[发明专利]一种推荐信息排序方法、装置、电子设备及介质

说明书

本申请实施例提供了一种推荐信息排序方法、装置、电子设备及介质，涉及信息处理技术领域，能够更准确地确定推荐词条的展示顺序。本申请实施例的技术方案包括：针对每个待推荐词条，将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量。其中，推荐模型为对多任务学习MMOE模型进行训练得到的模型，MMOE模型的每个专家模块包括多个残差块。然后通过推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分，再基于每个待推荐词条的得分，确定待推荐词条的推荐顺序。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种推荐信息排序方法、装置、电子设备及介质。

背景技术

随着互联网技术的发展，各类网站通常具有搜索发现功能，用户点击搜索框后，网页中会显示一些搜索推荐词条供用户选择。目前可以通过多门控专家混合(Multi-gateMixture-of-Experts，MMOE)模型来对推荐词条进行排序，以为用户展示合适的推荐词条。

目前，为了获得更深层的语义信息，MMOE模型的专家模块(Expert)的层数变得更多。但专家模块的层数变深导致了模型的退化，导致按照MMOE模型的排序结果为用户展示的推荐词条的推荐效果不好。

发明内容

本申请实施例的目的在于提供一种推荐信息排序方法、装置、电子设备及介质，以实现更准确地确定推荐词条的展示顺序。具体技术方案如下：

在本申请实施的第一方面，提供了一种推荐信息排序方法，包括：

针对每个待推荐词条，将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量；其中，所述推荐模型为对多任务学习MMOE模型进行训练得到的模型，所述MMOE模型的每个专家模块包括多个残差块；

通过所述推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分；

基于每个待推荐词条的得分，确定待推荐词条的推荐顺序。

可选地，所述通过所述推荐模型基于各专家模块输出的特征向量确定该待推荐词条的得分，包括：

通过所述推荐模型分别将每个专家模块输出的特征向量输入一个注意力模块，获取各注意力模块输出的针对所对应专家模块的权重向量；

针对每个专家模块，将特征组集合包括的特征向量与该专家模块的权重向量相乘后，与该专家模块输出的特征向量进行拼接，得到该专家模块对应的拼接特征向量；

将各专家模块对应的拼接特征向量进行拼接，将拼接结果输入所述推荐模型的输出层MLP，获取所述输出层MLP输出的该待推荐词条的得分。

可选地，所述将该待推荐词条的特征组集合中的每个特征向量分别输入推荐模型的不同专家模块，获取每个专家模块通过所包括的多个残差块对特征向量进行处理后输出的特征向量，包括：

针对所述特征组集合中的每个特征向量，将该特征向量输入所对应的专家模块，依次经过该专家模块的各残差块处理，得到该专家模块输出的特征向量；其中，所述特征组集合中的特征向量与所述推荐模型中的专家模块具有一一对应的关系。

可选地，所述将该特征向量输入所对应的专家模块，依次经过该专家模块的各残差块处理，包括：

将该特征向量作为初始特征向量输入所对应的专家模块的第一残差块，依次通过所述第一残差块包括的每个MLP对所述初始特征向量进行处理，得到对所述初始特征向量的处理结果；

将所述初始特征向量的处理结果与所述初始特征向量相加，得到第一特征向量；