1.一种排序模型的训练方法,其特征在于,包括:
获取训练样本数据,所述训练样本数据包括至少一个搜索关键词所对应的正例样本页面的特征数据和负例样本页面的特征数据;
获取神经网络的损失函数,所述损失函数中包含约束项;所述约束项用于对加入新特征数据之前的所述神经网络与其在加入新特征数据之后的所述神经网络中所对应的权重参数之间的差值进行二范数约束;
根据所述损失函数、所述正例样本页面的特征数据和所述负例样本页面的特征数据,构建页面排序模型。
2.根据权利要求1所述的方法,其特征在于,所述损失函数中还包含第一调整因子和第二调整因子;所述第一调整因子用于调整所述正例样本页面的排序分数趋向于大于指定阈值;所述第二调整因子用于调整所述负例样本页面的排序分数趋向于小于指定阈值。
3.根据权利要求2所述的方法,其特征在于,所述第一调整因子,包括:
第一最大值与预先设置的第一常数的乘积;其中,所述第一最大值为所述指定阈值与第i组正例样本页面的排序分数的相反数中的最大值;i为大于或等于1且小于或等于n的整数,n为神经网络的层数。
4.根据权利要求2所述的方法,其特征在于,所述第二调整因子,包括:
第二最大值与预先设置的第二常数的乘积;其中,所述第二最大值为所述指定阈值与第i组负例样本页面的排序分数中的最大值;i为大于或等于1且小于或等于n的整数,n为神经网络的层数。
5.根据权利要求1~4任一权利要求所述的方法,其特征在于,所述根据所述损失函数、所述正例样本页面的特征数据和所述负例样本页面的特征数据,构建页面排序模型,包括:
根据所述正例样本页面的特征数据和所述正例样本页面的特征调整权重,以及所述负例样本页面的特征数据和所述负例样本页面的特征调整权重,获得所述正例样本页面的调整特征数据和所述负例样本页面的调整特征数据;
根据所述损失函数、所述正例样本页面的调整特征数据和所述负例样本页面的调整特征数据,构建所述页面排序模型。
6.一种排序模型的训练装置,其特征在于,包括:
数据获取单元,用于获取训练样本数据,所述训练样本数据包括至少一个搜索关键词所对应的正例样本页面的特征数据和负例样本页面的特征数据;
函数获取单元,用于获取神经网络的损失函数,所述损失函数中包含约束项;所述约束项用于对加入新特征数据之前的所述神经网络与其在加入新特征数据之后的所述神经网络中所对应的权重参数之间的差值进行二范数约束;
模型构建单元,用于根据所述损失函数、所述正例样本页面的特征数据和所述负例样本页面的特征数据,构建页面排序模型。
7.根据权利要求6所述的装置,其特征在于,所述损失函数中还包含第一调整因子和第二调整因子;所述第一调整因子用于调整所述正例样本页面的排序分数趋向于大于指定阈值;所述第二调整因子用于调整所述负例样本页面的排序分数趋向于小于指定阈值。
8.根据权利要求7所述的装置,其特征在于,所述第一调整因子,包括:
第一最大值与预先设置的第一常数的乘积;其中,所述第一最大值为所述指定阈值与第i组正例样本页面的排序分数的相反数中的最大值;i为大于或等于1且小于或等于n的整数,n为神经网络的层数。
9.根据权利要求7所述的装置,其特征在于,所述第二调整因子,包括:
第二最大值与预先设置的第二常数的乘积;其中,所述第二最大值为所述指定阈值与第i组负例样本页面的排序分数中的最大值;i为大于或等于1且小于或等于n的整数,n为神经网络的层数。
10.根据权利要求6~9任一权利要求所述的装置,其特征在于,所述模型构建单元,具体用于
根据所述正例样本页面的特征数据和所述正例样本页面的特征调整权重,以及所述负例样本页面的特征数据和所述负例样本页面的特征调整权重,获得所述正例样本页面的调整特征数据和所述负例样本页面的调整特征数据;以及
根据所述损失函数、所述正例样本页面的调整特征数据和所述负例样本页面的调整特征数据,构建所述页面排序模型。