生成排序模型的方法、装置、设备及存储介质与流程

1.本技术涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及生成排序模型的方法、装置、设备及存储介质。


背景技术：

2.在物品推荐场景下，推荐链路中采用的粗排模型专注于为用户提供与用户行为相似度较高的物品，即给用户提供更多与用户历史行为相关的物品，而无法有效筛选出对新颖物品(即，没有被用户操作的物品)，这就会导致推荐列表中的物品均为相似物品，使得用户无法进行深度浏览，从而降低了用户粘性，影响了用户对物品的点击与转化。


技术实现要素：

3.本技术的实施例提出了生成排序模型的方法、装置、设备及存储介质。
4.第一方面，本技术的实施例提供了一种生成排序模型的方法，该方法包括：获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品；利用样本集对机器学习模型进行训练，得到排序模型。
5.在一些实施例中，利用样本集对机器学习模型进行训练，得到排序模型，包括：将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果；以及将样本集输入到排序模型中，得到排序模型对应的第二预测结果；以及利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
6.在一些实施例中，在一些实施例中，排序模型包括操作行为网络和物品属性网络；将样本集输入到排序模型中，得到排序模型对应的第二预测结果，包括：将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果；以及将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果；根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。
7.在一些实施例中，操作行为网络包括第一子网络和第二子网络，已点击物品包括：类别不同的第一类物品和第二类物品，第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品；将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果，包括：将第一正样本和第一负样本输入到第一子网络中，得到第一子网络对应的预测结果，其中，第一正样本包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据；以及将第二正样本和第二负样本输入到第二子网络中，得到第二子网络对应的预测结果，其中，第二正样本包括第二类物品的行为样本数据，第二负样本包括未点击物品的行为样本数据和第一类物品的行为样本数据；将第一子网络对应的预测结果和第二子网络对应的预测结果作为操作行为网络对应的预测结果。
8.在一些实施例中，第一子网络和第二子网络共享第一输入层，第一子网络还包括与第一输入层的输出端连接的第一多层感知器层，第二子网络还包括与第一输入层的输出端连接的第二多层感知器层。
9.在一些实施例中，第一输入层包括：第一嵌入层、第一特征融合层、多个第一专家网络层和第一门网络层，第一门网络层用于控制多个第一专家网络层中的至少一个第一专家网络层的输入端与第一特征融合层的输出端接通，第一特征融合层的输入端与第一嵌入层的输出端连接。
10.在一些实施例中，物品属性网络包括第三子网络和第四子网络；将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果，包括：将第三正样本和第三负样本输入到第三子网络中，得到第三子网络对应的预测结果，其中，第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据；以及将第四正样本和第四负样本输入到第四子网络中，得到第四子网络对应的预测结果，其中，第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据；将第三子网络对应的预测结果和第四子网络对应的预测结果作为物品属性网络对应的预测结果。
11.在一些实施例中，第三子网络和第四子网络共享第二输入层，第三子网络还包括与第二输出层的输出端连接的第三多层感知器层，第四子网络还包括与第二输出层的输出端连接的第四多层感知器层。
12.在一些实施例中，第二输入层包括第二嵌入层和第二特征融合层，第二特征融合层的输入端与第二嵌入层的输出端连接。
13.在一些实施例中，预设的目标模型包括第五子网络和第六子网络；
14.将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果，包括：将样本集分别输入到第五子网络和第六子网络中，得到第五子网络对应的预测结果，以及第六子网络对应的预测结果；将第五子网络对应的预测结果和第六子网络对应的预测结果，作为预设的目标模型对应的第一预测结果。
15.在一些实施例中，第五子网络包括依次连接的第三嵌入层、特征提取网络层和第五多层感知器层，第六子网络包括依次连接的第四嵌入层、特征提取网络层和第六多层感知器层。
16.在一些实施例中，特征提取网络层包括：多个第二专家网络层和第二门网络层，第二门网络层用于控制多个第二专家网络层中的至少一个第二专家网络层的输入端与第三嵌入层的输出端和第四嵌入层的输出端接通。
17.在一些实施例中，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型，包括：根据第一预测结果、样本的标签，以及第二预测结果，确定损失函数；利用损失函数，迭代调整排序模型的参数，得到训练后的排序模型。
18.在一些实施例中，排序模型的参数包括第一权重和第二权重；该方法还包括：利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重。
19.在一些实施例中，第二类物品的需求量基于以下步骤确定：根据第一子网络的预测结果和第三子网络的预测结果的点乘，确定第一类物品的需求量；以及根据第二子网络
的预测结果和第四子网络的预测结果的点乘，确定第二类物品的需求量；根据第一类物品的需求量和对应的第一权重与第二类物品的需求量和对应的第二权重之间的比值，确定第二类物品的需求量；利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重，包括：响应于第二类物品的需求量不满足预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重，直至更新后的第二类物品的需求量满足预设的需求量阈值。
20.第二方面，本技术的实施例提供了一种生成排序模型的装置，该装置包括：样本获取模块，被配置成获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品；模型训练模块，被配置成利用样本集对机器学习模型进行训练，得到排序模型。
21.在一些实施例中，模型训练模块，包括：第一得到单元，被配置成将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果；以及第二得到单元，被配置成将样本集输入到排序模型中，得到排序模型对应的第二预测结果；以及模型训练单元，被配置成利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
22.在一些实施例中，排序模型包括操作行为网络和物品属性网络；第二得到单元，包括：第一得到子单元，被配置成将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果；以及第二得到子单元，被配置成将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果；第一确定子单元，被配置成根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。
23.在一些实施例中，操作行为网络包括第一子网络和第二子网络，已点击物品包括：类别不同的第一类物品和第二类物品，第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品；第一得到子单元，进一步被配置成：将第一正样本和第一负样本输入到第一子网络中，得到第一子网络对应的预测结果，其中，第一正样本包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据；以及将第二正样本和第二负样本输入到第二子网络中，得到第二子网络对应的预测结果，其中，第二正样本包括第二类物品的行为样本数据，第二负样本包括未点击物品的行为样本数据和第一类物品的行为样本数据；将第一子网络对应的预测结果和第二子网络对应的预测结果作为操作行为网络对应的预测结果。
24.在一些实施例中，第一子网络和第二子网络共享第一输入层，第一子网络还包括与第一输入层的输出端连接的第一多层感知器层，第二子网络还包括与第一输入层的输出端连接的第二多层感知器层。
25.在一些实施例中，第一输入层包括：第一嵌入层、第一特征融合层、多个第一专家网络层和第一门网络层，第一门网络层用于控制多个第一专家网络层中的至少一个第一专家网络层的输入端与第一特征融合层的输出端接通，第一特征融合层的输入端与第一嵌入层的输出端连接。
26.在一些实施例中，物品属性网络包括第三子网络和第四子网络；第二得到子单元，进一步被配置成：将第三正样本和第三负样本输入到第三子网络中，得到第三子网络对应
