CN108733694A - 检索推荐方法和装置 - Google Patents

检索推荐方法和装置 Download PDF

Info

Publication number
CN108733694A
CN108733694A CN201710255137.5A CN201710255137A CN108733694A CN 108733694 A CN108733694 A CN 108733694A CN 201710255137 A CN201710255137 A CN 201710255137A CN 108733694 A CN108733694 A CN 108733694A
Authority
CN
China
Prior art keywords
user search
user
information
retrieval information
retrieval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710255137.5A
Other languages
English (en)
Other versions
CN108733694B (zh
Inventor
王欣芝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201710255137.5A priority Critical patent/CN108733694B/zh
Publication of CN108733694A publication Critical patent/CN108733694A/zh
Application granted granted Critical
Publication of CN108733694B publication Critical patent/CN108733694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种检索推荐方法和装置。其中，该方法包括：获取检索信息；将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；将第一推荐结果输入预设的知识库，得到第二推荐结果。本发明解决了现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的技术问题。

Description

检索推荐方法和装置
技术领域
本发明涉及计算机互联网领域，具体而言，涉及一种检索推荐方法和装置。
背景技术
推荐系统是指针对用户的输入在已有的数据中推荐相似或者相关的信息，供用户采用。其目的在于为用户推荐精准符合预期的知识，从而提供有效的知识服务，提高用户检索过程中的体验。
目前针对文本推荐的系统主要使用的技术为关键词匹配，即通过匹配检索关键词与系统数据库中的关键词进而知识推荐。在关键词匹配过程中会使用关键词权重、文本权重计算方法，对推荐知识进行排序，过滤过多匹配的信息保留有效的知识。基于关键词匹配的信息检索方式可以从一定程度上满足用户对知识的获取。但是其在以下几个地方存在明显的缺陷：
第一，用户不能准确描述要查询信息时不能进行准确的检索。比如用户输入“Iphone 7”，那么利用关键词匹配则难以找到“苹果7”的相关信息，即使两者描述的是同一件物品。该问题产生的原因在于用户语言的多样性与灵活性，使得相同的物品在不同的环境下可以有不同的表达。
第二，用户不能确定自己想要检索的内容时会通过侧面进行检索，此时关键词匹配难以进行。比如用户想了解“苹果7”的摄像头的材料以及升级细节，但输入了“苹果7摄像头”，那么匹配出的信息则不能直接描述用户所需内容。
针对上述现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种检索推荐方法和装置，以至少解决现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的技术问题。
根据本发明实施例的一个方面，提供了一种检索推荐方法，包括：获取检索信息；将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；将第一推荐结果输入预设的知识库，得到第二推荐结果。
根据本发明实施例的另一方面，还提供了一种检索推荐装置，包括：获取模块，用于获取检索信息；第一输入模块，用于将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；第二输入模块，用于将第一推荐结果输入预设的知识库，得到第二推荐结果。
