群组搜索方法、装置、电子设备及介质与流程

1.本公开涉及数据处理技术领域，尤其涉及人工智能、智能搜索等领域，具体涉及一种群组搜索方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.对于大型企业或者组织的内部通讯工具来说，企业或组织内部的员工由于工作、生产、研发等需求，时常需要在内部通讯工具创建用于沟通的群组。同一个员工往往拥有很多具有类似描述的工作群组。目前在查询所需的群组时，常常利用关键词检索获得相关群组。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种群组搜索方法及其装置、模型训练方法及其装置、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种群组搜索方法，包括：基于用户的搜索关键词，确定多个目标群组；获取多个目标群组中每个目标群组的第一特征以及用户的用户画像特征，其中，第一特征至少包括文本类特征，文本类特征至少包括相应的目标群组的至少一个群组关键词；对多个目标群组中的每个目标群组，基于该目标群组的第一特征以及用户画像特征进行预测，以获取该目标群组的点击概率；以及基于多个目标群组中每个目标群组的点击概率，按序显示多个目标群组。
7.根据本公开的另一方面，提供了一种模型训练方法，其中，模型包括编码网络、特征交互网络、深度网络、多头自注意力网络以及预测网络，方法包括：获取样本数据集，其中，样本数据集中的每个样本数据包括样本群组以及该样本群组相应的特征数据和该样本群组相应的样本标签，特征数据至少包括该样本群组的至少一个群组关键词、群组画像特征、数值类特征、该样本群组在历史展现时对应的搜索关键词以及输入该搜索关键词的用户的画像特征，数值类特征至少包括与该样本群组相关的操作的统计数据，样本标签指示该样本群组在历史展现时是否被用户点击；对样本数据集中的每个样本数据，执行下述操作：基于编码网络，对该样本群组的至少一个群组关键词、搜索关键词、数值类特征以及输入该搜索关键词的用户的画像特征进行编码，以获取第一特征编码；基于特征交互网络，对
该用户的画像特征、该样本群组的群组画像特征以及第一特征编码进行特征交互，以获取第一特征向量；基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向量；基于多头自注意力网络，对该用户的画像特征以及第一特征编码进行关联特征提取，以获取第三特征向量；基于第一特征向量、第二特征向量以及第三特征向量，通过预测网络，获取该样本群组的点击概率；以及基于该样本群组对应的样本标签以及点击概率，调整模型的参数。
8.根据本公开的另一方面，提供了一种群组搜索装置，包括：第一确定单元，被配置为基于用户的搜索关键词，确定多个目标群组；第一获取单元，被配置为获取多个目标群组中每个目标群组的第一特征以及用户的用户画像特征，其中，第一特征至少包括文本类特征，文本类特征至少包括相应的目标群组的至少一个群组关键词；预测单元，被配置为对多个目标群组中的每个目标群组，基于该目标群组的第一特征以及用户画像特征进行预测，以获取该目标群组的点击概率；以及显示单元，被配置为基于多个目标群组中每个目标群组的点击概率，按序显示多个目标群组。
9.根据本公开的另一方面，提供了一种模型训练装置，其中，模型包括编码网络、特征交互网络、深度网络、多头自注意力网络以及预测网络，装置包括：第二获取单元，被配置为获取样本数据集，其中，样本数据集中的每个样本数据包括样本群组以及该样本群组相应的特征数据和该样本群组相应的样本标签，特征数据至少包括该样本群组的至少一个群组关键词、群组画像特征、数值类特征、该样本群组在历史展现时对应的搜索关键词以及输入该搜索关键词的用户的画像特征，数值类特征至少包括与该样本群组相关的操作的统计数据，样本标签指示该样本群组在历史展现时是否被用户点击；执行单元，被配置为对样本数据集中的每个样本数据，执行下述操作：编码子单元，被配置为基于编码网络，对该样本群组的至少一个群组关键词、搜索关键词、数值类特征以及输入该搜索关键词的用户的画像特征进行编码，以获取第一特征编码；第一获取子单元，被配置为基于特征交互网络，对该用户的画像特征、该样本群组的群组画像特征以及第一特征编码进行特征交互，以获取第一特征向量；第二获取子单元，被配置为基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向量；第三获取子单元，被配置为基于多头自注意力网络，对该用户的画像特征以及第一特征编码进行关联特征提取，以获取第三特征向量；第四获取子单元，被配置为基于第一特征向量、第二特征向量以及第三特征向量，通过预测网络，获取该样本群组的点击概率；以及调整子单元，被配置为基于该样本群组对应的样本标签以及点击概率，调整模型的参数。
10.根据本公开的另一方面，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上述群组搜索方法或模型训练方法。
11.根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述群组搜索方法或模型训练方法。
12.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述群组搜索方法或模型训练方法。
13.根据本公开的一个或多个实施例，能够提升群组搜索结果的排序准确度，使排序
结果更加符合用户预期。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
16.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
17.图2示出了根据本公开的实施例的群组搜索方法的流程图；
18.图3示出了根据本公开的实施例的获取至少一个群组关键词的流程图；
19.图4示出了根据本公开的实施例的基于该目标群组的第一特征以及用户画像特征进行预测，获取该目标群组的点击概率的流程图；
20.图5示出了根据本公开的实施例的基于多个分词，确定多个分词中的每个分词的词汇重要性的流程图；
21.图6示出了根据本公开的实施例的群组排序模型的结构示意图；
22.图7示出了根据本公开的示例性实施例的深度网络的结构示意图；
23.图8示出了根据本公开的另一个示例性实施例的深度网络的结构示意图；
24.图9示出了根据本公开的实施例的模型训练方法的流程图；
25.图10示出了根据本公开的实施例的群组搜索装置的结构框图；
26.图11示出了根据本公开的实施例的模型训练装置的结构框图；
27.图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
28.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
29.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
30.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
31.下面将结合附图详细描述本公开的实施例。
32.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的
示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
33.在本公开的实施例中，服务器120可以运行使得能够执行上述群组搜索方法的一个或多个服务或软件应用。
34.在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
35.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
36.用户可以使用客户端设备101、102、103、104、105和/或106来进行群组搜索。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
37.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
38.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、区块链网络、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
39.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或
者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
40.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
41.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
42.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
43.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
44.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
45.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
