[发明专利]一种预测模型的训练方法、信息推送的方法及装置

说明书

本说明书公开了一种预测模型的训练方法、信息推送的方法及装置，并具体公开了，针对每个业务场景，根据向用户推送的历史推送信息和用户的相关信息，确定目标训练样本对应的场景特征以及综合特征，根据该业务场景对应的标识信息，确定场景权重矩阵，将场景特征和利用场景权重矩阵加权后的综合特征，输入到该业务场景对应的子预测层中，得到针对历史推送信息的预测点击率，并根据预测点击率以及目标训练样本对应的标签信息，对预测模型训练。这样，在推送信息时，利用该预测模型，确定出各候选信息对应的预测点击率，并根据预测点击率选取出向用户推送的目标信息，提升了预测模型输出的预测结果的准确性，使得推送的目标信息更符合用户的偏好。

技术领域

本说明书涉及互联网技术领域，尤其涉及一种预测模型的训练方法、信息推送的方法及装置。

背景技术

随着网络技术的发展，网络信息的数据量已经呈现出了爆发式增长的特性。如此，为了使得用户能够更快速轻松地获取到自身感兴趣的信息，当前业务平台通常会针对每个用户，根据用户偏好、信息展示环境(如手机型号，账号登录环境等)等信息，向该用户推送信息。

目前，业务平台在向用户推送信息时，利用预先训练的预测模型，根据用户偏好、以及推送信息的展示环境，预测需要向用户推送的各信息对应的点击率，并基于预测出的点击率，向用户推送信息。

但是，在不同的推送场景中向用户推送同一信息时，用户可能会表现出不同的反映。例如，相较于直接在客户端首页界面上向某一用户推送的键盘广告，该用户更可能点击查看在该用户购买电脑的订单生成界面上推送的键盘广告。

这样，若是针对每个推送场景分别构建对应的预测模型，则训练数据比较少的推送场景对应的预测模型可能会出现模型训练不充分的情况，导致训练数据比较少的推送场景对应的预测模型输出的预测结果的准确性低。而，若是所有推送场景共同使用一个预测模型，则预测模型会过度拟和训练数据比较多的推送场景，这样，训练数据比较少的推送场景还是会出现预测结果准确性差的问题。

如此，如何提升各推送场景下，预测模型输出的预测结果的准确性是亟待解决的问题。

发明内容

本说明书提供一种预测模型的训练方法、信息推送的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种预测模型的训练方法，预测模型包括每个业务场景对应的子预测层，以及场景权重层，包括：

针对每个业务场景，获取该业务场景下的目标训练样本，所述目标训练样本包括在该业务场景下，向用户推送的历史推送信息以及用户的相关信息；

根据所述历史推送信息以及所述相关信息，确定所述目标训练样本在该业务场景下对应的场景特征，以及所述目标训练样本针对所有业务场景下对应的综合特征，以及将该业务场景对应的标识信息输入到所述场景权重层，确定在该业务场景针对所述综合特征进行加权所需的场景权重矩阵；

将所述场景特征以及利用所述场景权重矩阵加权后的综合特征输入到该业务场景对应的子预测层中，得到针对所述历史推送信息的预测点击率；

根据所述预测点击率以及所述目标训练样本对应的标签信息，对所述预测模型训练。

可选地，每个子预测层对应一个数据预处理层，所述相关信息包括用户的历史业务记录以及用户的属性信息；

根据所述历史推送信息以及所述相关信息，确定所述目标训练样本在该业务场景下对应的场景特征，具体包括：

根据所述历史业务记录，确定所述用户对应的行为特征，根据所述属性信息，确定所述用户对应的画像特征，以及，根据所述历史推送信息，确定所述历史推送信息对应的推送信息特征；