CN115034388B - 排序模型的量化参数的确定方法、装置及电子设备 - Google Patents
排序模型的量化参数的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115034388B CN115034388B CN202210797406.1A CN202210797406A CN115034388B CN 115034388 B CN115034388 B CN 115034388B CN 202210797406 A CN202210797406 A CN 202210797406A CN 115034388 B CN115034388 B CN 115034388B
- Authority
- CN
- China
- Prior art keywords
- vector
- output vector
- search result
- result information
- ordering
- 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.)
- Active
Links
- 238000013139 quantization Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 314
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种排序模型的量化参数的确定方法、装置及电子设备,涉及计算机技术领域,具体涉及人工智能、智能搜索技术领域。具体实现方案为:将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;基于多个候选量化参数,对第一排序模型进行逐层量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量和第二输出向量的差异确定目标量化参数。由此,该方法既考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能、智能搜索技术领域,尤其涉及排序模型的量化参数的确定方法、装置及电子设备。
背景技术
随着计算机技术的飞速发展,网络模型性能不断优化的同时耗费了巨大的内存和计算资源。为了提高网络模型的排序效率,采用量化的方法对排序模型进行压缩。
相关技术中,对神经网络模型进行量化时如何确定量化参数,对网络模型进行排序是十分重要的。
发明内容
本公开提供了一种用于排序模型的量化参数的确定方法、装置及电子设备。
根据本公开的一方面,提供了一种排序模型的量化参数的确定方法,所述方法包括:将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型;将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量;根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数。
根据本公开的另一方面,提供了一种排序模型的量化参数的确定装置,所述装置包括:第一输入模块,用于将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量;量化模块,用于分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型;第二输入模块,用于将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量;第一确定模块,用于根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数。
根据本公开的另一方面,提供了一种电子设备,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本公开的排序模型的量化参数的确定方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开实施例公开的排序模型的量化参数的确定方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本公开的排序模型的量化参数的确定方法。
上述申请中的一个实施例具有如下优点或有益效果:
将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,减小了排序模型量化前后之间的精度损失。
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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的排序模型的量化参数的确定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。
网络模型量化前后一般为数据分布不同的两个模型,排序模型要求量化前后的两个模型数据分布相同或相似,相关技术中,计算量化前后模型数据分布的误差以计算方差为主,然而这种计算方法只考虑量化后模型数据分布的离散性,没有考虑数据分布的集中性,导致量化前后的模型精度损失较大。
为此,本公开将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,减小了排序模型量化前后之间的精度损失。
下面参考附图描述本公开实施例的排序模型的量化参数的确定方法、装置和存储介质。
图1是根据本公开第一实施例的示意图,该实施例提供一种排序模型的量化参数的确定方法。
如图1所示,该排序模型的量化参数的确定方法可以包括:
步骤101,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量。
其中,需要说明的是,本实施的排序模型的量化参数的确定方法的执行主体为排序模型的量化参数的确定装置,该排序模型的量化参数的确定装置可以由软件和/或硬件实现,该排序模型的量化参数的确定装置可以为电子设备,或者,可以配置在电子设备。
其中,该电子设备可以包括但不限于终端设备、服务器等,该实施例对电子设备不作具体限定。
其中,搜索条件信息可以为用户在进行查询时使用的一些用逻辑运算符连接在一起的组合,或者输入的字符,搜索结果信息为对应的查询结果信息,例如,搜索条件信息可以是搜索时输入页面的关键词,至少一个搜索结果信息可以是对应的输入关键词后页面显示的至少一条结果。
排序模型的量化参数的确定装置执行步骤101的过程可以为:先确定当前的搜索条件信息和至少一个搜索结果信息,然后将搜索条件信息和至少一个搜索结果信息输入到未量化的第一排序模型,生成第一排序模型中至少一个网络层的第一输出向量。
步骤102,分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型。
其中,至少一个网络层中各层共享量化参数,量化参数包括偏移参数和/或缩放参数,量化参数是用于将网络层中的模型参数从浮点转换为整数,从而缩小每个网络层的数据量。
在示例性实施例中,先确定第一排序模型对应的多个候选量化参数,每次选取多个候选量化参数中的一个候选量化参数,对至少一个网络层中各层进行逐层量化,得到该候选量化参数对应的第二排序模型。
通过执行多次量化过程,每次量化过程采用不同的候选量化参数,从而得到采用不同候选量化参数量化的多个第二排序模型,即,多个第二排序模型中的模型参数之间是互不相同的。
步骤103,将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量。
在示例性实施例中,在搜索条件信息为搜索关键词的情况下,将搜索条件信息转换为对应的词向量。以及将每个搜索结果信息提取主题,进而将主题转换为对应的词向量,或者,将每个搜索结果信息中的标题转换为对应的词向量。将所述搜索条件信息对应的词向量和至少一个搜索结果信息对应的词向量输入量化后的多个第二排序模型,得到多个第二排序模型中至少一个网络层的第二输出向量。
步骤104,根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。
在示例性实施例中,第一输出向量和第二输出向量分别包括有多个向量维度。针对第一输出向量中各向量维度上的值,在多个向量维度上的值取均值,以及在多个向量维度上的值取方差。类似地,第二输出向量中多个向量维度上的值取均值,以及在多个向量维度上的值取方差。进而确定第一输出向量的均值和第二输出向量的均值之间的差异,以及确定第一输出向量的方差和第二输出向量的方差之间的差异。
均值体现的是向量在不同向量维度上取值分布的聚集性,通过第一输出向量的均值和第二输出向量的均值之间的差异,可以评价量化前后这种聚集性之间的差异。
方差体现的是向量在不同向量维度上取值分布的离散性,通过第一输出向量的方差和第二输出向量的方差之间的差异,可以评价量化前后这种离散性之间的差异。
从而基于前述两种差异,确定出第一输出向量和第二输出向量之间差异最小的第二排序模型,从多个候选量化参数中确定上述第二排序模型的至少一个网络层对应的量化参数,则该量化参数即为用于对至少一个网络层量化的目标量化参数。
在示例性实施例中,确定排序模型的量化参数的过程可以为:确定搜索条件信息和至少一个搜索结果信息,将将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型得到至少一个网络层的第一输出向量;基于多个候选量化参数对至少一个网络层进行逐层量化得到多个第二排序模型;将将搜索条件信息和至少一个搜索结果信息输入量化后的第二排序模型得到至少一个网络层的第二输出向量,确定第一输出向量和第二输出向量之间均值和方差的差异,从而确定第一输出向量和第二输出向量之间差异最小的第二排序模型,则该第二排序模型的至少一个网络层的量化参数即为目标量化参数。
本公开实施例的排序模型的量化参数的确定方法,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,减小了排序模型量化前后之间的精度损失。
可以理解的是,在一些实施例中,为了进一步提高目标量化参数选取的准确度,根据损失函数分别计算第一输出向量和第二输出向量对应的损失量,进而根据损失量确定目标量化参数。
图2是根据本公开第二实施例的示意图,该实施例提供另一种排序模型的量化参数的确定方法。
如图2所示,该排序模型的量化参数的确定方法可以包括:
步骤201,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量。
步骤202,分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型。
步骤203,将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量。
步骤204,针对任一第二排序模型,根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量。
在示例实施例中,将第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之差的绝对值,作为第一损失量。
使用mean函数(均值函数)分别求出均值第一输出向量中多个向量维度的均值与第二输出向量中多个向量维度的均值,将第一输出向量中多个向量维度的均值减去第二输出向量中多个向量维度的均值得到两者之差,再使用abs函数(绝对值函数)求出两者之差的绝对值,将该绝对值作为第一损失量,用于评价量化前后第一输出向量和第二输出向量之间聚集性的差异。
步骤205中,根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量。
在示例实施例中,将第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之差的绝对值,作为第二损失量。
在示例性实施例中,基于方差和标准差之间的平方关系,使用std函数(标准偏差函数)分别求出均值第一输出向量中多个向量维度的标准差与第二输出向量中多个向量维度的标准差,将第一输出向量中多个向量维度的标准差减去第二输出向量中多个向量维度的标准差得到两者之差,再使用abs函数(绝对值函数)求出两者之差的绝对值,将该绝对值作为第二损失量,用于评价量化前后第一输出向量和第二输出向量之间离散性的差异。
步骤206中,对第一损失量和第二损失量加权求和,以得到第二排序模型在至少一个网络层的量化损失。
在示例实施例中,根据以下公式可计算至少一个网络层的量化损失:
步骤207中,基于多个第二排序模型的量化损失,将量化损失最小的第二排序模型所采用的量化参数,作为目标量化参数。
在示例实施例中,将至少一个网络层的量化损失进行求和,得到量化损失最小的第二排序模型,确定该量化损失最小的第二排序模型中至少一个网络层对应的量化参数,从而得到量化损失最小的第二排序模型所采用的量化参数,将将量化损失最小的第二排序模型所采用的量化参数,作为目标量化参数。
其中,需要说明的是,步骤201、202和203的详细说明,可以参考本公开中其他实施例中的说明,此处不再进行详细介绍。
本公开实施例的排序模型的量化参数的确定方法,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;针对任一第二排序模型,根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量;根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量;对第一损失量和第二损失量加权求和,以得到第二排序模型在至少一个网络层的量化损失;基于多个第二排序模型的量化损失,将量化损失最小的第二排序模型所采用的量化参数,作为目标量化参数。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,减小了排序模型量化前后之间的精度损失。
在本公开中,采用基于带余量的PNR(Positive Negative Rate,正逆序比)对量化后的模型进行评价,从而选择量化前后分布最为相似的模型,如图3所示,该方法可以包括:
步骤301,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量。
步骤302,分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型。
步骤303,将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量。
步骤304中,根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。
步骤305中,针对多个第二排序模型中采用目标量化参数进行量化的目标排序模型,获取任意的两个搜索结果信息与搜索条件信息之间的预测相关度,以及获取两个搜索结果信息的预测排序标签,其中,预测排序标签用于指示与搜索条件信息之间的相关度排序。
在本示例实施例中,获取两个搜索结果信息的预测排序标签的过程可以为:获取第一排序标签集合与第二排序标签集合中各排序标签之间的映射关系,其中,第一排序标签集合中的标签数量多于第二排序标签集合中的标签数量;根据两个搜索结果信息之间的相关度排序,从第一排序标签集合中确定第一排序标签;根据第一排序标签集合与第二排序标签集合中各排序标签之间的映射关系,将第二排序标签集合中与第一排序标签对应的标签作为预测排序标签。
本示例实施例中,获取任意的两个搜索结果信息与搜索条件信息之间的相关度的集合和任意的两个搜索结果信息与搜索条件信息之间的相关度排序的集合,根据两个搜索结果信息之间的相关度排序,确定两个搜索结果信息的预测排序标签,减少了获取预测排序标签的计算量,以便将预测排序标签与标注排序标签进行匹配。
步骤306中,在两个搜索结果信息的预测排序标签,与两个搜索结果信息的标注排序标签匹配,且两个搜索结果信息的预测相关度之间差异大于设定阈值的情况下,确定两个搜索结果信息为正序对。
在示例性实施例中,设定阈值可以根据实际需要来设定,例如,假设i和j表示任意两个搜索结果信息的标注排序标签,s(i)和s(j)表示上述两个搜索结果信息的预测排序标签,当i与搜索条件信息的相关度小于j与搜索条件信息的相关度时,若有s(i)<s(j)且s(j)减去s(i)的差值大于设定阈值,则表明上述两个搜索结果信息为正序对。
步骤307中,在两个搜索结果信息的预测排序标签,与两个搜索结果信息的标注排序标签不匹配,和/或两个搜索结果信息的预测相关度之间差异未大于设定阈值的情况下,确定两个搜索结果信息为逆序对。
在示例性实施例中,例如,假设i和j表示任意两个搜索结果信息的标注排序标签,s(i)和s(j)表示上述两个搜索结果信息的预测排序标签,当i与搜索条件信息的相关度小于j与搜索条件信息的相关度时,若有s(i)大于或等于s(j)的同时s(j)减去s(i)的差值小于或等于设定阈值,或者s(j)减去s(i)的差值小于或等于设定阈值,则表明上述两个搜索结果信息为逆序对。
步骤308中,根据多个搜索结果信息中逆序对和正序对的个数,确定目标排序模型的正逆序比。
在示例性实施例中,正逆序比为多个搜索结果信息中正序对的个数和逆序对的个数的比值,其中,正逆序比的数值越大,则表明目标排序模型的有序性越好。
在示例性实施例中,分别确定出多个第二排序模型中目标排序模型的多个搜索结果信息的正序对和逆序对的个数,从而确定目标排序模型的正逆序比,将正逆序比数值最大的目标网络模型确定为与第一排序模型输出向量分布最为相似的第二排序模型。
其中,需要说明的是,步骤301、302、303和304的详细说明,可以参考本公开中其他实施例中的说明,此处不再进行详细介绍。
本公开实施例的排序模型的量化参数的确定方法,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数;针对多个第二排序模型中采用目标量化参数进行量化的目标排序模型,获取任意的两个搜索结果信息与搜索条件信息之间的预测相关度,以及获取两个搜索结果信息的预测排序标签,其中,预测排序标签用于指示与搜索条件信息之间的相关度排序;在两个搜索结果信息的预测排序标签,与两个搜索结果信息的标注排序标签匹配,且两个搜索结果信息的预测相关度之间差异大于设定阈值的情况下,确定两个搜索结果信息为正序对;在两个搜索结果信息的预测排序标签,与两个搜索结果信息的标注排序标签不匹配,和/或两个搜索结果信息的预测相关度之间差异未大于设定阈值的情况下,确定两个搜索结果信息为逆序对;根据多个搜索结果信息中逆序对和正序对的个数,确定目标排序模型的正逆序比。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,同时采用了基于带余量的PNR对量化后的排序模型进行评价,使得量化后模型输出的不同排序的概率之间差异增大,提高了量化后模型的有序性。
为了实现上述实施例,本公开实施例还提供一种排序模型的量化参数的确定装置。
图4是根据本公开第四实施例的示意图,该实施例提供一种排序模型的量化参数的确定装置。
如图4所示,该排序模型的量化参数的确定装置400可以包括第一输入模块401、量化模块402、第二输入模块403和第一确定模块404,其中:
第一输入模块401,用于将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量。
量化模块402,用于分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型。
第二输入模块403,用于将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量。
第一确定模块404,用于根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数。
在本公开的一个实施例中,所述第一确定模块404,具体用于,针对任一所述第二排序模型,根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量;根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量;对所述第一损失量和所述第二损失量加权求和,以得到所述第二排序模型在所述至少一个网络层的量化损失;基于多个所述第二排序模型的所述量化损失,将所述量化损失最小的第二排序模型所采用的量化参数,作为所述目标量化参数。
在本公开的一个实施例中,所述第一确定模块404,具体用于,将所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之差的绝对值,作为所述第一损失量。
在本公开的一个实施例中,所述第一确定模块404,具体用于,将所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之差的绝对值,作为所述第二损失量。
在本公开的一个实施例中,如图5所示,所述搜索结果信息为多个,所述装置500包括:
第一输入模块501,用于将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量。
量化模块502,用于分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型。
第二输入模块503,用于将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量。
第一确定模块504,用于根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数。
获取模块505,用于针对所述多个第二排序模型中采用所述目标量化参数进行量化的目标排序模型,获取任意的两个搜索结果信息与所述搜索条件信息之间的预测相关度,以及获取所述两个搜索结果信息的预测排序标签,其中,所述预测排序标签用于指示与所述搜索条件信息之间的相关度排序;
第二确定模块506,用于在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签匹配,且所述两个搜索结果信息的预测相关度之间差异大于设定阈值的情况下,确定所述两个搜索结果信息为正序对;
第三确定模块507,用于在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签不匹配,和/或所述两个搜索结果信息的预测相关度之间差异未大于设定阈值的情况下,确定所述两个搜索结果信息为逆序对;
第四确定模块508,用于根据所述多个搜索结果信息中所述逆序对和所述正序对的个数,确定所述目标排序模型的正逆序比。
在本公开的一个实施例中,所述获取模块505,具体用于,获取第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,其中,所述第一排序标签集合中的标签数量多于所述第二排序标签集合中的标签数量;根据所述两个搜索结果信息之间的相关度排序,从所述第一排序标签集合中确定第一排序标签;根据所述第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,将第二排序标签集合中与所述第一排序标签对应的标签作为所述预测排序标签。
其中,需要说明的是,上述对排序模型的量化参数的确定方法的解释说明也适用于本实施例中的排序模型的量化参数的确定装置,该实施例对此不再赘述。
本公开实施例的排序模型的量化参数的确定装置,将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到第一排序模型中至少一个网络层的第一输出向量;分别采用多个候选量化参数,对第一排序模型中的至少一个网络层进行量化,以得到多个第二排序模型;将搜索条件信息和至少一个搜索结果信息,输入多个第二排序模型,以得到每个第二排序模型中至少一个网络层的第二输出向量;根据第一输出向量中多个向量维度的均值,与第二输出向量中多个向量维度的均值之间的均值差异,以及根据第一输出向量中多个向量维度的方差,与第二输出向量中多个向量维度的方差之间的方差差异,从多个候选量化参数中确定用于对至少一个网络层量化的目标量化参数。由此,根据候选量化参数对对排序模型进行逐层量化,并确定量化前后输出向量的各维度的均值和方差的差异,从而考虑了输出向量之间的分布的集中性,同时也考虑到输出向量之间的离散性,提高了选取的量化参数的准确度,减小了排序模型量化前后之间的精度损失。
根据本公开的实施例,本公开还提供了一种电子设备和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,该电子设备600可以包括计算单元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,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602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。
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执行上文所描述的各个方法和处理,例如排序模型的量化参数的确定方法。例如,在一些实施例中,排序模型的量化参数的确定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ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的排序模型的量化参数的确定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)而被配置为执行排序模型的量化参数的确定方法。
本文中以上描述的装置和技术的各种实施方式可以在数字电子电路装置、集成电路装置、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上装置的装置(SOC)、复杂可编程逻辑设备(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装置上执行和/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,可以从存储装置、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装置、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装置、装置或设备使用或与指令执行装置、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、或半导体装置、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装置和技术,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。
可以将此处描述的装置和技术实施在包括后台部件的计算装置(例如,作为数据服务器)、或者包括中间件部件的计算装置(例如,应用服务器)、或者包括前端部件的计算装置(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装置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装置中。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)来将装置的部件相互连接。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。
计算机装置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。服务器可以是云服务器,也可以为分布式装置的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种排序模型的量化参数的确定方法,包括:
将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量;
分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型;
将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量;
根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数;
其中,所述搜索结果信息为多个,所述方法还包括:
针对所述多个第二排序模型中采用所述目标量化参数进行量化的目标排序模型,获取任意的两个搜索结果信息与所述搜索条件信息之间的预测相关度,以及获取所述两个搜索结果信息的预测排序标签,其中,所述预测排序标签用于指示与所述搜索条件信息之间的相关度排序;
在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签匹配,且所述两个搜索结果信息的预测相关度之间差异大于设定阈值的情况下,确定所述两个搜索结果信息为正序对;
在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签不匹配,和/或所述两个搜索结果信息的预测相关度之间差异未大于设定阈值的情况下,确定所述两个搜索结果信息为逆序对;
根据所述多个搜索结果信息中所述逆序对和所述正序对的个数,确定所述目标排序模型的正逆序比。
2.根据权利要求1所述的方法,其中,所述根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数,包括:
针对任一所述第二排序模型,根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量;
根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量;
对所述第一损失量和所述第二损失量加权求和,以得到所述第二排序模型在所述至少一个网络层的量化损失;
基于多个所述第二排序模型的所述量化损失,将所述量化损失最小的第二排序模型所采用的量化参数,作为所述目标量化参数。
3.根据权利要求2所述的方法,其中,所述根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量,包括:
将所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之差的绝对值,作为所述第一损失量。
4.根据权利要求2所述的方法,其中,所述根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量,包括:
将所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之差的绝对值,作为所述第二损失量。
5.根据权利要求1所述的方法,其中,所述获取所述两个搜索结果信息的预测排序标签,包括:
获取第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,其中,所述第一排序标签集合中的标签数量多于所述第二排序标签集合中的标签数量;
根据所述两个搜索结果信息之间的相关度排序,从所述第一排序标签集合中确定第一排序标签;
根据所述第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,将第二排序标签集合中与所述第一排序标签对应的标签作为所述预测排序标签。
6.一种排序模型的量化参数的确定装置,包括:
第一输入模块,用于将搜索条件信息和至少一个搜索结果信息输入未量化的第一排序模型,以得到所述第一排序模型中至少一个网络层的第一输出向量;
量化模块,用于分别采用多个候选量化参数,对所述第一排序模型中的所述至少一个网络层进行量化,以得到多个第二排序模型;
第二输入模块,用于将所述搜索条件信息和所述至少一个搜索结果信息,输入所述多个第二排序模型,以得到每个所述第二排序模型中所述至少一个网络层的第二输出向量;
第一确定模块,用于根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,以及根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,从所述多个候选量化参数中确定用于对所述至少一个网络层量化的目标量化参数;
其中,所述搜索结果信息为多个,所述装置还包括:
获取模块,用于针对所述多个第二排序模型中采用所述目标量化参数进行量化的目标排序模型,获取任意的两个搜索结果信息与所述搜索条件信息之间的预测相关度,以及获取所述两个搜索结果信息的预测排序标签,其中,所述预测排序标签用于指示与所述搜索条件信息之间的相关度排序;
第二确定模块,用于在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签匹配,且所述两个搜索结果信息的预测相关度之间差异大于设定阈值的情况下,确定所述两个搜索结果信息为正序对;
第三确定模块,用于在所述两个搜索结果信息的预测排序标签,与所述两个搜索结果信息的标注排序标签不匹配,和/或所述两个搜索结果信息的预测相关度之间差异未大于设定阈值的情况下,确定所述两个搜索结果信息为逆序对;
第四确定模块,用于根据所述多个搜索结果信息中所述逆序对和所述正序对的个数,确定所述目标排序模型的正逆序比。
7.根据权利要求6所述的装置,其中,所述第一确定模块,具体用于,
针对任一所述第二排序模型,根据所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之间的均值差异,确定第一损失量;
根据所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之间的方差差异,确定第二损失量;
对所述第一损失量和所述第二损失量加权求和,以得到所述第二排序模型在所述至少一个网络层的量化损失;
基于多个所述第二排序模型的所述量化损失,将所述量化损失最小的第二排序模型所采用的量化参数,作为所述目标量化参数。
8.根据权利要求7所述的装置,其中,所述第一确定模块,具体用于,
将所述第一输出向量中多个向量维度的均值,与所述第二输出向量中多个向量维度的均值之差的绝对值,作为所述第一损失量。
9.根据权利要求7所述的装置,其中,所述第一确定模块,具体用于,
将所述第一输出向量中多个向量维度的方差,与所述第二输出向量中多个向量维度的方差之差的绝对值,作为所述第二损失量。
10.根据权利要求6所述的装置,其中,所述获取模块,具体用于,
获取第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,其中,所述第一排序标签集合中的标签数量多于所述第二排序标签集合中的标签数量;
根据所述两个搜索结果信息之间的相关度排序,从所述第一排序标签集合中确定第一排序标签;
根据所述第一排序标签集合与所述第二排序标签集合中各排序标签之间的映射关系,将第二排序标签集合中与所述第一排序标签对应的标签作为所述预测排序标签。
11.一种电子设备,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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797406.1A CN115034388B (zh) | 2022-07-07 | 2022-07-07 | 排序模型的量化参数的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797406.1A CN115034388B (zh) | 2022-07-07 | 2022-07-07 | 排序模型的量化参数的确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034388A CN115034388A (zh) | 2022-09-09 |
CN115034388B true CN115034388B (zh) | 2023-04-28 |
Family
ID=83129225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797406.1A Active CN115034388B (zh) | 2022-07-07 | 2022-07-07 | 排序模型的量化参数的确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034388B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220307A (zh) * | 2017-05-10 | 2017-09-29 | 清华大学 | 网页搜索方法和装置 |
CN111931002A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种匹配方法以及相关设备 |
CN111931500A (zh) * | 2020-09-21 | 2020-11-13 | 北京百度网讯科技有限公司 | 搜索信息的处理方法、装置 |
CN114036322A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 用于搜索系统的训练方法、电子设备和存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593904B1 (en) * | 2005-06-30 | 2009-09-22 | Hewlett-Packard Development Company, L.P. | Effecting action to address an issue associated with a category based on information that enables ranking of categories |
CN109657011B (zh) * | 2018-11-26 | 2021-10-01 | 山东师范大学 | 一种筛选恐怖袭击事件犯罪团伙的数据挖掘系统 |
US10803231B1 (en) * | 2019-03-29 | 2020-10-13 | Adobe Inc. | Performing tag-based font retrieval using combined font tag recognition and tag-based font retrieval neural networks |
CN113361701A (zh) * | 2020-03-04 | 2021-09-07 | 北京百度网讯科技有限公司 | 神经网络模型的量化方法和装置 |
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 |
CN113326363B (zh) * | 2021-05-27 | 2023-07-25 | 北京百度网讯科技有限公司 | 搜索方法及装置、预测模型训练方法及装置、电子设备 |
CN113642711B (zh) * | 2021-08-16 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种网络模型的处理方法、装置、设备和存储介质 |
CN113449854A (zh) * | 2021-08-30 | 2021-09-28 | 阿里云计算有限公司 | 网络模型的混合精度量化方法、设备及计算机存储介质 |
CN114239826A (zh) * | 2021-12-21 | 2022-03-25 | 同济大学 | 神经网络剪枝方法、介质及电子设备 |
CN114417194A (zh) * | 2021-12-30 | 2022-04-29 | 北京百度网讯科技有限公司 | 推荐系统排序方法、参数预测模型训练方法及装置 |
-
2022
- 2022-07-07 CN CN202210797406.1A patent/CN115034388B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220307A (zh) * | 2017-05-10 | 2017-09-29 | 清华大学 | 网页搜索方法和装置 |
CN111931002A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种匹配方法以及相关设备 |
CN111931500A (zh) * | 2020-09-21 | 2020-11-13 | 北京百度网讯科技有限公司 | 搜索信息的处理方法、装置 |
CN114036322A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 用于搜索系统的训练方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115034388A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
US20230186607A1 (en) | Multi-task identification method, training method, electronic device, and storage medium | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN116450867B (zh) | 一种基于对比学习和大语言模型的图数据语义搜索方法 | |
CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
CN116186200B (zh) | 模型训练方法、装置、电子设备和存储介质 | |
CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
CN115130470A (zh) | 一种文本关键词的生成方法、装置、设备及介质 | |
CN114662688A (zh) | 模型的训练方法、数据处理方法、装置、电子设备及介质 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN116244413B (zh) | 新意图确定方法、设备和存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN116188875B (zh) | 图像分类方法、装置、电子设备、介质和产品 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN116611477B (zh) | 数据剪枝方法和序列模型的训练方法、装置、设备和介质 | |
CN117633525A (zh) | 一种变压器故障的识别方法、装置、设备及介质 | |
CN116090437A (zh) | 完型填空题目的处理方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |