CN114880599A - 信息排序方法、装置、电子设备及存储介质 - Google Patents
信息排序方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114880599A CN114880599A CN202210638108.8A CN202210638108A CN114880599A CN 114880599 A CN114880599 A CN 114880599A CN 202210638108 A CN202210638108 A CN 202210638108A CN 114880599 A CN114880599 A CN 114880599A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- category
- ranking
- sorted
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
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
本公开提供了一种信息排序方法、装置、电子设备及存储介质,涉及信息推荐技术领域,尤其涉及信息排序技术领域。具体实现方案为:获取待排序信息和所述待排序信息对应的第一排序值;基于参考推荐信息对应的调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值,所述待排序信息和所述参考推荐信息属于同一类别;基于各所述待排序信息的第二排序值,确定各所述待排序信息的排序位置。本公开实施例中在第一排序值的基础上,进一步利用用户对同类别的参考推荐信息的调整参数对第一排序值进行调整,从而实现基于同类别信息来调整第一排序值,从而提高排序的准确性。
Description
技术领域
本公开涉及信息推荐技术领域,尤其涉及信息排序技术领域。
背景技术
随着互联网技术的发展,网页、文档、音视频内容等都成为互联网用户常消费的内容。
相关技术中,首先从海量的内容中筛选出待排序信息,然后基于预设规则对待排序信息进行排序后,按照排序顺序推荐给用户。由此对信息的排序准确性,会直接影响推荐效果。
发明内容
本公开提供了一种信息排序方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种信息排序方法,包括:
获取待排序信息和待排序信息对应的第一排序值;
基于参考推荐信息对应的调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,待排序信息和参考推荐信息属于同一类别;
基于各待排序信息的第二排序值,确定各待排序信息的排序位置。
根据本公开的第二方面,提供了一种信息排序装置,包括:
获取模块,用于获取待排序信息和待排序信息对应的第一排序值;
调整模块,用于基于参考推荐信息对应的调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,待排序信息和参考推荐信息属于同一类别;
排序模块,用于基于各待排序信息的第二排序值,确定各待排序信息的排序位置。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面的方法。
根据本公开的第四方面,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,该计算机指令用于使该计算机执行前述第一方面的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现前述第一方面的方法。
本实施例提供的方案,在本公开实施例中在第一排序值的基础上,进一步利用用户对同类别的参考推荐信息的调整参数对第一排序值进行调整,从而实现基于同类别信息来调整第一排序值,从而提高排序的准确性。
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是本公开一实施例的信息排序方法的流程示意图;
图2是本公开另一实施例的信息排序方法的另一流程示意图;
图3是本公开另一实施例的信息排序方法的框架示意图;
图4是根据本公开一实施例的信息排序装置的一种组成结构示意图;
图5是根据本公开另一实施例的信息排序装置的另一种组成结构示意图;
图6是用来实现本公开实施例的信息排序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。
