模型训练方法、物品推荐方法、装置、设备和介质与流程

本公开的实施例涉及计算机，具体涉及模型训练方法、物品推荐方法、装置、设备和介质。

背景技术：

1、目前，随着网络多媒体的快速发展，越来越多的场景通过价值劵分发的方式来提高转化率，以增强用户活跃度和获取更高的价值收益。对于针对价值劵的价值转化信息的生成，通常采用的方式为：首先，获取用户特征信息集和价值劵对应的物品特征信息。然后，将用户特征信息集和价值劵对应的物品特征信息输入至价值转化信息生成模型(例如，卷积分类模型)，以生成价值转化信息。

2、然而，发明人发现，当采用上述方式来生成价值转化信息，经常会存在如下技术问题：

3、价值转化信息生成模型的训练未考虑到样本转化延迟的问题，导致训练样本集不够精准。除此之外，在模型建模时，未考虑到延迟反馈问题，导致所生成的价值转化信息生成模型所生成的价值转化信息不够准确。

4、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了模型训练方法、物品推荐方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。

3、第一方面，本公开的一些实施例提供了一种模型训练方法，包括：获取价值转化数据集，其中，每个价值转化数据包括：用户特征信息、价值转化物品特征信息、交叉特征信息和对应场景信息下的域特征信息；对上述价值转化数据集中的各个价值转化数据进行特征工程处理，以生成处理后数据集；对于对应各个场景信息中的每个场景信息，根据目标价值转化数据子集对应的价值转化比例信息，确定上述场景信息对应的等待时间窗，其中，上述目标价值转化数据子集是上述价值转化数据集中的、与上述场景信息相对应的数据集；根据所得到的各个等待时间窗，生成上述处理后数据集中的每个处理后数据对应的延迟数据，得到延迟数据集；根据上述延迟数据集，对基于跨域学习的初始价值转化信息生成模型进行模型训练，以生成价值转化信息生成模型。

4、可选地，上述根据目标价值转化数据子集对应的价值转化比例信息，确定上述场景信息对应的等待时间窗，包括：响应于确定上述目标价值转化数据子集对应的价值转化比例信息达到目标数值、和/或上述目标价值转化数据子集对应的各个价值转化凭证达到转化日期，确定结束转化时间点；获取预先确定的起始转化时间点；生成针对上述结束转化时间点和上述起始转化时间点对应的等待时间窗。

5、可选地，上述处理后数据还包括：价值转化标签；以及上述根据所得到的各个等待时间窗，生成上述处理后数据集中的每个处理后数据对应的延迟数据，得到延迟数据集，包括：对于上述各个场景信息中的每个场景信息，执行以下生成步骤：确定上述场景信息对应的等待时间窗，作为目标等待时间窗；确定上述场景信息对应的、上述处理后数据集中的处理后数据子集，作为目标处理后数据子集；根据上述目标等待时间窗，对上述目标处理后数据子集中的每个处理后数据对应的价值转化标签进行标签更新，以生成更新后数据，作为延迟数据。

6、可选地，上述根据上述延迟数据集，对基于跨域学习的初始价值转化信息生成模型进行模型训练，以生成价值转化信息生成模型，包括：根据预先确定的历史时间段序列，对上述延迟数据集进行数据划分，以生成延迟数据子集序列，其中，每个延迟数据子集存在对应的历史时间段；将上述延迟数据子集序列中的各个延迟数据子集分别确定为训练数据集、验证数据集和测试数据集；根据上述训练数据集、上述验证数据集和上述测试数据集，对上述初始价值转化信息生成模型进行模型训练，以生成上述价值转化信息生成模型。

7、可选地，上述对上述价值转化数据集中的各个价值转化数据进行特征工程处理，以生成处理后数据集，包括：对上述价值转化数据集中的各个数据进行特征筛选，以生成筛选后的数据集；对上述筛选后的数据集中的各个数据进行数据预处理，以生成上述处理后数据集。

8、第二方面，本公开的一些实施例提供了一种模型训练装置，包括：获取单元，被配置成获取价值转化数据集，其中，每个价值转化数据包括：用户特征信息、价值转化物品特征信息、交叉特征信息和对应场景信息下的域特征信息；处理单元，被配置成对上述价值转化数据集中的各个价值转化数据进行特征工程处理，以生成处理后数据集；确定单元，被配置成对于对应各个场景信息中的每个场景信息，根据目标价值转化数据子集对应的价值转化比例信息，确定上述场景信息对应的等待时间窗，其中，上述目标价值转化数据子集是上述价值转化数据集中的、与上述场景信息相对应的数据集；生成单元，被配置成根据所得到的各个等待时间窗，生成上述处理后数据集中的每个处理后数据对应的延迟数据，得到延迟数据集；训练单元，被配置成根据上述延迟数据集，对基于跨域学习的初始价值转化信息生成模型进行模型训练，以生成价值转化信息生成模型。

9、可选地，确定单元可以被配置成：响应于确定上述目标价值转化数据子集对应的价值转化比例信息达到目标数值、和/或上述目标价值转化数据子集对应的各个价值转化凭证达到转化日期，确定结束转化时间点；获取预先确定的起始转化时间点；生成针对上述结束转化时间点和上述起始转化时间点对应的等待时间窗。

10、可选地，上述处理后数据还包括：价值转化标签；以及生成单元可以被配置成：对于上述各个场景信息中的每个场景信息，执行以下生成步骤：确定上述场景信息对应的等待时间窗，作为目标等待时间窗；确定上述场景信息对应的、上述处理后数据集中的处理后数据子集，作为目标处理后数据子集；根据上述目标等待时间窗，对上述目标处理后数据子集中的每个处理后数据对应的价值转化标签进行标签更新，以生成更新后数据，作为延迟数据。

11、可选地，训练单元可以被配置成：根据预先确定的历史时间段序列，对上述延迟数据集进行数据划分，以生成延迟数据子集序列，其中，每个延迟数据子集存在对应的历史时间段；将上述延迟数据子集序列中的各个延迟数据子集分别确定为训练数据集、验证数据集和测试数据集；根据上述训练数据集、上述验证数据集和上述测试数据集，对上述初始价值转化信息生成模型进行模型训练，以生成上述价值转化信息生成模型。

12、可选地，处理单元可以被配置成：对上述价值转化数据集中的各个数据进行特征筛选，以生成筛选后的数据集；对上述筛选后的数据集中的各个数据进行数据预处理，以生成上述处理后数据集。

13、第三方面，本公开的一些实施例提供了一种物品推荐方法，包括：对于各个场景信息中的每个场景信息，执行以下推荐步骤：确定上述场景信息对应的价值转化物品信息集；利用预先训练的价值转化信息生成模型，生成上述价值转化物品信息集中的每个价值转化物品信息对应的物品转化信息，得到物品转化信息集，其中，上述价值转化信息生成模型是基于模型训练方法生成的；根据上述物品转化信息集，设置上述价值转化物品信息集中的每个价值转化物品信息对应推荐信息，得到推荐信息集；根据上述推荐信息集，执行针对至少一个价值转化物品信息的物品推荐，其中，上述至少一个价值转化物品信息是目标价值转化物品信息集中的物品信息子集。

14、可选地，上述利用预先训练的价值转化信息生成模型，生成上述价值转化物品信息集中的每个价值转化物品信息对应的物品转化信息，包括：利用上述价值转化信息生成模型，确定目标用户集中的每个用户对应的价值转化信息，得到价值转化信息集，其中，上述目标用户集是与上述价值转化物品信息相对应的用户集；根据上述价值转化信息集，生成上述物品转化信息。

15、第四方面，本公开的一些实施例提供了一种物品推荐装置，包括：执行单元，被配置成对于各个场景信息中的每个场景信息，执行以下推荐步骤：确定上述场景信息对应的价值转化物品信息集；利用预先训练的价值转化信息生成模型，生成上述价值转化物品信息集中的每个价值转化物品信息对应的物品转化信息，得到物品转化信息集，其中，上述价值转化信息生成模型是基于权利要求1-5之一上述的方法生成的；根据上述物品转化信息集，设置上述价值转化物品信息集中的每个价值转化物品信息对应推荐信息，得到推荐信息集；根据上述推荐信息集，执行针对至少一个价值转化物品信息的物品推荐，其中，上述至少一个价值转化物品信息是目标价值转化物品信息集中的物品信息子集。

16、可选地，执行单元可以被配置成：利用上述价值转化信息生成模型，确定目标用户集中的每个用户对应的价值转化信息，得到价值转化信息集，其中，上述目标用户集是与上述价值转化物品信息相对应的用户集；根据上述价值转化信息集，生成上述物品转化信息。

17、第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面和第三方面中任一实现方式描述的方法。

18、第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面和第三方面中任一实现方式描述的方法。

19、第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面和第三方面中任一实现方式所描述的方法。

20、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的模型训练方法可以在不同场景信息下，准确地生成表征用户对目标物品执行价值转化操作的价值转化信息。具体来说，造成相关的价值转化信息不够精确的原因在于：价值转化信息生成模型的训练未考虑到样本转化延迟的问题，导致训练样本集不够精准。除此之外，在模型建模时，未考虑到延迟反馈问题，导致所生成的价值转化信息生成模型所生成的价值转化信息不够准确。基于此，本公开的一些实施例的模型训练方法，首先，获取价值转化数据集，其中，每个价值转化数据包括：用户特征信息和价值转化物品特征信息、交叉特征信息和对应场景信息下的域特征信息。在这里，所获取的价值转化数据集用于后续模型的特征学习。交叉特征信息可以让后续模型学习更多用户与价值转化物品之间的交互特征，使得后续模型输出价值转化信息更为准确。除此之外，通过价值转化数据集对应各个不同场景下的域特征信息，让后续模型学习更多的特征信息。然后，对上述价值转化数据集中的各个价值转化数据进行特征工程处理，以生成处理后数据集，以进一步提高数据质量，充分体现关键特征的特征信息。接着，对于对应各个场景信息中的每个场景信息，根据目标价值转化数据子集对应的价值转化比例信息，可以准确地确定上述场景信息对应的等待时间窗，其中，上述目标价值转化数据子集是上述价值转化数据集中的、与上述场景信息相对应的数据集。在这里通过针对每个场景确定对应的等待时间窗，以针对性的针对场景的特性，进行等待时间窗的适应性调整，使得后续保障可以得到高质量地延迟数据集。进而，根据所得到的各个等待时间窗，可以准确地生成上述处理后数据集中的每个处理后数据对应的延迟数据，以得到高质量的数据，使得后续模型可以充分学习数据特征，以准确输出对应价值转化信息。最后，根据上述延迟数据集，对基于跨域学习的初始价值转化信息生成模型进行模型训练，以生成价值转化信息生成模型。在这里，使用基于跨域学习的初始价值转化信息生成模型，可以利用以及学习不同场景的差异及不同域间的用户行为差异，以后续得到准确地价值转化信息。除此之外，针对不同场景进行跨域学习联合建模，大大减小了系统资源开销和模型开发、部署的成本，带来了实际的业务价值提升。综上，通过生成每个场景信息对应的等待时间窗以及利用基于跨域学习的初始价值转化信息生成模型来进行价值转化信息的生成，可以得到高质量数据集和对应训练得到高精度的价值转化信息生成模型。