在包括所述 要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0190] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。 因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的 形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存 储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形 式。
[0191]W上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员 来说，本申请可W有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同 替换、改进等，均应包含在本申请的权利要求范围之内。
【主权项】
1. 一种对对象进行排序的方法，其特征在于，包括： 获取用户的近期行为涉及的关键词、关键词出现标识序列和关键词所对应的行为类 型； 根据所述关键词、关键词出现标识序列和关键词所对应的行为类型，使用预先建立的 用户当前偏好预测模型，确定用户当前偏好的对象的特征；以及 根据确定的用户当前偏好，调整与所述用户当前偏好相关的待排序对象的排序因子， 以影响待排序对象的排序。2. 根据权利要求1所述的方法，其特征在于，所述用户当前偏好预测模型通过以下步 骤建立： 标注对象的特征标签；以及 根据过去某一时间段内的用户历史行为获取关键词、关键词出现标识序列、关键词所 对应的行为类型，进行机器学习的模型训练，建立用户当前偏好预测模型。3. 根据权利要求2所述的方法，其特征在于，确定对象的特征标签包括： 根据过去某一时间段内的用户历史行为涉及的关键词建立用户-关键词矩阵； 根据所述用户-关键词矩阵，通过对关键词进行聚类形成一个或多个聚类，每一聚类 对应一种主题，计算每一关键词属于各主题的概率； 获取每一关键词及其出现频率，以得到对象的关键词向量； 根据每一个对象涉及的各关键词属于各主题的概率和该关键词出现频率，计算所述对 象涉及的关键词向量与各主题对应聚类中的关键词向量的相似度；以及 取相似度最大值所对应的主题作为所述对象的特征标签。4. 根据权利要求2所述的方法，其特征在于，根据过去某一时间段内的用户历史行为 获取关键词、关键词出现标识序列、关键词所对应的行为类型，进行机器学习的模型训练， 建立用户当前偏好预测模型，包括： 从过去某一时间段内的用户历史行为中，根据预定行为次数选取样本； 从提取的每一条样本中提取关键词、关键词的出现标识序列和关键词所对应的行为类 型；以及 以上述关键词、关键词的出现标识序列和关键词所对应的行为类型的组合作为样本特 征，以与样本特征相对应的对象的特征作为目标，进行机器学习模型的训练，以得到用户当 前偏好预测模型。5. 根据权利要求1-4之一所述的方法，其特征在于，获取用户的近期行为涉及的关键 词、关键词出现标识序列和关键词所对应的行为类型，包括 ： 从所述近期行为中获取关键词、关键词所对应的行为类型；以及 按照关键词在所述近期行为中的每个行为是否出现，得到关键词的出现标识序列。6. 根据权利要求1-4之一所述的方法，其特征在于，根据所述关键词、关键词的出现标 识序列和关键词所对应的行为类型，使用用户当前偏好预测模型，确定用户当前偏好的对 象的特征，包括 ： 以所述关键词、关键词出现标识序列和关键词所对应的行为类型的组合作为特征，以 用户当前偏好的对象的特征作为目标，使用预先建立的用户当前偏好预测模型，得到各特 征属于各对象的特征的概率； 根据各特征属于各对象的特征的概率计算用户当前偏好的对象的特征属于各特征标 签的概率；以及 取概率最大值所对应的特征标签作为用户当前偏好的对象的特征标签。7. 根据权利要求1-4之一所述的方法，其特征在于，根据确定的用户当前偏好，调整与 所述用户当前偏好相关的待排序对象的排序因子，包括： 根据确定的用户当前偏好，判断待排序对象是否具有用户当前偏好的特征； 当待排序对象具有用户当前偏好的特征时，提升所述待排序对象排序；以及 当待排序对象不具有用户当前偏好的特征时，不提升所述待排序对象的排序。