[发明专利]排序模型训练方法和装置、物品排序方法和装置

权利要求书

1.一种排序模型训练方法，包括：

将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；

将所述全部样本物品的第一特征向量进行融合以得到融合特征向量；

将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；

将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；

根据所述二维概率分布表得到输出矩阵；

利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；

利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。

2.根据权利要求1所述的方法，其中，根据所述二维概率分布表得到输出矩阵包括：

在所述二维概率分布表的每一列中，将最大概率值设为1，将除最大概率值之外的其它概率值设为0，以得到所述输出矩阵。

3.根据权利要求1或2所述的方法，其中，将全部样本物品的第一特征向量进行融合包括：

将全部样本物品的第一特征向量进行池化处理以得到融合特征向量。

4.根据权利要求3所述的方法，其中，

所述池化处理包括最大池化Max Pooling处理或平均池化Average Pooling处理。

5.一种排序模型训练装置，包括：

第一处理模块，被配置为将样本集合中的全部样本物品的相关信息输入特征提取模型，以分别得到每个样本物品的第一特征向量；

第二处理模块，被配置为将所述全部样本物品的第一特征向量进行融合以得到融合特征向量；

第三处理模块，被配置为将所述融合特征向量分别与每个样本物品的第一特征向量进行融合，以得到每个样本物品的第二特征向量；

第四处理模块，被配置为将所述全部样本物品的第二特征向量输入机器学习模型，以得到二维概率分布表，其中所述二维概率分布表的第i列包括第i个样本物品分别在推荐序列中的每一个位置上的概率，第j行包括每个样本物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤N，N为所述样本集合中的样本物品总数；根据所述二维概率分布表得到输出矩阵；利用所述样本集合的标签矩阵，计算所述输出矩阵的每一行和每一列的交叉熵损失函数；利用所述输出矩阵的每一行和每一列的交叉熵损失函数，对所述机器学习模型进行训练，以得到排序模型。

6.一种排序模型训练装置，包括：

存储器，被配置为存储指令；

处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-4中任一项所述的方法。

7.一种物品排序方法，包括：

将候选集合中的全部候选物品的相关信息输入特征提取模型，以分别得到每个候选物品的第一特征向量；

将所述全部候选物品的第一特征向量进行融合以得到融合特征向量；

将所述融合特征向量分别与每个候选物品的第一特征向量进行融合，以得到每个候选物品的第二特征向量；

将所述全部候选物品的第二特征向量输入排序模型，以得到二维概率分布表，其中所述排序模型利用权利要求1-4中任一项所述的训练方法训练得到，所述二维概率分布表的第i列包括第i个候选物品分别在推荐序列中的每一个位置上的概率，第j行包括每个候选物品分别在所述推荐序列中的第j个位置上的概率，1≤i，j≤M，M为所述候选集合中的候选物品总数；

根据所述二维概率分布表得到输出矩阵；

根据所述输出矩阵确定所述候选集合中的每个候选物品在所述推荐序列中的位置，以便对所述候选集合中的全部候选物品进行排序。