46.根据一些实施例，如图2所示，提供了一种群组搜索方法，包括：步骤s201、基于用户的搜索关键词，确定多个目标群组；步骤s202、获取多个目标群组中每个目标群组的第一特征以及用户的用户画像特征，其中，第一特征至少包括文本类特征，文本类特征至少包括相应的目标群组的至少一个群组关键词；步骤s203、对多个目标群组中的每个目标群组，基于该目标群组的第一特征以及用户画像特征进行预测，以获取该目标群组的点击概率；以及步骤s204、基于多个目标群组中每个目标群组的点击概率，按序显示多个目标群组。
47.由此，通过对每个目标群组对应的至少一个群组关键词的挖掘，并将该信息引入到群组搜索结果排序中，能够将用户对于每个群组的倾向于搜索的关键词作为其中一个用来进行群组点击概率预测的特征信息，从而进一步提升排序准确度，使排序结果更加符合用户预期。
48.可选的，本公开实施例适用的场景包括但不限于在各类通讯工具中查询所需的群
组。群组可理解为在通讯工具中创建的包括一定数量比如3个、10个等的成员的通讯群组。
49.在一些实施例中，上述搜索关键词可以是用户在通讯工具中输入的。
50.在一些实施例中，上述多个目标群组可以是基于用户输入的搜索关键词召回的群组，即是与用户输入的搜索关键词关联的群组。比如，若某群组内的文本信息包括该搜索关键词，则可以将该群组确定为目标群组。在一些实施例中，也可以通过通讯工具中内置的搜索引擎，基于用户输入的搜索关键词对多个目标群组进行召回。本实施例不对确定目标群组的方式进行限定。
51.在一些实施例中，可以获取正在进行群组搜索的用户的画像特征。用户画像特征可以为一个高维稀疏的特征向量。在一些示例性实施例中，用户画像特征例如可以包括用户的性别、用户的岗位信息、用户的历史搜索关键词等。
52.在一些实施例中，也可以获取各个目标群组的第一特征，其中可以包括文本类特征。各个目标群组的第一特征可以通过对历史群组搜索日志进行挖掘获得。
53.在一些实施例中，文本类特征可以包括各个目标群组对应的至少一个群组关键词，群组关键词可以是，当用户用于搜索该群组并最终选择该群组所常用的搜索关键词。
54.根据一些实施例，如图3所示，至少一个群组关键词通过下述操作获得：步骤s301、获取预设时间范围内的历史搜索日志，历史搜索日志包括多个历史搜索关键词以及多个历史搜索关键词中的每个历史搜索关键词对应的用户点击群组；对于历史搜索日志中的每个用户点击群组，执行下述操作：步骤s302、获取该用户点击群组对应的第一文档，第一文档中包括历史搜索日志中的与该用户点击群组对应的至少一个历史搜索关键词；步骤s303、对至少一个历史搜索关键词进行分词处理，以获取多个分词；步骤s304、基于多个分词，确定多个分词中的每个分词的词汇重要性；以及步骤s305、基于多个分词中的每个分词的词汇重要性，确定该用户点击群组的至少一个群组关键词。
55.由此，基于历史搜索日志，通过获取到每个群组对应的用户用于搜索该群组的关键词，并进行分词处理和重要程度统计，能够获取每个群组对应的用户倾向使用的搜索关键词。
56.在一些实施例中，预设时间范围例如可以为最近半年或一年，在此不做限制。
57.在一些实施例中，可以通过对每天的每个用户或每个群组的群组搜索日志进行储存，从而获取预设时间范围的历史搜索日志。该历史搜索日志中记录有上述预设时间范围内用户输入的每个历史搜索关键词以及与每个历史搜索关键词对应的用户最终所点击的群组。
58.在一些实施例中，可以基于用户点击群组与历史搜索关键词之间的对应关系，分别生成各个用户点击群组对应的第一文档，其中，每个第一文档中均包含历史搜索日志中，该用户点击群组对应的每一次搜索时应用的搜索关键词。
59.在一些实施例中，可以首先对第一文档中的每个搜索关键词通过分词工具进行分词，从而获取多个分词。
60.在一些实施例中，可以对多个分词中的每个分词在该第一文档中出现的次数进行统计，进而可以基于每个分词在该第一文档中出现的次数表示该分词在该第一文档中的词汇重要性(例如出现次数越多，该分词越重要)，并选择词汇重要性排序在先的预设数量的分词，将其确定为该群组对应的群组关键词。
61.根据一些实施例，如图4所示，基于多个分词，确定多个分词中的每个分词的词汇重要性包括：步骤s401、基于历史搜索日志，获取与历史搜索日志中涉及的多个用户点击群组相应的多个第一文档，多个第一文档包括第一目标文档；以及对第一目标文档包括的多个分词中的每个分词，执行下述操作：步骤s402、基于多个分词，确定该分词在第一目标文档中的词频；步骤s403、基于多个第一文档的数量以及包括该分词的第一文档的数量，确定该分词的逆文档频率；以及步骤s404、基于该分词的词频和逆文档频率，确定该分词的词汇重要性。
62.在一些实施例中，可以通过计算该第一目标文档中的每个分词的tf-idf(term frequency
–
inverse document frequency，词频-逆文档频率)值，进行词汇重要性的评估。
63.在一些示例性实施例中，可以首先获取上述历史搜索日志中包含的全部第一文档，并可以对第一目标文档中的每个分词的tf-idf值进行计算。
64.在一些实施例中，首先可以通过下述公式计算第一目标文档中的某一分词的词频tf：
[0065][0066]
其中，n
ij
表示第j个第一目标文档中的分词ti出现的次数，∑kn
kj
表示该文档中所有分词的总数。
[0067]
随后，可以通过下述公式计算相应分词的逆文档频率idf，其中，逆文档频率(inverse document frequency，idf)又称反文档频率，是文档频率的倒数，可以反映分词在多个第一文档中的普遍重要性：
[0068][0069]
其中，|d|表示所有第一文档的总数，|j∶ti∈dj|表示所有第一文档中出现分词ti的第一文档的数量，其中，i、j均为正整数。
[0070]
则上述分词的tf-idf值则可以通过下述公式计算：
[0071]
tf-idf＝tf
×
idf
[0072]
由此，通过计算每个分词的tf-idf来表示每个分词的重要程度，进一步对每个分词的普遍重要性进行度量，能够更加准确的确定每个群组对应的用户倾向使用的搜索关键词。
[0073]
根据一些实施例，第一特征还包括相应的目标群组的群组画像特征以及数值类特征，数值类特征至少包括与该目标群组相关的操作的统计数据，文本类特征还包括搜索关键词，点击概率基于群组排序模型获得，并且其中，如图5所示，基于该目标群组的第一特征以及用户画像特征进行预测，以获取该目标群组的点击概率包括：步骤s501、对用户画像特征以及该目标群组的文本类特征和数值类特征进行编码，以获取第一特征编码；步骤s502、对用户画像特征、该目标群组的群组画像特征以及第一特征编码进行特征交互，以获取第一特征向量；步骤s503、对第一特征编码进行高维特征交互，以获取第二特征向量；步骤s504、对用户画像特征以及第一特征编码进行关联特征提取，以获取第三特征向量；以及步骤s505、基于第一特征向量、第二特征向量以及第三特征向量，获取该目标群组的点击概
率。
[0074]
在一些实施例中，文本类特征还可以包括当前用户输入的搜索关键词。在一些实施例中，文本类特征还可以包括目标群组的群组名称、群组命中成员名称等，在此不做限制。
[0075]
在一些实施例中，群组画像特征可以包括：群组内成员的分类标签、群组成员数量、群组内每类成员的数量、群组内每类成员对应的预设关键词、群组内每类成员输入的查询信息等。在一些实施例中，群组画像特征也可以通过聚合群组中的每个成员的用户画像特征来获取。
[0076]
在一些实施例中，数值类特征可以包括：群组上次有人发言的时间信息；预设时间段内群组内发言次数；群组创建时间信息；搜索关键词与群组名称之间的词面相关性得分；群组成员数量；群组内与搜索请求的发起帐号同部门在群组总人数中所占的比重；搜索关键词命中群组名称长度在群组名称总长度中所占的比重；搜索关键词命中群组内成员个数在群组成员总个数中所占的比重等。
[0077]
图6示出了根据本公开的实施例的群组排序模型的结构示意图。
[0078]
根据一些示例性实施例，如图6所示，群组排序模型可以包括编码网络601、特征交互网络602、多头自注意力网络603、深度网络604以及预测网络605。
[0079]
在一些实施例中，编码网络601例如可以为一个嵌入层(embedding layer)。
[0080]
在一些实施例中，首先可以对文本类特征进行文本编码，并将进行编码过后的文本类特征与数值类特征、用户画像特征同时输入到编码网络601中，从而获得第一特征编码。其中，第一特征编码可以为预设维度的特征向量，由此，通过编码网络对上述特征进行特征编码，从而将其中的稀疏数据处理为维度特定的稠密数据，以便于后续进行特征交互。
[0081]
在一些实施例中，特征交互网络602例如可以为一个fm网络。在一些实施例中，特征交互网络602也可以为其他线性模型，在此不作限制。由此，能够通过该特征交互网络，对用户画像特征、该目标群组的群组画像特征以及第一特征编码进行线性特征交互，从而获取第一特征向量。
[0082]
在一些实施例中，可以通过多头自注意力网络603对用户画像特征以及第一特征编码，基于多头自注意力机制，进行各个特征之间的关联特征的提取，从而获取第三特征向量。
[0083]
在一些实施例中，深度网络604可以为多层感知网络(multilayer perceptron，mlp)或dnn网络。在一些实施例中，深度网络604也可以为其他非线性网络，在此不做限制。
[0084]
在一些实施例中，通过深度网络604可以对第一特征编码中所包含的各个特征信息进行高维特征交互，从而获得高维交互特征，也即第二特征向量。
[0085]
在一些实施例中，用于输入多头自注意力网络或特征交互网络中的用户画像特征以及群组画像特征，在输入到相应的网络之前，也可以通过池化(pooling)操作，从而将每个特征进行整合，减少特征维度，以便后续进行特征交互。在一些实施例中，可以将上述特征通过池化操作处理为与第一特征编码的维度相同的特征向量。
[0086]
在一些实施例中，可以对上述第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接后的向量输入到预测网络605中，从而获得预测网络605输出的该目标群组的点击概率。
[0087]
在一些实施例中，预测网络605例如可以为sigmoid层，用于将输入向量映射到[0,1]的数值范围中。
[0088]
在一些实施例中，通过上述方法可以分别获取上述多个目标群组的每个目标群组的点击概率，从而即可根据点击概率对上述多个目标群组进行重新排序，并将重新排序后的多个目标群组展示给用户。
[0089]
根据一些实施例，对第一特征编码进行高维特征交互，以获取第二特征向量包括：对第一特征编码进行低维特征交互，以获取第一中间特征；以及对第一中间特征进行高维特征交互，以获取第二特征向量。
[0090]
图7示出了根据本公开的示例性实施例的深度网络的结构示意图。
[0091]
在一些实施例中，如图7所示，上述深度网络可以包括第一特征交互子网络701和第一子深度网络702。
[0092]
在一些实施例中，第一特征交互子网络701例如可以为dcn-v2中的特征交互网络(cross network)。在一些实施例中，第一特征交互子网络701也可以为其他多层残差网络，在此不做限制。
[0093]
在一些实施例中，第一子深度网络702可以为多层感知网络(multilayer perceptron，mlp)或dnn网络。在一些实施例中，第一子深度网络702也可以为其他非线性网络，在此不做限制。
[0094]
在一些实施例中，可以基于第一特征交互子网络701，对第一特征编码进行低维特征交互，以获取第一中间特征；并且，可以基于第一子深度网络702，对第一中间特征进行高维特征交互，以获取第二特征向量。
[0095]
由此，在深度网络的基础上，增加残差连接的特征交叉子网络，从而使该深度网络在提取高维交叉特征时，能够同时提取低维交叉特征，从而进一步丰富用于进行预测分析的特征信息，提升群组排序模型的预测准确度。
[0096]
根据一些实施例，对第一特征编码进行高维特征交互，以获取第二特征向量包括：对第一特征编码进行低维特征交互，以获取第二中间特征；对第一特征编码进行高维特征交互，以获取第三中间特征；以及根据第二中间特征和第三中间特征，获取第二特征向量。
[0097]
图8示出了根据本公开的另一个示例性实施例的深度网络的结构示意图。
[0098]
在一些实施例中，如图8所示，上述深度网络可以包括第二特征交互子网络801、第二子深度网络802以及第三子深度网络803。
[0099]
在一些实施例中，第二特征交互子网络801例如可以为dcn-v2中的特征交互网络(cross network)。在一些实施例中，第二特征交互子网络801也可以为其他多层残差网络，在此不做限制。
[0100]
在一些实施例中，第二子深度网络802可以为多层感知网络(multilayer perceptron，mlp)或dnn网络。在一些实施例中，第二子深度网络802也可以为其他非线性网络，在此不做限制。
[0101]
在一些实施例中，第三子深度网络803例如可以为一层或多层的感知网络或深度网络。
[0102]
在一些实施例中，可以基于第二特征交互子网络801，对第一特征编码进行低维特征交互，以获取第二中间特征；同时，可以基于第二子深度网络802，对第一特征编码进行高
维特征交互，以获取第三中间特征；随后，可以将第二中间特征和第三中间特征输入第三子深度网络803中，从而获取第三子深度网络803输出的第二特征向量。
[0103]
由此，在深度网络的基础上，增加残差连接的特征交叉子网络，从而使该深度网络在提取高维交叉特征时，能够同时提取低维交叉特征，从而进一步丰富用于进行预测分析的特征信息，提升群组排序模型的预测准确度。
[0104]
根据一些实施例，如图9所示，提供了一种模型训练方法，其中，模型包括编码网络、特征交互网络、深度网络、多头自注意力网络以及预测网络，方法包括：步骤s901、获取样本数据集，其中，样本数据集中的每个样本数据包括样本群组以及该样本群组相应的特征数据和该样本群组相应的样本标签，特征数据至少包括该样本群组的至少一个群组关键词、群组画像特征、数值类特征、该样本群组在历史展现时对应的搜索关键词以及输入该搜索关键词的用户的画像特征，数值类特征至少包括与该样本群组相关的操作的统计数据，样本标签指示该样本群组在历史展现时是否被用户点击；对样本数据集中的每个样本数据，执行下述操作：步骤s902、基于编码网络，对该样本群组的至少一个群组关键词、搜索关键词、数值类特征以及输入该搜索关键词的用户的画像特征进行编码，以获取第一特征编码；步骤s903、基于特征交互网络，对该用户的画像特征、该样本群组的群组画像特征以及第一特征编码进行特征交互，以获取第一特征向量；步骤s904、基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向量；步骤s905、基于多头自注意力网络，对该用户的画像特征以及第一特征编码进行关联特征提取，以获取第三特征向量；步骤s906、基于第一特征向量、第二特征向量以及第三特征向量，通过预测网络，获取该样本群组的点击概率；以及步骤s907、基于该样本群组对应的样本标签以及点击概率，调整模型的参数。
[0105]
根据一些实施例，至少一个群组关键词通过下述操作获得：获取预设时间范围内的历史搜索日志，历史搜索日志包括多个历史搜索关键词以及多个历史搜索关键词中的每个历史搜索关键词对应的用户点击群组；对于历史搜索日志中的每个用户点击群组，执行以下操作：获取该用户点击群组对应的第一文档，第一文档中包括历史搜索日志中的与该用户点击群组对应的至少一个历史搜索关键词；对至少一个历史搜索关键词进行分词处理，以获取多个分词；基于多个分词，确定多个分词中的每个分词的词汇重要性；以及基于多个分词中的每个分词的词汇重要性，确定该用户点击群组的至少一个群组关键词。
[0106]
根据一些实施例，基于多个分词，确定多个分词中的每个分词的词汇重要性包括：基于历史搜索日志，获取与历史搜索日志中涉及的多个用户点击群组相应的多个第一文档，多个第一文档包括第一目标文档；以及对第一目标文档包括的多个分词中的每个分词，执行下述操作：基于多个分词，确定该分词在第一目标文档中的词频；基于多个第一文档的数量以及包括该分词的第一文档的数量，确定该分词的逆文档频率；以及基于该分词的词频和逆文档频率，确定该分词的词汇重要性。
[0107]
根据一些实施例，深度网络包括第一特征交互子网络和第一子深度网络，并且，基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向量包括：基于第一特征交互子网络，对第一特征编码进行低维特征交互，以获取第一中间特征；以及基于第一子深度网络，对第一中间特征进行高维特征交互，以获取第二特征向量。
[0108]
根据一些实施例，深度网络包括第二特征交互子网络、第二子深度网络以及第三子深度网络，并且，基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向
量包括：基于第二特征交互子网络，对第一特征编码进行低维特征交互，以获取第二中间特征；基于第二子深度网络，对第一特征编码进行高维特征交互，以获取第三中间特征；以及将第二中间特征和第三中间特征输入第三子深度网络，以获取第三子深度网络输出的第二特征向量。
[0109]
根据一些实施例，如图10所示，提供了一种群组搜索装置1000，包括：第一确定单元1010，被配置为基于用户的搜索关键词，确定多个目标群组；第一获取单元1020，被配置为获取多个目标群组中每个目标群组的第一特征以及用户的用户画像特征，其中，第一特征至少包括文本类特征，文本类特征至少包括相应的目标群组的至少一个群组关键词；预测单元1030，被配置为对多个目标群组中的每个目标群组，基于该目标群组的第一特征以及用户画像特征进行预测，以获取该目标群组的点击概率；以及显示单元1040，被配置为基于多个目标群组中每个目标群组的点击概率，按序显示多个目标群组。
[0110]
其中，群组搜索装置1000中的单元1010-单元1040的操作与上述群组搜索方法中的步骤s201-步骤s204的操作类似，在此不做赘述。
[0111]
根据一些实施例，如图11所示，提供了一种模型训练装置1100，其中，模型包括编码网络、特征交互网络、深度网络、多头自注意力网络以及预测网络，装置1100包括：第二获取单元1110，被配置为获取样本数据集，其中，样本数据集中的每个样本数据包括样本群组以及该样本群组相应的特征数据和该样本群组相应的样本标签，特征数据至少包括该样本群组的至少一个群组关键词、群组画像特征、数值类特征、该样本群组在历史展现时对应的搜索关键词以及输入该搜索关键词的用户的画像特征，数值类特征至少包括与该样本群组相关的操作的统计数据，样本标签指示该样本群组在历史展现时是否被用户点击；执行单元1120，被配置为对样本数据集中的每个样本数据，执行下述操作：编码子单元1121，被配置为基于编码网络，对该样本群组的至少一个群组关键词、搜索关键词、数值类特征以及输入该搜索关键词的用户的画像特征进行编码，以获取第一特征编码；第一获取子单元1122，被配置为基于特征交互网络，对该用户的画像特征、该样本群组的群组画像特征以及第一特征编码进行特征交互，以获取第一特征向量；第二获取子单元1123，被配置为基于深度网络，对第一特征编码进行高维特征交互，以获取第二特征向量；第三获取子单元1124，被配置为基于多头自注意力网络，对该用户的画像特征以及第一特征编码进行关联特征提取，以获取第三特征向量；第四获取子单元1125，被配置为基于第一特征向量、第二特征向量以及第三特征向量，通过预测网络，获取该样本群组的点击概率；以及调整子单元1126，被配置为基于该样本群组对应的样本标签以及点击概率，调整模型的参数。
[0112]
其中，模型训练装置1100中的单元1110-单元1120、子单元1121-子单元1126的操作与上述模型训练方法中的步骤s901-步骤s907的操作类似，在此不做赘述。
[0113]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0114]
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0115]
参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
[0116]
如图12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器(rom)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(ram)1203中的计算机程序，来执行各种适当的动作和处理。在ram 1203中，还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、rom 1202以及ram 1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。
[0117]
电子设备1200中的多个部件连接至i/o接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向电子设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0118]
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如上述群组搜索方法或模型训练方法。例如，在一些实施例中，上述群组搜索方法或模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由rom 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到ram 1203并由计算单元1201执行时，可以执行上文描述的上述群组搜索方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述群组搜索方法或模型训练方法。
[0119]
本文中以上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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、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。
[0120]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来
编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0121]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0122]
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。
[0123]
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。
[0124]
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0125]
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0126]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。