CN117291669A - 多任务模型训练方法、数据处理方法、装置及电子设备 - Google Patents

多任务模型训练方法、数据处理方法、装置及电子设备 Download PDF

Info

Publication number
CN117291669A
CN117291669A CN202210681514.2A CN202210681514A CN117291669A CN 117291669 A CN117291669 A CN 117291669A CN 202210681514 A CN202210681514 A CN 202210681514A CN 117291669 A CN117291669 A CN 117291669A
Authority
CN
China
Prior art keywords
attribution
tasks
data
task
training samples
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
CN202210681514.2A
Other languages
English (en)
Inventor
杨镒韩
厉锐
曾翔宇
熊泓宇
孟令同
刘臻
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.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
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 Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202210681514.2A priority Critical patent/CN117291669A/zh
Priority to PCT/SG2023/050404 priority patent/WO2023244170A2/zh
Publication of CN117291669A publication Critical patent/CN117291669A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Transfer Between Computers (AREA)
  • Debugging And Monitoring (AREA)
  • Complex Calculations (AREA)

Abstract

本公开涉及一种多任务模型训练方法、数据处理方法、装置及电子设备，多任务模型训练方法，包括：获取训练样本，训练样本包括归因数据训练样本和非归因数据训练样本，训练样本是通过被展示的媒体内容对应的转化数据所构建的；通过多任务模型中的归因任务和非归因任务分别对训练样本进行处理，得到每个任务对应的处理结果；根据归因任务的处理结果和非归因任务的处理结果，更新多任务模型中任务之间的共享参数，并根据归因任务的处理结果更新归因任务对应的独立参数，提高共享参数对应网络层的泛化性，进而可以提高具有该共享参数的归因任务对数据进行处理得到的处理结果的准确性，进而在达到预期转化率的同时可以最大程度化减少资源的消耗。

Description

多任务模型训练方法、数据处理方法、装置及电子设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种多任务模型训练方法、数据处理方法、装置及电子设备。
背景技术
相关技术中，内容平台所展示的内容与用户的转化率息息相关，为了达到预期的转化率，需要合理地选取所展示的内容，特别是在内容展示资源有限的情况下，合理选取所投放的内容是节省资源消耗的重要手段。
预估转化率通常需要依赖转化数据进行建模，而转化数据可以分为归因数据和非归因数据，归因数据和非归因数据掌握的信息量并不完全相同，若只利用归因数据和非归因数据中的一种数据进行建模，那么缺失的另一种数据反而会对模型学习造成干扰，损害模型预估转化率的能力；若只利用两种数据都涵盖的信息进行建模，并不能最大化利用全部信息，也会影响模型预估转化率的能力，由此造成为达到预期转化率可能需要消耗更多的资源的问题。
因此，如何有效地利用归因数据和非归因数据来进行建模以提升模型准确预估内容的转化率进而避免造成资源浪费是至关重要的。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种多任务模型训练方法，包括：
获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
第二方面，本公开提供一种数据处理方法，包括：
获取目标内容的内容信息；
通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据权利要求1所述方法进行训练得到的。
第三方面，本公开提供一种多任务模型训练装置，包括：
第一获取模块，用于获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
第一预测模块，用于通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
更新模块，用于根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
第四方面，本公开提供一种数据处理装置，包括：
第二获取模块，用于获取目标内容的内容信息；
第二预测模块，用于通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据第一方面中所述方法进行训练得到的。
第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第六方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，由于归因数据和非归因数据的信息量是不同的，因此，分别建立包括归因任务和非归因任务的多任务模型，并根据归因任务的处理结果和非归因任务的处理结果来更新多任务模型中任务之间的共享参数，以及单独利用归因任务的处理结果来更新归因任务的独立参数，且非归因任务对应的非归因数据的样本数据较大，如此，可以提高共享参数对应网络层的泛化性，进而可以提高同样具有该共享参数的归因任务对数据进行处理得到的处理结果的准确性，实现非归因任务对归因任务的辅助训练，进而在达到预期转化率的同时可以最大程度化减少资源的消耗。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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。在附图中：
图1是根据本公开一示例性实施例示出的一种多任务模型训练方法的流程图。
图2是根据本公开一示例性实施例示出的一种多任务模型的模型结构的示意图。
图3是根据本公开一示例性实施例示出的一种多任务模型中各网络层对应参数的更新示意图。
图4是根据本公开一示例性实施例示出的一种数据处理方法的流程图。
图5是根据本公开一示例性实施例示出的一种多任务模型训练装置的框图。
图6是根据本公开一示例性实施例示出的一种数据处理装置的框图。
图7是根据本公开一示例性实施例示出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。
同时，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。
归因数据是指在内容平台展示的内容，并将转化行为(例如，订阅、下载等行为)归因到该内容平台所展示的内容的数据，而非归因数据是指在内容平台展示的内容，并将转化行为(例如，订阅、下载等行为)归因到其他展示的内容(该内容可以由上述的内容平台展示，也可以由其他内容平台展示)的数据。对于内容平台而言，归因数据相较于非归因数据，归因数据(尤其是深层次的转化行为，比如用户的订阅、下载等行为的数据)非常稀疏，严重限制了机器学习模型的性能，这里的性能意指确定内容的转化率的准确性，若无法预估内容的转化率，会造成为达到预期转化率需要消耗更多的资源的问题。因此，为了提升模型准确预估内容的转化率进而避免造成资源浪费，需要充分利用归因数据和非归因数据。
而正如背景技术所言，内容平台对归因数据和非归因数据掌握的信息量并不完全相同，比如，对于某一归因的转化行为，内容平台可以知道触发该转化行为的内容的展示时间、内容展示所在的设备信息和内容的上下文信息等，而对于非归因的转化行为，内容平台无法获取这些信息，因此，采用相同方式单独对两种数据进行建模并不能有效提升模型预估转化率的能力，即只利用归因数据和非归因数据中的一种数据进行建模，那么缺失的另一种数据反而会对模型学习造成干扰，损害模型预估转化率的能力；若只利用两种数据都涵盖的信息进行建模，并不能最大化利用全部信息，也会影响模型预估转化率的能力。
有鉴于此，本公开实施例提供一种多任务模型训练方法通过多任务的训练方式实现非归因任务对归因任务的辅助训练，进而有效地提高模型准确预估内容的转化率的能力，如此，可以避免因展示实际转化率低的内容，但仍为达到预期用户转化率而消耗更多的资源的问题。
图1是根据本公开一示例性实施例示出的一种多任务模型训练方法的流程图。该多任务模型训练方法例如可以应用于智能手机、平板电脑等电子设备，参照图1，该多任务模型训练方法包括以下步骤：
步骤S101，获取训练样本，训练样本包括归因数据训练样本和非归因数据训练样本，训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的。
示例地，训练样本可以是从同一内容展示平台对不同内容进行展示后获取到的数据，也可以是从不同内容展示平台对不同内容进行展示后获取到的数据，本实施例在此不作限定。在从不同展示内容平台获取数据的情况下，首先需要获取到相应第三方内容平台的授权。
示例地，训练样本可以是在不同时间段获取到的数据，如此，可以确保训练样本的泛化性，进而提高训练得到的模型的泛化性。
对于归因数据训练样本而言，包括正样本和负样本，其中，该正样本可以表征是触发转化的数据，且该数据是在第一展示平台上展示媒体内容，且该媒体内容的转化行为是归因在第一展示平台的转化数据，该负样本可以表征不是触发转化的数据，且该数据是在第一展示平台上展示媒体内容，且媒体内容的非转化行为是归因在第一展示平台的非转化数据。与归因数据训练样本相似的是，非归因数据训练样本也包括正样本和负样本，其中，该正样本可以表征是触发转化的数据，且该数据是在第一展示平台上展示媒体内容的情况下，该媒体内容的转化行为归因到同样展示媒体内容的第二展示平台的转化数据，该负样本可以表征不是触发转化的数据，且该数据是在第一展示平台上展示媒体内容的情况下，该媒体内容的非转化行为归因到同样展示媒体内容的第二展示平台的非转化数据，其中，第二展示平台展示的媒体内容与第一展示平台展示的媒体内容相关，且第一展示平台和第二展示平台是不同内容展示平台。
步骤S102，通过多任务模型中的归因任务和非归因任务分别对训练样本进行处理，得到每个任务对应的处理结果。
需要说明的是，多任务模型是一种对多个相似任务统一建模而得到的模型，利用不同任务之间的相似性和不同性来提升模型的准确度和泛化性，进而提升模型的性能。
在本实施例中，多任务模型包括归因任务和非归因任务。在通过多任务模型中的归因任务和非归因任务分别对训练样本进行处理后，可以得到两个处理结果，其中一个是与归因任务对应的是否会发生转化的处理结果，另一个是与非归因任务对应的是否会发生转化的处理结果。
步骤S103，根据归因任务的处理结果和非归因任务的处理结果，更新多任务模型中任务之间的共享参数，并根据归因任务的处理结果更新归因任务对应的独立参数。
其中，训练好的多任务模型中的归因任务用于预测目标内容的转化率。其中，目标内容例如可以是媒体内容，目标内容中包括用于表征内容平台所需要展示的目标内容的文字、图片等内容信息，本实施例在此不作限定。在实际应用中，选取转化率高的目标内容进行展示，如此，避免对转化率低的内容进行展示，进而避免因投放转化率低的内容无法在有限投放资源下达到预期的转化率的情况，这里的资源可以是内容在内容展示平台所投放的时间，等同于内容展示平台的内容显示资源。
通过上述方式，由于归因数据和非归因数据的信息量是不同的，因此，分别建立包括归因任务和非归因任务的多任务模型，并根据归因任务的处理结果和非归因任务的处理结果来更新多任务模型中任务之间的共享参数，以及单独利用归因任务的处理结果来更新归因任务的独立参数，非归因任务对应的非归因数据的样本数据较大，如此，可以提高共享参数对应网络层的泛化性，由此可以提高同样具有该共享参数的归因任务的预估性能，实现非归因任务对归因任务的辅助训练，进而在达到预期转化率的同时可以最大程度化减少资源的消耗。
在一些实施例中，归因任务和非归因任务包括多个网络层结构，其中，多个网络层结构中一般包括涉及特征提取的特征网络层以及涉及结果计算的计算网络层，因此，在此情况下，可以通过反向传播的方式对归因任务和非归因任务包括多个网络层结构中的网络层进行更新。具体来讲，反向传播的方式是指通过处理结果和样本标签来计算损失，并基于该损失首先更新计算网络层的参数，再根据更新后的计算网络层的参数更新特征网络层的参数。
在实际应用中，对于归因数据和非归因数据的分布差别相对较大的情况，若结合归因任务的处理结果和非归因任务的处理结果，更新多任务模型中任务之间的共享参数可能导致较大程度的影响归因任务中独立参数的更新。因此，为实现非归因任务对归因任务辅助训练的同时避免影响归因任务的学习，图1所示的根据归因任务的处理结果和非归因任务的处理结果，更新多任务模型中任务之间的共享参数的步骤可以通过以下方式实施：根据非归因任务的处理结果，更新多任务模型中任务之间的共享参数。
通过上述方式，只利用非归因任务的处理结果来更新多任务模型中任务之间的共享参数，而在归因任务的训练时采用停止梯度的训练方式对共享参数对应的网络层进行训练，由此，避免在归因数据和非归因数据的分布差别相对较大的情况下，非归因任务影响归因任务的学习，实现非归因任务对归因任务辅助训练的同时避免非归因任务影响归因任务的学习。
在一些实施例中，为了利用非归因数据来重点加强模型对深层次事件的学习，可以在选取任务的正负样本时进行限定。首先，结合一示例对浅层次事件和深层次事件进行解释说明，例如，转化是由一系列具有时间顺序动作(后续称为事件)产生的，这一系列事件可以包括浏览事件(可以理解为用户在内容平台浏览到展示的媒体内容)、点击事件(可以理解为点击了媒体内容)、安装事件(可以理解为对点击的媒体内容所对应的应用程序进行了安装)、注册事件(可以理解为注册成为了应用程序的用户)和付费事件(可以理解为在应用程序中进行产品的购买)等事件，在这一系列事件中越前置的事件可以称为浅层次事件，越后置的事件可以称为深层次事件。在归因任务和非归因任务中，划分深层次事件和浅层次事件的节点是不同的，因此，在一种实施例中，可以将非归因数据中的浅层次事件(可以理解为浏览事件)而不是点击事件作为负样本，深层次事件(可以理解为浏览事件之后的事件)作为正样本来构建非归因任务，而归因任务采用浅层次事件(例如点击事件和浏览事件)作为负样本，所有深层次事件(即转化事件，例如，安装事件以及位于安装事件之后的注册事件和付费事件等事件)作为正样本。通过上述方式，可以实现利用非归因数据来重点加强模型对深层次事件的学习。
图2是根据本公开一示例性实施例示出的一种多任务模型的模型结构的示意图。参照图2，多任务模型中包括与归因任务对应的第一网络子结构和与非归因任务对应的第二网络子结构，第一网络子结构包括第一特征提取网络层、第二特征提取网络层和归因计算网络层，第二网络子结构包括第二提取特征网络层和非归因计算网络层，第一特征提取网络层对应的网络参数为独立参数，第二提取特征网络层对应的网络参数为共享参数。
需要说明的是，第一网络子结构和第二网络子结构共享的第二提取特征网络层在图2中仅仅示意在第一网络子结构中，应当理解的是，第二网络子结构中也包括图2中所示的第二提取特征网络层。另外，图2中的实线箭头表征任务对训练样本进行处理的数据流向；图2中的虚线箭头表征任务的处理结果对各网络层对应参数的更新流向(即反向传播方式)。
以下结合图2对图1所示的步骤S102进行示例性说明。
针对归因任务，图1所示的步骤S102可以通过以下方式实施：通过第一特征提取网络层对归因数据训练样本和非归因数据训练样本中的目标数据进行特征向量提取，得到第一特征向量；通过第二特征提取网络层对归因数据训练样本和非归因数据训练样本的共有数据进行特征向量提取，得到第二特征向量；通过归因计算网络层对第一特征向量和第二特征向量进行处理，得到归因任务对应的处理结果。
在一些实施例中，目标数据可以包括归因数据训练样本中除非归因数据训练样本包括的数据之外的其他数据，即归因数据训练样本特有的信息这样，可以更多的关注归因数据训练样本特有的信息，便于归因任务对应的独立参数的更新仅受归因数据训练样本特有的信息的影响。
示例地，归因数据训练样本特有的信息例如可以包括前文提及的归因数据训练样本中内容的展示时间、内容展示所在的设备信息和内容的上下文信息等。
在一些实施例中，目标数据除了可以包括归因数据训练样本中除非归因数据训练样本包括的数据之外的其他数据，还可以包括归因数据训练样本与非归因数据训练样本中的共有数据。需要说明的是，共有数据是指归因数据训练样本和非归因数据训练样本都具有的类型的数据。这样，可以获取更多归因数据训练样本所涵盖的信息，以使归因任务对应的独立参数的泛化性更强。
示例地，共有数据可以包括内容平台所展示媒体内容对应的实体侧(例如，应用程序)的数据，例如实体侧的开发者信息、领域信息、评分等类型的数据，也可以包括内容平台对应的用户侧的数据，例如用户偏好特征、用户地域特征等。
针对非归因任务，图1所示的步骤S102可以通过以下方式实施：通过非归因计算网络层对第二特征向量进行处理，得到非归因任务对应的处理结果。
需要说明的是，归因计算网络层计算的是发生转化和不发生转化各自对应的概率，在一种实施方式中，在发生转化的概率大于不发生转化的概率的情况下，可以确定预测结果的发生转化。这里的概率表征是否发生转化(或不发生转化)的程度。同理地，非归因计算网络层计算的也是发生转化和不发生转化各自对应的概率。
以下结合图2对任务中的各网络层的输入输出以及任务中的各网络层对应的参数的更新过程进行示例性说明。
第一特征提取网络层提取的第一特征向量和第二特征提取网络层提取的第二特征向量进行拼接后输入到归因计算网络层，归因计算网络层对输入的特征向量进行计算得到归因任务对应的归因处理结果，根据归因处理结果和归因数据训练样本中的归因样本标签确定归因损失，根据该归因损失首先更新归因计算网络层对应的网络参数，根据更新后的网络参数再更新第一特征提取网络层对应的独立参数和第二特征提取网络层对应的共享参数；与之同时，第二特征提取网络层提取的第二特征向量输入到非归因计算网络层，非归因计算网络层对输入的特征向量进行计算得到非归因任务对应的非归因处理结果，根据非归因处理结果和非归因数据训练样本中的非归因样本标签确定非归因损失，根据该非归因损失首先更新非归因计算网络层对应的网络参数，再根据更新后的网络参数再更新第二特征提取网络层对应的共享参数。
需要说明的是，如前文所述，共享参数可以只由非归因任务的处理结果进行更新，参照图3，根据归因损失首先更新归因计算网络层对应的网络参数，然后根据更新后的网络参数再更新第一特征提取网络层对应的独立参数，图3中不存在归因计算网络层至第二特征提取网络层的虚线箭头，即表征无需再根据更新后的网络参数更新第二特征提取网络层对应的共享参数，而只需通过非归因损失来更新第二特征提取网络层对应的共享参数，以此避免在归因数据和非归因数据的分布差别相对较大的情况下，非归因任务影响归因任务的学习，实现非归因任务对归因任务辅助训练的同时避免非归因任务影响归因任务的学习。
在一些实施例中，上述第一特征向量和第二特征向量可以是Embedding向量，Embedding向量是指通过将原始离散数值转化为低维实数值向量，用来在模型中表示原始数据，并且尽可能保留了原始数据之间的逻辑关系。相比于用one-hot编码方式表示原始数据的方式而言，Embedding向量可以减少了向量维度进而降低模型结构大小，加快模型收敛能力，提升模型的预估性能。
基于同一发明构思，本公开实施例提供一种数据处理方法，该数据处理方法可以应用于电子设备，参照图4，包括：
步骤S401，获取目标内容的内容信息；
步骤S402，通过多任务模型中的归因任务对目标内容的内容信息进行处理，得到目标内容的转化率，其中，多任务模型是根据上述实施例中提及的多任务模型训练方法进行训练得到的。其中，多任务模型中的归因任务中的第一特征提取网络层提取目标内容的内容信息对应的第一特征向量，再根据第二特征提取网络层提取目标内容的内容信息对应的第二特征向量，利用归因计算网络层对第一特征向量与第二特征向量的拼接向量进行处理，得到目标内容的转化率，该转化率用于表征内容平台在展示该目标内容后会被触发转化行为的概率。应当理解的是，内容平台会对概率越高的目标内容进行展示，可以更准确地向用户推送广告，提高转化率，进而在达到预期转化率的同时可以最大程度化减少资源的消耗。
需要说明的是，目标内容的内容信息的类型可以参照上述描述训练样本的数据类型的相关实施例，本实施例在此不做赘述。
承接上述示例，目标内容可以是媒体内容，例如广告。电子设备获取可以展示在具有显示屏的设备上的广告的内容信息，通过搭载在电子设备中的多任务模型中的归因任务对广告的内容信息进行处理，得到广告的转化率，若该转化率大于预设阈值，则可以将该广告展示在线上，可以在资源有限的情况下确保广告应用场景中较高的用户转化率，减少内容显示资源的浪费。
基于同一发明构思，本公开实施例提供一种多任务模型训练装置，参照图5，多任务模型训练装置500包括：
第一获取模块501，用于获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
第一预测模块502，用于通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
更新模块503，用于根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
可选地，所述更新模块503包括：
第一更新子模块，用于根据所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数。
可选地，所述多任务模型包括与所述归因任务对应的第一网络子结构和与所述非归因任务对应的第二网络子结构，所述第一网络子结构包括第一特征提取网络层、第二特征提取网络层和归因计算网络层，所述第二网络子结构包括所述第二提取特征网络层和非归因计算网络层，所述第一特征提取网络层对应的网络参数为所述独立参数，所述第二提取特征网络层对应的网络参数为所述共享参数。
可选地，针对所述归因任务，所述第一预测模块502包括：
第一向量提取子模块，用于通过所述第一特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本中的目标数据进行特征向量提取，得到第一特征向量，其中，所述目标数据包括所述归因数据训练样本中除所述非归因数据训练样本包括的数据之外的其他数据；
第二向量提取子模块，用于通过所述第二特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本的共有数据进行特征向量提取，得到第二特征向量；
第一预测子模块，用于通过所述归因计算网络层对所述第一特征向量和所述第二特征向量进行处理，得到所述归因任务对应的处理结果。
可选地，所述目标数据还包括所述归因数据训练样本与所述非归因数据训练样本中的共有数据。
可选地，针对所述非归因任务，所述第一预测模块502还包括：
第二预测子模块，用于通过所述非归因计算网络层对所述第二特征向量进行处理，得到所述非归因任务对应的处理结果。
基于同一发明构思，本公开实施例提供一种数据处理装置，参照图6，数据处理装置600包括：
第二获取模块601，用于获取目标内容的内容信息；
第二预测模块602，用于通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据第一方面中所述方法进行训练得到的。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述实施例中所述方法的步骤。
基于同一发明构思，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述实施例中所述方法的步骤。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备700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7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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
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，电子设备可以利用诸如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：获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
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模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取训练样本的模块”。
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，示例1提供了一种多任务模型训练方法，包括：
获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，包括：
根据所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述多任务模型包括与所述归因任务对应的第一网络子结构和与所述非归因任务对应的第二网络子结构，所述第一网络子结构包括第一特征提取网络层、第二特征提取网络层和归因计算网络层，所述第二网络子结构包括所述第二提取特征网络层和非归因计算网络层，所述第一特征提取网络层对应的网络参数为所述独立参数，所述第二提取特征网络层对应的网络参数为所述共享参数。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，针对所述归因任务，所述通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果，包括：
通过所述第一特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本中的目标数据进行特征向量提取，得到第一特征向量，其中，所述目标数据包括所述归因数据训练样本中除所述非归因数据训练样本包括的数据之外的其他数据；
通过所述第二特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本的共有数据进行特征向量提取，得到第二特征向量；
通过所述归因计算网络层对所述第一特征向量和所述第二特征向量进行处理，得到所述归因任务对应的处理结果。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述目标数据还包括所述归因数据训练样本与所述非归因数据训练样本中的共有数据。
根据本公开的一个或多个实施例，示例6提供了示例4的方法，针对所述非归因任务，所述通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果，包括：
通过所述非归因计算网络层对所述第二特征向量进行处理，得到所述非归因任务对应的处理结果。
根据本公开的一个或多个实施例，示例7提供了一种数据处理方法，包括：
获取目标内容的内容信息；
通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据示例1所述方法进行训练得到的。
根据本公开的一个或多个实施例，示例8提供了一种多任务模型训练装置，包括：
第一获取模块，用于获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
第一预测模块，用于通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
更新模块，用于根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
根据本公开的一个或多个实施例，示例9提供了一种数据处理装置，包括：
第二获取模块，用于获取目标内容的内容信息；
第二预测模块，用于通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据示例1所述方法进行训练得到的。
根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。
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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种多任务模型训练方法，其特征在于，方法包括：
获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
2.根据权利要求1所述的方法，其特征在于，所述根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，包括：
根据所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数。
3.根据权利要求1所述的方法，其特征在于，所述多任务模型包括与所述归因任务对应的第一网络子结构和与所述非归因任务对应的第二网络子结构，所述第一网络子结构包括第一特征提取网络层、第二特征提取网络层和归因计算网络层，所述第二网络子结构包括所述第二提取特征网络层和非归因计算网络层，所述第一特征提取网络层对应的网络参数为所述独立参数，所述第二提取特征网络层对应的网络参数为所述共享参数。
4.根据权利要求3所述的方法，其特征在于，针对所述归因任务，所述通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果，包括：
通过所述第一特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本中的目标数据进行特征向量提取，得到第一特征向量，其中，所述目标数据包括所述归因数据训练样本中除所述非归因数据训练样本包括的数据之外的其他数据；
通过所述第二特征提取网络层对所述归因数据训练样本和所述非归因数据训练样本的共有数据进行特征向量提取，得到第二特征向量；
通过所述归因计算网络层对所述第一特征向量和所述第二特征向量进行处理，得到所述归因任务对应的处理结果。
5.根据权利要求4所述的方法，其特征在于，所述目标数据还包括所述归因数据训练样本与所述非归因数据训练样本中的共有数据。
6.根据权利要求4所述的方法，其特征在于，针对所述非归因任务，所述通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果，包括：
通过所述非归因计算网络层对所述第二特征向量进行处理，得到所述非归因任务对应的处理结果。
7.一种数据处理方法，其特征在于，包括：
获取目标内容的内容信息；
通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据权利要求1所述方法进行训练得到的。
8.一种多任务模型训练装置，其特征在于，包括：
第一获取模块，用于获取训练样本，所述训练样本包括归因数据训练样本和非归因数据训练样本，所述训练样本是通过被展示的媒体内容对应的转化数据和非转化数据所构建的；
第一预测模块，用于通过多任务模型中的归因任务和非归因任务分别对所述训练样本进行处理，得到每个任务对应的处理结果；
更新模块，用于根据所述归因任务的处理结果和所述非归因任务的处理结果，更新所述多任务模型中任务之间的共享参数，并根据所述归因任务的处理结果更新所述归因任务对应的独立参数。
9.一种数据处理装置，其特征在于，包括：
第二获取模块，用于获取目标内容的内容信息；
第二预测模块，用于通过多任务模型中的归因任务对所述目标内容的内容信息进行处理，得到所述目标内容的转化率，其中，所述多任务模型是根据权利要求1所述方法进行训练得到的。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202210681514.2A 2022-06-15 2022-06-15 多任务模型训练方法、数据处理方法、装置及电子设备 Pending CN117291669A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210681514.2A CN117291669A (zh) 2022-06-15 2022-06-15 多任务模型训练方法、数据处理方法、装置及电子设备
PCT/SG2023/050404 WO2023244170A2 (zh) 2022-06-15 2023-06-07 多任务模型训练方法、数据处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210681514.2A CN117291669A (zh) 2022-06-15 2022-06-15 多任务模型训练方法、数据处理方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117291669A true CN117291669A (zh) 2023-12-26

Family

ID=89193131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210681514.2A Pending CN117291669A (zh) 2022-06-15 2022-06-15 多任务模型训练方法、数据处理方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN117291669A (zh)
WO (1) WO2023244170A2 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605736B (zh) * 2013-11-19 2017-06-30 北京国双科技有限公司 转化数据的处理方法及装置
CN112819497B (zh) * 2019-11-18 2023-10-10 百度在线网络技术（北京）有限公司 转化率预测方法、装置、设备和存储介质
CN112559007B (zh) * 2020-12-14 2022-09-23 北京百度网讯科技有限公司 多任务模型的参数更新方法、装置及电子设备

Also Published As

Publication number Publication date
WO2023244170A2 (zh) 2023-12-21
WO2023244170A3 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
CN112214408B (zh) 依赖冲突检测方法、装置、电子设备及计算机可读介质
CN110516159B (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111273985B (zh) 页面渲染方法、装置、电子设备及计算机可读存储介质
CN111367516A (zh) 应用界面生成方法、装置及电子设备
CN111273830A (zh) 显示数据方法、装置、电子设备和计算机可读介质
CN111258582B (zh) 一种窗口渲染方法、装置、计算机设备及存储介质
CN117236653A (zh) 基于业务量预测的车辆调度方法、装置、电子设备
CN116319932A (zh) 内容推送模型的训练方法、装置、设备及存储介质
CN112214665A (zh) 内容展示方法、装置、电子设备及计算机可读存储介质
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN111625326B (zh) 任务管线执行方法、装置及电子设备
CN117291669A (zh) 多任务模型训练方法、数据处理方法、装置及电子设备
CN111309323B (zh) 参数初始化方法、装置和电子设备
CN111290812B (zh) 应用控件的显示方法、装置、终端及存储介质
CN112199187B (zh) 内容展示方法、装置、电子设备及计算机可读存储介质
CN112306469A (zh) 一种无障碍组件构建方法、装置、设备及存储介质
CN113448550B (zh) 实现类的收集管理方法、装置、电子设备及计算机介质
CN114706645B (zh) 界面信息传递方法、装置、介质及电子设备
CN111562913B (zh) 视图组件的预创建方法、装置、设备及计算机可读介质
CN113282853B (zh) 一种评论预加载方法、装置、存储介质及电子设备
CN112306516B (zh) 用于更新代码的方法和装置
CN111581305B (zh) 特征处理方法、装置、电子设备和介质
CN111367555B (zh) 断言的方法、装置、电子设备及计算机可读介质
CN116954436A (zh) 一种信息展示方法、装置、电子设备、计算机可读介质
CN117493217A (zh) 测试用例生成方法、装置、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