CN111159241A - 一种点击转化预估方法及装置 - Google Patents
一种点击转化预估方法及装置 Download PDFInfo
- Publication number
- CN111159241A CN111159241A CN201911331057.9A CN201911331057A CN111159241A CN 111159241 A CN111159241 A CN 111159241A CN 201911331057 A CN201911331057 A CN 201911331057A CN 111159241 A CN111159241 A CN 111159241A
- Authority
- CN
- China
- Prior art keywords
- click
- rate
- data
- sample data
- conversion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种点击转化预估方法及装置，其中方法为：获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息；将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率；根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率；根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
Description
技术领域
本发明涉及金融科技(Fintech)领域和计算机软件领域，尤其涉及一种点击转化预估方法及装置。
背景技术
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链(Blockchain)、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变。目前，金融科技领域中，现有的资源推荐平台依赖于自身累积的转化数据和点击数据进行点击转化率预估。
但是，资源推荐平台累积的转化数据和点击数据的数据量非常有限。仅使用资源推荐平台累积的转化数据和点击数据训练模型的情况下，模型学习到的知识非常有限。因此现有技术中，模型对点击转化率的预估准确率较低，是一个亟待解决的问题。
发明内容
本申请实施例提供一种点击转化预估方法及装置，解决了现有技术中模型对点击转化率的预估准确率较低的问题。
第一方面，本申请实施例提供一种点击转化预估方法，包括：获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息；将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率，所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的；根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率，所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的；根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地，所述获取待测用户的用户特征信息和所述用户待被曝资源的资源特征信息之前，所述方法还包括：利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型；所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果。
可选地，所述利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、所述特定点击概率预估模型和所述特定转化概率预估模型，包括：将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第一样本数据输入至参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第一虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第二样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第二虚拟样本数据；将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第三样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第三虚拟样本数据；将所述第一虚拟样本数据输入至参考点击率预估模型，确定所述第一虚拟样本数据的预估点击率，并确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值；将所述第二虚拟样本数据输入至参考转化率预估模型，确定所述第二虚拟样本数据的预估转化率，并确定所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的第二差异评估值；将所述第三虚拟样本数据输入至参考判别器，确定所述第三虚拟样本数据的平台来源预估率，并确定所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的第三差异评估值；至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。
可选地，所述第一虚拟样本数据包括所述第一虚拟样本数据的各特征值，所述确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值，包括：将所述第一虚拟样本数据的各特征值和所述第一样本数据的真实点击率代入所述参考点击率预估模型的第一损失函数，计算得出所述第一损失函数的第一函数值，并将所述第一函数值作为所述第一差异评估值；所述第二虚拟样本数据包括所述第二虚拟样本数据的各特征值，所述确定所述第二虚拟样本数据的预估转化率和真实转化率之间的第二差异评估值，包括：将所述第二虚拟样本数据的各特征值和所述第二样本数据的真实转化率代入所述参考转化率预估模型的第二损失函数，计算得出所述第二损失函数的第二函数值，并将所述第二函数值作为所述第二差异评估值；所述第三虚拟样本数据包括所述第三虚拟样本数据的各特征值，所述确定所述第三虚拟样本数据的平台来源预估率和平台来源真实率之间的第三差异评估值，包括；将所述第三虚拟样本数据的各特征值和所述第三虚拟样本数据的真实转化率代入所述参考判别器的第三损失函数，计算得出所述第三损失函数的第三函数值，并将所述第三函数值作为所述第三差异评估值；所述至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练，包括：通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考点击率预估模型的参数，从而更新所述参考前端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考转化率预估模型的参数，从而更新所述参考后端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整参考特征扩展空间的参数，从而更新所述参考特征扩展空间；和\或通过增大所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考判别器的参数，从而更新所述参考判别器。
可选地，所述第一差异评估值为所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的差值；所述第二差异评估值为所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的差值；所述第三差异评估值为所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的差值。
可选地，所述利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、所述特定点击概率预估模型和所述特定转化概率预估模型，包括：将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第四样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第四虚拟样本数据；将所述第四虚拟样本数据输入至参考判别器，确定所述第四虚拟样本数据的平台来源预估率，并确定所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的第四差异评估值；根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器；将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第五样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第五虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第六样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第六虚拟样本数据；将所述第五虚拟样本数据输入至参考点击率预估模型，确定所述第五虚拟样本数据的预估点击率，并确定所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的第五差异评估值；将所述第六虚拟样本数据输入至参考转化率预估模型，确定所述第六虚拟样本数据的预估转化率，并确定所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的第六差异评估值；根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型。
