CN112528157B - 建立排序模型的方法、查询自动补全的方法及对应装置 - Google Patents
建立排序模型的方法、查询自动补全的方法及对应装置 Download PDFInfo
- Publication number
- CN112528157B CN112528157B CN202011551844.7A CN202011551844A CN112528157B CN 112528157 B CN112528157 B CN 112528157B CN 202011551844 A CN202011551844 A CN 202011551844A CN 112528157 B CN112528157 B CN 112528157B
- Authority
- CN
- China
- Prior art keywords
- query
- model
- personalized
- parameters
- global
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种建立排序模型的方法、查询自动补全的方法及对应装置,涉及智能搜索技术领域。具体实现方案为:利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型;利用目标用户在第二历史时长内的查询数据作为支持样本,利用所述支持样本对所述全局排序模型进行进一步训练,以对模型参数进行调整得到所述目标用户的个性化排序模型,所述个性化排序模型用于对查询样本中所述目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。基于本公开得到的个性化排序模型能够使得针对用户的查询补全建议更加准确。
Description
技术领域
本公开涉及计算机应用技术领域,尤其涉及智能搜索技术领域中的一种建立排序模型的方法、查询自动补全的方法及对应装置。
背景技术
QAC(Query Auto-Completion,查询自动补全)目前已被主流的通用搜索引擎和垂直搜索引擎广泛采用。例如,在地图类应用中,当用户输入query(查询)以搜索某个POI(Point of Interest,兴趣点)时,从用户输入不完整query开始(在本公开中将用户输入的不完整query称为查询前缀),搜索引擎可以在候选列表中实时向用户推荐一系列候选的POI以供用户选择作为query的补全结果(在本公开中将候选列表中推荐的query称为查询补全建议)。一旦用户在候选列表中发现其意向的POI,则通过从候选列表中选择该POI即可补全query,从而发起该POI的查询。
然而,现有的查询自动补全方案中,针对相同的查询前缀提供的建议均是相同的,例如均是在候选列表中基于各POI的检索热度进行排序,并没有考虑到用户的个性化查询需求。
发明内容
本公开提供了一种建立排序模型的方法、查询自动补全的方法及对应装置,以便于满足用户的个性化查询需求。
根据本公开的第一方面,提供了一种建立排序模型的方法,包括:
利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型;
利用目标用户在第二历史时长内的查询数据作为支持样本,利用所述支持样本对所述全局排序模型进行进一步训练,以对模型参数进行调整得到所述目标用户的个性化排序模型,所述个性化排序模型用于对查询样本中所述目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。
根据本公开的第二方面,提供了一种查询自动补全的方法,包括:
获取用户输入的查询前缀,以及确定与所述查询前缀对应的候选查询项;
将所述查询前缀与所述候选查询项输入所述用户的个性化排序模型,得到所述个性化排序模型对各候选查询项的评分;
依据各候选查询项的评分确定向所述用户推荐的查询补全建议;
其中所述用户的个性化排序模型采用如上所述的方法训练得到。
根据本公开的第三方面,提供了一种建立排序模型的装置,包括:
预训练单元,用于利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型;
个性化训练单元,用于利用目标用户在第二历史时长内的查询数据作为支持样本,利用所述支持样本对所述全局排序模型进行进一步训练,以对模型参数进行调整得到所述目标用户的个性化排序模型,所述个性化排序模型用于对查询样本中所述目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。
根据本公开的第四方面,提供了一种查询自动补全的装置,包括:
获取单元,用于获取用户输入的查询前缀,以及确定与所述查询前缀对应的候选查询项;
评分单元,用于将所述查询前缀与所述候选查询项输入所述用户的个性化排序模型,得到所述个性化排序模型对各候选查询项的评分;
查询补全单元,用于依据各候选查询项的评分确定向所述用户推荐的查询补全建议;
其中所述用户的个性化排序模型由如上所述的装置训练得到。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本申请在利用用户集在第一历史时长内的查询数据预训练得到全局模型后,利用目标用户在第二历史时长内的查询数据对全局排序模型进行模型参数的调整,得到目标用户的个性化排序模型。该个性化排序模型能够在学习到大量用户的全局查询需求的基础上,进一步学习到目标用户的个性化查询需求,使得针对目标用户的查询补全建议更加准确。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为可以应用本公开实施例的示例性系统架构图;
图2为公开实施例提供的建立排序模型的方法流程图;
图3和图4为本公开实施例提供的排序模型的两种结构示意图;
图5为本公开实施例提供的训练排序模型的模型参数的示意图;
图6为本公开实施例提供的查询自动补全的方法流程图;
图7为本公开实施例提供的建立排序模型的装置结构图;
图8为本公开实施例提供的查询自动补全的装置结构图;
图9是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前现有技术中虽然存在一些基于用户的历史查询数据实现个性化的查询自动补全的方案,但这些方案对于历史查询数据较为丰富的用户能够较准确的预测其查询需求,而对于历史查询数据较为稀疏的用户很难准确预测其查询需求。有鉴于此,本公开采用小样本学习机制的思路,训练出一个具有小样本学习能力的个性化排序模型,基于该个性化排序模型实现的查询自动补全能够对历史查询数据较为稀疏的用户同样进行准确地查询需求预测。
图1示出了可以应用本公开实施例的示例性系统架构。如图1所示,该系统架构可以包括终端设备101和102,网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103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和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用,例如语音交互应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是各种电子设备,包括但不限于智能手机、平板电脑、PC、智能电视等等。本发明所提供的查询自动补全的装置可以设置并运行于服务器104上。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
例如,当用户通过在终端设备101上的浏览器或客户端提供的检索界面上输入查询前缀时,浏览器或客户端将该查询前缀实时提供给服务器端104,由服务器端采用本公开提供的方法向终端设备101返回用户当前输入的查询前缀对应的查询补全建议。如果用户从该查询补全建议中发现意愿的query(查询项),则可以通过选择该query发起针对该query的检索。如果用户从查询补全建议中未发现意愿的query,则可以继续进行输入,然后浏览器或客户端再将查询前缀实时提供给服务器端104,由服务器端104返回用户输入的查询前缀对应的查询补全建议。从而形成这样一种效果:在用户输入query的过程中,随着用户输入的查询前缀实时向用户推荐查询补全建议。
服务器104可以是单一服务器,也可以是多个服务器构成的服务器群组。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。
图2为本公开实施例提供的建立排序模型的方法流程图,如图2中所示,该方法可以包括以下步骤:
在201中,利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型。
其中用户集中包括大于1个的用户,通常可以是大规模用户。例如可以是所有用户,再例如可以是某设定范围内的用户,等等。
作为一种优选的实施方式,可以从历史查询日志中获取所有用户的查询数据,利用所有用户在第一历史时长内的查询数据预训练得到全局排序模型。
通过本步骤得到的全局排序模型反映的是大规模用户的全局查询习惯和查询需求。
在202中,利用目标用户在第二历史时长内的查询数据作为支持样本,利用支持样本对全局排序模型进行进一步训练,以对模型参数进行调整得到目标用户的个性化排序模型。其中,个性化排序模型用于对查询样本中目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。
本步骤中涉及的目标用户可以是特定的用户,也可以将每个用户分别作为目标用户执行本步骤中对于模型的“微调”从而分别得到每个用户的个性化排序模型。
在本公开中,第一历史时长大于或等于第二历史时长,优选第一历史时长长于第二历史时长。第一历史时长可以包含第二历史时长,也可以不包含第二历史时长。例如第一历史时长可以采用最近一个月,第二历史时长可以采用最近一个星期。
作为一种优选的实施方式,目标用户在第二历史时长内的查询数据较为稀少,例如第二历史时长内的查询数据可以是目标用户最近一段时间的查询数据。通过步骤201已经利用大规模用户长期的查询数据训练得到了全局排序模型后,在此全局排序模型的基础上利用目标用户最近一段时间的查询数据对全局排序模型进行微调,使得即便目标用户的查询数据比较稀少,也能够快速、准确地学习到目标用户最近一段时间的查询需求,那么在此基础上对目标用户提供的查询补全建议也更加准确地符合目标用户的查询需求。
本公开实质上采用了基于小样本的学习技术(Few-shot Learning),基于小样本的学习技术可以利用大量常规分布的历史查询数据训练基于小样本的模型。再将训练好的模型配合少量个性化分布的历史查询数据,就能够在少量个性化分布的数据上取得令人满意的预测准确率,比传统监督学习算法具有更加理想的效果。
Few-shot Learning的数据由支持样本(Support Set)和查询样本(Query Set)组成。Support Set中包含已标注的实例,Query Set中包含一条以上未标注的数据,Few-shotLearning的任务就是对Query Set中的数据进行预测。
作为一种典型的应用场景,本公开提供的方法和装置可以应用于地图类应用中关于POI(Point of Interest,兴趣点)查询的场景。即当用户使用地图类应用进行POI查询的过程中,随着用户输入的查询前缀实时向用户推荐查询补全建议。其中查询补全建议是在确定出用户输入的查询前缀对应的候选POI后,利用排序模型对各候选POI进行排序后得到的。下面以此应用场景为例,对本公开提供的上述方法进行详细描述。
下面对上述实施例中步骤201即“利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型”进行详细描述。本步骤中可以采用但不限于以下两种实现方式:
第一种方式:可以利用用户集在第一历史时长内的查询数据,训练排序模型以更新模型的所有模型参数,包括全局参数和个性化参数,从而得到全局排序模型。在这种实现方式中,相当于利用大规模用户在第一历史时长内的查询数据对排序模型进行整体的训练。
本公开实施例中涉及的查询数据可以包括用户从查询补全建议中选择查询项时输入的查询前缀、该查询前缀对应的查询补全建议中的被选择查询项以及未被选择查询项。其中,被选择查询项体现了用户的查询需求,因此作为正例,未被选择查询项作为负例。
训练排序模型过程中采用的训练目标可以为:最大化排序模型对正例的评分与负例的评分之间的差值。
以用户在地图类应用中查询POI为例,例如,某用户user_A在逐一输入字符形成各查询前缀的过程中,在输入查询前缀“ba”时,从查询补全建议中点击了POI“百度大厦A座”,那么获取用户标识user_A、查询前缀“ba”、对应的查询补全建议中被用户选择的POI“百度大厦A座”,以及未被用户选择的POI“八达岭长城”,作为一条训练数据。其中,“ba”与“百度大厦A座”构成正例对,“ba”和“八达岭长城”构成负例对。由于查询补全建议中还存在其他未被用户选择的POI,例如“百度大厦”、“百度科技园”等等,因此“ba”也可以和“百度大厦”构成负例对,“ba”也可以和“百度科技园”构成负例对。采用同样方式可以从大规模用户的POI查询数据中获取很多条训练数据用于排序模型的训练。
上述正、负例对的方式是一种优选的训练数据构成方式,除了该方式之外,也可以仅选择正例对来构成训练数据,或者采用其他方式。
其中涉及的排序模型可以通过任意的神经网络模型实现。在结构上主要包括:嵌入网络以及排序网络。其中嵌入网络用于对输入的数据进行编码得到对应的向量表示,例如获得查询前缀的向量表示和各查询项的向量表示。排序网络用于依据嵌入网络输出的向量表示对各查询项进行评分。
对于排序模型而言,可以采用基于相似度的方式,也可以采用基于回归的方式。
作为其中一种实现方式,若基于相似度的方式实现,则排序模型的结构可以如图3中所示,包括三个部分:前缀嵌入网络、POI嵌入网络以及相似度计算网络,如图3中所示。
其中前缀嵌入网络用于获得查询前缀的向量表示u,POI嵌入网络用于获得候选POI的向量表示v,相似度计算网络用于确定查询前缀的向量表示与候选POI的向量表示之间的相似度S,并基于相似度S对各候选POI进行评分。
在训练过程中,对于一条训练数据:查询前缀、该查询前缀对应的正例POI以及该查询前缀对应的负例POI而言,将查询前缀输入前缀嵌入网络,前缀嵌入网络输出该查询前缀的向量表示u。将查询前缀对应的正例POI和负例POI分别输入POI嵌入网络,POI嵌入网络输出正例POI的向量表示v+和负例POI的向量表示v-。排序网络分别计算查询前缀的向量表示u和正例POI的向量表示v+之间的相似度S+,查询前缀的向量表示u和正例POI的向量表示v-之间的相似度S-。整个排序模型的训练目标为:最大化S+和S-之间的差值。
作为另一种实现方式,若基于回归的方式实现,则排序模型的结构可以如图4中所示,包括前缀嵌入网络、POI嵌入网络以及回归网络,还可以包括诸如用户嵌入网络等。
其中,前缀嵌入网络用于获得查询前缀的向量表示u,POI嵌入网络用于获得候选POI的向量表示v,用户嵌入网络用于获得用户属性信息的向量表示d,然后对各向量表示进行拼接后,由回归网络对拼接后的向量表示进行映射,得到对各候选POI的评分。
在训练过程中,对于一条训练数据:查询前缀、查询前缀对应的正例POI以及该查询前缀对应的负例POI而言,将查询前缀输入前缀嵌入网络,输出该查询前缀的向量表示u。将查询前缀对应的正例POI和负例POI分别输入POI嵌入网络,POI嵌入网络输出正例POI的向量表示v+和负例POI的向量表示v-。将查询前缀的向量表示u和v+进行拼接(还可以进一步拼接用户属信息对应的向量表示)后,由回归网络进行映射,得到对正例POI的评分P+。将查询前缀的向量表示u和v-进行拼接(还可以进一步拼接用户属信息对应的向量表示)后,由回归网络进行映射,得到对正例POI的评分P-。整个排序模型的训练目标为:最大化P+和P-之间的差值。
第二种方式:利用用户集在第一历史时长内的查询数据中的第一部分,训练排序模型以更新模型的全局参数和个性化参数;然后利用用户集在第二历史时长内的查询数据中的第二部分,训练排序模型以更新模型的个性化参数,得到全局排序模型。
在此需要说明的是,本公开中涉及的“第一”、“第二”等表述并不具备数量、顺序和大小等含义,仅仅为了在名称上进行区分。
该方式中训练数据和模型结构与第一种方式中类似,在此不做赘述。
但在该方式中,将排序模型的模型参数分成了两部分:全局参数和个性化参数。在排序模型中有一些模型参数对于所有用户而言具有全局性,个体化差异的影响较小,这部分参数称之为全局参数。而另外一些模型参数对于不同用户而言个体化差异影响较大,这部分参数称之为个性化参数。
作为其中一种实现方式,排序模型中全局参数可以包括前缀网络的参数,例如前缀嵌入网络和POI嵌入网络的参数。个性化参数可以包括排序网络的参数,例如相似度计算网络或回归网络的参数。
另外,由于排序网络通常包括多层网络结构,其中全局参数除了包括嵌入网络的参数之外,还可以进一步包括排序网络中靠下层的部分层级涉及的参数。个性化参数包括排序网络中靠上层的部分层级涉及的参数,即除了全局参数之外的参数。例如,将排序网络中全连接层的参数作为个性化参数,将除全连接层之外的其他参数作为全局参数。
在该方式中将全局排序模型的训练分成了两个步骤:第一个步骤:对全局参数和个性化参数进行统一更新。第二个步骤:仅对个性化参数继续进行更新。
在第一个步骤中,抽取部分用户的训练数据对排序模型进行训练,训练过程中使用抽取的部分用户的训练数据对模型的全部参数进行训练,得到更新后的全局参数和个性化参数。然后由每个用户的训练数据得到的全局参数求平均得到对应的梯度,利用该梯度更新全局参数。由每个用户的训练数据得到的个性化参数求平均得到对应的梯度,利用该梯度更新个性化参数。重复上述操作直至模型收敛。
在第二个步骤中,再抽取部分用户的训练数据继续对排序模型进行训练,训练过程中使用抽取的部分用户的训练数据仅对模型的个性化参数进行更新,全局参数固定不变。然后由每个用户的训练数据得到的个性化参数求平均得到对应的梯度,利用该梯度更新个性化参数。重复上述操作直至模型收敛。
例如:假设用户Bi的全局参数表示为个性化参数表示为/>那么在上述第一个步骤中,对用户Bi的全局参数求平均后得到对应的梯度g1为:
其中,|B|为抽取的训练数据对应的用户数量。
用户Bi的个性化参数求平均后得到对应的梯度g2为:
在利用梯度更新全局参数时,更新后的全局参数θ1′可以为:
θ1′=θ1+α(g1-θ1) (3)
在利用梯度更新个性化参数时,更新后的个性化参数θ2′可以为:
θ2′=θ2+α(g2-θ2) (4)
在第二个步骤中,对模型的个性化参数求平均得到梯度的方式也可以采用上述公式(3),在利用梯度更新个性化参数时,更新后的个性化参数θ2″可以为:
θ2″=θ2′+β(g2-θ2′) (5)
上述公式(3)~(5)中涉及的α和β为超参数。
下面对上述实施例中步骤202即“利用目标用户在第二历史时长内的查询数据作为支持样本,利用支持样本对全局排序模型进行进一步训练,以对模型参数进行调整得到目标用户的个性化排序模型”进行详细描述。
本步骤实际上,对于单一用户而言,均可以在全局排序模型的基础上分别进行进一步的“微调”,得到各单一用户的个性化排序模型。一方面可以使得训练得到的个性化排序模型反映用户的个性化查询需求,另一方面这种在全局排序模型上对个性化参数进行微调的方式也加快了个性化排序模型的训练效率。上述步骤201和步骤202对于排序模型的模型更新可以如图5中所示。
例如,对于用户A而言,利用用户A在第二历史时长内(例如最近一周内)的查询数据作为支持样本。其中,查询数据与上面实施例中类似地,可以包括用户A从查询补全建议中选择查询项时输入的查询前缀、该查询前缀对应的查询补全建议中的被选择查询项以及未被选择查询项。其中,被选择查询项体现了用户的查询需求,因此作为正例,未被选择查询项作为负例。
训练目标仍然采用最大化对正例的评分与对负例的评分之间的差值具体可以利用上述训练目标构建损失函数,利用损失函数对模型参数进行优化更新。但在训练过程中固定全局排序模型中全局参数不变,仅更新其中的个性化参数。
经过上述训练后就能够得到用户A的个性化排序模型。采用相同的方式可以针对用户B、用户C等等各目标用户均分别建立个性化排序模型。
在获取到各目标用户的个性化排序模型后,该个性化排序模型可以用于对目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。
图6为本公开实施例提供的查询自动补全的方法流程图,该方法流程中所采用的个性化排序模型采用如图2中所示的流程预先建立。如图6中所示,该方法可以包括以下步骤:
在601中,获取用户输入的查询前缀,以及确定与该查询前缀对应的候选查询项。
在本公开适用于各种形式的输入内容,可以是汉字、拼音、首字母简称,等等,但输入的查询前缀均可以看成是字符串。随着用户输入查询前缀,实时获取用户当前输入的查询前缀。例如,用户想输入“百度大厦”的过程中,会经历输入“百”、“百度”、“百度大”等多个查询前缀,则针对每一个查询前缀都执行本公开所提供的方法。即用户输入“百”时,当前输入的查询前缀为“百”,针对该查询前缀执行本公开的方法为用户推荐查询补全建议。当用户输入“百度”时,当前输入的查询前缀为“百度”,针对该查询前缀执行本公开的方法为用户推荐查询补全建议。当用户输入“百度大”时,当前输入的查询前缀为“百度大”,针对该查询前缀执行本公开的方法为用户推荐查询补全建议。
确定与当前输入的查询前缀对应的候选查询项的方式可以采用现有的实现方式,目的是找到以该查询前缀为文本开头的查询项,或者找到与该查询前缀强相关的查询项。
其中,本公开提供的方法应用于POI查询时,上述查询项即为POI信息。例如可以在POI库中预先针对POI信息以各种对应的查询前缀建立倒排索引。当用户输入查询前缀时,针对当前输入的查询前缀查询POI库,命中的所有POI作为候选POI。
再例如可以在POI库中预先建立POI与各种查询前缀之间的关联,该关联可以是从用户检索历史中获得。例如用户曾经输入过“浙大”后,从搜索结果中选择“浙江大学”的POI。该关联也可以是利用同义POI词表获得,例如“故宫”又称“紫禁城”,则预先建立查询前缀“紫禁”、“zijin”等与“故宫”POI的关联。该关联也可以由人工添加。
在602中,将用户输入的查询前缀和候选查询项输入该用户的个性化排序模型,得到该个性化排序模型对各候选查询项的评分。
关于个性化排序模型所优选采用的排序模型结构和各组成网络对应的工作原理可以参见之前实施例中的相关描述,在此不做赘述。
在603中,依据各候选查询项的评分确定向用户推荐的查询补全建议。
本步骤中,可以将评分值大于或等于预设评分阈值的候选查询项作为查询补全建议,也可以将评分值排在前预设数量的查询项作为查询补全建议,等等。
在向用户推荐查询补全建议时,依据各查询项的评分在候选列表中进行排序。推荐方式可以沿用现有的在检索框附近的下拉框的形式,也可以采用其他形式。
以上是对本公开提供的方法进行的详细描述,下面结合实施例对本公开提供的装置进行详细描述。
图7为本公开实施例提供的建立排序模型的装置结构图,该装置可以是位于服务器端的应用,或者还可以是位于服务器端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者,还可以位于具有较强计算能力的计算机终端,本发明实施例对此不进行特别限定。如图7中所示,该装置700可以包括:预训练单元01和个性化训练单元02。其中各组成单元的主要功能如下:
预训练单元01,用于利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型。
个性化训练单元02,用于利用目标用户在第二历史时长内的查询数据作为支持样本,利用支持样本对全局排序模型进行进一步训练,以对模型参数进行调整得到目标用户的个性化排序模型,个性化排序模型用于对查询样本中目标用户在待预测时间输入的查询前缀进行查询补全建议的预测。
在本公开中,第一历史时长大于或等于第二历史时长,优选第一历史时长长于第二历史时长。第一历史时长可以包含第二历史时长,也可以不包含第二历史时长。例如第一历史时长可以采用最近一个月,第二历史时长可以采用最近一个星期。
其中,上述预训练单元01可以采用但不限于以下两种方式实现:
第一种方式:预训练单元01利用用户集在第一历史时长内的查询数据,训练排序模型以更新模型的全局参数和个性化参数,得到全局排序模型。
第二种方式:如图7中所示,预训练单元01可以具体包括:第一预训练子单元011和第二预训练子单元012。
第一预训练子单元011,用于利用用户集在第一历史时长内的查询数据中的第一部分,训练排序模型以更新模型的全局参数和个性化参数。
第二预训练子单元012,用于利用用户集在第一历史时长内的查询数据中的第二部分,继续训练排序模型以更新模型的个性化参数,得到全局排序模型。
其中,上述查询数据可以包括:用户从查询补全建议中选择查询项时输入的查询前缀、该查询前缀对应的查询补全建议中的被选择查询项以及未被选择查询项。
作为其中一种实施方式,上述预训练单元01和个性化训练单元02在训练过程中采用的训练目标为:最大化排序模型对被选择查询项的评分与未被选择查询项的评分之间的差值。
作为其中一种实施方式,上述排序模型可以包括:嵌入网络以及排序网络。其中,嵌入网络用于获得输入数据(包括查询前缀和查询项)的向量表示,排序网络用于依据嵌入网络输出的向量表示对各查询项进行评分。
作为一种优选的实施方式,上述个性化训练单元02仅对全局排序模型的个性化参数进行进一步调整,得到目标用户的个性化排序模型。
其中,全局参数可以包括排序模型中嵌入网络的参数,也可以进一步包括排序网络中的部分参数。个性化参数包括排序模型中排序网络中的至少部分参数。
图8为本公开实施例提供的查询自动补全的装置结构图,本装置中使用的排序模型可以由图7所示装置预先训练得到。如图8中所示,该装置800包括:获取单元11、评分单元12和查询补全单元13。其中各组成单元的主要功能如下:
获取单元11,用于获取用户输入的查询前缀,以及确定与查询前缀对应的候选查询项。
评分单元12,用于将查询前缀与候选查询项输入用户的个性化排序模型,得到个性化排序模型对各候选查询项的评分。
查询补全单元13,用于依据各候选查询项的评分确定向用户推荐的查询补全建议。
关于装置中涉及到的排序模型的结构、工作原理等可以参见方法实施例中的相关描述,在此不做赘述。
由以上各方法和装置实施例可以看出,本公开所提供的技术方案具备以下优点:
1)通过本实施例中的方式,在建立全局排序模型的基础上,利用目标用户的小样本历史查询数据对全局排序模型中的个性化参数进行微调,从而得到能够反映目标用户查询习惯和需求的个性化排序模型。基于此个性化排序模型进行的查询自动补全,能够更好地满足目标用户个性化的查询习惯和需求,减小用户的输入代价。
2)在利用大规模用户长期的查询数据训练得到了全局排序模型后,在此全局排序模型的基础上利用目标用户最近一段时间的查询数据对全局排序模型进行微调,使得即便目标用户的查询数据比较稀少,也能够快速、准确地学习到目标用户最近一段时间的查询需求。
3)本公开利用用户的历史查询数据对排序模型进行训练,能够很好地获取与用户查询习惯和需求匹配的个性化信息,解决了传统监督学习机制下因缺少用户画像信息而可能导致无法准确预测用户查询需求的问题。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图9所示,是根据本公开实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如建立排序模型的方法、查询自动补全的方法。例如,在一些实施例中,建立排序模型的方法、查询自动补全的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。
在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行建立排序模型的方法、查询自动补全的方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控30制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种建立排序模型的方法,包括:
利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型,所述全局排序模型包括全局参数和个性化参数;
利用目标用户在第二历史时长内的查询数据作为支持样本,利用所述支持样本对所述全局排序模型进行进一步训练,以对模型参数进行调整得到所述目标用户的个性化排序模型,所述个性化排序模型用于对查询样本中所述目标用户在待预测时间输入的查询前缀进行查询补全建议的预测;
所述对模型参数进行调整得到所述目标用户的个性化排序模型包括:
固定所述全局排序模型的全局参数,对所述全局排序模型的个性化参数进行进一步调整,得到所述目标用户的个性化排序模型;
所述个性化排序模型对应的所述支持样本包括:查询前缀、所述查询前缀对应的查询补全建议中的查询项;
所述个性化排序模型包括:嵌入网络和排序网络;所述嵌入网络用于对输入的数据进行编码得到对应的向量表示,所述输入的数据包括所述查询前缀和所述查询项;所述排序网络用于根据所述嵌入网络输出的向量表示得到所述查询项的评分;所述全局参数包括所述嵌入网络的参数,所述个性化参数包括所述排序网络的参数。
2.根据权利要求1所述的方法,其中,所述利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型包括:
利用用户集在第一历史时长内的查询数据,训练排序模型以更新模型的全局参数和个性化参数,得到所述全局排序模型。
3.根据权利要求1所述的方法,其中,所述利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型包括:
利用所述用户集在第一历史时长内的查询数据中的第一部分,训练排序模型以更新模型的全局参数和个性化参数;
利用所述用户集在第一历史时长内的查询数据中的第二部分,继续训练所述排序模型以更新模型的个性化参数,得到所述全局排序模型。
4.根据权利要求1至3中任一所述的方法,其中,所述查询数据包括:
用户从查询补全建议中选择查询项时输入的查询前缀、该查询前缀对应的查询补全建议中的被选择查询项以及未被选择查询项;
在训练排序模型时采用的训练目标为:最大化排序模型对被选择查询项的评分与未被选择查询项的评分之间的差值。
5.根据权利要求1至3中任一项所述的方法,其中,所述全局参数包括排序模型中嵌入网络的参数;
所述个性化参数包括排序模型中排序网络中的至少部分参数。
6.一种查询自动补全的方法,包括:
获取用户输入的查询前缀,以及确定与所述查询前缀对应的候选查询项;
将所述查询前缀与所述候选查询项输入所述用户的个性化排序模型,得到所述个性化排序模型对各候选查询项的评分;
依据各候选查询项的评分确定向所述用户推荐的查询补全建议;
其中所述用户的个性化排序模型采用如权利要求1至5中任一项所述的方法训练得到。
7.一种建立排序模型的装置,包括:
预训练单元,用于利用用户集在第一历史时长内的查询数据,预训练得到全局排序模型,所述全局排序模型包括全局参数和个性化参数;
个性化训练单元,用于利用目标用户在第二历史时长内的查询数据作为支持样本,利用所述支持样本对所述全局排序模型进行进一步训练,以对模型参数进行调整得到所述目标用户的个性化排序模型,具体用于固定所述全局排序模型的全局参数,对所述全局排序模型的个性化参数进行进一步调整,得到所述目标用户的个性化排序模型,所述个性化排序模型用于对查询样本中所述目标用户在待预测时间输入的查询前缀进行查询补全建议的预测;
所述个性化排序模型对应的所述支持样本包括:查询前缀、所述查询前缀对应的查询补全建议中的查询项;
所述个性化排序模型包括:嵌入网络和排序网络;所述嵌入网络用于对输入的数据进行编码得到对应的向量表示,所述输入的数据包括所述查询前缀和所述查询项;所述排序网络用于根据所述嵌入网络输出的向量表示得到所述查询项的评分;所述全局参数包括所述嵌入网络的参数,所述个性化参数包括所述排序网络的参数。
8.根据权利要求7所述的装置,其中,所述预训练单元,具体用于利用用户集在第一历史时长内的查询数据,训练排序模型以更新模型的全局参数和个性化参数,得到所述全局排序模型。
9.根据权利要求7所述的装置,其中,所述预训练单元包括:
第一预训练子单元,用于利用所述用户集在第一历史时长内的查询数据中的第一部分,训练排序模型以更新模型的全局参数和个性化参数;
第二预训练子单元,用于利用所述用户集在第一历史时长内的查询数据中的第二部分,继续训练所述排序模型以更新模型的个性化参数,得到所述全局排序模型。
10.根据权利要求7至9中任一项所述的装置,其中,所述查询数据包括:
用户从查询补全建议中选择查询项时输入的查询前缀、该查询前缀对应的查询补全建议中的被选择查询项以及未被选择查询项;
所述预训练单元和个性化训练单元在训练过程中采用的训练目标为:最大化排序模型对被选择查询项的评分与未被选择查询项的评分之间的差值。
11.根据权利要求7至9中任一项所述的装置,其中,所述全局参数包括排序模型中嵌入网络的参数;
所述个性化参数包括排序模型中排序网络中的至少部分参数。
12.一种查询自动补全的装置,包括:
获取单元,用于获取用户输入的查询前缀,以及确定与所述查询前缀对应的候选查询项;
评分单元,用于将所述查询前缀与所述候选查询项输入所述用户的个性化排序模型,得到所述个性化排序模型对各候选查询项的评分;
查询补全单元,用于依据各候选查询项的评分确定向所述用户推荐的查询补全建议;
其中所述用户的个性化排序模型由权利要求8至11中任一项所述的装置训练得到。
13. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011551844.7A CN112528157B (zh) | 2020-12-24 | 2020-12-24 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011551844.7A CN112528157B (zh) | 2020-12-24 | 2020-12-24 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528157A CN112528157A (zh) | 2021-03-19 |
CN112528157B true CN112528157B (zh) | 2024-04-26 |
Family
ID=74976290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011551844.7A Active CN112528157B (zh) | 2020-12-24 | 2020-12-24 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528157B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046298A (zh) * | 2019-04-24 | 2019-07-23 | 中国人民解放军国防科技大学 | 一种查询词推荐方法、装置、终端设备及计算机可读介质 |
CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
-
2020
- 2020-12-24 CN CN202011551844.7A patent/CN112528157B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046298A (zh) * | 2019-04-24 | 2019-07-23 | 中国人民解放军国防科技大学 | 一种查询词推荐方法、装置、终端设备及计算机可读介质 |
CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习和海云协同的推荐方法研究;赵震宇;中国博士学位论文全文数据库 信息科技辑(第第09期期);第5.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112528157A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102431232B1 (ko) | 질의 응답 처리 방법, 장치, 전자 기기 및 저장 매체 | |
US11782999B2 (en) | Method for training fusion ordering model, search ordering method, electronic device and storage medium | |
US9069843B2 (en) | Iterative refinement of search results based on user feedback | |
US11847147B2 (en) | Method for building ranking model, query auto-completion method and corresponding apparatuses | |
CN106815252A (zh) | 一种搜索方法和设备 | |
WO2021139209A1 (zh) | 查询自动补全的方法、装置、设备和计算机存储介质 | |
CN111666292B (zh) | 用于检索地理位置的相似度模型建立方法和装置 | |
CN106528846B (zh) | 一种检索方法及装置 | |
CN111666461B (zh) | 检索地理位置的方法、装置、设备和计算机存储介质 | |
CN111241427B (zh) | 查询自动补全的方法、装置、设备和计算机存储介质 | |
JP2023541742A (ja) | ソートモデルのトレーニング方法及び装置、電子機器、コンピュータ可読記憶媒体、コンピュータプログラム | |
CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
EP3876563A1 (en) | Method and apparatus for broadcasting configuration information of synchronizing signal block, and method and apparatus for receiving configuration information of synchronizing signal block | |
CN113326450B (zh) | 一种兴趣点召回方法、装置、电子设备和存储介质 | |
CN112528157B (zh) | 建立排序模型的方法、查询自动补全的方法及对应装置 | |
CN112541123A (zh) | 地图图区推荐方法、装置、设备及存储介质 | |
CN116070028A (zh) | 基于页面的内容信息推送方法、装置、设备及存储介质 | |
CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN113407579B (zh) | 群组查询方法、装置、电子设备及可读存储介质 | |
CN112528156A (zh) | 建立排序模型的方法、查询自动补全的方法及对应装置 | |
CN111782748B (zh) | 地图检索方法、信息点poi语义向量的计算方法和装置 | |
CN113449754B (zh) | 标签的匹配模型训练和展示方法、装置、设备及介质 | |
CN115952304B (zh) | 一种变异文献的检索方法、装置、设备及存储介质 | |
CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |