CN115392361A - 一种智能排序方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开了一种智能排序方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。此外，本申请还涉及区块链技术，待处理事件信息可存储于区块链中。本申请可以通过训练一个智能排序模型来进行排序，提高了排序结果的准确度，进一步提升用户的使用体验。

Description

一种智能排序方法、装置、计算机设备及存储介质

技术领域

本申请属于人工智能技术领域，具体涉及一种智能排序方法、装置、计算机设备及存储介质。

背景技术

排序功能作为APP常用功能之一，主要通过设置各种条件，例如时间、距离等条件过滤出最符合用户期望的结果，从而提高用户的使用体验。

目前，市场上普遍的app排序功能基本都是单一维度或简单聚合维度来实现排序。例如，一些销售平台会根据价格、销量等维度对产品进行排序，然后再将排序结果显示供用户选择，虽然看起来简单清晰，但是排序结果并不准确，导致用户体验并不佳，且用户每次都需要手动去选择排序规则，增加了用户的交互成本。

发明内容

本申请实施例的目的在于提出一种智能排序方法、装置、计算机设备及存储介质，以解决现有app排序功能通过单一维度或简单聚合维度实现而导致的排序结果不准确，用户使用体验并不佳的技术问题。

为了解决上述技术问题，本申请实施例提供一种智能排序方法，采用了如下所述的技术方案：

一种智能排序方法，包括：

获取历史排序数据，并从历史排序数据中提取历史排序特征；

对历史排序特征进行分类，得到若干个历史排序特征组合；

依次计算各个历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合；

基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权；

利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型；

当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。

进一步地，历史排序特征至少包括时效特征、价值特征、频次特征、距离特征和偏好特征，对历史排序特征进行分类，得到若干个历史排序特征组合，具体包括：

按照特征类型对历史排序特征进行分类，得到时效特征组合、价值特征组合、频次特征组合、距离特征组合和偏好特征组合。

进一步地，依次计算各个历史排序特征组合的权重，得到若干个特征权重，具体包括：

为各个历史排序特征赋予相同的初始权重；

基于预设的特征权重算法，调整各个历史排序特征组合中每一个历史排序特征的权重；

计算各个历史排序特征组合的权重均值，得到每一个历史排序特征组合的特征权重。

进一步地，基于预设的特征权重算法，调整各个历史排序特征组合中每一个历史排序特征的权重，具体包括：

计算同一类别的历史排序特征组合中的历史排序特征的相似度，得到第一相似度；

计算不同类别的历史排序特征组合之间的历史排序特征的相似度，得到第二相似度；

基于第一相似度和第二相似度对各个历史排序特征组合中每一个历史排序特征的初始权重进行调整，得到各个历史排序特征组合中每一个历史排序特征的权重。

进一步地，初始排序模型卷积神经网络模型，初始排序模型包括包括池化层、卷积层和全连接层，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，具体包括：

通过池化层对赋权后的历史排序特征进行池化运算，得到历史排序特征向量；

通过卷积层对历史排序特征向量进行卷积运算，得到卷积历史排序特征；

通过全连接层对卷积历史排序特征进行拼接，输出排序预测结果；

基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型。

进一步地，基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型，具体包括：

从历史排序数据中获取历史排序结果；

比对历史排序结果和排序预测结果，得到排序误差；

基于预设的反向传播算法在初始排序模型的网络层中传递排序误差；

比对初始排序模型中各个网络层的误差值与预设误差阈值的大小；

若存在任意一个网络层的误差值大于预设误差阈值，则对初始排序模型模型进行迭代更新，直到初始排序模型模型的所有网络层的误差值均小于或等于预设阈值为止，得到智能排序模型。

进一步地，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果，具体包括：

当接收到排序指令时，获取待处理事件信息，并从待处理事件信息中提取待处理事件的特征；

通过智能排序模型的池化层对待处理事件的特征进行池化运算，得到待处理事件的特征向量；

通过智能排序模型的卷积层对待处理事件的特征向量进行卷积运算，得到待处理事件的卷积特征；

通过智能排序模型的全连接层对待处理事件的卷积特征进行拼接，输出待处理事件对应的排序结果。

为了解决上述技术问题，本申请实施例还提供一种智能排序装置，采用了如下所述的技术方案：

一种智能排序装置，包括：

特征提取模块，用于获取历史排序数据，并从历史排序数据中提取历史排序特征；

特征分类模块，用于对历史排序特征进行分类，得到若干个历史排序特征组合；

权重计算模块，用于依次计算各个历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合；

特征赋权模块，用于基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权；

模型训练模块，用于利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型；

排序预测模块，用于当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

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，所述处理器执行所述计算机可读指令时实现如上述任一项所述的智能排序方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的智能排序方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请公开了一种智能排序方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请可以应用于其中的示例性系统架构图；

图2示出了根据本申请的智能排序方法的一个实施例的流程图；

图3示出了根据本申请的智能排序装置的一个实施例的结构示意图；

图4示出了根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

需要说明的是，本申请实施例所提供的智能排序方法一般由服务器执行，相应地，智能排序装置一般设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的智能排序方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述的智能排序方法，包括以下步骤：

S201，获取历史排序数据，并从历史排序数据中提取历史排序特征。

在本实施例中，历史排序数据为预先收集的、用于训练排序模型模型的数据，例如，在保险出险场景中，保险出险系统需要为出险员和定损员的任务进行排序，以便出险员和定损员了解当前需要处理的任务，此时历史排序数据为出险员或定损员的历史处理事件排序结果。历史排序数据包括多个维度的特征，例如，时间维度、空间维度、价值维度等等。

具体的，服务器从预设的数据库中获取预先存储的历史排序数据，并从历史排序数据中提取多个维度的历史排序特征。

S202，对历史排序特征进行分类，得到若干个历史排序特征组合。

具体的，根据特征类型对历史排序特征进行分类，得到若干个历史排序特征组合。例如，在上述保险出险场景中，历史排序数据至少包括时效特征、价值特征、频次特征、距离特征和偏好特征5个特征类型。

进一步地，历史排序特征至少包括时效特征、价值特征、频次特征、距离特征和偏好特征，对历史排序特征进行分类，得到若干个历史排序特征组合，具体包括：

按照特征类型对历史排序特征进行分类，得到时效特征组合、价值特征组合、频次特征组合、距离特征组合和偏好特征组合。

具体的，服务器在获取历史排序数据，并从历史排序数据中提取历史排序特征之后，按照预设的特征类型对历史排序特征进行分类，得到时效特征组合、价值特征组合、频次特征组合、距离特征组合和偏好特征组合。

在上述实施例中，历史排序特征至少包括时效特征、价值特征、频次特征、距离特征和偏好特征，其中，时效特征表征事件派工后的滞留时间，滞留时间越久表示事件越紧急，价值特征表征事件对应的客户价值，客户价值越高表征事件越紧急，频次特征表征客户联系次数，客户联系次数越多的则说明事件越紧急，距离特征表征客户与出险员或定损员之间距离，由近到远排序，偏好特征表征出险员或定损员较为偏好处理的事件。

S203，依次计算各个历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合。

具体的，服务器基于预设的特征权重算法依次计算各个历史排序特征组合的权重，得到若干个特征权重，其中，预设的特征权重算法为Relief算法，每一个特征权重对应一个历史排序特征组合。

其中，Relief算法是一种特征权重(Feature weighting algorithms)算法，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除，Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力，Relief算法的运行时间随着样本的抽样次数和原始特征个数的增加线性增加，因而运行效率非常高。

进一步地，依次计算各个历史排序特征组合的权重，得到若干个特征权重，具体包括：

为各个历史排序特征赋予相同的初始权重；

基于预设的特征权重算法，调整各个历史排序特征组合中每一个历史排序特征的权重；

计算各个历史排序特征组合的权重均值，得到每一个历史排序特征组合的特征权重。

具体的，服务器先为所有的历史排序特征依次赋予相同的初始权重，如每一个历史排序特征赋予相同的初始权重0.5，然后基于Relief算法调整各个历史排序特征组合中每一个历史排序特征的权重，然后再计算各个历史排序特征组合的权重均值，最后得到每一个历史排序特征组合的特征权重。

进一步地，基于预设的特征权重算法，调整各个历史排序特征组合中每一个历史排序特征的权重，具体包括：

计算同一类别的历史排序特征组合中的历史排序特征的相似度，得到第一相似度；

计算不同类别的历史排序特征组合之间的历史排序特征的相似度，得到第二相似度；

基于第一相似度和第二相似度对各个历史排序特征组合中每一个历史排序特征的初始权重进行调整，得到各个历史排序特征组合中每一个历史排序特征的权重。

其中，Relief算法从任意一个情绪特征组合D中随机选择一个样本R，然后从D中寻找与样本R最近邻的样本H，样本H称为Near Hit，从其他情绪特征组合中寻找与样本R最近邻样本M，样本M称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，这里的距离即两个情绪特征之间的相似度，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重，特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。

具体的，服务器先计算同一类别的历史排序特征组合中的历史排序特征的相似度，得到第一相似度，然后计算不同类别的历史排序特征组合之间的历史排序特征的相似度，得到第二相似度，最后基于第一相似度和第二相似度对各个历史排序特征组合中每一个历史排序特征的初始权重进行调整，得到各个历史排序特征组合中每一个历史排序特征的权重。

例如，在上述实施例中，时效特征组合包括特征[A、B]，价值特征组合包括特征[C、D],服务器先计算时效特征组合中特征A与特征B的相似度S1,再计算时效特征组合中特征A与价值特征组合中特征C、特征D的相似度S2、S3，最后基于相似度S1、S2、S3对特征A初始权重进行调整最终得到特征A的权重，同理，按照上述方法调整特征B、特征C、特征D的权重。

在上述实施例中，当相似度S1小于相似度S2或相似度S3时，上调特征A的初始权重，如将特征A的初始权重0.5调整为0.6，反之，下调特征A的初始权重，如将特征A的初始权重0.5调整为0.4。

S204，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权。

具体的，在计算得到各个历史排序特征组合的权重，得到各个历史排序特征组合的特征权重之后，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权。在上述实施例中，例如，时效特征组合的特征权重为0.8，则为时效特征组合中的特征赋权，得到[0.8A、0.8B]。

S205，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型。

其中，预设的初始排序模型采用的是深度卷积神经网络模型，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)，因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。

具体的，利用赋权后的历史排序特征对预设的初始排序模型进行训练，并对初始排序模型迭代，最后得到智能排序模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度。

进一步地，初始排序模型卷积神经网络模型，初始排序模型包括包括池化层、卷积层和全连接层，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，具体包括：

通过池化层对赋权后的历史排序特征进行池化运算，得到历史排序特征向量；

通过卷积层对历史排序特征向量进行卷积运算，得到卷积历史排序特征；

通过全连接层对卷积历史排序特征进行拼接，输出排序预测结果；

基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型。

具体的，初始排序模型包括包括池化层、卷积层和全连接层，服务器通过池化层对赋权后的历史排序特征进行池化运算，得到历史排序特征向量，将历史排序特征向量输入到卷积层，通过卷积层对历史排序特征向量进行卷积运算，得到卷积历史排序特征，将卷积历史排序特征输入到全连接层，通过全连接层对卷积历史排序特征进行拼接，输出排序预测结果，最后基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型。

进一步地，基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型，具体包括：

从历史排序数据中获取历史排序结果；

比对历史排序结果和排序预测结果，得到排序误差；

基于预设的反向传播算法在初始排序模型的网络层中传递排序误差；

比对初始排序模型中各个网络层的误差值与预设误差阈值的大小；

若存在任意一个网络层的误差值大于预设误差阈值，则对初始排序模型模型进行迭代更新，直到初始排序模型模型的所有网络层的误差值均小于或等于预设阈值为止，得到智能排序模型。

其中，反向传播算法，即误差反向传播算法(Backpropagation algorithm，BP算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。

具体的，历史排序数据包括历史排序结果，服务器从历史排序数据中获取历史排序结果，并基于初始排序模型的损失函数历史排序结果和排序预测结果之间的误差，得到排序误差，然后基于预设的反向传播算法在初始排序模型的网络层中传递排序误差，比对初始排序模型中各个网络层的误差值与预设误差阈值的大小，若存在任意一个网络层的误差值大于预设误差阈值，则对初始排序模型模型进行迭代更新，直到初始排序模型模型的所有网络层的误差值均小于或等于预设阈值为止，得到智能排序模型。

S206，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。

具体的，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，当服务器接收到排序指令后，获取对应的待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。

在本实施例中，智能排序方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式当接收到排序指令时。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

进一步地，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果，具体包括：

当接收到排序指令时，获取待处理事件信息，并从待处理事件信息中提取待处理事件的特征；

通过智能排序模型的池化层对待处理事件的特征进行池化运算，得到待处理事件的特征向量；

通过智能排序模型的卷积层对待处理事件的特征向量进行卷积运算，得到待处理事件的卷积特征；

通过智能排序模型的全连接层对待处理事件的卷积特征进行拼接，输出待处理事件对应的排序结果。

具体的，当服务器接收到排序指令时，获取待处理事件信息，并从待处理事件信息中提取待处理事件的特征，待处理事件的特征包括时效特征、价值特征、频次特征、距离特征和偏好特征，通过智能排序模型的池化层对待处理事件的特征进行池化运算，得到待处理事件的特征向量，通过智能排序模型的卷积层对待处理事件的特征向量进行卷积运算，得到待处理事件的卷积特征，通过智能排序模型的全连接层对待处理事件的卷积特征进行拼接，输出待处理事件对应的排序结果。

在上述实施例中，本申请公开了一种智能排序方法，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

综上所述，本申请实施例公开了一种智能排序方法，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

需要强调的是，为进一步保证上述待处理事件信息的私密和安全性，上述待处理事件信息还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，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。

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。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种智能排序装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的智能排序装置300包括：

