CN111782983A - 一种信息排序方法、装置、电子设备及存储介质 - Google Patents

一种信息排序方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111782983A
CN111782983A CN202010399573.1A CN202010399573A CN111782983A CN 111782983 A CN111782983 A CN 111782983A CN 202010399573 A CN202010399573 A CN 202010399573A CN 111782983 A CN111782983 A CN 111782983A
Authority
CN
China
Prior art keywords
information
feature vector
score
sorted
dimension
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.)
Withdrawn
Application number
CN202010399573.1A
Other languages
English (en)
Inventor
易根良
翟艺涛
郑刚
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 CN202010399573.1A priority Critical patent/CN111782983A/zh
Publication of CN111782983A publication Critical patent/CN111782983A/zh
Withdrawn legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种信息排序方法、装置、电子设备及存储介质，该方法包括：获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，通过本申请实施例提供的技术方案，计算所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。

Description

一种信息排序方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种信息排序方法、装置、电子设备及存储介质。
背景技术
随着网络技术的快速发展，用户可以通过网络获取大量的信息。终端在展示信息时，会将排序靠前的信息展示在前面，排在越前面的信息被用户查看的概率越高，为此，优化好排序靠前信息的顺序非常关键。举例而言，在用户搜索查看酒店时，对于排序前20名的酒店，会进一步考虑排序前20名的酒店之间的比较信息，以对排序前20名的酒店进行重新排序。
相关技术中，在基于排序靠前的信息的比较信息，对排序靠前信息进行重新排序时，所采用的技术方案是：将任意两个信息的特征进行组合，计算这两个信息分别对应的分数。对于每一个信息而言，在得到该信息与其他各个信息组合在一起时该信息对应的分数后，将该信息对应的各个分数相加，作为该信息重新排序时的参考分数，并且，参考分数越高，重新排序时的排序越靠前。
发明人在实现本发明的过程中发现：相关技术中，在计算一个信息的参考分数时，没有考虑不同信息组合对该信息的影响权重，因此，计算所得到的参考分数准确地较低，对排序靠前信息进行重新排序后，排序靠前信息的排列顺序准确度较低。
发明内容
为解决因计算一个信息的参考分数时，没有考虑不同信息组合对该信息的影响权重，因此，计算所得到的参考分数准确地较低，对排序靠前信息进行重新排序后，排序靠前信息的排列顺序准确度较低的技术问题，本申请提供了一种信息排序方法、装置、电子设备及存储介质。
第一方面，本申请提供了一种信息排序方法，所述方法包括：
获取待排序信息的特征向量；
基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，其中，所述第一信息为所述待排序信息中的任一信息，所述第二信息为所述待排序信息中除第一信息之外的信息；
将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，其中，所述第一分数是基于所述第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的；
基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息重新排序时的参考分数；
按照参考分数由高到低的顺序，对所述待排序信息进行重新排序。
可选的，所述获取待排序信息的特征向量，包括：
获取待排序信息的第一维度的第一特征向量，所述第一维度大于预设维度；
将所述第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将所述第二维度的第二特征向量作为待排序信息的特征向量，所述第二维度小于所述预设维度。
可选的，所述基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，包括：
将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量；
将所述第一信息的特征向量，所述差值特征向量，以及，所述第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
可选的，所述预设模型包括第一子模型和第二子模型；
所述将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，包括：
将所述第一信息对应的拼接特征向量输入所述第一子模型，得到所述第一信息对应的各个拼接特征向量所对应的第一子分数；
将多个所述第一子分数输入所述第二子模型，以使得所述第二子模型对多个所述第一子分数进行加权计算，得到所述第一信息对应的第一分数。
可选的，所述基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数，包括：
将所述第一信息的特征向量与所述第一信息对应的第一分数组成所述第一信息的目标特征向量；
将所述目标特征向量输入预先训练好的参考分数计算模型，得到所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数。
