CN112100362B - 文档格式推荐模型训练方法、装置以及电子设备 - Google Patents
文档格式推荐模型训练方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN112100362B CN112100362B CN202010953457.XA CN202010953457A CN112100362B CN 112100362 B CN112100362 B CN 112100362B CN 202010953457 A CN202010953457 A CN 202010953457A CN 112100362 B CN112100362 B CN 112100362B
- Authority
- CN
- China
- Prior art keywords
- document
- format
- network model
- information
- recommendation sequence
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本申请公开了文档格式推荐模型训练方法、装置以及电子设备,涉及深度学习技术领域。具体实现方案为:获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。可通过目标网络模型为用户提供文档的文档格式的推荐顺序,便于用户方便快捷的获得所需要的文档格式的文档,提高所需文档格式的文档的获取效率。
Description
技术领域
本申请涉及人工智能技术领域中的深度学习技术,尤其涉及一种文档格式推荐模型训练方法、装置以及电子设备。
背景技术
目前,用户常常需要在网络上下载文档资料,网络上提供的文档资料的格式可能不是用户所需要的格式,用户需要将文档下载到本地后,再运用文档格式转化工具进行格式转换,最终获取符合自身需求的文档格式类型。
发明内容
本公开提供了一种文档格式推荐模型训练方法、装置以及电子设备。
根据本公开的第一方面,提供了一种文档格式推荐模型训练方法,包括:
获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;
利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。
根据本公开的第二方面,提供了一种文档格式推荐模型训练装置,包括:
第一获取模块,用于获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;
训练模块,用于利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面任一项所述的方法。
本申请的技术解决了用户不能下载到所需要的文档格式的文档,需要手动进行文档格式转换的问题。通过获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。可通过目标网络模型为用户提供文档的文档格式的推荐顺序,便于用户方便快捷的获得所需要的文档格式的文档,提高所需文档格式的文档的获取效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的文档格式推荐模型训练方法的流程图;
图2是本申请实施例提供的文档格式推荐模型训练方法的另一流程图;
图3是本申请实施例提供的文档格式推荐模型训练装置的结构图;
图4是用来实现本申请实施例的文档格式推荐模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
参见图1,图1是本申请实施例提供的文档格式推荐模型训练方法的流程图,如图1所示,本实施例提供一种文档格式推荐模型训练方法,应用于电子设备,包括以下步骤:
步骤101、获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息。
第一文档可从供用户下载的文档数据库中获取,第一文档可包括多个文档,训练样本可理解为文档数据库中多个文档的整体统计数据。
其中,文档分类可包括试卷类文档、汇报类文档、数据类文档、图纸类文档等。在确定第一文档的文档格式时,可根据第一文档的标题及摘要内容,通过语义分析工具来确定第一文档所属的文档分类,第一文档包括多个文档时,分别确定每个文档的文档分类,第一文档的文档分类即第一文档包括的各个文档的文档分类。
文档格式可包括doc、docx、ppt、pptx、pps、pot、xls、xlsx、pdf、txt、vsd、epub、rtf、wps、et、dps和dwg等格式。历史下载信息是指根据用户对第一文档的历史下载情况确定的信息,例如,对第一文档的各文档格式的下载次数,第一文档的各文档格式被转换的次数等等。
步骤102、利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。
基础网络模型可为神经网络模型。利用训练样本对基础网络模型进行训练,获得目标网络模型,目标网络模型可用于对文档的文档格式的推荐顺序进行预测。例如,若目标文档的文档格式有doc、docx、ppt三种,利用目标网络模型对目标文档的文档格式的推荐顺序进行预测,获得的排序依次为ppt、doc、docx,则目标文档的ppt格式为优先推荐的文档格式。用户可直接通过点击推荐的文档格式对目标文档进行下载,获得对应的文档格式的目标文档,用户下载的文档格式即为其所需要的文档格式,避免下载的文档格式与用户的需求不一致,需要用户手动转换格式类型的问题。
电子设备可以为手机、平板电脑、膝上型电脑、个人数字助理、移动上网装置或可穿戴式设备等。
本实施例中,获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。可通过目标网络模型为用户提供文档的文档格式的推荐顺序,便于用户方便快捷的获得所需要的文档格式的文档,提高所需文档格式的文档的获取效率。
在本申请一个实施例中,所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。
具体的,时间区间可为一周,一个月等等,或者时间区间为包括特定时间节点的时间区间,例如特定时间节点可为中考月、高考月、期末考月或者节假日等,具体可根据实际情况进行设置,在此不做限定。
统计在时间区间内,第一文档支持的各文档格式对应的下载次数,例如,时间区间为一周,第一文档包括文档A和文档B,文档A对应的文档格式包括ppt、doc,文档B对应的文档格式包括docx、ppt,则统计出一周内,文档格式为ppt的文档A的下载次数为5次,文档格式为doc的文档A的下载次数为3次,文档格式为ppt的文档B的下载次数为6次,文档格式为docx的文档B的下载次数为3次,则在所述时间区间内所述第一文档支持的各文档格式对应的下载次数分别为:文档格式为ppt的文档的下载次数为11次,文档格式为doc的文档的下载次数为3次,文档格式为docx的文档的下载次数为3次,上述中,文档A和文档B可属于同一文档分类,也可以不属于同一文档分类,即不考虑文档A和文档B所属的文档分类。
进一步的,可针对第一文档中属于同一文档分类的文档进行统计,统计这些文档的各文档格式的下载次数,本实施例中,考虑第一文档中各文档的分类。即统计在时间区间内,第一文档中属于同一文档分类的文档支持的各文档格式对应的下载次数,本实施例中,上述举例中的文档A和文档B属于同一文档分类。
统计在所述时间区间内所述第一文档中各文档的转换文档格式以及所述转换文档格式的次数;所述转换文档格式为对文档进行转换后,获得的文档格式。
例如,时间区间为一周,第一文档包括文档C和文档D,文档C对应的文档格式包括ppt、doc,检测到一周内用户曾经使用在线转换工具将文档的文档格式doc转换成pdf,转换的次数为5次;文档D对应的文档格式包括docx、ppt,检测到一周内用户曾经使用在线转换工具将文档的文档格式docx转换成pdf,转换的次数为3次,则在所述时间区间内所述第一文档中各文档的转换文档格式以及转换文档格式的次数分别为:pdf,8次。
上述中,文档C和文档D可属于同一文档分类,也可以不属于同一文档分类,即不考虑文档C和文档D所属的文档分类。
进一步的,可针对第一文档中属于同一文档分类的文档进行统计,统计这些文档的转换文档格式以及转换文档格式的次数,本实施例中,考虑第一文档中各文档的分类。即统计在时间区间内,第一文档中属于同一文档分类的文档的转换文档格式以及转换文档格式的次数,本实施例中,上述举例中的文档C和文档D属于同一文档分类。
如果第一文档包括的文档曾被转换为其他文档格式,说明用户对该类文档格式存在需求,文档被转换为其他格式的累计次数越多,则说明用户对该类文档格式的应用需求越强。
本实施例中,所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。通过对第一文档的历史下载信息进行统计,并将统计结果参与到基础模型的训练中,可提高目标模型的预测准确率,使得目标模型的预测结果更加符合用户的实际需求。
在本申请一个实施例中,在所述利用所述训练样本对基础网络模型进行训练,获取目标网络模型之后,还包括:
获取第二文档;
利用所述目标网络模型对所述第二文档进行预测,获得所述第二文档的文档格式的初始推荐顺序;
利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新。
第二文档可为数据库中的文档,第二文档可为数据库中的新增文档,或者未参与基础网络模型训练训练的文档,或者参与基础网络模型训练的文档。在获取到第二文档后,获取第二文档的特征信息,第二文档的特征信息即第二文档的文档分类,所述第二文档支持的多个文档格式以及所述第二文档的历史下载信息。然后将第二文档的特性信息输入至目标网络模型中,利用目标网络模型对第二文档进行预测,获得第二文档的文档格式的初始推荐顺序。
第二文档的特性信息的获取过程也可以由目标网络模型来做,此种情况下,在对基础网络模型进行训练时,第一文档的特性信息的获取过程也由基础网络模型来做。
获取初始推荐顺序后,可按照初始推荐顺序为用户提供第二文档的各文档格式,例如,若第二文档的文档格式包括doc、docx、ppt,初始推荐顺序分别为ppt、doc、docx。根据初始推荐顺序,为用户依次提供ppt格式的第二文档、doc格式的第二文档、docx格式的第二文档。用户可通过点击对应的文档格式进行下载,例如,点击ppt格式的第二文档,下载ppt格式的第二文档;点击doc格式的第二文档,下载doc格式的第二文档等。
利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新,即,获取第二文档的文档分类,所述第二文档支持的多个文档格式以及所述第二文档的历史下载信息对目标网络模型进行训练,以更新目标网络模型的参数,其中,第二文档的历史下载信息包括用户基于所述第二文档的所述初始推荐顺序的第一下载信息。
第一下载信息可为在按照初始推荐顺序进行推荐的情况下,用户对第二文档的各个文档格式进行下载的信息,例如,用户下载ppt格式的第二文档的次数、用户下载doc格式的第二文档的次数、用户下载docx格式的第二文档的次数等。
本实施例中,利用目标网络模型对第二文档进行预测,获得第二文档的初始推荐顺序,并利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新,以不断优化目标网络模型的参数,提高目标网络模型的预测准确率。
在本申请一个实施例中,所述利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新,包括:
对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;
获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;
根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序;
每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新。
在对初始推荐顺序中文档格式的推荐顺序进行调整时,可对排在首位的文档格式进行调整,例如,若第二文档的文档格式包括doc、docx、ppt,初始推荐顺序分别为ppt、doc、docx,初始推荐顺序中,排在首位的文档格式为ppt,调整后,将doc排在首位,或者,将docx排在首位。
在本实施例中,新的推荐顺序可以包括一个顺序,也可以包括多个顺序,例如,新的推荐顺序为doc、ppt、docx,或者,新的推荐顺序包括两个顺序,第一个顺序为doc、ppt、docx,第二个顺序为docx、ppt、doc。
按照初始推荐顺序将第二文档的文档格式提供给用户下载,获得初始推荐顺序对应的第一下载信息。第一下载信息可为在按照初始推荐顺序进行推荐的情况下,用户对第二文档的各个文档格式进行下载的信息,例如,在按照初始推荐顺序ppt、doc、docx的顺序进行推荐的情况下,用户下载ppt格式的第二文档的次数为5次、用户下载doc格式的第二文档的次数为3次、用户下载docx格式的第二文档的次数为2次。
按照新的推荐顺序将第二文档的文档格式提供给用户下载,获得新的推荐顺序对应的第二下载信息。第二下载信息可为在按照新的推荐顺序进行推荐的情况下,用户对第二文档的各个文档格式进行下载的信息,例如,在按照新的推荐顺序doc、ppt、docx的顺序进行推荐的情况下,用户下载ppt格式的第二文档的次数为5次、用户下载doc格式的第二文档的次数为4次、用户下载docx格式的第二文档的次数为2次。
进一步的,上述根据第一下载信息和第二下载信息,获得所述第二文档的文档格式的优选推荐顺序,包括:
获取针对所述初始推荐顺序,M个第一用户对所述第二文档的各个文档格式的第一下载信息,M为正整数;
获取针对所述新的推荐顺序,M个第二用户对所述第二文档的各个文档格式的第二下载信息;
根据所述第一下载信息和所述第二下载信息,对所述第二文档的文档格式的推荐顺序进行调整,获得所述第二文档的优选推荐顺序。
在本实施例中,针对第二文档的不同推荐顺序,统计相同个数的用户的下载信息。M个第一用户和M个第二用户为不同的用户,或者,M个第一用户为第一时间区间里对第二文档进行下载的用户,M个第二用户为第二时间区间里对第二文档进行下载的用户,第一时间区间与第二时间区间为不同的时间区间。通过比较不同组的用户对第二文档的下载情况,重新确定第二文档的文档格式的推荐顺序,可提高推荐准确性,使得推荐顺序更加符合用户实际需求。
基于第一下载信息和第二下载信息,对第二文档的各文档格式的下载次数进行统计,按照下载次数从高到底,对第二文档的各文档格式的先后顺序进行调整。上述举例中,根据第一下载信息和第二下载信息,统计用户下载ppt格式的第二文档的次数为10次,下载doc格式的第二文档的次数为7次、用户下载docx格式的第二文档的次数为4次,基于该统计结果,对第二文档的各文档格式的先后顺序进行调整,获得的优选推荐顺序为ppt、doc、docx。最终按照优选推荐顺序将第二文档推荐给用户。
进一步的,可根据实际下载情况,定期对目标网络模型进行更新,即每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新,预设时间可为一周或者一个月,可根据实际情况进行设置,在此不做限定。
本实施例中,对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序,每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新,以不断优化目标网络模型的参数,提高目标网络模型的预测准确率。
如图2所示,以下对上述过程进行举例说明。
基于数据库内用户对文档的下载数据及格式转化行为数据,建立文档最优格式推荐模型(即目标网络模型),并通过A/B test进行测试,最终为用户推荐最优的文档格式类型,然后通过定期提取用户下载的行为特征数据及文档信息数据,获取最优的文档格式,并进行最优格式推荐模型的更新。
首先,确定文档格式推荐参数F(X)=f(T,F,D,E,M)。
文档最优格式推荐模型主要包含以下几个因素:
文档分类T:根据文档的标题及摘要内容,通过语义分析工具将存量文档(即第一文档)划分为固定的多种文档分类,例如,试卷类文档、汇报类文档、数据类文档、图纸类文档等;
文档格式F:可包括多种文档格式,例如doc、docx、ppt、pptx、pps、pot、xls、xlsx、pdf、txt、vsd、epub、rtf、wps、et、dps和dwg等。通过对存量文档进行分析可知,用户具有多种文档格式的文档下载需求,针对内容不同的文档,有不同的文档格式需求。
不同文档格式的下载次数D:通过历史数据,可获取同一个分类文档下,不同文档格式的下载次数。同一分类的文档,用户下载某一文档格式的次数越多,则说明用户对这类文档格式的需求越大。
文档格式被转换次数E:如果一篇文档曾被转换为其他文档格式,说明用户对该类文档存在其他文档格式的需求。该文档被转换为其他文档格式的累计次数越多,则说明用户对该类文档格式的应用需求越强。
时间参数M:保证输出结果具有时效性,将时间参数融入推荐模型。例如取同类文档的各文档格式下载次数时,仅参考最近1个月时间内的数据;或在重要时间节点附近取值,如国庆祝词模版等文档,取近年国庆节前后2周的历史下载数据。
最优格式推荐模型的最终输出的结果为文档格式的排序。
在定义好上述5个参数后,获取5个参数的实际值,并对推荐模型进行训练,确定模型参数。
对于数据库中的文档,例如存量文档及新增文档,通过推荐模型预估适合该文档的多种文档格式,并提供初始的文档格式排序。
对上一步中获取的初始的文档格式排序,进行A/B测试。在用户下载的场景下,展示该文档可支持的文档格式,分别将不同的文档格式推荐至下载首位,统计用户的文档下载次数。例如,一篇数学试卷文档,在下载入口,分别推荐“doc”、“pdf”、“xls”三种不同的文档格式至默认下载首位,分别抽取同质用户,比较不同组的用户对文档的下载情况。同质用户指的是针对同篇文档的下载用户,按照流量切分为相同流量区间的不同组,即抽取多组相同数量的用户数,并分别统计这多组用户分别在默认下载首位为“doc”、“pdf”、“xls”三种不同的文档格式下的下载情况。
根据上述下载情况,获取每篇文档下载量最大的文档格式,作为最优的文档格式,展现在下载入口,提供给用户优先下载。
最后定期对推荐模型进行更新。例如,每周运行一次,对最优文档格式进行自动化调整。
参见图3,图3是本申请实施例提供的文档格式推荐模型训练装置的结构图,如图3所示,本实施例提供一种文档格式推荐模型训练装置300,包括:
第一获取模块301,用于获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;
训练模块302,用于利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。
在本申请一个实施例中,所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。
在本申请一个实施例中,文档格式推荐模型训练装置300还包括:
第二获取模块,用于获取第二文档;
预测模块,用于利用所述目标网络模型对所述第二文档进行预测,获得所述第二文档的文档格式的初始推荐顺序;
更新模块,用于利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新。
在本申请一个实施例中,所述更新模块,包括:
调整子模块,用于对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;
第一获取子模块,用于获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;
第二获取子模块,用于根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序;
更新子模块,用于每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新。
在本申请一个实施例中,所述第二获取子模块,包括:
第一获取单元,用于获取针对所述初始推荐顺序,M个第一用户对所述第二文档的各个文档格式的第一下载信息,M为正整数;
第二获取单元,用于获取针对所述新的推荐顺序,M个第二用户对所述第二文档的各个文档格式的第二下载信息;
调整单元,用于根据所述第一下载信息和所述第二下载信息,对所述第二文档的文档格式的推荐顺序进行调整,获得所述第二文档的优选推荐顺序。
文档格式推荐模型训练装置300能够实现图1所示的方法实施例中电子设备实现的各个过程,为避免重复,这里不再赘述。
本申请实施例的文档格式推荐模型训练装置300,获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。可通过目标网络模型为用户提供文档的文档格式的推荐顺序,便于用户方便快捷的获得所需要的文档格式的文档,提高所需文档格式的文档的获取效率。
根据本申请的实施例,本申请还提供了一种电子设备,一种计算机程序产品和一种可读存储介质。
如图4所示,是根据本申请实施例的文档格式推荐模型训练的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的文档格式推荐模型训练的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的文档格式推荐模型训练的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的文档格式推荐模型训练的方法对应的程序指令/模块(例如,附图3所示的第一获取模块301和训练模块302)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的文档格式推荐模型训练的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据文档格式推荐模型训练的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至文档格式推荐模型训练的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
文档格式推荐模型训练的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与文档格式推荐模型训练的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测。可通过目标网络模型为用户提供文档的文档格式的推荐顺序,便于用户方便快捷的获得所需要的文档格式的文档,提高所需文档格式的文档的获取效率。
所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。通过对第一文档的历史下载信息进行统计,并将统计结果参与到基础模型的训练中,可提高目标模型的预测准确率,使得目标模型的预测结果更加符合用户的实际需求。
利用目标网络模型对第二文档进行预测,获得第二文档的初始推荐顺序,并利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新,以不断优化目标网络模型的参数,提高目标网络模型的预测准确率。
通过比较不同组的用户对第二文档的下载情况,重新确定第二文档的文档格式的推荐顺序,可提高推荐准确性,使得推荐顺序更加符合用户实际需求。
对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序,每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新,以不断优化目标网络模型的参数,提高目标网络模型的预测准确率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种文档格式推荐模型训练方法,包括:
获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;
利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测;
其中,所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;
所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。
2.根据权利要求1所述的方法,其中,在所述利用所述训练样本对基础网络模型进行训练,获取目标网络模型之后,还包括:
获取第二文档;
利用所述目标网络模型对所述第二文档进行预测,获得所述第二文档的文档格式的初始推荐顺序;
利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新。
3.根据权利要求2所述的方法,其中,所述利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新,包括:
对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;
获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;
根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序;
每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新。
4.根据权利要求3所述的方法,其中,所述根据第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序,包括:
获取针对所述初始推荐顺序,M个第一用户对所述第二文档的各个文档格式的第一下载信息,M为正整数;
获取针对所述新的推荐顺序,M个第二用户对所述第二文档的各个文档格式的第二下载信息;
根据所述第一下载信息和所述第二下载信息,对所述第二文档的文档格式的推荐顺序进行调整,获得所述第二文档的优选推荐顺序。
5.一种文档格式推荐模型训练装置,包括:
第一获取模块,用于获取训练样本,所述训练样本包括第一文档的文档分类,所述第一文档支持的多个文档格式以及所述第一文档的历史下载信息;
训练模块,用于利用所述训练样本对基础网络模型进行训练,获取目标网络模型,所述目标网络模型用于对文档的文档格式的推荐顺序进行预测;其中,所述第一文档的历史下载信息包括所述历史下载信息的时间区间,在所述时间区间内所述第一文档支持的各文档格式对应的下载次数,在所述时间区间内所述第一文档的转换文档格式以及所述转换文档格式的次数;
所述转换文档格式为对所述第一文档进行转换后,获得的文档格式。
6.根据权利要求5所述的装置,其中,还包括:
第二获取模块,用于获取第二文档;
预测模块,用于利用所述目标网络模型对所述第二文档进行预测,获得所述第二文档的文档格式的初始推荐顺序;
更新模块,用于利用用户基于所述第二文档的所述初始推荐顺序的第一下载信息,对所述目标网络模型进行更新。
7.根据权利要求6所述的装置,其中,所述更新模块,包括:
调整子模块,用于对所述初始推荐顺序中文档格式的推荐顺序进行调整,获得所述第二文档的文档格式的新的推荐顺序;
第一获取子模块,用于获取用户基于所述初始推荐顺序的第一下载信息和所述新的推荐顺序的第二下载信息;
第二获取子模块,用于根据所述第一下载信息和所述第二下载信息,获得所述第二文档的文档格式的优选推荐顺序;
更新子模块,用于每隔预设时间,利用所述第一下载信息、所述第二下载信息和用户基于所述第二文档的所述优选推荐顺序的第三下载信息,对所述目标网络模型进行更新。
8.根据权利要求7所述的装置,其中,所述第二获取子模块,包括:
第一获取单元,用于获取针对所述初始推荐顺序,M个第一用户对所述第二文档的各个文档格式的第一下载信息,M为正整数;
第二获取单元,用于获取针对所述新的推荐顺序,M个第二用户对所述第二文档的各个文档格式的第二下载信息;
调整单元,用于根据所述第一下载信息和所述第二下载信息,对所述第二文档的文档格式的推荐顺序进行调整,获得所述第二文档的优选推荐顺序。
9. 一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010953457.XA CN112100362B (zh) | 2020-09-11 | 2020-09-11 | 文档格式推荐模型训练方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010953457.XA CN112100362B (zh) | 2020-09-11 | 2020-09-11 | 文档格式推荐模型训练方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100362A CN112100362A (zh) | 2020-12-18 |
CN112100362B true CN112100362B (zh) | 2023-07-28 |
Family
ID=73751433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010953457.XA Active CN112100362B (zh) | 2020-09-11 | 2020-09-11 | 文档格式推荐模型训练方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100362B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560402A (zh) * | 2020-12-28 | 2021-03-26 | 北京百度网讯科技有限公司 | 一种模型训练方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05314101A (ja) * | 1992-04-28 | 1993-11-26 | Sony Corp | 文書作成装置 |
CN102663073A (zh) * | 2012-03-31 | 2012-09-12 | 奇智软件(北京)有限公司 | 基于被下载文件进行推荐的方法及系统 |
CN108062342A (zh) * | 2016-11-08 | 2018-05-22 | 北京国双科技有限公司 | 应用程序的推荐方法及装置 |
CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技(深圳)有限公司 | 数据推荐方法、装置及存储介质 |
CN109543132A (zh) * | 2018-11-22 | 2019-03-29 | 深圳墨世科技有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
CN110968772A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 一种信息推送方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9481134B2 (en) * | 2012-06-08 | 2016-11-01 | Makerbot Industries, Llc | Build platform leveling with tactile feedback |
-
2020
- 2020-09-11 CN CN202010953457.XA patent/CN112100362B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05314101A (ja) * | 1992-04-28 | 1993-11-26 | Sony Corp | 文書作成装置 |
CN102663073A (zh) * | 2012-03-31 | 2012-09-12 | 奇智软件(北京)有限公司 | 基于被下载文件进行推荐的方法及系统 |
CN108062342A (zh) * | 2016-11-08 | 2018-05-22 | 北京国双科技有限公司 | 应用程序的推荐方法及装置 |
CN108989397A (zh) * | 2018-06-26 | 2018-12-11 | 腾讯音乐娱乐科技(深圳)有限公司 | 数据推荐方法、装置及存储介质 |
CN110968772A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 一种信息推送方法及系统 |
CN109543132A (zh) * | 2018-11-22 | 2019-03-29 | 深圳墨世科技有限公司 | 内容推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于Java的在线阅览系统设计;侍荣星;何盛国;赵佳山;;硅谷(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100362A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3819791A2 (en) | Information search method and apparatus, device and storage medium | |
CN112650907B (zh) | 搜索词的推荐方法、目标模型的训练方法、装置及设备 | |
KR20210040316A (ko) | 사용자 상호작용 정보 처리모델 생성방법, 사용자 상호작용 정보 처리방법 및 프로그램 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN111506803B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN110717340B (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN111666280B (zh) | 评论的排序方法、装置、设备和计算机存储介质 | |
CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
CN112818111B (zh) | 文档推荐方法、装置、电子设备和介质 | |
CN111199802A (zh) | 一种电子病历数据挖掘方法、装置、设备和介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN112100362B (zh) | 文档格式推荐模型训练方法、装置以及电子设备 | |
US20210209143A1 (en) | Document type recommendation method and apparatus, electronic device and readable storage medium | |
CN111611364B (zh) | 一种智能应答方法、装置、设备及存储介质 | |
CN111026916B (zh) | 文本描述的转换方法、装置、电子设备及存储介质 | |
CN111177479B (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
CN111460257B (zh) | 专题生成方法、装置、电子设备和存储介质 | |
CN112598136B (zh) | 数据的校准方法和装置 | |
CN106557178B (zh) | 用于更新输入法词条的方法及装置 | |
CN111680508B (zh) | 文本的处理方法和装置 | |
CN111767444B (zh) | 页面特征构建方法、装置、设备和存储介质 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 |
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 |