1.本发明涉及电商流量分发技术领域，特别涉及一种流量调控方法、系统、计算机设备和存储介质。
背景技术：
2.电商行业经过十几年的发展，已经淘汰了一批电商平台，存活下来的也依然在激烈竞争，平台想要存活就必须不断创新满足市场的不同需求。搜索与推荐是电商平台常见的两大场景，都是尽最大努力为用户找到满足个人需求的产品，而电商平台与各品牌商家的合作又意味着要维护各个品牌商家的利益，通常来说，用户访问到最终把商品排序好返回给用户，会经历召回、粗排、精排几个阶段，想做最终的排序干扰，会在精排之后加上重排，重排的任务通常是完成政策的流量倾斜而加入的硬规则，但这种操作往往会损害用户的使用体验。在互联网行业越来越便捷的今天，电商平如何在有限流量的情况下更精准的为品牌投放流量，且不损害用户的平台使用体验，就成为现阶段亟需解决的技术问题。
3.因此需要提供一种流量调控方法、系统、计算机设备和存储介质，可以基于用户的搜索请求，在商品经历召回、粗排、精排之后对商品进行重排，利用重排的计算结果对商家的品牌做定向流量推送，且可以兼顾用户的使用效率，尽可能的降低用户体验平台的不悦感。
技术实现要素：
4.本发明提出一种流量调控方法、系统、计算机设备和存储介质，能够解决为如何为商品品牌做定向流量推送，且不损害用户的平台使用体验的技术问题。
5.为了达到上述目的，本发明提供一种流量调控方法，包括：
6.获取用户的搜索商品请求；
7.基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
8.对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调控力度、效率因子和调控因子,根据计算获得的流量调控力度、效率因子和调控因子计算重排分；
9.基于重排计算结果判定流量推送目标。
10.进一步的，所述基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排包括：
11.根据用户的所述搜索商品请求，对所请求商品进行召回操作；
12.根据用户的所述搜索商品请求，对召回的商品进行粗排操作；
13.根据用户的所述搜索商品请求，对粗排的商品进行精排操作；
14.所述精排操作包括获取精排分、所述精排分的最大值和所述精排分的最小值。
15.进一步的，在所述重排计算过程中计算流量调整力度包括：
16.将需要流量控制的多个品牌分别圈成多个货池；
17.每个货池具有其对应的流量目标，依据历史数据预测未来数据，将整体目标按照
时间段拆分流量目标；
18.对货池的每个时间段进行数据统计回收，计算出货池当前流量的需求度，作为调整等级；
19.所述调整等级的计算公式为：
20.adjustlevel＝1-actualuv/targetuv；
21.其中，adjustlevel表示调整等级，actualuv表示当前时刻实际完成流量情况，targetuv表示当前时刻应该完成流量目标；
22.获取当前时间点前三个时间段商品的调整等级；
23.根据所述调整等级计算确定所述流量调控力度；
24.所述流量调控力度的计算公式为：
25.u(k)＝u(k-1)
△
u(k)；
26.△
u(k)＝kp(err(k)-err(k-1)) kierr(k) kd(err(k)-2*err(k-1) err(k-2)))；
27.其中，u表示函数，k表示当前时刻，k-1表示上一个时刻，k-2表示上上个时刻，err表示调整等级，kp是比例项，也就是因子proportion，ki是积分项，也就是因子integral，kd是微分项，也就是因子differential，
△
u(k)是当前时刻公式计算出来的增量值，err(k)是当前时刻的调整等级，err(k-1)是上一时刻的调整等级，err(k-2)表示上二时刻的调整等级；
28.将计算结果作为流量调整力度的数值。
29.进一步的，在所述重排计算过程中计算流量调整力度，效率因子和调控因子包括：
30.响应于获取所述精排分和所述精排分的最小值；
31.将所述精排分和所述精排分的最小值进行计算，其计算公式为：
32.pidadjustfactor＝1 β*2*(log
10modelscore/reqmodelscoremin
/logfactor-0.5)；
33.其中，pidadjustfactor表示效率因子，modelscore表示待打分的商品的精排分，logfactor表示调控因子；
34.将计算结果作为所述效率因子的数值。
35.进一步的，所述计算调控因子包括：
36.响应于获取的所述精排分最大值和所述精排分最小值；
37.将所述精排分最大值和所述精排分最小值进行计算，其计算公式为：
38.logfactor＝log
10reqmodelscoremax/reqmodelscoremin
；
39.其中，logfactor表示所述调控因子，reqmodelscoremin表示所述精排分最小值，req modelscoremax表示精排分最大值；
40.将计算结果作为所述调控因子的数值。
41.进一步的，所述基于重排计算结果确定流量推送目标包括：
42.响应于获取的计算确定的所述流量调控力度、所述效率因子数值和所述调控因子的数值，将计算确定的所述流量调控力度、所述效率因子数值和所述调控因子的数值进行计算，其计算公式为：
43.finalscore＝modelscore*10
u(k)*logfactor*pidadjustfactor
；
44.其中：finalscore表示重排分，modelscore表示精排分，logfactor表示所述调控因子，pidadjustfactor表示效率因子，10
u(k)*logfactor*pidadjustfactor
表示基于流量调整力度对
精排结果做加权，同时引入效率因子；
45.将计算结果作为所述重排的数值。
46.进一步的，所述基于重排计算结果确定流量推送目标包括：
47.对所述重排计算结果进行降序排序，确定并输出所述重排计算结果的最大值；
48.将所述重排计算结果的最大值所对应的商品品牌作为流量推送目标。
49.另一方面，提供了识别热插拔硬盘系统，所述系统包括：
50.获取搜索模块，用于获取用户的搜索商品请求；
51.筛选商品模块，用于基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
52.重排计算模块，用于对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调整力度，效率因子和调控因子；
53.输出判定模块，用于基于重排计算结果判定流量推送目标。
54.再一方面，提供了一种计算机设备，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计算机程序时实现以下步骤：
55.获取用户的搜索商品请求；
56.基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
57.对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调整力度，效率因子和调控因子；
58.基于重排计算结果判定流量推送目标。
59.又一方面，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存储有程序，当所述程序被处理器执行时，使得所述处理器执行以下步骤：
60.获取用户的搜索商品请求；
61.基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
62.对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调整力度，效率因子和调控因子；
63.基于重排计算结果判定流量推送目标。
64.本技术提出的流量调控方法具有如下有益效果：
65.本技术提出的流量调控方法，通过获取用户的搜索商品请求，分析出用户搜索商品请求的特征，并依靠对所需商品进行召回、粗排和精排，并在精排后获取符合特征商品的精排分、精排分最大值、精排分最小值以及符合特征特征商品的流量目标和实际流量情况，再通过重排计算得出符合特征商品的商品分数，重排计算过程中包括通过流量目标和实际流量情况计算得出该符合特征商品的调整等级，通过调整等级计算得出符合特征商品的流量调控力度，基于流量调整力度对精排结果做加权，同时兼顾效率引入效率因子，其中通过精排分最大值和精排分最小值计算得出调控因子的数值，通过精排分、精排分最小值和调控因子数值，计算得出效率因子的数值，最后根据计算获得的流量调控力度、调控因子数值、效率因子数值以及精排分数值，计算获得重排分数值，获得的重排分数值作为商品的打分数值，并对商品的打分数值进行降序排序，输出商品打分的重排分数，并判定商品打分值最大的商品作为品牌流量推送的目标。
66.通过以上设置,使得商品平台可以基于用户的搜索请求，在商品经历召回、粗排、
精排之后对商品进行重排，重排计算过程中加入个性化权重和效率因子，利用重排的计算结果对商家的品牌做定向流量推送和个性化流量调控，且可以兼顾用户的使用效率，尽可能的降低用户体验平台的不悦感。
附图说明
67.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
68.图1是本技术实施例提供的流量调控方法的应用环境图；
69.图2是本技术实施例提供的流量调控方法的方法流程图；
70.图3是本技术实施例提供的流量调控方法的详细方法流程图；
71.图4是本技术实施例提供的流量调控系统的结构示意图；
72.图5是本技术实施例提供的计算机设备的示意图。
具体实施方式
