CN116861085A - 应用排序方法、装置、计算机设备和存储介质 - Google Patents
应用排序方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116861085A CN116861085A CN202310825969.1A CN202310825969A CN116861085A CN 116861085 A CN116861085 A CN 116861085A CN 202310825969 A CN202310825969 A CN 202310825969A CN 116861085 A CN116861085 A CN 116861085A
- Authority
- CN
- China
- Prior art keywords
- application
- target
- sample
- user
- characteristic information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012163 sequencing technique Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 101
- 238000004590 computer program Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 21
- 238000000586 desensitisation Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009933 burial Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Bioethics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,特别是涉及一种应用排序方法、装置、计算机设备和存储介质。该方法包括:获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。本申请能够满足不同用户应用排序需求的。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种应用排序方法、装置、计算机设备和存储介质。
背景技术
目前,为更深层次的细化解耦移动端办公手机应用的各个功能模块,许多办公应用将功能解耦为一个主干的移动平台及多个功能各异的应用模块,由各个应用模块完成自己内部的功能逻辑,同时移动端办公平台作为办公门户为已接入的各个应用模块提供调用快捷入口,这样设计使得应用功能间的耦合度较低。
传统技术中,移动端办公平台的后台服务器在对多个应用的图标进行排序时,一般是按照前期埋点统计的点击总数进行排序,或者是按照该移动端办公平台接入各个应用的先后顺序来综合考虑排列顺序,在图标顺序生成后,由后台服务器将统一的图标排序序列发送至各个移动端,使得移动端上的应用图标按照该图标排序序列进行排序。
然而,不同人员在使用移动端时,不同人员对于各个应用的使用权限和使用频次均不同,因此,统一的图标排序序列无法满足每个用户的使用需求;故,亟需改进。
发明内容
基于此,有必要针对上述技术问题,提供一种能够满足不同用户应用排序需求的应用排序方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种应用排序方法,该方法包括:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
在其中一个实施例中,将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果,包括:
对目标特征信息进行编码,得到目标用户的应用点击序列;
将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值;
根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
在其中一个实施例中,排序模型包括嵌入层、卷积网络层和全连接层;将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值,包括:
将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示;
将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示;
将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
在其中一个实施例中,方法还包括:
从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;
采用训练样本集对初始模型进行训练,得到排序模型。
在其中一个实施例中,从埋点采集服务器对应的数据湖中获取训练样本集,包括:
将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;
根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
在其中一个实施例中,采用训练样本集对初始模型进行训练,得到排序模型,包括:
将训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;
将训练样本集中应用使用记录的次数小于或等于预设阈值的应用对应的样本特征信息,确定为负样本;
采用Focal loss损失函数和训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
第二方面,本申请还提供了一种应用排序装置,该装置包括:
获取模块,用于获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
排序模块,用于将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
反馈模块,用于向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
第五方面,本申请还提供了一种计算机程序产品,该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以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
上述应用排序方法、装置、计算机设备和存储介质,应用管理服务器作为前端服务器,与用户终端进行通信;数据处理服务器作为后端服务器,仅用作排序模型的数据处理,不直接与用户终端通信,通过应用管理服务器的隔离,对数据处理服务器中排序模型的保护作用,提高了数据安全性;通过应用管理服务器作数据流的中转方,在获取到目标用户的目标特征信息后,数据处理服务器通过排序模型为目标用户生成针对性的应用排序结果,进而能够为各用户提供个性化的应用排序方式。
附图说明
图1为一个实施例中应用排序方法的应用环境图;
图2为一个实施例中应用排序方法的流程示意图;
图3为一个实施例中训练排序模型的流程示意图;
图4为一个实施例中对目标用户的特征信息进行处理的流程示意图;
图5为一个实施例中排序模型处理流程的流程示意图;
图6为另一个实施例中应用排序方法的流程示意图;
图7为一个实施例中应用排序装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前,为更深层次的细化解耦移动端办公手机应用的各个功能模块,许多办公应用将功能解耦为一个主干的移动平台及多个功能各异的应用模块,由各个应用模块完成自己内部的功能逻辑,同时移动端办公平台作为办公门户为已接入的各个应用模块提供调用快捷入口,这样设计使得应用功能间的耦合度较低。传统技术中,移动端办公平台的后台服务器在对多个应用的图标进行排序时,一般是按照前期埋点统计的点击总数进行排序,或者是接入顺序等方式综合考虑进行排序。然而,每个用户的接入应用图标顺序较为固定,无法满足每个用户的使用需求,故,亟需改进。
本申请实施例提供的一种应用排序方法,基于应用排序***实现,如图1所示,该应用排序***埋点采集服务器、数据湖、数据处理服务器、数据库和应用管理服务器。其中,埋点采集服务器和应用管理服务器作为前端服务器,与用户终端进行通信;数据处理服务器作为后端服务器,不直接与用户终端通信。埋点采集服务器,用于实时采集各用户终端的埋点数据,并将埋点数据批量写入数据湖,埋点数据为用户使用(点击)各应用时产生的特征信息;数据湖,用于存储埋点数据;数据库,用于存储埋点数据;以上步骤完成上图中①、②、③的数据流向。
数据处理服务器,用于获取数据湖中的埋点数据,并基于埋点数据对初始模型进行训练,得到排序模型。排序模型训练完成后,当用户终端需要进行应用排序的推荐时,会向应用管理服务器发起请求(图1中的④),应用管理服务器通过数据库查询相关数据获取到所需要的特征信息(即如上训练的维度)。处理完成后将特征信息作为入参提供给数据处理服务器,数据处理服务器通过调用排序模型生成排序结果,排序结果为该用户终端上安装的各个应用的排序结果,数据处理服务将排序结果(对应于各个应用ID的排序序列)返回给应用管理服务器后,用户终端根据该排序结果进行排序。其中,埋点采集服务器、数据处理服务器和应用管理服务器均可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种应用排序方法,以该方法应用于图1中的数据处理服务器为例进行说明,包括以下步骤:
S201,获取应用管理服务器发送的目标用户的目标特征信息。
其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的。
具体地,当目标用户通过终端发送应用排序请求时,应用管理服务器接收该应用排序请求(图1中的④),应用管理服务器通过数据库查询相关数据,以获取到目标用户的目标特征信息,而后,应用管理服务器再将该目标用户的目标特征信息发送至数据处理服务器。
可以理解的是,目标特征信息可以为目标用户单次点击任一应用产生的相关数据,包括用户ID、点击应用ID、点击时间等字段。
S202,将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果。
其中,排序模型可以为神经网络模型,数据处理服务器用于对初始模型进行训练,得到排序模型;并在需要进行应用排序时,使用该排序模型。
具体地,排序模型对目标特征信息进行处理,并输出针对于该目标用户的各应用的目标排序结果,以供目标用户对应的终端根据该目标排序结果对各应用的图标排序。
S203,向应用管理服务器发送包括目标排序结果的返回通知。
其中,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。通过向应用管理服务器发送目标排序结果,以使应用管理服务器向发送至目标用户所持终端转发目标排序结果。
具体的,在返回目标排序结果时,应用管理服务器继续作为中转方,即数据处理服务器向应用管理服务器发送目标排序结果,而后应用管理服务器向发送至目标用户所持终端转发目标排序结果。
上述应用排序方法中,应用管理服务器作为前端服务器,与用户终端进行通信;数据处理服务器作为后端服务器,仅用作排序模型的数据处理,不直接与用户终端通信,通过应用管理服务器的隔离,对数据处理服务器中排序模型的保护作用,提高了数据安全性;通过应用管理服务器作数据流的中转方,在获取到目标用户的目标特征信息后,数据处理服务器通过排序模型为目标用户生成针对性的应用排序结果,进而能够为各用户提供个性化的应用排序方式。
