[发明专利]一种排序方法、装置、计算机设备和存储介质

说明书

本发明涉及一种排序方法、装置、计算机设备和存储介质，该方法包括：接收检索用户发起的声音数据检索请求，并获取所述检索用户的检索词，根据检索词得到检索结果声音数据后，根据检索用户对检索结果声音数据的操作信息，生成检索节点数据并将检索节点数据转换为检索词特征向量、用户信息特征向量以及检索结果声音数据特征向量，进一步获取所述检索词特征向量、所述用户信息特征向量与所述检索结果声音数据的相关特征匹配度，并将所述检索词特征向量、所述用户信息特征向量、所述检索结果声音数据以及所述相关特征匹配度输入梯度提升决策树模型，输出所述检索结果声音数据的排序结果，无需投入大量的人工特征工程工作，并大大提升检索精确度。

技术领域

本发明实施例涉及信息处理的技术领域，尤其涉及一种排序方法、装置、计算机设备和存储介质。

背景技术

在音视频直播场景中，当用户希望观看某一类型的直播时，会在直播平台上进行关键词搜索，而在直播平台的后台会根据用户提供的关键词进行音视频数据的检索，并将检索结果以排序的方式反馈给用户，以便用户选择。检索结果与用户意愿的适配度往往与检索方法息息相关。

现有技术中，对音视频数据的检索往往采用布尔模型(Boolean Model)，是基于集合论和布尔代数的一种简单检索模型，它的特点是查找那些对于某个查询词返回为“真”的文档。在该模型中，一个查询词就是一个布尔表达式，包括关键词以及逻辑运算符，但是使用布尔模型进行完全匹配往往会导致返回的结果太多或者太少。此外还有向量空间模型(Vector Space Model，VSM)，即把对文本内容的处理简化为向量空间中的向量运算，并且它以空间上的相似度表达语义的相似度，但是基于向量之间的独立性假设，也即权重计算没有考虑向量之间的位置关系，也没有考虑向量的长度对权重的影响，计算量大，并且新文档加入时需要重新计算向量的权重。第三种是BM25模型，属于词袋模型，是用来计算某一个目标文档 (Document)相对于一个查询关键字(Query)的“相关性”(Relevance)的流程，但是内容相关性仅考虑检索词和文档的tf-idf(文档中关键词词频参数)以及文档长度等因素，很难融合点击反馈、文档质量分、当前上下文、用户偏好等更多的排序因素。

所以基于上述每个方法的检索都存在各个检索方法不同的缺点，造成检索结果不够精准的问题。

发明内容

本发明实施例提出了一种排序方法、装置、计算机设备和存储介质，以解决在声音数据检索的场景中基于现有检索方法，检索结果不够精确的问题。

第一方面，本发明实施例提供了一种排序方法，包括：

接收检索用户发起的声音数据检索请求；

针对所述检索请求，获取所述检索用户的检索词；

获取针对所述检索词的检索结果声音数据；

根据所述检索用户对所述检索结果声音数据的操作信息，生成检索节点数据；所述操作信息包括所述检索用户的用户信息以及所点击的所述检索结果声音数据的特征信息；

将所述检索节点数据转换为检索词特征向量、用户信息特征向量以及检索结果声音数据特征向量；

获取所述检索词特征向量、所述用户信息特征向量与所述检索结果声音数据的相关特征匹配度；

将所述检索词特征向量、所述用户信息特征向量、所述检索结果声音数据以及所述相关特征匹配度输入梯度提升决策树模型，输出所述检索结果声音数据的排序结果。

第二方面，本发明实施例还提供了一种排序装置，其特征在于，包括：

声音数据检索请求接收模块，用于接收检索用户发起的声音数据检索请求；

检索词获取模块，用于针对所述检索请求，获取所述检索用户的检索词；

检索结果声音数据获取模块，用于获取针对所述检索词的检索结果声音数据；