内容推送模型，获得待推送内容的点击预测结果；根据点击预测结果对待推送内容进行推送。
其中，点击相关特征可以理解为影响待推送内容是否被点击的特征。可以包括如下至少一项：对象特征、内容主题特征、内容文案特征及时间上下文特征。点击相关特征的详细解释可参照上述实施例，此处不再赘述。点击预测结果可以表征待推送内容被点击的概率。具体的，将待推送内容的点击相关特征进行量化处理，将量化处理的点击相关特征输入内容推送模型，获得待推送内容的点击预测结果。
具体的，根据点击预测结果对待推送内容进行推送的方式可以是：若点击预测结果对应的待推送内容被点击的概率超过设定阈值，则将待推送内容推送至终端设备。
其中，若点击预测结果对应的待推送内容被点击的概率超过设定阈值，则表明终端设备对应的对象对该待推送内容感兴趣，有较高的概率点击该待推送内容。若点击预测结果对应的待推送内容被点击的概率未超过设定阈值，则表明终端设备对应的对象对该待推送内容不感兴趣，有较低的概率点击该待推送内容，此时不会将待推送内容推送至终端设备，以节省带宽。
本公开实施例的技术方案，获取目标内容的点击相关特征及展示相关特征；将点击相关特征输入第一设定模型，输出目标内容的点击预测结果；其中，点击预测结果表征目标内容被点击的概率；将展示相关特征输入第二设定模型，输出目标内容的展示预测结果；其中，展示预测结果表征目标内容被展示的概率；基于点击预测结果和展示预测结果对第一设定模型和第二设定模型进行训练；将训练后的第一设定模型确定为内容推送模型。本公开实施例提供的内容推送模型的训练方法，在训练内容推送模型时，考虑了目标内容是否被展示的因素，可以在一定程度上消除内容是否可见对模型预测精度的影响，从而提高内容推送模型预测点击率的准确性。
图3为本公开实施例所提供的一种内容推送模型的训练装置结构示意图，如图所示，所述装置包括：
获取模块310，用于获取目标内容的点击相关特征及展示相关特征；
点击预测结果获取模块320，用于将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
展示预测结果获取模块330，用于将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
模型训练模块340，用于基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
内容推送模型确定模块350，用于将训练后的所述第一设定模型确定为内容推送模型。
可选的，所述点击相关特征包括如下至少一项：对象特征、内容主题特征、内容文案特征及时间上下文特征；所述展示相关特征包括如下至少一项：对象标识、内容展示时差特征、设备特征及内容文案特征；其中，所述内容展示时差表征所述目标内容从第一展示形式切换至第二展示形式之间的时间差。
可选的，模型训练模块340，还用于：
将所述点击预测结果和所述展示预测结果进行融合，获得目标点击结果；
基于所述目标点击结果对所述第一设定模型和所述第二设定模型进行训练。
可选的，模型训练模块340，还用于：
获取所述目标内容的真实点击结果；
确定所述真实点击结果和所述目标点击结果间的损失信息；
基于所述损失信息对所述第一设定模型和所述第二设定模型进行反向梯度调参，以对所述第一设定模型和所述第二设定模型进行训练。
可选的，还包括：内容推送模块，用于：
获取待推送内容的点击相关特征；
将所述待推送内容的点击相关特征输入所述内容推送模型，获得所述待推送内容的点击预测结果；
根据所述点击预测结果对所述待推送内容进行推送。
可选的，内容推送模块，还用于：
若所述点击预测结果对应的所述待推送内容被点击的概率超过设定阈值，则将所述待推送内容推送至终端设备。
可选的，所述第一设定模型和所述第二设定模型均包括全连接层、激活层及归一化层。
本公开实施例所提供的内容推送模型的训练装置可执行本公开任意实施例所提供的内容推送模型的训练方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图4为本公开实施例所提供的一种电子设备的结构示意图。下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的内容推送模型的训练方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的内容推送模型的训练方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备获取目标内容的点击相关特征及展示相关特征；将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；将训练后的所述第一设定模型确定为内容推送模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，提供了一种内容推送模型的训练方法，包括：
获取目标内容的点击相关特征及展示相关特征；
将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
将训练后的所述第一设定模型确定为内容推送模型。
进一步地，所述点击相关特征包括如下至少一项：对象特征、内容主题特征、内容文案特征及时间上下文特征；所述展示相关特征包括如下至少一项：对象标识、内容展示时差特征、设备特征及内容文案特征；其中，所述内容展示时差表征所述目标内容从第一展示形式切换至第二展示形式之间的时间差。
进一步地，基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练，包括：
将所述点击预测结果和所述展示预测结果进行融合，获得目标点击结果；
基于所述目标点击结果对所述第一设定模型和所述第二设定模型进行训练。
进一步地，基于所述目标点击结果对所述第一设定模型和所述第二设定模型进行训练，包括：
获取所述目标内容的真实点击结果；
确定所述真实点击结果和所述目标点击结果间的损失信息；
基于所述损失信息对所述第一设定模型和所述第二设定模型进行反向梯度调参，以对所述第一设定模型和所述第二设定模型进行训练。
进一步地，在将训练后的所述第一设定模型确定为内容推送模型之后，还包括：
获取待推送内容的点击相关特征；
将所述待推送内容的点击相关特征输入所述内容推送模型，获得所述待推送内容的点击预测结果；
根据所述点击预测结果对所述待推送内容进行推送。
进一步地，根据所述点击预测结果对所述待推送内容进行推送，包括：
若所述点击预测结果对应的所述待推送内容被点击的概率超过设定阈值，则将所述待推送内容推送至终端设备。
进一步地，所述第一设定模型和所述第二设定模型均包括全连接层、激活层及归一化层。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种内容推送模型的训练方法，其特征在于，包括：
获取目标内容的点击相关特征及展示相关特征；
将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
将训练后的所述第一设定模型确定为内容推送模型。
2.根据权利要求1所述的方法，其特征在于，所述点击相关特征包括如下至少一项：对象特征、内容主题特征、内容文案特征及时间上下文特征；所述展示相关特征包括如下至少一项：对象标识、内容展示时差特征、设备特征及内容文案特征；其中，所述内容展示时差表征所述目标内容从第一展示形式切换至第二展示形式之间的时间差。
3.根据权利要求1所述的方法，其特征在于，基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练，包括：
将所述点击预测结果和所述展示预测结果进行融合，获得目标点击结果；
基于所述目标点击结果对所述第一设定模型和所述第二设定模型进行训练。
4.根据权利要求3所述的方法，其特征在于，基于所述目标点击结果对所述第一设定模型和所述第二设定模型进行训练，包括：
获取所述目标内容的真实点击结果；
确定所述真实点击结果和所述目标点击结果间的损失信息；
基于所述损失信息对所述第一设定模型和所述第二设定模型进行反向梯度调参，以对所述第一设定模型和所述第二设定模型进行训练。
5.根据权利要求1所述的方法，其特征在于，在将训练后的所述第一设定模型确定为内容推送模型之后，还包括：
获取待推送内容的点击相关特征；
将所述待推送内容的点击相关特征输入所述内容推送模型，获得所述待推送内容的点击预测结果；
根据所述点击预测结果对所述待推送内容进行推送。
6.根据权利要求5所述的方法，其特征在于，根据所述点击预测结果对所述待推送内容进行推送，包括：
若所述点击预测结果对应的所述待推送内容被点击的概率超过设定阈值，则将所述待推送内容推送至终端设备。
7.根据权利要求1所述的方法，其特征在于，所述第一设定模型和所述第二设定模型均包括全连接层、激活层及归一化层。
8.一种内容推送模型的训练装置，其特征在于，包括：
获取模块，用于获取目标内容的点击相关特征及展示相关特征；
点击预测结果获取模块，用于将所述点击相关特征输入第一设定模型，输出所述目标内容的点击预测结果；其中，所述点击预测结果表征所述目标内容被点击的概率；
展示预测结果获取模块，用于将所述展示相关特征输入第二设定模型，输出所述目标内容的展示预测结果；其中，所述展示预测结果表征所述目标内容被展示的概率；
模型训练模块，用于基于所述点击预测结果和所述展示预测结果对所述第一设定模型和所述第二设定模型进行训练；
内容推送模型确定模块，用于将训练后的所述第一设定模型确定为内容推送模型。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的内容推送模型的训练方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的内容推送模型的训练方法。
CN202310308509.1A 2023-03-27 2023-03-27 内容推送模型的训练方法、装置、设备及存储介质 Pending CN116319932A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310308509.1A CN116319932A (zh) 2023-03-27 2023-03-27 内容推送模型的训练方法、装置、设备及存储介质
PCT/CN2024/081241 WO2024198920A1 (zh) 2023-03-27 2024-03-12 内容推送模型的训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310308509.1A CN116319932A (zh) 2023-03-27 2023-03-27 内容推送模型的训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116319932A true CN116319932A (zh) 2023-06-23

Family

ID=86828589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310308509.1A Pending CN116319932A (zh) 2023-03-27 2023-03-27 内容推送模型的训练方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN116319932A (zh)
WO (1) WO2024198920A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024198920A1 (zh) * 2023-03-27 2024-10-03 抖音视界有限公司 内容推送模型的训练方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126649B (zh) * 2018-10-31 2023-08-11 北京字节跳动网络技术有限公司 用于生成信息的方法和装置
CN109495552A (zh) * 2018-10-31 2019-03-19 北京字节跳动网络技术有限公司 用于更新点击率预测模型的方法和装置
CN111770125A (zh) * 2019-05-23 2020-10-13 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
CN112214665A (zh) * 2019-07-12 2021-01-12 北京字节跳动网络技术有限公司 内容展示方法、装置、电子设备及计算机可读存储介质
CN115222433A (zh) * 2021-04-16 2022-10-21 腾讯科技（深圳）有限公司 一种信息推荐方法、装置及存储介质
CN116319932A (zh) * 2023-03-27 2023-06-23 抖音视界有限公司 内容推送模型的训练方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024198920A1 (zh) * 2023-03-27 2024-10-03 抖音视界有限公司 内容推送模型的训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2024198920A1 (zh) 2024-10-03

Similar Documents

Publication Publication Date Title
CN111510760B (zh) 视频信息展示方法和装置、存储介质和电子设备
CN110516159B (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111246228B (zh) 直播间礼物资源更新方法、装置、介质及电子设备
CN111459364B (zh) 图标更新方法、装置和电子设备
CN110647702B (zh) 一种图片预加载的方法、装置、电子设备及可读介质
CN114443897B (zh) 一种视频推荐方法、装置、电子设备和存储介质
CN116319932A (zh) 内容推送模型的训练方法、装置、设备及存储介质
CN111596992B (zh) 导航栏展示方法、装置和电子设备
CN111225255B (zh) 目标视频推送播放方法、装置、电子设备及存储介质
CN115086734A (zh) 一种基于视频的信息展示方法、装置、设备及介质
CN114528433B (zh) 一种模板选择方法、装置、电子设备及存储介质
CN115379245B (zh) 信息显示方法、装置和电子设备
CN113220922B (zh) 图像搜索方法、装置和电子设备
CN114820060A (zh) 一种广告推荐方法、装置、设备及介质
CN113177176A (zh) 特征构建方法、内容显示方法及相关装置
CN113177174B (zh) 特征构建方法、内容显示方法及相关装置
CN111259174B (zh) 多媒体发送方法、装置、电子设备及介质
CN116932910A (zh) 内容推送方法、装置、设备及存储介质
CN117200942A (zh) 数据处理方法、装置、介质及电子设备
CN116010867A (zh) 负样本确定方法、装置、介质及电子设备
CN116204722A (zh) 一种内容推荐方法、装置、设备及介质
CN117156147A (zh) 一种视频转码方法、装置、设备和存储介质
CN117992167A (zh) 内容显示方法、装置、可读介质及电子设备
CN117130740A (zh) 一种数据处理方法、装置、终端设备及介质
CN116304397A (zh) 任务推荐方法、装置、计算机可读介质及电子设备

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