KR20230006601A - 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 - Google Patents

정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 Download PDF

Info

Publication number
KR20230006601A
KR20230006601A KR1020227045347A KR20227045347A KR20230006601A KR 20230006601 A KR20230006601 A KR 20230006601A KR 1020227045347 A KR1020227045347 A KR 1020227045347A KR 20227045347 A KR20227045347 A KR 20227045347A KR 20230006601 A KR20230006601 A KR 20230006601A
Authority
KR
South Korea
Prior art keywords
recall data
data
recall
feature
information
Prior art date
Application number
KR1020227045347A
Other languages
English (en)
Inventor
저우 청
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
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
Priority claimed from CN202210113572.5A external-priority patent/CN114443989B/zh
Application filed by 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20230006601A publication Critical patent/KR20230006601A/ko

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
    • G06F16/20—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/09—Supervised learning

Abstract

본 발명은 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체를 제공하며, 인공지능 기술분야에 관한 것으로, 특히는 스마트 검색 기술분야에 관한 것이다. 구현 방법은 다음과 같다. 검색할 데이터와 연관된 복수의 리콜 데이터를 결정하고; 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하며; 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 상기 복수의 리콜 데이터에 대한 정렬을 수행한다.

Description

정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체
본 발명은 2022년 1월 30일 중국 특허청에 제출된 출원번호가 202210113572.5인 중국특허출원의 우선권을 주장하는 바, 그 모든 내용은 참조로서 본 발명에 인용된다.
본 발명은 인공지능 기술분야에 관한 것으로, 특히는 스마트 검색 분야에 관한 것이며, 구체적으로는 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 제품에 관한 것이다.
인공지능은 컴퓨터를 사용하여 인간의 특정 사고 과정과 지능적 행동(예를 들면 학습, 추리, 사고, 계획 등)을 시뮬레이션하는 학문으로 하드웨어적인 측면과 소프트웨어적인 측면의 기술이 있다. 인공지능 하드웨어 기술은 일반적으로 센서, 인공지능 전용 칩, 클라우드 컴퓨팅, 분산 저장, 빅데이터 처리 등 기술을 포함하고, 인공지능 소프트웨어 기술은 주로 컴퓨터 비전 기술, 음성 인식 기술, 자연어 처리 기술 및 기계 학습/딥러닝, 빅데이터 처리 기술, 지식 그래프 기술 등 몇 가지 주요 방향을 포함한다.
이 부분에 기술된 방법은 반드시 기존에 구상되었거나 사용된 방법인 것은 아니다. 달리 명시되지 않는 한, 이 부분에 기술된 임의의 방법이 여기에 포함되었다는 이유만으로 선행기술로 인정되어서는 안된다. 마찬가지로, 달리 명시되지 않는 한, 이 부분에서 언급된 문제는 선행기술에서 공인된 것으로 간주되어서는 안된다.
본 발명은 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 제품을 제공한다.
본 발명의 일 양태에 따르면, 정렬 방법을 제공하고, 상기 방법은, 검색할 데이터와 연관된 복수의 리콜 데이터를 결정하는 단계; 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계; 및 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 복수의 리콜 데이터에 대한 정렬을 수행하는 단계를 포함한다.
본 발명의 일 양태에 따르면, 정렬 모델의 트레이닝 방법을 제공하고, 여기서, 정렬 모델은 제1 트랜스포머 모듈을 포함하고, 상기 방법은, 검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하는 단계; 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻는 단계; 및 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 정렬 모델의 파라미터를 조정하는 단계를 포함한다.
본 발명의 다른 양태에 따르면, 정렬 장치를 제공하고, 상기 장치는, 검색할 데이터와 연관된 복수의 리콜 데이터를 결정하도록 구성되는 제1 결정 유닛; 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하도록 구성되는 제2 결정 유닛; 및 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 복수의 리콜 데이터에 대한 정렬을 수행하도록 구성되는 정렬 유닛을 포함한다.
본 발명의 다른 양태에 따르면, 정렬 모델의 트레이닝 장치를 제공하고, 여기서, 정렬 모델은 제1 트랜스포머 모듈을 포함하고, 상기 장치는, 검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제4 결정 유닛; 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻도록 구성되는 획득 유닛; 및 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 정렬 모델의 파라미터를 조정하도록 구성되는 조정 유닛을 포함한다.
본 발명의 다른 양태에 따르면, 전자 기기를 더 제공하고, 상기 전자 기기는, 적어도 하나의 프로세서; 및 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되, 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되고, 명령은 적어도 하나의 프로세서에 의해 실행되어 적어도 하나의 프로세서가 상술한 임의의 하나의 방법을 수행하도록 한다.
본 발명의 다른 양태에 따르면, 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 더 제공하고, 여기서, 컴퓨터 명령은 컴퓨터가 상술한 임의의 하나의 방법을 수행하도록 한다.
본 발명의 다른 양태에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품을 더 제공하고, 여기서, 컴퓨터 프로그램은 프로세서에 의해 실행될 경우 상술한 임의의 하나의 방법을 구현한다.
본 발명의 하나 이상의 실시예에 따르면, 정렬 과정에서 복수의 리콜 데이터 사이 관계를 얻을 수 있고, 이를 기반으로 복수의 리콜 데이터에 대한 정렬 품질을 향상시킬 수 있다.
이 부분에 기술된 내용은 본 발명의 실시예의 핵심적이거나 중요한 특징을 식별하기 위한 것이 아니며, 본 발명의 범위를 제한하기 위한 것도 아님을 이해해야 한다. 본 발명의 다른 특징들은 아래의 명세서를 통해 쉽게 이해될 것이다.
첨부된 도면은 실시예를 예시적으로 도시하고 명세서의 일부분을 구성하며, 명세서의 문자적 설명과 함께 실시예의 예시적 실시형태를 설명하기 위해 사용된다. 도시된 실시예는 단지 예시를 위한 것으로, 청구범위를 한정하지 않는다. 모든 도면에서 유사한 도면부호는 유사하지만 동일하지 않은 요소를 나타낸다.
도 1은 본 발명의 실시예에 따른 본문에 기술된 다양한 방법을 실시할 수 있는 예시적 시스템의 모식도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 정렬 방법의 흐름도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 정렬 방법의 모식도를 도시한 것이다.
도 4는 본 발명의 실시예에 따른 정렬 모델의 트레이닝 방법의 흐름도를 도시한 것이다.
도 5는 본 발명의 실시예에 따른 정렬 장치의 구조 블록도를 도시한 것이다.
도 6은 본 발명의 실시예에 따른 정렬 모델의 트레이닝 장치의 구조 블록도를 도시한 것이다.
도 7은 본 발명의 실시예를 구현할 수 있는 예시적 전자 기기의 구조 블록도를 도시한 것이다.
이하 첨부된 도면과 결부하여 본 발명의 예시적 실시예에 대해 설명하되, 이중에는 이해를 돕기 위한 본 발명의 실시예의 다양한 세부 사항이 포함되어 있으며, 이들은 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 기술분야의 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않는 전제하에 여기에 기술된 실시예에 대해 다양한 변경과 수정이 이루어질 수 있음을 인식해야 한다. 또한, 명료함과 간결함을 위해 이하 설명에서는 공지의 기능 및 구성에 대한 설명은 생략하였다.
본 발명에서, 달리 설명되지 않는 한 "제1", "제2" 등의 용어를 사용하여 설명된 다양한 요소는 이러한 요소들의 위치적 관계, 시계열적 관계 또는 중요도 관계를 한정하려는 의도가 아니며, 이러한 용어는 단지 한 요소를 다른 요소와 구분하기 위해 사용된 것이다. 일부 예시에서, 제1 요소와 제2 요소는 해당 요소의 동일한 인스턴스를 지칭할 수 있으며, 경우에 따라 문맥상 설명을 기반으로 서로 다른 인스턴스를 지칭할 수도 있다.
본 발명의 각 예시에 대한 설명에서 사용된 용어는 단지 특정 예시를 설명하기 위한 것으로, 본 발명을 한정하기 위한 것이 아니다. 문맥상 명백히 달리 표시되지 않는 한, 요소의 수에 대해 특별한 제한이 없는 경우 해당 요소는 하나일 수도 있고 복수일 수도 있다. 이 밖에, 본 발명에서 사용된 용어 "및/또는"은 나열된 항목 중 임의의 하나 및 가능한 모든 조합을 포함한다.
검색 작업은 일반적으로 리콜과 정렬 두 부분으로 나뉠 수 있다. 관련 기술에서, 리콜 과정에서는 검색할 데이터를 기반으로 복수의 리콜 데이터를 불러오고, 정렬 과정에서는 각 리콜 데이터 자체의 특징, 예를 들어 상기 리콜 데이터와 검색할 데이터의 유사도 등을 기반으로 상기 리콜 데이터의 추천도를 결정함으로써 복수의 리콜 데이터에 대해 정렬을 수행한다. 이러한 정렬 방법은 복수의 리콜 데이터 사이에 존재하는 컨텍스트 정보를 소홀히 하여 정렬의 정확도가 떨어진다.
이를 감안하여, 본 발명은 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정함으로써 복수의 리콜 데이터에 대해 정렬을 수행하는 정렬 방법을 제공한다. 이로써 정렬 과정에서 복수의 리콜 데이터 사이 관계를 얻을 수 있고, 이를 기반으로 복수의 리콜 데이터에 대한 정렬 품질을 향상시킬 수 있다.
아래 첨부된 도면과 결부하여 본 발명의 실시예에 대해 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 본문에 기술된 다양한 방법을 실시할 수 있는 예시적 시스템(100)의 모식도를 도시한 것이다. 도 1을 참조하면, 상기 시스템(100)은 하나 이상의 클라이언트 기기(101, 102, 103, 104, 105 및 106), 서버(120) 및 하나 이상의 클라이언트 기기를 서버(120)에 연결하는 하나 이상의 통신 네트워크(110)를 포함한다. 클라이언트 기기(101, 102, 103, 104, 105 및 106)는 하나 이상의 애플리케이션을 실행하도록 구성될 수 있다.
본 발명의 실시예에서, 서버(120)는 정렬 방법 또는 정렬 모델의 트레이닝 방법을 실행할 수 있는 하나 이상의 서비스 또는 소프트웨어 애플리케이션을 실행할 수 있다.
일부 실시예에서, 서버(120)는 또한 비가상 환경 또는 가상 환경을 포함할 수 있는 다른 서비스 또는 소프트웨어 애플리케이션을 제공할 수 있다. 일부 실시예에서, 이러한 서비스는 웹 기반 서비스 또는 클라우드 서비스, 예를 들어 서비스로서의 소프트웨어(SaaS, Software-as-a-Service) 모델을 통해 클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)의 사용자에게 제공될 수 있다.
도 1에 도시된 구성에서, 서버(120)는 서버(120)에 의해 실행되는 기능을 구현하는 하나 이상의 컴포넌트를 포함할 수 있다. 이러한 컴포넌트는 하나 이상의 프로세서에 의해 실행될 수 있는 소프트웨어 컴포넌트, 하드웨어 컴포넌트 또는 이들의 조합을 포함할 수 있다. 클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)를 조작하는 사용자는 하나 이상의 클라이언트 애플리케이션을 순차적으로 사용하여 서버(120)와 상호 작용함으로써 이러한 컴포넌트에 의해 제공되는 서비스를 이용할 수 있다. 이해해야 할 것은, 시스템(100)과 다른 다양한 시스템 구성도 가능하다. 따라서, 도 1은 본문에 기술된 다양한 방법을 실시할 수 있는 시스템의 예시일 뿐 본 발명을 제한하기 위한 것이 아니다.
사용자는 클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)를 사용하여 검색할 데이터를 입력 및 전송할 수 있다. 클라이언트 기기는 클라이언트 기기의 사용자가 클라이언트 기기와 상호 작용할 수 있도록 인터페이스를 제공할 수 있다. 클라이언트 기기는 또한 상기 인터페이스를 통해 사용자에게 정보를 출력할 수도 있다. 도 1에서는 6가지 종류의 클라이언트 기기만 표시되었으나 본 기술분야의 통상의 지식을 가진 자는 본 발명이 임의의 수의 클라이언트 기기를 지원할 수 있음을 이해할 것이다.
클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)에는 휴대용 핸드헬드 기기, 범용 컴퓨터(예를 들어 개인용 컴퓨터 및 랩톱 컴퓨터), 워크스테이션 컴퓨터, 웨어러블 장치, 스마트 스크린 장치, 키오스크 장치, 서비스 로봇, 게임 시스템, 씬 클라이언트, 다양한 메시징 기기, 센서 또는 기타 센싱 기기 등과 같은 다양한 유형의 컴퓨터 기기가 포함될 수 있다. 이러한 컴퓨터 기기는 MICROSOFT Windows, APPLE iOS, UNIX 유사 운영 체제, Linux 또는 Linux 유사 운영 체제(예를 들어GOOGLE Chrome OS) 등과 같은 다양한 유형 및 버전의 소프트웨어 애플리케이션 및 운영 체제를 구동할 수 있고; 또는 MICROSOFT Windows Mobile OS, iOS, Windows Phone, Android 등과 같은 다양한 모바일 운영 체제를 포함할 수 있다. 휴대용 핸드헬드 기기에는 셀룰러폰, 스마트폰, 태블릿 컴퓨터, 개인 정보 단말기 등이 포함될 수 있다. 웨어러블 장치에는 마운트 디스플레이(예를 들어 스마트 안경) 및 다른 기기들이 포함될 수 있다. 게임 시스템에는 다양한 핸드헬드 게임 기기, 인터넷을 지원하는 게임 기기 등이 포함될 수 있다. 클라이언트 기기는 다양한 인터넷 관련 애플리케이션, 통신 애플리케이션(예를 들어 이메일 애플리케이션), SMS 애플리케이션 등과 같은 다양한 애플리케이션을 실행할 수 있으며 다양한 통신 프로토콜을 사용할 수 있다.
네트워크(110)는 본 기술분야의 통상의 지식을 가진자에게 익숙한 임의의 유형의 네트워크일 수 있으며, 다양한 사용 가능한 프로토콜 중의 임의의 하나(TCP/IP, SNA, IPX 등이 포함되나 이에 한정되지 않음)를 사용하여 데이터 통신을 지원할 수 있다. 예시로서, 하나 이상의 네트워크(110)는 근거리 통신망(LAN), 이더넷 기반의 네트워크, 토큰 링, 광역 네트워크(WAN), 인터넷, 가상 네트워크, 가상 사설 네트워크(VPN), 인트라넷, 엑스트라넷, 공중 교환 전화망(PSTN), 적외선 네트워크, 무선 네트워크(예를 들어 블루투스, WIFI) 및/또는 이들 및/또는 기타 네트워크의 임의의 조합일 수 있다.
서버(120)는 하나 이상의 범용 컴퓨터, 전용 서버 컴퓨터(예를 들어 PC(개인용 컴퓨터) 서버, UNIX 서버, 터미널 서버), 블레이드 서버, 대형 컴퓨터, 서버 클러스터 또는 임의의 다른 적절한 구성 및/또는 조합을 포함할 수 있다. 서버(120)는 가상 운영 체제를 실행하는 하나 이상의 가상 머신, 또는 가상화에 관한 다른 컴퓨팅 아키텍처(예를 들어 서버의 가상 저장 장치의 논리적 저장 장치를 유지 관리하기 위해 가상화될 수 있는 하나 이상의 유연 풀)를 포함할 수 있다. 다양한 실시예에서, 서버(120)는 아래에 설명된 기능을 제공하는 하나 이상의 서비스 또는 소프트웨어 애플리케이션을 실행할 수 있다.
서버(120)의 컴퓨팅 유닛은 상술한 임의의 운영 체제 및 임의의 상업상 사용 가능한 서버 운영 체제의 하나 이상의 운영 체제를 포함할 수 있다. 서버(120)는 또한 HTTP 서버, FTP 서버, CGI 서버, JAVA 서버, 데이터베이스 서버 등을 포함하는 다양한 추가적인 서버 애플리케이션 및/또는 중간 계층 애플리케이션 중 어느 하나를 실행할 수 있다.
일부 실시형태에서, 서버(120)는 하나 이상의 애플리케이션을 포함하여 클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)의 사용자로부터 수신된 데이터 피드 및/또는 이벤트 업데이트를 분석 및 통합할 수 있다. 서버(120)는 또한 하나 이상의 애플리케이션을 포함하여 클라이언트 기기(101, 102, 103, 104, 105 및/또는 106)의 하나 이상의 디스플레이 기기를 통해 데이터 피드 및/또는 실시간 이벤트를 표시할 수 있다.
일부 실시형태에서, 서버(120)는 분산 시스템의 서버일 수도 있고 블록체인을 결합한 서버일 수도 있다. 서버(120)는 또한 클라우드 서버일 수도 있고 인공지능 기술이 적용된 지능형 클라우드 서버 또는 지능형 클라우드 호스트일 수도 있다. 클라우드 서버는 기존의 물리적 호스트와 가상 사설 서버(VPS, Virtual Private Server) 서비스에 존재하는 관리가 어렵고 사업 확장성이 취약한 단점을 해결하기 위한 클라우드 컴퓨팅 서비스 시스템의 호스트 제품이다.
시스템(100)은 또한 하나 이상의 데이터베이스(130)를 포함할 수 있다. 일부 실시예에서, 이러한 데이터베이스는 데이터 및 기타 정보를 저장하기 위해 사용될 수 있다. 예를 들어, 데이터베이스(130) 중의 하나 이상은 오디오 파일 및 비디오 파일과 같은 정보를 저장하기 위해 사용될 수 있다. 데이터베이스(130)는 다양한 위치에 상주할 수 있다. 예를 들어, 서버(120)에 의해 사용되는 데이터는 서버(120)에 로컬 저장되거나 또는 서버(120)에서 멀리 떨어져 네트워크 기반 또는 전용 연결을 통해 서버(120)와 통신할 수 있다. 데이터베이스(130)는 상이한 유형일 수 있다. 일부 실시예에서, 서버(120)에 의해 사용되는 데이터베이스는 예를 들어 관계형 데이터베이스일 수 있다. 이러한 데이터베이스 중 하나 이상은 명령에 응답하여 데이터베이스에 및 데이터베이스로부터 데이터를 저장, 업데이트 및 검색할 수 있다.
일부 실시예에서, 데이터베이스(130) 중 하나 이상은 애플리케이션에 의해 사용되어 애플리케이션 데이터를 저장할 수 있다. 애플리케이션에 의해 사용되는 데이터베이스는 키-값 저장소, 객체 저장소 또는 파일 시스템에서 지원하는 일반 저장소 등 다양한 유형의 데이터베이스일 수 있다.
도 1의 시스템(100)은 본 발명에서 설명한 다양한 방법 및 장치를 적용할 수 있도록 다양한 방식으로 구성 및 조작될 수 있다.
본 발명의 기술적 해결방안에서 언급된 사용자의 개인 정보의 수집, 저장, 사용, 가공, 전송, 제공 및 공개 등의 처리는 모두 관련 법률과 법규의 규정에 부합되며, 공서양속을 위반하지 않는다.
도 2는 본 발명의 실시예에 따른 정렬 방법의 흐름도를 도시한 것으로서, 상기 방법(200)은, 검색할 데이터와 연관된 복수의 리콜 데이터를 결정하는 단계 S201; 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계 S202; 및 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 복수의 리콜 데이터에 대한 정렬을 수행하는 단계 S203을 포함한다.
이로써 정렬 과정에서 복수의 리콜 데이터 사이 관계를 고려할 수 있고, 복수의 리콜 데이터 사이 상관 관계를 기반으로 복수의 리콜 데이터에 대한 정렬 품질을 향상시킬 수 있다.
단계 S201에 있어서, 검색할 데이터는 사용자가 단말 기기를 통해 입력한 것일 수 있다. 복수의 리콜 데이터는 기설정된 리콜 규칙 또는 트레이닝을 거친 리콜 모델을 사용하여 데이터베이스로부터 획득한 검색할 데이터와 연관된 복수의 데이터일 수 있다.
일부 실시예에 따르면, 검색할 데이터 및 복수의 리콜 데이터 중 임의의 하나는 텍스트, 이미지 및 동영상 중 적어도 하나의 데이터 유형을 포함할 수 있다.
단계 S202에서는 각 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 결정함으로써 복수의 리콜 데이터로 구성된 데이터셋 차원에서 상기 리콜 데이터가 추천할 가치가 있는지 여부를 평가할 수 있으며, 즉 각 리콜 데이터에 대한 평가가 상기 리콜 데이터의 내부 정보에 국한되지 않고, 복수의 리콜 데이터의 컨텍스트 정보도 고려할 수 있어 복수의 리콜 데이터의 정렬의 정확도를 향상시키는 데 도움이 된다.
여기서, 추천도는 사용자 만족도, 클릭 확률 및 검색할 데이터와의 매칭 정도 중 하나 이상의 요소에 의해 결정되는 것으로 이해할 수 있다.
일부 실시예에 따르면, 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터의 텍스트 중첩도를 기반으로 유사도를 결정하고, 이로써 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정할 수 있다.
예를 들어, 각 리콜 데이터에 대해, 복수의 리콜 데이터 중 상기 리콜 데이터와의 유사도가 기설정된 유사도 임계값보다 높은 리콜 데이터의 개수를 결정하고, 상기 개수를 기반으로 상기 리콜 데이터의 추천도를 결정하되, 상기 리콜 데이터의 추천도와 상기 개수는 양의 상관관계를 가진다.
일부 실시예에 따르면, 복수의 리콜 데이터 중 각 리콜 데이터에는 대응되는 제1 특징 벡터가 구비되고, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계는, 상기 리콜 데이터의 제1 특징 벡터와 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터 사이의 유사도를 기반으로, 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 융합하여 상기 리콜 데이터의 제2 특징 벡터를 얻는 단계; 및 상기 리콜 데이터의 제2 특징 벡터를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계를 포함할 수 있다.
상기 방법으로 얻은 각 리콜 데이터의 제2 특징은 복수의 리콜 데이터로 구성된 데이터셋의 전역 차원에서 상기 리콜 데이터의 특성을 반영하여 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 보다 정확하게 결정할 수 있다.
여기서, 리콜 데이터의 제2 특징 벡터를 결정하는 상기 방식은 어텐션(Attention) 매커니즘을 사용하여 구현할 수 있다.
일부 실시예에 따르면, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계는, 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 얻는 단계를 포함할 수 있다.
여기서, 제1 트랜스포머 모듈은 인코더(encoder)와 디코더(decoder) 두 부분으로 구성될 수 있다. 셀프 어텐션 매커니즘(Self-Attention)을 기반으로, 제1 트랜스포머 모듈은 입력된 복수의 제1 특징 벡터가 충분히 융합되도록 할 수 있고, 나아가 복수의 리콜 데이터로 구성된 데이터셋의 전역 차원에서 복수의 리콜 데이터에서 각 리콜 데이터의 추천도를 정확하게 결정할 수 있다.
일부 실시예에 따르면, 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하고, 방법은, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하기 전에, 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계를 더 포함할 수 있다.
각 리콜 데이터의 복수의 특징 정보를 서로 융합하여 획득한 제1 특징 벡터는 복수의 특징으로 구성된 전체적 차원에서 상기 리콜 데이터를 보다 정확하게 나타냄으로써 복수의 리콜 데이터에 대한 정렬 품질을 향상시킬 수 있다.
일부 실시예에 따르면, 각 리콜 데이터의 복수의 특징 정보는 상기 리콜 데이터와 검색할 데이터 사이의 유사도를 나타내기 위한 특징 정보를 포함한다.
이로써 각 리콜 데이터의 특징 차원에서 상기 리콜 데이터와 검색할 데이터 사이의 유사도를 반영할 수 있으며, 더 나아가 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 얻은 제1 특징 벡터는 상기 리콜 데이터와 검색할 데이터의 유사도를 나타낼 수 있다.
하나의 실시형태에서, 각 리콜 데이터의 복수의 특징 정보 중 각 특징 정보는 추가 모델을 통해 예측될 수 있다. 예를 들어, 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 검색할 데이터를 추가 매칭 모델에 입력하여 상기 리콜 데이터와 검색할 데이터 사이의 유사도 정보를 얻을 수 있다. 상기 유사도 정보는 상기 리콜 데이터의 하나의 특징 정보로서 리콜 데이터에 대한 정렬에 사용된다.
일부 실시예에 따르면, 복수의 특징 정보는 수치 특징 정보, 열거 특징 정보 및 벡터 특징 정보 중 적어도 하나를 포함한다.
하나의 실시형태에서, 수치 특징 정보는 예를 들어 과거 클릭수를 포함할 수 있고; 열거 특징 정보는 예를 들어 상기 리콜 데이터의 리콜 소스의 유형, 페이지 스타일 유형 등을 포함할 수 있으며; 벡터 특징 정보는 예를 들어 상기 리콜 데이터와 검색할 데이터 사이의 유사도를 나타내기 위한 특징 벡터, 상기 리콜 데이터의 사이트 품질을 나타내기 위한 특징 벡터 등을 포함할 수 있다.
일부 실시예에 따르면, 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계는, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 단계; 및 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계를 포함할 수 있다.
복수의 특징 정보의 데이터 유형이 다양하므로, 후속 처리가 용이하도록 먼저 복수의 특징 정보 중 각 특징 정보를 동일한 차원의 특성화 벡터로 변환할 수 있고, 즉 특징 정보의 정규화를 실현할 수 있다. 특징 정규화는 특징 정보 간의 관계에 대한 학습을 원활하게 진행하고, 나아가 리콜 데이터를 제1 특징 벡터로 나타내기 위한 선행 단계이다.
하나의 실시형태에서, 각 수치 특징 정보에 대해, 그 값을 대수화하거나 또는 상수로 나눔으로써 하나의 D 차원 특성화 벡터로 변환하되, 특성화 벡터의 차원 D는 미리 결정된 것이고; 각 열거 특징 정보에 대해, 구체적인 열거 값에 따라 대응하는 기설정된 D 차원 벡터를 상기 열거 특징 정보의 특성화 벡터로 선택할 수 있으며; 각 벡터 특징 정보에 대해 하나 이상의 D 차원 특성화 벡터로 나타낼 수 있는 바, 예를 들어, 선형 변환을 통해 벡터 특징 정보를 직접 하나의 D차원 벡터로 변환하거나, 또는 벡터 특징 정보의 차원 및 데이터의 크기에 따라 복수의 D 차원 벡터로 변환할 수 있다.
일부 실시예에 따르면, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계는, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻는 단계를 포함할 수 있다.
여기서, 제2 트랜스포머 모듈은 인코더(encoder)로 구성되고, 인코더의 어텐션 메커니즘을 기반으로 복수의 특징 정보 중 각 특징 정보를 충분히 융합할 수 있으며, 이를 통해 얻은 제1 특징 벡터는 상기 리콜 데이터를 보다 정확하게 나타낼 수 있다.
일부 실시예에 따르면, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하는 단계는, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 기설정된 순서대로 배열하여 상기 리콜 데이터의 특징 행렬을 구성하는 단계; 및 특징 행렬을 제2 트랜스포머 모듈에 입력하는 단계를 포함할 수 있다.
이해할 수 있는 것은, 본 발명은 복수의 특징 정보의 배열 순서를 제한하지 않으며, 단지 각 리콜 데이터의 복수의 특징 정보의 배열 순서가 동일하기만 하면 되는 바, 예를 들어, "과거 클릭수, 페이지 스타일 유형, 리콜 데이터와 검색할 데이터 사이의 유사도, 리콜 소스의 유형"의 배열 순서대로 사전 설정될 수 있고, 이렇게 각 리콜 데이터의 복수의 특징 정보의 특성화 벡터는 모두 상기 순서대로 배열되어 각 리콜 데이터가 동일한 패턴으로 제2 트랜스포머 모듈에 입력되도록 한다.
하나의 실시형태에서, 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터의 복수의 특징 정보의 특성화 벡터의 기초상에서 하나의 추가 벡터를 추가하되, 상기 추가 벡터와 복수의 특징 정보의 특성화 벡터의 차원은 동일하고, 제2 트랜스포머 모듈의 출력단으로부터 상기 리콜 데이터의 제1 특징 벡터를 추출하기 위해 사용될 수 있는 바, 즉 상기 추가 벡터를 제2 트랜스포머 모듈를 통해 처리하여 얻은 출력 벡터를 상기 리콜 데이터의 제1 특징 벡터로 할 수 있다.
특히, 추가 벡터는 복수의 특징 정보의 특성화 벡터의 앞 또는 뒤에 설치될 수 있다.
일부 실시예에 따르면, 복수의 특징 정보 중 임의의 하나의 특징 정보가 존재하지 않는 것에 응답하여, 기설정된 순서 중 상기 특징 정보의 위치에 기설정된 디폴트 벡터를 설정할 수 있다.
복수의 리콜 데이터는 복수의 상이한 리콜 소스로부터 온 것일 수 있으므로, 예를 들어, 상이한 데이터베이스로부터 또는 상이한 리콜 모델로부터 리콜된 것일 수 있으므로, 상이한 리콜 데이터의 특징 정보가 균일하지 않은 상황이 존재할 수 있는 바, 즉 하나의 리콜 데이터 중의 어떤 특징 정보가 다른 리콜 데이터에는 존재하지 않을 수 있다. 이러한 상황으로 인한 제2 트랜스포머 모듈에 입력되는 리콜 데이터 패턴의 불일치를 방지하기 위해 기설정된 디폴드 벡터를 사용하여 누락된 특징 정보의 위치를 차지하도록 한다.
단계 S203에서는 단계 S202에서 결정된 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 복수의 리콜 데이터에 대한 정렬을 수행한다. 구체적으로, 복수의 리콜 데이터를 추천도의 크기에 따라 순차적으로 배열하여 클라이언트에 피드백함으로써 사용자가 클라이언트를 통해 검색할 데이터에 대한 검색 결과를 볼 수 있도록 할 수 있다.
도 3은 본 발명의 예시적 실시예에 따른 정렬 방법의 모식도를 도시한 것이다. 도 3에 도시된 바와 같이, 각 리콜 데이터 1~N는 모두 복수의 특징 정보(도 3에서 입방체로 예시적으로 도시됨)를 포함하며, 단계 301, 단계 302 및 단계 S303을 수행함으로써 각 리콜 데이터 1~N의 추천도를 결정하여 리콜 데이터 1~N에 대한 정렬을 수행할 수 있다. 리콜 데이터 1~N에 대한 정렬 방법의 설명은 다음과 같다.
단계 301에서, 각 리콜 데이터 1~N에 대해, 복수의 특징 정보에서 상기 각 리콜 데이터의 특성화 벡터를 결정하고, 복수의 특징 정보 중 각각의 특성화 벡터와 하나의 추가 벡터로 함께 구성된 특징 행렬을 제2 트랜스포머 모델에 입력하되, 추가 벡터는 특징 행렬의 제1 열에 위치한다.
단계 302에서, 각 리콜 데이터 1~N에 대해, 제2 트랜스포머 모델의 인코더를 통해 상기 리콜 데이터의 제1 특징 벡터를 얻되, 상기 제1 특징 벡터는 추가 벡터를 제2 트랜스포머 모델의 인코더를 통해 처리하여 얻은 출력 벡터이다.
단계 303에서, 각 리콜 데이터 1~N의 제1 특징 벡터를 제1 트랜스포머 모델에 입력하여, 제1 트랜스포머 모델의 인코더를 통해 각 리콜 데이터의 제1 특징 벡터를 융합하면 각 리콜 데이터 1~N의 제2 특징 벡터를 얻을 수 있으며, 여기서, 각 리콜 데이터의 제2 특징 벡터는 모두 제1 트랜스포머 모델의 인코더를 통해 다른 리콜 데이터의 정보를 융합한 것이며, 결과적으로 각 리콜 데이터 1~N에 대해, 상기 리콜 데이터의 제2 특징 벡터를 기반으로 상기 리콜 데이터의 추천도를 결정하게 된다.
각 리콜 데이터 1~N의 추천도가 결정된 기초상에서, 각각의 추천도의 크기에 따라 리콜 데이터 1~N에 대해 정렬을 수행할 수 있다.
도 4는 본 발명의 실시예에 따른 정렬 모델의 트레이닝 방법의 흐름도를 도시한 것으로서, 정렬 모델은 제1 트랜스포머 모듈을 포함하고, 방법(400)은, 검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하는 단계 S401; 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻는 단계 S402; 및 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 정렬 모델의 파라미터를 조정하는 단계 S403을 포함한다.
이렇게 트레이닝된 정렬 모델은 제1 트랜스포머 모듈을 통해 복수의 리콜 데이터 사이 상관 관계를 마이닝할 수 있어 정렬 과정에서 복수의 리콜 데이터의 컨텍스트 정보를 고려할 수 있고 복수의 리콜 데이터에 대한 정렬을 향상시킬 수 있다.
여기서, 제1 트랜스포머 모듈은 인코더(encoder)와 디코더(decoder) 두 부분으로 구성될 수 있다. 상술한 방법으로 트레이닝된 정렬 모델 중의 제1 트랜스포머 모듈은 셀프 어텐션 매커니즘(Self-Attention)을 기반으로, 입력된 복수의 제1 특징 벡터를 충분히 융합할 수 있으며, 나아가 복수의 리콜 데이터로 구성된 데이터셋의 전역 차원에서 복수의 리콜 데이터에서 각 리콜 데이터의 추천도를 정확하게 결정할 수 있다.
단계 S401에 있어서, 복수의 리콜 데이터는 기설정된 리콜 규칙 또는 트레이닝을 거친 리콜 모델을 사용하여 데이터베이스로부터 획득한 검색할 데이터와 연관된 복수의 데이터일 수 있다.
일부 실시예에 따르면, 정렬 모델은 제2 트랜스포머 모듈을 더 포함하고, 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하며, 여기서, 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하는 단계는, 상기 리콜 데이터의 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 단계; 및 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻는 단계를 포함한다.
여기서, 제2 트랜스포머 모듈은 인코더(encoder)로 구성될 수 있다. 트레이닝을 거친 제2 트랜스포머 모듈은 인코더 중의 어텐션 매커니즘을 기반으로 복수의 특징 정보 중 각 특징 정보를 충분히 융합할 수 있으며, 이를 통해 얻은 제1 특징 벡터는 상기 리콜 데이터를 보다 정확하게 나타낼 수 있다.
일부 실시예에 따르면, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하기 전에, 제2 트랜스포머 모듈에 대해 사전 트레이닝을 수행한다.
하나의 실시형태에서, 제2 트랜스포머 모듈에 대한 사전 트레이닝은, 라벨을 구비한 샘플 데이터를 얻되, 상기 샘플 데이터는 복수의 특징 정보를 포함하는 단계; 샘플 데이터의 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여 상기 샘플 데이터의 제1 특징 벡터를 얻는 단계; 제1 특징 벡터를 분류 모델에 입력하여 상기 샘플 데이터의 예측 카테고리를 얻는 단계; 및 상기 샘플 데이터의 예측 카테고리 및 라벨을 기반으로 제2 트랜스포머 모듈의 파라미터를 조정하는 단계를 포함한다.
이로써 제2 트랜스포머 모듈의 출력단에 하나의 분류 모델을 열결함으로써 제2 트랜스포머 모듈에 대해 사전 트레이닝을 수행하여 다운스트림 작업에 적응할 수 있는 초급 제2 트랜스포머 모듈을 얻을 수 있다. 사전 트레이닝을 거친 제2 트랜스포머 모듈을 기반으로 정렬 모델에 대한 트레이닝을 수행하면 모델의 수렴 속도를 높이고 트레이닝 효과를 향상시킬 수 있다.
특히, 상기 분류 모델은 클릭 예측 모델일 수 있다.
단계 S403에 있어서, 정렬 모델의 파라미터에 대한 조정은 단지 라벨을 구비한 리콜 데이터에 따라 수행된다. 이해할 수 있는 것은, 복수의 리콜 데이터에 대해, 사용자는 그 중 일부 리콜 데이터만 열람했을 가능성이 있는 바, 즉 사용자는 그 중 일부 리콜 데이터에 대해서만 피드백을 제공했을 수 있다. 이러한 경우 열람한 일부 리콜 데이터의 라벨만 얻을 수 있다.
예를 들어, 정렬을 거친 200개의 리콜 데이터에 대해, 사용자는 그 중 처음 10개의 리콜 데이터만 열람했으면, 즉 사용자는 열람한 처음 10개의 리콜 데이터에 대해서만 판단을 내렸으며, 예를 들어 그 중 세 번째 리콜 데이터만 클릭하고 다른 리콜 데이터는 클릭하지 않았을 수 있다. 이러한 경우 사용자는 처음 10개의 리콜 데이터 이외의 리콜 데이터에 대해 판단을 내리지 않았으므로 이러한 데이터는 정렬 모델의 파라미터에 대한 조정에 사용되어서는 안된다.
일부 실시예에 따르면, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 라벨은 적어도 하나의 리콜 데이터에 대한 클릭 정보, 및 적어도 하나의 리콜 데이터 중 각 리콜 데이터와 검색할 데이터 사이의 매칭 정보 중 하나의 정보를 기반으로 결정될 수 있다.
하나의 실시형태에서, 클릭된 리콜 데이터는 큰 값을 라벨로 할당하고, 클릭되지 않은 리콜 데이터는 작은 값을 라벨로 할당할 수 있다. 예를 들어, 클릭된 리콜 데이터의 라벨을 1로, 클릭되지 않은 리콜 데이터의 라벨을 0으로 한다.
특히, 각 리콜 데이터가 클릭된 횟수에 따라 상기 라벨을 더 세분화하여 라벨 값의 크기와 클릭수가 양의 상관관계를 갖도록 할 수 있다.
하나의 실시형태에서, 적어도 하나의 리콜 데이터 중 각 리콜 데이터와 검색할 데이터 사이의 매칭 정보를 기반으로 각 리콜 데이터의 라벨을 결정할 수 있는 바, 여기서, 라벨 값의 크기와 매칭 정보는 양의 상관관계를 가진다.
하나의 실시형태에서, 리콜 데이터에 대한 만족도에 따라 리콜 데이터의 라벨을 결정할 수도 있는 바, 여기서, 라벨 값의 크기와 만족도는 양의 상관관계를 가진다.
도 5는 본 발명의 예시적 실시예에 따른 정렬 장치의 구조 블록도를 도시한 것으로, 상기 장치(500)는, 검색할 데이터와 연관된 복수의 리콜 데이터를 결정하도록 구성되는 제1 결정 유닛(501); 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하도록 구성되는 제2 결정 유닛(502); 및 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 복수의 리콜 데이터에 대한 정렬을 수행하도록 구성되는 정렬 유닛(503)을 포함한다.
일부 실시예에 따르면, 복수의 리콜 데이터 중 각 리콜 데이터에는 대응되는 제1 특징 벡터가 구비되고, 여기서, 제2 결정 유닛은, 상기 리콜 데이터의 제1 특징 벡터와 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터 사이의 유사도를 기반으로, 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 융합하여 상기 리콜 데이터의 제2 특징 벡터를 얻도록 구성되는 융합 서브 유닛; 및 상기 리콜 데이터의 제2 특징 벡터를 기반으로, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하도록 구성되는 제1 결정 서브 유닛을 포함한다.
일부 실시예에 따르면, 제2 결정 유닛은, 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 얻는 서브 유닛을 포함한다.
일부 실시예에 따르면, 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하고, 장치는, 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하기 전에, 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제3 결정 유닛을 더 포함한다.
일부 실시예에 따르면, 제3 결정 유닛은, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하도록 구성되는 제2 결정 서브 유닛; 및 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제3 결정 서브 유닛을 포함한다.
일부 실시예에 따르면, 제3 결정 유닛은, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻도록 구성되는 입력 서브 유닛을 포함한다.
일부 실시예에 따르면, 입력 서브 유닛은, 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 기설정된 순서대로 배열하여 상기 리콜 데이터의 특징 행렬을 구성하는 서브 유닛; 및 특징 행렬을 제2 트랜스포머 모듈에 입력하는 서브 유닛을 포함한다.
일부 실시예에 따르면, 입력 서브 유닛은, 복수의 특징 정보 중 임의의 하나의 특징 정보가 존재하지 않는 것에 응답하여, 기설정된 순서 중 상기 특징 정보의 위치에 기설정된 디폴트 벡터를 설정하는 서브 유닛을 포함한다.
일부 실시예에 따르면, 각 리콜 데이터의 복수의 특징 정보는 상기 리콜 데이터와 검색할 데이터 사이의 유사도를 나타내기 위한 특징 정보를 포함한다.
일부 실시예에 따르면, 복수의 특징 정보는 수치 특징 정보, 열거 특징 정보 및 벡터 특징 정보 중 적어도 하나를 포함한다.
일부 실시예에 따르면, 검색할 데이터 및 복수의 리콜 데이터 중 임의의 하나는 텍스트, 이미지 및 동영상 중 적어도 하나의 데이터 유형을 포함한다.
도 6은 본 발명의 예시적 실시예에 따른 정렬 모델의 트레이닝 장치의 구조 블록도를 도시한 것으로, 여기서, 정렬 모델은 제1 트랜스포머 모듈을 포함하고, 장치(600)는, 검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제4 결정 유닛(601); 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻도록 구성되는 획득 유닛(602); 및 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 정렬 모델의 파라미터를 조정하도록 구성되는 조정 유닛(603)을 포함한다.
일부 실시예에 따르면, 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 라벨은, 적어도 하나의 리콜 데이터에 대한 클릭 정보, 및 적어도 하나의 리콜 데이터 중 각 리콜 데이터와 검색할 데이터 사이의 매칭 정보 중 적어도 하나의 정보를 기반으로 결정된다.
일부 실시예에 따르면, 정렬 모델은 제2 트랜스포머 모듈을 더 포함하고, 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하며, 여기서, 제4 결정 유닛은, 상기 리콜 데이터의 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 서브 유닛; 및 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻는 서브 유닛을 포함한다.
일부 실시예에 따르면, 상기 장치는 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하기 전에, 제2 트랜스포머 모듈에 대한 사전 트레이닝을 수행하도록 구성되는 사전 트레이닝 유닛을 더 포함한다.
본 발명의 실시예에 따르면, 전자 기기를 더 제공하고, 상기 전자 기기는, 적어도 하나의 프로세서; 및 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되, 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되고, 명령은 적어도 하나의 프로세서에 의해 실행되어 적어도 하나의 프로세서가 상술한 임의의 하나의 방법을 수행하도록 한다.
본 발명의 실시예에 따르면, 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 더 제공하고, 여기서, 컴퓨터 명령은 컴퓨터가 상술한 임의의 하나의 방법을 수행하도록 한다.
본 발명의 실시예에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품을 더 제공하고, 여기서, 컴퓨터 프로그램은 프로세서에 의해 실행될 경우 상술한 임의의 하나의 방법을 구현한다.
이제 도 7을 참조하여 본 발명의 서버 또는 클라이언트로서의 전자 기기(700)의 구조 블록도를 설명하며, 이는 본 발명의 각 양태에 적용될 수 있는 하드웨어 기기의 예시이다. 전자 기기는 랩톱 컴퓨터, 데스크탑 컴퓨터, 워크스테이션, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터 및 기타 적절한 컴퓨터 등과 같은 다양한 형태의 디지털 전자 컴퓨터 기기를 표시한다. 전자 기기는 또한 개인 정보 단말기, 셀룰러폰, 스마트폰, 웨어러블 장치 및 기타 유사한 컴퓨팅 장치 등과 같은 다양한 형태의 모바일 장치를 나타낼 수 있다. 본문에 표시된 부재, 이들의 연결과 관계 및 이들의 기능은 단지 예시일 뿐, 본문에서 설명 및/또는 청구된 본 발명의 구현을 제한하기 위한 것이 아니다.
도 7에 도시된 바와 같이, 전자 기기(700)는 컴퓨팅 유닛(701)을 포함하고, 상기 컴퓨팅 유닛(701)은 판독 전용 메모리(ROM)(702)에 저장된 컴퓨터 프로그램 또는 저장 유닛(708)으로부터 랜덤 액세스 메모리(RAM)(703)에 로딩된 컴퓨터 프로그램에 따라 다양한 적절한 동작 및 처리를 수행할 수 있다. RAM(703)에는 또한 전자 기기(700)의 동작에 필요한 각종 프로그램 및 데이터가 저장될 수 있다. 컴퓨팅 유닛(701), ROM(702) 및 RAM(703)은 버스(704)를 통해 서로 연결된다. 입/출력(I/O) 인터페이스(705)도 버스(704)에 연결된다.
전자 기기(700) 중의 입력 유닛(706), 출력 유닛(707), 저장 유닛(708) 및 통신 유닛(709)을 포함하는 복수의 부재는 I/O 인터페이스(705)에 연결된다. 입력 유닛(706)은 전자 기기(700)에 정보를 입력할 수 있는 임의의 유형의 기기일 수 있고, 입력 유닛(706)은 입력된 숫자 또는 캐릭터 정보를 수신하여 전자 기기의 사용자 설정 및/또는 기능 제어에 관련된 키 신호 입력을 생성할수 있으며, 마우스, 키보드, 터치 스크린, 트랙패드, 트랙볼, 조이스틱, 마이크 및/또는 리모콘을 포함하되 이에 한정되지 않는다. 출력 유닛(707)은 정보를 표시할 수 있는 임의의 유형의 기기일 수 있고, 모니터, 스피커, 비디오/오디오 출력 단말, 진동기 및/또는 프린터를 포함하되 이에 한정되지 않는다. 저장 유닛(708)은 자기 디스크, 광 디스크를 포함하되 이에 한정되지 않는다. 통신 유닛(709)은 전자 기기(700)가 인터넷 등과 같은 컴퓨터 네트워크 및/또는 다양한 통신 네트워크를 통해 다른 기기와 정보/데이터를 교환할 수 있도록 하며, 모뎀, 네트워크 카드, 적외선 통신 기기, 무선 통신 트랜시버 및/또는 칩셋을 포함하되 이에 한정되지 않으며, 예를 들어 블루투스TM 기기, 802.11 기기, WiFi 기기, WiMax 기기, 셀룰러 기기 및/또는 이와 유사한 기기 등이다.
컴퓨팅 유닛(701)은 프로세싱 및 컴퓨팅 능력을 갖춘 각종 범용 및/또는 전용 프로세싱 컴포넌트일 수 있다. 컴퓨팅 유닛(701)의 일부 예시에는, 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 각종 전용 인공지능(AI) 컴퓨팅 칩, 머신 러닝 모델 알고리즘을 실행하는 다양한 컴퓨팅 유닛, 디지털 신호 프로세서(DSP) 및 임의의 적절한 프로세서, 컨트롤러, 마이크로컨트롤러 등을 포함하되 이에 한정되지 않는다. 컴퓨팅 유닛(701)은 위에서 설명된 각 방법 및 처리, 예를 들어 정렬 방법 또는 정렬 모델의 트레이닝 방법을 구현한다. 예를 들어, 일부 실시예에서, 정렬 방법 또는 정렬 모델의 트레이닝 방법은 저장 유닛(708)과 같은 기계 판독 가능 매체에 유형적으로 포함되는 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(702) 및/또는 통신 유닛(709)을 통해 전자 기기(700)에 로드 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(703)에 로드되고 컴퓨팅 유닛(701)에 의해 실행될 경우, 위에서 설명한 정렬 방법 또는 정렬 모델의 트레이닝 방법의 하나 이상의 단계가 수행될 수 있다. 대안적으로, 다른 실시예에서, 컴퓨팅 유닛(701)은 다른 임의의 적절한 방식(예를 들어, 펌웨어를 통하여)을 통해 정렬 방법 또는 정렬 모델의 트레이닝 방법을 구현하도록 구성될 수 있다.
본문에서 설명된 시스템 및 기술의 각 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 현장 프로그래머블 게이트 어레이(FPGA), 전용 집적 회로(ASIC), 전용 표준 제품(ASSP), 시스템 온 칩(SOC), 복합 프로그래머블 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 구현될 수 있다. 이런 다양한 실시형태는 다음과 같은 방법을 포함할 수 있다. 즉, 하나 이상의 컴퓨터 프로그램에서 구현되고, 상기 하나 이상의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능한 프로세서의 프로그램 가능한 시스템에 의해 실행 및/또는 해석될 수 있고, 상기 프로그램 가능한 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있으며, 스토리지 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신하고, 데이터 및 명령을 상기 스토리지 시스템, 상기 적어도 하나의 입력 장치 및 상기 적어도 하나의 출력 장치로 전송할 수 있다.
본 발명의 방법을 구현하기 위한 프로그램 코드는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 프로그램 코드는 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그램 가능한 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공되어, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 실행될 경우 흐름도 및/또는 블록도에 지정된 기능/동작이 실현될 수 있다. 프로그램 코드는 완전히 기계에서 실행될 수도 있고, 부분적으로 기계에서 실행될 수도 있으며, 독립형 소프트웨어 패키지로 부분적으로 기계에서 실행되고 부분적으로는 원격 기계에서 실행되거나 또는 전체적으로 원격 기계 또는 서버에서 실행될 수도 있다.
본 발명의 컨텍스트에서, 기계 판독 가능 매체는 명령 실행 시스템, 장치, 또는 기기에 의해 사용되거나 명령 실행 시스템, 장치, 또는 기기와 결부하여 사용하기 위한 프로그램이 포함되거나 저장될 수 있는 유형적 매체일 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 또는 기기 또는 이들의 임의의 적절한 조합을 포함할 수 있으나 이에 한정되지 않는다. 기계 판독 가능 매체의 보다 구체적인 예시에는, 하나 이상의 라인을 기반으로 한 전기 연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 가능 프로그램 가능 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 판독 전용 메모리(CD-ROM), 광학 저장 장치, 자기 저장 장치, 또는 이들의 임의의 적절한 조합을 포함한다.
사용자와의 상호 작용을 위해, 여기서 설명된 시스템 및 기술은 사용자에게 정보를 표시하기 위한 디스플레이 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 디스플레이) 모니터); 및 사용자가 컴퓨터에 입력할 수 있도록 키보드 및 포인팅 장치를 구비한 컴퓨터에서 구현될 수 있다. 사용자와의 상호 작용을 위해 다른 종류의 장치도 사용될 수 있는 바, 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 감각적 피드백(예를 들어 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있으며; 사용자의 입력은 임의의 형태(소리 입력, 음성 입력 또는 촉각적 입력)로 수신될 수 있다.
여기서 설명한 시스템 및 기술은 백엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어 데이터 서버로서), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어 애플리케이션 서버), 또는 프론트엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어 그래픽 사용자 인터페이스 또는 웹 브라우저를 구비한 사용자 컴퓨터, 사용자는 상기 그래픽 사용자 인터페이스 또는 웹 브라우저를 통해 여기서 설명한 시스템 및 기술의 실시형태와 상호 작용할 수 있음), 또는 이러한 백엔드 부재, 미들웨어 부재 또는 프론트엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 시스템의 부재는 임의의 방식 또는 매체의 디지털 데이터 통신(예를 들어 통신 네트워크)를 통해 서로 연결될 수 있다. 통신 네트워크의 예시로는 근거리 통신망(LAN), 광대역 통신망(WAN) 및 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있으며 통신 네트워크를 통해 상호 작용한다. 클라이언트와 서버의 관계는 상응한 컴퓨터에서 실행되고 서로 클라이언트-서버 관계를 갖는 컴퓨터 프로그램을 통해 발생한다. 서버는 클라우드 서버일 수도 있고, 분산 시스템의 서버일 수도 있으며, 또는 블록체인을 결합한 서버일 수도 있다.
이해해야 할 것은, 위에 표시된 각종 형태의 프로세스를 사용하여 단계를 재정렬, 추가 또는 삭제할 수 있다. 예를 들어, 본 발명에 기술된 각 단계는 본 발명에 개시된 기술적 해결방안의 원하는 결과를 달성할 수 있는 한, 병렬, 순차적 또는 다른 순서로 수행될 수 있으며, 본문은 이에 대해 제한하지 않는다.
본 발명의 실시예 또는 예시는 첨부된 도면을 참조하여 설명되었으나, 상술한 방법, 시스템 및 기기는 단지 예시적인 실시예 또는 예시일 뿐, 본 발명의 범위는 이러한 실시예 또는 예시에 한정되지 않으며, 등록된 청구범위 및 그의 동등한 범위에 의해서만 한정된다는 점을 이해해야 한다. 실시예 또는 예시 중의 다양한 요소는 생략되거나 그와 동등한 요소로 대체될 수 있다. 이 밖에, 각 단계는 본 발명에서 설명한 것과 다른 순서로 수행될 수도 있다. 더 나아가, 실시예 또는 예시 중의 다양한 요소는 다양한 방식으로 조합될 수 있다. 중요한 것은, 기술이 발전함에 따라 여기에 설명된 많은 요소들은 본 발명 이후 등장한 동등한 요소들로 대체될 수 있다.

Claims (33)

  1. 정렬 방법으로서,
    검색할 데이터와 연관된 복수의 리콜 데이터를 결정하는 단계;
    상기 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 상기 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계; 및
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 상기 복수의 리콜 데이터에 대한 정렬을 수행하는 단계를 포함하는, 정렬 방법.
  2. 제1항에 있어서,
    상기 복수의 리콜 데이터 중 각 리콜 데이터에는 대응되는 제1 특징 벡터가 구비되고,
    상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 상기 단계는,
    상기 리콜 데이터의 제1 특징 벡터와 상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터 사이의 유사도를 기반으로, 상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 융합하여 상기 리콜 데이터의 제2 특징 벡터를 얻는 단계; 및
    상기 리콜 데이터의 제2 특징 벡터를 기반으로, 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 단계를 포함하는, 정렬 방법.
  3. 제2항에 있어서,
    상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하는 상기 단계는,
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 얻는 단계를 포함하는, 정렬 방법.
  4. 제2항 또는 제3항에 있어서,
    상기 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하고,
    상기 정렬 방법은,
    상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하기 전에, 상기 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계를 더 포함하는, 정렬 방법.
  5. 제4항에 있어서,
    상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 상기 단계는,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 단계; 및
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 단계를 포함하는, 정렬 방법.
  6. 제5항에 있어서,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하는 상기 단계는,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여, 상기 리콜 데이터의 제1 특징 벡터를 얻는 단계를 포함하는, 정렬 방법.
  7. 제6항에 있어서,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하는 상기 단계는,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 기설정된 순서대로 배열하여 상기 리콜 데이터의 특징 행렬을 구성하는 단계; 및
    상기 특징 행렬을 상기 제2 트랜스포머 모듈에 입력하는 단계를 포함하는, 정렬 방법.
  8. 제7항에 있어서,
    상기 복수의 특징 정보 중 임의의 하나의 특징 정보가 존재하지 않는 것에 응답하여, 상기 기설정된 순서 중 상기 특징 정보의 위치에 기설정된 디폴트 벡터를 설정하는 단계를 더 포함하는, 정렬 방법.
  9. 제4항 내지 제8항 중 어느 한 항에 있어서,
    각 리콜 데이터의 상기 복수의 특징 정보는 상기 리콜 데이터와 상기 검색할 데이터 사이의 유사도를 나타내기 위한 특징 정보를 포함하는, 정렬 방법.
  10. 제4항 내지 제9항 중 어느 한 항에 있어서,
    상기 복수의 특징 정보는 수치 특징 정보, 열거 특징 정보 및 벡터 특징 정보 중 적어도 하나를 포함하는, 정렬 방법.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서,
    상기 검색할 데이터 및 상기 복수의 리콜 데이터 중 임의의 하나는 텍스트, 이미지 및 동영상 중 적어도 하나의 데이터 유형을 포함하는, 정렬 방법.
  12. 정렬 모델의 트레이닝 방법으로서,
    상기 정렬 모델은 제1 트랜스포머 모듈을 포함하고,
    상기 정렬 방법은,
    검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하는 단계;
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 상기 제1 트랜스포머 모듈에 입력하여 상기 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻는 단계; 및
    상기 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 상기 정렬 모델의 파라미터를 조정하는 단계를 포함하는, 정렬 방법.
  13. 제12항에 있어서,
    상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 라벨은,
    상기 적어도 하나의 리콜 데이터에 대한 클릭 정보, 및 상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터와 상기 검색할 데이터 사이의 매칭 정보 중 적어도 하나의 정보를 기반으로 결정되는, 정렬 방법.
  14. 제12항 또는 제13항에 있어서,
    상기 정렬 모델은 제2 트랜스포머 모듈을 더 포함하고, 상기 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하며,
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하는 상기 단계는,
    상기 리콜 데이터의 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 단계; 및
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 상기 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻는 단계를 포함하는, 정렬 방법.
  15. 제14항에 있어서,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 상기 제2 트랜스포머 모듈에 입력하기 전에, 상기 제2 트랜스포머 모듈에 대한 사전 트레이닝을 수행하는 단계를 더 포함하는, 정렬 방법.
  16. 정렬 장치로서,
    검색할 데이터와 연관된 복수의 리콜 데이터를 결정하도록 구성되는 제1 결정 유닛;
    상기 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터와 상기 복수의 리콜 데이터 중 각 리콜 데이터 사이의 유사도를 기반으로, 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하도록 구성되는 제2 결정 유닛; 및
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 기반으로 상기 복수의 리콜 데이터에 대한 정렬을 수행하도록 구성되는 정렬 유닛을 포함하는, 정렬 장치.
  17. 제16항에 있어서,
    상기 복수의 리콜 데이터 중 각 리콜 데이터에는 대응되는 제1 특징 벡터가 구비되고,
    상기 제2 결정 유닛은,
    상기 리콜 데이터의 제1 특징 벡터와 상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터 사이의 유사도를 기반으로, 상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 융합하여 상기 리콜 데이터의 제2 특징 벡터를 얻도록 구성되는 융합 서브 유닛; 및
    상기 리콜 데이터의 제2 특징 벡터를 기반으로, 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하도록 구성되는 제1 결정 서브 유닛을 포함하는, 정렬 장치.
  18. 제17항에 있어서,
    상기 제2 결정 유닛은,
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 제1 트랜스포머 모듈에 입력하여 상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 얻는 서브 유닛을 포함하는, 정렬 장치.
  19. 제17항 또는 제18항에 있어서,
    상기 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하고,
    상기 정렬 장치는,
    상기 복수의 리콜 데이터에서 상기 리콜 데이터의 추천도를 결정하기 전에, 상기 복수의 리콜 데이터 중 각 리콜 데이터에 대해, 상기 리콜 데이터의 복수의 특징 정보를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제3 결정 유닛을 더 포함하는, 정렬 장치.
  20. 제19항에 있어서,
    상기 제3 결정 유닛은,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하도록 구성되는 제2 결정 서브 유닛; 및
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 서로 융합하여 상기 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제3 결정 서브 유닛을 포함하는, 정렬 장치.
  21. 제20항에 있어서,
    상기 제3 결정 유닛은,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 제2 트랜스포머 모듈에 입력하여, 상기 리콜 데이터의 제1 특징 벡터를 얻도록 구성되는 입력 서브 유닛을 포함하는, 정렬 장치.
  22. 제21항에 있어서,
    상기 입력 서브 유닛은,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 기설정된 순서대로 배열하여 상기 리콜 데이터의 특징 행렬을 구성하는 서브 유닛; 및
    상기 특징 행렬을 상기 제2 트랜스포머 모듈에 입력하는 서브 유닛을 포함하는, 정렬 장치.
  23. 제22항에 있어서,
    상기 입력 서브 유닛은,
    상기 복수의 특징 정보 중 임의의 하나의 특징 정보가 존재하지 않는 것에 응답하여, 상기 기설정된 순서 중 상기 특징 정보의 위치에 기설정된 디폴트 벡터를 설정하는 서브 유닛을 포함하는, 정렬 장치.
  24. 제19항 내지 제23항 중 어느 한 항에 있어서,
    각 리콜 데이터의 상기 복수의 특징 정보는 상기 리콜 데이터와 상기 검색할 데이터 사이의 유사도를 나타내기 위한 특징 정보를 포함하는, 정렬 장치.
  25. 제19항 내지 제24항 중 어느 한 항에 있어서,
    상기 복수의 특징 정보는 수치 특징 정보, 열거 특징 정보 및 벡터 특징 정보 중 적어도 하나를 포함하는, 정렬 장치.
  26. 제16항 내지 제25항 중 어느 한 항에 있어서,
    상기 검색할 데이터 및 상기 복수의 리콜 데이터 중 임의의 하나는 텍스트, 이미지 및 동영상 중 적어도 하나의 데이터 유형을 포함하는, 정렬 장치.
  27. 정렬 모델의 트레이닝 장치로서,
    상기 정렬 모델은 제1 트랜스포머 모듈을 포함하고,
    상기 정렬 모델의 트레이닝 장치는,
    검색할 데이터와 연관된 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 결정하도록 구성되는 제4 결정 유닛;
    상기 복수의 리콜 데이터 중 각 리콜 데이터의 제1 특징 벡터를 상기 제1 트랜스포머 모듈에 입력하여 상기 복수의 리콜 데이터 중 각 리콜 데이터의 추천도를 얻도록 구성되는 획득 유닛; 및
    상기 복수의 리콜 데이터에 라벨을 구비한 리콜 데이터가 적어도 하나 존재하는 것에 응답하여, 상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 추천도와 라벨을 기반으로 상기 정렬 모델의 파라미터를 조정하도록 구성되는 조정 유닛을 포함하는, 정렬 모델의 트레이닝 장치.
  28. 제27항에 있어서,
    상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터의 라벨은,
    상기 적어도 하나의 리콜 데이터에 대한 클릭 정보, 및 상기 적어도 하나의 리콜 데이터 중 각 리콜 데이터와 상기 검색할 데이터 사이의 매칭 정보 중 적어도 하나의 정보를 기반으로 결정되는, 정렬 모델의 트레이닝 장치.
  29. 제27항 또는 제28항에 있어서,
    상기 정렬 모델은 제2 트랜스포머 모듈을 더 포함하고, 상기 복수의 리콜 데이터 중 각 리콜 데이터는 복수의 특징 정보를 포함하며,
    상기 제4 결정 유닛은,
    상기 리콜 데이터의 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 결정하는 서브 유닛; 및
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 상기 제2 트랜스포머 모듈에 입력하여 상기 리콜 데이터의 제1 특징 벡터를 얻는 서브 유닛을 포함하는, 정렬 모델의 트레이닝 장치.
  30. 제29항에 있어서,
    상기 복수의 특징 정보 중 각 특징 정보의 특성화 벡터를 상기 제2 트랜스포머 모듈에 입력하기 전에, 상기 제2 트랜스포머 모듈에 대한 사전 트레이닝을 수행하도록 구성되는 사전 트레이닝 유닛을 더 포함하는, 정렬 모델의 트레이닝 장치.
  31. 전자 기기로서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서가 제1항 내지 제15항 중 어느 한 항에 따른 방법을 수행하도록 하는, 전자 기기.
  32. 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체로서,
    상기 컴퓨터 명령은 컴퓨터가 제1항 내지 제15항 중 어느 한 항에 따른 방법을 수행하도록 하는, 저장 매체.
  33. 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품으로서,
    상기 컴퓨터 프로그램은 프로세서에 의해 실행될 경우 제1항 내지 제15항 중 어느 한 항에 따른 방법을 구현하는 컴퓨터 프로그램 제품.
KR1020227045347A 2022-01-30 2022-07-25 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 KR20230006601A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210113572.5 2022-01-30
CN202210113572.5A CN114443989B (zh) 2022-01-30 2022-01-30 排序方法、排序模型的训练方法、装置、电子设备及介质
PCT/CN2022/107627 WO2023142406A1 (zh) 2022-01-30 2022-07-25 排序方法、排序模型的训练方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
KR20230006601A true KR20230006601A (ko) 2023-01-10

Family

ID=84922925

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227045347A KR20230006601A (ko) 2022-01-30 2022-07-25 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체

Country Status (4)

Country Link
US (1) US20240104154A1 (ko)
EP (1) EP4242879A4 (ko)
JP (1) JP2024509014A (ko)
KR (1) KR20230006601A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116501976A (zh) * 2023-06-25 2023-07-28 浙江天猫技术有限公司 数据推荐、模型训练、相似用户分析方法、设备和介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633208A (zh) * 2024-01-26 2024-03-01 北京网藤科技有限公司 一种基于倒数排序的知识召回融合方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572559B2 (en) * 2017-03-20 2020-02-25 International Business Machines Corporation Recalling digital content utilizing contextual data
US10706453B1 (en) * 2018-01-09 2020-07-07 Intuit Inc. Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations
CN112329954A (zh) * 2020-11-04 2021-02-05 中国平安人寿保险股份有限公司 物品召回方法、装置、终端设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116501976A (zh) * 2023-06-25 2023-07-28 浙江天猫技术有限公司 数据推荐、模型训练、相似用户分析方法、设备和介质
CN116501976B (zh) * 2023-06-25 2023-11-17 浙江天猫技术有限公司 数据推荐、模型训练、相似用户分析方法、设备和介质

Also Published As

Publication number Publication date
US20240104154A1 (en) 2024-03-28
EP4242879A4 (en) 2023-12-06
JP2024509014A (ja) 2024-02-29
EP4242879A1 (en) 2023-09-13

Similar Documents

Publication Publication Date Title
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
KR20230006601A (ko) 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체
WO2023142406A1 (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN113656668B (zh) 多模态信息库的检索方法、管理方法、装置、设备和介质
CN116028605B (zh) 逻辑表达式生成方法、模型训练方法、装置及介质
CN114791982B (zh) 对象推荐方法和装置
CN115168545A (zh) 群组搜索方法、装置、电子设备及介质
CN115114424A (zh) 查询请求的应答方法及装置
CN116541536B (zh) 知识增强的内容生成系统、数据生成方法、设备和介质
CN116501960B (zh) 内容检索方法、装置、设备及介质
EP4184349A1 (en) Object recommendation method and device
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN114219046A (zh) 模型训练方法、匹配方法、装置、系统、电子设备和介质
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
US20230044508A1 (en) Data labeling processing
CN115809364B (zh) 对象推荐方法和模型训练方法
CN116841506B (zh) 程序代码生成方法及装置、模型训练方法及装置
CN114861658B (zh) 地址信息解析方法及装置、设备和介质
CN114861071B (zh) 对象推荐方法和装置
CN112329427B (zh) 短信样本的获取方法和装置
CN115203544A (zh) 推荐方法及装置、电子设备和介质
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质
CN114611526A (zh) 实体链接方法及装置、设备和介质
CN113656534A (zh) 语料扩充方法、装置、设备和介质
CN116862020A (zh) 文本分类模型的训练方法、文本分类方法及装置