[发明专利]一种推荐概率预测方法、装置、电子设备及存储介质

权利要求书

1.一种推荐概率预测方法，其特征在于，所述方法包括：

获得属于不同用户层级的多个用户各自的用户特征，其中，不同用户层级的用户对应不同的用户参数值区间；

将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型，得到所述多个用户各自的推荐概率；

其中，所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入，对多任务学习MMOE模型进行训练得到的，所述多任务推荐概率预测模型包括多个任务网络，每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。

2.根据权利要求1所述的方法，其特征在于，所述多任务学习MMOE模型还包括多个门开关网络、多个专家网络以及多个融合模块，每个专家网络用于从一个维度对输入至所述多任务推荐概率预测模型的特征进行特征提取，一个门开关网络用于输出一种用户层级在多个不同维度下的权重，一个融合模块用于根据一种用户层级在多个不同维度下的权重，对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。

3.根据权利要求2所述的方法，其特征在于，所述推荐概率包括：点击率、转化率、点击且转化率；所述多个任务网络中任一任务网络为完整空间多任务ESMM网络；所述每个融合模块输出的融合特征为一种用户层级对应的ESMM网络的输入，每个ESMM网络用于预测向一种用户层级的样本用户对所述样本信息的点击率、转化率、点击且转化率。

4.根据权利要求1-3任一所述的方法，其特征在于，在获得属于不同用户层级的多个用户各自的用户特征之前，所述方法还包括：

获得多个用户在预设时间段内产生的用户参数值的分布区间；

对所述分布区间进行分割，将分割前后信息熵差值满足预设条件的参数值作为分层阈值；

按照所述分层阈值，将所述多个用户划分为预设层数的用户层级。

5.根据权利要求4所述的方法，其特征在于，所述用户参数值包括以下至少一者：成单均价、用户评分、用户下单次数。

6.根据权利要求1-3任一所述的方法，其特征在于，在得到所述多个用户各自的推荐概率之后，所述方法还包括：

将待推荐信息推送给所述多个用户中推荐概率大于预设概率的用户使用的用户终端。

7.根据权利要求1-3任一所述的方法，其特征在于，所述待推荐信息的数量是多个；所述方法还包括：

确定所述多个待推荐信息对目标用户的推荐概率，所述目标用户为所述多个用户中的一个用户；

将所述多个待推荐信息按照推荐概率降序发送给所述目标用户使用的用户终端。

8.一种推荐概率预测装置，其特征在于，所述装置包括：

第一获得模块，用于获得属于不同用户层级的多个用户各自的用户特征，其中，不同用户层级的用户对应不同的用户参数值区间；

第二获得模块，用于将待推荐信息的特征和所述多个用户各自的特征输入多任务推荐概率预测模型，得到所述多个用户各自的推荐概率；

其中，所述多任务推荐概率预测模型是以样本信息的特征和各个用户层级的样本用户的特征为输入，对多任务学习MMOE模型进行训练得到的，所述多任务推荐概率预测模型包括多个任务网络，每个任务网络用于预测向一种用户层级的样本用户推荐所述样本信息的推荐概率。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的推荐概率预测方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-7任一所述的推荐概率预测方法中的步骤。