的预测结果，其中，第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据；以及将第四正样本和第四负样本输入到第四子网络中，得到第四子网络对应的预测结果，其中，第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据；将第三子网络对应的预测结果和第四子网络对应的预测结果作为物品属性网络对应的预测结果。
27.在一些实施例中，第三子网络和第四子网络共享第二输入层，第三子网络还包括与第二输出层的输出端连接的第三多层感知器层，第四子网络还包括与第二输出层的输出端连接的第四多层感知器层。
28.在一些实施例中，第二输入层包括第二嵌入层和第二特征融合层，第二特征融合层的输入端与第二嵌入层的输出端连接。
29.在一些实施例中，预设的目标模型包括第五子网络和第六子网络；第一得到单元，进一步被配置成：将样本集分别输入到第五子网络和第六子网络中，得到第五子网络对应的预测结果，以及第六子网络对应的预测结果；将第五子网络对应的预测结果和第六子网络对应的预测结果，作为预设的目标模型对应的第一预测结果。
30.在一些实施例中，第五子网络包括依次连接的第三嵌入层、特征提取网络层和第五多层感知器层，第六子网络包括依次连接的第四嵌入层、特征提取网络层和第六多层感知器层。
31.在一些实施例中，特征提取网络层包括：多个第二专家网络层和第二门网络层，第二门网络层用于控制多个第二专家网络层中的至少一个第二专家网络层的输入端与第三嵌入层的输出端和第四嵌入层的输出端接通。
32.在一些实施例中，第二训练单元，进一步被配置成：根据第一预测结果、样本的标签，以及第二预测结果，确定损失函数；利用损失函数，迭代调整排序模型的参数，得到训练后的排序模型。
33.在一些实施例中，排序模型的参数包括第一权重和第二权重；该装置还包括：权重更新模块，被配置成利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重。
34.在一些实施例中，该装置还包括：第一需求量确定模块，被配置成根据第一子网络的预测结果和第三子网络的预测结果的点乘，确定第一类物品的需求量；以及第二需求量确定模块，被配置成根据第二子网络的预测结果和第四子网络的预测结果的点乘，确定第二类物品的需求量；第三需求量确定模块，被配置成根据第一类物品的需求量和对应的第一权重与第二类物品的需求量和对应的第二权重之间的比值，确定第二类物品的需求量；权重更新模块，进一步被配置成：响应于第二类物品的需求量不满足预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重，直至更新后的第二类物品的需求量满足预设的需求量阈值。
35.第三方面，本技术的实施例提供了一种物品排序方法，包括：获取多个物品的属性数据和多个物品的行为数据；将每个物品的属性数据和每个物品的行为数据分别输入到如第一方面或第二方面中任一种排序模型中，得到每个物品对应的预测结果，其中，每个物品对应的预测结果包括每个物品的目标需求量；根据每个物品的目标需求量，对多个物品进
行排序，得到排序结果。
36.在一些实施例中，每个物品对应的预测结果还包括每个物品的点击标签，其中，点击标签用于表征每个物品是否为预设时间点之前被曝光且未被点击的物品；以及将每个物品的属性数据和每个物品的行为数据分别输入如第一方面或第二方面生成的排序模型中，得到每个物品对应的预测结果，包括：将每个物品的行为数据输入到排序模型中操作行为网络包括的第一子网络和第二子网络中，得到第一子网络对应的预测结果，以及第二子网络对应的预测结果；以及将每个物品的属性数据输入到排序模型中物品属性网络包括的第三子网络和第四子网络中，得到第三子网络对应的预测结果，以及第四子网络对应的预测结果；根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
37.在一些实施例中，根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量，包括：根据第一子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第一需求量；以及根据第二子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第二需求量；根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量。
38.在一些实施例中，根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量，包括：根据每个物品的第一需求量和对应的第一权重与每个物品的第二需求量和对应的第二权重之间的比值，确定每个物品的目标需求量。
39.第四方面，本技术的实施例提供了一种物品排序装置，包括：数据获取模块，被配置成获取多个物品的属性数据和多个物品的行为数据；结果得到模块，被配置成将每个物品的属性数据和每个物品的行为数据分别输入到如第一方面或第二方面生成的排序模型中，得到每个物品对应的预测结果，其中，每个物品对应的预测结果包括每个物品的目标需求量；物品排序模块，被配置成根据每个物品的目标需求量，对多个物品进行排序，得到排序结果。
40.在一些实施例中，每个物品对应的预测结果还包括每个物品的点击标签，其中，点击标签用于表征每个物品是否为预设时间点之前被曝光且未被点击的物品；以及结果得到模块，包括：第一得到模块，被配置成将每个物品的行为数据输入到排序模型中操作行为网络包括的第一子网络和第二子网络中，得到第一子网络对应的预测结果，以及第二子网络对应的预测结果；以及第二得到模块，被配置成将每个物品的属性数据输入到排序模型中物品属性网络包括的第三子网络和第四子网络中，得到第三子网络对应的预测结果，以及第四子网络对应的预测结果；需求量确定模块，被配置成根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
41.在一些实施例中，在一些实施例中，需求量确定模块，包括：第一确定单元，被配置成根据第一子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第一需求量；以及第二确定单元，被配置成根据第二子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第二需求量；第三确定单元，被配置成根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量。
42.在一些实施例中，第三确定单元，进一步被配置成：根据每个物品的第一需求量和对应的第一权重与每个物品的第二需求量和对应的第二权重之间的比值，确定每个物品的目标需求量。
43.第五方面，本技术的实施例提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第三方面描述的方法。
44.第六方面，本技术的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行如第一方面或第三方面描述的方法。
45.本技术的实施例提供的生成排序模型的方法、装置、设备及存储介质，首先获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品；然后利用样本集对机器学习模型进行训练，得到排序模型。能够利用已点击物品为预设时间段内被曝光且被点击的物品，以及未点击物品为预设时间段内被曝光且未被点击的物品对应的行为样本数据和属性样本数据，训练得到排序模型，从而可以提升排序模型筛选新颖物品(即，曝光且未被点击的物品)的性能。
附图说明
46.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
47.图1是本技术可以应用于其中的示例性系统架构图；
48.图2是根据本技术的生成排序模型的方法的一个实施例的流程图；
49.图3是根据本技术的生成排序模型的方法的一个实施例的流程图；
50.图4是根据本技术的生成排序模型的方法的一个实施例的流程图；
51.图5是根据本技术的生成排序模型的方法的一个实施例的流程图；
52.图6是根据本技术的生成排序模型的方法的一个实施例的流程图；
53.图7是根据本技术的物品排序方法的一个实施例的流程图；
54.图8是根据本技术的生成排序模型的方法的一个应用场景的示意图；
55.图9是蒸馏模型的示意图；
56.图10是根据本技术的生成排序模型的装置的实施例的结构示意图；
57.图11是根据本技术的物品排序装置的实施例的结构示意图；
58.图12是适于用来实现本技术的实施例的电子设备的结构示意图。
具体实施方式
59.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
60.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
61.图1示出了可以应用本技术的生成排序模型的方法和装置或物品排序方法或装置的实施例的示例性系统架构100。
62.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
63.用户可以使用终端设备101、102、103通过网络104与服务器105交互，例如样本集等。
64.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，终端设备可以为与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如pc(personal computer，个人计算机)、手机、智能手机、pda(personal digital assistant，个人数字助手)、可穿戴设备、ppc(pocket pc，掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
65.服务器105可以提供各种服务。例如，服务器105可以获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品；利用样本集对机器学习模型进行训练，得到排序模型。
66.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
67.需要说明的是，本技术实施例所提供的生成排序模型的方法或物品排序方法一般由服务器105执行，相应地，生成排序模型的装置或物品排序装置一般设置于服务器105中。
68.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
69.继续参考图2，其示出了根据本技术的生成排序模型的方法的一个实施例的流程图200，该生成排序模型的方法可以包括以下步骤：
70.步骤201，获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品。
71.在本实施例中，生成排序模型的方法的执行主体(例如图1所示的服务器105)可以通过网络(例如图1所示的网络104)从终端设备(例如图1所示的终端设备101、102、103)获取样本集；或，生成排序模型的方法的执行主体(例如图1所示的终端设备101、102、103)可以从本地获取样本集。
72.在这里，该样本集中的样本包括物品的属性样本数据和物品的行为样本数据，该物品的属性样本数据可以为与物品的属性相关的数据，例如，规格、产地、供应商、品牌、净重、保质期、品种等。上述物品的行为样本数据可以包括以下至少一项：用户对物品的操作行为类别、该操作行为发送的时间信息，该操作行为类别可以由具体实施场景和领域经验
adversarial networks)等。该目标模块可以由上述执行主体从本地的存储设备获取，也可以从非本地的存储设备中获取，还可以由上述执行主体预先训练，还可以由上述执行主体在训练排序模型的同时训练目标模型。本地的存储设备可以为设置在上述执行主体内的一个数据存储模块，例如硬盘；非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备，例如一些终端设备等。
86.对应地，在该示例中，上述目标模型和排序模型可以组成蒸馏模型，该蒸馏模型采用迁移学习，通过目标模型(即，教师模型)用于监督训练排序模型。
87.其中，可以基于以下步骤训练目标模型：将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果；利用第一预测结果和样本的标签，调整目标模型的参数，得到训练后的目标模型。
88.在本实施例中，上述执行主体可以利用第一预测结果和样本的标签，得到目标模型对应的损失函数；之后，在损失函数不满足预设的截止条件时，迭代调整目标模型的参数；直至满足预设的截止条件，将调整完参数的目标模型作为训练后的目标模型。
89.在这里，上述样本的标签可以通过人工标定或通过相关的打标签模型得到。上述样本的标签可以包括以下至少一项：点击对应的标签、未点击对应的标签、物品属性对应的标签。
90.需要说明的是，截止条件可以根据目标模型的精度或人工设定。上述训练目标模型的样本可以与训练排序模型的样本相同或不同，该目标模型可以在训练排序模型之前已训练完毕，或在训练排序模型的同时训练目标模型。
91.步骤303，将样本集输入到排序模型中，得到排序模型对应的第二预测结果。
92.在本实施例中，上述执行主体可以将步骤301中的样本集输入到排序模型中，以得到排序模型输出的第二预测结果。上述第二预测结果可以为样本集中样本对应的预测结果。
93.在这里，排序模型可以用于得到样本集对应的预测结果。
94.步骤304，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
95.在本实施例中，上述执行主体可以根据第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，直至满足预设的迭代截止条件，以得到训练后的排序模型。上述截止条件可以根据排序模型的精度或人工设定。
96.在本实施例中，上述执行主体可以根据预设的目标模型输出的第一预测结果监督训练排序模型。
97.需要说明的是，步骤302和步骤303可以同时执行，或先执行步骤303再执行步骤302，或先执行步骤302再执行步骤303。
98.在本实施例中，步骤301的具体操作与图2所示的实施例中的步骤201的操作基本相同，在此不再赘述。
99.从图3中可以看出，与图2对应的实施例相比，本实施例中的生成排序模型的方法300首先获取样本集；之后，将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果；之后，将样本集输入到排序模型中，得到排序模型对应的第二预测结果；之后，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到
训练后的排序模型。从而可以根据预设的目标模型输出的预测结果对排序模型进行监督训练，以得到训练后的排序模型。
100.继续参考图4，其示出了根据本技术的生成排序模型的方法的一个实施例的示意图400。该生成排序模型的方法可以包括以下步骤：
101.步骤401，获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品。
102.在本实施例中，生成排序模型的方法的执行主体(例如图1所示的服务器105)可以通过网络(例如图1所示的网络104)从终端设备(例如图1所示的终端设备101、102、103)获取样本集；或，生成排序模型的方法的执行主体(例如图1所示的终端设备101、102、103)可以从本地获取样本集。
103.步骤402，将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果。
104.步骤403，将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果。
105.在本实施例中，上述执行主体可以将行为样本数据输入排序模型包括的操作行为网络中，以得到操作行为网络对应的预测结果。上述操作行为网络对应的预测结果可以为行为样本数据对应的预测结果。
106.在这里，操作行为网络可以用于得到行为样本数据对应的预测结果。
107.步骤404，将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果。
108.在本实施例中，上述执行主体可以将属性样本数据输入到排序模型包括的物品属性网络中，以得到物品属性网络对应的预测结果。上述物品属性网络对应的预测结果可以为属性样本数据对应的预测结果。
109.在这里，物品属性网络可以用于得到属性样本数据对应的预测结果。
110.步骤405，根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。
111.在本实施例中，上述执行主体可以将操作行为网络对应的预测结果和物品属性网络对应的预测结果合并在一起，以得到第二预测结果。
112.需要说明的是，步骤403和步骤404可以同时执行，或先执行步骤404再执行步骤403，或先执行步骤403再执行步骤404。
113.步骤406，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
114.需要说明的是，步骤402和步骤405可以同时执行，或先执行步骤405再执行步骤402，或先执行步骤402再执行步骤405。
115.在本实施例中，步骤401、402、406的具体操作与图3所示的实施例中的步骤301、302、304的操作基本相同，在此不再赘述。
116.从图4中可以看出，与图3对应的实施例相比，本实施例中的生成排序模型的方法400首先将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果；之
后，将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果；之后，根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。物品推荐系统中的粗排模块(即，排序模型)为了提高模型的效率，将用户侧(即，操作行为网络)与物品侧(即，物品属性网络)进行分离，将用户侧网络(即，操作行为网络)对应的行为样本数据上传至服务器进行实时推理，以得到对应的预测结果；将物品侧网络(即，物品属性网络)对应的属性样本数据预先计算相应的输出向量，并存储在hbase表，在需要对物品侧网络对应的属性样本数据进行推理时，可以从hbase表中获取属性样本数据对应的预测结果。将用户侧和物品侧分离，可以极大地降低排序模型的整体延时。
117.在本实施例的一些可选的实现方式中，操作行为网络包括第一子网络和第二子网络，已点击物品包括：类别不同的第一类物品和第二类物品，第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品；将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果，可以包括：将第一正样本和第一负样本输入到第一子网络中，得到第一子网络对应的预测结果，其中，第一正样本包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据；以及将第二正样本和第二负样本输入到第二子网络中，得到第二子网络对应的预测结果，其中，第二正样本包括第二类物品的行为样本数据，第二负样本包括未点击物品的行为样本数据和第一类物品的行为样本数据；将第一子网络对应的预测结果和第二子网络对应的预测结果作为操作行为网络对应的预测结果。
118.在一个示例中，将样本集中的第一正样本和第一负样本输入到第一子网络中，得到第一子网络对应的预测结果，可以包括：将第一正样本和第一负样本同时输入到第一子网络中，以得到第一子网络对应的预测结果。上述第一类物品和第二物品可以为已点击物品中类别不同的物品，该第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品。上述第一正样本可以包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据。上述第一负样本，第一正样本，以及对应的标签，可以用于训练得到第一子网络。上述对应的标签可以为点击标签，该点击标签可以用于表征是否点击物品。
119.需要说明的是，第一类物品为预设时间段和预设时间段之前已被点击物品。第二类物品为预设时间段内首次点击的物品。
120.在一个示例中，将第二正样本和第二负样本输入到第二子网络中，得到第二子网络对应的预测结果，可以包括：将第二正样本和第二负样本同时输入到第二子网络中，以得到第二子网络对应的预测结果。上述第二正样本可以包括用户操作第二类物品的行为样本数据，第二负样本可以包括未点击物品的行为样本数据和用户操作第一类物品的行为样本数据。上述第二正样本和第二负样本，以及对应的标签可以训练得到第二子网络。上述对应的标签可以为点击标签，该点击标签可以用于表征是否点击物品。
121.在一个示例中，操作行为网络对应的预测结果可以包括：第一子网络对应的预测结果和第二子网络对应的预测结果。
122.对应地，该示例中，上述执行主体可以将第一子网络对应的预测结果和第二子网络对应的预测结果作为操作行为网络对应的预测结果。
123.需要说明的是，上述执行主体可以同时执行得到第一子网络对应的预测结果和得
到第二子网络对应的预测结果；或先执行得到第二子网络对应的预测结果，再执行得到第一子网络对应的预测结果。
124.在本实现方式中，上述执行主体可以根据第一子网络的输入第一正样本和第一负样本，得到第一子网络对应的预测结果；以及根据第二子网络的输入第二正样本和第二负样本，以得到第二子网络对应的预测结果；从而可以根据第一子网络对应的预测结果和第二子网络对应的预测结果，得到操作行为网络对应的预测结果。
125.本实施例的一些可选的实现方式中，第一子网络和第二子网络共享第一输入层，第一子网络还包括与第一输入层的输出端连接的第一多层感知器层，第二子网络还包括与第一输入层的输出端连接的第二多层感知器层。
126.在本实现方式中，第一子网络和第二子网络共享一个第一输入层，该第一子网络还包括与第一输入层的输出端连接的第一多层感知器层，该第二子网络还包括与第一输入层的输出端连接的第二多层感知器层，该多层感知器可以包括relu。
127.需要说明的是，与第一多层感知器层和第二多层感知器层功能相同的神经网络都可以纳入本技术的范畴内。
128.在本实施例中，第一子网络和第二子网络共享输入层，该第一子网络还包括与该输入层的输出端连接的第一多层感知器层，该第二子网络还包括与该输入层的输出端连接的第二多层感知器层。通过上述第一子网络对应的预测结果和第二子网络对应的预测结果，可以得到操作行为网络对应的预测结果。
129.本实施例的一些可选的实现方式中，第一输入层包括：第一嵌入层、第一特征融合层、多个第一专家网络层和第一门网络层，第一门网络层用于控制多个第一专家网络层中的至少一个第一专家网络层的输入端与第一特征融合层的输出端接通，第一特征融合层的输入端与第一嵌入层的输出端连接，该第一门网络层可以包括gatea和gateb。
130.在本实现方式中，第一输入层包括第一嵌入层、第一特征融合层、多个第一专家网络层和第一门网络层；该第一嵌入层用于将行为样本数据转换为对应的向量；该第一特征融合层可以用于对第一嵌入层输出的向量进行融合；之后，将融合的向量输入至多个第一专家网络层，该多个第一专家网络层可以用于对融合的向量进行相关特征的交叉与学习，该第一门网络层用于根据不同权重将多个第一专家网络层中的至少一个第一专家网络层的输入层与第一特征融合层的输出端连通。
131.本实施例的一些可选的实现方式中，物品属性网络包括第三子网络和第四子网络；将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果，包括：将第三正样本和第三负样本输入到第三子网络中，得到第三子网络对应的预测结果，其中，第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据；以及将第四正样本和第四负样本输入到第四子网络中，得到第四子网络对应的预测结果，其中，第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据；将第三子网络对应的预测结果和第四子网络对应的预测结果作为物品属性网络对应的预测结果。
132.在本实现方式中，上述执行主体可以将第三正样本和第三负样本输入到第三子网络中，得到第三子网络对应的预测结果；以及将第四正样本和第四负样本输入到第四子网络中，得到第四子网络对应的预测结果；之后，将第三子网络对应的预测结果和第四子网络
对应的预测结果作为物品属性网络对应的预测结果。上述第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据。上述执行主体可以根据第三正样本和第三负样本，以及对应的属性标签，训练得到第三子网络，该属性标签可以用于标注不同的物品。上述第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据。上述执行主体可以根据第四正样本和第四负样本，以及对应的属性标签，训练得到第四子网络。
133.需要说明的是，物品属性网络可以包括第三子网络和第四子网络，该第三子网络和第四子网络可以为双任务，用于从多维度得到物品属性网络对应的预测结果。
134.本实施例的一些可选的实现方式中，第三子网络和第四子网络共享第二输入层，第三子网络还包括与第二输出层的输出端连接的第三多层感知器层，第四子网络还包括与第二输出层的输出端连接的第四多层感知器层。
135.在本实现方式中，第三子网络和第四子网络共享一个第二输入层，该第三子网络还包括与第二输入层的输出端连接的第三多层感知器层，该第四子网络还包括与第二输入层的输出端连接的第四多层感知器层。
136.需要说明的是，与第三多层感知器层和第四多层感知器层功能相同的神经网络都可以纳入本技术的范畴内。
137.在本实施例中，第三子网络和第四子网络共享输入层，该第三子网络还包括与该输入层的输出端连接的第三多层感知器层，该第四子网络还包括与该输入层的输出端连接的第四多层感知器层。通过上述第三子网络对应的预测结果和第四子网络对应的预测结果，可以得到物品属性网络对应的预测结果。
138.本实施例的一些可选的实现方式中，第二输入层包括第二嵌入层和第二特征融合层，第二特征融合层的输入端与第二嵌入层的输出端连接。
139.在本实现方式中，第二输入层包括第二嵌入层、第二特征融合层；该第二嵌入层用于将行为属性样本数据为对应的向量；该第二特征融合层可以用于对第二嵌入层输出的向量进行融合，得到融合的向量。
140.继续参考图5，其示出了根据本技术的生成排序模型的方法的一个实施例的示意图500。该生成排序模型的方法可以包括以下步骤：
141.步骤501，获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品。
142.在本实施例中，生成排序模型的方法的执行主体(例如图1所示的服务器105)可以通过网络(例如图1所示的网络104)从终端设备(例如图1所示的终端设备101、102、103)获取样本集；或，生成排序模型的方法的执行主体(例如图1所示的终端设备101、102、103)可以从本地获取样本集。
143.步骤502，将样本集分别输入到第五子网络和第六子网络中，得到第五子网络对应的预测结果，以及第六子网络对应的预测结果。
144.在本实施例中，上述执行主体可以将步骤501中的样本集分别输入到第五子网络和第六子网络中，以得到第五子网络对应的预测结果和第六子网络对应的预测结果。
145.步骤503，将第五子网络对应的预测结果和第六子网络对应的预测结果，作为预设
的目标模型对应的第一预测结果。
146.在本实施例中，上述执行主体可以将第五子网络对应的预测结果和第六子网络对应的预测结果。
147.在本实施例中，第一预测结果可以包括第五子网络对应的预测结果和第六子网络对应的预测结果。
148.步骤504，将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果。
149.步骤505，将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果。
150.步骤506，根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。
151.在本实施例中，上述执行主体可以将操作行为网络对应的预测结果和物品属性网络对应的预测结果合并在一起，以得到第二预测结果。
152.需要说明的是，步骤504和步骤505可以同时执行，或先执行步骤505再执行步骤504，或先执行步骤504再执行步骤505。
153.步骤507，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
154.在本实施例中，步骤501、504～507的具体操作与图4所示的实施例中的步骤401、403～406的操作基本相同，在此不再赘述。
155.从图5中可以看出，与图4对应的实施例相比，本实施例中的生成排序模型的方法500首先将样本集分别输入到第五子网络和第六子网络中，以得到第五子网络对应的预测结果和第六子网络对应的预测结果；之后，将第五子网络对应的预测结果和第六子网络对应的预测结果，作为预设的目标模型(即，教师模型)对应的第一预测结果。教师模型采用了双任务模型，在教师模型与排序模型都采用双任务模型时，排序模型用户侧的输入仅为用户侧稠密特征(即，dense)与稀疏特征。而教师模型的输入为用户侧、物品侧的密特征与稀疏特征，以及排序模型无法利用的交叉特征(即，排序模型无法利用而教师模型可以有效利用的特征)，能够让排序模型学习到所有的特征，提高了排序模型识别新颖物品的精度。
156.在本实施例的一些可选的实现方式中，第五子网络包括依次连接的第三嵌入层、第三特征融合层、特征提取网络层和第五多层感知器层，第六子网络包括依次连接的第四嵌入层、第三特征融合层、特征提取网络层和第六多层感知器层。
157.在本实现方式中，预设的目标模型中的第五子网络可以包括依次连接的第三嵌入层、第三特征融合层、特征提取网络层和第五多层感知器层。预设的目标模型中的第六子网络可以包括依次连接的第四嵌入层、第三特征融合层、特征提取网络层和第六多层感知器层。上述第三嵌入层可以用于将行为样数据转换为对应的向量，第四嵌入层可以用于将属性样本数据转换为对应的向量。上述第三特征融合层可以用于将属性样本数据对应的向量和行为样本数据对应的向量进行融合，以得到融合的向量。
158.在本实施例的一些可选的实现方式中，特征提取网络层包括：多个第二专家网络层和第二门网络层，第二门网络层用于控制多个第二专家网络层中的至少一个第二专家网络层的输入端与第三嵌入层的输出端和第四嵌入层的输出端接通。
159.在本实现方式中，特征提取网络层可以吧拗口多个第二专家网络层和第二门网络层，该第二网络层可以用于控制多个第二专家网络层中的至少一个第二专家网络层的输入端与第三嵌入层和第四嵌入层的输出端连通。上述连通可以为参与模型训练，以使至少一个专家网络层可以接收第三嵌入层和第四嵌入层的输出。
160.在本实施例中，包括多个第二专家网络层和第二门网络层的特征提取网络层可以用于提取样本的特征。
161.继续参考图6，其示出了根据本技术的生成排序模型的方法的一个实施例的示意图600。该生成排序模型的方法可以包括以下步骤：
162.步骤601，获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品。
163.在本实施例中，生成排序模型的方法的执行主体(例如图1所示的服务器105)可以通过网络(例如图1所示的网络104)从终端设备(例如图1所示的终端设备101、102、103)获取样本集；或，生成排序模型的方法的执行主体(例如图1所示的终端设备101、102、103)可以从本地获取样本集。
164.步骤602，将样本集输入到预设的目标模型中，得到预设的目标模型对应的第一预测结果。
165.步骤603，将样本集输入到排序模型中，得到排序模型对应的第二预测结果。
166.步骤604，根据第一预测结果、样本的标签，以及第二预测结果，确定损失函数。
167.在本实施例中，上述执行主体可以根据第一预测结果、样本的标签，以及第二预测结果，确定对应的损失函数。该损失函数用于对学习网络的参数进行迭代调整。
168.步骤605，利用损失函数，迭代调整排序模型的参数，得到训练后的排序模型。
169.在本实施例中，上述执行主体可以利用步骤605中的损失函数，迭代调整排序模型的参数，直至满足预设的迭代截止条件，以得到训练后的排序模型。上述截止条件可以根据排序模型的精度或人工设定。
170.需要说明的是，步骤602和步骤603可以同时执行，或先执行步骤603再执行步骤602，或先执行步骤602再执行步骤603。
171.在本实施例中，步骤601、602、603的具体操作与图3所示的实施例中的步骤301、302、303的操作基本相同，在此不再赘述。
172.从图6中可以看出，与图3对应的实施例相比，本实施例中的生成排序模型的方法600利用预设的目标模型输出的第一预测结果，对排序模型进行监督训练，以提高排序模型识别新颖物品的精度。
173.在本实施例的一些可选的实现方式中，利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型，包括：根据第一预测结果、样本的标签，以及第二预测结果，确定损失函数；利用损失函数，迭代调整排序模型的参数，得到训练后的排序模型。
174.在本实现方式中，上述执行主体利用第一预测结果、样本标签，以及第二预测结果得到损失函数；之后，根据该损失函数迭代调整排序模型的参数，得到训练后的排序模型。
175.在本实现方式中，上述执行主体可以根据第一预测结果实现对排序模型的监督训
练，以提高排序模型的识别新颖物品的性能。
176.在本实施例的一些可选的实现方式中，排序模型的参数包括第一权重和第二权重；该生成排序模型的方法还包括：利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重。
177.在本实现方式中，上述执行主体还可以在第二类物品的需求量不满足预设的需求量阈值时，更新训练后的排序模型的权重。上述不满足可以为第二类物品的需求量小于预设的需求量阈值。上述需求量可以用于表征用户对第二类物品的需求程度。
178.需要说明的是，预设的需求量阈值可以根据用户的需求或排序模型的粗排精度进行设定。
179.在本实现方式中，上述执行主体可以根据第二类物品的需求量和预设的需求量阈值，调整训练后的排序模型的权重。
180.在本实施例的一些可选的实现方式中，第二类物品的需求量基于以下步骤确定：根据第一子网络的预测结果和第三子网络的预测结果的点乘，确定第一类物品的需求量；以及根据第二子网络的预测结果和第四子网络的预测结果的点乘，确定第二类物品的需求量；根据第一类物品的需求量和对应的第一权重与第二类物品的需求量和对应的第二权重之间的比值，确定第二类物品的需求量；利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重，包括：响应于第二类物品的需求量不满足预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重，直至更新后的第二类物品的需求量满足预设的需求量阈值。
181.在本实现方式中，上述执行主体可以根据第一子网络的预测结果和第三子网络的预测结果的点乘，确定第一类物品的需求量；以及根据第二子网络的预测结果和第四子网络的预测结果的点乘，确定第二类物品的需求量；之后，根据第一类物品的需求量和对应的第一权重与第二类物品的需求量和对应的第二权重之间的比值，确定第二类物品的需求量；利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重，包括：响应于第二类物品的需求量不满足预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重，直至更新后的第二类物品的需求量满足预设的需求量阈值。
182.在本实现方式中，用户侧的两个任务塔为用户侧普通点击任务塔(即，第一子网络)与用户侧新颖点击任务塔(即，第二子网络)，物品侧的两个任务塔为物品侧普通点击任务塔(即，第三子网络)与物品侧新颖点击任务塔(即，第四子网络)。能够通过用户侧普通点击任务塔输出的预测结果与物品侧普通点击任务塔输出的预测结果进行点乘得到第一需求量；之后，将用户侧新颖点击任务塔输出的预测结果与物品侧新颖点击任务塔输出的预测结果进行点乘得到第二需求量。之后通过第一需求量和对应的第一权重与第二需求量和对应的第二权重之间的比值，确定第二类物品的需求量。并且通过调整第一权重和/或第二权重可以对排序模型进行更新，以得到最优模型，从而可以提升排序模型对新颖物品的识别精度。
183.继续参考图7，其示出了根据本技术的物品排序方法的一个实施例的示意图700。该物品排序方法可以包括以下步骤：
184.步骤701，获取多个物品的属性数据和多个物品的行为数据。
185.在本实施例中，物品排序方法的执行主体(例如图1所示的终端设备101、102、103)
可以获取多个物品的属性数据和多个物品的行为数据。
186.在这里，该物品的属性数据可以为与物品的属性相关的数据，例如，规格、产地、供应商、品牌、净重、保质期、品种等。上述物品的行为数据可以包括以下至少一项：用户对物品的操作行为类别、该操作行为发送的时间信息，该操作行为类别可以由具体实施场景和领域经验所设定。
187.在一个示例中，行为数据可以为与点击物品相关的操作，例如，点击该物品、下单该物品、浏览该物品等。
188.在本实施例，在获取多个物品的属性数据和多个物品的行为数据之前，该物品排序方法还包括：
189.获取根据物品搜索信息召回的多个物品的属性数据和多个物品的行为数据。
190.在本实施例中，上述执行主体可以先获取到物品搜索信息；之后，根据物品搜索信息召回多个物品的属性数据和多个物品的行为数据。上述物品搜索信息可以为用户在上述执行主体的搜索应用的界面上输入的关键字或语音输入的关键字，例如“冬季手套”。
191.步骤702，将每个物品的属性数据和每个物品的行为数据分别输入到预先训练的排序模型中，得到每个物品对应的预测结果，其中，每个物品对应的预测结果包括每个物品的目标需求量。
192.在本实施例中，上述执行主体可以将每个物品的属性数据和每个物品的行为数据分别输入到图2～图6对应的方法生成的排序模型中，以得到每个物品对应的预测结果，该预测结果可以包括每个物品对应的目标需求量。
193.703，根据每个物品的目标需求量，对多个物品进行排序，得到排序结果。
194.在本实施例中，通过排序模型，实现对物品的需求量的预测，从而可以根据预测的需求量，对物品进行排序。
195.在本实施例中，上述执行主体可以根据每个物品的目标需求量，对多个物品进行排序，以得到排序结果。
196.在一个示例中，上述执行主体还可以将排序结果呈现在上述执行主体的显示屏上，以将呈现在显示屏上的物品推荐给用户。
197.在本实施例的一些可选的实现方式中，每个物品对应的预测结果还包括每个物品的点击标签，其中，点击标签用于表征每个物品是否为预设时间点之前被曝光且未被点击的物品；以及
198.将每个物品的属性数据和每个物品的行为数据分别输入预先训练的排序模型中，得到每个物品对应的预测结果，可以包括：
199.将每个物品的行为数据输入到排序模型中操作行为网络包括的第一子网络和第二子网络中，得到第一子网络对应的预测结果，以及第二子网络对应的预测结果；以及
200.将每个物品的属性数据输入到排序模型中物品属性网络包括的第三子网络和第四子网络中，得到第三子网络对应的预测结果，以及第四子网络对应的预测结果；
201.根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
202.在本实现方式中，上述执行主体可以将每个物品的行为数据输入到排序模型中操作行为网络包括的第一子网络和第二子网络中，得到第一子网络对应的预测结果，以及第
二子网络对应的预测结果；之后，将每个物品的属性数据输入到排序模型中物品属性网络包括的第三子网络和第四子网络中，得到第三子网络对应的预测结果，以及第四子网络对应的预测结果；之后，根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
203.在本实施例中，可以根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
204.在本实施例的一些可选的实现方式中，根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量，包括：根据第一子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第一需求量；以及根据第二子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第二需求量；根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量。
205.在本实现方式中，根据第一子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第一需求量，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第二需求量；之后，根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量。
206.在本实施例的一些可选的实现方式中，根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量，包括：根据每个物品的第一需求量和对应的第一权重与每个物品的第二需求量和对应的第二权重之间的比值，确定每个物品的目标需求量。
207.在本实现方式中，可以先根据每个物品的第一需求量和对应的第一权重，得到对应的第一需求量；之后，根据每个物品的第二需求量和对应的第二权重，得到对应的第二需求量；之后，根据对应的第一需求量与对应的第二需求量之间的比值，确定每个物品的目标需求量。
208.继续参考图8，其示出了根据本技术的生成排序模型的方法的一个应用场景的示意图800。
209.下面参照图9对该应用场景进行描述，在该应用场景中，该生成排序模型的方法可以包括以下步骤：
210.步骤801，获取原始样本集；之后，将原始样本集进行筛选，得到样本集。
211.在本实施例中，对于某一用户，新颖物品为用户过去一段时间(即，预设时间段)之前未点击过相同类目的物品(即，第二类物品)。
212.需要说明的是，第二类物品(即，新颖物品)可以为预设时间段内首次被点击的物品。
213.在一个示例中，上述执行主体可以根据从类目维度和/或多时间维度，对原始样本集进行筛选，以得到步骤801中的样本集。
214.从类目维度角度，物品的多级别类目维度可以为物品在购物平台的二级、三级类目维度。不同类目维度的特征使模型学习用户当前点击与最近一段时间点击过的类目之间
的关系。
215.从时间维度角度，上述执行主体可以根据用户长期点击特征、短期点击特征、实时点击特征以训练模型。用户长期点击特征可以反映用户长期的行为习惯。
216.需要说明的是，用户浏览深度与预设时间段内曝光物品的类别数量有关。
217.在一个示例中，用户长期点击特征可以为60天的点击、短期点击特征可以为30天的点击。
218.在本实施例中，通过上述特征，可以有效地提升排序模型对用户感兴趣的新颖物品的预估能力。
219.步骤802，获取样本集，该样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品，该已点击物品还可以包括：类别不同的第一类物品和第二类物品，第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品。
220.在本实施例中，物品可以分为已点击物品和未点击物品，该已点击物品可以为预设时间段内被曝光且被点击的物品，该未点击物品可以为预设时间段内被曝光且未被点击的物品；该已点击物品还可以包括物品类别不同的第一类物品和第二类物品，该第一类物品可以为预设时间段之前已点击的物品(即，非新颖物品)，该第二类物品可以为预设时间段内首次点击的物品(即，新颖物品)。
221.在本实施例中，上述执行主体可以根据图9所示排序模型的架构训练得到排序模型，该排序模型可以用于表征用户对第二类物品、第一类物品的偏好。
222.步骤803，利用802中的样本集，训练得到排序模型。
223.在本实施例中，采用的模型结构为知识蒸馏结构，即将教师模型(即，预设的目标模型)的精准性通过知识蒸馏的手段有效地为排序模型带来信息增益。
224.需要说明的是，排序模型为物品推荐系统中的粗排模块，该主体模型可以为双塔模型(dssm)的变种应用。
225.在本实施例中，物品推荐系统中的粗排模块需要平衡排序模型的性能与效率，为了提高排序模型的效率，粗排模块将用户侧与物品侧进行分离，将用户侧网络(即，操作行为网络)对应的行为样本数据上传至服务器进行实时推理，以得到对应的预测结果；将物品侧网络(即，物品属性网络)对应的属性样本数据预先计算相应的输出向量，并存储在hbase表，在需要对物品侧网络对应的属性样本数据进行推理时，可以从hbase表中获取属性样本数据对应的预测结果。将用户侧和物品侧分离，可以极大地降低排序模型的整体延时。
226.在一个示例中，将用户侧网络改造为多任务模型结构(即，第一子网络和第二子网络)。将用户侧特征(即，第一子网络对应的行为样本数据)输入第一嵌入层，以得到第一子网络对应的行为样本数据的向量；之后，将第一子网络对应的行为样本数据的向量输入第一特征融合层(即，图9中的“concat”)，得到融合向量；之后，将融合向量输入专家网络experts(即，多个第一专家网络层)进行相关特征的交叉与学习，该experts网络可以用于对融合向量进行不同维度的兴趣提取，之后通过gate网络(即，第一门网络层，例如，gatea和gateb)的控制，经由不同权重将experts网络提取的特征输出至第一多层感知器层(该第一多层感知器层可以包括两个relu(128))。
[0227][0228]
其中，fi，i＝1，...，n为不同的专家experts网络，g(x)i为不同的门网络，且
[0229]
本实施例，在构建上层任务塔时采用了两层多层感知器(即，第一多层感知器层和第二多层感知器层，该第一多层感知器层包括图9中的relu(128)和relu(256)，该第二多层感知器层包括图9中的relu(128)和relu(256))，最终输出每个任务的用户侧向量，该用户侧向量可以表征用户对新颖物品的偏好。
[0230]
在一个示例中，将物品侧网络(即，物品属性网络)对应的属性样本数据输入到第二嵌入层，得到属性样本数据对应的向量，该向量分别输入到两个不同任务塔(即，第三多层感知器层和第四多层感知器层，该第三多层感知器层包括图9中的relu(128)和relu(256)，该第四多层感知器层包括图9中的relu(128)和relu(256))中，最终输出每个任务的物品侧向量，该物品侧向量可以用于表征物品的属性。
[0231]
需要说明的是，上述用户侧的两个任务塔可以为用户侧非新颖点击任务塔(即，第一子网络)与用户侧新颖点击任务塔(即，第一子网络)，物品侧的两个任务塔为物品侧非新颖点击任务塔(即，第三子网络)与物品侧新颖点击任务塔(即，第四子网络)。用户侧非新颖点击任务塔输出的向量与物品侧非新颖点击任务塔输出向量进行点乘得到第一类物品的需求量，该第一类需求量可以为排序模型对非新颖物品的需求程度，同理将用户侧新颖点击任务塔输出的向量与物品侧新颖点击任务塔输出向量进行点乘得到第二类物品的需求量。之后通过第一类需求量和对应的第一权重与第一类需求量和对应的第二权重之间的比值，最终由排序模型输出一个目标需求量，该目标需求量可以用于表征对第二类物品的需求程度。
[0232]
在一个示例中，还可以通过调节第一权重与第二权重的比例，以进一步调节粗排模块排序前2000中新颖物品的数量。需要说明的是，上述20000及时一个示例。
[0233]
在本实施例中，为了通过不同任务塔刻画用户对非新颖物品(即，第一类物品)与新颖物品(即，第二类物品)的偏好，对于同一条训练样本，在非新颖点击任务塔中，曝光未点击样本为负样本，非新颖点击样本和新颖点击样本为正样本。在新颖点击任务塔中，曝光未点击样本、非新颖点击样本为负样本，新颖点击样本为正样本。通过以上设置，新颖点击任务塔可以高效识别用户较感兴趣的新颖点击物品。
[0234]
在一个示例中，对于用户侧的非新颖点击任务塔中(即，第一子网络)，第一正样本包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据。
[0235]
对于物品侧的非新颖点击任务塔(即，第三子网络)，第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据。
[0236]
对于用户侧的新颖点击任务塔(即，第二子网络)，第二正样本包括第二类物品的行为样本数据，第二负样本包括未点击物品的行为样本数据和第一类物品的行为样本数据。
[0237]
对于物品层的新颖点击任务塔(即，第四子网络)，第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据。
[0238]
在本实施例中，排序模型对用户较感兴趣的新颖点击物品有着较高的精准判断能力。
[0239]
本实施例，在物品推荐系统中的粗排模块采用的是双塔结构，该结构可以极大的提高模型效率，降低整体推荐系统的延时；但，由于用户侧与物品侧分离，导致排序模型无法有效利用用户-物品交叉特征，同时用户侧特征与物品侧特征过晚在模型交互，这导致双塔结构的模型存在着性能上限。为了改善性能和有效利用用户-物品交叉特征，本实施例将教师模型采用双任务模型。其结构大体与排序模型的用户侧一致。区别在于排序模型用户侧的输入仅为用户侧稠密特征与稀疏特征。而教师模型的输入为用户侧、物品侧的密特征与稀疏特征，以及排序模型无法利用的交叉特征(即排序模型无法利用而教师模型可以有效利用的特征)。
[0240]
在本实施例中，采用logits蒸馏的方式对排序模型进行优化，即通过教师模型对同一样本的预测结果监督排序模型从中学会教师模型的泛化能力。
[0241]
在一个示例中，教师模型的非新颖点击任务塔(即，normal_ctr)通过logits蒸馏优化排序模型的非新颖点击任务塔；教师模型的新颖点击任务塔(即，noval_ctr)通过logits蒸馏优化排序模型的新颖点击任务塔。
[0242]
其中，每个任务塔的loss为：
[0243][0244]
其中，f(x；ws)为排序模型的输出，f(x，x
＊
；w
t
)为教师模型输出，y为样本的标注(正样本：1，负样本：0)，t为蒸馏温度超参，λ为蒸馏系数，x*为优势特征，因此排序模型的原损失函数为：
[0245]
ls(y，f(x；ws))
[0246]
教师模型损失函数为：
[0247]
l
t
(y，f(x，x
＊
；w
t
))
[0248]
蒸馏损失函数与排序模型实际损失函数分别为：
[0249][0250][0251]
本实施例，采用了教师模型与排序模型协同训练的方式，使得排序模型不仅可以学习教师模型的泛化能力，也进一步学习教师模型训练期间整体的变化。同时通过设置合理的蒸馏系数以及蒸馏温度，排序模型的性能将得到进一步提升。
[0252]
需要说明的是，温度和蒸馏系数可以根据排序模型的精度进行设定。其中，温度过低可以更多地从负样本学习知识，温度过高可以忽略负样本带来的噪音影响，系数越高排序模型更多地从教师模型学习泛化能力，但也会忽略真实样本影响，因此，可以根据精度选择合适的温度和蒸馏系数。
[0253]
步骤804，对排序模型进行评估。
[0254]
在本实施例中，对步骤804中训练得到的排序模型中的学生模型进行评估，评估每一个存储点模型的离线性能。
[0255]
具体地，先根据经验或随机设定上述的非新颖点击权重(即，第一权重)与新颖点击权重(即，第二权重)，以得到多个存储点模型；之后，针对该多个存储点模型，遍历所有非新颖点击权重与新颖点击权重，对多个存储点模型进行离线评估，从多个存储点模型中选取最优模型。其中，非新颖点击权重与新颖点击权重之和为1。
[0256]
需要说明的是，在对排序模型评估过程中，可以在上述根据经验设定第一权重和第二权重的时候，就遍历所有的第一权重和第二权重，直至确定最优模型。
[0257]
在一个示例中，利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重。
[0258]
在本实施例中，可以通过两次评估，选取最优的排序模型。
[0259]
步骤805，将上述最优模型的第一权重和第二权重，作为训练后的排序模型的第一权重和第二权重。
[0260]
在本实施例中，通过步骤805中的训练后的排序模型为用户提供个性化新颖物品，可以提升物品推荐系统的多样性，具体地：
[0261]
(1)构建了新颖物品的双任务模型(即，第一子网络和第二子网络)，用于刻画用户对新颖物品、非新颖物品的不同偏好程度。双任务模型可以分辨物品是否新颖且用户是否喜欢点击等。
[0262]
(2)物品推荐系统中的粗排模块(即，上述训练后的排序模型)可以从候选物品中筛选出用户感兴趣的新颖物品提供给精排，为后续推荐系统的新颖物品推荐扩大了候选池，提升了上限。
[0263]
(3)利用物品的属性样本数据和物品的行为样本数据组成的样本，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品，训练排序模型，可以提升排序模型识别新颖物品的精度。
[0264]
进一步参考图10，作为对上述各图所示方法的实现，本技术公开了生成排序模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0265]
如图10所示，本技术的实施例提供了一种生成排序模型的装置1000，该装置1000包括：样本获取模块1001和模型训练模块1002。其中，样本获取模块1001，被配置成获取样本集，其中，样本集中的样本包括物品的属性样本数据和物品的行为样本数据，物品包括已点击物品和未点击物品，已点击物品为预设时间段内被曝光且被点击的物品，未点击物品为预设时间段内被曝光且未被点击的物品；模型训练模块1002，被配置成利用样本集对机器学习模型进行训练，得到排序模型。
[0266]
在本实施例中，生成排序模型的装置1000中，样本获取模块1001和模型训练模块1002的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201～步骤202。
[0267]
在一些实施例中，模型训练模块1002，包括：第一得到单元，被配置成将样本集输
入到预设的目标模型中，得到预设的目标模型对应的第一预测结果；以及第二得到单元，被配置成将样本集输入到排序模型中，得到排序模型对应的第二预测结果；以及模型训练单元，被配置成利用第一预测结果、样本的标签，以及第二预测结果，迭代调整排序模型的参数，得到训练后的排序模型。
[0268]
在一些实施例中，排序模型包括操作行为网络和物品属性网络；第二得到单元，包括：第一得到子单元，被配置成将行为样本数据输入到操作行为网络中，得到操作行为网络对应的预测结果；以及第二得到子单元，被配置成将属性样本数据输入到物品属性网络中，得到物品属性网络对应的预测结果；第一确定子单元，被配置成根据操作行为网络对应的预测结果和物品属性网络对应的预测结果，确定第二预测结果。
[0269]
在一些实施例中，操作行为网络包括第一子网络和第二子网络，已点击物品包括：类别不同的第一类物品和第二类物品，第一类物品为预设时间段之前已点击的物品，第二类物品为预设时间段内首次点击的物品；第一得到子单元，进一步被配置成：将第一正样本和第一负样本输入到第一子网络中，得到第一子网络对应的预测结果，其中，第一正样本包括第一类物品的行为样本数据和第二类物品的行为样本数据，第一负样本包括未点击物品的行为样本数据；以及将第二正样本和第二负样本输入到第二子网络中，得到第二子网络对应的预测结果，其中，第二正样本包括第二类物品的行为样本数据，第二负样本包括未点击物品的行为样本数据和第一类物品的行为样本数据；将第一子网络对应的预测结果和第二子网络对应的预测结果作为操作行为网络对应的预测结果。
[0270]
在一些实施例中，第一子网络和第二子网络共享第一输入层，第一子网络还包括与第一输入层的输出端连接的第一多层感知器层，第二子网络还包括与第一输入层的输出端连接的第二多层感知器层。
[0271]
在一些实施例中，第一输入层包括：第一嵌入层、第一特征融合层、多个第一专家网络层和第一门网络层，第一门网络层用于控制多个第一专家网络层中的至少一个第一专家网络层的输入端与第一特征融合层的输出端接通，第一特征融合层的输入端与第一嵌入层的输出端连接。
[0272]
在一些实施例中，物品属性网络包括第三子网络和第四子网络；第二得到子单元，进一步被配置成：将第三正样本和第三负样本输入到第三子网络中，得到第三子网络对应的预测结果，其中，第三正样本包括第一类物品的属性样本数据和第二类物品的属性样本数据，第三负样本包括未点击物品的属性样本数据；以及将第四正样本和第四负样本输入到第四子网络中，得到第四子网络对应的预测结果，其中，第四正样本包括第二类物品的属性样本数据，第四负样本包括未点击物品的属性样本数据和第一类物品的属性样本数据；将第三子网络对应的预测结果和第四子网络对应的预测结果作为物品属性网络对应的预测结果。
[0273]
在一些实施例中，第三子网络和第四子网络共享第二输入层，第三子网络还包括与第二输出层的输出端连接的第三多层感知器层，第四子网络还包括与第二输出层的输出端连接的第四多层感知器层。
[0274]
在一些实施例中，第二输入层包括第二嵌入层和第二特征融合层，第二特征融合层的输入端与第二嵌入层的输出端连接。
[0275]
在一些实施例中，预设的目标模型包括第五子网络和第六子网络；第一得到单元，
进一步被配置成：将样本集分别输入到第五子网络和第六子网络中，得到第五子网络对应的预测结果，以及第六子网络对应的预测结果；将第五子网络对应的预测结果和第六子网络对应的预测结果，作为预设的目标模型对应的第一预测结果。
[0276]
在一些实施例中，第五子网络包括依次连接的第三嵌入层、特征提取网络层和第五多层感知器层，第六子网络包括依次连接的第四嵌入层、特征提取网络层和第六多层感知器层。
[0277]
在一些实施例中，特征提取网络层包括：多个第二专家网络层和第二门网络层，第二门网络层用于控制多个第二专家网络层中的至少一个第二专家网络层的输入端与第三嵌入层的输出端和第四嵌入层的输出端接通。
[0278]
在一些实施例中，第二训练单元，进一步被配置成：根据第一预测结果、样本的标签，以及第二预测结果，确定损失函数；利用损失函数，迭代调整排序模型的参数，得到训练后的排序模型。
[0279]
在一些实施例中，排序模型的参数包括第一权重和第二权重；该装置还包括：权重更新模块，被配置成利用第二类物品的需求量和预设的需求量阈值，更新训练后的排序模型的权重。
[0280]
在一些实施例中，该装置还包括：第一需求量确定模块，被配置成根据第一子网络的预测结果和第三子网络的预测结果的点乘，确定第一类物品的需求量；以及第二需求量确定模块，被配置成根据第二子网络的预测结果和第四子网络的预测结果的点乘，确定第二类物品的需求量；第三需求量确定模块，被配置成根据第一类物品的需求量和对应的第一权重与第二类物品的需求量和对应的第二权重之间的比值，确定第二类物品的需求量；权重更新模块，进一步被配置成：响应于第二类物品的需求量不满足预设的需求量阈值，更新训练后的排序模型的第一权重和/或第二权重，直至更新后的第二类物品的需求量满足预设的需求量阈值。
[0281]
进一步参考图11，作为对上述各图所示方法的实现，本技术公开了物品排序装置的一个实施例，该装置实施例与图7所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0282]
如图11所示，本技术的实施例提供了一种物品排序装置1100，该装置1100包括：数据获取模块1101、结果得到模块1102和物品排序模块1103。其中，上述数据获取模块1101，被配置成获取多个物品的属性数据和多个物品的行为数据；结果得到模块1102，被配置成将每个物品的属性数据和每个物品的行为数据分别输入到预先训练的排序模型中，得到每个物品对应的预测结果，其中，每个物品对应的预测结果包括每个物品的目标需求量；物品排序模块1103，被配置成根据每个物品的目标需求量，对多个物品进行排序，得到排序结果。
[0283]
在本实施例中，物品排序装置1100中，数据获取模块1101、结果得到模块1102和物品排序模块1103的具体处理及其所带来的技术效果可分别参考图7对应实施例中的步骤701～步骤703。
[0284]
在一些实施例中，每个物品对应的预测结果还包括每个物品的点击标签，其中，点击标签用于表征每个物品是否为预设时间点之前被曝光且未被点击的物品；以及结果得到模块1102，包括：第一得到模块，被配置成将每个物品的行为数据输入到排序模型中操作行
为网络包括的第一子网络和第二子网络中，得到第一子网络对应的预测结果，以及第二子网络对应的预测结果；以及第二得到模块，被配置成将每个物品的属性数据输入到排序模型中物品属性网络包括的第三子网络和第四子网络中，得到第三子网络对应的预测结果，以及第四子网络对应的预测结果；需求量确定模块，被配置成根据第一子网络对应的预测结果和第三子网络对应的预测结果，以及根据第二子网络对应的预测结果和第三子网络对应的预测结果，确定每个物品的目标需求量。
[0285]
在一些实施例中，需求量确定模块，包括：第一确定单元，被配置成根据第一子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第一需求量；以及第二确定单元，被配置成根据第二子网络对应的预测结果和第三子网络对应的预测结果的点乘，确定每个物品的第二需求量；第三确定单元，被配置成根据每个物品的第一需求量和每个物品的第二需求量的比值，确定每个物品的目标需求量。
[0286]
在一些实施例中，第三确定单元，进一步被配置成：根据每个物品的第一需求量和对应的第一权重与每个物品的第二需求量和对应的第二权重之间的比值，确定每个物品的目标需求量。
[0287]
如图12所示，是根据本技术实施例的生成排序模型的方法或物品排序方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
[0288]
如图12所示，该电子设备包括：一个或多个处理器1201、存储器1202，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图12中以一个处理器1201为例。
[0289]
存储器1202即为本技术所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本技术所提供的生成排序模型的方法或物品排序方法。本技术的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本技术所提供的生成排序模型的方法或物品排序方法。
[0290]
存储器1202作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本技术实施例中的生成排序模型的方法或物品排序方法对应的程序指令/模块(例如，附图10所示的样本获取模块1001和模型训练模块1002；或图11所示的数据获取模块1101、结果得到模块1102和物品排序模块1103)。处理器1201通过运行存储在存储器1202中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的生成排序模型的方法或物品排序方法。
[0291]
存储器1202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系
统、至少一个功能所需要的应用程序；存储数据区可存储根据基于区块链的信息处理电子设备的使用所创建的数据等。此外，存储器1202可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1202可选包括相对于处理器1201远程设置的存储器，这些远程存储器可以通过网络连接至基于区块链的信息处理电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0292]
生成排序模型的方法或物品排序方法的电子设备还可以包括：输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接，图12中以通过总线连接为例。
[0293]
输入装置1203可接收输入的数字或字符信息，以及产生与基于区块链的信息处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1204可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
[0294]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0295]
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0296]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0297]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部
件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0298]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0299]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本技术中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0300]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。