CN114357013A - 用于输出数据指标的方法、模型训练方法及装置 - Google Patents

Abstract

本公开提供了用于输出数据指标的方法、模型训练方法及装置，涉及人工智能技术领域，具体为内容推荐技术领域。具体实现方案为：获取数据指标集合；响应于确定存在预先训练完成的权重生成模型，基于权重生成模型，确定数据指标集合中各个数据指标对应的目标权重；基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序；按照输出顺序输出各个数据指标。本实现方式可以提高内容展示的智能化程度。

Description

用于输出数据指标的方法、模型训练方法及装置

技术领域

本公开涉及人工智能技术领域，具体为内容推荐技术领域。

背景技术

目前，随着信息技术的不断发展，用户从各类渠道所获取的内容越来越多。

在实践中发现，这些内容的展示往往杂乱无序，需要用户根据自己的需求选择相应的内容查看方式，例如根据自己的需求选择对内容进行查看的顺序。可见，现在的内容展示方式存在着智能化程度较低的问题。

发明内容

本公开提供了一种用于输出数据指标的方法、模型训练方法及装置。

根据本公开的一方面，提供了一种用于输出数据指标的方法，包括：获取数据指标集合；响应于确定存在预先训练完成的权重生成模型，基于所述权重生成模型，确定所述数据指标集合中各个数据指标对应的目标权重；基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序；按照所述输出顺序输出各个数据指标。

根据本公开的另一方面，提供了一种模型训练方法，包括：获取样本数据指标对集合以及样本单数据指标集合；确定所述样本数据指标对集合对应的第一损失函数，以及所述样本单数据指标集合对应的第二损失函数；基于所述样本数据指标对集合、所述样本单数据指标集合、所述第一损失函数以及所述第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

根据本公开的另一方面，提供了一种用于输出数据指标的装置，包括：

指标获取单元，被配置成获取数据指标集合；权重确定单元，被配置成响应于确定存在预先训练完成的权重生成模型，基于所述权重生成模型，确定所述数据指标集合中各个数据指标对应的目标权重；顺序确定单元，被配置成基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序；指标输出单元，被配置成按照所述输出顺序输出各个数据指标。

根据本公开的另一方面，提供了一种模型训练装置，包括：样本获取单元，被配置成获取样本数据指标对集合以及样本单数据指标集合；损失函数确定单元，被配置成确定所述样本数据指标对集合对应的第一损失函数，以及所述样本单数据指标集合对应的第二损失函数；模型训练单元，被配置成基于所述样本数据指标对集合、所述样本单数据指标集合、所述第一损失函数以及所述第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，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上任意一项用于输出数据指标的方法或者模型训练方法。

根据本公开的另一方面，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，其中，计算机指令用于使计算机执行如上任意一项用于用于输出数据指标的方法或者模型训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于用于输出数据指标的方法或者模型训练方法。

根据本公开的技术，提供一种用于输出数据指标的方法或者模型训练方法，能够提高数据指标展示的智能化程度，提升用户体验。

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，不构成对本公开的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于输出数据指标的方法的一个实施例的流程图；

图3是根据本公开的用于输出数据指标的方法的一个应用场景的示意图；

图4是根据本公开的用于输出数据指标的方法的一个应用软件的软件界面示意图；

图5是根据本公开的用于输出数据指标的方法的另一个实施例的流程图；

图6是根据本公开的模型训练方法的一个实施例的流程图；

图7是根据本公开的用于输出数据指标的装置的一个实施例的结构示意图；

图8是根据本公开的模型训练装置的一个实施例的结构示意图；

图9是用来实现本公开实施例的用于输出数据指标的方法或者模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

需要说明的是，在不冲突的情况下，本公开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公开。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以通过网络104获取服务器105返回的各个数据指标以及各个数据指标对应的目标权重，按照各个数据指标对应的目标权重，将权重较大的数据指标确定为输出顺序靠前，将权重较小的数据指标确定为输出顺序靠后，按照输出数据顺序输出各个数据指标。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各个电子设备，包括但不限于手机、电脑、平板等等。当终端设备101、102、103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)，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105可以是提供各种服务的服务器，例如，服务器105可以获取需要进行输出的数据指标集合，并在存在权重生成模型的情况下，基于权重生成模型，确定各个数据指标对应的目标权重，并将目标权重和各个数据指标通过网络104发送给终端设备101、102、103，以使终端设备101、102、103按照基于目标权重确定输出顺序，并按照输出顺序输出各个数据指标。

