[发明专利]搜索排序模型的训练方法、装置、电子设备及计算机介质

说明书

本公开涉及一种搜索排序模型的训练方法、装置、电子设备及计算机可读介质，属于深度学习技术领域。该方法包括：获取与搜索对象相关的原始数据，并对所述原始数据中的字段内容添加不同的标签，得到带有多个所述标签的样本数据；根据多个所述标签得到多个特征，并根据所述样本数据得到具有多个所述特征的特征数据，根据所述特征数据生成特征矩阵；从所述特征矩阵中抽取所述特征数据存放至特征数据列表，并将其中相关联的特征数据进行合并；根据所述特征数据列表构建初始搜索排序模型，并利用所述样本数据训练所述初始搜索排序模型。本公开通过使用特征矩阵提取特征并进行关联特征的合并，可以减少特征提取的时间，从而有效地提高机器学习效率。

技术领域

本公开涉及深度学习技术领域，具体而言，涉及一种搜索排序模型的训练方法、搜索排序模型的训练装置、电子设备及计算机可读介质。

背景技术

搜索排序在电商平台中占据着非常重要的地位，是连接消费者和商家的重要途径。因为深度学习的拟合能力强、对特征工程要求低，因此在搜索排序领域已经有很多应用。

神经网络很早就被用来做排序模型，比如，2005年微软研究院提出的RankNet使用神经网络做Pairwise学习；2012年谷歌介绍了用深度学习做CTR的方法等。

然而，现有技术中使用深度学习算法训练搜索排序模型的学习效率都比较低，需要一种能够有效提高机器学习效率的搜索排序模型的训练方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种搜索排序模型的训练方法、搜索排序模型的训练装置、电子设备及计算机可读介质，进而至少在一定程度上克服由于传统搜索排序模型的训练方法的限制而导致的机器学习效率较低等问题。

根据本公开的第一个方面，提供一种搜索排序模型的训练方法，包括：

获取与搜索对象相关的原始数据，并对所述原始数据中的字段内容添加不同的标签，得到带有多个所述标签的样本数据；

根据多个所述标签得到多个特征，并根据所述样本数据得到具有多个所述特征的特征数据，根据所述特征数据生成特征矩阵；

从所述特征矩阵中抽取所述特征数据存放至特征数据列表，并将其中相关联的特征数据进行合并；

根据所述特征数据列表构建初始搜索排序模型，并利用所述样本数据训练所述初始搜索排序模型，得到所述搜索排序模型。

在本公开的一种示例性实施例中，所述获取与搜索对象相关的原始数据，并对所述原始数据中的字段内容添加不同的标签，得到带有多个所述标签的样本数据，包括：

获取与搜索对象相关的原始数据，并根据预设的多个标签对所述原始数据中的字段内容进行筛选；

判断筛选后的所述原始数据中的字段内容是否符合预设规则，并将所述字段内容不符合预设规则的所述原始数据删除；

若筛选后的所述原始数据中的字段内容符合所述预设规则，则对所述原始数据中的字段内容添加不同的标签，得到带有多个所述标签的样本数据。

在本公开的一种示例性实施例中，所述样本数据包括第一标签对应的字段内容和第二标签对应的字段内容，所述特征包括基础特征，动态特征和第三方特征；所述根据多个所述标签得到多个特征，并根据所述样本数据得到具有多个所述特征的特征数据，包括：

根据所述第一标签得到所述基础特征，并根据所述第一标签对应的字段内容得到具有所述基础特征的基础特征数据；

根据所述第二标签得到所述动态特征，并根据所述第二标签对应的字段内容得到具有所述动态特征的动态特征数据；