[发明专利]一种模型训练方法、装置、设备、介质及程序产品

权利要求书

1.一种模型训练方法，其特征在于，包括：

获取历史广告数据，所述历史广告数据包括被触发的M个广告、每个广告对应的触发时间，以及每个广告对应的触发对象，M为整数；

根据所述历史广告数据构建样本集，所述样本集中包含N个样本对，所述N个样本对中任一个样本对表示为目标样本对，所述目标样本对包括广告Di、广告Di+及广告Di-；广告Di是指所述M个广告中被触发对象触发但未转化的任一广告；所述广告Di+是指在所述M个广告中当所述广告Di被触发后，由同一个触发对象触发且转化的任一广告；所述广告Di-是指所述M个广告中当所述广告Di被触发后，由同一个触发对象触发但未转化的任一广告；N、i均为整数，且i∈[1，N]；

采用所述样本集训练重定向相关性模型，训练好的重定向相关性模型用于预测两个广告之间的重定向相关性；所述两个广告之间的重定向相关性用于表示：当其中一个广告被触发的情况下，另一个广告被触发且转化的概率。

2.如权利要求1所述的方法，其特征在于，所述采用所述样本集训练重定向相关性模型，包括：

获取目标样本对中各个广告的关联信息；

调用待训练的重定向相关性模型对所述目标样本对中的各个广告的关联信息进行特征提取处理，得到所述各个广告的特征数据；

基于广告Di的特征数据以及广告Di+的特征数据，对广告Di与广告Di+之间的重定向相关性进行预测处理，得到第一相关性结果，所述第一相关性结果用于表示当所述广告Di被触发的情况下，所述广告Di+被触发且转化的概率；

基于广告Di的特征数据以及广告Di-的特征数据，对广告Di与广告Di-之间的重定向相关性进行预测处理，得到第二相关性结果，所述第二相关性结果用于表示当所述广告Di被触发的情况下，所述广告Di-被触发且转化的概率；

按照增大所述广告Di与所述广告Di+之间的重定向相关性，以及减小所述广告Di与所述广告Di-之间的重定向相关性的原则，对所述重定向相关性模型进行优化处理。

3.如权利要求2所述的方法，其特征在于，所述重定向相关性模型包括向量转化网络和特征分类网络；所述调用待训练的重定向相关性模型对所述目标样本对中的各个广告的关联信息进行特征提取处理，得到所述各个广告的特征数据，包括：

调用所述向量转化网络对所述目标样本对中的各个广告的关联信息分别进行向量转化处理，得到所述目标样本对中的各个广告的表达向量；

调用所述特征分类网络对所述目标样本对中的各个广告的表达向量进行分类处理，得到所述目标样本对中的各个广告的特征数据。

4.如权利要求3所述的方法，其特征在于，所述重定向相关性模型还包括第一相关性计算网络及第二相关性计算网络；所述第一相关性计算网络用于基于广告Di的特征数据以及广告Di+的特征数据，对广告Di与广告Di+之间的重定向相关性进行预测处理，得到第一相关性结果；所述第二相关性计算网络用于基于广告Di的特征数据以及广告Di-的特征数据，对广告Di与广告Di-之间的重定向相关性进行预测处理，得到第二相关性结果。

5.如权利要求2所述的方法，其特征在于，所述按照增大广告Di与广告Di+之间的重定向相关性，以及减小广告Di与广告Di-之间的重定向相关性的原则，对所述重定向相关性模型进行优化处理，包括：

获取所述重定向相关性模型的损失函数，所述损失函数中包含目标参数；

根据所述第一相关性结果与所述第二相关性结果，计算所述损失函数的损失值；其中，当所述第一相关性结果大于所述第二相关性结果，且二者的相关幅度小于所述目标参数时，所述损失值为非预设值；当所述第一相关性结果大于所述第二相关性结果，且二者的相关幅度大于所述目标参数时，所述损失值为预设值；

若所述损失值为非预设值，则对所述重定向相关性模型进行迭代训练；

若所述损失值为预设值，则所述重定向相关性模型达到收敛条件，得到训练好的重定向相关性模型。