CN114861043A - 一种模型训练以及推荐位置确定方法及装置 - Google Patents
一种模型训练以及推荐位置确定方法及装置 Download PDFInfo
- Publication number
- CN114861043A CN114861043A CN202210397814.8A CN202210397814A CN114861043A CN 114861043 A CN114861043 A CN 114861043A CN 202210397814 A CN202210397814 A CN 202210397814A CN 114861043 A CN114861043 A CN 114861043A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- historical
- user
- recommended
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种模型训练以及推荐位置确定方法及装置,通过获取用户未操作的各历史推荐信息作为训练样本,并根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注,进而根据训练样本以及训练样本的标注,训练推荐位置确定模型。可见,本方法基于用户在所述历史搜索页面中输入的历史输入信息确定用户未操作的各历史推荐信息的标注,也就是说,本方法基于用户未操作的各历史推荐信息中用户可能感兴趣的部分样本训练模型,相较于将用户未操作的各历史推荐信息都作为该用户的负例的方式,提高了模型建模用户兴趣的准确度,进而优化了推荐效果。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练以及推荐位置确定方法及装置。
背景技术
随着信息社会的迅速发展,互联网信息过载日益明显。为了帮助用户快速有效地获取感兴趣的信息,个性化推荐系统受到广泛关注。个性化推荐系统主要通过建模用户兴趣或预测用户行为来提供信息过滤与推荐服务,如何让推荐系统理解用户和信息,从而产生高性能的推荐效果,是推荐系统的核心问题。
现有技术中,构建个性化推荐系统所采用的数据资源通常是用户的隐式反馈数据,包括用户对推荐信息的交互行为数据,如点击、下单、收藏等,也即,用户对被曝光的推荐信息有交互行为,表征了用户对该推荐信息感兴趣,反之,用户对被曝光的推荐信息没有交互行为,表征用户对该推荐信息不感兴趣。通过分析挖掘这种用户针对推荐信息的交互行为数据,有助于为用户推荐符合用户喜好的搜索词或者商品。
但是,将用户未交互过的推荐信息都作为该用户的负样本的样本采集方式与实际的推荐场景存在一定的偏差,例如,用户未点击过的推荐信息未必是始终不感兴趣的,也有可能用户在未来一段时间后会对该推荐信息由交互行为,可见,将曝光给用户、但用户未点击的推荐信息都作为负样本构建个性化推荐系统,会降低推荐系统的推荐效果。
发明内容
本说明书提供一种模型训练以及推荐位置确定方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练方法,包括:
从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息;
根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注;
根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
可选地,所述根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注,具体包括:
获取所述用户输入所述历史输入信息的输入方式;
根据所述输入方式,确定所述训练样本对应的标注。
可选地,根据所述输入方式,确定所述训练样本对应的标注,具体包括:
当所述输入方式为所述用户在所述历史搜索页面包含的历史搜索记录中点击所述历史输入信息,确定所述训练样本的标注为第一标注;
当所述输入方式为所述用户在所述历史搜索页面中的指定入口键入所述历史输入信息,根据所述历史输入信息的内容,确定所述训练样本的标注。
可选地,根据所述历史输入信息的内容,确定所述训练样本的标注,具体包括:
根据所述历史输入信息的内容以及所述训练样本的内容,确定所述历史输入信息与所述训练样本的语义相关度;
将所述语义相关度不高于语义相关度阈值的各训练样本对应的标注确定为第一标注;
将所述语义相关度高于语义相关度阈值的各训练样本对应的标注确定为第二标注。
可选地,根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型,具体包括:
将所述第一标注对应的训练样本作为负样本,将所述第二标注对应的训练样本作为正样本;将各训练样本的特征信息作为输入,输入到所述推荐位置确定模型中,得到所述推荐位置确定模型输出的所述历史搜索页面中各训练样本的推荐位置;
根据所述各训练样本的推荐位置与所述各训练样本对应的标注,训练所述推荐位置确定模型。
本说明书提供了一种推荐位置确定方法,包括:
响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息;
将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如上述模型训练方法训练的;
将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
可选地,将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置,具体包括:
获取所述用户的历史推荐信息,将所述用户操作的各历史推荐信息作为正反馈推荐序列,将所述用户未操作的各历史推荐信息作为负反馈推荐序列;
将所述各待推荐信息的特征信息、所述正反馈推荐序列中包含的各历史推荐信息的特征信息、所述负反馈推荐序列中包含的各历史推荐信息的特征信息输入到所述预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置。
可选地,将所述各待推荐信息的特征信息、所述正反馈推荐序列中包含的各历史推荐信息的特征信息、所述负反馈推荐序列中包含的各历史推荐信息的特征信息输入到所述预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置,具体包括:
针对每个待推荐信息,根据该待推荐信息的特征信息以及正反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与正反馈推荐序列中包含的各历史推荐信息的第一匹配度;
根据该待推荐信息的特征信息以及负反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与负反馈推荐序列中包含的各历史推荐信息的第二匹配度;
根据所述正反馈序列中包含的各历史推荐信息的特征信息,以及所述负反馈序列中包含的各历史推荐信息的特征信息,确定用户的兴趣值;
将该待推荐信息对应的第一匹配度、该待推荐信息对应的第二匹配度以及所述用户的兴趣值,输入到所述预先训练的位置推荐模型中,确定该待推荐信息的推荐位置。
本说明书提供了一种模型训练装置,包括:
训练样本获取模块,用于从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息;
标注确定模块,用于根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注;
训练模块,用于根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
本说明书提供了一种推荐位置确定装置,包括:
特征信息获取模块,用于响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息;
推荐位置确定模块,用于将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如上述模型训练方法训练的;
返回模块,用于将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练方法或上述推荐位置确定方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练方法或上述推荐位置确定方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练方法中,通过从用户对应的包含各历史推荐信息的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本,并根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注,进而根据训练样本以及训练样本的标注,训练推荐位置确定模型。可见,本方法基于用户在所述历史搜索页面中输入的历史输入信息确定用户未操作的各历史推荐信息的标注,也就是说,本方法基于用户未操作的各历史推荐信息中用户可能感兴趣的部分样本训练模型,相较于将用户未操作的各历史推荐信息都作为该用户的负例的方式,提高了模型建模用户兴趣的准确度,进而优化了推荐效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种搜索引导页面的示意图;
图2为本说明书中一种模型训练方法的流程示意图;
图3为本说明书中一种模型训练方法的流程示意图;
图4为本说明书中一种推荐位置确定方法的流程示意图;
图5为本说明书提供的一种模型训练装置的示意图;
图6为本说明书提供的一种推荐位置确定装置的示意图;
图7为本说明书提供的对应于图2或图4的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
另外,需要说明的是,本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
随着计算机技术的不断发展,面对互联网数以亿计的数据,用户通常很难从中找到自己真正需要的信息资源,从而产生了信息过载的问题。针对这一情况,用户可以主动使用搜索引擎进行信息搜索。但是,在某些场景中,用户可能对自身的需求以及兴趣并不明确,这就需要采用推荐系统为用户推荐搜索词或者商品。推荐系统通过挖掘用户的历史行为,收集用户的评论评分,进而分析用户的偏好,主动针对每个用户生成具有个性化的推荐列表,引导用户明确自己的需求,发现自己的潜在兴趣。
例如,用户在点击搜索输入栏主动使用搜索引擎意图进行信息搜索时,可为用户展示如图1所示的搜索引导页面。其中,搜索输入栏用于引导用户输入用户感兴趣的搜索词,搜索词可包括商品名称、类别、商家名称等。历史搜索用于为用户展示用户的历史搜索记录,“猜你想搜”等推荐信息展示区域用于根据用户的历史行为以及用户喜好为用户推荐搜索词。
现有的推荐系统中,构建个性化推荐系统所采用的数据资源通常是用户的显示反馈数据以及隐式反馈数据。显式反馈数据包括显式正反馈(用户对某一物品的好评、收藏、喜爱等)和显式负反馈(如用户显式点击不喜欢、差评等),隐式反馈数据也包含隐式正反馈(如曝光点击)和隐式负反馈(如曝光未点击)。不同于显示反馈数据需要用户主动提供,且用户对商品的评分受其他外界因素干扰导致用户提供虚假的显示反馈,用户的隐式反馈数据能够真实可靠地反映用户兴趣。通过隐式反馈数据挖掘用户与商品间的关系、探究用户的现在喜好,能够提升推荐系统的推荐效果。
然而,目前采用用户的隐式反馈数据分析挖掘用户偏好的推荐系统中存在以下问题:将曝光给用户但用户未点击的推荐信息统一地认为用户对该推荐信息不感兴趣。这与实际的推荐场景并不一致,例如,推荐系统会一次性为用户推荐多个推荐信息,用户往往倾向于点击推荐位置显眼、更易受关注的推荐信息。如果用户感兴趣的推荐信息排序较为靠后、展示方式受关注度较低,用户可能没有关注到其实际感兴趣的推荐信息,造成推荐系统的误判,将用户实际感兴趣的推荐信息作为负例分析用户的偏好,为推荐模型的分析带来较多额噪声。
基于此,本方法提出利用用户的历史操作行为,从曝光未点击的推荐内容中挖掘用户可能感兴趣的推荐信息,并以此训练推荐位置确定模型,以便使得用户实际感兴趣的推荐信息排序靠前。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图2为本说明书中一种模型训练方法的流程示意图,具体包括以下步骤:
S100:从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息。
一般的,服务提供方可通过推荐位置确定模型为各待推荐信息确定推荐位置,并将按推荐位置排序的各待推荐信息展示给用户。本说明书实施例中提供一种训练推荐位置确定模型的方法,可由用于训练模型的服务器执行该推荐位置确定模型的训练过程。
由于本方法通过从用户的隐式负反馈中筛选出用户可能感兴趣的推荐信息的方式提升推荐效果,因此,应首先获取用户的隐式负反馈信息。通常用户的隐式负反馈信息来源于用户的历史行为数据,用户的隐式负反馈信息包括从以往曝光给用户的历史搜索页面中,获取到的用户未操作的各历史推荐信息。通常情况下,曝光给用户的搜索页面可以是如图1所示搜索引导页面,其中包含按一定规则展示的各推荐信息。推荐信息可包括商品名称、商品类别、商家名称等。
在本说明书实施例中,为了便于阐述,将推荐位置确定模型确定出的各待推荐信息的推荐位置是如图1所示搜索引导页面中“猜你想搜”这一展示区域的推荐信息A~F的推荐位置为例,但并不说明本说明书实施例中提供的推荐位置确定模型仅能确定上述形式的推荐信息的推荐位置,也可以是曝光给用户的搜索页面中任一其他展示区域内各待推荐信息的推荐位置,还可以是为用户展示广告资源的推荐位置,本说明书对此不做限定。
S102:根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注。
由于用户的隐式反馈信息并不是由用户主动提供的,而是通过用户针对商品或商家的历史行为确定的,如点击、浏览等,不同于显示反馈信息的是,隐式反馈信息虽然不能直观的反映用户的偏好,但其优越性在于隐式反馈信息不需要用户进行额外的操作就大量存在,便于获取,并且隐式反馈信息的产生是连续的,避免了由用户主动提供而导致的时效降低的问题。然而,正是由于隐式反馈信息不需要用户进行额外的操作就大量存在,其中包含大量噪声,即,用户未操作的历史推荐信息并不一定代表用户对该历史推荐信息不感兴趣,将这部分用户实际感兴趣却没有进行操作的历史推荐信息也作为推荐位置确定模型的负样本显然是不合理的,因此,利用获取到的用户在历史搜索页面中输入的历史输入信息,将用户实际感兴趣却没有进行操作的历史推荐信息筛选出来,与用户因自身确实不感兴趣而未操作的历史推荐信息作区分,并基于区分后的各历史推荐信息及其对应的标注训练位置推荐模型,能够使得排序靠前的推荐信息更符合用户的偏好。
需要说明的是,用户在历史搜索页面中输入的历史输入信息的内容可以是商品的名称、商品的类别、商家的名称等,其方式并不仅限于用户通过指定的业务入口键入信息,还包括用户与该包含各历史推荐信息的历史搜索页面的各种形式的交互方式,如点击等,本说明书对用户在历史搜索页面中输入历史输入信息的输入方式不做限定。
S104:根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
在本说明书提供的一个或多个实施例中,确定出各训练样本及其标注后,用于训练推荐位置确定模型的服务器可将各训练样本作为输入,输入待训练的推荐位置确定模型中,确定模型输出的各训练样本的推荐位置,并基于各训练样本的推荐位置和标注,训练该推荐位置确定模型。
可选地,将标注为第一标注的训练样本作为负样本,将标注为第二标注的训练样本作为正样本,将正负样本输入到待训练的推荐位置确定模型中,得到该待训练的推荐位置确定模型输出的正样本对应的推荐位置以及负样本对应的推荐位置,按照确定出的正负样本对应的推荐位置将正负样本排序,得到推荐序列,以在各正负样本组成的推荐序列中,正样本的推荐位置靠前,负样本的推荐位置靠后为训练目标,训练该待训练推荐位置确定模型。由于在训练模型之前,将一部分可以体现用户潜在偏好的、原本作为负样本的训练样本筛选出来作为正样本,使得按照训练好的推荐位置确定模型输出的推荐位置排序的各待推荐信息更贴近于正样本表征的用户的潜在偏好,即,按照符合用户偏好的程度依次排序,其中,用户的偏好是基于上述正样本确定的。
在本说明书提供的模型训练方法中,通过从用户对应的包含各历史推荐信息的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本,并根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注,进而根据训练样本以及训练样本的标注,训练推荐位置确定模型。可见,本方法基于用户在所述历史搜索页面中输入的历史输入信息确定用户未操作的各历史推荐信息的标注,也就是说,本方法基于用户未操作的各历史推荐信息中用户可能感兴趣的部分样本训练模型,相较于将用户未操作的各历史推荐信息都作为该用户的负例的方式,提高了模型建模用户兴趣的准确度,进而优化了推荐效果。
本说明书实施例中,如图2步骤S102所示的根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注中,可通过用户输入的历史输入信息的内容以及输入方式进一步从用户未操作的各历史推荐信息中筛选出用户可能感兴趣的历史推荐信息,如图3所示。以待训练的推荐位置确定模型用于确定如图1所示的搜索引导页面中“猜你想搜”这一展示区域的各推荐信息的推荐位置为例进行阐述,具体可通过以下步骤确定:
S200:获取所述用户输入所述历史输入信息的输入方式。
在本说明书实施例中,由于历史搜索页面中包含的历史推荐信息在用户浏览历史搜索页面的过程中就已经曝光给用户,因此,可认为用户未操作的各历史推荐信息指的是用户未对所述各历史推荐信息进行过点击行为。也就是说,用户在浏览历史搜索页面时未点击搜索引导页面中“猜你想搜”这一展示区域的推荐信息A~F中的任一推荐信息,而是与搜索输入栏或除“猜你想搜”外其他推荐信息展示区域进行交互。例如在搜索栏输入搜索词、点击“榜单”展示区域内的推荐信息等。
S202:判断用户是否关注到历史搜索页面中的训练样本。若是,执行步骤S208,否则执行步骤S204。
在此步骤中,需要挖掘用户对各历史推荐信息的关注度,在本说明书实施例中,以人工预先设定的规则区分用户对各历史推荐信息的关注度,以历史输入信息与各历史推荐信息的空间关系为例,具体分为两种情况:
第一种情况:历史输入信息与各历史推荐信息属于同一交互区域,例如图1所示的“历史搜索”以及“猜你想搜”,此时,用户在浏览历史搜索页面的过程中点击了“历史搜索”展示区域内的搜索词,说明用户关注到了与“历史搜索”同在一个交互区域的“猜你想搜”。用户在关注到“猜你想搜”展示区域的情况下,未点击“猜你想搜”内的各历史推荐信息,可以体现用户对“猜你想搜”内的各历史推荐信息不感兴趣。因此,将输入方式为用户在历史搜索页面包含的历史搜索记录中点击历史输入信息的历史行为认为是用户对各历史推荐信息的关注度高、但不喜好,并将该输入方式对应的训练样本的标注确定为第一标注。
第二种情况:历史输入信息与各历史推荐信息不属于同一交互区域,例如图1所示的搜索输入栏以及“猜你想搜”,此时,用户的行为可能是在没有浏览历史搜索页面的情况下,直接在搜索输入栏中输入的搜索词,这可以体现用户并未关注到“猜你想搜”内的各历史推荐信息,在这种场景中,用户未点击“猜你想搜”内的各历史推荐信息并不能说明用户对上述各历史推荐信息不感兴趣,应当进一步通过用户在历史搜索页面中的搜索输入栏中输入的搜索词的内容,确定用户的偏好和兴趣。因此,将输入方式为用户在历史搜索页面中的指定入口键入历史输入信息的历史行为认为是用户对各历史推荐信息的关注度低、不确定喜好,并进一步根据历史输入信息的内容确定该输入方式对应的训练样本的标注。
可见,上述两种历史输入信息的输入方式的设置都考虑了历史搜索页面中出“猜你想搜”展示区域之外的交互区域对用户实际偏好的影响。利用用户针对历史搜索页面中其他交互区域的交互行为,解释用户未操作各历史推荐信息的实际原因,完整地刻画的用户的历史行为。通过利用这种方式从负样本中筛选出的用户可能感兴趣的正样本训练推荐位置确定模型,更能体现出实际推荐场景下用户的偏好,达到提升推荐效果的目的。
需要说明的是,在本说明书实施例中仅以预设的以上述两种历史输入信息的输入方式区分用户是否关注到各历史推荐信息为例,并不代表区分用户对各历史推荐信息的关注的规则仅限于上述规则,还可以通过现有的用户偏好行为模型进行挖掘,本说明书对此不做限定。
S206:根据所述历史输入信息的内容以及所述训练样本的内容,确定所述历史输入信息与所述训练样本的语义相关度。
在此步骤中,以上述步骤S204中历史输入信息的输入方法为用户在所述历史搜索页面中的指定入口键入所述历史输入信息为前提,进一步以历史输入信息的内容与训练样本(用户未操作的各历史推荐信息)的内容是否相似为判断用户偏好的依据。历史输入信息的具体内容可以是基于用户在指定入口键入的内容,也可以是搜索系统根据用户键入的内容扩展或提示的内容,即搜索系统基于输入词进行智能提示的内容,其中,历史输入信息的内容以及所述训练样本的内容之间的语义相关度可以采用现有的任意语义相关度确定方法进行确定,本说明书对此不做限定。
若语义相关度不高于语义相关度阈值,说明用户在搜索输入栏中输入的内容与各训练样本不相关,即用户由于各训练样本不符合自身的偏好,才未对各训练样本进行操作。因此,将语义相关度不高于语义相关度阈值的各训练样本对应的标注确定为第一标注。
若语义相关度高于语义相关度阈值,说明用户在搜索输入栏中输入的内容与训练样本相关,即,训练样本虽然符合用户偏好,但由于训练样本的推荐位置靠后或用户并未浏览到训练样本所在展示区域等原因,才未对各训练样本进行操作,因此,将语义相关度高于语义相关度阈值的各训练样本对应的标注确定为第二标注。其中,第一标注表征用户对第一标注对应的训练样本不感兴趣,第二标注表征用户对第二标注对应的训练样本感兴趣。
S206:判断所述语义相关度是否不高于预设的语义相关度阈值。若是,执行步骤S208,否则执行步骤S210。
S208:确定所述训练样本的标注为第一标注。
S210:确定所述训练样本的标注为第二标注。
可选地,在特定的应用场景中,训练样本的标注并不仅限于第一标注和第二标注。例如,上述步骤S202所示的第一种情况中,可能会出现属于同一交互区域的“历史搜索”展示区域内的各历史搜索词的内容与“猜你想搜”中为用户展示的各历史推荐信息的内容相关的情况,此时,用户点击历史搜索记录中的历史输入信息的历史行为并不完全代表用户在注意到各历史推荐信息的前提下,对各历史推荐信息不感兴趣,也有可能是用户浏览的历史搜索页面中,展示历史搜索记录的展示区域比各历史推荐信息的展示区域靠前,用户在浏览到感兴趣的信息后立刻采取了点击操作,并未选择点击各历史推荐信息,在这种场景下,用户虽然点击了与历史推荐信息同属于一个交互区域的历史搜索记录中的历史搜索词,但由于用户点击的该历史搜索词与历史推荐信息相关,也可以认为用户对该历史推荐信息感兴趣。
对于上述情况,可以只根据历史输入信息的内容,确定历史输入信息与所述训练样本的语义相关度,将语义相关度不高于语义相关度阈值的各训练样本对应的标注作为第一标注,将语义相关度高于语义相关度阈值的各训练样本对应的标注作为第二标注,即,无论历史输入信息是以用户何种输入方式输入的,只要历史输入信息与历史推荐信息的语义相关度高于语义相关度阈值,即可认为用户对该历史推荐信息感兴趣。
对于上述情况,也可以根据历史输入信息的内容以及训练样本的内容,确定历史输入信息与所述训练样本的语义相关度。根据用户输入历史输入信息的输入方式,以及所述历史输入信息与所述训练样本的语义相关度,确定训练样本的标注。具体的,当输入方式为所述用户在所述历史搜索页面包含的历史搜索记录中点击所述历史输入信息时,将语义相关度不高于语义相关度阈值的各训练样本对应的标注作为第三标注,将语义相关度高于语义相关度阈值的各训练样本对应的标注作为第四标注;当所述输入方式为所述用户在所述历史搜索页面中的指定入口键入所述历史输入信息时,将所述语义相关度不高于语义相关度阈值的各训练样本对应的标注确定为第五标注,将所述语义相关度高于语义相关度阈值的各训练样本对应的标注确定为第六标注。其中,第六标注表征的用户对第六标注对应的训练样本的感兴趣程度不低于第四标注表征的用户对第四标注对应的训练样本的感兴趣程度、第四标注表征的用户对第四标注对应的训练样本的感兴趣程度高于第五标注表征的用户对第五标注对应的训练样本的感兴趣程度、第五标注表征的用户对第五标注对应的训练样本的感兴趣程度不低于第三标注表征的用户对第三标注对应的训练样本的感兴趣程度。即,训练样本并不局限于分类为正负样本,可以根据具体场景中用户输入历史输入信息的方式以及输入信息的内容,确定多个不同的训练样本的标注。
另外,需要说明的是,由于不同标注对应的训练样本的数量的不均衡,可以为不同标注对应的训练样本设置不同的采集权重,如将第一标注对应的训练样本作为负样本,第二标注对应的训练样本作为正样本时,由于相较于用户感兴趣的历史推荐信息来说,用户不感兴趣的历史推荐信息显然更多,因此正负样本之间的不均衡可以通过设置不同的采集权重解决,也可采用现有的解决样本不均衡的方法,本说明书对此不做限定。
本说明书实施例还提供一种推荐位置确定方法,如图4所示,其中,确定推荐位置的过程中采用的推荐位置确定模型是基于图2的模型训练方法预先训练的,具体通过以下步骤确定:
S300:响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息。
在本说明书实施例中,推荐位置确定方法的执行主体可以是业务平台的服务器等电子设备,也可以是用户浏览页面所用的终端设备中安装的客户端、浏览器等应用程序,本说明书仅以执行主体为服务器为例,对本说明书实施例进行具体说明。
搜索页面中包含的各待推荐信息可以是搜索页面内任一展示区域内展示的待推荐搜索词,待推荐信息的特征信息包括待推荐搜索词所对应的商品或者商家的品类、所在商圈、品牌、价格、销量等。
S302:将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如上述模型训练方法训练的。
可选地,在此步骤中,输入到预先训练的推荐位置确定模型中的输入信息还可以包括正反馈推荐序列中包含的各历史推荐信息的特征信息、负反馈推荐序列中包含的各历史推荐信息的特征信息以及正负反馈推荐序列的交叉特征信息。
其中,正反馈推荐序列包含用户浏览历史搜索页面中包含的用户操作的各历史推荐信息,负反馈推荐序列包含用户浏览历史搜索页面中包含的用户未操作的各历史推荐信息。正负反馈推荐序列表征了用户对历史搜索页面中包含的各历史推荐信息的偏好。正负反馈推荐序列中各历史推荐信息的特征信息可以表征为预设时间段内各历史推荐信息曝光给用户的次数、曝光未点击的次数等。前述预设时间段可根据具体应用场景设定,本说明书对此不做限定。
在本说明书实施例中,针对每个待推荐信息,根据该待推荐信息的特征信息以及正反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与正反馈推荐序列中包含的各历史推荐信息的第一匹配度。第一匹配度表征了待推荐信息与正反馈推荐序列中包含的各历史推荐信息的相关性,第一匹配度越高,说明该待推荐信息越符合用户历史操作过的各历史推荐信息。
并根据该待推荐信息的特征信息以及负反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与负反馈推荐序列中包含的各历史推荐信息的第二匹配度。第二匹配度表征了待推荐信息与负反馈推荐序列中包含的各历史推荐信息的相关性,第二匹配度越高,说明该待推荐信息越符合用户历史未操作过的各历史推荐信息。
正负反馈序列的交叉特征信息可用于表征用户的兴趣值,以正负反馈序列中各历史推荐信息的品类这一特征为例,正反馈推荐序列中的各历史推荐信息的品类分别是电影、水果、餐厅,负反馈推荐序列中各历史推荐信息的品类分别是旅游景点、蔬菜、美容机构。可见,正负反馈推荐序列中各历史推荐信息的品类并不完全相反,也有品类相似,如水果和蔬菜都属于生鲜类。通过正负反馈推荐序列中各历史推荐信息特征信息之间的交叉,建模用户的行为偏好,输入到训练好的推荐位置确定模型中,提高推荐效果,使得按照推荐位置排序的待推荐信息更符合用户的偏好。
另外,输入推荐位置确定模型中的特征信息还可以包括用户特征信息、上下文特征信息以及交叉特征信息等,用户特征信息包括用户年龄、性别等属性特征,上下文特征信息包括浏览时间、浏览时长等统计特征信息,交叉特征包括用户侧特征与待推荐信息侧特征之间的交叉,如用户历史搜索商品的次数、时间等。
S304:将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
根据用户对包含按所述推荐位置排序的各待推荐信息的搜索页面的操作结果,如点击和未点击,进一步收集正样本和负样本,用于更新推荐位置确定模型的参数,使得推荐系统为用户推荐的推荐信息能够符合用户的长短期偏好。
以上为本说明书的一个或多个实施例提供的模型训练方法和推荐位置确定方法,基于同样的思路,本说明书还提供了相应的模型训练装置和推荐位置确定装置,如图5或6所示。
图5为本说明书提供的一种模型训练装置示意图,具体包括:
训练样本获取模块400,用于从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息;
标注确定模块402,用于根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注;
训练模块404,用于根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
所述标注确定模块402具体用于,获取所述用户输入所述历史输入信息的输入方式;根据所述输入方式,确定所述训练样本对应的标注。
所述标注确定模块402具体用于,当所述输入方式为所述用户在所述历史搜索页面包含的历史搜索记录中点击所述历史输入信息,确定所述训练样本的标注为第一标注;当所述输入方式为所述用户在所述历史搜索页面中的指定入口键入所述历史输入信息,根据所述历史输入信息的内容,确定所述训练样本的标注。
所述标注确定模块402具体用于,根据所述历史输入信息的内容以及所述训练样本的内容,确定所述历史输入信息与所述训练样本的语义相关度;将所述语义相关度不高于语义相关度阈值的各训练样本对应的标注确定为第一标注;将所述语义相关度高于语义相关度阈值的各训练样本对应的标注确定为第二标注。
所述训练模块404具体用于,将所述第一标注对应的训练样本作为负样本,将所述第二标注对应的训练样本作为正样本;将各训练样本的特征信息作为输入,输入到所述推荐位置确定模型中,得到所述推荐位置确定模型输出的所述历史搜索页面中各训练样本的推荐位置;根据所述各训练样本的推荐位置与所述各训练样本对应的标注,训练所述推荐位置确定模型。
图6为本说明书提供的一种推荐位置确定装置示意图,具体包括:
特征信息获取模块500,用于响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息;
推荐位置确定模块502,用于将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如上述模型训练方法训练的;
返回模块504,用于将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
所述推荐位置确定模块502具体用于,获取所述用户的历史推荐信息,将所述用户操作的各历史推荐信息作为正反馈推荐序列,将所述用户未操作的各历史推荐信息作为负反馈推荐序列;将所述各待推荐信息的特征信息、所述正反馈推荐序列中包含的各历史推荐信息的特征信息、所述负反馈推荐序列中包含的各历史推荐信息的特征信息输入到所述预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置。
所述推荐位置确定模块502具体用于,针对每个待推荐信息,根据该待推荐信息的特征信息以及正反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与正反馈推荐序列中包含的各历史推荐信息的第一匹配度;根据该待推荐信息的特征信息以及负反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与负反馈推荐序列中包含的各历史推荐信息的第二匹配度;根据所述正反馈序列中包含的各历史推荐信息的特征信息,以及所述负反馈序列中包含的各历史推荐信息的特征信息,确定用户的兴趣值;将该待推荐信息对应的第一匹配度、该待推荐信息对应的第二匹配度以及所述用户的兴趣值,输入到所述预先训练的位置推荐模型中,确定该待推荐信息的推荐位置。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图2提供的模型训练方法和上述图4提供的推荐位置确定方法中的至少一种。
本说明书还提供了图7所示的电子设备的示意结构图。如图7所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图2所述的模型训练方法和上述图4提供的推荐位置确定方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息;
根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注;
根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
2.如权利要求1所述的方法,其特征在于,所述根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注,具体包括:
获取所述用户输入所述历史输入信息的输入方式;
根据所述输入方式,确定所述训练样本对应的标注。
3.如权利要求2所述的方法,其特征在于,根据所述输入方式,确定所述训练样本对应的标注,具体包括:
当所述输入方式为所述用户在所述历史搜索页面包含的历史搜索记录中点击所述历史输入信息,确定所述训练样本的标注为第一标注;
当所述输入方式为所述用户在所述历史搜索页面中的指定入口键入所述历史输入信息,根据所述历史输入信息的内容,确定所述训练样本的标注。
4.如权利要求3所述的方法,其特征在于,根据所述历史输入信息的内容,确定所述训练样本的标注,具体包括:
根据所述历史输入信息的内容以及所述训练样本的内容,确定所述历史输入信息与所述训练样本的语义相关度;
将所述语义相关度不高于语义相关度阈值的各训练样本对应的标注确定为第一标注;
将所述语义相关度高于语义相关度阈值的各训练样本对应的标注确定为第二标注。
5.如权利要求4所述的方法,其特征在于,根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型,具体包括:
将所述第一标注对应的训练样本作为负样本,将所述第二标注对应的训练样本作为正样本;将各训练样本的特征信息作为输入,输入到所述推荐位置确定模型中,得到所述推荐位置确定模型输出的所述历史搜索页面中各训练样本的推荐位置;
根据所述各训练样本的推荐位置与所述各训练样本对应的标注,训练所述推荐位置确定模型。
6.一种推荐位置确定方法,其特征在于,包括:
响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息;
将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如权利要求1~5任一所述方法训练的;
将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
7.如权利要求6所述的方法,其特征在于,将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置,具体包括:
获取所述用户的历史推荐信息,将所述用户操作的各历史推荐信息作为正反馈推荐序列,将所述用户未操作的各历史推荐信息作为负反馈推荐序列;
将所述各待推荐信息的特征信息、所述正反馈推荐序列中包含的各历史推荐信息的特征信息、所述负反馈推荐序列中包含的各历史推荐信息的特征信息输入到所述预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置。
8.如权利要求7所述的方法,其特征在于,将所述各待推荐信息的特征信息、所述正反馈推荐序列中包含的各历史推荐信息的特征信息、所述负反馈推荐序列中包含的各历史推荐信息的特征信息输入到所述预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置,具体包括:
针对每个待推荐信息,根据该待推荐信息的特征信息以及正反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与正反馈推荐序列中包含的各历史推荐信息的第一匹配度;
根据该待推荐信息的特征信息以及负反馈推荐序列中包含的各历史推荐信息的特征信息,确定该待推荐信息与负反馈推荐序列中包含的各历史推荐信息的第二匹配度;
根据所述正反馈序列中包含的各历史推荐信息的特征信息,以及所述负反馈序列中包含的各历史推荐信息的特征信息,确定用户的兴趣值;
将该待推荐信息对应的第一匹配度、该待推荐信息对应的第二匹配度以及所述用户的兴趣值,输入到所述预先训练的位置推荐模型中,确定该待推荐信息的推荐位置。
9.一种模型训练装置,其特征在于,包括:
训练样本获取模块,用于从用户的历史搜索页面中,获取所述用户未操作的各历史推荐信息作为训练样本;所述历史搜索页面包含所述各历史推荐信息;
标注确定模块,用于根据获取到的所述用户在所述历史搜索页面中输入的历史输入信息,确定所述训练样本对应的标注;
训练模块,用于根据所述训练样本以及所述训练样本对应的标注,训练推荐位置确定模型。
10.一种推荐位置确定装置,其特征在于,包括:
特征信息获取模块,用于响应于用户打开搜索页面的请求,获取所述搜索页面中包含的各待推荐信息的特征信息;
推荐位置确定模块,用于将所述各待推荐信息的特征信息,输入到预先训练的推荐位置确定模型中,确定所述各待推荐信息在所述搜索页面中的推荐位置;其中,所述推荐位置确定模型是如权利要求1~5任一所述方法训练的;
返回模块,用于将包含按所述推荐位置排序的各待推荐信息的搜索页面返回给所述用户,以使所述用户对所述搜索页面进行操作。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5或6~8任一项所述的方法。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5或6~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210397814.8A CN114861043A (zh) | 2022-04-15 | 2022-04-15 | 一种模型训练以及推荐位置确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210397814.8A CN114861043A (zh) | 2022-04-15 | 2022-04-15 | 一种模型训练以及推荐位置确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861043A true CN114861043A (zh) | 2022-08-05 |
Family
ID=82631334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210397814.8A Pending CN114861043A (zh) | 2022-04-15 | 2022-04-15 | 一种模型训练以及推荐位置确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861043A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629810A (zh) * | 2023-07-24 | 2023-08-22 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
-
2022
- 2022-04-15 CN CN202210397814.8A patent/CN114861043A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629810A (zh) * | 2023-07-24 | 2023-08-22 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
CN116629810B (zh) * | 2023-07-24 | 2023-10-20 | 中建五局第三建设有限公司 | 基于建筑办公系统的操作推荐方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596645B (zh) | 一种信息推荐的方法、装置及设备 | |
AU2014284401B2 (en) | Method and apparatus for determining user browsing behavior | |
US20180232438A1 (en) | Title display method and apparatus | |
CN110674408B (zh) | 业务平台、训练样本的实时生成方法及装置 | |
US10997184B2 (en) | System and method for ranking search results | |
CN110503206A (zh) | 一种预测模型更新方法、装置、设备及可读介质 | |
US20110321003A1 (en) | Systems and Methods For Providing Modular Configurable Creative Units For Delivery Via Intext Advertising | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN107506367B (zh) | 确定应用展示内容的方法、装置及服务器 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
US20170228378A1 (en) | Extracting topics from customer review search queries | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN111191132B (zh) | 一种信息推荐方法、装置及电子设备 | |
CN115048577A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN112435094A (zh) | 一种信息交互的方法、装置、存储介质及电子设备 | |
CN105989066A (zh) | 一种信息处理方法和装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN114861043A (zh) | 一种模型训练以及推荐位置确定方法及装置 | |
CN113343085A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN112966187A (zh) | 一种信息推荐的方法及装置 | |
CN112699307A (zh) | 一种信息的生成方法及装置 | |
CN113010809A (zh) | 一种信息推荐的方法及装置 | |
CN111639269A (zh) | 一种地点推荐方法及装置 | |
CN114329187B (zh) | 内容对象的推荐方法、装置、电子设备以及可读介质 | |
CN113010563B (zh) | 一种模型训练和信息推荐的方法及装置 |
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 |