可选地，所述第四虚拟样本数据包括所述第四虚拟样本数据的各特征值，所述确定所述第四虚拟样本数据的平台来源预估率和平台来源真实率之间的第四差异评估值，包括；将所述第四虚拟样本数据的各特征值和所述第四样本数据的平台来源真实率代入所述参考判别器的第四损失函数，计算得出所述第四损失函数的第四函数值，并将所述第四函数值作为所述第四差异评估值；所述根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；包括：通过减小所述第四函数值，调整所述参考特征扩展空间的参数，从而更新所述参考特征扩展空间；通过减小所述第四函数值，调整所述参考判别器的参数，从而更新所述参考判别器；所述第五虚拟样本数据包括所述第五虚拟样本数据的各特征值，所述确定所述第五虚拟样本数据的预估点击率和真实点击率之间的第五差异评估值，包括：将所述第五虚拟样本数据的各特征值和所述第五样本数据的真实点击率代入所述参考点击率预估模型的第五损失函数，计算得出所述第五损失函数的第五函数值，并将所述第五函数值作为所述第五差异评估值；所述第六虚拟样本数据包括所述第六虚拟样本数据的各特征值，所述确定所述第六虚拟样本数据的预估转化率和真实转化率之间的第六差异评估值，包括：将所述第六虚拟样本数据的各特征值和所述第六样本数据的真实转化率代入所述参考转化率预估模型的第六损失函数，计算得出所述第六损失函数的第六函数值，并将所述第六函数值作为所述第六差异评估值；根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练，包括：通过减小所述第五函数值和\或所述第六函数值，调整所述参考点击率预估模型的参数，从而更新所述参考点击率预估模型；和\或通过减小所述第五函数值和\或所述第六函数值，调整所述参考转化率预估模型的参数，从而更新所述参考转化率预估模型。
可选地，所述第四差异评估值为所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的差值；所述第五差异评估值为所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的差值；所述第六差异评估值为所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的差值。
可选地，所述根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率，包括：将所述目标点击率和所述目标转化率的乘积，作为所述用户被所述资源曝光后点击并转化的点击转化率。
第二方面，本申请提供一种点击转化预估装置，包括：获取模块，用于获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息；处理模块，用于将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率，所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的；根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率，所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的；根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地，所述处理模块还用于：利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型；所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果。
可选地，所述处理模块具体用于：将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第一样本数据输入至参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第一虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第二样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第二虚拟样本数据；将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第三样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第三虚拟样本数据；将所述第一虚拟样本数据输入至参考点击率预估模型，确定所述第一虚拟样本数据的预估点击率，并确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值；将所述第二虚拟样本数据输入至参考转化率预估模型，确定所述第二虚拟样本数据的预估转化率，并确定所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的第二差异评估值；将所述第三虚拟样本数据输入至参考判别器，确定所述第三虚拟样本数据的平台来源预估率，并确定所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的第三差异评估值；至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。
可选地，所述处理模块具体用于：将所述第一虚拟样本数据的各特征值和所述第一样本数据的真实点击率代入所述参考点击率预估模型的第一损失函数，计算得出所述第一损失函数的第一函数值，并将所述第一函数值作为所述第一差异评估值；将所述第二虚拟样本数据的各特征值和所述第二样本数据的真实转化率代入所述参考转化率预估模型的第二损失函数，计算得出所述第二损失函数的第二函数值，并将所述第二函数值作为所述第二差异评估值；将所述第三虚拟样本数据的各特征值和所述第三虚拟样本数据的真实转化率代入所述参考判别器的第三损失函数，计算得出所述第三损失函数的第三函数值，并将所述第三函数值作为所述第三差异评估值；通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考点击率预估模型的参数，从而更新所述参考前端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考转化率预估模型的参数，从而更新所述参考后端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整参考特征扩展空间的参数，从而更新所述参考特征扩展空间；和\或通过增大所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考判别器的参数，从而更新所述参考判别器。
可选地，所述第一差异评估值为所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的差值；所述第二差异评估值为所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的差值；所述第三差异评估值为所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的差值。
可选地，所述处理模块具体用于：将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第四样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第四虚拟样本数据；将所述第四虚拟样本数据输入至参考判别器，确定所述第四虚拟样本数据的平台来源预估率，并确定所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的第四差异评估值；根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器；将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第五样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第五虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第六样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第六虚拟样本数据；将所述第五虚拟样本数据输入至参考点击率预估模型，确定所述第五虚拟样本数据的预估点击率，并确定所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的第五差异评估值；将所述第六虚拟样本数据输入至参考转化率预估模型，确定所述第六虚拟样本数据的预估转化率，并确定所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的第六差异评估值；根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型。
可选地，所述处理模块具体用于：将所述第四虚拟样本数据的各特征值和所述第四样本数据的平台来源真实率代入所述参考判别器的第四损失函数，计算得出所述第四损失函数的第四函数值，并将所述第四函数值作为所述第四差异评估值；通过减小所述第四函数值，调整所述参考特征扩展空间的参数，从而更新所述参考特征扩展空间；通过减小所述第四函数值，调整所述参考判别器的参数，从而更新所述参考判别器；将所述第五虚拟样本数据的各特征值和所述第五样本数据的真实点击率代入所述参考点击率预估模型的第五损失函数，计算得出所述第五损失函数的第五函数值，并将所述第五函数值作为所述第五差异评估值；将所述第六虚拟样本数据的各特征值和所述第六样本数据的真实转化率代入所述参考转化率预估模型的第六损失函数，计算得出所述第六损失函数的第六函数值，并将所述第六函数值作为所述第六差异评估值；通过减小所述第五函数值和\或所述第六函数值，调整所述参考点击率预估模型的参数，从而更新所述参考点击率预估模型；和\或通过减小所述第五函数值和\或所述第六函数值，调整所述参考转化率预估模型的参数，从而更新所述参考转化率预估模型。
可选地，所述处理模块具体用于：所述第四差异评估值为所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的差值；所述第五差异评估值为所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的差值；所述第六差异评估值为所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的差值。
可选地，所述处理模块具体用于：将所述目标点击率和所述目标转化率的乘积，作为所述用户被所述资源曝光后点击并转化的点击转化率。
上述第二方面及第二方面各个实施例的有益效果，可以参考上述第一方面及第一方面各个实施例的有益效果，这里不再赘述。
第三方面，本申请实施例提供一种计算机设备，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
第四方面，本申请实施例提供一种存储介质，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
本申请提供的一种点击转化预估方法及装置中，获取了待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息后，由于所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的，因此特定点击数据的数据量较大且数据分布均匀，而所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所以特定点击率预估模型能够学习到更准确更全面的知识，因此特定点击率预估模型预估的目标点击率更准确，另外由于所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的，因此特定转化数据的数据量较大且数据分布均匀，而所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所以特定转化率预估模型能够学习到更准确更全面的知识，因此特定转化率预估模型预估的目标转化率更准确，从而根据所述目标点击率和所述目标转化率，确定的所述用户被所述资源曝光后点击并转化的点击转化率准确率也更高。
附图说明
图1为本申请实施例提供的一种点击转化预估方法的步骤流程示意图；
图2为本申请实施例提供的一种点击转化预估方法对应的神经网络示意图；
图3为本申请实施例提供的一种点击转化预估装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互结合。
在金融机构(银行机构、保险机构或证券机构)在进行业务(如银行的贷款业务、存款业务等)运转过程中，常需要通过资源推荐平台对用户的转化效果进行预估。目前的方式中，资源推荐平台依赖于有限的转化数据和点击数据进行转化概率预估。而资源提供端提供了相对丰富的转化数据。仅使用资源提供端转化数据量训练模型的情况下，资源推荐平台累积的的转化数据和点击数据的数据量非常有限，在这种情况下训练模型，模型学习到的知识非常有限，对点击转化率的预估准确率较低，这种情况不符合银行等金融机构的需求，无法保证金融机构各项业务的高效运转。
为此，如图1所示，本申请提供一种点击转化预估方法。
步骤101：获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息。
步骤102：将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展。
步骤103：根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率。
步骤104：根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率。
步骤105：根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
需要说明的是，步骤101～步骤105的执行主体可以为资源推荐平台，本申请中的资源提供端为推荐信息的源提供者，需要将推荐信息推送给用户，从而有一部分用户转化为资源提供端的转化用户，资源推荐平台为推荐信息推送的具体执行者。在资源推荐平台对用户进行信息推荐的过程中，用户按照行为的时间顺序可分为三类：曝光用户、点击用户和转化用户。曝光用户为资源推荐平台推荐了资源的用户；点击用户为点击了资源推荐平台推荐的资源的用户，显然，点击用户必然为曝光用户；转化用户为点击了资源推荐平台推荐的资源后在资源提供端发送转化行为(如注册行为购买行为)的用户，显然，转化用户必为点击用户。曝光数据至少包括综合特征信息和曝光标签值(如曝光标签值用y0＝0表示)。点击数据至少包括综合特征信息和点击标签值(如点击标签值用y0＝1，和\或y1＝0表示表示)。转化数据至少包括综合特征信息和转化标签值(如转化标签值用y1＝1表示)，其中，综合特征信息可以包括多种类型的特征信息，如用户特征信息、资源特征信息和场景特征信息。用户特征信息指用户的基础属性，如年龄、性别等。资源特征信息指推荐资源的基础属性，如推荐资源的格式、布局。场景特征信息指将推荐资源推荐给用户的场景，如推荐的地点、触发推荐的用户操作。另外，本申请中可以设置一个标注ys表示数据来自于资源推荐平台还是资源提供端。如ys＝1表示转化数据来自于资源推荐平台，ys＝0表示转化来自于资源提供端。需要说明的是，曝光标签值、点击标签值、转化标签值和真实概率值有映射关系，如点击标签值y1＝0对应的真实概率即点击率为0％。
其中，步骤103中的所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的。步骤104中的所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的。由此可知，资源提供端的点击数据、转化数据与资源推荐平台的点击数据、转化数据的分布对齐后，可使用全量的更为丰富的数据训练更加准确的点击率预估模型和转化率预估模型。因此，上述方法能合理高效地使用了资源推荐平台累积的数据和资源提供端累积的数据，更准确地实现点击率和转化率预估。
在步骤101之前，需要学习到一个可以对特征信息进行相似性扩展的特定特征扩展空间。具体来说，使用
分别表示资源推荐平台自身累积的曝光数据、点击数据、转化数据。资源提供端提供种子转化数据和种子点击数据，分别用
表示。资源推荐平台累积的转化数据与种子转化数据来自显著不同的分布，即
而
本申请中，需要学习到一个使得
分布对齐的特定特征扩展空间。本申请中，可以使用基于对抗迁移学习的方法，训练获得特定特征扩展空间、特定点击率预估模型和特定转化率预估模型，一种可选实施方式如下：
利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型；所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果。
上述实施方式包括多种情况，如先用预设对抗迁移学习算法得到特定特征扩展空间、特定判别器，再训练得到所述特定点击率预估模型和所述特定转化率预估模型，或者直接用预设对抗迁移学习算法同时训练得到特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型。具体训练过程中，特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型训练得到的先后顺序不做限定，只要是利用预设对抗迁移学习算法，得到的特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型均可。
