[发明专利]概率预测模型训练方法、概率预测方法及装置

说明书

本公开的实施例提供了一种概率预测模型训练方法、概率预测方法及装置。所述概率预测模型训练方法包括：获取与业务方关联的训练样本；所述训练样本包括与所述业务方关联的查询语句、所述业务方对应的业务方名称、所述业务方对应的业务方描述信息和所述查询语句与所述业务方关联的初始订单；将查询语句、所述业务方名称和所述业务方描述信息输入至初始概率预测模型，获取所述业务方对应的预测下单概率；根据所述初始订单和所述预测下单概率，计算得到所述初始排序模型的损失值；在所述损失值处于预设范围内的情况下，将所述初始概率预测模型作为目标概率预测模型。本公开实施例可以提高搜索到的业务方的排序效果，使得搜索结果更加符合用户的需求。

技术领域

本公开的实施例涉及模型训练技术领域，尤其涉及一种概率预测模型训练方法、概率预测方法、装置、电子设备及计算机可读存储介质。

背景技术

美团搜索是美团App(application，应用程序)承载用户搜索请求的核心入口。语义相关性是美团核心排序中影响用户搜索体验的核心因素之一。美团搜索历史上使用过BM25，DSSM等Query-Doc(POI)文本相关性特征，但部分请求(如商家搜索、商品搜索等)的相关性没有得到较好的解决。在美团搜索业务中，商家搜索占到全部搜索流量的30％左右。

文本相关性特征是用于衡量用户搜索关键词和商户(POI)之间的相关性，进而作为一个特征送入到L2层的精排模型中，以作为搜索商户的排序。在美团搜索场景中，基于搜索关键词和商家名计算文本相关性作为核心排序模型的重要特征之一，对候选商户列表排序，反馈给用户。

目前常用的文本相关性特征计算方法主要包括以下两种：

一、基于统计的方法：包括TF-IDF，BM25等。这类方法利用统计学对字和文本进行相关性概率的建模，进而计算相关性分数，这也是当前美团搜索中重要的两类文本特征。

二、基于深度学习的方法：包括DSSM，LSTM，BERT等。这类方法利用深层神经网络学习到文本的向量表示，通过训练相关性分类模型得到相关性分数。

基于统计的方法：TF-IDF，BM25等方法本质上是词袋模型，该种模型对单个字/词建模，忽略了字/词之间的顺序关系，也无法得到query和poiname之间更深层次的语义表示。而基于深度学习的方法：BERT等方法可以学习到query和poiname之间的语义表示，但是在实际的O2O的场景中，判断用户搜索词和商户之间的文本相关性仅仅靠query和poiname是不够的。搜索中一个实际的示例为：用户搜索“汉水源外卖”，召回的的商户中，包括了“汉水缘”等spa店。用户搜索的query和召回商户的poiname非常相似，但该商户并不是用户想要搜索的匹配类目。另一个示例为：用户搜索“2到3人聚餐安静”，召回的的商户中包括了名为“23人”的商户，这同样不是用户想要的结果。

发明内容

本公开的实施例提供了一种概率预测模型训练方法、概率预测方法、电子设备及计算机可读存储介质，用以提升搜索到的商户的排序效果，使得搜索结果更加符合用户的需求。

根据本公开的实施例的第一方面，提供了一种概率预测模型训练方法，包括：

获取与业务方关联的训练样本；所述训练样本包括与所述业务方关联的查询语句、所述业务方对应的业务方名称、所述业务方对应的业务方描述信息和所述查询语句与所述业务方关联的初始订单；

将查询语句、所述业务方名称和所述业务方描述信息输入至初始概率预测模型，获取所述业务方对应的预测下单概率；

根据所述初始订单和所述预测下单概率，计算得到所述初始排序模型的损失值；

在所述损失值处于预设范围内的情况下，将所述初始概率预测模型作为目标概率预测模型。