CN111914191B

CN111914191B - 一种目标排序方法、装置和设备

Info

Publication number: CN111914191B
Application number: CN202010609229.0A
Authority: CN
Inventors: 殷海明; 王文宝; 王秋杰; 柳忠伟
Original assignee: Changsha Youheng Network Technology Co Ltd
Current assignee: Changsha Youheng Network Technology Co Ltd
Priority date: 2020-06-29
Filing date: 2020-06-29
Publication date: 2023-09-19
Anticipated expiration: 2040-06-29
Also published as: CN111914191A

Abstract

本发明公开了一种目标排序方法、装置和设备。所述方法包括：获取请求方的请求方特征信息；根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表；利用匹配模型根据所述目标对象与所述请求方的匹配度标记所述目标对象的转化标签；根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表。通过上述技术方案，采用一个匹配模型，能够根据目标对象和请求方的最新特征信息完成对目标对象的匹配和排序工作，提高目标对象推荐的精准度，同时还能够有效减轻工作人员的负担。

Description

一种目标排序方法、装置和设备

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种目标排序方法、装置和设备。

背景技术

随着互联网技术的发展，为了满足用户需求，通常会根据用户所提供的需求为用户推荐其所需的目标对象（比如，可以是商品、人员、商家等等）。

在现有技术中，为了实现更加精准的满足用户相关产品的推荐需求，可以选择根据用户填写的关键词对待推荐目标对象进行筛选，然后将筛选得到的相关目标对象推荐给用户。还有一些，利用人工智能技术为用户推荐其所需的目标对象，一般来说，需要利用多个独立的模型才能够实现，比如，需要一个模型对用户和目标对象进行匹配，然后再利用另外一个模型对匹配结果进行排序，在利用两个模型完成目标推荐的时候，往往还需要人工参与推荐工作，人为因素影响推荐结果的准确性，还增加人员工作量。

发明内容

本发明实施例提供一种目标排序方法、装置和设备，用以为请求方推荐合适的目标对象。

第一方面，本发明实施例提供一种目标排序方法，该方法包括：

获取请求方的请求方特征信息；

根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表，具体包括：确定目标对象被标记各个转化标签的概率；将多个概率进行融合运算，根据运行结果对所述初始目标列表进行重排序好，生成目标对象列表；

利用匹配模型根据所述目标对象与所述请求方的匹配度标记所述目标对象的转化标签；所述转化标签包括：中意标签、邀约标签、点击标签和浏览标签中至少一种；

根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表。

可选地，所述请求方特征信息包括：请求方行为特征和请求方静态特征；

所述请求方行为特征包括：中意行为信息、邀约行为信息、点击行为信息和浏览行为信息；

所述请求方静态特征包括：所述请求方提供的预期工资信息、预期年龄信息、预期籍贯信息、预期岗位信息。

可选地，所述根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表，包括：

获取各所述目标对象的目标静态特征；

根据所述请求方特征信息，确定具有相似目标静态特征的目标对象；

根据相似关系，生成包含多个目标对象的初始目标列表。

可选地，获取所述初始目标列表中各所述目标对象的目标行为特征；

根据所述目标对象的目标静态特征和目标行为特征，利用匹配模型分别标记所述目标对象的转化标签。

可选地，所述根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表，包括：确定目标对象的转化标签的分值；根据所述分值对所述初始目标列表中的目标对象进行重排序，生成目标对象列表。

可选地，所述根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表，包括：确定目标对象被标记各个转化标签的概率；将多个概率进行融合运算，根据运行结果对所述初始目标列表进行重排序好，生成目标对象列表。

第三方面，本发明实施例提供一种目标排序装置，该装置包括：

获取模块，用于获取请求方的请求方特征信息；

推荐模块，用于根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表，具体包括：确定目标对象被标记各个转化标签的概率；将多个概率进行融合运算，根据运行结果对所述初始目标列表进行重排序好，生成目标对象列表；

标记模块，用于利用匹配模型根据所述目标对象与所述请求方的匹配度标记所述目标对象的转化标签；所述转化标签包括：中意标签、邀约标签、点击标签和浏览标签中至少一种；

生成模块，用于根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表。

第四方面，本发明实施例提供一种电子设备，包括处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如第一方面所述的目标排序方法。

在本发明实施例中，当请求方有获取目标对象的需求的时候，请求方会在获取需求中填写所需目标对象的关键词（这些关键词可以是目标对象的特征或属性），从而根据这些关键词可以表征请求方的一些获取意愿。此外，还需要考虑请求方特征信息，这些特征信息是基于请求方实际行为得到的，往往能够准确反应出请求方当前最真实的获取意愿。在根据请求方特征信息得到初步筛选的目标对象之后，利用匹配模型进一步确定各个目标对象对应于该请求方的转化标签，再根据转化标签对初步筛选结果进行排序，从而得到满足请求方需求的目标对象列表。通过上述技术方案，采用一个匹配模型，能够根据目标对象和请求方的最新特征信息完成对目标对象的匹配和排序工作，提高目标对象推荐的精准度，同时还能够有效减轻工作人员的负担。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种目标排序方法的流程示意图；

图2为本申请实施例提供的一种初始目标列表获取方法的流程示意图；

图3为本申请实施例提供的一种标记转化标签方法的流程示意图；

图4为本发明实施例提供的一种匹配模型训练方法的流程示意图；

图5为本发明实施例提供的一种目标排序装置的结构示意图；

图6为与图5所述实施例提供的目标排序装置对应的电子设备的结构示意图；

图7为本发明实施例提供的一种模型训练装置的结构示意图；

图8为与图7所述实施例提供的模型训练装置对应的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。

在为用户推荐目标对象的时候，如果是为用户推荐商品，往往商品具有固定的属性，比如，商品是家电类，则商品往往具有固定的容量、尺寸、功耗等等属性，同一款商品的这些属性是不会变化的。然而，若是目标对象的属性不固定，会发生动态变化，比如，目标对象为服务人员，会根据自己意识进行调整其求职期望；同时，用户的需求也可能是由于外界环境因素变化而改变，因此，也需要考虑用户最近的行为特征，了解用户最近所想要的目标对象的真实需求。为了实现精准化推荐，采用一个推荐模型，能够根据目标对象的最新属性完成对目标对象的匹配和排序工作，提高目标对象推荐的精准度，同时还能够有效减轻工作人员的负担。

为了便于理解，下面具体举例说明目标排序方法。在下面实施例中，假设请求方为家政需求方，目标对象为家政工作人员，比如，保姆、月嫂等等。

图1为本发明实施例提供的一种目标排序方法的流程示意图，应用于服务端，如图1所示，该方法包括以下步骤：

101：获取请求方的请求方特征信息。

102：根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表。

103：利用匹配模型根据所述目标对象与所述请求方的匹配度标记所述目标对象的转化标签。

104：根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表。

需要说明的是，这里所说的请求方特征信息包括：请求方行为特征和请求方静态特征。其中，所述请求方行为特征包括：中意行为信息、邀约行为信息、点击行为信息和浏览行为信息；所述请求方静态特征包括：所述请求方提供的预期工资信息、预期年龄信息、预期籍贯信息、预期岗位信息。

此外，请求方静态特征还可以包括信仰宗教、学历、婚姻状况等等。这里所说的语气岗位信息可以包括：工作模式（是否为住家保姆）、休息方式、工作内容（比如，照顾老人、照顾小孩、照顾宠物、是否做饭）等等。在实际应用中，可以根据实际应用需求设定所需的静态特征。这里之所以称为静态特征，可以理解为这些特征都是由请求方直接提供的信息，其中一些静态特征仅能用于表征请求方在填写静态特征的时候的招聘意愿，这些意愿可能会随着时间的推移或者外部因素的改变导致请求方改变某些静态特征。因此，还需要综合考虑请求方的行为特征，这些行为特征是实时采集到的请求方当前最真实的行为，往往也最能反映请求方当前最真实的招聘意愿。

下面具体举例说明一下如何获取初始目标列表。如图2为本申请实施例提供的一种初始目标列表获取方法的流程示意图。从图2中可以看到包括如下步骤：

201：获取各所述目标对象的目标静态特征。

202：根据所述请求方特征信息，确定具有相似目标静态特征的目标对象。

203：根据相似关系，生成包含多个目标对象的初始目标列表。

在获取到请求方特征信息（包括行为特征和静态特征）之后，还需要获取各目标对象的目标静态特征，这里所说的目标静态特征可以包括：目标对象的目标年龄信息、目标工资信息、目标籍贯信息、目标岗位信息。其中目标岗位信息又可以包括：工作地点、工作模式、求职状态、休息方式（比如，双休或者单休）、工作内容（比如，照顾老人、照顾小孩、照顾宠物、是否做饭）等等。

在得到请求方特征信息和目标静态特征之后，判断目标静态特征与请求方特征信息之间的相似度，从而筛选出相似关系（比如，相似度大于50%）符合一定标准的目标对象。进而，将这些目标对象汇总到一个初始目标列表中。在本步骤判断相似关系的时候，可以仅采用关键词筛选的方式，比如，请求方特征信息中包含的静态特征有籍贯为山西、年龄不大于40岁等等，对应的，根据这些静态特征，筛选得到籍贯山西及其周围省份，并且年龄不大于40岁的保姆作为目标对象汇总到初始目标列表中。

在一个或多个实施例中，如图3为本申请实施例提供的一种标记转化标签方法的流程示意图。从图3中可以看到包括如下步骤：301：获取所述初始目标列表中各所述目标对象的目标行为特征。302：根据所述目标对象的目标静态特征和目标行为特征，利用匹配模型分别标记所述目标对象的转化标签。

在获取到初始目标列表之后，进一步获取在列表当中各个目标对象的目标行为特征（行为特征最能体现出当前目标对象的实际求职期望），这里所说的行为特征包括中意行为、邀约行为、点击行为和浏览行为。需要说明的是，这里所说的中意行为，可以理解为请求方向该目标对象发出了邀约，并且该目标对象也接受了对方的邀约，则相互中意对方，完成高质量匹配。这里说说的邀约行为，是指请求方或者目标对象想要选择某个目标对象或请求方，则可以向对方发送邀约。这里所说的点击行为可以认为请求方，在浏览目标对象的初始汇总列表的时候，如果发现感兴趣的目标对象，可以点击查看详细信息。浏览行为可以理解为该目标对象有进行展示，但是浏览者（请求方）只是看了一下，并没有对其进行任何进一步的操作。从上述表述可知，浏览行为表示感兴趣程度或者关注度最低，点击行为表示可能感兴趣，邀约行为确定是感兴趣的，中意行为表示双方互相感兴趣。在理想的匹配结果是将中意的目标对象推荐给请求方。

在实际应用中，可以将目标对象的目标静态特征、目标行为特征，请求方特征信息输入到预先训练好的匹配模型当中，然后利用匹配模型可以得到对各个目标对象标记的转化标签。转化标签用于表征目标对象与请求方的匹配程度。具体来说，转化标签可以是中意标签、邀约标签、点击标签、浏览标签。通过上述方案，可以知道，在对目标对象进行标记的时候，综合考虑到请求方行为特征和目标行为特征，这些行为特征最能表示具有意识用户个体当前最真实的意图，从而，结合行为特征利用匹配模型得到的标记结果，能够更加符合双方的意愿，能够有效提升匹配成功率。

需要说明的是，在获取行为特征的时候（包括目标行为特征和请求方行为特征），可以采用滑窗法选择需要时段的行为特征。可以是从请求方最近一段时间内（比如，最近三个月或者最近半年）的邀约行为记录和/或点击行为记录。例如，目标行为特征包括：最近3天投递职位信息、最近1天中意职位信息；请求方行为特征包括：最近3天简历浏览信息、最近1天简历投递信息。

作为一种可选方案，在完成对目标对象标记之后，确定目标对象的转化标签的分值；根据所述分值对所述初始目标列表中的目标对象进行重排序，生成目标对象列表。具体来说，可以用数值替代各个标签，比如，中意标签标记为4、邀约标签标记为3、点击标签标记为2、浏览标签标记为1。得到各自分值之后，根据分值的大小对目标对象进行重排序。数值越大，标识兴趣度越高，对应的匹配成功率越大，越符合请求方的需求。也就是，分值大的目标对象会被排在靠前的目标对象列表当中，以便请求方能够很快选到自己满意的目标对象。

在实际应用中，在匹配模型中所采用的算法不同，对应的统计分值的方式也不完全相同，下面分别对多种不同算法的匹配模型进行举例说明。

例如，采用的算法为lambdaMart，利用该算法得到的匹配模型，可以确定各个目标对象相对于该请求方的转化标签，每个转化标签都有一个对应的取值，然后根据取值大小对目标对象进行排序。

例如，采用的算法为ESMM（Entire Space Multi-task Model ）是一种多任务训练算法，利用该方法，可以得到目标对象被标记为各种转化标签的概率，然后对各个转化标签的概率进行综合运算处理（比如，将各个概率值相乘或者加权求和），可以得到目标对象的综合分值，然后在根据综合分值的大小对目标对象进行排序，得到目标对象列表。

例如，采用算法XGBoost，利用这种算法，需要针对同一对象分别放入多个不同的训练模型当中，比如，可以是中意模型、邀约模型、点击模型、浏览模型，利用这四个模型，可以得到该目标对象在各个模型中的概率，进而将概率综合运算（比如，将各个概率值相乘或者求和）再进行排序。此外，还可以采用DeepFM算法，该算法的应用方法与XGBoost类似，这里就不再重复说明。需要说明的是，这里所说的融合运算，可以是加权求和，也可以是多个概率相乘运算。

图4为本发明实施例提供的一种匹配模型训练方法的流程示意图，具体可以包括如下步骤：

401：获取请求方的请求方特征信息和多个目标对象的目标特征信息作为训练样本。

402：获取所述请求方与每个所述目标对象的匹配结果作为训练标签。

403：利用所述训练样本和所述训练标签对匹配模型进行训练。

需要说明的是，这里所说的训练标签可以理解为被用于训练过程预先标记给目标对象的转化标签。

其中，所述请求方特征信息包括：请求方行为特征和请求方静态特征；

所述请求方行为特征包括：点击行为信息、邀约行为信息和中意行为信息；

所述请求方静态特征包括：预期工资信息、预期年龄信息、预期籍贯信息、预期岗位信息。这里所说的岗位信息又包括：工作地点、工作模式、求职状态、休息方式（比如，双休或者单休）、工作内容（比如，照顾老人、照顾小孩、照顾宠物、是否做饭）等等。

所述目标特征信息包括：目标行为特征和目标静态特征；所述目标行为特征包括：点击行为信息、邀约行为信息和中意行为信息；所述目标静态特征包括：目标工资信息、目标年龄信息、目标籍贯信息、目标岗位信息。其中，目标岗位信息又可以包括：工作地点、工作模式、求职状态、休息方式（比如，双休或者单休）、工作内容（比如，照顾老人、照顾小孩、照顾宠物、是否做饭）等等。

在实际应用中，所述训练标签包括：用于表征中意阶段的中意标签、用于表征邀约阶段的邀约标签、用于表征点击阶段的点击标签。此外，还可以包括用于表征浏览阶段的浏览标签。如前文所述可知，不同的标签表示不同的兴趣度或者关注度。并且，各个标签都有对应的分值。

以下将详细描述本发明的一个或多个实施例的目标排序装置。本领域技术人员可以理解，这些目标排序装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。

通过上述方案，当请求方有获取目标对象的需求的时候，请求方会在获取需求中填写所需目标对象的关键词（这些关键词可以是目标对象的特征或属性），从而根据这些关键词可以表征请求方的一些获取意愿。此外，还需要考虑请求方特征信息，这些特征信息是基于请求方实际行为得到的，往往能够准确反应出请求方当前最真实的获取意愿。在根据请求方特征信息得到初步筛选的目标对象之后，利用匹配模型进一步确定各个目标对象对应于该请求方的转化标签，再根据转化标签对初步筛选结果进行排序，从而得到满足请求方需求的目标对象列表。通过上述技术方案，采用一个匹配模型，能够根据目标对象和请求方的最新特征信息完成对目标对象的匹配和排序工作，提高目标对象推荐的精准度，同时还能够有效减轻工作人员的负担。

图5为本发明实施例提供的一种目标排序装置的结构示意图，该装置可应用于服务端，可以包括：获取模块51、推荐模块52、标记模块53和生成模块54。

获取模块51，用于获取请求方的请求方特征信息；

推荐模块52，用于根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表；

标记模块53，用于利用匹配模型根据所述目标对象与所述请求方的匹配度标记所述目标对象的转化标签；

生成模块54，用于根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表。

可选地，所述请求方特征信息包括：请求方行为特征和请求方静态特征；所述请求方行为特征包括：中意行为信息、邀约行为信息、点击行为信息和浏览行为信息；所述请求方静态特征包括：所述请求方提供的预期工资信息、预期年龄信息、预期籍贯信息、预期岗位信息。

可选地，推荐模块52，用于获取各所述目标对象的目标静态特征；根据所述请求方特征信息，确定具有相似目标静态特征的目标对象；根据相似关系，生成包含多个目标对象的初始目标列表。

可选地，标记模块53，用于获取所述初始目标列表中各所述目标对象的目标行为特征；

可选地，生成模块54，用于确定目标对象的转化标签的分值；根据所述分值对所述初始目标列表中的目标对象进行重排序，生成目标对象列表。

可选地，生成模块54，用于确定目标对象被标记各个转化标签的概率；将多个概率进行融合运算，根据运行结果对所述初始目标列表进行重排序好，生成目标对象列表。需要说明的是，这里所说的融合运算，可以是加权求和，也可以是多个概率相乘运算。

图5所示装置可以执行前述图1中服务端所涉及的各步骤，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图5所示信息推荐装置的结构可实现为一电子设备，如图6所示为与图5所述实施例提供的目标排序装置对应的电子设备的结构示意图，该电子设备可以包括：处理器61、存储器62，所述存储器62用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器61执行时实现前述各实施例中服务端所执行的各步骤。

可选地，该电子设备中还可以包括通信接口63，用于与其他设备进行通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，该计算机程序使服务端执行时实现上述各实施例中的目标排序方法。

图7为本发明实施例提供一种匹配模型训练装置的结构示意图，该装置可应用于客户端，可以包括：第一获取模块71、第二获取模块72、训练模块73。

第一获取模块71，用于获取请求方的请求方特征信息和多个目标对象的目标特征信息作为训练样本；

第二获取模块72，用于获取所述请求方与每个所述目标对象的匹配结果作为训练标签；

训练模块73，用于利用所述训练样本和所述训练标签对匹配模型进行训练。

在一个可能的设计中，上述图7所示匹配模型训练装置的结构可实现为一电子设备，如图8所示为与图7所述实施例提供的模型训练装置对应的电子设备的结构示意图，该电子设备可以包括：处理器81、存储器82，所述存储器82用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器81执行时实现前述各实施例中客户端所执行的各步骤。

可选地，该电子设备中还可以包括通信接口83，用于与其他设备进行通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，该计算机程序使客户端执行时实现上述图4所示实施例中的匹配模型训练方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明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。

本发明是参照根据本发明实施例的方法、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资源更新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资源更新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资源更新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资源更新设备上，使得在计算机或其他可编程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。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

最后应说明的是：以上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精神和范围。

Claims

1.一种目标排序方法，其特征在于，所述方法包括：

获取请求方的请求方特征信息；

2.根据权利要求1所述的方法，其特征在于，所述请求方特征信息包括：请求方行为特征和请求方静态特征；

3.根据权利要求1所述的方法，其特征在于，所述根据所述请求方特征信息向所述请求方推荐包含多个目标对象的初始目标列表，包括：

获取各所述目标对象的目标静态特征；

根据相似关系，生成包含多个目标对象的初始目标列表。

4.根据权利要求1所述的方法，其特征在于，所述利用匹配模型对所述初始目标列表中的所述目标对象分别标记转化标签，包括：

获取所述初始目标列表中各所述目标对象的目标行为特征；

5.根据权利要求1所述的方法，其特征在于，所述根据所述转化标签的类型对所述初始目标列表进行重排序，生成目标对象列表，包括：

确定目标对象的转化标签的分值；

根据所述分值对所述初始目标列表中的目标对象进行重排序，生成目标对象列表。

6.一种目标排序装置，其特征在于，所述装置包括：

获取模块，用于获取请求方的请求方特征信息；

7.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现权利要求1至5中任一项所述的目标排序方法。