排序模型的訓練方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設及網(wǎng)絡技術(shù)領(lǐng)域，特別是設及一種排序模型的訓練方法和裝置。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)應用的發(fā)展，捜索處理技術(shù)已經(jīng)成為互聯(lián)網(wǎng)最主要的應用之一。例如， 捜索引擎可W根據(jù)用戶輸入的關(guān)鍵詞捜索得到符合該關(guān)鍵詞特征的所有網(wǎng)頁，再根據(jù)排序 模型對捜索結(jié)果進行排序，最后W超級鏈接的方式向用戶展示排序后的捜索結(jié)果，用戶點 擊相應的鏈接就可W進入相應的網(wǎng)絡資源網(wǎng)站，從而找到所需信息。然而，上述捜索到的結(jié) 果通常數(shù)W百萬計，通過排序模型將內(nèi)容最相關(guān)的捜索結(jié)果排在前面，因此，如何對排序模 型中的參數(shù)進行訓練，W優(yōu)化排序模型，從而得到更加符合用戶需求的排序結(jié)果，一直是學 術(shù)界和工業(yè)界的研究熱點。
[0003] 目前，通常采用基于規(guī)則的方法或者基于機器學習的方法對排序模型進行訓練。 其中，基于規(guī)則的方法，即通過線上AB測試，人工調(diào)整模型參數(shù)，該方法需要耗費大量的人 力、時間來確定模型參數(shù)，由于訓練成本太高，使得獲取的模型參數(shù)很難達到最優(yōu)；此外，在 用戶行為發(fā)生變化時，需要重新訓練模型參數(shù)，導致訓練模型參數(shù)的效率較低。
[0004] 而基于機器學習的方法，可W不借助于人工調(diào)整模型參數(shù)，而是自動訓練模型參 數(shù)，該方法稱為LTR(LearningToRank,學習排序）。具體地，LTR通過構(gòu)建排序數(shù)據(jù)集，采 用機器學習算法如支持向量機的排序?qū)W習算法RankSVM等自動訓練模型參數(shù)，從而使得模 型參數(shù)相對于數(shù)據(jù)集達到最優(yōu)。然而，LTR的排序效果嚴重依賴于數(shù)據(jù)集的質(zhì)量，而構(gòu)建數(shù) 據(jù)集又是一件耗時耗力的工作，而且在用戶行為發(fā)生變化時，也需要重新構(gòu)建數(shù)據(jù)集，從而 導致訓練模型參數(shù)的效率較低。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實施例提供一種排序模型的訓練方法和裝置，用W解決現(xiàn)有技術(shù)中訓練模 型參數(shù)效率較低的問題，W提高訓練模型參數(shù)的效率。
[0006] 為了解決上述問題，本發(fā)明實施例公開了一種排序模型的訓練方法，包括：
[0007] 根據(jù)排序模型，對用戶捜索請求對應的捜索結(jié)果進行排序，得到對應的捜索排序 結(jié)果；
[0008] 根據(jù)用戶針對所述捜索排序結(jié)果的點擊反饋，確定所述排序模型對應的捜索點擊 率.
[0009] 根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模型的模型參數(shù)進 行更新。
[0010] 優(yōu)選地，所述根據(jù)排序模型，對用戶捜索請求對應的捜索結(jié)果進行排序，得到對應 的捜索排序結(jié)果的步驟，包括：
[0011] 向具有相同模型和不同參數(shù)的多個排序模型中的任意一個，發(fā)送來自用戶的用戶 捜索請求；
[0012] 接收來自所述排序模型的所述用戶捜索請求對應的捜索排序結(jié)果。
[0013] 優(yōu)選地，所述根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模型的 模型參數(shù)進行更新的步驟，包括：
[0014] 根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模型的模型參數(shù)進 行更新，直到各排序模型對應的捜索點擊率達到穩(wěn)定值。
[0015] 優(yōu)選地，所述根據(jù)用戶針對所述捜索排序結(jié)果的點擊反饋，確定所述排序模型對 應的捜索點擊率的步驟，包括：
[0016] 收集所述捜索排序結(jié)果對應的用戶捜索次數(shù)和用戶點擊次數(shù)；
[0017] 根據(jù)所述用戶點擊次數(shù)與所述用戶捜索次數(shù)的比值，確定捜索點擊率。
[0018] 優(yōu)選地，所述預置的參數(shù)更新算法為梯度下降算法；
[0019] 所述根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模型的模型參 數(shù)進行更新的步驟，包括：
[0020] 確定所述各排序模型的初始參數(shù)；
[0021] 確定所述各排序模型對應的捜索點擊率；
[0022] 根據(jù)所述各排序模型對應的捜索點擊率，按照梯度下降算法更新所述各排序模型 的初始參數(shù)，直到所述初始參數(shù)達到穩(wěn)定值。
