[发明专利]推广内容的评价方法、装置、电子设备和存储介质

说明书

本申请公开了推广内容的评价方法、装置、电子设备和存储介质。所述方法包括：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。该技术方案的有益效果在于，考虑到了与APP相关的推广内容的唤起行为，适用站内与站外结合的复杂场景，能够有效评估设备从站外跳转到站内APP的可能性；在样本利用率上由于加入了唤起标签，并采用多目标模型，提高了样本多样性和特征丰富度，缓解了样本偏差问题，提高了评价准确率。

技术领域

本申请涉及内容推广技术领域，具体涉及推广内容的评价方法、装置、电子设备和存储介质。

背景技术

如何评价推广内容与用户需求的契合度一直是一个难题，深度学习的不断发展为推广内容的评价带来了新的解决思路，通过将用户与推广内容相关的各类行为作为样本进行学习，可以预估一个推广内容是否能够被用户点击等等。但是这也带来了新的问题，深度学习模型的种类、样本的选择等都是影响评价效果的因素。现有技术中的评价方式存在支持的场景较少、样本利用率低等缺陷，有待改进。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的推广内容的评价方法、装置、电子设备和存储介质。

依据本申请的一个方面，提供了一种推广内容的评价方法，包括：

根据推广数据生成样本数据；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；多目标模型包括与各标签分别对应的子网络；

根据推广内容的评价模型对待评价的推广内容进行评价。

可选地，将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。

可选地，推广数据包括推广内容的展现数据；

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；

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

可选地，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，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。

可选地，根据推广数据生成样本数据包括：

根据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。

可选地，根据推广数据生成样本数据还包括：

对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。

可选地，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。

依据本发明的另一方面，提供了一种推广内容的评价装置，包括：