CN113641930A - 信息输出方法、装置和电子设备 - Google Patents
信息输出方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113641930A CN113641930A CN202110978200.4A CN202110978200A CN113641930A CN 113641930 A CN113641930 A CN 113641930A CN 202110978200 A CN202110978200 A CN 202110978200A CN 113641930 A CN113641930 A CN 113641930A
- Authority
- CN
- China
- Prior art keywords
- displayed
- candidate
- information
- list page
- display list
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (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
本公开实施例公开了信息输出方法、装置和电子设备。该方法的一具体实施方式包括:获取呈现有多个候选待展示内容的初始展示列表页;获取初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在初始展示列表页中的位置信息;根据相关信息,确定针对候选待展示内容的排序信息,其中,排序信息包括各个候选待展示内容被选中的初始概率;基于排序信息,对初始展示列表页中呈现的候选待展示内容重新排序,得到最终展示列表页;输出最终展示列表页。该实施方式提高了信息的推荐效果。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及信息输出方法、装置和电子设备。
背景技术
目前,在推荐与搜索业务场景中,经常使用神经网络来构建排序模型,其最后生成的排序列表作为呈现给用户的最终结果。现有的排序模型只是对每个候选项进行单独打分,并未充分考虑到展示给用户的上下文信息。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种信息输出方法、装置和电子设备,这种方式考虑了各个候选项之间的相互影响,提高了信息的推荐效果。
第一方面,本公开实施例提供了一种信息输出方法,该方法包括:获取呈现有多个候选待展示内容的初始展示列表页;获取初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在初始展示列表页中的位置信息;根据相关信息,确定针对候选待展示内容的排序信息,其中,排序信息包括各个候选待展示内容被选中的初始概率;基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;输出最终展示列表页。
第二方面,本公开实施例提供了一种信息输出装置,包括:第一获取单元,用于获取呈现有多个候选待展示内容的初始展示列表页;第二获取单元,用于获取初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在初始展示列表页中的位置信息;确定单元,用于根据相关信息,确定针对候选待展示内容的排序信息,其中,排序信息包括各个候选待展示内容被选中的初始概率;排序单元,用于基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;输出单元,用于输出最终展示列表页。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面的信息输出方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的信息输出方法的步骤。
本公开实施例提供的信息输出方法、装置和电子设备,通过获取呈现有多个候选待展示内容的初始展示列表页;之后,获取上述初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在上述初始展示列表页中的位置信息;而后,根据上述相关信息,确定针对候选待展示内容的排序信息,其中,上述排序信息包括各个候选待展示内容被选中的初始概率;然后,基于上述排序信息,对上述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;最后,输出上述最终展示列表页。这种推荐方式考虑了各个候选项之间的相互影响,提高了信息的推荐效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的各个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的信息输出方法的一个实施例的流程图;
图3是根据本公开的信息输出方法的一个应用场景的示意图;
图4是根据本公开的信息输出方法的一个最终展示列表页的示意图;
图5是根据本公开的信息输出方法的又一个实施例的流程图;
图6是根据本公开的信息输出方法的将相关信息输入排序模型得到排序信息的一个实施例的流程图;
图7是根据本公开的信息输出方法的将相关信息输入排序模型得到排序信息的一个应用场景的示意图;
图8是根据本公开的信息输出装置的一个实施例的结构示意图;
图9是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1示出了可以应用本公开的信息输出方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备1011、1012、1013,网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互,以发送或接收消息等,例如,用户可以利用终端设备1011、1012、1013接收到服务器103输出的最终展示列表页。终端设备1011、1012、1013上可以安装有各种通讯客户端应用,例如短视频社交类应用、即时通讯软件等。
终端设备1011、1012、1013可以是硬件,也可以是软件。当终端设备1011、1012、1013为硬件时,可以是具有显示屏并且支持信息交互的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备1011、1012、1013为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器。例如,可以获取呈现有多个候选待展示内容的初始展示列表页;之后,可以获取上述初始展示列表页中呈现的各个候选待展示内容的相关信息;而后,可以根据上述相关信息,确定针对候选待展示内容的排序信息;然后,可以基于上述排序信息,对上述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;最后,可以通过终端设备1011、1012、1013输出上述最终展示列表页。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开实施例所提供的信息输出方法通常由服务器103执行,则信息输出装置通常设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的信息输出方法的一个实施例的流程200。该信息输出方法,包括以下步骤:
步骤201,获取呈现有多个候选待展示内容的初始展示列表页。
在本实施例中,信息输出方法的执行主体(例如图1所示的服务器)可以获取呈现有多个候选待展示内容的初始展示列表页。上述候选待展示内容可以包括表情图。上述初始展示列表页可以为目标用户执行评论操作时的待展示列表页。上述目标用户可以为进行评论的用户。
作为示例,若上述目标用户针对目标对象(例如,文字、图片等)执行评论操作,则上述执行主体可以获取上述初始展示列表页。
在这里,上述执行主体可以将上述多个候选待展示内容输入到常规排序模型,得到上述多个候选待展示内容中每个候选待展示内容的分数;之后,可以按照分数由大到小的顺序对上述多个候选待展示内容进行排序,得到呈现有多个候选待展示内容的初始展示列表页。
步骤202,获取初始展示列表页中呈现的各个候选待展示内容的相关信息。
在本实施例中,上述执行主体可以获取上述初始展示列表页中呈现的各个候选待展示内容的相关信息。上述多个候选待展示内容中的每个候选待展示内容的相关信息可以包括:该候选待展示内容的内容信息和该候选待展示内容在上述初始展示列表页中的位置信息。即该候选待展示内容的相关信息可以由该候选待展示内容的内容信息和该候选待展示内容在上述初始展示列表页中的位置信息拼接组成。若该候选待展示内容为GIF动图,则GIF动图的内容信息可以包括对GIF ID(标识)进行嵌入(Embedding)化处理后所得到的嵌入向量,也可以包括GIF动图的图像特征向量。该候选待展示内容在上述初始展示列表页中的位置信息可以指的是该候选待展示内容在上述初始展示列表页中处于第几个位置。作为示例,若一个初始展示列表页中呈现有8个候选待展示内容,且以两行、每行4个的形式进行呈现,则第一行中的候选待展示内容按照从左到右的顺序可以分别处于第一至第四个位置,第二行中的候选待展示内容按照从左到右的顺序可以分别处于第五至第八个位置。
步骤203,根据相关信息,确定针对候选待展示内容的排序信息。
在本实施例中,上述执行主体可以根据上述相关信息,确定针对候选待展示内容的排序信息。在这里,上述排序信息可以包括上述目标用户针对目标对象进行评论时选择各个候选待展示内容的初始概率。例如,若上述多个候选待展示内容的数量为n个,则排序信息可以包括s_1至s_n。其中,s_1可以表征上述目标用户针对上述目标对象进行评论时选择第一个候选待展示内容的初始概率,s_n可以表征上述目标用户针对上述目标对象进行评论时选择第n个候选待展示内容的初始概率。
在这里,由于候选待展示内容的相关信息包括候选待展示内容的内容信息和候选待展示内容在上述初始展示列表页中的位置信息。针对多个候选待展示内容中的每个候选待展示内容,上述执行主体可以首先确定该候选待展示内容的内容信息与上述目标用户的用户信息和/或上述目标对象的对象信息之间的匹配度作为第一分数;之后,可以在预设的候选待展示内容在初始展示列表页中的位置与分数之间的对应关系的对应关系表中查找该候选待展示内容在上述初始展示列表页中的位置信息所指示的位置对应的分数作为第二分数;最后,可以基于上述第一分数和上述第二分数,确定上述目标用户针对目标对象进行评论时选择该候选待展示内容的初始概率。作为一种示例,可以将上述第一分数和上述第二分数的乘积确定为上述目标用户针对目标对象进行评论时选择该候选待展示内容的初始概率。作为另一种示例,可以将上述第一分数和上述第二分数之和确定为上述目标用户针对目标对象进行评论时选择该候选待展示内容的初始概率。
步骤204,基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页。
在本实施例中,上述执行主体可以基于上述排序信息,对上述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页。具体地,上述执行主体可以按照上述目标用户针对目标对象进行评论时选择各个候选待展示内容的初始概率由大到小的顺序对各个候选待展示内容进行排序,得到最终展示列表页。
需要说明的是,由于一页展示列表页最多能够呈现预设的最大展示数量个候选待展示内容,若上述多个候选待展示内容的数量大于上述最大展示数量,则可以按照上述初始概率由大到小的顺序对各个候选待展示内容进行排序,得到多页最终展示列表页。
步骤205,输出最终展示列表页。
在本实施例中,上述执行主体可以输出在步骤203中得到的最终展示列表页。上述执行主体可以将上述最终展示列表页输出到上述目标用户的用户终端上,上述用户终端可以对上述最终展示列表页进行呈现。
本公开的上述实施例提供的方法通过对初始展示列表页中的各个候选项进行重新排序,考虑了各个候选项之间的相互影响,提高了信息的推荐效果。
在一些可选的实现方式中,上述多个候选待展示内容中的每个候选待展示内容的候选待展示内容的相关信息还可以包括以下至少一项:上述目标用户的用户信息和上述目标视频的视频信息。上述用户信息可以包括但不限于以下至少一项:用户的基本信息(如,性别、年龄)和用户的历史操作信息(如,点击的信息)。上述视频信息可以包括但不限于以下至少一项:视频的标题、视频帧中的关键特征和视频内容。候选待展示内容的相关信息可以由候选待展示内容的内容信息、候选待展示内容在上述初始展示列表页中的位置信息和上述目标用户的用户信息拼接组成;也可以由候选待展示内容的内容信息、候选待展示内容在上述初始展示列表页中的位置信息和上述目标视频的视频信息拼接组成;还可以由候选待展示内容的内容信息、候选待展示内容在上述初始展示列表页中的位置信息、上述目标用户的用户信息和上述目标视频的视频信息拼接组成。
在一些可选的实现方式中,上述执行主体获取的呈现有多个候选待展示内容的初始展示列表页可以为至少两页。上述排序信息还可以包括:对上述至少两页初始展示列表页中的各页初始展示列表页进行翻页的概率。在这里,上述排序模型的输出层可以额外增加一个通道,用于输出向后翻页的概率。作为示例,若将第二页中呈现的候选待展示内容的相关信息输入预先训练的排序模型中,可以得到对第二页进行翻页的概率。
在一些可选的实现方式中,上述执行主体可以将上述初始展示列表页中呈现的各个候选待展示内容的相关信息输入预先训练的排序模型中,得到排序信息。在这里,上述排序信息可以包括上述目标用户针对上述目标视频进行评论时选择各个候选待展示内容的初始概率。例如,若上述多个候选待展示内容的数量为n个,则排序信息可以为s_1至s_n。其中,s_1可以表征上述目标用户针对上述目标视频进行评论时选择第一个候选待展示内容的初始概率,s_n可以表征上述目标用户针对上述目标视频进行评论时选择第n个候选待展示内容的初始概率。
在一些可选的实现方式中,上述排序模型可以是通过如下步骤训练得到的:
首先,可以获取训练样本集合,其中,上述训练样本集合中的训练样本可以包括样本展示列表页中呈现的各个候选待展示内容的相关信息和针对候选待展示内容的样本排序信息,上述样本排序信息可以包括用于表征样本展示列表中的候选待展示内容被选中的标注信息。通常来说,上述标注信息可以表示为“0”(或“F”)和“1”(或“T”),“0”或“F”可以表征样本用户未选中样本展示列表中的候选待展示内容,“1”或“T”可以表征样本用户选中样本展示列表中的候选待展示内容。样本展示列表页中呈现的各个候选待展示内容的相关信息可以由候选待展示内容的内容信息、候选待展示内容在样本展示列表页中的位置信息、样本用户的用户信息和样本视频的视频信息进行拼接所组成的。
之后,可以将上述训练样本集合中的训练样本中的样本展示列表页中呈现的各个候选待展示内容的相关信息和样本排序信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练上述初始神经网络。具体地,可以首先利用预设的损失函数计算所得到的排序信息与该训练样本中的样本排序信息之间的差异,例如,可以采用L2范数作为损失函数计算所得到的排序信息与该训练样本中的样本排序信息之间的差异。然后,可以基于计算所得的差异,调整初始神经网络的网络参数,并在满足预设的训练结束条件的情况下,结束训练。例如,这里预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异小于预设差异阈值。
这里,可以采用各种实现方式基于所得到的排序信息与该训练样本中的样本排序信息之间的差异调整初始神经网络的网络参数。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整初始神经网络的网络参数。
最后,可以将训练得到的上述初始神经网络确定为上述排序模型。
需要说明的是,上述排序模型可以是上述执行主体通过上述步骤训练得到的;也可以是其它电子设备通过上述步骤训练得到的,之后,上述执行主体可以从其他电子设备中获取到训练完成的排序模型。
在一些可选的实现方式中,上述样本排序信息还可以包括用于表征样本用户对样本展示列表页进行翻页的标注信息。样本用户对样本展示列表页进行翻页的标注信息可以表示为“0”(或“F”)和“1”(或“T”),“0”或“F”可以表征样本用户未对样本展示列表页进行翻页,“1”或“T”可以表征样本用户对样本展示列表页进行翻页。
在一些可选的实现方式中,上述初始展示列表页可以为目标用户针对目标视频进行评论时的待展示列表页。上述目标用户可以是对视频进行评论的用户,上述目标视频可以是用户所评论的视频。
在一些可选的实现方式中,候选待展示内容还可以包括动态表情图,也可以称为GIF(Graphics Interchange Format,图形交换格式)动图。
继续参见图3,图3是根据本实施例的信息输出方法的应用场景的一个示意图。在图3的应用场景中,服务器301可以首先获取呈现有多个GIF动图的初始展示列表页,如图标302所示。之后,服务器301可以获取图标302所指示的初始展示列表页中呈现的各个GIF动图的相关信息303。而后,服务器可以根据相关信息303,确定针对各个GIF动图的排序信息304。在这里,相关信息303可以由GIF动图的GIF信息和GIF动图在初始展示列表页中的位置信息所组成。排序信息304可以为各个GIF动图被选中的初始概率,在这里,用户选择第一个GIF动图至第七个GIF动图的初始概率分别为:0.76、0.72、0.8、0.79、0.68、0.5、0.45。而后,服务器301可以基于排序信息304,对初始展示列表页302中呈现的多个GIF动图重新排序,得到最终展示列表页,如图标305所示。在这里,服务器301可以按照用户选择各个GIF动图的初始概率由大到小的顺序对各个GIF动图进行排序,得到最终展示列表页305。最后,服务器301可以输出最终展示列表页305。
如图4所示,图4示出了根据本公开的信息输出方法的一个最终展示列表页的示意图。在图4中,当用户对视频评论区域的用于呈现GIF动图的图标进行点击时,呈现GIF动图,如图标401所示,图标401指示的展示列表为图3所示的应用场景中得到的最终展示列表页305。
进一步参考图5,其示出了信息输出方法的又一个实施例的流程500。该信息输出方法的流程500,包括以下步骤:
步骤501,获取呈现有多个候选待展示内容的至少两页初始展示列表页。
在本实施例中,信息输出方法的执行主体(例如图1所示的服务器)可以获取呈现有多个候选待展示内容的至少两页初始展示列表页。上述候选待展示内容可以包括GIF动图。
步骤502,获取初始展示列表页中呈现的各个候选待展示内容的相关信息。
步骤503,根据相关信息,确定针对候选待展示内容的排序信息。
在本实施例中,步骤502-503可以按照与步骤202-203类似的方式执行,在此不再赘述。
步骤504,针对第一页初始展示列表页中的每个候选待展示内容,将该候选待展示内容被选中的初始概率确定为该候选待展示内容被选中的最终概率。
在本实施例中,针对第一页初始展示列表页中的每个候选待展示内容,上述执行主体可以将该候选待展示内容被选中的初始概率确定为该候选待展示内容被选中的最终概率。
作为示例,若第一页初始展示列表页中的8个候选待展示内容对应的初始概率分别为0.8、0.76、0.5、0.88、0.67、0.3、0.92和0.72,则选择这8个候选待展示内容的最终概率可以分别为0.8、0.76、0.5、0.88、0.67、0.3、0.92和0.72。
步骤505,针对目标初始展示列表页中的每个候选待展示内容,基于该候选待展示内容被选中的初始概率和目标翻页概率,确定该候选待展示内容被选中的最终概率。
在本实施例中,针对目标初始展示列表页中的每个候选待展示内容,上述执行主体可以将基于该候选待展示内容被选中的初始概率和目标翻页概率,确定该候选待展示内容被选中的最终概率。在这里,上述执行主体可以将该候选待展示内容被选中的初始概率和目标翻页概率的加权平均数确定为该候选待展示内容被选中的最终概率。上述目标翻页概率为上述目标用户对上述目标初始展示列表页的前一展示列表页进行翻页的概率。上述目标初始展示列表页为上述至少两页初始展示列表页中除上述第一页初始展示列表页之外的其他初始展示列表页。
作为示例,若当前初始展示列表页为第二页,上述目标用户选择第二页初始展示列表页中的8个候选待展示内容的初始概率分别为0.5、0.8、0.72、0.9、0.65、0.78、0.3和0.95,上述目标用户对第一页初始展示列表页进行翻页的翻页概率为0.8,则上述执行主体可以求取第二页初始展示列表页中的8个候选待展示内容的初始概率与上述翻页概率0.8的加权平均值分别作为这8个候选待展示内容的最终概率。
步骤506,按照最终概率由大到小的顺序对多个候选待展示内容进行排序,得到最终展示列表页。
在本实施例中,上述执行主体可以按照最终概率由大到小的顺序对多个候选待展示内容进行重新排序,得到最终展示列表页。
作为示例,若初始展示列表页中的第二页中的候选待展示内容A的最终概率大于第一页中的候选待展示内容B的最终概率,则最终展示列表页中的第一页呈现有候选待展示内容A,而候选待展示内容B呈现在第二页中。
步骤507,输出最终展示列表页。
在本实施例中,步骤507可以按照与步骤205类似的方式执行,在此不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的信息输出方法的流程500体现了基于预测出的用户向后翻页的概率与每一个候选项对应的初始概率确定最终概率,从而进行重新排序的步骤。由此,本实施例描述的方案可以进一步提高信息的推荐效果。
在一些可选的实现方式中,上述执行主体可以通过如下方式基于该候选待展示内容的初始概率和目标翻页概率,确定该候选待展示内容的最终概率:上述执行主体可以将该候选待展示内容的初始概率与目标翻页概率的乘积确定为该候选待展示内容的最终概率。
作为示例,若当前初始展示列表页为第二页,上述目标用户选择第二页初始展示列表页中的8个候选待展示内容的初始概率分别为0.5、0.8、0.72、0.9、0.65、0.78、0.3和0.95,上述目标用户对第一页初始展示列表页进行翻页的翻页概率为0.8,则上述执行主体可以将第二页初始展示列表页中的8个候选待展示内容的初始概率与上述翻页概率0.8的乘积分别确定为这8个候选待展示内容的最终概率,即上述目标用户针对上述目标视频进行评论时选择第二页初始展示列表页中的8个候选待展示内容的最终概率分别为0.4、0.64、0.576、0.72、0.52、0.624、0.24和0.76。
继续参考图6,其示出了信息输出方法的将相关信息输入排序模型得到排序信息的一个实施例的流程600。该将相关信息输入排序模型得到排序信息的流程600,包括以下步骤:
步骤601,将初始展示列表页中呈现的各个候选待展示内容的相关信息输入共享全连接层中,得到各个候选待展示内容的特征信息。
在本实施例中,预先训练的排序模型可以包括:共享全连接层、特征交叉层和全连接层(Fully Connected Layers,FC)。
在本实施例中,信息输出方法的执行主体(例如图1所示的服务器)可以将初始展示列表页中呈现的各个候选待展示内容的相关信息输入共享全连接层中,得到各个候选待展示内容的特征信息。共享全连接层可以对各个候选待展示内容的相关信息进行与特征提取与融合,从而得到各个候选待展示内容的特征信息。
全连接层在整个卷积神经网络中起到“分类器”的作用。全连接层起到将学到的“分布式特征表示”映射到样本标记空间的作用,全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。共享全连接层通常为每一个结点的参数相同的全连接层。
作为示例,针对每个候选待展示内容,上述执行主体可以将由该候选待展示内容的内容信息、该候选待展示内容在上述初始展示列表页中的位置信息、上述目标用户的用户信息和上述目标视频的视频信息拼接组成的相关信息输入共享全连接层中,得到该候选待展示内容的特征信息。
步骤602,将各个候选待展示内容的特征信息输入特征交叉层中,得到融合后的特征信息。
在本实施例中,上述执行主体可以将步骤601中输出的各个候选待展示内容的特征信息输入特征交叉层中,得到融合后的特征信息。特征交叉层可以对所有特征信息交叉融合,从而得到融合后的特征信息。
特征交叉层也可以称为注意力机制网络,神经网络中的注意力机制是在计算能力有限的情况下,将计算资源分配给更重要的任务,同时解决信息超载问题的一种资源分配方案。注意力机制的原理就是计算当前输入序列与输出向量的匹配程度,匹配度高也就是注意力集中点其相对的得分越高,其中注意力机制计算得到的匹配度权重,只限于当前序列对,不是像网络模型权重这样的整体权重。
在这里,特征交叉层可以是transformer结构,也可以是BiLSTM(Bi-directionalLong Short-Term Memory,双向长短期记忆网络)结构。
步骤603,将融合后的特征信息输入全连接层中,得到排序信息。
在本实施例中,上述执行主体可以将步骤602中输出的融合后的特征信息输入全连接层中,得到排序信息。全连接层可以对融合后的特征信息再一次进行交叉融合,再经过激活函数(sigmoid)得到排序信息。
本公开的上述实施例提供的方法通过将候选待展示内容的相关信息依次输入共享全连接层、特征交叉层和全连接层,这些网络层可以对候选待展示内容的相关信息进行充分地交叉与融合,从而可以提高针对候选待展示内容的排序信息的准确性。
继续参见图7,图7是根据本实施例的信息输出方法的将相关信息输入排序模型得到排序信息的应用场景的一个示意图。在图7的应用场景中,X_1为第一页初始展示列表页中的第一个GIF动图的相关信息,X_2为第一页初始展示列表页中的第二个GIF动图的相关信息,X_n为第一页初始展示列表页中的第n个GIF动图的相关信息。在这里,以第一个GIF动图为例,第一个GIF动图的相关信息X_1由第一个GIF动图的GIF信息701、第一个GIF动图在第一页初始展示列表
页中的位置信息702、用户A的用户信息和视频B的视频信息703拼
接组成。以第一个GIF动图为例,将第一个GIF动图的相关信息X_1输入共享全连接层704中,可以得到第一个GIF动图的特征信息;之后,将共享全连接层704输出的第一个GIF动图的特征信息输入特征交叉层705,可以得到融合后的特征信息;最后,将特征交叉层705输出的融合后的特征信息输入到全连接层706中,可以得到排序信息s_1,s_1为用户A针对视频B进行评论时选择第一个GIF动图的初始概率。利用这种方式,可以得到s_2(用户A针对视频B进行评论时选择第二个GIF动图的初始概率)至s_n(用户A针对视频B进行评论时选择第n个GIF动图的初始概率)。在这里,可以额外增加一个输出通道,用于输出用户A针对视频B进行评论时对向后翻页的概率s_(n+1),即翻到第二页的概率。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种信息输出装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的信息输出装置800包括:第一获取单元801、第一获取单元802、确定单元803、排序单元804和输出单元805。其中,第一获取单元801用于获取呈现有多个候选待展示内容的初始展示列表页;第二获取单元802用于获取初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在初始展示列表页中的位置信息;确定单元803用于根据相关信息,确定针对候选待展示内容的排序信息,其中,排序信息包括各个候选待展示内容被选中的初始概率;排序单元804用于基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;输出单元805用于输出最终展示列表页。
在本实施例中,信息输出装置800的第一获取单元801、第二获取单元802、确定单元803、排序单元804和输出单元805的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在一些可选的实现方式中,候选待展示内容的相关信息还可以包括以下至少一项:目标视频的视频信息和目标用户的用户信息,目标视频为最终展示列表页所针对的视频,目标用户为针对目标视频进行评论的用户。
在一些可选的实现方式中,上述第一获取单元801可以进一步用于通过如下方式获取呈现有多个候选待展示内容的初始展示列表页:上述第一获取单元801可以获取呈现有多个候选待展示内容的至少两页初始展示列表页;以及排序信息还包括:对至少两页初始展示列表页中的各页初始展示列表页进行翻页的概率。
在一些可选的实现方式中,上述排序单元804可以进一步用于通过如下方式基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页:针对第一页初始展示列表页中的每个候选待展示内容,上述排序单元804可以将该候选待展示内容被选中的初始概率确定为该候选待展示内容被选中的最终概率;针对目标初始展示列表页中的每个候选待展示内容,上述排序单元804可以基于该候选待展示内容被选中的初始概率和目标翻页概率,确定该候选待展示内容被选中的最终概率,其中,目标翻页概率为对目标初始展示列表页的前一展示列表页进行翻页的概率,目标初始展示列表页为至少两页初始展示列表页中除第一页初始展示列表页之外的其他初始展示列表页;之后,可以按照最终概率由大到小的顺序对多个候选待展示内容进行排序,得到最终展示列表页。
在一些可选的实现方式中,上述排序单元804可以进一步用于通过如下方式基于该候选待展示内容的初始概率和目标翻页概率,确定该候选待展示内容的最终概率:上述排序单元804可以将该候选待展示内容的初始概率与目标翻页概率的乘积确定为该候选待展示内容的最终概率。
在一些可选的实现方式中,上述确定单元803可以进一步用于通过如下方式根据相关信息,确定针对候选待展示内容的排序信息:上述确定单元803可以将相关信息输入预先训练的排序模型中,得到针对候选待展示内容的排序信息。
在一些可选的实现方式中,排序模型是通过如下步骤训练得到的:获取训练样本集合,其中,训练样本包括样本展示列表页中呈现的各个候选待展示内容的相关信息和针对候选待展示内容的样本排序信息,样本排序信息包括用于表征样本展示列表中的候选待展示内容被选中的标注信息;将训练样本集合中的训练样本中的样本展示列表页中呈现的各个候选待展示内容的相关信息和样本排序信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练初始神经网络;将训练得到的初始神经网络确定为排序模型。
在一些可选的实现方式中,样本排序信息还包括用于表征对样本展示列表页进行翻页的标注信息。
在一些可选的实现方式中,初始展示列表页为目标用户针对目标视频进行评论时的待展示列表页。
在一些可选的实现方式中,候选待展示内容包括动态表情图。
下面参考图9,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)900的结构示意图。图9示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取呈现有多个候选待展示内容的初始展示列表页;获取初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在初始展示列表页中的位置信息;根据相关信息,确定针对候选待展示内容的排序信息,其中,排序信息包括各个候选待展示内容被选中的初始概率;基于排序信息,对初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;输出最终展示列表页。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第二获取单元、确定单元、排序单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,输出单元还可以被描述为“输出最终展示列表页的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种信息输出方法,其特征在于,包括:
获取呈现有多个候选待展示内容的初始展示列表页;
获取所述初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在所述初始展示列表页中的位置信息;
根据所述相关信息,确定针对候选待展示内容的排序信息,其中,所述排序信息包括各个候选待展示内容被选中的初始概率;
基于所述排序信息,对所述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;
输出所述最终展示列表页。
2.根据权利要求1所述的方法,其特征在于,候选待展示内容的相关信息还包括以下至少一项:目标视频的视频信息和目标用户的用户信息,所述目标视频为所述最终展示列表页所针对的视频,所述目标用户为针对所述目标视频进行评论的用户。
3.根据权利要求1所述的方法,其特征在于,所述获取呈现有多个候选待展示内容的初始展示列表页,包括:
获取呈现有多个候选待展示内容的至少两页初始展示列表页;以及
所述排序信息还包括:对所述至少两页初始展示列表页中的各页初始展示列表页进行翻页的概率。
4.根据权利要求3所述的方法,其特征在于,所述基于所述排序信息,对所述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页,包括:
针对第一页初始展示列表页中的每个候选待展示内容,将该候选待展示内容被选中的初始概率确定为该候选待展示内容被选中的最终概率;
针对目标初始展示列表页中的每个候选待展示内容,基于该候选待展示内容被选中的初始概率和目标翻页概率,确定该候选待展示内容被选中的最终概率,其中,所述目标翻页概率为对所述目标初始展示列表页的前一展示列表页进行翻页的概率,所述目标初始展示列表页为所述至少两页初始展示列表页中除所述第一页初始展示列表页之外的其他初始展示列表页;
按照最终概率由大到小的顺序对所述多个候选待展示内容进行排序,得到最终展示列表页。
5.根据权利要求4所述的方法,其特征在于,所述基于该候选待展示内容的初始概率和目标翻页概率,确定该候选待展示内容的最终概率,包括:
将该候选待展示内容的初始概率与目标翻页概率的乘积确定为该候选待展示内容的最终概率。
6.根据权利要求1所述的方法,其特征在于,所述根据所述相关信息,确定针对候选待展示内容的排序信息,包括:
将所述相关信息输入预先训练的排序模型中,得到针对候选待展示内容的排序信息。
7.根据权利要求6所述的方法,其特征在于,所述排序模型是通过如下步骤训练得到的:
获取训练样本集合,其中,训练样本包括样本展示列表页中呈现的各个候选待展示内容的相关信息和针对候选待展示内容的样本排序信息,所述样本排序信息包括用于表征样本展示列表中的候选待展示内容被选中的标注信息;
将所述训练样本集合中的训练样本中的样本展示列表页中呈现的各个候选待展示内容的相关信息和样本排序信息分别作为初始神经网络的输入和期望输出,利用机器学习方法训练所述初始神经网络;
将训练得到的所述初始神经网络确定为所述排序模型。
8.根据权利要求7所述的方法,其特征在于,所述样本排序信息还包括用于表征对样本展示列表页进行翻页的标注信息。
9.根据权利要求1所述的方法,其特征在于,所述初始展示列表页为目标用户针对目标视频进行评论时的待展示列表页。
10.根据权利要求1-9之一所述的方法,其特征在于,候选待展示内容包括动态表情图。
11.一种信息输出装置,其特征在于,包括:
第一获取单元,用于获取呈现有多个候选待展示内容的初始展示列表页;
第二获取单元,用于获取所述初始展示列表页中呈现的各个候选待展示内容的相关信息,其中,候选待展示内容的相关信息包括:候选待展示内容的内容信息和候选待展示内容在所述初始展示列表页中的位置信息;
确定单元,用于根据所述相关信息,确定针对候选待展示内容的排序信息,其中,所述排序信息包括各个候选待展示内容被选中的初始概率;
排序单元,用于基于所述排序信息,对所述初始展示列表页中呈现的多个候选待展示内容重新排序,得到最终展示列表页;
输出单元,用于输出所述最终展示列表页。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978200.4A CN113641930A (zh) | 2021-08-24 | 2021-08-24 | 信息输出方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978200.4A CN113641930A (zh) | 2021-08-24 | 2021-08-24 | 信息输出方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113641930A true CN113641930A (zh) | 2021-11-12 |
Family
ID=78423672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978200.4A Pending CN113641930A (zh) | 2021-08-24 | 2021-08-24 | 信息输出方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641930A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890725A (zh) * | 2012-11-02 | 2013-01-23 | 瑞庭网络技术(上海)有限公司 | 搜索引擎的结果排序方法 |
CN108446311A (zh) * | 2018-02-06 | 2018-08-24 | 微梦创科网络科技(中国)有限公司 | 一种基于社交网络的app推荐方法及装置 |
CN109101502A (zh) * | 2017-06-20 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种页面的流量配置方法、切换方法及装置 |
CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 点击概率预测、页面内容推荐方法和装置 |
CN111563158A (zh) * | 2020-04-26 | 2020-08-21 | 腾讯科技(深圳)有限公司 | 文本排序方法、排序装置、服务器和计算机可读存储介质 |
-
2021
- 2021-08-24 CN CN202110978200.4A patent/CN113641930A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890725A (zh) * | 2012-11-02 | 2013-01-23 | 瑞庭网络技术(上海)有限公司 | 搜索引擎的结果排序方法 |
CN109101502A (zh) * | 2017-06-20 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种页面的流量配置方法、切换方法及装置 |
CN108446311A (zh) * | 2018-02-06 | 2018-08-24 | 微梦创科网络科技(中国)有限公司 | 一种基于社交网络的app推荐方法及装置 |
CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 点击概率预测、页面内容推荐方法和装置 |
CN111563158A (zh) * | 2020-04-26 | 2020-08-21 | 腾讯科技(深圳)有限公司 | 文本排序方法、排序装置、服务器和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
陆伟等: "图像语义信息可视化交互研究", 国防图书馆出版社, pages: 170 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334689B (zh) | 视频分类方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN110688528B (zh) | 生成视频的分类信息的方法、装置、电子设备和介质 | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN109145828B (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN109947989B (zh) | 用于处理视频的方法和装置 | |
CN109933217B (zh) | 用于推送语句的方法和装置 | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN111915086A (zh) | 异常用户预测方法和设备 | |
CN111461967B (zh) | 图片处理方法、装置、设备和计算机可读介质 | |
EP4044044A1 (en) | Method and apparatus for processing information | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN114357325A (zh) | 内容搜索方法、装置、设备及介质 | |
CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
CN111026849B (zh) | 数据处理方法和装置 | |
CN112183388A (zh) | 图像处理方法、装置、设备和介质 | |
CN109947526B (zh) | 用于输出信息的方法和装置 | |
CN112200183A (zh) | 图像处理的方法、装置、设备和计算机可读介质 | |
US20230367972A1 (en) | Method and apparatus for processing model data, electronic device, and computer readable medium |
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 |