CN114428907A - 信息搜索方法、装置、电子设备及存储介质 - Google Patents
信息搜索方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114428907A CN114428907A CN202210100391.9A CN202210100391A CN114428907A CN 114428907 A CN114428907 A CN 114428907A CN 202210100391 A CN202210100391 A CN 202210100391A CN 114428907 A CN114428907 A CN 114428907A
- Authority
- CN
- China
- Prior art keywords
- client
- search
- vector representation
- candidate
- server
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000013598 vector Substances 0.000 claims abstract description 215
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000002372 labelling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 23
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 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
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本公开提供了一种信息搜索方法、装置、电子设备及存储介质，涉及深度学习、大数据、智能搜索等人工智能技术领域。具体方案包括：服务端获取第一客户端的搜索关键词；获取至少一个候选目标的向量表示组，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标；向第一客户端发送至少一个搜索目标，以使第一客户端根据至少一个搜索目标从所述第一客户端的数据库中获取搜索结果。本公开的技术方案可以在不涉及隐私数据的情况下利用其他节点的数据来进行搜索，从而增强搜索效果。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习、大数据、智能搜索等人工智能技术领域，具体涉及一种信息搜索方法、装置、电子设备及存储介质。
背景技术
信息孤岛存在于相互之间信息不互通、数据不共享的互联网终端、网站、数据库等系统。随着智能设备的普及和互联网的高速发展，在不同的系统中累积了大量的隐私数据，形成了大大小小的信息孤岛。
由于数据量的不断增长，在这些系统中需要高效的方式来进行数据检索，但传统的信息搜索技术无法利用信息孤岛内部的数据。
发明内容
本公开提供了一种信息搜索方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种信息搜索方法，应用于服务端，该信息搜索方法包括：
获取第一客户端的搜索关键词；
获取至少一个候选目标的向量表示组，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标；
向第一客户端发送至少一个搜索目标，以使第一客户端根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
根据本公开的第二方面，提供一种信息搜索方法，应用于第一客户端，该信息搜索方法包括：
根据用户搜索信息生成搜索关键词；
向服务端发送搜索关键词，以使服务端根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
接收服务端发送的至少一个搜索目标；
根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
根据本公开的第三方面，提供一种搜索模型的训练方法，应用于服务端，该训练方法包括：
获取候选样本的向量表示组，其中，向量表示组中包括多个客户端对候选样本的向量表示；
将样本关键词以及候选样本的向量表示组输入服务端初始网络，以输出候选样本与样本关键词是否匹配的计算结果；
获取候选样本与样本关键词是否匹配的标注结果；
根据计算结果和标注结果计算反向梯度；
根据反向梯度调整服务端初始网络的参数，以得到服务端模型；
向各客户端发送反向梯度，以使各客户端根据反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
根据本公开的第四方面，提供一种搜索模型的训练方法，应用于第一客户端，该训练方法包括：
基于客户端初始网络生成对候选样本的第一向量表示；
向服务端发送第一向量表示，以使服务端根据样本关键词以及候选样本的向量表示组，计算反向梯度，其中，候选样本的向量表示组中包括第一向量表示以及至少一个第二客户端对候选目标的第二向量表示；
根据服务端发送的反向梯度，调整客户端初始网络的参数，以得到客户端模型。
根据本公开的第五方面，提供一种信息搜索装置，应用于服务端，该信息搜索装置包括：
搜索关键词获取模块，用于获取第一客户端的搜索关键词；
第一向量表示组获取模块，用于获取至少一个候选目标的向量表示组，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标筛选模块，用于根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标；
搜索目标发送模块，用于向第一客户端发送至少一个搜索目标，以使第一客户端根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
根据本公开的第六方面，本公开提供一种信息搜索装置，应用于第一客户端，包括：
搜索关键词生成模块，用于根据用户搜索信息生成搜索关键词；
搜索关键词发送模块，用于向服务端发送搜索关键词，以使服务端根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标接收模块，用于接收服务端发送的至少一个搜索目标；
