[发明专利]一种推荐信息排序方法、装置、电子设备及介质

权利要求书

1.一种推荐信息排序方法，其特征在于，包括：

针对每个待推荐词条，将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量；其中，所述推荐模型为对多任务学习MMOE模型进行训练得到的模型，所述MMOE模型的每个专家模块包括多个残差块；

通过所述推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分；

基于每个待推荐词条的得分，确定待推荐词条的推荐顺序。

2.根据权利要求1所述的方法，其特征在于，所述通过所述推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分，包括：

通过所述推荐模型分别将每个专家模块输出的特征向量输入一个注意力模块，获取各注意力模块输出的针对所对应专家模块的权重向量；

针对每个专家模块，将特征组集合包括的特征向量与该专家模块的权重向量相乘后，与该专家模块输出的特征向量进行拼接，得到该专家模块对应的拼接特征向量；

将各专家模块对应的拼接特征向量进行拼接，将拼接结果输入所述推荐模型的输出层MLP，获取所述输出层MLP输出的该待推荐词条的得分。

3.根据权利要求1所述的方法，其特征在于，所述将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量，包括：

针对所述特征组集合中的每个特征向量，将该特征向量输入所对应的专家模块，依次经过该专家模块的各残差块处理，得到该专家模块输出的特征向量；其中，所述特征组集合中的特征向量与所述推荐模型中的专家模块具有一一对应的关系。

4.根据权利要求3所述的方法，其特征在于，所述将该特征向量输入所对应的专家模块，依次经过该专家模块的各残差块处理，包括：

将该特征向量作为初始特征向量输入所对应的专家模块的第一残差块，依次通过所述第一残差块包括的每个MLP对所述初始特征向量进行处理，得到对所述初始特征向量的处理结果；

将所述初始特征向量的处理结果与所述初始特征向量相加，得到第一特征向量；

将所述第一特征向量输入该专家模块的第二残差块，依次通过所述第二残差块包括的每个MLP对所述第一特征向量进行处理，得到对所述第一特征向量的处理结果；

将所述第一特征向量的处理结果与所述第一特征向量相加，得到第二特征向量；

将所述第二特征向量输入该专家模块的后续残差块进行处理，直至得到该专家模块的最后一个残差块输出的特征向量。

5.根据权利要求2所述的方法，其特征在于，所述专家模块的权重向量为：

其中，Softmax表示逻辑回归函数，Feat₀表示特征组集合，表示Feat₀中的特征向量经过对应的专家模块的n个残差块后得到的特征向量，i＝1,2,…,m，m为Feat₀包括的特征向量数量，n为对应的专家模块包括的残差块数量，为包括的特征维数，R^V表示t₀包括的特征总维数，W表示对应的注意力模块的函数。

6.一种推荐信息排序装置，其特征在于，包括：

获取模块，用于针对每个待推荐词条，将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量；其中，所述推荐模型为对多任务学习MMOE模型进行训练得到的模型，所述MMOE模型的每个专家模块包括多个残差块；

确定模块，用于通过所述推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分；

所述确定模块，还用于基于每个待推荐词条的得分，确定待推荐词条的推荐顺序。