CN106354856B - 基于人工智能的深度神经网络强化搜索方法和装置 - Google Patents

Abstract

本申请公开了基于人工智能的深度神经网络强化搜索方法和装置。所述方法的一具体实施方式包括：接收终端发送的搜索请求，其中，所述搜索请求包括搜索词和隐性搜索信息；将所述搜索词导入预先训练的文本匹配模型，确定与所述搜索词相匹配的各个搜索结果以及所述各个搜索结果与所述搜索词的各个第一相似度；将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定所述各个搜索结果与所述隐性搜索词之间的各个第二相似度；根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序；向所述终端发送所述搜索结果和所述呈现顺序，以供所述终端按照所述呈现顺序呈现所述搜索结果。该实施方式实现了提供搜索的准确度。

Description

基于人工智能的深度神经网络强化搜索方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及基于人工智能的深度神经网络强化搜索方法和装置。

背景技术

人工智能：人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。基于人工智能的深度神经网络强化搜索方法主要通过预测用户提供的搜索词与文档的相似度，向用户提供排序后的搜索结果，因此如何优化相似度的计算则是基于人工智能的深度神经网络强化搜索方法的主要探索方向之一。通常，根据用户搜索时产生的搜索日志中的搜索信息训练搜索模型，利用搜索模型预测搜索词与文档的相似度。

然而，往往用户的搜索寻求不能通过搜索词完全体现，对于一些用户的隐性搜索需求，比如时间、地点的需求，现有的基于人工智能的深度神经网络强化搜索方法通常是将时间、地点与搜索词一同作为搜索模型的输入，模型的复杂度会随着特征的增加而大大提升，从而，存在着搜索准确率低的问题。

发明内容

本申请的目的在于提出一种改进的基于人工智能的深度神经网络强化搜索方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种基于人工智能的深度神经网络强化搜索方法，所述方法包括：接收终端发送的搜索请求，其中，所述搜索请求包括搜索词和隐性搜索信息，其中，所述隐性搜索信息是除搜索词之外的用于搜索的信息；将所述搜索词导入预先训练的文本匹配模型，确定与所述搜索词相匹配的各个搜索结果以及所述各个搜索结果与所述搜索词的各个第一相似度，其中，所述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定所述各个搜索结果与所述隐性搜索词之间的各个第二相似度，其中，所述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序；向所述终端发送所述搜索结果和所述呈现顺序，以供所述终端按照所述呈现顺序呈现所述搜索结果。

第二方面，本申请提供了一种基于人工智能的深度神经网络强化搜索装置，所述装置包括：接收模块，配置用于接收终端发送的搜索请求，其中，所述搜索请求包括搜索词和隐性搜索信息，其中，所述隐性搜索信息是除搜索词之外的用于搜索的信息；第一导入模块，配置用于将所述搜索词导入预先训练的文本匹配模型，确定与所述搜索词相匹配的各个搜索结果以及所述各个搜索结果与所述搜索词的各个第一相似度，其中，所述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；第二导入模块，配置用于将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定所述各个搜索结果与所述隐性搜索词之间的各个第二相似度，其中，所述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；排序模块，配置用于根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序；发送模块，配置用于向所述终端发送所述搜索结果和所述呈现顺序，以供所述终端按照所述呈现顺序呈现所述搜索结果。

本申请提供的基于人工智能的深度神经网络强化搜索方法和装置，通过接收终端发送的包括搜索词和隐性搜索信息的搜索请求；将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及上述各个搜索结果与上述搜索词的各个第一相似度；将上述各个搜索结果、根据上述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定上述各个搜索结果与上述隐性搜索词之间的各个第二相似度；根据第一相似度和第二相似度，对搜索结果进行排序并得到上述搜索结果的呈现顺序；向上述终端发送上述搜索结果和上述呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果，从而利用与文本匹配模型分离的隐性匹配模型确定出独立于第一相似度的第二相似度，相对于使用一个搜索模型得出一个相似度或者对文本匹配模型得到的相似度进行进一步微调，使用两个分离的搜索模型降低了模型训练的复杂度，提高了搜索的准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于人工智能的深度神经网络强化搜索方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的深度神经网络强化搜索方法的一个应用场景的示意图；

图4是根据本申请的基于人工智能的深度神经网络强化搜索方法的又一个实施例的流程图；

图5是根据本申请的基于人工智能的深度神经网络强化搜索方法中，训练隐性匹配模型的一种实现方式的流程图；

图6是根据本申请的基于人工智能的深度神经网络强化搜索装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于人工智能的深度神经网络强化搜索方法或基于人工智能的深度神经网络强化搜索装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种可以进行搜索的客户端应用，例如网页浏览器应用、搜索类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上呈现搜索结果提供支持的搜索服务器。搜索服务器可以对接收到的搜索请求等数据进行分析等处理，并将处理结果(例如搜索结果和搜索结果的呈现顺序)反馈给终端设备。

需要说明的是，本申请实施例所提供的基于人工智能的深度神经网络强化搜索方法一般由服务器105执行，相应地，基于人工智能的深度神经网络强化搜索装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的深度神经网络强化搜索方法的一个实施例的流程200。上述的基于人工智能的深度神经网络强化搜索方法，包括以下步骤：

步骤201，接收终端发送的搜索请求。

在本实施例中，基于人工智能的深度神经网络强化搜索方法运行于其上的电子设备(例如图1所示的服务器)可以接收用户利用其进行搜索的终端发送的搜索请求。在这里，上述搜索请求包括搜索词和隐性搜索信息。

在本实施例中，上述搜索词可以是单个词，也可以是多个词组成的词序列。

在本实施例中，上述隐性搜索信息是除搜索词之外的用于搜索的信息。

在本实施例的一些可选的实现方式中，上述隐性搜索信息可以包括以下至少一项：请求时间、请求地址、上述终端的设备类型号、上述终端的操作系统名称，其中，上述请求时间是指上述终端发出搜索请求时的时间，上述请求地址是指上述终端发出搜索请求时所位于的地址。

通常，用户利用终端上安装的搜索类应用或浏览器来进行搜索，这时，用户可以在搜索类应用或浏览器的搜索框中输入搜索词来向搜索服务器请求搜索结果，在本实施例中，终端组合用户输入的搜索词和隐性搜索信息作为搜索请求，终端发送上述搜索请求至基于人工智能的深度神经网络强化搜索方法运行于其上的搜索服务器。

步骤202，将搜索词导入预先训练的文本匹配模型，确定与搜索词相匹配的各个搜索结果以及各个搜索结果与搜索词的各个第一相似度。

在本实施例中，上述电子设备可以首先将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及各个搜索结果与搜索词的各个第一相似度。在这里，上述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系。

在本实施例中，上述文本匹配模型可以是具有相似度计算功能的模型；上述电子设备可以从历史搜索日志中提取历史搜索词和与搜索词相关联的被点击的历史搜索结果和呈现但未被点击的历史搜索结果；利用各种机器学习方法，学习确定文本训练模型的参数，以确定历史搜索词与被点击的搜索结果之间的已点击相似度和历史搜索词与未被点击的搜索结果之间的未点击相似度，在已点击相似度低于未点击相似度时，调整所训练的模型的参数，以此训练得到文本匹配模型。

步骤203，将各个搜索结果、根据隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定各个搜索结果与隐性搜索词之间的各个第二相似度。

在本实施例中，上述电子设备可以首先根据上述隐性搜索信息确定隐性搜索词，然后将各个搜索结果和上述隐性搜索词导入预先训练的隐性匹配模型，以确定各个搜索结果与隐性搜索词之间的各个第二相似度。在这里，上述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系。

在本实施例的一些可选的实现方式中，上述隐性搜索词可以包括时间类型名称，上述第二相似度可以包括时间相似度，上述隐性匹配模型可以包括时间匹配模型；根据隐性搜索信息确定隐性搜索词可以包括根据预先建立的时间分类规则，确定上述请求时间所属的时间类型的时间类型名称，在这里时间分类规则可以是将上述请求时间归类到时间类型的规则，例如，时间分类规则可以是根据若干个时间划分界限将各个时间点归类到“上午”“下午”“晚上”这几个时间类型的规则；可以将上述各个搜索结果、上述时间类型名称导入预先建立的时间匹配模型，确定上述时间类型名称与上述各个搜索结果之间的各个时间相似度。

作为示例，请求时间是上午10点，根据时间分类规则确定时间类型名称为上午，如果从文本匹配模型得到三条搜索结果，那么将搜索结果和“上午”这一时间类型名称导入预先建立的时间匹配模型，确定上述三条搜索结果与“上午”这一时间类型名称的各个时间相似度。

在本实施例的一些可选的实现方式中，上述隐性搜索词可以包括地域名称，上述第二相似度可以包括地域相似度，上述隐性匹配模型可以包括地域匹配模型；根据隐性搜索信息确定隐性搜索词可以包括根据预先建立的地域分类规则，确定上述请求地址所属的地域的地域名称，在这里地域分类规则可以是将上述请求地址归类到地域名称的规则，例如，地域分类规则可以是根据已划分的边界将各个请求地址归类到请求地址所属的城市的规则；可以将上述各个搜索结果、上述地域名称导入预先建立的地域匹配模型，确定上述地域名称与上述各个搜索结果之间的各个地域相似度。

作为示例，请求地址可以是用户的IP地址，例如根据地域分类规则确定该IP地址所属的城市为“北京”，如果从文本匹配模型得到三条搜索结果，那么将三条搜索结果和“北京”这一地域名称导入预先建立的地域匹配模型，确定上述三条搜索结果与“北京”这一地域名称的各个地域相似度。

在本实施例的一些可选的实现方式中，上述隐性搜索词可以包括设备类型名称，上述第二相似度可以包括设备相似度，上述隐性匹配模型可以包括设备匹配模型；根据隐性搜索信息确定隐性搜索词可以包括根据预先建立的设备类型分类规则，确定上述设备类型号所属的设备类型的设备类型名称，在这里设备类型分类规则可以是将上述设备类型号归类到设备类型的规则，例如，设备类型分类规则可以是根据各大品牌手机的各个设备类型号将上述终端归类到其所属的品牌的规则，当然，也可以是再根据品牌对其产品更细化的分类规则，将上述终端归类到该品牌各个系列的规则；可以将上述各个搜索结果、上述设备类型名称导入预先建立的设备匹配模型，确定上述设备类型名称与上述各个搜索结果之间的各个设备相似度。

作为示例，上述终端的设备类型号是“111111”，根据设备类型分类规则确定设备类型名称是“A品牌”，如果从文本匹配模型中得到三条搜索结果，那么将上述三条搜索结果与“A品牌”这一设备类型名称之间的各个设备相似度。

在本实施例的一些可选的实现方式中，上述隐性搜索词可以包括操作系统类型名称，上述第二相似度可以包括操作系统相似度，上述隐性匹配模型可以包括操作系统类型匹配模型；根据隐性搜索信息确定隐性搜索词可以包括根据预先建立的操作系统分类规则，确定上述操作系统名称所属的操作系统类型的操作系统类型名称，在这里操作系统分类规则可以是将上述操作系统名称归类到操作系统所属的类型的规则，例如，操作系统分类规则可以是根据预先建立操作系统名称与操作系统的对应关系将各个操作系统名称归类到“A”“H”或“P”这几个移动终端操作系统的规则；可以将上述各个搜索结果、上述操作系统类型名称导入预先建立的操作系统类型匹配模型，确定上述操作系统类型名称与上述各个搜索结果之间的各个操作系统相似度。

作为示例，上述终端的操作系统名称是“A007”，根据操作系统分类规则确定操作系统类型名称为“A”，如果从文本匹配模型得到三条搜索结果，那上述三条搜索结果和“A”这一操作系统类型名称导入预先建立的操作系统类型匹配模型，确定上述三条搜索结果和“A”这一操作系统类型名称的各个操作系统相似度。

步骤204，根据第一相似度和第二相似度，对搜索结果进行排序并得到搜索结果的呈现顺序。

在本实施例中，上述电子设备可以根据第一相似度和第二相似度，对搜索结果进行排序得到搜索结果的呈现顺序。

在本实施例的一些可选的实现方式中，可以使用第一相似度和第二相似度的加和或乘积作为最终相似度，按照最终相似度由大到小的顺序对上述搜索结果进行排序，得到搜索结果的呈现顺序。

在本实施例的一些可选的实现方式中，可以获取预先存储的第一权值和至少一个第二权值，分别将上述第一权值、各个第二权值与上述各个搜索结果的第一相似度、与各个第二权值对应的第二相似度相乘得到各个乘积，其中，第二权值用于表征第二相似度在上述搜索结果与上述搜索请求之间的最终相似度中的权重；将得到的各个乘积进行加和，得到上述最终相似度；按照最终相似度由大到小的顺序对上述搜索结果进行排序，得到搜索结果的呈现顺序。

步骤205，向终端发送搜索结果和呈现顺序。

在本实施例中，上述电子设备可以向上述终端发送搜索结果和呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果。

继续参见图3，图3是根据本实施例的基于人工智能的深度神经网络强化搜索方法的应用场景的一个示意图。在图3的应用场景中，用户首先发起一个搜索请求，搜索请求中包括搜索词“外卖”和时间信息“上午八点”，其中，图3中的搜索框显示了搜索词“外卖”；之后，搜索服务器可以将上述搜索词“外卖”导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个外卖种类以及上述各个外卖种类与上述搜索词的各个第一相似度；之后，搜索服务器将上述各个外卖种类、根据上述时间信息“上午八点”确定的隐性搜索词“早晨”导入预先训练的隐性匹配模型，确定上述各个外卖种类与上述“早晨”之间的各个第二相似度；根据第一相似度和第二相似度，对搜索结果进行排序并得到上述搜索结果的呈现顺序；向上述终端发送上述早餐类外卖和上述呈现顺序，以供上述终端按照上述呈现顺序呈现上述早餐类外卖。

本申请的上述实施例提供的方法，通过接收终端发送的包括搜索词和隐性搜索信息的搜索请求；将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及上述各个搜索结果与上述搜索词的各个第一相似度；将上述各个搜索结果、根据上述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定上述各个搜索结果与上述隐性搜索词之间的各个第二相似度；根据第一相似度和第二相似度，对搜索结果进行排序并得到上述搜索结果的呈现顺序；向上述终端发送上述搜索结果和上述呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果，从而利用与文本匹配模型分离的隐性匹配模型确定出独立于第一相似度的第二相似度，相对于使用一个搜索模型得出一个相似度或者对文本匹配模型得到的相似度进行进一步微调，使用两个分离的搜索模型降低了模型训练的复杂度，同时，隐性匹配模型的输入不使用搜索词，排除了搜索词对隐性匹配模型的影响，排除了模型效果重叠的影响，提高了搜索的准确度。

进一步参考图4，其示出了基于人工智能的深度神经网络强化搜索方法的又一个实施例的流程400。该基于人工智能的深度神经网络强化搜索方法的流程400，包括以下步骤：

步骤401，训练隐性匹配模型。

在本实施例中，基于人工智能的深度神经网络强化搜索方法运行于其上的电子设备(例如图1所示的服务器)可以训练上述隐性匹配模型。

在本实施例的一些可选的实现方式中，上述隐性匹配模型可以包括以下至少一种：时间匹配模型、地域匹配模型、设备匹配模型、操作系统类型匹配模型。

步骤402，接收终端发送的搜索请求。

在本实施例中，上述电子设备可以接收用户利用其进行搜索的终端发送的搜索请求。在这里，上述搜索请求包括搜索词和隐性搜索信息。

步骤403，将搜索词导入预先训练的文本匹配模型，确定与搜索词相匹配的各个搜索结果以及各个搜索结果与搜索词的各个第一相似度。

在本实施例中，上述电子设备可以首先将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及各个搜索结果与搜索词的各个第一相似度。在这里，上述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系。

步骤404，将各个搜索结果、根据隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定各个搜索结果与隐性搜索词之间的各个第二相似度。

在本实施例中，上述电子设备可以首先根据上述隐性搜索信息确定隐性搜索词，然后将各个搜索结果和上述隐性搜索词导入预先训练的隐性匹配模型，以确定各个搜索结果与隐性搜索词之间的各个第二相似度。在这里，上述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系。

步骤405，根据第一相似度和第二相似度，对搜索结果进行排序并得到搜索结果的呈现顺序。

在本实施例中，上述电子设备可以根据第一相似度和第二相似度，对搜索结果进行排序得到搜索结果的呈现顺序。

步骤406，向终端发送搜索结果和呈现顺序。

在本实施例中，上述电子设备可以向上述终端发送搜索结果和呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果。

在本实施例的一些可选的实现方式中，如图5所示，步骤401“训练隐性匹配模型”，可以通过如下步骤来实现：

步骤501，获取预先存储的历史搜索日志。

在本实现方式中，上述电子设备可以获取预先存储的历史搜索日志；在这里，上述历史搜索日志包括历史搜索请求、历史隐性搜索信息、已点击搜索结果和未点击搜索结果。

在本实现方式中，上述历史搜索请求包括历史搜索词，上述已点击搜索结果和上述未点击搜索结果是响应上述历史搜索请求所呈现在用户利用其进行历史搜索的终端的历史搜索结果。上述历史隐性搜索信息是出历史搜索词之外的用户历史搜索的信息。

步骤502，任意选取一个已点击搜索结果和一个未点击搜索结果，组成一个训练对。

在本实现方式中，上述电子设备可以任意选取一个已点击搜索结果和一个未点击搜索结果，组成一个训练对。

作为示例，响应历史搜索词在用户利用其进行历史搜索的终端呈现了十个搜索结果，此次历史搜索的历史搜索日志中包括了十个历史搜索结果，并且记录有两个已点击，八个未点击，那么，每次任意选取一个已点击搜索结果和一个未点击搜索结果组成训练对，此次的历史搜索日志中的十个搜索结果可以组成十六对训练对。

步骤503，将上述历史搜索词导入预先训练的文本匹配模型，确定训练对中的已点击搜索结果与历史搜索词之间的点击相似度、训练对中的未点击搜索结果与历史搜索词之间的未点击相似度。

在本实现方式中，上述电子设备将上述历史搜索词导入预先训练的文本匹配模型，确定上述训练对中的已点击搜索结果与历史搜索词之间的点击相似度、上述训练对中的未点击搜索结果与历史搜索词之间的未点击相似度。在这里，上述已点击相似度是上述训练对中的点击条目与上述历史搜索词之间的相似度，上述未点击相似度是上述训练对中的未点击条目与上述历史搜索词之间的相似度。

步骤504，确定已点击相似度是否小于上述未点击相似度。

在本实现方式中，上述电子设备根据步骤503获得的已点击相似度和未点击相似度，确定已点击相似度是否小于未点击相似度。如果已点击相似度小于未点击相似度，说明对于步骤503得到的训练对，文本匹配模型未能正确学习到搜索词与训练对中的已点击搜索结果和未点击搜索结果之间的相关性。

步骤505，如果是，则将训练对和根据历史隐性搜索信息确定的历史隐性搜索词加入隐性匹配模型的训练集。

在本实现方式中，上述电子设备可以响应于步骤504确定的已点击相似度小于上述未点击相似度，将步骤504选出的训练对和根据历史隐性搜索信息确定的历史隐性搜索词加入隐性匹配模型的训练集。关于如何根据历史隐性搜索信息确定的历史隐性搜索词，可以参考步骤203中如何根据隐性搜索信息确定的隐性搜索词的处理过程，在此不再赘述。

在本实现方式中，可以重复利用步骤502-步骤504筛选出一个历史搜索日志中的所有可能加入上述训练集的训练对；重复步骤501多次遍历预先存储的历史搜索日志，可以得到更多的训练对加入训练集。利用得到的训练集训练得到隐性匹配模型。利用得到的训练集训练隐性匹配模型的过程概括如下：将隐性搜索词、与隐性搜索词相关联的训练对作为输入，训练所训练的隐性匹配模型的参数，以得到上述作为训练对中的隐性搜索词与已点击搜索结果之间的相似度、隐性搜索词与未点击搜索结果之间的相似度，如果隐性搜索词与已点击搜索结果之间的相似度小于隐性搜索词与未点击搜索结果之间的相似度，则调整所训练的隐性匹配模型的参数，遍历训练集中的隐性搜索词、与隐性搜索词相关联的训练对以调整并确定所训练的隐性匹配模型的参数，得到隐性匹配模型。

从图4中可以看出，与图2对应的实施例相比，本实施例的基于人工智能的深度神经网络强化搜索方法的流程400突出了训练隐性匹配模型的步骤，在训练隐性匹配模型的步骤中，突出了将文本匹配模型未正确学习的训练对加入到隐性匹配模型的训练集中的过程，隐性匹配模型从训练过程中即与文本匹配模型分离开，选取出的训练集关注于训练对于隐性搜索信息之间的相似度，消除了搜索词的干扰，进一步提高了搜索的准确性。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种基于人工智能的深度神经网络强化搜索装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例上述的基于人工智能的深度神经网络强化搜索装置600包括：接收模块601、第一导入模块602、第二导入模块603和排序模块604和发送模块605。其中，接收模块601，配置用于接收终端发送的搜索请求，其中，上述搜索请求包括搜索词和隐性搜索信息，其中，上述隐性搜索信息是除搜索词之外的用于搜索的信息；第一导入模块602，配置用于将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及上述各个搜索结果与上述搜索词的各个第一相似度，其中，上述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；第二导入模块603，配置用于将上述各个搜索结果、根据上述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定上述各个搜索结果与上述隐性搜索词之间的各个第二相似度，其中，上述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；排序模块604，配置用于根据第一相似度和第二相似度，对搜索结果进行排序并得到上述搜索结果的呈现顺序；发送模块605，配置用于向上述终端发送上述搜索结果和上述呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的接收模块601可以接收用户利用其进行搜索的终端发送的搜索请求。在这里，上述搜索请求包括搜索词和隐性搜索信息。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的第一导入模块602可以首先将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及各个搜索结果与搜索词的各个第一相似度。在这里，上述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的第二导入模块603可以首先根据上述隐性搜索信息确定隐性搜索词，然后将各个搜索结果和上述隐性搜索词导入预先训练的隐性匹配模型，以确定各个搜索结果与隐性搜索词之间的各个第二相似度。在这里，上述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的排序模块604可以根据第一相似度和第二相似度，对搜索结果进行排序得到搜索结果的呈现顺序。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的发送模块605可以向上述终端发送搜索结果和呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果。

在本实施例中，基于人工智能的深度神经网络强化搜索装置600的接收模块601、第一导入模块602、第二导入模块603和排序模块604和发送模块605。其中，接收模块601的具体处理及其带来的技术效果可以分别参考图2对应的实施例中的对应步骤的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的深度神经网络强化搜索装置600还可以包括隐性搜索词确定模块(未示出)，配置用于根据预先建立的时间分类规则，确定上述请求时间所属的时间类型的时间类型名称；还配置用于根据预先建立的地域分类规则，确定上述请求地址所属的地域的地域名称；还配置用于根据预先建立的设备类型分类规则，确定上述设备类型号所属的设备类型的设备类型名称；还配置用于根据预先建立的操作系统分类规则，确定上述操作系统名称所属的操作系统类型的操作系统类型名称。确定模块的具体处理及其带来的技术效果可以分别参考图2对应的实施例中的对应步骤的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的深度神经网络强化搜索装置600还可以包括训练模块，配置用于训练上述隐性匹配模型(未示出)。隐性匹配模型的具体处理及其带来的效果可以参考图4对应的实施例中的对应步骤的相关说明，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的

程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收模块、第一导入模块、第二导入模块和排序模块和发送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，接收模块还可以被描述为“接收终端发送的搜索请求的模块”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：接收终端发送的搜索请求，其中，上述搜索请求包括搜索词和隐性搜索信息，其中，上述隐性搜索信息是除搜索词之外的用于搜索的信息；将上述搜索词导入预先训练的文本匹配模型，确定与上述搜索词相匹配的各个搜索结果以及上述各个搜索结果与上述搜索词的各个第一相似度，其中，上述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；将上述各个搜索结果、根据上述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定上述各个搜索结果与上述隐性搜索词之间的各个第二相似度，其中，上述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；根据第一相似度和第二相似度，对搜索结果进行排序并得到上述搜索结果的呈现顺序；向上述终端发送上述搜索结果和上述呈现顺序，以供上述终端按照上述呈现顺序呈现上述搜索结果。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种基于人工智能的深度神经网络强化搜索方法，其特征在于，所述方法包括：

接收终端发送的搜索请求，其中，所述搜索请求包括搜索词和隐性搜索信息，其中，所述隐性搜索信息是除搜索词之外的用于搜索的信息；

将所述搜索词导入预先训练的文本匹配模型，确定与所述搜索词相匹配的各个搜索结果以及所述各个搜索结果与所述搜索词的各个第一相似度，其中，所述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；

将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定所述各个搜索结果与所述隐性搜索词之间的各个第二相似度，其中，所述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；

根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序；

向所述终端发送所述搜索结果和所述呈现顺序，以供所述终端按照所述呈现顺序呈现所述搜索结果；以及

训练所述隐性匹配模型的步骤，所述训练所述隐性匹配模型的步骤包括：

获取预先存储的历史搜索日志；

任意选取一个已点击搜索结果和一个未点击搜索结果，组成一个训练对；

将所述历史搜索词导入所述文本匹配模型，确定所述训练对中的已点击搜索结果与所述历史搜索词之间的已点击相似度、所述训练对中的未点击搜索结果与所述历史搜索词之间的未点击相似度；

确定所述已点击相似度是否小于所述未点击相似度；

如果是，则将训练对和根据历史隐性搜索信息确定的历史隐性搜索词加入隐性匹配模型的训练集。

2.根据权利要求1所述的方法，其特征在于，所述历史搜索日志包括历史搜索请求、历史隐性搜索信息、已点击搜索结果和点击搜索结果，其中，所述历史搜索请求包括历史搜索词，所述已点击搜索结果和所述未点击搜索结果是响应所述历史搜索请求呈现的历史搜索结果，所述历史隐性搜索信息是除历史搜索词之外的用于历史搜索的信息。

3.根据权利要求2所述的方法，其特征在于，所述已点击相似度是所述训练对中的已点击搜索结果与所述历史搜索词之间的相似度，所述未点击相似度是所述训练对中的未点击搜索结果与所述历史搜索词之间的相似度。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述隐性搜索信息包括以下至少一项：请求时间、请求地址、所述终端的设备类型号、所述终端的操作系统名称，其中，所述请求时间是指所述终端发出搜索请求时的时间，所述请求地址是指所述终端发出搜索请求时所位于的地址。

5.根据权利要求4所述的方法，其特征在于，所述隐性搜索词包括时间类型名称，所述第二相似度包括时间相似度，所述隐性匹配模型包括时间匹配模型；以及

所述方法还包括：

根据预先建立的时间分类规则，确定所述请求时间所属的时间类型的时间类型名称；以及

所述将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，包括：

将所述各个搜索结果、所述时间类型名称导入预先训练的时间匹配模型，确定所述时间类型名称与所述各个搜索结果之间的各个时间相似度。

6.根据权利要求5所述的方法，其特征在于，所述隐性搜索词包括地域名称，所述第二相似度包括地域相似度，所述隐性匹配模型包括地域匹配模型；以及

所述方法还包括：

根据预先建立的地域分类规则，确定所述请求地址所属的地域的地域名称；以及

所述将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，包括：

将所述各个搜索结果、所述地域名称导入预先训练的地域匹配模型，确定所述地域名称与所述各个搜索结果之间的各个地域相似度。

7.根据权利要求6所述的方法，其特征在于，所述隐性搜索词包括设备类型名称，所述第二相似度包括设备相似度，所述隐性匹配模型包括设备匹配模型；以及

所述方法还包括：

根据预先建立的设备类型分类规则，确定所述设备类型号所属的设备类型的设备类型名称；以及

所述将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，包括：

将所述各个搜索结果、所述设备类型名称导入预先训练的设备类型匹配模型，确定所述设备类型名称与所述各个搜索结果之间的各个时间相似度。

8.根据权利要求7所述的方法，其特征在于，所述隐性搜索词包括操作系统类型名称，所述第二相似度包括操作系统相似度，所述隐性匹配模型包括操作系统类型匹配模型；以及

所述方法还包括：

根据预先建立的操作系统分类规则，确定所述操作系统名称所属的操作系统类型的操作系统类型名称；以及

所述将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，包括：

将所述各个搜索结果、所述操作系统类型名称导入预先训练的操作系统类型匹配模型，确定所述操作系统类型名称与所述各个搜索结果之间的各个操作系统相似度。

9.根据权利要求8所述的方法，其特征在于，所述根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序，包括：

获取预先存储的第一权值和至少一个第二权值，分别将所述第一权值、各个第二权值与所述各个搜索结果的第一相似度、与各个第二权值对应的第二相似度相乘得到各个乘积，其中，第二权值用于表征第二相似度在所述搜索结果与所述搜索请求之间的最终相似度中的权重；

将得到的各个乘积进行加和，得到所述最终相似度；

按照最终相似度由大到小的顺序对所述搜索结果进行排序，得到搜索结果的呈现顺序。

10.一种基于人工智能的深度神经网络强化搜索装置，其特征在于，所述装置包括：

接收模块，配置用于接收终端发送的搜索请求，其中，所述搜索请求包括搜索词和隐性搜索信息，其中，所述隐性搜索信息是除搜索词之外的用于搜索的信息；

第一导入模块，配置用于将所述搜索词导入预先训练的文本匹配模型，确定与所述搜索词相匹配的各个搜索结果以及所述各个搜索结果与所述搜索词的各个第一相似度，其中，所述文本匹配模型用于表征搜索词与搜索结果、第一相似度这两者之间的对应关系；

第二导入模块，配置用于将所述各个搜索结果、根据所述隐性搜索信息确定的隐性搜索词导入预先训练的隐性匹配模型，确定所述各个搜索结果与所述隐性搜索词之间的各个第二相似度，其中，所述隐性匹配模型用于表征搜索结果、隐性搜索词这两者与第二相似度之间的对应关系；

排序模块，配置用于根据第一相似度和第二相似度，对搜索结果进行排序并得到所述搜索结果的呈现顺序；

发送模块，配置用于向所述终端发送所述搜索结果和所述呈现顺序，以供所述终端按照所述呈现顺序呈现所述搜索结果；以及

训练模块，配置用于训练所述隐性匹配模型的步骤，所述训练模块进一步配置用于：

获取预先存储的历史搜索日志；

任意选取一个已点击搜索结果和一个未点击搜索结果，组成一个训练对；

将所述历史搜索词导入所述文本匹配模型，确定所述训练对中的已点击搜索结果与所述历史搜索词之间的已点击相似度、所述训练对中的未点击搜索结果与所述历史搜索词之间的未点击相似度；

确定所述已点击相似度是否小于所述未点击相似度；

如果是，则将训练对和根据历史隐性搜索信息确定的历史隐性搜索词加入隐性匹配模型的训练集。

11.根据权利要求10所述的装置，其特征在于，所述历史搜索日志包括历史搜索请求、历史隐性搜索信息、已点击搜索结果和点击搜索结果，其中，所述历史搜索请求包括历史搜索词，所述已点击搜索结果和所述未点击搜索结果是响应所述历史搜索请求呈现的历史搜索结果，所述历史隐性搜索信息是除历史搜索词之外的用于历史搜索的信息。

12.根据权利要求11所述的装置，其特征在于所述已点击相似度是所述训练对中的已点击搜索结果与所述历史搜索词之间的相似度，所述未点击相似度是所述训练对中的未点击搜索结果与所述历史搜索词之间的相似度。

13.根据权利要求10-12中任一项所述的装置，其特征在于，所述隐性搜索信息包括以下至少一项：请求时间、请求地址、所述终端的设备类型号、所述终端的操作系统名称，其中，所述请求时间是指所述终端发出搜索请求时的时间，所述请求地址是指所述终端发出搜索请求时所位于的地址。

14.根据权利要求13所述的装置，其特征在于，所述隐性搜索词包括时间类型名称，所述第二相似度包括时间相似度，所述隐性匹配模型包括时间匹配模型；以及

所述装置还包括：

隐性搜索词确定模块，配置用于根据预先建立的时间分类规则，确定所述请求时间所属的时间类型的时间类型名称；以及

所述第二导入模块，进一步配置用于：

将所述各个搜索结果、所述时间类型名称导入预先训练的时间匹配模型，确定所述时间类型名称与所述各个搜索结果之间的各个时间相似度。

15.根据权利要求14所述的装置，其特征在于，所述隐性搜索词包括地域名称，所述第二相似度包括地域相似度，所述隐性匹配模型包括地域匹配模型；以及

所述隐性搜索词确定模块，还配置用于根据预先建立的地域分类规则，确定所述请求地址所属的地域的地域名称；以及

所述第二导入模块，进一步配置用于：

将所述各个搜索结果、所述地域名称导入预先训练的地域匹配模型，确定所述地域名称与所述各个搜索结果之间的各个地域相似度。

16.根据权利要求15所述的装置，其特征在于，所述隐性搜索词包括设备类型名称，所述第二相似度包括设备相似度，所述隐性匹配模型包括设备匹配模型；以及

所述隐性搜索词确定模块，还根据预先建立的设备类型分类规则，确定所述设备类型号所属的设备类型的设备类型名称；以及

所述第二导入模块，进一步配置用于：

将所述各个搜索结果、所述设备类型名称导入预先训练的设备类型匹配模型，确定所述设备类型名称与所述各个搜索结果之间的各个时间相似度。

17.根据权利要求16所述的装置，其特征在于，所述隐性搜索词包括操作系统类型名称，所述第二相似度包括操作系统相似度，所述隐性匹配模型包括操作系统类型匹配模型；以及

所述隐性搜索词确定模块，还根据预先建立的操作系统分类规则，确定所述操作系统名称所属的操作系统类型的操作系统类型名称；以及

所述第二导入模块，进一步配置：

将所述各个搜索结果、所述操作系统类型名称导入预先训练的操作系统类型匹配模型，确定所述操作系统类型名称与所述各个搜索结果之间的各个操作系统相似度。

18.根据权利要求17所述的装置，其特征在于，所述排序模块，进一步配置用于：

获取预先存储的第一权值和至少一个第二权值，分别将所述第一权值、各个第二权值与所述各个搜索结果的第一相似度、与各个第二权值对应的第二相似度相乘得到各个乘积，其中，第二权值用于表征第二相似度在所述搜索结果与所述搜索请求之间的最终相似度中的权重；

将得到的各个乘积进行加和，得到所述最终相似度；

按照最终相似度由大到小的顺序对所述搜索结果进行排序，得到搜索结果的呈现顺序。

Images