第二方面，本申请实施例提供了一种信息排序装置，所述装置包括：
特征向量获取模块，用于获取待排序信息的特征向量；
拼接特征向量确定模块，用于基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，其中，所述第一信息为所述待排序信息中的任一信息，所述第二信息为所述待排序信息中除第一信息之外的信息；
第一分数确定模块，用于将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，其中，所述第一分数是基于所述第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的；
参考分数计算模块，用于基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息重新排序时的参考分数；
重新排序模块，用于按照参考分数由高到低的顺序，对所述待排序信息进行重新排序。
可选的，所述特征向量获取模块，具体用于：
获取待排序信息的第一维度的第一特征向量，所述第一维度大于预设维度；
将所述第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将所述第二维度的第二特征向量作为待排序信息的特征向量，所述第二维度小于所述预设维度。
可选的，所述拼接特征向量确定模块，具体用于：
将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量；
将所述第一信息的特征向量，所述差值特征向量，以及，所述第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
可选的，所述预设模型包括第一子模型和第二子模型；
所述第一分数确定模块，具体用于：
将所述第一信息对应的拼接特征向量输入所述第一子模型，得到所述第一信息对应的各个拼接特征向量所对应的第一子分数；
将多个所述第一子分数输入所述第二子模型，以使得所述第二子模型对多个所述第一子分数进行加权计算，得到所述第一信息对应的第一分数。
可选的，所述参考分数计算模块，具体用于：
将所述第一信息的特征向量与所述第一信息对应的第一分数组成所述第一信息的目标特征向量；
将所述目标特征向量输入预先训练好的参考分数计算模型，得到所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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第一方面所述的信息排序方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的信息排序方法的步骤。
通过本申请实施例提供的技术方案，获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确；从而所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。
附图说明
图1是本申请实施例提供的一种信息排序方法的步骤流程图；
图2是图1所示实施例的S110的一种实施方式的步骤流程图；
图3是图1所示实施例的S120的一种实施方式的步骤流程图；
图4是图1所示实施例的S140的一种实施方式的步骤流程图；
图5是图1所示实施例的S130的一种实施方式的步骤流程图；
图6是本申请实施例提供的一种预设模型的结构示意图；
图7是本申请实施例提供的一种信息排序装置的结构示意图；
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
为解决因计算一个信息的参考分数时，没有考虑不同信息组合对该信息的影响权重，因此，计算所得到的参考分数准确地较低，对排序靠前信息进行重新排序后，排序靠前信息的排列顺序准确度较低的技术问题，本申请提供了一种信息排序方法、装置、电子设备及存储介质。
第一方面，首先对本申请提供了一种信息排序方法进行详细介绍。
如图1所示，本申请所提供的一种信息排序方法，包括如下步骤：
S110，获取待排序信息的特征向量。
具体的，终端在展示信息时，会将排序靠前的信息展示在前面，排在越前面的信息被用户查看的概率越高，因此，优化好排序靠前信息的顺序非常关键。其中，待排序信息可以为排序靠前的信息，例如，可以是排序前20名的信息。并且，待排序信息可以是多种，例如，可以酒店，美食店，电影院等，本申请实施例对待排序信息不做具体限定。
可以理解的是，待排序信息的特征向量可以用于描述待排序信息的特征。
在一种实施方式中，待排序信息的特征向量的维度较高。例如，待排序信息的特征向量可以用Xd来表示，并且，为了准确地描述待排序信息，Xd的维度可以为500维，1000维等，本申请实施例对待排序信息的特征向量的维度不做具体限定。
在另一种实施方式时，为了降低计算待排序信息的参考分数时的复杂度，获取待排序信息的特征向量，可以包括如下步骤，如图2所示，分别为步骤S111和S112：
S111，获取待排序信息的第一维度的第一特征向量。
其中，第一维度大于预设维度。
具体的，第一维度的第一特征向量可以为上述实施方式中所述的Xd，第一特征向量的第一维度较高，具体可以为500维或者1000维，本申请实施例对第一特征向量的第一维度不作具体限定。
S112，将第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将第二维度的第二特征向量作为待排序信息的特征向量。
其中，第二维度小于预设维度。
具体的，在得到待排序信息的第一维度的第一特征向量后，为了降低计算待排序信息的参考分数时的复杂度，可以对第一维度的第一特征向量进行降维。具体的，可以将第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量。在实际应用中，第二维度可以为8，该第二维度的第二特征向量也可以准确地描述待排序信息的特征。当然，本申请实施例对第二特征向量的第二维度不作具体限定。
S120，基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量。
其中，第一信息为待排序信息中的任一信息，第二信息为待排序信息中除第一信息之外的信息。
具体的，第一信息可以指当前待计算参考分数的任一信息，第二信息可以为待排序信息中除第一信息之外的信息。为了计算第一信息和第二信息组合在一起时，第二信息对第一信息的贡献，可以基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，通过将第一信息的特征与第二信息的特征向量拼接在一起，即可以实现将第一信息与第二信息组合在一起。
在一种实施方式中，S120，基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接向量，可以包括如下步骤，如图3所示，分别为步骤S121和S122：
S121，将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量。
为了体现第一信息与第二信息之间的差异，可以将第一信息的特征向量与第二特征的特征向量作差，得到差值特征向量。具体的，如果第一信息的特征向量为8维向量，第二信息的特征向量也为8维向量，那么，将第一信息的特征向量与第二信息的特征向量作差所得的差值特征向量也为8维向量。
S122，将第一信息的特征向量，差值特征向量，以及，第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
在得到第一信息的特征向量，差值特征向量，以及，第二信息的特征向量后，可以将第一信息的特征向量，差值特征向量，以及，第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
举例而言，如果第一信息的特征向量为8维向量，差值特征向量为8维向量，第二信息的特征向量也为8维向量，那么，将第一信息的特征向量，差值特征向量，以及，第二信息的特征向量进行拼接，所得到的第一信息对应的拼接特征向量的维度为24维。
S130，将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数。
其中，第一分数是基于第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的。
可以理解的是，第二信息通常有多个，那么基于第一信息的特征向量与第二信息的特征向量，所得到的第一信息对应的拼接特征向量通常也有多个。在得到第一信息对应的拼接特征向量之后，可以将这多个第一信息对应的拼接特征向量均输入到预先训练好的预设模型，每个第一信息对应的拼接特征向量对应一个第一子分数，也就是说，将多个第一信息对应的拼接特征向量输入到预先训练好的预设模型中，得到多个第一子分数，每一子分数用于表示第一信息与对应的第二信息组合在一起时所得的分数。
并且，预设模型在得到多个第一子分数后，会对这多个第一子分数进行加权计算，得到第一分数，该第一分数可以用于表示第一信息和各个第二信息组合在一起后所得的综合分数。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确。需要说明的是，多个第一子分数对应的权重可以根据实际情况来确定，本申请实施例对多个第一子分数对应的权重不做具体限定。
在实际应用中，预先训练好的预设模型可以为Groupwise Net网络，本申请实施例对预先训练好的预设模型不做具体限定。
S140，基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数。
具体的，由于第一信息的特征向量可以准确地描述第一信息本身的特征，而第一信息对应的第一分数可以用于表示第一信息和各个第二信息组合在一起后所得的综合分数。因此，为了更加准确地计算得到第一信息重新排序时的参考分数，在得到第一信息对应的第一分数，可以基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数。
在一种实施方式中，S140，基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息再次排序时的参考分数，如图4所示，可以包括如下步骤，分别为步骤S141和S142：
步骤S141，将第一信息的特征向量与第一信息对应的第一分数组成第一信息的目标特征向量。
具体的，由于第一信息的特征向量可以准确地描述第一信息本身的特征，而第一信息对应的第一分数可以用于表示第一信息和各个第二信息组合在一起后所得的综合分数。因此，将第一信息的特征向量与第一信息对应的第一分数所组成的第一信息的目标特征向量能够更加准确地描述第一信息的特征。
步骤S142，将目标特征向量输入预先训练好的参考分数计算模型，得到第一信息对应的第二分数，并将第二分数确定为第一信息再次排序时的参考分数。
具体的，在得到第一信息的目标特征向量之后，将目标特征向量输入预先训练好的参考分数计算模型，得到第一信息对应的第二分数，并将第二分数确定为第一信息再次排序时的参考分数。由于目标特征向量能够更加准确地描述第一信息的特征，因此，计算所得的第一信息的参考分数更加准确。
S150，按照参考分数由高到低的顺序，对待排序信息进行重新排序。
具体的，在得到各个待排序信息的参考分数后，即可以按照参考分数由高到低的顺序对待排序信息进行重新排序，所得的待排序信息的排序准确地更高。
通过本申请实施例提供的技术方案，获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确；从而所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。
作为本申请实施例的一种实现方式，在实际应用中，预设模型可以包括第一子模型和第二子模型；
此时，S130，将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数，如图5所示，可以包括如下步骤，分别为步骤S131和S132：
S131，将第一信息对应的拼接特征向量输入第一子模型，得到第一信息对应的各个拼接特征向量所对应的第一子分数。
具体的，由上述描述可知，第一信息对应的拼接向量通常有多个，因此，第一子模型的数量也可以是多个，可以将第一信息对应的多个拼接特征向量分别输入到对应的第一子模型中，多个第一信息对应的各个拼接特征向量所对应的第一子分数。
S132，将多个第一子分数输入第二子模型，以使得第二子模型对多个第一子分数进行加权计算，得到第一信息对应的第一分数。
具体的，在从多个第一子模型输出多个第一子分数后，可以将多个第一子分数均输入第二子模型中，第二子模型对多个第一子分数进行加权计算，得到第一信息对应的第一分数。
可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确。
为了方案描述清楚，下面将结合具体的实例进行详细阐述。
如图6所示，以预设模型为Groupwise Net网络为例，该Groupwise Net网络包括多个第一子模型MLP和一个第二子模型MLP。
其中，emb用于表示第一信息的特征向量，embi用于表示第i个第二信息的特征向量，emb-embi用于表示第一信息的特征向量与第i个第二信息的特征向量作差所得的差值特征向量。将emb，emb-embi，embi进行拼接输入到第一个第一子模型MLP中，得到第一个第一子分数Si。
embj用于表示第i个第二信息的特征向量，emb-embj用于表示第一信息的特征向量与第j个第二信息的特征向量作差所得的差值特征向量。将emb，emb-embj，embj进行拼接输入到第二个第一子模型MLP中，得到第二个第一子分数Sj。
embk用于表示第k个第二信息的特征向量，emb-embk用于表示第一信息的特征向量与第k个第二信息的特征向量作差所得的差值特征向量。将emb，emb-embk，embk进行拼接输入到第三个第一子模型MLP中，得到第三个第一子分数Sk。
在得到Si，Sj和Sk这三个第一子分数之后，可以将Si，Sj和Sk输入到第二子模型，第二子模型对Si，Sj和Sk进行加权计算，得到第一分数s。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本申请所必须的。
第二方面，本申请实施例提供了一种信息排序装置，如图7所示，所述装置包括：
特征向量获取模块710，用于获取待排序信息的特征向量；
拼接特征向量确定模块720，用于基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，其中，所述第一信息为所述待排序信息中的任一信息，所述第二信息为所述待排序信息中除第一信息之外的信息；
第一分数确定模块730，用于将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，其中，所述第一分数是基于所述第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的；
参考分数计算模块740，用于基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息重新排序时的参考分数；
重新排序模块750，用于按照参考分数由高到低的顺序，对所述待排序信息进行重新排序。
通过本申请实施例提供的技术方案，获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确；从而所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。
可选的，所述特征向量获取模块，具体用于：
获取待排序信息的第一维度的第一特征向量，所述第一维度大于预设维度；
将所述第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将所述第二维度的第二特征向量作为待排序信息的特征向量，所述第二维度小于所述预设维度。
可选的，所述拼接特征向量确定模块，具体用于：
将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量；
将所述第一信息的特征向量，所述差值特征向量，以及，所述第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
可选的，所述预设模型包括第一子模型和第二子模型；
所述第一分数确定模块，具体用于：
将所述第一信息对应的拼接特征向量输入所述第一子模型，得到所述第一信息对应的各个拼接特征向量所对应的第一子分数；
将多个所述第一子分数输入所述第二子模型，以使得所述第二子模型对多个所述第一子分数进行加权计算，得到所述第一信息对应的第一分数。
可选的，所述参考分数计算模块，具体用于：
将所述第一信息的特征向量与所述第一信息对应的第一分数组成所述第一信息的目标特征向量；
将所述目标特征向量输入预先训练好的参考分数计算模型，得到所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数。
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。
第三方面，本申请实施例提供了一种电子设备，如图8所示，包括存储器810、处理器820及存储在存储器上并可在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第一方面所述的信息排序方法的步骤。
通过本申请实施例提供的技术方案，获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确；从而所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的信息排序方法的步骤。
通过本申请实施例提供的技术方案，获取待排序信息的特征向量；基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量；将第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到第一信息对应的第一分数；基于第一信息的特征向量与第一信息对应的第一分数，计算第一信息对应的第二分数，并将第二分数确定为第一信息重新排序时的参考分数；按照参考分数由高到低的顺序，对待排序信息进行重新排序。可见，在计算第一信息对应的第一分数时，综合考虑了将第一信息与多个第二信息组合在一起后的多个第一子分数的权重，计算所得到第一分数更加准确；从而所得的第一信息的参考分数更加准确，在对待排序进行重新排序时，所得的待排序信息的排序准确地更高。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种信息排序方法和一种信息排序装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种信息排序方法，其特征在于，所述方法包括：
获取待排序信息的特征向量；
基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，其中，所述第一信息为所述待排序信息中的任一信息，所述第二信息为所述待排序信息中除第一信息之外的信息；
将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，其中，所述第一分数是基于所述第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的；
基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息重新排序时的参考分数；
按照参考分数由高到低的顺序，对所述待排序信息进行重新排序。
2.根据权利要求1所述的方法，其特征在于，所述获取待排序信息的特征向量，包括：
获取待排序信息的第一维度的第一特征向量，所述第一维度大于预设维度；
将所述第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将所述第二维度的第二特征向量作为待排序信息的特征向量，所述第二维度小于所述预设维度。
3.根据权利要求2所述的方法，其特征在于，所述基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，包括：
将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量；
将所述第一信息的特征向量，所述差值特征向量，以及，所述第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述预设模型包括第一子模型和第二子模型；
所述将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，包括：
将所述第一信息对应的拼接特征向量输入所述第一子模型，得到所述第一信息对应的各个拼接特征向量所对应的第一子分数；
将多个所述第一子分数输入所述第二子模型，以使得所述第二子模型对多个所述第一子分数进行加权计算，得到所述第一信息对应的第一分数。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数，包括：
将所述第一信息的特征向量与所述第一信息对应的第一分数组成所述第一信息的目标特征向量；
将所述目标特征向量输入预先训练好的参考分数计算模型，得到所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数。
6.一种信息排序装置，其特征在于，所述装置包括：
特征向量获取模块，用于获取待排序信息的特征向量；
拼接特征向量确定模块，用于基于第一信息的特征向量与第二信息的特征向量，得到第一信息对应的拼接特征向量，其中，所述第一信息为所述待排序信息中的任一信息，所述第二信息为所述待排序信息中除第一信息之外的信息；
第一分数确定模块，用于将所述第一信息对应的拼接特征向量输入到预先训练好的预设模型，得到所述第一信息对应的第一分数，其中，所述第一分数是基于所述第一信息对应的多个拼接特征向量所对应的多个第一子分数加权计算得到的；
参考分数计算模块，用于基于所述第一信息的特征向量与所述第一信息对应的第一分数，计算所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息重新排序时的参考分数；
重新排序模块，用于按照参考分数由高到低的顺序，对所述待排序信息进行重新排序。
7.根据权利要求6所述的装置，其特征在于，所述特征向量获取模块，具体用于：
获取待排序信息的第一维度的第一特征向量，所述第一维度大于预设维度；
将所述第一维度的第一特征向量输入特征降维模型中，得到待排序信息的第二维度的第二特征向量，并将所述第二维度的第二特征向量作为待排序信息的特征向量，所述第二维度小于所述预设维度。
8.根据权利要求7所述的装置，其特征在于，所述拼接特征向量确定模块，具体用于：
将第一信息的特征向量与第二信息的特征向量作差，得到差值特征向量；
将所述第一信息的特征向量，所述差值特征向量，以及，所述第二信息的特征向量进行拼接，得到第一信息对应的拼接特征向量。
9.根据权利要求6至8任一项所述的装置，其特征在于，所述预设模型包括第一子模型和第二子模型；
所述第一分数确定模块，具体用于：
将所述第一信息对应的拼接特征向量输入所述第一子模型，得到所述第一信息对应的各个拼接特征向量所对应的第一子分数；
将多个所述第一子分数输入所述第二子模型，以使得所述第二子模型对多个所述第一子分数进行加权计算，得到所述第一信息对应的第一分数。
10.根据权利要求6至8任一项所述的装置，其特征在于，所述参考分数计算模块，具体用于：
将所述第一信息的特征向量与所述第一信息对应的第一分数组成所述第一信息的目标特征向量；
将所述目标特征向量输入预先训练好的参考分数计算模型，得到所述第一信息对应的第二分数，并将所述第二分数确定为所述第一信息再次排序时的参考分数。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在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至5中任一项所述的信息排序方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的信息排序方法的步骤。
CN202010399573.1A 2020-05-12 2020-05-12 一种信息排序方法、装置、电子设备及存储介质 Withdrawn CN111782983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010399573.1A CN111782983A (zh) 2020-05-12 2020-05-12 一种信息排序方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010399573.1A CN111782983A (zh) 2020-05-12 2020-05-12 一种信息排序方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111782983A true CN111782983A (zh) 2020-10-16

Family

ID=72753561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010399573.1A Withdrawn CN111782983A (zh) 2020-05-12 2020-05-12 一种信息排序方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111782983A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130311455A1 (en) * 2012-05-15 2013-11-21 International Business Machines Corporation Re-ranking a search result in view of social reputation
US20140250115A1 (en) * 2011-11-21 2014-09-04 Microsoft Corporation Prototype-Based Re-Ranking of Search Results
US20160103833A1 (en) * 2012-06-01 2016-04-14 Google Inc. Ranking query results using biometric parameters
CN110363617A (zh) * 2019-06-03 2019-10-22 北京三快在线科技有限公司 一种推荐方法、装置、电子设备及可读存储介质
CN110489638A (zh) * 2019-07-08 2019-11-22 广州视源电子科技股份有限公司 一种搜索方法、装置、服务器、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140250115A1 (en) * 2011-11-21 2014-09-04 Microsoft Corporation Prototype-Based Re-Ranking of Search Results
US20130311455A1 (en) * 2012-05-15 2013-11-21 International Business Machines Corporation Re-ranking a search result in view of social reputation
US20160103833A1 (en) * 2012-06-01 2016-04-14 Google Inc. Ranking query results using biometric parameters
CN110363617A (zh) * 2019-06-03 2019-10-22 北京三快在线科技有限公司 一种推荐方法、装置、电子设备及可读存储介质
CN110489638A (zh) * 2019-07-08 2019-11-22 广州视源电子科技股份有限公司 一种搜索方法、装置、服务器、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109947919B (zh) 用于生成文本匹配模型的方法和装置
CN107451894B (zh) 数据处理方法、装置和计算机可读存储介质
EP4018390A1 (en) Resource constrained neural network architecture search
EP3602419A1 (en) Neural network optimizer search
KR101605654B1 (ko) 쌍별 비교 데이터를 이용한 다중랭킹 추정 방법 및 장치
WO2017197330A1 (en) Two-stage training of a spoken dialogue system
CN111242310A (zh) 特征有效性评估方法、装置、电子设备及存储介质
CN109872026A (zh) 评测结果生成方法、装置、设备及计算机可读存储介质
CN111046188A (zh) 用户偏好度确定方法、装置、电子设备及可读存储介质
CN110532469B (zh) 一种信息推荐方法、装置、设备及存储介质
KR20170097535A (ko) 비관심 아이템을 활용한 아이템 추천 방법 및 장치
CN112085058A (zh) 一种对象组合召回方法、装置、电子设备及存储介质
CN111428125B (zh) 排序方法、装置、电子设备及可读存储介质
CN112598078B (zh) 混合精度训练方法、装置、电子设备及存储介质
CN114861783A (zh) 推荐模型训练方法、装置、电子设备及存储介质
CN110633376A (zh) 一种媒体对象排序方法、装置、设备及存储介质
US20240346343A1 (en) Recommendation model training method, article recommendation method and system, and related device
CN112785391B (zh) 推荐处理方法、装置及智能设备、存储介质
CN112785390B (zh) 推荐处理方法、装置、终端设备以及存储介质
JP6921526B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN111782983A (zh) 一种信息排序方法、装置、电子设备及存储介质
CN111639194A (zh) 基于句向量的知识图谱查询方法及系统
CN109740743A (zh) 一种分层神经网络查询推荐方法及装置
CN111666371B (zh) 基于主题的匹配度确定方法、装置、电子设备及存储介质
CN111400512B (zh) 一种筛选多媒体资源的方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201016

WW01 Invention patent application withdrawn after publication