由于所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果，利用预设对抗迁移学习算法能够根据特定判别器与所述特定特征扩展空间对照，有效检验所述特定特征扩展空间的分布对齐的效果。在此基础上，可以得到准确率更高的所述特定特征扩展空间、所述特定点击率预估模型和所述特定转化率预估模型。
(1)利用预设对抗迁移学习算法的实施方式下，更具体地，同时训练得到所述特定判别器、所述特定特征扩展空间、所述特定点击率预估模型和所述特定转化率预估模型的一种可选实施方式如下：
第(1-1)步：将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第一样本数据输入至参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第一虚拟样本数据。
第(1-2)步：将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第二样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第二虚拟样本数据。
第(1-3)步：将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第三样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第三虚拟样本数据。
第(1-4)步：将所述第一虚拟样本数据输入至参考点击率预估模型，确定所述第一虚拟样本数据的预估点击率，并确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值。
第(1-5)步：将所述第二虚拟样本数据输入至参考转化率预估模型，确定所述第二虚拟样本数据的预估转化率，并确定所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的第二差异评估值。
第(1-6)步：将所述第三虚拟样本数据输入至参考判别器，确定所述第三虚拟样本数据的平台来源预估率，并确定所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的第三差异评估值。
第(1-7)步：至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练。
第(1-8)步：将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。
需要说明的是，第(1-1)步～第(1-3)步并不是先后约束的关系，第(1-1)步～第(1-3)步可以并行执行；第(1-4)步～第(1-6)步并不是先后约束的关系，第(1-4)步～第(1-6)步可以并行执行。第(1-1)步～第(1-8)步的过程中，在参考特征扩展空间根据不同的数据类型将第一样本数据、第二样本数据和第三样本数据进行转换，得到第一虚拟样本数据、第二虚拟样本数据和第三虚拟样本数据，并选择性地输入到各参考训练模型中，从而得到评估各预估率和真实率的差异评估值，从而能有效表征训练过程中的预估准确性，并进行迭代机器训练，并最终得到特定的模型，从而提供一种同时训练得到所述特定点击率预估模型、所述特定转化率预估模型、所述特定特征扩展空间和所述特定判别器的方法。
具体地，结合图2来说，第(1-1)步～第(1-8)步的过程中：
第(1-4)步中的第一差异评估值可以为所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的差值，这种方式可以最直观地表示所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率的差距。也可以为损失函数值，具体损失函数值的求解方式可以为：
所述第一虚拟样本数据包括所述第一虚拟样本数据的各特征值，将所述第一虚拟样本数据的各特征值和所述第一样本数据的真实点击率代入所述参考点击率预估模型的第一损失函数，计算得出所述第一损失函数的第一函数值，并将所述第一函数值作为所述第一差异评估值。
举例来说，输入的数据含有特征信息x和标签值ys、y0、y1。曝光标签值用y0＝0表示；点击标签值用y0＝1，和\或y1＝0；转化标签值用y1＝1表示。需要说明的是，曝光标签值、点击标签值、转化标签值和真实概率值有映射关系，如点击标签值y1＝0对应的真实概率即点击率为0％。参考特征扩展空间的对输入数据的训练函数为fe(x|We)，输入的数据为x，参考特征扩展空间的参数为We，x可以为第一样本数据、第二样本数据和第三样本数据中任一种数据，输出e为第一虚拟样本数据、第二虚拟样本数据和第三虚拟样本数据。结合参考特定特征扩展空间，可以学习参考点击率预估模型的训练函数f0(x|W0,We)和参考转化率预估模型的训练函数f1(x|W1,We)。参考点击率预估模型的参数为W0，损失函数为∑l(x,y0,W0,We)；转化率预估模型的参数为W1，损失函数为
因此，点参考击率预估模型的训练目标可以表示为：
也就是说，第一差异评估值可以为∑l(x,y0,W0,We)的函数值。
第(1-5)步中的第二差异评估值可以为所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的差值，这种方式可以最直观地表示所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率的差距。也可以为损失函数值，具体损失函数值的求解方式为：
将所述第二虚拟样本数据的各特征值和所述第二样本数据的真实转化率代入所述参考转化率预估模型的第二损失函数，计算得出所述第二损失函数的第二函数值，并将所述第二函数值作为所述第二差异评估值。
参考转化率预估模型的训练目标可以表示为：
也就是说，第二差异评估值可以为∑l(x,y0,W1,We)的函数值。
第(1-6)步中的第三差异评估值可以为所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的差值，这种方式可以最直观地表示所述第三虚拟样本数据的预估转化率和所述第三样本数据的真实转化率的差距。也可以为损失函数值，具体损失函数值的求解方式为：
将所述第三虚拟样本数据的各特征值和所述第三虚拟样本数据的真实转化率代入所述参考判别器的第三损失函数，计算得出所述第三损失函数的第三函数值，并将所述第三函数值作为所述第三差异评估值。
参考判别器对输入数据的训练函数为fd(e|Wd)，e是x经fe(x|We)转化后的数据，参考判别器的参数为Wd，参考判别器以区分数据来源于资源推荐平台和资源提供端(即准确识别ys)为训练目标。举例来说，参考判别器的损失函数为l(x,ys,Wd,We)，最小化∑l(x,ys,Wd,We)可以通过最大化-∑l(x,ys,Wd,We)来实现，训练目标可以表示为：
也就是说，第三差异评估值可以为-∑l(x,ys,Wd,We)。
综合步骤(1-4)～步骤(1-6)所述损失函数的实现方式，步骤(1-7)具体可以为：
通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考点击率预估模型的参数，从而更新所述参考前端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考转化率预估模型的参数，从而更新所述参考后端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整参考特征扩展空间的参数，从而更新所述参考特征扩展空间；和\或通过增大所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考判别器的参数，从而更新所述参考判别器。
需要说明的是，参考特征扩展空间可以综合参考点击率预估模型、参考转化率预估模型和参考判别器的损失函数来进行训练，需要说明的是，由于参考特征扩展空间的目的是将ys区分地不明显，因此参考特征扩展空间与嵌入式特征判别器形成了对抗学习，是将-∑l(x,ys,Wd,We)最小化。由于第(1-1)步～第(1-8)步的过程的联合训练的过程，所述特定点击率预估模型、所述特定转化率预估模型、所述特定特征扩展空间和所述特定判别器可以使用联合的的损失函数，具体训练目标表示为：
也就是说，通过
的值来调整所述特定点击率预估模型的参数、所述特定转化率预估模型的参数、所述特定特征扩展空间的参数和所述特定判别器的参数。
(2)利用预设对抗迁移学习算法的实施方式下，更具体地，另一种可选实施方式如下：
第(2-1)步：将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第四样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第四虚拟样本数据。
第(2-2)步：将所述第四虚拟样本数据输入至参考判别器，确定所述第四虚拟样本数据的平台来源预估率，并确定所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的第四差异评估值。
第(2-3)步：根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。
第(2-4)步：将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第五样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第五虚拟样本数据。
第(2-5)步：将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第六样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第六虚拟样本数据。
第(2-6)步：将所述第五虚拟样本数据输入至参考点击率预估模型，确定所述第五虚拟样本数据的预估点击率，并确定所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的第五差异评估值。
第(2-7)步：将所述第六虚拟样本数据输入至参考转化率预估模型，确定所述第六虚拟样本数据的预估转化率，并确定所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的第六差异评估值。
第(2-8)步：根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练。
第(2-9)步：将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型。
需要说明的是，第(2-4)步～第(2-5)步并不是先后约束的关系，第(2-4)步～第(2-5)步可以并行执行；第(2-6)步～第(2-7)步并不是先后约束的关系，第(2-6)步～第(2-7)步可以并行执行。第(2-1)步～第(2-9)步的过程中，先通过参考判别器，得到可以将第五样本数据和第六样本数据分别转化为第五虚拟样本数据和第六虚拟样本数据的特定特征扩展空间，从而得到评估各预估率和真实率的差异评估值，能有效表征训练过程中的预估准确性，并进行迭代机器训练，并最终得到特定的模型，从而提供一种先训练得到所述特定特征扩展空间和所述特定判别器，再训练得到所述特定点击率预估模型、所述特定转化率预估模型的方法。
具体地，结合图2来说，第(2-1)步～第(2-9)步的过程中：
第(2-2)步中的第四差异评估值可以为所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的差值，这种方式可以最直观地表示平台来源预估率和所述第四样本数据的平台来源真实率的差距。也可以为损失函数值，具体损失函数值的求解方式为：
将所述第四虚拟样本数据的各特征值和所述第四样本数据的平台来源真实率代入所述参考判别器的第四损失函数，计算得出所述第四损失函数的第四函数值，并将所述第四函数值作为所述第四差异评估值。
举例来说，输入的数据含有特征信息x和标签值ys、y0、y1。曝光标签值用y0＝0表示；点击标签值用y0＝1，和\或y1＝0；转化标签值用y1＝1表示。需要说明的是，曝光标签值、点击标签值、转化标签值和真实概率值有映射关系，如点击标签值y1＝0对应的真实概率即点击率为0％。参考特征扩展空间的对输入数据的训练函数为fe(x|We)，输入的数据为x，参考特征扩展空间的参数为We，x可以为第四样本数据，输出e为第四虚拟样本数据。参照(1-6)可知，参考特征扩展空间的训练目标可以为：
也就是说，第四差异评估值为-∑l(x,ys,Wd,We)的值。
那么在步骤(2-3)具体可以为:
根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。参照(1-6)可知，参考判别器的训练目标可以为：
在第(2-6)步～第(2-8)步可以结合参考特定特征扩展空间，学习参考点击率预估模型的训练函数f0(x|W0,We)和参考转化率预估模型的训练函数f1(x|W1,We)。第(2-6)步中的第五差异评估值可以为所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的差值，这种方式可以最直观地表示所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率的差距。也可以为损失函数值，具体损失函数值的求解方式为：
将所述第五虚拟样本数据的各特征值和所述第五样本数据的真实点击率代入所述参考点击率预估模型的第五损失函数，计算得出所述第五损失函数的第五函数值，并将所述第五函数值作为所述第五差异评估值。
参考点击率预估模型的参数为W0，损失函数为∑l(x,y0,W0,We)；转化率预估模型的参数为W1，损失函数为
因此，参考点击率预估模型的训练目标可以表示为：
即最小化∑l(x,y0,W0,We)。
也就是说，第五差异评估值可以为∑l(x,y0,W0,We)的函数值。
第(2-7)步中的第六差异评估值可以为所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的差值，这种方式可以最直观地表示所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率的差距。也可以为损失函数值，具体损失函数值的求解方式为：
将所述第六虚拟样本数据的各特征值和所述第六样本数据的真实点击率代入所述参考点击率预估模型的第六损失函数，计算得出所述第六损失函数的第六函数值，并将所述第六函数值作为所述第六差异评估值。
参考转化率预估模型的训练目标可以表示为：
也就是说，第六差异评估值可以为∑l(x,y0,W1,We)的函数值。
第(2-8)步中，具体可以为：
通过减小所述第五函数值和\或所述第六函数值，调整所述参考点击率预估模型的参数，从而更新所述参考点击率预估模型；和\或通过减小所述第五函数值和\或所述第六函数值，调整所述所述参考转化率预估模型的参数，从而更新所述参考转化率预估模型。举例来说，所述第五函数值和所述第六函数值，调整所述参考点击率预估模型的参数以及所述参考转化率预估模型的参数，用具体训练目标表示为：
步骤105中的一种实施方式中，可以将所述目标点击率和所述目标转化率的乘积，作为所述用户被所述资源曝光后点击并转化的点击转化率。
举例来说，目标点击率为0.5，目标转化率为0.3，那么所述用户被所述资源曝光后点击并转化的点击转化率为0.15，这种方式可以简单高效地计算出用户的点击转化率，从而可以快速地预估用户的点击转化率。
如图3所示，本申请提供一种点击转化预估装置，包括：获取模块301，用于获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息；处理模块302，用于将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率，所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的；根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率，所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的；根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
可选地，所述处理模块302还用于：利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型；所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果。
可选地，所述处理模块302具体用于：将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第一样本数据输入至参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第一虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第二样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第二虚拟样本数据；将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第三样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第三虚拟样本数据；将所述第一虚拟样本数据输入至参考点击率预估模型，确定所述第一虚拟样本数据的预估点击率，并确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值；将所述第二虚拟样本数据输入至参考转化率预估模型，确定所述第二虚拟样本数据的预估转化率，并确定所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的第二差异评估值；将所述第三虚拟样本数据输入至参考判别器，确定所述第三虚拟样本数据的平台来源预估率，并确定所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的第三差异评估值；至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器。
可选地，所述处理模块302具体用于：将所述第一虚拟样本数据的各特征值和所述第一样本数据的真实点击率代入所述参考点击率预估模型的第一损失函数，计算得出所述第一损失函数的第一函数值，并将所述第一函数值作为所述第一差异评估值；将所述第二虚拟样本数据的各特征值和所述第二样本数据的真实转化率代入所述参考转化率预估模型的第二损失函数，计算得出所述第二损失函数的第二函数值，并将所述第二函数值作为所述第二差异评估值；将所述第三虚拟样本数据的各特征值和所述第三虚拟样本数据的真实转化率代入所述参考判别器的第三损失函数，计算得出所述第三损失函数的第三函数值，并将所述第三函数值作为所述第三差异评估值；通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考点击率预估模型的参数，从而更新所述参考前端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考转化率预估模型的参数，从而更新所述参考后端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整参考特征扩展空间的参数，从而更新所述参考特征扩展空间；和\或通过增大所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考判别器的参数，从而更新所述参考判别器。
可选地，所述第一差异评估值为所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的差值；所述第二差异评估值为所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的差值；所述第三差异评估值为所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的差值。
可选地，所述处理模块302具体用于：将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第四样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第四虚拟样本数据；将所述第四虚拟样本数据输入至参考判别器，确定所述第四虚拟样本数据的平台来源预估率，并确定所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的第四差异评估值；根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器；将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第五样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第五虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第六样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第六虚拟样本数据；将所述第五虚拟样本数据输入至参考点击率预估模型，确定所述第五虚拟样本数据的预估点击率，并确定所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的第五差异评估值；将所述第六虚拟样本数据输入至参考转化率预估模型，确定所述第六虚拟样本数据的预估转化率，并确定所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的第六差异评估值；根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练；将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型。
可选地，所述处理模块302具体用于：将所述第四虚拟样本数据的各特征值和所述第四样本数据的平台来源真实率代入所述参考判别器的第四损失函数，计算得出所述第四损失函数的第四函数值，并将所述第四函数值作为所述第四差异评估值；通过减小所述第四函数值，调整所述参考特征扩展空间的参数，从而更新所述参考特征扩展空间；通过减小所述第四函数值，调整所述参考判别器的参数，从而更新所述参考判别器；将所述第五虚拟样本数据的各特征值和所述第五样本数据的真实点击率代入所述参考点击率预估模型的第五损失函数，计算得出所述第五损失函数的第五函数值，并将所述第五函数值作为所述第五差异评估值；将所述第六虚拟样本数据的各特征值和所述第六样本数据的真实转化率代入所述参考转化率预估模型的第六损失函数，计算得出所述第六损失函数的第六函数值，并将所述第六函数值作为所述第六差异评估值；通过减小所述第五函数值和\或所述第六函数值，调整所述参考点击率预估模型的参数，从而更新所述参考点击率预估模型；和\或通过减小所述第五函数值和\或所述第六函数值，调整所述所述参考转化率预估模型的参数，从而更新所述参考转化率预估模型。
可选地，所述处理模块302具体用于：所述第四差异评估值为所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的差值；所述第五差异评估值为所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的差值；所述第六差异评估值为所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的差值。
可选地，所述处理模块302具体用于：将所述目标点击率和所述目标转化率的乘积，作为所述用户被所述资源曝光后点击并转化的点击转化率。
本申请实施例提供一种计算机设备，包括程序或指令，当所述程序或指令被执行时，用以执行本申请实施例提供的一种点击转化预估方法及任一可选方法。
本申请实施例提供一种存储介质，包括程序或指令，当所述程序或指令被执行时，用以执行本申请实施例提供的一种点击转化预估方法及任一可选方法。
最后应说明的是：本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种点击转化预估方法，其特征在于，包括：
获取待测用户的用户特征信息和待曝光给所述用户的待被曝光资源的资源特征信息；
将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；
根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率，所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的；
根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率，所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的；
根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
2.根据权利要求1所述的方法，其特征在于，所述获取待测用户的用户特征信息和所述用户待被曝资源的资源特征信息之前，所述方法还包括：
利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、特定判别器、所述特定点击率预估模型和所述特定转化率预估模型；所述特定判别器用于判别所述特定特征扩展空间的分布对齐的效果。
3.根据权利要求2所述的方法，其特征在于，所述利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、所述特定点击概率预估模型和所述特定转化概率预估模型，包括：
将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第一样本数据输入至参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第一虚拟样本数据；
将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第二样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第二虚拟样本数据；
将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第三样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第三虚拟样本数据；
将所述第一虚拟样本数据输入至参考点击率预估模型，确定所述第一虚拟样本数据的预估点击率，并确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值；
将所述第二虚拟样本数据输入至参考转化率预估模型，确定所述第二虚拟样本数据的预估转化率，并确定所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的第二差异评估值；
将所述第三虚拟样本数据输入至参考判别器，确定所述第三虚拟样本数据的平台来源预估率，并确定所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的第三差异评估值；
至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；
将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；
将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型；
将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；
将训练结束时的所述参考判别器，作为所述特定判别器。
4.根据权利要求3所述的方法，其特征在于，所述第一虚拟样本数据包括所述第一虚拟样本数据的各特征值，所述确定所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的第一差异评估值，包括：
将所述第一虚拟样本数据的各特征值和所述第一样本数据的真实点击率代入所述参考点击率预估模型的第一损失函数，计算得出所述第一损失函数的第一函数值，并将所述第一函数值作为所述第一差异评估值；
所述第二虚拟样本数据包括所述第二虚拟样本数据的各特征值，所述确定所述第二虚拟样本数据的预估转化率和真实转化率之间的第二差异评估值，包括：
将所述第二虚拟样本数据的各特征值和所述第二样本数据的真实转化率代入所述参考转化率预估模型的第二损失函数，计算得出所述第二损失函数的第二函数值，并将所述第二函数值作为所述第二差异评估值；
所述第三虚拟样本数据包括所述第三虚拟样本数据的各特征值，所述确定所述第三虚拟样本数据的平台来源预估率和平台来源真实率之间的第三差异评估值，包括；
将所述第三虚拟样本数据的各特征值和所述第三虚拟样本数据的真实转化率代入所述参考判别器的第三损失函数，计算得出所述第三损失函数的第三函数值，并将所述第三函数值作为所述第三差异评估值；
所述至少根据所述第一差异评估值和\或所述第二差异评估值和\或所述第三差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型和\或所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练，包括：
通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考点击率预估模型的参数，从而更新所述参考前端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考转化率预估模型的参数，从而更新所述参考后端转化率预估模型；和\或通过减小所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整参考特征扩展空间的参数，从而更新所述参考特征扩展空间；和\或通过增大所述第一函数值和\或所述第二函数值和\或所述第三函数值，调整所述参考判别器的参数，从而更新所述参考判别器。
5.根据权利要求3所述的方法，其特征在于，所述第一差异评估值为所述第一虚拟样本数据的预估点击率和所述第一样本数据的真实点击率之间的差值；所述第二差异评估值为所述第二虚拟样本数据的预估转化率和所述第二样本数据的真实转化率之间的差值；所述第三差异评估值为所述第三虚拟样本数据的平台来源预估率和所述第三样本数据的平台来源真实率之间的差值。
6.根据权利要求2所述的方法，其特征在于，所述利用预设对抗迁移学习算法对所述平台点击数据、所述平台转化数据、所述种子点击数据和所述种子转化数据进行扩展学习和分布对齐处理，并结合所述曝光数据，得到所述特定特征扩展空间、所述特定点击概率预估模型和所述特定转化概率预估模型，包括：
将所述种子点击数据和\或所述平台点击数据和\或所述种子转化数据和\或所述平台转化数据作为第四样本数据输入至所述参考特征扩展空间进行相似性扩展，获得经所述参考特征扩展空间转化得到的第四虚拟样本数据；
将所述第四虚拟样本数据输入至参考判别器，确定所述第四虚拟样本数据的平台来源预估率，并确定所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的第四差异评估值；
根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；将训练结束时的所述参考特征扩展空间，作为所述特定特征扩展空间；将训练结束时的所述参考判别器，作为所述特定判别器；
将所述曝光数据和\或所述种子点击数据和\或所述平台点击数据作为第五样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第五虚拟样本数据；将所述点击数据和\或所述种子转化数据和\或所述平台转化数据作为第六样本数据输入至所述特定特征扩展空间进行相似性扩展，获得经所述特定特征扩展空间转化得到的第六虚拟样本数据；
将所述第五虚拟样本数据输入至参考点击率预估模型，确定所述第五虚拟样本数据的预估点击率，并确定所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的第五差异评估值；
将所述第六虚拟样本数据输入至参考转化率预估模型，确定所述第六虚拟样本数据的预估转化率，并确定所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的第六差异评估值；
根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练；
将训练结束时的所述参考点击率预估模型，作为所述特定点击率预估模型；将训练结束时的所述参考转化率预估模型，作为所述特定转化率预估模型。
7.根据权利要求6所述的方法，其特征在于，所述第四虚拟样本数据包括所述第四虚拟样本数据的各特征值，所述确定所述第四虚拟样本数据的平台来源预估率和平台来源真实率之间的第四差异评估值，包括；
将所述第四虚拟样本数据的各特征值和所述第四样本数据的平台来源真实率代入所述参考判别器的第四损失函数，计算得出所述第四损失函数的第四函数值，并将所述第四函数值作为所述第四差异评估值；
所述根据所述第四差异评估值，对所述参考特征扩展空间和\或所述参考判别器进行迭代机器训练；包括：
通过减小所述第四函数值，调整所述参考特征扩展空间的参数，从而更新所述参考特征扩展空间；通过减小所述第四函数值，调整所述参考判别器的参数，从而更新所述参考判别器；
所述第五虚拟样本数据包括所述第五虚拟样本数据的各特征值，所述确定所述第五虚拟样本数据的预估点击率和真实点击率之间的第五差异评估值，包括：
将所述第五虚拟样本数据的各特征值和所述第五样本数据的真实点击率代入所述参考点击率预估模型的第五损失函数，计算得出所述第五损失函数的第五函数值，并将所述第五函数值作为所述第五差异评估值；
所述第六虚拟样本数据包括所述第六虚拟样本数据的各特征值，所述确定所述第六虚拟样本数据的预估转化率和真实转化率之间的第六差异评估值，包括：
将所述第六虚拟样本数据的各特征值和所述第六样本数据的真实转化率代入所述参考转化率预估模型的第六损失函数，计算得出所述第六损失函数的第六函数值，并将所述第六函数值作为所述第六差异评估值；
根据所述第五差异评估值和\或所述第六差异评估值，对所述参考点击率预估模型和\或所述参考转化率预估模型进行迭代机器训练，包括：
通过减小所述第五函数值和\或所述第六函数值，调整所述参考点击率预估模型的参数，从而更新所述参考点击率预估模型；和\或通过减小所述第五函数值和\或所述第六函数值，调整所述参考转化率预估模型的参数，从而更新所述参考转化率预估模型。
8.根据权利要求6所述的方法，其特征在于，所述第四差异评估值为所述第四虚拟样本数据的平台来源预估率和所述第四样本数据的平台来源真实率之间的差值；所述第五差异评估值为所述第五虚拟样本数据的预估点击率和所述第五样本数据的真实点击率之间的差值；所述第六差异评估值为所述第六虚拟样本数据的预估转化率和所述第六样本数据的真实转化率之间的差值。
9.根据权利要求1-8任一所述的方法，其特征在于，所述根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率，包括：
将所述目标点击率和所述目标转化率的乘积，作为所述用户被所述资源曝光后点击并转化的点击转化率。
10.一种点击转化预估装置，其特征在于，包括：
获取模块，用于获取待测用户的用户特征信息和待曝光给所述用户的被曝光资源的资源特征信息；
处理模块，用于将所述用户特征信息和所述资源特征信息输入到特定特征扩展空间进行相似性扩展；根据扩展后的用户特征信息、扩展后的资源特征信息和特定点击率预估模型，预估所述用户被所述资源曝光后的目标点击率，所述特定点击率预估模型是根据特定点击数据和资源推荐平台积累的曝光数据训练得到的，所述特定点击数据为通过所述特定特征扩展空间对资源推荐平台积累的平台点击数据和资源提供端的种子点击数据进行分布对齐得到的；根据所述扩展后的用户特征信息、所述扩展后的资源特征信息和特定转化率预估模型，预估所述用户点击所述资源后的目标转化率，所述特定转化率预估模型是根据特定转化数据和所述特定点击数据训练得到的，所述特定转化数据为通过所述特定特征扩展空间对资源推荐平台积累的平台转化数据和资源提供端的种子转化数据进行分布对齐得到的；根据所述目标点击率和所述目标转化率，确定所述用户被所述资源曝光后点击并转化的点击转化率。
11.一种计算机设备，其特征在于，包括程序或指令，当所述程序或指令被执行时，如权利要求1至9中任意一项所述的方法被执行。
12.一种存储介质，其特征在于，包括程序或指令，当所述程序或指令被执行时，如权利要求1至9中任意一项所述的方法被执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911331057.9A CN111159241B (zh) | 2019-12-20 | 2019-12-20 | 一种点击转化预估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911331057.9A CN111159241B (zh) | 2019-12-20 | 2019-12-20 | 一种点击转化预估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111159241A true CN111159241A (zh) | 2020-05-15 |
| CN111159241B CN111159241B (zh) | 2023-04-07 |
Family
ID=70557674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911331057.9A Active CN111159241B (zh) | 2019-12-20 | 2019-12-20 | 一种点击转化预估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111159241B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798280A (zh) * | 2020-09-08 | 2020-10-20 | 腾讯科技（深圳）有限公司 | 多媒体信息推荐方法、装置和设备及存储介质 |
| CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
| CN113822435A (zh) * | 2020-06-19 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 一种用户转化率的预测方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678587A (zh) * | 2016-01-12 | 2016-06-15 | 腾讯科技（深圳）有限公司 | 一种推荐特征确定方法、信息推荐方法及装置 |
| CN107301247A (zh) * | 2017-07-14 | 2017-10-27 | 广州优视网络科技有限公司 | 建立点击率预估模型的方法及装置、终端、存储介质 |
| CN108109016A (zh) * | 2017-12-30 | 2018-06-01 | 有米科技股份有限公司 | 广告转化率预估方法和装置、计算机设备和存储介质 |
| CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
| CN109685545A (zh) * | 2018-11-16 | 2019-04-26 | 北京奇虎科技有限公司 | 待发放虚拟网络资源预估方法、装置及电子设备 |
-
2019
- 2019-12-20 CN CN201911331057.9A patent/CN111159241B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678587A (zh) * | 2016-01-12 | 2016-06-15 | 腾讯科技（深圳）有限公司 | 一种推荐特征确定方法、信息推荐方法及装置 |
| CN107301247A (zh) * | 2017-07-14 | 2017-10-27 | 广州优视网络科技有限公司 | 建立点击率预估模型的方法及装置、终端、存储介质 |
| CN108109016A (zh) * | 2017-12-30 | 2018-06-01 | 有米科技股份有限公司 | 广告转化率预估方法和装置、计算机设备和存储介质 |
| CN109460513A (zh) * | 2018-10-31 | 2019-03-12 | 北京字节跳动网络技术有限公司 | 用于生成点击率预测模型的方法和装置 |
| CN109685545A (zh) * | 2018-11-16 | 2019-04-26 | 北京奇虎科技有限公司 | 待发放虚拟网络资源预估方法、装置及电子设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822435A (zh) * | 2020-06-19 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 一种用户转化率的预测方法及相关设备 |
| CN113822435B (zh) * | 2020-06-19 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 一种用户转化率的预测方法及相关设备 |
| CN111798280A (zh) * | 2020-09-08 | 2020-10-20 | 腾讯科技（深圳）有限公司 | 多媒体信息推荐方法、装置和设备及存储介质 |
| CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
| CN112381607B (zh) * | 2020-11-12 | 2023-11-24 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111159241B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191791B (zh) | 基于机器学习模型的图片分类方法、装置及设备 | |
| AU2020385264B2 (en) | Fusing multimodal data using recurrent neural networks | |
| US11604980B2 (en) | Targeted crowd sourcing for metadata management across data sets | |
| CN108280477B (zh) | 用于聚类图像的方法和装置 | |
| CN107040397B (zh) | 一种业务参数获取方法及装置 | |
| US10346782B2 (en) | Adaptive augmented decision engine | |
| CN109376267B (zh) | 用于生成模型的方法和装置 | |
| CN111159241B (zh) | 一种点击转化预估方法及装置 | |
| CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
| CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
| CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
| CN111160638B (zh) | 一种转化预估方法及装置 | |
| CN115423040A (zh) | 互动营销平台的用户画像识别方法及ai系统 | |
| CN111291936B (zh) | 产品生命周期预估模型生成方法、装置及电子设备 | |
| Mickes et al. | pyWitness 1.0: A Python eyewitness identification analysis toolkit | |
| Rebmann et al. | Multi-perspective identification of event groups for event abstraction | |
| CN113033938B (zh) | 确定资源分配策略的方法、装置、终端设备及存储介质 | |
| CN110717537B (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 | |
| Hadad et al. | From network traffic data to a business-level event log | |
| Cheng et al. | Usability prioritization using performance metrics and hierarchical agglomerative clustering in MAR-learning application | |
| CN115349129A (zh) | 生成具有不确定性区间的性能预测 | |
| CN112330426A (zh) | 一种产品推荐方法、装置及存储介质 | |
| KR20220006580A (ko) | 방문 예측 | |
| CN110717037A (zh) | 对用户分类的方法和装置 | |
| CN114971532B (zh) | 一种企业画像的建立和管理方法及系统 |
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 |