73.使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
74.实施例1
75.本技术提供的流量调控方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。用户搜索商品特征输入至服务器搜索框，服务器通过获取用户的搜索商品请求，分析出用户搜索商品请求的特征，并依靠对所需商品进行召回、粗排和精排，并在精排后获取符合特征商品的精排分、精排分最大值、精排分最小值以及符合特征特征商品的流量目标和实际流量情况，再通过重排计算得出符合特征商品的商品分数，重排计算过程中包括通过流量目标和实际流量情况计算得出该符合特征商品的调整等级，通过调整等级计算得出符合特征商品的流量调控力度，基于流量调整力度对精排结果做加权，同时兼顾效率引入效率因子，其中通过精排分最大值和精排分最小值计算得出调控因子的数值，通过精排分、精排分最小值和调控因子数值，计算得出效率因子的数值，最后根据计算获得的流量调控力度、调控因子数值、效率因子数值以及精排分数值，计算获得重排分数值，获得的重排分数值作为商品的打分数值，并对商品的打分数值进行降序排序，输出商品打分的重排分数，并判定商品打分值最大的商品作为品牌流量推送的目标。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
76.本技术提供的流量调控方法，使得商品平台可以基于用户的搜索请求，在商品经历召回、粗排、精排之后对商品进行重排，利用重排的计算结果对商家的品牌做定向流量推送，且可以兼顾用户的使用效率，尽可能的降低用户体验平台的不悦感。
77.在一个实施例中，如图2所示，提供了一种流量调控方法，包括以下步骤s1-s4：
78.s1:获取用户的搜索商品请求。
79.本发明实施例中，用户在商品平台的搜索页面将商品特征输入至搜索框中，商品特征包括商品的品牌、商品的评价、商品的颜色、商品的评分、商品的销量、商品的使用效果等，根据用户的搜索商品特征，平台分析商品特征并根据根据用户的请求商品特征在平台的商品资源池中搜索符合搜索商品特征的商品。
80.s2:基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排。
81.本发明实施例中，当用户将搜索商品特征输入至搜索框后，平台的会根据用户搜索商品特征在商品资源池中进行商品召回，召回的目的是根据商品搜索特征从商品库中找到尽可能多的相关商品，扩大后续排序层空间；之后会会对召回的商品进行粗排，粗排的目的是粗排阶段的目标是从约上万级别的候选中筛选出合规、相关且成交效率高的topn商品，这里n通常是上千量级；之后会对粗排的商品进行精排，精排的目的是从约上千级别的候选中筛选出合规、相关且成交效率高的topn商品，这里n通常是上百量级。
82.s3:对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调整力度、效率因子和调控因子,根据计算获得的流量调整力度、效率因子和调控因子计算重排分。
83.本发明实施例中，当对筛选出的合规商品进行精排后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，会对合规商品进行重排计算，重排计算的常见思路有：减少排序候选，使用计算复杂度更高的模型，如使用长序列建模，复杂网络结构的排序建模等；增加链路实效性，如模型实时，特征实时等；多目标ensemble，手拍权重，或自动学习多个目标权重；此外还有个性化权重学习，如以点击或成交为目标，使得不同用户或搜索词ensemble权重不一样。本实施例中运用的为个性化权重学习，在计算过程中，会根据流量目标和当前实际流量情况计算流量调控力度，会根据精排分的最大值和精排分的最小值计算调控因子，会根据精排分和精排分的最小值计算效率因子，最后根据计算得到的流量调控力度、调控因子以及效率因子计算重排分。
84.s4：基于重排计算结果判定流量推送目标。
85.本发明实施例中，当对筛选出的合规商品进行精排后，为了对筛选出的商品进行更加精准的打分，会对精排计算后的商品进行重排打分，重排打分的结果即为最终的商品打分，平台会对商品分数情况进行降序排序，取商品分数的最大值所代表的分数作为平台定点推送的品牌流量目标。
86.上述流量调控方法中，结合上述中的技术特征进行合理推导，实现能够解决背景技术中所提出的技术问题的有益效果。
87.实施例2
88.本实施例2包含上述实施例特征，如图2、图3所示，本实施例中提供一种流量调控方法，包括：步骤100根据用户的所述搜索商品请求，对所请求商品进行召回；根据用户的所述搜索商品请求，对召回的商品进行粗排；根据用户的所述搜索商品请求，对粗排的商品进行精排；所述精排包括获取精排分、所述精排分的最大值和所述精排分的最小值。
