向目标用户展示目标对象序列的方法和装置制造方法及图纸

本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：确定待展示的目标对象序列中各目标对象的初始排序，初始排序按照各目标对象与目标用户的相关度由高到低进行排序；获取各目标对象分别对应的对象特征；将各目标对象分别对应的对象特征按照初始排序输入预先训练的重排序模型，重排序模型包括编码器和解码器，编码器对于各对象特征进行编码，得到目标对象序列对应的上下文表征向量，解码器根据上下文表征向量输出目标对象序列中各目标对象的重排序；按照重排序的各目标对象的位置，向目标用户展示目标对象序列。能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。

【技术实现步骤摘要】
向目标用户展示目标对象序列的方法和装置
本说明书一个或多个实施例涉及计算机领域，尤其涉及向目标用户展示目标对象序列的方法和装置。
技术介绍
当前，常常会向目标用户展示目标对象序列，以向该目标用户推荐该目标对象序列中的多个目标对象，为了实现特定的业务目标，需要从大量的目标对象中筛选出用户可能会感兴趣的多个目标对象，由这多个目标对象构成目标对象序列，以及确定展示目标对象序列时各目标对象的位置，这些均要基于对目标对象的排序而进行。现有技术中，在对目标对象进行排序时，通常按照各目标对象与目标用户的相关度由高到低进行排序，上述相关度体现了目标用户对目标对象的偏好，根据上述排序向目标用户展示目标对象序列时，常常无法达到用户反馈的最大化，例如，目标用户对各目标对象的点击率最大化、或者转化率最大化等。因此，希望能有改进的方案，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
技术实现思路
本说明书一个或多个实施例描述了一种向目标用户展示目标对象序列的方法和装置，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。第一方面，提供了一种向目标用户展示目标对象序列的方法，方法包括：确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；获取所述目标对象序列中各目标对象分别对应的对象特征；将各目标对象分别对应的对象特征按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器对于所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序；按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。在一种可能的实施方式中，所述获取所述目标对象序列中各目标对象分别对应的对象特征，包括：获取所述目标对象序列中各目标对象分别对应的属性特征；获取各目标对象与所述目标用户的相关度；获取所述目标用户的用户特征；根据任一目标对象的属性特征、该目标对象与所述目标用户的相关度、所述目标用户的用户特征，组合成该目标对象对应的对象特征。进一步地，所述重排序模型用于预测所述目标用户对于各目标对象的偏好度，并根据预测的偏好度对各个目标对象进行重排序；所述重排序模型基于样本对象序列进行训练；所述样本对象序列中的各样本对象具有初始排序；各样本对象具有对应的对象特征，对象特征根据样本对象的属性特征、样本对象与样本用户的相关度、样本用户的用户特征组合而成，样本对象序列具有表示样本用户对各个样本对象的用户偏好的样本标签。进一步地，所述样本标签根据所述样本用户的历史行为数据而确定。进一步地，所述历史行为数据包括是否点击的数据，和/或是否转化的数据。在一种可能的实施方式中，所述编码器为转换器Transformer网络；所述编码器对于所述各对象特征进行编码，包括：Transformer网络基于多头注意力机制对所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量。进一步地，Transformer网络基于多头注意力机制对所述各对象特征进行编码，包括：确定所述各对象特征分别对应的查询向量、键向量和值向量；根据第一对象特征对应的查询向量和第二对象特征对应的键向量，确定所述第二对象特征对所述第一对象特征的权重，其中，所述第一对象特征和所述第二对象特征为所述各对象特征中的任意两个对象特征；根据所述各对象特征对所述第一对象特征的权重和所述各对象特征的值向量，确定所述第一对象特征的编码向量，从而得到所述各对象特征对应的编码向量。进一步地，所述解码器包括全连接层，回归层和输出层；所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序，包括：通过所述全连接层，将所述上下文表征向量处理为第一输出向量，所述第一输出向量具有与各目标对象相同数目的维度；在所述回归层，对所述第一输出向量施加softmax函数，得到各个目标对象的打分；通过所述输出层，按照各个目标对象的打分由高到低的顺序，输出所述目标对象序列中各目标对象的重排序。在一种可能的实施方式中，所述编码器为循环神经网络(recurrentneuralnetwork，RNN)；所述编码器对于所述各对象特征进行编码，包括：RNN将所述各对象特征依次进行编码，每次编码得到一个隐层向量，最后一次编码得到的隐层向量为所述目标对象序列对应的上下文表征向量。进一步地，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序，包括：对于当前解码位置，根据当前解码位置的上下文表征向量解码出第一解码向量；利用注意力机制，分别计算编码中每一次编码得到的隐层向量对所述上下文表征向量的权重，并将每一次编码得到的隐层向量按照对应的权重加权组合，将组合结果叠加到所述第一解码向量上，得到更新隐层向量；根据解码的更新隐层向量，使用softmax函数，确定各目标对象的概率，根据概率的最大值，解码出当前位置对应的目标对象。第二方面，提供了一种向目标用户展示目标对象序列的装置，装置包括：第一排序单元，用于确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；获取单元，用于获取所述目标对象序列中各目标对象分别对应的对象特征；第二排序单元，用于将所述获取单元获取的各目标对象分别对应的对象特征按照所述第一排序单元确定的初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器对于所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序；展示单元，用于按照所述第二排序单元得到的重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。通过本说明书实施例提供的方法和装置，首先确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；然后获取所述目标对象序列中各目标对象分别对应的对象特征；接着将各目标对象分别对应的对象特征按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器对于所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量，所述解码器根据所述上下文表征向量输出所本文档来自技高网...

【技术保护点】
1.一种向目标用户展示目标对象序列的方法，所述方法包括：/n确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；/n获取所述目标对象序列中各目标对象分别对应的对象特征；/n将各目标对象分别对应的对象特征按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器对于所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序；/n按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。/n

【技术特征摘要】
1.一种向目标用户展示目标对象序列的方法，所述方法包括：
确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
获取所述目标对象序列中各目标对象分别对应的对象特征；
将各目标对象分别对应的对象特征按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器对于所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序；
按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。


2.如权利要求1所述的方法，其中，所述获取所述目标对象序列中各目标对象分别对应的对象特征，包括：
获取所述目标对象序列中各目标对象分别对应的属性特征；
获取各目标对象与所述目标用户的相关度；
获取所述目标用户的用户特征；
根据任一目标对象的属性特征、该目标对象与所述目标用户的相关度、所述目标用户的用户特征，组合成该目标对象对应的对象特征。


3.如权利要求2所述的方法，其中，所述重排序模型用于预测所述目标用户对于各目标对象的偏好度，并根据预测的偏好度对各个目标对象进行重排序；
所述重排序模型基于样本对象序列进行训练；所述样本对象序列中的各样本对象具有初始排序；各样本对象具有对应的对象特征，对象特征根据样本对象的属性特征、样本对象与样本用户的相关度、样本用户的用户特征组合而成，样本对象序列具有表示样本用户对各个样本对象的用户偏好的样本标签。


4.如权利要求3所述的方法，其中，所述样本标签根据所述样本用户的历史行为数据而确定。


5.如权利要求4所述的方法，其中，所述历史行为数据包括是否点击的数据，和/或是否转化的数据。


6.如权利要求1所述的方法，其中，所述编码器为转换器Transformer网络；所述编码器对于所述各对象特征进行编码，包括：
Transformer网络基于多头注意力机制对所述各对象特征进行编码，得到所述目标对象序列对应的上下文表征向量。


7.如权利要求6所述的方法，其中，Transformer网络基于多头注意力机制对所述各对象特征进行编码，包括：
确定所述各对象特征分别对应的查询向量、键向量和值向量；
根据第一对象特征对应的查询向量和第二对象特征对应的键向量，确定所述第二对象特征对所述第一对象特征的权重，其中，所述第一对象特征和所述第二对象特征为所述各对象特征中的任意两个对象特征；
根据所述各对象特征对所述第一对象特征的权重和所述各对象特征的值向量，确定所述第一对象特征的编码向量，从而得到所述各对象特征对应的编码向量。


8.如权利要求6所述的方法，其中，所述解码器包括全连接层，回归层和输出层；所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序，包括：
通过所述全连接层，将所述上下文表征向量处理为第一输出向量，所述第一输出向量具有与各目标对象相同数目的维度；
在所述回归层，对所述第一输出向量施加softmax函数，得到各个目标对象的打分；
通过所述输出层，按照各个目标对象的打分由高到低的顺序，输出所述目标对象序列中各目标对象的重排序。


9.如权利要求1所述的方法，其中，所述编码器为循环神经网络RNN；
所述编码器对于所述各对象特征进行编码，包括：
RNN将所述各对象特征依次进行编码，每次编码得到一个隐层向量，最后一次编码得到的隐层向量为所述目标对象序列对应的上下文表征向量。


10.如权利要求9所述的方法，其中，所述解码器根据所述上下文表征向量输出所述目标对象序列中各目标对象的重排序，包括：
对于当前解码位置，根据当前解码位置的上下文表征向量解码出第一解码向量；
利用注意力机制，分别计算编码中每一次编码得到的隐层向量对所述上下文表征向量的权重，并将每一次编码得到的隐层向量按照对应的权重加权组合，将组合结果叠加到所述第一解码向量上，得到更新隐层向量；
根据解码的更新隐层向量，使用softmax函数，确定各目标对象的概率，根据概率的最大值，解码出当前位置对应的目标对象。


11.一种向目标用户展示目标对象序列的装置，所述装置包括：
第一排序单元，用于确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
获取单元，用于获取所述目标对象序列中各目标对象分别对应的对象特征；
...

【专利技术属性】
技术研发人员：朱军，陈渊波，肖帅，马健，蒋在帆，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33