[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

说明书

本申请实施例提供了一种推荐概率预测方法、装置、电子设备及存储介质。该方法包括：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多个用户各自的特征输入多任务推荐概率预测模型，得到多个用户各自的推荐概率；其中，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，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样本信息的推荐概率。该方法可提升推荐概率的预测精准度，使得信息推荐平台能更好地定位待到目标推荐群体并实现针对性推荐。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种推荐概率预测方法、装置、电子设备及存储介质。

背景技术

在信息推荐场景下，为了更好地提高信息推荐平台收益、信息投放方收收益以及用户体验，存在获得精准的点击率、转化率以及用户成交价的需求。例如，外卖平台(信息推荐平台)在向用户推荐商家(信息投放方)的广告时，针对待推荐的广告，需要首先预测出多个用户对该待推荐的广告的推荐概率，然后向推荐概率较高的用户推荐该待推荐的广告。

由于消费习惯不同，不同用户的消费能力有明显差异。相关技术中，在对信息推荐模型进行训练时，将可表征用户的消费能力的相关参数(例如成单均价等)作为特征，和模型的其它特征作为共同输入进行离线模型训练，通过不同特征值的差异来预测不同用户的推荐概率。

然而，信息推荐模型的输入特征的种类较多，各个类型的特征会掩盖消费能力的特征对推荐概率的影响，导致预测出的推荐概率的精准度较低，进而导致待推荐的信息无法根据用户的消费能力实现针对性推荐，极大地影响了信息推荐平台和信息投放方的收益，以及用户的使用体验。

发明内容

本申请实施例提供了一种推荐概率预测方法、装置、电子设备及存储介质，针对信息推荐场景下的推荐概率的预测问题，根据用户的消费能力进行用户分层，通过训练信息推荐模型对不同层级用户的推荐概率进行预测，提高了推荐概率预测的精准度，提高了信息推荐平台和信息投放方的收益，同时增强了用户体验。

本申请实施例第一方面提供了一种推荐概率预测方法，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。

可选地，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。

可选地，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。

可选地，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；