排序模型训练方法和装置、物品排序方法和装置制造方法及图纸

本公开提供一种排序模型训练方法和装置、物品排序方法和装置。排序模型训练方法包括：将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；将全部样本物品的第一特征向量进行融合以得到融合特征向量；将融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；将全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表；根据二维概率分布表得到输出矩阵；利用样本集合的标签矩阵，计算输出矩阵的每一行和每一列的交叉熵损失函数；利用输出矩阵的每一行和每一列的交叉熵损失函数，对机器学习模型进行训练，以得到排序模型。以得到排序模型。以得到排序模型。

【技术实现步骤摘要】
排序模型训练方法和装置、物品排序方法和装置


[0001]本公开涉及信息处理领域，特别涉及一种排序模型训练方法和装置、物品排序方法和装置。

技术介绍

[0002]为了保证线上用户的体验，网络平台在接收到用户请求后，会为该用户推荐多个候选物品。由于多个候选物品的不同排列顺序会对用户的点击率产生影响，因此需要对多个候选物品的排列顺序进行优化。

技术实现思路

[0003]专利技术人通过研究发现，由于多个候选物品的排列方式千变万化，无法在限定的系统响应时间内对所有的序列排列方式进行遍历并挑选出一个最优的序列，从而影响线上用户的体验。
[0004]据此，本公开提供一种物品排序方案，能够方便快捷地选择一个最优的排列顺序，从而提升线上用户的体验。
[0005]根据本公开实施例的第一方面，提供一种排序模型训练方法，包括：将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；将所述全部样本物品的第一特征向量进行融合以得到融合特征向量；将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；根据所述二维概率分布表得到输出矩阵；利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。
[0006]在一些实施例中，根据所述二维概率分布表得到输出矩阵包括：在所述二维概率分布表的每一列中，将最大概率值设为1，将除最大概率值之外的其它概率值设为0，以得到所述输出矩阵。
[0007]在一些实施例中，将全部样本物品的第一特征向量进行融合包括：将全部样本物品的第一特征向量进行池化处理以得到融合特征向量。
[0008]在一些实施例中，所述池化处理包括最大池化Max Pooling处理或平均池化Average Pooling处理。
[0009]根据本公开实施例的第二方面，提供一种排序模型训练装置，包括：第一处理模块，被配置为将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；第二处理模块，被配置为将所述全部样本物品的第一特征向
量进行融合以得到融合特征向量；第三处理模块，被配置为将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；第四处理模块，被配置为将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；根据所述二维概率分布表得到输出矩阵；利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。
[0010]根据本公开实施例的第三方面，提供一种排序模型训练装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的排序模型训练方法。
[0011]根据本公开实施例的第四方面，提供一种物品排序方法，包括：将候选集合中的全部候选物品的相关信息输入特征提取模型，以分别得到每个候选物品的第一特征向量；将所述全部候选物品的第一特征向量进行融合以得到融合特征向量；将所述融合特征向量分别与每个候选物品的第一特征向量进行融合，以得到每个候选物品的第二特征向量；将所述全部候选物品的第二特征向量输入排序模型，以得到二维概率分布表，其中所述排序模型利用上述任一实施例所述的训练方法训练得到，所述二维概率分布表的第i列包括第i个候选物品分别在推荐序列中的每一个位置上的概率，第j行包括每个候选物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤M，M为所述候选集合中的候选物品总数；根据所述二维概率分布表得到输出矩阵；根据所述输出矩阵确定所述候选集合中的每个候选物品在所述推荐序列中的位置，以便对所述候选集合中的全部候选物品进行排序。
[0012]在一些实施例中，根据所述二维概率分布表得到输出矩阵包括：在所述二维概率分布表的每一列中，将最大概率值设为1，将除最大概率值之外的其它概率值设为0，以得到所述输出矩阵。
[0013]在一些实施例中，根据所述输出矩阵确定所述候选集合中的每个候选物品在所述推荐序列中的位置包括：所述候选集合中的第i个候选物品在所述输出矩阵中的第j行的值为1，则确定第i个候选物品位于所述推荐序列中的第j个位置上。
[0014]在一些实施例中，将全部候选物品的第一特征向量进行融合包括：将全部候选物品的第一特征向量进行池化处理以得到融合特征向量。
[0015]在一些实施例中，所述池化处理包括最大池化Max Pooling处理或平均池化Average Pooling处理。
[0016]根据本公开实施例的第五方面，提供一种物品排序装置，包括：第五处理模块，被配置为将候选集合中的全部候选物品的相关信息输入特征提取模型，以分别得到每个候选物品的第一特征向量；第六处理模块，被配置为将所述全部候选物品的第一特征向量进行融合以得到融合特征向量；第七处理模块，被配置为将所述融合特征向量分别与每个候选物品的第一特征向量进行融合，以得到每个候选物品的第二特征向量；第八处理模块，被配置为将所述全部候选物品的第二特征向量输入排序模型，以得到二维概率分布表，其中所述排序模型利用上述任一实施例所述的训练方法训练得到，所述二维概率分布表的第i列
包括第i个候选物品分别在推荐序列中的每一个位置上的概率，第j行包括每个候选物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤M，M为所述候选集合中的候选物品总数；根据所述二维概率分布表得到输出矩阵；根据所述输出矩阵确定所述候选集合中的每个候选物品在所述推荐序列中的位置，以便对所述候选集合中的全部候选物品进行排序。
[0017]根据本公开实施例的第六方面，提供一种物品排序装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权上述任一实施例所述的物品排序方法。
[0018]根据本公开实施例的第七方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
[0019]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0020]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排序模型训练方法，包括：将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；将所述全部样本物品的第一特征向量进行融合以得到融合特征向量；将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；根据所述二维概率分布表得到输出矩阵；利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。2.根据权利要求1所述的方法，其中，根据所述二维概率分布表得到输出矩阵包括：在所述二维概率分布表的每一列中，将最大概率值设为1，将除最大概率值之外的其它概率值设为0，以得到所述输出矩阵。3.根据权利要求1或2所述的方法，其中，将全部样本物品的第一特征向量进行融合包括：将全部样本物品的第一特征向量进行池化处理以得到融合特征向量。4.根据权利要求3所述的方法，其中，所述池化处理包括最大池化Max Pooling处理或平均池化Average Pooling处理。5.一种排序模型训练装置，包括：第一处理模块，被配置为将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；第二处理模块，被配置为将所述全部样本物品的第一特征向量进行融合以得到融合特征向量；第三处理模块，被配置为将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；第四处理模块，被配置为将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；根据所述二维概率分布表得到输出矩阵；利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。6.一种排序模型训练装置，包括：存储器，被配置为存储指令；
处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1
‑
4中任一项所述的方法。7.一种物品排序方法，包括：将候选集合中的全部候选物品的相关信息输入特征提取模型，以分别得到每个候选物品的第一特征向量；将所述全部候选物品的第一特征向量进行融合以得到融合特征向量；将所述融合特征向量分别与每个候选物品的第一特征向量进行融合，以得到每个候选物品的第二特...

【专利技术属性】
技术研发人员：赵鑫，陈文龙，何杰，彭长平，王浩然，桑留芳，李冰，孙歆垚，李俊杰，夏海峰，齐燕，程鹏超，
申请(专利权)人：北京沃东天骏信息技术有限公司，
类型：发明
国别省市：