BR112020017329A2

BR112020017329A2 - método e aparelho para ranquear um objeto de negócio, dispositivo eletrônico, e, meio de armazenamento legível

Info

Publication number: BR112020017329A2
Application number: BR112020017329-0A
Authority: BR
Inventors: Chao Zhong; Huaijun Liu; Haiwen LIU
Original assignee: Beijing Sankuai Online Technology Co., Ltd
Priority date: 2018-06-08
Filing date: 2018-12-14
Publication date: 2021-03-02
Also published as: WO2019233077A1; US20210366006A1; CN110647696B; CN110647696A

Abstract

MÉTODO PARA RANQUEAR UM OBJETO DE NEGÓCIO, DISPOSITIVO ELETRÔNICO, E, MEIO DE ARMAZENAMENTO LEGÍVEL. Um método para ranquear um objeto de negócio é descrito. O método inclui: obter um registro de comportamento do histórico; extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

Description

MÉTODO PARA RANQUEAR UM OBJETO DE NEGÓCIO, DISPOSITIVO ELETRÔNICO, E, MEIO DE ARMAZENAMENTO LEGÍVEL REFERÊNCIA CRUZADA A PEDIDOS RELACIONADOS

[001] O presente pedido reivindica prioridade ao Pedido de Patente Chinesa Nº 201810589777.4, depositado em 8 de junho de 2018 e intitulado “METHOD AND APPARATUS FOR RANKING BUSINESS OBJECT”, o qual é incorporado neste documento por referência em sua totalidade.

Fundamentos Campo Técnico

[002] O presente pedido se refere ao ranqueamento de um objeto de negócio no campo de tecnologia de rede.

Técnica Relacionada

[003] No campo de tecnologias de rede neural, um sistema de recomendação personalizado pode recomendar informações a um usuário. Na indústria de refeição para viagem, um sistema de recomendação personalizada pode, baseado em um histórico de pedidos e palavras-chave de pesquisas atuais do usuário, recomendar ao usuário alguns produtos que podem ser do seu interesse. Um sistema de recomendação personalizada inclui um módulo de rechamada e um módulo de ranqueamento. O módulo de rechamada é configurado para obter um produto candidato de uma plataforma de acordo com os comportamentos do histórico ou comportamentos em tempo real do usuário. O módulo de ranqueamento é configurado para ranquear o produto candidato.

Sumário

[004] O presente pedido provê um método e um aparelho para ranquear um objeto de negócio, um dispositivo eletrônico, e um meio de armazenamento legível.

[005] De acordo com um aspecto das modalidades do presente pedido, um método para ranquear um objeto de negócio é provido. O método inclui: obter pelo menos um registro de comportamento do histórico; extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

[006] De acordo com outro aspecto das modalidades do presente pedido, um aparelho para ranquear um objeto de negócio é provido. O aparelho inclui: um módulo de obtenção de dados, configurado para obter pelo menos um registro de comportamento do histórico; um módulo de extração de informações de recurso, configurado para extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; um módulo de predição, configurado para inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e um módulo de ranqueamento, configurado para ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

[007] De acordo com outro aspecto das modalidades do presente pedido, um dispositivo eletrônico é provido, incluindo: pelo menos um processador, pelo menos uma memória e pelo menos um programa de computador armazenado na memória e executável no processador; ao executar o programa, o processador implementa o método para ranquear um objeto de negócio.

[008] De acordo com outro aspecto das modalidades do presente pedido, um meio de armazenamento legível é provido. Quando pelo menos uma instrução no meio de armazenamento é executada por pelo menos um processador de um dispositivo eletrônico, o dispositivo eletrônico é habilitado para realizar o método para ranquear um objeto de negócio. Breve Descrição dos Desenhos

[009] Para descrever as soluções técnicas das modalidades do presente pedido de forma mais clara, o que se segue apresenta resumidamente os desenhos anexos necessários para descrever as modalidades. Aparentemente, os desenhos anexos na descrição a seguir mostram apenas algumas modalidades deste pedido, e um versado na técnica ainda pode derivar outros desenhos desses desenhos anexos sem esforços criativos.

[0010] A figura 1 é um fluxograma de etapas de um método para ranquear um objeto de negócio de acordo com uma modalidade deste pedido; a figura 2 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo com uma modalidade deste pedido; a figura 3 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido; a figura 4 é um diagrama esquemático estrutural de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido; a figura 5 é um diagrama esquemático estrutural de uma célula neural de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido; a figura 6 é um fluxograma de etapas de um método para ranquear um objeto de negócio de acordo com outra modalidade deste pedido;

a figura 7 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido; a figura 8 é um diagrama estrutural de um aparelho para ranquear um objeto de negócio de acordo com uma modalidade deste pedido; e a figura 9 é um diagrama estrutural de um aparelho para ranquear um objeto de negócio de acordo com outra modalidade deste pedido. Descrição Detalhada

[0011] O seguinte descreve clara e completamente as soluções técnicas nas modalidades deste pedido com referência aos desenhos anexos nas modalidades deste pedido. Aparentemente, as modalidades descritas são algumas modalidades deste pedido, em vez de todas as modalidades. Todas as outras modalidades obtidas por um técnico no assunto com base nas modalidades deste pedido, sem esforços criativos, devem cair dentro do escopo de proteção deste pedido.

[0012] Em uma modalidade, a rechamada de um produto através de um algoritmo de filtragem colaborativa inclui: primeiro, analisar os comportamentos do histórico de um usuário alvo para obter um produto favorito do usuário alvo; e, em seguida, calcular uma similaridade do usuário entre um usuário candidato e o usuário alvo, e uma similaridade do produto entre um produto candidato e o produto favorito do usuário alvo; e finalmente, recomendar, de acordo com a similaridade do usuário, um produto preferido pelo usuário candidato ao usuário alvo, ou recomendar o produto candidato ao usuário alvo de acordo com a similaridade do produto.

[0013] No entanto, o algoritmo de filtragem colaborativa tem um problema de complexidade de tempo relativamente alta e um problema de dispersão de dados no cálculo da similaridade do produto e da similaridade do usuário, o efeito de rechamada do algoritmo de filtragem colaborativa com base nos comportamentos do usuário é relativamente pobre.

[0014] A presente descrição provê um método para ranquear um objeto de negócio, de modo a aprimorar o efeito de rechamada. A figura 1 mostra um fluxograma de um método para ranquear um objeto de negócio de acordo com uma modalidade deste pedido; O método para ranquear um objeto de negócio é aplicável a um servidor e inclui as etapas 101 a 104.

[0015] Etapa 101: obter pelo menos um registro de comportamento do histórico.

[0016] A presente modalidade deste pedido pode ser usada para determinar um escore de ranqueamento de um objeto de negócio em um registro de comportamento do histórico de acordo com o registro de comportamento do histórico, de modo a recomendar um objeto de negócio de um escore de ranqueamento maior para um usuário.

[0017] Os objetos de negócios incluem, mas são estão limitados a, produtos, anúncios e comerciantes.

[0018] Os registros de comportamento do histórico incluem, mas não estão limitados a: um registro de navegação de um objeto de negócio em um período do histórico pelo usuário, um registro de solicitação de pedido e um registro de pagamento. Ao solicitar um pedido em um aplicativo (APP), o usuário pode ter navegado em muitos objetos de negócios. Um servidor correspondente ao aplicativo pode salvar os objetos de negócios navegados pelo usuário na base de dados.

[0019] Em uma modalidade, o registro de navegação do usuário sobre o objeto de negócio no período do histórico inclui ações de clique que foram realizadas pelo usuário em uma sessão atual. Por exemplo, na sessão atual, o usuário realizou duas ações de clique, e portanto, o registro de comportamento do histórico pode ser obtido com base nos objetos de negócios que o usuário navegou antes dessa sessão e com base nas duas ações de clique.

[0020] Etapa 102: extrair informações de recurso de pelo menos um objeto de negócio a partir do registro de comportamento do histórico. À informação de recurso inclui pelo menos uma de informações de recurso discreto ou informações de recurso contínuo.

[0021] A informação de recurso representa o tipo do objeto de negócio. Os objetos de negócios que têm as mesmas ou informações de recurso similares podem ser classificados como um tipo de objetos de negócios. Por exemplo, para produtos de refeição para viagem, uma sequência de produtos navegada pelo usuário é <poil, poi2, ..., poiN>, e as informações de recurso relacionadas a cada produto incluem informação da região, informação da categoria, informação da identificação do usuário, uma taxa de clicagem, uma taxa de conversão, um volume de vendas, um valor médio de transação, um volume bruto de mercadorias e assim por diante. A informação da região, a informação da categoria, e a informação da identificação do usuário são informações de recurso discreto, e a taxa de clicagem, a taxa de conversão, o volume de vendas, o valor médio de transação, e o volume bruto de mercadorias são informações de recurso contínuo. A presente modalidade deste pedido não limita a quantidade de recursos discretos incluídos nas informações de recurso discreto ou a quantidade de recursos contínuos incluídos nas informações de recurso contínuo.

[0022] Em uma modalidade, as informações de recurso podem incluir apenas informações de recurso discreto, ou podem incluir apenas informações de recurso contínuo.

[0023] A extração de informações de recursos de pelo menos um objeto de negócio a partir do registro de comportamento do histórico inclui: extração de informação de região, informação de categoria, informação de identificação do usuário, uma taxa de clicagem, uma taxa de conversão, um volume de vendas, um valor médio de transação e um valor bruto de mercadorias do produto a partir do registro de comportamento do histórico.

[0024] A figura 2 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido. Como mostrado na figura 2, s1, s2, ..., s10 denotam informações de recursos de entrada do objeto de negócio, respectivamente, e pl, p2, .., plO denotam informações de recursos previstos do objeto de negócio, respectivamente. Em uma modalidade, para cada objeto de negócio, as informações de recurso discreto podem incluir recursos discretos M, e as informações de recurso contínuo podem incluir recursos consecutivos N. Por exemplo, dl, d2, ..., dM são recursos discretos M, e c1, c2, ..., cN são recursos contínuos N. Para cada objeto de negócio, a quantidade de recursos discretos incluídos nas informações de recurso discreto pode ser diferente da quantidade de recursos contínuos incluídos nas informações de recurso contínuo.

[0025] A figura 3 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido. Um comprimento de sequência mostrado na figura 3 é 9. sl, s2, ..., SO denotam informações de recursos de entrada do objeto de negócio, respectivamente, e pl, p2, ..., p? denotam informações de recursos previstos do objeto de negócio, respectivamente.

[0026] Etapa 103: inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio.

[0027] Na presente modalidade deste pedido, o modelo de predição inclui uma rede de memória de curto prazo longo (LSTM) em um modelo de rede neural recorrente (RNN).

[0028] Como mostrado na figura 4, uma camada de entrada do modelo de LSTM inclui um fluxo de processamento em uma caixa de linha sólida. A informação de recurso discreto inclui recursos discretos p, e a informação de recurso contínuo inclui recursos contínuos q. Primeiro, os recursos discretos p são sujeitos a uma processo de incorporação para gerar vetores de incorporação p. Então, os vetores de incorporação p são costurados ou sujeitados a um algoritmo de média separadamente para obter um vetor de recurso discreto total. Finalmente, o vetor de recurso discreto e o vetor de recurso contínuo são costurados em um vetor de recurso total, o qual é inserido em uma célula neural de uma rede de LSTM para operação não linear e, finalmente, um resultado de predição, como um escore de ranqueamento, é enviado, em que q e p são números inteiros maiores que 1.

[0029] Uma estrutura da célula neural é mostrada na figura 5. No desenho, h e x denotam informação de entrada, next h e next c denotam valores de saída obtidos através da predição, c denota um coeficiente de ativação, in gata denota uma input gate (porta), out gata denota uma output gate, forget. gata denota uma forget gate, in, tran denota uma transform gate, e sigmóide e tangente hiperbólica (tanh) denotam funções de ativação. Compreensivelmente, a célula neural pode implementar uma série de operações não lineares por meio das funções sigmóide e de tangente hiperbólica. Um versado na técnica é familiar com a célula neural, a função sigmóide, e a função de tangente hiperbólica, de modo que detalhes das mesmas são omitidos aqui.

[0030] Pode ser entendido que na presente modalidade deste pedido, o escore de ranqueamento do objeto de negócio é previsto usando o modelo de LSTM e as informações de recurso do objeto de negócio no registro de comportamento do histórico de entrada.

[0031] Etapa 104: ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

[0032] Em uma modalidade, os objetos de negócios podem ser ranqueados em ordem ascendente ou descendente dependendo de um cenário de aplicação real.

[0033] Além disso, um objeto de negócio ranqueado à frente pode ser recomendado ao usuário, ou um objeto de negócio cujo escore de ranqueamento excede um limite predefinido pode ser recomendado ao usuário.

[0034] O limite predefinido é usado para determinar se o objeto de negócio é um objeto de negócio alvo, e pode ser definido de acordo com uma faixa de valor do escore de ranqueamento e o cenário de aplicação real. Isso não é limitado na presente modalidade deste pedido.

[0035] Pode ser entendido que uma forma de recomendação pode variar com o cenário de aplicação. Por exemplo, em um cenário de refeição para viagem, um produto ou um comerciante é exibido em uma região designada de uma plataforma. O objeto de negócio alvo pode ser recomendado ao usuário de outras formas. A forma de recomendação não é limitada na presente modalidade deste pedido.

[0036] Em conclusão, a presente modalidade deste pedido provê um método para ranquear um objeto de negócio. O método inclui: obter pelo menos um registro de comportamento do histórico; extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio. O escore de ranqueamento de cada objeto de negócio é previsto usando um modelo de predição pré-treinado, e o objeto de negócio é ranqueado para guiar recomendações subsequentes. No método para ranquear o objeto de negócio, não existe nenhum problema de dispersão de dados, a complexidade do tempo é reduzida e o efeito de rechamada é aprimorado.

[0037] A figura 6 mostra um fluxograma de um método para ranquear um objeto de negócio de acordo com uma modalidade deste pedido.

[0038] Etapa 201: definir pelo menos um parâmetro de treinamento de um modelo de predição, e treinar o modelo de predição usando um conjunto de amostras de recurso de objeto de negócio.

[0039] O parâmetro de treinamento inclui um tamanho de um dicionário de recursos discretos em uma camada de entrada, um tamanho de um dicionário de sequência de predição em uma camada de saída, uma dimensão de incorporação, a quantidade de nós ocultos, a quantidade de camadas de rede, um ambiente operacional, a quantidade de recursos discretos, a quantidade de recursos contínuos e uma forma de combinação de recursos discretos incorporados, uma forma de inicialização de parâmetro, seleção de método de otimização, um valor de um parâmetro de penalidade regularizado, uma probabilidade de descarte, normalização de lote, um comprimento de sequência e semelhantes.

[0040] O tamanho do dicionário de recursos discretos na camada de entrada e o tamanho do dicionário de sequência de predição na camada de saída, a dimensão de incorporação, a quantidade de nós ocultos e a quantidade de camadas de rede são todos maiores que O. O ambiente operacional pode ser definido como uma unidade de processamento central (CPU) ou uma unidade de processamento gráfico (GPU). A quantidade de recursos discretos é maior que O. A quantidade de recursos contínuos é maior que ou igual a O. A forma de combinação de recursos discretos incorporados pode ser definida para costura ou média. A forma de inicialização do parâmetro pode ser definida como Gaussiana ou normal. A seleção do método de otimização pode ser definida como um método de adam, adagrad ou adadelta. O valor do parâmetro de penalidade regularizado é maior que ou igual a O. À probabilidade de descarte é maior que ou igual a O. A normalização do lote pode ser definida para sim ou não.

[0041] O comprimento da sequência pode ser definido para diferentes comprimentos, dependendo de um cenário de aplicação diferente. Em um cenário de refeição para viagem, as estatísticas mostram que 95% dos usuários navegam em uma sequência de comprimento menor que ou igual a em uma sessão. Para cobrir a maioria dos dados de treinamento, o comprimento da sequência é definido para 9.

[0042] Pode ser entendido que todos os parâmetros de treinamento são parâmetros fixos do modelo de LSTM, e as faixas de valor dos parâmetros podem ser definidas por aqueles versados na técnica de acordo com um exigência e, portanto, os detalhes são omitidos aqui.

[0043] Cada amostra no conjunto de amostras de recursos do objeto de negócio inclui informações de recursos, e pode ser coletada de grandes registros do histórico de usuários.

[0044] Em uma modalidade, a etapa 201 inclui subetapas 2011 a 2015: na subetapa 2011: extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de um objeto de negócio para fins de treinamento a partir de cada amostra no conjunto de amostras de recurso de objeto de negócio.

[0045] Cada amostra no conjunto de amostras de recurso de objeto de negócio pode corresponder a um objeto de negócio para fins de treinamento.

[0046] A figura 7 é um diagrama esquemático de uma estrutura de dados de uma rede de memória de curto prazo longo de acordo com uma modalidade deste pedido. Usando uma refeição para viagem como um exemplo, o objeto de negócio para fins de treinamento é um comerciante. Presume-se que as informações de recurso do objeto de negócio para fins de treinamento incluem apenas informações de recurso discreto, a informações de recurso discreto inclui apenas um recurso discreto, como uma identidade do comerciante (ID), e um comprimento de sequência navegado por um usuário em uma sessão é 10, ou seja, o usuário navegou por 10 comerciantes em uma sessão. Uma estrutura de dados construída no treinamento de um modelo de predição é mostrado na figura 7. A figura 7 mostra que o usuário navegou por 10 comerciantes com IDs poil, poi2, poi3, poi4, poi5, poi6, poi7, poi8, poi9, e poil0 sequencialmente em uma sessão. Após o usuário navegar pelo comerciante poil, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi2. Após o usuário navegar pelo comerciante poi2, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi3. Após o usuário navegar pelo comerciante poi3, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi4. Após o usuário navegar pelo comerciante poi4, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi5. Após o usuário navegar pelo comerciante poi5, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi6. Após o usuário navegar pelo comerciante poi6, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi7. Após o usuário navegar pelo comerciante poi7, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi8. Após o usuário navegar pelo comerciante poi8, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poi9. Após o usuário navegar pelo comerciante poi9, prevê-se que o próximo comerciante a ser navegado pelo usuário é o poilO.

[0047] Subetapa 2012: gerar um segundo vetor de recurso discreto de acordo com as informações de recurso discreto do objeto de negócio para fins de treinamento.

[0048] Em uma modalidade, as informações de recurso discreto do objeto de negócio para fins de treinamento são mapeadas em vários vetores através de uma função e, em seguida, os vários vetores são combinados em um vetor.

[0049] Em uma modalidade, a subetapa 2012 inclui subetapas 2011 a 20122:

subetapa 20121: realizar mapeamento de dados nas informações de recurso discreto de cada objeto de negócio para fins de treinamento separadamente para gerar uma pluralidade de vetores de recurso discreto intermediários.

[0050] Como uma tecnologia comum no aprendizado profundo, o mapeamento de dados baseado em incorporação mapeia uma parte das informações de recurso em um vetor dimensional inferior. As informações de recursos discretos na presente modalidade deste pedido incluem vários recursos discretos. Portanto, cada recurso discreto precisa ser mapeado em um vetor através de incorporação e, em seguida, os vetores correspondentes a todos os recursos discretos são combinados em um vetor.

[0051] O tamanho do vetor de recurso discreto intermediário pode ser definido de acordo com uma dimensão de incorporação do parâmetro modelo.

[0052] Subetapa 20122: realizar costura ou uma operação de média na pluralidade de vetores de recurso discreto intermediários para gerar um segundo vetor de recurso discreto.

[0053] Em uma modalidade, vários vetores de recursos intermediários são costurados para gerar um segundo vetor de recurso discreto. Por exemplo, se os vetores de recurso intermediário são [al, a2, a3, a4, a5], [b1, b2, b3, b4, b5], e [c1, c2, c3, c4, c5], o segundo vetor de recurso discreto costurado é [al, al, a3, a4, a5, bl, b2, b3, b4, b5, c1, c2, c3, c4, c5).

[0054] Os vários vetores de recurso intermediário são costurados para gerar um segundo vetor de recurso discreto. O segundo vetor de recurso obtido por média dos três vetores de recurso intermediário acima é [(al + bl +c1)/3, (a2 + b2 + c2)/3, (a3 + b3 + c3)/3, (a4 + b4 + c4)/3, (a5 + b5 + c5)/3].

[0055] Pode ser entendido que um algoritmo de costura ou um algoritmo médio pode ser selecionado, o que não é limitado na presente modalidade deste pedido.

[0056] Subetapa 2013: gerar um segundo vetor de recurso contínuo de acordo com as informações de recurso contínuo de cada objeto de negócio para fins de treinamento.

[0057] Em uma modalidade, a informação de recurso contínuo corresponde diretamente a um valor, e portanto, não precisa ser mapeado através de incorporação. Os valores correspondentes às informações do recurso são costurados diretamente para formar um segundo vetor de recurso contínuo. Pode ser entendido que a quantidade de recursos contínuos incluídos nas informações de recurso contínuo é o tamanho do segundo vetor de recurso contínuo. Por exemplo, se os recursos contínuos incluídos nas informações de recurso contínuo forem um volume de vendas médio mensal d e um preço médio e, o segundo vetor de recurso contínuo é um vetor bidimensional.

[0058] Subetapa 2014: costurar o segundo vetor de recurso discreto e o segundo vetor de recurso contínuo para gerar um segundo vetor de recurso alvo.

[0059] Pode ser entendido que o tamanho do segundo vetor de recurso alvo é uma soma do tamanho do segundo vetor de recurso discreto e do tamanho do segundo vetor de recurso contínuo. Por exemplo, se o segundo vetor de recurso discreto obtido por costura na subetapa 2012 é [al, a2, a3, a4, a5, bl, b2, b3, b4, b5, cl, c2, c3, c4, c5) e o segundo vetor de recurso contínuo obtido na subetapa 2013 é um vetor bidimensional [d, e], então o segundo vetor de recurso alvo é [al, a2, a3, a4, a5, bl, b2, b3, b4, b5, c1, c2, c3, C4, c5, d, e]. Se o segundo vetor de recurso discreto obtido por costura na subetapa 2012 é [(al + b1 + c1)/3, (a2 + b2 + c2)/3, (a3 + b3 + c3)/3, (a4 + b4 + c4)/3, (a5S + b5 + c5)/3] e o segundo vetor de recurso contínuo obtido na subetapa 2013 é um vetor bidimensional [d, e], então o segundo vetor de recurso alvo é [(al + b1 + c1)/3, (a2 + b2 + c2)/3, (a3 + b3 + c3)/3, (a4 + b4 + c4)/3, (a5 + b5 + c5)/3, d, e).

[0060] Subetapa 2015: inserir o segundo vetor de recurso alvo em pelo menos uma unidade de rede neural para treinamento para obter o modelo de predição.

[0061] Em uma possível implementação, a quantidade de iterações pode ser definida manualmente. Quando a quantidade de iterações é alcançada, o treinamento termina e um modelo de predição é obtido. Alternativamente, o término do treinamento é determinado automaticamente com base em uma função de perda e, quando um valor de perda atende a uma condição predefinida, o treinamento termina e um modelo de predição correspondente é obtido.

[0062] A subetapa 2015 inclui: usar uma função sigmóide para ativar um valor de saída correspondente ao segundo vetor de recurso alvo para obter um valor de saída ativado e usar uma entropia cruzada para calcular um valor de perda de acordo com o valor de saída ativado.

[0063] A fórmula (1) da função sigmóide é como se segue: Ss IE 1-e7" (1) x denota um valor de entrada, e S(x) denota o valor de saída ativado.

[0064] Em uma modalidade, cada elemento no segundo vetor de recurso alvo é ativado através dessa função para obter um vetor ativado.

[0065] A entropia cruzada é usada para medir a diferença entre duas distribuições de probabilidade, por exemplo, um valor de perda entre uma distribuição verdadeira p e uma distribuição não verdadeira q. Quando a distribuição verdadeira p e a distribuição não verdadeira q são valores discretos, a Fórmula (2) para calcular o valor de perda H(p, q) é como se segue: H(p,q)=X'r, 1080)

SN em que i denota um índice de valores de saída ativados, ?' denota uma probabilidade verdadeira correspondente ao valor de saída i, e 4 denota uma probabilidade não verdadeira correspondente ao valor de saída 1.

[0066] Quando a distribuição verdadeira p e a distribuição não verdadeira q são valores contínuos, a Fórmula (3) para calcular o valor de perda H(p, q) é como se segue: H(p,q)=-[ pt log(g() ' G) em que x denota um índice de valores de saída ativados, p(x) denota uma probabilidade verdadeira correspondente ao valor de saída x, e q(x) denota uma probabilidade não verdadeira correspondente ao valor de saída x.

[0067] No processo de treinamento do modelo de predição, o uso de uma função de ativação softmax pode ser evitado, assim reduzindo muito a complexidade do tempo.

[0068] Etapa 202: obter pelo menos um registro de comportamento do histórico.

[0069] Para esta etapa, consulte a descrição detalhada da etapa 101, e os detalhes são omitidos aqui.

[0070] Etapa 203: extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico.

[0071] Para esta etapa, consulte a descrição detalhada da etapa 102, e os detalhes são omitidos aqui.

[0072] Etapa 204: gerar um primeiro vetor de recurso discreto para cada objeto de negócio de acordo com as informações de recurso discreto do objeto de negócio.

[0073] Para esta etapa, consulte a descrição detalhada da subetapa 2012, e os detalhes são omitidos aqui.

[0074] Em uma modalidade, a etapa 204 inclui subetapas 2041 a 2042: subetapa 2041: realizar mapeamento de dados nas informações de recurso discreto do objeto de negócio para gerar uma pluralidade de vetores de recurso discreto intermediários.

[0075] Para esta etapa, consulte a descrição detalhada da subetapa 20121, e os detalhes são omitidos aqui.

[0076] Subetapa 2042: realizar costura ou uma operação de média na pluralidade de vetores de recurso discreto intermediários para gerar um primeiro vetor de recurso discreto.

[0077] Para esta etapa, consulte a descrição detalhada da subetapa 20122, e os detalhes são omitidos aqui.

[0078] Etapa 205: gerar um primeiro vetor de recurso contínuo para cada objeto de negócio de acordo com as informações de recurso contínuo do objeto de negócio.

[0079] Para esta etapa, consulte a descrição detalhada da subetapa 2013, e os detalhes são omitidos aqui.

[0080] Etapa 206: costurar o primeiro vetor de recurso discreto e o primeiro vetor de recurso contínuo do objeto de negócio para gerar um primeiro vetor de recurso alvo para cada objeto de negócio.

[0081] Para esta etapa, consulte a descrição detalhada da subetapa 2014, e os detalhes são omitidos aqui.

[0082] Etapa 207: inserir o primeiro vetor de recurso alvo de cada objeto de negócio em pelo menos uma unidade de rede neural para predição para obter um escore de ranqueamento de cada objeto de negócio. A unidade de rede neural é arranjada em uma camada intermediária do modelo de predição do escore de ranqueamento obtido por pré-treinamento. À camada intermediária é usada para realizar uma operação não linear no vetor de entrada.

[0083] Em uma modalidade, o primeiro vetor de recurso alvo é inserido em uma unidade de rede neural para realizar uma operação não linear no primeiro vetor de recurso alvo e calcular um escore de ranqueamento de cada objeto de negócio.

[0084] Etapa 208: selecionar pelo menos um objeto de negócio candidato a partir de objetos de negócios de acordo com pelo menos uma condição predefinida.

[0085] O objeto de negócio candidato varia com o tipo do objeto de negócio. Por exemplo, para um pedido de refeição para viagem, o objeto de negócio candidato pode ser um produto de refeição para viagem provido por um comerciante próximo ao usuário. Em uma modalidade, os comerciantes localizados a uma distância dentro de um limite de distância predefinido (por exemplo, 3000 metros ou 1000 metros) do usuário podem ser usados como objetos de negócios candidatos.

[0086] Etapa 209: ranquear o objeto de negócio candidato de acordo com um escore de ranqueamento de cada objeto de negócio candidato.

[0087] Para esta etapa, consulte a descrição detalhada da etapa 104, e os detalhes são omitidos aqui.

[0088] Em conclusão, as modalidades deste pedido proveem um método para ranquear um objeto de negócio. O método inclui: obter pelo menos um registro de comportamento do histórico; extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio. O escore de ranqueamento do objeto de negócio é previsto ao usar um modelo de predição pré-treinado, e o objeto de negócio é ranqueado para guiar recomendações subsequentes, reduzindo assim a complexidade do tempo, resolvendo um problema de dispersão de dados e aprimorando um efeito de rechamada. Além do mais, o modelo de predição pode ser obtido através de pré-treinamento, e um valor de perda pode ser calculado com uma função sigmóide, assim reduzindo a complexidade do cálculo.

[0089] A figura 8 mostra um diagrama estrutural de um aparelho para ranquear um objeto de negócio de acordo com uma modalidade deste pedido, especificamente incluindo: um módulo de obtenção de dados 301, configurado para obter pelo menos um registro de comportamento do histórico; um módulo de extração de informações de recurso 302, configurado para extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico; um módulo de predição 303, configurado para inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio; e um módulo de ranqueamento 304, configurado para ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

[0090] Em conclusão, a presente modalidade deste pedido provê um aparelho para ranquear um objeto de negócio. O escore de ranqueamento do objeto de negócio é previsto ao usar um modelo de predição pré-treinado, e o objeto de negócio é ranqueado para guiar recomendações, reduzindo assim a complexidade do tempo, resolvendo um problema de dispersão de dados e aprimorando um efeito de rechamada.

[0091] A figura 9 mostra um diagrama estrutural de um aparelho para ranquear um objeto de negócio de acordo com outra modalidade deste pedido, especificamente incluindo um módulo de treinamento modelo 401, um módulo de obtenção de dados 402, um módulo de extração de informações de recurso 403, um módulo de predição 404, e um módulo de ranqueamento 405.

[0092] O módulo de treinamento modelo 401 é configurado para definir pelo menos um parâmetro de treinamento de um modelo de predição, e treinar o modelo de predição usando um conjunto de amostras de recurso de objeto de negócio.

[0093] O módulo de obtenção de dados 402 é configurado para obter pelo menos um registro de comportamento do histórico.

[0094] O módulo de extração de informações de recurso 403 é configurado para extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de pelo menos um objeto de negócio a partir do registro de comportamento do histórico.

[0095] O módulo de predição 404 é configurado para inserir pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de cada objeto de negócio em pelo menos um modelo de predição obtido por pré-treinamento, e predizer um escore de ranqueamento de cada objeto de negócio.

[0096] Opcionalmente, na presente modalidade deste pedido, o módulo de predição 404 inclui: um primeiro vetor de recurso discreto gerando submódulo 4041, configurado para gerar um primeiro vetor de recurso discreto para cada objeto de negócio de acordo com as informações de recurso discreto do objeto de negócio; um primeiro vetor de recurso contínuo gerando submódulo 4042, configurado para gerar um primeiro vetor de recurso contínuo para cada objeto de negócio de acordo com as informações de recurso contínuo do objeto de negócio; um primeiro vetor de recurso alvo gerando submódulo 4043, configurado para costurar o primeiro vetor de recurso discreto e o primeiro vetor de recurso contínuo do objeto de negócio para gerar um primeiro vetor de recurso alvo para cada objeto de negócio; e um submódulo de predição 4044, configurado para inserir o primeiro vetor de recurso alvo de cada objeto de negócio em pelo menos uma unidade de rede neural para predição para obter um escore de ranqueamento de cada objeto de negócio, em que a unidade de rede neural é arranjada em uma camada intermediária do modelo de predição obtido por pré-treinamento, e a camada intermediária é usada para realizar uma operação não linear no vetor de entrada.

[0097] O módulo de ranqueamento 405 é configurado para ranquear cada objeto de negócio de acordo com o escore de ranqueamento de cada objeto de negócio.

[0098] Opcionalmente, na presente modalidade deste pedido, o módulo de ranqueamento 405 inclui: um submódulo 4051 de seleção de objeto de negócio candidato, configurado para selecionar pelo menos um objeto de negócio candidato a partir de objetos de negócios de acordo com pelo menos uma condição predefinida; e um submódulo de ranqueamento 4052, configurado para ranquear o objeto de negócio candidato de acordo com o escore de ranqueamento de cada objeto de negócio candidato.

[0099] Opcionalmente, em outra modalidade deste pedido, o módulo de treinamento modelo 401 inclui: um submódulo de extração de informações de recurso, configurado para extrair pelo menos uma de informações de recurso discreto ou informações de recurso contínuo de um objeto de negócio a partir de cada amostra no conjunto de amostras de recurso de objeto de negócio; um segundo vetor de recurso discreto gerando submódulo, configurado para gerar um segundo vetor de recurso discreto de acordo com as informações de recurso discreto de cada amostra; um segundo vetor de recurso contínuo gerando submódulo, configurado para gerar um segundo vetor de recurso contínuo de acordo com as informações de recurso contínuo de cada amostra; um segundo vetor de recurso alvo gerando submódulo, configurado para costurar o segundo vetor de recurso discreto e o segundo vetor de recurso contínuo para gerar um segundo vetor de recurso alvo; e um