[0023] 優(yōu)選地，所述方法還包括：
[0024] 根據(jù)更新后的排序模型，對用戶捜索請求對應的捜索結(jié)果進行排序，得到優(yōu)化后 的捜索排序結(jié)果。
[0025] 依據(jù)本發(fā)明的另一個方面，公開了一種排序模型的訓練裝置，包括：
[00%] 排序模塊，用于根據(jù)排序模型，對用戶捜索請求對應的捜索結(jié)果進行排序，得到對 應的捜索排序結(jié)果；
[0027] 反饋模塊，用于根據(jù)用戶針對所述捜索排序結(jié)果的點擊反饋，確定所述排序模型 對應的捜索點擊率；及
[0028] 更新模塊，用于根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模型 的模型參數(shù)進行更新。
[0029] 優(yōu)選地，所述排序模塊，包括：
[0030] 請求發(fā)送子模塊，用于向具有相同模型和不同參數(shù)的多個排序模型中的任意一 個，發(fā)送來自用戶的用戶捜索請求；
[0031] 結(jié)果接收子模塊，用于接收來自所述排序模型的所述用戶捜索請求對應的捜索排 序結(jié)果。
[0032] 優(yōu)選地，所述更新模塊，包括：
[0033] 更新子模塊，用于根據(jù)所述捜索點擊率，按照預置的參數(shù)更新算法，對所述排序模 型的模型參數(shù)進行更新，直到各排序模型對應的捜索點擊率達到穩(wěn)定值。
[0034] 優(yōu)選地，所述反饋模塊，包括：
[0035] 收集子模塊，用于收集所述捜索排序結(jié)果對應的用戶捜索次數(shù)和用戶點擊次數(shù)；
[0036]計算子模塊，用于根據(jù)所述用戶點擊次數(shù)與所述用戶捜索次數(shù)的比值，確定捜索 點擊率。
[0037] 優(yōu)選地，所述預置的參數(shù)更新算法為梯度下降算法；
[0038] 所述更新模塊，包括：
[0039] 初始化子模塊，用于確定所述各排序模型的初始參數(shù)；
[0040] 點擊率確定子模塊，用于確定所述各排序模型對應的捜索點擊率；
[0041] 迭代更新子模塊，用于根據(jù)所述各排序模型對應的捜索點擊率，按照梯度下降算 法更新所述各排序模型的初始參數(shù)，直到所述初始參數(shù)達到穩(wěn)定值。
[0042] 優(yōu)選地，所述裝置還包括：
[0043] 優(yōu)化排序模塊，用于根據(jù)更新后的排序模型，對用戶捜索請求對應的捜索結(jié)果進 行排序，得到優(yōu)化后的捜索排序結(jié)果。
[0044] 本發(fā)明實施例包括W下優(yōu)點： W45] 在本發(fā)明實施例中，根據(jù)用戶針對捜索排序結(jié)果的點擊反饋得到排序模型的捜索 點擊率，W及根據(jù)捜索點擊率對排序模型的模型參數(shù)進行更新，可W在用戶行為偏好發(fā)生 變化時能夠自動調(diào)整模型參數(shù)W適應用戶的點擊行為，相對于現(xiàn)有技術(shù)需要重新構(gòu)建數(shù)據(jù) 集，可W提高訓練模型參數(shù)的效率。
【附圖說明】
[0046] 圖1示出了本發(fā)明的一種排序模型的訓練方法實施例一的步驟流程圖；
[0047] 圖2示出了本發(fā)明的一種排序模型的訓練系統(tǒng)的結(jié)構(gòu)示意圖； W48]圖3示出了本發(fā)明的一種排序模型的訓練方法實施例二的步驟流程圖；
[0049] 圖4示出了本發(fā)明的一種排序模型的訓練裝置實施例的結(jié)構(gòu)框圖。
【具體實施方式】
[0050] 為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實 施方式對本發(fā)明作進一步詳細的說明。 陽0川 實施例一
[0052] 參照圖1，示出了本發(fā)明的一種排序模型的訓練方法實施例一的步驟流程圖，具體 可W包括：
[0053] 步驟101、根據(jù)排序模型，對用戶捜索請求對應的捜索結(jié)果進行排序，得到對應的 捜索排序結(jié)果；
[0054] 本發(fā)明實施例可適用于為用戶提供捜索服務，并且將捜索得到的相關(guān)信息展示給 用戶的各種應用場景，比如百度、谷歌、雅虎等捜索引擎或者具有捜索功能的其他場景，本 發(fā)明對于具體的捜索場景不加W限制。為了便于描述，W下均W捜索引擎為例進行說明，其 它應用場景相互參照即可。
[0055] 在具體應用中，捜索引擎可W獲取服務器中與用戶捜索請求相應的內(nèi)容；具體地， 首先可W對用戶捜索請求對應的捜索詞進行分詞，得到多個關(guān)鍵詞，然后，通過釋放大量的 抓取程序，獲取互聯(lián)網(wǎng)上的網(wǎng)頁，并按照網(wǎng)頁相關(guān)性原理在每一個關(guān)鍵詞和所有相關(guān)的網(wǎng) 頁之間建立一個對應關(guān)系，儲存在服務器的數(shù)據(jù)庫中。運樣，在用戶在捜索引擎中輸入捜索 詞（例如"劉德華主演的電影"）進行捜索時，就可W在服務器中捜索找到與關(guān)鍵詞"劉德 華"W