[发明专利]转化率预测方法、装置、设备和介质

权利要求书

1.一种转化率预测方法，其特征在于，包括：

若检测到新增候选对象，则基于多任务模型中的通用子模型，确定所述新增候选对象的模型收敛时长；其中，所述通用子模型是基于覆盖至少两个模型收敛时长区间的候选对象的转化数据训练得到的；

根据所述新增候选对象的模型收敛时长，从所述多任务模型中确定目标区间子模型；

基于所述目标区间子模型，对所述新增候选对象进行转化率预测；

其中，所述根据所述新增候选对象的模型收敛时长，从所述多任务模型中确定目标区间子模型，包括：

将所述新增候选对象的模型收敛时长，与所述多任务模型中的区间子模型关联的模型收敛时长区间进行比较；

根据模型收敛时长的比较结果，将模型收敛时长区间与所述新增候选对象的模型收敛时长相符的区间子模型，确定为目标区间子模型；其中，所述区间子模型是基于与区间子模型关联的模型收敛时长区间相符的候选对象的转化数据训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述基于多任务模型中的通用子模型，确定所述新增候选对象的模型收敛时长，包括：

将所述新增候选对象的转化数据，加入到所述通用子模型的周期性训练中，以更新所述通用子模型；

根据更新后的通用子模型，确定所述新增候选对象的模型收敛时长。

3.根据权利要求2所述的方法，其特征在于，所述根据更新后的通用子模型，确定所述新增候选对象的模型收敛时长，包括：

基于更新后的通用子模型，根据所述新增候选对象当前周期内的转化数据，确定所述新增候选对象当前周期的转化率；

根据所述新增候选对象当前周期的转化率，确定所述新增候选对象当前周期的模型收敛指标；

若所述新增候选对象当前周期的模型收敛指标达到预设指标阈值，则将所述新增候选对象的训练时长，确定为所述新增候选对象的模型收敛时长。

4.根据权利要求1所述的方法，其特征在于，在所述基于多任务模型中的通用子模型，确定所述新增候选对象的模型收敛时长之前，还包括：

基于所述通用子模型，根据所述新增候选对象的转化数据，对所述新增候选对象进行转化率预测。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述新增候选对象的模型收敛时长，从所述多任务模型中确定目标区间子模型之后，还包括：

将所述新增候选对象的转化数据，加入到所述目标区间子模型的周期性训练中，以更新所述目标区间子模型。

6.根据权利要求1所述的方法，其特征在于，所述区间子模型是基于与所述区间子模型关联的模型收敛时长区间相符的候选对象的转化数据训练得到，所述通用子模型是基于覆盖至少两个模型收敛时长区间的候选对象的转化数据训练得到。

7.一种转化率预测装置，其特征在于，包括：

模型收敛时长确定模块，用于若检测到新增候选对象，则基于多任务模型中的通用子模型，确定所述新增候选对象的模型收敛时长；其中，所述通用子模型是基于覆盖至少两个模型收敛时长区间的候选对象的转化数据训练得到的；

模型确定模块，具体用于将所述新增候选对象的模型收敛时长，与所述多任务模型中的区间子模型关联的模型收敛时长区间进行比较；根据模型收敛时长的比较结果，将模型收敛时长区间与所述新增候选对象的模型收敛时长相符的区间子模型，确定为目标区间子模型；其中，所述区间子模型是基于与区间子模型关联的模型收敛时长区间相符的候选对象的转化数据训练得到的；

转化率预测模块，用于基于所述目标区间子模型，对所述新增候选对象进行转化率预测。

8. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的转化率预测方法。

9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的转化率预测方法。