项目排序方法、装置及可读存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种项目排序方法、装置及可读存储介质。

背景技术

相关技术中，在对目标项目进行排序的数据处理的过程中，破坏扭曲了数据原始分布，导致得到的目标项目的排序分数不准确，进而导致目标项目的项目排序结果不准确。

发明内容

为克服相关技术中存在的问题，本公开提供一种项目排序方法，通过训练好的目标模型对目标特征数据进行处理，得到每个目标项目对应的排序分数，进而得到对应于目标用户的项目排序结果，其中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，从而使注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，使原始信息的失真得到了补偿，从而能够提高得到的目标项目的排序分数的准确性，使目标用户的项目排序结果更加准确。

根据本公开实施例的第一方面，提供一种项目排序方法，包括：

获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；

通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；

通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；

通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；

通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；

根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。

可选地，所述目标模型中的所述第三网络为注意力层，所述注意力层包括子注意力层和串联层；

所述通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量，包括：

通过所述子注意力层对所述多个交叉特征向量和所述多个嵌入特征向量进行处理，得到每个交叉特征向量对应的权重以及每个嵌入特征向量对应的权重；

通过所述串联层对携带有对应权重的多个嵌入特征向量和多个交叉特征向量进行串联，得到所述注意力特征向量。

可选地，所述目标模型中的所述第一网络为嵌入层，所述第一特征数据和所述第二特征数据均包括多个特征场域对应的特征数据；

所述通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量，包括：

分别对所述第一特征数据和所述第二特征数据中的每一个特征场域对应的特征数据进行压缩，得到所述多个嵌入特征向量。

可选地，所述目标模型中的所述第二网络为归一对数转换层，所述归一对数转换层包括正值层、对数变换层、对数神经元层和指数变换层；

所述通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，包括：

通过所述正值层对所述多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量；

通过所述对数变换层对所述多个正值特征向量进行对数变换，得到多个对数特征向量；

通过所述对数神经元层对所述多个对数特征向量进行交叉特征融合，得到多个原始交叉特征向量；

通过所述指数变换层对所述多个原始交叉特征向量进行指数变换和归一化，得到所述交叉特征向量。

可选地，所述目标模型中的所述第四网络为隐藏层，所述隐藏层包括多个串联的子隐藏层；

所述通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数，包括：

通过所述多个串联的子隐藏层依次对所述注意力特征向量进行非线性处理和归一化，得到每个所述目标项目对应的排序分数。

可选地，所述目标模型通过以下步骤得到：

获取多个样本特征数据，所述多个样本特征数据包括多个历史样本用户的第三特征数据和多个样本项目的第四特征数据，每个样本特征数据携带标签，所述标签为每个样本项目对应的实际排序分数；

根据所述多个样本特征数据，对原始网络进行多轮迭代训练；

在每一轮迭代训练之后，获取本轮迭代训练输出的当前结果，所述当前结果包括每个所述目标项目对应的当前排序分数；

根据本轮迭代训练输出的当前结果以及本轮迭代训练中的样本特征数据携带的标签，得到本轮迭代训练对应的对数损失；

根据所述本轮迭代训练对应的对数损失，对所述原始预测网络进行优化；

在所述原始预测网络收敛的情况下，停止训练，得到所述目标模型。

可选地，所述方法还包括：

获取所述项目排序结果中排序分数最大的K个目标项目；

通过展示页面向用户展示所述K个目标项目。

根据本公开实施例的第二方面，提供一种项目排序装置，包括：

第一获取模块，被配置为获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；

压缩模块，被配置为通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；

对数转换模块，被配置为通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；

整合模块，被配置为通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；

非线性处理模块，被配置为通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；

第一获得模块，被配置为根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。

根据本公开实施例的第三方面，提供一种项目排序装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行本公开第一方面所提供的项目排序方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的项目排序方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

获取目标特征数据，目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据，通过目标模型中的第一网络对目标特征数据进行压缩，得到多个嵌入特征向量，通过目标模型中的第二网络对多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，通过目标模型中的第四网络对注意力特征向量进行非线性处理，得到每个目标项目对应的排序分数，根据排序分数，对多个目标项目进行排序，得到对应于目标用户的项目排序结果。通过训练好的目标模型对目标特征数据进行处理，得到每个目标项目对应的排序分数，进而得到对应于目标用户的项目排序结果，其中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，从而使注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，使原始信息的失真得到了补偿，从而能够提高得到的目标项目的排序分数的准确性，使目标用户的项目排序结果更加准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种项目排序方法的流程图。

图2是根据一示例性实施例示出的一种目标模型的模型结构示意图。

图3是根据一示例性实施例示出的一种归一对数转换层的结构示意图。

图4是根据一示例性实施例示出的一种归一对数转换的方法的流程图。

图5是根据一示例性实施例示出的一种得到注意力特征向量的方法的流程图。

图6是根据一示例性实施例示出的一种目标模型的训练方法的流程图。

图7是根据一示例性实施例示出的一种项目排序装置框图。

图8是根据一示例性实施例示出的一种用于项目排序方法的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在智能推荐和信息检索场景，会涉及到对项目的排序，以便根据用户的特征向用户展示与用户更加匹配的多个项目。例如，对于用户个人推荐界面，当用户点击进入终端的应用商店时，可向用户推荐项目，该项目可为应用商店内的其它应用，可基于用户的历史偏好以及每个应用的热门程度等信息，对应用商店内的多个应用进行排序，并向用户推荐得分最高的多个应用。对于信息检索，可获取用户的检索数据的特征以及检索到的多个项目的特征，该多个项目可为检索到的多条检索结果，并对多条检索结果进行排序，再向用户展示得分最高的多条检索结果。

图1是根据一示例性实施例示出的一种项目排序方法的流程图，如图1所示，可包括以下步骤。

在步骤S101中，获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据。

在本实施方式中，目标特征数据可包括两部分，一部分为目标用户的第一特征数据，另一部分为多个目标项目的第二特征数据。其中，若针对的是智能推荐场景，目标用户的第一特征数据可为该目标用户的个人信息以及历史偏好等多个特征场域的特征数据。例如，人的性别属性有男女两种，性格属性有乐观、悲观、和善、麻木，如果一个目标用户，是男生，性格是乐观、和善的，那该目标用户的第一特征数据可包括：性别：[1,0]，性格：[1,0,1,0]。

多个目标项目可为待推荐的所有项目，多个目标项目的第二特征数据可包括每个目标项目在多个特征场域的特征数据，例如，多个目标项目可为多个手机，第二特征数据可为每个手机对应的品牌、型号、颜色以及价格等多个特征场域的特征数据。

在步骤S102中，通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量。

在本实施方式中，目标模型为预先训练好的模型，用于对目标特征数据进行处理并输出每个目标项目对应的排序分数。其中，目标模型可包括第一网络、第二网络、第三网络和第四网络，其中，第一网络和第二网络连接，第三网络分别与第一网络、第二网络和第四网络连接，该第一网络可对目标特征数据进行压缩，得到多个嵌入特征向量。

在步骤S103中，通过目标模型中的第二网络对多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量。

在本实施方式中，可通过第二网络对多个嵌入特征向量进行归一对数转换，以便使任一嵌入特征向量与其它嵌入特征向量进行交叉组合，可以有效地学习任意阶特征的相互作用并识别有用的交叉特征，从而得到多个交叉特征向量。

在步骤S104中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量。

在本实施方式中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，从而使注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，使原始信息的失真得到了补偿。

在步骤S105中，通过目标模型中的第四网络对注意力特征向量进行非线性处理，得到每个目标项目对应的排序分数。

在本实施方式中，由于注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，通过对注意力特征向量进行非线性处理，即可得到更加准确的每个目标项目对应的排序分数。其中，排序分数可为该目标项目对应的点击概率，例如，该目标项目对应的排序分数可为0.75。

在步骤S106中，根据排序分数，对多个目标项目进行排序，得到对应于目标用户的项目排序结果。

在本实施方式中，得到每个目标项目的排序分数后，即可根据每个目标项目的排序分数的大小对多个目标项目进行排序，例如，可按照排序分数由大到小的顺序对多个目标项目进行排序，从而得到对应于该目标用户的项目排序结果。

在本实施例中，通过训练好的目标模型对目标特征数据进行处理，得到每个目标项目对应的排序分数，进而得到对应于目标用户的项目排序结果，其中，通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，从而使注意力特征向量不仅包含了交叉特征向量中的任意阶交叉特征，还包含嵌入特征向量中的原始的嵌入特征，使原始信息的失真得到了补偿，从而能够提高得到的目标项目的排序分数的准确性，使目标用户的项目排序结果更加准确。

图2是根据一示例性实施例示出的一种目标模型的模型结构示意图，如图2所示，在一种可能的实施方式中，目标模型中的第一网络可为嵌入层，第一特征数据和第二特征数据均包括多个特征场域对应的特征数据。

通过目标模型中的第一网络对目标特征数据进行压缩，得到多个嵌入特征向量的方法可为：分别对第一特征数据和第二特征数据中的每一个特征场域对应的特征数据进行压缩，得到多个嵌入特征向量。

在本实施方式中，目标特征数据可为x＝[x1；x2；...；xf]，其中f是所有特征场域的数目，x

图3是根据一示例性实施例示出的一种归一对数转换层的结构示意图，图4是根据一示例性实施例示出的一种归一对数转换的方法的流程图，如图3和图4所示，图3中的对数神经元层中的每个圆均代表一个对数神经元，在一种可行的实施方式中，目标模型中的第二网络可为归一对数转换层，归一对数转换层可包括正值层、对数变换层、对数神经元层和指数变换层；

通过目标模型中的第二网络对多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量，可包括以下步骤：

在步骤S401中，通过正值层对多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量。

在步骤S402中，通过对数变换层对多个正值特征向量进行对数变换，得到多个对数特征向量。

在步骤S403中，通过对数神经元层对多个对数特征向量进行交叉特征融合，得到多个原始交叉特征向量；

在步骤S404中，通过指数变换层对多个原始交叉特征向量进行指数变换和归一化，得到交叉特征向量。

在本实施方式中，归一对数转换层可以将每个嵌入特征向量在特征交互中的影响表现为可训练的系数，以学习任意等级的交叉特征。

对数神经元层包含多个对数神经元，可以自适应地学习任意等级的交叉特征。由于对数神经元的特点，在预处理部分引入了两个正值操作，通过正值层对多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量。示例地，首先，所有的嵌入特征向量应转换为其绝对值。第二，在每个零嵌入特征向量上添加一个预设大小的正值。

在对数神经元层中，第m个对数神经元的输出为：

其中w

图5是根据一示例性实施例示出的一种得到注意力特征向量的方法的流程图，如图5所示，在一种可能的实施方式中，目标模型中的第三网络可为注意力层，该注意力层可包括子注意力层和串联层；

通过目标模型中的第三网络对多个交叉特征向量和多个嵌入特征向量进行整合，得到注意力特征向量，可包括以下步骤：

在步骤S501中，通过子注意力层对多个交叉特征向量和多个嵌入特征向量进行处理，得到每个交叉特征向量对应的权重以及每个嵌入特征向量对应的权重。

在步骤S502中，通过串联层对携带有对应权重的多个嵌入特征向量和多个交叉特征向量进行串联，得到注意力特征向量。

为了统一表示，若对数神经元层中有n个对数神经元，输出可为[y

[y

然后，我们使用注意力机制来整合归一对数转换层和嵌入层的输出，以显示各种特征的不同重要性。不同向量的权重可以定义为：

a′

其中Wa∈R

z0＝[a

其中n是对数神经元的数目，f表示所有特征场域的总数目。在这一层中，z

在一种可能的实施方式中，目标模型中的所述第四网络可为隐藏层，隐藏层可包括多个串联的子隐藏层；

通过目标模型中的第四网络对注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数的方法可为：通过多个串联的子隐藏层依次对注意力特征向量进行非线性处理和归一化，得到每个目标项目对应的排序分数。

可将几个完全连接的子隐藏层堆叠在注意力层上，以结合形成的特征。例如，子隐藏层的数量可为M层，因此，z

z

……

z

其中σ是激活函数，W

图6是根据一示例性实施例示出的一种目标模型的训练方法的流程图，如图6所示，在一种可能的实施方式中，目标模型可通过以下步骤得到：

在步骤S601中，获取多个样本特征数据，多个样本特征数据包括多个历史样本用户的第三特征数据和多个样本项目的第四特征数据，每个样本特征数据携带标签，该标签为每个样本项目对应的实际排序分数。

在本实施方式中，可获取多个样本特征数据，该样本特征数据可包括多个历史样本用户的特征数据以及多个样本项目的特征数据，以便适应更多的用户以及更多的项目。其中，第三特征数据可为该历史样本用户的个人信息以及历史偏好等多个特征场域的特征数据，第四特征数据可包括每个样本项目在多个特征场域的特征数据。

其中，第三特征数据和第四特征数据可来源于以下四个公开的基准数据集：

Criteo包含4500万用户的点击记录，包括13个数字特征字段和26个分类特征字段，数据来自于全球知名网络公司Criteo，该数据集如今已成为点击率预估领域的基准数据集。

Avazu包含移动广告的点击记录，其中包含来自Avazu公司的4000万条数据记录，还有24个特征字段，包含用户的特征和广告属性。

Movielens数据集由200万用户的电影记录组成。专注于个性化标签推荐，将每个标签记录(用户ID、电影ID、标签)转换为一个特征向量。

Frappe数据集包含了不同场景下的九万多位用户的应用使用日志，是场景感知的应用使用情况数据集。经过独热编码会生成五千多个特征向量，值为1就表示该用户使用这一应用程序。

在步骤S602中，根据多个样本特征数据，对原始网络进行多轮迭代训练。

其中，原始网络可包括训练之前的嵌入层、归一对数转换层、注意力层和隐藏层，其中，嵌入层和归一对数转换层连接，注意力层分别与嵌入层、归一对数转换层和隐藏层连接，其中，归一对数转换层、注意力层可组成输入增强组件IEC。

在步骤S603中，在每一轮迭代训练之后，获取本轮迭代训练输出的当前结果，该当前结果包括每个目标项目对应的当前排序分数。

在步骤S604中，根据本轮迭代训练输出的当前结果以及本轮迭代训练中的样本特征数据携带的标签，得到本轮迭代训练对应的对数损失。

其中，对数损失的计算公式为：

其中y

在步骤S605中，根据本轮迭代训练对应的对数损失，对原始预测网络进行优化。

在步骤S606中，在原始预测网络收敛的情况下，停止训练，得到目标模型。

通过上述方法，即可训练得到目标模型。

上述提出的新的原始模型可以有效地学习任意阶特征的相互作用并识别有用的交叉特征。可以以更低的时间复杂度去充分利用原始特征的分布。不需要集成DNN，不需要高昂的计算成本便能达到最佳效果。

因为Attention可以拟合DNN的效果，还进行了消融实验。消融实验结果可知：首先，引入对数神经元来适应性地学习任意阶特征的相互作用是有效的。其次，引入注意力层来将归一对数转换层的输出联合嵌入特征向量是有意义的。它保留了数据的原始分布。最后，提出的IEC可以有效地学习任意等级的特征交互，并识别有价值的组合。此外，IEC可以像DNN一样建立高阶特征互动。

该原始网络ILFN的核心是输入增强组件。它可以将每个特征在特征交互中的影响表示为可训练的系数，以学习任意等级的交叉特征。因此，IEC可以通过利用基本的原始信息来减少对对数神经元的需求。

在一种可能的实施方式中，在得到项目排序结果之后，即可获取项目排序结果中排序分数最大的K个目标项目，并通过展示页面向用户展示该K个目标项目，以便实现智能推荐或者信息检索展示的目的。其中，通过展示页面向用户展示该K个目标项目的方法可为：将该K个目标项目发送给用户客户端，以使用户客户端通过其展示页面向用户展示该K个目标项目，可按照排序分数由高到低的顺序依次展示该K个目标项目。

图7是根据一示例性实施例示出的一种项目排序装置框图。参照图7，该装置700包括第一获取模块701，压缩模块702，对数转换模块703，整合模块704，非线性处理模块705和第一获得模块706。

该第一获取模块701，被配置为获取目标特征数据，所述目标特征数据包括目标用户的第一特征数据和多个目标项目的第二特征数据；

该压缩模块702，被配置为通过目标模型中的第一网络对所述目标特征数据进行压缩，得到多个嵌入特征向量；

该对数转换模块703，被配置为通过所述目标模型中的第二网络对所述多个嵌入特征向量进行归一对数转换，得到多个交叉特征向量；

该整合模块704，被配置为通过所述目标模型中的第三网络对所述多个交叉特征向量和所述多个嵌入特征向量进行整合，得到注意力特征向量；

该非线性处理模块705，被配置为通过所述目标模型中的第四网络对所述注意力特征向量进行非线性处理，得到每个所述目标项目对应的排序分数；

该第一获得模块706，被配置为根据所述排序分数，对所述多个目标项目进行排序，得到对应于所述目标用户的项目排序结果。

可选地，所述目标模型中的所述第三网络为注意力层，所述注意力层包括子注意力层和串联层；

所述整合模块704，包括：

获得子模块，被配置为通过所述子注意力层对所述多个交叉特征向量和所述多个嵌入特征向量进行处理，得到每个交叉特征向量对应的权重以及每个嵌入特征向量对应的权重；

串联子模块，被配置为通过所述串联层对携带有对应权重的多个嵌入特征向量和多个交叉特征向量进行串联，得到所述注意力特征向量。

可选地，所述目标模型中的所述第一网络为嵌入层，所述第一特征数据和所述第二特征数据均包括多个特征场域对应的特征数据；

所述压缩模块702，包括：

压缩子模块，被配置为分别对所述第一特征数据和所述第二特征数据中的每一个特征场域对应的特征数据进行压缩，得到所述多个嵌入特征向量。

可选地，所述目标模型中的所述第二网络为归一对数转换层，所述归一对数转换层包括正值层、对数变换层、对数神经元层和指数变换层；

所述对数转换模块703，包括：

正值子模块，被配置为通过所述正值层对所述多个嵌入特征向量进行正值处理和归一化，得到多个正值特征向量；

对数变换子模块，被配置为通过所述对数变换层对所述多个正值特征向量进行对数变换，得到多个对数特征向量；

交叉子模块，被配置为通过所述对数神经元层对所述多个对数特征向量进行交叉特征融合，得到多个原始交叉特征向量；

指数变换子模块，被配置为通过所述指数变换层对所述多个原始交叉特征向量进行指数变换和归一化，得到所述交叉特征向量。

可选地，所述目标模型中的所述第四网络为隐藏层，所述隐藏层包括多个串联的子隐藏层；

所述非线性处理模块705，包括：

非线性处理子模块，被配置为通过所述多个串联的子隐藏层依次对所述注意力特征向量进行非线性处理和归一化，得到每个所述目标项目对应的排序分数。

可选地，所述装置700还包括：

第二获取模块，被配置为获取多个样本特征数据，所述多个样本特征数据包括多个历史样本用户的第三特征数据和多个样本项目的第四特征数据，每个样本特征数据携带标签，所述标签为每个样本项目对应的实际排序分数；

训练模块，被配置为根据所述多个样本特征数据，对原始网络进行多轮迭代训练；

第三获取模块，被配置为在每一轮迭代训练之后，获取本轮迭代训练输出的当前结果，所述当前结果包括每个所述目标项目对应的当前排序分数；

第二获得模块，被配置为根据本轮迭代训练输出的当前结果以及本轮迭代训练中的样本特征数据携带的标签，得到本轮迭代训练对应的对数损失；

优化模块，被配置为根据所述本轮迭代训练对应的对数损失，对所述原始预测网络进行优化；

第三获得模块，被配置为在所述原始预测网络收敛的情况下，停止训练，得到所述目标模型。

可选地，所述装置还包括：

第四获取模块，被配置为获取所述项目排序结果中排序分数最大的K个目标项目；

展示模块，被配置为通过展示页面向用户展示所述K个目标项目。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的项目排序方法的步骤。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的项目排序方法的代码部分。

图8是根据一示例性实施例示出的一种用于项目排序方法的装置的框图。例如，装置800可以被提供为一服务器。参照图8，装置800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理组件822的执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述项目排序方法。

装置800还可以包括一个电源组件826被配置为执行装置800的电源管理，一个有线或无线网络接口850被配置为将装置800连接到网络，和一个输入/输出接口858。装置800可以操作基于存储在存储器832的操作系统，例如Windows Server

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。