一种信息排序方法、装置、电子设备及存储介质

技术领域

本申请涉及互联网技术领域，特别是涉及一种信息排序方法、装置、电子设备及存储介质。

背景技术

目前，深度神经网络已经落地于各个互联网应用领域相当长的时间。通过对模型结构的调整，针对性地进行特征挖掘并添加到网络进行模型训练，训练得到的模型在线上也取得了非常好的效果。在互联网产品的应用上，深度学习模型需要处理多种场景同时存在的需求，例如在搜索排序上，用户输入的搜索词通常会覆盖很多的场景，如美食场景、旅游场景等。

各个场景本身特性存在一定的差异性，而且各个场景也有自己本身的独特性，导致在模型训练时在不同场景的数据量或者特征覆盖度在量级有很大的差异。因此，在应用深度神经网络满足用户需求时，遇到了非常大的挑战。

相关技术中，通常采用的方法是多场景统一模型。具体的，该方法通过挖掘各个场景维度的特征训练同一个模型。但是，由于小场景数据有限，特征覆盖率有限等原因，添加小场景的特征很难在统一模型中起显著作用；且小场景的参数学习容易受其他大场景影响，达不到最优状态。

发明内容

为解决上述技术问题，本申请实施例示出了一种信息排序方法、装置、电子设备及存储介质。

第一方面，本申请实施例提供了一种信息排序方法，所述方法包括：

获取用户输入的目标搜索词；

召回与所述目标搜索词匹配的多个待排序信息；

获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；

将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，所述多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；

通过所得的所述多个待排序信息的预测值对所述多个待排序信息进行排序。

可选的，所述预先训练好的多场景切分模型，被配置为：

将每个待排序信息的特征集合包括的共有特征输入所述共享子网络，得到第一预测值；

将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值；

基于所述第一预测值和第二预测值，确定每个待排序信息的预测值。

可选的，所述基于所述第一预测值和第二预测值，确定每个待排序信息的预测值，包括：

将所述第一预测值和第二预测值组成场景预测值向量；

获取场景权重向量，所述场景权重向量是由共享子网络对应的第一权重和场景子网络对应的第二权重组成；

基于所述场景预测值向量和所述场景权重向量，确定每个待排序信息的预测值。

可选的，所述共享子网络对应的第一权重和场景子网络对应的第二权重的确定方式，包括：

获取用户历史数据；

根据所述用户历史数据确定用户对各个场景的需求分布概率；

基于用户对各个场景的需求分布概率，确定共享子网络对应的第一权重和场景子网络对应的第二权重。

可选的，所述将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值，包括：

将每个待排序信息的特征集合包括的共有特征和场景特征输入对应的场景子网络，得到第二预测值。

第二方面，本申请实施例提供了一种信息排序装置，所述装置包括：

搜索词获取模块，用于获取用户输入的目标搜索词；

待排序信息召回模块，用于召回与所述目标搜索词匹配的多个待排序信息；

特征集合获取模块，用于获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；

预测值确定模块，用于将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，所述多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；

信息排序模块，用于通过所得的所述多个待排序信息的预测值对所述多个待排序信息进行排序。

可选的，所述预测值确定模块，包括：

第一预测值获取单元，用于将每个待排序信息的特征集合包括的共有特征输入所述共享子网络，得到第一预测值；

第二预测值获取单元，用于将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值；

预测值确定单元，用于基于所述第一预测值和第二预测值，确定每个待排序信息的预测值。

可选的，所述预测值确定单元，具体用于：

将所述第一预测值和第二预测值组成场景预测值向量；

获取场景权重向量，所述场景权重向量是由共享子网络对应的第一权重和场景子网络对应的第二权重组成；

基于所述场景预测值向量和所述场景权重向量，确定每个待排序信息的预测值。

可选的，所述预测值确定单元，具体用于：

获取用户历史数据；

根据所述用户历史数据确定用户对各个场景的需求分布概率；

基于用户对各个场景的需求分布概率，确定共享子网络对应的第一权重和场景子网络对应的第二权重。

可选的，所述第二预测值获取单元，具体用于：

将每个待排序信息的特征集合包括的共有特征和场景特征输入对应的场景子网络，得到第二预测值。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的信息排序方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的信息排序方法的步骤。

本申请实施例提供的技术方案，获取用户输入的目标搜索词；召回与目标搜索词匹配的多个待排序信息；获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；并将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；最后通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

可见，本申请实施例提供的技术方案中，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

附图说明

图1是本申请实施例提供的一种信息排序方法的步骤流程图；

图2是本申请实施例提供的一种多场景切分模型得到多个待排序信息的预测值的一种实施方式的步骤流程图；

图3是本申请实施例提供的一种多场景切分模型的结构示意图；

图4是本申请实施例提供的一种信息排序装置的结构框图；

图5是本申请实施例提供的一种电子设备的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

现阶段，深度神经网络已经落地于各个互联网应用领域相当长的时间。通过对模型结构的调整，针对性地进行特征挖掘并添加到网络进行模型训练，训练得到的模型在线上也取得了非常好的效果。

在互联网产品的应用上，深度学习模型需要处理多种场景同时存在的需求，例如，在搜索排序上，用户输入的搜索词通常会覆盖很多的搜索场景；在个性化推荐领域，推荐模型要处理像美食、旅游等多种多样的推荐场景。

由于各个场景在不同公司的业务持续状态不同的原因，各个场景本身特性存在一定的差异性，而且各个场景也有自己本身的独特性，导致在模型训练时在不同场景的数据量或者特征覆盖度在量级有很大的差异。因此，在应用深度神经网络满足用户需求时，遇到了非常大的挑战。

相关技术中，通常采用的方案之一是多场景统一模型，该方法使用同一个模型，通过挖掘各个场景维度的特征训练同一个模型。

具体的，该方案中，通过所有场景共有特征训练深度神经网络，得到多场景统一模型。在获取到用户输入的搜索词时，召回与搜索词匹配的多个待排序信息，待排序信息可以为商家POI，商品SPU或者品牌BRAND；在对多个待排序信息进行排序时，提取待排序信息的特征，并将提取到的特征输入到该多场景统一模型，得到每个待排序信息的预测值，并根据预测值的大小对多个待排序信息进行排序。

但是，多场景统一模型至少存在如下两个缺点：

第一，因为小场景数据样本有限，场景特征覆盖率有限等原因，添加小场景的特征很难在统一模型中起显著作用；

第二，小场景的参数学习容易受其他大场景影响，达不到最优状态。

因此，多场景统一模型预测得到的待排序信息的预测值的准确度较低，根据预测值的大小对多个待排序信息进行排序，所得的多个待排序信息的序列的准确度也较低。

为此，本申请实施例提供了一种信息排序方法、装置、电子设备及存储介质。

第一方面，首先对本申请实施例提供了一种信息排序方法进行详细阐述。

需要说明的是，本申请实施例提供的一种信息排序方法的执行主体可以为一种信息排序装置，该信息排序装置可以运行为电子设备，该电子设备可以是服务器，本申请实施例对电子设备不做具体限定。

如图1所示，本申请实施例所提供的一种信息排序方法可以包括如下步骤：

S110，获取用户输入的目标搜索词。

其中，目标搜索词可以是用户输入的任一搜索词，本申请实施例对目标搜索词不做具体限定。

S120，召回与目标搜索词匹配的多个待排序信息。

电子设备在获取到用户输入的目标搜索词，可以召回与目标搜索词匹配的多个待排序信息。其中，在实际应用中，待排序信息可以为商家POI，商品SPU或者品牌BRAND，待排序信息可以根据实际情况确定，本申请实施例对待排序信息不做具体限定。

S130，获取每个待排序信息的特征集合。

其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征。

具体的，在获取与目标搜索词匹配的多个待排序信息后，可以获取每一待排序信息在各种场景下的共有特征，如距离，销量或者点击率等；并且，可以获取待排序信息在对应的目标场景下的场景特征，例如，待排序信息所对应的目标场景为旅游场景，那么，场景特征可以为不同搜索意图下的各个城市的点击率。本申请实施例对共有特征和场景特征不做具体限定。

S140，将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值。

其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景。

具体的，在获取到每个待排序信息的特征集合之后，可以将每个待排序信息的特征集合输入预先训练好的多场景切分模型；多场景切分模型在接收到每个待排序信息的特征集合之后，可以对每个待排序信息进行预测，得到每个待排序信息的预测值，以便后续步骤中，通过预测值对多个待排序信息进行排序。

并且，为了准确地得到每个待排序信息的预测值，本申请实施例所提供的多场景切分模型可以包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景。可见，本申请实施例所提供的多场景切分模型包括多个场景子网络，可以实现区分多个场景，场景参数可以适当隔离；并且，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征能够对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

另外，多个场景子网络可以实现对场景的软划分，进而可以解决用户搜索需求在场景之间有重叠的问题，也就是说，目标搜索词对应多个目标场景时，电子设备也可以准确地预测与目标搜索词匹配的多个待排序信息的预测值。

为了方案完整和描述清楚，将在下面实施例对多场景切分模型如何得到多个待排序特征的预测值进行详细阐述。

S150，通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

在得到多个待排序信息的预测值之后，可以通过所得到的预测值对多个待排序信息进行排序。例如，可以按照预测值由大到小的顺序对多个待排序信息进行排序。进而有利于电子设备将排序靠前的待排序信息推荐给用户，从而满足用户的搜索需求。

本申请实施例提供的技术方案，获取用户输入的目标搜索词；召回与目标搜索词匹配的多个待排序信息；获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；并将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；最后通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

可见，本申请实施例提供的技术方案中，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征能够对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

为了方案完整和描述清楚，将在下面实施例对多场景切分模型如何得到多个待排序信息的预测值进行详细阐述。

如图2所示，在一种实施方式中，预先训练好的多场景切分模型，被配置为执行如下步骤，分别为：

S210，将每个待排序信息的特征集合包括的共有特征输入共享子网络，得到第一预测值。

具体的，在得到每个待排序信息的特征集合后，可以将待排序信息的特征集合中包括的共有特征即通用特征输入到共享子网络中，从共享子网络输出第一预测值。

S220，将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值。

具体的，在得到每个待排序信息的特征集合后，可以将待排序信息的特征集合中包括的场景特征输入到对应的场景子网络中，例如，可以将美食场景特征输入对应的美食场景子网络，将旅游场景特征输入对应的旅游场景子网络中。在将待排序信息的特征集合中包括的场景特征输入到对应的场景子网络后，从场景子网络输出第二预测值。

为了使得从场景子网络输出的第二预测值更加准确，作为本公开实施例的一种实现方式，将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值，包括：

将每个待排序信息的特征集合包括的共有特征和场景特征输入对应的场景子网络，得到第二预测值。

在该实现方式中，通过将待排序信息的特征集合包括的共有特征和场景特征的并集输入对应的场景子网络中，使得输入到场景子网络的特征的种类更多，这样，场景子网络可以根据更加全面的特征得到第二预测值，从而得到的第二预测值更加准确。

S230，基于第一预测值和第二预测值，确定每个待排序信息的预测值。

具体的，对于每个待排序信息，在得到该待排序信息对应的第一预测值和第二预测值之后，可以通过第一预测值和第二预测值准确地该待排序信息的最终的预测值。以便后续步骤中，可以通过多个待排序信息的最终的预测值对多个待排序信息进行排序。

作为本公开实施例的一种实现方式，基于第一预测值和第二预测值，确定每个待排序信息的预测值，可以包括如下步骤，分别为步骤a1至步骤a3：

步骤a1，将第一预测值和第二预测值组成场景预测值向量。

具体的，可以将第一预测值和第二预测值进行拼接，得到场景预测向量步骤a2，获取场景权重向量。

其中，场景权重向量是由共享子网络对应的第一权重和场景子网络对应的第二权重组成。

具体的，共享子网络对应一个权重，每个场景子网络分别对应一个权重，为了方案描述清楚，可以将共享子网络对应的权重称为第一权重，将每个场景子网络对应的权重称为第二权重。并可以将共享子网络对应的第一权重和场景子网络对应的第二权重进行拼接，得到场景权重向量。

其中，确定共享子网络对应的第一权重的场景子网络对应的第二权重的方式有很多。

在一种实施方式中，共享子网络对应的第一权重和场景子网络对应的第二权重的确定方式，可以包括如下步骤，分别为步骤a1至步骤a3：

步骤b1，获取用户历史数据。

步骤b2，根据用户历史数据确定用户对各个场景的需求分布概率。

步骤b3，基于用户对各个场景的需求分布概率，确定共享子网络对应的第一权重和场景子网络对应的第二权重。

具体的，因为互联网产品的应用场景多种多样，用户的需求场景有时候较难判别，或者场景之间会存在交叉重叠的关系，该实施方式中，可以将用户对每个场景的需求分布概率作为该场景对应的场景子网络的第二权重。其中，这些需求分布概率可以是基于用户历史数据统计出来的。并且，可以根据用户对每个场景的需求分布概率计算出共享子网络对应的第一权重。

当然，上面只是列举了一种确定共享子网络对应的第一权重和场景子网络对应的第二权重的具体实现方式，在实际应用中，可以采用一定的规则来指定共享子网络对应的第一权重和场景子网络对应的第二权重，也可以通过其他神经网络模型学习得到共享子网络对应的第一权重和场景子网络对应的第二权重，这都是合理的，本申请实施例对此不做具体限定。

步骤a3，基于场景预测值向量和场景权重向量，确定每个待排序信息的预测值。

具体的，在得到场景预测值向量和场景权重向量后，可以将场景预测值向量和转置后的场景权重向量相乘，得到最终的模型预测值，即可以得到每个待排序信息的预测值。

可见，通过该实施方式的技术方案，用户对各个场景的需求是一个分布，而并非硬划分，场景之间的需求重要性用一个场景权重向量来刻画，解决了用户需求在场景之间有重叠的问题。

为了方案描述清楚，下面将以具体的实例对多场景切分场景如何得到预测值的具体实施方式进行详细阐述。

如图3所示，多场景切分模型由两个网络部分组成，一部分是兜底的共享网络，即上面实施例所述的共享子网络，以对各个场景预测值进行兜底。另一部分是与不同场景对应的分场景子网络，即上面实施例所述的场景子网络，每个分场景子网络对应一个场景，每个分场景子网络会预测出每一个待排序信息在该分场景子网络下的预测值。

兜底的共享网络的预测值P

具体的，场景切分模型得到预测值的具体流程如下：

1、在兜底的共享网络中，输入层是所有场景的共有特征，经过深度神经网络，输出是兜底的预测值P

2、在分场景子网络中，每个分场景子网络的输入层可以是所有场景的共有特征和该场景特有的场景特征的并集，每个分场景子网络是一个深度网络，每个分场景网络的输出层是该场景对应的预测值，分别是P

3、P

4、给定场景权重向量[W

5、场景预测值向量[P

可见，本申请实施例是包括分场景切分子网络的场景切分模型，不需要拆分成不同的模型，而是将不同场景的拆分内嵌在模型结构的内部。因此，至少可以达到如下有益效果：

1、迭代成本低。因为仅需要维护一个模型而非多个模型；且通过分场景子网络使得场景参数适当隔离。每个场景的迭代，仅需要对该场景对应的分场景子网络进行迭代即可。

2、通用特征在兜底共享网络输入层进行添加，使得通用特征对各个场景生效。场景特征在对应的分场景子网络进行添加，仅在该场景数据上生效，解决了小场景数据量有限，特征覆盖率有限等问题。

3、用户对各个场景的需求是一个分布，而并非硬划分，场景之间的需求重要性用一个场景权重向量来刻画，解决了用户需求在场景之间有重叠的问题。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本申请所必须的。

第二方面，本申请实施例提供了一种信息排序装置，如图4所示，所述装置包括：

搜索词获取模块410，用于获取用户输入的目标搜索词；

待排序信息召回模块420，用于召回与所述目标搜索词匹配的多个待排序信息；

特征集合获取模块430，用于获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；

预测值确定模块440，用于将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，所述多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；

信息排序模块450，用于通过所得的所述多个待排序信息的预测值对所述多个待排序信息进行排序。

本申请实施例提供的技术方案，获取用户输入的目标搜索词；召回与目标搜索词匹配的多个待排序信息；获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；并将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；最后通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

可见，本申请实施例提供的技术方案中，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

可选的，所述预测值确定模块，包括：

第一预测值获取单元，用于将每个待排序信息的特征集合包括的共有特征输入所述共享子网络，得到第一预测值；

第二预测值获取单元，用于将每个待排序信息的特征集合包括的场景特征输入对应的场景子网络，得到第二预测值；

预测值确定单元，用于基于所述第一预测值和第二预测值，确定每个待排序信息的预测值。

可选的，所述预测值确定单元，具体用于：

将所述第一预测值和第二预测值组成场景预测值向量；

获取场景权重向量，所述场景权重向量是由共享子网络对应的第一权重和场景子网络对应的第二权重组成；

基于所述场景预测值向量和所述场景权重向量，确定每个待排序信息的预测值。

可选的，所述预测值确定单元，具体用于：

获取用户历史数据；

根据所述用户历史数据确定用户对各个场景的需求分布概率；

基于用户对各个场景的需求分布概率，确定共享子网络对应的第一权重和场景子网络对应的第二权重。

可选的，所述第二预测值获取单元，具体用于：

将每个待排序信息的特征集合包括的共有特征和场景特征输入对应的场景子网络，得到第二预测值。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的信息排序方法的步骤。

本申请实施例提供的技术方案，获取用户输入的目标搜索词；召回与目标搜索词匹配的多个待排序信息；获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；并将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；最后通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

可见，本申请实施例提供的技术方案中，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的信息排序方法的步骤。

本申请实施例提供的技术方案，获取用户输入的目标搜索词；召回与目标搜索词匹配的多个待排序信息；获取每个待排序信息的特征集合，其中，一个待排序信息的特征集合包括该待排序信息在各种场景下的共有特征和该待排序信息在对应的目标场景下的场景特征；并将每个待排序信息的特征集合输入预先训练好的多场景切分模型，得到每个待排序信息的预测值，其中，多场景切分模型包括一个共享子网络和多个场景子网络，每个场景子网络对应一个场景，且不同的场景子网络对应不同的场景；最后通过所得的多个待排序信息的预测值对多个待排序信息进行排序。

可见，本申请实施例提供的技术方案中，多场景切分模型通过包括一个共享子网络能够使得各个场景的通用特征即共有特征对各个场景生效，且多场景切分模型通过包括多个场景子网络可以使得每一场景的场景特征对该场景生效，进而可以克服小场景数据量有限，特征覆盖率有限等问题带来的影响。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、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。

本申请是参照根据本申请的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种信息排序方法、装置、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。