8. -种对对象进行排序的装置，其特征在于，包括： 获取模块，获取用户的近期行为涉及的关键词、关键词出现标识序列和关键词所对应 的行为类型； 确定模块，用于根据所述关键词、关键词出现标识序列和关键词所对应的行为类型，使 用预先建立的用户当前偏好预测模型，确定用户当前偏好的对象的特征；以及 调整模块，用于根据确定的用户当前偏好，调整与所述用户当前偏好相关的待排序对 象的排序因子，以影响待排序对象的排序。9. 根据权利要求8所述的装置，其特征在于，所述用户当前偏好预测模型通过以下模 块建立： 标注模块，用于标注对象的特征标签；以及 建立模块，用于根据过去某一时间段内的用户历史行为获取关键词、关键词出现标识 序列、关键词所对应的行为类型，进行机器学习的模型训练，建立用户当前偏好预测模型。10. 根据权利要求9所述的装置，其特征在于，所述确定模块包括： 建立子模块，用于根据过去某一时间段内的用户历史行为涉及的关键词建立用户-关 键词矩阵； 第一计算子模块，用于根据所述用户-关键词矩阵，通过对关键词进行聚类形成一个 或多个聚类，每一聚类对应一种主题，计算每一关键词属于各主题的概率； 获得子模块，用于获取每一关键词及其出现频率，以得到对象的关键词向量； 第二计算子模块，用于根据每一个对象涉及的各关键词属于各主题的概率和该关键词 出现频率，计算所述对象涉及的关键词向量与各主题对应聚类中的关键词向量的相似度； 以及 取值子模块，用于取相似度最大值所对应的主题作为所述对象的特征标签。11. 根据权利要求9所述的装置，其特征在于，所述建立模块包括： 选取子模块，用于从过去某一时间段内的用户历史行为中，根据预定行为次数选取样 本； 提取子|吴块，用于从提取的每一条样本中获取关键词、关键词的出现标识序列和关键 词所对应的行为类型；以及 训练子模块，用于以上述关键词、关键词的出现标识序列和关键词所对应的行为类型 的组合作为样本特征，以与样本特征相对应的对象的特征作为目标，进行机器学习模型的 训练，以得到用户当前偏好预测模型。12. 根据权利要求8-11之一所述的装置，其特征在于，所述获取模块包括： 获取子模块，用于从所述近期行为中获取关键词、关键词所对应的行为类型；以及 得到子模块，用于按照关键词在所述近期行为中的每个行为是否出现，得到关键词的 出现标识序列。13. 根据权利要求8-11之一所述的装置，其特征在于，所述确定模块包括： 使用子模块，用于以所述关键词、关键词出现标识序列和关键词所对应的行为类型的 组合作为特征，以用户当前偏好的对象的特征作为目标，使用预先建立的用户当前偏好预 测模型，得到各特征属于各对象的特征的概率； 第三计算子模块，用于根据各特征属于各对象的特征的概率计算用户当前偏好的对象 的特征属于各特征标签的概率；以及 标签确定子模块，用于取概率最大值所对应的特征标签作为用户当前偏好的对象的特 征标签。14. 根据权利要求8-11之一所述的装置，其特征在于，所述调整模块包括： 判断模块，用于根据确定的用户当前偏好，判断待排序对象是否具有用户当前偏好的 特征； 第一处理模块，用于当待排序对象具有用户当前偏好的特征时，提升所述待排序对象 排序；以及 第二处理模块，用于当待排序对象不具有用户当前偏好的特征时，不提升所述待排序 对象的排序。
【专利摘要】本申请涉及一种对对象进行排序的方法，该方法包括：获取用户的近期行为涉及的关键词、关键词出现标识序列和关键词所对应的行为类型；根据所述关键词、关键词出现标识序列和关键词所对应的行为类型，使用预先建立的用户当前偏好预测模型，确定用户当前偏好的对象的特征；以及根据确定的用户当前偏好，调整与所述用户当前偏好相关的待排序对象的排序因子，以影响待排序对象的排序。本方案借助近期行为特征数据分析各特征数据与最终偏好的特征之间的关系，能够更准确地对用户行为偏好的对象的特征进行确定，并用该偏好的特征来指导用户对应的搜索行为结果的排序，向用户提供更个性化的对象排序结果。
【IPC分类】G06F17/30
【公开号】CN104951441
【申请号】CN201410112060
【发明人】顾洋
【申请人】阿里巴巴集团控股有限公司
【公开日】2015年9月30日
【申请日】2014年3月24日