CN110598084A - 对象排序方法、商品排序方法、装置及电子设备 - Google Patents
对象排序方法、商品排序方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110598084A CN110598084A CN201810509143.3A CN201810509143A CN110598084A CN 110598084 A CN110598084 A CN 110598084A CN 201810509143 A CN201810509143 A CN 201810509143A CN 110598084 A CN110598084 A CN 110598084A
- Authority
- CN
- China
- Prior art keywords
- candidate
- machine learning
- probability
- correlation
- commodity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 claims abstract description 92
- 239000013598 vector Substances 0.000 claims description 25
- 238000012163 sequencing technique Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种对象排序方法、商品排序方法、装置及电子设备。该对象排序方法包括：获取待排序的候选对象集合；采用机器学习模型组件提取候选对象集合中各对象之间的相关关系；根据候选对象集合中各对象对应的基本排序特征以及候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测候选对象集合中各对象的目标概率；根据候选对象集合中各对象的目标概率，构建对象推荐列表。本发明提供的对象排序方法、商品排序方法、装置及电子设备，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种对象排序方法、商品排序方法、装置及电子设备。
背景技术
在当前的对象推荐或搜索场景中，通常会为用户召回准备大量的候选对象，然而出于场景页面的限制，例如一页只能显示K个对象，则需要从这些候选对象中选取K个对象，并在结果页面上排序展现出来。在信息检索或机器学习领域中，有排序优化(learning torank)等专门的课题来研究如何提升排序质量，使得整体排序效率最大化。
现有技术中的排序优化方案如下：在候选对象集合召回完成后，通过离线优化好的排序模型p(item|user，sim(itemi，itemj))，来预测用户对候选对象集合中的各对象的目标概率(包括点击率或成交率)，最后根据该概率结果对候选对象集合中的各对象进行排序。其中，排序模型p(item|user，sim(itemi，itemj))的特征输入包括用户基本属性、对象基本属性、用户与对象的相关特征和手工构造的候选对象集合中对象之间的相关关系作为上下文(context)特征。
发明人在实现本发明的过程中，发现现有技术至少存在如下缺陷：手工构造的context特征泛化能力差，适用性差，进而导致排序模型的学习能力有限，无法最大限度地发挥机器学习的价值。
发明内容
本发明提供一种对象排序方法、商品排序方法、装置及电子设备，以提升context特征的泛化能力、适用性和排序模型的学习能力，最大限度地发挥机器学习的价值。
为达到上述目的，本发明采用如下技术方案：
一方面，本发明提供一种对象排序方法，包括：获取待排序的候选对象集合；采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
另一方面，本发明还提供一种对象排序装置，包括：第一获取模块，用于获取待排序的候选对象集合；第一提取模块，用于采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；预测模块，用于根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；排序模块，用于根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
另一方面，本发明还提供一种电子设备，包括：存储器，用于存储程序；处理器，耦合至所述存储器，用于执行所述程序，以用于：获取待排序的候选对象集合；采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
另一方面，本发明还提供一种商品排序方法，包括：基于用户的交互行为，获取待排序的候选商品集合；采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；根据所述各商品的点击概率或成交概率，显示商品推荐列表。
另一方面，本发明还提供一种商品排序装置，包括：第二获取模块，用于基于用户的交互行为，获取待排序的候选商品集合；第二提取模块，用于采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；第二预测模块，用于根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；显示模块，用于根据所述各商品的点击概率或成交概率，显示商品推荐列表。
另一方面，本发明还提供一种电子设备，包括：存储器，用于存储程序；处理器，耦合至所述存储器，用于执行所述程序，以用于：基于用户的交互行为，获取待排序的候选商品集合；采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；根据所述各商品的点击概率或成交概率，显示商品推荐列表。
本发明提供的对象排序方法、商品排序方法、装置及电子设备，采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系，即能够自动学习候选对象集合中对象之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明提供的对象排序方法的应用场景示意图；
图2为本发明提供的对象排序方法一个实施例的流程示意图；
图3为本发明提供的对象排序方法又一个实施例的流程示意图；
图4为深度神经网络模型组件的结构示意图；
图5为对象排序模型组件的生成方法一个实施例的流程示意图；
图6为本发明提供的对象排序装置一个实施例的结构示意图；
图7为本发明提供的商品排序方法一个实施例的流程示意图；
图8为本发明提供的商品排序装置一个实施例的结构示意图；
图9为本发明提供的电子设备一个实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
相关术语说明：
对象排序，在对象(例如商品、文档等)推荐或搜索场景中，结果通常是以对象列表的形式展现出来。对象排序是指根据不同的目标(点击/成交)，来优化对象的排序顺序，从而提升整体推荐或搜索结果的效率。
候选对象集合，对象排序会从候选的对象集合中选取K个对象，在结果页面上排序展现出来。
候选对象集合中各对象之间的相关关系，即候选对象集合中各对象之间的上下文(context)特征，可以作为影响排序的因素之一，其他常见的影响排序的因素还有用户(user)属性、查询(query)相关性等。
深度神经网络，(Depp Neural Network，简称DNN)，深度神经网络与更常见的单一隐藏层神经网络的区别在于深度，即数据在模式识别的多步流程中所经过的节点层数。传统机器学习系统主要使用由一个输入层和一个输出层组成的浅层网络，至多在两层之间添加一个隐藏层。三层以上(包括输入和输出层在内)的系统就可以称为“深度”学习。所以，深度是一个有严格定义的术语，表示一个以上的隐藏层。在深度神经网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂，因为每一层会整合并重组前一层的特征。深度神经网络可以发现未标记、非结构化数据中的潜在结构，而现实世界中的数据绝大多数都属于这一类型。因此，深度神经网络最擅长解决的一类问题就是对现实中各类未标记的原始数据进行处理和聚类，在未经人工整理成关系数据库的数据中，甚至是尚未命名的数据中识别出相似点和异常情况。
卷积神经网络，(Convolutional Neural Network，简称CNN)，卷积神经网络是一种前馈神经网络，它包括卷积层(convolutional layer)和池化层(pooling layer)。一般地，卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
下面对本发明的技术原理进行说明：
图1为本发明提供的对象排序及对象排序模型组件的生成方法的应用场景示意图。如图1所示，包括离线部分和在线部分。离线部分即机器学习模型组件，例如深度神经网络模型组件，的生成过程，根据目标要求收集用户的行为日志，通常情况是收集当前展示给用户的对象列表，抽取出训练样本，针对每个(user，item)训练样本，提取其相应特征(对象基本属性、用户基本属性、用户与对象的相关特征和对象集合)形成向量，作为模型组件的输入，每个(user，item)训练样本的目标结果即是否被用户选择(点击或成交)作为模型组件的输出，采用机器学习算法进行模型组件训练，提取对象集合的特征表达作为候选对象集合中各对象之间的相关关系(即context特征)，生成机器学习模型组件。在线部分即预测和对象排序过程，提前将离线训练好的机器学习模型组件加载，并对当前待排序的候选对象集合进行预测和排序，同样提取候选对象集合中各对象的相应特征(对象基本属性、用户基本属性、用户与对象的相关特征和候选对象集合)作为模型组件的输入，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系(即context特征)，基于此再预测候选对象集合中各对象的目标概率(点击或成交概率)，根据预测结果进行排序和推荐或搜索结果展示。
上述实施例是对本发明实施例的技术原理的说明，为了本领域技术人员能够清楚、准确地理解本发明的技术方案，下面将结合附图及具体实施例对本发明的技术方案进行详细的描述。
实施例一
图2为本发明提供的对象排序方法一个实施例的流程示意图。如图2所示，本发明实施例的对象排序方法，具体可包括：
S201，获取待排序的候选对象集合。
具体的，当用户发起页面展现的请求时，获取待排序的候选对象集合。候选对象集合中包括各对象的对象基本属性。
S202，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系。
具体的，预先加载训练好的机器学习模型组件，，例如深度神经网络模型组件，以候选对象集合作为机器学习模型组件的输入，采用机器学习模型组件预测得到候选对象集合中各对象之间的相关关系(即context特征)。其中，“候选对象集合中各对象之间的相关关系”具体可包括但不限于以下关系中的任意一种或多种的组合：对象相似度和类目相关性等。
S203，根据候选对象集合中各对象对应的基本排序特征以及候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测候选对象集合中各对象的目标概率。
具体的，提取出候选对象集合中各对象对应的基本排序特征，基本排序特征包括但不限于以下特征中的任意一种或多种的组合：对象基本属性、用户基本属性和用户与对象的相关特征等，作为机器学习模型组件的输入，结合步骤S202预测得到的候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测得到候选对象集合中各对象的目标概率。目标概率即对象被用户选择的概率。
其中，“对象基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：卖家、类目、价格档位、销量、转化率和点击率等。“用户基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：性别、年龄和购买力等。“用户与对象的相关特征”具体可包括但不限于以下特征中的任意一种或多种的组合：协同过滤特征、用户店铺偏好和用户类目偏好等。“目标概率”具体可包括但不限于以下概率中的任意一种或多种的组合：点击概率和成交概率等。
S204，根据候选对象集合中各对象的目标概率，构建对象推荐列表。
具体的，根据预测得到的候选对象集合中各对象的目标概率，按照目标概率的大小，对候选对象集合中的各对象进行排序，构建对象推荐列表。选取最大的K个在结果页面上进行展示。
本发明实施例的对象排序方法，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系，即能够自动学习候选对象集合中对象之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
实施例二
图3为本发明提供的对象排序方法又一个实施例的流程示意图。本发明实施例的对象排序方法为实施例一的对象排序方法的一种具体实施方式。如图3所示，在实施例一的基础上，本发明实施例的对象排序方法具体可包括：
S301，获取待排序的候选对象集合。
具体的，步骤S301与实施例一中的步骤S201相同，此处不再赘述。
实施例一中的步骤S202具体可包括以下步骤S302-S304。
S302，根据候选对象集合中各对象对应的对象基本属性，生成候选对象集合中各对象对应的对象向量。
S303，对候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵。
S304，采用多层卷积神经网络模型CNN组件对对象向量矩阵进行组合，提取出候选对象集合中各对象之间的相关关系。
具体的，图4为深度神经网络模型组件的结构示意图，如图4所示，深度神经网络模型组件包括两大部分。第一部分为候选对象集合的特征学习模块，根据待排序的候选对象集合中各对象对应的对象基本属性，生成候选对象集合中各对象对应的对象向量，对候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵，采用多层(图4中以2层为例)卷积神经网络模型CNN组件对对象向量矩阵进行组合，提取出候选对象集合中各对象之间的相关关系(即context特征)输入到后续部分。
S305，根据候选对象集合中各对象对应的基本排序特征以及候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测候选对象集合中各对象的目标概率。
具体的，如图4所示，深度神经网络模型组件中，第二部分为对象排序模块，输入为候选对象集合中各对象对应的基本排序特征，例如对象基本属性、对象基本属性、用户与对象的相关特征，以及第一部分候选对象集合的特征学习模块输出的候选对象集合中各对象之间的相关关系(即context特征)，输出为标签Label值，表示候选对象集合中各对象的目标概率。
S306，根据候选对象集合中各对象的目标概率，构建对象推荐列表。
具体的，步骤S305-S306与实施例一中的步骤S203-S204相同，此处不再赘述。
为清楚说明本发明实施例的对象排序方法，下面举例进行说明：当用户发起页面展现的请求时，根据目前现有的对象排序方法，取出目标概率最大的，设定数量的对象作为待排序的候选对象集合，例如每页展示10个对象，取出目标概率最大的50个(即top5页数量的)对象作为待排序的候选对象集合，输入至图4中的“候选对象集合”，进而生成候选对象集合中各对象之间的相关关系(即context特征)输入到后续部分。将候选对象集合中各对象对应的基本排序特征：用户基本属性、对象基本属性和用户与对象的相关特征，分别输入至图4中的“用户基本属性”、“对象基本属性”和“用户与对象的相关特征”，最后预测得到候选对象集合中各对象的目标概率，即图4中的标签Label值。根据图4输出的候选对象集合中各对象的目标概率，按照目标概率从大到小的顺序，构建对象推荐列表，取出目标概率最大的10个(即top1页数量的)对象，作为最终的推荐结果进行展示。
本发明实施例的对象排序方法，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系，即能够自动学习候选对象集合中对象之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
此处需要说明的是，上述实施例一或二中的机器学习模型组件的训练(或生成)过程，可参见下面实施例三中的相关描述，此处不再赘述。
实施例三
图5为本发明提供的对象排序模型组件的生成方法一个实施例的流程示意图。本发明实施例的对象排序模型组件的生成方法可用于生成上述实施例一或二中的机器学习模型组件。本发明实施例的对象排序模型组件的生成方法具体包括：
S501，获取当前展示给用户的对象列表。
具体的，根据目标要求收集用户的行为日志，通常情况是收集当前展示给用户的对象列表(已排序)，抽取出训练需要的正负样本，在当前展示给用户的对象列表中，用户点击了其中的一些对象，因此把点击的对象对(user，itemi)作为正样本，而未点击的对象对(user，itemj)作为负样本。考虑到模型组件训练的有效性，会在训练模型组件时进行正负样本采样。而在存储样本时，还需要把item所在的对象集合保存起来以备context特征的构建，因此完整的样本格式为：(user，item，candidate set)。
S502，提取对象列表中各对象对应的基本排序特征和对象集合，作为机器学习模型组件的输入。
具体的，针对每个(user，item，candidate set)训练样本，提取基本排序特征和对象集合，作为图4所示的深度神经网络模型组件的输入。其中，基本排序特征包括但不限于以下特征中的任意一种或多种的组合：对象基本属性、用户基本属性和用户与对象的相关特征等。
其中，“对象基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：卖家、类目、价格档位、销量、转化率和点击率等。“用户基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：性别、年龄和购买力等。“用户与对象的相关特征”具体可包括但不限于以下特征中的任意一种或多种的组合：协同过滤特征、用户店铺偏好和用户类目偏好等。
S503，提取对象列表中各对象对应的目标结果，作为机器学习模型组件的输出。
具体的，针对每个(user，item，candidate set)训练样本，提取目标结果作为图4所示的深度神经网络模型组件的输出。“目标结果”具体可包括但不限于以下结果中的任意一种或多种的组合：点击结果(及是否点击)和成交结果(即是否成交)等。
S504，采用机器学习算法进行训练，提取对象集合中各对象之间的相关关系，得到机器学习模型组件。
具体的，例如采用深度神经网络算法进行模型组件训练，提取对象集合中各对象之间的相关关系，得到图4所示的深度神经网络模型组件。
此处需要说明的是，在训练过程中还会对正负样本不平衡的问题作一定的采样处理，训练时利用机器学习模型组件中常用的误差反向传播算法，学习率采用线性衰减的方式来进行训练，在交叉验证的数据集查看训练的模型组件效果。
为清楚说明本发明实施例的对象排序模型组件的生成方法，下面举例进行说明：首先收集用户的行为日志，抽取出展示给用户的、设定数量的对象列表，例如抽取出用户翻了大于5页的对象列表。将用户点击过的对象作为正样本，将用户未点击过的对象作为负样本，从这些对象列表中随机抽取出训练需要的正样本和负样本，正样本和负样本的比例可以控制在1：5左右。将抽取出的样本所在的对象集合输入至图4中的“候选对象集合”，将抽取出的样本的基本排序特征：用户基本属性、对象基本属性和用户与对象的相关特征，分别输入至图4中的“用户基本属性”、“对象基本属性”和“用户与对象的相关特征”。将抽取出的样本的目标结果(即是否被点击，例如正样本的目标结果为1，负样本的目标结果为0)，作为图4中输出的标签Label值。采用图4构建的深度神经网络模型进行训练，提取出对象集合中各对象之间的相关关系，得到深度神经网络模型组件。
本发明实施例的对象排序模型组件的生成方法，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系，即能够自动学习候选对象集合中对象之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
实施例四
图6为本发明提供的对象排序装置一个实施例的结构示意图。本发明实施例的对象排序装置可用于执行上述实施例一或二所示的对象排序方法。如图6所示，本发明实施例的对象排序装置具体可包括第一获取模块61、第一提取模块62、第一预测模块63和排序模块64。
第一获取模块61，用于获取待排序的候选对象集合。
第一提取模块62，用于采用机器学习模型组件提取候选对象集合中各对象之间的相关关系。
第一预测模块63，用于根据候选对象集合中各对象对应的基本排序特征以及候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测候选对象集合中各对象的目标概率，目标概率为对象被用户选择的概率。
排序模块64，用于根据候选对象集合中各对象的目标概率，构建对象推荐列表。
进一步的，第一提取模块62可具体用于：
根据候选对象集合中各对象对应的对象基本属性，生成候选对象集合中各对象对应的对象向量；
对候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵；
采用多层卷积神经网络模型组件CNN对对象向量矩阵进行组合，提取出候选对象集合中各对象之间的相关关系。
进一步的，“候选对象集合中各对象之间的相关关系”具体可包括但不限于以下关系中的任意一种或多种的组合：对象相似度和类目相关性等。
进一步的，“基本排序特征”具体可包括但不限于以下特征中的任意一种或多种的组合：对象基本属性、用户基本属性和用户与对象的相关特征等。
进一步的，“对象基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：卖家、类目、价格档位、销量、转化率和点击率等。
进一步的，“用户基本属性”具体可包括但不限于以下属性中的任意一种或多种的组合：性别、年龄和购买力等。
进一步的，“用户与对象的相关特征”具体可包括但不限于以下特征中的任意一种或多种的组合：协同过滤特征、用户店铺偏好和用户类目偏好等。
进一步的，“目标概率”具体可包括但不限于以下概率中的任意一种或多种的组合：点击概率和成交概率等。
进一步的，本发明实施例的对象排序装置还可以包括：第三获取模块、第三提取模块、第四提取模块和训练模块。
第三获取模块，用于获取当前展示给用户的对象列表。
第三提取模块，用于提取对象列表中各对象对应的基本排序特征以及对象集合，作为机器学习模型组件的输入。
第四提取模块，用于提取对象列表中各对象对应的目标结果，作为机器学习模型组件的输出。
训练模块，用于采用机器学习算法进行训练，提取对象集合中各对象之间的相关关系，得到机器学习模型组件。
进一步的，“目标结果”具体可包括但不限于以下结果中的任意一种或多种的组合：点击结果(及是否点击)和成交结果(即是否成交)等。
具体的，本发明实施例的对象排序装置中各模块实现其功能的具体过程可参见实施例一、二和三中的相关描述，此处不再赘述。
本发明实施例的对象排序装置，采用机器学习模型组件提取候选对象集合中各对象之间的相关关系，即能够自动学习候选对象集合中对象之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
实施例六
图7为本发明提供的商品排序方法一个实施例的流程示意图。如图7所示，本发明实施例的商品排序方法，具体可包括：
S701，基于用户的交互行为，获取待排序的候选商品集合。
S702，采用机器学习模型组件提取候选商品集合中各商品之间的相关关系。
S703，根据各商品对应的基本排序特征以及各商品之间的相关关系，采用机器学习模型组件，预测各商品的点击概率或成交概率。
S704，根据各商品的点击概率或成交概率，显示商品推荐列表。
具体的，本发明实施例的商品排序方法的具体过程可参见实施例一、二和三的对象排序方法中的相关描述，此处不再赘述。
本发明实施例的商品排序方法，采用机器学习模型组件提取候选商品集合中各商品之间的相关关系，即能够自动学习候选商品集合中商品之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
实施例七
图8为本发明提供的商品排序装置一个实施例的结构示意图。本发明实施例的商品排序装置可用于执行上述实施例六所示的商品排序方法。如图8所示，本发明实施例的商品排序装置具体可包括第二获取模块81、第二提取模块82、第二预测模块83和显示模块84。
第二获取模块81，用于基于用户的交互行为，获取待排序的候选商品集合。
第二提取模块82，用于采用机器学习模型组件提取候选商品集合中各商品之间的相关关系。
第二预测模块83，用于根据各商品对应的基本排序特征以及各商品之间的相关关系，采用机器学习模型组件，预测各商品的点击概率或成交概率。
显示模块84，用于根据各商品的点击概率或成交概率，显示商品推荐列表。
具体的，本发明实施例的商品排序装置中各模块实现其功能的具体过程可参见实施例一、二和三的对象排序方法中的相关描述，此处不再赘述。
本发明实施例的商品排序装置，采用机器学习模型组件提取候选商品集合中各商品之间的相关关系，即能够自动学习候选商品集合中商品之间的相关关系(即context特征)，提升了context特征的泛化能力、适用性和排序模型的学习能力，能最大限度地发挥机器学习的价值。
实施例八
以上描述了对象排序装置的内部功能和结构，图9为本发明实施例提供的电子设备的结构示意图，如图9所示，实际中，上述实施例中的对象排序装置可实现为一种电子设备，可以包括：存储器91和处理器92。
存储器91，用于存储程序。
除上述程序之外，存储器91还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，例如线上购物平台、线上电商平台、电话簿数据，消息，图片，视频等。
存储器91可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器92，耦合至存储器91，用于执行存储器91中的程序。
在本发明一个实施例中，处理器92可用于：
获取待排序的候选对象集合；
采用机器学习模型组件提取候选对象集合中各对象之间的相关关系；
根据候选对象集合中各对象对应的基本排序特征以及候选对象集合中各对象之间的相关关系，采用机器学习模型组件，预测候选对象集合中各对象的目标概率，目标概率为对象被用户选择的概率；
根据候选对象集合中各对象的目标概率，构建对象推荐列表。
进一步的，处理器92具体用于：
根据候选对象集合中各对象对应的对象基本属性，生成候选对象集合中各对象对应的对象向量；
对候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵；
采用多层卷积神经网络模型CNN组件对对象向量矩阵进行组合，提取出候选对象集合中各对象之间的相关关系。
进一步的，处理器92还用于：
获取当前展示给用户的对象列表；
提取对象列表中各对象对应的基本排序特征和对象集合，作为机器学习模型组件的输入；
提取对象列表中各对象对应的目标结果，作为机器学习模型组件的输出，目标结果为对象被用户选择的结果；
采用机器学习算法进行训练，提取对象集合中各对象之间的相关关系，得到机器学习模型组件。
在本发明另一个实施例中，处理器92可用于：
基于用户的交互行为，获取待排序的候选商品集合；
采用机器学习模型组件提取候选商品集合中各商品之间的相关关系；
根据各商品对应的基本排序特征以及各商品之间的相关关系，采用机器学习模型组件，预测各商品的点击概率或成交概率；
根据各商品的点击概率或成交概率，显示商品推荐列表。
上述的具体处理操作已经在前面实施例中进行了详细说明，在此不再赘述。
进一步，如图9所示，电子设备还可以包括：通信组件93、电源组件94、音频组件95、显示器96等其它组件。图9中仅示意性给出部分组件，并不意味着电子设备只包括图9所示组件。
通信组件93被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件93经由广播信道接收来自外部广播管理装置的广播信号或广播相关信息。在一个示例性实施例中，通信组件93还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
电源组件94，为电子设备的各种组件提供电力。电源组件94可以包括电源管理装置，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
音频组件95被配置为输出和/或输入音频信号。例如，音频组件95包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器91或经由通信组件93发送。在一些实施例中，音频组件95还包括一个扬声器，用于输出音频信号。
显示器96包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种对象排序方法，其特征在于，包括：
获取待排序的候选对象集合；
采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；
根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；
根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
2.根据权利要求1所述的对象排序方法，其特征在于，所述采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系，包括：
根据所述候选对象集合中各对象对应的对象基本属性，生成所述候选对象集合中各对象对应的对象向量；
对所述候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵；
采用多层卷积神经网络模型CNN组件对所述对象向量矩阵进行组合，提取出所述候选对象集合中各对象之间的相关关系。
3.根据权利要求1所述的对象排序方法，其特征在于，所述候选对象集合中各对象之间的相关关系包括以下关系中的任意一种或多种的组合：对象相似度和类目相关性；和/或，
所述基本排序特征包括以下特征中的任意一种或多种的组合：对象基本属性、用户基本属性和用户与对象的相关特征；其中，所述对象基本属性包括以下属性中的任意一种或多种的组合：卖家、类目、价格档位、销量、转化率和点击率；所述用户基本属性包括以下属性中的任意一种或多种的组合：性别、年龄和购买力；所述用户与对象的相关特征包括以下特征中的任意一种或多种的组合：协同过滤特征、用户店铺偏好和用户类目偏好；和/或，
所述目标概率包括以下概率中的任意一种或多种的组合：点击概率和成交概率。
4.根据权利要求1所述的对象排序方法，其特征在于，还包括：
获取当前展示给用户的对象列表；
提取所述对象列表中各对象对应的所述基本排序特征和对象集合，作为所述机器学习模型组件的输入；
提取所述对象列表中各对象对应的目标结果，作为所述机器学习模型组件的输出，所述目标结果为所述对象被用户选择的结果；
采用机器学习算法进行训练，提取所述对象集合中各对象之间的相关关系，得到所述机器学习模型组件。
5.根据权利要求4所述的对象排序方法，其特征在于，所述目标结果包括以下结果中的任意一种或多种的组合：点击结果和成交结果。
6.一种对象排序装置，其特征在于，包括：
第一获取模块，用于获取待排序的候选对象集合；
第一提取模块，用于采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；
第一预测模块，用于根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；
排序模块，用于根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
7.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
获取待排序的候选对象集合；
采用机器学习模型组件提取所述候选对象集合中各对象之间的相关关系；
根据所述候选对象集合中各对象对应的基本排序特征以及所述候选对象集合中各对象之间的相关关系，采用所述机器学习模型组件，预测所述候选对象集合中各对象的目标概率，所述目标概率为所述对象被用户选择的概率；
根据所述候选对象集合中各对象的目标概率，构建对象推荐列表。
8.根据权利要求7所述的电子设备，其特征在于，所述处理器执行所述程序具体用于：
根据所述候选对象集合中各对象对应的对象基本属性，生成所述候选对象集合中各对象对应的对象向量；
对所述候选对象集合中各对象对应的对象向量进行排列，形成二维的对象向量矩阵；
采用多层卷积神经网络模型CNN组件对所述对象向量矩阵进行组合，提取出所述候选对象集合中各对象之间的相关关系。
9.根据权利要求7所述的电子设备，其特征在于，所述处理器执行所述程序还用于：
获取当前展示给用户的对象列表；
提取所述对象列表中各对象对应的所述基本排序特征和对象集合，作为所述机器学习模型组件的输入；
提取所述对象列表中各对象对应的目标结果，作为所述机器学习模型组件的输出，所述目标结果为所述对象被用户选择的结果；
采用机器学习算法进行训练，提取所述对象集合中各对象之间的相关关系，得到所述机器学习模型组件。
10.一种商品排序方法，其特征在于，包括：
基于用户的交互行为，获取待排序的候选商品集合；
采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；
根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；
根据所述各商品的点击概率或成交概率，显示商品推荐列表。
11.一种商品排序装置，其特征在于，包括：
第二获取模块，用于基于用户的交互行为，获取待排序的候选商品集合；
第二提取模块，用于采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；
第二预测模块，用于根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；
显示模块，用于根据所述各商品的点击概率或成交概率，显示商品推荐列表。
12.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
基于用户的交互行为，获取待排序的候选商品集合；
采用机器学习模型组件提取所述候选商品集合中各商品之间的相关关系；
根据所述各商品对应的基本排序特征以及所述各商品之间的相关关系，采用所述机器学习模型组件，预测所述各商品的点击概率或成交概率；
根据所述各商品的点击概率或成交概率，显示商品推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810509143.3A CN110598084A (zh) | 2018-05-24 | 2018-05-24 | 对象排序方法、商品排序方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810509143.3A CN110598084A (zh) | 2018-05-24 | 2018-05-24 | 对象排序方法、商品排序方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598084A true CN110598084A (zh) | 2019-12-20 |
Family
ID=68848613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810509143.3A Pending CN110598084A (zh) | 2018-05-24 | 2018-05-24 | 对象排序方法、商品排序方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598084A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563158A (zh) * | 2020-04-26 | 2020-08-21 | 腾讯科技（深圳）有限公司 | 文本排序方法、排序装置、服务器和计算机可读存储介质 |
| CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
| CN112036951A (zh) * | 2020-09-03 | 2020-12-04 | 猪八戒股份有限公司 | 基于cnn模型的商机推荐方法、系统、电子设备及介质 |
| CN112560273A (zh) * | 2020-12-21 | 2021-03-26 | 北京轩宇信息技术有限公司 | 面向数据流模型的模型组件执行顺序确定方法及装置 |
| CN115936803A (zh) * | 2022-11-28 | 2023-04-07 | 重庆长安汽车股份有限公司 | 一种基于大数据的个性化推荐方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
| US8484225B1 (en) * | 2009-07-22 | 2013-07-09 | Google Inc. | Predicting object identity using an ensemble of predictors |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN106503028A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推荐方法和系统 |
| CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
| CN108053050A (zh) * | 2017-11-14 | 2018-05-18 | 广州优视网络科技有限公司 | 点击率预估方法、装置、计算设备及存储介质 |
-
2018
- 2018-05-24 CN CN201810509143.3A patent/CN110598084A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8484225B1 (en) * | 2009-07-22 | 2013-07-09 | Google Inc. | Predicting object identity using an ensemble of predictors |
| CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
| CN106503028A (zh) * | 2015-09-08 | 2017-03-15 | 北京邮电大学 | 推荐方法和系统 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN107622427A (zh) * | 2016-07-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 深度学习的方法、装置及系统 |
| CN108053050A (zh) * | 2017-11-14 | 2018-05-18 | 广州优视网络科技有限公司 | 点击率预估方法、装置、计算设备及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563158A (zh) * | 2020-04-26 | 2020-08-21 | 腾讯科技（深圳）有限公司 | 文本排序方法、排序装置、服务器和计算机可读存储介质 |
| CN111563158B (zh) * | 2020-04-26 | 2023-08-29 | 腾讯科技（深圳）有限公司 | 文本排序方法、排序装置、服务器和计算机可读存储介质 |
| CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
| CN111784455B (zh) * | 2020-06-30 | 2023-11-07 | 腾讯科技（深圳）有限公司 | 一种物品推荐方法及推荐设备 |
| CN112036951A (zh) * | 2020-09-03 | 2020-12-04 | 猪八戒股份有限公司 | 基于cnn模型的商机推荐方法、系统、电子设备及介质 |
| CN112560273A (zh) * | 2020-12-21 | 2021-03-26 | 北京轩宇信息技术有限公司 | 面向数据流模型的模型组件执行顺序确定方法及装置 |
| CN112560273B (zh) * | 2020-12-21 | 2023-11-10 | 北京轩宇信息技术有限公司 | 面向数据流模型的模型组件执行顺序确定方法及装置 |
| CN115936803A (zh) * | 2022-11-28 | 2023-04-07 | 重庆长安汽车股份有限公司 | 一种基于大数据的个性化推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210398183A1 (en) | Systems and methods for deep learning model based product matching using multi modal data | |
| WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
| CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
| CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| CN110598084A (zh) | 对象排序方法、商品排序方法、装置及电子设备 | |
| US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
| US20190303835A1 (en) | Entity representation learning for improving digital content recommendations | |
| WO2022016556A1 (zh) | 一种神经网络蒸馏方法以及装置 | |
| US11361239B2 (en) | Digital content classification and recommendation based upon artificial intelligence reinforcement learning | |
| CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
| US10902209B2 (en) | Method for content search and electronic device therefor | |
| CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| Malik et al. | EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm | |
| CN113420166A (zh) | 商品挂载、检索、推荐、训练处理方法、装置及电子设备 | |
| US11210341B1 (en) | Weighted behavioral signal association graphing for search engines | |
| CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
| CN115879508A (zh) | 一种数据处理方法及相关装置 | |
| Deng et al. | Neural variational collaborative filtering with side information for top-K recommendation | |
| CN113779380B (zh) | 跨域推荐、内容推荐方法、装置及设备 | |
| US20210110454A1 (en) | Method for providing shopping information for individual products and electronic device performing same | |
| CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| JP6679683B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| CN112749332B (zh) | 数据处理方法、装置以及计算机可读介质 | |
| CN113486248A (zh) | 一种应用程序中功能模块的推荐方法及装置 | |
| CN116205686A (zh) | 一种多媒体资源推荐的方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |