CN114581196A - 商品排序处理方法及其装置、设备、介质、产品 - Google Patents

商品排序处理方法及其装置、设备、介质、产品 Download PDF

Info

Publication number
CN114581196A
CN114581196A CN202210234248.9A CN202210234248A CN114581196A CN 114581196 A CN114581196 A CN 114581196A CN 202210234248 A CN202210234248 A CN 202210234248A CN 114581196 A CN114581196 A CN 114581196A
Authority
CN
China
Prior art keywords
commodity
sorting
sorted
model
difficulty
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.)
Granted
Application number
CN202210234248.9A
Other languages
English (en)
Other versions
CN114581196B (zh
Inventor
徐进添
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Huaduo Network Technology Co Ltd
Original Assignee
Guangzhou Huaduo Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Huaduo Network Technology Co Ltd filed Critical Guangzhou Huaduo Network Technology Co Ltd
Priority to CN202210234248.9A priority Critical patent/CN114581196B/zh
Publication of CN114581196A publication Critical patent/CN114581196A/zh
Application granted granted Critical
Publication of CN114581196B publication Critical patent/CN114581196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种商品排序处理方法及其装置、设备、介质、产品，所述方法包括：提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量；将综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型；将待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。本申请实现适用于电商店铺及独立站的商品排序系统，通过动态路由将商品样本推送至对应的模型中进行推理，具有高效地处理效率。

Description

商品排序处理方法及其装置、设备、介质、产品
技术领域
本申请涉及网络电商领域，尤其涉及一种商品排序处理方法，此外还涉及该方法相应的装置、设备、非易失性存储介质以及计算机程序产品。
背景技术
现有的电商平台中一般都会向平台用户提供商品查询服务，以便平台用户提供商品查询服务从查询其所需的商品进行消费，商品查询服务根据平台用户输入的查询词匹配出对应的商品后，还将对该些商品进行排序处理，对商品的排序处理一般可借助相应的神经网络进行商品排序，以将更符合用户的购物习惯及偏好的商品输出至页面中靠前的位置，供用户第一时间浏览到其所需的商品进行消费。
现有的电商平台中具有多种电商店铺或独立站作为平台的卖家用户，以为卖家用户提供相应品类的商品进行消费，相比较电商平台中全平台的商品排序处理，平台中往往需要为不同的电商店铺及独立站的商品排序处理所借助的神经网络进行单独建模，以使得各电商店铺或独立站的商品排序处理所输出的结果更符合用户在电商店铺或独立站中的购物习惯及偏好，但因电商店铺及独立站的浏览量及样本量无法与电商平台相比，为电商店铺或独立站所单独构建的应用于商品排序的神经网络模型因样本数据稀疏导致其推理能力较差，无法准确地排序出符合用户需求的商品排行供用户使用，且单独为各电商店铺及独立站进行建模的工作量较为巨大，高昂的开发成本对于拥有海量的电商店铺及独立站的电商平台而也并不现实。
鉴于现有的电商平台中电商店铺及独立站中商品排序处理所存在的问题，本申请人出于解决该问题的考虑做出相应的探索。
发明内容
本申请的目的在于满足用户需求而提供一种商品排序处理方法，此外还涉及该方法相应的装置、设备、非易失性存储介质以及计算机程序产品。
为实现本申请的目的，采用如下技术方案：
适应本申请的目的而提出的一种商品排序处理方法，包括如下步骤：
提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息；
将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；
根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储；
将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。
进一步的实施例中，本方法包括如下前置步骤：
对由用户端推送的商品查询词进行文本预处理，以将该商品查询词输入至已训练至收敛的商品查询模型中；
获取由所述商品查询模型输出的多个待排序商品对象，以获取该些待排序商品对象的待排序商品信息；
获取所述用户端的用户特征信息，以生成各所述待排序商品对象所对应的所述待排序商品样本。
进一步的实施例中，所述以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度的步骤中，包括如下由路由决策模型执行的步骤：
获取由服务器推送的所述综合特征向量，将该综合特征向量推送至控制门模块中；
获取所述控制门模块输出的一个或多个专家标识，以在专家模块池中查询出该些专家标识所对应的目标专家模块；
将所述特征向量推送至各所述目标专家模块中，以对该些目标专家模型各自输出的专家值进行加权求和计算，将计算结果作为所述待排序商品样本的商品排序难度。
进一步的实施例中，所述查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型的步骤中，包括如下由服务器执行的步骤：
根据所述商品排序难度所表征的难度数值，判断该难度数值所处的难度区间；
根据所述难度数值所处的难度区间，在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型。
进一步的实施例中，所述将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值的步骤中，包括如下由商品排序模型执行的步骤：
调用已训练至收敛的特征提取模型，提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取所述待排序商品对象的融合特征向量；
将所述融合特征向量输入至输入层中，以借助与输入层全连接的隐藏层计算所述融合特征向量的隐藏值；
对所述隐藏值进行归一化处理，获取所述待排序商品对象的排序分值。
进一步的实施例中，本方法包括如下后置步骤：
获取由各商品排序模型对应输出各待排序商品对象的排序分值；
根据各所述待排序商品对象的排序分值，对所述查询商品排行中该些待排序商品对象进行降序排序；
将完成排序的查询商品排行推送至用户端中进行显示。
适应本申请的目的而提出的一种商品排序处理装置，其包括：
特征向量提取模块，用于提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息；
排序难度确定模块，用于将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；
目标模型查询模块，用于根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储；
排行位置确定模块，用于将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。
进一步的实施例中，所述排序难度确定模块包括：
特征向量推送子模块，用于获取由服务器推送的所述综合特征向量，将该综合特征向量推送至控制门模块中；
目标模块查询子模块，用于获取所述控制门模块输出的一个或多个专家标识，以在专家模块池中查询出该些专家标识所对应的目标专家模块；
排行难度计算子模块，用于将所述特征向量推送至各所述目标专家模块中，以对该些目标专家模型各自输出的专家值进行加权求和计算，将计算结果作为所述待排序商品样本的商品排序难度。
进一步的实施例中，所述排序难度确定模块包括：
难度区间确定子模块，用于根据所述商品排序难度所表征的难度数值，判断该难度数值所处的难度区间；
目标模型查询子模块，根据所述难度数值所处的难度区间，在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型。
进一步的实施例中，所述排行位置确定模块包括：
综合特征向量获取子模块，用于调用已训练至收敛的特征提取模型，提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取所述待排序商品对象的融合特征向量；
激活函数计算子模块，用于将所述融合特征向量输入至输入层中，以借助与输入层全连接的隐藏层计算所述融合特征向量的隐藏值；
排序分值获取子模块，用于对所述隐藏值进行归一化处理，获取所述待排序商品对象的排序分值。
为解决上述技术问题本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述商品排序处理方法的步骤。
为解决上述技术问题本申请实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述商品排序处理方法的步骤。
为解决上述技术问题本申请实施例还提供一种计算机程序产品，包括计算机程序及计算机指令，该计算机程序及计算机指令被处理器执行时，使得所述处理器执行上述所述商品排序处理方法的步骤。
相对于现有技术，本申请的优势如下：
本申请构建了可适用于电商平台中所有电商店铺及独立站的查询商品排序系统，服务器提取查询出的商品对象的商品样本的综合特征向量，并将该综合特征向量输入至动态路由层中，由该动态路由层负责判断商品样本所对应的商品排序难度，进而将商品样本推送至商品排序模型池中对应的商品排序模型进行排序分值计算，以根据排序分值确定商品对象在查询商品排行中的排行位置，即本申请通过动态路由层可将不同排序难度的商品样本路由至商品排序模型池中相应的商品排序模型进行排序处理，商品排序模型池中各商品排序模型具有各自对应的难度区间，难度区间较高的商品排序模型具有更强的推理能力，使其具有判断排序难度较高的样本所对应的商品对象在查询商品排行中的排序位置，进而提升该些样本所对应的商品的排序处理的准确性，以为用户排序出符合其消费习惯及偏好的商品排行，但同时，推理能力较高的模型其网络深度或宽度也更大，使其推理的时间复杂度较高，而对于排序难度较低的样本而言则无需将其推送至推理能力较高的商品排序模型中进行排序处理，通过动态路由层将排序难度较低的样本推送推理难度较低但时间复杂度也较低的商品排序模型中，以提升商品的排序处理效率，节省整个商品查询服务中关于商品排序处理的时间，提升商品查询服务的效应效率，从另一角度来看，本申请的查询商品排序系统可动态地调度商品排序模型池中各商品排序模型，调用相应的模型推理与其匹配的商品样本进行商品排序处理。
其次，本申请所构造的适用较高的商品排序系统的商品排序模型池中各商品排序模型在进行模型训练时也通过动态路由层进行训练样本筛选处理，使各商品排序模型可使用适用于其网络结构的训练样本进行训练，提升各商品排序模型的训练效率，且可将电商平台所拥有的样本数据作为训练样本推送至动态路由层中进行路由，以提升各商品排序模型的训练样本，有效提升各商品排序模型的泛化能力。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为实施本申请的技术方案相关的一种典型的网络部署架构示意图；
图2为本申请的商品排序处理方法的典型实施例的流程示意图；
图3为本申请关于用户端所触发的商品查询事件的具体实施方式所形成的流程示意图；
图4为本申请关于路由决策模型确定待排序商品样本的商品排序难度的具体实施方式所形成的流程示意图；
图5为本申请关于从商品排序模型池中查询目标商品排序模型的具体实施方式所形成的流程示意图；
图6为本申请关于商品排序模型确定待排序商品对象的排序分值的具体实施方式所形成的流程示意图；
图7为本申请关于根据各待排序商品对象的排序分值对查询商品排行进行排序处理的具体实施方式所形成的流程示意图；
图8为本申请的商品排序处理装置的典型实施例的原理框图；
图9为本申请一个实施例的计算机设备的基本结构框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位系统)接收器；传统膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的传统膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“工作节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。
请参阅图1，本申请相关技术方案实施时所需的硬件基础可按图中所示的架构进行部署。本申请所称服务器80部署在云端，作为一个在线服务器，其可以负责进一步连接起相关数据服务器以及其他提供相关支持的服务器等，以此构成逻辑上相关联的服务机群，来为相关的终端设备例如图中所示的智能手机81和个人计算机82或者第三方服务器(未图示)提供服务。所述的智能手机和个人计算机均可通过公知的网络接入方式接入互联网，与云端的服务器80建立数据通信链路，以便运行所述服务器所提供的服务相关的终端应用程序。
对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。
所述的应用程序，是指运行于服务器或终端设备上的应用程序，这一应用程序采用编程的方式实现了本申请的相关技术方案，其程序代码可被以计算机可执行指令的形式保存于计算机能识别的非易失性存储介质中，并被中央处理器调入内存中运行，通过该应用程序在计算机的运行而构造出本申请的相关装置。
对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。
本领域技术人员对此应当知晓：本申请的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本申请所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
请参阅图2，本申请的一种商品排序处理方法，在其典型实施例中，其包括如下步骤：
步骤S11，提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息：
服务器确定所述商品查询事件所对应的待排序商品对象，以提取该待排序商品对象所对应的所述待排序商品样本的综合特征向量，以便后续根据该特征向量，确定该待排序商品对象的排序难度。
所述的商品查询事件是指处于用户端的平台用户使用商品查询服务所触发的事件，具体的，所述商品查询服务为电商平台提供平台用户搜索平台中所存在的商品的服务，平台用户通过在相应的商品查询控件中输入商品查询词后，服务器将获取该商品查询词，以调用基于神经网络所构建的商品查询模型或使用商品查询规则，确定该商品查询词所对应的一个或多个商品对象，该些商品对象将作为搜索待排序商品对象，以在将查询所得商品对象推送至用户端之前，对该些商品对象进行商品排序处理。
各查询所得的待排序商品对象具有一一对象的所述的待排序商品样本，以便根据该些待排序商品样本分别确定各所述待排序商品对象的排序分值，进而对该些待排序商品对象进行商品排序；所述的待排序商品样本中包含所述用户特征信息及待排序商品信息，所述用户特征信息为触发所述商品查询事件的用户端所对应的用户特征信息，该用户特征信息中包含用户的年龄信息、性别信息及地址信息等个人信息以及包含用户在电商平台中的历史消费行为信息等；所述的待排序商品信息为所述待排序商品样本所对应的商品对象的商品信息，该待排序商品信息中包含商品对象的价格信息、品类信息及发货信息等商品属性信息。
此外，所述待排序商品样本中还包含所述交叉特征信息，该交叉特征信息为用于表征所述用户特征信息及待排序商品信息的交叉特征，例如，用户特征信息中包含的性别信息为女性时，而待排序商品信息中包含的品类信息为化妆品时，则该性别信息与商品品类信息为交叉特征，而对应的，当用户特征信息中包含的年龄信息为24岁，而待排序商品信息中包含的品类信息为运动用品时，且其包含的价格信息为100元等低价特征时，则该年龄信息、品类信息及价格信息为交叉特征；本领域技术人员可根据实际应用场景设计所述交叉特征信息中用户特征信息及待排序商品信息的交叉特征，具体可通过使用相应的神经网络或规则进行交叉特征的组合实现，恕不赘述。
服务器获取所述待排序商品样本后，将调用已训练值收敛的所述特征提取模型提取该待排序商品样本的所述特征向量，所述特征提取模型一般基于神经网络所构建，例如，应用SIFT、ORB或HOG等图像特征提取方法以用于提取所述用户特征信息、待排序商品信息或交叉特征信息中包含的图像数据，及应用TF-IDF、N-Gram或NLP等文本特征提取方法以用于提取所述用户特征信息、待排序商品信息或交叉特征信息中包含的文本数据。
当所述特征提取模型分别提取所述用户特征信息、待排序商品信息及交叉特征信息各自对应的特征向量后，可将该些特征向量进行特征融合，以生成可综合表征所述用户特征信息、待排序商品信息及交叉特征信息的特征的所述综合特征向量，所述特征提取模型融合各信息的特征向量时一般使用TFN或LMF等特征融合算法进行特征融合。
步骤S12，将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度：
服务器获取所述综合特征向量后，将该综合特征向量输入至所述动态路由层中，以便该动态路由层中的所述路由决策模型获取该综合特征向量，进而输出该所述待排序商品样本的所述商品排序难度。
所述的动态路由层负责确定待排序商品样本的所述商品排序难度，该动态路由层中具有所述路由决策模型，该路由决策模型根据所述综合特征向量，以输出对应的待排序商品样本所对应的所述商品排序难度。
所述的路由决策模型一般基于专家混合思想构建，即Mixture-of-Experts(MoE)模型，但该路由决策模型一般在专家混合思想的基础上多设置一个控制门模块，该路由决策模型中包含控制门模块及多个专家模块，其中，所述专家模块用于初步预测所述综合特征向量的商品排序难度，且各专家模型的网络结构或算法结构一般各不相同，相对应，所述控制门模块根据所述综合特征向量判断需激活多个专家模块中的那些目标专家模块对该综合特征向量进行计算，进而对各目标专家模型所输出的结果进行加权求和运算，以将运算结果作为所述待排序商品样本的所述商品排序难度。
当然，所述路由基础模型也可为没有控制门模块的专家混合模型，即只有多个专家模块对所述综合特征向量进行计算，进而对该些专家模块各自的计算结果进行加权求和运算，以将运算结果作为所述待排序商品样本的所述商品排序难度。
所述的商品排序难度用于表征其所对应的待排序商品样本的排序难度，以便后续根据所述商品排序难度将所述待排序商品样本输入至相应的商品排序模型中进行排序处理，且该商品排序难度如前所述，其一般为路由决策模型通过对相应的专家模型输出的结果进行加权求和运算所得，即各专家模型具有对应的权重，路由决策模型获取相应的专家模型输出的结果后，将根据该些专家模型各自对应的权重对其输出结果进行加权求和运算，且运算结果一般通过归一化处理，使得最终运算所得所述商品排序难度所表征的数值大小在0-1的范围内。
步骤S13，根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储：
服务器确定所述待排序商品样本的所述商品排序难度后，将根据该商品排序难度，从所述商品排序模型池中查询出需对所述待排序商品样本进行排序分值计算的目标商品排序模型。
所述的商品排序模型池中存储着多个不同的商品排序模型，该些商品排序模型一般由不同的神经网络结构所构成，且各商品排序模型具有其对应的排序难度区间，用于表征该些商品排序模型各自所能因对的商品排序难度，例如，对于神经网络结构较为复杂且推理能力较高的商品排序模型，其可应对商品排序难度更高的待排序商品样本，以确保由所述商品排序模型为该待排序商品样本所计算的排序分值相较于推理能力较低的商品排序模型更为准确，相应的，将商品排序难度较低的待排序商品样本交由神经网络结构较为简单且推理较快的商品排序模型进行排序分值计算即可，以缩短商品排序难度较低的待排序商品样本的时间复杂度。
所述商品排序模型池中的各商品排序模型也可由同一神经网络思想所构建，例如，该些商品排序模型都基于多感知机(MLP)模型所构建，但不同的商品排序模型其隐藏层中的层数不同，层数较多的商品排序模型其推理能力更高但时间复杂度也相应提升，而层数较少的商品排序模型其推理能力不及层数高的模型，但其时间复杂度较低，相对应，隐藏层中层数较高的商品排序模型其排序难度区间将高于层数较低的商品排序模型，基于此逻辑划分所述商品排序模型池中各商品排序模型的所述排序难度区间，并将商品排序模型与其排序难度区间对应存储，以便服务器根据待排序商品样本的商品排序难度在所述商品排序模型池中查询出对应排序难度区间的目标商品排序模型进行排序分值计算。
服务器获取所述商品排序难度后，将确定该商品排序难度所表征的所表征的难度数值，以判断所述待排序商品样本所处的难度区间，进而从在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型，以便将所述待排序商品样本输入至目标商品排序模型中进行排序分值计算。
步骤S14，将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置：
服务器从所述商品排序模型池中查询出对应的目标商品排序模型后，将所述待排序商品样本输入至该目标商品排序模型中，以确定该目标商品排序模型根据所述待排序商品样本计算所述待排序商品对象所对应的排序分值进行输出，以便服务器根据该排序分值确定所述待排序商品对象在所述查询商品排行中的排行位置。
所述的目标商品排序模型为已训练至收敛状态的神经网络模型，该目标商品排序模型一般基于多感知机(MLP)模型所构建，所述目标商品排序模型获取所述待排序商品样本后，将调用已训练至收敛的特征提取模型，以提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取由该些信息的特征所构成的融合特征向量，进而将该融合特征向量输入层中，以交由与该输入层全连接的隐藏层计算所述融合特征向量的隐藏值，进而将该隐藏值交由目标商品排序模型中的输出层进行归一化处理，以输出所述待排序商品对象的排序分值。
服务器获取由所述目标商品排序模型输出的所述排序分值后，将根据该排序分值，确定所述待排序商品对象在所述查询商品排行中的排序位置，所述的查询商品排行中存储着所述商品查询事件所查询的各待排序商品对象，而该些待排序商品对象将交由所述商品排序模型池中对应的商品排序模型进行排序分值计算，以便服务器依照该些待排序商品对象各自的排序分值，对所述查询商品排行中存储的待排序商品对象进行降序排序，以将该查询商品排序推送至与所述商品查询事件相关联的用户端中进行显示，完成该用户端所使用的商品查询服务。
通过本方法的典型实施方式可知，本方法构建了可适用于电商平台中所有电商店铺及独立站的查询商品排序系统，服务器提取查询出的商品对象的商品样本的综合特征向量，并将该综合特征向量输入至动态路由层中，由该动态路由层负责判断商品样本所对应的商品排序难度，进而将商品样本推送至商品排序模型池中对应的商品排序模型进行排序分值计算，以根据排序分值确定商品对象在查询商品排行中的排行位置，即本方法通过动态路由层可将不同排序难度的商品样本路由至商品排序模型池中相应的商品排序模型进行排序处理，商品排序模型池中各商品排序模型具有各自对应的难度区间，难度区间较高的商品排序模型具有更强的推理能力，使其具有判断排序难度较高的样本所对应的商品对象在查询商品排行中的排序位置，进而提升该些样本所对应的商品的排序处理的准确性，以为用户排序出符合其消费习惯及偏好的商品排行，但同时，推理能力较高的模型其网络深度或宽度也更大，使其推理的时间复杂度较高，而对于排序难度较低的样本而言则无需将其推送至推理能力较高的商品排序模型中进行排序处理，通过动态路由层将排序难度较低的样本推送推理难度较低但时间复杂度也较低的商品排序模型中，以提升商品的排序处理效率，节省整个商品查询服务中关于商品排序处理的时间，提升商品查询服务的效应效率，从另一角度来看，本方法的查询商品排序系统可动态地调度商品排序模型池中各商品排序模型，调用相应的模型推理与其匹配的商品样本进行商品排序处理。
其次，本方法所构造的适用较高的商品排序系统的商品排序模型池中各商品排序模型在进行模型训练时也通过动态路由层进行训练样本筛选处理，使各商品排序模型可使用适用于其网络结构的训练样本进行训练，提升各商品排序模型的训练效率，且可将电商平台所拥有的样本数据作为训练样本推送至动态路由层中进行路由，以提升各商品排序模型的训练样本，有效提升各商品排序模型的泛化能力。
以上的典型实施例及其变化实施例充分揭示了本申请的商品排序处理方法的实施方案，但是，仍可通过对一些技术手段的变换和扩增而演绎出该方法的多种变化实施例，如下概要说明其他实施例：
一种实施例中，请参考图3，本方法包括如下前置步骤：
步骤S08，对由用户端推送的商品查询词进行文本预处理，以将该商品查询词输入至已训练至收敛的商品查询模型中：
本实施例与所述商品查询事件相关联，所述的商品查询词由触发商品查询事件的用户端所推送以查询相应的商品对象进行浏览消费，服务器接收到所述商品查询词后，将对该商品查询词进行文本预处理，例如，移除商品查询词中的特殊字符，如空格等干扰后续商品查询模型进行商品查询的字符，以及对完成特征字符移除后的文本进行分词处理等文本预处理；本领域技术人员可根据实际的应用场景设计所述文本预处理的处理方法，如针对英文文本进行文本预处理或针对中文进行文本预处理，本步骤恕不赘述。
服务器完成所述商品查询词的预处理后，将该商品查询词输入至已向量至向量的所述商品查询模型中。
所述的商品查询模型一般为基于神经网络所构建的模型，该商品查询模型一般为卷积神经网络架构，其根据所述商品查询词的特征向量进行卷积处理，判断与该商品查询词与电商平台中各商品对象的相似度，进而将相似度较高的多个商品对象作为该商品查询词所对应的待排序商品对象作为输出，当然，本领域技术人员也可使用现有的或自主开发的神经网络或规则确定所述商品查询词所对应的待排序商品对象，因该商品查询模型并非为本申请的重点，因此本步骤恕不赘述。
步骤S09，获取由所述商品查询模型输出的多个待排序商品对象，以获取该些待排序商品对象的待排序商品信息：
服务器获取多个所述待排序商品对象后，将从商品数据库中获取该些待排序商品对象各自对应的所述待排序商品信息。
步骤S10，获取所述用户端的用户特征信息，以生成各所述待排序商品对象所对应的所述待排序商品样本：
服务器获取各所述待排序商品对象对应的待排序商品信息时，将同时获取所述用户端的用户特征信息，以根据该用户特征信息与该些待排序商品信息，确定出该些待排序商品对象所对应的交叉特征信息，进而封装生成该些待排序商品对象各自所对应的所述待排序商品样本。
本实施例中，各待排序商品对象的样本由根据用户所需查询的商品所构建，即本发明为用户所查询的商品进行商品排序时，将根据用户特征、商品特征及两者的交叉特征进行排序。
一种实施例中，请参考图4，所述以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度的步骤中，包括如下由路由决策模型执行的步骤：
步骤S121，获取由服务器推送的所述综合特征向量，将该综合特征向量推送至控制门模块中：
所述路由决策模型获取所述综合特征向量后，将该综合特征向量推送至所述控制门模块中，该控制门模块为一个分类器，其将根据所述综合特征向量，确定该综合特征向量在专家模块池中对应的目标专家模型，进而激活专家模型池中一个或多个目标专家模块分别计算所述综合特征向量的专家值。
步骤S122，获取所述控制门模块输出的一个或多个专家标识，以在专家模块池中查询出该些专家标识所对应的目标专家模块：
所述控制门模块通过输出一个或多个专家标识，该些专家标识与所述专家模块池中相应的专家模型相对应，以便根据该些专家标识，从所述专家模型池中查询出该些专家标识对应的目标专家模块，进而将所述综合特征向量推送至该目标专家模块中进行专家值计算。
步骤S123，将所述特征向量推送至各所述目标专家模块中，以对该些目标专家模型各自输出的专家值进行加权求和计算，将计算结果作为所述待排序商品样本的商品排序难度：
查询出各所述目标专家模块后，将所述综合特征向量输入至该些目标专家模块中，以驱动该些目标专家模块分别计算所述综合特征向量的专家值。
获取由各目标专家模块输出的专家值后，将根据该些目标专家模块各自对应的专家权重，对该些专家值进行加权求和计算，以将计算结果作为所述综合特征向量对应的待排序商品样本的商品排序难度。
本实施例中，路由决策模型根据综合特征向量确定待排序商品样本的商品排序难度，以确定需获取该待排序商品样本进行排序分值计算的商品排序模型，提升确定样本所对应的商品对象在查询商品排行中的排行位置的处理效率。
一种实施例中，请参考图5，所述查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型的步骤中，包括如下由服务器执行的步骤：
步骤S131，根据所述商品排序难度所表征的难度数值，判断该难度数值所处的难度区间：
服务器根据所述商品排序难度所表征的难度数值，判断该难度数值所出的难度确定，以确定需计算该商品排序难度所对应的待排序商品样本的排序分值的目标商品排序模型。
所述商品排序难度所表征的难度数值的数值范围一般0-1的范围内，而对应的，所述难度区间的区间大小一般也设置在0-1的范围内。
步骤S132，根据所述难度数值所处的难度区间，在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型：
服务器确定出所述商品排序难度表征的难度数值所处的难度区间后，将查询出所述商品排序模型池中设置为该难度区间的商品排序模型，以将该商品排序模型作为目标商品排序模型计算所述待排序商品样本的排序分值。
本实施例中，根据待排序商品样本的商品排序难度确定其所对应的商品排序模型，以将有该商品排序模型计算所述待排序商品样本的排序分值。
一种实施例中，请参考图6，所述将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值的步骤中，包括如下由商品排序模型执行的步骤：
步骤S141，调用已训练至收敛的特征提取模型，提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取所述待排序商品对象的融合特征向量：
目标商品排序模型获取由服务器输入的所述待排序商品样本后，将调用以训练值收敛的特征提取模型，首先分别提取该待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息各自的特征向量，进而将该些特征向量进行融合，以生成可表征该些信息的特征的所述融合特征向量。
当然，本步骤也可由服务器执行，为所述目标商品排序模型提前提取所述待排序商品用户所对应的融合特征向量后，再将该融合特征向量输入值该目标商品排序模型中。
步骤S142，将所述融合特征向量输入至输入层中，以借助与输入层全连接的隐藏层计算所述融合特征向量的隐藏值：
目标商品排序模型获取所述融合特征向量后，将该融合特征向量输入值所述输入层中，以借助与输入层全连接的隐藏层计算该融合特征向量的隐藏值，其神经网络结构为MLP神经网络，MLP模型中包含输入层、隐藏层及输出层，输入层用于存储输入的特征向量，其神经元根据输入的特征向量所确定，而隐藏层中的神经元与所述输入层中的神经元全连接，隐藏层的神经元的数量一般通过相应的权重、偏值、激活函数(如sigmoid函数或tahn函数)以及输入层的神经元数量所确定，相应的，所述输出层与连接隐藏层，输出层对隐藏层输出的结果进行归一化处理，以获取相应的排序分值。
步骤S143，对所述隐藏值进行归一化处理，获取所述待排序商品对象的排序分值：
所述归一化处理一般使用softmax回归函数等可应用于多类别的逻辑回归的函数算法，对所述隐藏层所输出的隐藏值进行归一化处理，以将处理结果作为所述待排序商品对象的排序分值。
本实施例中，商品排序模型根据样本的融合特征，计算样本相对应的待排序商品对象的排序分值，以确定待排序商品对象在查询商品排行中的排行位置。
一种实施例中，请参考图7，包括如下后置步骤：
步骤S15，获取由各商品排序模型对应输出各待排序商品对象的排序分值：
服务器将所述商品查询事件所对应的所有待排序商品对象各自对应的待排序商品样本分别输入至所述商品排序模型池中对应的商品排序模型中进行排序分值计算后，服务器将等待该些商品排序模型都完成其所对应的待排序商品样本的排序分值计算，以获取所述商品查询事件所对应的所有待排序商品对象各自对应的所述排序分值。
步骤S16，根据各所述待排序商品对象的排序分值，对所述查询商品排行中该些待排序商品对象进行降序排序：
服务器根据所述商品查询事件所对应的所有待排序商品对象的排序分值，对存储着该些待排序商品对象的查询商品排行进行排序处理，服务器一般将根据该些待排序商品对象的排行分值，对所述查询商品排行中该些待排序商品对象进行降序处理，即排序分值越高的待排序商品对象在所述查询商品排行中的排行位置更靠前。
步骤S17，将完成排序的查询商品排行推送至用户端中进行显示：
服务器将完成所述查询商品排行中所有待排序商品对象的排序处理后，将该查询商品排行推送至触发所述商品查询事件的用户端中，以将所述查询商品排行作为处于所述用户端的平台用户使用商品查询服务的服务结果。
本实施例中，服务器将获取由各商品排序模型输出的排行分值，以对查询商品排行中的所有商品对象进行排序处理，以将符合商品查询词及用户特征的商品对象排序到排行中靠前的位置，进而将该查询商品排行推送至用户端中进行显示。
进一步，可以通过将上述各实施例所揭示的方法中的各个步骤进行功能化，构造出本申请的一种商品排序处理装置，按照这一思路，请参阅图8，其中的一个典型实施例中，该装置包括：特征向量提取模块11，用于提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息；排序难度确定模块12，用于将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；目标模型查询模块13，用于根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储；排行位置确定模块14，用于将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。
一种实施例中，所述排序难度确定模块12包括：特征向量推送子模块，用于获取由服务器推送的所述综合特征向量，将该综合特征向量推送至控制门模块中；目标模块查询子模块，用于获取所述控制门模块输出的一个或多个专家标识，以在专家模块池中查询出该些专家标识所对应的目标专家模块；排行难度计算子模块，用于将所述特征向量推送至各所述目标专家模块中，以对该些目标专家模型各自输出的专家值进行加权求和计算，将计算结果作为所述待排序商品样本的商品排序难度。
一种实施例中，所述排序难度确定模块13包括：难度区间确定子模块，用于根据所述商品排序难度所表征的难度数值，判断该难度数值所处的难度区间；目标模型查询子模块，根据所述难度数值所处的难度区间，在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型。
一种实施例中，所述排行位置确定模块14包括：综合特征向量获取子模块，用于调用已训练至收敛的特征提取模型，提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取所述待排序商品对象的融合特征向量；激活函数计算子模块，用于将所述融合特征向量输入至输入层中，以借助与输入层全连接的隐藏层计算所述融合特征向量的隐藏值；排序分值获取子模块，用于对所述隐藏值进行归一化处理，获取所述待排序商品对象的排序分值。
为解决上述技术问题，本申请实施例还提供一种计算机设备，用于运行根据所述商品排序处理方法所实现的计算机程序。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
如图9所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种商品排序处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种商品排序处理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行本申请的商品排序处理装置中的各个模块/子模块的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有商品排序处理装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种非易失性存储介质，所述的商品排序处理方法被编写成计算机程序，以计算机可读指令的形式存储于该存储介质中，计算机可读指令被一个或多个处理器执行时，意味着该程序在计算机中的运行，由此使得一个或多个处理器执行上述任一实施例商品排序处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
综上所述，本申请实现适用于电商店铺及独立站的商品排序系统，通过动态路由将商品样本推送至对应的模型中进行推理，具有高效地处理效率。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种商品排序处理方法，其特征在于，包括如下步骤：
提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息；
将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；
根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储；
将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。
2.权利要求1所述的方法，其特征在于，包括如下前置步骤：
对由用户端推送的商品查询词进行文本预处理，以将该商品查询词输入至已训练至收敛的商品查询模型中；
获取由所述商品查询模型输出的多个待排序商品对象，以获取该些待排序商品对象的待排序商品信息；
获取所述用户端的用户特征信息，以生成各所述待排序商品对象所对应的所述待排序商品样本。
3.权利要求1所述的方法，其特征在于，所述以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度的步骤中，包括如下由路由决策模型执行的步骤：
获取由服务器推送的所述综合特征向量，将该综合特征向量推送至控制门模块中；
获取所述控制门模块输出的一个或多个专家标识，以在专家模块池中查询出该些专家标识所对应的目标专家模块；
将所述特征向量推送至各所述目标专家模块中，以对该些目标专家模型各自输出的专家值进行加权求和计算，将计算结果作为所述待排序商品样本的商品排序难度。
4.权利要求1所述的方法，其特征在于，所述查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型的步骤中，包括如下由服务器执行的步骤：
根据所述商品排序难度所表征的难度数值，判断该难度数值所处的难度区间；
根据所述难度数值所处的难度区间，在所述商品排序模型池中查询出与该难度区间对应存储的目标商品排序模型。
5.权利要求1所述的方法，其特征在于，所述将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值的步骤中，包括如下由商品排序模型执行的步骤：
调用已训练至收敛的特征提取模型，提取所述待排序商品样本中包含的用户特征信息、待排序商品信息及交叉特征信息，以获取所述待排序商品对象的融合特征向量；
将所述融合特征向量输入至输入层中，以借助与输入层全连接的隐藏层计算所述融合特征向量的隐藏值；
对所述隐藏值进行归一化处理，获取所述待排序商品对象的排序分值。
6.权利要求1所述的方法，其特征在于，包括如下后置步骤：
获取由各商品排序模型对应输出各待排序商品对象的排序分值；
根据各所述待排序商品对象的排序分值，对所述查询商品排行中该些待排序商品对象进行降序排序；
将完成排序的查询商品排行推送至用户端中进行显示。
7.一种商品排序处理装置，其特征在于，包括:
特征向量提取模块，用于提取商品查询事件所对应的待排序商品对象的待排序商品样本的综合特征向量，所述待排序商品样本中包含用户特征信息、待排序商品信息及交叉特征信息；
排序难度确定模块，用于将所述综合特征向量输入至样本动态路由层中，以驱动该样本动态路由层中的路由决策模型根据所述综合特征向量确定所述待排序商品样本的商品排序难度；
目标模型查询模块，用于根据所述商品排序难度，查询出商品排序模型池中该商品排序难度所处的排序难度区间对应的目标商品排序模型，所述商品排序模型池中多个商品排序模型与其排序难度区间对应存储；
排行位置确定模块，用于将所述待排序商品样本输入至目标商品排序模型中，获取该待排序商品样本所对应的排序分值，以确定所述待排序商品对象在查询商品排行中的排行位置。
8.一种电子设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至6中任一项所述的方法的步骤。
9.一种非易失性存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至6中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任意一项所述方法的步骤。
CN202210234248.9A 2022-03-10 2022-03-10 商品排序处理方法及其装置、设备、介质、产品 Active CN114581196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210234248.9A CN114581196B (zh) 2022-03-10 2022-03-10 商品排序处理方法及其装置、设备、介质、产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210234248.9A CN114581196B (zh) 2022-03-10 2022-03-10 商品排序处理方法及其装置、设备、介质、产品

Publications (2)

Publication Number Publication Date
CN114581196A true CN114581196A (zh) 2022-06-03
CN114581196B CN114581196B (zh) 2024-10-18

Family

ID=81780261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210234248.9A Active CN114581196B (zh) 2022-03-10 2022-03-10 商品排序处理方法及其装置、设备、介质、产品

Country Status (1)

Country Link
CN (1) CN114581196B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081776A (zh) * 2010-12-30 2011-06-01 百度在线网络技术（北京）有限公司 搜索结果排序方法及系统
CN102637170A (zh) * 2011-02-10 2012-08-15 北京百度网讯科技有限公司 一种问题推送方法及系统
US20190156247A1 (en) * 2017-11-22 2019-05-23 Amazon Technologies, Inc. Dynamic accuracy-based deployment and monitoring of machine learning models in provider networks
CN110889747A (zh) * 2019-12-02 2020-03-17 腾讯科技（深圳）有限公司 商品推荐方法、装置、系统、计算机设备及存储介质
CN111445191A (zh) * 2020-03-30 2020-07-24 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
US20200387543A1 (en) * 2016-12-30 2020-12-10 Foshan Guofang Trademark Service Co., Ltd. Trademark inquiry result proximity evaluating and sorting method and device
CN113435203A (zh) * 2021-08-30 2021-09-24 华南师范大学 多模态命名实体识别方法、装置以及电子设备
WO2021189976A1 (zh) * 2020-03-25 2021-09-30 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN113627995A (zh) * 2021-09-17 2021-11-09 广州华多网络科技有限公司 商品推荐列表更新方法及其装置、设备、介质、产品
CN113807499A (zh) * 2021-09-15 2021-12-17 清华大学 轻量级神经网络模型训练方法、系统、装置及存储介质
CN113869048A (zh) * 2021-09-30 2021-12-31 广州华多网络科技有限公司 商品对象搜索方法及其装置、设备、介质、产品
CN113887723A (zh) * 2021-10-08 2022-01-04 浙江大学 一种基于关系型的动态路由网络学习方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081776A (zh) * 2010-12-30 2011-06-01 百度在线网络技术（北京）有限公司 搜索结果排序方法及系统
CN102637170A (zh) * 2011-02-10 2012-08-15 北京百度网讯科技有限公司 一种问题推送方法及系统
US20200387543A1 (en) * 2016-12-30 2020-12-10 Foshan Guofang Trademark Service Co., Ltd. Trademark inquiry result proximity evaluating and sorting method and device
US20190156247A1 (en) * 2017-11-22 2019-05-23 Amazon Technologies, Inc. Dynamic accuracy-based deployment and monitoring of machine learning models in provider networks
CN110889747A (zh) * 2019-12-02 2020-03-17 腾讯科技（深圳）有限公司 商品推荐方法、装置、系统、计算机设备及存储介质
WO2021189976A1 (zh) * 2020-03-25 2021-09-30 平安科技（深圳）有限公司 一种产品信息推送方法、装置、设备及存储介质
CN111445191A (zh) * 2020-03-30 2020-07-24 拉扎斯网络科技（上海）有限公司 一种配送难度的预估方法、装置和存储介质
CN113435203A (zh) * 2021-08-30 2021-09-24 华南师范大学 多模态命名实体识别方法、装置以及电子设备
CN113807499A (zh) * 2021-09-15 2021-12-17 清华大学 轻量级神经网络模型训练方法、系统、装置及存储介质
CN113627995A (zh) * 2021-09-17 2021-11-09 广州华多网络科技有限公司 商品推荐列表更新方法及其装置、设备、介质、产品
CN113869048A (zh) * 2021-09-30 2021-12-31 广州华多网络科技有限公司 商品对象搜索方法及其装置、设备、介质、产品
CN113887723A (zh) * 2021-10-08 2022-01-04 浙江大学 一种基于关系型的动态路由网络学习方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘乾超;: "基于离散选择模型的推荐系统改进算法", 上海管理科学, no. 01, 20 February 2020 (2020-02-20), pages 71 - 75 *

Also Published As

Publication number Publication date
CN114581196B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
KR20200003106A (ko) 정보 검색 방법, 장치 및 시스템
CN110910199A (zh) 项目信息的排序方法、装置、计算机设备及存储介质
CN113468414A (zh) 商品搜索方法、装置、计算机设备及存储介质
CN110555753A (zh) 基于推荐的排序控制方法、装置、计算机设备及存储介质
CN114663197A (zh) 商品推荐方法及其装置、设备、介质、产品
CN113627995B (zh) 商品推荐列表更新方法及其装置、设备、介质、产品
WO2024041483A1 (zh) 一种推荐方法及相关装置
CN116108267A (zh) 一种推荐方法及相关设备
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
WO2023185925A1 (zh) 一种数据处理方法及相关装置
CN118043802A (zh) 一种推荐模型训练方法及装置
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
Ben-Shimon et al. An ensemble method for top-N recommendations from the SVD
Kundu et al. Topic sensitive hybrid expertise retrieval system in community question answering services
CN114663155A (zh) 广告投放选品方法及其装置、设备、介质、产品
CN113919895A (zh) 排序方法、装置、设备和存储介质
CN114862480A (zh) 广告投放定向方法及其装置、设备、介质、产品
CN114626926A (zh) 商品搜索类目识别方法及其装置、设备、介质、产品
CN113407849A (zh) 一种粗排序的方法及装置
CN116383458B (zh) 信息推送的方法及装置
Loukili et al. Personalizing product recommendations using collaborative filtering in online retail: a machine learning approach
Rohilla et al. Recommendation System Using Location-Based Services
CN116823404A (zh) 商品组合推荐方法及其装置、设备、介质
CN116843022A (zh) 一种数据处理方法及相关装置
CN117057855A (zh) 一种数据处理方法及相关装置

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
GR01 Patent grant