项目排序方法、装置及可读存储介质制造方法及图纸

本公开涉及一种项目排序方法、装置及可读存储介质，该方法包括：获取目标特征数据，目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据，通过目标模型中的第一网络对目标特征数据进行压缩，得到多个嵌入特征向量，通过目标模型中的第二网络对多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，通过目标模型中的第四网络对注意力特征向量进行非线性处理，得到每个目标项目对应的排序分数，根据排序分数，对多个目标项目进行排序，得到对应于目标用户的项目排序结果。能够提高得到的目标项目的排序分数的准确性。确性。确性。

【技术实现步骤摘要】
项目排序方法、装置及可读存储介质


[0001]本公开涉及数据处理
，尤其涉及一种项目排序方法、装置及可读存储介质。

技术介绍

[0002]相关技术中，在对目标项目进行排序的数据处理的过程中，破坏扭曲了数据原始分布，导致得到的目标项目的排序分数不准确，进而导致目标项目的项目排序结果不准确。

技术实现思路

[0003]为克服相关技术中存在的问题，本公开提供一种项目排序方法，通过训练好的目标模型对目标特征数据进行处理，得到每个目标项目对应的排序分数，进而得到对应于目标用户的项目排序结果，其中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，从而使注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，使原始信息的失真得到了补偿，从而能够提高得到的目标项目的排序分数的准确性，使目标用户的项目排序结果更加准确。
[0004]根据本公开实施例的第一方面，提供一种项目排序方法，包括：
[0005]获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；
[0006]通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；
[0007]通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；
[0008]通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；r/>[0009]通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；
[0010]根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。
[0011]可选地，所述目标模型中的所述第三网络为注意力层，所述注意力层包括子注意力层和串联层；
[0012]所述通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量，包括：
[0013]通过所述子注意力层对所述多个交叉特征向量和所述多个嵌入特征向量进行处理，得到每个交叉特征向量对应的权重以及每个嵌入特征向量对应的权重；
[0014]通过所述串联层对携带有对应权重的多个嵌入特征向量和多个交叉特征向量进
行串联，得到所述注意力特征向量。
[0015]可选地，所述目标模型中的所述第一网络为嵌入层，所述第一特征数据和所述第二特征数据均包括多个特征场域对应的特征数据；
[0016]所述通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量，包括：
[0017]分别对所述第一特征数据和所述第二特征数据中的每一个特征场域对应的特征数据进行压缩，得到所述多个嵌入特征向量。
[0018]可选地，所述目标模型中的所述第二网络为归一对数转换层，所述归一对数转换层包括正值层、对数变换层、对数神经元层和指数变换层；
[0019]所述通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，包括：
[0020]通过所述正值层对所述多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量；
[0021]通过所述对数变换层对所述多个正值特征向量进行对数变换，得到多个对数特征向量；
[0022]通过所述对数神经元层对所述多个对数特征向量进行交叉特征融合，得到多个原始交叉特征向量；
[0023]通过所述指数变换层对所述多个原始交叉特征向量进行指数变换和归一化，得到所述交叉特征向量。
[0024]可选地，所述目标模型中的所述第四网络为隐藏层，所述隐藏层包括多个串联的子隐藏层；
[0025]所述通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数，包括：
[0026]通过所述多个串联的子隐藏层依次对所述注意力特征向量进行非线性处理和归一化，得到每个所述目标项目对应的排序分数。
[0027]可选地，所述目标模型通过以下步骤得到：
[0028]获取多个样本特征数据，所述多个样本特征数据包括多个历史样本用户的第三特征数据和多个样本项目的第四特征数据，每个样本特征数据携带标签，所述标签为每个样本项目对应的实际排序分数；
[0029]根据所述多个样本特征数据，对原始网络进行多轮迭代训练；
[0030]在每一轮迭代训练之后，获取本轮迭代训练输出的当前结果，所述当前结果包括每个所述目标项目对应的当前排序分数；
[0031]根据本轮迭代训练输出的当前结果以及本轮迭代训练中的样本特征数据携带的标签，得到本轮迭代训练对应的对数损失；
[0032]根据所述本轮迭代训练对应的对数损失，对所述原始预测网络进行优化；
[0033]在所述原始预测网络收敛的情况下，停止训练，得到所述目标模型。
[0034]可选地，所述方法还包括：
[0035]获取所述项目排序结果中排序分数最大的K个目标项目；
[0036]通过展示页面向用户展示所述K个目标项目。
[0037]根据本公开实施例的第二方面，提供一种项目排序装置，包括：
[0038]第一获取模块，被配置为获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；
[0039]压缩模块，被配置为通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；
[0040]对数转换模块，被配置为通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；
[0041]整合模块，被配置为通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；
[0042]非线性处理模块，被配置为通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；
[0043]第一获得模块，被配置为根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。
[0044]根据本公开实施例的第三方面，提供一种项目排序装置，包括：
[0045]处理器；
[0046]用于存储处理器可执行指令的存储器；
[0047]其中，所述处理器被配置为执行本公开第一方面所提供的项目排序方法的步骤。
[0048]根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的项目排序方法的步骤。
[0049]本公开的实施例提供的技术方案可以包括以下有益效果：
[0050]获取目标特征数据，目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据，通过目标模型中的第一网络对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种项目排序方法，其特征在于，包括：获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。2.根据权利要求1所述的项目排序方法，其特征在于，所述目标模型中的所述第三网络为注意力层，所述注意力层包括子注意力层和串联层；所述通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量，包括：通过所述子注意力层对所述多个交叉特征向量和所述多个嵌入特征向量进行处理，得到每个交叉特征向量对应的权重以及每个嵌入特征向量对应的权重；通过所述串联层对携带有对应权重的多个嵌入特征向量和多个交叉特征向量进行串联，得到所述注意力特征向量。3.根据权利要求1所述的项目排序方法，其特征在于，所述目标模型中的所述第一网络为嵌入层，所述第一特征数据和所述第二特征数据均包括多个特征场域对应的特征数据；所述通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量，包括：分别对所述第一特征数据和所述第二特征数据中的每一个特征场域对应的特征数据进行压缩，得到所述多个嵌入特征向量。4.根据权利要求1所述的项目排序方法，其特征在于，所述目标模型中的所述第二网络为归一对数转换层，所述归一对数转换层包括正值层、对数变换层、对数神经元层和指数变换层；所述通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，包括：通过所述正值层对所述多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量；通过所述对数变换层对所述多个正值特征向量进行对数变换，得到多个对数特征向量；通过所述对数神经元层对所述多个对数特征向量进行交叉特征融合，得到多个原始交叉特征向量；通过所述指数变换层对所述多个原始交叉特征向量进行指数变换和归一化，得到所述
交叉特征向量。5.根据权利要求1所述的项目排序方法，其特征在于，所述目标模型中的所述第四网络为隐藏...

【专利技术属性】
技术研发人员：李先壮，吴雪松，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：