CN111061968A - 排序方法、装置、电子设备及可读存储介质 - Google Patents

排序方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111061968A
CN111061968A CN201911122658.9A CN201911122658A CN111061968A CN 111061968 A CN111061968 A CN 111061968A CN 201911122658 A CN201911122658 A CN 201911122658A CN 111061968 A CN111061968 A CN 111061968A
Authority
CN
China
Prior art keywords
target
score
feature
target object
target feature
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.)
Granted
Application number
CN201911122658.9A
Other languages
English (en)
Other versions
CN111061968B (zh
Inventor
樊洋峰
李觊
欧海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201911122658.9A priority Critical patent/CN111061968B/zh
Publication of CN111061968A publication Critical patent/CN111061968A/zh
Application granted granted Critical
Publication of CN111061968B publication Critical patent/CN111061968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例提供了一种排序方法、装置、电子设备及可读存储介质，所述方法包括：确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。可以通过训练得到预设权重集，并从中选取部分权重计算目标排序得分，有助于提高排序的准确度。

Description

排序方法、装置、电子设备及可读存储介质
技术领域
本公开的实施例涉及计算机处理技术领域，尤其涉及一种排序方法、装置、电子设备及可读存储介质。
背景技术
在各种网络平台中，对特定对象进行排序得到排行榜已经成为网络平台的有效营销手段。例如，在网络销售平台中，对销售商品的商户可以按照销量、销售额、转化率等销售指标进行排序得到商户排行榜。
现有技术中，为了更好的进行排序，通常还可以将多种销售指标按照人为设定的权重加权计算得到排序指标，然后对目标对象按照排序指标进行排序。
发明人对上述方案进行研究之后发现，人为设定权重会导致排序的准确度较低。
发明内容
本公开的实施例提供一种排序方法、装置、电子设备及可读存储介质，可以通过训练得到预设权重集，并从中选取部分权重计算目标排序得分，有助于提高排序的准确度。
根据本公开的实施例的第一方面，提供了一种排序方法，所述方法包括：
确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；
针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；
根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
根据本公开的实施例的第二方面，提供了一种排序装置，所述装置包括：
特征确定模块，用于确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；
排序得分确定模块，用于针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；
排序模块，用于根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
根据本公开的实施例的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述排序方法。
根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述排序方法。
本公开的实施例提供了一种排序方法、装置、电子设备及可读存储介质，所述方法包括：确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。可以通过训练得到预设权重集，并从中选取部分权重计算目标排序得分，有助于提高排序的准确度。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本公开的一种实施例中的排序方法的步骤流程图；
图2示出了本公开的一种实施例中目标特征的减小系数与目标时长、综合评分之间的关系示意图；
图3示出了本公开的另一种实施例中目标特征在调整前后的关系示意图；
图4示出了本公开的一种实施例中的排序装置的结构图；
图5示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。
实施例一
参照图1，其示出了本公开的一种实施例中的排序方法的步骤流程图，具体如下：
步骤101，确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征。
其中，目标对象集由多个目标对象构成，为排序的对象，而排序的对象与具体实际应用有关。例如，对于网络销售平台，排序的对象可以为网络销售平台中注册的商户、商品等，从而可以从网络销售平台中获取注册的商户、商品得到目标对象集。当然，在实际应用中，可以将满足一定条件的部分商户、商品作为目标对象集，例如，将属于指定区域内的商户作为目标对象集，或将属于指定类型的商品作为目标对象集，或将属于指定类型的商户作为目标对象集。本公开的实施例后续将以目标对象为商户为例进行说明。
目标特征与目标对象相关，为目标对象的部分特征。例如，目标对象的特征可以包括但不限于：商户在历史时间内接收到的订单量、商户在历史时间内接收到的订单的总金额、商户在历史时间内提供的总优惠金额、商户在历史时间内单个订单的平均价格即单均价、非用户取消的订单率即非异率、在历史时间内对商户的访问量、访问量的增长量、订单的增加量、在历史时间内对与商户存在交易的用户数目、交易的用户数目的增长量。可以看出，目标对象的上述特征可能会影响对目标对象的排序，而目标特征为这个特征的一部分特征，可以为影响最大的部分特征。需要说明的是，可以选取排序目标最相关的特征作为该排序目标的目标特征，例如，对于基于商户的热销榜，可以选取订单量、非异率、综合评分作为目标特征；对于基于商户的人气榜，可以选取访问量、访问量的增长量、订单的增加量、交易的用户数目、交易的用户数目的增长量作为目标特征。此外，还可以根据预先训练的特征选取模型选取目标特征，特征选取模型可以预测目标特征与排序目标之间的相关性得分，从而可以选取相关性得分较高或超过相关性阈值的特征作为目标特征。
目标特征的权重为目标特征对排序的影响程度，权重越大，影响程度越大；权重越小，影响程度越小。目标特征的权重可以根据实际应用场景设定，也可以按照本公开的实施例后续提供的算法确定。目标特征的权重在确定之后可以与目标特征对应存储以供后续多次使用。
样本特征可以为各种特征的总称，其中至少包括目标特征。
样本排序得分为标注的排序得分，样本排序得分可以根据预设的排序指标确定，排序指标可以为销量、转化率、商户在历史时间内接收到的订单的总金额等。具体地，在训练时，可以选取分类模型和回归模型。对于回归模型，可以直接将排序指标作为样本排序得分；对于分类模型，若排序指标大于或等于排序阈值，则可以将第一标识例如1作为样本排序得分；若排序指标小于排序阈值，则可以将第二标识例如0作为样本排序得分。
其中，分类模型可以为逻辑回归模型、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型等；回归模型可以为LASSO(Least Absolute Shrinkage andSelection Operator，最小绝对收缩与选择算子)回归，Ridge(岭)回归等。
需要说明的是，在本公开的实施例中，在将训练样本输入至模型中训练之前，首先需要对样本特征进行预处理，预处理的过程与步骤B1至B2、子步骤C1至C3、步骤D、以及步骤E1至E3、步骤F1至F2的处理过程相同，需要将步骤中的目标特征替换为样本特征，从而得到处理后的样本特征进行训练，得到样本特征的权重。本公开的实施例可以通过学习确定所有特征的权重，从而得到了目标特征的权重，有助于提高权重的准确度。
本公开的实施例可以应用于针对任何目标对象的排序，不限于本公开的实施例中提到的商户。若目标对象为商户，则本公开的实施例所涉及的步骤可以由商户所注册的网络销售平台对应的后台服务器执行。当然，若目标对象为其余对象，则可以由可以获取到该对象的信息的服务器或计算机或其它任何设备执行。其中，对象的信息包括但不限于：目标特征、目标特征的权重。
步骤102，针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标。
