CN115185606A - 业务配置参数的获得方法、装置、设备及存储介质 - Google Patents
业务配置参数的获得方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115185606A CN115185606A CN202210852082.7A CN202210852082A CN115185606A CN 115185606 A CN115185606 A CN 115185606A CN 202210852082 A CN202210852082 A CN 202210852082A CN 115185606 A CN115185606 A CN 115185606A
- Authority
- CN
- China
- Prior art keywords
- target
- service
- group
- models
- service configuration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种业务配置参数的获得方法、装置、电子设备、存储介质及计算机程序产品，涉及人工智能技术领域，尤其涉及人工智能、机器学习、智能搜索、智能推荐技术领域。具体实现方案为：获取流量请求数据；将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；各组目标模型的输出参数表征对流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数。根据本公开，可实现对目标业务配置参数的精准获取。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及人工智能、机器学习、智能搜索、智能推荐领域，更具体的涉及业务配置参数的获得方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
在对海量数据业务如搜索、广告投放、产品推荐等的研究中发现，业务配置参数的选择可能在一定程度上会影响到业务收益，还可能影响到用户的业务体验。可见，如何提供精准的业务配置参数成为了亟待解决的技术问题。
发明内容
本公开提供了一种业务配置参数的获得方法、装置、存储介质及计算机程序产品。
根据本公开的一方面，提供了一种业务配置参数的获得方法，包括：
获取流量请求数据；将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中，各组目标模型的输出参数表征对所述流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生所述流量请求数据的对象进行业务处理。
根据本公开的另一方面，提供了一种业务配置参数的获得装置，包括：
第一获取单元，用于获取流量请求数据；
第二获取单元，用于将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中，各组目标模型的输出参数表征对所述流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；
确定单元，用于基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生所述流量请求数据的对象进行业务处理。
根据本公开的再一方面，提供了一种电子设备，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本公开任一实施例中的方法。
根据本公开的又一方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开，基于目标模型输出的业务指标增益量进行目标业务配置参数的获取，考虑到了业务指标对业务配置参数的确定或选择的影响，可实现对目标业务配置参数的精准获取。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例的海量数据业务***的***架构的示意图；
图2是本公开实施例的业务配置参数的获得方法的流程示意图一；
图3是本公开实施例的业务配置参数的获得方法的流程示意图二；
图4是本公开实施例的业务配置参数的获得方法的实施组件示意图；
图5是本公开实施例的实施组件实施业务配置参数的获得方法的示意图；
图6是本公开实施例的在线决策组件实施业务配置参数的获得方法的示意图；
图7是本公开实施例的业务配置参数的获得装置的组成示意图；
图8是用来实现本公开实施例的业务配置参数的获得方法的电子设备的框图。
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和精神。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。
在海量数据业务中，如搜索、广告投放、产品推荐等业务中，任何可自动配置的参数可视为业务配置参数，如向用户提供的产品推荐数量、在用户的显示界面每次显示的产品的数量等参数均可视为业务配置参数。
图1为本公开实施例的海量数据业务***的***架构。如图1所示，该***架构通常包括前端11和后台12。其中，前端11为如任何合理的终端，用于展示或显示后台12为用户提供的搜索结果、广告推荐结果或产品推荐结果。终端可以为手机、一体机、平板电脑、可穿戴式智能设备等中的至少一种。后台12为服务器，用于采用漏斗式架构为前端11提供搜索结果、广告展示结果或产品推荐结果，以令前端11将前述结果展示或显示给用户。
其中，漏斗式架构通过分层的方式，基于用户输入的搜索关键词或产品关键词，将海量数据进行层层筛选，至少依次经过数据召回、数据粗排、数据精排等几个阶段，为用户返回最终的搜索或推荐结果。
以产品推荐业务为例，召回阶段用于针对用户的请求，将海量数据中符合用户输入的产品关键词的产品放到候选数据集中。数据粗排阶段对候选数据集中的候选数据进行粗略的排序。数据精排阶段结合诸如用户喜好、购买习惯等用户特征，将数据粗排阶段得到的排序结果进行细致的排序，以尽量匹配用户的需求。
以上每个阶段均会存在一定的业务配置参数，如召回阶段的候选数据集长度；数据粗排阶段存在有数据推荐长度(粗略排序的排序长度)；数据精排阶段存在有数据推荐长度(细致排序的排序长度)。可见，为每个阶段进行业务配置参数的精准配置，势必会使得产品推荐更加精准，从用户端来看可为用户带来良好的使用体验。从***端来看，***可为用户提供更为精准的业务配置参数，***的业务能力如推荐能力被大大提升，这样的***在工程上易于推广，实用性强。
本公开的业务配置参数的获得方法可为前述的各阶段中的任意一个阶段进行业务配置参数的确定或选择，由于本公开考虑到了业务指标对业务配置参数的确定或选择的影响，采用了可得到业务指标增益量的模型(目标模型)实现业务指标增益量的获得，基于由目标模型获得的业务指标增益量，实现对目标业务配置参数的精准获取。这种基于业务指标增益量获取业务配置参数的方案，不仅可有效提高用户的业务体验，还可为业务带来收益。具体可参见后续对本方案的详细说明。
本公开实施例的业务配置参数的获得方法的处理逻辑可部署于任何合理的服务器中。其中，服务器包括普通服务器、云服务器、用于专业领域如用于前述图1中的可用作后台12的服务器。本公开实施例的业务配置参数的获得装置可作为一个实现部件在服务器中使用，还可以作为可单独实施的设备，进行本公开的业务配置参数的获得方法的处理逻辑的单独实施。
下面对本公开实施例的业务配置参数的获得方法进行说明。如图2所示，所述方法包括：
S201：获取流量请求数据；
流量请求数据可以是用户的搜索请求、推荐请求等。用户可通过前端11进行搜索请求、推荐请求的输入，本步骤中后台12可通过接收前端11发送的搜索请求、推荐请求的方式来实现对流量请求数据的获取。
流量请求数据可以是单个用户的请求，还可以是多个用户的请求。如果是单个用户的请求，基于后续方案得到的是为该单个用户确定出的目标业务配置参数。如果是多个用户的请求，基于后续方案得到的是为各个用户确定出的目标业务配置参数。其中，为各个用户确定出的目标业务配置参数之间可以完全不同，可以部分相同，还可以完全相同，具体视实际情况而定。
S202：将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中各组目标模型的输出参数表征对流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；
流量请求数据的特征数据包括但不限于以下所述：用户属性，例如性别、年龄、网龄等；用户设备属性，例如设备型号、位置数据等；用户行为属性，例如最近一段时间内的访问行为如最近7天的访问后台12的次数、最近1天内与产品商家之间的交互次数等。
本步骤中，每组目标模型对应两个业务配置参数：原业务配置参数和候选业务配置参数。原业务配置参数为进行业务处理时原来后台12使用的业务配置参数例如推荐或搜索业务中后台12提供的原来的推荐长度。候选业务配置参数为进行业务处理时有可能会被采用的业务配置参数如推荐或搜索业务中的后台12提供的候选的推荐长度。
本公开实施例的每组目标模型均可执行两个功能。第一个功能是，采用自身对应的原业务配置参数对流量请求数据进行业务处理。第二个功能是，采用自身对应的候选业务配置参数对流量请求数据进行业务处理。每组目标模型针对前述的两个功能产生有一个输出参数，该输出参数表征对流量请求数据从采用该组目标模型对应的原业务配置参数进行业务处理变成采用该组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量。即，每组目标模型的输出参数表征为业务指标增益量。
其中，在搜索、广告投放、推荐等海量数据业务的应用场景中，业务指标可以是业务关注的指标，例如点击率、购买率、满意度、阅读率、转化率等。原推荐长度、候选推荐长度具体可以是前述应用场景的召回阶段中的候选数据集的可选长度，可以是粗排阶段中的可选数据推荐长度，还可以是细排阶段中的可选数据推荐长度。从用户层面来看，用户可看到采用原推荐长度或候选推荐长度进行呈现的产品。
在实际应用中，增益量可以是正增益，还可以是负增益。对于互联网公司或单位来说，增益量为正为最好，增益量为正说明存在有业务收益，且为正的增益量越大，收益越高。
本公开实施例的原业务配置参数和候选业务配置参数可以是从预先设置的参数中挑选出的参数。以业务配置参数为精排阶段的数据推荐长度为例，预先设置的数据推荐长度包括取值为100、200、300、400、500等长度，可挑选其中之一作为原业务配置参数，挑选至少其中之一作为候选业务配置参数。示例性，将取值为100的数据推荐长度作为原业务配置参数，将取值为200、300的数据推荐长度作为候选业务配置参数。
由于每组目标模型对应一个候选业务配置参数，所以，目标模型组的数量可以与候选业务配置参数的数量保持一致。挑选几个参数作为候选业务配置参数，就取相应数量的目标模型组，将流量请求数据输入至这些相应数量的目标模型组中。
在实际应用中，目标模型为任何合理的可实现业务指标增益量计算的模型，如基于统计学进行增益量计算的统计模型，如基于因果推断的增益(uplift)模型。
S203：基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生流量请求数据的对象进行业务处理。
本步骤中，基于各组目标模型的输出参数，从各组目标模型对应的原业务配置参数和候选业务配置参数中，挑选出目标业务配置参数。产生流量请求数据的对象为产生流量请求数据的用户。
前述S201～S203中，基于目标模型输出的业务指标增益量进行目标业务配置参数的获取，考虑到了业务指标对业务配置参数的确定或选择的影响，采用了可得到业务指标增益量的模型(目标模型)实现业务指标增益量的获得，进而实现对目标业务配置参数的精准获取。这种基于业务指标增益量获取业务配置参数的方案，不仅可为用户确定精准的业务配置参数，提高用户的业务体验。基于业务指标增益量实现对目标业务配置参数的获取，还可为业务带来收益，体现了本公开实施例的方法的易用性和实用性。
作为一个可选实施方式，如图3所示，前述的基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数的方案可通过如下内容来实现：
S303：从各组目标模型的业务指标增益量中，确定目标业务指标增益量；其中，目标业务指标增益量为各组目标模型的业务指标增益量中为取值最大、以及达到目标阈值中的至少之一的业务指标增益量；
S304：基于目标业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数。
在图3中，S301、S302所示的方案参见S201、S202所示的方案进行理解。
在S303～S304中，存在有以下几种情况：
在目标业务指标增益量为各组目标模型输出的业务指标增益量中为取值最大的业务指标增益量的情况下，将在各组目标模型输出的业务指标增益量中得到取值最大的业务指标增益量的目标模型对应的候选业务配置参数作为目标业务配置参数。
示例性地，假定存在两个候选业务配置参数，参数1和参数2。第一组目标模型对应参数1，第二组目标模型对应参数2。在第一组和第二组目标模型中，第一组目标模型输出的业务指标增益量最大，则将参数1作为目标业务配置参数。
在目标业务指标增益量为各组目标模型输出的业务指标增益量中达到目标阈值的业务指标增益量的情况下，将在各组目标模型输出的业务指标增益量中得到达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数作为目标业务配置参数。
示例性地，假定存在三个候选业务配置参数，参数1、参数2和参数3。第一组目标模型对应参数1，第二组目标模型对应参数2，第三组目标模型对应参数3。在第一组-第三组目标模型中，第三组目标模型输出的业务指标增益量达到目标阈值，第二组、第一组目标模型输出的业务指标增益量均未达到目标阈值，则将参数3作为目标业务配置参数。
在目标业务指标增益量为各组目标模型输出的业务指标增益量中为取值最大且达到目标阈值的业务指标增益量的情况下，将在各组目标模型输出的业务指标增益量中得到取值最大、且达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数。
示例性地，假定存在三个候选业务配置参数，参数1、参数2和参数3。第一组目标模型对应参数1，第二组目标模型对应参数2，第三组目标模型对应参数3。在第一组-第三组目标模型中，第二组目标模型输出的业务指标增益量最大且达到目标阈值，则将参数2作为目标业务配置参数。
可见，在图3所示的方案中，基于取值最大、和/或达到目标阈值的业务指标增益量进行目标业务指标增益量的确定，进而将取得业务指标增益量最大的目标模型对应的候选业务配置参数、和/或业务指标增益量达到目标阈值的目标模型对应的候选业务配置参数作为目标业务配置参数，在最大化业务收益的情况下，实现对目标业务配置参数的精准获取。在工程上易于实施、易用性强。
在实际应用中，各组目标模型对应的原业务配置参数可以相同，可以不同。作为一个可选实施方式，各组目标模型对应的原业务配置参数相同。基于此，各组目标模型的输出参数表征对流量请求数据从采用相同的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量。在各组目标模型输出的业务指标增益量均未达到目标阈值的情况下，响应于各组目标模型输出的业务指标增益量均未达到目标阈值，将前述的相同的原业务配置参数作为目标业务配置参数。
通俗来讲，各组目标模型输出的业务指标增益量均未达到目标阈值的情况下，将原业务配置参数作为目标业务配置参数。由此实现了对目标业务配置参数的精准获取，可为用户确定精准的业务配置参数，有效提高用户的良好体验。
前述方案中，所涉及的目标阈值可以是根据经验而设定的取值，如0.5、0.7等。此外，目标阈值还可以通过目标模型组的计算而得。如，目标阈值是基于至少一组目标模型针对历史流量请求数据而得到的历史业务指标增益量、在历史业务指标增益量对应的历史业务配置参数下的算力消耗量和预设的业务算力约束条件，从预设的至少一个候选阈值中筛选出的阈值而得。进一步的，可将算力消耗量约束在业务算力约束条件下，从预设的至少一个候选阈值中筛选出目标阈值，以实现对目标阈值的计算。相当于，目标阈值是基于算力资源而得到的数值。可以理解，由于目标阈值的计算是为了实现对更为准确的业务配置参数的获取。所以，前述的基于算力消耗量和业务算力约束条件实现的目标阈值的计算以及基于目标阈值获取业务配置参数，可视为是在业务算力约束条件的作用或约束下，实现对业务配置参数的精准获取的方案。一方面，可有效节省算力，另一方面不影响业务的正常进行。
其中，业务算力约束条件是与后台12提供的算力资源有关的条件，体现了后台12向业务提供的计算能力。其可以为任何合理的条件。如，后台12原提供100个处理器用于维持算力耗费。业务配置参数的取值每增加一定数量如100或150，需要后台12增加一定的运算资源如增加100个或150个处理器，用以支撑由于业务配置参数的增加而导致的算力消耗。
本公开实施例中，考虑到了后台12提供的计算能力以及算力消耗量对业务配置参数的影响，将算力消耗量约束在业务算力约束条件下，基于业务指标增益量，实现对业务配置参数的获取。可在业务算力约束条件下，最大化业务效果，如选取了取得业务指标增益量最大的目标模型对应的候选配置参数作为目标业务配置参数，其中业务指标增益量的最大化体现了业务效果的最大化。
考虑到，在搜索、广告投放、推荐等海量数据业务的应用场景中，业务指标可以是业务关注的指标，例如点击率、购买率、满意度、阅读率、转化率等。所以，本公开实施例中的候选业务配置参数可以为搜索业务或推荐业务中的候选推荐长度，原业务配置参数可以为搜索业务或推荐业务中的原推荐长度。基于此，业务指标增益量可以为各组目标模型对流量请求数据从采用各组目标模型对应的原推荐长度进行业务搜索或业务推荐变成采用各组目标模型对应的候选推荐长度进行业务搜索或业务推荐而产生的业务收益。
前述方案中，可将搜索业务、广告投放业务、推荐业务等应用场景中的业务推荐长度作为业务配置参数，将目标模型对流量请求数据从采用目标模型对应的原推荐长度进行业务搜索或业务推荐变成采用目标模型对应的候选推荐长度进行业务搜索或业务推荐而产生的业务收益作为业务指标增益量，可大大适配于前述的应用场景，实用性佳。
其中，业务收益可以指的是为业务关注的指标带来的改变，如点击率的增量、购买率的增量等。还可以是为业务关注的指标带来的经济收益，如点击率的增量带来的经济收益、购买率增量带来的经济收益。
在搜索、广告投放、推荐等海量数据业务的应用场景中，前述的基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定出目标业务配置参数可以为：基于各组目标模型的业务收益，从各组目标模型对应的原推荐长度和候选推荐长度中，确定出目标推荐长度，所述目标推荐长度用于为产生流量请求数据的对象如用户进行业务搜索或业务推荐。
基于搜索业务、广告投放业务、推荐业务等应用场景中的业务收益，实现对目标推荐长度的获取，不仅可保证推荐长度的获取准确性，还尽量使得收益最大化，提高经济价值。
作为一个可选方式，本公开实施例中的各组目标模型可以为训练好的基于因果推断的增益模型，通过为各组基于因果推断的增益模型获取到的历史流量请求数据和标签数据对各组基于因果推断的增益模型进行训练而得到。
其中，标签数据为基于对象对历史上后台12为历史流量请求数据的该对象推荐过的业务配置参数的反馈数据而得到。示例性地，历史上后台12为该对象推荐过的产品推荐长度为100或50，采集在产品推荐长度为100的情况下该对象的点击情况或在产品推荐长度为50的情况下该对象的点击情况，基于点击情况，计算在产品推荐长度为100的情况下该对象的点击率或在产品推荐长度为50的情况下该对象的点击率，将点击率作为标签数据。将历史流量请求数据和点击率作为训练样本，对基于因果推断的增益模型(简称为增益模型或uplift模型)进行训练。
通过利用历史流量请求数据和标签数据对增益模型进行训练，可得到精准的目标模型。利用精准的目标模型可得到准确的业务指标增益量，进而保证目标业务配置参数的精准获取。
下面结合图4-图6对本公开实施例的技术方案做详细说明。
如图4所示，实现本公开实施例的业务配置参数的获得方法的组件包括在线探索组件、离线训练组件、和在线决策组件。其中，在线探索组件，用于获取历史流量请求数据。离线训练组件，用于将历史流量请求数据和标签数据作为训练样本，利用训练样本对至少一组待训练的uplift模型进行训练。在线决策组件，用于利用在线流量请求数据、训练好的uplift模型以及离线训练组件提供的目标阈值，为产生流量请求数据的用户确定目标业务配置参数。
下面以推荐业务应用场景中的精排阶段的数据推荐长度作为推荐业务场景中的业务配置参数为例，结合以上各个组件和图5所示对本公开实施例的方法进行详细说明。
可以理解，针对历史流量请求数据如历史上的推荐请求，后台12可能会为不同的用户推荐不同的推荐长度，如为用户1提供的推荐长度为100，为用户2提供的推荐长度为200，为用户3提供的推荐长度为300，等等。将以上不同长度视为精排阶段的业务配置参数的不同档位。每个档位对应一个推荐长度。如，档位1，对应推荐长度为100；档位2，对应推荐长度为200。
后台12可收集不同档位的用户的历史流量请求数据。在线探索组件从至少一个档位的用户的历史流量请求数据中采集或抽取相同比例的历史流量请求数据。如从档位1(推荐长度为100)的用户的历史流量请求数据中采集或抽取1％的流量请求数据，从档位2(推荐长度为200)的用户的历史流量请求数据中采集或抽取1％的流量请求数据，从档位3(推荐长度为300)的用户的历史流量请求数据中采集或抽取1％的流量请求数据。
在不同的档位的推荐长度中，选取其中一个档位的推荐长度作为对照组，将其他档位的推荐长度作为实验组。
示例性地，如选择取值为100的推荐长度为对照组，作为原业务配置参数(原推荐长度)使用，其他取值的推荐长度为实验组，作为候选业务配置参数(候选推荐长度)使用。
待训练的uplift模型的数量和候选业务配置参数的数量保持为一致。
示例性地，原推荐长度为100，候选推荐长度取值为200、300的情况下，包括有两组待训练的uplift模型。其中，两组待训练的uplift模型中的第一组待训练的uplift模型对应的候选推荐长度为取值为200。第二组待训练的uplift模型对应的候选推荐长度为取值为300。
两组待训练的uplift模型均可从采用原推荐长度变成采用各自对应的候选推荐长度对业务进行处理。示例性地，第一组待训练的uplift模型实现：采用取值为100的推荐长度(原推荐长度)对历史流量请求数据进行业务处理；采用取值为200的推荐长度(候选推荐长度)对历史流量请求数据进行业务处理。第二组待训练的uplift模型采用取值为100的推荐长度(原推荐长度)对历史流量请求数据进行业务处理；以及采用取值为300的推荐长度(候选推荐长度)对历史流量请求数据进行业务处理。
可以理解，在线探索组件将采集或抽取的历史流量请求数据发送至离线训练组件，离线训练组件进行历史流量请求数据的特征数据的提取。
离线训练组件收集用户反馈的行为数据。基于行为数据进行业务指标的计算。其中，行为数据指的是在过去一段时间(历史上)、后台12为用户提供的某推荐长度的情况下，用户对采用该推荐长度进行推荐的产品的实际点击情况或实际购买情况等，将计算出的实际点击率或实际购买率等实际业务指标作为标签数据。离线训练组件将接收到的历史流量请求数据和计算出的标签数据作为训练样本，对各组待训练的uplift模型进行训练。如对前述的两组待训练的uplift模型进行训练。
以对第一组待训练的uplift模型进行训练为例，因为该待训练的uplift模型的原推荐长度为100，候选推荐长度为200，所以，输入至该待训练的uplift模型的历史流量请求数据的特征数据包括档位1的历史流量请求数据的特征数据和档位2的历史流量请求数据的特征数据。其标签数据可以为在推荐长度为100的情况下用户的实际点击率和在推荐长度为200的情况下用户的实际点击率。
其训练的过程大致是：将以上两档历史流量请求数据的特征数据输入至该待训练的uplift模型，该待训练的uplift模型会输出一个概率值。该概率值表示了待训练的uplift模型从采用原推荐长度100变成采用候选推荐长度200对业务进行处理业务指标如点击率或购买率会发生的变化程度。如概率值为30％，说明从采用原推荐长度100变成采用候选推荐长度200对业务进行处理其业务指标如点击率或购买率变化了30％，增加了30％。在已知在推荐长度为100情况下用户的实际点击率和待训练的uplift模型输出的概率值，可得到在候选推荐长度为200的情况下的业务指标如点击率的预测值。示例性地，已知在推荐长度为100情况下用户的实际点击率为20％，待训练的uplift模型输出的概率值为30％，则在候选推荐长度为200的情况下的业务指标的预测值为(1+概率值)*实际点击率＝(1+30％)*20％＝26％。即，将原本采用推荐长度100进行产品推荐的对象变成采用推荐长度200进行产品推荐，用户的点击率会为26％，与原本采用推荐长度100相比，点击率提高。
基于点击率的预测值和在推荐长度为200的情况下用户的实际点击率，计算损失函数的取值。在损失函数尽量小的情况下，即点击率的预测值尽量拟合在推荐长度为200的情况下用户的实际点击率的情况下，完成训练。其中，损失函数可以为任何合理的函数，为均方差函数、平方差函数等。
本应用场景中，待训练的uplift模型可以是Multi-Treatment X-Learner算法模型。可以理解，输入至待训练的uplift模型的特征数据包括诸如性别、年龄的用户属性，也包括诸如用户设备的型号、位置等的设备属性，还包括最近一段时间内的访问次数等用户行为属性。如果将各个属性视为一种待训练的uplift模型的输入特征，针对这些输入特征，Multi-Treatment X-Learner算法模型具有能够自主进行特征筛选的特性。即，具有能够将对模型训练无用和有用的特征进行筛选的特性。
示例性，针对性别这一输入特征，如果经分析发现，针对男性用户，待训练的uplift模型从采用原推荐长度100变成采用候选推荐长度200进行业务处理而得到的概率值是0.3；针对女性用户，待训练的uplift模型从采用原推荐长度100变成采用候选推荐长度200进行业务处理而得到的概率值是0.28。从性别这一角度来看，概率值0.3和0.28的数值相差不大，说明从性别这一角度来做业务指标的预测的应用意义不大，性别这一输入特征作为无用特征，后续对待训练的uplift模型继续进行迭代训练的方案中可不考虑性别这一输入特征。针对地域这一输入特征，如果经分析发现，针对上海用户，待训练的uplift模型从采用原推荐长度100变成采用候选推荐长度200进行业务处理而得到的概率值是0.7。针对北京用户，待训练的uplift模型从采用原推荐长度100变成采用候选推荐长度200进行业务处理而得到的概率值是0.3。从地域这一角度来看，概率值0.3和0.28的数值相差较大，地域这一输入特征作为有用特征，后续对待训练的uplift模型继续进行迭代训练的方案中可重点考虑地域这一输入特征。
待训练的uplift模型具有的如上特性，一方面可在模型迭代训练或调整过程中尽量减少计算量，另一方面能够缩短训练时间。
可以理解，其他组待训练的uplift模型的训练过程参见前述对第一组的相关说明，重复之处不赘述。
本应用场景中，各组待训练的uplift模型在训练完成后，得到各组目标模型。被训练完成的各组目标模型可由离线训练组件发送至在线决策组件使用，或者在评估通过后发送至在线决策组件使用。
本应用场景中，可采用以下评估方法对训练完成的目标模型进行评估。离线训练组件采集测试样本，基于测试样本对各组目标模型进行模型的评估。以多组目标模型中的目标模型1(从采用原推荐长度100变成采用候选推荐长度200进行业务处理的目标模型)为例，目标模型1可简称为从档位1(对应的推荐长度为100)变成档位2(对应的推荐长度为200)的目标模型。其测试样本包括档位1的流量请求数据和档位2的流量请求数据。与历史流量请求数据相对而言，测试样本中的流量请求数据可以是当前的流量请求数据。提取以上两种档位的流量请求数据的特征数据，将以上两种档位的流量请求数据的特征数据输入至目标模型1，目标模型1输出的概率值为正且越大，说明从档位1变成档位2后业务指标的改善程度越大，对于互联网公司来说，经济收益会更高。业务指标的改善程度越大如达到了预设的改善阈值，说明目标模型被训练得越好，视为模型评估通过。
以上的训练过程和评估过程均可由离线训练组件来完成。
通过利用历史流量请求数据和标签数据对待训练的uplift模型进行训练，可得到精准的目标模型。基于模型评估方法，进一步保证了目标模型的精准性。
各组目标模型训练完成后或训练完成并通过评估后，离线训练组件可基于历史流量数据进行算力消耗的离线模拟，以在业务算力约束条件的约束下从预设的至少两个候选阈值中确定出目标阈值。
具体的，模拟算法为：
A、根据经验预先配置或设置两个或两个以上的候选阈值。
如，配置三个候选阈值，分别取值为0、0.5和0.8。
B、从三个候选阈值中挑选出其中一个候选阈值作为uplift模型的分值阈值；
如，挑选0作为模型的分值阈值。
C、将历史流量请求数据的特征数据输入至各组目标模型，由各组目标模型输出各自的概率值；
示例性地，将档位1的历史流量请求数据的特征数据输入至各组目标模型；
假定各组目标模型中的目标模型1表示从采用原推荐长度(档位1的推荐长度，取值为100)进行业务处理变成采用档位2的候选推荐长度(取值为200)进行业务处理。各组目标模型中的目标模型2表示从采用原推荐长度进行业务处理变成采用档位3的候选推荐长度(取值为300)进行业务处理。将档位1的历史流量请求数据的特征数据输入至目标模型1，得到的目标模型1的输出参数表示的是从采用原推荐长度进行业务处理变成采用档位2的候选推荐长度进行业务处理而得到的业务指标增益量如点击率的增益量(增益量1)。将档位1的历史流量请求数据的特征数据输入至目标模型2，得到的目标模型2的输出参数表示的是从采用原推荐长度进行业务处理变成采用档位3的候选推荐长度进行业务处理而得到的业务指标增益量如点击率的增益量(增益量2)。其中，增益量1和增益量2作为历史业务指标增益量使用。
在所有组目标模型中，判断哪些组目标模型的业务指标增益量超过uplift模型的分值阈值；将所有组目标模型中，取得超过该uplift模型的分值阈值的目标模型对应的候选推荐长度作为产生档位1的历史流量请求数据的用户的新的推荐长度。
示例性地，假定包括目标模型1和目标模型2两组目标模型，目标模型1的增益量1未超过uplift模型的分值阈值，目标模型2的增益量2超过uplift模型的分值阈值，则将目标模型2对应的候选推荐长度(300)作为历史流量请求数据的用户的新的推荐长度。产生历史流量请求数据的用户1的原推荐长度为100，新推荐长度为300，后续可采用新推荐长度300为用户1进行业务推荐。
如果增益量1和增益量2均超过uplift模型的分值阈值，则挑选取得增益量最大的目标模型对应的候选推荐长度作为档位1的历史流量请求数据的用户的新的推荐长度。如，在增益量2大于增益量1的情况下，挑选目标模型2对应的候选推荐长度(300)作为档位1的历史流量请求数据的用户的新的推荐长度。
如果增益量1和增益量2均未超过uplift模型的分值阈值，则保持在原推荐长度100。
如此，便可根据增益量的实际大小为一段(历史)时间内产生历史流量请求数据的所有用户重新计算新的推荐长度或者保持用户在原推荐长度。
在实际应用中，新的推荐长度可以比原推荐长度大，还可以比原推荐长度小。如原推荐长度为100，新推荐长度可以为50，以为200。其中，新推荐长度可作为历史业务指标增益量对应的历史业务配置参数使用。
D、获得为该段历史时间内产生历史流量请求数据的所有用户的平均推荐长度，将平均推荐长度换算为该段历史时间内的算力消耗量；
这里，算力消耗量为该段历史时间内为这段时间内的所有用户提供算力支撑而耗费掉的后台12的算力资源情况。
假定该段历史时间内有100个用户，原推荐长度为100，经过步骤C的计算，为其中50个用户计算的新推荐长度为50，为另外50个用户计算的新推荐长度为150。则，平均推荐长度＝所有用户的新推荐长度的总和/用户总数＝(50*50+50*150)/100＝100。
这里，通过经验而知，平均推荐长度为100的情况下需要后台12提供100个处理器来满足平均推荐长度为100的情况下的算力消耗。平均推荐长度为200的情况下需要后台12提供200个处理器来满足平均推荐长度为200的情况下的算力消耗。基于前述的经验，将平均推荐长度100换算的算力消耗量约等于或等于100处理器的算力消耗量。
E、按照业务算力约束条件的约束，基于步骤D的算力消耗量，确定是否需要从其他候选阈值中挑选出合理的候选阈值作为最终的uplift模型的分值阈值，即作为目标阈值。具体的，从其他候选阈值中挑选出其中一个候选阈值作为uplift模型的分值阈值，重复执行步骤C、D和步骤E，直至满足业务算力约束条件，找到合适的候选阈值为止。
业务算力约束条件可以为后台12原可以提供100个处理器用于维持算力耗费。推荐长度的取值每增加一定数量如增加50，则需要后台12增加一定的运算资源如增加50个处理器，用以支撑由于业务配置参数的增加而导致的算力消耗。
相对于同一段历史时间内的历史流量请求数据而言，在uplift模型的分值阈值为0.5的情况下，对这段历史时间内的各用户计算的平均推荐长度在换算为算力消耗量，在不增加处理器的基础上后台就能够满足该算力消耗量，则说明为0.5的uplift模型的分值阈值合适。如果必须增加处理器才能满足算力消耗量，则说明为0.5的uplift模型的分值阈值不是最合适的分值阈值，需要按照前述的步骤C、D和步骤E，确定其他候选阈值中是否存在最合适的分值阈值。
相对于同一段历史时间内的历史流量请求数据而言，在uplift模型的分值阈值为0.8的情况下，可不增加处理器的基础上后台就能够满足该算力消耗量，在uplift模型的分值阈值为0.5的情况下，需要增加处理器才能满足该算力消耗量，则说明为0.8的uplift模型的分值阈值合适。
可见，本公开的业务算力约束条件的设置，可从多个候选阈值中挑选出一个可有效减少算力耗费的阈值作为目标阈值。考虑到了算力耗费和业务算力约束条件对目标阈值的选取的影响，使得目标阈值选取得更加节省算力资源。
在离线训练组件完成离线算力模拟后，将最优的uplift分值阈值即目标阈值、以及训练完成的各目标模型同步至在线决策组件。其中，各目标模型可以以文件的形式记录到在线决策组件中。
在线决策组件加载各目标模型文件，在存在有用户的流量请求数据的情况下，结合图6所示，通过如下方法来为该用户确定其目标推荐长度。
1、提取该用户的流量请求数据的特征数据，将其输入至各组目标模型；
2、各组目标模型对该用户从采用原推荐长度(如100)变成各组推荐模型对应的候选推荐长度进行业务处理而产生的业务收益如点击率增益量进行计算，并输出；
3、从各组目标模型输出的业务收益中，挑选出取值最大且达到目标阈值的业务收益；
4、将取得最大业务收益值且达到目标阈值的业务收益的目标模型对应的候选推荐长度作为该用户的目标推荐长度；
示例性地，假定包括目标模型1(对应的候选推荐长度为200)和目标模型2(对应的候选推荐长度为300)两组目标模型。目标模型1输出的业务收益大于目标模型2输出的业务收益，且目标模型1输出的业务收益达到目标阈值，则从业务收益1和业务收益2中挑选出目标模型1输出的业务收益，作为目标业务指标增益量。目标业务指标增益量由目标模型1输出，目标模型1对应的候选推荐长度为200，则将200作为该用户的新的推荐长度，该新的推荐长度可作为目标推荐长度使用。
在实际应用中，如果各组目标模型输出的业务收益均未达到目标阈值或业务收益取值相同，则保持该用户的原推荐长度，继续采用原推荐长度为该用户进行产品推荐。
5、采用该目标推荐长度为该用户进行产品推荐。
前述方案中，还可以挑选取值最大或达到目标阈值的业务收益，则取得这样业务收益的目标模型对应的候选推荐长度作为该用户的目标推荐长度。
以上是以目标模型为两组为例进行的说明，在实际应用中，目标模型的数量还可以为其他取值如为N组目标模型，N为大于2的正整数。或者，N还可以为1。
上述方案中，基于业务收益最大值和目标阈值，进行目标推荐长度的获取。目标推荐长度的获取一方面满足了业务效果的最大化，一方面满足了业务算力约束条件。通俗来讲，目标推荐长度的获取不仅精准，还在满足业务算力约束条件下，最大化了业务效果如最大化业务收益。
可以理解，推荐业务应用场景中的精排阶段是一个非常消耗算力的阶段，精排阶段的数据推荐长度和算力消耗成正比，利用前述技术方案，可有效提升算力和业务效果之间的转换效率。
下面对采用Multi-Treatment X-Learner算法模型的各组待训练的uplift模型进行说明。
各组待训练uplift模型均由两个回归模型构成。以各组待训练uplift模型中的第一组待训练uplift模型为例，第一组待训练uplift模型用于从采用原推荐长度(如100)变成候选推荐长度(如200)对业务进行处理。
第一组待训练uplift模型由两个回归模型μ0和μ1构成。其中，
μ0(x)＝E[Y(0)|X＝x] (1)
μ1(x)＝E[Y(1)|X＝x] (2)
其中，x表示同一用户的流量请求数据。Y(0)＝100(原推荐长度)；Y(2)＝200(候选推荐长度)。E为一种数据运算，表示数学期望。μ0对应原推荐长度，可视为对照组回归模型。μ1对应候选推荐长度，可视为试验组回归模型。
可以理解，在每组待训练uplift模型中，将同一用户在推荐长度为候选推荐长度200时用户的历史流量请求数据输入至对照组回归模型，得到的结果μ0(x0)和在候选推荐长度200时的真实标签数据Y0进行残差计算，得到D0。同一用户在推荐长度为候选推荐长度100时用户的历史流量请求数据输入至试验组回归模型，在候选推荐长度100时的真实标签数据Y1和得到的结果μ0(x1)进行残差计算，得到D1。
D1＝Y1-μ0(x1) (3)
D0＝μ0(x0)-Y0 (4)
其中，在候选推荐长度200时的真实标签数据和在候选推荐长度100时的真实标签数据可参见前述的训练样本中的标签数据的获得方法而得。
将残差计算结果D1、D0作为待训练的uplift模型的标签数据，再次训练回归模型τ1(x)和τ0(x)。其中，回归模型τ1(x)和τ0(x)用数学表达为：
τ1(x)＝E[D1|X＝x] (5)
τ0(x)＝E[D0|X＝x] (6)
将回归模型τ1(x)和τ0(x)进行加权平均，权重g(x)可以为输入x的函数，或者g＝0.5，即得到第一组待训练的uplift模型。用数学表达为τ(x)：
τ(x)＝g(x)*τ0(x)+(1-g(x))*τ1(x) (7)
其他组的待训练uplift模型和公式(7)的表达类似。前述的训练待训练uplift模型就是在训练该模型的τ1(x)和τ0(x)。训练的方案在于确定τ1(x)和τ0(x)、权重g(x)的取值，以便可应用公式(7)对用户从采用原推荐长度(如100)变成候选推荐长度(如200)对业务进行处理而产生的业务指标增益量进行计算。
从前述方案可见，本公开的训练、目标阈值的确定以及目标推荐长度的获取等流程均白盒化，具有很强的解释性。可以为不同用户的流量请求数据确定出合理的目标业务配置参数如精排阶段的目标推荐长度，为用户提供了一种个人化的业务体验，提高用户的体验。同时兼顾到了算力耗费情况，在满足业务算力约束条件下，最大化业务指标增益，可带来客观的经济效益。
本公开中，对算力消耗进行离线模拟，可以离线预估出算力消耗，并依据业务算力约束条件的限制，从候选阈值中挑选出最优的uplift分值阈值，算力约束的可控性好，过程透明，实施成本低。
将回归模型作为基础模型，与在线训练相比，离线训练可避免在线训练过程中对线上用户的干扰等因素，降低训练成本的同时，还可以保证较好的用户体验。
需要说明的是，上述算法仅是其中一种。在因果推断领域，还有其他算法模型均可作为本公开的基于因果推断的增益模型，包括但不限于：S-Learner、T-Learner、R-Learner、2SLS、DR Learner、DRIV Learner、CEVAE、DragonNet、Uplift Tree等。
因为本公开实施例可为用户进行目标业务配置参数的量身定制，所以可视为一种为用户进行个性化业务配置参数的配置方法。进一步的，是一种基于因果推断理论的业务配置参数的个性化推荐方法。基于本方案，不仅可以高效实现不同用户的个性化的目标业务配置参数的量身定制，还可在整体算力消耗受到业务算力约束条件这一有效约束的前提下，实现业务指标的最优化如业务指标增益量最大化。
本公开技术方案，基于目标阈值和业务指标增益量，目标和算力约束阈值，则可以自动地为每个在互联网中的搜索、推荐等请求分配最优的业务配置参数。
可以理解，本公开的目标模型为基于因果推断的增益模型，受益于因果推断方法，本公开的训练过程、目标阈值的挑选过程、目标推荐长度的确定过程等均可白盒化，与相关技术中采用深度学习模型进行处理的黑盒方式相比，解释性强，过程透明，有利于移植，以使用至各相关领域中。
本公开实施例提供一种业务配置参数的获得装置，如图7所示，所述装置包括：
第一获取单元701，用于获取流量请求数据；
第二获取单元702，用于将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中，各组目标模型的输出参数表征对所述流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；
确定单元703，用于基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生所述流量请求数据的对象进行业务处理。
在一个可选方案中，所述确定单元703，用于：从各组目标模型输出的业务指标增益量中，确定目标业务指标增益量；其中，目标业务指标增益量为各组目标模型输出的业务指标增益量中为取值最大、以及达到目标阈值中的至少之一的业务指标增益量；基于目标业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数。
在一个可选方案中，所述目标业务配置参数为以下其中之一：在各组目标模型输出的业务指标增益量中得到取值最大的业务指标增益量的目标模型对应的候选业务配置参数；在各组目标模型输出的业务指标增益量中得到达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数；在各组目标模型输出的业务指标增益量中得到取值最大、且达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数。
在一个可选方案中，所述确定单元703，用于：响应于各组目标模型输出的业务指标增益量均未达到目标阈值，将相同的原业务配置参数作为所述目标业务配置参数。
在一个可选方案中，所述目标阈值是基于所述至少一组目标模型针对历史流量请求数据而得到的历史业务指标增益量、在所述历史业务指标增益量对应的历史业务配置参数下的算力消耗量和预设的业务算力约束条件，从预设的至少一个候选阈值中筛选而得。
在一个可选方案中，所述候选业务配置参数为候选推荐长度，所述原业务配置参数为原推荐长度；所述业务指标增益量为所述各组目标模型对所述流量请求数据从采用各组目标模型对应的原推荐长度进行业务搜索或业务推荐变成采用各组目标模型对应的候选推荐长度进行业务搜索或业务推荐而产生的业务收益。
在一个可选方案中，所述确定单元703，用于：基于各组目标模型的业务收益，从各组目标模型对应的原推荐长度和候选推荐长度中，确定出目标推荐长度。
在一个可选方案中，所述至少一组目标模型为通过为各组基于因果推断的增益模型获取到的历史流量请求数据和标签数据对所述各组基于因果推断的增益模型进行训练而得到。
本公开实施例的业务配置参数的获得装置中的各组成单元的功能可以参见业务配置参数的获得方法的描述，在此不再赘述。本公开实施例的业务配置参数的获得装置，由于解决问题的原理与前述的业务配置参数的获得方法相似，因此，业务配置参数的获得装置的实施过程及实施原理均可以参见前述相关方法的实施过程及实施原理描述，重复之处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备，所述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前述的业务配置参数的获得方法。
关于电子设备的处理器、存储器的描述可参见图8中计算单元801、存储单元808的相关说明。
根据本公开的实施例，本公开还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，所述计算机指令用于使计算机执行前述的交通控制方法、交通控制模型的训练方法。关于计算机可读存储介质的说明请参见图8中的相关说明。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的业务配置参数的获得。关于计算机程序产品的说明请参见图8中的相关说明。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图8是用来实现本公开实施例的业务配置参数的获得装置的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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/或要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在ROM802中的计算机程序或者从存储单元808加载到RAM803中的计算机程序来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等任何可作为存储器使用的器件；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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。
本公开实施例中的存储单元808可以具体为便携式计算机盘、硬盘、随机存储器(RAM)、只读存储器(ROM)、可擦编程只读存储器(EPROM)或快闪存储器、光纤、CD-ROM、光学储存设备、磁储存设备中的至少一种存储器。
计算单元801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801的一些示例包括但不限于CPU、图形处理单元(GPU)、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、数字处理器(DSP)、以及任何适当的处理器、控制器、微控制器等处理器。计算单元801执行上文所描述的各个方法和处理，例如业务配置参数的获得方法。例如，在一些实施例中，业务配置参数的获得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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的业务配置参数的获得方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行业务配置参数的获得方法。
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***、可编辑阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(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等可执行计算机程序代码的产品，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(存储介质)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、RAM、ROM、EPROM或快闪存储器、光纤、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。
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执行也可以不同的次序执行，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。上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种业务配置参数的获得方法，包括：
获取流量请求数据；
将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中，各组目标模型的输出参数表征对所述流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；
基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生所述流量请求数据的对象进行业务处理。
2.根据权利要求1所述的方法，其中，所述基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，包括：
从各组目标模型输出的业务指标增益量中，确定目标业务指标增益量；其中，目标业务指标增益量为各组目标模型输出的业务指标增益量中为取值最大、以及达到目标阈值中的至少之一的业务指标增益量；
基于目标业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数。
3.根据权利要求1或2所述的方法，其中，所述目标业务配置参数为以下其中之一：
在各组目标模型输出的业务指标增益量中得到取值最大的业务指标增益量的目标模型对应的候选业务配置参数；
在各组目标模型输出的业务指标增益量中得到达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数；
在各组目标模型输出的业务指标增益量中得到取值最大、且达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数。
4.根据权利要求3所述方法，其中，所述各组目标模型对应的原业务配置参数相同；
响应于各组目标模型输出的业务指标增益量均未达到目标阈值，将相同的原业务配置参数作为所述目标业务配置参数。
5.根据权利要求2、3或4所述的方法，其中，所述目标阈值是基于所述至少一组目标模型针对历史流量请求数据而得到的历史业务指标增益量、在所述历史业务指标增益量对应的历史业务配置参数下的算力消耗量和预设的业务算力约束条件，从预设的至少一个候选阈值中筛选而得。
6.根据权利要求1所述的方法，其中，所述候选业务配置参数为候选推荐长度，所述原业务配置参数为原推荐长度；
所述业务指标增益量为所述各组目标模型对所述流量请求数据从采用各组目标模型对应的原推荐长度进行业务搜索或业务推荐变成采用各组目标模型对应的候选推荐长度进行业务搜索或业务推荐而产生的业务收益。
7.根据权利要求6所述的方法，其中，所述基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定出目标业务配置参数，包括：
基于各组目标模型的业务收益，从各组目标模型对应的原推荐长度和候选推荐长度中，确定出目标推荐长度。
8.根据权利要求1至7任一项所述的方法，其中，所述至少一组目标模型为通过为各组基于因果推断的增益模型获取到的历史流量请求数据和标签数据对所述各组基于因果推断的增益模型进行训练而得到。
9.一种业务配置参数的获得装置，包括：
第一获取单元，用于获取流量请求数据；
第二获取单元，用于将流量请求数据的特征数据输入至少一组目标模型中，得到各组目标模型的输出参数；其中，各组目标模型的输出参数表征对所述流量请求数据从采用各组目标模型对应的原业务配置参数进行业务处理变成采用各组目标模型对应的候选业务配置参数进行业务处理而产生的业务指标增益量；
确定单元，用于基于各组目标模型的业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数，所述目标业务配置参数用于为产生所述流量请求数据的对象进行业务处理。
10.根据权利要求9所述的装置，其中，所述确定单元，用于：
从各组目标模型输出的业务指标增益量中，确定目标业务指标增益量；其中，目标业务指标增益量为各组目标模型输出的业务指标增益量中为取值最大、以及达到目标阈值中的至少之一的业务指标增益量；
基于目标业务指标增益量，从各组目标模型对应的原业务配置参数和候选业务配置参数中，确定目标业务配置参数。
11.根据权利要求9或10所述的装置，其中，所述目标业务配置参数为以下其中之一：
在各组目标模型输出的业务指标增益量中得到取值最大的业务指标增益量的目标模型对应的候选业务配置参数；
在各组目标模型输出的业务指标增益量中得到达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数；
在各组目标模型输出的业务指标增益量中得到取值最大、且达到目标阈值的业务指标增益量的目标模型对应的候选业务配置参数。
12.根据权利要求11所述的装置，其中，所述确定单元，用于：
响应于各组目标模型输出的业务指标增益量均未达到目标阈值，将相同的原业务配置参数作为所述目标业务配置参数。
13.根据权利要求10、11或12所述的装置，其中，所述目标阈值是基于所述至少一组目标模型针对历史流量请求数据而得到的历史业务指标增益量、在所述历史业务指标增益量对应的历史业务配置参数下的算力消耗量和预设的业务算力约束条件，从预设的至少一个候选阈值中筛选而得。
14.根据权利要求9所述的装置，其中，所述候选业务配置参数为候选推荐长度，所述原业务配置参数为原推荐长度；
所述业务指标增益量为所述各组目标模型对所述流量请求数据从采用各组目标模型对应的原推荐长度进行业务搜索或业务推荐变成采用各组目标模型对应的候选推荐长度进行业务搜索或业务推荐而产生的业务收益。
15.根据权利要求14所述的装置，其中，所述确定单元，用于：
基于各组目标模型的业务收益，从各组目标模型对应的原推荐长度和候选推荐长度中，确定出目标推荐长度。
16.根据权利要求9至15任一项所述的装置，其中，所述至少一组目标模型为通过为各组基于因果推断的增益模型获取到的历史流量请求数据和标签数据对所述各组基于因果推断的增益模型进行训练而得到。
17.一种电子设备，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。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210852082.7A CN115185606A (zh) | 2022-07-19 | 2022-07-19 | 业务配置参数的获得方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210852082.7A CN115185606A (zh) | 2022-07-19 | 2022-07-19 | 业务配置参数的获得方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115185606A true CN115185606A (zh) | 2022-10-14 |
Family
ID=83519890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210852082.7A Pending CN115185606A (zh) | 2022-07-19 | 2022-07-19 | 业务配置参数的获得方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115185606A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382927A (zh) * | 2023-06-05 | 2023-07-04 | 支付宝(杭州)信息技术有限公司 | 用于确定算力档位的方法和装置 |
-
2022
- 2022-07-19 CN CN202210852082.7A patent/CN115185606A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382927A (zh) * | 2023-06-05 | 2023-07-04 | 支付宝(杭州)信息技术有限公司 | 用于确定算力档位的方法和装置 |
| CN116382927B (zh) * | 2023-06-05 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 用于确定算力档位的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259222B (zh) | 物品推荐方法、***、电子设备及存储介质 | |
| CN111460384B (zh) | 策略的评估方法、装置和设备 | |
| CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
| CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
| CN111859114A (zh) | 推荐***的优化方法、装置、设备和计算机存储介质 | |
| CN112765452B (zh) | 搜索推荐方法、装置及电子设备 | |
| CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
| CN114065864B (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
| CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
| CN114818913A (zh) | 决策生成方法和装置 | |
| CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
| CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
| WO2024056051A1 (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
| CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
| CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
| CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
| CN113420165B (zh) | 二分类模型的训练、多媒体数据的分类方法及装置 | |
| CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
| CN115170195A (zh) | 信息处理方法和装置、电子设备、计算机可读介质 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| CN115204924A (zh) | 任务处理方法、装置、设备及存储介质 | |
| CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
| CN114282101A (zh) | 产品推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN115965817A (zh) | 图像分类模型的训练方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |