[發明專利]排序模型訓練方法和裝置、物品排序方法和裝置

在審

• 申請號: 202110684099.1
• 申請日: 2021-06-21
• 公開（公告）號: CN113379500A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 趙鑫;陳文龍;何杰;彭長平;王浩然;桑留芳;李冰;孫歆垚;李俊杰;夏海峰;齊燕;程鵬超
• 申請（專利權）人: 北京沃東天駿信息技術有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F17/18;G06N3/04
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 劉劍波

本公開提供一種排序模型訓練方法和裝置、物品排序方法和裝置。排序模型訓練方法包括：將樣本集合中的全部樣本物品的相關信息輸入特征提取模型，以分別得到每個樣本物品的第一特征向量；將全部樣本物品的第一特征向量進行融合以得到融合特征向量；將融合特征向量分別與每個樣本物品的第一特征向量進行融合，以得到每個樣本物品的第二特征向量；將全部樣本物品的第二特征向量輸入機器學習模型，以得到二維概率分布表；根據二維概率分布表得到輸出矩陣；利用樣本集合的標簽矩陣，計算輸出矩陣的每一行和每一列的交叉熵損失函數；利用輸出矩陣的每一行和每一列的交叉熵損失函數，對機器學習模型進行訓練，以得到排序模型。

技術領域

本公開涉及信息處理領域，特別涉及一種排序模型訓練方法和裝置、物品排序方法和裝置。

背景技術

為了保證線上用戶的體驗，網絡平臺在接收到用戶請求后，會為該用戶推薦多個候選物品。由于多個候選物品的不同排列順序會對用戶的點擊率產生影響，因此需要對多個候選物品的排列順序進行優化。

發明內容

發明人通過研究發現，由于多個候選物品的排列方式千變萬化，無法在限定的系統響應時間內對所有的序列排列方式進行遍歷并挑選出一個最優的序列，從而影響線上用戶的體驗。

據此，本公開提供一種物品排序方案，能夠方便快捷地選擇一個最優的排列順序，從而提升線上用戶的體驗。

根據本公開實施例的第一方面，提供一種排序模型訓練方法，包括：將樣本集合中的全部樣本物品的相關信息輸入特征提取模型，以分別得到每個樣本物品的第一特征向量；將所述全部樣本物品的第一特征向量進行融合以得到融合特征向量；將所述融合特征向量分別與每個樣本物品的第一特征向量進行融合，以得到每個樣本物品的第二特征向量；將所述全部樣本物品的第二特征向量輸入機器學習模型，以得到二維概率分布表，其中所述二維概率分布表的第i列包括第i個樣本物品分別在推薦序列中的每一個位置上的概率，第j行包括每個樣本物品分別在所述推薦序列中的第j個位置上的概率，1≤i，j≤N，N為所述樣本集合中的樣本物品總數；根據所述二維概率分布表得到輸出矩陣；利用所述樣本集合的標簽矩陣，計算所述輸出矩陣的每一行和每一列的交叉熵損失函數；利用所述輸出矩陣的每一行和每一列的交叉熵損失函數，對所述機器學習模型進行訓練，以得到排序模型。

在一些實施例中，根據所述二維概率分布表得到輸出矩陣包括：在所述二維概率分布表的每一列中，將最大概率值設為1，將除最大概率值之外的其它概率值設為0，以得到所述輸出矩陣。

在一些實施例中，將全部樣本物品的第一特征向量進行融合包括：將全部樣本物品的第一特征向量進行池化處理以得到融合特征向量。

在一些實施例中，所述池化處理包括最大池化Max Pooling處理或平均池化Average Pooling處理。

根據本公開實施例的第二方面，提供一種排序模型訓練裝置，包括：第一處理模塊，被配置為將樣本集合中的全部樣本物品的相關信息輸入特征提取模型，以分別得到每個樣本物品的第一特征向量；第二處理模塊，被配置為將所述全部樣本物品的第一特征向量進行融合以得到融合特征向量；第三處理模塊，被配置為將所述融合特征向量分別與每個樣本物品的第一特征向量進行融合，以得到每個樣本物品的第二特征向量；第四處理模塊，被配置為將所述全部樣本物品的第二特征向量輸入機器學習模型，以得到二維概率分布表，其中所述二維概率分布表的第i列包括第i個樣本物品分別在推薦序列中的每一個位置上的概率，第j行包括每個樣本物品分別在所述推薦序列中的第j個位置上的概率，1≤i，j≤N，N為所述樣本集合中的樣本物品總數；根據所述二維概率分布表得到輸出矩陣；利用所述樣本集合的標簽矩陣，計算所述輸出矩陣的每一行和每一列的交叉熵損失函數；利用所述輸出矩陣的每一行和每一列的交叉熵損失函數，對所述機器學習模型進行訓練，以得到排序模型。