CN113962285A - 多路召回结果融合方法、装置、电子设备和计算机介质 - Google Patents
多路召回结果融合方法、装置、电子设备和计算机介质 Download PDFInfo
- Publication number
- CN113962285A CN113962285A CN202111080662.0A CN202111080662A CN113962285A CN 113962285 A CN113962285 A CN 113962285A CN 202111080662 A CN202111080662 A CN 202111080662A CN 113962285 A CN113962285 A CN 113962285A
- Authority
- CN
- China
- Prior art keywords
- recall
- candidate information
- subset
- information
- fusion
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了多路召回结果融合方法、装置、电子设备和计算机介质。该方法的实施例包括:通过多路召回方式召回多个候选信息集;基于候选信息的类别,将所召回的候选信息集划分为多个子集;确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,得到融合信息集。该实施方式保证了多路召回结果融合后的多样性,同时提高了融合后结果的质量。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及多路召回结果融合方法、装置、电子设备和计算机介质。
背景技术
在信息搜索、信息推荐等场景中,通常采用多路召回方式进行信息召回,以提升召回结果的多样性。由于多路召回结果数据量较大,因此在得到多路召回结果后,需要从各路召回结果中选取部分结果进行融合,以便于对融合后的结果进行精细排序及推送。
现有技术中,通常直接基于所召回的各信息的得分,从各路召回结果中选取部分结果进行融合。由于各路召回结果的召回源不同,从不同召回源所召回的信息的得分不具有可比性,因此这种方式易使融合后的召回结果的多样性降低以及融合后结果的质量降低。
发明内容
本申请实施例提出了多路召回结果融合方法、装置、电子设备和计算机介质,以解决现有技术中对多路召回结果融合后多样性降低以及融合后结果的质量较低的技术问题。
第一方面,本申请实施例提供了一种多路召回结果融合方法,该方法包括:通过多路召回方式召回多个候选信息集;基于候选信息的类别,将所召回的候选信息集划分为多个子集;确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,生成融合信息集。
第二方面,本申请实施例提供了一种多路召回结果融合装置,该装置包括:召回单元,用于通过多路召回方式召回多个候选信息集;划分单元,用于基于候选信息的类别,将所召回的候选信息集划分为多个子集;分配单元,用于确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;汇总单元,用于基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,得到融合信息集。
第三方面,本申请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,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上述第一方面中所描述的方法。
第四方面,本申请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上述第一方面中所描述的方法。
本申请实施例提供的多路召回结果融合方法、装置、电子设备和计算机可读介质,首先通过多路召回方式召回多个候选信息集;而后基于候选信息的类别将所召回的候选信息集划分为多个子集;之后确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;最后基于各子集的入选数量从各子集中选取部分候选信息,从而将所选取的候选信息进行汇总,得到融合信息集。该实施方式本方案通过对召回结果按类别拆分后再合并的机制,精细控制了合并结果的融合过程,既能够平衡不同召回通路又能平衡不同类别,保证了多路召回结果融合后的多样性,同时提高了融合后结果的质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的多路召回结果融合方法的应用场景的示意图;
图2是根据本申请的多路召回结果融合方法的一个实施例的流程图;
图3是根据本申请的多路召回结果融合方法的配额模型的结构示意图;
图4是根据本申请的多路召回结果融合方法的执行过程的示意图;
图5是本申请的多路召回结果融合方法可应用于其中的系统架构图;
图6是根据本申请的多路召回结果融合装置的一个实施例的结构示意图;
图7是用于实现本申请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
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请实施例可以应用于多路召回结果处理场景,具体可以应用于搜索、信息推送等场景中需要对多路召回结果进行融合的环节。
以搜索场景为例,在接收到客户端发送的搜索请求后,可采用多路召回方式,从多个召回源召回多路搜索结果集(搜索结果集可作为候选信息集,搜索结果集中的搜索结果可作为候选信息),召回源于搜索结果集一一对应。此时,可采用本申请实施例中的方法对多路搜索结果集进行融合。
以信息推送场景为例,信息推送通常在特定条件下主动进行。在待向客户端推送信息时,可采用多路召回方式,从多个召回源召回多路待推送的候选信息集。此时,可采用本申请实施例中的方法对多路搜索结果集进行融合。
在一些示例中,图1是本申请的多路召回结果融合方法的应用场景的示意图。如图1所示,在搜索、推荐等领域中,为平衡效果和性能,通常首先采用多路召回方式(如文本召回、向量召回、协同过滤召回等方式)召回多个候选信息集。而后,分别针对各候选信息集进行候选信息的粗粒度排序(即图1所示的“粗排”)。例如,对文本召回方式所召回的候选信息集进行粗排的过程可称为文本粗排,对向量召回方式所召回的候选信息集进行粗排的过程可称为向量粗排等。之后,执行多路融合步骤,即从粗排后的各候选信息集中选取部分信息进行融合(如图1所示的“多路Merge”)。最后,对多路融合后的结果进行精细排序(如图1所示的“精排”),从而输出排序结果。
在上述各阶段中,每一阶段的部分结果可进入下一阶段。由此,候选信息集的数据量可逐渐减少。需要说明的是,本申请实施例的多路召回结果融合方法主要可应用于上述过程中的“多路融合”阶段。
请参考图2,其示出了根据本申请的多路召回结果融合方法的一个实施例的流程200。多路召回结果融合方法的执行主体可以是服务器等电子设备。服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个设备组成的分布式设备集群,也可以实现成单个设备。当服务器为软件时,可以实现成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。
需要说明的是,当其他设备(如智能手机、平板电脑、电子书阅读器、膝上型便携计算机、车载电脑、掌上电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等)具备相应计算能力时,多路召回结果融合方法的执行主体也可以是上述其他设备,此处不作限定。
该多路召回结果融合方法,包括以下步骤:
步骤201,通过多路召回方式召回多个候选信息集。
在本实施例中,多路召回结果融合方法的执行主体(如上述电子设备)可以通过多路召回方式召回多个候选信息集。不同候选信息集可对应不同的召回源。上述多个候选信息集可以是通过多路召回方式召回的多路召回结果,也可以是对上述多路召回结果进行粗排后的多路结果,此处不作限定。
在一些示例中,多路召回方式可以包括但不限于以下至少两项:文本召回方式、向量召回方式、基于协同过滤的召回方式、基于图结构的召回方式。不同召回方式的召回源不同。
步骤202,基于候选信息的类别,将所召回的候选信息集划分为多个子集。
在本实施例中,候选信息的类别可以根据需要进行预先划分。上述执行主体可以基于候选信息的类别,将所召回的候选信息集划分为多个子集。
作为示例,在候选信息为商品信息时,可按照商品类别进行划分,如划分为家电类、数码类、生鲜类等。此时,每个候选信息集可划分为家电类对应的子集、数码类对应的子集、生鲜类对应的子集等。
作为又一示例,在候选信息为门店(不限于线上门店和线下门店)时,可按照门店类别进行划分,如划分为美食类、家政服务类、休闲娱乐类等。此时,每个候选信息集可划分为美食类对应的子集、家政服务类对应的子集、休闲娱乐类对应的子集等。
需要说明的是,每个候选信息集的子集数量可以相同或不同。例如,候选信息共有A、B、C、D四个类别,若某个候选信息集中仅包含A、B两个类别的候选信息,则该候选信息集可被划分为两个子集;若另一候选信息集中同时包含A、B、C、D两个类别的候选信息,则该候选信息集可被划分为四个子集。
可以理解的是,原始的多路召回结果仅能够根据召回源进行划分。本实施例中在对每路召回结果(即每个候选信息集)按类别划分为子集后,可基于召回源和类别共同决定召回结果的划分粒度。例如,召回源有4个(即候选信息集有4个),候选信息类别有4种,则最多可划分成16个子集。每个子集对应一组召回源和候选信息类别的组合。由此,可细化召回结果的划分粒度,有助于保证融合后结果的多样性。
步骤203,确定各子集的权重,并基于所确定的权重,为各子集分配入选数量。
在本实施例中,上述执行主体可以首先确定各候选信息集的各子集的权重。此处,每一组召回源和候选信息类别的组合的权重可以预先设定,如根据经验及大量数据统计而预先设定。此时,上述执行主体可以直接读取各组合的权重,从而得到相应子集的权重。另外,每个子集的权重也可以实时确定,如采用预先设定的权重计算规则实时计算得到。上述权重计算规则可根据需要进行预先设定,此处不作具体限定。
在各子集的权重后,对于每一个子集,上述执行主体可以基于该子集的权重,为该子集分配入选数量。其中,权重与入选数量可以呈正比关系。例如,各子集的权重总和可以为1(或将各子集的权重进行归一化),可设定总入选数量,将每个子集的权重与该总入选数量的乘积,作为该子集的入选数量。
在本实施例的一些可选的实现方式中,每个子集的权重也可以通过预先训练的配额模型实时确定。上述配额模型可用于权重分配。具体地,上述执行主体可以首先获取召回场景的特征信息。而后,将所获取的特征信息输入至预先训练的配额模型,得到各子集的权重。
此处,召回场景可包括但不限于搜索场景、推送场景等。作为示例,若召回场景为搜索场景,则召回场景的特征信息可包括以下至少一项:用户特征、上下文特征、搜索请求的请求特征、用户行为序列特征。作为又一示例,若召回场景为推送场景,则召回场景的特征信息可包括以下至少一项:用户特征、上下文特征、用户行为序列特征。
此处,配额模型可采用神经网络预先训练得到。可选的,可通过如下步骤训练得到:
第一步,获取多路召回日志以及多路召回日志对应的用户行为日志。
多路召回日志可以是每次执行多路召回操作所记录的日志,其内可记录有多个历史召回场景的历史特征信息。用户行为日志可以包括每次历史召回场景下的用户点击数据。用户点击数据中可包括但不限于用户点击的历史候选信息及其相关信息,如历史候选信息的召回源、历史候选信息的类别等。
第二步,基于多路召回日志和用户行为日志,生成样本集。
作为示例,可首先从多路召回日志和用户行为日志中提取多个历史召回场景的历史特征信息,并确定各历史召回场景下用户点击的历史候选信息的召回源和历史候选信息所属的类别。之后,对于每一个历史召回场景,基于该历史召回场景下用户点击的历史候选信息的召回源和历史候选信息所属的类别,确定该历史召回场景的历史特征信息的标注。最后,基于各历史特征信息和标注,生成样本集。即,将每一次历史召回场景的历史特征信息及其标注组合为一个样本,由此可得到包含多个样本的样本集。
第三步,基于样本集,采用机器学习方法训练得到配额模型。
此处,可以采用采用机器学习方法(如有监督学习方式)对神经网络进行训练,将训练后的神经网络作为配额模型。
在训练过程中,可以逐一地将样本输入至神经网络,得到神经网络输出的预测结果。该检测结果可以包括各召回源和类别的组合被点击的概率。而后,可以基于预测结果与所输入的样本对应的标注,确定损失值。上述损失值为损失函数(loss function)的值,损失函数是一个非负实值函数,可以用于表征检测结果与真实结果的差异。一般情况下,损失值越小,模型的鲁棒性就越好。损失函数可以根据实际需求来设置。之后,可以利用该损失值,更新神经网络的参数。由此,每输入一次样本,可以基于该样本对应的损失值,对神经网络的参数进行一次更新,直至训练完成。
实践中,可以通过多种方式确定是否训练完成。作为示例,当神经网络输出的预测结果的准确性达到预设值时(例如99%),可确定训练完成。作为又一示例,若神经网络的训练次数等于预设次数时,可以确定训练完成。此处,若训练完成,即可将训练后的神经网络确定为配额模型。
在本实施例的一些可选的实现方式中,配额模型中可包括特征编码网络和点击概率预测网络。其中,特征编码网络可用于进行特征编码。点击概率预测网络可用于预测各子集中的候选信息被用户点击的概率,上述概率可用于表征子集的权重,如可直接作为权重。
作为示例,图3是根据本申请的多路召回结果融合方法的配额模型的结构示意图。如图3所示,上述特征编码网络可以包括特征编码层(embedding)和转换器结构层(transformer),点击概率预测网络可以包括全连接层(fully connected layers,FC)。通过特征编码层可获得查询词、用户、上下文、召回结果等特征的表达(如向量形式),通过转换器结构层可获得用户长期、短期的行为序列特征的表达(如向量序列形式)。通过全连接层可输出每一个目标(即召回源和候选信息类别的组合,也即子集)是否被点击的概率。在此示例中,召回源可包括划圈召回、文本召回、向量召回这三种召回方式的召回源。候选信息类别可包括酒店业务类、旅游业务类、到店业务类、到综业务类这四种。由于每个召回源中的候选信息类别存在差异,共可将三个召回源对应的三个候选信息集划分为六个子集,即六个目标。
需要说明的是,在配额模型处理过程中,还可以经过合并(concat)、函数处理(如利用softmax函数对全连接层的输出进行处理)等模型常规操作,此处再赘述。
利用历史召回场景下的用户行为日志训练配额模型,相比于人工给定权重的方法具有通用性,可使给定的权重更为准确合理。
步骤204,基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,生成融合信息集。
在本实施例中,上述执行主体可以基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,生成融合信息集。具体地,各候选信息集中的候选信息可具有得分,因而在将各候选信息集划分为子集后,各子集中的候选信息也具有得分。对于每个子集,上述执行主体可以按照得分对该子集中的候选信息进行排序。由此,按照得分顺序选取头部候选信息(数量为该子集对应的入选数量),汇入融合信息集。
作为示例,图4是根据本申请的多路召回结果融合方法的执行过程的示意图。如图4所示,首先可分别采用“向量召回”方式和“文本召回”方式进行信息召回,得到“召回1”和“召回2”两个候选信息集。而后可基于候选信息的类别将所召回的每个候选信息集拆分为多个子集,分别为“召回1类别1”、“召回1类别2”、“召回2类别1”、“召回2类别2”四个子集。之后基于配额模型确定各子集的权重,并基于所确定的权重,为各子集分配入选数量,从而基于各子集的入选数量对各子集进行截断,以从各子集中选取部分候选信息。最后将所选取的候选信息进行合并,得到融合信息集。
由此,融合信息集中可包括来自每个召回源的每个类别的候选信息,不会出现因得分计算标准不同导致整个候选信息集未入选的情况,避免了融合后的召回结果的多样性降低的问题以及融合后结果的质量降低的问题。
在本实施例的一些可选的实现方式中,在每次召回场景结束后(如每次搜索或推送后),上述执行主体可记录此召回场景中的相关信息(如召回的候选信息集、子集、融合信息集、排序结果、用户行为信息)等,并将此相关信息存储至相关日志(如多路召回日志、用户行为日志等)。由此,可便于实时进行日志的更新。进一步地,还可基于更新后的日志进行配额模型的更新,以提高配额模型的泛化性。
在本实施例的一些可选的实现方式中,在得到融合信息集之后,上述执行主体还可以对融合信息集中的候选信息进行排序。此处,由于融合信息集中的候选信息的数量已显著减少,因此,此处排序可在当前召回场景的特征(如可包括但不限于用户特征、上下文特征、搜索请求的请求特征、用户行为序列特征等)的基础上,融合信息集中每个候选信息的特征(如文本的特征表示)进行,此处对排序方式不作具体限定。在对融合信息集中的候选信息进行排序后,可排序结果发送至客户端,以使客户端基于排序结果展示融合信息集中的候选信息。
在一些示例中,图5是本申请的多路召回结果融合方法可应用于其中的系统架构图。如图5所示,系统架构中可包括在线系统和离线系统。离线系统可离线进行配额模型的训练与评估以及行为数据收集等操作。在线系统可在用户发起请求后(如搜索场景),通过多路召回方式召回多个候选信息集(如分别为“召回1”、“召回2”、“召回3”)。之后可分别对各候选信息集进行粗排。在对各候选信息集进行粗排后,可按照本申请实施例所描述的方式进行多路合并,得到融合信息集。之后,可对合并结果进行进一步排序,从而进行结果展示以及日志存储、日志输出等操作。需要说明的是,在推送场景中,用户无需发起请求。此时,图5中可省略“用户发起请求”这一环节。
本申请的上述实施例提供的方法,通过多路召回方式召回多个候选信息集;而后基于候选信息的类别将所召回的候选信息集划分为多个子集;之后确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;最后基于各子集的入选数量从各子集中选取部分候选信息,从而将所选取的候选信息进行汇总,得到融合信息集。该实施方式本方案通过对召回结果按类别拆分后再合并的机制,精细控制了合并结果的融合过程,既能够平衡不同召回通路又能平衡不同类别,保证了多路召回结果融合后的多样性,同时提高了融合后结果的质量。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种多路召回结果融合装置的一个实施例,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6所示,本实施例的多路召回结果融合装置600包括:召回单元601,用于通过多路召回方式召回多个候选信息集;划分单元602,用于基于候选信息的类别,将所召回的候选信息集划分为多个子集;分配单元603,用于确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;汇总单元604,用于基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,得到融合信息集。
在本实施例的一些可选的实现方式中,上述分配单元603,还用于:获取召回场景的特征信息;将上述特征信息输入至预先训练的配额模型,得到各子集的权重,上述配额模型用于权重分配。
在本实施例的一些可选的实现方式中,上述配额模型中包括特征编码网络和点击概率预测网络,上述特征编码网络用于进行特征编码,上述点击概率预测网络用于预测各子集中的候选信息被用户点击的概率,上述概率用于表征子集的权重。
在本实施例的一些可选的实现方式中,上述特征编码网络包括特征编码层和转换器结构层,上述点击概率预测网络包括全连接层。
在本实施例的一些可选的实现方式中,上述配额模型通过如下步骤训练得到:获取多路召回日志以及上述多路召回日志对应的用户行为日志;基于上述多路召回日志和上述用户行为日志,生成样本集;基于上述样本集,采用机器学习方法训练得到配额模型。
在本实施例的一些可选的实现方式中,上述基于上述多路召回日志和上述用户行为日志,生成样本集,包括:从上述多路召回日志和上述用户行为日志中提取多个历史召回场景的历史特征信息,并确定各历史召回场景下用户点击的历史候选信息的召回源和上述历史候选信息所属的类别;对于每一个历史召回场景,基于该历史召回场景下用户点击的历史候选信息的召回源和历史候选信息所属的类别,确定该历史召回场景的历史特征信息的标注;基于各历史特征信息和标注,生成样本集。
在本实施例的一些可选的实现方式中,上述召回场景包括信息搜索场景;上述特征信息包括以下至少一项:用户特征、上下文特征、搜索请求的请求特征、用户行为序列特征。
在本实施例的一些可选的实现方式中,上述召回场景包括信息推送场景;上述特征信息包括以下至少一项:用户特征、上下文特征、用户行为序列特征。
在本实施例的一些可选的实现方式中,上述装置还包括:发送单元,用于对上述融合信息集中的候选信息进行排序;将排序结果发送至客户端,以使上述客户端基于上述排序结果展示上述融合信息集中的候选信息。
在本实施例的一些可选的实现方式中,上述多路召回方式包括以下至少两项:文本召回方式、向量召回方式、基于协同过滤的召回方式、基于图结构的召回方式。
本申请的上述实施例提供的装置,通过多路召回方式召回多个候选信息集;而后基于候选信息的类别将所召回的候选信息集划分为多个子集;之后确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;最后基于各子集的入选数量从各子集中选取部分候选信息,从而将所选取的候选信息进行汇总,得到融合信息集。该实施方式本方案通过对召回结果按类别拆分后再合并的机制,精细控制了合并结果的融合过程,既能够平衡不同召回通路又能平衡不同类别,保证了多路召回结果融合后的多样性,同时提高了融合后结果的质量。
下面参考图7,其示出了用于实现本申请的一些实施例的电子设备的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705: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706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁盘、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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7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,根据本申请的一些实施例,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,本申请的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本申请的一些实施例的方法中限定的上述功能。
需要说明的是,本申请的一些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。在本申请的一些实施例中,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。而在本申请的一些实施例中,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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:通过多路召回方式召回多个候选信息集;基于候选信息的类别,将所召回的候选信息集划分为多个子集;确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,得到融合信息集。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申请的一些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),上述网络包括局域网(LAN)或广域网(WAN)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。
描述于本申请的一些实施例中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确定单元、第二确定单元、选取单元和第三确定单元。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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本申请的一些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,本申请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。例如上述特征与本申请的实施例中公开的(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 (12)
1.一种多路召回结果融合方法,其特征在于,所述方法包括:
通过多路召回方式召回多个候选信息集;
基于候选信息的类别,将所召回的候选信息集划分为多个子集;
确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;
基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,生成融合信息集。
2.根据权利要求1所述的方法,其特征在于,所述确定各子集的权重,包括:
获取召回场景的特征信息;
将所述特征信息输入至预先训练的配额模型,得到各子集的权重,所述配额模型用于权重分配。
3.根据权利要求2所述的方法,其特征在于,所述配额模型中包括特征编码网络和点击概率预测网络,所述特征编码网络用于进行特征编码,所述点击概率预测网络用于预测各子集中的候选信息被用户点击的概率,所述概率用于表征子集的权重。
4.根据权利要求3所述的方法,其特征在于,所述特征编码网络包括特征编码层和转换器结构层,所述点击概率预测网络包括全连接层。
5.根据权利要求2所述的方法,其特征在于,所述配额模型通过如下步骤训练得到:
获取多路召回日志以及所述多路召回日志对应的用户行为日志;
基于所述多路召回日志和所述用户行为日志,生成样本集;
基于所述样本集,采用机器学习方法训练得到配额模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述多路召回日志和所述用户行为日志,生成样本集,包括:
从所述多路召回日志和所述用户行为日志中提取多个历史召回场景的历史特征信息,并确定各历史召回场景下用户点击的历史候选信息的召回源和所述历史候选信息所属的类别;
对于每一个历史召回场景,基于该历史召回场景下用户点击的历史候选信息的召回源和历史候选信息所属的类别,确定该历史召回场景的历史特征信息的标注;
基于各历史特征信息和标注,生成样本集。
7.根据权利要求2所述的方法,其特征在于,所述召回场景包括信息搜索场景;
所述特征信息包括以下至少一项:用户特征、上下文特征、搜索请求的请求特征、用户行为序列特征。
8.根据权利要求2所述的方法,其特征在于,所述召回场景包括信息推送场景;
所述特征信息包括以下至少一项:用户特征、上下文特征、用户行为序列特征。
9.根据权利要求1所述的方法,其特征在于,在得到融合信息集之后,所述方法还包括:
对所述融合信息集中的候选信息进行排序;
将排序结果发送至客户端,以使所述客户端基于所述排序结果展示所述融合信息集中的候选信息。
10.一种多路召回结果融合装置,其特征在于,所述装置包括:
召回单元,用于通过多路召回方式召回多个候选信息集;
划分单元,用于基于候选信息的类别,将所召回的候选信息集划分为多个子集;
分配单元,用于确定各子集的权重,并基于所确定的权重,为各子集分配入选数量;
汇总单元,用于基于各子集的入选数量从各子集中选取部分候选信息,将所选取的候选信息进行汇总,得到融合信息集。
11.一种电子设备,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1-9中任一所述的方法。
12.一种计算机可读介质,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080662.0A CN113962285A (zh) | 2021-09-15 | 2021-09-15 | 多路召回结果融合方法、装置、电子设备和计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080662.0A CN113962285A (zh) | 2021-09-15 | 2021-09-15 | 多路召回结果融合方法、装置、电子设备和计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962285A true CN113962285A (zh) | 2022-01-21 |
Family
ID=79461544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111080662.0A Pending CN113962285A (zh) | 2021-09-15 | 2021-09-15 | 多路召回结果融合方法、装置、电子设备和计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962285A (zh) |
-
2021
- 2021-09-15 CN CN202111080662.0A patent/CN113962285A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688528B (zh) | 生成视频的分类信息的方法、装置、电子设备和介质 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
WO2022121801A1 (zh) | 信息处理方法、装置和电子设备 | |
CN111680799B (zh) | 用于处理模型参数的方法和装置 | |
CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112989146B (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114265981A (zh) | 推荐词确定方法、装置、设备及存储介质 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
WO2022001887A1 (zh) | 用于训练物品编码模型的方法和装置 | |
CN114912030A (zh) | 权益模型训练方法、推荐方法及电子终端和计算机介质 | |
JP2024513293A (ja) | トランスフォーマベースのモデルナレッジグラフリンク予測 | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN115391661A (zh) | 训练推荐模型的方法、推荐资源的方法及其装置 | |
CN113962285A (zh) | 多路召回结果融合方法、装置、电子设备和计算机介质 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
KR102650587B1 (ko) | 정량적 기준 및 정성적 기준을 고려한 계약 중개인에 대한 평가 및 매칭 솔루션 제공 방법, 장치 및 시스템 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN114912585A (zh) | 神经网络的生成方法和装置 | |
CN114860988A (zh) | 一种视频媒资推荐排序方法、装置及电子设备 |
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 |