[发明专利]推广内容的评价方法、装置、电子设备和存储介质

权利要求书

1.一种推广内容的评价方法，其特征在于，包括：

根据推广数据生成样本数据；所述样本数据包括多个标签，且至少包括与唤起行为对应的唤起标签；

将所述样本数据输入到基于深度学习网络的多目标模型中进行训练，得到推广内容的评价模型；所述多目标模型包括与各标签分别对应的子网络；

根据所述推广内容的评价模型对待评价的推广内容进行评价。

2.如权利要求1所述的方法，其特征在于，所述将所述样本数据输入到基于深度学习网络的多目标模型中进行训练，得到推广内容的评价模型包括：

基于梯度下降的方法，降低所述多目标模型使用的损失函数的值，对各子网络的参数同时进行更新。

3.如权利要求1所述的方法，其特征在于，所述推广数据包括推广内容的展现数据；

所述多个标签还包括：与点击行为对应的点击标签，与转化行为对应的转化标签；

所述根据所述推广内容的评价模型对待评价的推广内容进行评价包括：预估所述待评价的推广内容的点击率、唤起率和转化率。

4.如权利要求3所述的方法，其特征在于，所述多目标模型使用的损失函数包括若干个交叉熵损失函数，各交叉熵损失函数分别用于计算一项差异性信息，所述差异性信息包括如下的一种或多种：

点击标签与相应子网络预估值的差异；

点击标签、唤起标签与相应子网络预估值的差异；

点击标签、唤起标签、转化标签与相应子网络预估值的差异。

5.如权利要求1所述的方法，其特征在于，所述根据推广数据生成样本数据包括：

根据所述推广数据抽取如下的一维或多维原始特征，得到相应的特征序列：设备特征，用户特征，推广内容特征，上下文特征。

6.如权利要求5所述的方法，其特征在于，所述根据推广数据生成样本数据还包括：

对所述原始特征进行如下的一种或多种处理，得到相应的特征序列：特征embedding处理，one-hot编码处理，multi-hot编码处理，特征归一化，特征分桶，特征交叉。

7.如权利要求1所述的方法，其特征在于，所述深度学习网络包括如下的一种或多种：

深度神经网络，卷积神经网络，长短期记忆网络，变换网络。

8.一种推广内容的评价装置，其特征在于，包括：

样本数据单元，用于根据推广数据生成样本数据；所述样本数据包括多个标签，且至少包括与唤起行为对应的唤起标签；

训练单元，用于将所述样本数据输入到基于深度学习网络的多目标模型中进行训练，得到推广内容的评价模型；所述多目标模型包括与各标签分别对应的子网络；

评价单元，用于根据所述推广内容的评价模型对待评价的推广内容进行评价。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。