[发明专利]排序模型训练方法和装置、物品排序方法和装置

说明书

本公开提供一种排序模型训练方法和装置、物品排序方法和装置。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；根据二维概率分布表得到输出矩阵；利用样本集合的标签矩阵，计算输出矩阵的每一行和每一列的交叉熵损失函数；利用输出矩阵的每一行和每一列的交叉熵损失函数，对机器学习模型进行训练，以得到排序模型。

技术领域

本公开涉及信息处理领域，特别涉及一种排序模型训练方法和装置、物品排序方法和装置。

背景技术

为了保证线上用户的体验，网络平台在接收到用户请求后，会为该用户推荐多个候选物品。由于多个候选物品的不同排列顺序会对用户的点击率产生影响，因此需要对多个候选物品的排列顺序进行优化。

发明内容

发明人通过研究发现，由于多个候选物品的排列方式千变万化，无法在限定的系统响应时间内对所有的序列排列方式进行遍历并挑选出一个最优的序列，从而影响线上用户的体验。

据此，本公开提供一种物品排序方案，能够方便快捷地选择一个最优的排列顺序，从而提升线上用户的体验。

根据本公开实施例的第一方面，提供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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。

根据本公开实施例的第二方面，提供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。