CN113761084B - 一种poi搜索排序模型训练方法、排序装置与方法及介质 - Google Patents

Abstract

本申请公开了一种基于深度学习的POI搜索排序模型训练方法、排序装置与方法及介质，属于地图导航搜索技术领域。该基于深度学习的POI搜索排序模型训练方法包括：获取搜索条目样本以及搜索条目样本对应的搜索结果样本；利用神经网络模型将搜索条目样本以及搜索结果样本进行向量表示，建立预训练向量样本库；以及通过将预训练向量样本库输入到语义匹配模型进行运算获取搜索条目样本与搜索结果样本之间的相似度，获得POI搜索排序模型，其中，将根据搜索结果样本的曝光点击率进行拟合得到的函数作为POI搜索排序模型的基准增益函数。本申请的应用使搜索结果更符合用户搜索需要，提升用户搜索体验。

Description

一种POI搜索排序模型训练方法、排序装置与方法及介质

技术领域

本申请涉及地图导航搜索技术领域，特别是一种基于深度学习的POI搜索排序模型训练方法、排序装置与方法及存储介质。

背景技术

随着地图导航搜索领域的不断发展，通过地图搜索各类信息已经成为人们获取信息资源的主要方式之一。在进行地图导航搜索时，运用特定的计算机程序从互联网上搜集信息，根据制定的策略和特征，对搜索得到的信息进行组织和处理后，将数据信息按照一定的排列顺序展示给用户。其中对搜索结果的排序结果是对用户搜索需求的一种预测，所以在地图导航搜索过程中，最终呈现的搜索结果是否满足用户的搜索需求，搜索结果是否全面，成为对搜索结果评价的重要标准。

现有技术中，往往通过人工或者半机器半人工的方式对地图导航搜索过程中的搜索策略及搜索特征进行组合。随着地图导航搜索过程中基础数据量的增加，在搜索排序问题上引入机器学习算法，将排序问题转化为回归分类或者有序分类的问题，实现搜索过程中对搜索结果的排序。但是机器学习算法在传统模型上优化越来越困难，同时地图导航搜索业务的复杂性以及需要引入用户历史数据，知识图谱特征等多维度信息源，以实现更精准的个性化排序，使得传统的地图导航搜索排序模型无法满足排序要求。现有的地图导航搜索排序模型无法实现大数据量的拟合，在地图导航搜索过程中无法获取高维度信息中的特征信息以及在搜索特征组合能力方面也只能通过人工方式实现搜索特征的简单组合，无法满足用户在地图导航搜索过程中的个性化需求。

发明内容

本申请主要解决的技术问题是提供一种基于深度学习的POI搜索排序模型训练方法、排序装置与方法及存储介质，实现在地图导航搜索过程中对搜索特征的充分表达和自由组合，通过引入深度学习方法实现复杂多维度信息的处理。在搜索过程中以地图导航搜索中的点击数据作为基础数据，实现在地图导航搜索排序中，搜索结果的排列符合用户的个性化需求，提升用户在地图导航搜索中的搜索体验。

为了实现上述目的，本申请采用的第一个技术方案是：提供一种基于深度学习的POI搜索排序模型训练方法，包括获取搜索条目样本以及搜索条目样本对应的搜索结果样本；利用神经网络模型将搜索条目样本、搜索结果样本以及搜索特征样本进行向量表示，建立预训练向量样本库；以及通过将预训练向量样本库输入到语义匹配模型进行运算获取搜索条目样本与搜索结果样本之间的相似度，获得POI搜索排序模型，其中，将根据搜索结果样本的曝光点击率进行拟合得到的函数作为POI搜索排序模型的归一化折损累计增益函数中的基准增益函数。

本申请采用的第二个技术方案是：提供一种基于深度学习的POI搜索排序装置，该装置包括基于深度学习的POI搜索排序模型，还包括：搜索结果召回模块，其将输入的搜索问题所对应的搜索结果候选集进行召回；细粒度排序模块，其在搜索结果候选集的大小低于预定阈值的情况下，则，利用基于深度学习的POI搜索排序模型对搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；在搜索结果候选集的大小不低于预定阈值的情况下，则，对搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果，对粗粒度排序搜索结果利用基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及排序搜索结果微调模块，其根据业务逻辑，对第一细粒度排序搜索结果或第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果。

本申请采用的第三个技术方案是：提供一种基于深度学习的POI搜索排序方法，包括将输入的搜索问题所对应的搜索结果候选集进行召回，若搜索结果候选集的大小低于预定阈值，则利用基于深度学习的POI搜索排序模型对搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；若搜索结果候选集的大小不低于预定阈值，则对搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果；对粗粒度排序搜索结果利用基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及根据业务逻辑，对第一细粒度排序搜索结果或第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果。

