CN113344201A - 一种模型训练的方法及装置 - Google Patents
一种模型训练的方法及装置 Download PDFInfo
- Publication number
- CN113344201A CN113344201A CN202110690782.6A CN202110690782A CN113344201A CN 113344201 A CN113344201 A CN 113344201A CN 202110690782 A CN202110690782 A CN 202110690782A CN 113344201 A CN113344201 A CN 113344201A
- Authority
- CN
- China
- Prior art keywords
- service
- search
- search result
- feature vector
- statement
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种模型训练的方法及装置,可以获取训练样本,该训练样本中包含搜索语句,相应的搜索结果、该搜索语句对应的第一标注信息以及该搜索结果对应的第二标注信息。而后,将该搜索结果以及该搜索语句输入到待训练的业务模型中,得到该搜索结果在各业务下的排序评分,以及该搜索语句与各业务之间的匹配度,针对每个业务,根据该搜索语句与该业务之间匹配度,补偿该搜索结果在该业务下的排序评分,得到该搜索结果在该业务下的补偿后排序评分,根据该搜索结果在各业务下的补偿后排序评分、该搜索语句与各业务之间的匹配度、第一标注信息以及第二标注信息,训练业务模型,在降低成本的同时提高了排序的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练的方法及装置。
背景技术
随着信息技术的不断发展,一个业务平台可以为用户提供各种各样的业务,而为了便于用户快速找到所需执行的业务,业务平台可以为用户提供搜索的功能,用户输入一定的搜索语句,业务平台可以为用户查询到相应的结果展示给用户。
在实际应用中,业务平台可以提供给用户一个统一的搜索入口,用户可以通过该搜索入口搜索到业务平台中任意一项业务中的搜索结果,例如,在业务平台中,存在订酒店、预约餐厅、点外卖等业务,用户可以在统一搜索入口中搜索某个酒店、某个餐厅等。
在现有技术中,业务平台可以针对每种业务构建一种排序模型,该排序模型负责对在这一业务中与用户的搜索语句相关的搜索结果进行排序,但是这种方式业务平台需要维护多个模型,成本较高。
所以,如何在保证对搜索结果排序的准确性的条件下降低维护排序模型的成本,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法,包括:
获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果;
将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度;
针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分;
根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
可选地,所述业务模型中包含排序模型以及业务匹配模型;
将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度,具体包括:
将所述搜索结果输入到所述排序模型中,得到所述搜索结果在各业务下的排序评分,以及将所述搜索语句输入到所述业务匹配模型中,得到所述搜索语句与各业务之间的匹配度。
可选地,所述排序模型中包含特征提取层以及各业务对应的业务层;
将所述搜索结果输入到所述排序模型中,得到所述搜索结果在各业务下的排序评分,具体包括:
将所述搜索结果输入到所述特征提取层中,得到所述搜索结果对应的特征向量;
针对每个业务,将所述特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
可选地,所述特征提取层中包含基础特征提取层以及业务特征提取层;
将所述搜索结果输入到特征提取层中,得到所述搜索结果对应的特征向量,具体包括:
将所述搜索结果输入到所述基础特征提取层中,得到基础特征向量;
将所述基础特征向量输入到所述业务特征提取层中,得到所述搜索结果在各业务下的特征向量;
将所述特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分,具体包括:
将所述搜索结果在该业务下的特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
可选地,将所述基础特征向量输入到所述业务特征提取层中,得到所述搜索结果在各业务下的特征向量,具体包括:
将所述基础特征向量输入到所述业务特征提取层中,确定所述基础特征向量在各业务下的注意力权重;
针对每个业务,根据所述基础特征向量以及所述基础特征向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
可选地,将所述基础特征向量输入到所述业务特征提取层中,确定所述基础特征向量在各业务下的注意力权重,具体包括:
将所述基础特征向量输入到所述业务特征提取层中,对所述基础特征向量进行向量拆分,得到所述基础特征向量对应的各子向量,以及确定所述基础特征向量对应的各子向量在各业务下的注意力权重;
针对每个业务,根据所述基础特征向量以及所述基础特征向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量,具体包括:
针对每个业务,根据所述基础特征向量对应的各子向量,以及所述基础特征向量对应的各子向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
可选地,根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型,具体包括:
根据所述搜索结果在各业务下的补偿后排序评分,确定所述搜索结果对应的整体排序评分;
根据所述整体排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
可选地,根据所述整体排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型,具体包括:
以最小化所述整体排序评分与所述第二标注信息之间的偏差,以及最小化所述搜索语句与各业务之间的匹配度和所述第一标注信息之间的偏差,对所述排序模型以及所述业务匹配模型进行联合训练。
可选地,所述方法还包括:
接收目标用户的搜索请求;
根据所述搜索请求,确定所述目标用户输入的搜索语句,作为目标搜索语句;
根据所述目标搜索语句,确定各候选搜索结果;
针对每个候选搜索结果,将该候选搜索结果以及所述目标搜索语句输入到训练后的业务模型中,得到该候选搜索结果在各业务下对应的排序评分以及所述目标搜索语句与各业务之间的匹配度;
针对每个业务,根据所述目标搜索语句与该业务之间的匹配度,补偿该候选搜索结果在该业务下的排序评分,得到该候选搜索结果在该业务下的补偿后排序评分;
根据各候选搜索结果在各业务下的补偿后排序评分,对所述各候选搜索结果进行排序,得到排序结果;
根据所述排序结果,将所述各候选搜索结果展示给所述目标用户。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果;
输入模块,用于将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度;
确定模块,用于针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分;
训练模块,用于根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练的方法。
本说明书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上述模型训练的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练的方法中,业务平台可以获取训练样本,该训练样本中包含搜索语句,该搜索语句对应的搜索结果、该搜索语句对应的第一标注信息以及该搜索结果对应的第二标注信息,第一标注信息用于表示与搜索语句相关的业务,第二标注信息用于表示用户针对搜索结果的实际操作结果。而后,将该搜索结果以及该搜索语句输入到待训练的业务模型中,得到该搜索结果在各业务下的排序评分,以及该搜索语句与各业务之间的匹配度,针对每个业务,根据该搜索语句与该业务之间匹配度,补偿该搜索结果在该业务下的排序评分,得到该搜索结果在该业务下的补偿后排序评分,根据该搜索结果在各业务下的补偿后排序评分、该搜索语句与各业务之间的匹配度、第一标注信息以及第二标注信息,训练业务模型,训练后的业务模型可以应用于搜索场景中。
从上述方法中可以看出,业务平台可以训练出上述业务模型,在包含对多个业务的业务对象的搜索场景中,上述该业务模型可以给出每个业务与搜索语句之间的匹配度,而对于一个搜索结果来说,该业务模型可以给出该搜索结果在各业务下对应的排序评分,相比于现有技术中需要针对每种业务构建一种模型的方式,本方法只需构建一个统一的模型,在训练过程以及后期应用过程均成本较低,并且由于这个统一的模型能够给出该搜索结果在各业务下的排序评分,通过每个业务与搜索语句之间的匹配度,能够使最终对该搜索结果的评分参考与该搜索语句匹配度高的业务下该搜索结果的排序评分,因此,本方法能够在保证准确性的前提下降低成本。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型训练的方法的流程示意图;
图2为本说明书中提供的一种业务模型的结构示意图;
图3为本说明书提供的一种模型训练的装置的示意图;
图4为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种模型训练的方法的流程示意图,包括以下步骤:
S101:获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果。
在本说明书中,在业务平台中具有一个统一的搜索入口,用户可以在该搜索入口中输入任意搜索语句,来搜索想要找到的信息,也就是说,业务平台中包含多种业务,也包含多种业务下的搜索结果,用户通过这个统一的搜索入口可以搜索出任意业务下的搜索结果,业务平台需要对这些搜索结果进行排序。
基于此,业务平台可以获取训练样本,其中,该训练样本中包含搜索语句,该搜索语句对应的搜索结果、该搜索语句对应的第一标注信息以及该搜索结果对应的第二标注信息,第一标注信息用于表示与该搜索语句相关的业务,第二标注信息用于表示用户针对该搜索结果的实际操作结果。
这里提到的搜索结果可以包含业务平台中的业务对象,例如,超市、酒店、餐厅等,对于一个搜索结果来说,该搜索结果对应的第二标注信息可以表示用户针对展示给其的搜索结果是否进行了业务操作,例如,该第二标注信息可以表示用户是否点击或是购买了该搜索结果。而第一标注信息可以表示出与该训练样本中包含的搜索语句相关的业务,例如,若搜索语句为“A市的酒店”,则与该搜索语句相关的业务为订酒店这项业务,而若搜索语句为“附近的炸鸡”则与该搜索语句相关的业务可以包括外卖业务以及餐厅团购业务等。
上述第一标注信息的形式可以有多种,例如,该第一标注信息中可以包含各业务对应的标注数据,针对每个业务,该业务对应的标注数据用于表示该搜索语句是否与该业务相关,再例如,该第一标注信息中可以包含预先标注出的各业务与该搜索语句之间的相关度。
S102:将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度。
业务平台获取到训练样本后,可以将该训练样本中包含的搜索结果以及搜索语句输入到待训练的业务模型中,得到该搜索结果在各业务下的排序评分,以及得到该搜索语句与各业务之间的匹配度。除了可以将搜索语句输入到该业务模型(或业务匹配模型)中,还可以将与该搜索语句相关的信息输入到该业务模型(或业务匹配模型)中,例如,用户在业务平台中输入该搜索语句的时间、地理位置、该搜索语句对应的历史搜索次数等。
其中,业务模型中可以包含排序模型以及业务匹配模型,业务平台可以将该搜索结果输入到排序模型中,得到该搜索结果在各业务下的排序评分,以及将该搜索语句输入到业务匹配模型中,得到该搜索语句与各业务之间的匹配度。
也就是说,对于一个搜索结果来说,排序模型将输出该搜索结果在每个业务下的一个排序评分。而业务匹配模型可以确定出一个搜索语句与各业务之间的匹配度。对于一项业务来说,该匹配度可以理解为一个业务与该搜索语句之间的相关程度,也就是说,评分权重越高,说明该搜索语句与该业务越相关,而评分权重越低,说明该搜索语句与该业务越不相关。那么若该业务与该搜索语句越相关,在该业务下确定出的搜索结果对应的排序评分则更应该被参考。
在本说明书中,上述排序模型中包含特征提取层以及各业务对应的业务层,即,一个业务层对应一种业务,业务平台可以将该搜索结果输入到特征提取层中,得到该搜索结果对应的特征向量,并将该特征向量输入到每个业务层中,得到该搜索结果在每个业务下的排序评分,也就是说,一个业务层输出该业务层对应的业务下的排序评分。
需要说明的是,由于本说明书中的排序模型需要对多种业务下的搜索结果进行排序,而每种业务的搜索结果具有与自身业务相关的特征,例如,对于餐厅这一搜索结果,该搜索结果的特征可能包含餐厅中的菜品、餐厅的类别(是西餐、快餐还是川菜等),而对于酒店这一搜索结果来说,该搜索结果的特征可能包含酒店的房间数量、房间价格等,那么该排序模型中每个业务对应的业务层所需的特征可能会有所不同,因此,业务平台可以为每个子排序模型确定出该业务层所需的特征。
具体的,特征提取层中可以包含基础特征提取层、业务特征提取层,业务平台可以将搜索结果输入到基础特征提取层中,得到该搜索结果对应的基础特征向量,并将该基础特征向量输入到业务特征提取层中,得到该搜索结果在各业务下的特征向量,业务平台可以针对每个业务,将该搜索结果在该业务下的特征向量输入到该业务对应的业务层中,得到该搜索结果在该业务下的排序评分。
也就是说,对于一个业务来说,该搜索结果在该业务下的特征向量为该业务对应的业务层所需的特征向量,具体地,业务平台可以将搜索结果输入到业务特征提取层中,确定该基础特征向量在各业务下的注意力权重,以及针对每个业务,根据该基础特征向量以及该基础特征向量在该业务下的注意力权重,确定该搜索结果在该业务下的特征向量。
其中,对于一个业务来说,该基础特征向量在该业务下的注意力权重能够将该基础特征向量中该业务对应的业务层所需的特征突显出来,即,在该基础特征向量中该业务对应的业务层越需要的特征的注意力权重更高,而该业务不那么需要的特征的注意力权重越低,在实际应用中,对于一个业务来说,可以针对该基础特征向量中的每个维度均确定出该业务下的注意力权重,从而得到该基础特征向量在该业务下的注意力权重。
当然,业务平台也可以将基础特征向量输入到该业务特征提取层中进行向量拆分,得到该基础特征向量对应的各子向量,以及确定该基础特征向量对应的各子向量在各业务下的注意力权重,以及针对每个业务,根据该基础特征向量对应的各子向量,以及基础特征向量对应的各子向量在该业务下的注意力权重,确定该搜索结果在该业务下的特征向量。
也就是说,该业务特征提取层可以将该基础特征向量进行拆分,例如,若基础特征向量为100维的特征向量,可以将该基础特征向量变换为多个5维的特征向量,作为各子向量,并确定出在各业务下的每个5维的特征向量对应的注意力权重,对于一个业务来说,该业务所需的各子向量中的部分子向量的注意力权重相比于其他子向量的注意力权重高。
即,对于每一种业务均确定出了一种各子向量的注意力权重,则,对于一个业务来说该业务特征提取层确定出的注意力权重可以表示各子向量对于该业务的重要程度。这样一来,对于一个业务来说,通过该业务下各子向量的注意力权重对各子向量进行加权求和,能够将对于该业务更重要的特征提取出来,使得通过搜索结果在该业务下的特征向量确定出的该业务对应的业务排序评分更加准确。
需要说明的是,虽然注意力权重是针对每种业务均确定出了一种注意力权重,但该注意力权重也是针对搜索结果的特征向量中选取出了较为重要的部分,并不一定同种业务下的注意力权重均是一样的,也就是说,针对在同种业务下的不同搜索结果所确定出注意力权重也极为可能是不同的。
S103:针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分。
S104:根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
业务平台确定出上述搜索结果在各业务下的排序评分,以及该搜索语句与各业务之间的匹配度后,可以针对每个业务,根据该搜索语句与该业务之间的匹配度,补偿该搜索结果在该业务下的排序评分,得到该搜索结果在该业务下的补偿后排序评分,并根据该搜索结果在各业务下的补偿后排序评分、该搜索语句与各业务之间的匹配度、第一标注信息以及第二标注信息,训练业务模型。
其中,对于一个业务来说,业务平台根据该搜索语句与该业务之间的匹配度,补偿该搜索结果在该业务下的排序评分,可以是指通过该搜索语句与该业务之间的匹配度,对该搜索结果在该业务下的排序评分进行加权的过程。
对上述业务模型进行训练的方式可以有多种,例如,业务平台可以通过搜索结果在各业务下的补偿后排序评分,确定该搜索结果对应的整体排序评分,并根据该整体排序评分、该搜索语句与各业务之间的匹配度、第一标注信息以及第二标注信息,训练业务模型。其中,业务平台可以将最小化整体排序评分与第二标注信息之间的偏差,以及最小化每个业务对应的评分权重与第一标注信息之间的偏差作为优化目标,对上述排序模型以及业务匹配模型进行联合训练。
再例如,业务平台可以确定出与该搜索语句匹配度最高的业务,并以最小化该业务对应的补偿后排序评分与第二标注信息之间的偏差,以及最小化第一标注信息和各业务与该搜索语句之间的匹配度之间的偏差为优化目标,对该业务模型进行训练。
需要说明的是,由于上述业务模型确定出的每个排序评分对应一种业务,而该业务与搜索语句之间的匹配度可以表示搜索语句与该业务的相关程度,相关程度越高,该业务对应的排序评分更应该被参考,因此,上述方式通过各业务对应的匹配度对各排序评分进行补偿得到整体排序评分,能够将与该搜索语句更相关的业务对应的排序评分在整体排序评分中体现出来,而即使某些业务与该搜索语句不那么相关,但可能也有一定的参考价值。
例如,某些业务本身的业务数据较少,即,这种业务所对应的训练样本较少,若仅针对这种业务训练出的一个单独的模型对该业务下的搜索结果进行排序,则准确性较低,而在本方法中排序模型可以确定出一个搜索结果在各业务下的排序评分,其他体量较大的业务下的排序评分对这种业务具有一定的参考价值,由于其他体量较大的业务与该搜索语句之间的匹配度不一定为0,这些业务对应的排序评分也能够在一定程度上在整体排序评分中有所体现。
在上述过程中业务模型中具备的每个部分分别进行了说明,下面以一个完整的例子说明对该业务模型进行训练的全过程,如图2所示。
图2为本说明书中提供的一种业务模型的结构示意图。
从图2中可以看出,业务模型中包含排序模型以及业务匹配模型,该业务模型可以是一个整体的神经网络模型,排序模型中包含业务层1~业务层n、业务特征提取层以及基础特征提取层,其中,图2中的A1、B1…N1等为业务特征提取层中包含的确定各子向量的第一子层,A2、B2…N2等为业务特征提取层中用于确定各子向量在各业务下对应的注意力权重的第二子层,也就是说,每个业务可以对应一个第二子层,在图2中一个业务对应有一个子层,但在实际应用中可以仅存在一个第一子层,即,各子向量可以对各业务通用,但对于不同业务,确定注意力权重的神经网络层不同。
业务平台可以将搜索结果的信息输入到基础特征提取层中,得到基础特征向量,并将该基础特征向量分别输入到A1、A2、B1、B2…N1、N2中,A1~N1分别输出每个业务对应的各子向量,A2~N2分别输出每个业务下的注意力权重,针对每个业务,根据该业务下的各子向量以及注意力权重可以确定出该搜索结果在该业务下的特征向量,可以将该业务下的特征向量输入到该业务对应的业务层中,可以得到排序评分1~排序评分n。右侧的业务匹配模型可以确定出W1~Wn,即,确定出各业务与搜索语句之间的匹配度,通过各业务与搜索语句之间的匹配度以及各排序评分,可以确定出整体排序评分,最后,业务平台对该排序模型以及业务匹配模型进行联合训练即可。
上述均是站在模型训练的角度来对本方法进行说明,而上述业务模型需要应用在搜索场景中对各业务对象进行排序,因此,下面在将该业务模型应用在搜索场景中对本方法进行说明。
具体的,业务平台可以接收目标用户的搜索请求,并根据该搜索请求,确定该目标用户输入的搜索语句,作为目标搜索语句,以及根据该目标搜索语句,确定各候选搜索结果。而后,业务平台可以针对每个候选搜索结果,将该候选搜索结果以及目标搜索语句输入到训练后的业务模型中,得到该候选搜索结果在各业务下的排序评分,以及该目标搜索语句与各业务之间的匹配度,并针对每个业务,根据该目标搜索语句与该业务之间的匹配度,对该候选搜索结果在该业务下的排序评分进行补偿,得到该候选搜索结果在该业务下的补偿后排序评分,并根据该候选搜索结果在各业务下的补偿后排序评分,对各待排序业务对象进行排序,得到排序结果,并根据该排序结果,将各候选搜索结果展示给目标用户。
其中,根据该候选搜索结果在各业务下的补偿后排序评分,对各待排序业务对象进行排序的方式可以有多种,例如,业务平台可以针对每个候选搜索结果,根据该候选搜索结果在各业务下的补偿后排序评分,确定该候选搜索结果对应的整体排序评分(该整体排序评分可以是该候选搜索结果在各业务下的补偿后排序评分的和值或平均值等),最后,根据各候选搜索结果对应的整体排序评分,对各候选搜索结果进行排序,得到排序结果。
再例如,业务平台可以通过该搜索语句与各业务之间的匹配度,确定出与该搜索语句相关的各业务,并根据各候选搜索结果在该搜索语句相关的各业务下的补偿后排序评分,对各候选搜索结果进行排序。
从上述方法可以看出,业务平台可以训练出上述业务模型,该业务模型可以包含排序模型以及业务匹配模型,在包含对多个业务的搜索结果进行排序的搜索场景中,该业务匹配模型可以给出搜索语句与每个业务之间的匹配度,而对于一个搜索结果来说,排序模型可以给出该搜索结果在各业务下的排序评分,相比于现有技术中需要针对每种业务构建一种模型的方式,本方法成本较低,并且在本方法中确定一种业务下的搜索结果对应的评分也是参考了其他业务下的排序评分,因此,相比于现有技术的排序方式更为准确。
以上为本说明书的一个或多个实施例提供的模型训练的方法,基于同样的思路,本说明书还提供了相应的模型训练的装置,如图3所示。
图3为本说明书提供的一种模型训练的装置示意图,包括:
获取模块301,用于获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果;
输入模块302,用于将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度;
确定模块303,用于针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分;
训练模块304,用于根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
可选地,所述业务模型中包含排序模型以及业务匹配模型;
所述输入模块302具体用于,将所述搜索结果输入到所述排序模型中,得到所述搜索结果在各业务下的排序评分,以及将所述搜索语句输入到所述业务匹配模型中,得到所述搜索语句与各业务之间的匹配度。
可选地,所述排序模型中包含特征提取层以及各业务对应的业务层;
所述输入模块302具体用于,将所述搜索结果输入到所述特征提取层中,得到所述搜索结果对应的特征向量;针对每个业务,将所述特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
可选地,所述特征提取层中包含基础特征提取层以及业务特征提取层;
所述输入模块302具体用于,将所述搜索结果输入到所述基础特征提取层中,得到基础特征向量;将所述基础特征向量输入到所述业务特征提取层中,得到所述搜索结果在各业务下的特征向量;将所述搜索结果在该业务下的特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
可选地,所述输入模块302具体用于,将所述基础特征向量输入到所述业务特征提取层中,确定所述基础特征向量在各业务下的注意力权重;针对每个业务,根据所述基础特征向量以及所述基础特征向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
可选地,所述输入模块302具体用于,将所述基础特征向量输入到所述业务特征提取层中,对所述基础特征向量进行向量拆分,得到所述基础特征向量对应的各子向量,以及确定所述基础特征向量对应的各子向量在各业务下的注意力权重;针对每个业务,根据所述基础特征向量对应的各子向量,以及所述基础特征向量对应的各子向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
可选地,所述训练模块304具体用于,根据所述搜索结果在各业务下的补偿后排序评分,确定所述搜索结果对应的整体排序评分;根据所述整体排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
可选地,所述训练模块304具体用于,以最小化所述整体排序评分与所述第二标注信息之间的偏差,以及最小化所述搜索语句与各业务之间的匹配度和所述第一标注信息之间的偏差,对所述排序模型以及所述业务匹配模型进行联合训练。
可选地,所述装置还包括:
排序模块,用于接收目标用户的搜索请求;根据所述搜索请求,确定所述目标用户输入的搜索语句,作为目标搜索语句;根据所述目标搜索语句,确定各候选搜索结果;针对每个候选搜索结果,将该候选搜索结果以及所述目标搜索语句输入到训练后的业务模型中,得到该候选搜索结果在各业务下对应的排序评分以及所述目标搜索语句与各业务之间的匹配度;针对每个业务,根据所述目标搜索语句与该业务之间的匹配度,补偿该候选搜索结果在该业务下的排序评分,得到该候选搜索结果在该业务下的补偿后排序评分;根据各候选搜索结果在各业务下的补偿后排序评分,对所述各候选搜索结果进行排序,得到排序结果;根据所述排序结果,将所述各候选搜索结果展示给所述目标用户。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练的方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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数据处理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。
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过程、方法、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种模型训练的方法,其特征在于,包括:
获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果;
将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度;
针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分;
根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
2.如权利要求1所述的方法,其特征在于,所述业务模型中包含排序模型以及业务匹配模型;
将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度,具体包括:
将所述搜索结果输入到所述排序模型中,得到所述搜索结果在各业务下的排序评分,以及将所述搜索语句输入到所述业务匹配模型中,得到所述搜索语句与各业务之间的匹配度。
3.如权利要求2所述的方法,其特征在于,所述排序模型中包含特征提取层以及各业务对应的业务层;
将所述搜索结果输入到所述排序模型中,得到所述搜索结果在各业务下的排序评分,具体包括:
将所述搜索结果输入到所述特征提取层中,得到所述搜索结果对应的特征向量;
针对每个业务,将所述特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
4.如权利要求3所述的方法,其特征在于,所述特征提取层中包含基础特征提取层以及业务特征提取层;
将所述搜索结果输入到特征提取层中,得到所述搜索结果对应的特征向量,具体包括:
将所述搜索结果输入到所述基础特征提取层中,得到基础特征向量;
将所述基础特征向量输入到所述业务特征提取层中,得到所述搜索结果在各业务下的特征向量;
将所述特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分,具体包括:
将所述搜索结果在该业务下的特征向量输入到该业务对应的业务层中,得到所述搜索结果在该业务下的排序评分。
5.如权利要求4所述的方法,其特征在于,将所述基础特征向量输入到所述业务特征提取层中,得到所述搜索结果在各业务下的特征向量,具体包括:
将所述基础特征向量输入到所述业务特征提取层中,确定所述基础特征向量在各业务下的注意力权重;
针对每个业务,根据所述基础特征向量以及所述基础特征向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
6.如权利要求5所述的方法,其特征在于,将所述基础特征向量输入到所述业务特征提取层中,确定所述基础特征向量在各业务下的注意力权重,具体包括:
将所述基础特征向量输入到所述业务特征提取层中,对所述基础特征向量进行向量拆分,得到所述基础特征向量对应的各子向量,以及确定所述基础特征向量对应的各子向量在各业务下的注意力权重;
针对每个业务,根据所述基础特征向量以及所述基础特征向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量,具体包括:
针对每个业务,根据所述基础特征向量对应的各子向量,以及所述基础特征向量对应的各子向量在该业务下的注意力权重,确定所述搜索结果在该业务下的特征向量。
7.如权利要求2所述的方法,其特征在于,根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型,具体包括:
根据所述搜索结果在各业务下的补偿后排序评分,确定所述搜索结果对应的整体排序评分;
根据所述整体排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
8.如权利要求7所述的方法,其特征在于,根据所述整体排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型,具体包括:
以最小化所述整体排序评分与所述第二标注信息之间的偏差,以及最小化所述搜索语句与各业务之间的匹配度和所述第一标注信息之间的偏差,对所述排序模型以及所述业务匹配模型进行联合训练。
9.如权利要求1所述的方法,其特征在于,所述方法还包括:
接收目标用户的搜索请求;
根据所述搜索请求,确定所述目标用户输入的搜索语句,作为目标搜索语句;
根据所述目标搜索语句,确定各候选搜索结果;
针对每个候选搜索结果,将该候选搜索结果以及所述目标搜索语句输入到训练后的业务模型中,得到该候选搜索结果在各业务下对应的排序评分以及所述目标搜索语句与各业务之间的匹配度;
针对每个业务,根据所述目标搜索语句与该业务之间的匹配度,补偿该候选搜索结果在该业务下的排序评分,得到该候选搜索结果在该业务下的补偿后排序评分;
根据各候选搜索结果在各业务下的补偿后排序评分,对所述各候选搜索结果进行排序,得到排序结果;
根据所述排序结果,将所述各候选搜索结果展示给所述目标用户。
10.一种模型训练的装置,其特征在于,包括:
获取模块,用于获取训练样本,所述训练样本中包含搜索语句,所述搜索语句对应的搜索结果、所述搜索语句对应的第一标注信息以及所述搜索结果对应的第二标注信息,所述第一标注信息用于表示与所述搜索语句相关的业务,所述第二标注信息用于表示用户针对所述搜索结果的实际操作结果;
输入模块,用于将所述搜索结果以及所述搜索语句输入到待训练的业务模型中,得到所述搜索结果在各业务下的排序评分,以及所述搜索语句与各业务之间的匹配度;
确定模块,用于针对每个业务,根据所述搜索语句与该业务之间匹配度,补偿所述搜索结果在该业务下的排序评分,得到所述搜索结果在该业务下的补偿后排序评分;
训练模块,用于根据所述搜索结果在各业务下的补偿后排序评分、所述搜索语句与各业务之间的匹配度、所述第一标注信息以及所述第二标注信息,训练所述业务模型。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
12.一种电子设备,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上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690782.6A CN113344201A (zh) | 2021-06-22 | 2021-06-22 | 一种模型训练的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690782.6A CN113344201A (zh) | 2021-06-22 | 2021-06-22 | 一种模型训练的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344201A true CN113344201A (zh) | 2021-09-03 |
Family
ID=77477563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690782.6A Pending CN113344201A (zh) | 2021-06-22 | 2021-06-22 | 一种模型训练的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344201A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486781A (zh) * | 2010-12-03 | 2012-06-06 | 阿里巴巴集团控股有限公司 | 一种搜索排序方法和装置 |
CN103593373A (zh) * | 2012-08-16 | 2014-02-19 | 北京百度网讯科技有限公司 | 一种用于搜索结果排序的方法与设备 |
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 |
CN110069654A (zh) * | 2019-03-15 | 2019-07-30 | 平安城市建设科技(深圳)有限公司 | 房源搜索方法、装置、设备及计算机可读存储介质 |
CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
CN111797312A (zh) * | 2020-06-22 | 2020-10-20 | 北京三快在线科技有限公司 | 模型训练的方法及装置 |
CN112100493A (zh) * | 2020-09-11 | 2020-12-18 | 北京三快在线科技有限公司 | 文档排序方法、装置、设备及存储介质 |
-
2021
- 2021-06-22 CN CN202110690782.6A patent/CN113344201A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486781A (zh) * | 2010-12-03 | 2012-06-06 | 阿里巴巴集团控股有限公司 | 一种搜索排序方法和装置 |
CN103593373A (zh) * | 2012-08-16 | 2014-02-19 | 北京百度网讯科技有限公司 | 一种用于搜索结果排序的方法与设备 |
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 |
CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
CN110069654A (zh) * | 2019-03-15 | 2019-07-30 | 平安城市建设科技(深圳)有限公司 | 房源搜索方法、装置、设备及计算机可读存储介质 |
CN111797312A (zh) * | 2020-06-22 | 2020-10-20 | 北京三快在线科技有限公司 | 模型训练的方法及装置 |
CN112100493A (zh) * | 2020-09-11 | 2020-12-18 | 北京三快在线科技有限公司 | 文档排序方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
US20200020000A1 (en) | Generating product descriptions from user reviews | |
CN113010640B (zh) | 一种业务执行的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN111144974B (zh) | 一种信息展示方法及装置 | |
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN110599307A (zh) | 一种商品推荐的方法及装置 | |
CN113704513A (zh) | 一种模型训练的方法、信息展示的方法以及装置 | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN113641894A (zh) | 一种信息推荐的方法及装置 | |
CN113343095A (zh) | 一种模型训练以及信息推荐方法及装置 | |
CN113010809A (zh) | 一种信息推荐的方法及装置 | |
CN113343132B (zh) | 一种模型训练的方法、信息展示的方法及装置 | |
CN116843376A (zh) | 一种营销效果预判方法、装置、存储介质及设备 | |
CN116662657A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN113344078B (zh) | 一种模型训练的方法及装置 | |
CN113344201A (zh) | 一种模型训练的方法及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN114997907A (zh) | 一种预测模型的训练方法、信息推荐的方法及装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN113407689A (zh) | 一种模型训练和业务执行的方法及装置 | |
CN114119139A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |
|
WD01 | Invention patent application deemed withdrawn after publication |