[发明专利]一种基于多任务学习的竞价关键词效果预估模型构建方法

权利要求书

1.一种基于多任务学习的竞价关键词效果预估模型构建方法，其特征在于，包括以下步骤：

S1、收集广告和对应竞价关键词的历史数据；广告和对应竞价关键词的历史数据包括：广告，竞价关键词二元组集合的展现量、点击量、转化量、点击率和转化率；将精排点击率和转化率模型作为竞价关键词效果预估模型的教师模型，并将教师模型预估的点击率和转化率作为标签来计算竞价关键词效果预估模型的点击率和转化率损失；在竞价关键词和广告维度对点击率和转化率预估值进行求平均值处理；

S2、对广告和竞价关键词的特征向量进行预处理，得到降维后的特征向量和广告和竞价关键词的数值特征向量；将降维后的特征向量与广告和竞价关键词的数值特征向量拼接在一起，作为深度神经网络的输入；

S3、构建基于多任务学习的深度神经网络，将步骤S2所得降维后的特征向量与广告和竞价关键词的数值特征向量拼接在一起，得到d维的向量，作为深度神经网络的输入；深度神经网络输出广告，竞价关键词二元组集合的展现量、点击量和转化量的预估值；

S4、利用深度神经网络输出的广告，竞价关键词二元组集合的展现量、点击量和转化量的预估值来计算预估的点击率和预估的转化率；

预估的点击率计算公式如下：

上式中，代表深度神经网络输出的广告，竞价关键词二元组集合的展现量的预估值，代表深度神经网络输出的广告，竞价关键词二元组集合的点击量的预估值；

预估的转化率计算公式如下：

上式中，代表深度神经网络输出的广告，竞价关键词二元组集合的点击量的预估值，代表深度神经网络输出的广告，竞价关键词二元组集合的转化量的预估值；

S5、利用泊松损失计算展现量、点击量和转化量的损失，利用均方根损失函数计算点击率和转化率的损失；

S6、将步骤S5所得展现量、点击量和转化量的损失，以及点击率和转化率的损失加权融合，得到最终损失；按照反向传播算法对深度神经网络进行参数更新，最终得到竞价关键词效果预估模型；最终损失的计算公式为：

Loss＝λ₁loss₁+λ₂loss₂+λ₃loss₃+λ₄loss_ctr+λ₅loss_cvr

上式中，λ₁和loss₁分别代表展现量的权重系数和基于泊松损失得到的展现量损失，λ₂和loss₂分别代表点击量的权重系数和基于泊松损失得到的点击量损失，λ₃和loss₃分别代表转化量的权重系数和基于泊松损失得到的转化量损失，λ₄和loss_ctr分别代表点击率的权重系数和基于均方根损失得到的点击率损失，λ₅和loss_cvr分别代表转化率的权重系数和基于均方根损失得到的转化率损失。

2.根据权利要求1所述基于多任务学习的竞价关键词效果预估模型构建方法，其特征在于：步骤S1中广告，竞价关键词二元组集合在广告系统被展现过。

3.根据权利要求2所述基于多任务学习的竞价关键词效果预估模型构建方法，其特征在于：点击率和转化率为广告系统中排序模型对广告，竞价关键词二元组集合点击率和转化率的预估值，或者点击率和转化率由真实的统计值计算得到。