CN113343095A - 一种模型训练以及信息推荐方法及装置 - Google Patents

Abstract

本说明书公开了一种模型训练以及信息推荐方法及装置，可先根据用户历史搜索的各关键词、商家、商家属性及其之间的关联关系，确定图数据。之后，从用户的行为日志数据中确定搜索的关键词，以及与该关键词关联的各商家。并根据该用户的用户特征、从图数据中确定出的关联的各商家节点的节点特征以及该关键词节点的节点特征，确定各训练样本的样本数据。然后，根据行为日志数据中的业务执行结果，对各训练样本进行标注。最后，通过各训练样本及其标注，训练点击预估模型。通过结合图数据中各关联节点的关联信息进行模型训练，提升了样本信息的丰富度，使模型输出结果更准确。

Description

一种模型训练以及信息推荐方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种模型训练以及信息推荐方法及装置。

背景技术

一般的，用户在外卖平台中搜索商品时，搜索结果通常会以商家列表的形式展现，而展示列表的排序对于引导用户成交量至关重要。

现有技术在确定展示列表中各商家的排序时，可先基于用户输入的查询关键词，召回与该关键词相关的若干商家。之后，根据该用户的浏览、点击、下单等行为特征以及各商家的评价、订单量等统计特征，通过预先训练的点击预估模型(Click-Through-Rat，CTR)，确定用户点击各商家的预估得分，并根据各商家的预估得分，对召回的各商家进行排序。其中，常见的CTR模型有深度交叉网络模型(Deep&Cross Network，DCN)、深度分解机模型(Deep Factorization-Machine，DeepFM)、广度深度结合模型(Wide&Deep)等。

但是，仅聚焦于查询关键词和商家本身的特征进行排序，排序结果的质量往往较差，且会导致“排序靠前的商家愈靠前，排序靠后的商家愈靠后”。

发明内容

本说明书实施例提供一种模型训练以及信息推荐方法及装置，用于部分解决现有技术中的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种模型训练方法，包括：

根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据；

针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据；其中，各节点的节点特征基于所述图数据中与所述节点关联的各其它节点确定；

根据该行为日志数据中的业务执行结果，确定各训练样本的标注；

针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预测得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

可选地，根据所述用户的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，具体包括：

针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后在各商家的下单次数，确定该关键词与各商家的关联关系；其中，所述下单次数与所述关联关系中的关系权重呈正相关；

根据所述用户的行为日志数据，确定各关键词与各商家属性之间的关联关系，具体包括：

针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后下单商家对应的商家属性，确定该关键词与各商家属性的关联关系。

可选地，基于所述图数据确定节点的节点特征之前，所述方法还包括：

以最大化所述图数据中相连节点的特征相似度，以及最小化所述图数据中不相连节点的特征相似度为目标，调整所述图数据中的模型参数。

可选地，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据，具体包括：

根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度；

根据该商家对应所述关键词的匹配度、该商家节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据。

本说明书提供的一种信息推荐方法，包括：

接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家；

从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征；其中，所述图数据以各商家、各商家属性以及用户历史搜索的各关键词为节点，并根据各节点之间的关联关系构建，各节点之间的关联关系基于所述用户的行为日志数据确定；

根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分；

根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

可选地，根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分，具体包括：

根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度；

将该商家对应所述关键词的匹配度、该商家节点的节点特征以及所述用户的用户特征，输入预先训练的点击预估模型，确定该商家的预估得分。

本说明书提供的一种模型训练装置，包括：

建图模块，配置为根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据；

样本确定模块，配置为针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据；其中，各节点的节点特征基于所述图数据中与所述节点关联的各其它节点确定；

标注模块，配置为根据该行为日志数据中的业务执行结果，确定各训练样本的标注；

排序模块，配置为针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预估得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

本说明书提供的一种信息推荐装置，包括：

接收模块，接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家；

第一确定模块，从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征；其中，所述图数据以各商家、各商家属性以及用户历史搜索的各关键词为节点，并根据各节点之间的关联关系构建，各节点之间的关联关系基于所述用户的行为日志数据确定；

第二确定模块，根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分；排序模块，根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练以及信息推荐方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练以及信息推荐方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书中，可先根据用户历史搜索的各关键词、商家、商家属性及其之间的关联关系，确定图数据。之后，从用户的行为日志数据中确定搜索的关键词，以及与该关键词关联的各商家。并根据该用户的用户特征、从图数据中确定出的关联的各商家节点的节点特征以及该关键词节点的节点特征，确定各训练样本的样本数据。然后，根据行为日志数据中用户搜索后下单的商家，对各训练样本进行标注。最后，通过各训练样本及其标注，训练点击预估模型。通过结合图数据中各关联节点的关联信息进行模型训练，提升了样本信息的丰富度，使模型输出结果更准确。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的一种模型训练方法的流程示意图；

图2为本说明书实施例提供的一种图网络示意图；

图3为本说明书实施例提供的一种图网络示意图；

图4为本说明书实施例提供的一种模型结构示意图；

图5为本说明书实施例提供的一种信息推荐方法的流程示意图；

图6为本说明书实施例提供的一种模型训练装置的结构示意图；

图7为本说明书实施例提供的一种信息推荐装置的结构示意图；

图8为本说明书实施例提供的实现模型训练方法或信息推荐方法的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。

本说明书提供一种模型训练方法，以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的一种模型训练方法的流程示意图，具体可包括以下步骤：

S100：根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据。

本说明书提供的模型训练方法，可用于训练点击预估模型，用于预测用户对各商家的点击通过率(Click-Through-Rate，CTR)，并按照点击通过率从高到低进行排序展示。

为了提高有效信息利用率，使排序结果更加准确，在本说明书中可基于用户历史搜索数据以及关联商家等信息，构建搜索相关的图网络，并基于该图网络中各节点以及各节点之间的关联关系，训练点击预估模型。

具体的，可先获取用户在业务平台中历史的行为日志数据，并根据各用户的行为日志数据，确定用户历史搜索的各关键词。之后，针对确定出的每个关键词，从各用户的行为日志数据中，确定各用户搜索该关键词后，在展示列表中浏览或下单的商家的商家标识以及商家的商家属性。其中，商家属性至少包含该商家的品类以及该商家的品牌等属性。商家的品类可以划分为美食类、饮品类、火锅等，本说明书对商家品类的划分以及商家归属的品牌不做限制，具体可根据需要设置。

然后，针对每个关键词，根据行为日志数据中用户搜索该关键词后，在展示列表中浏览或下单的商家，确定该关键词与各商家之间的关联关系，其中，用户下单次数与关联关系中的关系权重正相关，下单次数越多，则该关键词与商家的关系权重越大。并根据用户浏览或下单商家的商家属性，确定该关键词与各商家属性之间的关联关系。

最后，以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据。

图2为本说明书提供的图网络示意图，在该图网络中包含搜索的关键词、商家以及商家属性三种类型的节点，各节点之间连接的边根据用户搜索各关键词后浏览或下单的商家、以及商家的商家属性确定。

当然，在本说明书中商家属性也可以有多种，以商家属性包含商家品类以及商家品牌为例进行说明，则基于多种不同的商家属性，所构建出的图网络中包含搜索的关键词、商家、商家品类以及商家品牌四种不同类型的节点，各节点之间连接的边根据用户搜索关键词后浏览或下单的商家，以及商家所属商家品类以及商家品牌确定。

其中，在确定关键词与商家品类之间的关联关系时，可根据用户搜索该关键词后的下单的各商家的品类分布，确定与该关键词连接的商家品类。例如，假设下单的商家中9家属于美食类商家，1家属于饮品类商家，则可确定该关键词与美食类相连接。

进一步的，以搜索的关键词为“奶茶”为例，根据历史的行为日志数据，统计用户在搜索该关键词后，展示列表中显示了饮品类商家a、b、c。其中，a商家与c商家属于同一商家品牌1，b商家属于商家品牌2，有n名用户在a商家下单，2n名用户在b商家下单，没有用户在c商家下单。则构建出的图网络如图3所示，其中，关键词“奶茶”与a商家相连，且关系权重为n，关键词“奶茶”与b商家相连，且关系权重为2n，而关键词“奶茶”与c商家不连接。a商家与c商家分别与商家品牌1相连，b商家与商家品牌2相连。由于a、b、c商家的商家品类为饮品类，因此该关键词“奶茶”与商家品类“饮品类”相连。

S102：针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据。

S104：根据该行为日志数据中的业务执行结果，确定各训练样本的标注。

在本说明书一种或多种实施例中，在通过构建图网络得到信息丰富的图数据后，便可基于该图数据确定训练样本，用于训练点击预估模型，以得到更优的排序结果。

具体的，针对历史获取的每条行为日志数据，可先确定该行为日志数据中用户搜索的关键词，以及召回的与该关键词关联的各商家。

由于预先构建的图网络中各节点之间存在丰富的关联信息，因此为了学习各节点之间的关联关系，以使排序结果更加准确，可根据各节点自身的节点信息以及相关联的各其它节点的节点信息，综合确定各节点的节点特征。

则在确定训练样本的样本数据时，可从预先构建的图数据中，确定该关键词节点以及与该关键词节点关联的各节点，根据该关键词节点的节点信息及其关联的各其它节点的节点信息，确定该关键词节点的节点特征。并针对关联的每个商家，从预先构建的图数据中确定该商家节点，以及与该商家节点关联的各节点，并根据该商家节点的节点信息及其关联的各其它节点的节点信息，确定该商家节点的节点特征。

其中，在构建图网络后，可进一步采用图采样聚合算法(graph SAmple andaggreGatE，graphSAGE)进行图学习，通过对目标节点相关联的各其它节点进行采样，并聚合采样的各节点的节点信息，确定各目标节点的节点特征。

在进行图学习时，为了体现关联节点之间的相互影响，可以最大化该图数据中相连节点的特征相似度，以及最小化该图数据中不相连节点的特征相似度为目标，对该图数据中的模型参数进行调整。因此该损失函数可以设置为不相连节点与相连节点的特征相似度之差，以最小化该损失函数为目标，对模型参数进行调整。

最后，根据该商家节点的节点特征、该关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据。其中，该用户的用户特征可基于用户在业务平台中的行为日志数据确定，包含用户历史下单的商家及下单次数、用户对各商家品类的点击率、用户在预设时长内点击的各商家的商家标识等等，本说明书难以一一列举，具体可根据需要设置。

进一步的，在确定训练样本的样本数据时，还可根据该商家节点的节点特征以及该关键词节点的节点特征，确定该商家对应该关键词的匹配度，并将该商家对应该关键词的匹配度、该商家节点的节点特征以及该用户的用户特征，作为训练样本的样本数据。

在本说明书中，当确定出各训练样本的样本数据后，可根据该行为日志数据中的业务执行结果，对各训练样本进行标注。其中，该业务执行结果至少包含用户搜索关键词后，所浏览、点击以及下单的各商家。例如，将用户下单的商家标注得分100，将用户点击的商家标注得分80，将用户浏览的商家标注得分10。

S106：针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预估得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

在确定出各训练样本及其标注后，便可对点击预估模型进行训练。

具体的，针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型中，确定该点击预估模型输出的该训练样本的预估得分，并以最小化该训练样本的预估得分与标注得分之间的差异为目标，调整该排序模型中的模型参数。其中，该点击预估模型可以采用DCN、DeepFM、Wide&Deep等CTR模型。

如图4所示，可先基于图数据中确定出的商家节点的节点特征以及关键词节点的节点特征，确定商家与关键词之间的匹配度。之后，将搜索该用户的用户特征、商家节点的节点特征以及商家与关键词之间的匹配度作为输入，输入该点击预估模型，确定该模型输出的预估得分。

基于图1所示的模型训练方法，可先根据用户历史搜索的各关键词、商家、商家属性及其之间的关联关系，确定图数据。之后，从用户的行为日志数据中确定搜索的关键词，以及与该关键词关联的各商家。并根据该用户的用户特征、从图数据中确定出的关联的各商家节点的节点特征以及该关键词节点的节点特征，确定各训练样本的样本数据。然后，根据行为日志数据中用户搜索后下单的商家，对各训练样本进行标注。最后，通过各训练样本及其标注，训练点击预估模型。通过结合图数据中各关联节点的关联信息进行模型训练，提升了样本信息的丰富度，使模型输出结果更准确。

在本说明书一种实施例中，为了保证图数据对于商家排序有效，可通过对比包含图数据的训练样本与未包含图数据的训练样本，分别对点击预估模型输出的预测结果的影响，来判断图数据的有效性。

具体的，可先确定包含商家的统计特征以及用户特征的样本数据，作为第一样本，并确定包含商家节点的节点特征、关键词节点的节点特征以及用户的用户特征的样本数据，作为第二样本。之后，分别基于第一样本以及第二样本，训练第一点击预估模型以及第二点击预估模型。最后，根据第一点击预估模型输出的预估结果，以及第二点击预估模型输出的预估结果，通过模型评估指标，确定该第一点击预估模型的预估效果，以及该第二点击预估模型的预估效果。若第二点击预估模型的预估效果好于该第一点击预估模型的预估效果，则表明图数据对商家排序有效，否则，重新调整图数据中的模型参数，直至第二点击预估模型的预估效果好于该第一点击预估模型为止。其中，模型评估指标可采用常见的性能指标(Area Under Curve，AUC)、平均准确率指标(mean average precision，mAP)等。

本说明书还提供了一种信息推荐方法，可采用上述模型训练方法训练出的点击预估模型，对搜索召回的各商家进行排序，并按照排序向用户展示。

图5为本说明书实施例提供的一种信息推荐方法的流程示意图，具体可包括以下步骤：

S200：接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家。

本说明书提供的信息推荐方法，具体可由业务平台的服务器执行。当用户在终端输入搜索关键词后，终端可将该用户搜索的关键词发送至业务平台的服务器，以确定向用户展示推荐的信息。其中，该关键词可以是产品、店铺名称以及旅游地点等，本说明书对此不做限制。

具体的，该服务器可接收终端发送的用户搜索的关键词，以及该用户的当前位置。之后，根据该用户的当前位置以及搜索的关键词，从各商家中召回处于当前位置预设范围内，且与该关键词关联的若干商家。

S202：从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征。

在本说明书中，当基于用户搜索的关键词，召回若干关联的商家后，便可根据该用户对各关联商家的点击下单概率，确定各关联商家的排序结果，并按序展示。

具体的，该服务器可从预先构建的图数据中，确定该关键词节点的节点特征。并针对与该关键词关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征。其中，构建图数据的过程可参见上述步骤S100，本说明书在此不做赘述。在该图数据中，该关键词节点的节点特征基于该关键词节点的节点信息，以及与该关键词节点关联的各节点的节点信息综合确定；该商家节点的节点特征也基于该商家节点的节点信息，以及与该商家节点关联的各节点的节点信息综合确定。

S204：根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分。

在本说明书中，当确定出影响用户点击商家的各因素后，可综合各影响因素确定用户对各商家的点击概率，以按照点击概率确定各商家的展示顺序。

具体的，针对召回的每个商家，该服务器可将该商家节点的节点特征、该关键词的节点特征以及该用户的用户特征，输入预先训练的点击预估模型中，确定该点击预估模型输出的该商家的预估得分。其中，该商家的预估得分表征用户搜索该关键词后点击该商家的概率。该用户的用户特征中至少包含该用户历史搜索该关键词后的下单商家以及下单次数等用户偏好特征。该点击预估模型的训练过程可参考上述步骤S100～S106的详细过程，本说明书对此不再展开叙述。

进一步的，为了提升与搜索内容高度匹配的商家的排序，该服务器也可根据该商家节点的节点特征以及该关键词节点的节点特征，确定该商家对应该关键词的匹配度，并将该用户的用户特征、该商家节点的节点特征以及该商家对应该关键词的匹配度，输入该点击预估模型中，确定该商家的预估得分。其中，该商家节点的节点特征至少包含该商家自身的订单量、商家标识以及用户评价等信息。

S206：根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

当确定出用户点击各商家的预估得分后，该服务器便可根据各商家的预估得分，按照得分从高到低对召回的各商家进行排序，并将该排序结果发送至终端，以使终端按照该排序显示各商家的商家信息。

基于图5所示的信息推荐方法，可根据终端发送的搜索关键词，确定与该关键词关联的各商家。之后，从预先构建的图数据中，确定该关键词节点的节点特征，以及关联的各商家节点的节点特征，再根据该商家节点的节点特征、该关键词节点的节点特征以及该用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分。最后，根据各商家的预估得分，对各商家进行排序，并将排序结果发送至该终端显示。通过结合图数据中各关联节点的关联信息，综合对各商家进行排序，使排序结果更准确。

并且，对于排序靠后的商家，在图数据中与排序靠前的商家通过商家属性进行关联，从而提高与关键词的匹配度，使得后续排序靠前的概率更大，一定程度上缓解了“排序靠前的商家愈靠前，排序靠后的商家愈靠后”的问题。

此外，在本说明书中，为了保障排序结果的时效性，还需周期性的基于用户最新的行为日志数据，重新构建图数据，并根据重新构建的图数据，重新训练点击预估模型。

需要说明的是，上述提供的信息推荐方法，并不限制于对召回的各商家进行排序。当基于用户搜索的关键词，召回为各产品、旅游景点等信息时，也可采用上述方法对召回对象进行排序。例如，用户在电商平台中搜索商品时，也可采用上述方法对召回的各商品进行排序，以确定各商品的展示顺序。

基于图1所示的一种模型训练方法，本说明书实施例还对应提供一种模型训练装置的结构示意图，如图6所示。

图6为本说明书实施例提供的一种模型训练装置的结构示意图，包括：

建图模块300，配置为根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据；

样本确定模块302，配置为针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据；其中，各节点的节点特征基于所述图数据中与所述节点关联的各其它节点确定；

标注模块304，配置为根据该行为日志数据中的业务执行结果，确定各训练样本的标注；

排序模块306，配置为针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预估得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

可选地，所述建图模块300具体用于，针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后在各商家的下单次数，确定该关键词与各商家的关联关系；其中，所述下单次数与所述关联关系中的关系权重呈正相关，以及用于针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后下单商家对应的商家属性，确定该关键词与各商家属性的关联关系

可选地，所述建图模块300还用于，以最大化所述图数据中相连节点的特征相似度，以及最小化所述图数据中不相连节点的特征相似度为目标，调整所述图数据中的模型参数。

可选地，所述样本确定模块302具体用于，根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度，根据该商家对应所述关键词的匹配度、该商家节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据。

基于图5所示的一种信息推荐方法，本说明书实施例还对应提供一种信息推荐装置的结构示意图，如图7所示。

图7为本说明书实施例提供的一种信息推荐装置的结构示意图，包括：

接收模块400，接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家；

第一确定模块402，从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征；其中，所述图数据以各商家、各商家属性以及用户历史搜索的各关键词为节点，并根据各节点之间的关联关系构建，各节点之间的关联关系基于所述用户的行为日志数据确定；

第二确定模块404，根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分；

排序模块406，根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

可选地，所述第二确定模块404具体用于，根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度；

将该商家对应所述关键词的匹配度、该商家节点的节点特征以及所述用户的用户特征，输入预先训练的点击预估模型，确定该商家的预估得分。

本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的模型训练方法或图5提供的信息推荐方法。

本说明书实施例还提出了图8所示的电子设备的示意结构图。如图8，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的模型训练方法或图5提供的信息推荐方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和生成专用的集成电路芯片。而且，如今，取代手工地生成集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

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、***、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。

本发明是参照根据本发明实施例的方法、设备(***)、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。

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。

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。

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。

内存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)。内存是计算机可读介质的示例。

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。

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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书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，本说明书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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种模型训练方法，其特征在于，包括：

根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据；

针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据；其中，各节点的节点特征基于所述图数据中与所述节点关联的各其它节点确定；

根据该行为日志数据中的业务执行结果，对各训练样本进行标注；

针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预测得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

2.如权利要求1所述的方法，其特征在于，根据所述用户的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，具体包括：

针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后在各商家的下单次数，确定该关键词与各商家的关联关系；其中，所述下单次数与所述关联关系中的关系权重呈正相关；

根据所述用户的行为日志数据，确定各关键词与各商家属性之间的关联关系，具体包括：

针对每个关键词，根据所述行为日志数据中各用户搜索该关键词后下单商家对应的商家属性，确定该关键词与各商家属性的关联关系。

3.如权利要求1所述的方法，其特征在于，基于所述图数据确定节点的节点特征之前，所述方法还包括：

以最大化所述图数据中相连节点的特征相似度，以及最小化所述图数据中不相连节点的特征相似度为目标，调整所述图数据中的模型参数。

4.如权利要求1所述的方法，其特征在于，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据，具体包括：

根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度；

根据该商家对应所述关键词的匹配度、该商家节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据。

5.一种信息推荐方法，其特征在于，包括：

接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家；

从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征；其中，所述图数据以各商家、各商家属性以及用户历史搜索的各关键词为节点，并根据各节点之间的关联关系构建，各节点之间的关联关系基于所述用户的行为日志数据确定；

根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分；

根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

6.如权利要求5所述的方法，其特征在于，根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分，具体包括：

根据该商家节点的节点特征以及所述关键词节点的节点特征，确定该商家对应所述关键词的匹配度；

将该商家对应所述关键词的匹配度、该商家节点的节点特征以及所述用户的用户特征，输入预先训练的点击预估模型，确定该商家的预估得分。

7.一种模型训练装置，其特征在于，包括：

建图模块，配置为根据用户历史的行为日志数据，确定所述用户搜索的各关键词与各商家之间的关联关系，以及各关键词与各商家属性之间的关联关系，并分别以各关键词、各商家以及各商家属性为节点，根据各节点之间的关联关系，确定图数据；

样本确定模块，配置为针对每条行为日志数据，确定该行为日志数据中搜索的关键词，以及与所述关键词关联的各商家，并针对关联的每个商家，根据该商家节点的节点特征、所述关键词节点的节点特征以及该行为日志数据对应用户的用户特征，确定训练样本的样本数据；其中，各节点的节点特征基于所述图数据中与所述节点关联的各其它节点确定；

标注模块，配置为根据该行为日志数据中的业务执行结果，对各训练样本进行标注；

排序模块，配置为针对每个训练样本，将该训练样本的样本数据作为输入，输入待训练的点击预估模型，确定该训练样本的预估得分，并以最小化所述训练样本的预估得分与标注之间的差异为目标，调整所述点击预估模型中的模型参数。

8.一种信息推荐装置，其特征在于，包括：

接收模块，接收终端发送的用户搜索关键词，并确定与所述关键词关联的各商家；

第一确定模块，从预先构建的图数据中，确定所述关键词节点的节点特征，并针对所述关联的每个商家，从预先构建的图数据中，确定该商家节点的节点特征；其中，所述图数据以各商家、各商家属性以及用户历史搜索的各关键词为节点，并根据各节点之间的关联关系构建，各节点之间的关联关系基于所述用户的行为日志数据确定；

第二确定模块，根据该商家节点的节点特征、所述关键词节点的节点特征以及所述用户的用户特征，通过预先训练的点击预估模型，确定该商家的预估得分；

排序模块，根据各商家的预估得分，对各商家进行排序，并将排序结果发送至所述终端显示。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～4或5～6任一所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～4或5～6任一所述的方法。

Images