搜索排序模型训练、预测方法、系统、设备及存储介质与流程

所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。下面参照图6来描述根据本技术的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述搜索排序预测方法部分中描述的根据本技术各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。所述搜索排序预测设备中，所述存储器中的程序被处理器执行时实现所述的搜索排序预测方法的步骤，因此，所述设备也可以获得上述搜索排序预测方法的技术效果。本技术实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的搜索排序预测方法的步骤。在一些可能的实施方式中，本技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述搜索排序预测方法部分中描述的根据本技术各种示例性实施方式的步骤。参考图7所示，描述了根据本技术的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。所述计算机存储介质中的程序被处理器执行时实现所述的搜索排序预测方法的步骤，因此，所述计算机存储介质也可以获得上述搜索排序预测方法的技术效果。以上内容是结合具体的优选实施方式对本技术所作的进一步详细说明，不能认定本技术的具体实施只局限于这些说明。对于本技术所属的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本技术的保护范围。

背景技术：

1、货运司机可通过货运平台的搜索场景寻找货源。当前的搜索场景中，排序模型使用的是二分类的pointwise建模方式，根据货物的属性和司机的历史行为特点，直接对于司机对货物的点击率进行预估，并在展示的时候按照预估的点击率倒序排列，因此该建模方式为点击率建模方式，得到的模型为点击率预测模型。在货运平台手机端中，显示排序后的货源信息。这种排序方式简单易于实现，但存在如下缺陷：

2、(1)点击率建模方式没有考虑到司机在寻找货源时会不停地对比每个货源，pointwise的方法只考虑到了每个货源的点击率，没有考虑到货源与货源之间的关系；

3、(2)点击率预测模型针对每个货源输出的打分值只是准确度概率，并不是真正排序靠前的预测概率。在货源搜索页面，司机对每个货源的前后排序一目了然，但无法直观感受每个货源之间具体的点击率差别。

4、需要说明的是，上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、针对现有技术中的问题，本技术的目的在于提供一种搜索排序模型训练、预测方法、系统、设备及存储介质，直接对搜索的排序结果进行建模，考虑到同一个列表下不同搜索结果之间的相对关系，提供更合理的排序方式。

2、本技术实施例提供一种搜索排序模型训练方法，包括如下步骤：

3、获取样本数据，所述样本数据包括多个样本货源列表，每个所述样本货源列表包括多个样本货源数据和样本排序结果；

4、将所述样本货源列表的样本货源数据输入搜索排序模型，获取所述模型输出的每个样本货源列表的预测排序结果；

5、基于所述预测排序结果和所述样本排序结果构建损失函数，并基于损失函数值迭代训练所述搜索排序模型。

6、在一些实施例中，所述获取样本数据，包括如下步骤：

7、获取一次曝光的多个货源数据或一次请求的多个货源数据，作为一个样本货源列表的多个样本货源数据；

8、根据司机行为数据确定所述样本货源列表中各个样本货源数据的标签值；

9、根据所述样本货源列表中的样本货源数据的标签值确定所述样本货源列表的样本排序结果。

10、在一些实施例中，所述根据司机行为数据确定所述样本货源列表中各个样本货源数据的标签值，包括如下步骤：

11、根据所述司机行为数据确定所述样本货源列表中各个样本货源数据所对应的行为类型；

12、根据预设的行为类型与标签值的对应关系，确定所述样本货源列表中各个样本货源数据的标签值。

13、在一些实施例中，根据所述司机行为数据确定所述样本货源列表中各个样本货源数据所对应的行为类型，包括如下步骤：

14、根据所述司机行为数据将所述样本货源列表中各个样本货源数据所对应的行为类型分为正向行为和负向行为，所述正向行为包括成交、电话和点击，所述负向行为包括未点击；

15、其中，所述预设的行为类型与标签值的对应关系中，成交、电话、点击和未点击对应的标签值越来越小。

16、在一些实施例中，根据所述样本货源列表中的样本货源数据的标签值确定所述样本货源列表的样本排序结果，包括如下步骤：

17、根据所述样本货源列表中的样本货源数据的标签值从大到小对样本货源进行排序；

18、如果存在标签值相同的样本货源，则获取该部分标签值相同的样本货源在线上展示时的排序，确定这部分标签值相同的样本货源之间的排序。

19、在一些实施例中，基于所述预测排序结果和所述样本排序结果构建损失函数，包括如下步骤：

20、获取所述预测排序结果中的正向行为对应的排序结果以及正向行为的样本货源排序在所有负向行为的样本货源之前的排序结果，作为第一排序结果；

21、获取所述样本排序结果中正向行为对应的排序结果以及正向行为的样本货源排序在所有负向行为的样本货源之前的排序结果，作为第二排序结果；

22、基于所述第一排序结果和所述第二排序结果构建损失函数。

23、本技术实施例还提供一种搜索排序预测方法，采用所述的搜索排序模型训练方法获得训练好的搜索排序模型，所述预测方法包括如下步骤：

24、获取待排序货源数据；

25、将所述待排序货源数据输入至训练好的所述搜索排序模型；

26、从所述搜索排序模型中获取所述待排序货源数据对应的搜索排序结果。

27、本技术实施例还提供一种搜索排序预测系统，用于实现所述的搜索排序预测方法，所述系统包括：

28、数据采集模块，用于获取待排序货源数据；

29、模型输入模块，用于将所述待排序货源数据输入至训练好的所述搜索排序模型；

30、结果获取模块，用于从所述搜索排序模型中获取所述待排序货源数据对应的搜索排序结果。

31、本技术实施例还提供一种搜索排序预测设备，包括：

32、处理器；

33、存储器，其中存储有所述处理器的可执行指令；

34、其中，所述处理器配置为经由执行所述可执行指令来执行所述的搜索排序预测方法的步骤。

35、本技术实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的搜索排序预测方法的步骤。

36、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

37、本技术的搜索排序模型训练、预测方法、系统、设备及存储介质具有如下有益效果：

38、本技术在进行搜索排序模型训练时，首先获取样本数据，样本数据中包括样本货源列表中的样本货源数据和对应的排序结果，然后将样本货源数据输入到搜索排序模型中，该搜索排序模型的输入为每个样本货源列表的样本货源数据，输出为每个样本货源列表对应的预测排序结构，再基于模型输出的预测排序结果和样本排序结果构建损失函数来反向迭代优化训练该搜索排序模型，得到训练好的搜索排序模型可以直接用于货运平台中召回的货源数据的排序预测。该搜索排序模型直接对搜索的排序结果进行建模，考虑到同一个列表下不同搜索结果之间的相对关系，提供更合理的排序方式，更关注司机的直观体验，可有效提高司机的寻找货源效率。