[发明专利]多任务服务预测模型训练方法、装置、设备以及存储介质

权利要求书

1.一种多任务服务预测模型训练方法：

基于用户特征样本和用户服务场景的多维度特征样本，确定用户服务特征向量样本；

将所述用户服务特征向量样本输入至多任务服务预测模型中的深度共享网络模型，确定针对多个学习任务的用户深度共享特征样本；

将所述用户深度共享特征样本作为多任务服务预测模型中的独立特征学习网络模型的输入，将针对各个学习任务达成服务的概率作为期望输出，并以各个学习任务的标签为约束，训练所述多任务服务预测模型，得到训练完成的多任务服务预测模型。

2.根据权利要求1所述的方法，所述服务场景的多维度特征包括服务对象特征、服务环境特征、预先推送信息特征中的至少一种。

3.根据权利要求1所述的方法，所述多个学习任务包括点击通过率(CTR)预估、转化率(CVR)预估、服务达成率服务达成率预估中的至少两种。

4.根据权利要求1所述的方法，所述独立特征学习网络模型为多层感知器。

5.根据权利要求1-4任一项所述的方法，包括：

获取用户特征和用户服务场景的多维度特征；

将所述用户特征和用户服务场景的多维度特征输入至训练完成的多任务服务预测模型，得到用户针对各个学习任务达成服务的概率；

若所述用户针对各个学习任务达成服务的概率中存在大于预设阈值的概率，则将该大于预设阈值的概率所对应的学习任务的推送信息发送至用户。

6.一种多任务服务预测模型训练装置，其特征在于，所述装置包括：

用户服务特征向量确定模块，被配置为基于用户特征样本和用户服务场景的多维度特征样本，确定用户服务特征向量样本；

用户深度共享特征确定模块，被配置为将所述用户服务特征向量样本输入至多任务服务预测模型中的深度共享网络模型，确定针对多个学习任务的用户深度共享特征样本；

多任务服务预测模型训练模块，被配置为将所述用户深度共享特征样本作为多任务服务预测模型中的独立特征学习网络模型的输入，将针对各个学习任务达成服务的概率作为期望输出，并以各个学习任务的标签为约束，训练所述多任务服务预测模型，得到训练完成的多任务服务预测模型。

7.根据权利要求6所述的装置，其中，所述服务场景的多维度特征包括服务对象特征、服务环境特征、预先推送信息特征中的至少一种。

8.根据权利要求6所述的装置，其中，所述多个学习任务包括点击通过率(CTR)预估、转化率(CVR)预估、服务达成率服务达成率预估中的至少两种。

9.根据权利要求6所述的装置，所述独立特征学习网络模型为多层感知器。

10.根据权利要求6-9任一项所述的装置，包括：

获取模块，被配置为获取用户特征和用户服务场景的多维度特征；

预测模型应用模块，被配置为将所述用户特征和用户服务场景的多维度特征输入至训练完成的多任务服务预测模型，得到用户针对各个学习任务达成服务的概率；

推销信息发送模块，被配置为若所述用户针对各个学习任务达成服务的概率中存在大于预设阈值的概率，则将该大于预设阈值的概率所对应的学习任务的推送信息发送至用户。

11.一种电子设备，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1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。