JP7203981B2 - 地理位置を検索するための類似性モデル作成方法、装置、電子デバイス、記憶媒体およびプログラム - Google Patents

Description

相互参照

本願は、出願日が２０２０年４月２４日であり、出願番号が２０２０１０３３５１９８４であり、発明名称が「地理位置を検索するための類似性モデル作成方法および装置」である中国特許出願の優先権を主張する。

本願は、コンピュータ応用の技術分野に関し、特に、人工知能の技術分野に関する。

マップ類型のアプリケーションの場合、地理位置の検索は、ユーザにより最も頻繁に使用される機能の１つである。クライアント側でもウェブページ側でも、ユーザが検索機能の入り口でテキストや音声で検索語を入力することで、地理位置を検索することができる。

地理位置を検索するための従来の方法は、通常、検索語と地理位置名称との間の類似性に基づいて実現される。現在、地理位置を検索するための類似性モデルを作成する場合、履歴クリックログに基づく実装方式が採用されている。この方式は、大規模なクリックデータに依存しているため、頻繁に出現されクリックされる地理位置について、モデルが検索結果のランキングに非常に良い効果を有している。但し、出現回数が少ない地理位置、または一度も出現したことがない地理位置の場合、モデルの検索結果は非常に悪くなり、つまり、履歴クリックログが少ない地理位置検索のコールドスタート問題は実現できない。

これに鑑って、本願は、履歴クリックログが少ない地理位置検索のコールドスタート問題を解決するように、地理位置を検索するための類似性モデル作成方法、装置、デバイス、コンピュータ記憶媒体およびプログラムを提供した。

第一の局面では、履歴クリックログから、検索語と、ポジティブサンプルとする検索語に対応するクリックされた地理位置と、ネガティブサンプルとするクリックされていない地理位置を含むトレーニングデータを取得することと、
履歴閲覧ログを使用して、地理位置間の共起関係に基づいて前記ポジティブサンプルと前記ネガティブサンプルを拡張することと、
拡張されたトレーニングサンプルを使用して第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルを取得することと、を含み、
ここで、前記トレーニングは、
第１のニューラルネットワークを使用して検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定することと、
前記検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性である第１の類似性と、前記検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である第２の類似性の差別を最大化するように、前記第１のニューラルネットワークと前記第２のニューラルネットワークをトレーニングすることと、を含む
地理位置を検索するための類似性モデル作成方法を提供した。

第二の局面では、履歴クリックログから、検索語と、ポジティブサンプルとする検索語に対応するクリックされた地理位置と、ネガティブサンプルとするクリックされていない地理位置を含むトレーニングデータを取得するサンプル取得ユニットと、
履歴閲覧ログを使用して、地理位置間の共起関係に基づいて前記ポジティブサンプルと前記ネガティブサンプルを拡張するサンプル拡張ユニットと、
拡張されたトレーニングサンプルを使用して第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルを取得し、具体的に、
第１のニューラルネットワークを使用して検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定することと、
前記検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性である第１の類似性と、前記検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である第２の類似性の差別を最大化するように、前記第１のニューラルネットワークと前記第２のニューラルネットワークをトレーニングすることと、を実行するモデルトレーニングユニットと、を含むことを特徴とする地理位置を検索するための類似性モデル作成装置を提供した。

第三の局面では、少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサと通信可能に接続されたメモリとを含み、
前記メモリは、前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに前記のいずれか一項に記載の方法を実行させる命令を記憶する電子デバイスを提供した。

第四の局面では、コンピュータに前記のいずれか一項に記載の方法を実行させるコンピュータ命令を記憶する非一時的なコンピュータ読み取り可能な記憶媒体を提供した。
第五の局面では、プロセッサによって前記いずれか一項に記載の方法を実現するコンピュータプログラムを提供した。

上記の技術案から、履歴クリックログが少ない地理位置検索のコールドスタートの問題を解決するために、歴史クリックログに加えて、歴史閲覧ログをモデルトレーニングプロセスに導入し、地理位置間の関連を共起関係を閲覧することによって作成し、それによりトレーニングデータを拡張して類似性モデルをトレーニングすることがわかる。

上述オプションの方法の他の効果は、具体的な実施例を結合して以下に説明される。

図面は、本願をよりよく理解するためのものであり、本願を限定するものではない。
図１は、本発明の実施例を適用できる例示的なシステムアーキテクチャを示している。 図２は、本願の実施例一に提供される類似性モデルの原理概略図である。 図３は、本願の実施例二に提供される類似モデルをトレーニングする方法フローチャートである。 図４は、本願の実施例二に提供される語意図の概略図である。 図５は、本願の実施例二に提供される類似性モデルをトレーニングする原理の概略図である。 図６は、本願の実施例に提供される地理位置を検索する装置構造図である。 図７は、本願の実施例を実現するための電子デバイスのブロック図である。

以下、理解を容易にするための本願の実施例の様々な詳細を含んで添付の図面を参照して本願の例示的な実施例を説明し、これらの例示は、単に例示的なものと見なされるべきである。したがって、当業者は、本願の範囲および精神から逸脱されなく、本明細書に記載の実施例に対して様々な変更および修正を行うことができることが理解されるべきである。同様に、明確と簡潔のために、公知機能と構造の説明は、以下の説明では省略されている。

図１は、本発明の実施例を適用できる例示的なシステムアーキテクチャを示している。図１に示すように、このシステムアーキテクチャは、端末装置１０１および１０２、ネットワーク１０３、およびサーバ１０４を含むことができる。ネットワーク１０３は、端末装置１０１、１０２とサーバ１０４との間に通信リンクの媒体を提供するために使用される。ネットワーク１０３は、例えば有線、無線通信リンク、または光ファイバーケーブルなどの様々な接続タイプを含むことができる。

ユーザは、端末装置１０１および１０２を使用して、ネットワーク１０３を介してサーバ１０４と対話することができる。端末装置１０１、１０２には、マップ型アプリケーション、音声対話型アプリケーション、ウェブブラウザアプリケーション、通信型アプリケーションなど、様々なアプリケーションがインストールされてもよい。

端末装置１０１および１０２は、マップ型アプリケーションをサポートして表現できる様々な電子装置であり、スマートフォン、タブレットコンピュータ、スマートウェアラブル装置などを含むが、これらに限定されない。本発明に提供される装置は、上述のサーバ１０４において設定されて作動されることができる。これは、複数のソフトウェアまたはソフトウェアモジュール（例えば、分散サービスを提供するため）として実現してもよく、または単一のソフトウェアまたはソフトウェアモジュールとして実現してもよい、ここでは特に限定されない。

例えば、類似性モデル作成装置は、上記のサーバ１０４に設置されて作動され、サーバ１０４は、ユーザがマップ型アプリケーションを使用する関連の行動を取得して記録することができ、それにより、例えば履歴クリックログ、履歴閲覧ログなどを形成することができる。そして、これらの情報を使用して類似性モデルを作成し、この類似性モデルは、検索語を含む検索要求を受信した後、この検索語に対して、地理位置の検索を実現するために使用される。例えば、サーバ１０４は、端末装置１０１または１０２の検索要求を受信することができ、この検索要求には検索語を含む。地理位置を検索する装置は、本発明の実施例で提供される方法を使用して地理位置を検索し、検索結果を端末装置１０１または１０２に返す。地図データベースは、サーバ１０４側で維持され、当該地図データベースは、サーバ１０４にローカルに保存されてもよく、他のサーバに保存されてサーバ１０４によって呼び出されてもよい。

サーバ１０４は、単一のサーバであってもよいし、複数のサーバからなるサーバ群であってもよい。図１における端末装置、ネットワーク、およびサーバの数は、単なる例示であることを理解されたい。実現のニーズに応じて、任意数の端末デバイス、ネットワーク、およびサーバを有することができる。

クリック数が少ない地理位置、クリックされていない地理位置（例えば新たに出現する地理位置など）でも、良好な検索ランキング結果を得るために、本願では、既存の高頻度でクリックされた地理位置と、低頻度またはクリックされていない地理位置を別の観点から関連付けている。したがって、本願の中心は、履歴クリックログに加えて、モデルトレーニングプロセスに履歴閲覧ログを導入し、共起関係を閲覧することにより地理位置間の関連付けを作成し、類似性モデルをトレーニングするようにトレーニングデータを拡張することにある。本願で提供される方法および装置は、実施例を結合して以下に詳細に説明される。

類似性モデルの作成方法を容易に理解するために、まず、実施例一を結合して本願が基礎とする類似性モデル、すなわち、本願に作成される類似性モデルの構造及び原理について説明する。

実施例一、
本願で提供される類似モデルは、ユーザが入力した検索語を受信した後、トレーニングされた類似性モデルを使用してユーザが入力した検索語にマッチングする地理位置を検索し、地理位置検索を実現する。この出願で提供される類似性モデルは、少なくとも第１のニューラルネットワークおよび第２のニューラルネットワークを含む。第１のニューラルネットワークは、検索語のベクトル表示を決定し、第２のニューラルネットワークは、地図データベース中の各地理位置のベクトル表示を決定する。次に、検索語のベクトル表示と各地理位置のベクトル表示との類似性が計算され、類似性に基づいて検索された地理位置が決定される。

以下、図２に示すように、好ましい類似性モデルの概略構造図を提供する。ユーザが入力した検索語を取得すると、キャラクターベクトル表示辞書（図面では「辞書」と表記）を用いてユーザが入力した検索語の各キャラクターのベクトル表示を決定する。

この実施例では、キャラクターベクトル表示辞書は各キャラクターを同じベクトル表示にマッピングする。このキャラクターベクトル表示辞書は、異なる言語に対して作成することができる。好ましい実施例として、言語間の地理位置検索のニーズを満たすために、本願の実施例で使用されるキャラクターベクトル表示辞書は、国際キャラクターベクトル表示辞書であり得る。国際キャラクターベクトル表示辞書は、少なくとも２つの言語のキャラクターを同じベクトル空間にマッピングするために使用され、各種の異なる言語のキャラクターを定量化するときに一つのベクトル表示を定量化して取得することができる。すべての言語のキャラクターをマッピングすることによって得られるベクトル表示は、同じ次元を有している。

ユーザが「ＫＦＣ」という検索語を入力することを例にとると、国際キャラクターベクトル表示辞書をそれぞれ使用して「Ｋ」のキャラクターベクトル表示、「Ｆ」のキャラクターベクトル表示、および「Ｃ」のキャラクターベクトル表示を決定する。
ｃがキャラクターであると仮定すると、そのキャラクターは辞書でサポートされている任意の言語のキャラクターであり、Ｃはｃに対応するベクトル表示であり、Ｃは次のように表される。

Ｃ＝Ｄ（ｃ）であり、
ただし、Ｄ（ｃ）は国際キャラクターベクトル表示辞書で採用されているマッピング関数である。

同様に、地図データベース中の各地理位置の説明テキストの各キャラクターも、キャラクターベクトル表示辞書を介して各キャラクターのベクトル表示にマッピングできる。好ましくは、キャラクターベクトル表示辞書は、国際キャラクターベクトル表示辞書を採用する。ここで、本願に関する地理位置は、地図データベース中の地理位置を含み、マップ型アプリケーション中の地理位置ポイントを指す。この地理位置ポイントはユーザが検索、閲覧することに供えており、ユーザへ推奨されるなどができる。これらの地理位置ポイントには、緯度と経度、名称、行政アドレス、タイプなどの基本的な属性を有する。ここで地理位置ポイントは、ＰＯＩ（Ｐｏｉｎｔ Ｏｆ Ｉｎｔｅｒｅｓｔ、関心点）、ＡＯＩ（Ａｒｅａ ｏｆ Ｉｎｔｅｒｅｓｔ、関心面）、ＲＯＩ（Ｒｅｇｉｎ ｏｆ Ｉｎｔｅｒｅｓｔ、関心領域）などが含まれるが、これらに限定されない。

検索処理において、名称で地理位置と検索語とをマッチングするだけでなく、他の地理位置の説明情報も検索語とマッチングすることを検索することを実現することができるように、本願では、地理位置の説明テキスト中の各キャラクターをそれぞれベクトル表示に決定した後、さらに地理位置のベクトル表示を決定することである。ここで、説明テキストは、名称、ラベル、アドレス、評価、および写真説明テキストのうちの少なくとも１つを含むことができるが、これらに限定されない。これらの説明テキスト情報も地図データに保存され、維持される。

例えば、「ＫＦＣ（西直門南街店）」という地理位置ポイントの場合、説明テキストには次のものが含まれる。

名称-「ＫＦＣ（西直門南街店）」、
アドレス-「北京市西城区西直門南街甲１５－６号２階」，
ラベル－「チェーン」、「交通便利」、「仕事の食事」、「洋食のファーストフード」など、
評価－「味が良い」、「人気がある」、「親子に適している」など。
・・・

上記の説明テキスト中の各キャラクターは、国際キャラクターベクトル表示辞書を介して各キャラクターのベクトル表示にマッピングできる。

検索語の各キャラクターのベクトル表示を第１のニューラルネットワークに入力し、検索語のベクトル表示を出力として取得する。地理位置の説明テキストの各キャラクターのベクトル表示を第２のニューラルネットワークに入力し、この地理位置のベクトル表示を取得する。このようにして、地図データベースの各地理位置のベクトル表示をそれぞれ取得できる。

本願は、２つのニューラルネットワークの出力ベクトルの次元が一致している限り、第１のニューラルネットワークと第２のニューラルネットワークのタイプを制限していない。例えば、２つのニューラルネットワークは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、畳み込みニューラルネットワーク）、ＥＲＮＩＥ（Ｅｎｈａｎｃｅｄ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｔｈｒｏｕｇｈ ｋＮｏｗｌｅｄｇｅ ＩｎｔＥｇｒａｔｉｏｎ、知識拡張語意表示モデル）を使用できる。また、本願の実施例に関する「第１」、「第２」等の限定は、名称の区別のみを目的としており、順序、数量、重要性等の意味を限定するものではない。

検索語が一連のｍ個のキャラクターｑ_１，ｑ_２，．．．，ｑ_ｍで構成され、ある地理位置の説明テキストはｎ個のｐ_１，ｐ_２，．．．，ｐ_ｎキャラクターで構成されると仮定すると、対応するキャラクターベクトル表示を取得した後、それぞれが一つのニューラルネットワーク（Ｇ（ ）は問い合わせ用語に対応するニューラルネットワークであり、Ｈ（ ）は地理位置に対応するニューラルネットワークであるとする）を通して、次元が同じベクトルｙとｚを取得する。

Ｇ（ｑ_１，ｑ_２，…，ｑ_ｍ）＝ｙ
Ｈ（ｐ_１，ｐ_２，…，ｐ_ｎ）＝ｚ
また、地図データベース中の各地理位置のベクトル表示は、検索プロセス中にリアルタイムで決定できる。しかしながら、好ましくは、予め決定した後、検索プロセスで直接に呼び出すことができる。すなわち、地理データベース中の各地理位置のベクトル表示が、事前にオフラインで実行されたプロセスであると決定される。

次に、検索語のベクトル表示と地図データベース中の各地理位置のベクトル表示の間の類似性を決定する。例えばコサイン類似性などの方式を使用して、ベクトルｙとｚとの間の類似性ｓを定量化できる。

ｓ＝Ｓ（ｑ_１，ｑ_２，…，ｑ_ｍ；ｐ_１，ｐ_２，…，ｐ_ｎ）
＝ｃｏｓｉｎｅ（ｙ，ｚ）
最後に、決定された類似性に従って、検索された地理位置が決定される。類似性は、地理位置ランキングの基礎として独立して使用することも、独立しない方法で使用することもできる。つまり、類似性は、特徴ベクトルの１つによって既存のランキングモデルに統合することができる。

地理位置のランキングの基準として類似性を独立して使用する場合、類似性に従って上位から下位に、各地理位置をランキングすることができ、ランキング結果に従って検索された地理位置を決定することができる。例えば、上位のＮ個の地理位置を、検索された地理位置として選択することができ、Ｎは事前設定された正の整数である。別の例では、類似性が事前に設定された類似性閾値を超える地理位置を、検索された地理位置として選択することができる。別の例として、類似性の高い順に基づいて地理位置を表現し、ユーザの操作に基づいて表現された地理位置の数を決定する（例えば、１つのページに５つの地理位置を示し、ユーザがプルダウンして更新すると、次の５つの地理位置を示す）。

独立しない方法を採用する場合、類似性を使用して類似性特徴を決定し、類似性特徴を予めトレーニングされたランキングモデルの入力ベクトルの１つとして使用でき、ランキングモデルを使用して各地理位置のランキング結果に対して検索した地理位置を決定する。

実施例一の実現方法により、以下の検索ニーズを達成することができる。

検索ニーズ１：
ユーザは、「エッフェル塔」という検索語を入力した。検索語の各キャラクターと地理位置の説明テキストの各キャラクターは、国際キャラクターベクトル表示辞書を介して同じベクトル空間にマッピングされるため、説明テキストにフランス名「Ｌａ Ｔｏｕｒ Ｅｉｆｆｅｌ」又は英語名「Ｅｉｆｆｅｌ Ｔｏｗｅｒ」を使用しても、同じベクトル空間内で非常に近い距離があり、言語間の地理位置検索ニーズを実現することができる。

検索ニーズ２：
ユーザが「ＫＦＣ」という検索語を入力した。検索語の各キャラクターと地理位置の説明テキストの各キャラクターが同じベクトル空間にマッピングされた後、各キャラクターのベクトル表示を使用して検索語のベクトル表示と地理位置のベクター表示を取得するため、説明テキストで「Ｋｅｎｔｕｃｋｙ Ｆｒｉｅｄ Ｃｈｉｃｋｅｎ」というフルネームが使用されている場合でも、同じベクトル空間内で非常に近い距離があり、語意に基づく地理位置検索のニーズを実現することができる。

上述の類似性モデルの構造および原理に基づいて、上述の類似性モデルのトレーニングプロセスは、実施例二に関連して以下で詳細に説明される。

実施例二、
クリック数が少ない地理位置、クリックされていない地理位置（例えば新たに出現する地理位置など）でも、良好な検索ランキング結果をできるだけ得るために、本実施例では、既存の高頻度でクリックされた地理位置と、低頻度またはクリックされていない地理位置を別の観点から関連付けている。したがって、履歴クリックログに加えて、モデルトレーニングプロセスに歴史閲覧ログを導入し、共起関係を閲覧することによって地理位置間の関連を作成する。

図３は、本願の実施例二で提供される類似性モデルをトレーニングする方法のフローチャートである。図３に示されるように、この方法は、以下のステップを含むことができる。

３０１において、履歴クリックログからトレーニングデータを取得し、トレーニングデータには、検索語と、ポジティブサンプルとする検索語に対応するクリックされた地理位置と、ネガティブサンプルとするクリックされていない地理位置を含む。

このステップで、トレーニングデータを取得するときに、実際には各トレーニングデータにポジティブとネガティブのサンプルペアが含まれる。同じ検索語について、対応する検索結果からクリックされた地理位置をポジティブサンプルとして選択し、次にクリックされていない地理位置をネガティブサンプルとして選択する。

たとえば、履歴クリックログで、「ＫＦＣ」という検索語に対応する検索結果に、肯徳基（西直門店）、肯徳基（回龍観店）、肯徳基（三元橋店）などの地理位置が含まれている。ユーザは、「肯徳基（回龍観店）」をクリックし、他の地理的場所をクリックしていない場合、トレーニングデータの１つに、ポジティブサンプルペアとしての「ＫＦＣ」－「肯徳基（回龍観店）」、ネガティブサンプルペアとしての「ＫＦＣ」－「肯徳基（三元橋店）」を含めることができる。

このようにして、多くのトレーニングデータを選択することができる。

３０２において、履歴閲覧ログを使用して、地理位置間の共起関係に基づいてポジティブサンプルとネガティブサンプルを拡張する。

履歴クリックログに加えて、本願は履歴閲覧ログも引用する。閲覧履歴ログは、地理位置のユーザの閲覧行動記録から取得される。検索プロセス中のユーザの閲覧行動、地図アプリケーションで地理位置をランダムに閲覧する閲覧行動、地図アプリケーションの情報推奨による閲覧行動などが含まれるが、これらに限定されない。

より直感的に理解するために、図４を例として説明する。図４では、「ｑ１」、「ｑ２」、「ｑ３」という検索語に対して、履歴クリックログに、ｑ１に対応するクリックされた地理位置Ｐ１、ｑ２に対応するクリックされた地理位置Ｐ２、およびｑ３に対応するクリックされた地理位置Ｐ３があり、クリックに基づく関連が図４において実線で表される。しかし、履歴閲覧ログから、ユーザがＰ１を閲覧中にＰ２、Ｐ４をさらに閲覧したことを取得した。Ｐ１とＰ２には閲覧共起関係があり、Ｐ１とＰ３には閲覧共起関係があると考えることができる。一つの会話で複数の地理位置を先後に閲覧した場合、当該複数の地理位置の間に共起関係があると考える。

図４の破線は、閲覧の共起関係に基づく地理位置間の関連を示している。サンプルの拡張を容易にするために、履歴閲覧ログに基づいて、上記の地理位置間の関連を使用して語意図を構築することができる。語意図では、ノードは地理位置であり、地理位置間の関連は、地理位置間に閲覧共起関係があることを示し、地理位置間には関連するパラメータもあり、図４の辺にマークされた「ａ１２」は、Ｐ１とＰ２との間の関連パラメータである。「ａ１４」は、Ｐ１とＰ４との間の関連パラメータであり、「ａ２３」は、Ｐ２とＰ３との間の関連パラメータであり、これにより類推する。関連パラメータは、地理位置間の閲覧共起の程度を示し、最初は、対応地理位置間の共起状況、例えば共起の回数に基づいて決定し、共起の回数が高いほど、対応関連パラメータの値が大きくなる。この関連パラメータ値は、後続のトレーニングプロセスでも役割を果たし、詳細については、ステップ３０３の説明を参照する。

このステップでは、ポジティブサンプルを拡張するように、クリックされた地理位置と閲覧共起関係を有する各地理位置を語意図から取得し、ネガティブサンプルを拡張するように、クリックされていない地理位置と閲覧共起関係を有する地理位置を取得することができる。語意図を使用してポジティブサンプルとネガティブサンプルを拡張し、地理位置間の閲覧共起関係を語意図から直接に閲覧することができ、より便利で効率的である。

例えば、一つのトレーニングデータについて、ｑ１－Ｐ１はポジティブサンプルペアであり、ｑ１－Ｐ７はネガティブサンプルペアである。拡張された後に、Ｐ１、Ｐ２、Ｐ４を拡張してポジティブサンプルの地理位置を形成し、Ｐ７、Ｐ３を拡張してネガティブサンプルの地理位置を形成することができる。

拡張された後に、引き続き次のステップを実行して、拡張されたトレーニングサンプルを使用して、第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルを取得することができる。

３０３において、第１のニューラルネットワークを使用して、検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定する。

具体的には、図５に示すように、まず、キャラクターベクトル表示辞書（図中「辞書」と表記）を用いて、トレーニングデータ中の各キャラクターのベクトル表示をそれぞれ決定する。つまり、検索語中の各キャラクターのベクトル表示、ポジティブサンプルとするクリックされた地理位置、クリックされた地理位置と閲覧共起関係を有する地理位置の説明テキスト中の各キャラクターのベクトル表示位置、およびネガティブサンプルとするクリックされていない地理位置、クリックされていない地理位置と閲覧共起関係を有する地理位置の説明テキスト中の各キャラクターのベクトル表示である。

ここでのキャラクターベクトル表示辞書は、予めトレーニングされた辞書であることができる。類似性モデルのトレーニングプロセス中にトレーニングの更新に参加することもできる。さらに、このキャラクターベクトル表示辞書は、単一言語の辞書または国際キャラクターベクトル表示辞書であり得る。すべてのキャラクターは、言語に関係なく、国際キャラクターベクトル表示辞書によって同じベクトル空間にマッピングすることができる。すべてのキャラクターのベクトル表示は同じ次元を有する。

次に、検索語の各キャラクターのベクトル表示を第１のニューラルネットワークに入力して、検索語のベクトル表示を取得する。

クリックされた地理位置の説明テキストの各キャラクターのベクトル表示を第２のニューラルネットワークに入力して、クリックされていない地理位置のベクトル表示を取得し、クリックした地理的位置と閲覧共起関係を有する地理的位置（図中では閲覧共起地理的位置と呼ぶ）の記述テキスト中の各文字のベクトル表示を第２のニューラルネットワークに入力して閲覧共起の地理位置に対応するベクター表示を取得する。語意図中の対応地理位置間の関連パラメータに従って、第２のニューラルネットワークによって出力される各地理位置のベクトル表示を重み付け処理してポジティブサンプルのベクトル表示を取得する。

図４に示す語意図を例にとると、ｑ１に対応するポジティブサンプルの地理位置には、Ｐ１、Ｐ２、Ｐ４が含まれ、第２のニューラルネットワークが、Ｐ１のベクトル表示Ｖ１、Ｐ２のベクトル表示Ｖ２、Ｐ４のベクトル表示Ｖ４を取得した後に、次の重み付けを実行して、ポジティブサンプルのベクトル表示ｚ^＋を取得できる。

ｚ^＋＝Ｖ１＋ａ１２＊Ｖ２＋ａ１４＊Ｖ４である
クリックされていない地理位置の説明テキスト中の各キャラクターのベクトル表示と、クリックされていない地理位置と閲覧共起関係を有する地理位置の説明テキスト中の各キャラクターのベクトル表示とを、第２のニューラルネットワークに入力し、第２のニューラルネットワークネットワークによって出力された各地理位置のベクトル表示を、語意図中の対応地理位置間の関連パラメータに従って、重み付けして、ネガティブサンプルのベクトル表示を取得する。

上記の例に続けて、ｑ１に対応するネガティブサンプルの地理位置にはＰ７、Ｐ３が含まれ、第２のニューラルネットワークは、Ｐ７のベクトル表示Ｖ７、Ｐ３のベクトル表示Ｖ３をそれぞれ取得する。図４に示す語意図に従って、次の重み付け処理を実行して、ネガティブサンプルのベクトル表示ｚ^－を取得する。

ｚ^－＝Ｖ７＋ａ３７＊Ｖ３である。

本願は、第１のニューラルネットワークと第２のニューラルネットワークのタイプを制限しなく、２つのニューラルネットワークの出力ベクトルの次元が同じであればよい。例えば、２つのニューラルネットワークは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ、畳み込みニューラルネットワーク）、ＥＲＮＩＥ（Ｅｎｈａｎｃｅｄ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｔｈｒｏｕｇｈ ｋＮｏｗｌｅｄｇｅ ＩｎｔＥｇｒａｔｉｏｎ、知識強化語意表示モデル）を使用できる。

３０４において、前記検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性である第１の類似性と、前記検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である第２の類似性の差別を最大化するように、第１のニューラルネットワークと第２のニューラルネットワークをトレーニングする。

検索語のベクトル表示とポジティブサンプルのベクトル表示との第１の類似性、及び、同じ検索語のベクトル表示とネガティブサンプルのベクトル表示との第２の類似性を決定する。第１の類似性と第２の類似性の間の差別を最大化するように、第１の類似性と第２の類似性を使用して、キャラクターベクトル表示辞書（キャラクターベクトル表示辞書が予めトレーニングして得られれば、ここでのトレーニングにはキャラクターベクトル表示辞書が含まれない）、語意図、第１のニューラルネットワークおよび第２のニューラルネットワークをトレーニングする。

つまり、トレーニングの目標は、第１類似性を最大化し、第２類似性を最小化して、第１類似性と第２類似性の差別を可能な限り最大化することである。

トレーニングの目標は、損失関数を最小化することを表すことができ、損失関数Ｌｏｓｓは次のように使用できる。

Loss=max[0,γ+cosine(y,z⁺)-cosine(y,z^-)]
ただし、ｙは検索語のベクトル表示であり、ｚ^＋はポジティブサンプルのベクトル表示であり、ｚ^－はネガティブサンプルのベクトル表示であり、γはハイパーパラメータである。

トレーニングプロセス中、Ｌｏｓｓの値を使用して、トレーニング目標に到達するまで、キャラクターベクトル表示辞書、語意図、第１のニューラルネットワーク及び第２のニューラルネットワークのパラメータを含むモデルパラメータを反復更新する。例えば、Ｌｏｓｓの値が所定のニーズを満たしているか、反復回数が所定のニーズを満たしているかなどである。

トレーニングプロセス中に、語意図中の関連パラメータも更新されて、閲覧共起に基づいた各地理位置間の関連関係は、トレーニング目標を達成するために徐々に最適化される。

この実施例で提供されるモデルトレーニング方法によって、クリック回数に対応する地理位置検索のコールドスタート問題を解決でき、次のような検索ニーズが満たされている。

新たに出現した地理位置に対して、例えば、「肯徳基（回龍観店）」は、新しくオープンした店舗であり、最初は歴史クリックログに出現されておらず、クリック回数が非常に少ないため、実施例二で作成されたモデルによってこの新しい地理位置を検索することは困難である。しかし、実施例三のモデル作成方法を採用すると、地図の使用プロセスで、ユーザは地図中の閲覧によって、１回の会話に長時間出現した地理位置「肯徳基（西直門店）」とともに、肯徳基（回龍観店）を閲覧し、又は地図アプリケーションの情報推奨機能で「肯徳基（西直門店）」と「肯徳基（回龍観店）」の両方を同時に閲覧できる。これにより、地理位置「肯徳基（西直門店）」と「肯徳基（回龍観店）」との間の関連が語意図で作成される。「肯徳基（西直門店）」は長時間出現した地理位置であるので、歴史的なクリックが多いである。したがって、類似モデルを作成する過程で、「肯徳基（西直門店）」がポジティブサンプルとしてトレーニングする過程中、「肯徳基（回龍観店）」もポジティブサンプルのベクトル表示に貢献し、「肯徳基（回龍観店）」は、「肯徳基（西直門店）」の検索語「ＫＦＣ」にも関連付けられている。ユーザが「ＫＦＣ」を検索すると、類似性に基づいて検索結果に「肯徳基（回龍観店）」が出現され、「肯徳基（回龍観店）」のコールドスタートの問題が解決される。

上記は、本願に提供される方法の詳細な説明であり、本願に提供される装置は、実施例を結合して以下で詳細に説明される。

実施例三、
図６は、本願の実施例によって提供される地理位置を検索するための装置構造図であり、この装置は、サーバ側に配置できるアプリケーションプログラム又はサーバ側アプリケーションプログラムのプラグインやソフトウェア開発キット（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ、ＳＤＫ）などの機能ユニットであるが、これは、本発明の実施例において特に限定されない。図６に示すように、この装置は、サンプル取得ユニット０１、サンプル拡張ユニット０２、モデルトレーニングユニット０３を含み、さらに語意図構築ユニット０４、検索ユニット０５を含む。各構成ユニットの主な機能は次のとおりである。

サンプル取得ユニット０１は、履歴クリックログからトレーニングデータを取得するためのものであり、トレーニングデータは、検索語と、検索語に対応するクリックされた地理位置をポジティブサンプルとし、クリックされていない地理位置をネガティブサンプルとして含む。

サンプル拡張ユニット０２は、履歴閲覧ログを用いて地理位置間の共起関係に基づいてポジティブサンプルとネガティブサンプルを拡張するために使用される。

具体的には、サンプル拡張ユニット０２は、ポジティブサンプルを拡張するように語意図に基づいて、クリックされた地理位置と閲覧共起関係を有する各第１地理位置を決定し、ネガティブサンプルを拡張するようにクリックされていない地理位置と閲覧共起関係を有する各第２地理位置を決定してもよい。

モデルトレーニングユニット０３は、拡張されたトレーニングサンプルを用いて第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルをトレーニングして取得するために使用され、具体的には以下を実行する：
第１のニューラルネットワークを使用して検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定する。

第１の類似性と第２の類似性の差別を最大化するように、第１のニューラルネットワークと第２のニューラルネットワークをトレーニングする。第１の類似性は検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性であり、第２の類似性は検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である。

ここで、モデルトレーニングユニット０３が、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示を決定する場合、第２のニューラルネットワークを使用して、拡張されたポジティブサンプル中の各地理位置のベクトル表示および拡張されたネガティブサンプル中の各地理位置のベクトル表示を決定でき、拡張されたポジティブサンプル中の各地理位置のベクトル表示を、語意図中の各第１の地理位置とクリックされた地理位置との関連パラメータに従って重み付け、ポジティブサンプルのベクトル表示を取得し、拡張されたネガティブサンプル中の各地理位置のベクトル表示を、語意図中の各第２の地理位置とクリックされていない地理位置との関連パラメータに従って重み付け、ネガティブサンプルのベクトル表示を取得する。

語意図作成ユニット０４は、履歴閲覧ログに基づいて語意図を作成するために使用される。語意図中のノードは地理位置であり、閲覧共起関係がある地理位置に対して対応するノード間の関連を作成する。地理位置間の関連パラメータは、最初に地理位置間の共起状況に応じて決定される。モデルトレーニングユニット０３は、トレーニングプロセス中に語意図中の地理位置間の関連パラメータを更新する。

好ましい実施形態として、前述の類似性モデルは、拡張されたトレーニングデータ中の各キャラクターのベクトル表示を決定するためのキャラクターベクトル表示辞書をさらに含む。

具体的には、モデルトレーニングユニット０３は、検索語の各キャラクターのベクトル表示を第１のニューラルネットワークに入力して、検索語のベクトル表示を取得でき、拡張されたポジティブサンプルまたは拡張されたネガティブサンプル中の各地理位置に対して、この地理位置の説明テキスト中の各キャラクターのベクトル表示を第２のニューラルネットワークに入力してこの地理位置のベクトル表示を取得することをそれぞれ実行する。

検索部０５は、ユーザが入力した検索語を受信すると、トレーニングにより得られた類似性モデルを用いて、ユーザが入力した検索語にマッチングする地理位置を検索するために使用される。

ここで、検索ユニット０５は、第１のニューラルネットワークを使用してユーザが入力した検索語のベクトル表示を決定し、ユーザが入力した検索語のベクトル表示と第２のニューラルネットワークによって決定される地図データベース中の各地理位置のベクトル表示との間の類似性を決定し、この類似性に基づいて検索された地理位置を決定することができる。

さらに、上記類似性モデルは、キャラクターベクトル表示辞書をさらに含む。この場合、検索ユニット０５は、第１のニューラルネットワークを使用して、ユーザが入力した検索語のベクトル表示を決定するとき、キャラクターベクトル表示辞書を使用して、ユーザが入力した検索語の各キャラクターのベクトル表示を決定し、ユーザが入力した検索語中の各キャラクターのベクトル表示を第１のニューラルネットワークに入力してユーザが入力した検索語のベクトル表示を取得する。

検索ユニット０５が第２のニューラルネットワークを使用して地図データベース中の地理位置のベクトル表示を決定する場合、キャラクターベクトル表示辞書を使用して、地図データベース中の地理位置の説明テキスト中の各キャラクターのベクトル表示を決定し、この地理位置の説明テキスト中の各キャラクターのベクトル表示を第２のニューラルネットワークに入力して、この地理位置のベクトル表示を取得することができる。

好ましい実施形態として、前述のキャラクターベクトル表示辞書は、少なくとも２つの言語のキャラクターを同じベクトル空間にマッピングするために使用される国際キャラクターベクトル表示辞書である。

ここで、地理位置の説明テキストは、名称、ラベル、アドレス、評価、および写真説明テキストのうちの少なくとも１つを含むことができる。

具体的には、検索部０５は、類似性に基づいて検索された地理位置を決定する場合、地図データベース中の地理位置を類似性の高い順にランキングし、ランキング結果に基づいて検索された地理位置を決定することができる。また、類似性を使用して類似性特徴を決定し、類似性特徴を事前トレーニングされたランキングモデルの入力ベクトルの１つとして使用し、前記ランキングモデルを使用して、地図データベース内の各地理位置のランキング結果について検索された地理位置を決定することもできる。

本願の実施例によれば、本願はまた、電子デバイスおよび読み取り可能な記憶媒体を提供した。

図７に示すように、本願の実施例による類似性モデル作成方法による電子デバイスのブロック図である。電子デバイスは、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、その他の適切なコンピュータなど、各種の形式のデジタルコンピュータを表すことを目的としている。電子デバイスは、携帯情報端末、携帯電話、スマートフォン、ウェアラブルデバイス、およびその他の同様のコンピューティングデバイスなどの各種の形式のモバイルデバイスを表すこともできる。本明細書に示される部品、それらの接続および関係、ならびにそれらの機能は単なる例であり、本明細書に記載および／または要求とされる本願の実現を制限することを意図するものではない。

図７に示すように、当該電子デバイスは、１つまたは複数のプロセッサ７０１、メモリ７０２、および高速インターフェースおよび低速インターフェースを含む様々な部品を接続するためのインターフェースを含む。各部品は、異なるバスを使用して相互に接続されており、共通のマザーボードにインストールすることも、必要に応じて他の方法でインストールすることもできる。プロセッサは、外部入力／出力デバイス（インターフェースに結合された表示デバイスなど）にＧＵＩのグラフィック情報を表示するための、メモリ内またはメモリ上に格納された命令を含む、電子デバイスで実行される命令を処理することができる。他の実施例では、必要に応じて、複数のプロセッサおよび／または複数のバスを、複数のメモリおよび複数のメモリとともに使用することができる。同様に、複数の電子デバイスを接続することができ、各デバイスは一部の必要な操作を提供する（例えば、サーバアレイ、ブレードサーバのグループ、またはマルチプロセッサシステムとして）。図７では、一つのプロセッサ７０１が例として取り上げられている。

メモリ７０２は、この出願によって提供される非一時的なコンピュータ可読記憶媒体である。ここで、少なくとも１つのプロセッサは、この出願で提供される類似性モデル作成方法を実行するように、メモリは、少なくとも１つのプロセッサによって実行可能な命令を格納する。本願の非一時的なコンピュータ可読記憶媒体は、コンピュータ命令を格納し、当該コンピュータ命令は、本願によって提供される類似性モデル作成方法をコンピュータに実行させるために使用される。

非一時的なコンピュータ可読記憶媒体とするメモリ１００２は、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能プログラムとモジュール、および本願実施例中の類似性モデル作成方法に対応するプログラム命令／モジュールを格納するために使用することができる。プロセッサ７０１は、メモリ７０２に格納された非一時的なソフトウェアプログラム、命令、およびモジュールを実行することによって、サーバの様々な機能的本願およびデータ処理を行なう。すなわち、前述の方法の実施例中の類似性モデル作成方法を実現する。

メモリ７０２は、オペレーティングシステムと少なくとも１つの機能によって必要とされる本願プログラムを記憶するプログラム領域および電子デバイスの使用により作成されたデータを記憶する記憶データ領域を含み得る。また、メモリ７０２は、少なくとも１つの磁気ディスク記憶装置、フラッシュ記憶装置、または他の非一時的ソリッドステート記憶装置などの高速ランダムアクセスメモリを含み得る。いくつかの実施例では、メモリ７０２は、任意選択で、プロセッサ７０１に対して遠隔的に設置されるメモリを選択的に含み、これらの遠隔メモリは、ネットワークを介して電子デバイスに接続され得る。前述のネットワークの例には、インターネット、企業イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、およびそれらの組み合わせが含まれるが、これらに限定されない。

この類似性モデル作成方法の電子デバイスは、入力デバイス７０３および出力デバイス７０４をさらに含み得る。プロセッサ７０１、メモリ７０２、入力デバイス７０３、および出力デバイス７０４は、バスによって、または他の方法で接続することができる。図７には、バスによる接続ことを例とする。

入力デバイス７０３は、入力データまたはキャラクター情報を受信し、タッチスクリーン、キーパッド、マウス、トラックパッドなどのこの電子デバイスのユーザ設定および機能制御に関連するキー信号入力を生成することができ、例えばタッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、インジケータースティック、１つ以上のマウスボタン、トラックボール、ジョイスティックなどの入力デバイスである。出力装置７０４は、表示デバイス、補助照明装置（例えば、ＬＥＤ）、触覚フィードバック装置（例えば、振動モーター）などを含み得る。この表示装置は、液晶ディスプレイ（ＬＤＣ）、発光ダイオード（ＬＥＤ）ディスプレイ、およびプラズマディスプレイを含み得るが、これらに限定されない。いくつかの実施例では、ディスプレイデバイスは、タッチスクリーンであり得る。

本明細書に記載のシステムおよび技術の様々な実施例は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組み合わせで実現することができる。これらの様々な実施例は、少なくとも１つのプログラム可能なプロセッサを含むプログラム可能なシステム上で実行および／または解釈される１つまたは複数のコンピュータプログラムに実施されることを含み得る。当該プログラム可能なプロセッサは、ストレージシステム、少なくとも１つの入力装置、および少なくとも１つの出力装置からデータおよび命令を受信し、データおよび命令をこのストレージシステム、少なくとも１つの出力デバイス及び少なくとも１つの入力デバイスに送信することができる専用または一般的なプログラマブルプロセッサであり得る。

これらの計算プログラム（プログラム、ソフトウェア、ソフトウェア本願、またはコードとも呼ばれる）には、プログラム可能なプロセッサのデバイス命令が含まれ、高水準プロセスおよび／または対象指向プログラミング言語、および／またはアセンブリ／デバイス言語を利用してこれらの計算プログラムを実施する。本明細書で使用される場合、「デバイス可読媒体」および「コンピュータ可読媒体」という用語は、プログラム可能なプロセッサの任意のコンピュータプログラム製品、デバイス、および／または装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジック装置（ＰＬＤ）））にデバイス命令および／またはデータを提供するために使用されることを指し、デバイス可読信号としてのデバイス命令を受信するデバイス可読メディアを含む。「デバイス可読信号」という用語は、プログラム可能なプロセッサにデバイス命令および／またはデータを提供するために使用される任意の信号を指す。

ユーザとの対話を提供するために、ここで説明するシステムおよび技術は、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニター））、及びユーザがコンピュータに入力を提供できるキーボードおよびポインティングデバイス（例えば、マウスまたはトラックボール）を備えたコンピュータに実施することができる。他のタイプの装置は、ユーザとの対話を提供することに用いられる。例えば、ユーザに提供されるフィードバックは、任意の形式の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であり、任意の形式（音響入力、音声入力、または触覚入力を含む）を用いてユーザからの入力を受信する。

本明細書に記載のシステムおよび技術は、バックエンド部品を含むコンピューティングシステム（例えば、データサーバとして）、またはミドルウェア部品を含むコンピューティングシステム（例えば、本願サーバ）、またはフロントエンド部品を含むコンピューティングシステム（例えば、グラフィカルユーザインターフェイス又はＷｅｂブラウザーを備えたユーザコンピュータであり、ユーザがこのグラフィカルユーザインターフェイス又はこのＷｅｂブラウザーによりここで説明するシステムとテクノロジーの実施例と対話することができる）、またはそのようなバックグラウンド部品を含む、ミドルウェア部品、またはフロントエンド部品の任意組み合わせのコンピューティングシステム内に実施させる。システムの部品は、デジタルデータ通信の任意の形式または媒体（例えば、通信ネットワーク）を介して相互に接続できる。通信ネットワークの例には、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、およびインターネットが含まれる。

コンピュータシステムには、クライアントとサーバを含めることができる。クライアントとサーバは通常、互いに遠く離れており、通常は通信ネットワークを介して対話する。クライアントとサーバの関係は、相応的なコンピュータ上で実行され、相互にクライアント－サーバ関係を持つコンピュータプログラムによって生成される。

上記の各種の形式のプロセス、再並べ替え、追加、または削除のステップを使用することができると理解すべきである。例えば、本願に記載されている各ステップは、並行して、順次に、または異なる順序で実行することができるが、本願に開示されている技術案の所望の結果が達成できる限り、本明細書にはこれに限定されない。

上記の具体的な実施例は、本願の保護範囲を制限するものを構成していない。当業者は、様々な修正、組み合わせ、サブ組み合わせおよび置換が、設計要件および他の要因に従って行うことができることを理解する必要がある。本願の精神と原則の範囲内で行われた変更、同等の交換、および改善は、本願の保護範囲に含まれるべきである。

Claims (21)

1. 履歴クリックログから、検索語と、ポジティブサンプルとする検索語に対応するクリックされた地理位置と、ネガティブサンプルとするクリックされていない地理位置を含むトレーニングデータを取得することと、
   履歴閲覧ログを使用して、地理位置間の共起関係に基づいて前記ポジティブサンプルと前記ネガティブサンプルを拡張することと、
   拡張されたトレーニングサンプルを使用してトレーニングし、第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルを取得することと、を含み、
   前記トレーニングは、
   第１のニューラルネットワークを使用して前記検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定することと、
   前記検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性である第１の類似性と、前記検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である第２の類似性の差分を最大化するように、前記第１のニューラルネットワークと前記第２のニューラルネットワークをトレーニングすることと、を含む
   ことを特徴とする地理位置を検索するための類似性モデル作成方法。
2. 履歴閲覧ログを使用して、地理位置間の共起関係に基づいて前記ポジティブサンプルと前記ネガティブサンプルを拡張することは、
   前記ポジティブサンプルを拡張するように、前記クリックされた地理位置と閲覧共起関係を有する各第１の地理位置を語意図に基づいて取得し、前記ネガティブサンプルを拡張するように、前記クリックされていない地理位置と閲覧共起関係を有する各第２の地理位置を語意図に基づいて取得することができることを含む
   ことを特徴とする請求項１に記載の方法。
3. 前記第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定することは、
   前記第２のニューラルネットワークを使用して、拡張されたポジティブサンプル中の各地理位置のベクトル表示および拡張されたネガティブサンプル中の各地理位置のベクトル表示をそれぞれ決定することと、
   前記拡張されたポジティブサンプル中の各地理位置のベクトル表示を、語意図中の各第１の地理位置と前記クリックされた地理位置との間の関連パラメータに従って重み付け処理し、ポジティブサンプルのベクトル表示を取得し、前記拡張されたネガティブサンプル中の各地理位置のベクトル表示を、前記語意図中の各第２の地理位置と前記クリックされていない地理位置との関連パラメータに従って重み付け処理し、ネガティブサンプルのベクトル表示を取得することと、を含む
   ことを特徴とする請求項１に記載の方法。
4. 前記語意図は履歴閲覧ログに基づいて作成され、
   前記語意図中のノードは地理位置であり、閲覧共起関係がある地理位置に対して、対応ノード間の関連を作成し、地理位置間の関連パラメータは、最初に地理位置間の共起状況に応じて決定され、トレーニングプロセスにおいて更新される
   ことを特徴とする請求項２又は３に記載の方法。
5. 前記類似性モデルは、拡張されたトレーニングデータ中の各キャラクターのベクトル表示を決定するためのキャラクターベクトル表示辞書をさらに含み、
   前記第１のニューラルネットワークを使用して、前記検索語のベクトル表示を決定することは、
   前記検索語の各キャラクターのベクトル表示を前記第１のニューラルネットワークに入力して、検索語のベクトル表示を取得することを含み、
   前記第２のニューラルネットワークを使用して、拡張されたポジティブサンプル中の各地理位置のベクトル表示および拡張されたネガティブサンプル中の各地理位置のベクトル表示を決定することは、
   拡張されたポジティブサンプルまたは拡張されたネガティブサンプル中の各地理位置に対して、この地理位置の説明テキスト中の各キャラクターのベクトル表示を前記第２のニューラルネットワークに入力してこの地理位置のベクトル表示を取得することをそれぞれ実行することを含む
   ことを特徴とする請求項３に記載の方法。
6. ユーザが入力した検索語を受信すると、トレーニングにより得られた前記類似性モデルを用いて、前記ユーザが入力した検索語にマッチングする地理位置を検索する
   ことを特徴とする請求項１に記載の方法。
7. トレーニングにより得られた前記類似性モデルを用いて、前記ユーザが入力した検索語にマッチングする地理位置を検索することは、
   前記第１のニューラルネットワークを使用して、前記ユーザが入力した検索語のベクトル表示を決定することと、
   前記ユーザが入力した検索語のベクトル表示と、前記第２のニューラルネットワークによって決定される地図データベース中の各地理位置のベクトル表示との間の類似性を決定することと、
   前記類似性に基づいて、検索された地理位置を決定することと、を含む
   ことを特徴とする請求項６に記載の方法。
8. 前記類似性モデルは、さらにキャラクターベクトル表示辞書をさらに含み、
   前記第１のニューラルネットワークを使用して前記ユーザが入力した検索語のベクトル表示を決定することは、
   前記キャラクターベクトル表示辞書を使用して、前記ユーザが入力した検索語の各キャラクターのベクトル表示を決定し、前記ユーザが入力した検索語中の各キャラクターのベクトル表示を前記第１のニューラルネットワークに入力して前記ユーザが入力した検索語のベクトル表示を取得することを含み、
   前記第２のニューラルネットワークを使用して地図データベース中の地理位置のベクトル表示を決定することは、
   前記キャラクターベクトル表示辞書を使用して、地図データベース中の地理位置の説明テキスト中の各キャラクターのベクトル表示を決定し、この地理位置の説明テキスト中の各キャラクターのベクトル表示を前記第２のニューラルネットワークに入力して、この地理位置のベクトル表示を取得することを含む
   ことを特徴とする請求項７に記載の方法。
9. 前記キャラクターベクトル表示辞書は、少なくとも２つの言語のキャラクターを同じベクトル空間にマッピングするための国際キャラクターベクトル表示辞書である
   ことを特徴とする請求項５又は８に記載の方法。
10. 前記地理位置の説明テキストは、名称、ラベル、アドレス、評価および写真説明テキストのうちの少なくとも１つを含む
    ことを特徴とする請求項５又は８に記載の方法。
11. 前記類似性に基づいて検索された地理位置を決定することは、
    地図データベース中の地理位置を、類似性の高い順にランキングし、ランキング結果に基づいて、検索された地理位置を決定すること、または、
    前記類似性を使用して類似性特徴を決定し、前記類似性特徴を予めトレーニングされたランキングモデルの入力ベクトルの１つとして使用し、前記ランキングモデルを使用して、地図データベース中の各地理位置のランキング結果について検索された地理位置を決定すること、を含む
    ことを特徴とする請求項７に記載の方法。
12. 履歴クリックログから、検索語と、ポジティブサンプルとする検索語に対応するクリックされた地理位置と、ネガティブサンプルとするクリックされていない地理位置を含むトレーニングデータを取得するサンプル取得ユニットと、
    履歴閲覧ログを使用して、地理位置間の共起関係に基づいて前記ポジティブサンプルと前記ネガティブサンプルを拡張するサンプル拡張ユニットと、
    拡張されたトレーニングサンプルを使用して第１のニューラルネットワークと第２のニューラルネットワークを含む類似性モデルを取得し、具体的に、
    第１のニューラルネットワークを使用して、検索語のベクトル表示を決定し、第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定することと、
    前記検索語のベクトル表示とポジティブサンプルのベクトル表示との類似性である第１の類似性と、前記検索語のベクトル表示とネガティブサンプルのベクトル表示との類似性である第２の類似性の差分を最大化するように、前記第１のニューラルネットワークと前記第２のニューラルネットワークをトレーニングすることと、を実行するモデルトレーニングユニットと、を含む
    ことを特徴とする地理位置を検索するための類似性モデル作成装置。
13. 前記サンプル拡張ユニットは、具体的に
    前記ポジティブサンプルを拡張するように前記クリックされた地理位置と閲覧共起関係を有する各第１の地理位置を語意図に基づいて取得し、前記ネガティブサンプルを拡張するように前記クリックされていない地理位置と閲覧共起関係を有する各第２の地理位置を語意図に基づいて取得し、
    前記モデルトレーニングユニットは、前記第２のニューラルネットワークを使用して、拡張されたポジティブサンプルのベクトル表示と拡張されたネガティブサンプルのベクトル表示をそれぞれ決定する時に、具体的に
    前記第２のニューラルネットワークを使用して、拡張されたポジティブサンプル中の各地理位置のベクトル表示および拡張されたネガティブサンプル中の各地理位置のベクトル表示をそれぞれ決定することと、
    前記拡張されたポジティブサンプル中の各地理位置のベクトル表示を、前記語意図中の各第１の地理位置と前記クリックされた地理位置との間の関連パラメータに従って重み付け処理し、ポジティブサンプルのベクトル表示を取得し、前記拡張されたネガティブサンプル中の各地理位置のベクトル表示を、前記語意図中の各第２の地理位置と前記クリックされていない地理位置との関連パラメータに従って重み付け処理し、ネガティブサンプルのベクトル表示を取得することと、を実行する
    ことを特徴とする請求項１２に記載の装置。
14. 語意図作成ユニット、をさらに含み、履歴閲覧ログに基づいて語意図を作成し、前記語意図中のノードが地理位置であり、閲覧共起関係がある地理位置に対して対応ノード間の関連を作成し、地理位置間の関連パラメータが、最初に地理位置間の共起状況に応じて決定され
    前記モデルトレーニングユニットは、さらに、トレーニングプロセスにおいて前記語意図中の地理位置間の関連パラメータを更新する
    ことを特徴とする請求項１３に記載の装置。
15. 前記類似性モデルは、拡張されたトレーニングデータ中の各キャラクターのベクトル表示を決定するためのキャラクターベクトル表示辞書をさらに含み、
    前記モデルトレーニングユニットは、具体的に、
    前記検索語の各キャラクターのベクトル表示を前記第１のニューラルネットワークに入力して、検索語のベクトル表示を取得し、
    拡張されたポジティブサンプルまたは拡張されたネガティブサンプル中の各地理位置に対して、この地理位置の説明テキスト中の各キャラクターのベクトル表示を前記第２のニューラルネットワークに入力してこの地理位置のベクトル表示を取得することをそれぞれ実行するために用いられる
    ことを特徴とする請求項１３に記載の装置。
16. ユーザが入力した検索語を受信すると、トレーニングにより得られた前記類似性モデルを用いて、前記ユーザが入力した検索語にマッチングする地理位置を検索する検索ユニット、をさらに含む
    ことを特徴とする請求項１２に記載の装置。
17. 前記類似性モデルは、さらにキャラクターベクトル表示辞書をさらに含み、
    前記検索ユニットは、具体的に
    前記キャラクターベクトル表示辞書を使用して、前記ユーザが入力した検索語の各キャラクターのベクトル表示を決定し、前記ユーザが入力した検索語中の各キャラクターのベクトル表示を前記第１のニューラルネットワークに入力して前記ユーザが入力した検索語のベクトル表示を取得し、
    前記ユーザが入力した検索語のベクトル表示と地図データベース中の各地理位置のベクトル表示との類似性を決定し、
    前記類似性に基づいて検索された地理位置を決定することに用いられ、
    ここで、地図データベース中の各地理位置のベクトル表示は、前記キャラクターベクトル表示辞書を使用して地図データベース中の地理位置の説明テキスト中の各キャラクターのベクトル表示を決定した後、この地理位置の説明テキスト中の各キャラクターのベクトル表示を前記第２のニューラルネットワークに入力して取得されることである
    ことを特徴とする請求項１６に記載の装置。
18. 前記キャラクターベクトル表示辞書は、少なくとも２つの言語のキャラクターを同じベクトル空間にマッピングするために使用される国際キャラクターベクトル表示辞書である
    ことを特徴とする請求項１５又は１７に記載の装置。
19. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサと通信可能に接続されたメモリとを含み、
    前記メモリは、前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに請求項１～１１のいずれか一項に記載の方法を実行させる命令を記憶する
    電子デバイス。
20. コンピュータに請求項１～１１のいずれか一項に記載の方法を実行させるコンピュータ命令を記憶する
    非一時的なコンピュータ読み取り可能な記憶媒体。
21. プロセッサによって請求項１～１１のいずれか一項に記載の方法を実現するコンピュータプログラム。

Images