特征提取模块301，用于获取历史排序数据，并从历史排序数据中提取历史排序特征；

特征分类模块302，用于对历史排序特征进行分类，得到若干个历史排序特征组合；

权重计算模块303，用于依次计算各个历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合；

特征赋权模块304，用于基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权；

模型训练模块305，用于利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型；

排序预测模块306，用于当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。

进一步地，历史排序特征至少包括时效特征、价值特征、频次特征、距离特征和偏好特征，特征分类模块302具体包括：

特征分类单元，用于按照特征类型对历史排序特征进行分类，得到时效特征组合、价值特征组合、频次特征组合、距离特征组合和偏好特征组合。

进一步地，权重计算模块303具体包括：

初始赋权单元，用于为各个历史排序特征赋予相同的初始权重；

权重调整单元，用于基于预设的特征权重算法，调整各个历史排序特征组合中每一个历史排序特征的权重；

权重计算单元，用于计算各个历史排序特征组合的权重均值，得到每一个历史排序特征组合的特征权重。

进一步地，权重调整单元具体包括：

第一相似度计算子单元，用于计算同一类别的历史排序特征组合中的历史排序特征的相似度，得到第一相似度；

第二相似度计算子单元，用于计算不同类别的历史排序特征组合之间的历史排序特征的相似度，得到第二相似度；

权重调整子单元，用于基于第一相似度和第二相似度对各个历史排序特征组合中每一个历史排序特征的初始权重进行调整，得到各个历史排序特征组合中每一个历史排序特征的权重。

进一步地，初始排序模型卷积神经网络模型，初始排序模型包括包括池化层、卷积层和全连接层，模型训练模块305具体包括：

第一池化运算单元，用于通过池化层对赋权后的历史排序特征进行池化运算，得到历史排序特征向量；

第一卷积运算单元，用于通过卷积层对历史排序特征向量进行卷积运算，得到卷积历史排序特征；

第一特征拼接单元，用于通过全连接层对卷积历史排序特征进行拼接，输出排序预测结果；

模型迭代单元，用于基于排序预测结果对初始排序模型进行迭代更新，直至模型拟合，得到智能排序模型。

进一步地，模型迭代单元具体包括：

历史排序子单元，用于从历史排序数据中获取历史排序结果；

排序比对子单元，用于比对历史排序结果和排序预测结果，得到排序误差；

误差传递子单元，用于基于预设的反向传播算法在初始排序模型的网络层中传递排序误差；

阈值比对子单元，用于比对初始排序模型中各个网络层的误差值与预设误差阈值的大小；

模型迭代子单元，用于当存在任意一个网络层的误差值大于预设误差阈值时，对初始排序模型模型进行迭代更新，直到初始排序模型模型的所有网络层的误差值均小于或等于预设阈值为止，得到智能排序模型。

进一步地，排序预测模块306具体包括：

事件特征提取单元，用于当接收到排序指令时，获取待处理事件信息，并从待处理事件信息中提取待处理事件的特征；

第二池化运算单元，用于通过智能排序模型的池化层对待处理事件的特征进行池化运算，得到待处理事件的特征向量；

第二卷积运算单元，用于通过智能排序模型的卷积层对待处理事件的特征向量进行卷积运算，得到待处理事件的卷积特征；

第二特征拼接单元，用于通过智能排序模型的全连接层对待处理事件的卷积特征进行拼接，输出待处理事件对应的排序结果。

在上述实施例中，本申请公开了一种智能排序装置，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如智能排序方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述智能排序方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请公开了一种计算机设备，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的智能排序方法的步骤。

本申请公开了一种存储介质，属于人工智能技术领域。本申请通过从历史排序数据中提取历史排序特征，对历史排序特征进行分类，依次计算各个历史排序特征组合的权重，得到若干个特征权重，基于特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权，利用赋权后的历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，当接收到排序指令时，获取待处理事件信息，并将待处理事件信息导入智能排序模型，输出排序结果。本申请可以通过从历史排序数据中提取历史排序特征，并利用历史排序特征来训练一个智能排序的神经网络模型，训练好的智能排序模型可以直接用于排序，提高了排序结果的准确度，进一步提升用户的使用体验。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请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申请，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。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种智能排序方法，其特征在于，包括：

获取历史排序数据，并从所述历史排序数据中提取历史排序特征；

对所述历史排序特征进行分类，得到若干个历史排序特征组合；

依次计算各个所述历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合；

基于所述特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权；

利用赋权后的所述历史排序特征对预设的初始排序模型进行训练，得到智能排序模型；

当接收到排序指令时，获取待处理事件信息，并将所述待处理事件信息导入所述智能排序模型，输出排序结果。

2.如权利要求1所述的智能排序方法，其特征在于，所述历史排序特征至少包括时效特征、价值特征、频次特征、距离特征和偏好特征，所述对所述历史排序特征进行分类，得到若干个历史排序特征组合，具体包括：

按照特征类型对所述历史排序特征进行分类，得到时效特征组合、价值特征组合、频次特征组合、距离特征组合和偏好特征组合。

3.如权利要求1所述的智能排序方法，其特征在于，所述依次计算各个所述历史排序特征组合的权重，得到若干个特征权重，具体包括：

为各个所述历史排序特征赋予相同的初始权重；

基于预设的特征权重算法，调整各个所述历史排序特征组合中每一个历史排序特征的权重；

计算各个所述历史排序特征组合的权重均值，得到每一个所述历史排序特征组合的特征权重。

4.如权利要求3所述的智能排序方法，其特征在于，基于预设的特征权重算法，调整各个所述历史排序特征组合中每一个历史排序特征的权重，具体包括：

计算同一类别的历史排序特征组合中的历史排序特征的相似度，得到第一相似度；

计算不同类别的历史排序特征组合之间的历史排序特征的相似度，得到第二相似度；

基于所述第一相似度和所述第二相似度对各个所述历史排序特征组合中每一个历史排序特征的初始权重进行调整，得到各个所述历史排序特征组合中每一个历史排序特征的权重。

5.如权利要求1至4任意一项所述的智能排序方法，其特征在于，所述初始排序模型卷积神经网络模型，所述初始排序模型包括包括池化层、卷积层和全连接层，所述利用赋权后的所述历史排序特征对预设的初始排序模型进行训练，得到智能排序模型，具体包括：

通过所述池化层对赋权后的所述历史排序特征进行池化运算，得到历史排序特征向量；

通过所述卷积层对所述历史排序特征向量进行卷积运算，得到卷积历史排序特征；

通过所述全连接层对所述卷积历史排序特征进行拼接，输出排序预测结果；

基于所述排序预测结果对所述初始排序模型进行迭代更新，直至模型拟合，得到所述智能排序模型。

6.如权利要求5所述的智能排序方法，其特征在于，所述基于所述排序预测结果对所述初始排序模型进行迭代更新，直至模型拟合，得到所述智能排序模型，具体包括：

从所述历史排序数据中获取历史排序结果；

比对所述历史排序结果和所述排序预测结果，得到排序误差；

基于预设的反向传播算法在所述初始排序模型的网络层中传递所述排序误差；

比对所述初始排序模型中各个网络层的误差值与预设误差阈值的大小；

若存在任意一个网络层的误差值大于所述预设误差阈值，则对所述初始排序模型模型进行迭代更新，直到所述初始排序模型模型的所有网络层的误差值均小于或等于预设阈值为止，得到所述智能排序模型。

7.如权利要求5所述的智能排序方法，其特征在于，所述当接收到排序指令时，获取待处理事件信息，并将所述待处理事件信息导入所述智能排序模型，输出排序结果，具体包括：

当接收到排序指令时，获取待处理事件信息，并从所述待处理事件信息中提取待处理事件的特征；

通过所述智能排序模型的池化层对待处理事件的特征进行池化运算，得到待处理事件的特征向量；

通过所述智能排序模型的卷积层对所述待处理事件的特征向量进行卷积运算，得到所述待处理事件的卷积特征；

通过所述智能排序模型的全连接层对所述待处理事件的卷积特征进行拼接，输出所述待处理事件对应的排序结果。

8.一种智能排序装置，其特征在于，包括：

特征提取模块，用于获取历史排序数据，并从所述历史排序数据中提取历史排序特征；

特征分类模块，用于对所述历史排序特征进行分类，得到若干个历史排序特征组合；

权重计算模块，用于依次计算各个所述历史排序特征组合的权重，得到若干个特征权重，其中，每一个特征权重对应一个历史排序特征组合；

特征赋权模块，用于基于所述特征权重为对应历史排序特征组合中的历史排序特征依次进行赋权；

模型训练模块，用于利用赋权后的所述历史排序特征对预设的初始排序模型进行训练，得到智能排序模型；

排序预测模块，用于当接收到排序指令时，获取待处理事件信息，并将所述待处理事件信息导入所述智能排序模型，输出排序结果。

9.一种计算机设备，其特征在于，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，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的智能排序方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的智能排序方法的步骤。

Images