[发明专利]一种消息排序发布方法及装置

说明书

本公开关于一种消息排序发布方法、装置、电子设备以及存储介质，用以至少解决相关技术中提供的消息发布方法为了保证消息发布效率，而减少消息排序模型训练过程中所使用的训练样本，导致消息排序模型精度较差，进而导致应用消息发布准确度较差的问题，方法包括：获取待发布消息的第一数据以及消息接收方的第二数据；根据预先训练得到的消息排序模型对所述第一数据以及所述第二数据进行计算，以得到所述待发布消息的发布顺序；针对所述待发布消息，按照所述发布顺序进行消息发布。

技术领域

本公开涉及计算机技术领域，尤其涉及一种消息排序发布方法、装置、电子设备以及存储介质。

背景技术

在广告消息推荐领域中，为了保证广告商的广告消息可以有更好的点击率，应用往往需要根据广告商待投放广告消息的内容以及用户的兴趣喜好，针对不同用户按照不同的广告排序进行消息发布，以便于通过这种消息排序发布的方式，可以带来更好的点击效果。

为了实现这种广告排序发布功能，往往需要预先构建消息排序模型，以通过该排序发布模型计算针对不同用户的广告消息发布顺序。则在这种情况下，预先构建的消息排序模型的好坏，则将直接影响消息排序推荐的结果。因而在相关技术中，往往期望通过更多维度的训练数据以及更复杂的算法来进行消息排序模型的训练。

以相关技术中常用来进行深度学习模型训练的Parameter server架构(PS架构)为例。在PS架构中，集群中的节点被分为两类：parameter server和worker。其中parameterserver存放模型的参数，而worker负责计算参数的梯度。

在相关技术中，Parameter server架构如图1所示，在每个迭代训练的过程中，worker模块从“train data”模块中获取到训练数据后，会根据训练数据中包含的ID信息依次去请求ps模块，从而根据该ID从ps模块获取对应的embedding参数或者dense参数，则worker模块可以通过训练数据对该些参数进行迭代，并将计算得到的梯度返回给ps模块，ps模块聚合从worker模块传回的梯度，然后更新参数，并将新的参数广播给worker模块，进而完成整个更新迭代的训练过程。

而在消息排序模型训练的场景下，为了提高广告消息的推送精度，因而消息模型所需处理的参数范围往往都是在亿级或者兆级以上的。在这种数据量级下，如果需要对深度学习模型进行分布式部署，那么在训练模型过程中各个算法所需要的参数往往也需要采用分布式的方式进行存储。

而采用PS架构构建的机器学习模型，恰恰需要worker模块通过访问ps模块来获取训练参数。在这种情况下，如果为了提高模型精度，而利用大量的训练数据进行模型训练，则在训练以及后续使用过程中，在参数获取阶段都需要极大地依赖当前网络状况，而极大地降低了消息排序模型的工作效率，进而影响应用的消息发布情况；而如果为了模型的工作效率，而减少训练过程中所使用的训练样本，则会导致最终训练得到的模型精度较差，同样会对应用的消息发布准确度造成影响。

发明内容

本公开提供一种消息排序发布方法、装置、电子设备以及存储介质，以至少解决相关技术中提供的消息发布方法为了保证消息发布效率，而减少消息排序模型训练过程中所使用的训练样本，导致消息排序模型精度较差，进而导致应用消息发布准确度较差的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种消息排序发布方法，包括：

获取待发布消息的第一数据以及消息接收方的第二数据；根据预先训练得到的消息排序模型对所述第一数据以及所述第二数据进行计算，以得到所述待发布消息的发布顺序；针对所述待发布消息，按照所述发布顺序进行消息发布。