[发明专利]深度学习模型训练方法及装置、电子设备及存储介质

说明书

本公开实施例是关于一种深度学习模型训练方法，包括：获取样本数据集；样本数据集包括：正样本和负样本；正样本具有第一标签，第一标签指示在预设时长内发生推广信息的转化行为；负样本具有第二标签和第三标签；第二标签指示在预设时长外已发生推广信息的转化行为；第三标签指示未发生推广信息的转化行为；利用样本数据集训练预测模型，得到正样本的第一预测结果、第二标签的第二预测结果，第三标签的第三预测结果；根据多个预测结果分别与对应的样本的标签之间的差异、以及对应标签的权重，得到多个损失因子；根据多个损失因子得到损失值；根据损失值，更新预测模型的模型参数；可以提升预测模型的准确性。

技术领域

本公开涉及计算机技术领域，尤其涉及一种深度学习模型训练方法及装置、电子设备及存储介质。

背景技术

在涉及到关于推广信息的转化行为的预测时，样本的延迟转化会影响到预测模型的训练，部分样本的延迟时间短则几个小时，长则一个礼拜或数月才能得到转化行为的归因结果，对预测模型的优化造成了问题，并且关于预测模型的优化，有采用延迟归因(DFM，delayed feedback model)模型来矫正预测模型的方式来矫正误差，然而这需要样本符合单指数分布的前提，不适合对多场景下多种类型的样本的预测。

因此，需要一种能提高预测模型的预测准确性以及能预测多场景下的多种样本的预测模型。

发明内容

本公开实施例提供一种深度学习模型训练方法及装置、电子设备及存储介质。

本公开实施例第一方面提供的一种深度学习模型训练方法，所述方法包括：获取样本数据集；其中，所述样本数据集至少包括：正样本和负样本；其中，所述正样本具有第一标签，其中，所述第一标签，指示在预设时长内发生推广信息的转化行为；所述负样本具有第二标签和第三标签；其中，所述第二标签，指示在预设时长外已发生推广信息的转化行为；所述第三标签，指示未发生推广信息的转化行为；利用所述正样本和所述负样本分别训练预测模型，得到所述正样本的第一预测结果、具有第二标签的所述负样本的第二预测结果，以及具有第三标签的所述负样本的第三预测结果；根据所述第一预测结果和所述第一标签之间的差异以及针对所述正样本的第一权重，得到第一损失因子；根据所述第二预测结果和所述第二标签之间的差异，与第二权重得到第二损失因子；根据所述第三预测结果和所述第三标签之间的差异，与第三权重得到第三损失因子；根据所述第一损失因子、第二损失因子和第三损失因子得到损失值；根据损失值，更新所述预测模型的模型参数。

可选地，所述方法，还包括：根据所述正样本的特征向量以及时间归因函数，确定所述正样本的特征向量对应的第一归因时间以及第一指数分布函数；根据所述第一归因时间以及第一指数分布函数，确定针对所述正样本的第一权重。

可选地，所述方法，还包括：根据所述第二标签以及时间归因函数，确定所述第二标签对应的第二归因时间以及第二指数分布函数；根据所述第二归因时间以及第二指数分布函数，确定所述第二权重。

可选地，所述方法，还包括：根据所述第三标签与所述第二标签组成的负样本中的，所述第二标签对应的第二权重，确定所述第三权重；其中，所述第二权重小于所述第三权重。

可选地，所述根据所述损失值，更新所述预测模型的模型参数，包括：若所述损失值满足预设条件，则停止更新所述预测模型的模型参数；其中，所述损失值满足预设条件，包括：所述损失值收敛稳定在极值和/或所述损失值低于预设阈值。

可选地，所述根据所述正样本的特征向量以及时间归因函数，确定所述正样本的特征向量对应的第一归因时间以及第一指数分布函数，包括：输入所述正样本的特征向量至所述延迟归因模型的第一混合指数节点层，得到第一标签对应的第一归因时间以及第一指数分布；所述根据所述第一归因时间以及第一指数分布函数，确定针对所述正样本的第一权重，包括：将所述第一标签对应的第一归因时间以及第一指数分布函数输入至所述延迟归因模型的第一指数分布加权节点层，得到所述第一标签的第一权重。