本公开的实施例可以采用任何保持如下关系的公式计算得到目标排序得分：若目标特征越大，且目标特征的权重越大，则目标排序得分越大；若目标特征越小，且目标特征的权重越小，则目标排序得分越小。例如，最简单的，可以直接将目标特征和目标特征的权重对应相乘，然后相加得到目标排序得分，具体如下公式：
Figure BDA0002275851630000051
其中，TSS为目标排序得分，I为目标特征的数目，TCHi为第i个目标特征，TWi为第i个目标特征对应的权重。
此外，由于目标特征为部分特征，从而可以将目标特征的权重进行归一化处理得到归一化权重，从而可以将目标特征和目标特征的归一化权重对应相乘，然后相加得到目标排序得分，具体如下公式：
Figure BDA0002275851630000061
其中，TWj为第j个目标特征对应的权重。
本公开的实施例中，目标特征的权重在训练时以样本排序得分为标注信息，可以针对一个综合的排序目标，而目标排序得分的排序目标是针对一定活动主题的，从而根据活动主题选取目标特征以及从预设权重集中提取该目标特征的权重。
步骤103，根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
具体地，可以直接调用现有的排序函数或排序接口对目标对象进行排序，得到对象排行列表。
需要说明的是，可以按照目标排序得分对目标对象进行降序排列，即：将目标排序得分较高的目标对象排在靠前位置，目标排序得分较低的目标对象排在靠后位置，从而若目标排序得分越高代表目标对象越好。
此外，还可以按照目标排序得分对目标对象进行升序排列，即：将目标排序得分较低的目标对象排在靠前位置，目标排序得分较高的目标对象排在靠后位置，从而若目标排序得分越高代表目标对象越好。
可选地，在本公开的另一种实施例中，所述步骤102包括子步骤A1至A3：
子步骤A1，针对每个所述目标对象，根据所述目标对象的目标特征和所述目标特征的权重确定所述目标对象的加权得分。
在本公开的实施例中，可以将公式(1)或公式(2)计算得到的结果作为加权得分，而并不是最终的目标排序得分。
子步骤A2，针对每个所述目标对象，根据所述目标对象的加权得分和最大加权得分的比值、目标得分差，确定所述目标对象的调整排序得分，所述最大加权得分为所述目标对象集中所述目标对象的所述加权得分的最大值，所述目标得分差为预设的最大排序得分与预设的基础排序得分的差值。
其中，基础排序得分为最小的目标排序得分，即目标排序得分始终大于该基础排序得分。基础排序得分可以根据实际应用场景设定，本公开的实施例对其不加以限制。优选地，基础排序得分可以为0至100以下的数值，例如60。
最大排序得分为任意设置的最大的目标排序得分，用于限定目标排序得分的取值范围。例如，可以直接将最大排序得分设置为100，从而目标排序得分即为基础排序得分至最大排序得分之间的数值，例如60至100。
具体地，可以将最大排序得分与基础排序得分的差值、加权得分和最大加权排序得分的比值进行加权相乘或加权相加得到调整排序得分，但符合如下关系：最大排序得分与基础排序得分的差值越大，加权得分和最大加权排序得分的比值越大，则调整排序得分越大；最大排序得分与基础排序得分的差值越小，加权得分与最大加权得分的比值越大，则调整排序得分越小。下面为计算调整排序得分的一种示例公式：
ADPS＝(MAXS-BSS)·WGS/max(WGS) (3)
其中，ADPS为调整排序得分，MAXS为最大排序得分，BSS为基础排序得分，SCORE为加权得分，max(WGS)为最大加权得分，最大加权排序得分是所有目标对象的加权得分中最大的加权得分。
子步骤A3，针对每个所述目标对象，根据所述基础排序得分与所述目标对象的调整排序得分确定所述目标对象的目标排序得分。
在本公开的实施例中，对于相同的调整排序得分，若基础排序得分越大，则目标排序得分越大；若基础排序得分越小，则目标排序得分越小。此外，对于相同的基础排序得分，若调整排序得分越大，则目标排序得分越大；若调整排序得分越小，则目标排序得分越小。在保证上述关系的条件下，本公开的实施例不限定具体公式，最简单的方式即为直接将基础排序得分与调整排序得分之和作为目标排序得分。
本公开的实施例可以将目标排序得分限定在最大排序得分之内，可以有效的控制目标排序得分的取值范围。
可选地，在本公开的另一种实施例中，在步骤102之前，所述方法还包括步骤B1至B2：
步骤B1，确定每个所述目标对象的综合评分。
目标对象的综合评分可以为大量用户对目标对象的评价得分的统计值，例如，大量用户对目标对象的评价得分的平均值，或，根据大量用户对目标对象的评价得分，按照一定运算规则计算得到的值。本公开的实施例对综合评分的计算方式不加以限制。对于目标对象为商户的场景，需要预先从网络销售平台中获取大量用户对商户的评价得分，然后根据评价得分确定综合评分。
