[發明專利]排序方法、計算設備及可讀存儲介質

在審

• 申請號: 202310411014.1
• 申請日: 2023-04-17
• 公開（公告）號: CN116501994A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 代繼濤;馬庚
• 申請（專利權）人: 車智互聯（北京）科技有限公司
• 主分類號: G06F16/9538
• 分類號: G06F16/9538;G06F16/9038;G06F16/903;G06F18/22;G06N3/045;G06N3/048;G06N3/08
• 代理公司: 北京思睿峰知識產權代理有限公司 11396
• 代理人: 高芮;趙愛軍

1.一種排序方法，所述方法包括：

獲取包括用戶行為樣本的數據集；

將所述數據集中每個樣本的各類標識與每個樣本的樣本標識進行關聯，所述各類標識包括用于呈現應用的卡片的卡片標識；

將每個樣本的各特征與各類標識中的一項進行關聯，其中，與卡片標識關聯的各特征包括卡片尺寸、卡片類別、和卡片圖文豐富度中的至少一項；

根據每個樣本的各類標識，獲取每個樣本的各特征，并對每個樣本的各特征中的單值連續型特征、多值連續型特征、離散型特征分別構造排序模型的嵌入向量；

基于構造的嵌入向量，通過各特征訓練排序模型，以便通過訓練好的排序模型對輸入所述訓練好的排序模型的數據進行排序。

2.根據權利要求1所述的方法，其中，所述對每個樣本的各特征中的單值連續型特征、多值連續型特征、離散型特征分別構造排序模型的嵌入向量，包括：

對所述每個樣本的各特征中的單值連續型特征和離散型特征，構造排序模型中FM結構與Deep結構共用的第一嵌入向量；

對所述每個樣本的各特征中的多值連續型特征中的低維度特征，構造所述排序模型中FM結構應用的第二嵌入向量；

對所述每個樣本的各特征中的多值連續型特征中的高維度特征，構造所述排序模型中Deep結構應用的第三嵌入向量。

3.根據權利要求1或2所述的方法，還包括：

將所述每個樣本的的各特征中的單值連續型特征、多值連續型特征、和離散型特征輸入到構造的相應的嵌入向量中。

4.根據權利要求1至3中任一項所述的方法，還包括：

從所述數據集中篩選具有曝光點擊行為，且瀏覽時長大于預定值的樣本作為正樣本，并篩選具有曝光未點擊行為的樣本作為負樣本，以便通過正樣本和負樣本的各特征對排序模型進行訓練。

5.根據權利要求1至4中任一項所述的方法，其中，所述各類標識還包括物料標識，所述將每個樣本的各特征與各類標識中的一項進行關聯，還包括：

將每個樣本的物料標識，與物料特征和時效性特征進行關聯；

其中，所述物料特征包括點贊數、收藏數、評論數、平均閱讀時長、點擊率中的至少一項，所述時效性特征包括物料更新時間距今天數、發帖時間距今天數、平均評論時間距今天數。

6.根據權利要求1至5中任一項所述的方法，其中，所述各類標識還包括查詢標識，所述將每個樣本的各特征與各類標識中的一項進行關聯，還包括：

將每個樣本的查詢標識，與查詢特征進行關聯；

其中，所述查詢特征包括查詢語句的長度、查詢語句包含的車系、查詢語句包含的品牌、查詢語句的點擊通過率。

7.根據權利要求1至6中任一項所述的方法，其中，所述將每個樣本的各特征與各類標識中的一項進行關聯，還包括：

將每個樣本的卡片標識和查詢標識作為整體，與相關性特征進行關聯；

其中，所述相關性特征包括查詢語句與物料標題中的內容是否匹配、查詢語句是否命中標題、標題與查詢語句的相似度。

8.根據權利要求1至7中任一項所述的方法，其中，所述各類標識還包括用戶標識，所述將每個樣本的各特征與各類標識中的一項進行關聯，還包括：

將每個樣本的用戶標識，與用戶畫像特征進行關聯；

其中，所述用戶畫像特征包括用戶的上下文信息、用戶收藏的內容、用戶收藏的品牌、用戶的年齡屬性、用戶分群。

9.一種計算設備，包括：

至少一個處理器；以及

存儲器，存儲有程序指令，其中，所述程序指令被配置為適于由所述至少一個處理器執行，所述程序指令包括用于執行如權利要求1至8中任一項所述方法的指令。

10.一種存儲有程序指令的可讀存儲介質，當所述程序指令被計算設備讀取并執行時，使得所述計算設備執行如權利要求1至8中任一項所述方法。