模型训练方法、众验任务推荐方法、电子设备及存储介质技术

本申请提供了一种模型训练方法、众验任务推荐方法、电子设备及存储介质，涉及信息推荐技术领域。所述模型训练方法包括：根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量；对第一融合向量进行第二次学习得到众验任务的点击通过率；将第一次学习和第二次学习作为一次训练，迭代进行多次训练直至达到收敛条件，得到众验任务模型，以用于对众验任务进行推荐。依据本申请实施例训练的模型进行众验任务推荐，能够精准捕获用户的特征，克服了场景数据长尾分布的缺陷，实现了多场景融合、差异化推荐，提高了众验任务的推荐效果，提升了用户体验。提升了用户体验。提升了用户体验。

【技术实现步骤摘要】
模型训练方法、众验任务推荐方法、电子设备及存储介质


[0001]本申请涉及信息推荐
，尤其涉及一种众验任务推荐方法、模型训练方法、电子设备及存储介质。

技术介绍

[0002]众验任务通常是指以选择题或问答题的形式向用户展示任务，通过用户回答问题得到用户的反馈信息。众验任务可以在多个场景下推荐给用户，目前普遍使用统一的模型在不同场景下进行众验任务推荐。但是，由于各场景数据存在长尾分布的特点，对用户反馈较少的任务，无法精准捕获用户的特征，也无法捕获用户在不同场景的差异化特性，从而导致推荐效果较差，用户体验不佳。

技术实现思路

[0003]本申请实施例提供一种模型训练方法、众验任务推荐方法、电子设备及存储介质，以提高众验任务的推荐效果以及提升用户体验。
[0004]在第一方面，本申请实施例提供了一种模型训练方法，包括：
[0005]根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量；
[0006]对所述第一融合向量进行第二次学习得到所述众验任务的点击通过率；
[0007]将所述第一次学习和第二次学习作为一次训练，迭代进行多次训练直至达到收敛条件，得到众验任务模型，以用于对众验任务进行推荐。
[0008]在第二方面，本申请实施例提供了一种众验任务推荐方法，包括：
[0009]将多个众验任务的数据输入众验任务模型，得到各个众验任务的点击通过率；
[0010]按照点击通过率从高到低的顺序对所述多个众验任务进行推荐；
[0011]其中，所述众验任务模型为使用上述模型训练方法训练好的模型。
[0012]在第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的方法。
[0013]在第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
[0014]与现有技术相比，本申请具有如下优点：
[0015]根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量，对第一融合向量进行第二次学习得到众验任务的点击通过率，将第一次学习和第二次学习作为一次训练，迭代进行多次训练直至达到收敛条件，得到众验任务模型，由于基于非场景特征和场景特征进行训练，充分考虑了不同场景之间的差异性，提高了模型精准捕获用户特征的能力。基于训练好的模型进行众验任务推荐，克服了场景数据长尾分布的缺陷，实现了多场景融合、差异化推荐，提高了众验任务的推荐效果，提升了用户体验。
[0016]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0017]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请的一些实施方式，而不应将其视为是对本申请范围的限制。
[0018]图1为本申请一实施例的模型训练方法流程图；
[0019]图2为本申请另一实施例的模型训练方法流程图；
[0020]图3是本申请另一实施例的众验任务推荐方法流程图；
[0021]图4是本申请另一实施例的模型训练示意图；
[0022]图5为用来实现本申请实施例的电子设备的框图。
具体实施方式
[0023]在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的构思或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的，而非限制性的。
[0024]为便于理解本申请实施例的技术方案，以下对本申请实施例的相关技术进行说明。以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合，其均属于本申请实施例的保护范围。
[0025]首先对本申请所涉及的名词进行解释。
[0026]POI(Point of Interest，兴趣点)：是指在地理信息系统中记录的地点。例如，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。
[0027]多场景：客户端内显示给用户的不同主题，包括但不限于：主图反馈场景、果园场景、热门活动场景、精选服务场景等。每个场景下可以包括多个页面，如一级页面、二级页面和三级页面等。
[0028]众验任务：是指以选择题或问答题的形式向用户展示任务，通过用户回答问题得到用户的反馈信息。众验任务多用于在客户端上向用户推荐信息。示例性地，地图客户端可以设置与POI属性相关的问题，如POI的营业时间是否正确、电话能否拨通等。
[0029]CTR(Click
‑
Through
‑
Rate，点击通过率)：是指网络广告的点击到达率，即该广告的实际点击次数除以广告的展现量。CTR是衡量互联网广告效果的一项重要指标。在本申请实施例中，CTR是指众验任务的点击到达率，可以反映CTR所在页面的用户流量。
[0030]本申请实施例提供的众验任务推荐方法，可以应用于任何电子设备中，包括但不限于：计算机、平板电脑或笔记本电脑等，通常应用于服务器中。服务器可以通过上述众验任务推荐方法来向用户展示问题并获得反馈。具体的应用场景可以有多种，包括但不限于主图反馈场景、果园场景、热门活动场景、精选服务场景等。本申请实施例涉及的向用户展示可以通过服务器发送推荐的众验任务给客户端进而展示给用户，该客户端可以有多种类型，包括但不限于地图应用程序或导航应用程序等。在地图应用程序中，使用上述方法进行
众验任务的推荐，对于POI数据的供给和更新有重要价值，为数据回收提供了有力的保证。
[0031]本申请实施例提供了一种模型训练方法，如图1所示为本申请一实施例的模型训练方法流程图，该方法可以包括如下步骤S101至步骤S103。
[0032]在步骤S101，根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量。
[0033]本申请实施例中，场景特征是指与场景有关的特征，非场景特征是指与场景无关的特征。第一融合向量是指非场景特征和场景特征融合后得到的向量，可以表征众验任务数据中与特征有关的信息，如不同场景的差异化表征。相同用户在不同场景下可以得到不同的第一融合向量，能够确保同一用户在差异较显著的场景能得到差异化推送。
[0034]其中，非场景特征可以包括以下至少一种：用户特征、任务特征或用户任务交叉特征。区分场景特征和非场景特征可以更好地捕获不同场景之间的差异性，有助于实现差异化推荐，提升用户的体验。
[0035]在步骤S102，对第一融合向量进行第二次学习得到众验任务的点击通过率。
[0036本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量；对所述第一融合向量进行第二次学习得到所述众验任务的点击通过率；将所述第一次学习和第二次学习作为一次训练，迭代进行多次训练直至达到收敛条件，得到众验任务模型，以用于对众验任务进行推荐。2.根据权利要求1所述的方法，其特征在于，所述根据众验任务的训练数据的非场景特征和场景特征进行第一次学习得到第一融合向量，包括：从众验任务的训练数据中提取非场景特征和场景特征；对所述非场景特征和所述场景特征使用加权平均法进行融合得到第一融合向量；其中，所述非场景特征使用第一权重进行加权，所述场景特征使用第二权重进行加权。3.根据权利要求1所述的方法，其特征在于，所述对所述第一融合向量进行第二次学习得到所述众验任务的点击通过率，包括：根据所述第一融合向量中与场景相关的共享参数和私有参数确定第二融合向量；根据所述第二融合向量确定所述众验任务的点击通过率；其中，为所述训练数据对应的各页面设置的共性参数为共享参数，设置的个性参数为私有参数。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一融合向量中与场景相关的共享参数和私有参数确定第二融合向量，包括：根据所述第一融合向量建立与场景相关的共享参数矩阵和私有参数矩阵；对所述共享参数矩阵和...

【专利技术属性】
技术研发人员：朱昭苇，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：