89.可以理解的是，本发明实施例中，平台服务器在获取用户的商品搜索请求后，
90.分析会出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行操作。操作步骤包括：根据用户的所述搜索商品请求，对所请求商品进行召回，召回是根据用户请求找到匹配的商品，召回架构往往采用多路召回架构，多路召回结果归并截断得到最终的召回结果送给下游，最基础的搜索召回同样是基于倒排索引的文本召回，除此之外，还包括结构化召回、个性化召回、向量召回在内的其他经典召回方式，召回的目的则是根据商品搜索特征从商品库中找到尽可能多的相关商品，扩大后续排序层空间；根据用户的所述搜索商品请求，对召回的商品进行粗排，粗排是对找到的商品进行粗略排序，排序模型比较简单，可以处理的商品数量比较多，可以2万个，出于计算性能考虑，粗排模型的选择有限，最简单经典的有商品静态分、线性回归lr、dssm双塔模型，另有很多典型的进阶优化模型，粗排的目的则是从约上万级别的候选中筛选出合规、相关且成交效率高的topn商品；根据用户的所述搜索商品请求，对粗排的商品进行精排，精排是对粗排的结果做进一步排序，模型比较复杂，可以处理的商品数量比较少，一次大约3000个，待排序的候选已经下降到上千/百的量级，这时在模型设计上可以选择更加复杂的方案，目前多以深度模型为主，比较常用的深度学习排序模型包括基础dnn排序、dot交叉、增强记忆特征、引入fm交叉等，精排的目的则是从约上千级别的候选中筛选出合规、相关且成交效率高的topn商品。
91.在经历过商品的召回、粗排和精排后，服务器会收到对候选合规商品的精排计算结果，在服务器收到候选合规商品的精排计算结果后，服务器会获取候选合规商品的精排分、精排分最大值和精排分最小值用于后面重排的计算。
92.本实施例中提供一种流量调控方法，包括：步骤200将需要流量控制的多个品牌分别圈成多个货池；每个货池具有其对应的流量目标，依据历史数据预测未来数据，将整体目标按照时间段拆分流量目标；对货池的每个时间段进行数据统计回收，计算出货池当前流量的需求度，作为调整等级；
93.所述调整等级的计算公式为：
94.adjustlevel＝1-actualuv/targetuv；
95.其中，adjustlevel表示调整等级，actualuv表示当前时刻实际完成流量情况，targetuv表示当前时刻应该完成流量目标；
96.获取当前时间点前三个时间段商品的调整等级；根据所述调整等级计算确定所述流量调控力度；
97.所述流量调控力度的计算公式为：
98.增量型pid，输出为u(k-1)
△
u(k)；
99.△
u(k)＝kp(err(k)-err(k-1)) kierr(k) kd(err(k)-2*err(k-1) err(k-2)))；
100.其中，u表示函数，k表示当前时刻，k-1表示上一个时刻，k-2表示上上个时刻，err表示调整等级，kp是比例项，也就是因子proportion，ki是积分项，也就是因子integral，kd是微分项，也就是因子differential，
△
u(k)是当前时刻公式计算出来的增量值，err(k)是当前时刻的调整等级，err(k-1)是上一时刻的调整等级，err(k-2)表示上二时刻的调整等级；
101.将计算结果作为所述流量调整力度的数值。
102.可以理解的是，本发明实施例中，平台服务器在获取用户的商品搜索请求后，
103.分析会出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行召
回、粗排以及精排的操作，在精排之后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，平台服务器会根据获取到的合规商品的精排分、精排分最大值和精排分最小值，进行重排计算，本实施例中运用的为个性化权重学习，在计算过程中，会根据流量目标和当前实际流量情况计算流量调控力度。
104.平台服务器将众多需要流量控制的品牌圈成一个个货池；每个货池都有自己对应的流量目标，依据历史数据预测未来数据，将整体目标拆分城不同时间段不同的流量目标，targetuv表示不同时间段各个货池的流量目标，不同时间段也会进行数据统计回收，叫做流量的实际完成情况，用actualuv表示，之后利用流量目标和流量实际完成情况的数据计算出货池当前对流量的需求度，我们称之为调整等级，平台服务器会获取当前时间点前三个时间段商品的调整等级，这三个时间段均为5分钟，计算出当前时间点每5分钟的流量调整等级，最后根据调整等级计算确定所述流量调控力度。
105.调整等级计算公式为：
106.adjustlevel＝1-actualuv/targetuv；
107.流量调控力度计算公式为：
108.增量型pid，输出为u(k)＝u(k-1)
△
u(k)；
109.△
u(k)＝kp(err(k)-err(k-1)) kierr(k) kd(err(k)-2*err(k-1) err(k-2)))；
110.其中，u表示函数，k表示当前时刻，k-1表示上一个时刻，k-2表示上上个时刻，err表示调整等级，kp是比例项，也就是因子proportion，ki是积分项，也就是因子integral，kd是微分项，也就是因子differential，
△
u(k)是当前时刻公式计算出来的增量值，err(k)是当前时刻的调整等级，err(k-1)是上一时刻的调整等级，err(k-2)表示上二时刻的调整等级；
111.实施例中提供一种流量调控方法，包括：步骤300响应于获取精排分和精排分的最小值，计算效率因子的数值。
112.效率因子计算公式：
113.pidadjustfactor＝1 β*2*(log
10modelscore/reqmodelscoremin
/logfactor-0.5)；
114.其中，pidadjustfactor表示效率因子，modelscore表示待打分的商品的精排分，logfactor表示调控因子。
115.可以理解的是，本发明实施例中，平台服务器在获取用户的商品搜索请求后，
116.分析会出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行召回、粗排以及精排的操作，在精排之后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，平台服务器会根据获取到的合规商品的精排分、精排分最大值和精排分最小值，进行重排计算，在重排计算过程中，会根据精排分和精排分最小值计算效率因子。引入效率因子的目的在计算重排过程中缩短计算时间，尽可能的减少用户使用平台时的不良体验。效率因子的计算是计算机重排计算模块自动计算，通过用户的搜索商品请求得到的精排分和精排分最小值，计算效率因子数值。
117.效率因子计算公式：
118.pidadjustfactor＝1 β*2*(log
10modelscore/reqmodelscoremin
/logfactor-0.5)；
119.其中，pidadjustfactor表示效率因子，modelscore表示待打分的商品的精排分，logfactor表示调控因子。通过β值可以做超参调控，β值越大则兼顾效率的比重越大，同时会造成品牌流量目标有可能打不成的现象，β值越小则意味着尽最大努力完成品牌的流量目标。通常情况下，建议β值为0.3，然后根据实际情况进行调参。
120.实施例中提供一种流量调控方法，包括：步骤400应于获取精排分最大值和精排分的最小值，计算调控因子的数值。
121.调控因子计算公式：
122.logfactor＝log
10reqmodelscoremax/reqmodelscoremin
；
123.其中，logfactor表示所述调控因子，req modelscoremin表示所述精排分最小值，req modelscoremax表示精排分最大值。
124.可以理解的是，在本发明实施例中，平台服务器在获取用户的商品搜索请求后，分析出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行召回、粗排以及精排的操作，在精排之后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，平台服务器会根据获取到的合规商品的精排分、精排分最大值和精排分最小值，进行重排计算，在重排计算过程中，平台服务器会根据精排分最大值和精排分的最小值，计算调控因子的数值。调控因子为对精排分做加权的公式中的一项，
125.调控因子计算公式：
126.logfactor＝log
10reqmodelscoremax/reqmodelscoremin
；
127.其中，logfactor表示所述调控因子，reqmodelscoremin表示合规商品的精排分最小值，reqmodelscoremax表示合规商品的精排分最大值，计算过程为每次请求的最大精排分和最小精排分的比值取对数，取对数的目的是为了降维。
128.实施例中提供一种流量调控方法，包括：步骤500响应于获取的计算确定的流量调控力度、效率因子数值和调控因子的数值，将计算确定的所述流量调控力度、所述效率因子数值和所述调控因子的数值进行计算，获取精排计算出合规商品的重排分数。
129.重排计算公式：
130.finalscore＝modelscore*10
u(k)*logfactor*pidadjustfactor
；
131.其中：finalscore表示重排分，modelscore表示精排分，logfactor表示所述调控因子，pidadjustfactor表示效率因子，10
u(k)*logfactor*pidadjustfactor
表示基于流量调控力度对精排结果做加权，同时引入效率因子。
132.可以理解的是在本发明实施例中，平台服务器在获取用户的商品搜索请求后，分析出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行召回、粗排以及精排的操作，在精排之后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，平台服务器会根据获取到的合规商品的精排分、精排分最大值和精排分最小值，进行重排计算，在重排计算过程中，平台服务器会根据获取的流量调控力度、调控因子数值和效率因子数值对精排分进行重新计算，做重排处理。重排是对精排结果做加权处理，同事兼顾效率引入pidadjustfactor做效率因子，增加了效率因子调控，对不同用户请求的流量进行调控，对用户体验的损害值是不同的，同时对精排结果进行加权处理，得出重排结果，也可以利用重排的计算结果达到对商家
的品牌做定向流量推送的目的。
133.重排计算公式：
134.finalscore＝modelscore*10
u(k)*logfactor*pidadjustfactor
；
135.其中：finalscore表示重排分，modelscore表示精排分，logfactor表示所述调控因子，pidadjustfactor表示效率因子，10
u(k)*logfactor*pidadjustfactor
表示基于pid对精排结果做加权，同时引入效率因子。
136.实施例中提供一种流量调控方法，包括：步骤600对所述重排计算结果进行降序排序，确定并输出所述重排计算结果的最大值；将所述重排计算结果的最大值所对应的商品品牌作为流量推送目标。
137.可以理解的是，本发明实施例中，平台服务器在获取用户的商品搜索请求后，分析出用户搜索商品请求的特征，并依靠对所需商品在商品资源池中进行召回、粗排以及精排的操作，在精排之后，为了对筛选出的商品进行更加精准的打分，或者无法落地更加复杂的模型，或者精排分排序无法满足特殊整体性排序需求，平台服务器会根据获取到的合规商品的精排分、精排分最大值和精排分最小值，进行重排计算，在重排计算过程中，平台服务器会根据获取的流量调控力度、调控因子数值和效率因子数值对精排分进行重新计算，做重排处理。平台服务器会根据重排计算结果对重排分做降序排序处理，并对重排结果的最大值进行输出，同时根据输出的重排计算结果的最大值，判定重排计算结果的最大值所对应的商品品牌作为流量推送目标。根据重排分数的排序结果对商品品牌进行流量推送，达到对商家的品牌做定向流量推送的目的。
138.实施例3
139.本实施例包含上述实施例特征，本实施例中提供一种流量调控系统，如图4所示，所述系统包括：获取搜索模块1、筛选商品模块2、重排计算模块3和输出判定模块4。
140.获取搜索模块1用于获取用户的搜索商品请求；筛选商品模块2用于基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；重排计算模块3用于对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调控力度，效率因子和调控因子；输出判定模块4用于基于重排计算结果判定流量推送目标。
141.以上实施例只是介绍了各单元模块之间的结构关系和组成内容，在实际应用中，各单元模块的执行方法请参阅图3所示的方法，此处不再赘述。
142.获取搜索模块1用于获取用户的搜索商品请求。获取搜索模块1会在用户显示器屏幕中进行显示，用户可以在显示的获取搜索模块中输入搜索商品的各种特征，这些特征包括商品的品牌、商品的评价、商品的颜色、商品的评分、商品的销量、商品的使用效果等，平台服务器会分析用户输入的商品特征，并根据商品特征从平台所拥有的商品资源池中进行筛选。
143.筛选商品模块2用于基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排。平台服务器根据分析用户输入的商品特征，通过计算模型将符合商品特征的商品从平台所拥有的商品资源池中筛选出来。筛选出来的步骤包括根据用户的所述搜索商品请求，对所请求商品进行召回，召回的目的是根据商品搜索特征从商品库中找到尽可能多的相关商品，扩大后续排序层空间；根据用户的所述搜索商品请求，对召回的商品进行粗排，粗排的目的是是从约上万级别的候选中筛选出合规、相关且成交效率高的topn商品；根
据用户的所述搜索商品请求，对粗排的商品进行精排，精排的目的是从约上千级别的候选中筛选出合规、相关且成交效率高的topn商品。筛选模块2的作用效果是根据用户的搜索请求，筛选出符合用户搜索特征的商品以供用户选择。
