多目标排序结果确定方法以及装置与流程

1.本发明涉及多目标决策领域，具体而言，涉及一种多目标排序结果确定方法以及装置。


背景技术：

2.目前在移动互联网商业模式中，常常将多个经营主体的某些受用户重点特征，通过平台大数据处理，进行排序形成榜单等直观评价经营主体的信息，为潜在客户提供参考。由于涉及多个经营主体之间复杂的排序决策，相关技术中常常会采用多种不同算法进行组合，用以提升多目标排序的准确性，然而，算法模型之间的融合会大大提升算法结构的复杂度，导致了时间复杂度增加，消耗计算资源增大等问题。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种多目标排序结果确定方法以及装置，以至少解决相关技术中通过改变算法复杂度来提升算法排序准确性，造成的时间复杂度高且排序效率低的技术问题。
5.根据本发明实施例的一个方面，提供了一种多目标排序结果确定方法，包括：确定目标账户，多个备选对象，以及所述多个备选对象对应的影响目标，其中，所述多个备选对象属于同类应用场景，所述影响目标用于量化表征所述多个备选对象；获取所述目标账户对应的账户特征信息，以及所述多个备选对象分别对应的对象特征信息；基于所述对象特征信息，采用目标全连接神经网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第一特征向量；基于所述账户特征信息和所述对象特征信息，采用深度交叉网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第二特征向量；基于所述账户特征信息和所述对象特征信息，采用多目标学习算法进行处理，得到所述多个备选对象在所述影响目标中对应的第三特征向量；根据所述多个备选对象在所述影响目标中所述影响目标对应的所述第一特征向量，所述第二特征向量，以及所述第三特征向量，得到所述多个备选对象在所述影响目标中分别对应的目标排序结果。
6.可选地，所述获取所述目标账户对应的账户特征信息，以及所述多个备选对象分别对应的对象特征信息，包括：判断所述目标账户是否处于已登陆状态，以及判断所述目标账户是否授权允许获取所述账户特征信息；若所述目标账户处于所述已登陆状态，并且所述目标账户授权允许获取所述账户特征信息，则获取所述账户特征信息，以及所述对象特征信息。
7.可选地，若所述目标账户未处于所述已登陆状态，和/或所述目标账户未被授权获取所述账户特征信息，所述方法还包括：获取所述对象特征信息；在所述影响目标中，确定与所述多个备选对象关联的离线影响目标；基于所述对象特征信息，采用所述目标全连接神经网络算法进行处理，得到所述离线影响目标对应的离线排序结果。
8.可选地，在所述账户特征信息包括连续账户特征和离散账户特征，所述对象特征信息包括连续对象特征和离散对象特征，所述多目标学习算法为多门控混合专家算法，所述多门控混合专家算法中的专家层为预设的全连接神经网络的情况下，所述基于所述账户特征信息和所述对象特征信息，采用多目标学习算法进行处理，得到所述多个备选对象在所述影响目标中对应的第三特征向量，包括：基于所述连续账户特征，所述离散账户特征，所述连续对象特征，以及所述离散对象特征，采用所述多目标学习算法进行处理，得到所述多个备选对象在所述影响目标中对应的第三特征向量。
9.可选地，所述根据所述影响目标分别对应的所述第一特征向量和所述第二特征向量，以及所述第三特征向量，得到所述多个备选对象在所述影响目标中对应的目标排序结果，包括：对所述多个备选对象在所述影响目标中对应的所述第一特征向量，所述第二特征向量，以及所述第三特征向量进行拼接处理，得到所述多个备选对象在所述影响目标中对应的目标特征向量；基于所述目标特征向量，采用激活函数，得到所述多个备选对象在所述影响目标中对应的所述目标排序结果，其中，所述激活函数用于将所述目标特征向量映射到所述目标排序结果。
10.可选地，在所述账户特征信息包括离散账户特征，所述对象特征信息包括离散对象特征的情况下，所述基于所述账户特征信息和所述对象特征信息，采用深度交叉网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第二特征向量，包括：基于所述离散账户特征和所述离散对象特征，采用深度交叉网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第二特征向量。
11.可选地，确定所述目标全连接神经网络算法，包括：获取历史排序结果；基于所述历史排序结果，得到知识蒸馏算法中的教师网络；确定所述知识蒸馏算法中的学生网络为初始全连接神经网络算法；根据所述教师网络，对所述学生网络进行知识蒸馏处理，得到处理后的所述初始全连接神经网络算法，并将处理后的所述初始全连接神经网络算法作为所述目标全连接神经网络算法。
12.可选地，所述影响目标至少包括：所述多个备选对象对应的点击率，以及下单率。
13.根据本发明实施例的另一方面，提供了一种多目标排序结果确定装置，包括：第一确定模块，用于确定目标账户，多个备选对象，以及所述多个备选对象对应的影响目标，其中，所述多个备选对象属于同类应用场景，所述影响目标用于量化表征所述多个备选对象；第一获取模块，用于获取所述目标账户对应的账户特征信息，以及所述多个备选对象分别对应的对象特征信息；第一处理模块，用于基于所述对象特征信息，采用目标全连接神经网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第一特征向量；第二处理模块，用于基于所述账户特征信息和所述对象特征信息，采用深度交叉网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第二特征向量；第三处理模块，用于基于所述账户特征信息和所述对象特征信息，采用多目标学习算法进行处理，得到所述多个备选对象在所述影响目标中对应的第三特征向量；第一排序模块，用于根据所述影响目标对应的所述第一特征向量，所述第二特征向量，以及所述第三特征向量，得到所述多个备选对象在所述影响目标中分别对应的目标排序结果。
14.根据本发明实施例的另一方面，提供了一种非易失性存储介质，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行任意一项所述的多目标排序结
果确定方法。
15.在本发明实施例中，采用多种算法融合的方式，通过确定目标账户，多个备选对象，以及所述多个备选对象对应的影响目标，其中，所述多个备选对象属于同类应用场景，所述影响目标用于量化表征所述多个备选对象；获取所述目标账户对应的账户特征信息，以及所述多个备选对象分别对应的对象特征信息；基于所述对象特征信息，采用目标全连接神经网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第一特征向量；基于所述账户特征信息和所述对象特征信息，采用深度交叉网络算法进行处理，得到所述多个备选对象在所述影响目标中对应的第二特征向量；基于所述账户特征信息和所述对象特征信息，采用多目标学习算法进行处理，得到所述多个备选对象在所述影响目标中对应的第三特征向量；根据所述多个备选对象在所述影响目标中所述影响目标对应的所述第一特征向量，所述第二特征向量，以及所述第三特征向量，得到所述多个备选对象在所述影响目标中分别对应的目标排序结果。达到了获得多种算法各自的优势，用来提升多目标排序结果的准确性的目的，实现了提高多目标排序效率，降低算法复杂度，并且降低时间复杂度的技术效果，进而解决了相关技术中通过改变算法复杂度来提升算法排序准确性，造成的时间复杂度高且排序效率低的技术问题。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例提供的一种可选的多目标排序结果确定方法的流程图；
18.图2是根据本发明实施例提供的一种可选的多目标排序结果确定方法的示意图；
19.图3是根据本发明实施例提供的一种可选的多目标排序结果确定装置的示意图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明方案，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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
23.多目标学习算法，是一种推荐算法，通过学习不同目标的联系和差异，可以提高每个任务的学习效率和质量。
24.多门控混合专家算法(multi-gate mixture-of-experts，mmoe)，是多目标学习算法中的一种，用于引入门控机制，刻画目标的相关性，降低底层表示的差异，减少典型多目标学习算法中参数共享时相互冲突的可能性，进行降噪处理。
25.深度交叉网络算法(deep cross network，dcn)，是一种低维交叉和高维非线性特征的深度模型，用于各个交叉层之间的反复计算，使得算法用了高效的特征交叉的能力，提升了特征处理效果，减少了算法运算量。
26.全连接神经网络算法，是一种人工神经网络，主要由输入层，隐藏层，输出层组成，每个隐藏层中有多个神经元，具有多层感知器的网络。
27.知识蒸馏算法(knowledge distilling)，用于将一个网络的知识转移至另一个网络中，两个网络可以为同构或异构，通过训练教师网络，使用教师网络的输出去训练学生网络。用来达到将网络从大网络转化为小网络，并且保留大网络中性能的目的。
28.根据本发明实施例，提供了一种多目标排序结果确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.图1是根据本发明实施例的多目标排序结果确定方法，如图1所示，该方法包括如下步骤：
30.步骤s102，确定目标账户，多个备选对象，以及上述多个备选对象对应的影响目标，其中，上述多个备选对象属于同类应用场景，上述影响目标用于量化表征上述多个备选对象；
31.步骤s104，获取上述目标账户对应的账户特征信息，以及上述多个备选对象分别对应的对象特征信息；
32.步骤s106，基于上述对象特征信息，采用目标全连接神经网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第一特征向量；
33.步骤s108，基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量；
34.步骤s110，基于上述账户特征信息和上述对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量；
35.步骤s112，根据上述多个备选对象在上述影响目标中上述影响目标对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中分别对应的目标排序结果。
36.通过上述步骤，可以实现获得多种算法各自的优势，用来提升多目标排序结果的准确性的目的，实现了提高多目标排序效率，降低算法复杂度，并且降低时间复杂度的技术效果，进而解决了相关技术中通过改变算法复杂度来提升算法排序准确性，造成的时间复杂度高且排序效率低的技术问题。
37.在本发明实施例提供的多目标排序结果确定方法中，为了获得对多个备选对象的高效目标排序结果，首先，确定需要获得目标排序结果的目标账户，需要进行排序的多个备选对象，以及多个备选对象对应的影响目标。影响目标用于描述多个备选对象的，并且进行量化表征。之后，获取目标账户对应的账户特征信息，以及多个备选对象分别对应的对象特
征信息。基于对象特征信息，采用目标全连接神经网络算法进行处理得到多个备选对象在影响目标中对应的第一特征向量。基于账户特征信息和对象特征信息，采用深度交叉网络算法进行处理，得到多个备选对象在影响目标中对应的第二特征向量。基于账户特征信息和对象特征信息，采用多任务多目标学习算法进行处理，得到多个备选对象在影响目标中对应的第三特征向量。根据第一特征向量，第二特征向量，以及第三特征向量，得到多个备选对象在影响目标中分别对应的目标排序结果。
38.可选地，上述多个备选对象可以为多种，例如：多个备选对象属于同类应用场景，多个备选对象为经营同一类事物、活动的经营主体，可以为酒店，饭店，等等。
39.在一种可选的实施例中，上述获取上述目标账户对应的账户特征信息，以及上述多个备选对象分别对应的对象特征信息，包括：判断上述目标账户是否处于已登陆状态，以及判断上述目标账户是否授权允许获取上述账户特征信息；若上述目标账户处于上述已登陆状态，并且上述目标账户授权允许获取上述账户特征信息，则获取上述账户特征信息，以及上述对象特征信息。
40.可以理解，在对目标账户的账户特征信息进行获取前，需要确定目标账户的登陆状态和授权允许获取账户特征信息，才能得到账户特征信息。
41.在一种可选的实施例中，若上述目标账户未处于上述已登陆状态，和/或上述目标账户未被授权获取上述账户特征信息，上述方法还包括：获取上述对象特征信息；在上述影响目标中，确定与上述多个备选对象关联的离线影响目标；基于上述对象特征信息，采用上述目标全连接神经网络算法进行处理，得到上述离线影响目标对应的离线排序结果。
42.可以理解，在目标账户未处于已登录状态，目标账户未被授权获取账户特征信息中至少任意一种情况发生的情况下，无法对账户特征信息进行获取。需要获取对象特征信息，并在影响目标中确定仅与多个备选对象关联的离线影响目标，需要说明的是，仅与多个备选对象关联意为不需要账户特征信息即可获得离线排序结果。基于对象特征信息，采用目标全连接神经网络算法进行处理，得到离线影响目标对应的离线排序结果。
43.需要说明的是，上述无法账户特征信息情况具体为：目标账户未处于登陆状态但目标账户已授权获取账户特征信息；目标账户已处于登陆状态但未被授权获取账户特征信息；目标账户未处于登陆状态并未被授权获取账户特征信息。
44.在一种可选的实施例中，在上述账户特征信息包括连续账户特征和离散账户特征，上述对象特征信息包括连续对象特征和离散对象特征，上述多任务多目标学习算法为多门控混合专家算法，上述多门控混合专家算法中的专家层为预设的全连接神经网络的情况下，上述基于上述账户特征信息和上述对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量，包括：基于上述连续账户特征，上述离散账户特征，上述连续对象特征，以及上述离散对象特征，采用上述多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量。
45.可以理解，多目标学习算法具有处理全部输入的账户特征信息和对象特征信息的能力，即处理连续型数据以及离散型数据的能力，为了提升多目标学习算法的处理效率，选用多目标学习算法中的多门控混合专家算法，并且设置多门控混合专家算法中的专家层为全连接神经网络。基于连续账户特征，离散账户特征，连续对象特征，以及离散对象特征，采
用多任务多目标学习算法进行处理，得到多个备选对象在影响目标中对应的第三特征向量。
46.可选地，上述连续账户特征可以为多种，例如：目标账户对应的用户年龄信息，等等。
47.可选地，上述离散账户特征可以为多种，例如：备选对象的评级标准，具体如酒店星级，等等。
48.可选地，上述连续对象特征可以为多种，例如：备选对象(如酒店)的某时间段内的点击数，等等。
49.可选地，上述离散对象特征可以为多种，例如：目标账户对应的用户性别信息，等等。
50.在一种可选的实施例中，上述根据上述影响目标分别对应的上述第一特征向量和上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中对应的目标排序结果，包括：对上述多个备选对象在上述影响目标中对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量进行拼接处理，得到上述多个备选对象在上述影响目标中对应的目标特征向量；基于上述目标特征向量，采用激活函数，得到上述多个备选对象在上述影响目标中对应的上述目标排序结果，其中，上述激活函数用于将上述目标特征向量映射到上述目标排序结果。
51.可以理解，为了降低组合后算法的复杂度，并且保留各自算法的优势，在接近输出目标排序结果的地方进行多种算法的融合。首先，基于第一特征向量，第二特征向量，以及第三特征向量进行拼接处理，得到目标特征向量。目标特征向量组合了多种算法的优势，表征多个对象在影响目标下的特征，采用激活函数进行输出，得到目标排序结果。
52.在一种可选的实施例中，在上述账户特征信息包括离散账户特征，上述对象特征信息包括离散对象特征的情况下，上述基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量，包括：基于上述离散账户特征和上述离散对象特征，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量。
53.可以理解，深度交叉网络算法对离散型信息有着较好的处理能力，为了保留该算法对离散信息的处理优势，因此，将账户特征信息中的离散账户特征，以及对象特征信息中的离散对象特征，采用深度交叉网络算法进行处理，得到多个备选对象在影响目标中对应的第二特征向量。通过第二特征向量，将深度交叉网络算法的优势传递值目标排序结果，有利于提升准确性。
54.在一种可选的实施例中，确定上述目标全连接神经网络算法，包括：获取历史排序结果；基于上述历史排序结果，得到知识蒸馏算法中的教师网络；确定上述知识蒸馏算法中的学生网络为初始全连接神经网络算法；根据上述教师网络，对上述学生网络进行知识蒸馏处理，得到处理后的上述初始全连接神经网络算法，并将处理后的上述初始全连接神经网络算法作为上述目标全连接神经网络算法。
55.可以理解，目标全连接神经网络算法相比于组合算法是一种结构较为简单的算法，自身复杂度低，同时带来了算法性能稍逊的问题，需要通过知识蒸馏算法将较好的训练结果传递给目标全连接神经网络算法，用以达到保留简单算法结构的同时，能有较理想的
高效算法处理能力。根据历史排序结果进行训练，得到符合需求的教师网络。知识蒸馏网络中的学生网络进行设定更改，确定学生网络为初始全连接神经网络算法。接着，基于教师网络，对学生网络进行知识蒸馏处理，得到目标全连接神经网络算法。
56.可选地，上述学生网络可以为多种，例如：多种初始状态的全连接神经网络作为初始全连接神经网络算法。
57.需要说明的是，知识蒸馏算法中存在教师网络，以及学生网络。在教师网络的能力显著高于学生网络时，知识蒸馏效果会更明显。知识蒸馏的目的是保留学生网络的简单结构和低时间复杂度的情况下，提升学生网络的算法性能。
58.在一种可选的实施例中，上述影响目标至少包括：上述多个备选对象对应的点击率，以及下单率。
59.可以理解，多个备选对象存在多个影响目标，如点击率，下单率等，均受到目标账户的关注。需要说明的是，为便于理解对多个备选对象进行举例，例如：多个备选对象为酒店的情况下，目标账户对应的用户同时关注酒店的点击率和下单率，以点击率和下单率同时作为多目标的目标排序结果，有助于提高目标排序结果的效果和质量。
60.基于上述实施例和可选实施例，本发明提出一种可选实施方式，为了便于理解进行具体举例，例如：图2是根据本发明实施例提供的一种可选的多目标排序结果确定方法的示意图，如图2所示，为多门控混合专家算法，目标全连接神经网络算法，深度交叉网络算法进行算法融合的示意，在多个备选对象为酒店，影响目标包括：下单率，点击率的情况下，为了获得高效的目标排序结果，将多门控混合专家算法，目标全连接神经网络算法，深度交叉网络算法进行的了融合。由于不同算法需要的输入信息特征不同，对于相同的账户特征信息和对象特征信息进行拆解，有利于多门控混合专家算法，目标全连接神经网络算法，深度交叉网络算法并行处理，有利于在发挥各自算法优势的前提下，降低时间复杂度。
61.图2的中间部分是基于多门控混合专家算法，上述多门控混合专家算法输入是账户特征信息和对象特征信息的全部特征。设置了专家层为三个专家网络组成，专家网络为预设的全连接神经网络。设置了两个门控网络，用于控制不同专家网络的输出权重，负责调节专家网络之间的权重，从而控制下单率和点单率两个影响目标利用专家层得到的结果。其中，门控网络1负责调节三个专家网络对于点击率影响目标的权重，门控网络2负责调节三个专家网络对于下单率影响目标的权重。得到酒店在点击率下，以及酒店在下单率下分别对应的第三特征向量。
62.图2的左边部分是由知识蒸馏算法得到目标全连接神经网络，输入为对象特征信息。图2的目标全连接神经网络中设置了2个隐藏层。目标全连接神经网络受到多门控混合专家算法和深度交叉网络算法得到的历史排序结果的影响，目标全连接神经网络相当于是学生网络，多门控混合专家算法和深度交叉网络算法相当于是教师网络。在目标账户为登陆，或是目标账户设置不允许获取账户特征信息(包括历史行为信息)时，通过目标全连接神经网络得到离线排序结果，如下单率。在登陆状态并且授权允许获取账户特征信息的情况下，得到酒店在点击率下，以及酒店在下单率下分别对应的第一特征向量。
63.图2的右边部分是深度交叉网络算法，深度交叉网络算法中设置了3个隐藏层。输入的特征均是离散型的特征，包括离散账户特征和离散对象特征。若有部分连续型信息需要做特征交叉处理，则需要首先进行离散化，才可以用深度交叉网络算法处理。上述离散账
户特征和离散对象特征经过嵌入层和预设的交叉层，得到酒店在点击率下，以及酒店在下单率下分别对应的第二特征向量。
64.对第一特征向量，第二特征向量，以及第三特征向量进行拼接处理，得到酒店在点击率下，以及酒店在下单率下分别对应的目标排序结果。
65.由上述可选实施方式至少实现以下任意一种效果：将三种算法进行融合，且发挥出了各自优势。三种算法在接近输出的地方进行融合，尽可能的设计成了可以并行训练的结构，并且算法的层数较少，保证了算法结构复杂度低，时间复杂度增加少。
66.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
67.在本实施例中还提供了一种多目标排序结果确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
68.根据本发明实施例，还提供了一种用于实施多目标排序结果确定方法的装置实施例，图3是根据本发明实施例的一种多目标排序结果确定装置的示意图，如图3所示，上述多目标排序结果确定装置，包括：第一确定模块302、第一获取模块304，第一处理模块306，第二处理模块308，第三处理模块310，第一排序模块312，下面对该装置进行说明。
69.第一确定模块302，用于确定目标账户，多个备选对象，以及上述多个备选对象对应的影响目标，其中，上述多个备选对象属于同类应用场景，上述影响目标用于量化表征上述多个备选对象；
70.第一获取模块304，与第一确定模块302连接，用于获取上述目标账户对应的账户特征信息，以及上述多个备选对象分别对应的对象特征信息；
71.第一处理模块306，与第一获取模块304连接，用于基于上述对象特征信息，采用目标全连接神经网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第一特征向量；
72.第二处理模块308，与第一处理模块306连接，用于基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量；
73.第三处理模块310，与第二处理模块308连接，用于基于上述账户特征信息和上述对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量；
74.第一排序模块312，与第三处理模块310连接，用于根据上述影响目标对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中分别对应的目标排序结果。
75.本发明实施例提供的一种多目标排序结果确定装置中，通过设置第一确定模块302，用于确定目标账户，多个备选对象，以及上述多个备选对象对应的影响目标，其中，上述多个备选对象属于同类应用场景，上述影响目标用于量化表征上述多个备选对象；第一获取模块304，与第一确定模块302连接，用于获取上述目标账户对应的账户特征信息，以及
上述多个备选对象分别对应的对象特征信息；第一处理模块306，与第一获取模块304连接，用于基于上述对象特征信息，采用目标全连接神经网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第一特征向量；第二处理模块308，与第一处理模块306连接，用于基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量；第三处理模块310，与第二处理模块308连接，用于基于上述账户特征信息和上述对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量；第一排序模块312，与第三处理模块310连接，用于根据上述影响目标对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中分别对应的目标排序结果。达到了多目标排序结果确定的目的，实现了多目标排序结果确定的技术效果，进而解决了相关技术中通过改变算法复杂度来提升算法排序准确性，造成的时间复杂度高且排序效率低的技术问题。
76.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
77.此处需要说明的是，上述第一确定模块302、第一获取模块304，第一处理模块306，第二处理模块308，第三处理模块310，第一排序模块312对应于实施例中的步骤s102至步骤s112，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
78.需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
79.上述多目标排序结果确定装置还可以包括处理器和存储器，第一确定模块302、第一获取模块304，第一处理模块306，第二处理模块308，第三处理模块310，第一排序模块312等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
80.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
81.本发明实施例提供了一种非易失性存储介质，其上存储有程序，该程序被处理器执行时实现多目标排序结果确定方法。
82.本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定目标账户，多个备选对象，以及上述多个备选对象对应的影响目标，其中，上述多个备选对象属于同类应用场景，上述影响目标用于量化表征上述多个备选对象；获取上述目标账户对应的账户特征信息，以及上述多个备选对象分别对应的对象特征信息；基于上述对象特征信息，采用目标全连接神经网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第一特征向量；基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量；基于上述账户特征信息和上述
对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量；根据上述多个备选对象在上述影响目标中上述影响目标对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中分别对应的目标排序结果。本文中的设备可以是服务器、pc等。
83.本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定目标账户，多个备选对象，以及上述多个备选对象对应的影响目标，其中，上述多个备选对象属于同类应用场景，上述影响目标用于量化表征上述多个备选对象；获取上述目标账户对应的账户特征信息，以及上述多个备选对象分别对应的对象特征信息；基于上述对象特征信息，采用目标全连接神经网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第一特征向量；基于上述账户特征信息和上述对象特征信息，采用深度交叉网络算法进行处理，得到上述多个备选对象在上述影响目标中对应的第二特征向量；基于上述账户特征信息和上述对象特征信息，采用多任务多目标学习算法进行处理，得到上述多个备选对象在上述影响目标中对应的第三特征向量；根据上述多个备选对象在上述影响目标中上述影响目标对应的上述第一特征向量，上述第二特征向量，以及上述第三特征向量，得到上述多个备选对象在上述影响目标中分别对应的目标排序结果。
84.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
85.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
86.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
87.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
88.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
89.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介
质的示例。
90.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
91.还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
92.本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
93.以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。