【技术实现步骤摘要】
排序方法、装置、电子设备及可读存储介质
本专利技术实施例涉及搜索推荐
，尤其涉及一种排序方法、装置、电子设备及可读存储介质。
技术介绍
搜索推荐平台可以根据用户输入的关键词向用户推荐若干搜索结果，而搜索结果需要排序之后展示给用户，从而排序的准确性直接影响推荐效果。现有技术中，深度学习可以应用于排序，例如，DWN(DeepandWideNetwork,深度广度网络)模型、DFM(DeepFactorizationMachines,深度因子分解器)和DCN(DeepandCrossNetwork，深度交叉网络)模型。而上述三种模型均采用对数损失函数，其不能准确的表示搜索效果，导致训练得到的模型的排序准确度较差。
技术实现思路
本专利技术提供一种排序方法、装置、电子设备及可读存储介质，以解决现有技术排序的上述问题。根据本专利技术的第一方面，提供了一种排序方法，所述方法包括：对数据样本集按照搜索请求进行分组，得到至少一个搜索请求分组；采用所述搜索请求分组对神经网络模型...
【技术保护点】
1.一种排序方法，其特征在于，所述方法包括：/n对数据样本集按照搜索请求进行分组，得到至少一个搜索请求分组；/n采用所述搜索请求分组对神经网络模型进行训练，所述神经网络模型在训练过程中，根据同一个搜索请求分组中被点击和未被点击的候选对象的当前预测值、以及被点击和未被点击的候选对象排序位置互换前后的归一化折扣累积增益的变化量，调整所述神经网络模型的参数；/n采用所述神经网络模型对目标搜索词关联的目标对象进行排序。/n
【技术特征摘要】
20190110 CN 20191002415091.一种排序方法，其特征在于，所述方法包括：
对数据样本集按照搜索请求进行分组，得到至少一个搜索请求分组；
采用所述搜索请求分组对神经网络模型进行训练，所述神经网络模型在训练过程中，根据同一个搜索请求分组中被点击和未被点击的候选对象的当前预测值、以及被点击和未被点击的候选对象排序位置互换前后的归一化折扣累积增益的变化量，调整所述神经网络模型的参数；
采用所述神经网络模型对目标搜索词关联的目标对象进行排序。
2.根据权利要求1所述的方法，其特征在于，所述根据同一个搜索请求分组中被点击和未被点击的候选对象的当前预测值、以及被点击和未被点击的候选对象排序位置互换前后的归一化折扣累积增益的变化量，调整所述神经网络模型的参数的步骤，包括：
对于同一个搜索请求分组中被点击和未被点击的候选对象，分别计算被点击的候选对象排序在未被点击的候选对象之前的归一化折扣累计增益，以及，被点击的候选对象排序在未被点击的候选对象之后的归一化折扣累计增益，得到第一增益和第二增益；
计算所述第一增益和第二增益之间的差值的绝对值；
计算被点击的候选对象与未被点击的候选对象的当前预测值之间的差值，得到第一差值；
计算所述差值与预设系数的乘积，得到第一乘积；
以自然常数为底数，所述第一乘积为指数计算指数结果，得到第一指数结果；
计算所述指数结果与1之和，得到第一数值；
计算所述预设系数与所述绝对值的乘积，得到第二乘积；
计算所述第二乘积与所述第一数值的比值，并取相反数得到所述被点击的候选对象和未被点击的候选对象之间的梯度值；
根据所述被点击的候选对象和未被点击的候选对象之间的梯度值调整所述神经网络模型的参数。
3.根据权利要求2所述的方法，其特征在于，所述被点击的候选对象和未被点击的候选对象之间的梯度值λi,j根据如下公式计算得到：
其中，σ为预设系数，Si、Sj分别为被点击的候选对象与未被点击的候选对象的当前预测值，ΔNDCG为被点击和未被点击的候选对象排序位置互换前后的归一化折扣累积增益的变化值。
4.根据权利要求2所述的方法，其特征在于，所述根据所述被点击的候选对象和未被点击的候选对象之间的梯度值调整所述神经网络模型的参数的步骤，包括：
针对每个候选对象，分别获取标记在所述候选对象的位置之前的其他候选对象，以及，获取标记在所述候选对象的位置之后的其他候选对象，得到第一对象、第二对象；
计算所述候选对象与所述第一对象的梯度值之和，得到第一梯度和；
计算所述候选对象与所述第二对象之间的梯度值之和，得到第二梯度和；
计算所述第二梯度和与第一梯度和的差值，得到所述候选对象的调整梯度；
根据所述调整梯度调整所述神经网络模型中所述候选对象对应的参数。...
【专利技术属性】
技术研发人员：祝升，汤彪，张弓，汪非易，王仲远，朱迪，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。