物品重排方法、装置、存储介质及电子设备与流程

本公开的实施方式涉及内容推荐，更具体地，本公开的实施方式涉及一种物品重排方法、物品重排装置、计算机可读存储介质及电子设备。

背景技术：

1、本部分旨在为权利要求中陈述的本公开的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。

2、在电商平台中，通过物品推荐系统可以分析用户点击、购买行为，分析不同物品之间的关联性，可以为用户提供千人千面的个性化推荐，提高电商的有效转化率，提升用户消费体验。

3、相关技术中，由于云端服务器拥有较强的计算能力和存储能力，物品的智能排序通常都是采用云端重排的方案。云端物品重排的实现需要将算法模型部署在服务端，由客户端上传用户行为数据到云端服务器。用户在进入物品列表后，发送请求给服务端获取物品列表，服务端在获取到物品列表数据后，在云端根据用户行为特征以及算法模型对物品进行个性化重排，再将重排后的结果返回给客户端展示。

技术实现思路

1、然而，客户端上传数据至服务端时会考虑服务端的承压能力，服务端实际采集利用的数据是有限的，且可能导致用户隐私泄露；其次，客户端需要等待服务端返回重排结果，往往不能对用户行为产生非常即时的反馈；最后，在特殊时间段(比如：促销期间)，服务端的计算压力较大，可能会造成服务端负荷过大。

2、为此，非常需要一种物品重排方法，以减轻服务端的计算压力，更好的保护用户隐私，同时，提高物品重排的实时性。

3、在本上下文中，本公开的实施方式期望提供一种物品重排方法、物品重排装置、计算机可读存储介质及电子设备。

4、根据本公开的第一方面，提供一种物品重排方法，应用于客户端，所述方法包括：客户端的目标应用启动后，所述客户端的业务层从服务端获取所述客户端对应的实验策略，并根据所述实验策略配置实验参数；其中，所述实验策略是根据用户的用户行为数据确定的；当所述用户访问所述目标应用的物品展示页面时，从所述服务端获取物品列表；所述客户端的引擎层对所述物品列表中的物品信息进行特征提取，得到物品的物品特征向量；基于所述实验策略和所述物品特征向量，构建用户行为向量；确定所述用户行为向量与所述物品特征向量之间的相似度，并根据所述相似度对所述物品列表进行重排；所述业务层对重排后的所述物品列表进行显示。

5、在一种实施方式中，所述方法还包括：当所述用户从所述物品展示页面中任一物品的详情页返回所述物品展示页面时，根据所述任一物品的物品特征向量更新所述用户行为向量；确定所述用户行为向量与排列在所述任一物品之后的物品的物品特征向量之间的相似度，并根据所述相似度对所述任一物品之后的物品的物品列表进行重排；所述业务层对重排后的所述任一物品之后的物品的物品列表进行显示。

6、在一种实施方式中，所述方法还包括：所述业务层从所述服务端获取所述客户端对应的更新实验策略，以采用所述更新实验策略更新所述实验策略。

7、在一种实施方式中，在所述对所述物品列表中的物品信息进行特征提取之前，所述方法还包括：基础层从所述服务端获取已训练算法模型；其中，所述已训练算法模型用于对所述物品列表中的物品信息进行特征提取，以得到物品的物品特征向量。

8、在一种实施方式中，所述方法还包括：所述业务层对所述用户行为数据进行管理；其中，所述管理至少包括对用户行为数据的记录、删除行为。

9、在一种实施方式中，所述方法还包括：所述引擎层采用所述已训练算法模型对数据库中所有物品信息进行特征提取，得到每一物品信息对应的物品特征向量，并将所有所述物品特征向量存储至所述数据库。

10、在一种实施方式中，所述方法还包括：所述服务端对所述已训练算法模型进行标准化。

11、在一种实施方式中，所述对所述已训练算法模型进行标准化，包括：对所述已训练算法模型进行裁剪压缩，以使所述已训练算法模型的尺寸与所述客户端匹配；对裁剪压缩后的已训练算法模型进行格式转换，以使所述已训练算法模型的格式与所述客户端匹配；对格式转换后的已训练算法模型进行参数配置，以使所述客户端基于所述参数配置能够运行所述已训练算法模型。

12、在一种实施方式中，所述方法还包括：所述服务端对所述已训练算法模型的版本进行升级、维护和发布。

13、在一种实施方式中，所述已训练算法模型为最新版本。

14、在一种实施方式中，所述客户端还包括系统层，所述系统层采用accelerate计算框架。

15、根据本公开的第二方面，提供一种物品重排装置，应用于客户端，所述装置包括：配置管理模块，被配置为客户端的目标应用启动后，从服务端获取所述客户端对应的实验策略，并根据所述实验策略配置实验参数；其中，所述实验策略是根据用户的用户行为数据确定的；物品列表管理模块，被配置为当所述用户访问所述目标应用的物品展示页面时，从所述服务端获取物品列表；特征提取模块，被配置为对所述物品列表中的物品信息进行特征提取，得到物品的物品特征向量；计算模块，被配置为基于所述实验策略和所述物品特征向量，构建用户行为向量；确定所述用户行为向量与所述物品特征向量之间的相似度，并根据所述相似度对所述物品列表进行重排；物品列表管理模块，被配置为对重排后的所述物品列表进行显示。

16、在一种实施方式中，所述计算模块，还被配置为当所述用户从所述物品展示页面中任一物品的详情页返回所述物品展示页面时，根据所述任一物品的物品特征向量更新所述用户行为向量；确定所述用户行为向量与排列在所述任一物品之后的物品的物品特征向量之间的相似度，并根据所述相似度对所述任一物品之后的物品的物品列表进行重排；所述物品列表管理模块，还被配置为对重排后的所述任一物品之后的物品的物品列表进行显示。

17、在一种实施方式中，所述配置管理模块还被配置为：从所述服务端获取所述客户端对应的更新实验策略，以采用所述更新实验策略更新所述实验策略。

18、在一种实施方式中，所述装置还包括模型管理模块，所述模型管理模块被配置为：从所述服务端获取已训练算法模型；其中，所述已训练算法模型用于对所述物品列表中的物品信息进行特征提取，以得到物品的物品特征向量。

19、在一种实施方式中，所述装置还包括行为管理模块，所述行为管理模块被配置为：对所述用户行为数据进行管理；其中，所述管理至少包括对用户行为数据的记录、删除行为。

20、在一种实施方式中，所述特征提取模块还被配置为：采用所述已训练算法模型对数据库中所有物品信息进行特征提取，得到每一物品信息对应的物品特征向量，并将所有所述物品特征向量存储至所述数据库。

21、在一种实施方式中，所述服务端包括资源管理平台，所述资源管理平台被配置为：对所述已训练算法模型进行标准化。

22、在一种实施方式中，所述资源管理平台包括：裁剪压缩模块，被配置为对所述已训练算法模型进行裁剪压缩，以使所述已训练算法模型的尺寸与所述客户端匹配；格式转换模块，被配置为对裁剪压缩后的已训练算法模型进行格式转换，以使所述已训练算法模型的格式与所述客户端匹配；配置管理模块，被配置为对格式转换后的已训练算法模型进行参数配置，以使所述客户端基于所述参数配置能够运行所述已训练算法模型。

23、在一种实施方式中，所述服务端还包括版本管理模块和模型发布模块，所述版本管理模块和模型发布模块被配置为：对所述已训练算法模型的版本进行升级、维护和发布。

24、在一种实施方式中，所述已训练算法模型为最新版本。

25、在一种实施方式中，所述客户端还包括系统层，所述系统层采用accelerate计算框架。

26、根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种方法。

27、根据本公开的第一方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种方法。

28、根据本公开实施方式的物品重排方法、物品重排装置、计算机可读存储介质及电子设备，客户端的目标应用启动后，客户端的业务层从服务端获取客户端对应的实验策略，并根据实验策略配置实验参数；其中，实验策略是根据用户的用户行为数据确定的；当用户访问目标应用的物品展示页面时，从服务端获取物品列表；客户端的引擎层对物品列表中的物品信息进行特征提取，得到物品的物品特征向量；基于实验策略和物品特征向量，构建用户行为向量；确定用户行为向量与物品特征向量之间的相似度，并根据相似度对物品列表进行重排；业务层对重排后的物品列表进行显示。如此，(1)将服务端物品重排改变为客户端物品重排，减轻了服务端的压力；(2)客户端直接对用户行为数据进行实时计算，提高了计算效率，为用户提供了更好的购物体验；(3)客户端采用的是其采集到的用户的所有行为数据，因此，将这些数据输入模型，得到的模型处理结果更准确；(4)无需将用户行为数据上传至服务端，保护了用户的隐私；(5)客户端对应的实验策略是从实验策略中选择的最优实验策略，因此，基于该客户端对应的实验策略构建的用户行为向量更准确。