CN111915414A - 向目标用户展示目标对象序列的方法和装置 - Google Patents

向目标用户展示目标对象序列的方法和装置 Download PDF

Info

Publication number
CN111915414A
CN111915414A CN202010898063.9A CN202010898063A CN111915414A CN 111915414 A CN111915414 A CN 111915414A CN 202010898063 A CN202010898063 A CN 202010898063A CN 111915414 A CN111915414 A CN 111915414A
Authority
CN
China
Prior art keywords
target object
vector
sequence
target
initial
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
CN202010898063.9A
Other languages
English (en)
Other versions
CN111915414B (zh
Inventor
陈渊波
肖帅
朱军
蒋在帆
马健
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010898063.9A priority Critical patent/CN111915414B/zh
Publication of CN111915414A publication Critical patent/CN111915414A/zh
Application granted granted Critical
Publication of CN111915414B publication Critical patent/CN111915414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供一种向目标用户展示目标对象序列的方法和装置，方法包括：确定待展示的目标对象序列中各目标对象的初始排序；根据任一目标对象的属性特征和该目标对象在初始排序中的位置，得到该目标对象的叠加编码向量；将各叠加编码向量按照初始排序输入预先训练的重排序模型，重排序模型包括编码器和解码器，编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，解码器根据各隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序。能够达到用户反馈的最大化。

Description

向目标用户展示目标对象序列的方法和装置
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及向目标用户展示目标对象序列的方法和装置。
背景技术
当前，常常会向目标用户展示目标对象序列，以向该目标用户推荐该目标对象序列中的多个目标对象，为了实现特定的业务目标，需要从大量的目标对象中筛选出用户可能会感兴趣的多个目标对象，由这多个目标对象构成目标对象序列，以及确定展示目标对象序列时各目标对象的位置，这些均要基于对目标对象的排序而进行。
现有技术中，在对目标对象进行排序时，通常按照各目标对象与目标用户的相关度由高到低进行排序，上述相关度体现了目标用户对目标对象的偏好，根据上述排序向目标用户展示目标对象序列时，常常无法达到用户反馈的最大化，例如，目标用户对各目标对象的点击率最大化、或者转化率最大化等。
因此，希望能有改进的方案，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
发明内容
本说明书一个或多个实施例描述了一种向目标用户展示目标对象序列的方法和装置，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
第一方面，提供了一种向目标用户展示目标对象序列的方法，方法包括：
确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量；
将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；
按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。
在一种可能的实施方式中，所述确定待展示的目标对象序列中各目标对象的初始排序，包括：
根据所述目标用户对应的搜索关键字，从对象全集中召回匹配所述搜索关键字的对象子集；
将所述目标用户的用户画像特征和所述对象子集中任一对象的属性特征输入预先训练的神经网络模型，得到所述对象子集中的各对象与所述目标用户分别对应的相关度；
根据各相关度由高到低的顺序，从所述对象子集中选择预设数目个对象作为待展示的目标对象序列，并将各相关度由高到低的顺序确定为待展示的目标对象序列中各目标对象的初始排序。
进一步地，所述用户画像特征包括：
用户的基本描述信息和/或用户的历史行为特征信息。
进一步地，所述对象为商品；所述属性特征包括如下至少一种：
商品描述信息、价格、类目。
在一种可能的实施方式中，所述根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量，包括：
根据任一目标对象的属性特征，确定该目标对象的初始编码向量；
根据该目标对象在所述初始排序中的位置，得到该目标对象的初始位置向量；
叠加所述初始编码向量和所述初始位置向量，得到该目标对象的叠加编码向量。
进一步地，各位置分别具有预先确定的初始位置向量；所述初始位置向量通过如下方式确定：
根据各个位置的点击率，训练神经网络，利用训练后的所述神经网络确定各个位置的初始位置向量；或者，
根据所述各个位置中任一位置的位置排序和第一函数，确定该位置的初始位置向量；其中，所述位置排序越靠前，所述第一函数的值越大。
在一种可能的实施方式中，所述各叠加编码向量包括，对应于任意的第一目标对象的第一叠加编码向量；所述基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，包括：
确定所述第一叠加编码向量在多头注意力机制中映射的第一查询向量，以及各叠加编码向量在所述多头注意力机制中分别映射的各键向量和各值向量；
根据所述第一查询向量和各键向量，得到各叠加编码向量与所述第一叠加编码向量关联的各权重；
基于所述各权重和各值向量，得到所述第一目标对象的隐特征向量。
在一种可能的实施方式中，所述利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出，包括：
根据各目标对象分别对应的隐特征向量，确定各隐特征向量分别对应的键向量和值向量；
根据上一步的解码输出，确定该解码输出对应的查询向量；
根据所述查询向量和各隐特征向量分别对应的键向量，得到各隐特征向量与所述查询向量关联的权重；
基于各权重和各隐特征向量的值向量，得到当前步的解码向量，并根据当前步的解码向量确定各目标对象的概率；
从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出。
在一种可能的实施方式中，所述方法还包括：
基于强化学习的方式对所述重排序模型进行训练。
进一步地，所述强化学习的奖励根据所述重排序模型输出序列的整体点击率确定；和/或，
所述强化学习的奖励根据评估器对所述重排序模型输出序列的评估分数确定。
第二方面，提供了一种向目标用户展示目标对象序列的装置，装置包括：
第一排序单元，用于确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
叠加编码单元，用于根据任一目标对象的属性特征和该目标对象在所述第一排序单元确定的初始排序中的位置，得到该目标对象的叠加编码向量；
第二排序单元，用于将所述叠加编码单元得到的各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；
展示单元，用于按照所述第二排序单元得到的重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，首先确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；然后根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量；接着将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；最后按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。由上可见，本说明书实施例中，在得到上述初始排序后，不是直接根据该初始排序的各目标对象的位置，向所述目标用户展示所述目标对象序列，而是在该初始排序的基础上，通过重排序模型对各目标对象进行重排序，由于重排序模型在编码时利用了多头注意力机制，从而能够对各目标对象之间的相互关系进行长距离和短距离的建模，并且解码时考虑之前已解码的目标对象，在当前位置上从当前的未选择的目标对象中选择最佳的目标对象，这样依次选择，能够更加显式的体现位置的作用，因此对各目标对象的排序更为合理，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的向目标用户展示目标对象序列的方法流程图；
图3示出根据一个实施例的重排序模型的结构示意图；
图4示出根据一个实施例的重排序系统结构示意图；
图5示出根据一个实施例的向目标用户展示目标对象序列的装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及向目标用户展示目标对象序列。可以理解的是，目标对象序列包括多个目标对象，这多个目标对象同时展示给目标用户，多个目标对象之间具有相对位置关系，可以根据目标对象的排序确定展示目标对象的位置。本说明书实施例中，先确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序，然后在该初始排序的基础上，对各目标对象进行重排序，由于重排序考虑了各目标对象之间的影响，因此对各目标对象的排序更为合理，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
一个典型的实施场景为商品推荐场景，目标对象为推荐的商品。现代推荐系统的商品物料库越来越庞大，为了实现工程和推荐效果的平衡，推荐流程一般会分为多个阶段，例如，包括召回、粗排、精排等阶段，整个过程如同漏斗式过滤，逐步精细化排序结果。召回阶段一般通过用户画像和商品标签进行匹配，找到一批用户可能感兴趣的商品集合；基于这一集合，粗排使用一个小规模的模型将商品集合进行排序，找到用户相对更感兴趣的商品，从而交给下一步精排模型。精排模型通过考虑商品丰富的多维度特征，用户的多维度静态特征以及用户各种行为序列，精细化地刻画用户对商品的喜好。精排模型的结果已经相对不错了，早期很多推荐系统的精排结果直接展示给用户。但精排模型一般只考虑了单个商品与用户的相关度，没有考虑多个商品一起展示对用户带来的影响。本说明书实施例，在得到各商品的初始排序后，可以通过推荐系统的重排阶段，得到各商品的重排序，在综合考虑用户对商品的价格、颜色、品类等属性的显性偏好以及用户对商品排序的隐形偏好的条件下，获得用户反馈的最大化，比如提升用户的点击、转化或者是推荐系统的平台收入等。
参照图1，目标对象序列包括9个目标对象，这9个目标对象按照与目标用户的相关度由高到低进行排序，得到的初始排序依次为x1、x2、x3、x4、x5、x6、x7、x8、x9，在该初始排序的基础上，对各目标对象进行重排序，重排序考虑了各目标对象之间的影响，得到的重排序依次为x5、x7、x2、x9、x1、x6、x3、x8、x4，经过实践检验，相对于按初始排序展示目标对象序列，按重排序展示目标对象序列通常能够获得更佳的用户反馈。
图2示出根据一个实施例的向目标用户展示目标对象序列的方法流程图，该方法可以基于图1所示的实施场景。如图2所示，该实施例中向目标用户展示目标对象序列的方法包括以下步骤：步骤21，确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；步骤22，根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量；步骤23，将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；步骤24，按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。下面描述以上各个步骤的具体执行方式。
首先在步骤21，确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序。可以理解的是，在确定初始排序时，针对各目标对象分别确定其与目标用户的相关度，未考虑各目标对象一起展示时对用户带来的影响。
本说明书实施例中，步骤21可以对应于前述对商品排序的精排阶段，具体的确定初始排序的方式可以有多种。
在一个示例中，所述确定待展示的目标对象序列中各目标对象的初始排序，包括：
根据所述目标用户对应的搜索关键字，从对象全集中召回匹配所述搜索关键字的对象子集；
将所述目标用户的用户画像特征和所述对象子集中任一对象的属性特征输入预先训练的神经网络模型，得到所述对象子集中的各对象与所述目标用户分别对应的相关度；
根据各相关度由高到低的顺序，从所述对象子集中选择预设数目个对象作为待展示的目标对象序列，并将各相关度由高到低的顺序确定为待展示的目标对象序列中各目标对象的初始排序。
进一步地，所述用户画像特征包括：
用户的基本描述信息和/或用户的历史行为特征信息。
进一步地，所述对象为商品；所述属性特征包括如下至少一种：
商品描述信息、价格、类目。
然后在步骤22，根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量。可以理解的是，该叠加编码向量包含了相应目标对象的位置信息。
在一个示例中，所述根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量，包括：
根据任一目标对象的属性特征，确定该目标对象的初始编码向量；
根据该目标对象在所述初始排序中的位置，得到该目标对象的初始位置向量；
叠加所述初始编码向量和所述初始位置向量，得到该目标对象的叠加编码向量。
进一步地，各位置分别具有预先确定的初始位置向量；所述初始位置向量通过如下方式确定：
根据各个位置的点击率，训练神经网络，利用训练后的所述神经网络确定各个位置的初始位置向量；或者，
根据所述各个位置中任一位置的位置排序和第一函数，确定该位置的初始位置向量；其中，所述位置排序越靠前，所述第一函数的值越大。
本说明书实施例中，利用神经网络或第一函数确定任一位置的初始位置向量，这是与排序场景密切相关的，在排序场景下，一般用户会倾向于点击位置排序靠前的目标对象，位置排序越靠前，用户看到该目标对象的概率越大，该位置的点击率越高。
接着在步骤23，将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序。可以理解的是，重排序模型可以直接输出各目标对象的重排序，而不是各目标对象的打分。
在一个示例中，所述各叠加编码向量包括，对应于任意的第一目标对象的第一叠加编码向量；所述基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，包括：
确定所述第一叠加编码向量在多头注意力机制中映射的第一查询向量，以及各叠加编码向量在所述多头注意力机制中分别映射的各键向量和各值向量；
根据所述第一查询向量和各键向量，得到各叠加编码向量与所述第一叠加编码向量关联的各权重；
基于所述各权重和各值向量，得到所述第一目标对象的隐特征向量。
在一个示例中，所述利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出，包括：
根据各目标对象分别对应的隐特征向量，确定各隐特征向量分别对应的键向量和值向量；
根据上一步的解码输出，确定该解码输出对应的查询向量；
根据所述查询向量和各隐特征向量分别对应的键向量，得到各隐特征向量与所述查询向量关联的权重；
基于各权重和各隐特征向量的值向量，得到当前步的解码向量，并根据当前步的解码向量确定各目标对象的概率；
从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出。
图3示出根据一个实施例的重排序模型的结构示意图，该重排序模型主要包括编码器和解码器。其中，x1、x2、x3、x4代表目标对象序列中各目标对象的初始排序，可以理解的是，该实施例中以目标对象序列包含4个目标对象为例进行说明，编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量；然后，解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序。可以理解的是，s为初始向量，在第一步解码时，将s作为上一步的解码输出，得到第一步的解码输出为x1；后续依次得到x4为第二步的解码输出，x2为第三步的解码输出，x3为第四步的解码输出。x1、x4、x2、x3就是目标对象序列中各目标对象的重排序。
本说明书实施例中，将业界领先的转换器Transformer框架进行了复用，针对各目标对象进行初始编码，然后加入位置的信息，将各目标对象的相互关系通过多头注意力机制进行建模和表达，映射到低维空间；然后再通过多头注意力机制进行逐步的解码，输出考虑了长距离和短距离关系的目标对象的组合。
其中，编码器通过多头注意力机制，将初始排序后的各目标对象进行编码，然后进入正则化和残差网络，添加原始的特征信息，再经过一个位置全连接前馈网络，进行进一步的刻画。多头注意力机制能很有效的利用本身结构的特点来对梯度消失和梯度爆炸问题进行控制，并且在计算的逻辑上是并行的，能大大提高计算效率，使得大规模应用到线上系统成为可能；比起单独的注意力机制，多头注意力机制能捕获序列中不同位置的重要程度，能带来更复杂的特征刻画。
解码器不仅采用了多头注意力机制，而且利用了指针网络的序列解码框架，它需要迭代N步，每一步根据当前的状态选出一个目标对象，最终得到N个目标对象的序列，在训练重排序模型的时候不需要指定输入目标对象序列包含的目标对象个数M和输出目标对象序列的包含的目标对象个数N，模型的参数可以和M和N无关，模型的训练和预估都可以随意按照需要指定M或N。具体在解码的时候，每一步都会从当前的未选择目标对象集合中选取概率最大的目标对象的索引。这种序列决策能综合考虑已经选择的目标对象和当前待选的关系，并且结合transformer同时考虑短期和长期的目标对象之间的相互影响，来选择最适合放置到当前位置的目标对象。计算时间也非常的高效，可以应用到高频请求的线上系统中。
在一个示例中，所述方法还包括：
基于强化学习的方式对所述重排序模型进行训练。
进一步地，所述强化学习的奖励根据所述重排序模型输出序列的整体点击率确定；和/或，
所述强化学习的奖励根据评估器对所述重排序模型输出序列的评估分数确定。
可以理解的是，重排序模型的网络框架设置好后，需要对重排序模型的参数进行求解和迭代，使得最终的模型效果最好。本说明书实施例中，由于各目标对象相互摆放的组合空间非常大，特别是当目标对象的数目增大时，组合空间的增长会爆发式的增加。训练样本只有这些目标对象的有限的排列的标签，对于解码出来的新的组合排序，没有对应的标签，不知道其表现的好坏。因此引入了强化学习的优化方法，通过设置长期的回报，即每一步解码都考虑了后续的总体收益。比起监督学习每一步解码时候只考虑短期回报的贪心思路，强化学习更注重长期回报的全局最优；同时通过类似束搜索(beam search)的方案，可以慢慢增加对新组合的探索。
最后在步骤24，按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。可以理解的是，上述位置具体为排序位置，当展示目标对象序列时，相应的展示位置可以具有预设的与排序位置的映射关系。
例如，参照图1所示的实施场景，可以将各展示位置从上到下、从左到右依次顺序编号，例如，编号为1至9，对于重排序后的各目标对象，可以根据重排序的顺序，将各目标对象依次对应到各编号的展示位置。
通过本说明书实施例提供的方法，首先确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；然后根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量；接着将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；最后按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。由上可见，本说明书实施例中，在得到上述初始排序后，不是直接根据该初始排序的各目标对象的位置，向所述目标用户展示所述目标对象序列，而是在该初始排序的基础上，通过重排序模型对各目标对象进行重排序，由于重排序模型在编码时利用了多头注意力机制，从而能够对各目标对象之间的相互关系进行长距离和短距离的建模，并且解码时考虑之前已解码的目标对象，在当前位置上从当前的未选择的目标对象中选择最佳的目标对象，这样依次选择，能够更加显式的体现位置的作用，因此对各目标对象的排序更为合理，能够通过对目标对象的合理排序，从而基于该排序向目标用户展示目标对象序列时，达到用户反馈的最大化。
图4示出根据一个实施例的重排序系统结构示意图。参照图4，该重排序系统包括对象存储维护模块41、用户画像模块42、召回模块43、对象特征抽取模块44、精排模块45和重排模块46，下面以目标对象为商品为例进行说明。
其中，对象存储维护模块41主要解决：将所有待推荐的商品进行数据处理，将它们进行信息化、归类、存储，供后续系统进行维护管理。在排序推荐场景，比如电商信息流广告场景。推荐的目标对象是商品，商品全集如何高效维护，方便的动态增删改是整个推荐系统稳定运行的底盘。在电商场景中，不同门类、不同品牌的商品的数量量级非常大，可以达到几十万甚至百万量级，并且每天还会新增。首先对待推荐的商品进行信息化处理、编号，提取描述信息、价格，然后存储在系统中供后续模块进行检索和匹配。当商品失效或者有新增时，对应的进行删除和添加，更新底层索引。
用户画像模块42主要解决：整理用户的信息画像描述，将用户的历史特征数据进行转换，实时特征进行处理后同步，探索其他有用的新特征。本说明书实施例不仅仅可以利用到用户的基本描述信息：居住城市、性别、年龄等，还可以基于用户在电子支付平台的历史行为，做进一步的挖掘，得到用户的活跃度、理财偏好、基本资产等理财信息；还可以结合其在电商平台的浏览、购买记录，来进行进一步的用户信息刻画。最后将这些特征进行离散化、分桶等处理后，形成模型使用的用户画像特征库，供后续的召回、精排后重排序模型进行学习拟合。
召回模块43，用于从海量的对象全集中，根据用户的显式搜索关键字或者隐式的潜在兴趣，来匹配满足用户需求的对象集合。召回模块也是一个基础模块，会对所有的对象全集建立索引，根据对象关键字，描述的文本来进行高效的检索。召回模块的输入是全量的对象集合以及用户的需求，返回的是对象全集中满足用户需求的对象集合。因为对象集合非常大，因此需要从海量的对象中尽可能的返回包含所有用户需求的对象，通常用查全率来衡量召回模块的好坏，在工业级应用场景中，还会兼顾线上的实时处理时间，当线上系统要求苛刻的时候，还需要通过降低查全率来缓解线上的处理时间。
对象特征抽取模块44，负责抽取具体对象的详细特征，包括对象描述信息、价格、类目等特征。用于精排和重排阶段的模型使用。在机器学习解决方案中，特征是模型训练的输入，如何维护特征工程是解决方案中很重要的部分。首先对对象的信息进行编码、抽取关键字，描述的文本信息、价格、类目等，然后进行清洗，标识(ID)化后进行存储；同时将对象的历史统计信息也进行统计，实时类特征进行天级别的任务调度，自动化更新。
精排模块45，负责根据推荐系统的主目标进行建模，比如点击率、兑换率。在当前业界的比较成熟的解决方案中，该模块基本上都应用机器学习类的算法来进行实现，以希望达到千人千面的良好效果。精排模块首先结合建模的主目标，比如点击率来选择建模的主要模型。然后结合对象的特征和用户画像的特征，将特征再次处理后送入模型的输入模块，再建立合适的损失函数，在训练样本上不断优化降低损失值，使得模型能很好的拟合训练数据。当训练收敛后，部署模型到线上，输入的是召回模块返回的匹配用户需求的对象集合，返回精排后更加相关的小规模的对象集合。
重排模块46主要解决：利用重排序模型找出精排阶段后所有待展现的目标对象的最佳摆放序列，使得整体的目标(例如，整体点击率或兑换率)最高。
根据另一方面的实施例，还提供一种向目标用户展示目标对象序列的装置，该装置用于执行本说明书实施例提供的向目标用户展示目标对象序列的方法。图5示出根据一个实施例的向目标用户展示目标对象序列的装置的示意性框图。如图5所示，该装置500包括：
第一排序单元51，用于确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
叠加编码单元52，用于根据任一目标对象的属性特征和该目标对象在所述第一排序单元51确定的初始排序中的位置，得到该目标对象的叠加编码向量；
第二排序单元53，用于将所述叠加编码单元52得到的各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；
展示单元54，用于按照所述第二排序单元53得到的重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。
可选地，作为一个实施例，所述第一排序单元51包括：
召回子单元，用于根据所述目标用户对应的搜索关键字，从对象全集中召回匹配所述搜索关键字的对象子集；
相关度确定子单元，用于将所述目标用户的用户画像特征和所述召回子单元得到的对象子集中任一对象的属性特征输入预先训练的神经网络模型，得到所述对象子集中的各对象与所述目标用户分别对应的相关度；
排序子单元，用于根据所述相关度确定子单元得到的各相关度由高到低的顺序，从所述对象子集中选择预设数目个对象作为待展示的目标对象序列，并将各相关度由高到低的顺序确定为待展示的目标对象序列中各目标对象的初始排序。
进一步地，所述用户画像特征包括：
用户的基本描述信息和/或用户的历史行为特征信息。
进一步地，所述对象为商品；所述属性特征包括如下至少一种：
商品描述信息、价格、类目。
可选地，作为一个实施例，所述叠加编码单元52包括：
初始编码子单元，用于根据任一目标对象的属性特征，确定该目标对象的初始编码向量；
位置编码子单元，用于根据该目标对象在所述初始排序中的位置，得到该目标对象的初始位置向量；
叠加编码子单元，用于叠加所述初始编码子单元得到的初始编码向量和所述位置编码子单元得到的初始位置向量，得到该目标对象的叠加编码向量。
进一步地，各位置分别具有预先确定的初始位置向量；所述初始位置向量通过如下方式确定：
根据各个位置的点击率，训练神经网络，利用训练后的所述神经网络确定各个位置的初始位置向量；或者，
根据所述各个位置中任一位置的位置排序和第一函数，确定该位置的初始位置向量；其中，所述位置排序越靠前，所述第一函数的值越大。
可选地，作为一个实施例，所述各叠加编码向量包括，对应于任意的第一目标对象的第一叠加编码向量；所述基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，包括：
确定所述第一叠加编码向量在多头注意力机制中映射的第一查询向量，以及各叠加编码向量在所述多头注意力机制中分别映射的各键向量和各值向量；
根据所述第一查询向量和各键向量，得到各叠加编码向量与所述第一叠加编码向量关联的各权重；
基于所述各权重和各值向量，得到所述第一目标对象的隐特征向量。
可选地，作为一个实施例，所述利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出，包括：
根据各目标对象分别对应的隐特征向量，确定各隐特征向量分别对应的键向量和值向量；
根据上一步的解码输出，确定该解码输出对应的查询向量；
根据所述查询向量和各隐特征向量分别对应的键向量，得到各隐特征向量与所述查询向量关联的权重；
基于各权重和各隐特征向量的值向量，得到当前步的解码向量，并根据当前步的解码向量确定各目标对象的概率；
从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出。
可选地，作为一个实施例，所述装置还包括：
训练单元，用于基于强化学习的方式对所述重排序模型进行训练。
进一步地，所述强化学习的奖励根据所述重排序模型输出序列的整体点击率确定；和/或，
所述强化学习的奖励根据评估器对所述重排序模型输出序列的评估分数确定。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (22)

1.一种向目标用户展示目标对象序列的方法，所述方法包括：
确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量；
将各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；
按照所述重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。
2.如权利要求1所述的方法，其中，所述确定待展示的目标对象序列中各目标对象的初始排序，包括：
根据所述目标用户对应的搜索关键字，从对象全集中召回匹配所述搜索关键字的对象子集；
将所述目标用户的用户画像特征和所述对象子集中任一对象的属性特征输入预先训练的神经网络模型，得到所述对象子集中的各对象与所述目标用户分别对应的相关度；
根据各相关度由高到低的顺序，从所述对象子集中选择预设数目个对象作为待展示的目标对象序列，并将各相关度由高到低的顺序确定为待展示的目标对象序列中各目标对象的初始排序。
3.如权利要求2所述的方法，其中，所述用户画像特征包括：
用户的基本描述信息和/或用户的历史行为特征信息。
4.如权利要求2所述的方法，其中，所述对象为商品；所述属性特征包括如下至少一种：
商品描述信息、价格、类目。
5.如权利要求1所述的方法，其中，所述根据任一目标对象的属性特征和该目标对象在所述初始排序中的位置，得到该目标对象的叠加编码向量，包括：
根据任一目标对象的属性特征，确定该目标对象的初始编码向量；
根据该目标对象在所述初始排序中的位置，得到该目标对象的初始位置向量；
叠加所述初始编码向量和所述初始位置向量，得到该目标对象的叠加编码向量。
6.如权利要求5所述的方法，其中，各位置分别具有预先确定的初始位置向量；所述初始位置向量通过如下方式确定：
根据各个位置的点击率，训练神经网络，利用训练后的所述神经网络确定各个位置的初始位置向量；或者，
根据所述各个位置中任一位置的位置排序和第一函数，确定该位置的初始位置向量；其中，所述位置排序越靠前，所述第一函数的值越大。
7.如权利要求1所述的方法，其中，所述各叠加编码向量包括，对应于任意的第一目标对象的第一叠加编码向量；所述基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，包括：
确定所述第一叠加编码向量在多头注意力机制中映射的第一查询向量，以及各叠加编码向量在所述多头注意力机制中分别映射的各键向量和各值向量；
根据所述第一查询向量和各键向量，得到各叠加编码向量与所述第一叠加编码向量关联的各权重；
基于所述各权重和各值向量，得到所述第一目标对象的隐特征向量。
8.如权利要求1所述的方法，其中，所述利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出，包括：
根据各目标对象分别对应的隐特征向量，确定各隐特征向量分别对应的键向量和值向量；
根据上一步的解码输出，确定该解码输出对应的查询向量；
根据所述查询向量和各隐特征向量分别对应的键向量，得到各隐特征向量与所述查询向量关联的权重；
基于各权重和各隐特征向量的值向量，得到当前步的解码向量，并根据当前步的解码向量确定各目标对象的概率；
从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出。
9.如权利要求1所述的方法，其中，所述方法还包括：
基于强化学习的方式对所述重排序模型进行训练。
10.如权利要求9所述的方法，其中，所述强化学习的奖励根据所述重排序模型输出序列的整体点击率确定；和/或，
所述强化学习的奖励根据评估器对所述重排序模型输出序列的评估分数确定。
11.一种向目标用户展示目标对象序列的装置，所述装置包括：
第一排序单元，用于确定待展示的目标对象序列中各目标对象的初始排序，所述初始排序按照各目标对象与所述目标用户的相关度由高到低进行排序；
叠加编码单元，用于根据任一目标对象的属性特征和该目标对象在所述第一排序单元确定的初始排序中的位置，得到该目标对象的叠加编码向量；
第二排序单元，用于将所述叠加编码单元得到的各叠加编码向量按照所述初始排序输入预先训练的重排序模型，所述重排序模型包括编码器和解码器，所述编码器基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，所述解码器根据各目标对象分别对应的隐特征向量和上一步的解码输出，利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出；将各步的解码输出的顺序作为各目标对象的重排序；
展示单元，用于按照所述第二排序单元得到的重排序的各目标对象的位置，向所述目标用户展示所述目标对象序列。
12.如权利要求11所述的装置，其中，所述第一排序单元包括：
召回子单元，用于根据所述目标用户对应的搜索关键字，从对象全集中召回匹配所述搜索关键字的对象子集；
相关度确定子单元，用于将所述目标用户的用户画像特征和所述召回子单元得到的对象子集中任一对象的属性特征输入预先训练的神经网络模型，得到所述对象子集中的各对象与所述目标用户分别对应的相关度；
排序子单元，用于根据所述相关度确定子单元得到的各相关度由高到低的顺序，从所述对象子集中选择预设数目个对象作为待展示的目标对象序列，并将各相关度由高到低的顺序确定为待展示的目标对象序列中各目标对象的初始排序。
13.如权利要求12所述的装置，其中，所述用户画像特征包括：
用户的基本描述信息和/或用户的历史行为特征信息。
14.如权利要求12所述的装置，其中，所述对象为商品；所述属性特征包括如下至少一种：
商品描述信息、价格、类目。
15.如权利要求11所述的装置，其中，所述叠加编码单元包括：
初始编码子单元，用于根据任一目标对象的属性特征，确定该目标对象的初始编码向量；
位置编码子单元，用于根据该目标对象在所述初始排序中的位置，得到该目标对象的初始位置向量；
叠加编码子单元，用于叠加所述初始编码子单元得到的初始编码向量和所述位置编码子单元得到的初始位置向量，得到该目标对象的叠加编码向量。
16.如权利要求15所述的装置，其中，各位置分别具有预先确定的初始位置向量；所述初始位置向量通过如下方式确定：
根据各个位置的点击率，训练神经网络，利用训练后的所述神经网络确定各个位置的初始位置向量；或者，
根据所述各个位置中任一位置的位置排序和第一函数，确定该位置的初始位置向量；其中，所述位置排序越靠前，所述第一函数的值越大。
17.如权利要求11所述的装置，其中，所述各叠加编码向量包括，对应于任意的第一目标对象的第一叠加编码向量；所述基于各叠加编码向量，利用多头注意力机制对各目标对象逐个进行编码，得到各目标对象分别对应的隐特征向量，包括：
确定所述第一叠加编码向量在多头注意力机制中映射的第一查询向量，以及各叠加编码向量在所述多头注意力机制中分别映射的各键向量和各值向量；
根据所述第一查询向量和各键向量，得到各叠加编码向量与所述第一叠加编码向量关联的各权重；
基于所述各权重和各值向量，得到所述第一目标对象的隐特征向量。
18.如权利要求11所述的装置，其中，所述利用多头注意力机制从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出，包括：
根据各目标对象分别对应的隐特征向量，确定各隐特征向量分别对应的键向量和值向量；
根据上一步的解码输出，确定该解码输出对应的查询向量；
根据所述查询向量和各隐特征向量分别对应的键向量，得到各隐特征向量与所述查询向量关联的权重；
基于各权重和各隐特征向量的值向量，得到当前步的解码向量，并根据当前步的解码向量确定各目标对象的概率；
从当前的未选择的目标对象中，选取概率最大的目标对象作为当前步的解码输出。
19.如权利要求11所述的装置，其中，所述装置还包括：
训练单元，用于基于强化学习的方式对所述重排序模型进行训练。
20.如权利要求19所述的装置，其中，所述强化学习的奖励根据所述重排序模型输出序列的整体点击率确定；和/或，
所述强化学习的奖励根据评估器对所述重排序模型输出序列的评估分数确定。
21.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-10中任一项的所述的方法。
22.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项的所述的方法。
CN202010898063.9A 2020-08-31 2020-08-31 向目标用户展示目标对象序列的方法和装置 Active CN111915414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898063.9A CN111915414B (zh) 2020-08-31 2020-08-31 向目标用户展示目标对象序列的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898063.9A CN111915414B (zh) 2020-08-31 2020-08-31 向目标用户展示目标对象序列的方法和装置

Publications (2)

Publication Number Publication Date
CN111915414A true CN111915414A (zh) 2020-11-10
CN111915414B CN111915414B (zh) 2022-06-07

Family

ID=73266413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898063.9A Active CN111915414B (zh) 2020-08-31 2020-08-31 向目标用户展示目标对象序列的方法和装置

Country Status (1)

Country Link
CN (1) CN111915414B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115188A (zh) * 2020-11-20 2020-12-22 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
CN117201874A (zh) * 2023-11-08 2023-12-08 北京远鉴信息技术有限公司 一种人脸图像替换方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201137646A (en) * 2010-04-28 2011-11-01 Alibaba Group Holding Ltd Method and device for backflow of data
US20120317109A1 (en) * 2011-06-13 2012-12-13 Michael Judd Richter Client-Side Modification of Search Results Based on Social Network Data
CN109189904A (zh) * 2018-08-10 2019-01-11 上海中彦信息科技股份有限公司 个性化搜索方法及系统
CN110555743A (zh) * 2018-05-31 2019-12-10 阿里巴巴集团控股有限公司 商品对象推荐方法、装置及电子设备
CN111028040A (zh) * 2019-06-17 2020-04-17 拉扎斯网络科技（上海）有限公司 一种对象排序的方法、装置、可读存储介质和电子设备
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111159242A (zh) * 2019-12-27 2020-05-15 杭州趣维科技有限公司 一种基于边缘计算的客户端重排序方法及系统
CN111368210A (zh) * 2020-05-27 2020-07-03 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置以及电子设备
CN111429234A (zh) * 2020-04-16 2020-07-17 电子科技大学中山学院 一种基于深度学习的商品序列推荐方法
CN111475730A (zh) * 2020-04-09 2020-07-31 腾讯科技（北京）有限公司 基于人工智能的信息推荐方法、装置、电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201137646A (en) * 2010-04-28 2011-11-01 Alibaba Group Holding Ltd Method and device for backflow of data
US20120317109A1 (en) * 2011-06-13 2012-12-13 Michael Judd Richter Client-Side Modification of Search Results Based on Social Network Data
CN110555743A (zh) * 2018-05-31 2019-12-10 阿里巴巴集团控股有限公司 商品对象推荐方法、装置及电子设备
CN109189904A (zh) * 2018-08-10 2019-01-11 上海中彦信息科技股份有限公司 个性化搜索方法及系统
CN111028040A (zh) * 2019-06-17 2020-04-17 拉扎斯网络科技（上海）有限公司 一种对象排序的方法、装置、可读存储介质和电子设备
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111159242A (zh) * 2019-12-27 2020-05-15 杭州趣维科技有限公司 一种基于边缘计算的客户端重排序方法及系统
CN111475730A (zh) * 2020-04-09 2020-07-31 腾讯科技（北京）有限公司 基于人工智能的信息推荐方法、装置、电子设备
CN111429234A (zh) * 2020-04-16 2020-07-17 电子科技大学中山学院 一种基于深度学习的商品序列推荐方法
CN111368210A (zh) * 2020-05-27 2020-07-03 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置以及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张东等: "一种提高推荐多样性的概率选择模型", 《计算机科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115188A (zh) * 2020-11-20 2020-12-22 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
CN117201874A (zh) * 2023-11-08 2023-12-08 北京远鉴信息技术有限公司 一种人脸图像替换方法、装置、电子设备及存储介质
CN117201874B (zh) * 2023-11-08 2024-01-23 北京远鉴信息技术有限公司 一种人脸图像替换方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111915414B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
US20210271975A1 (en) User tag generation method and apparatus, storage medium, and computer device
US11216496B2 (en) Visual interactive search
CN110941740B (zh) 视频推荐方法及计算机可读存储介质
CN111241311A (zh) 媒体信息推荐方法、装置、电子设备及存储介质
US10606883B2 (en) Selection of initial document collection for visual interactive search
US11151608B1 (en) Item recommendations through conceptual relatedness
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
CN111651692A (zh) 基于人工智能的信息推荐方法、装置及电子设备
CN101273348A (zh) 结构化数据的导航
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN111915414B (zh) 向目标用户展示目标对象序列的方法和装置
CN114663197A (zh) 商品推荐方法及其装置、设备、介质、产品
CN111428007B (zh) 基于跨平台的同步推送反馈方法
CN110598084A (zh) 对象排序方法、商品排序方法、装置及电子设备
CN112015788A (zh) 向目标用户展示目标对象序列的方法和装置
CN113627995A (zh) 商品推荐列表更新方法及其装置、设备、介质、产品
CN112115188B (zh) 向目标用户展示目标对象序列的方法和装置
CN111340605B (zh) 训练用户行为预测模型、用户行为预测的方法和装置
CN113032676A (zh) 基于微反馈的推荐方法和系统
JP6433270B2 (ja) コンテンツ検索結果提供システム及びコンテンツ検索結果提供方法
CN111445302A (zh) 商品排序方法、系统及装置
CN115048579A (zh) 物料搜索的方法、装置及设备
CN112231546B (zh) 异构文档的排序方法、异构文档排序模型训练方法及装置
US11410220B2 (en) Exploration for interactive recommendation system, method, and computer program product
CN113486248A (zh) 一种应用程序中功能模块的推荐方法及装置

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
GR01 Patent grant
GR01 Patent grant