[发明专利]数据处理方法、装置和计算机可读存储介质

说明书

本发明公开了一种数据处理方法、装置和计算机可读存储介质，涉及数据处理领域。数据处理方法包括：获取多个训练数据对以及训练数据对中每个数据的标记值；将训练数据对中的正样本数据输入正样本训练模型、负样本数据输入负样本训练模型，并分别获得正样本数据和负样本数据对应的输出值，其中，正样本训练模型和负样本训练模型具有相同的模型参数；根据同一损失函数以及标记值和输出值对正样本训练模型和负样本训练模型的模型参数进行相同调整，以便根据输入数据在调整后的正样本训练模型或负样本训练模型的输出值对输入数据进行排序。从而使训练后的模型能够区分不同数据之间的排序关系，在基于该模型对推荐条目排序时能够提高排序准确性和推荐效率。

技术领域

本发明涉及数据处理领域，特别涉及一种数据处理方法、装置和计算机可读存储介质。

背景技术

目前的互联网应用广泛采用推荐技术将用户感兴趣的条目推荐给用户，以提高用户对互联网应用或网站的兴趣，增加用户黏性。

以电子商务网站为例，商品推荐能够给用户提供可能感兴趣的商品，是激发用户购买兴趣的主要手段，其中，如何通过对待推荐的商品进行排序、以优先推荐更贴合用户的兴趣的商品也是至关重要的。

现有技术中，主要采用训练数据训练排序模型。在训练完成后，将待推荐的条目数据输入到排序模型中，根据排序模型的输出值对条目进行排序。例如，可以提取用户和商品的特征，采用回归模型进行拟合生成预估值，并采用预估值进行排序。

发明内容

发明人发现，现有技术中的回归模型等方法仅能够简单地训练或拟合单一样本，但没有对不同类型的条目之间的排序关系进行学习，导致排序结果不准确，用户无法优先接触到感兴趣的条目，从而降低了排序的准确性。

针对上述问题，本发明提供了一种能够提高排序的准确性的数据处理方法。

根据本发明实施例的第一个方面，提供一种数据处理方法，包括：获取多个训练数据对以及训练数据对中每个数据的标记值，其中，每个训练数据对包括正样本数据和负样本数据；将训练数据对中的正样本数据输入正样本训练模型、负样本数据输入负样本训练模型，并分别获得正样本数据和负样本数据对应的输出值，其中，正样本训练模型和负样本训练模型具有相同的模型参数；根据同一损失函数以及标记值和输出值对正样本训练模型和负样本训练模型的模型参数进行相同的调整，以便根据输入数据在调整后的正样本训练模型或负样本训练模型的输出值对输入数据进行排序。

在一个实施例中，以令同一损失函数的值最小化为训练目标、对正样本训练模型和负样本训练模型的模型参数进行相同的调整，其中，损失函数的值分别与正样本数据对应的输出值与标记值的差距、负样本数据对应的输出值与标记值的差距成正相关关系。

在一个实施例中，损失函数的值还与同一训练数据对中的正样本数据对应的输出值和负样本数据对应的输出值之差成负相关关系。

在一个实施例中，根据同一损失函数以及标记值和输出值对正样本训练模型和负样本训练模型的模型参数进行相同的调整包括：以令同一损失函数最小化为目标，对正样本训练模型和负样本训练模型的模型参数进行相同的调整，其中，损失函数G为：

N表示训练数据对的数量、并且是正整数，i表示训练数据对的标识，y_1i表示第i个训练数据对中正样本数据对应的输出值，y_2i表示第i个训练数据对中负样本数据对应的输出值，t_1i表示第i个训练数据对中正样本数据的标记值，t_2i表示第i个训练数据对中负样本数据的标记值，m和λ的值均大于0。

在一个实施例中，训练数据对中的正样本数据和负样本数据分别为用户在同一次浏览过程中点击的条目对应的特征数据和未点击的条目对应的特征数据。

在一个实施例中，标记值表示商品交易额、点击率、订单量中的任意一种。