搜索结果获取模块，用于根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
根据本公开的第七方面，本公开提供一种搜索模型的训练装置，应用于服务端，包括：
第二向量表示组获取模块，用于获取候选样本的向量表示组，其中，向量表示组中包括多个客户端对候选样本的向量表示；
计算结果确定模块，用于将样本关键词以及候选样本的向量表示组输入服务端初始网络，以输出候选样本与样本关键词是否匹配的计算结果；
标注结果获取模块，用于获取候选样本与样本关键词是否匹配的标注结果；
反向梯度计算模块，用于根据计算结果和标注结果计算反向梯度；
服务端参数调整模块，用于根据反向梯度调整服务端初始网络的参数，以得到服务端模型；
反向梯度发送模块，用于向各客户端发送反向梯度，以使各客户端根据反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
根据本公开的第八方面，本公开提供一种搜索模型的训练装置，应用于第一客户端，包括：
第二向量表示生成模块，用于基于客户端初始网络生成对候选样本的第一向量表示；
向量表示发送模块，用于向服务端发送第一向量表示，以使服务端根据样本关键词以及候选样本的向量表示组，计算反向梯度，其中，候选样本的向量表示组中包括第一向量表示以及至少一个第二客户端对候选样本的第二向量表示；
客户端参数调整模块，用于根据服务端发送的反向梯度，调整客户端初始网络的参数，以得到客户端模型。
根据本公开的第九方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的第十方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的第十一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开实施例的技术方案可以在不涉及隐私数据的情况下利用其他节点的数据来进行搜索，从而增强搜索效果。
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为本公开一实施例中信息搜索方法的应用场景图；
图2为本公开一实施例中搜索模型的训练方法的流程图；
图3为本公开一实施例中搜索模型的训练方法的应用示例图；
图4为本公开一实施例中搜索模型的训练方法的流程图；
图5为本公开一实施例中信息搜索方法的流程图；
图6为本公开一实施例中信息搜索方法的流程图；
图7为本公开一实施例中信息搜索装置的框图；
图8为本公开一实施例中信息搜索装置的框图；
图9为本公开一实施例中搜索模型的训练装置的框图；
图10为本公开一实施例中搜索模型的训练装置的框图；
图11是用来实现本公开实施例的信息搜索方法或搜索模型的训练方法的电子设备的框图。
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。
图1示出本公开实施例的应用场景示意图。如图1所示，客户端101可以是硬件，如个人计算机、便携电脑、计算设备、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant，PDA)、车载设备、可穿戴设备、移动设备、小规模站点或数据库等；客户端也可以是软件，如安装于上述硬件上的应用程序(Application，APP)。服务端102可以提供各种服务，例如为客户端提供支持。
示例性地，每个客户端可看作一个信息节点，不同信息节点或不同客户端可能分别存在不能共享的隐私数据。客户端的隐私数据可以存储于该客户端的数据库中，如本地数据库或服务端数据库。需要说明的是，当客户端的隐私数据存储于服务端数据库时，需要对这些隐私数据进行加密。
本公开实施例旨在提供一种搜索模型的训练方法和信息搜索方法，可以实现在不涉及隐私数据的情况下利用其他信息节点的数据来增强搜索效果。
图2示出根据本公开实施例提供的搜索模型的训练方法的流程图。该搜索模型的训练方法可以应用于服务端102，如图2所示，该搜索模型的训练方法可以包括：
步骤S201、获取候选样本的向量表示组，其中，向量表示组中包括多个客户端对候选样本的向量表示；
步骤S202、将样本关键词以及候选样本的向量表示组输入服务端初始网络，以输出候选样本与样本关键词是否匹配的计算结果；
步骤S203、获取候选样本与样本关键词是否匹配的标注结果；
步骤S204、根据计算结果和标注结果计算反向梯度；
步骤S205、根据反向梯度调整服务端初始网络的参数，以得到服务端模型；
步骤S206、向各客户端发送反向梯度，以使各客户端根据反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
本实施例中，搜索模型可以包括客户端模型和服务端模型。每个客户端都具有自己的客户端模型，每个客户端分别训练自己的客户端初始网络得到其对应的客户端模型。服务端模型为服务端通过训练服务端初始网络而得到。
示例性地，初始网络可采用深度神经网络(Deep Neural Networks,DNN)。例如，如图3所示，客户端101A(节点A)、101B(节点B)、101C(节点C)分别具有客户端初始网络DNN层(layer)A1和A2、DNN layer B1和B2、DNN layer C1和C2。服务端具有服务端初始网络DNNlayer B3和B4。但客户端初始网络或服务端初始网络的结构和层数并不局限于此，可根据实际需求进行改变。
具体地，各客户端基于客户端初始网络生成对同一候选样本的向量表示，并发送给服务端。例如，客户端101A(节点A)、101B(节点B)和101C(节点C)分别在各自的数据库中查询出候选样本，如疾病名称X1，并分别利用各自的初始网络对候选样本疾病名称X1进行前向计算，得到向量表示Ea、Eb和Ec，并发送给服务端102。由此，服务端可以获取候选样本的向量表示组。例如：对于候选样本(疾病名称X1)，其对应的向量表示组即为[Ea,Eb,Ec]。
服务端将样本关键词以及候选样本的向量表示组输入服务端初始网络，继续进行前向计算，输出候选样本与样本关键词是否匹配的计算结果，并根据计算结果和标注结果通过损失函数计算反向梯度。
例如：针对候选样本疾病名称X1和样本关键词症状W1，服务端初始网络输入为[W,Ea,Eb,Ec]，输出为0或1的计算结果(标签)，其中，0表示不匹配，1表示匹配。针对候选样本疾病名称X1和样本关键词症状W1，其对应有标注结果，如0或1。通过损失函数可以计算反向梯度。
服务端利用反向梯度，调整服务端初始网络的参数，并服务端在计算得到反向梯度后，将反向梯度发送给各客户端。各客户端在接收到服务端发送的反向梯度后，完成客户端初始网络的梯度计算，并调整客户端初始网络的参数。在多轮调整后损失函数收敛，即训练完成，服务端得到训练好的服务端模型，各客户端分别得到训练好的客户端模型。
示例性地，客户端与服务端之间可以通过远程过程调用(Google RemoteProcedure Call，GRPC)实现数据传输和通信。
根据本公开实施例的技术方案，基于纵向联邦学习的思想实现了分布式深度学习(SplitNN)的搜索模型。搜索模型的前向计算和反向梯度更新独立开。客户端和服务端可以独立组网，各客户端中间也是独立组网。
在客户端完成前向计算后，将向量表示的结果上传到服务端，服务端基于收到的多个客户端的向量表示完成后续的前向计算，通过损失函数计算反向梯度，完成服务端服务端初始网络参数的更新，并将客户端的反向梯度通过GRPC通信返回。客户端在接收到服务端的反向梯度后完成客户端初始网络的梯度计算和参数更新。
在各客户端(信息节点)的数据库中存在不能共享的数据，如病例等隐私数据，也存在可以共享的数据，如疾病名称等公开信息。通过纵向联邦学习的训练方式，可以做到在各个信息节点不暴露自身隐私数据的前提下，联合不同信息节点中的数据进行模型的训练，进而提升专有领域内的搜索效果。
在一种实施方式中，在步骤S201中，获取候选样本的向量表示组，可以包括：针对任一客户端：在客户端的数据库中存在候选样本的情况下，获取客户端基于客户端初始网络所生成的对候选样本的向量表示；在客户端的数据库中不存在候选样本的情况下，采用随机噪声或预设值的方式，生成对候选样本的向量表示。
例如：针对候选样本，如疾病名称X2，客户端101A和101B的数据库中存在X2，则直接获取对应的向量表示，如Fa和Fb。但是，客户端101C的数据库中没有X2，则服务端可以通过随机噪声或者指定缺失值的方式，填充客户端101C对候选样本疾病X2的向量表示Fc。
在另一个示例中，也可以由数据库中不存在候选样本的客户端，采用随机噪声或预设值的方式，生成对候选样本的向量表示。例如，客户端101C通过随机噪声或者指定缺失值的方式，生成客户端101C对候选样本疾病名称X2的向量表示Fc，并发送给服务端。
示例性地，对于数据库中不存在候选样本的客户端，针对随机噪声或预设值的方式生成的向量表示而计算的反向梯度，该客户端并不进行参数调整或更新。例如：服务端在返回反向梯度时，不会将该反向梯度返回给该客户端；或者，虽然服务端向该客户端发送反向梯度，但该客户端并不进行参数调整或更新。
不同客户端之间的数据集合可能存在一定的差集，对于部分候选样本，可能存在缺失相关信息的客户端。通过上述方法可以填充缺失信息的客户端的向量表示，从而提升训练效率和训练精度。
图4示出根据本公开实施例提供的搜索模型的训练方法的流程图。该搜索模型的训练方法可以应用于第一客户端。如图4所示，该搜索模型的训练方法可以包括：
步骤S401、基于客户端初始网络生成对候选样本的第一向量表示；
步骤S402、向服务端发送第一向量表示，以使服务端根据样本关键词以及候选样本的向量表示组，计算反向梯度，其中，候选样本的向量表示组中包括第一向量表示以及至少一个第二客户端对候选样本的第二向量表示；
步骤S403、根据服务端发送的反向梯度，调整客户端初始网络的参数，以得到客户端模型。
其中，第一客户端可以是上述客户端101中的任一个，如客户端101A或101B或101C。除第一客户端以外的其他客户端可以作为第二客户端。
在一个批处理(batch，也可以叫批次)中，客户端会基于客户端初始网络进行前向计算，生成对候选样本的向量表示，其中，第一客户端的向量表示为第一向量表示，第二客户端的向量表示为第二向量表示。服务端会根据第一向量表示以及一个或多个第二向量表示继续向前计算，得到计算结果。
在一种实施方式中，在步骤S402中，根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，包括：在N个batch后，根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，其中，N为大于1的整数。
在训练过程中，由于不同信息节点(客户端)之间可能存在网络延时的差异，如果采用同步更新的方式会导致某些网络或数据处理能力较差节点拖慢整个系统的训练流程。因此在不同的信息节点更新反向梯度时，可以采用异步的方式进行更新。即客户端在进行N个batch的计算后进行一次反向梯度同步，可以节省训练时间，提升训练效率。
例如，每个客户端计算完1个batch后就将向量表示发送到服务端，然后计算下个batch，完成N个batch后等待服务端返回反向梯度并更新参数，服务端接收到客户端的向量表示后等待所有客户端当前batch的向量表示，然后进行计算并返回反向梯度给各个客户端，这样客户端不需要等待其他客户端完成当前batch才计算下个batch，而是完成N个batch后统一等待，这样省下的时间来自于每个batch中最慢的节点耗时之和减去计算N个batch的最慢节点耗时，因为每个客户端计算资源和网络可能有波动，每个batch中最慢的节点可能不是同一个。比如3个batch的计算中，节点A分别耗时3个时间单位、2个时间单位、3个时间单位，节点B分别耗时2个时间单位、3个时间单位、2个时间单位，那么每个batch同步计算的话总耗时是3+3+3＝9个时间单位，而采样上述方式进行异步计算的话总耗时是3+2+3＝8个时间单位。
图5示出根据本公开实施例的信息搜索方法的流程图。该信息搜索方法可以应用于服务端102，如图5所示，该信息搜索方法可以包括：
步骤S501、获取第一客户端的搜索关键词；
步骤S502、获取至少一个候选目标的向量表示组，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
步骤S503、根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标；
步骤S504、向第一客户端发送至少一个搜索目标，以使第一客户端根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
示例性地，用户在第一客户端101A输入用户搜索信息，如症状，第一客户端101A从用户搜索信息(如症状)中识别出搜索关键词，如症状关键词W2，并发送至服务端102。或者，第一客户端101A向服务端102发送用户输入的用户搜索信息，服务端102从用户搜索信息中识别出搜索关键词。
服务端102获取一个或多个候选目标的向量表示组。例如，候选目标为三个，分别为疾病名称X1、X2和X3。针对疾病名称X1，第一客户端101A以及第二客户端101B和101C的向量表示分别为Ea，Eb和Ec；针对疾病名称X2，第一客户端101A以及第二客户端101B和101C的向量表示分别为Fa，Fb和Fc；针对疾病名称X3，第一客户端101A以及第二客户端101B和101C的向量表示分别为Ga，Gb和Gc。进而，疾病名称X1、X2和X3的向量表示组分别为[Ea,Eb,Ec]、[Fa,Fb,Fc]和[Fa,Fb,Fc]。
服务端102根据症状关键词W2以及X1、X2和X3的向量表示组[Ea,Eb,Ec]、[Fa,Fb,Fc]和[Fa,Fb,Fc]，从疾病名称X1、X2和X3中筛选出搜索目标，如X1，并向第一客户端101A发送搜索目标X1。
第一客户端101A利用搜索目标X1在第一客户端101A的数据库中获取搜索结果，如第一客户端101A上存储的疾病名称为X1的病例。
其中，搜索目标可以是一个或多个，进而对应的搜索结果也可能是一个或多个。
服务端102在确定搜索目标时，可以从全部候选目标中筛选，也可以基于先验知识或简单匹配模型，根据搜索关键词过滤出部分候选目标，然后根据这些候选目标的向量表示组，从这些候选目标中筛选出搜索关键词匹配的搜索目标。
在一种实施方式中，本实施例的信息搜索方法还可以包括：针对任一候选目标，预先获取各客户端对候选目标的向量表示，并将预先获取的各向量表示作为候选目标的向量表示组存储于服务端。
将各候选目标的向量表示组预存于服务端，从而在确定搜索目标时，无需各客户端即时上传候选目标的向量表示，由此可以缩短搜索时间，提高搜索效率。
进一步地，预先获取各客户端对候选目标的向量表示，可以包括：针对任一客户端：在客户端的数据库中存在候选目标的情况下，获取客户端基于预先训练的客户端模型所生成的对候选目标的向量表示；在客户端的数据库中不存在候选目标的情况下，采用随机噪声或预设值的方式，生成对候选目标的向量表示。
例如，对于客户端101A和候选目标疾病名称X1，如果客户端101A的数据库中存在疾病名称X1的相关数据，则客户端101A基于预先训练的客户端模型生成对X1的向量表示，并上传至服务端102。如果客户端101A的数据库中不存在疾病名称X1的相关数据，则客户端101A采用随机噪声或预设值的方式生成对疾病名称X1的向量表示，并上传至服务端102。或者，服务端102采用随机噪声或预设值的方式生成客户端101对疾病名称X1的向量表示。
由此，可以在数据缺失的情况下实现搜索，提高搜索效率和准确率。
其中，客户端模型可以采用上述训练方法得到，在此不再赘述。
在一种实施方式中，在步骤S503中，根据搜索关键词以及至少一个向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标，包括：针对任一候选目标，根据搜索关键词以及候选目标的向量表示组，基于预先训练的服务端模型，预测候选目标与搜索关键词的匹配结果；根据至少一个候选目标的匹配结果，从至少一个候选目标中筛选出至少一个搜索目标。
例如：服务端102将症状关键词W2以及X1、X2和X3的向量表示组[Ea,Eb,Ec]、[Fa,Fb,Fc]和[Fa,Fb,Fc]输入服务端模型，即将[W2,Ea,Eb,Ec]、[W2,Fa,Fb,Fc]和[W2,Fa,Fb,Fc]分别输入服务端模型，从而得到相应的匹配结果，如1,0,0,0。由此，可以确定搜索目标为疾病名称X1。
搜索目标也可以是多个，例如，匹配结果为1,1,0,0时，搜索目标为疾病名称X1和X2。
基于服务端模型进行匹配和筛选，可以提高匹配效率。其中，服务端模型可以采用上述训练方法得到，在此不再赘述。
图6示出本公开实施例的信息搜索方法的流程图。该信息搜索方法可以应用于第一客户端，如图6所示，该信息搜索方法可以包括：
步骤S601、根据用户搜索信息生成搜索关键词；
步骤S602、向服务端发送搜索关键词，以使服务端根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
步骤S603、接收服务端发送的至少一个搜索目标；
步骤S604、根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
在一种实施方式中，该信息搜索方法可以包括：针对任一候选目标，基于预先训练的客户端模型，生成对候选目标的向量表示；向服务端发送对候选目标的向量表示。
其中，第一客户端可以是上述客户端101中的任一个，如客户端101A或101B或101C。除第一客户端以外的其他客户端可以作为第二客户端。客户端的信息搜索方法可参照上述服务端的信息搜索方法的相关描述，在此不再赘述。
本公开实施例中，搜索模型由客户端模型和服务端模型两部分构成，其中各个客户端拥有自己的客户端模型，并共享服务端模型。不同客户端在各自的环境基于数据库和客户端模型得到对同一个候选目标的不同向量表示(私有向量表示)，并上传至服务端。服务端的服务端模型基于搜索关键词等公开信息和各个客户端提供的私有向量表示进行搜索目标的确定，并将搜索目标返回给客户端，客户端基于搜索目标在数据库中进行搜索。由此，可以实现在不涉及隐私数据的情况下利用其他节点的数据来进行搜索，从而增强搜索效果。
图7示出根据本公开实施的信息搜索装置700的框图，该信息搜索装置700可以应用于服务端。如图7所示，该信息搜索装置700包括：
搜索关键词获取模块701，用于获取第一客户端的搜索关键词；
第一向量表示组获取模块702，用于获取至少一个候选目标的向量表示组，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标筛选模块703，用于根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标；
搜索目标发送模块704，用于向第一客户端发送至少一个搜索目标，以使第一客户端根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
在一种实施方式中，该信息搜索装置还包括：
预存储模块，用于针对任一候选目标，预先获取各客户端对候选目标的向量表示，并将预先获取的各向量表示作为候选目标的向量表示组存储于服务端。
在一种实施方式中，预存储模块用于：
针对任一客户端：在客户端的数据库中存在候选目标的情况下，获取客户端基于预先训练的客户端模型所生成的对候选目标的向量表示；在客户端的数据库中不存在候选目标的情况下，采用随机噪声或预设值的方式，生成对候选目标的向量表示。
在一种实施方式中，搜索目标筛选模块703包括：
匹配结果预测单元，用于针对任一候选目标，根据搜索关键词以及候选目标的向量表示组，基于预先训练的服务端模型，预测候选目标与搜索关键词的匹配结果；
搜索目标筛选单元，用于根据至少一个候选目标的匹配结果，从至少一个候选目标中筛选出至少一个搜索目标。
图8示出根据本公开实施的信息搜索装置800的框图，该信息搜索装置800可以应用于第一客户端，如图8所示，该信息搜索装置800包括：
搜索关键词生成模块801，用于根据用户搜索信息生成搜索关键词；
搜索关键词发送模块802，用于向服务端发送搜索关键词，以使服务端根据搜索关键词以及至少一个候选目标的向量表示组，从至少一个候选目标中筛选出与搜索关键词匹配的至少一个搜索目标，其中，向量表示组中包括第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标接收模块803，用于接收服务端发送的至少一个搜索目标；
搜索结果获取模块804，用于根据至少一个搜索目标从第一客户端的数据库中获取搜索结果。
在一种实施方式中，该信息搜索装置还包括：
第一向量表示生成模块，用于针对任一候选目标，基于预先训练的客户端模型，生成对候选目标的向量表示；
向量表示发送模块，用于向服务端发送对候选目标的向量表示。
图9示出根据本公开实施的搜索模型的训练装置900的框图，该训练装置900可以应用于服务端。如图9所示，该训练装置900可以包括：
第二向量表示组获取模块901，用于获取候选样本的向量表示组，其中，向量表示组中包括多个客户端对候选样本的向量表示；
计算结果确定模块902，用于将样本关键词以及候选样本的向量表示组输入服务端初始网络，以输出候选样本与样本关键词是否匹配的计算结果；
标注结果获取模块903，用于获取候选样本与样本关键词是否匹配的标注结果；
反向梯度计算模块904，用于根据计算结果和标注结果计算反向梯度；
服务端参数调整模块905，用于根据反向梯度调整服务端初始网络的参数，以得到服务端模型；
反向梯度发送模块906，用于向各客户端发送反向梯度，以使各客户端根据反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
在一种实施方式中，第二向量表示组获取模块901用于：
针对任一客户端：在客户端的数据库中存在候选样本的情况下，获取客户端基于客户端初始网络所生成的对候选样本的向量表示；在客户端的数据库中不存在候选样本的情况下，采用随机噪声或预设值的方式，生成对候选样本的向量表示。
图10示出根据本公开实施的搜索模型的训练装置1000的框图，该训练装置1000可以应用于第一客户端。如图10所示，该训练装置1000可以包括：
第二向量表示生成模块1001，用于基于客户端初始网络生成对候选样本的第一向量表示；
向量表示发送模块1002，用于向服务端发送第一向量表示，以使服务端根据样本关键词以及候选样本的向量表示组，计算反向梯度，其中，候选样本的向量表示组中包括第一向量表示以及至少一个第二客户端对候选样本的第二向量表示；
客户端参数调整模块1003，用于根据服务端发送的反向梯度，调整客户端初始网络的参数，以得到客户端模型。
在一种实施方式汇总，客户端参数调整模块1003用于：
在N个batch后，根据服务端发送的反向梯度，调整客户端初始网络的参数，其中，N为大于1的整数。
本公开实施例各装置中的各单元、模块或子模块的功能和效果可以参见上述方法实施例中的对应描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如信息搜索方法或搜索模型的训练方法。例如，在一些实施例中，信息搜索方法或搜索模型的训练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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的信息搜索方法或搜索模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息搜索方法或搜索模型的训练方法。
本文中以上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)、复杂可编程逻辑设备(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。程序代码可以完全在机器上执行、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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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 (23)
1.一种信息搜索方法，应用于服务端，包括：
获取第一客户端的搜索关键词；
获取至少一个候选目标的向量表示组，其中，所述向量表示组中包括所述第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
根据所述搜索关键词以及所述至少一个候选目标的向量表示组，从所述至少一个候选目标中筛选出与所述搜索关键词匹配的至少一个搜索目标；
向所述第一客户端发送所述至少一个搜索目标，以使所述第一客户端根据所述至少一个搜索目标从所述第一客户端的数据库中获取搜索结果。
2.根据权利要求1所述的方法，还包括：
针对任一候选目标，预先获取各客户端对所述候选目标的向量表示，并将预先获取的各向量表示作为所述候选目标的向量表示组存储。
3.根据权利要求2所述的方法，预先获取各客户端对所述候选目标的向量表示，包括：
针对任一客户端：
在所述客户端的数据库中存在所述候选目标的情况下，获取所述客户端基于预先训练的客户端模型所生成的对所述候选目标的向量表示；
在所述客户端的数据库中不存在所述候选目标的情况下，采用随机噪声或预设值的方式，生成对所述候选目标的向量表示。
4.根据权利要求1所述的方法，其中，根据所述搜索关键词以及所述至少一个候选目标的向量表示组，从所述至少一个候选目标中筛选出与所述搜索关键词匹配的至少一个搜索目标，包括：
针对任一候选目标，根据所述搜索关键词以及所述候选目标的向量表示组，基于预先训练的服务端模型，预测所述候选目标与所述搜索关键词的匹配结果；
根据所述至少一个候选目标的匹配结果，从所述至少一个候选目标中筛选出所述至少一个搜索目标。
5.一种信息搜索方法，应用于第一客户端，包括：
根据用户搜索信息生成搜索关键词；
向服务端发送所述搜索关键词，以使所述服务端根据所述搜索关键词以及至少一个候选目标的向量表示组，从所述至少一个候选目标中筛选出与所述搜索关键词匹配的至少一个搜索目标，其中，所述向量表示组中包括所述第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
接收服务端发送的至少一个搜索目标；
根据所述至少一个搜索目标从所述第一客户端的数据库中获取搜索结果。
6.根据权利要求5所述的方法，还包括：
针对任一候选目标，基于预先训练的客户端模型，生成对所述候选目标的向量表示；
向所述服务端发送对所述候选目标的向量表示。
7.一种搜索模型的训练方法，应用于服务端，包括：
获取候选样本的向量表示组，其中，所述向量表示组中包括多个客户端对所述候选样本的向量表示；
将样本关键词以及所述候选样本的向量表示组输入服务端初始网络，以输出所述候选样本与所述样本关键词是否匹配的计算结果；
获取所述候选样本与所述样本关键词是否匹配的标注结果；
根据所述计算结果和所述标注结果计算反向梯度；
根据所述反向梯度调整所述服务端初始网络的参数，以得到服务端模型；
向各客户端发送所述反向梯度，以使各客户端根据所述反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
8.根据权利要求7所述的训练方法，其中，获取候选样本的向量表示组，包括：
针对任一客户端：
在所述客户端的数据库中存在所述候选样本的情况下，获取所述客户端基于客户端初始网络所生成的对所述候选样本的向量表示；
在所述客户端的数据库中不存在所述候选样本的情况下，采用随机噪声或预设值的方式，生成对所述候选样本的向量表示。
9.一种搜索模型的训练方法，应用于第一客户端，包括：
基于客户端初始网络生成对候选样本的第一向量表示；
向服务端发送所述第一向量表示，以使所述服务端根据样本关键词以及所述候选样本的向量表示组，计算反向梯度，其中，所述候选样本的向量表示组中包括所述第一向量表示以及至少一个第二客户端对所述候选样本的第二向量表示；
根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，以得到客户端模型。
10.根据权利要求9所述的训练方法，其中，根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，包括：
在N个批处理后，根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，其中，N为大于1的整数。
11.一种信息搜索装置，应用于服务端，包括：
搜索关键词获取模块，用于获取第一客户端的搜索关键词；
第一向量表示组获取模块，用于获取至少一个候选目标的向量表示组，其中，所述向量表示组中包括所述第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标筛选模块，用于根据所述搜索关键词以及所述至少一个候选目标的向量表示组，从所述至少一个候选目标中筛选出与所述搜索关键词匹配的至少一个搜索目标；
搜索目标发送模块，用于向所述第一客户端发送所述至少一个搜索目标，以使所述第一客户端根据所述至少一个搜索目标从所述第一客户端的数据库中获取搜索结果。
12.根据权利要求11所述的装置，还包括：
预存储模块，用于针对任一候选目标，预先获取各客户端对所述候选目标的向量表示，并将预先获取的各向量表示作为所述候选目标的向量表示组存储于所述服务端。
13.根据权利要求12所述的装置，所述预存储模块用于：
针对任一客户端：
在所述客户端的数据库中存在所述候选目标的情况下，获取所述客户端基于预先训练的客户端模型所生成的对所述候选目标的向量表示；在所述客户端的数据库中不存在所述候选目标的情况下，采用随机噪声或预设值的方式，生成对所述候选目标的向量表示。
14.根据权利要求11所述的装置，其中，所述搜索目标筛选模块包括：
匹配结果预测单元，用于针对任一候选目标，根据所述搜索关键词以及所述候选目标的向量表示组，基于预先训练的服务端模型，预测所述候选目标与所述搜索关键词的匹配结果；
搜索目标筛选单元，用于根据所述至少一个候选目标的匹配结果，从所述至少一个候选目标中筛选出所述至少一个搜索目标。
15.一种信息搜索装置，应用于第一客户端，包括：
搜索关键词生成模块，用于根据用户搜索信息生成搜索关键词；
搜索关键词发送模块，用于向服务端发送所述搜索关键词，以使所述服务端根据所述搜索关键词以及至少一个候选目标的向量表示组，从所述至少一个候选目标中筛选出与所述搜索关键词匹配的至少一个搜索目标，其中，所述向量表示组中包括所述第一客户端以及至少一个第二客户端对同一候选目标的向量表示；
搜索目标接收模块，用于接收服务端发送的至少一个搜索目标；
搜索结果获取模块，用于根据所述至少一个搜索目标从所述第一客户端的数据库中获取搜索结果。
16.根据权利要求15所述的装置，还包括：
第一向量表示生成模块，用于针对任一候选目标，基于预先训练的客户端模型，生成对所述候选目标的向量表示；
向量表示发送模块，用于向所述服务端发送对所述候选目标的向量表示。
17.一种搜索模型的训练装置，应用于服务端，包括：
第二向量表示组获取模块，用于获取候选样本的向量表示组，其中，所述向量表示组中包括多个客户端对所述候选样本的向量表示；
计算结果确定模块，用于将样本关键词以及所述候选样本的向量表示组输入服务端初始网络，以输出所述候选样本与所述样本关键词是否匹配的计算结果；
标注结果获取模块，用于获取所述候选样本与所述样本关键词是否匹配的标注结果；
反向梯度计算模块，用于根据所述计算结果和所述标注结果计算反向梯度；
服务端参数调整模块，用于根据所述反向梯度调整所述服务端初始网络的参数，以得到服务端模型；
反向梯度发送模块，用于向各客户端发送所述反向梯度，以使各客户端根据所述反向梯度调整各自的客户端初始网络的参数，分别得到相应的客户端模型。
18.根据权利要求17所述的训练装置，其中，所述第二向量表示组获取模块用于：
针对任一客户端：
在所述客户端的数据库中存在所述候选样本的情况下，获取所述客户端基于客户端初始网络所生成的对所述候选样本的向量表示；在所述客户端的数据库中不存在所述候选样本的情况下，采用随机噪声或预设值的方式，生成对所述候选样本的向量表示。
19.一种搜索模型的训练装置，应用于第一客户端，包括：
第二向量表示生成模块，用于基于客户端初始网络生成对候选样本的第一向量表示；
向量表示发送模块，用于向服务端发送所述第一向量表示，以使所述服务端根据样本关键词以及所述候选样本的向量表示组，计算反向梯度，其中，所述候选样本的向量表示组中包括所述第一向量表示以及至少一个第二客户端对所述候选样本的第二向量表示；
客户端参数调整模块，用于根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，以得到客户端模型。
20.根据权利要求19所述的训练装置，其中，客户端参数调整模块用于：
在N个批处理后，根据所述服务端发送的反向梯度，调整所述客户端初始网络的参数，其中，N为大于1的整数。
21.一种电子设备，其特征在于，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1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210100391.9A CN114428907A (zh) | 2022-01-27 | 2022-01-27 | 信息搜索方法、装置、电子设备及存储介质 |
| PCT/CN2022/107156 WO2023142399A1 (zh) | 2022-01-27 | 2022-07-21 | 信息搜索方法、装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210100391.9A CN114428907A (zh) | 2022-01-27 | 2022-01-27 | 信息搜索方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114428907A true CN114428907A (zh) | 2022-05-03 |
Family
ID=81312909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210100391.9A Pending CN114428907A (zh) | 2022-01-27 | 2022-01-27 | 信息搜索方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114428907A (zh) |
| WO (1) | WO2023142399A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861057A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源发送方法、推荐模型的训练及装置 |
| WO2023142399A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索系统 |
| CN112560496A (zh) * | 2020-12-09 | 2021-03-26 | 北京百度网讯科技有限公司 | 语义分析模型的训练方法、装置、电子设备及存储介质 |
| CN112989170A (zh) * | 2021-03-24 | 2021-06-18 | 北京百度网讯科技有限公司 | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 |
| CN113032819A (zh) * | 2019-12-09 | 2021-06-25 | 阿里巴巴集团控股有限公司 | 搜索提示词的确定方法、系统以及信息处理方法 |
| US20210216561A1 (en) * | 2020-08-21 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information search method and apparatus, device and storage medium |
| CN113297175A (zh) * | 2021-05-26 | 2021-08-24 | Oppo广东移动通信有限公司 | 数据处理方法、装置、系统和可读存储介质 |
| CN113516491A (zh) * | 2020-04-09 | 2021-10-19 | 百度在线网络技术（北京）有限公司 | 推广信息展示方法、装置、电子设备及存储介质 |
| CN113761220A (zh) * | 2021-05-08 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 信息获取方法、装置、设备及存储介质 |
| CN113836446A (zh) * | 2021-09-23 | 2021-12-24 | 北京百度网讯科技有限公司 | 出行信息的向量化表示方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190317825A1 (en) * | 2018-04-16 | 2019-10-17 | Kazuhm, Inc. | System for managing deployment of distributed computing resources |
| CN110516161B (zh) * | 2019-08-30 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN114428907A (zh) * | 2022-01-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-27 CN CN202210100391.9A patent/CN114428907A/zh active Pending
- 2022-07-21 WO PCT/CN2022/107156 patent/WO2023142399A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032819A (zh) * | 2019-12-09 | 2021-06-25 | 阿里巴巴集团控股有限公司 | 搜索提示词的确定方法、系统以及信息处理方法 |
| CN113516491A (zh) * | 2020-04-09 | 2021-10-19 | 百度在线网络技术（北京）有限公司 | 推广信息展示方法、装置、电子设备及存储介质 |
| US20210216561A1 (en) * | 2020-08-21 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information search method and apparatus, device and storage medium |
| CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索系统 |
| CN112560496A (zh) * | 2020-12-09 | 2021-03-26 | 北京百度网讯科技有限公司 | 语义分析模型的训练方法、装置、电子设备及存储介质 |
| CN112989170A (zh) * | 2021-03-24 | 2021-06-18 | 北京百度网讯科技有限公司 | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 |
| CN113761220A (zh) * | 2021-05-08 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 信息获取方法、装置、设备及存储介质 |
| CN113297175A (zh) * | 2021-05-26 | 2021-08-24 | Oppo广东移动通信有限公司 | 数据处理方法、装置、系统和可读存储介质 |
| CN113836446A (zh) * | 2021-09-23 | 2021-12-24 | 北京百度网讯科技有限公司 | 出行信息的向量化表示方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023142399A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备 |
| CN114861057A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 资源发送方法、推荐模型的训练及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023142399A1 (zh) | 2023-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200109230A (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
| CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN112631775A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| CN112528995A (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
| CN116562249A (zh) | 表单生成方法、装置、电子设备和介质 | |
| CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
| CN114239853A (zh) | 模型训练方法、装置、设备、存储介质以及程序产品 | |
| CN111160552B (zh) | 新闻信息的推荐处理方法、装置、设备和计算机存储介质 | |
| CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
| CN114816393B (zh) | 信息生成方法、装置、设备以及存储介质 | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN113691403B (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
| CN113656689A (zh) | 模型生成方法和网络信息的推送方法 | |
| CN112507676B (zh) | 能源报表生成方法、装置、电子设备和计算机可读介质 | |
| CN111026629A (zh) | 一种测试脚本自动生成的方法和装置 | |
| CN113780827A (zh) | 一种物品筛选方法、装置、电子设备及计算机可读介质 | |
| CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
| CN111582480A (zh) | 用于对模型剪枝的方法和装置 | |
| CN113360770B (zh) | 内容推荐的方法、装置、设备以及存储介质 | |
| CN114861057B (zh) | 资源发送方法、推荐模型的训练及装置 | |
| CN111131354A (zh) | 用于生成信息的方法和装置 | |
| US20230419118A1 (en) | Intelligent scaling factors for use with evolutionary strategies-based artificial intelligence (ai) | |
| CN115936091B (zh) | 深度学习模型的训练方法、装置、电子设备以及存储介质 | |
| CN114139039B (zh) | 服务稳定性确定方法、装置、设备以及存储介质 |
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 |