如图3所示,该应用排序方法还包括:S301,从埋点采集服务器对应的数据湖中获取训练样本集。
其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果。
可以理解的是,样本用户的样本特征信息包括样本用户在历史时段内、单次点击各应用时所产生的相关数据,包括用户ID、点击应用ID、点击时间等信息。
进一步的,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;其中,应用使用记录包括点击应用ID、点击时间等信息。
具体的,样本用户的原始特征信息进行脱敏处理得到样本用户的脱敏身份信息,包括:将用户ID转换成用户类别信息,不保留用户ID数据,目的是保护用户个人隐私。示例性的,该用户类别信息可以为用户所属部门、用户所属年龄层等。
本实施例中,对同一类别用户的应用使用记录进行分析,得到该用户类别整体对应的应用排序结果,使得排序结果具有更为全面的覆盖性。
可以理解的是,将脱敏非涉密数据整理后,将其转化为一行数据并通过准实时推送存入数据湖,每一次点击产生的点击应用ID、点击时间等对应于数据湖中的一行数据。
同时,埋点采集服务器将其转化为一行数据并通过准实时推送存入数据库,在此情形下,应用服务器在接收到应用排序请求后,该发出该应用排序请求的用户ID进行解析,并基于该用户ID从数据库中查询该用户对应的脱敏处理后的用户身份特征信息。
可选的,从埋点采集服务器对应的数据湖中获取训练样本集,包括:将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
具体的,数据湖对入湖数据可根据需求(如平均接入频度)设置生命周期,定期清理数据;上述每一行数据加入至数据湖中的时刻,作为更新时刻落入设定时段的应用使用记录的候选样本集,作为训练样本集。示例性的,设定时段可以为当前时刻之前的预设时间长度的时间段,如当前时刻之前的1个月。
S302,采用训练样本集对初始模型进行训练,得到排序模型。
具体的,将样本用户的脱敏身份信息和样本用户的应用使用记录输入至初始模型,对初始模型进行训练,直至初始模型的损失函数达到相应阈值,至此完成了对初始模型的训练,得到排序模型。
在一个实施例中,其由于部分应用只对部分有权限的用户开启,因此,采用随机采样的训练样本集对初始模型进行训练时,可能会存在样本不均衡的问题;例如,某一应用只有少量的使用用户,对应地产生的历史用户数据相比于其他应用产生的历史用户数据量也大大减少,又例如,部分接入较晚但是使用频率较高的应用的排序靠后,进而使得该应用在有限的页面内该应用可能无法展示等情况。
可以理解的是,样本(类别)样本不平衡(class-imbalance)指的是分类任务中不同类别的训练样例数目差别很大的情况,一般地,样本类别比例(Imbalance Ratio)(多数类vs少数类)明显大于1:1(如4:1)就可以归为样本不均衡的问题。不均衡解决方法可以归结为:通过某种方法使得不同类别的样本对于模型学习中的Loss(或梯度)贡献是比较均衡的。其中,Focal loss的核心思想是在交叉熵损失函数(CE)的基础上增加了类别的不同权重以及困难(高损失)样本的权重,以改善模型学习效果。因此,为了降低样本不均衡带来的影响,本申请中初始推荐网络模型的损失函数为Focal loss,如下式公式(1):
FL(pt)=-αt(1-pt)γlog(pt) (1)
通过系数αt,当label=1时,αt=α;当label=0时,αt=1-α;其中,α范围为0到1,通过设置α实现控制正负样本对loss的贡献;(1-pt)γ为调制系数。当pt趋于0,调制系数趋于1,正负样本对总loss贡献很大。当pt趋于1,调制系数趋于0,对总loss贡献很小。通过调整γ实现调制系数改变。本实施例中的正样本可以为使用次数大于相应阈值的应用对应的样本特征信息,负样本可以为使用次数小于等于相应阈值的应用对应的样本特征信息。
具体的,将训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;将训练样本集中应用使用记录的次数小于或等于预设阈值的应用对应的样本特征信息,确定为负样本;采用Focal loss损失函数和训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
可以理解的是,Focal loss的两个重要性质:(1)当一个样本被分错的时候,pt是很小的,因此调制系数就趋于1,也就是说相比原来的loss是没有什么大的改变的。当pt趋于1的时候(此时分类正确而且是易分类样本),调制系数趋于0,也就是对于总的loss的贡献很小;(2)当γ=0的时候,Focal loss就是传统的交叉熵损失,当γ增加的时候,调制系数也会增加。因此,Focal loss是用一个合适的函数去度量难分类和易分类样本对总损失的贡献。
本实施例中,通过对样本用户的样本特征信息进行脱敏处理,实现了对用户身份的保护。
如图4所示,本实施例提供了一种将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果的可选方式,即提供了一种对S202进行细化的方式。具体实现过程可以包括:
S401,对目标特征信息进行编码,得到目标用户的应用点击序列。
具体的,将目标特征信息中的点击应用的图标的ID按照点击时间进行排序,生成目标用户的应用点击序列,例如,N个时间点对应N个单次点击数据,且每个单次点击数据对应一个应用的图标ID;
而后,对各个应用图标ID使用独热编码技术进行编码表示,对于每个应用图标ID,将该应用图标ID对应位置标记为1,其余位置标记为0。例如,本实施例中对应有250个应用,则每个单次点击数据对应的点击向量为250维向量,即,生成的目标用户的应用点击序列为N个250维向量。
S402,将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值。
其中,排序模型包括嵌入层、卷积网络层和全连接层。
具体的,如图5所示,将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值,包括:
S501,将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示。
可以理解的是,由于独热编码会造成训练数据维度极高且极为稀疏,因此需要进行降维操作,本实施例中的嵌入层包括250×80维的权重矩阵。
具体的,嵌入层使用一个权重矩阵来进行降维,用于将高维稀疏向量映射到低维密集向量,并使用非线性激活函数tanh学习特征之间的非线性关系,提取目标用户的应用点击序列的特征表示信息。嵌入层可以看作是对目标用户的应用点击序列进行降维编码,而编码的规则是通过在网络模型中训练权重而自动生成的。
S502,将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示。
其中,卷积网络层为一维卷积网络,该一维卷积网络采用20组卷积核长度为1,2,3,4的一维卷积核进行卷积计算,激活函数为tanh,卷积后生成20维输出序列;而后运用拼接层来对不同卷积核的输出结果进行拼接,生成80维时间序列,输出序列长度为输入序列长度。
具体的,其卷积网络层包括20组卷积核长度为1的卷积核,20组卷积核长度为2的卷积核,20组卷积核长度为3的卷积核,20组卷积核长度为4的卷积核;具体地,将转换序列输入至卷积网络层后得到多个单元序列,包括:将转换序列与20组卷积核长度为1的卷积核进行卷积,得到N个20维的第一单元序列;将转换序列与20组卷积核长度为2的卷积核进行卷积,得到N个20维的第二单元序列;将转换序列与20组卷积核长度为3的卷积核进行卷积,得到N个20维的第三单元序列;将转换序列与20组卷积核长度为4的卷积核进行卷积,得到N个20维的第四单元序列;通过拼接层将各个单元序列按照进行拼接,得到N个80维的拼接序列。
S503,将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
其中,本实施例通过设计一个全连接层将输出恢复为接入应用维度数的维接入应用ID编码,激活函数为softmax,生成推荐的接入应用列表用以进行接入应用推荐排序。
具体的,全连接层的激活函数使用softmax,softmax一般用于进行多分类的任务中,它可以将多个神经元分别输出,各自映射至(0,1)的区间内,所有的输出的累加和为1,满足概率的性质,因此可以将每个输出看成相对应分类的概率,全连接层的总分类数量即为与应用图标ID的总数量,即250类,每个分类各自对应有一个概率值。
S403,根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
具体的,根据250个分类的各个概率值按照从高到低的顺序,生成标排序结果。
本实施例中,采用编码方式,降低了排序模型的计算量,同时保证了模型处理精度。
示例性的,在上述实施例的基础上,本实施例提供了一种应用排序方法的可选实例。如图6所示,具体实现过程包括:
S601,获取应用管理服务器发送的目标用户的目标特征信息。
其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的。
S602,对目标特征信息进行编码,得到目标用户的应用点击序列。
S603,将应用点击序列输入至排序模型的嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示。
具体的,从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;采用训练样本集对初始模型进行训练,得到排序模型。
进一步的,将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;根据述样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
S604,将初始特征表示输入至排序模型的卷积网络层中进行深度特征提取,得到深度特征表示。
S605,将深度特征表示输入至排序模型的全连接层,得到目标用户所持终端内安装的各应用的概率值。
S606,根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
S607,向应用管理服务器发送包括目标排序结果的返回通知。
其中,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。。
上述S601-S607的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
本实施例中,通过该应用排序方法和对应的应用排序***解决移动端办公门户多接入应用单页面内可展示图标有限,用户对不同接入应用有不同使用频度,不同接入应用开放范围不同的场景。可以根据用户使用情况更为科学的推算用户可能使用较为频繁应用,对其图标进行展示。其他图标页面内空间不足无法展示的予以隐藏。进而在有限的页面空间内提升用户体验。提升移动端产品易用性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的应用排序方法的应用排序装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个应用排序装置实施例中的具体限定可以参见上文中对于应用排序方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种应用排序装置1,包括:获取模块11、排序模块12和反馈模块13,其中:
获取模块11,用于获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
排序模块12,用于将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
反馈模块13,用于向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
在一个实施例中,排序模块12,包括:
编码子模块,用于对目标特征信息进行编码,得到目标用户的应用点击序列;
概率计算子模块,用于将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值;
排序子模块,用于根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
在一个实施例中,排序模型包括嵌入层、卷积网络层和全连接层;概率计算子模块,还用于:将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示;
将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示;
将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
在一个实施例中,该应用排序模型,还包括训练模块,训练模块包括:
脱敏子模块,用于从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;
训练子模块,用于采用训练样本集对初始模型进行训练,得到排序模型。
在一个实施例中,脱敏子模块,还用于:
将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;
根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
在一个实施例中,训练子模块,还用于:将训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;将训练样本集中应用使用记录的次数小于或等于预设阈值的应用对应的样本特征信息,确定为负样本;采用Focal loss损失函数和训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
上述应用排序装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储应用排序方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应用排序方法。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
在一个实施例中,处理器执行计算机程序将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果的逻辑时,具体实现以下步骤:对目标特征信息进行编码,得到目标用户的应用点击序列;将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值;根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
在一个实施例中,排序模型包括嵌入层、卷积网络层和全连接层;处理器执行计算机程序将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值的逻辑时,具体实现以下步骤:将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示;将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示;将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;采用训练样本集对初始模型进行训练,得到排序模型。
在一个实施例中,处理器执行计算机程序从埋点采集服务器对应的数据湖中获取训练样本集的逻辑时,具体实现以下步骤:将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
在一个实施例中,在一个实施例中,计算机程序采用训练样本集对初始模型进行训练,得到排序模型的逻辑被处理器执行时,具体实现以下步骤:将训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;将训练样本集中应用使用记录的次数小于或等于预设阈值的应用对应的样本特征信息,确定为负样本;采用Focal loss损失函数和训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。。
在一个实施例中,计算机程序将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果的逻辑被处理器执行时,具体实现以下步骤:对目标特征信息进行编码,得到目标用户的应用点击序列;将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值;根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
在一个实施例中,排序模型包括嵌入层、卷积网络层和全连接层;计算机程序将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值的逻辑被处理器执行时,具体实现以下步骤:将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示;将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示;将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;采用训练样本集对初始模型进行训练,得到排序模型。
在一个实施例中,计算机程序从埋点采集服务器对应的数据湖中获取训练样本集的逻辑被处理器执行时,具体实现以下步骤:将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
在一个实施例中,计算机程序采用训练样本集对初始模型进行训练,得到排序模型的逻辑被处理器执行时,具体实现以下步骤:将训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;
将训练样本集中应用使用记录的次数小于或等于预设阈值的应用对应的样本特征信息,确定为负样本;采用Focal loss损失函数和训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
在一个实施例中,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以下步骤:
获取应用管理服务器发送的目标用户的目标特征信息;其中,目标特征信息是应用管理服务器基于目标用户的应用排序请求获取到的;
将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果;
向应用管理服务器发送包括目标排序结果的返回通知,返回通知用于指示应用管理服务器向目标用户所持终端转发目标排序结果。
在一个实施例中,计算机程序将目标特征信息输入至排序模型中,得到对目标用户所持终端内安装的各应用的目标排序结果的逻辑被处理器执行时,具体实现以下步骤:对目标特征信息进行编码,得到目标用户的应用点击序列;将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值;根据各应用的概率值,生成对目标用户所持终端内安装的各应用的目标排序结果。
在一个实施例中,排序模型包括嵌入层、卷积网络层和全连接层;计算机程序将应用点击序列输入至排序模型中,得到目标用户所持终端内安装的各应用的概率值的逻辑被处理器执行时,具体实现以下步骤:将应用点击序列输入至嵌入层中进行降维处理,得到应用点击序列对应的初始特征表示;将初始特征表示输入至卷积网络层中进行深度特征提取,得到深度特征表示;将深度特征表示输入至全连接层,得到目标用户所持终端内安装的各应用的概率值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从埋点采集服务器对应的数据湖中获取训练样本集;其中,训练样本集包括样本用户的样本特征信息和样本用户对应的样本排序结果,样本用户的样本特征信息是埋点采集服务器对样本用户的原始特征信息进行脱敏处理得到的,样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;采用训练样本集对初始模型进行训练,得到排序模型。
在一个实施例中,计算机程序从埋点采集服务器对应的数据湖中获取训练样本集的逻辑被处理器执行时,具体实现以下步骤:将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;根据样本用户的样本特征信息和样本用户对应的样本排序结果,构建训练样本集。
在一个实施例中,计算机程序采用训练样本集对初始模型进行训练,得到排序模型的逻辑被处理器执行时,具体实现以下步骤:采用Focal loss损失函数和训练样本集对初始模型进行训练,得到排序模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种应用排序方法,其特征在于,所述方法包括:
获取应用管理服务器发送的目标用户的目标特征信息;其中,所述目标特征信息是所述应用管理服务器基于所述目标用户的应用排序请求获取到的;
将所述目标特征信息输入至排序模型中,得到对所述目标用户所持终端内安装的各应用的目标排序结果;
向所述应用管理服务器发送包括所述目标排序结果的返回通知,所述返回通知用于指示所述应用管理服务器向所述目标用户所持终端转发所述目标排序结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标特征信息输入至排序模型中,得到对所述目标用户所持终端内安装的各应用的目标排序结果,包括:
对所述目标特征信息进行编码,得到所述目标用户的应用点击序列;
将所述应用点击序列输入至排序模型中,得到所述目标用户所持终端内安装的各应用的概率值;
根据各应用的概率值,生成对所述目标用户所持终端内安装的各应用的目标排序结果。
3.根据权利要求2所述的方法,其特征在于,所述排序模型包括嵌入层、卷积网络层和全连接层;所述将所述应用点击序列输入至排序模型中,得到所述目标用户所持终端内安装的各应用的概率值,包括:
将所述应用点击序列输入至所述嵌入层中进行降维处理,得到所述应用点击序列对应的初始特征表示;
将所述初始特征表示输入至所述卷积网络层中进行深度特征提取,得到深度特征表示;
将所述深度特征表示输入至所述全连接层,得到所述目标用户所持终端内安装的各应用的概率值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从埋点采集服务器对应的数据湖中获取训练样本集;其中,所述训练样本集包括样本用户的样本特征信息和所述样本用户对应的样本排序结果,所述样本用户的样本特征信息是埋点采集服务器对所述样本用户的原始特征信息进行脱敏处理得到的,所述样本特征信息至少包括样本用户的脱敏身份信息和样本用户的应用使用记录;
采用所述训练样本集对初始模型进行训练,得到排序模型。
5.根据权利要求4所述的方法,其特征在于,所述从埋点采集服务器对应的数据湖中获取训练样本集,包括:
将埋点采集服务器对应的数据湖中更新时刻满足设定时段的应用使用记录的候选样本集,作为训练样本集;
根据所述样本用户的样本特征信息和所述样本用户对应的样本排序结果,构建训练样本集。
6.根据权利要求4所述的方法,其特征在于,所述采用所述训练样本集对初始模型进行训练,得到排序模型,包括:
将所述训练样本集中应用使用记录的次数大于预设阈值的应用对应的样本特征信息,确定为正样本;
将所述训练样本集中应用使用记录的次数小于或等于所述预设阈值的应用对应的样本特征信息,确定为负样本;
采用Focalloss损失函数和所述训练样本集中的正样本和负样本,对初始模型进行训练,得到排序模型。
7.一种应用排序装置,其特征在于,所述装置包括:
获取模块,用于获取应用管理服务器发送的目标用户的目标特征信息;其中,所述目标特征信息是所述应用管理服务器基于所述目标用户的应用排序请求获取到的;
排序模块,用于将所述目标特征信息输入至排序模型中,得到对所述目标用户所持终端内安装的各应用的目标排序结果;
反馈模块,用于向所述应用管理服务器发送包括所述目标排序结果的返回通知,所述返回通知用于指示所述应用管理服务器向所述目标用户所持终端转发所述目标排序结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825969.1A CN116861085A (zh) | 2023-07-06 | 2023-07-06 | 应用排序方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825969.1A CN116861085A (zh) | 2023-07-06 | 2023-07-06 | 应用排序方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861085A true CN116861085A (zh) | 2023-10-10 |
Family
ID=88224684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310825969.1A Pending CN116861085A (zh) | 2023-07-06 | 2023-07-06 | 应用排序方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861085A (zh) |
-
2023
- 2023-07-06 CN CN202310825969.1A patent/CN116861085A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Corchado et al. | Ibr retrieval method based on topology preserving mappings | |
CN109711883B (zh) | 基于U-Net网络的互联网广告点击率预估方法 | |
CN112328741B (zh) | 基于人工智能的智能关联答复方法、装置、计算机设备 | |
CN110197207B (zh) | 对未归类用户群进行归类的方法及相关装置 | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN115293919B (zh) | 面向社交网络分布外泛化的图神经网络预测方法及*** | |
CN113034193A (zh) | 一种app2vec在风控***中建模的工作方法 | |
CN116911867A (zh) | 问题处理方法、装置、计算机设备和存储介质 | |
CN115270002B (zh) | 一种基于知识蒸馏的物品推荐方法、电子设备及存储介质 | |
CN116861085A (zh) | 应用排序方法、装置、计算机设备和存储介质 | |
Li et al. | Federated learning communication-efficiency framework via corset construction | |
CN113010774B (zh) | 一种基于动态深度注意力模型的点击率预测方法 | |
CN117217929A (zh) | 注册对象风险识别方法、装置、计算机设备和存储介质 | |
CN111552827A (zh) | 标注方法和装置、行为意愿预测模型训练方法和装置 | |
Rastogi et al. | Unsupervised Classification of Mixed Data Type of Attributes Using Genetic Algorithm (Numeric, Categorical, Ordinal, Binary, Ratio-Scaled) | |
CN114491294B (zh) | 基于图神经网络的数据推荐方法及装置、电子设备 | |
CN117078441B (zh) | 理赔欺诈识别方法、装置、计算机设备和存储介质 | |
CN112131607B (zh) | 资源数据处理方法、装置、计算机设备和存储介质 | |
CN112182357B (zh) | 数据推荐方法、装置、计算机设备和存储介质 | |
CN112800048B (zh) | 一种基于图表示学习的通信网用户通信记录补全方法 | |
CN117473081A (zh) | 文本管理方法、装置、计算机设备和存储介质 | |
CN117034010A (zh) | 虚拟资源转换预测模型训练方法、装置、设备和存储介质 | |
CN117786208A (zh) | 农业知识推荐方法、装置、电子设备及存储介质 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN117290594A (zh) | 金融业务活动推荐方法、装置、计算机设备和存储介质 |
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 |