CN114417194A - 推荐系统排序方法、参数预测模型训练方法及装置 - Google Patents
推荐系统排序方法、参数预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN114417194A CN114417194A CN202111653447.5A CN202111653447A CN114417194A CN 114417194 A CN114417194 A CN 114417194A CN 202111653447 A CN202111653447 A CN 202111653447A CN 114417194 A CN114417194 A CN 114417194A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- parameters
- prediction model
- scene
- 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 76
- 238000012549 training Methods 0.000 title claims abstract description 63
- 238000012163 sequencing technique Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 44
- 230000000694 effects Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种推荐系统排序方法、参数预测模型训练方法及装置，涉及数据处理技术领域，尤其涉及大数据及深度学习领域。具体实现方案为：响应于接收到的搜索请求，获取召回的待排序内容集合；获取待排序内容集合中各待排序内容各自的推荐指标数据；获取与搜索请求对应的场景特征信息；根据场景特征信息，获取多项式多目标排序公式的多个目标可调参数；基于多项式多目标排序公式，根据推荐指标数据和多个目标可调参数对待排序内容集合中的待排序内容进行排序。通过本申请的技术方案，可在用户同意的情况下，基于待排序内容的多种特征生成目标可调参数参数，以对待排序内容进行排序，从而实现同时对多个排序目标的优化，提升排序结果准确度。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及大数据及深度学习领域，特别涉及一种推荐系统排序方法及参数预测模型训练方法、装置、电子设备及存储介质。
背景技术
相关技术中，对搜索结果的相关推荐内容进行排序时，通常只针对单一目标进行优化，例如根据不同内容的点击率进行优化排序。而需对多个目标同时进行优化时，不同目标的优化，在多数情况下相互冲突，例如提高商业价值指标的同时可能损害用户体验，导致点击率下降。
发明内容
本申请提供了一种推荐系统排序方法及参数预测模型训练方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供了一种推荐系统内容排序方法，包括：响应于接收到的搜索请求，获取召回的待排序内容集合；获取所述待排序内容集合中各待排序内容各自的推荐指标数据；获取与所述搜索请求对应的场景特征信息；根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
根据本申请的第二方面，提供了一种参数预测模型训练方法，其中，所述参数预测模型用于推荐系统内容排序场景，所述方法包括：获取搜索场景数据和所述搜索场景数据的标签数据；其中，所述标签数据为应用于所述搜索场景数据的多项式多目标排序公式中各可调参数的标签值；提取所述搜索场景数据中的场景特征信息；将所述场景特征信息输入至初始模型，获得所述多项式多目标排序公式中各可调参数的预测值；根据所述各可调参数的预测值和所述各可调参数的标签值，生成损失值；根据所述损失值对所述初始模型进行训练，获得模型参数，并根据所述模型参数生成参数预测模型。
根据本申请第三方面，提供一种推荐系统内容排序装置，包括：第一获取模块，用于响应于接收到的搜索请求，获取召回的待排序内容集合；第二获取模块，用于获取所述待排序内容集合中各待排序内容各自的推荐指标数据；第三获取模块，用于获取与所述搜索请求对应的场景特征信息；第四获取模块，用于根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；处理模块，用于基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
根据本申请第四方面，提供一种参数预测模型训练装置，其中，所述参数预测模型用于推荐系统内容排序场景，所述装置包括：获取模块，用于获取搜索场景数据和所述搜索场景数据的标签数据；其中，所述标签数据为应用于所述搜索场景数据的多项式多目标排序公式中各可调参数的标签值；第一处理模块，用于提取所述搜索场景数据中的场景特征信息；第二处理模块，用于将所述场景特征信息输入至初始模型，获得所述多项式多目标排序公式中各可调参数的预测值；生成模块，用于根据所述各可调参数的预测值和所述各可调参数的标签值，生成损失值；第三处理模块，用于根据所述损失值对所述初始模型进行训练，获得模型参数，并根据所述模型参数生成参数预测模型。
根据本申请第五方面，提供一种推荐系统，包括：内容排序装置，用于响应于接收到的搜索请求，获取召回的待排序内容集合，并获取所述待排序内容集合中各待排序内容各自的推荐指标数据；特征处理模块，用于获取与所述搜索请求对应的场景特征信息；在线预测模块，用于根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；所述内容排序装置，还用于基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
根据本申请第六方面，提供一种电子设备，其特征在于，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，或第二方面所述的方法。
根据本申请第七方面。提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行第一方面，或第二方面所述的方法。
根据本申请第八方面，提供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第一方面，或第二方面所述方法的步骤。
根据本申请的技术，可在用户同意的情况下，基于待排序内容的多种特征生成目标可调参数参数，以对待排序内容进行排序，从而实现同时对多个排序目标的优化，提升排序结果准确度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是本申请实施例提供的一种推荐系统内容排序装置的结构示意图；
图5是本申请实施例提供的另一种推荐系统内容排序装置的结构示意图；
图6是本申请实施例提供的一种参数预测模型训练装置的结构示意图；
图7是本申请实施例提供的另一种参数预测模型训练装置的结构示意图；
图8是本申请实施例提供的一种推荐系统的结构示意图；
图9是本申请实施例提供的另一种推荐系统的结构示意图；
图10是用来实现本申请实施例的推荐系统排序方法或参数预测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。
请参见图1，图1为根据本申请第一实施例的推荐系统内容排序方法示意图，该推荐系统内容排序方法可以应用于对用户搜索内容的相关推荐内容进行排序。如图1所示，该推荐系统内容排序方法可以包括以下步骤。
步骤S101，响应于接收到的搜索请求，获取召回的待排序内容集合。
其中，在本申请的实施例中，召回的待排序内容集合指与搜索请求相关的多个相关推荐内容的集合。
举例而言，可以响应于用户使用搜索服务搜索任一信息，获取与该信息相关的，召回的待排序内容集合。
步骤S102，获取待排序内容集合中各待排序内容各自的推荐指标数据。
其中，在本申请的实施例中，推荐指标数据包括但不限于：预估点击率、点击后触发的导流阅读量及点击后触发的搜索收入。
举例而言，可将各待排序内容分别输入预设的相应模型中，获取每个待排序内容各自的推荐指标数据，上述模型不包含在本申请技术方案之内，本申请实施例并不对此作出限定，也不再赘述。
步骤S103，获取与搜索请求对应的场景特征信息。
其中，在本申请的实施例中，场景特征信息包括但不限于：用户侧特征，例如，年龄、性别、教育水平及使用搜索服务的运行场景(APP或网页等)及用户搜索内容对应的意图下点击结果页的次数；搜索侧特征，例如搜索请求的内容分类(人物、体育或音乐等)、该搜索内容一个月内搜索量、该搜索内容最后一次搜索的点击率等；搜索请求侧特征，例如用户使用的操作系统及搜索请求的类型(用户主动搜索或经其他途径导流搜索)等。
举例而言，可通过预先设置的特征处理模块，根据搜索请求的相关信息，获取该请求对应的场景特征信息。
步骤S104，根据场景特征信息，获取多项式多目标排序公式的多个目标可调参数。
举例而言，可将场景特征信息输入至预先训练完成的模型中，获取该模型的输出，作为多项式多目标排序公式的多个目标可调参数。
步骤S105，基于多项式多目标排序公式，根据推荐指标数据和多个目标可调参数对待排序内容集合中的待排序内容进行排序。
在一种实现方式中，可将每个待排序内容的推荐指标数据和多个目标可调参数，带入多项式多目标排序公式，计算每个待排序内容的推荐排序得分；基于推荐排序得分对待排序内容集合中的待排序内容进行排序。
在一种可选地实现方式中，多项式多目标排序公式的表示如下：
其中，Wij为多个目标可调参数；ctr、dlCtr及cpm均为推荐指标数据；Wcpm为固定系数，可根据情况进行人工调整。
举例而言，分别将获取的每个待排序内容的推荐指标数据及多个目标可调参数，带入多项式多目标排序公式，获取每个待排序内容的推荐排序得分，按推荐排序得分由高到低，对多个待排序内容进行排序。
通过实施本申请实施例，可基于待排序内容的多种特征生成目标可调参数参数，以对待排序内容进行排序，从而实现同时对多个排序目标的优化，提升排序结果准确度。
请参见图2，图2为根据本申请的第二实施例的推荐系统内容排序方法示意图，本申请实施例可对搜索请求对应的场景特征信息进行处理，得到多个目标可调参数。如图2所示，该推荐系统内容排序方法可以包括以下步骤。
步骤S201，响应于接收到的搜索请求，获取召回的待排序内容集合。
在本申请的实施例中，步骤S201可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S202，获取待排序内容集合中各待排序内容各自的推荐指标数据。
在本申请的实施例中，步骤S202可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S203，获取与搜索请求对应的场景特征信息。
在本申请的实施例中，步骤S203可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S204，将场景特征信息输入至预设的参数预测模型，获得参数预测模型输出的多项式多目标排序公式的多个目标可调参数。
其中，所述参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
在一种可选地实现方式中，参数预测模型包括嵌入层、拼接层和全连接层。将场景特征信息输入至预设的参数预测模型，获得参数预测模型输出的多项式多目标排序公式的多个目标可调参数，包括：基于嵌入层分别对场景特征信息中各特征进行编码，获得各特征的各自向量编码；基于拼接层将各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为场景特征信息的向量编码；将场景特征信息的向量编码输入至全连接层，获得多项式多目标排序公式的多个目标可调参数。
举例而言，基于嵌入层将多个场景特征信息分桶，生成onehot(独热)编码，进而得到多个相同维度的向量；基于拼接层将所有的向量进行拼接，得到场景特征信息的向量编码；将场景特征信息的向量编码输入至全连接(Fully connected，FC)层，层层连接将场景特征编码综合，生成多项式多目标排序公式的多个目标可调参数。
步骤S205，基于多项式多目标排序公式，根据推荐指标数据和多个目标可调参数对待排序内容集合中的待排序内容进行排序。
在本申请的实施例中，步骤S205可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
通过实施本申请实施例，可对场景特征进行处理，获取多项式多目标排序公式的多个目标可调参数，从而对待排序内容进行排序，从而实现同时对多个排序目标的优化，提升排序结果准确度。
在本申请实施例的一种实现方式中，该推荐系统内容排序方法还包括：基于扰动模型进行离线异步训练，并基于离线异步训练的结果，更新部署在线上的参数预测模型的模型参数。
在一种可选地实现方式中，可获取部署在线上的参数预测模型的日志信息；对日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；根据扰动模型的随机种子Key还原扰动后的模型参数；根据每次搜索请求的搜索特征和随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；采用进化策略算法，根据扰动模型的随机种子Key和表现效果值，更新部署在线上的参数预测模型的模型参数。
其中，在本申请实施例中，搜索特征包括但不限于：点击反馈、导流反馈及点击收入，进化策略(Evolutionary Strategies,ES)算法指基于进化理论的算法，可通过该算法进行探索，寻找使参数预测模型总体收益更大的参数扰动。
需要说明的是，本申请实施例中的参数预测模型，支持对该模型中的相关参数添加扰动，并使用扰动后的模型参数输出数据。在为参数预测模型添加扰动的同时，需为每个扰动生成对应的随机种子key，并记录随机种子key及对应的扰动及扰动后的模型参数。
作为一种示例，可对高斯噪声进行随机采样，将采样值作为对参数预测模型中的相关参数添加的扰动，并基于预设规则，为每个采样值生成对应的随机种子Key，并记录随机种子Key及对应的扰动及扰动后的模型参数。
举例而言，可获取多个添加了不同扰动的参数预测模型的日志信息，对每个日志信息进行解析，获取该日志信息对应的搜索特征和扰动模型的随机种子Key；根据每个日志信息对应的搜索种子Key得到添加扰动后的模型参数；将每次搜索请求的搜索特征和随机种子Key对应的样本数量，带入计算公式中，获取扰动后的模型参数的表现效果值；使用进化策略算法，得到所有扰动所得到的表现效果的均值，及这个均值的扰动强度，从而确定有利于全局最优的扰动趋势，以使后续对参数预测模型添加的扰动服从该趋势，从而进一步优化排序结果。
作为一种示例，表现效果值的计算公式可表示如下：
其中，score代表点击反馈，dlscore代表导流反馈，cpmscore代表点击收入，query_pv代表每个随机种子Key对应的样本数量。
请参见图3，图3为根据本申请第三实施例的参数预测模型训练方法的示意图，本申请实施例可对初始模型进行训练，得到参数预测模型。如图3所示，该参数预测模型训练方法可以包括以下步骤。
步骤S301，获取搜索场景数据和搜索场景数据的标签数据。
其中，标签数据为应用于搜索场景数据的多项式多目标排序公式中各可调参数的标签值。
举例而言，可从搜索服务日志中，获取多个搜索场景数据，及每个搜索场景数据对应的标签数据。
步骤S302，提取搜索场景数据中的场景特征信息。
举例而言，从每个搜索场景数据中，提取对应的多个场景信息。
步骤S303，将场景特征信息输入至初始模型，获得多项式多目标排序公式中各可调参数的预测值。
在一种实现方式中，初始模型包括嵌入层、拼接层和全连接层；将场景特征信息输入至初始模型，获得多项式多目标排序公式中各可调参数的预测值，包括：基于嵌入层分别对场景特征信息中各特征进行编码，获得各特征的各自向量编码；基于拼接层将各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为场景特征信息的向量编码；将场景特征信息的向量编码输入至全连接层，获得多项式多目标排序公式中各可调参数的预测值。
在本申请的实施例中，步骤S303可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤S304，根据各可调参数的预测值和各可调参数的标签值，生成损失值。
举例而言，将各可调参数的预测值和各可调参数的标签值带入预先设定的损失函数，生成损失值。
步骤S305，根据损失值对初始模型进行训练，获得模型参数，并根据模型参数生成参数预测模型。
举例而言，通过调整初始模型参数，以最小化损失函数，根据调整后的模型参数，生成参数预测模型。
通过实施本申请实施例，可基于搜索场景数据和搜索场景数据的标签数据，对参数预测模型进行训练，从而实现对待推荐内容进行排序。
在本申请的一种实现方式中，该参数预测模型训练方法还包括：基于扰动模型进行离线异步训练，并基于离线异步训练的结果，更新部署在线上的参数预测模型的模型参数。
在一种可选地实现方式中，该步骤还包括：获取部署在线上的参数预测模型的日志信息；对日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；根据扰动模型的随机种子Key还原扰动后的模型参数；根据每次搜索请求的搜索特征和随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；采用进化策略算法，根据扰动模型的随机种子Key和表现效果值，更新部署在线上的参数预测模型的模型参数。
在本申请的实施例中，以上步骤可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
需要说明的是，本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
本申请的技术方案中，通过获取搜索请求对应的场景特征信息，生成多项式多目标排序公式的多个目标可调参数，对多个待排序内容进行排序。因涉及用户相关个人信息的使用，故需在用户同意相关信息使用协议后，方可实施本申请的技术方案。为此需在实施本申请的技术方案前，可通过在使用本申请技术方案的电子设备显示界面进行显示，和/或其他可能方式，向用户展示相关协议内容，并由用户自主选择是否同意该协议。本申请的技术方案是在用户同意相关协议后，在用户同意授权的情况下获得相关信息，并基于用户同意授权的相关信息而实现推荐系统内容排序。
请参见图4，图4根据本申请实施例提供的一种推荐系统内容排序装置的结构示意图，如图4所示，该推荐系统内容排序装置包括:第一获取模块401、第二获取模块402、第三获取模块403、第四获取模块404及处理模块405。
其中，第一获取模块401，用于响应于接收到的搜索请求，获取召回的待排序内容集合；第二获取模块402，用于获取待排序内容集合中各待排序内容各自的推荐指标数据；第三获取模块403，用于获取与搜索请求对应的场景特征信息；第四获取模块404，用于根据场景特征信息，获取多项式多目标排序公式的多个目标可调参数；第一处理模块405，用于基于多项式多目标排序公式，根据推荐指标数据和多个目标可调参数对待排序内容集合中的待排序内容进行排序。
在一种实现方式中，第四获取模块404具体用于：将场景特征信息输入至预设的参数预测模型，获得参数预测模型输出的多项式多目标排序公式的多个目标可调参数；其中，参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
在一种可选地实现方式中，参数预测模型包括嵌入层、拼接层和全连接层；第四获取模块404具体用于：基于嵌入层分别对场景特征信息中各特征进行编码，获得各特征的各自向量编码；基于拼接层将各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为场景特征信息的向量编码；将场景特征信息的向量编码输入至全连接层，获得多项式多目标排序公式的多个目标可调参数。
在一种可选地实现方式中，该推荐系统内容排序装置还包括第二处理模块。作为一种示例，请参见图5，如图5所示，该推荐系统内容排序装置还包括第二处理模块506，用于基于扰动模型进行离线异步训练，并基于离线异步训练的结果，更新部署在线上的参数预测模型的模型参数。其中，图5中501-505和图4中401-405具有相同功能和结构。
可选地，第二处理模块506具体用于：获取部署在线上的参数预测模型的日志信息；对日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；根据扰动模型的随机种子Key还原扰动后的模型参数；根据每次搜索请求的搜索特征和随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；采用进化策略算法，根据扰动模型的随机种子Key和表现效果值，更新部署在线上的参数预测模型的模型参数。
在一种实现方式中，第一处理模块405具体用于：将每个待排序内容的推荐指标数据和多个目标可调参数，带入多项式多目标排序公式，计算每个待排序内容的推荐排序得分；基于推荐排序得分对待排序内容集合中的待排序内容进行排序。
在一种可选地实现方式中，多项式多目标排序公式的表示如下：
其中，Wij为多个目标可调参数；ctr、dlctr及cpm均为推荐指标数据；Wcpm为固定系数。
请参见图6，图6为本申实施例提供的一种参数预测模型训练装置的结构示意图，如图6所示，该参数预测模型训练装置包括获取模块601、第一处理模块602、第二处理模块603、生成模块604及第三处理模块605。
其中，获取模块601，用于获取搜索场景数据和搜索场景数据的标签数据；其中，标签数据为应用于搜索场景数据的多项式多目标排序公式中各可调参数的标签值；第一处理模块602，用于提取搜索场景数据中的场景特征信息；第二处理模块603，用于将场景特征信息输入至初始模型，获得多项式多目标排序公式中各可调参数的预测值；生成模块604，用于根据各可调参数的预测值和各可调参数的标签值，生成损失值；第三处理模块605，用于根据损失值对初始模型进行训练，获得模型参数，并根据模型参数生成参数预测模型。
在一种实现方式中，初始模型包括嵌入层、拼接层和全连接层，第二处理模块603具体用于：基于嵌入层分别对场景特征信息中各特征进行编码，获得各特征的各自向量编码；基于拼接层将各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为场景特征信息的向量编码；将场景特征信息的向量编码输入至全连接层，获得多项式多目标排序公式中各可调参数的预测值。
在一种实现方式中，该参数预测模型训练装置还包括第四处理模块。作为一种示例，请参见图7，如图7所示，该参数预测模型训练装置还包括第四处理模块706，用于基于扰动模型进行离线异步训练，并基于离线异步训练的结果，更新部署在线上的参数预测模型的模型参数。其中，图7中701-705和图6中601-605具有相同功能和结构。
在一种可选地实现方式中，第四处理模块706具体用于：获取部署在线上的参数预测模型的日志信息；对日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；根据扰动模型的随机种子Key还原扰动后的模型参数；根据每次搜索请求的搜索特征和随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；采用进化策略算法，根据扰动模型的随机种子Key和表现效果值，更新部署在线上的参数预测模型的模型参数。
请参见图8，图8为根据本申请实施例的一种推荐系统的示意图。如图8所示，该推荐系统包括：内容排序模块801、特征处理模块802及在线预测模块803。其中，内容排序装置801，用于响应于接收到的搜索请求，获取召回的待排序内容集合，并获取待排序内容集合中各待排序内容各自的推荐指标数据；特征处理模块802，用于获取与搜索请求对应的场景特征信息；在线预测模块803，用于根据场景特征信息，获取多项式多目标排序公式的多个目标可调参数；内容排序装置803，还用于基于多项式多目标排序公式，根据推荐指标数据和多个目标可调参数对待排序内容集合中的待排序内容进行排序。
在一种实现方式中，在线预测模块803具体用于：将场景特征信息输入至预设的参数预测模型，获得参数预测模型输出的多项式多目标排序公式的多个目标可调参数；其中，参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
在一种可选地实现方式中，该推荐系统还包括离线异步训练模块。作为一种示例，请参见图9，如图9所示，该推荐系统还包括离线异步训练模块904，用于基于扰动模型进行离线异步训练，并基于离线异步训练的结果，更新部署在线上的参数预测模型的模型参数。其中，图9中901-903和图8中801-803具有相同功能和结构。
可选地，离线异步训练模块904具体用于：获取部署在线上的参数预测模型的日志信息；对日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；根据扰动模型的随机种子Key还原扰动后的模型参数；根据每次搜索请求的搜索特征和随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；采用进化策略算法，根据扰动模型的随机种子Key和表现效果值，更新部署在线上的参数预测模型的模型参数。
在一种实现方式中，内容排序装置801具体用于：将每个待排序内容的推荐指标数据和多个目标可调参数，带入多项式多目标排序公式，计算每个待排序内容的推荐排序得分；基于推荐排序得分对待排序内容集合中的待排序内容进行排序。
在一种可选地实现方式中，多项式多目标排序公式的表示如下：
其中，Wij为多个目标可调参数；ctr、dlctr及cpm均为推荐指标数据；Wcpm为固定系数。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图10所示，是根据本申请实施例的推荐系统排序方法或参数预测模型训练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。本申请所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本申请中描述的和/或者要求的本申请的实现。
如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，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10中以一个处理器1001为例。
存储器1002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推荐系统排序方法或参数预测模型训练方法。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推荐系统排序方法或参数预测模型训练方法。
存储器1002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推荐系统排序方法或参数预测模型训练方法对应的程序指令/模块(例如，第一获取模块401、第二获取模块402、第三获取模块403、第四获取模块404及处理模块405，或附图5所示的第二处理模块506，或附图6所示的获取模块601、第一处理模块602、第二处理模块603、生成模块604及第三处理模块605，或附图7所示的第四处理模块706)。处理器1001通过运行存储在存储器1002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推荐系统排序方法或参数预测模型训练方法。
存储器1002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推荐系统排序方法或参数预测模型训练方法电子设备的使用所创建的数据等。此外，存储器1002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1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至推荐系统排序方法或参数预测模型训练方法电子设备。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。
推荐系统排序方法或参数预测模型训练方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与推荐系统排序方法或参数预测模型训练方法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1004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、语声输入音输入或者、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)、互联网和区块链网络。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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。
根据本申请实施例的技术方案，可在用户同意的情况下，基于待排序内容的多种特征生成目标可调参数参数，以对待排序内容进行排序，从而实现同时对多个排序目标的优化，提升排序结果准确度。
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 (31)
1.一种推荐系统内容排序方法，包括：
响应于接收到的搜索请求，获取召回的待排序内容集合；
获取所述待排序内容集合中各待排序内容各自的推荐指标数据；
获取与所述搜索请求对应的场景特征信息；
根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；
基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
2.根据权利要求1所述的方法，其中，所述根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数，包括：
将所述场景特征信息输入至预设的参数预测模型，获得所述参数预测模型输出的所述多项式多目标排序公式的多个目标可调参数；
其中，所述参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
3.根据权利要求2所述的方法，其中，所述参数预测模型包括嵌入层、拼接层和全连接层；所述将所述场景特征信息输入至预设的参数预测模型，获得所述参数预测模型输出的所述多项式多目标排序公式的多个目标可调参数，包括：
基于所述嵌入层分别对所述场景特征信息中各特征进行编码，获得所述各特征的各自向量编码；
基于所述拼接层将所述各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为所述场景特征信息的向量编码；
将所述场景特征信息的向量编码输入至所述全连接层，获得所述多项式多目标排序公式的多个目标可调参数。
4.根据权利要求2或3所述的方法，还包括：
基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数。
5.根据权利要求4所述的方法，其中，所述基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数，包括：
获取部署在线上的所述参数预测模型的日志信息；
对所述日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；
根据所述扰动模型的随机种子Key还原扰动后的模型参数；
根据所述每次搜索请求的搜索特征和所述随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；
采用进化策略算法，根据所述扰动模型的随机种子Key和所述表现效果值，更新部署在线上的所述参数预测模型的模型参数。
6.根据权利要求1所述的方法，其中，所述基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序，包括：
将每个所述待排序内容的推荐指标数据和所述多个目标可调参数，带入所述多项式多目标排序公式，计算每个所述待排序内容的推荐排序得分；
基于所述推荐排序得分对所述待排序内容集合中的待排序内容进行排序。
7.根据权利要求6所述的方法，其中，所述多项式多目标排序公式的表示如下：
其中，Wij为所述多个目标可调参数；ctr、dlctr及cpm均为所述推荐指标数据；Wcpm为固定系数。
8.一种参数预测模型训练方法，其中，所述参数预测模型用于推荐系统内容排序场景，所述方法包括：
获取搜索场景数据和所述搜索场景数据的标签数据；其中，所述标签数据为应用于所述搜索场景数据的多项式多目标排序公式中各可调参数的标签值；
提取所述搜索场景数据中的场景特征信息；
将所述场景特征信息输入至初始模型，获得所述多项式多目标排序公式中各可调参数的预测值；
根据所述各可调参数的预测值和所述各可调参数的标签值，生成损失值；
根据所述损失值对所述初始模型进行训练，获得模型参数，并根据所述模型参数生成参数预测模型。
9.根据权利要求8所述的方法，其中，所述初始模型包括嵌入层、拼接层和全连接层；所述将所述场景特征信息输入至初始模型，获得所述多项式多目标排序公式中各可调参数的预测值，包括：
基于所述嵌入层分别对所述场景特征信息中各特征进行编码，获得所述各特征的各自向量编码；
基于所述拼接层将所述各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为所述场景特征信息的向量编码；
将所述场景特征信息的向量编码输入至所述全连接层，获得所述多项式多目标排序公式中各可调参数的预测值。
10.根据权利要求8或9所述的方法，还包括：
基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数。
11.根据权利要求10所述的方法，其中，所述基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数，包括：
获取部署在线上的所述参数预测模型的日志信息；
对所述日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；
根据所述扰动模型的随机种子Key还原扰动后的模型参数；
根据所述每次搜索请求的搜索特征和所述随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；
采用进化策略算法，根据所述扰动模型的随机种子Key和所述表现效果值，更新部署在线上的所述参数预测模型的模型参数。
12.一种推荐系统内容排序装置，包括：
第一获取模块，用于响应于接收到的搜索请求，获取召回的待排序内容集合；
第二获取模块，用于获取所述待排序内容集合中各待排序内容各自的推荐指标数据；
第三获取模块，用于获取与所述搜索请求对应的场景特征信息；
第四获取模块，用于根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；
第一处理模块，用于基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
13.根据权利要求12所述的装置，其中，所述第四获取模块具体用于：
将所述场景特征信息输入至预设的参数预测模型，获得所述参数预测模型输出的所述多项式多目标排序公式的多个目标可调参数；
其中，所述参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
14.根据权利要求13所述的装置，其中，所述参数预测模型包括嵌入层、拼接层和全连接层；所述第四获取模块具体用于：
基于所述嵌入层分别对所述场景特征信息中各特征进行编码，获得所述各特征的各自向量编码；
基于所述拼接层将所述各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为所述场景特征信息的向量编码；
将所述场景特征信息的向量编码输入至所述全连接层，获得所述多项式多目标排序公式的多个目标可调参数。
15.根据权利要求13或14所述的装置，还包括：
第二处理模块，用于基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数。
16.根据权利要求15所述的装置，所述第二处理模块具体用于：
获取部署在线上的所述参数预测模型的日志信息；
对所述日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；
根据所述扰动模型的随机种子Key还原扰动后的模型参数；
根据所述每次搜索请求的搜索特征和所述随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；
采用进化策略算法，根据所述扰动模型的随机种子Key和所述表现效果值，更新部署在线上的所述参数预测模型的模型参数。
17.根据权利要求12所述的装置，其特征在于，所述第一处理模块具体用于：
将每个所述待排序内容的推荐指标数据和所述多个目标可调参数，带入所述多项式多目标排序公式，计算每个所述待排序内容的推荐排序得分；
基于所述推荐排序得分对所述待排序内容集合中的待排序内容进行排序。
18.根据权利要求17所述的装置，所述多项式多目标排序公式的表示如下：
其中，Wij为所述多个目标可调参数；ctr、dlctr及cpm均为所述推荐指标数据；Wcpm为固定系数。
19.一种参数预测模型训练装置，其中，所述参数预测模型用于推荐系统内容排序场景，所述装置包括：
获取模块，用于获取搜索场景数据和所述搜索场景数据的标签数据；其中，所述标签数据为应用于所述搜索场景数据的多项式多目标排序公式中各可调参数的标签值；
第一处理模块，用于提取所述搜索场景数据中的场景特征信息；
第二处理模块，用于将所述场景特征信息输入至初始模型，获得所述多项式多目标排序公式中各可调参数的预测值；
生成模块，用于根据所述各可调参数的预测值和所述各可调参数的标签值，生成损失值；
第三处理模块，用于根据所述损失值对所述初始模型进行训练，获得模型参数，并根据所述模型参数生成参数预测模型。
20.根据权利要求19所述的装置，其中，所述初始模型包括嵌入层、拼接层和全连接层，所述第二处理模块具体用于：
基于所述嵌入层分别对所述场景特征信息中各特征进行编码，获得所述各特征的各自向量编码；
基于所述拼接层将所述各特征的各自向量编码进行拼接，将拼接后得到的向量编码确定为所述场景特征信息的向量编码；
将所述场景特征信息的向量编码输入至所述全连接层，获得所述多项式多目标排序公式中各可调参数的预测值。
21.根据权利要求19或20所述的装置，还包括：
第四处理模块，用于基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数。
22.根据权利要求21所述的装置，其中，所述第四处理模块具体用于：
获取部署在线上的所述参数预测模型的日志信息；
对所述日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；
根据所述扰动模型的随机种子Key还原扰动后的模型参数；
根据所述每次搜索请求的搜索特征和所述随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；
采用进化策略算法，根据所述扰动模型的随机种子Key和所述表现效果值，更新部署在线上的所述参数预测模型的模型参数。
23.一种推荐系统，包括：
内容排序装置，用于响应于接收到的搜索请求，获取召回的待排序内容集合，并获取所述待排序内容集合中各待排序内容各自的推荐指标数据；
特征处理模块，用于获取与所述搜索请求对应的场景特征信息；
在线预测模块，用于根据所述场景特征信息，获取多项式多目标排序公式的多个目标可调参数；
所述内容排序装置，还用于基于所述多项式多目标排序公式，根据所述推荐指标数据和所述多个目标可调参数对所述待排序内容集合中的待排序内容进行排序。
24.根据权利要求23所述的推荐系统，其中，所述在线预测模块具体用于：
将所述场景特征信息输入至预设的参数预测模型，获得所述参数预测模型输出的所述多项式多目标排序公式的多个目标可调参数；
其中，所述参数预测模型已经学习得到场景特征信息与多项式多目标排序公式的参数之间的映射关系。
25.根据权利要求24所述的推荐系统，还包括：
离线异步训练模块，用于基于扰动模型进行离线异步训练，并基于所述离线异步训练的结果，更新部署在线上的所述参数预测模型的模型参数。
26.根据权利要求25所述的推荐系统，其中，所述离线异步训练模块具体用于：
获取部署在线上的所述参数预测模型的日志信息；
对所述日志信息进行解析，获得每次搜索请求的搜索特征和对应的扰动模型的随机种子Key；
根据所述扰动模型的随机种子Key还原扰动后的模型参数；
根据所述每次搜索请求的搜索特征和所述随机种子Key对应的样本数量，计算评估扰动后的模型参数的表现效果值；
采用进化策略算法，根据所述扰动模型的随机种子Key和所述表现效果值，更新部署在线上的所述参数预测模型的模型参数。
27.根据权利要求23至26中任一项所述的推荐系统，其中，所述内容排序装置具体用于：
将每个所述待排序内容的推荐指标数据和所述多个目标可调参数，带入所述多项式多目标排序公式，计算每个所述待排序内容的推荐排序得分；
基于所述推荐排序得分对所述待排序内容集合中的待排序内容进行排序。
28.根据权利要求27所述的推荐系统，其中，所述多项式多目标排序公式的表示如下：
其中，Wij为所述多个目标可调参数；ctr、dlctr及cpm均为所述推荐指标数据；Wcpm为固定系数。
29.一种电子设备，其特征在于，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1-7，或权利要求8-11中任一项所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7，或权利要求8-11中任一项所述的方法。
31.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7，或权利要求8-11中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111653447.5A CN114417194A (zh) | 2021-12-30 | 2021-12-30 | 推荐系统排序方法、参数预测模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111653447.5A CN114417194A (zh) | 2021-12-30 | 2021-12-30 | 推荐系统排序方法、参数预测模型训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114417194A true CN114417194A (zh) | 2022-04-29 |
Family
ID=81270199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111653447.5A Pending CN114417194A (zh) | 2021-12-30 | 2021-12-30 | 推荐系统排序方法、参数预测模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114417194A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996487A (zh) * | 2022-05-24 | 2022-09-02 | 北京达佳互联信息技术有限公司 | 媒体资源推荐方法、装置、电子设备以及存储介质 |
| CN115034388A (zh) * | 2022-07-07 | 2022-09-09 | 北京百度网讯科技有限公司 | 排序模型的量化参数的确定方法、装置及电子设备 |
| CN115293291A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020206A (zh) * | 2019-04-12 | 2019-07-16 | 北京搜狗科技发展有限公司 | 一种搜索结果排序方法及装置 |
| CN110825975A (zh) * | 2019-12-10 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111061946A (zh) * | 2019-11-15 | 2020-04-24 | 汉海信息技术(上海)有限公司 | 场景化内容推荐方法、装置、电子设备及存储介质 |
| CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（北京）有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
| CN112163159A (zh) * | 2020-10-09 | 2021-01-01 | 北京百度网讯科技有限公司 | 资源推荐和参数确定方法、装置、设备及介质 |
| CN112288453A (zh) * | 2019-07-23 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 标签选择方法和装置 |
| CN112487283A (zh) * | 2020-11-12 | 2021-03-12 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
| CN112507196A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 融合排序模型的训练方法、搜索排序方法、装置和设备 |
| CN112685578A (zh) * | 2020-12-25 | 2021-04-20 | 刘亚虹 | 一种多媒体信息内容提供方法及装置 |
| CN112765452A (zh) * | 2020-12-31 | 2021-05-07 | 北京百度网讯科技有限公司 | 搜索推荐方法、装置及电子设备 |
| CN113672797A (zh) * | 2020-05-13 | 2021-11-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法及装置 |
| CN113688304A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 |
| CN113744017A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 电商搜索的推荐方法及装置、设备、存储介质 |
-
2021
- 2021-12-30 CN CN202111653447.5A patent/CN114417194A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020206A (zh) * | 2019-04-12 | 2019-07-16 | 北京搜狗科技发展有限公司 | 一种搜索结果排序方法及装置 |
| CN112288453A (zh) * | 2019-07-23 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 标签选择方法和装置 |
| CN111061946A (zh) * | 2019-11-15 | 2020-04-24 | 汉海信息技术(上海)有限公司 | 场景化内容推荐方法、装置、电子设备及存储介质 |
| CN110825975A (zh) * | 2019-12-10 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技（北京）有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
| CN113672797A (zh) * | 2020-05-13 | 2021-11-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法及装置 |
| CN113688304A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 |
| CN112163159A (zh) * | 2020-10-09 | 2021-01-01 | 北京百度网讯科技有限公司 | 资源推荐和参数确定方法、装置、设备及介质 |
| CN112487283A (zh) * | 2020-11-12 | 2021-03-12 | 北京三快在线科技有限公司 | 训练模型的方法、装置、电子设备及可读存储介质 |
| CN113744017A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 电商搜索的推荐方法及装置、设备、存储介质 |
| CN112507196A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 融合排序模型的训练方法、搜索排序方法、装置和设备 |
| CN112685578A (zh) * | 2020-12-25 | 2021-04-20 | 刘亚虹 | 一种多媒体信息内容提供方法及装置 |
| CN112765452A (zh) * | 2020-12-31 | 2021-05-07 | 北京百度网讯科技有限公司 | 搜索推荐方法、装置及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996487A (zh) * | 2022-05-24 | 2022-09-02 | 北京达佳互联信息技术有限公司 | 媒体资源推荐方法、装置、电子设备以及存储介质 |
| CN115034388A (zh) * | 2022-07-07 | 2022-09-09 | 北京百度网讯科技有限公司 | 排序模型的量化参数的确定方法、装置及电子设备 |
| CN115293291A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
| CN115293291B (zh) * | 2022-08-31 | 2023-09-12 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111984689B (zh) | 信息检索的方法、装置、设备以及存储介质 | |
| US11397772B2 (en) | Information search method, apparatus, and system | |
| CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
| CN114417194A (zh) | 推荐系统排序方法、参数预测模型训练方法及装置 | |
| CN112261423B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
| CN111708876A (zh) | 生成信息的方法和装置 | |
| CN112632403A (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN112270168B (zh) | 对白情感风格预测方法、装置、电子设备及存储介质 | |
| CN111582479A (zh) | 神经网络模型的蒸馏方法和装置 | |
| CN112328798A (zh) | 文本分类方法以及装置 | |
| CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
| CN111506803A (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
| CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
| CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
| CN111127191A (zh) | 风险评估方法及装置 | |
| CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
| CN112182348A (zh) | 语义匹配判定方法、装置、电子设备、计算机可读介质 | |
| CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| CN112765452A (zh) | 搜索推荐方法、装置及电子设备 | |
| US11074411B2 (en) | Disambiguation of concept classifications using language-specific clues | |
| CN112487239A (zh) | 视频检索方法、模型训练方法、装置、设备及存储介质 | |
| CN113407586A (zh) | 数据检索方法、装置、办公系统、存储介质及电子设备 | |
| CN113190746A (zh) | 推荐模型的评估方法、装置及电子设备 | |
| CN112905885A (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |