短视频排序及模型训练方法、装置、电子设备和存储介质与流程

1.本发明涉及计算机技术领域，特别是涉及一种短视频搜索的排序方法和装置，一种网络模型的训练方法和装置，以及一种电子设备和一种计算机可读存储介质。


背景技术：

2.在搜索系统中，粗排可以理解为粗略排序，精排可以理解为精确排序。粗排的作用为从召回的数千个结果中筛选出几百个提供给精排，对最终的搜索结果起着至关重要的作用。
3.受限于性能等因素的制约，目前的搜索系统利用通用的公式进行粗排，通用的公式中的参数对应固定的几个特征。在短视频场景下，每一路的召回文件具有明显差别的特征，通用的公式无法适应具有不同特征的不同路的召回文件。而且，对短视频进行粗排时需要同时处理大量的召回文件，现有的粗排方案只能依次对单个召回文件进行打分，然后根据打分结果进行排序。


技术实现要素：

4.本发明实施例的目的在于提供一种短视频搜索的排序方法和装置，一种网络模型的训练方法和装置，以及一种电子设备和一种计算机可读存储介质，解决了传统的粗排方案无法适应多路的召回文件，而且，粗排效率低的问题。具体技术方案如下：
5.在本发明实施的第一方面，首先提供了一种短视频搜索的排序方法，包括：获取待排序的多路短视频召回文件；生成多路所述短视频召回文件的特征数组；将多路所述特征数组输入至训练完毕的网络模型，对应输出多路所述短视频召回文件的召回分数；选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果。
6.可选地，所述生成多路所述短视频召回文件的特征数组，包括：获取多路所述视频召回文件的在各维度的特征数据；对所述特征数据进行压缩存储，得到所述特征数组。
7.可选地，所述获取多路所述视频召回文件的在各维度的特征数据，包括：获取多路所述视频召回文件在文档维度的以下特征之一：质量特征、新鲜度特征、用户特征；和/或，获取多路所述视频召回文件在查询维度的查询类别特征；和/或，获取多路所述视频召回文件在查询与文档维度的以下特征之一：点击率特征、观看时长特征、展示特征。
8.可选地，所述对所述特征数据进行压缩存储，得到所述特征数组，包括：将所述特征数据存储进压缩稀疏行格式的稀疏矩阵，得到所述特征数组。
9.可选地，所述选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果，包括：按照所述召回分数对多路所述短视频召回文件进行降序排列；将降序排列后靠前的预设数量的所述短视频召回文件作为所述排序结果。
10.在本发明实施的第二方面，还提供了一种网络模型的训练方法，包括：获取多路的
短视频召回样本文件；为多路所述短视频召回样本文件添加对应的样本特征；根据多路所述短视频召回样本文件和对应的所述样本特征对网络模型进行训练。
11.可选地，所述获取多路的短视频召回样本文件，包括：根据观看时长和/或展示点击情况获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。
12.可选地，所述为多路所述短视频召回样本文件添加对应的样本特征，包括：为多路所述短视频召回样本文件，添加以下样本特征之一：召回源信息样本特征、召回分数样本特征、召回文件样本特征、用户展示点击样本特征、用户行为样本特征。
13.在本发明实施的第三方面，还提供了一种短视频搜索的排序装置，包括：文件获取模块，用于获取待排序的多路短视频召回文件；特征生成模块，用于生成多路所述短视频召回文件的特征数组；分数输出模块，用于将多路所述特征数组输入至训练完毕的网络模型，对应输出多路所述短视频召回文件的召回分数；文件选择模块，用于选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果。
14.可选地，所述特征生成模块，包括：特征数据获取模块，用于获取多路所述视频召回文件的在各维度的特征数据；压缩存储模块，用于对所述特征数据进行压缩存储，得到所述特征数组。
15.可选地，所述特征数据获取模块，用于获取多路所述视频召回文件在文档维度的以下特征之一：质量特征、新鲜度特征、用户特征；和/或，获取多路所述视频召回文件在查询维度的查询类别特征；和/或，获取多路所述视频召回文件在查询与文档维度的以下特征之一：点击率特征、观看时长特征、展示特征。
16.可选地，所述压缩存储模块，用于将所述特征数据存储进压缩稀疏行格式的稀疏矩阵，得到所述特征数组。
17.可选地，所述文件选择模块，包括：分数排序模块，用于按照所述召回分数对多路所述短视频召回文件进行降序排列；结果确定模块，用于将降序排列后靠前的预设数量的所述短视频召回文件作为所述排序结果。
18.在本发明实施的第四方面，还提供了一种网络模型的训练装置，包括：样本获取模块，用于获取多路的短视频召回样本文件；特征添加模块，用于为多路所述短视频召回样本文件添加对应的样本特征；模型训练模块，用于根据多路所述短视频召回样本文件和对应的所述样本特征对网络模型进行训练。
19.可选地，所述样本获取模块，用于根据观看时长和/或展示点击情况获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。
20.可选地，所述特征添加模块，用于为多路所述短视频召回样本文件，添加以下样本特征之一：召回源信息样本特征、召回分数样本特征、召回文件样本特征、用户展示点击样本特征、用户行为样本特征。
21.在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现第一方面所述的短视频搜索的排序方法或第二方面所述的网络模型的训练方法。
22.在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行第一方面所述的短视频
搜索的排序方法或第二方面所述的网络模型的训练方法。
23.在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行第一方面所述的短视频搜索的排序方法或第二方面所述的网络模型的训练方法。
24.本发明实施例提供的短视频搜索的排序方案，通过采用获取多路短视频召回文件，根据多路短视频召回文件的特征数组和网络模型，输出多路短视频召回文件的召回分数，再根据召回分数确定排序结果的技术手段。避免了利用通用的公式对召回文件进行排序，基于训练完毕的网络模型对多路短视频召回文件进行排序，可以解决现有的粗排方案无法适应多路的短视频召回文件，而且，粗排效率低的技术问题，达到适配多路的短视频召回文件，提升粗排效率的效果。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
26.图1为本发明实施例的一种短视频搜索的排序方法的步骤流程图。
27.图2为本发明实施例的一种网络模型的训练方法的步骤流程图。
28.图3a为本发明实施例的xgboost模型的离线训练流程示意图。
29.图3b为本发明实施例的xgboost模型的线上应用流程示意图。
30.图4为本发明实施例的一种短视频搜索的排序装置的结构示意图。
31.图5为本发明实施例的一种网络模型的训练装置的结构示意图。
32.图6为本发明实施例的一种电子设备的结构示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
34.本发明实施例提出一种短视频搜索的排序方案，应用于短视频的搜索场景。在对短视频召回文件进行粗排时，不仅要考虑点击率等指标，还需要考虑消费类指标，如人均展示点击次数、人均展示播放时长等。区别于普通的搜索场景，短视频的搜索场景对短视频的相关性的要求相对较低，而对短视频的多样性、发散性有一定要求。因此，本发明实施例可以对term(期限)召回、embedding(嵌入层)召回等在内的多路短视频召回文件进行排序。
35.本发明实施例提出一种网络模型的训练方案，可以基于xgboost(一个优化的分布式梯度增强库)模型进行训练。在网络模型的训练过程中，可以对训练样本灵活设置样本特征，如添加召回源信息样本特征、召回分数样本特征等，可以缓解不同召回源导致的bias(偏置或偏差)，而且，添加用户行为样本特征，还可以实现对短视频召回文件的个性化搜索。
36.如图1所示，示出了本发明实施例的一种短视频搜索的排序方法的步骤流程图。该短视频搜索的排序方法可以应用于服务器，该服务器可以为短视频服务器。该短视频搜索的排序方法具体可以包括如下步骤。
37.步骤101，获取待排序的多路短视频召回文件。
38.在本发明的实施例中，短视频召回文件可以为从多路的召回源获得的文档，每个
文档中可以包含一个短视频数据和该短视频数据的查询信息。查询信息中可以包含但不限于：该短视频数据的视频信息和用户信息。其中，视频信息包含名称、编号、类型、容量、时长、作者、格式等等。用户信息包含用户名、针对视频数据的点击操作、观看操作、观看时长等等。
39.步骤102，生成多路短视频召回文件的特征数组。
40.在本发明的实施例中，由于短视频召回文件可以来源于多路召回源，各路召回源的短视频召回文件具有各自的特征。因此，多路短视频召回文件的特征种类和数量众多，可以将多路短视频召回文件的特征构建为特征数组。
41.步骤103，将多路特征数组输入至训练完毕的网络模型，对应输出多路短视频召回文件的召回分数。
42.在本发明的实施例中，每路短视频召回文件可以对应于一路特征数据，也就是说，以短视频召回文件的路数为单位，可以将一路短视频召回文件的特征构建为一组特征数组。网络模型可以基于xgboost模型训练所得。在实际应用中，xgboost模型可以包含40棵决策树，每棵决策树最多包含6个节点。召回分数为短视频召回文件的基础相关性的标量体现，召回分数可以表示短视频召回文件的受用户欢迎的程度。
43.步骤104，选择出满足预设排序条件的召回分数对应的短视频召回文件，作为多路短视频召回文件的排序结果。
44.在本发明的实施例中，在输出各路短视频召回文件的召回分数之后，可以根据召回分数选择出召回分数较高的部分短视频召回文件，将选择出的短视频召回文件作为待排序的多路短视频召回文件的排序结果。
45.本发明实施例提供的短视频搜索的排序方案，通过采用获取多路短视频召回文件，根据多路短视频召回文件的特征数组和网络模型，输出多路短视频召回文件的召回分数，再根据召回分数确定排序结果的技术手段。避免了利用通用的公式对召回文件进行粗排，基于训练完毕的网络模型对多路短视频召回文件进行排序，可以解决现有的粗排方案无法适应多路的短视频召回文件，而且，粗排效率低的技术问题，达到适配多路的短视频召回文件，提升粗排效率的效果。
46.在本发明的一种示例性实施例中，在执行上述生成多路短视频召回文件的特征数组的过程中，可以获取多路视频召回文件在各维度的特征数据，然后对各维度的特征数据进行压缩存储，得到特征数据。在实际应用中，各维度包含但不限于：文档维度、查询维度和查询与文档维度。文档维度的特征数据可以包含以下至少之一：质量特征、新鲜度特征、用户特征。其中，质量特征可以为短视频的清晰度、码率等。新鲜度特征可以为短视频数据的上传时间。用户特征可以为短视频的点击用户、观看用户和展示用户等。查询维度的特征数据可以包含查询类别特征等。查询与文档维度的特征数据可以包含以下至少之一：点击率特征、观看时长特征、展示特征、点击特征等。其中，点击率特征可以表示短视频数据在展示给用户之后。点击该短视频数据的用户占全部用户的比例。观看时长特征可以表示短视频数据的平均观看时长。展示特征可以表示短视频数据展示给多少个用户以及展示的时长等。点击特征可以表示对短视频数据进行点击的用户以及点击操作的时间等。
47.在本发明的一种示例性实施例中，在执行上述对特征数据进行压缩存储，得到特征数组的过程中，可以将特征数据存储进压缩稀疏行(compressed sparse row，简称csr)
格式的稀疏矩阵，得到特征数组。稀疏矩阵为具有少量非零项的矩阵(在矩阵中，若数值0的元素数目远多于非0元素的数目，并且非0元素分布没有规律)。稀疏矩阵若采用二维数组的存储方法既浪费大量的存储单元来存放零元素，又要在运算中浪费大量的时间来进行零元素的无效运算。因此必须考虑对稀疏矩阵进行压缩存储(只存储非零元素)。csr格式为稀疏矩阵的一种存储格式，是用于矩阵
‑
矩阵和矩阵
‑
向量运算的有效格式。csr使用了三个数组，分别为数值、行偏移(表示某一行的第一个元素在数值里面的起始偏移位置，在行偏移的最后补上矩阵总的元素个数)、列号。其中，一维数组data(数值):有序地存储了所有的非0值，它具有与非0元素同样多数量的元素。一维数组indptr(行偏移量)：包含了证书使得indptr[i]是data中元素的索引，它是行i中的第一个非0元素。如果整个行i为0，则indptr[i]＝＝indptr[i 1]，如初始矩阵有m行，则len(indptr)＝＝m 1。一维数组indices(列号):其使用如下方式包含列索引信息:indices[indptr[i]:indptr[i 1]]是一个具有行i中非0元素的列索引的整数数组。列索引表示数值所在的列号，从0开始。数组data：包含矩阵中的非零元素，以行优先的形式保存。行偏移：csr中行索引被压缩，没有行索引，这里用行偏移表示行索引。
[0048]
在实际应用中，输入至网络模型的特征数组可以构成tensorproto(张量原型)，该tensorproto具体可以为一个map结构，包含如下四个关键字：indptr、indices、data、option_mask。各关键字的值依次为tensorproto(dtype＝uint64,tensor_shape＝[n1])，tensorproto(dtype＝uint32,tensor_shape＝[n2])，tensorproto(dtype＝float32,tensor_shape＝[n3])，int。其中，data表示特征数据，option_mask指定了输出的召回分数。也就是说，从网络模型输出的召回分数通过option_mask输出。n1、n2和n3分别表示各自的元素数量。
[0049]
在本发明的一种示例性实施例中，在执行选择出满足预设排序条件的召回分数对应的短视频召回文件，作为多路短视频召回文件的排序结果的过程中，可以按照召回分数对多路短视频召回文件进行降序排列，将降序排列后靠前的预设数量的短视频召回文件作为排序结果。例如，预设数量为100，则可以将降序排列后前100个短视频召回文件作为排序结果。
[0050]
如图2所示，示出了本发明实施例的一种网络模型的训练方法的步骤流程图。该网络模型的训练方法可以应用于服务器，该服务器可以为短视频服务器。该网络模型的训练方法具体可以包括如下步骤。
[0051]
步骤201，获取多路的短视频召回样本文件。
[0052]
在本发明的实施例中，可以获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。在实际应用中，可以设置时长阈值，该时长阈值可以理解为用户观看短视频时，短视频的播放时长阈值。根据时长阈值确定获取的短视频召回样本文件为短视频召回正样本文件，还是短视频召回负样本文件。具体地，可以将短视频召回样本文件中的短视频数据的平均观看时长，与时长阈值进行比较，若平均观看时长大于时长阈值，则短视频召回样本文件为短视频召回正样本文件；若平均观看时长小于或等于时长阈值，则短视频召回样本文件为短视频召回负样本文件。除了利用时长阈值判断短视频召回样本文件为短视频召回正样本文件，还是短视频召回负样本文件之外，还可以根据观看时长和/或展示点击情况获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。例如，如果某短视
频召回文件中的短视频数据展示给用户，而且，用户对该短视频数据进行点击，同时，用户观看该短视频数据的平均观看时长大于时长阈值，则该短视频召回样本文件为短视频召回正样本文件。如果某短视频召回文件中的短视频数据展示给用户，但是，用户未对该短视频数据进行点击，又或者，用户点击了该短视频数据，但是用户观看该短视频数据的平均观看时长小于或等于时长阈值，则该短视频召回样本文件为短视频召回负样本文件。
[0053]
步骤202，为多路短视频召回样本文件添加对应的样本特征。
[0054]
在本发明的实施例中，可以为多路短视频召回样本文件添加以下样本特征之一：召回源信息样本特征、召回分数样本特征、召回文件样本特征、用户展示点击样本特征、用户行为样本特征。其中，召回源信息样本特征可以包含召回源样本名称、召回源样本类型、召回源样本状态等。召回分数样本特征可以表示短视频召回样本文件在对应的召回源的基础相关性分数。召回文件样本特征可以包含质量样本特征、新鲜度样本特征、点击通过率样本特征等。用户展示点击样本特征可以包含对短视频召回样本文件中的短视频样本数据进行点击或者观看的用户样本特征。用户行为样本特征可以表示用户对短视频召回样本文件中的短视频样本数据进行交互操作的操作样本特征，交互操作包含但不限于：下载操作、分享操作、点赞操作、评论操作、收藏操作等等。
[0055]
步骤203，根据多路短视频召回样本文件和对应的样本特征对网络模型进行训练。
[0056]
在本发明的实施例中，可以将样本特征中的召回分数样本特征、召回源信息样本特征、用户行为样本特征等作为短视频召回样本文件的标注数据，通过对网络模型的训练，将训练得到的训练结果与对应的标注数据进行对比，再根据比对结果调整网络模型的参数，直至训练结果与对应的标注数据相同、相近或者满足预设的训练条件。训练完毕的网络模型可以输出按顺序排列的短视频召回样本文件，具体可以输出按照召回分数从大到小的降序顺序排列的短视频召回样本文件。
[0057]
基于上述关于短视频搜索的排序方法实施例和网络模型的训练方法实施例的相关说明，下面介绍一种基于xgboost模型的排序方案。图3a示出了xgboost模型的离线训练流程示意图。首先，获取多路的样本数据，为样本数据抽取特征，然后，根据抽取出的特征将样本数据划分为正样本数据和负样本数据，最后，基于人工智能技术对xgboost模型进行训练。图3b示出了xgboost模型的线上应用流程示意图。首先，接收多路的召回文件，然后，计算召回文件的特征数据，根据特征数据构建csr格式的特征数组，接下来，调用人工智能服务将召回文件和特征数组并行输入至训练完毕的xgboost模型，最后，接收xgboost模型返回的召回分数，作为排序的最终分数。
[0058]
如图4所示，示出了本发明实施例的一种短视频搜索的排序装置的结构示意图。该短视频搜索的排序装置可以包括如下模块。
[0059]
文件获取模块41，用于获取待排序的多路短视频召回文件；
[0060]
特征生成模块42，用于生成多路所述短视频召回文件的特征数组；
[0061]
分数输出模块43，用于将多路所述特征数组输入至训练完毕的网络模型，对应输出多路所述短视频召回文件的召回分数；
[0062]
文件选择模块44，用于选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果。
[0063]
在本发明的一种示例性实施例中，所述特征生成模块42，包括：
[0064]
特征数据获取模块，用于获取多路所述视频召回文件的在各维度的特征数据；
[0065]
压缩存储模块，用于对所述特征数据进行压缩存储，得到所述特征数组。
[0066]
在本发明的一种示例性实施例中，所述特征数据获取模块，用于获取多路所述视频召回文件在文档维度的以下特征之一：质量特征、新鲜度特征、用户特征；和/或，获取多路所述视频召回文件在查询维度的查询类别特征；和/或，获取多路所述视频召回文件在查询与文档维度的以下特征之一：点击率特征、观看时长特征、展示特征。
[0067]
在本发明的一种示例性实施例中，所述压缩存储模块，用于将所述特征数据存储进压缩稀疏行格式的稀疏矩阵，得到所述特征数组。
[0068]
在本发明的一种示例性实施例中，所述文件选择模块44，包括：
[0069]
分数排序模块，用于按照所述召回分数对多路所述短视频召回文件进行降序排列；
[0070]
结果确定模块，用于将降序排列后靠前的预设数量的所述短视频召回文件作为所述排序结果。
[0071]
如图5所示，示出了本发明实施例的一种网络模型的训练装置的结构示意图。该网络模型的训练装置可以包括如下模块。
[0072]
样本获取模块51，用于获取多路的短视频召回样本文件；
[0073]
特征添加模块52，用于为多路所述短视频召回样本文件添加对应的样本特征；
[0074]
模型训练模块53，用于根据多路所述短视频召回样本文件和对应的所述样本特征对网络模型进行训练。
[0075]
在本发明的一种示例性实施例中，所述样本获取模块51，用于根据观看时长和/或展示点击情况获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。
[0076]
在本发明的一种示例性实施例中，所述特征添加模块52，用于为多路所述短视频召回样本文件，添加以下样本特征之一：召回源信息样本特征、召回分数样本特征、召回文件样本特征、用户展示点击样本特征、用户行为样本特征。
[0077]
本发明实施例还提供了一种电子设备，如图6所示，包括处理器61、通信接口62、存储器63和通信总线64，其中，处理器61，通信接口62，存储器63通过通信总线64完成相互间的通信，
[0078]
存储器63，用于存放计算机程序；
[0079]
处理器61，用于执行存储器63上所存放的程序时，实现如下步骤：
[0080]
获取待排序的多路短视频召回文件；
[0081]
生成多路所述短视频召回文件的特征数组；
[0082]
将多路所述特征数组输入至训练完毕的网络模型，对应输出多路所述短视频召回文件的召回分数；
[0083]
选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果。
[0084]
所述生成多路所述短视频召回文件的特征数组的步骤，包括：
[0085]
获取多路所述视频召回文件的在各维度的特征数据；
[0086]
对所述特征数据进行压缩存储，得到所述特征数组。
[0087]
所述获取多路所述视频召回文件的在各维度的特征数据的步骤，包括：
[0088]
获取多路所述视频召回文件在文档维度的以下特征之一：质量特征、新鲜度特征、用户特征；和/或，
[0089]
获取多路所述视频召回文件在查询维度的查询类别特征；和/或，
[0090]
获取多路所述视频召回文件在查询与文档维度的以下特征之一：点击率特征、观看时长特征、展示特征。
[0091]
所述对所述特征数据进行压缩存储，得到所述特征数组的步骤，包括：
[0092]
将所述特征数据存储进压缩稀疏行格式的稀疏矩阵，得到所述特征数组。
[0093]
所述选择出满足预设排序条件的所述召回分数对应的短视频召回文件，作为多路所述短视频召回文件的排序结果的步骤，包括：
[0094]
按照所述召回分数对多路所述短视频召回文件进行降序排列；
[0095]
将降序排列后靠前的预设数量的所述短视频召回文件作为所述排序结果。
[0096]
处理器61，还用于执行存储器63上所存放的程序时，实现如下步骤：
[0097]
获取多路的短视频召回样本文件；
[0098]
为多路所述短视频召回样本文件添加对应的样本特征；
[0099]
根据多路所述短视频召回样本文件和对应的所述样本特征对网络模型进行训练。
[0100]
所述获取多路的短视频召回样本文件的步骤，包括：
[0101]
根据观看时长和/或展示点击情况获取多路的短视频召回正样本文件和多路的短视频召回负样本文件。
[0102]
所述为多路所述短视频召回样本文件添加对应的样本特征的步骤，包括：
[0103]
为多路所述短视频召回样本文件，添加以下样本特征之一：召回源信息样本特征、召回分数样本特征、召回文件样本特征、用户展示点击样本特征、用户行为样本特征。
[0104]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0105]
通信接口用于上述终端与其他设备之间的通信。
[0106]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0107]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0108]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的短视频搜索的排序方法或所述的网络模型的训练方法。
[0109]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的短视频搜索的排序方法或所
述的网络模型的训练方法。
[0110]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0111]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0112]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0113]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。