步骤B2，针对每个所述目标对象的每个目标特征，若所述目标特征为表征交易效果的特征，则根据所述目标特征的目标时长、所述目标对象的所述综合评分减小所述目标特征，所述目标特征的目标时长为所述目标特征的历史时间距离当前时间的时长。
其中，目标时长可以用天、周、月等的数目表示。例如，若目标特征为商户在当前时间之前的第3天的订单量，则历史时间为当前时间之前的第3天，目标时长可以为3天。
其中，表征交易效果的特征可例如为转化率、订单量、交易金额等。
在本公开的实施例中，根据目标时长、综合评分将表征交易效果的特征减小。具体地，目标时长越大，减小的幅度越大，调整后的目标特征越小；目标时长越小，减小的幅度越小，调整后的目标特征越大。此外，减小的幅度还与综合评分相关，即：综合评分越大，减小的幅度越小，调整后的目标特征越大；综合评分越小，减小的幅度越大，调整后的目标特征越小。
可选地，在本公开的另一种实施例中，所述步骤B2包括子步骤C1至C2：
子步骤C1，根据所述目标特征的所述目标时长与预设的衰减周期的比值、预设的第一阈值与所述目标对象的所述综合评分的比值，进行加权运算得到加权值。
其中，预设的衰减周期可以为数值减小到一定程度时所需要消耗的时长。例如，可以将数值减小到原值的0.5时所需消耗的时长作为衰减周期，称为半衰期。需要说明的是，衰减周期可以根据不同目标指标设置不同的值，也可以为相同的值。
第一阈值可以选取最小综合评分和最大综合评分中的任意值。
具体地，加权运算可以为加权相乘或加权相加，在本公开的实施例中，优选加权相乘，可以参照如下公式：
Figure BDA0002275851630000091
其中，ADRi为第i个目标特征的加权值，TTMi为第i个目标特征的目标时长，CYCi为第i个目标特征的衰减周期，THD1为第一阈值，TSC为综合评分，a和b分别为加权系数，当a和b均为1时，加权相乘即为简单的相乘。
子步骤C2，采用所述加权值减小所述目标特征。
具体地，可以参照如下公式得到减小后的目标特征：
Figure BDA0002275851630000092
其中，TCH'i为步骤101获取的目标特征，即为调整前的目标特征，X是大于0且小于1的常数。
结合上述公式，当a和b均为1时得到如图2所示的减小系数
Figure BDA0002275851630000093
与目标时长、综合评分之间的关系示意图，图中横坐标为目标时长，纵坐标为减小系数，图中P点对应的纵坐标即为P点对应的减小系数
Figure BDA0002275851630000094
而h代表减小的幅度，L1、L2、L3为综合评分不同的三条曲线，L1的综合评分最大，L2的综合评分次之，L3的综合评分最小。可以看出，对于相同的综合评分，目标时长越大，减小系数越小，减小的幅度越大，减小后的目标特征越小；而目标时长越小，减小系数越大，减小的幅度越小，减小后的目标特征越大。对于相同的目标时长，综合评分越大，减小系数越大，减小的幅度越小，减小后的目标特征越大；而综合评分越小，减小系数越小，减小的幅度越大，减小后的目标特征越小。
本公开的实施例可以以衰减周期、第一阈值准确的控制衰减的幅度。
可选地，在本公开的另一种实施例中，在步骤102之前，所述方法还包括步骤D：
步骤D，针对每个所述目标对象的每个目标特征，若所述目标特征为单均价，则根据预设的第二阈值和预设的调整参数调整所述目标特征。
其中，第二阈值为针对单均价的阈值，在实际应用中，可以针对不同区域设置不同的值。
调整参数可以为一个很小的常数，用于控制较小的第二类特征减小的速度。
在本公开的实施例中，将较小的第二类特征减小，较大的第二类特征增加。
可选地，在本公开的另一种实施例中，所述步骤D包括子步骤E1至E3：
子步骤E1，根据预设的调整参数与第一差值确定第一调整值，所述第一差值为所述目标特征与预设的第二阈值的差值。
具体地，第一调整值可以根据如下公式计算得到：
ADV1＝p·(PRC-THD2) (6)
其中，ADV1为第一调整值，p为调整参数，PRC为目标特征，THD2为第二阈值。
子步骤E2，根据第二差值和所述第一差值确定第二调整值，所述第二差值为最大目标特征与所述第二阈值的差值，所述最大目标特征为不同的所述目标对象的同一个所述目标特征的最大值。
具体地，第二调整值可以根据如下公式计算得到：
Figure BDA0002275851630000101
其中，ADV2为第二调整值，c为非0的常数，用于避免PRC和THD2相同时，无法取对数，通常取1；max(PRC)为最大目标特征。
子步骤E3，从所述第一调整值、所述第二调整值中选取最大值得到调整后的目标特征。
具体地，可以直接调用max函数取最大值。
