[发明专利]一种基于多任务学习的再营销广告效果预估方法及系统

权利要求书

1.一种基于多任务学习的再营销广告效果预估方法，其特征在于，包括如下步骤：

将用户是否点击、用户是否有站内浏览行为、用户是否有加入购物车行为和用户是否有购买行为作为目标；

将广告相关的特征、用户相关的特征、上下文相关的特征作为特征列表；

根据目标和特征列表构建样本样例，并对样本样例进行标注；

根据标注的样本样例训练MMoE模型，学习MMoE模型参数；

根据离线训练的MMoE模型，在线实时抽取特征，获取多个目标的得分，实现实时的再营销广告效果预估。

2.根据权利要求1所述的基于多任务学习的再营销广告效果预估方法，其特征在于，广告相关的特征包括广告的ID、创意素材ID和广告的历史投放效果；

上下文相关的特征包括当前星期、小时、ADX、媒体ID、广告位类型、广告位大小和媒体的历史投放效果；

用户相关的特征包括用户的地理位置(国家/城市)、设备信息(手机型号/操作系统/操作系统版本/语言)和用户在广告主网上的行为统计。

3.根据权利要求2所述的基于多任务学习的再营销广告效果预估方法，其特征在于，用户是否点击、用户是否有站内浏览行为、用户是否有加入购物车行为和用户是否有购买行为能够根据唯一的追踪ID进行关联，实现样本标注。

4.根据权利要求1所述的基于多任务学习的再营销广告效果预估方法，其特征在于，MMoE模型采用共享底层结构，Shared-Bottom网络位于MMoE模型的底层，多个任务公用Shared-Bottom网络来学习公用的特征；

Shared-Bottom网络中包含了多个专家网络能够学习样本不同方面的特性；每个任务都分别对应一个Tower Network，来学习当前任务独有的特征；

通过多个Gate门控网络根据不同任务来选择专家网络的子集。

5.根据权利要求4所述的基于多任务学习的再营销广告效果预估方法，其特征在于，采用Shared-Bottom结构，学习购买行为的时候，用样本样例学习特征和模型参数。

6.根据权利要求4所述的基于多任务学习的再营销广告效果预估方法，其特征在于，采用MMoE模型训练特征列表时，加入ClassWeight使用样本样例的倒数作为类别权重。

7.根据权利要求1所述的基于多任务学习的再营销广告效果预估方法，其特征在于，使用Tensorflow框架的tf-serving的组建，tf-serving加载训练好的MMoE模型，从Adx来的请求、广告库中的广告信息、DMP中的用户画像组合在一起，完成特征抽取；

根据特征抽取结果获取用户是否点击的概率P(Click)、用户是否有站内浏览行为的概率P(ViewContent)、用户是否有加入购物车行为的概率P(AddToCart)以及用户是否有购买行为的概率P(Purchase)，根据用户是否点击的概率P(Click)、用户是否有站内浏览行为的概率P(ViewContent)、用户是否有加入购物车行为的概率P(AddToCart)以及用户是否有购买行为的概率P(Purchase)，获取多个目标的得分，多个目标的得分计算如下：

多个目标的得分＝P(Click)^a*P(ViewContent)^b*P(AddToCart)^c*P(Purchase)^d

其中，a、b、c、d是参数，使用多个目标的得分对候选广告进行排序，将最高的多个目标的得分作为当前展示的广告，实现再营销广告效果预估。