本公开的说明书实施例和权利要求书的术语“第一”、“第二”和“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本公开实施例提供一种信息排序方法,该信息排序方法可以应用于电子设备,该电子设备包括但不限于固定设备和/或移动设备,例如,固定设备包括但不限于服务器,服务器可以是云服务器或普通服务器。移动设备包括但不限于:手机或平板电脑等中的一项或是多项。
需要说明的是,本公开的技术方案中,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。
本公开第一方面实施例提供一种信息排序方法,如图1所示为该方法的流程示意图,包括:
步骤S101,获取待排序信息和待排序信息对应的第一排序值。
本公开实施例中待排序信息可以是基于用户的搜索请求推荐给用户的信息,也可以是在没有搜索请求的情况下由推荐系统主动为用户推荐的信息。推荐系统可以基于CF(Collaborative Filtering,基于协同过滤的推荐算法)筛选出用户可能感兴趣的信息。CF算法包含以用户为基准的CF算法(User-Base CF)。User-Base CF所采用的推荐原理为:为一个目标用户找到具有相同或类似爱好的用户群,推荐时,推荐该用户群感兴趣的内容给目标用户。
CF算法主要考虑的是信息被点击的可能性,浏览时长的估计值等特征。基于CF算法召回的内容可以为待排序信息,将待排序信息输入排序模型例如DNN(Deep NeuralNetworks,深度神经网络)模型,得到待排序信息的预估分数,该预估分数即第一排序值,用于表示用户的感兴趣程度。
信息可以分类管理,例如影视类别、体育类别的信息等。第一排序值并没有考虑用户对不同类别的信息的兴趣反馈。然而,用户在不同时间周期内,其兴趣会有差异,如果能够快速捕捉用户近期兴趣需求,调整每个类别的召回结果以及时满足用户兴趣消费,则会提升用户体验和消费时长收益。故此本公开实施例中在步骤S102中,基于参考推荐信息对应的调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,待排序信息和参考推荐信息属于同一类别。
步骤S103,基于各待排序信息的第二排序值,确定各待排序信息的排序位置。
综上可见,本公开实施例中在第一排序值的基础上,进一步利用用户对同类别的参考推荐信息的调整参数对第一排序值进行调整,从而实现基于同类别信息来调整第一排序值,从而提高排序的准确性。
在信息资源具有类别的情况下,步骤102中,基于参考推荐信息对应的调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,包括:
基于待排序信息所属的类别,从各类别推荐信息对应的调整参数中获取参考推荐信息对应的调整参数,其中,各类别推荐信息对应的调整参数是基于各类别推荐信息对应的用户操作数据确定的;
基于调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值。
由此可见,本公开实施例中可从类别粒度来确定用户对不同类别推荐信息的调整参数,该调整参数用于反映用户对不同类别的推荐信息的真实反馈。由此可提高对第一排序值调整的准确性。此外,本公开实施例中的参考推荐信息为给用户推荐过的推荐信息且与待排序信息同类别。参考推荐信息对应的调整参数是基于用户对与待排序信息同类别的推荐信息的用户操作数据生成的。该用户操作数据能够应用户的真实爱好,由此确定的调整参数能够反映用户的真实喜好,采用参考推荐信的调整参数对待排序信息的第一排序值进行调整时,实现了基于用户对同类别信息的真实兴趣爱好,对第一排序值进行调整,提高了调整的精度。
在一些实施例中,为了提高排序的准确性,本公开实施例中用户操作数据可采用短期内的数据,以挖掘用户短期兴趣。例如可统计一周内用户对各类别推荐信息的用户操作数据,然后基于该用户操作数据挖掘出用户对不同类别推荐信息的短期兴趣以生成各类别推荐信的调整参数。由此在基于调整参数调整第一排序值时,更能够满足用户的短期个性需求。
本公开实施例中,信息的类别可以包括一级类别和子级类别。子级类别可以有多个层次,例如第一级子类别,第二级子类别等。例如,影视类视频为一级类别,影视类视频下又可划分悬疑剧、搞笑剧等第一级子类别。需要说明的是,子级类别的层次可根据业务需求配置,本公开对此不作限制。由于类别的层次越深、包含的类别数量较高,在确定各类别推荐信息的调整参数时,随着类别数量的增加,计算量和复杂度会提高,所以实施时可根据自身需求,确定选用哪个层次的类别来确定调整参数。
用户对某个类别的兴趣不是一成不变的,有时候对某个类别的兴趣会提升,有时候会降低。故此,各类别推荐信息对应的调整参数中可包括调整方向,用于表示对该类别提高兴趣度或者降低兴趣度,调整参数中还包括调整的力度,用于表示兴趣度提高的程度或降低的程度。由此,基于调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,可实施为以下至少之一:
在调整方向为增加的情况下,将调整力度作为第一排序值的增加比例,以将第一排序值增加到第二排序值;
在调整方向为减少的情况下,将调整力度作为第一排序值的减小比例,以将第一排序值减少到第二排序值。
例如多媒体资源的一级类别包括影视等。其中,假设影视类推荐信息对应的调整参数0.2,调整参数为正数,代表兴趣度提升,调整力度为0.2,即增加比例为0.2。假设影视类的待排序信息A的第一排序值为10,则待排序信息A的第二排序值=10*(1+0.2)=12。由此,提高了待排序信息的排序值。
再例如,假设影视类推荐信息对应的调整参数-0.1,调整参数为负数,代表兴趣度减少,调整力度为0.1,即减小比例为0.1。假设影视类的待排序信息A的第一排序值为10,则待排序信息A的第二排序值=10*(1-0.1)=9。由此,减小了待排序信息的排序值。
在另一个实施例中,还可以在第一排序值的基础上直接累积调整参数得到第二排序值。例如,多媒体资源的一级类别包括社会、影视等。其中,社会、影视类别对应的调整参数分别为0.2和-0.1。其中,正数表示用户对相应类别的兴趣度提高、负数表示用户对相应类别的兴趣度降低。所以=整参数的符号能够表示调整方向。调整参数的绝对值代表了调整力度。如0.2表示兴趣度按照0.2的力度提高,-0.1表示兴趣度按照0.1的力度进行减小。第一排序值累加0.2实现提高待排序信息的排序值,第一排序值累加-0.1实现降低待排序信息的排序值。待排序信息的排序值发生变化,其排序位置也可能会产生变化。
由此,由此,本公开实施例中,采用增加比例和减小比例,能够采用较小的计算量较小的资源消耗实现对第一排序值的调整,且使得调整方向与用户的对同类推荐信的兴趣变化一致,使得最终得到的第二排序值更加符合用户的兴趣喜好。基于调整方向实现了对兴趣度的双向调整。同样都是提高兴趣度的情况下,用户对不同类别的兴趣度的提高程度可能不同,基于调整力度就使得不同类别的兴趣度的提高程度具有差异。类似的,在同样都是降低兴趣度时,不同类别的调整力度也具有了差异。由此各类别的调整参数能够衡量出不同类别的兴趣变化差异。
当用户在不同时期对不同类别推荐信息的兴趣度产生变化时,调整参数能够准确描述用户对不同类别的兴趣差异,用待排序信息所属的类别推荐信息的调整参数调整待排序信息的第一排序值时,挖掘出类别级别的兴趣差异,相对于挖掘每个信息资源的兴趣差异而言,挖掘类别级别的兴趣差异更加方便、且更能够系统性描述用户对某类内容的感兴趣情况,从而使得排序结果更符合用户的兴趣爱好。
在一些实施例中,基于以下方法确定各类别推荐信息的调整参数:
获取各类别推荐信息的初始推荐排序和用户操作数据;
基于用户操作数据确定各类别推荐信息被操作的次数;
基于各类别推荐信息被操作的次数,得到各类别推荐信息的操作排序;
基于初始推荐排序和操作排序,确定各类别推荐信息对应的调整参数;
其中,各类别推荐信息包括与待排序信息属于同一类别的参考推荐信息。
其中,各类别推荐信息的初始推荐排序,反映推荐系统预估的推荐排序。可以理解为初始推荐排序是推荐系统预估的理想顺序。而用户的操作数据如用户的点击数据、用户的收藏数据、用户的点赞数据、用户的分享数据等,反映了用户对初始推荐排序的真实反馈,由此,基于用户操作数据得到的对各类别推荐信息的操作排序,是用户对各类别推荐信息的真实排序。
综上,本公开实施例中,通过对用户操作数据进行分析,得到用户对各类别推荐信息的操作排序,然后基于操作排序和初始推荐排序确定各类别推荐信息的调整参数,由此实现基于用户的真实反馈来确定用户对不同类别的推荐信息的兴趣,由此确定的调整参数能够反映用户的兴趣情况,有助于提高排序的准确性。
一次推荐使用的多个信息的排序是已知的,但是基于一次推荐的用户真实反馈来挖掘类别级别的兴趣差异,可能会存在偶然性误差。为了提高反馈结果的准确性,本公开实施例中基于一段时间内多次推荐的信息,统计推荐信息的初始推荐排序,进而挖掘出对各类别推荐信息的调整参数。每次推荐时各推荐信息的排序是已知的,但多次推荐时,推荐信息的排序并不容易确定。例如,第一次推荐时以推荐顺序排列的推荐信息包括信息A、信息B、信息C。第二次推荐时依照推荐顺序排列的推荐信息为信息D、信息E,那么信息A-E的顺序是难以确定的。故此,本公开实施例中在类别级别挖掘不同类别的用户兴趣。初始推荐顺序也基于类别粒度进行统计分析的。实施时,获取各类别推荐信息的初始推荐排序,包括:
基于各类别推荐信息被推荐的次数,得到推荐信息的推荐排序。
例如,取得一段时间内的多次推荐的推荐信息,其中每个推荐信息都归属于相应的类别。以在一级类别粒度,挖掘各类别推荐信对应的调整参数为例,假设一周时间内,一级类别社会展示出了10条推荐信息,一级类别影视展示了3条推荐信息。则一级类别社会的推荐次数为10次,一级类别影视的推荐次数为3次,由此得到的排序顺序依序为社会、影视。由此得到一段时间内不同类别推荐信息的初始推荐排序。
基于推荐次数来统计不同类别的推荐排序时,统计方式简单可行,且能够从类别级别确定推荐排序,以便于在类别级别挖掘用户的反馈结果。
类似的,本公开实施例中用户对各类别推荐信息的真实排序,可基于用户操作数据得到。实施时,基于用于操作数据确定各类别推荐信息被操作的次数;然后基于各类别推荐信息被操作的次数,得到各类别推荐信息的操作排序(即用户层面对推荐信息的真实排序)。当初始推荐排序和操作排序具有差异时,说明推荐系统预估的初始推荐排序不够准确,可基于推荐信息的初始推荐排序和操作排序之间的差异,确定推荐信息的反馈结果。由此得到各类别推荐信息的调整参数。
综上,本公开实施例中首先基于各类别推荐信息的用户操作数据生成各类别推荐信息的操作排序,操作排序代表了用户层面对各类别推荐信息的真实排序,各类别推荐信息的初始推荐排序代表了预估排序,故此,操作排序和和初始推荐排序之间可以体现预估的兴趣偏差。故此,基于初始推荐排序和操作排序得到的调整参数能够真实的反映用户的兴趣爱好,进而有助于提高排序的准确性。
为了能够合理利用初始推荐排序和操作排序的差异,挖掘出不同类别的反馈结果。本公开实施例中,引入LambdaMart的排序思想,衡量出各类别推荐信息对应的调整参数。前述基于初始推荐排序和操作排序,确定各类别推荐信息对应的调整参数,包括:
基于初始推荐排序,确定各类别推荐信息的第一标注数据;
基于操作排序,确定各类别推荐信息的第二标注数据;
基于第一标注数据和第二标注数据,确定初始推荐排序的第一归一化折损累积增益(NDCG,Normalized Discounted Cumulative Gain);
将一个类别的推荐排序与其他类别的推荐排序分别互换在初始推荐排序中的排序位置后,得到各候选推荐排序;
基于各候选推荐排序和第一标注数据,得到各候选推荐排序的第三标注数据;
确定第二标注数据和各第三标注数据,确定各候选推荐排序的第二归一化折损累积增益;
基于第一归一化折损累积增益和各第二归一化折损累积增益,确定一个类别的推荐信息对应的调整参数。
本公开实施例中,受益于LambdaMart中Lambda梯度的使用,采用Lambda量化调整参数的调整方向和力度。本公开实施例中用归一化折损累积增益指标衡量对类别的排序优劣,进而通过计算每个类别的lambda分数确定各类别推荐信息的调整参数中的调整力度和方向,能够提高调整参数确定的准确性。
为便于理解如何基于LambdaMart确定各个类别(也可以称为类目)的调整参数,下面结合图2对此进行说明:
步骤S201,获取指定时长内的各类别推荐信息的展示记录和点击记录。
步骤S202,基于各类别推荐信息的展示记录,统计各类别推荐信息分别被推荐的次数。
步骤S203,基于各类别推荐信息分别被推荐的次数,得到各类别推荐信息的初始推荐排序,并基于初始推荐排序得到各类别推荐信息的第一标注数据。
例如,统计出的一级类别的初始推荐排序为【健康养生、社会、军事、影视、美食、时事、汽车、国际、搞笑、体育、文化、社会时事、时尚】。标注时,按照30%,55%,15%的比例进行标注。其中,30%表示初始推荐排序中属于前30%的头部类别、55%表示推荐排序中属于从31%-85%的中间部分的类别,15%表示排序在后15%的类别。由于划分了三个级别(即30%,55%,15%的比例),故此标注数据的取值有三种,本公开实施例中可采用0表示15%比例部分的类别、1表示55%比例部分的类别、2表示头部30%比例部分的类别。按照该标注方式得到一级类别的第一标注数据例如为:
PredictLabel:[2,2,2,2,1,1,1,1,1,1,1,0,0]
步骤S204,基于各类别推荐信息的点击记录,统计各类别推荐信息分别被点击的次数。
步骤S205,基于各类别推荐信息分别被点击的次数,得到各类别推荐信息的操作排序,并基于操作排序得到各类别推荐信息的第二标注数据。
与初始推荐排序的标注方式类似,本公开实施例中操作排序也按照30%,55%,15%的比例进行标注,假设基于操作排序得到的各类别推荐信息的第二标注数据为:
TrueLabel:[2,2,1,2,2,1,1,1,0,0,1,1,1]
其中,TrueLabel和PredictLabel中同一排序位置表示同一类别。
步骤S206,采用第二标注数据(TrueLabel),计算折损累积增益(DCG,DiscountedCumulative Gain)。
在公式(1)中,p表示类别的总数量,pi是真实标签(TrueLabel)中类别i的标注数据。例如,上述TrueLabel中,第一排序位置的类别的标注数据为2,最后一个排序位置的类别的标注数据为1。
步骤S207,基于第一标注数据计算理想折损累积增益(IDCG,Ideal DiscountedCumulative Gain)。
在公式(2)中,REL表示类别的总数量,reli是理想状态下的标注数据(即PredictLabel)中类别i的标注数据)。例如,上述PredictLabel中,第一排序位置类别的标注数据为2,最后一个排序位置的类别的标注数据为0。
步骤S208,基于DCG和IDCG,计算第一NDCG。
公式(3)中的NDCG即为第一NDCG。
步骤S209,交换任意两个类别i、j将得到候选推荐排序,在候选推荐排序中交换位置的类别i、j原来两个排序位置上的标注数据不变,仅改变对应的类别,由此得到候选推荐排序的第三标注数据。然后重新计算NDCG后得到第二NDCG。
其中,若计算类别i的调整参数,则将类别i分别与其他类别j进行一次位置交换,每次交换得到一个新的候选推荐排序。例如,初始推荐排序(A、B、C),则A与B交换一次得到候选推荐排序(B、A、C)。A与C交换一次得到另一个候选推荐排序(C、B、A)。每个候选推荐排序,和操作排序的第二标注数据均可以计算出一个第二NDCG。
步骤S210,计算类别i、j位置交换前后的第一NDCG和第二NDCG的差值。
其中,ΔNDCGi,j=|NDCG(j,i)-NDCG(i,j)| (4)
在公式(4)中,ΔNDCGi,j表示类别i、j位置交换前后的第一NDCG和第二NDCG的差值、NDCG(j,i)表示类别j排序在类别i之前的NDCG、NDCG(i,j)表示类别j排序在类别i位置之后的NDCG。
步骤S211,计算类别i、j的lambda。
其中,λij=a*|ΔNDCGj,j| (5)
在公式(5)中,a为常数,通常可取值为0.5,由经验值或实验值确定即可。
步骤S212,基于类别i、j的lambda,计算类别i的调整参数。其中,基于以下公式(6)计算类别i的调整参数,从而得到调整方向和调整力度。
在公式(6)中,λi表示类别i的调整参数,λi为正值时表示提高类别i中信息的第一排序值,λi为负值时表示降低类别i中信息的第一排序值,其取值的绝对值表示调整力度,表示对类别i排序在类别j之前时得到的λij进行累加,表示对类别i排序在类别j之后时得到的λij进行累加。例如,一共四个类别,推荐排序为类别1、类别2和类别3、类别4。i为类别2时,类别2和类别1互换位置,也可以和类别3互换位置、还可以和类别4互换位置。由此,共有以下几种排序序列,分别为:
排序序列1,[类别2、类别1、类别3、类别4],对应λ21;
排序序列2,[类别1、类别3、类别2、类别4],对应λ22;
排序序列3,[类别1、类别3、类别4、类别2],对应λ23。
本公开实施例中,调整参数用作第一排序值的权重,来调整第一排序值。例如调整参数为0.2,第一排序值为b,则调整后得到的第二排序值b’=b(1+0.2)。由此,第一排序值提高了20%。同理,若调整参数为-0.2,则第二排序值b’=b(1-0.2),由此第一排序值降低了20%。
在得到各个待排序信息的第二排序值之后,可以基于第二排序值进行排序。
例如,如图3所示,为本公开实施例提供的信息排序方法的一框架示意图。该方法中,响应于用户的请求(request),该请求例如是打开应用,也可以是基于搜索语言的搜索请求。然后从数据库(historyinfo)中获取该用户的历史记录,该历史记录中包括推荐信息的展示记录和点击记录。基于展示记录获得推荐信息的推荐排序(show_rank),基于点击记录确定推荐信息的操作排序(click_rank),然后基于lambdaMart思想,对推荐排序和操作排序进行处理,确定各类别的调整参数。如图3所示,假设健康养生类别的调整参数为0.02、影视类别的调整参数为-0.034、美食类别的调整参数为-0.1,体育类别的调整参数为0.12,则这些调整参数的作为权重,对基于请求获取的待排序信息的预估分数进行调整,得到召回列表(Recall_list),并基于召回列表响应(response)用户的请求。由此,本公开实施例基于用户的历史推荐信息完成对召回结果的调整,实现对召回结果的重新排序。
综上,通过本公开实施例提供的信息排序方法,能够解决CF召回结果过展或欠展的问题。当用户近期对其他类别的内容感兴趣时,也可以基于调整参数为用户推荐其他类别的内容,从而解决信息茧房的问题。
本公开实施例中,待排序信息包括待排序的短视频、音乐和网页文章的至少之一。由此,在为用户推荐短视频、音乐和网页文章时,能够充分利用用户的兴趣爱好,为用户进行个性化推荐。
根据本公开第二方面的实施例,还提供一种信息排序装置,如图4所示,包括:
获取模块401,用于获取待排序信息和待排序信息对应的第一排序值;
调整模块402,用于基于参考推荐信息对应的调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值,待排序信息和参考推荐信息属于同一类别;
排序模块403,用于基于各待排序信息的第二排序值,确定各待排序信息的排序位置。
在一些实施例中,在图4的基础上如图5所示,调整模块402,包括:
获取子模块501,用于基于待排序信息所属的类别,从各类别推荐信息对应的调整参数中获取参考推荐信息对应的调整参数,其中,各类别推荐信息对应的调整参数是基于各类别推荐信息对应的用户操作数据确定的;
调整子模块502,用于基于调整参数,调整待排序信息的第一排序值,得到待排序信息的第二排序值。
在一些实施例中,其中,调整参数包括调整方向和调整力度,调整子模块502用于执行以下至少之一:
在调整方向为增加的情况下,将调整力度作为第一排序值的增加比例,以将第一排序值增加到第二排序值;
在调整方向为减少的情况下,将调整力度作为第一排序值的减小比例,以将第一排序值减少到第二排序值。
在一些实施例中,如图5所示,信息排序装置还包括:
推荐排序模块406,用于获取各类别推荐信息的初始推荐排序和用户操作数据;
次数确定模块407,用于基于用户操作数据确定各类别推荐信息被操作的次数;
操作排序模块408,用于基于各类别推荐信息被操作的次数,得到各类别推荐信息的操作排序;
调整参数确定模块409,用于基于初始推荐排序和操作排序,确定各类别推荐信息对应的调整参数;
其中,各类别推荐信息包括与待排序信息属于同一类别的参考推荐信息。
在一些实施例中,推荐排序模块406用于:基于各类别推荐信息被推荐的次数,得到各类别推荐信息的初始推荐排序。
在一些实施例中,调整参数确定模块409用于:
基于初始推荐排序,确定各类别推荐信息的第一标注数据;
基于操作排序,确定各类别推荐信息的第二标注数据;
基于第一标注数据和第二标注数据,确定初始推荐排序的第一归一化折损累积增益;
将一个类别的推荐排序与其他类别的推荐排序分别互换在初始推荐排序中的排序位置后,得到各候选推荐排序;
基于各候选推荐排序和第一标注数据,得到各候选推荐排序的第三标注数据;
确定第二标注数据和各第三标注数据,确定各候选推荐排序的第二归一化折损累积增益;
基于第一归一化折损累积增益和各第二归一化折损累积增益,确定一个类别的推荐信息对应的调整参数。
在一些实施例中,待排序信息包括待排序的短视频、音乐和网页文章的至少之一。
本公开实施例中在第一排序值的基础上,进一步利用用户对同类别的参考推荐信息的调整参数对第一排序值进行调整,从而实现基于同类别信息来调整第一排序值,从而提高排序的准确性。
根据本公开的另一实施例,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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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601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601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601执行上文所描述的信息排序方法。在一些实施例中,信息排序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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行信息排序方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息排序方法。
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 (17)
1.一种信息排序方法,包括:
获取待排序信息和所述待排序信息对应的第一排序值;
基于参考推荐信息对应的调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值,所述待排序信息和所述参考推荐信息属于同一类别;
基于各所述待排序信息的第二排序值,确定各所述待排序信息的排序位置。
2.根据权利要求1所述的方法,其中,基于参考推荐信息对应的调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值,包括:
基于所述待排序信息所属的类别,从各类别推荐信息对应的调整参数中获取所述参考推荐信息对应的调整参数,其中,所述各类别推荐信息对应的调整参数是基于所述各类别推荐信息对应的用户操作数据确定的;
基于所述调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值。
3.根据权利要求2所述的方法,其中,所述调整参数包括调整方向和调整力度,基于所述调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值,包括以下至少之一:
在所述调整方向为增加的情况下,将所述调整力度作为所述第一排序值的增加比例,以将所述第一排序值增加到所述第二排序值;
在所述调整方向为减少的情况下,将所述调整力度作为所述第一排序值的减小比例,以将所述第一排序值减少到所述第二排序值。
4.根据权利要求2或3所述的方法,还包括:
获取各类别推荐信息的初始推荐排序和用户操作数据;
基于所述用户操作数据确定所述各类别推荐信息被操作的次数;
基于所述各类别推荐信息被操作的次数,得到所述各类别推荐信息的操作排序;
基于所述初始推荐排序和所述操作排序,确定所述各类别推荐信息对应的调整参数;
其中,所述各类别推荐信息包括与所述待排序信息属于同一类别的所述参考推荐信息。
5.根据权利要求4所述的方法,所述获取各类别推荐信息的初始推荐排序,包括:
基于所述各类别推荐信息被推荐的次数,得到所述各类别推荐信息的所述初始推荐排序。
6.根据权利要求4所述的方法,所述基于所述初始推荐排序和所述操作排序,确定所述各类别推荐信息对应的调整参数,包括:
基于所述初始推荐排序,确定所述各类别推荐信息的第一标注数据;
基于所述操作排序,确定所述各类别推荐信息的第二标注数据;
基于所述第一标注数据和所述第二标注数据,确定所述初始推荐排序的第一归一化折损累积增益;
将一个类别的推荐排序与其他类别的推荐排序分别互换在所述初始推荐排序中的排序位置后,得到各候选推荐排序;
基于各所述候选推荐排序和所述第一标注数据,得到各所述候选推荐排序的第三标注数据;
确定所述第二标注数据和各所述第三标注数据,确定各所述候选推荐排序的第二归一化折损累积增益;
基于所述第一归一化折损累积增益和各所述第二归一化折损累积增益,确定所述一个类别的推荐信息对应的调整参数。
7.根据权利要求1至6中任一项所述的方法,其中,所述待排序信息包括待排序的短视频、音乐和网页文章的至少之一。
8.一种信息排序装置,包括:
获取模块,用于获取待排序信息和所述待排序信息对应的第一排序值;
调整模块,用于基于参考推荐信息对应的调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值,所述待排序信息和所述参考推荐信息属于同一类别;
排序模块,用于基于各所述待排序信息的第二排序值,确定各所述待排序信息的排序位置。
9.根据权利要求8所述的装置,其中,所述调整模块,包括:
获取子模块,用于基于所述待排序信息所属的类别,从各类别推荐信息对应的调整参数中获取所述参考推荐信息对应的调整参数,其中,所述各类别推荐信息对应的调整参数是基于所述各类别推荐信息对应的用户操作数据确定的;
调整子模块,用于基于所述调整参数,调整所述待排序信息的第一排序值,得到所述待排序信息的第二排序值。
10.根据权利要求9所述的装置,其中,其中,所述调整参数包括调整方向和调整力度,所述调整子模块用于执行以下至少之一:
在所述调整方向为增加的情况下,将所述调整力度作为所述第一排序值的增加比例,以将所述第一排序值增加到所述第二排序值;
在所述调整方向为减少的情况下,将所述调整力度作为所述第一排序值的减小比例,以将所述第一排序值减少到所述第二排序值。
11.根据权利要求9或10所述的装置,还包括:
推荐排序模块,用于获取各类别推荐信息的初始推荐排序和用户操作数据;
次数确定模块,用于基于所述用户操作数据确定所述各类别推荐信息被操作的次数;
操作排序模块,用于基于所述各类别推荐信息被操作的次数,得到所述各类别推荐信息的操作排序;
调整参数确定模块,用于基于所述初始推荐排序和所述操作排序,确定所述各类别推荐信息对应的调整参数;
其中,所述各类别推荐信息包括与所述待排序信息属于同一类别的所述参考推荐信息。
12.根据权利要求11所述的装置,所述推荐排序模块用于:基于所述各类别推荐信息被推荐的次数,得到所述各类别推荐信息的所述初始推荐排序。
13.根据权利要求11所述的装置,所述调整参数确定模块用于:
基于所述初始推荐排序,确定所述各类别推荐信息的第一标注数据;
基于所述操作排序,确定所述各类别推荐信息的第二标注数据;
基于所述第一标注数据和所述第二标注数据,确定所述初始推荐排序的第一归一化折损累积增益;
将一个类别的推荐排序与其他类别的推荐排序分别互换在所述初始推荐排序中的排序位置后,得到各候选推荐排序;
基于各所述候选推荐排序和所述第一标注数据,得到各所述候选推荐排序的第三标注数据;
确定所述第二标注数据和各所述第三标注数据,确定各所述候选推荐排序的第二归一化折损累积增益;
基于所述第一归一化折损累积增益和各所述第二归一化折损累积增益,确定所述一个类别的推荐信息对应的调整参数。
14.根据权利要求8至13中任一项所述的装置,其中,所述待排序信息包括待排序的短视频、音乐和网页文章的至少之一。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,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中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638108.8A CN114880599A (zh) | 2022-06-07 | 2022-06-07 | 信息排序方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210638108.8A CN114880599A (zh) | 2022-06-07 | 2022-06-07 | 信息排序方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880599A true CN114880599A (zh) | 2022-08-09 |
Family
ID=82679942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210638108.8A Pending CN114880599A (zh) | 2022-06-07 | 2022-06-07 | 信息排序方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880599A (zh) |
-
2022
- 2022-06-07 CN CN202210638108.8A patent/CN114880599A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704739B (zh) | 资源推荐方法、装置及计算机存储介质 | |
US8990241B2 (en) | System and method for recommending queries related to trending topics based on a received query | |
WO2015192667A1 (zh) | 推荐广告的方法及广告推荐服务器 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
WO2018195105A1 (en) | Document similarity analysis | |
CN107908616B (zh) | 预测趋势词的方法和装置 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
WO2015101161A1 (zh) | 一种用于生成与目标系统对应的用户页面方法和装置 | |
CN112989146A (zh) | 向目标用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
JP5813052B2 (ja) | 情報処理装置、方法及びプログラム | |
CN113205189A (zh) | 训练预测模型的方法、预测方法及装置 | |
CN116955817A (zh) | 内容推荐方法、装置、电子设备以及存储介质 | |
CN112287208A (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN113590914B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
US11237693B1 (en) | Provisioning serendipitous content recommendations in a targeted content zone | |
CN115795146A (zh) | 待推荐资源的确定方法、装置、设备及存储介质 | |
CN115907906A (zh) | 确定待推荐物品的方法、装置、存储介质及电子设备 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113326436A (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 |
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 |