本申请采用的第四个技术方案是：提供一种计算机可读存储介质，其中计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时可实现方案一中的基于深度学习的POI搜索排序模型训练方法。

本申请的有益效果是：本申请利用深度学习模型将多维度的数据样本进行处理，并且根据搜索结果的曝光点击率对归一化折损累计增益函数中的基准增益函数进行改进，使得最终的搜索排序结果符合用户的搜索需要，满足用户的搜索要求，提升用户搜索体验。

附图说明

图1是本申请基于深度学习的POI搜索排序模型训练方法流程示意图；

图2是本申请基于深度学习的POI搜索排序模型示意图；

图3是本申请基于深度学习的POI搜索排序方法流程示意图。

具体实施方式

下面结合附图对本申请的较佳实施例进行详细阐述，以使本申请的优点和特征能更易于被本领域技术人员理解，从而对本申请的保护范围做出更为清楚明确的界定。

需要说明的是，本申请权利要求书和说明书中的术语“第一”、“第二”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。

本申请基于深度学习的POI搜索排序模型训练方法、排序装置与方法及存储介质可应用于移动电子设备端，包括但不限于个人电脑、手机、平板等具有搜索功能的设备终端，进行用户的地图导航搜索操作。

在本申请的一个具体实施方式中，图1示出了本申请基于深度学习的POI搜索排序模型训练方法的流程示意图，其中，包括：

步骤S101：获取搜索条目样本、搜索条目样本对应的搜索结果样本。

具体的，在众多地图导航搜索引擎的搜索历史数据中，获取搜索条目样本、搜索条目样本对应的搜索结果样本。其中，搜索条目样本可以包括用户进行地图导航搜索过程中用户对搜索条目的输入量或点击量数据；搜索结果样本可以包括用户在进行地图导航搜索过程中，用户对搜索结果的点击量数据，其中对搜索条目的点击量数据和对搜索结果的点击量数据可在地图导航搜索引擎中的搜索日志中获得。

在本申请的一个实例中，搜索条目样本可以包括该搜索条目的输入量或点击量数据，与搜索条目样本对应的搜索结果样本可以包括该搜索结果的点击量数据。下面以一个具体搜索实例进行说明。例如用户对“银行”进行搜索，其中“银行”便对应本申请中的搜索条目。用户在对“银行”进行搜索时，能够通过将“银行”输入到搜索框中进行搜索，或者通过点击搜索界面上的“银行”字样的标志进行搜索。其中对于搜索条目“银行”，搜索条目样本便包括用户在进行“银行”搜索过程中的输入量及点击量的数据。对于搜索条目“银行”，搜索结果列表中出现了“中国银行”、“工商银行”以及“建设银行”的搜索结果。其中，在搜索日志中能够统计用户的搜索记录及点击记录。例如，共获取10次用户对“银行”的搜索结果的点击记录，其中，用户6次点击“中国银行”，3次点击“工商银行”以及1次点击“建设银行”。其中，关于不同银行的点击次数统计在搜索结果样本中，作为之后对搜索结果排序的基础数据。

将搜索条目以及搜索结果的点击量数据分别统计到搜索条目样本以及搜索结果样本中，使得最终的搜索结果排序更符合用户的搜索需求。例如，根据用户对不同银行的点击次数不同，在对“中国银行”、“工商银行”以及“建设银行”的搜索结果进行排序时，便将“中国银行”排在靠前位置，“工商银行”次之，“建设银行”排在最后。如果不考虑点击次数的统计，则搜索结果的最终排序可能为“工商银行”靠前，“建设银行”次之，“中国银行”排在最后，此种排序结果将不符合用户实际的搜索需求。在该举例中，只考虑了根据搜索结果的点击量进行排序的情形，而在实际的对搜索结果排序中会考虑多种排序因素的影响，此例主要说明搜索条目的点击量数据以及搜索结果的点击量数据对搜索结果排顺的影响。

统计搜索条目样本以及搜索结果样本，可以将用户对搜索条目以及搜索结果的点击量数据包括在内，能够使得最终的搜索结果的排序情况更符合用户的需求和习惯，提升在地图导航搜索过程中的用户体验。

在本申请的一个实例中，还可以获取与搜索条目样本相关的搜索特征样本，搜索特征样本可以包括用户行为特征、用户身份特征和第三特征中的至少一者。其中用户行为特征可以包括用户在搜索过程中的点击行为和筛选行为。具体可以包括搜索词序列以及用户在地图导航搜索过程中的筛选行为序列。例如用户在搜索过程中，搜索“衣服”时，进行“外套”的筛选选择。

在本申请的一个实例中，可以将稀疏的用户身份信息进行聚类获得用户身份特征，用户身份特征可以包括用户所在地信息和/或用户行程信息。在该实例中，因为用户行为信息可以较为分散，数据信息量较少，需要对用户的行为活动信息进行聚类处理，将数据量多的信息进行聚集，将数据量少的信息进行去除，来解决数据信息稀疏性问题，保证统计的信息符合用户的行为习惯，使得用户身份特征在搜索排序过程中产生影响，使获得的搜索结果排序列表更能反映用户的搜索需求，提升用户的搜索体验。例如，用户在进行地图导航搜索时，根据地图记录的用户行程获得用户身份特征。在用户搜索“午餐”时，会根据用户所在地，用户经常去的餐厅等信息对用户的搜索结果产生影响，使得搜索结果更符合用户的个人需求。另外当用户离开长居地，到达新的地方时，用户的行程信息会减少，此时根据地图导航搜索中记录的用户身份特征信息，将稀疏的用户身份特征信息通过聚类的方式进行表达，使得该搜索特征在用户搜索时，同样发挥作用，使得搜索结果符合用户的个性化搜索需求，提升用户的搜索体验。

深度学习模型具有将高维稀疏的用户信息进行泛化表征的能力，例如在针对用户身份特征信息时，面对较为稀疏分散的信息，传统搜索模型无法将信息特征化，也就无法在搜索过程中引入多维度的搜索特征，从而导致搜索结果与用户的理想搜索结果出现出入。深度学习模型可直接从海量训练样本中学习到多维度信息，并以特征向量的形式嵌入表征，从而实现在搜索过程中，获得更符合用户需求的搜索结果，提升用户的搜索体验。

在本申请的一个实例中，第三特征可以包括除了用户行为特征、用户身份特征以外的其他搜索特征。其中，第三特征可以包括用户搜索的经纬度信息、季节信息、时间信息和/或搜索问题的类型，例如餐饮、运动、品牌等。通过搜索特征中的第三特征，将众多因素考虑进用户的搜索行为中，使得输出的搜索结果更符合用户的潜在需求。例如用户在地图导航搜索平台上搜索“午餐”，当没有“季节”这一搜索特征时，搜索结果往往比较杂乱，包括米饭店、面店、火锅店、烧烤店等等。当将“季节”特征考虑进搜索过程时，例如在冬季，会将火锅等具有高热量食物的餐厅排列在靠前的位置，优先推荐给用户；当在夏季时，会将拥有啤酒、凉拌菜品的餐厅排列在靠前的位置，优先推荐给用户，从而满足用户潜在的搜索需求，提高用户的搜索体验。

在本申请基于深度学习的POI搜索排序模型训练方法中，可以通过获取搜索条目及对应的搜索结果的点击量数据作为搜索条目样本数据和搜索结果样本数据，进行基于深度学习的POI搜索排序模型的训练，使得用户在进行地图导航搜索时，最终的搜索排序结果符合用户的个性化搜索需要。优选的，本申请还可以将搜索特征样本也考虑在其中，通过对用户行为特征、用户身份特征的考虑，将用户搜索行为个性化处理，使得对搜索结果的排列顺序呈现给用户时，呈现的搜索结果能够充分反映用户的搜索需求。优选的，对包括季节、时间等信息的第三特征进行考虑，能够使得呈现出的搜索结果更加准确，符合用户的潜在搜索需求，提升用户的搜索体验。

步骤S102：利用神经网络模型将所述搜索条目样本、所述搜索结果样本进行向量表示，建立预训练向量样本库。

在该具体实施方式中，利用神经网络模型，例如深度神经网络模型（Deep NeuralNetwork，DNN）将搜索条目样本以及搜索结果样本进行低维语义向量表示，从而建立预训练向量样本库。后续通过各样本向量之间的运算求得搜索条目样本与搜索结果样本之间的相似度，进而根据相似度的大小对搜索结果进行排列，呈现给用户。

在本申请的一个实例中，通过深度神经网络模型（Deep Neural Network，DNN）将搜索条目样本、搜索结果样本和/或搜索特征样本进行低维语义向量表示，使得搜索条目样本以及搜索结果样本和/或搜索特征样本之间的相互关系充分表达。其中向量表示的维度可根据实际的表达需求进行适当地选择，维度较低则无法充分说明搜索条目样本、搜索结果样本以及搜索特征样本之间的关系，向量维度太高则会增加后续向量运算的计算量。

其中利用深度神经网络模型将搜索条目样本、搜索结果样本和/或搜索特征样本进行向量表示，通过向量之间的运算更能真实反映搜索条目样本、搜索结果样本和/或搜索特征样本之间的相互关系，进一步为用户呈现符合搜索需要的搜索结果，提升用户在地图导航搜索中的搜索体验。用语义向量计算相似度的方法代替传统的数字对比的相似度计算方法，更能够真实反映搜索条目样本与搜索结果样本之间的真实关系，提升搜索结果的准确度，使得最终搜索结果的排序结果符合用户的搜索需求。

步骤S103：通过将预训练向量样本库输入到语义匹配模型进行运算获取搜索条目样本与搜索结果样本之间的相似度，获得POI搜索排序模型，其中，将根据搜索结果样本的曝光点击率进行拟合得到的函数作为POI搜索排序模型的归一化折损累计增益函数中的基准增益函数。

在本申请的一个具体实施方式中，通过将预训练向量样本库中的搜索条目样本向量以及搜索结果样本向量输入到语义匹配模型中，例如深度语义匹配模型（DeepStructured Semantic Models，DSSM），通过向量之间的运算获得搜索条目样本与搜索结果样本之间的相似度，从而获得POI搜索排序模型。

在本申请的一个实例中，除了将预训练向量样本库中的搜索条目样本向量以及搜索结果样本向量输入到语义匹配模型中之外，还可以将搜索特征样本向量输入到语义匹配模型中。因为搜索特征样本的多样性，在计算搜索条目样本与搜索结果样本的相似度时，需要对搜索特征样本向量进行至少两两组合，通过搜索特征样本向量的组合叠加，实现搜索特征的个性化表达，从而实现对搜索结果的个性化排序，提升用户的搜索体验。另外，通过搜索特征向量之间的组合叠加运算，使得搜索特征向量的数据量降低，在后续进行相似度运算时，降低运算量，提高运算速度。

在本申请的一个实例中，在深度语义匹配模型（Deep Structured SemanticModels，DSSM）中计算搜索条目样本向量与搜索结果条目向量的相似度时，通过计算两个向量之间的余弦內积值，进而对两个向量之间的相似度进行计算。例如，一个搜索条目样本向量记为向量A，该搜索条目样本对应的搜索结果样本记为向量B(i)，i=1,2,......,n。通过对向量A与向量B(i)分别进行余弦內积运算，获得向量之间的余弦值，其中余弦值的数值范围可设定为[-1,1]。其中，向量间內积运算的值越接近1，表明该搜索条目与搜索结果的相似度越高，该搜索结果越符合用户的搜索需求。在具体的相似度计算时，会将搜索条目样本、搜索特征样本以及搜索结果样本进行向量之间的叠加运算，最终根据搜索特征样本，得到搜索条目样本与搜索结果样本的相似度，进而根据相似度的大小对搜索结果进行排列。

在本申请的一个实例中，通过搜索日志统计出的搜索结果样本的点击数据和位置数据获得搜索结果样本的曝光点击率。根据搜索结果的曝光点击率进行拟合得到平滑的函数作为本申请的基于深度学习的POI搜索排序模型的归一化折损累计增益函数中的基准增益函数，再根据此函数进行相似度计算和排列顺序的确定。

在该实例中，以下公式为现有搜索排序模型中的的归一化折损累计增益函数，

NDCG函数：

其中公式中的此处可理解为常数，/>表示搜索结果在排列顺序J位置上相关性，/>为NDCG函数中的基准增益函数。通过该公式的运算，以最终获得最大的相似度N(n)。当N(n)取值最大时，此时各个搜索结果对应的位置J即为最终的搜索结果的排列顺序。在利用上述NDCG函数进行最终搜索结果排列次序的确定时，对每个搜索结果的相关性进行指数运算，折损权重随着位置进行指数变化，然而实际的搜索结果曝光点击率随位置变化的曲线与NDCG（Normalizeddiscounted cumulative gain）函数理论折损值存在着较大的差异。以在移动端进行地图导航搜索的场景为例，在实际的搜索结果呈现过程中，因为搜索结果数目较多，在搜索引擎显示搜索结果列表时，用户会下拉搜索结果列表进行浏览，此时用户的视觉焦点会随着滑屏、翻页而发生变动。当用户翻到下一页时，用户的视线往往会重新聚焦，因此出现下一页首部位置搜索结果的曝光点击率高于前页尾部搜索结果的曝光点击率。根据现有的排序规则，下一页首部的搜索结果与搜索问题的相关度要小于前页尾部搜索结果与搜索问题之间相关度，其中便出现矛盾。为了将相关度高的搜索结果显示在用户实际曝光点击率高的位置，本申请基于深度学习的POI搜索排序方法对上述NDCG（Normalizeddiscounted cumulative gain）函数进行改进，具体如下。

在该实例中，本申请在搜索日志中统计搜索结果样本的位置及点击量数据作为搜索结果样本的曝光点击率数据，根据函数拟合方法对搜索结果样本的曝光点击率进行拟合，得到平滑的拟合函数，例如使用最小二乘法对搜索结果样本的曝光点击率进行拟合。其中拟合得到的新的基准增益函数替换上述NDCG函数公式中原来的基准增益函数（），进而得到新的归一化折损累计增益函数，实现对搜索结果的精准排序。在该实例中，根据实际的搜索结果曝光点击率的不同，拟合得到的新的基准增益函数也会不同，所以本申请未对具体的新基准增益函数进行说明。

通过根据搜索结果样本的实际曝光点击率数据拟合得到的动态的新基准增益函数替代静态的原基准增益函数，使得得到的搜索结果排列顺序更加准确，使得对搜索结果的排序符合用户视线聚焦的生理习惯，将更适合用户的搜索结果呈现在容易被用户注意到的位置，实现搜索结果的合理化排列，提升用户的搜索体验。

在本申请的一个实例中，利用局部可解释性，确定不同的搜索特征样本对所述POI搜索排序模型的排序结果的影响程度。通过对深度学习搜索排序模型的解释，能够了解在深度学习搜索排序模型中各个数据样本在搜索排序中的影响程度，方便后续数据的调整、对深度学习POI搜索排序模型的持续优化及改进。

在该实例中，本申请基于Lime（Local Interpretable Model-agnosticExplanations）模型解释器的思想，对基于深度学习的POI搜索排序模型进行解释。其中Lime模型解释器只会对每一个样本单独进行解释，而不对模型整体提供解释，在解释过程中，选择要进行解释的变量，例如搜索特征样本中的“季节”特征。利用变量“季节”对数据进行扰动，得到新的数据。将新数据与基于深度学习的POI搜索排序模型中的对“季节”变量的原有数据进行比较，通过判断扰动产生的新数据和模型原有数据之间的差距，定义变量“季节”特征的权重，进而对原有模型进行解释。

在本申请基于深度学习的POI搜索排序模型训练方法中，获取搜索条目的点击量数据作为搜索条目样本数据以及获取搜索结果的点击量数据作为搜索结果样本数据，进行基于深度学习的POI搜索排序模型的训练，使得用户在进行地图导航搜索时，最终的搜索排序结果符合用户的个性化搜索需要。优选的，本申请还可以将搜索特征样本考虑在其中，通过对用户行为特征、用户身份特征的考虑，将用户搜索行为个性化处理，使得将搜索结果的排序呈现给用户时，呈现的搜索结果能够充分反映用户的搜索需求。优选的，对包括季节，时间等信息的第三特征进行考虑，使得呈现出的搜索结果更加准确。利用神经网络模型将搜索条目样本、搜索结果样本和/或搜索特征样本进行向量表示，通过向量之间的运算更能真实反映搜索条目样本，搜索结果样本以及搜索特征样本之间的相互关系，进一步为用户呈现符合搜索需要的搜索结果。通过对归一化折损累计增益函数中的基准增益函数的改进，使得对搜索结果的排序符合用户视线聚焦的生理习惯，将更适合用户的搜索结果呈现在容易被用户注意到的位置，实现搜索结果的合理化排列，提升用户的搜索体验。

在本申请的一个具体实施方式中，图2示出了本申请基于深度学习的POI搜索排序装置，其包括基于深度学习的POI搜索排序模型，还包括：

搜索结果召回模块，其将输入的搜索问题所对应的搜索结果候选集进行召回；

细粒度排序模块，其在搜索结果候选集的大小低于预定阈值的情况下，则，利用基于深度学习的POI搜索排序模型对搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；在搜索结果候选集的大小不低于预定阈值的情况下，则，对搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果，对粗粒度排序搜索结果利用基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及

排序搜索结果微调模块，其根据业务逻辑，对第一细粒度排序搜索结果或第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果。

在本申请的一个实例中，在本申请基于深度学习的POI搜索排序模型中，搜索结果召回模块、细粒度排序模块以及排序搜索结果微调模块可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。

软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸盘、CD-ROM或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器，使得处理器可从存储介质读取信息和向存储介质写入信息。

处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)、现场可编程门阵列（英文：Field Programmable Gate Array，简称：FPGA）或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中，存储介质可与处理器成一体式。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替代方案中，处理器和存储介质可作为离散组件驻留在用户终端中。

在本申请的一个具体实施方式中，图3示出了本申请基于深度学习的POI搜索排序方法的流程示意图，其中，该基于深度学习的POI搜索排序方法包括：

步骤S301：搜索结果召回。

在该具体实施方式中，将搜索问题所对应的搜索结果的候选集进行召回。在地图导航搜索过程中，用户将搜索问题通过输入或者点击的方式进行搜索，基于深度学习的POI搜索排序模型根据用户的搜索问题在已有的数据库中将与用户的搜索问题对应的搜索结果进行召回，得到搜索结果的候选集。

步骤S302：粗粒度排序。

在本申请的一个具体实施方式中，因为搜索问题的不同，最后召回的搜索结果候选集中的搜索结果数量也有差别。若候选集中搜索结果的数量大于等于预定的搜索结果预定阈值，则使用基于非深度学习的快速排序模型进行粗粒度排序，得到粗粒度排序搜索结果，例如使用LamdbaMart搜索排序模型。

通过将大量的搜索结果进行粗粒度排序，对搜索结果进行一定的筛选，从而降低搜索结果的数量。例如将候选集中1000条搜索结果通过粗粒度筛选过程降低到500条搜索结果。减少在基于深度学习的POI搜索排序模型中对搜索结果的处理量，从而提高基于深度学习的POI搜索排序模型的处理速度，进而提高搜索的速度，提升用户在地图导航搜索中的体验。

步骤S303：细粒度排序。

在本申请的一个具体实施方式中，当输入搜索问题后，召回的搜索结果数量低于预定阈值时，因为搜索结果数量较少不需要再进行对搜索结果的粗粒度排序步骤，而直接进行细粒度排序步骤，而获得第一细粒度排序结果。另外在该步骤中，在经过粗粒度排序的搜索结果中选取部分或全部搜索结果进行细粒度排序，获得第二细粒度排序结果。

在该具体实施方式中，在基于深度学习的POI搜索排序模型中，利用神经网络模型将搜索问题、搜索结果以及搜索特征进行向量化表达，利用语义匹配模型计算搜索问题与搜索结果之间的相似度，根据搜索日志中的搜索结果的曝光点击率拟合得到的函数作为本申请基于深度学习的POI搜索排序模型的新基准增益函数，对最终搜索结果的排序结果进行确定。

在本申请的一个实例中，利用深度神经网络模型（Deep Neural Network，DNN）将搜索问题、搜索结果以及搜索特征表达为低维语义向量，通过语义向量的表达，使得搜索问题、搜索结果以及搜索特征样本的含义充分表达，同时将复杂的文本信息转换成低维向量信息，降低数据的复杂度，从而加快在基于深度学习的POI搜索排序模型中的运算过程，提高地图导航搜索的速度。

在该实例中，搜索特征样本可以包括用户行为特征、用户身份特征和第三特征中的至少一者。其中用户行为特征可以包括用户在搜索过程中的点击行为和筛选行为。例如可以是用户的搜索条目对应的POI搜索结果的点击序列以及用户在地图导航搜索过程中的筛选行为序列。

在本申请的一个实例中，将稀疏的用户身份信息进行聚类获得用户身份特征，所述用户身份特征可以包括用户所在地信息和/或用户行程信息。在该实例中，因为用户行为信息可以较为分散，数据信息量较少，需要对用户的行为活动信息进行聚类处理，来解决数据信息稀疏性问题，使得用户身份特征在搜索排序过程中产生影响，使获得的搜索结果排序列表更能反映用户的搜索需求，提升用户的搜索体验。

深度学习模型能够将高维稀疏的用户信息进行泛化表征，例如在针对用户身份特征信息时，面对较为稀疏分散的信息，传统搜索模型无法将信息特征简化，也就无法在搜索过程中将多维度的特征向量引入，从而导致搜搜结果与用户的理想搜索需求出现出入。深度学习能够直接从海量训练样本中学习到多维度信息，并以特征向量的形式嵌入表征，从而实现在搜索过中，对搜索结果进行多个维度的相似度计算，获得更符合用户需求的搜索结果能提升用户的搜索体验。

在本申请的一个实例中，第三特征可以包括除用户行为特征、用户身份特征以外的搜索特征。其中，第三特征可以包括用户搜索的经纬度信息、季节信息、时间信息和/或搜索问题的类型，例如餐饮、运动、品牌等。通过搜索特征中的第三特征，将众多因素考虑进用户的搜索行为中，使得输出的搜索结果更符合用户的潜在需求。例如用户在订餐平台搜索“午餐”时，当没有“季节”这一搜索特征时，搜索结果往往比较杂乱，包括米饭店、面电、火锅店、烧烤店等等，当将“季节”特征考虑进搜索过程时，例如在冬季，会将火锅等高热量的餐厅推荐给用户，当在夏季时，会将啤酒，凉拌菜品的餐厅优先推荐给用户，从而满足用户潜在的搜索需求，提高用户的搜索体验。

在本申请基于深度学习的POI搜索排序模型使用方法中，通过获取搜索条目及对应的搜索结果的点击数据作为搜索条目样本数据和搜索结果样本数据，进行基于深度学习的POI排序模型的训练，使得用户在进行地图导航搜索时，最终的排序结果符合用户的个性化搜索需要。优选的，本申请可以将搜索特征样本也考虑在其中，通过对用户行为特征、用户身份特征的考虑，将用户搜索行为个性化处理，使得对搜索结果进行排序呈现给用户时，呈现的搜索结果能够充分反映用户的搜索需求。优选的，对包括季节、时间等信息的其他特征进行考虑，使得呈现出的搜索结果更加准确，符合用户的潜在搜索需求，提升用户的搜索体验。

在本申请的一个实例中，利用深度语义匹配模型（Deep Structured SemanticModels，DSSM）计算搜索问题与搜索结果之间的相似度。将搜索问题向量以及搜索结果向量进行向量运算，例如余弦內积运算，获取搜索问题与搜索结果之间的相似关系。例如，一个搜索条目样本向量记为向量A，该搜索条目样本对应的搜索结果记为向量B(i)，i=1,2,......,n。通过对向量A与向量B(i)分别进行余弦內积运算，获得向量之间的余弦值，其中余弦值的数值范围可设定为[-1,1]。其中，向量间內积运算的值越大，表明该搜索条目与搜索结果条目的相似度更高，该搜索结果越符合用户的搜索需求。

在具体的相似度计算时，会将搜索条目样本和搜索结果样本进行向量之间的叠加运算，最终可优选的根据搜索特征样本，得到搜索条目样本与搜索结果样本的相似度，进而根据相似度的大小对搜索结果进行排列。

在本申请的一个实例中，在搜索日志中统计搜索结果的点击数据和位置数据获得搜索结果的曝光点击率，根据函数拟合方法，例如，最小二乘法，对搜索结果的曝光点击率进行拟合得到平滑的拟合函数，根据得到的拟合函数确定归一化折损累计增益函数，进而对搜索结果的排序结果进行确定。

步骤S304：业务逻辑调整及输出。

在本申请的一个具体实施方式中，根据搜索问题的应用场景以及其他因素对搜索结果的排序结果进行微调，得到最终的搜索结果的排列顺序，并输出显示给用户。

在本申请基于深度学习的POI搜索排序方法中，通过获取搜索条目点击量数据作为搜索条目样本数据及搜索结果的点击量数据作为搜索结果样本数据，进行基于深度学习的POI搜索排序模型的训练，使得用户在进行地图导航搜索时，最终的搜索排序结果符合用户的个性化搜索需要。优选的，本申请可以将搜索特征样本也考虑在其中，通过对用户行为特征，用户身份特征的考虑，将用户搜索行为个性化处理，使得将搜索结果排序呈现给用户时，呈现的搜索结果能够充分反映用户的搜索需求。优选的，对包括季节、时间等信息的第三特征进行考虑，使得呈现出的搜索结果更加准确。利用深度神经网络模型将搜索条目样本、搜索结果样本以及搜索特征样本进行向量表示，通过向量之间的运算更能真实反映搜索词，搜索结果以及搜索特征之间的相互关系，进一步为用户呈现符合搜索需要的搜索结果。通过对归一化折损累计增益函数的改进，使得对搜索结果的排序符合用户的视线聚焦的生理习惯，将更适合用户的搜索结果展现在容易被用户注意到的位置，实现搜索结果的合理化排列，提升用户的搜索体验。

在本申请的一个具体实施方式中，本申请的计算机可读存储介质，其存储有计算机指令，计算机指令被操作以执行任一实施例描述的基于深度学习的POI搜索排序模型训练方法。

在本申请所提供的实施方式中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种基于深度学习的POI搜索排序模型训练方法，其特征在于，包括：

获取搜索条目样本以及所述搜索条目样本对应的搜索结果样本；

利用神经网络模型将所述搜索条目样本以及所述搜索结果样本进行向量表示，建立预训练向量样本库；以及

通过将所述预训练向量样本库输入到语义匹配模型进行运算获取所述搜索条目样本与所述搜索结果样本之间的相似度，获得所述POI搜索排序模型，其中，

将根据所述搜索结果样本的曝光点击率进行拟合得到的函数作为所述POI搜索排序模型的归一化折损累计增益函数中的基准增益函数，其中所述归一化折损累计增益函数为所述基准增益函数为2^r(j)-1，所述搜索条目样本包括所述搜索条目的点击量数据，所述搜索结果样本包括所述搜索结果的点击量数据，其中根据从日志统计出的所述搜索结果样本的点击数据和位置数据获得所述曝光点击率。

2.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，所述建立预训练向量样本库的过程还包括，利用所述神经网络模型将与所述搜索条目样本相关的搜索特征样本进行向量表示。

3.如权利要求2所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，所述搜索特征样本包括用户行为特征、用户身份特征和第三特征中的至少一个，所述用户行为特征包括用户在搜索过程中的点击行为和筛选行为。

4.如权利要求3所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，将稀疏的用户身份信息进行聚类获得所述用户身份特征，所述用户身份特征包括用户所在地信息以及用户行程信息。

5.如权利要求2所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，利用局部可解释性，确定不同的所述搜索特征样本对所述POI搜索排序模型排序结果的影响程度。

6.一种基于深度学习的POI搜索排序装置，其特征在于，包括基于深度学习的POI搜索排序模型，还包括：

搜索结果召回模块，其将输入的搜索问题所对应的搜索结果候选集进行召回；

细粒度排序模块，其在所述搜索结果候选集的大小低于预定阈值的情况下，则，

利用所述基于深度学习的POI搜索排序模型对所述搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；

在所述搜索结果候选集的大小不低于所述预定阈值的情况下，则，

对所述搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果，

对所述粗粒度排序搜索结果利用所述基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及

排序搜索结果微调模块，其根据业务逻辑，对所述第一细粒度排序搜索结果或所述第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果，其中所述POI搜索排序模型的训练过程包括：

获取搜索条目样本以及所述搜索条目样本对应的搜索结果样本；

利用神经网络模型将所述搜索条目样本以及所述搜索结果样本进行向量表示，建立预训练向量样本库；以及

通过将所述预训练向量样本库输入到语义匹配模型进行运算获取所述搜索条目样本与所述搜索结果样本之间的相似度，获得所述POI搜索排序模型，其中，

将根据所述搜索结果样本的曝光点击率进行拟合得到的函数作为所述POI搜索排序模型的归一化折损累计增益函数中的基准增益函数，其中所述归一化折损累计增益函数为所述基准增益函数为2^r(j)-1，所述搜索条目样本包括所述搜索条目的点击量数据，所述搜索结果样本包括所述搜索结果的点击量数据，其中根据从日志统计出的所述搜索结果样本的点击数据和位置数据获得所述曝光点击率。

7.一种基于深度学习的POI搜索排序方法，其特征在于，包括：

将输入的搜索问题所对应的搜索结果候选集进行召回；

若所述搜索结果候选集的大小低于预定阈值，则，

利用所述基于深度学习的POI搜索排序模型对所述搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；

若所述搜索结果候选集的大小不低于所述预定阈值，则，

对所述搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果，

对所述粗粒度排序搜索结果利用所述基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及

根据业务逻辑，对所述第一细粒度排序搜索结果或所述第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果，其中所述POI搜索排序模型的训练过程包括：

获取搜索条目样本以及所述搜索条目样本对应的搜索结果样本；

利用神经网络模型将所述搜索条目样本以及所述搜索结果样本进行向量表示，建立预训练向量样本库；以及

通过将所述预训练向量样本库输入到语义匹配模型进行运算获取所述搜索条目样本与所述搜索结果样本之间的相似度，获得所述POI搜索排序模型，其中，

将根据所述搜索结果样本的曝光点击率进行拟合得到的函数作为所述POI搜索排序模型的归一化折损累计增益函数中的基准增益函数，其中所述归一化折损累计增益函数为所述基准增益函数为2^r(j)-1，所述搜索条目样本包括所述搜索条目的点击量数据，所述搜索结果样本包括所述搜索结果的点击量数据，其中根据从日志统计出的所述搜索结果样本的点击数据和位置数据获得所述曝光点击率。

8.一种计算机可读存储介质，其存储有计算机指令，其特征在于，所述计算机指令被操作以执行权利要求1-5中任一项所述的基于深度学习的POI搜索排序模型训练方法。