其中，服务器105还可以通过网络104获取终端设备101、102、103历史输出的数据指标对应的用户点击情况，基于用户点击情况获取样本数据指标对集合以及样本单数据指标集合，以及基于样本数据指标对集合、样本单数据指标集合、样本数据指标对集合对应的第一损失函数、以及样本单数据指标集合对应的第二损失函数，对待训练模型进行交替训练，得到上述权重生成模型。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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。

需要说明的是，本公开实施例所提供的用于输出数据指标的方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于输出数据指标的装置可以设置于终端设备101、102、103中，也可以设置于服务器105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用于输出数据指标的方法的一个实施例的流程200。本实施例的用于输出数据指标的方法，包括以下步骤：

步骤201，获取数据指标集合。

在本实施例中，执行主体(如图1中的终端设备101、102、103或者服务器105)可以从本地存储或者预先建立连接的电子设备中获取需要进行个性化展示的数据指标集合。其中，数据指标集合中包括至少一个数据指标，数据指标可以为不同应用场景下需要输出的指标。可选的，每个数据指标对应有相应的指标值。数据指标可以包括但不限于业务指标、代码指标、工作效率指标等，本实施例对此不做限定。

步骤202，响应于确定存在预先训练完成的权重生成模型，基于权重生成模型，确定数据指标集合中各个数据指标对应的目标权重。

在本实施例中，预先训练完成的权重生成模型用于生成数据指标集合中各个数据指标的权重。其中，预先训练完成的权重生成模型可以基于各个用户对各个历史数据指标的点击情况确定得到，基于历史实际点击情况预测未来点击情况。权重越大，说明用户点击该数据指标的概率越高，也即是，数据指标的重要性程度越高，此时可以将该数据指标的输出顺序设置越靠前，以使基于各个数据指标对应的权重确定各个数据指标的输出顺序等输出参数，实现有针对性的输出数据指标。其中，输出参数用于可以包括但不限于输出顺序、输出样式、输出时间等，本实施例中对此不做限定。

步骤203，基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序。

在本实施例中，执行主体在得到各个数据指标对应的目标权重之后，可以按照目标权重由大至小的顺序，设置数据指标由前至后的输出顺序。

步骤204，按照输出顺序输出各个数据指标。

在本实施例中，执行主体可以对至少一个对象有针对性地输出数据指标；以及，基于预先训练完成的权重生成模型，确定数据指标集合中各个数据指标对应的权重，可以包括：对于每个对象，基于该对象的对象信息以及预先训练完成的权重生成模型，确定数据指标集合中各个数据指标相对于该对象的权重；基于各个数据指标相对于该对象的权重，输出各个数据指标。

继续参见图3，其示出了根据本公开的用于输出数据指标的方法的一个应用场景的示意图。在图3的应用场景中，对于数据指标集合301，可以确定数据指标集合301对应的各个数据指标的权重，基于各个数据指标的权重，确定各个数据指标的输出顺序。以及，执行主体可以按照各个数据指标的输出顺序输出各个数据指标，得到输出界面302。如输出界面302所示，依次按照数据指标1、数据指标2、数据指标3和数据指标4的输出顺序进行展示。

请一并参阅图4，图4是根据本公开的用于输出数据指标的方法的一个应用软件的软件界面示意图，如图4所示，上述的数据指标集合可以包括各个OKR(Objectives and KeyResults，目标与关键成果法)完成度，分别为KR1完成度、KR2完成度、KR3完成度、KR4完成度。执行主体可以确定这些OKR完成度的权重大小依次为：KR1完成度、KR2完成度，KR3完成度、KR4完成度。之后，基于权重对应的顺序，展示KR1完成度、KR2完成度，KR3完成度、KR4完成度。

本公开上述实施例提供的用于输出数据指标的方法，能够提高数据指标输出的智能化程度。

继续参见图5，其示出了根据本公开的用于输出数据指标的方法的另一个实施例的流程500。如图5所示，本实施例的用于输出数据指标的方法可以包括以下步骤：

步骤501，获取数据指标集合。

步骤502，响应于确定存在预先训练完成的权重生成模型，基于权重生成模型，确定数据指标集合中各个数据指标对应的目标权重。

在本实施例中，对于步骤501至步骤502的详细描述请参照对于步骤201至202的详细描述，在此不再赘述。

步骤503，响应于确定不存在权重生成模型，对于每个数据指标，确定该数据指标对应的初始权重。

在本实施例中，如果数据指标的输出处于冷启动阶段，也即是不存在历史数据指标的阶段，此时不存在权重生成模型。执行主体可以对于每个数据指标，确定该数据指标的指标属性，指标属性可以包括但不限于每个数据指标对应的预设权重、每个数据指标的异常信息等，本实施例对此不做限定。并且，执行主体可以将指标属性中每个数据指标对应的预设权重，确定为该数据指标对应的初始权重。

步骤504，响应于确定该数据指标的指标值异常，基于初始权重和预设的加权权重，得到该数据指标对应的目标权重。

在本实施例中，响应于确定该数据指标的异常信息指示该数据指标的内容异常(不处于预设的正常数值范围内)，则将该数据指标的预设权重乘以预设的加权权重，得到目标权重。例如，将异常的数据指标的初始权重乘以加权权重5，得到目标权重。

步骤505，响应于确定该数据指标的指标值正常，将该数据指标对应的初始权重，确定为该数据指标对应的目标权重。

在本实施例中，响应于确定该数据指标的异常信息指示该数据指标的指标值正常(处于预设的正常数值范围内)，则将该数据指标对应的初始权重确定为目标权重。

步骤506，基于各个数据指标对应的目标权重，对各个数据指标进行排序。

在本实施例中，执行主体在得到各个数据指标的目标权重之后，还可以确定最大目标权重，并基于最大目标权重对各个数据指标的目标权重进行归一化处理，基于归一化处理后的各个数据指标的目标权重进行排序。

步骤507，响应于确定在排序中存在目标权重相同的数据指标，基于指标字段，确定目标权重相同的数据指标之间的排序。

在本实施例中，执行主体可以按照各个数据指标的目标权重对各个数据指标进行排序，如果存在至少两个数据指标的目标权重相同，则进一步按照该至少两个数据指标的指标字段对各个数据指标进行排序。

步骤508，将各个数据指标之间的排序，确定为各个数据指标的输出顺序。

步骤509，按照输出顺序输出各个数据指标。

在本实施例中，对于步骤509的详细描述请参照对于步骤204的详细描述，在此不再赘述。

本公开的上述实施例提供的用于输出数据指标的方法，还可以对数据指标确定展示顺序，提高了展示多样性。

继续参考图6，示出了根据本公开的模型训练方法的一个实施例的流程600。本实施例的模型训练方法，包括以下步骤：

步骤601，获取样本数据指标对集合以及样本单数据指标集合。

在本实施例中，执行主体可以在存在历史数据指标对应的点击数据时，预先训练得到权重生成模型，用于对数据指标的权重进行预测，从而实现数据指标的排序。这里的点击数据可以为上述冷启动阶段与用户进行人机交互所产生的数据。

在本实施例的一些可选的实现方式中，获取样本数据指标对集合，包括：获取各个历史数据指标对应的输出顺序和点击顺序；基于输出顺序和点击顺序不匹配的历史数据指标，确定样本数据指标对集合。

在本实施例中，在对权重生成模型进行模型训练的过程中，样本数据可以包括样本数据指标对集合以及样本单数据指标集合。其中，样本数据指标对集合可以包括两个点击先后顺序与排序先后顺序不一致的样本指标内容，样本单数据指标集合可以包括单个样本指标内容。例如，样本数据指标对可以为(U，I_positive，此数据当时是否有异常)，(U，I_negative，此数据当时是否有异常)；样本单数据指标可以为(U，I，此数据是否有异常，是否点击)。其中，U指的是特定展示对象，I_positive指的是特定展示对象点击在前但是展示顺序在后的内容，I_negative指的是特定展示对象点击在后但是展示顺序在前的内容，I指的是单个展示的指标内容。

步骤602，确定样本数据指标对集合对应的第一损失函数，以及样本单数据指标集合对应的第二损失函数。

在本实施例中，第一损失函数基于样本数据指标对集合中各个指标数据的预测权重确定得到。具体的，第一损失函数可以基于以下公式确定得到：

其中，BPRLoss表示第一损失函数，p_positive表示I_positive对应的预测权重，p_negative表示I_negative对应的预测权重。

并且，第二损失函数基于样本单数据指标集合中指标数据的预测权重和指标数据的异常信息确定得到。第二损失函数可以基于样本单数据指标集合中单个指标数据的预测权重以及指标数据的异常信息确定得到，具体可以基于以下公式确定得到：

CELoss＝-y log p-(1-y)log(1-p)

其中，CELoss表示第二损失函数，p表示单个指标数据的预测权重，y表示单个指标数据是否异常，如果异常，y为1，如果正常，y为0。

步骤603，基于样本数据指标对集合、样本单数据指标集合、第一损失函数以及第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

在本实施例中，权重生成模型可以为预设的CTR(Click-Through-Rate，点击通过率)模型，也可以为其他现有技术或未来发展中可以采用的模型，本实施例对此不做限定。

在本实施例的一些可选的实现方式中，基于样本数据指标对集合、样本单数据指标集合、第一损失函数以及第二损失函数，对待训练模型进行交替训练，得到权重生成模型，包括：

从样本数据指标对集合或者样本单数据指标集合中，确定初始样本，初始样本为样本数据指标对或者样本单数据指标；

对初始样本执行以下训练步骤：响应于确定初始样本为样本数据指标对，基于待训练模型，确定样本数据指标对的预测权重；基于样本数据指标对的预测权重和第一损失函数，确定第一损失值；响应于确定第一损失值满足预设的收敛条件，将待训练模型确定为权重生成模型；或者

响应于确定初始样本为样本单数据指标，基于待训练模型，确定样本单数据指标的预测权重；基于样本单数据指标的预测权重和第二损失函数，确定第二损失值；响应于确定第二损失值满足预设的收敛条件，将待训练模型确定为权重生成模型。

在本实施例的另一些可选的实现方式中，还包括：响应于确定第一损失值不满足预设的收敛条件，从样本单数据指标集合中重新选取初始样本，并重复执行训练步骤。

在本实施例的另一些可选的实现方式中，还包括：响应于确定第二损失值不满足预设的收敛条件，从样本数据指标对集合中重新选取初始样本，并重复执行训练步骤。

在本实施例的另一些可选的实现方式中，预先训练完成的指标内容权重生成模型基于以下步骤训练得到：获取样本指标内容对数据以及样本指标内容单数据；基于样本指标内容对数据、样本指标内容单数据、样本指标内容对数据对应的第一损失函数以及样本指标内容单数据对应的第二损失函数，对待训练模型进行交替训练，得到预先训练完成的指标内容权重生成模型。

本公开的上述实施例提供的模型训练方法，权重生成模型考虑了冷启动阶段的针对性处理，进一步提高了权重生成的精准度。以及，权重生成模型采用了第一损失函数和第二损失函数交替训练模型的方式，提高了指标内容权重的生成精准度。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于输出数据指标的装置的一个实施例，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终端设备或者服务器中。

如图7所示，本实施例的用于输出数据指标的装置700包括：指标获取单元701、权重确定单元702、顺序确定单元703和指标输出单元704。

指标获取单元701，被配置成获取数据指标集合。

权重确定单元702，被配置成响应于确定存在预先训练完成的权重生成模型，基于权重生成模型，确定数据指标集合中各个数据指标对应的目标权重。

顺序确定单元703，被配置成基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序。

指标输出单元704，被配置成按照输出顺序输出各个数据指标。

在本实施例的一些可选的实现方式中，权重确定单元702进一步被配置成：响应于确定不存在权重生成模型，对于每个数据指标，确定该数据指标对应的初始权重；响应于确定该数据指标的指标值异常，基于初始权重和预设的加权权重，得到该数据指标对应的目标权重。

在本实施例的一些可选的实现方式中，权重确定单元702进一步被配置成：响应于确定该数据指标的指标值正常，将该数据指标对应的初始权重，确定为该数据指标对应的目标权重。

在本实施例的一些可选的实现方式中，指标输出单元704进一步被配置成：基于各个数据指标对应的目标权重，对各个数据指标进行排序；响应于确定在排序中存在目标权重相同的数据指标，基于指标字段，确定目标权重相同的数据指标之间的排序；将各个数据指标之间的排序，确定为各个数据指标的输出顺序。

应当理解，用于输出数据指标的装置700中记载的单元701至单元704中描述的方法分别与参考图2中的各个步骤相对应。由此，上文针对用于输出数据指标的方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于终端设备或者服务器中。

如图8所示，本实施例的模型训练装置800包括：样本获取单元801、损失函数确定单元802和模型训练单元803。

样本获取单元801，被配置成获取样本数据指标对集合以及样本单数据指标集合。

损失函数确定单元802，被配置成确定样本数据指标对集合对应的第一损失函数，以及样本单数据指标集合对应的第二损失函数。

模型训练单元803，被配置成基于样本数据指标对集合、样本单数据指标集合、第一损失函数以及第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

在本实施例的一些可选的实现方式中，样本获取单元801进一步被配置成：获取各个历史数据指标对应的输出顺序和点击顺序；基于输出顺序和点击顺序不匹配的历史数据指标，确定样本数据指标对集合。

在本实施例的一些可选的实现方式中，模型训练单元803进一步被配置成：从样本数据指标对集合或者样本单数据指标集合中，确定初始样本，初始样本为样本数据指标对或者样本单数据指标；对初始样本执行以下训练步骤：响应于确定初始样本为样本数据指标对，基于待训练模型，确定样本数据指标对的预测权重；基于样本数据指标对的预测权重和第一损失函数，确定第一损失值；响应于确定第一损失值满足预设的收敛条件，将待训练模型确定为权重生成模型；或者，响应于确定初始样本为样本单数据指标，基于待训练模型，确定样本单数据指标的预测权重；基于样本单数据指标的预测权重和第二损失函数，确定第二损失值；响应于确定第二损失值满足预设的收敛条件，将待训练模型确定为权重生成模型。

在本实施例的一些可选的实现方式中，模型训练单元803进一步被配置成：响应于确定第一损失值不满足预设的收敛条件，从样本单数据指标集合中重新选取初始样本，并重复执行训练步骤。

在本实施例的一些可选的实现方式中，模型训练单元803进一步被配置成：响应于确定第二损失值不满足预设的收敛条件，从样本数据指标对集合中重新选取初始样本，并重复执行训练步骤。

应当理解，模型训练装置800中记载的单元801至单元804分别与参考图6中描述的方法中的各个步骤相对应。由此，上文针对模型训练方法描述的操作和特征同样适用于装置800及其中包含的单元，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903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。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如用于输出数据指标的方法。例如，在一些实施例中，用于输出数据指标的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的用于输出数据指标的方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出数据指标的方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种用于输出数据指标的方法，包括：

获取数据指标集合；

响应于确定存在预先训练完成的权重生成模型，基于所述权重生成模型，确定所述数据指标集合中各个数据指标对应的目标权重；

基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序；

按照所述输出顺序输出各个数据指标。

2.根据权利要求1所述的方法，还包括：

响应于确定不存在所述权重生成模型，对于每个数据指标，确定该数据指标对应的初始权重；

响应于确定该数据指标的指标值异常，基于所述初始权重和预设的加权权重，得到该数据指标对应的目标权重。

3.根据权利要求2所述的方法，还包括：

响应于确定该数据指标的指标值正常，将该数据指标对应的初始权重，确定为该数据指标对应的目标权重。

4.根据权利要求1所述的方法，其中，所述基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序，包括：

基于各个数据指标对应的目标权重，对各个数据指标进行排序；

响应于确定在所述排序中存在目标权重相同的数据指标，基于指标字段，确定所述目标权重相同的数据指标之间的排序；

将各个数据指标之间的排序，确定为各个数据指标的输出顺序。

5.一种模型训练方法，包括：

获取样本数据指标对集合以及样本单数据指标集合；

确定所述样本数据指标对集合对应的第一损失函数，以及所述样本单数据指标集合对应的第二损失函数；

基于所述样本数据指标对集合、所述样本单数据指标集合、所述第一损失函数以及所述第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

6.根据权利要求5所述的方法，其中，所述获取样本数据指标对集合，包括：

获取各个历史数据指标对应的输出顺序和点击顺序；

基于输出顺序和点击顺序不匹配的历史数据指标，确定所述样本数据指标对集合。

7.根据权利要求5所述的方法，其中，所述基于所述样本数据指标对集合、所述样本单数据指标集合、所述第一损失函数以及所述第二损失函数，对待训练模型进行交替训练，得到权重生成模型，包括：

从所述样本数据指标对集合或者所述样本单数据指标集合中，确定初始样本，所述初始样本为样本数据指标对或者样本单数据指标；

对所述初始样本执行以下训练步骤：

响应于确定所述初始样本为所述样本数据指标对，基于所述待训练模型，确定所述样本数据指标对的预测权重；基于所述样本数据指标对的预测权重和所述第一损失函数，确定第一损失值；响应于确定所述第一损失值满足预设的收敛条件，将所述待训练模型确定为所述权重生成模型；或者

响应于确定所述初始样本为所述样本单数据指标，基于所述待训练模型，确定所述样本单数据指标的预测权重；基于所述样本单数据指标的预测权重和所述第二损失函数，确定第二损失值；响应于确定所述第二损失值满足所述预设的收敛条件，将所述待训练模型确定为所述权重生成模型。

8.根据权利要求7所述的方法，还包括：

响应于确定所述第一损失值不满足所述预设的收敛条件，从所述样本单数据指标集合中重新选取所述初始样本，并重复执行所述训练步骤。

9.根据权利要求7所述的方法，还包括：

响应于确定所述第二损失值不满足所述预设的收敛条件，从所述样本数据指标对集合中重新选取所述初始样本，并重复执行所述训练步骤。

10.一种用于输出数据指标的装置，包括：

指标获取单元，被配置成获取数据指标集合；

权重确定单元，被配置成响应于确定存在预先训练完成的权重生成模型，基于所述权重生成模型，确定所述数据指标集合中各个数据指标对应的目标权重；

顺序确定单元，被配置成基于各个数据指标对应的目标权重，确定各个数据指标的输出顺序；

指标输出单元，被配置成按照所述输出顺序输出各个数据指标。

11.根据权利要求10所述的装置，其中，所述权重确定单元进一步被配置成：

响应于确定不存在所述权重生成模型，对于每个数据指标，确定该数据指标对应的初始权重；

响应于确定该数据指标的指标值异常，基于所述初始权重和预设的加权权重，得到该数据指标对应的目标权重。

12.根据权利要求11所述的装置，其中，所述权重确定单元进一步被配置成：

响应于确定该数据指标的指标值正常，将该数据指标对应的初始权重，确定为该数据指标对应的目标权重。

13.根据权利要求10所述的装置，其中，所述指标输出单元进一步被配置成：

基于各个数据指标对应的目标权重，对各个数据指标进行排序；

响应于确定在所述排序中存在目标权重相同的数据指标，基于指标字段，确定所述目标权重相同的数据指标之间的排序；

将各个数据指标之间的排序，确定为各个数据指标的输出顺序。

14.一种模型训练装置，包括：

样本获取单元，被配置成获取样本数据指标对集合以及样本单数据指标集合；

损失函数确定单元，被配置成确定所述样本数据指标对集合对应的第一损失函数，以及所述样本单数据指标集合对应的第二损失函数；

模型训练单元，被配置成基于所述样本数据指标对集合、所述样本单数据指标集合、所述第一损失函数以及所述第二损失函数，对待训练模型进行交替训练，得到权重生成模型。

15.根据权利要求14所述的装置，其中，所述样本获取单元进一步被配置成：

获取各个历史数据指标对应的输出顺序和点击顺序；

基于输出顺序和点击顺序不匹配的历史数据指标，确定所述样本数据指标对集合。

16.根据权利要求14所述的装置，其中，所述模型训练单元进一步被配置成：

从所述样本数据指标对集合或者所述样本单数据指标集合中，确定初始样本，所述初始样本为样本数据指标对或者样本单数据指标；

对所述初始样本执行以下训练步骤：

响应于确定所述初始样本为所述样本数据指标对，基于所述待训练模型，确定所述样本数据指标对的预测权重；基于所述样本数据指标对的预测权重和所述第一损失函数，确定第一损失值；响应于确定所述第一损失值满足预设的收敛条件，将所述待训练模型确定为所述权重生成模型；或者

响应于确定所述初始样本为所述样本单数据指标，基于所述待训练模型，确定所述样本单数据指标的预测权重；基于所述样本单数据指标的预测权重和所述第二损失函数，确定第二损失值；响应于确定所述第二损失值满足所述预设的收敛条件，将所述待训练模型确定为所述权重生成模型。

17.根据权利要求16所述的装置，所述模型训练单元进一步被配置成：

响应于确定所述第一损失值不满足所述预设的收敛条件，从所述样本单数据指标集合中重新选取所述初始样本，并重复执行所述训练步骤。

18.根据权利要求16所述的装置，所述模型训练单元进一步被配置成：

响应于确定所述第二损失值不满足所述预设的收敛条件，从所述样本数据指标对集合中重新选取所述初始样本，并重复执行所述训练步骤。

19.一种电子设备，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权利要求1-9中任一项所述的方法。

20.一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根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，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权利要求1-9中任一项所述的方法。

Images