144.重排计算模块3用于对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调控力度，效率因子和调控因子。平台服务器根据分析用户输入的商品特征，通过计算模型将符合商品特征的商品从平台所拥有的商品资源池中筛选出来。筛选出来的步骤包括根据用户的所述搜索商品请求，对所请求商品进行召回、粗排和精排，同时也可以得到精排分，精排分最大值和精排分最小值，在精排后会得到合规的商品的流量目标和实际流量情况，通过流量目标和实际流量情况可以获得合规商品的调整等级，通过调整等级可以计算出合规商品的流量调控力度，再通过获取合规商品的精排分和精排分最小值计算得到引入的效率因子的数值，再通过精排分和精排分最小值计算得到调控因子的数值，通过获取的流量调控力度、效率因子和调控因子，平台服务器可以计算合规商品的重排分，合规商品的重排分就是对精排分进行加权并引入效率因子的计算得分。
145.输出判定模块4用于基于重排计算结果判定流量推送目标。平台服务器根据分析用户输入的商品特征，通过计算模型将符合商品特征的商品从平台所拥有的商品资源池中筛选出来。筛选出来的步骤包括根据用户的所述搜索商品请求，对所请求商品进行召回、粗排和精排，精排后平台服务器会对合规商品进行重排，并将重排分作为最终的合规商品打分，输出重排计算结果,并将重排分数进行降序排序，同时根据输出的重排计算结果的最大值，判定重排计算结果的最大值所对应的商品品牌作为流量推送目标。
146.关于流量调控系统的具体限定可以参见上文中对于方法的限定，在此不再赘述。上述流量调控系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
147.应该理解的是，虽然图2、图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
148.实施例4
149.本实施例提供一种计算机设备，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计算机程序时实现识别热插拔硬盘的方法的步骤。
150.该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网
络连接通信。该计算机程序被处理器执行时以实现识别热插拔硬盘的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
151.在其中一个实施方式中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
152.获取用户的搜索商品请求；
153.基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
154.对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调控力度、效率因子和调控因子,根据计算获得的流量调控力度、效率因子和调控因子计算重排分；
155.基于重排计算结果判定流量推送目标。
156.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
157.根据用户的所述搜索商品请求，对所请求商品进行召回；
158.根据用户的所述搜索商品请求，对召回的商品进行粗排；
159.根据用户的所述搜索商品请求，对粗排的商品进行精排；
160.所述精排包括获取精排分、所述精排分的最大值和所述精排分的最小值。
161.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
162.将需要流量控制的多个品牌分别圈成多个货池；
163.每个货池具有其对应的流量目标，依据历史数据预测未来数据，将整体目标按照时间段拆分流量目标；
164.对货池的每个时间段进行数据统计回收，计算出货池当前流量的需求度，作为调整等级；
165.所述调整等级的计算公式为：
166.adjustlevel＝1-actualuv/targetuv；
167.其中，adjustlevel表示调整等级，actualuv表示当前时刻实际完成流量情况，targetuv表示当前时刻应该完成流量目标；
168.获取当前时间点前三个时间段商品的调整等级；
169.根据所述调整等级计算确定所述流量调控力度；
170.所述流量调控力度的计算公式为：
171.增量型pid，输出为u(k-1)
△
u(k)；
172.△
u(k)＝kp(err(k)-err(k-1)) kierr(k) kd(err(k)-2*err(k-1) err(k-2)))；
173.其中，u表示函数，k表示当前时刻，k-1表示上一个时刻，k-2表示上上个时刻，err表示调整等级，kp是比例项，也就是因子proportion，ki是积分项，也就是因子integral，kd是微分项，也就是因子differential，
△
u(k)是当前时刻公式计算出来的增量值，err(k)是当前时刻的调整等级，err(k-1)是上一时刻的调整等级，err(k-2)表示上二时刻的调整等级；
174.将计算结果作为所述流量调控力度的数值。
175.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
176.响应于获取所述精排分和所述精排分的最小值；
177.将所述精排分和所述精排分的最小值进行计算，其计算公式为：
178.pidadjustfactor＝1 β*2*(log
10modelscore/reqmodelscoremin
/logfactor-0.5)；
179.其中，pidadjustfactor表示效率因子，modelscore表示待打分的商品的精排分，logfactor表示调控因子；
180.将计算结果作为所述效率因子的数值。
181.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
182.响应于获取的所述精排分最大值和所述精排分最小值；
183.将所述精排分最大值和所述精排分最小值进行计算，其计算公式为：
184.logfactor＝log
10reqmodelscoremax/reqmodelscoremin
；
185.其中，logfactor表示所述调控因子，reqmodelscoremin表示所述精排分最小值，reqmodelscoremax表示精排分最大值；
186.将计算结果作为所述调控因子的数值。
187.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
188.响应于获取的计算确定的所述流量调控力度、所述效率因子数值和所述调控因子的数值，将计算确定的所述流量调控力度、所述效率因子数值和所述调控因子的数值进行计算，其计算公式为：
189.finalscore＝modelscore*10
pid*logfactor*pidadjustfactor
；
190.其中：finalscore表示重排分，modelscore表示精排分，logfactor表示所述调控因子，pidadjustfactor表示效率因子，10
pid*logfactor*pidadjustfactor
表示基于流量调控力度对精排结果做加权，同时引入效率因子；
191.将计算结果作为所述重排的数值。
192.在其中一个实施方式中，处理器执行计算机程序时还实现以下步骤：
193.对所述重排计算结果进行降序排序，确定并输出所述重排计算结果的最大值；
194.将所述重排计算结果的最大值所对应的商品品牌作为流量推送目标。
195.实施例5
196.本实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
197.获取用户的搜索商品请求；
198.基于用户的所述搜索商品请求对所述被搜索商品进行召回、粗排和精排；
199.对所述精排计算结果进行重排计算，在所述重排计算过程中计算流量调控力度、效率因子和调控因子,根据计算获得的流量调控力度、效率因子和调控因子计算重排分；
200.基于重排计算结果判定流量推送目标。
201.本技术提出的流量调控方法，通过获取用户的搜索商品请求，分析出用户搜索商品请求的特征，并依靠对所需商品进行召回、粗排和精排，并在精排后获取符合特征商品的精排分、精排分最大值、精排分最小值以及符合特征特征商品的流量目标和实际流量情况，再通过重排计算得出符合特征商品的商品分数，重排计算过程中包括通过流量目标和实际流量情况计算得出该符合特征商品的调整等级，通过调整等级计算得出符合特征商品的流量调控力度，基于流量调控力度对精排结果做加权，同时兼顾效率引入效率因子，其中通过精排分最大值和精排分最小值计算得出调控因子的数值，通过精排分、精排分最小值和调
控因子数值，计算得出效率因子的数值，最后根据计算获得的流量调控力度、调控因子数值、效率因子数值以及精排分数值，计算获得重排分数值，获得的重排分数值作为商品的打分数值，并对商品的打分数值进行降序排序，输出商品打分的重排分数，并判定商品打分值最大的商品作为品牌流量推送的目标。
202.通过以上设置,使得商品平台可以基于用户的搜索请求，在商品经历召回、粗排、精排之后对商品进行重排，重排计算过程中加入个性化权重和效率因子，利用重排的计算结果对商家的品牌做定向流量推送和个性化流量调控，且可以兼顾用户的使用效率，尽可能的降低用户体验平台的不悦感。
203.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
204.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
205.以上所述实施例仅表示了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。