[发明专利]转化率预测方法、装置、设备和介质

说明书

本申请实施例公开了一种转化率预测方法、装置、设备和介质，涉及大数据技术领域。具体实现方案为：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；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。因为采用了由通用子模型过度至区间子模型进行转化率预测的技术手段，新增候选对象可以自动从粗粒度通用预测过度到区间子模型的精确预测，促进了模型的适用范围自动化推广，提高了转化率预测的准确率。

技术领域

本申请实施例涉及计算机技术领域，尤其涉及大数据技术领域，具体涉及一种转化率预测方法、装置、设备和介质。

背景技术

在互联网搜索中，可以采用多任务学习(Multi Task Learning，MTL)方式建模来预测例如广告主等对象的用户转化率，从而提高为对象带来的效益。目前基于多任务学习的转化率模型中，适用对象范围较为固定，预测维度单一，无法进行大范围的推广，转化率的预测准确率较低。

发明内容

本申请实施例提供了一种转化率预测方法、装置、设备和介质，能够促进了模型的适用范围自动化推广，提高转化率预测的准确率。

第一方面，本申请实施例提供了一种转化率预测方法，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；

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。

上述申请中的一个实施例具有如下优点或有益效果：由通用子模型过度至区间子模型进行转化率预测，新增候选对象可以自动从粗粒度通用预测过度到区间子模型的精确预测，促进了模型的适用范围自动化推广，提高了转化率预测的准确率。

可选的，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。

上述申请中的一个实施例具有如下优点或有益效果：通过将新增候选对象的转化数据加入到通用子模型的周期性训练中，得到更新后的通用子模型，以使通用子模型能够学习到新增候选对象的数据特征，提高通用子模型对于新增候选对象预测的准确率，以及新增候选对象模型收敛时长确定的准确率。

可选的，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。

上述申请中的一个实施例具有如下优点或有益效果：通过采用通用子模型学习新增候选对象的数据特征，并用通用子模型对新增候选对象进行转化率预测，确定新增候选对象的模型收敛指标，以此评估新增候选对象的模型收敛时长，为新增候选对象数据特征的精确学习提供条件。

可选的，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。