在本发明实施例中，采用根据预设的用户检索记录模型和知识库进行查询的方式，通过获取检索信息，之后将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息，最后将第一推荐结果输入预设的知识库，得到第二推荐结果，达到了通过用户的检索信息获取到相匹配的推荐结果的目的，能够挖掘用户真实的检索意图，在用户不能准确描述要查询信息时，也能够有效的返回相应的信息，只要用户发出请求，便会推荐相关或者相似的信息，使用方便，进而解决了现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例1的一种检索推荐方法的示意图；
图2是根据本发明实施例1的一种可选的检索推荐方法的示意图；
图3是根据本发明实施例2的一种检索推荐装置的示意图；
图4是根据本发明实施例2的一种可选的检索推荐装置的示意图；
图5是根据本发明实施例2的一种可选的检索推荐装置的示意图；
图6是根据本发明实施例2的一种可选的检索推荐装置的示意图；以及
图7是根据本发明实施例2的一种可选的检索推荐装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种检索推荐方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的检索推荐方法，如图1所示，该方法包括如下步骤：
步骤S102，获取检索信息。
具体的，检索信息即为用户想要检索的内容，可以是用户在检索框中输入的意思连贯的一句话，也可以是一个或多个关键字或关键词，可选的，用户在检索框中输入检索信息的过程中，可以在检索框的下拉框中显示与用户输入的检索信息相关的历史检索信息，这里的历史检索信息可以是该用户的历史检索信息，也可以不限于该用户的历史检索信息。
步骤S104，将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息。
具体的，用户检索记录模型主要是针对用户检索日志进行分析，从用户每一次历史问答中分析用户的兴趣点，以及用户兴趣点相关的各个方面的信息，从而建立起用户检索记录模型。
可选的，用户兴趣信息可以通过基于用户检索日志构建的用户兴趣模型来得出，此处需要说明的是，用户兴趣模型可以通过现有技术中的向量空间模型表示方法、协同过滤算法、TF-IDF算法等方法来构建。
上述步骤S104中，由于使用的用户检索记录模型是基于用户的知识进行联想扩散的模型，能够表示用户的知识体系，因此输入检索信息后，用户检索记录模型能够挖掘用户真实的检索意图，即使用户不能准确描述想要检索的信息，也能够联系用户以往的检索记录返回有效的结果。
步骤S106，将第一推荐结果输入预设的知识库，得到第二推荐结果。
具体的，知识库可以为根据已有的各种数据库中的知识进行处理，得到的已有数据的网络结构，在知识库的知识网络中，相关的信息具有相应的带有权重的边。
步骤S104-步骤S106使用检索信息对预设的用户检索记录模型和知识库进行激活处理和扩散处理，进而得出推荐信息，其中激活处理指的是用户检索记录模型中与检索信息相关的信息被激活，从而得到第一推荐结果，扩散处理指的是知识库中与第一推荐结果相关的信息被检索，从而得到第二推荐结果，即用户最终想要得到的推荐结果。
在本发明实施例中，采用根据预设的用户检索记录模型和知识库进行查询的方式，通过获取检索信息，之后将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息，最后将第一推荐结果输入预设的知识库，得到第二推荐结果，达到了通过用户的检索信息获取到相匹配的推荐结果的目的，能够挖掘用户真实的检索意图，在用户不能准确描述要查询信息时，也能够有效的返回相应的信息，只要用户发出请求，便会推荐相关或者相似的信息，使用方便，进而解决了现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的技术问题。
在一种可选的实施例中，在得到第二推荐结果后，可以显示第二推荐结果，可以按照相关性、时间先后等因素进行排序显示。
在一种可选的实施例中，步骤S102之前，包括：步骤S202，基于多层反馈网络构建用户检索记录模型和知识库。
具体的，多层反馈网络(Recurrent Neural Network，简写为RNN)又称为循环神经网络，是一种定点定向连接成环的人工神经网络。构建用户检索记录模型和知识库时，均需要大量的词汇，RNN能够计算每个词汇的词汇向量，并且计算出的词汇向量能够自动保存词汇之间的关系信息。
在一种可选的实施例中，步骤S202中基于多层反馈网络构建用户检索记录模型和知识库，包括：
步骤S302，构建基于多层反馈网络的词汇向量计算模型。
具体的，图2显示了一种基于RNN的词汇向量计算模型，此处需要说明的是，除了如图2所示的模型，还可以依照其他能够计算词汇向量的模型来计算词汇向量。
如图2所示，建立基于多层反馈网络的词汇向量计算模型时需要以下公式：
ht＝f(xt*wx+h(t-1)*wh+bh)；
其中：
损失函数为
图2中，最下面一层表示输入层，中间表示隐藏层，最上面一层表示输出层，上述公式中，ht表示t时刻隐藏层的参数，xt表示t时刻的输入值，图2中，输入层的和共同表示为x0，和共同表示为x1，以此类推，和共同表示为xt，wx表示输入层到隐藏层的权重矩阵，wh表示隐藏层与隐藏层之间的权重矩阵，bh表示输入层、隐藏层与隐藏层之间的偏置，表示输出估计值，w表示隐藏层至输出层的权重矩阵，b表示隐藏层至输出层的偏置，f(x)表示计算函数，N表示时间点的总数，表示输出值。
步骤S304，根据词汇向量计算模型计算构建用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据词汇向量计算模型计算构建知识库所需的词汇的词汇向量，得到第二计算结果。
具体的，依据损失函数进行梯度下降的计算，优化wx、bh、w和b五组向量，使得损失最小，此时的即为词汇向量的表达结果，该向量能够自动保存词汇之间的关系信息，按照上述方法，可以对构建用户检索记录模型所需的词汇和构建知识库所需的词汇的词汇向量分别进行计算，分别得到第一计算结果和第二计算结果。
步骤S306，对第一计算结果进行聚类分析，得到用户检索记录模型，以及对第二计算结果进行聚类分析，得到知识库。
具体的，在得出在得到第一计算结果后，可以根据第一计算结果进行聚类分析，比如“苹果”和“iphone”对应的词汇向量会具有一定的相似性，通过聚类分析，从而建立起词汇之间的关系网络，可选的，可以对词汇之间的关系进行一定评估标准的评估，并且去掉关系较弱的词汇之间的关系，这样能够保证根据检索信息得到的第一推荐结果与检索信息之间的高相关性，同理，出在得到第二计算结果后，可以根据第二计算结果进行聚类分析，最终构建得到知识库。
此处需要说明的是，针对用户检索记录模型，由于构建用户检索记录模型的语料主要来源于用户检索日志，因此，用户检索日志越多越完整，根据用户检索记录得出的第一推荐结果就越准确，对于知识库，构建知识库的是现有的包括各种内容的数据库，并不是固定不变的知识内容，并且本发明中的用户检索记录模型和知识库均是动态的，可以对构成用户检索记录模型和知识库的语料进行自适应的修改、增加、删除等操作，因此根据检索信息得出的第一推荐结果和第二推荐结果会越来越准确，越来越优化。
在一种可选的实施例中，步骤S202中基于多层反馈网络构建用户检索记录模型，包括：
步骤S402，获取用户检索日志，其中，用户检索日志包括多个历史检索信息。
步骤S404，将用户检索日志分割为多个会话，其中，若两个连续的历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的历史检索信息为一个会话，若两个连续的历史检索信息之间的时间间隔大于预设时间间隔，则两个连续的历史检索信息中每一个历史检索信息为一个会话。
步骤S406，根据用户检索日志的每一个会话，基于多层反馈网络构建用户检索记录模型。
具体的，由于用户检索记录模型是基于用户检索日志构建的，因此首先需要获取用户检索日志，然后需要对用户检索日志按照会话时间进行分段，若两个连续的历史检索信息之间的时间间隔小于或等于预设时间间隔，那么可以认为属于同一个会话，即两个连续的历史检索信息为一个会话，若两个连续的历史检索信息之间的时间间隔大于预设时间间隔，那么可以认为这两次历史检索属于两次会话，即两个连续的历史检索信息中每一个历史检索信息为一个会话，同一个会话的内容之间具有关联性，不同的会话的内容之间不具备关联性或者关联性较弱，因此通过将用户检索日志划分成会话的形式，能够初步确定构成应用户检索记录模型的语料之间的关联性，之后再基于多层反馈网络构建用户检索记录模型，包括计算词汇向量和根据词汇向量的计算结果进行聚类分析，最终能够更加准确的确定词汇之间的相互关系。
在一种可选的实施例中，步骤S104中将检索信息输入预设的用户检索记录模型，得到第一推荐结果，包括：用户检索记录模型接收到检索信息后，将检索信息与用户检索日志进行匹配，在匹配成功的情况下，根据用户检索日志与用户兴趣信息之间的对应关系，确定检索信息对应的用户兴趣信息，得到第一推荐结果。
在一种可选的实施例中，步骤S104中将检索信息输入预设的用户检索记录模型之前，包括：步骤S502，对检索信息进行一阶或二阶扩散，得到扩散结果；因此步骤S104中将检索信息输入预设的用户检索记录模型也就是将扩散结果输入用户检索记录模型。
具体的，用户在输入检索信息后，可以对检索信息进行一阶或二阶扩散，例如，当用户输入“苹果”，通过一阶扩散，可以同时检索到与“苹果”和“iphone”相关的推荐结果，因此“iphone”即是“苹果”的一阶扩散结果，通过对检索信息进行一阶或二阶扩散，可以找到与用户输入的检索信息内容相关度极高的内容，同时进行检索，使最终得到的推荐结果更加完整，能够对检索信息进行补充和优化。
实施例2
根据本发明实施例，提供了一种检索推荐装置的产品实施例，图3是根据本发明实施例的检索推荐装置，如图3所示，该装置包括获取模块101、第一输入模块103和第二输入模块105。
其中，获取模块101，用于获取检索信息；第一输入模块103，用于将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；第二输入模块105，用于将第一推荐结果输入预设的知识库，得到第二推荐结果。
在本发明实施例中，采用根据预设的用户检索记录模型和知识库进行查询的方式，通过获取模块101获取检索信息，之后由第一输入模块103将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息，最后由第二输入模块105将第一推荐结果输入预设的知识库，得到第二推荐结果，达到了通过用户的检索信息获取到相匹配的推荐结果的目的，能够挖掘用户真实的检索意图，在用户不能准确描述要查询信息时，也能够有效的返回相应的信息，只要用户发出请求，便会推荐相关或者相似的信息，使用方便，进而解决了现有技术中使用基于关键词匹配的推荐方法时，在用户不能准确描述要检索的信息时不能进行准确的检索以及在用户不能确定想要检索的内容时匹配出的信息不能直接描述用户所需内容的技术问题。
此处需要说明的是，上述获取模块101、第一输入模块103和第二输入模块105对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，如图4所示，装置还包括构建模块201，用于在获取模块101获取检索信息之前，基于多层反馈网络构建用户检索记录模型和知识库。
此处需要说明的是，上述构建模块201对应于实施例1中的步骤S202，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，如图5所示，构建模块201包括第一构建模块301、计算模块303和聚类分析模块305，其中，第一构建模块301，用于构建基于多层反馈网络的词汇向量计算模型；计算模块303，用于根据词汇向量计算模型计算构建用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据词汇向量计算模型计算构建知识库所需的词汇的词汇向量，得到第二计算结果；聚类分析模块305，用于对第一计算结果进行聚类分析，得到用户检索记录模型，以及对第二计算结果进行聚类分析，得到知识库。
此处需要说明的是，上述第一构建模块301、计算模块303和聚类分析模块305对应于实施例1中的步骤S302至步骤S306，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，如图6所示，构建模块201包括第一获取模块401、分割模块403和第二构建模块405，其中，第一获取模块401，用于获取用户检索日志，其中，用户检索日志包括多个历史检索信息；分割模块403，用于将用户检索日志分割为多个会话，其中，若两个连续的历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的历史检索信息为一个会话，若两个连续的历史检索信息之间的时间间隔大于预设时间间隔，则两个连续的历史检索信息中每一个历史检索信息为一个会话；第二构建模块405，用于根据用户检索日志的每一个会话，基于多层反馈网络构建用户检索记录模型。
此处需要说明的是，上述第一获取模块401、分割模块403和第二构建模块405对应于实施例1中的步骤S402至步骤S406，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，第一输入模块103中将检索信息输入预设的用户检索记录模型得到第一推荐结果的具体实施包括：用户检索记录模型接收到检索信息后，将检索信息与用户检索日志进行匹配，在匹配成功的情况下，根据用户检索日志与用户兴趣信息之间的对应关系，确定检索信息对应的用户兴趣信息，得到第一推荐结果。
在一种可选的实施例中，如图7所示，装置还包括扩散模块501，用于在第一输入模块103将检索信息输入预设的用户检索记录模型之前，对检索信息进行一阶或二阶扩散，得到扩散结果；第一输入模块103还用于将扩散结果输入用户检索记录模型。
此处需要说明的是，上述扩散模块501对应于实施例1中的步骤S502，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中，所述检索推荐装置包括处理器和存储器，上述获取模块101、第一输入模块103和第二输入模块105等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来达到通过用户的检索信息获取到相匹配的推荐结果的目的。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
实施例3
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述检索推荐方法。
实施例4
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述检索推荐方法。
实施例5
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
获取检索信息；将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；将第一推荐结果输入预设的知识库，得到第二推荐结果。
其中，获取检索信息之前，包括：基于多层反馈网络构建用户检索记录模型和知识库。
其中，基于多层反馈网络构建用户检索记录模型和知识库，包括：构建基于多层反馈网络的词汇向量计算模型；根据词汇向量计算模型计算构建用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据词汇向量计算模型计算构建知识库所需的词汇的词汇向量，得到第二计算结果；对第一计算结果进行聚类分析，得到用户检索记录模型，以及对第二计算结果进行聚类分析，得到知识库。
其中，基于多层反馈网络构建用户检索记录模型，包括：获取用户检索日志，其中，用户检索日志包括多个历史检索信息；将用户检索日志分割为多个会话，其中，若两个连续的历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的历史检索信息为一个会话，若两个连续的历史检索信息之间的时间间隔大于预设时间间隔，则两个连续的历史检索信息中每一个历史检索信息为一个会话；根据用户检索日志的每一个会话，基于多层反馈网络构建用户检索记录模型。
其中，将检索信息输入预设的用户检索记录模型，得到第一推荐结果，包括：用户检索记录模型接收到检索信息后，将检索信息与用户检索日志进行匹配，在匹配成功的情况下，根据用户检索日志与用户兴趣信息之间的对应关系，确定检索信息对应的用户兴趣信息，得到第一推荐结果。
其中，将检索信息输入预设的用户检索记录模型之前，包括：对检索信息进行一阶或二阶扩散，得到扩散结果；将检索信息输入预设的用户检索记录模型包括：将扩散结果输入用户检索记录模型。
本文中的设备可以是服务器、PC、PAD、手机等。
实施例6
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取检索信息；将检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；将第一推荐结果输入预设的知识库，得到第二推荐结果。
其中，获取检索信息之前，包括：基于多层反馈网络构建用户检索记录模型和知识库。
其中，基于多层反馈网络构建用户检索记录模型和知识库，包括：构建基于多层反馈网络的词汇向量计算模型；根据词汇向量计算模型计算构建用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据词汇向量计算模型计算构建知识库所需的词汇的词汇向量，得到第二计算结果；对第一计算结果进行聚类分析，得到用户检索记录模型，以及对第二计算结果进行聚类分析，得到知识库。
其中，基于多层反馈网络构建用户检索记录模型，包括：获取用户检索日志，其中，用户检索日志包括多个历史检索信息；将用户检索日志分割为多个会话，其中，若两个连续的历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的历史检索信息为一个会话，若两个连续的历史检索信息之间的时间间隔大于预设时间间隔，则两个连续的历史检索信息中每一个历史检索信息为一个会话；根据用户检索日志的每一个会话，基于多层反馈网络构建用户检索记录模型。
其中，将检索信息输入预设的用户检索记录模型，得到第一推荐结果，包括：用户检索记录模型接收到检索信息后，将检索信息与用户检索日志进行匹配，在匹配成功的情况下，根据用户检索日志与用户兴趣信息之间的对应关系，确定检索信息对应的用户兴趣信息，得到第一推荐结果。
其中，将检索信息输入预设的用户检索记录模型之前，包括：对检索信息进行一阶或二阶扩散，得到扩散结果；将检索信息输入预设的用户检索记录模型包括：将扩散结果输入用户检索记录模型。
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、系统、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实施例的方法、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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种检索推荐方法，其特征在于，包括：
获取检索信息；
将所述检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，所述用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；
将所述第一推荐结果输入预设的知识库，得到第二推荐结果。
2.根据权利要求1所述的方法，其特征在于，获取检索信息之前，包括：
基于多层反馈网络构建所述用户检索记录模型和所述知识库。
3.根据权利要求2所述的方法，其特征在于，基于多层反馈网络构建所述用户检索记录模型和所述知识库，包括：
构建基于多层反馈网络的词汇向量计算模型；
根据所述词汇向量计算模型计算构建所述用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据所述词汇向量计算模型计算构建所述知识库所需的词汇的词汇向量，得到第二计算结果；
对所述第一计算结果进行聚类分析，得到所述用户检索记录模型，以及对所述第二计算结果进行聚类分析，得到所述知识库。
4.根据权利要求2或3所述的方法，其特征在于，基于多层反馈网络构建所述用户检索记录模型，包括：
获取所述用户检索日志，其中，所述用户检索日志包括多个历史检索信息；
将所述用户检索日志分割为多个会话，其中，若两个连续的所述历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的所述历史检索信息为一个所述会话，若两个连续的所述历史检索信息之间的时间间隔大于所述预设时间间隔，则两个连续的所述历史检索信息中每一个所述历史检索信息为一个所述会话；
根据所述用户检索日志的每一个所述会话，基于多层反馈网络构建所述用户检索记录模型。
5.根据权利要求1-3任一项所述的方法，其特征在于，将所述检索信息输入预设的用户检索记录模型，得到第一推荐结果，包括：
所述用户检索记录模型接收到所述检索信息后，将所述检索信息与所述用户检索日志进行匹配，在匹配成功的情况下，根据所述用户检索日志与所述用户兴趣信息之间的对应关系，确定所述检索信息对应的所述用户兴趣信息，得到所述第一推荐结果。
6.根据权利要求1-3任一项所述的方法，其特征在于，将所述检索信息输入预设的用户检索记录模型之前，包括：
对所述检索信息进行一阶或二阶扩散，得到扩散结果；
将所述检索信息输入预设的用户检索记录模型包括：将所述扩散结果输入所述用户检索记录模型。
7.一种检索推荐装置，其特征在于，包括：
获取模块，用于获取检索信息；
第一输入模块，用于将所述检索信息输入预设的用户检索记录模型，得到第一推荐结果，其中，所述用户检索记录模型包括根据用户检索日志得到的用户兴趣信息；
第二输入模块，用于将所述第一推荐结果输入预设的知识库，得到第二推荐结果。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
构建模块，用于在所述获取模块获取所述检索信息之前，基于多层反馈网络构建所述用户检索记录模型和所述知识库。
9.根据权利要求8所述的装置，其特征在于，所述构建模块包括：
第一构建模块，用于构建基于多层反馈网络的词汇向量计算模型；
计算模块，用于根据所述词汇向量计算模型计算构建所述用户检索记录模型所需的词汇的词汇向量，得到第一计算结果，以及根据所述词汇向量计算模型计算构建所述知识库所需的词汇的词汇向量，得到第二计算结果；
聚类分析模块，用于对所述第一计算结果进行聚类分析，得到所述用户检索记录模型，以及对所述第二计算结果进行聚类分析，得到所述知识库。
10.根据权利要求8或9所述的装置，其特征在于，所述构建模块包括：
第一获取模块，用于获取所述用户检索日志，其中，所述用户检索日志包括多个历史检索信息；
分割模块，用于将所述用户检索日志分割为多个会话，其中，若两个连续的所述历史检索信息之间的时间间隔小于或等于预设时间间隔，则两个连续的所述历史检索信息为一个所述会话，若两个连续的所述历史检索信息之间的时间间隔大于所述预设时间间隔，则两个连续的所述历史检索信息中每一个所述历史检索信息为一个所述会话；
第二构建模块，用于根据所述用户检索日志的每一个所述会话，基于多层反馈网络构建所述用户检索记录模型。
CN201710255137.5A 2017-04-18 2017-04-18 检索推荐方法和装置 Active CN108733694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710255137.5A CN108733694B (zh) 2017-04-18 2017-04-18 检索推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710255137.5A CN108733694B (zh) 2017-04-18 2017-04-18 检索推荐方法和装置

Publications (2)

Publication Number Publication Date
CN108733694A true CN108733694A (zh) 2018-11-02
CN108733694B CN108733694B (zh) 2022-02-25

Family

ID=63924107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710255137.5A Active CN108733694B (zh) 2017-04-18 2017-04-18 检索推荐方法和装置

Country Status (1)

Country Link
CN (1) CN108733694B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110888990A (zh) * 2019-11-22 2020-03-17 深圳前海微众银行股份有限公司 文本推荐方法、装置、设备及介质
CN113191896A (zh) * 2021-04-27 2021-07-30 华世界数字科技(深圳)有限公司 一种招标信息的推荐方法、装置及计算机设备
CN113343116A (zh) * 2021-07-06 2021-09-03 上海明略人工智能(集团)有限公司 基于企业数仓的智能聊天推荐方法、系统、设备及存储介质
CN117556061A (zh) * 2023-11-20 2024-02-13 曾昭涵 文本输出方法及装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7092936B1 (en) * 2001-08-22 2006-08-15 Oracle International Corporation System and method for search and recommendation based on usage mining
CN104111941A (zh) * 2013-04-18 2014-10-22 阿里巴巴集团控股有限公司 信息展示的方法及设备
CN104516902A (zh) * 2013-09-29 2015-04-15 北大方正集团有限公司 语义信息获取方法及其对应的关键词扩展方法和检索方法
CN105512349A (zh) * 2016-02-23 2016-04-20 首都师范大学 一种用于学习者自适应学习的问答方法及装置
CN106227792A (zh) * 2016-07-20 2016-12-14 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN106503226A (zh) * 2016-10-28 2017-03-15 努比亚技术有限公司 信息推送方法与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7092936B1 (en) * 2001-08-22 2006-08-15 Oracle International Corporation System and method for search and recommendation based on usage mining
CN104111941A (zh) * 2013-04-18 2014-10-22 阿里巴巴集团控股有限公司 信息展示的方法及设备
CN104516902A (zh) * 2013-09-29 2015-04-15 北大方正集团有限公司 语义信息获取方法及其对应的关键词扩展方法和检索方法
CN105512349A (zh) * 2016-02-23 2016-04-20 首都师范大学 一种用于学习者自适应学习的问答方法及装置
CN106227792A (zh) * 2016-07-20 2016-12-14 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN106503226A (zh) * 2016-10-28 2017-03-15 努比亚技术有限公司 信息推送方法与装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110888990A (zh) * 2019-11-22 2020-03-17 深圳前海微众银行股份有限公司 文本推荐方法、装置、设备及介质
CN110888990B (zh) * 2019-11-22 2024-04-12 深圳前海微众银行股份有限公司 文本推荐方法、装置、设备及介质
CN113191896A (zh) * 2021-04-27 2021-07-30 华世界数字科技(深圳)有限公司 一种招标信息的推荐方法、装置及计算机设备
CN113343116A (zh) * 2021-07-06 2021-09-03 上海明略人工智能(集团)有限公司 基于企业数仓的智能聊天推荐方法、系统、设备及存储介质
CN117556061A (zh) * 2023-11-20 2024-02-13 曾昭涵 文本输出方法及装置、电子设备和存储介质
CN117556061B (zh) * 2023-11-20 2024-05-24 曾昭涵 文本输出方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN108733694B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
US20200372359A1 (en) Wide and deep machine learning models
US11727311B2 (en) Classifying user behavior as anomalous
US20170206276A1 (en) Large Scale Recommendation Engine Based on User Tastes
US20170337464A1 (en) Progressive neural networks
CN107330715B (zh) 选择图片广告素材的方法和装置
WO2018022251A1 (en) Method and system for improving content searching in a question and answer customer support system by using a crowd-machine learning hybrid predictive model
CN108733694A (zh) 检索推荐方法和装置
CN108351983A (zh) 修改计算图
US20210056458A1 (en) Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content
WO2014160282A1 (en) Classifying resources using a deep network
CN110263938A (zh) 用于生成信息的方法和装置
CN113592535B (zh) 一种广告推荐方法、装置、电子设备和存储介质
CN111552789B (zh) 一种客服知识库自学习方法及装置
US20230368503A1 (en) Self-supervised audio-visual learning for correlating music and video
US10678800B2 (en) Recommendation prediction based on preference elicitation
CN109978594B (zh) 订单处理方法、装置及介质
CN112561644B (zh) 基于链接预测的商品推荐方法、装置及相关设备
Revathi et al. Critical review on course recommendation system with various similarities
US20210049665A1 (en) Deep cognitive constrained filtering for product recommendation
JP7231322B2 (ja) 学習装置、学習方法、学習プログラム及びプログラム
CN109598344A (zh) 模型生成方法和装置
CN111062056B (zh) 基于迁移学习实现的私有数据保护建模方法、系统及装置
Wu et al. A hybrid approach based on collaborative filtering to recommending mobile apps
CN113326203A (zh) 一种信息推荐方法、设备及存储介质
US20150032496A1 (en) Systems and methods for dividing a spiff budget

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 100083 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant after: Beijing Guoshuang Technology Co.,Ltd.

Address before: 100086 Cuigong Hotel, 76 Zhichun Road, Shuangyushu District, Haidian District, Beijing

Applicant before: Beijing Guoshuang Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant