CN114780846A - 信息检索***的排序模型训练方法、装置、介质及设备 - Google Patents

Abstract

本公开提供了一种信息检索***的排序模型训练方法、装置、介质及设备，涉及人工智能技术领域，尤其涉及智能搜索技术领域。实现方案为：获取多个样本数据批次；依次对每个样本数据批次，执行下述操作：将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数；以及基于综合损失函数调整排序模型的多个参数。

Description

信息检索***的排序模型训练方法、装置、介质及设备

技术领域

本公开涉及人工智能技术领域，尤其涉及智能搜索技术领域，具体涉及一种信息检索***的排序模型训练的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

为了缓解信息过载的问题，信息检索技术(Information Retrieval，IR)得到了人们的广泛研究。信息检索的目标是在给定一个大规模数据库和一个用户查询的前提下，从数据库中找到与用户查询最相关的数据，从而满足用户的信息需求。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种信息检索***的排序模型训练的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于信息检索***的排序模型的训练方法，包括：获取多个样本数据批次，其中，多个样本数据批次中的每个样本数据批次包括多个样本数据，多个样本数据的每个样本数据包括样本查询结果、与样本查询结果相应的查询内容以及用于指示样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；依次对每个样本数据批次，执行下述操作：将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数；以及基于综合损失函数调整排序模型的多个参数。

根据本公开的另一方面，提供了一种用于信息检索***的排序方法，包括：基于查询内容，召回多个查询结果；将多个查询结果中的每个查询结果结合查询内容输入排序模型，以通过排序模型获取多个查询结果中的每个查询结果与查询内容的相关度得分，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得；以及基于多个查询结果中的每个查询结果与查询内容的相关度得分，确定多个查询结果的排列顺序。

根据本公开的另一方面，提供了一种信息检索***，包括：召回模型，召回模型被配置为基于查询内容，召回多个查询结果；排序模型，排序模型被配置为基于多个查询结果和查询内容，获取多个查询结果中的每个查询结果与查询内容的相关度得分，以用于多个查询结果的排序，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得。

根据本公开的另一方面，提供了一种用于信息检索***的排序模型的训练装置，包括：获取单元，被配置为获取多个样本数据批次，其中，多个样本数据批次中的每个样本数据批次包括多个样本数据，多个样本数据的每个样本数据包括样本查询结果、与样本查询结果相应的查询内容以及用于指示样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；执行单元，被配置为依次对每个样本数据批次，执行下述子单元的操作：输入子单元，被配置为将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；第一计算子单元，被配置为基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；第二计算子单元，被配置为基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数；以及调整子单元，被配置为基于综合损失函数调整排序模型的多个参数。

根据本公开的另一方面，提供了一种用于信息检索***的排序装置，包括：召回单元，被配置为基于查询内容，召回多个查询结果；输入单元，被配置为将多个查询结果中的每个查询结果结合查询内容输入排序模型，以通过排序模型获取多个查询结果中的每个查询结果与查询内容的相关度得分，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得；以及确定单元，被配置为基于多个查询结果中的每个查询结果与查询内容的相关度得分，确定多个查询结果的排列顺序。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法。

根据本公开的一个或多个实施例，通过将样本数据按批次输入排序模型，并基于每个批次的模型输出分别进行单样本损失函数和样本对损失函数的计算，以获取综合损失函数，从而基于该综合损失函数调整模型参数，能够结合两种训练方式对排序模型进行训练，提升排序模型的排序准确度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；

图2示出了根据本公开的实施例的用于信息检索***的排序模型的训练方法的流程图；

图3示出了根据本公开的实施例的获取多个样本数据批次的流程图；

图4示出了示例性的样本数据批次中的样本对的示意图；

图5示出了根据本公开的实施例的计算该样本数据批次的综合损失函数的流程图；

图6示出了根据本公开的实施例的用于信息检索***的排序方法的流程图；

图7示出了根据本公开的实施例的信息检索***的结构框图；

图8示出了根据本公开的实施例的用于信息检索***的排序模型的训练装置的结构框图；

图9示出了根据本公开的实施例的用于信息检索***的排序装置的结构框图；

图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

随着互联网的普及和信息技术的发展，纷繁冗杂的信息流为用户带来了巨大的认知负担，为了缓解信息过载的问题，信息检索技术(Information Retrieval，IR)得到了人们的广泛研究。信息检索的目标是在给定一个大规模数据库和一个用户查询的前提下，从数据库中找到与用户查询最相关的数据，从而满足用户的信息需求。

信息检索***通常包含两个级联模型：召回模型和排序模型。召回模型负责在给定一个用户查询的情况下，从大规模数据库中快速筛选出与用户查询相关的候选数据集，而排序模型负责对该候选数据集做进一步的排序，最终返回相关数据列表供用户参考。

相关技术中，排序模型的常见训练方式包括：基于单样本(Pointwise)的训练方式和基于样本对(Pairwise)的训练方式。其中，应用基于单样本(Pointwise)的训练方式训练的排序模型对单个查询结果与用户查询之间的相关度具有较高的预测准确度，但其对两个查询结果的排序的预测准确度较低；而应用基于样本对(Pairwise)的训练方式训练的排序模型对两个查询结果的排序更加符合用户预期，但是其对每个查询结果的相关度预测结果准确度较差。

为此，发明人提出了一种用于信息检索***的排序模型的训练方法，通过将样本数据按批次输入排序模型，并基于每个批次的模型输出分别进行单样本损失函数和样本对损失函数的计算，以获取综合损失函数，从而基于该综合损失函数调整模型参数。由此，能够结合两种训练方式对排序模型进行训练，提升排序模型的排序准确度。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于信息检索***的排序模型训练的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来收集并上传样本数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS)；或包括各种移动操作***，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。

图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的实施例，如图2所示，提供了一种用于信息检索***的排序模型的训练方法，包括：步骤S201、获取多个样本数据批次，其中，多个样本数据批次中的每个样本数据批次包括多个样本数据，多个样本数据的每个样本数据包括样本查询结果、与样本查询结果相应的查询内容以及用于指示样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；依次对每个样本数据批次，执行下述操作：步骤S202、将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；步骤S203、基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；步骤S204、基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数；以及步骤S205、基于综合损失函数调整排序模型的多个参数。

由此，通过将样本数据按批次输入排序模型，并基于每个批次的模型输出分别进行单样本损失函数和样本对损失函数的计算，以获取综合损失函数，从而基于该综合损失函数调整模型参数。通过上述方法能够结合两种训练方式对排序模型进行训练，提升排序模型的排序准确度。

在一些实施例中，排序模型可以由级联的预训练语言模型和全连接层构成，其中，预训练语言模型例如可以应用ERNIE、BERT、RoBERTa、MacBERT等模型。

在一些实施例中，用于训练的每个样本数据包括样本查询结果及其相应的查询内容。其中，样本查询结果的形式可以包括文本、图像、音频和视频等，其相应的查询内容的形式可以为文本或语音信息等形式。可以分别对样本查询结果和相应的查询内容进行语义特征提取，并将其相应的语义特征输入到排序模型中的预训练语言模型，并通过排序模型中的全连接层输出该样本查询结果和相应的查询内容之间的相关度预测结果。

在一些实施例中，样本查询结果可以是分别从图像、音频和视频等形式的原始样本数据中提取出来的文本数据以及文档中的文本数据。其中，对于音频、视频可以通过语音识别技术或文字识别技术将其中的语音信息转化为文本数据，对于音频、视频和图像也可以分别提取其相应的标题、描述文本等文本数据。

查询内容可以为文本查询信息或基于语音查询信息提取的文本数据。在应用上述样本查询结果进行模型训练时，可以将样本查询结果与查询内容通过文本拼接的形式拼接为一个文本数据，并将该文本数据输入到排序模型中的预训练语言模型，并通过排序模型中的全连接层输出该样本查询结果和相应的查询内容之间的相关度预测结果。

每个样本查询结果分别对应一个相关度等级标签，该标签可以用于表示该样本查询结果与相应的查询内容之间的相关度的大小。

在一些实施例中，相关度等级标签可以包括多档等级，并且标签的数值越大，等级越高，就表示其对应的样本查询结果之间的相关度越大。

在一些示例中，相关度等级标签可以取值为[0,1,2…z]，z≥1。其中，z例如可以取值为3、4或5。以z取3为例，则相关度等级标签共分为4个等级，分别为0、1、2、3，其中，标签0表示样本查询结果与查询内容之间不相关，标签1表示样本查询结果与查询内容之间弱相关，标签2表示样本查询结果与查询内容之间具有一定的相关性，标签3表示样本查询结果与查询内容之间强相关。

可以理解的，相关技术人员可以自行设置相关度等级标签的取值以及标签等级的个数，在此不做限制。

在一些实施例中，如图3所示，获取多个样本数据批次可以包括：步骤S301、获取分别对应多个查询内容的多个样本数据集，多个样本数据集中的每个样本数据集中的多个样本数据分别按照其相应的相关度等级标签的数值大小排序，其中，具有相同相关度等级标签的样本数据随机排列；步骤S302、将多个样本数据集按照预定顺序排列，以获取样本数据序列；以及步骤S303、将样本数据序列按照预设批量划分为多个样本数据批次。

由此，通过将多个样本数据整理为按照查询内容进而按照标签等级进行排序的样本序列，并基于该序列进行批次的划分，能够使样本数据分布更加均匀，使大部分批次均能包括对应于相同查询内容的不同相关度等级标签的多个样本数据，为计算每个批次对应的样本对损失函数和单样本损失函数提供更加便利的条件的同时，避免样本数据的重复使用，进一步提高了样本准备以及模型训练的效率。

在一些实施例中，可以首先获取分别对应多个查询内容的多个样本数据集，其中，多个查询内容可以构成一个查询内容集合Q＝{q₁，q₂，...，q_m}，m∈N。每个查询内容q_i(i∈[1，m])对应一个具有n(q_i)个样本查询结果的样本数据集

其中，l_i，j表示第j个样本查询结果d_i，j的相关度等级标签，j∈[1，n(q_i)]，n(q_i)∈N。其中，每个样本查询结果d_i，j例如可以为文本数据。

在一些实施例中，可以将每个样本数据集d_i按照其相应的查询内容q_i的顺序进行排列。

在一些情况下，排序模型可能会应用上述多个样本数据集进行多轮训练。在开始每轮训练之前，可以首先将查询内容集合Q中的查询内容q_i的顺序进行随机打乱，随后再基于打乱后的查询内容q_i的顺序排列样本数据集d_i。由此，能够使每轮训练的样本数据能够基于不同顺序输入模型，进一步提升模型训练的效果。

在一些实施例中，可以在样本数据集进行排序的基础上，进一步将每个样本数据集d_i中的每个样本查询结果d_i，j按照相关度等级标签的数值大小进行排序，并且将具有相同相关度等级标签的样本查询结果聚在一起，也即每个相关度等级标签对应一个样本查询结果子集合，每个样本查询结果子集合按照相关度等级标签的数值大小进行排序(例如按照相关度等级标签从大到小排序)，在每个样本查询结果子集合中包含的样本查询结果随机排列。

在一些情况下，排序模型可能会应用上述多个样本数据集进行多轮训练。在开始每轮训练之前，可以在将样本数据集d_i的顺序打乱的基础上，进一步将上述每个样本查询结果子集合中的样本查询结果的顺序进行打乱，从而能够进一步提升模型训练的效果。

通过上述操作，能够获取到一个由多个样本数据集排列而成的样本数据序列，进一步的，可以按照预设批量B将样本数据序列顺序划分为多个样本数据批次。

在一些实施例中，预设批量B的取值可以根据模型训练所应用的显卡(GPU)的内存大小决定，例如可以取值为16或32。可以理解的，相关技术人员可以根据实际情况自行确定预设批量B的取值，在此不作限制。

在一些实施例中，可以通过依次将样本数据按照批次输入到排序模型中，并基于每个批次的模型的预测结果计算单样本损失函数和样本对损失函数，进而计算综合损失函数，从而基于该综合损失函数对排序模型中的参数进行调整。

在一些实施例中，一个样本数据批次中的样本数据可能对应一个或多个查询内容q_i。对于每个样本查询结果d_i，j可以首先与其对应的查询内容q_i进行拼接，将拼接后的数据输入到排序模型中的预训练模型中(例如预训练语言模型ERNIE)，并通过级联在预训练模型之后的全连接层输出，以获取每个样本查询结果d_i，j与其对应的查询内容q_i之间的相关度预测结果(即相关度得分)：s_i，j＝ERNIE([CLS]q_i[SEP]d_i，j[SEP]])。

在一些实施例中，对一个样本数据批次对应的单样本损失函数可以通过如下公式进行计算：

其中，|B|表示样本数据批次的批量大小(也即预设批量)，并且其中，

x为一个变量，l_i，j表示d_i，j对应的相关度等级标签。

在一些实施例中，在进行单样本损失函数之前，可以首先将相关度等级标签l_i，j分别进行归一化，以映射到[0，1]区间。例如，当相关度等级标签分为4个等级，分别为0、1、2、3，其中，标签0归一化为0，标签1归一化为0.33，标签2归一化为0.67，标签3归一化为1。

在一些实施例中，可以将归一化后的相关度等级标签作为超参数进行调整。例如当某一样本查询结果对应的归一化后的相关度等级标签为0.33，而根据实际经验可以判定，该样本查询结果与查询内容之间的相关程度应约为0.5，则可对其进行相应调整，以使标签更符合实际情况，从而提升模型的训练效果。

在一些实施例中，基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的样本对损失函数可以包括：响应于该样本数据批次中包括至少一个样本对，基于至少一个样本对中的每个样本对中的每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算样本对损失函数，其中，至少一个样本对中的每个样本对包括第一样本数据和第二样本数据，并且至少一个样本对中的每个样本对符合下述条件：第一样本数据对应的查询内容和第二样本数据对应的查询内容相同；并且第一样本数据对应的相关度等级标签的数值大于第二样本数据对应的相关度等级标签的数值。

由此，通过计算同一查询内容下的样本对之间的样本对损失函数，所获取的损失更符合模型应用的实际场景(即对根据同一查询内容召回的多个查询结果进行排序)，基于该方法构建的样本对损失函数能够进一步提升模型的性能。

在一些实施例中，一个样本数据批次中包括的样本查询结果d_i，j可能均对应同一查询内容q_i，但是可能对应不同的相关度等级标签。对于该样本数据批次可以首先获取该批次中的样本对，其中，样本对中包括第一样本数据和第二样本数据，并且其中，第一样本数据对应的相关性等级标签的数值大于第二样本数据对应的相关性等级标签的数值。此时，对于该样本数据批次对应的样本对损失函数

可以通过如下公式进行计算：

其中，l_i，j和l_i，k分别为该样本数据批次(批量大小为B)中的样本查询结果d_i，j和样本查询结果d_i，k，s_i，j和s_i，k分别为样本查询结果d_i，j和样本查询结果d_i，k对应的相关度预测结果，其中j，k∈[1，B]；n_i为该样本数据批次中符合上述条件的样本对的个数；

是可调节的超参数，通常与l_i，j和l_i，k的差值呈正相关的关系。

在一些实施例中，可以通过调节

调节样本查询结果d_i，j和样本查询结果d_i，k之间在排名上相差的距离，例如可以将

设置为0或1。可以理解的，相关技术人员可以根据实际情况自行对

进行调整，在此不做限制。

在一些实施例中，可以基于每一轮训练之后的对模型的验证结果调整

当调整好

后开始下一轮模型训练，模型训练过程中可不对

进行调整。

在一些实施例中，一个样本数据批次中包括的样本查询结果可能分别对应多个查询内容，其中对应相同查询内容的多个样本查询结果可能对应不同的相关度等级标签。

可以分别在对应相同查询内容的多个样本查询结果中获取样本对，其中，样本对中包括第一样本数据和第二样本数据，并且其中，第一样本数据对应的相关性等级标签的数值大于第二样本数据对应的相关性等级标签的数值。并应用上述公式计算每个查询内容对应的样本对损失l_q。进一步的，可以通过下述公式计算该样本数据批次对应的样本对损失函数：

其中，U_q(B)表示该样本数据批次中的对应不同查询内容的子集合；|U_q(B)|表示该样本数据批次中的上述子集合的数量。

图4给出了一个示例性的样本数据批次中的样本对的示意图。

在一个示例中，如图4所示，一个样本数据批次的批量大小为8，该批次中的样本查询结果分别对应于两个查询内容q₁和q₂，其中，对应于查询内容q₁的样本查询结果分别包括d₁₁、d₁₂、d₁₃和d₁₄，并且其中样本查询结果d₁₁、d₁₂、d₁₃和d₁₄分别对应相关度等级标签3、2、1、0(也即样本查询结果按照相关度等级标签的数值由大到小进行排序)；对应于查询内容q₂的样本查询结果分别包括d₂₁、d₂₂、d₂₃和d₂₄，并且其中，样本查询结果d₂₁、d₂₂、d₂₃和d₂₄分别对应相关度等级标签3、1、1、0(也即样本查询结果按照相关度等级标签的数值由大到小进行排序)。

其中，在查询内容q₁对应的样本查询结果d₁₁、d₁₂、d₁₃和d₁₄中获取样本对，例如，样本对411为d₁₁-d₁₂样本对，其中，d₁₁对应的相关度等级标签的数值3大于d₁₂对应的相关度等级标签的数值2。类似的，在查询内容q₁对应的样本查询结果d₁₁、d₁₂、d₁₃和d₁₄中，符合上述条件的样本对还包括样本对412(d₁₁-d₁₃样本对)、样本对413(d₁₁-d₁₄样本对)、样本对414(d₁₂-d₁₃样本对)、样本对415(d₁₂-d₁₄样本对)和样本对416(d₁₃-d₁₄样本对)。

基于上述样本对和上述公式，能够获取查询内容q₁对应的样本对损失l_q1。

类似的，在查询内容q₂对应的样本查询结果d₂₁、d₂₂、d₂₃和d₂₄中可以分别获取下述符合条件的样本对：样本对421(d₂₁-d₂₂样本对)、样本对422(d₂₁-d₂₃样本对)、样本对423(d₂₁-d₂₄样本对)、样本对424(d₂₂-d₂₄样本对)和样本对425(d₂₃-d₂₄样本对)。

基于上述样本对和上述公式，能够获取查询内容q₂对应的样本对损失l_q2。

随后即可基于上述样本对损失函数的公式计算该样本数据批次对应的样本对损失函数：

在一些实施例中，基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的样本对损失函数可以包括：响应于该样本数据批次中不包含至少一个样本对，将该样本数据批次的样本对损失函数设置为预定数值。

在一些实施例中，一个样本数据批次中包括的样本查询结果可能均对应同一查询内容并且具有相同的相关度等级标签，或者一个样本数据批次中包括的样本查询结果虽然对应于多个查询内容，但是每个查询内容所对应的样本查询结果均对应同一相关度等级标签，这种情况下，可以将该样本数据批次的样本对损失函数设置为预定数值，例如设置为零。

由此，能够在该样本数据批次不具备符合要求的样本对时，仅基于单样本损失函数调整模型参数，避免了不符合训练需求的样本对对模型训练产生反向的影响。

在一些实施例中，基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数可以包括：基于单样本损失函数对应的第一权重、样本对损失函数对应的第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

由此，综合损失函数通过对单样本损失函数和样本对损失函数加权求和获得，从而能在将两种训练方式结合的同时，减少运算量，提升模型训练效率。

在一些实施例中，在基于上述方法分别获得该样本数据批次的单样本损失函数L_Pointwise和样本对损失函数L_Pairwise的基础上，可以进一步基于下述公式获得该样本数据批次的综合损失函数：

L＝αL_Pointwise+(1-α)L_Pairwise

其中，α为第一权重，1-α为第二权重，α∈[0，1]。

在一些实施例中，计算该样本数据批次的综合损失函数可以包括：根据该样本数据批次在多个样本数据批次中的次序，调整第一权重和第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于第一权重和第二权重的总和；基于调整后的第一权重、调整后的第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

在训练过程中，相关技术人员可以根据模型训练的进度(例如可以根据当前用于训练的批次在总批次中的顺序进行判断)对两个权重进行相应调整，从而能够使模型应用每个批次的数据进行训练时，能够达到不同的训练目的和训练效果(例如着重优化模型对相关性得分的预测能力，或着重优化模型排序的能力等)。

可理解的，相关技术人员可以根据实际情况自行确定是否调整第一权重和第二权重，以及调整第一权重和第二权重的幅度，在此不做限制。

在一些实施例中，如图5所示，计算该样本数据批次的综合损失函数可以包括：步骤S501、基于该样本数据批次在多个样本数据批次中的次序、预设权重调整速率以及第一预设权重，确定该样本数据批次对应的第一权重，其中，第一预设权重为多个样本数据批次中首个输入到排序模型中的样本数据批次的单样本损失函数对应的权重；步骤S502、基于该样本数据批次在多个样本数据批次中的次序、预设权重调整速率以及第二预设权重，确定该样本数据批次对应的第二权重，其中，第二预设权重为多个样本数据批次中首个输入到排序模型中的样本数据批次的样本对损失函数对应的权重，其中，第一预设权重大于第二预设权重，并且第一权重和第二权重的总和等于第一预设权重和第二预设权重的总和；以及步骤S503、基于第一权重、第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

通过预先设置权重的初始值和变化速率，从而在模型的训练过程中，根据训练进度自行调整两个权重；通过在训练初期将单样本损失函数的权重设为较大值，能够使模型快速收敛到能够粗略完成分类的程度；训练后期，样本对损失的权重逐渐增大，从而进一步优化模型的排序能力。由此，能够在优化模型性能的同时，提高模型训练效率。

在一些实施例中，可以根据上一轮训练后的对模型的验证结果，确定第一预设权重和第二预设权重(也即第一权重和第二权重的初始值)以及预设权重调整速率(例如每通过预定数量的样本数据批次，第一权重减小预定数值，同时第二权重增加预定数值)。

为验证本公开的用于信息检索***的排序模型的训练方法能够有效提升模型的性能，相关技术人员分别应用基于单样本的训练方式、基于样本对的训练方式以及基于本公开的用于信息检索***的排序模型的训练方法，对排序模型进行训练，并对训练后的模型进行测试，测试结果如下表所示：

其中，NDCG(Normalized Discounted Cumulative Gain，归一化折损累计增益)是用于对排序结果进行评价的常用指标。通过上述测试结果可以看出，通过本公开的用于信息检索***的排序模型的训练方法训练所得的排序模型具有更优的综合性能。

根据一些实施例，如图6所示，提供了一种用于信息检索***的排序方法，包括：步骤S601、基于查询内容，召回多个查询结果；步骤S602、将多个查询结果中的每个查询结果结合查询内容输入排序模型，以通过排序模型获取多个查询结果中的每个查询结果与查询内容的相关度得分，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得；以及步骤S603、基于多个查询结果中的每个查询结果与查询内容的相关度得分，确定多个查询结果的排列顺序。

根据一些实施例，如图7所示，提供了一种信息检索***700，包括：召回模型710，召回模型被配置为基于查询内容，召回多个查询结果；排序模型720，排序模型被配置为基于多个查询结果和查询内容，获取多个查询结果中的每个查询结果与查询内容的相关度得分，以用于多个查询结果的排序，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得。

根据一些实施例，如图8所示，提供了一种用于信息检索***的排序模型的训练装置800，包括：获取单元810，被配置为获取多个样本数据批次，其中，多个样本数据批次中的每个样本数据批次包括多个样本数据，多个样本数据的每个样本数据包括样本查询结果、与样本查询结果相应的查询内容以及用于指示样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；执行单元820，被配置为依次对每个样本数据批次，执行下述子单元的操作：输入子单元821，被配置为将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；第一计算子单元822，被配置为基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；第二计算子单元823，被配置为基于单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数；以及调整子单元824，被配置为基于综合损失函数调整排序模型的多个参数。

用于信息检索***的排序模型的训练装置800中的单元810、单元820以及子单元821-子单元824的操作与上述用于信息检索***的排序模型的训练方法中的步骤S201-步骤S205的操作类似，在此不做赘述。

根据一些实施例，获取单元可以包括：获取子单元，被配置为获取分别对应多个查询内容的多个样本数据集，多个样本数据集中的每个样本数据集中的多个样本数据分别按照其相应的相关度等级标签的数值大小排序，其中，具有相同相关度等级标签的样本数据随机排列；排列子单元，被配置为将多个样本数据集按照预定顺序排列，以获取样本数据序列；以及划分子单元，被配置为将样本数据序列按照预设批量划分为多个样本数据批次。

根据一些实施例，第一计算子单元可以被配置为：响应于该样本数据批次中包括至少一个样本对，基于至少一个样本对中的每个样本对中的每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算样本对损失函数，其中，至少一个样本对中的每个样本对包括第一样本数据和第二样本数据，并且至少一个样本对中的每个样本对符合下述条件：第一样本数据对应的查询内容和第二样本数据对应的查询内容相同；并且第一样本数据对应的相关度等级标签的数值大于第二样本数据对应的相关度等级标签的数值。

根据一些实施例，第一计算子单元还可以被配置为：响应于该样本数据批次中不包含至少一个样本对，将该样本数据批次的样本对损失函数设置为预定数值。

根据一些实施例，第二计算子单元可以被配置为：基于单样本损失函数对应的第一权重、样本对损失函数对应的第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

根据一些实施例，第二计算子单元还可以被配置为：根据该样本数据批次在多个样本数据批次中的次序，调整第一权重和第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于第一权重和第二权重的总和；基于调整后的第一权重、调整后的第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

根据一些实施例，第二计算子单元还可以被配置为：基于该样本数据批次在多个样本数据批次中的次序、预设权重调整速率以及第一预设权重，确定该样本数据批次对应的第一权重，其中，第一预设权重为多个样本数据批次中首个输入到排序模型中的样本数据批次的单样本损失函数对应的权重；基于该样本数据批次在多个样本数据批次中的次序、预设权重调整速率以及第二预设权重，确定该样本数据批次对应的第二权重，其中，第二预设权重为多个样本数据批次中首个输入到排序模型中的样本数据批次的样本对损失函数对应的权重，其中，第一预设权重大于第二预设权重，并且第一权重和第二权重的总和等于第一预设权重和第二预设权重的总和；以及基于第一权重、第二权重、单样本损失函数和样本对损失函数，计算该样本数据批次的综合损失函数。

根据一些实施例，如图9所示，提供了一种用于信息检索***的排序装置900，包括：召回单元910，被配置为基于查询内容，召回多个查询结果；输入单元920，被配置为将多个查询结果中的每个查询结果结合查询内容输入排序模型，以通过排序模型获取多个查询结果中的每个查询结果与查询内容的相关度得分，其中，排序模型基于本公开的用于信息检索***的排序模型的训练方法训练获得；以及确定单元930，被配置为基于多个查询结果中的每个查询结果与查询内容的相关度得分，确定多个查询结果的排列顺序。

用于信息检索***的排序装置900中的单元910-单元930的操作与上述用于信息检索***的排序模型的训练方法中的步骤S601-步骤S603的操作类似，在此不做赘述。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如本公开的用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法。例如，在一些实施例中，本公开的用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的本公开的用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开的用于信息检索***的排序模型的训练方法或用于信息检索***的排序方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (20)

1.一种用于信息检索***的排序模型的训练方法，所述方法包括：

获取多个样本数据批次，其中，所述多个样本数据批次中的每个样本数据批次包括多个样本数据，所述多个样本数据的每个样本数据包括样本查询结果、与所述样本查询结果相应的查询内容以及用于指示所述样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；

依次对每个样本数据批次，执行下述操作：

将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入所述排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；

基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；

基于所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数；以及

基于所述综合损失函数调整所述排序模型的多个参数。

2.根据权利要求1所述的方法，其中，所述获取多个样本数据批次包括：

获取分别对应多个查询内容的多个样本数据集，所述多个样本数据集中的每个样本数据集中的多个样本数据分别按照其相应的相关度等级标签的数值大小排序，其中，具有相同相关度等级标签的样本数据随机排列；

将所述多个样本数据集按照预定顺序排列，以获取样本数据序列；以及

将所述样本数据序列按照预设批量划分为所述多个样本数据批次。

3.根据权利要求2所述的方法，其中，所述基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的样本对损失函数包括：

响应于该样本数据批次中包括至少一个样本对，基于所述至少一个样本对中的每个样本对中的每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算所述样本对损失函数，

其中，所述至少一个样本对中的每个样本对包括第一样本数据和第二样本数据，并且所述至少一个样本对中的每个样本对符合下述条件：

所述第一样本数据对应的查询内容和所述第二样本数据对应的查询内容相同；并且

所述第一样本数据对应的相关度等级标签的数值大于所述第二样本数据对应的相关度等级标签的数值。

4.根据权利要求3所述的方法，其中，所述基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的样本对损失函数包括：

响应于该样本数据批次中不包含所述至少一个样本对，将该样本数据批次的样本对损失函数设置为预定数值。

5.根据权利要求2至4中任一项所述的方法，其中，所述基于所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数包括：

基于所述单样本损失函数对应的第一权重、所述样本对损失函数对应的第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

6.根据权利要求5所述的方法，其中，所述计算该样本数据批次的综合损失函数包括：

根据该样本数据批次在所述多个样本数据批次中的次序，调整所述第一权重和所述第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于所述第一权重和所述第二权重的总和；

基于调整后的第一权重、调整后的第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

7.根据权利要求5所述的方法，其中，所述计算该样本数据批次的综合损失函数包括：

基于该样本数据批次在所述多个样本数据批次中的次序、预设权重调整速率以及第一预设权重，确定该样本数据批次对应的所述第一权重，其中，所述第一预设权重为所述多个样本数据批次中首个输入到所述排序模型中的样本数据批次的单样本损失函数对应的权重；

基于该样本数据批次在所述多个样本数据批次中的次序、所述预设权重调整速率以及第二预设权重，确定该样本数据批次对应的所述第二权重，其中，所述第二预设权重为所述多个样本数据批次中首个输入到所述排序模型中的样本数据批次的样本对损失函数对应的权重，

其中，所述第一预设权重大于所述第二预设权重，并且所述第一权重和所述第二权重的总和等于所述第一预设权重和所述第二预设权重的总和；以及

基于所述第一权重、所述第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

8.一种用于信息检索***的排序方法，所述方法包括：

基于查询内容，召回多个查询结果；

将所述多个查询结果中的每个查询结果结合所述查询内容输入排序模型，以通过所述排序模型获取所述多个查询结果中的每个查询结果与所述查询内容的相关度得分，其中，所述排序模型基于权利要求1-7中任一项所述的方法训练获得；以及

基于所述多个查询结果中的每个查询结果与所述查询内容的相关度得分，确定所述多个查询结果的排列顺序。

9.一种信息检索***，包括：

召回模型，所述召回模型被配置为基于查询内容，召回多个查询结果；

排序模型，所述排序模型被配置为基于所述多个查询结果和所述查询内容，获取所述多个查询结果中的每个查询结果与所述查询内容的相关度得分，以用于所述多个查询结果的排序，其中，所述排序模型基于权利要求1-7中任一项所述的方法训练获得。

10.一种用于信息检索***的排序模型的训练装置，所述装置包括：

获取单元，被配置为获取多个样本数据批次，其中，所述多个样本数据批次中的每个样本数据批次包括多个样本数据，所述多个样本数据的每个样本数据包括样本查询结果、与所述样本查询结果相应的查询内容以及用于指示所述样本查询结果与相应的查询内容之间相关度大小的相关度等级标签；

执行单元，被配置为依次对每个样本数据批次，执行下述子单元的操作：

输入子单元，被配置为将该样本数据批次中的每个样本数据中的样本查询结果和相应的查询内容输入所述排序模型，以获取该样本数据对应的样本查询结果和相应的查询内容之间的相关度预测结果；

第一计算子单元，被配置为基于每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算该样本数据批次的单样本损失函数和样本对损失函数；

第二计算子单元，被配置为基于所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数；以及

调整子单元，被配置为基于所述综合损失函数调整所述排序模型的多个参数。

11.根据权利要求10所述的装置，其中，所述获取单元包括：

获取子单元，被配置为获取分别对应多个查询内容的多个样本数据集，所述多个样本数据集中的每个样本数据集中的多个样本数据分别按照其相应的相关度等级标签的数值大小排序，其中，具有相同相关度等级标签的样本数据随机排列；

排列子单元，被配置为将所述多个样本数据集按照预定顺序排列，以获取样本数据序列；以及

划分子单元，被配置为将所述样本数据序列按照预设批量划分为所述多个样本数据批次。

12.根据权利要求11所述的装置，其中，所述第一计算子单元被配置为：

响应于该样本数据批次中包括至少一个样本对，基于所述至少一个样本对中的每个样本对中的每个样本数据相应的相关度预测结果以及相应的相关度等级标签，计算所述样本对损失函数，

其中，所述至少一个样本对中的每个样本对包括第一样本数据和第二样本数据，并且所述至少一个样本对中的每个样本对符合下述条件：

所述第一样本数据对应的查询内容和所述第二样本数据对应的查询内容相同；并且

所述第一样本数据对应的相关度等级标签的数值大于所述第二样本数据对应的相关度等级标签的数值。

13.根据权利要求12所述的装置，其中，所述第一计算子单元还被配置为：

响应于该样本数据批次中不包含所述至少一个样本对，将该样本数据批次的样本对损失函数设置为预定数值。

14.根据权利要求11至13中任一项所述的装置，其中，所述第二计算子单元被配置为：

基于所述单样本损失函数对应的第一权重、所述样本对损失函数对应的第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

15.根据权利要求14所述的装置，其中，所述第二计算子单元还被配置为：

根据该样本数据批次在所述多个样本数据批次中的次序，调整所述第一权重和所述第二权重，其中，调整后的第一权重与调整后的第二权重的总和等于所述第一权重和所述第二权重的总和；

基于调整后的第一权重、调整后的第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

16.根据权利要求14所述的装置，其中，所述第二计算子单元还被配置为：

基于该样本数据批次在所述多个样本数据批次中的次序、预设权重调整速率以及第一预设权重，确定该样本数据批次对应的所述第一权重，其中，所述第一预设权重为所述多个样本数据批次中首个输入到所述排序模型中的样本数据批次的单样本损失函数对应的权重；

基于该样本数据批次在所述多个样本数据批次中的次序、所述预设权重调整速率以及第二预设权重，确定该样本数据批次对应的所述第二权重，其中，所述第二预设权重为所述多个样本数据批次中首个输入到所述排序模型中的样本数据批次的样本对损失函数对应的权重，

其中，所述第一预设权重大于所述第二预设权重，并且所述第一权重和所述第二权重的总和等于所述第一预设权重和所述第二预设权重的总和；以及

基于所述第一权重、所述第二权重、所述单样本损失函数和所述样本对损失函数，计算该样本数据批次的综合损失函数。

17.一种用于信息检索***的排序装置，所述装置包括：

召回单元，被配置为基于查询内容，召回多个查询结果；

输入单元，被配置为将所述多个查询结果中的每个查询结果结合所述查询内容输入排序模型，以通过所述排序模型获取所述多个查询结果中的每个查询结果与所述查询内容的相关度得分，其中，所述排序模型基于权利要求1-7中任一项所述的方法训练获得；以及

确定单元，被配置为基于所述多个查询结果中的每个查询结果与所述查询内容的相关度得分，确定所述多个查询结果的排列顺序。

18.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images