基于公式(6)和(7)以及子步骤E3得到的调整后的目标特征和调整前的目标特征的关系可以参照图3，当调整前的目标特征较小时，调整后的目标特征与调整前的目标特征成直线关系，且调整后的目标特征小于调整前的目标特征；在调整前的目标特征较大时，调整后的目标特征与调整前的目标特征成曲线关系，且随着调整前的目标特征的增大，调整后的目标特征增大，但最终趋于一个稳定的值。
可选地，在本公开的另一种实施例中，所述步骤102之前，所述方法还包括步骤F1至F2：
步骤F1，将所述目标对象按照预设的属性进行划分，所述预设的属性至少包括：区域、品类中的一种。
其中，区域可以按照目标对象所在的位置划分。
品类可以为目标对象的类型，品类的具体划分与目标对象相关。例如，若目标对象为商户，则品类可以根据销售的商品类型确定，从而得到的品类可以为：甜品类、中餐类、零食类等。
步骤F2，对于同一属性的每个所述目标对象，将所述目标对象的每个所述目标特征进行归一化处理。
具体地，归一化处理可以将目标特征转化为0至1之间的数值。例如，若同一属性的多个目标对象分别对应有一个目标特征TCH1、TCH2、TCH3、TCH4、TCH5，从而可以将目标特征归一化处理之后得到：
TCH1/(TCH1+TCH2+TCH3+TCH4+TCH5)、
TCH2/(TCH1+TCH2+TCH3+TCH4+TCH5)、
TCH3/(TCH1+TCH2+TCH3+TCH4+TCH5)、
TCH4/(TCH1+TCH2+TCH3+TCH4+TCH5)、
TCH5/(TCH1+TCH2+TCH3+TCH4+TCH5)。
本公开的实施例可以按照区域、或品类或两者结合的方式对目标对象进行划分，从而使得同一区域、或同一品类、或同一区域同一品类的目标对象划分至一起得到同一属性的目标对象，并对其的目标特征进行归一化处理。由于同一属性的目标对象具有可比性，从而对同一属性的目标对象进行归一化处理并排序，有助于提高排序的准确度。例如，若区域为城市，则同一城市内由于消费群体、消费观念相同，其目标对象具有可比性；又例如，对于品类“快餐小吃”和品类“西餐”，“快餐小吃”的销量通常很高，而“西餐”的销量较低，从而若将其不同的商户进行统一排序，则会导致“西餐”始终排序靠后，甚至出现无法展示的现象。
可选地，在本公开的另一种实施例中，所述样本排序得分为销量，所述目标排序得分为所述目标对象在主题活动中的推荐程度参数。
其中，目标排序得分越大，推荐程度参数越大，目标对象在主题活动中的推荐程度越高，排序越靠前；目标排序得分越小，推荐程度参数越小，目标对象在主题活动中的推荐程度越低，排序越靠后。
在本公开的实施例中，可以以销量为准训练得到权重，使得在主题活动的排序中可以兼顾销量和主题的倾向性。
综上所述，本公开的实施例提供了一种排序方法，包括：确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。可以通过训练得到预设权重集，并从中选取部分权重计算目标排序得分，有助于提高排序的准确度。
实施例二
参照图4，其示出了在本公开的一种实施例中的排序装置的结构图，具体如下：
特征确定模块201，用于确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征。
排序得分确定模块202，用于针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标。
排序模块203，用于根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
可选地，在本公开的另一种实施例中，所述排序得分确定模块202包括加权得分确定子模块、调整排序得分确定子模块、目标排序得分确定子模块：
加权得分确定子模块，用于针对每个所述目标对象，根据所述目标对象的目标特征和所述目标特征的权重确定所述目标对象的加权得分；
调整排序得分确定子模块，用于针对每个所述目标对象，根据所述目标对象的加权得分和最大加权得分的比值、目标得分差，确定所述目标对象的调整排序得分，所述最大加权得分为所述目标对象集中所述目标对象的所述加权得分的最大值，所述目标得分差为预设的最大排序得分与预设的基础排序得分的差值；
目标排序得分确定子模块，用于针对每个所述目标对象，根据所述基础排序得分与所述目标对象的调整排序得分确定所述目标对象的目标排序得分。
可选地，在本公开的另一种实施例中，所述装置还包括综合评分确定模块、目标特征减小模块：
综合评分确定模块，用于确定每个所述目标对象的综合评分；
目标特征减小模块，用于针对每个所述目标对象的每个目标特征，若所述目标特征为表征交易效果的特征，则根据所述目标特征的目标时长、所述目标对象的所述综合评分减小所述目标特征，所述目标特征的目标时长为所述目标特征的历史时间距离当前时间的时长。
可选地，在本公开的另一种实施例中，所述目标特征减小模块包括加权值计算子模块、目标特征减小子模块：
加权值计算子模块，用于根据所述目标特征的所述目标时长与预设的衰减周期的比值、预设的第一阈值与所述目标对象的所述综合评分的比值，进行加权运算得到加权值；
目标特征减小子模块，用于采用所述加权值减小所述目标特征。
可选地，在本公开的另一种实施例中，所述装置还包括目标特征调整模块：
目标特征调整模块，用于针对每个所述目标对象的每个目标特征，若所述目标特征为单均价，则根据预设的第二阈值和预设的调整参数调整所述目标特征。
可选地，在本公开的另一种实施例中，所述目标特征调整模块包括第一调整值确定子模块、第二调整值确定子模块、目标特征调整子模块：
第一调整值确定子模块，用于根据预设的调整参数与第一差值确定第一调整值，所述第一差值为所述目标特征与预设的第二阈值的差值；
第二调整值确定子模块，用于根据第二差值和所述第一差值确定第二调整值，所述第二差值为最大目标特征与所述第二阈值的差值，所述最大目标特征为不同的所述目标对象的同一个所述目标特征的最大值；
目标特征调整子模块，用于从所述第一调整值、所述第二调整值中选取最大值得到调整后的目标特征。
可选地，在本公开的另一种实施例中，所述装置还包括属性划分模块、归一化处理模块：
属性划分模块，用于将所述目标对象按照预设的属性进行划分，所述预设的属性至少包括：区域、品类中的一种；
归一化处理模块，用于对于同一属性的每个所述目标对象，将所述目标对象的每个所述目标特征进行归一化处理。
可选地，在本公开的另一种实施例中，所述样本排序得分为销量，所述目标排序得分为所述目标对象在主题活动中的推荐程度参数。
综上所述，本公开的实施例提供了一种排序装置，所述装置包括：特征确定模块，用于确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；排序得分确定模块，用于针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；排序模块，用于根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。可以通过训练得到预设权重集，并从中选取部分权重计算目标排序得分，有助于提高排序的准确度。
实施例二为实施例一对应的装置实施例，详细说明可以参照实施例一，在此不再赘述。
本公开的实施例还提供了一种电子设备，参照图5，包括：处理器301、存储器302以及存储在所述存储器302上并可在所述处理器上运行的计算机程序3021，所述处理器301执行所述程序时实现前述实施例的排序方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的排序方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种排序方法，其特征在于，所述方法包括：
确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；
针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；
根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
2.根据权利要求1所述的方法，其特征在于，所述针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分的步骤，包括：
针对每个所述目标对象，根据所述目标对象的目标特征和所述目标特征的权重确定所述目标对象的加权得分；
针对每个所述目标对象，根据所述目标对象的加权得分和最大加权得分的比值、目标得分差，确定所述目标对象的调整排序得分，所述最大加权得分为所述目标对象集中所述目标对象的所述加权得分的最大值，所述目标得分差为预设的最大排序得分与预设的基础排序得分的差值；针对每个所述目标对象，根据所述基础排序得分与所述目标对象的调整排序得分确定所述目标对象的目标排序得分。
3.根据权利要求1所述的方法，其特征在于，在所述针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分的步骤之前，所述方法还包括：
确定每个所述目标对象的综合评分；
针对每个所述目标对象的每个目标特征，若所述目标特征为表征交易效果的特征，则根据所述目标特征的目标时长、所述目标对象的所述综合评分减小所述目标特征，所述目标特征的目标时长为所述目标特征的历史时间距离当前时间的时长。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标特征的目标时长、所述目标对象的所述综合评分减小所述目标特征的步骤，包括：
根据所述目标特征的所述目标时长与预设的衰减周期的比值、预设的第一阈值与所述目标对象的所述综合评分的比值，进行加权运算得到加权值；
采用所述加权值减小所述目标特征。
5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分的步骤之前，所述方法还包括：
针对每个所述目标对象的每个目标特征，若所述目标特征为单均价，则根据预设的第二阈值和预设的调整参数调整所述目标特征。
6.根据权利要求5所述的方法，其特征在于，所述根据预设的第二阈值和预设的调整参数调整所述目标特征的步骤，包括：
根据预设的调整参数与第一差值确定第一调整值，所述第一差值为所述目标特征与预设的第二阈值的差值；
根据第二差值和所述第一差值确定第二调整值，所述第二差值为最大目标特征与所述第二阈值的差值，所述最大目标特征为不同的所述目标对象的同一个所述目标特征的最大值；
从所述第一调整值、所述第二调整值中选取最大值得到调整后的目标特征。
7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分的步骤之前，所述方法还包括：
将所述目标对象按照预设的属性进行划分，所述预设的属性至少包括：区域、品类中的一种；
对于同一属性的每个所述目标对象，将所述目标对象的每个所述目标特征进行归一化处理。
8.根据权利要求1至4中任一项所述的方法，其特征在于，所述样本排序得分为销量，所述目标排序得分为所述目标对象在主题活动中的推荐程度参数。
9.一种排序装置，其特征在于，所述装置包括：
特征确定模块，用于确定目标对象集中的每个目标对象在历史时间的目标特征和所述目标特征的权重，所述目标特征的权重是从预设权重集中选取的权重，所述预设权重集是通过训练样本预先训练得到的，所述训练样本包括：样本排序得分、样本特征；
排序得分确定模块，用于针对每个所述目标对象，根据所述目标特征和所述目标特征的权重确定所述目标对象的目标排序得分；所述目标排序得分和所述样本排序得分分别对应不同的排序目标；
排序模块，用于根据每个所述目标对象的目标排序得分生成所述目标对象集对应的对象排序列表。
10.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的排序方法。
11.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-8中任一项所述的排序方法。
CN201911122658.9A 2019-11-15 2019-11-15 排序方法、装置、电子设备及可读存储介质 Active CN111061968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911122658.9A CN111061968B (zh) 2019-11-15 2019-11-15 排序方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911122658.9A CN111061968B (zh) 2019-11-15 2019-11-15 排序方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111061968A true CN111061968A (zh) 2020-04-24
CN111061968B CN111061968B (zh) 2023-05-30

Family

ID=70297924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911122658.9A Active CN111061968B (zh) 2019-11-15 2019-11-15 排序方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111061968B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017167097A1 (zh) * 2016-03-31 2017-10-05 阿里巴巴集团控股有限公司 一种基于随机森林的模型训练方法和装置
CN108304512A (zh) * 2018-01-19 2018-07-20 北京奇艺世纪科技有限公司 一种视频搜索引擎粗排序方法、装置及电子设备
WO2018157625A1 (zh) * 2017-02-28 2018-09-07 华为技术有限公司 基于强化学习的排序学习方法及服务器
CN109299344A (zh) * 2018-10-26 2019-02-01 Oppo广东移动通信有限公司 排序模型的生成方法、搜索结果的排序方法、装置及设备
CN110163647A (zh) * 2019-03-14 2019-08-23 腾讯科技（深圳）有限公司 一种数据处理方法及装置
CN110245757A (zh) * 2019-06-14 2019-09-17 上海商汤智能科技有限公司 一种图像样本的处理方法及装置、电子设备和存储介质
CN110298725A (zh) * 2019-05-24 2019-10-01 北京三快在线科技有限公司 商品组合的推荐方法、装置、电子设备及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017167097A1 (zh) * 2016-03-31 2017-10-05 阿里巴巴集团控股有限公司 一种基于随机森林的模型训练方法和装置
WO2018157625A1 (zh) * 2017-02-28 2018-09-07 华为技术有限公司 基于强化学习的排序学习方法及服务器
CN108304512A (zh) * 2018-01-19 2018-07-20 北京奇艺世纪科技有限公司 一种视频搜索引擎粗排序方法、装置及电子设备
CN109299344A (zh) * 2018-10-26 2019-02-01 Oppo广东移动通信有限公司 排序模型的生成方法、搜索结果的排序方法、装置及设备
CN110163647A (zh) * 2019-03-14 2019-08-23 腾讯科技（深圳）有限公司 一种数据处理方法及装置
CN110298725A (zh) * 2019-05-24 2019-10-01 北京三快在线科技有限公司 商品组合的推荐方法、装置、电子设备及可读存储介质
CN110245757A (zh) * 2019-06-14 2019-09-17 上海商汤智能科技有限公司 一种图像样本的处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111061968B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN110647696B (zh) 一种业务对象的排序方法及装置
CN108335137B (zh) 排序方法及装置、电子设备、计算机可读介质
CN108288179B (zh) 一种用户偏好房源计算方法和系统
CN113508378A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
US20050210025A1 (en) System and method for predicting the ranking of items
CN112348629A (zh) 一种商品信息推送方法和装置
CN107798607A (zh) 资产配置策略获取方法、装置、计算机设备和存储介质
CA2655196A1 (en) System and method for generating a display of tags
CN111931055B (zh) 对象推荐方法、对象推荐装置和电子设备
CN106708868B (zh) 一种互联网数据分析方法及系统
CN107247728B (zh) 文本处理方法、装置及计算机存储介质
CN108921398A (zh) 店铺质量评价方法及装置
WO2020042502A1 (zh) 用户类型划分方法、系统、计算机设备和存储介质
CN110942344A (zh) 美食推荐榜单的生成方法、装置、设备及存储介质
WO2023000491A1 (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN111523964A (zh) 基于聚类的召回方法、装置、电子设备及可读存储介质
CN111241388A (zh) 多策略召回方法、装置、电子设备及可读存储介质
CN111460191A (zh) 推荐方法、装置、电子设备及可读存储介质
CN111680213A (zh) 信息推荐方法、数据处理方法及装置
CN111160647B (zh) 一种洗钱行为预测方法及装置
CN115841345B (zh) 跨境大数据智能化分析方法、系统以及存储介质
CN111859946B (zh) 对评论进行排序的方法和装置及机器可读存储介质
JP5933863B1 (ja) データ分析システム、制御方法、制御プログラム、および記録媒体
CN111061968B (zh) 排序方法、装置、电子设备及可读存储介质
CN115170195A (zh) 信息处理方法和装置、电子设备、计算机可读介质

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
GR01 Patent grant
GR01 Patent grant