模型生成方法及裝置、推薦方法及裝置的制造方法
【專利說明】
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及搜索技術(shù)領(lǐng)域，尤其涉及一種模型生成方法及裝置、推薦方法及裝置?！尽颈尘凹夹g(shù)】】
[0002]目前，在進(jìn)行搜索推薦時(shí)，是基于在用戶的主搜索需求得到滿足的情況下，通過向用戶提供與查詢?cè)~相關(guān)的其他可能有興趣的內(nèi)容，來(lái)激發(fā)用戶的潛在需求。例如，請(qǐng)參考圖1，其為現(xiàn)有技術(shù)中基于知識(shí)圖譜進(jìn)行搜索推薦的第一示例圖，如圖所示，在用戶查詢“普林斯頓大學(xué)”時(shí)，在搜索結(jié)果頁(yè)的非搜索結(jié)果區(qū)域可以推薦圖1所示的普林斯頓大學(xué)的著名校友，這是與查詢?cè)~“普林斯頓大學(xué)”非常相關(guān)的推薦實(shí)體。
[0003]然而，現(xiàn)有技術(shù)中，基于知識(shí)圖譜進(jìn)行搜索推薦時(shí)，推薦的實(shí)體往往是眾所周知，不能引起的用戶興趣。因此，這種搜索推薦方式不能滿足用戶搜索推薦需求，導(dǎo)致推薦實(shí)體的點(diǎn)擊率比較低。
【
【發(fā)明內(nèi)容】
】
[0004]有鑒于此，本發(fā)明實(shí)施例提供了一種模型生成方法及裝置、推薦方法及裝置，通過整合實(shí)體之間的各種關(guān)系生成深度融合模型，深度融合模型可以用于獲得實(shí)體之間的驚喜度，從而可以基于驚喜度向用戶推薦實(shí)體，滿足了用戶的搜索推薦需求，提高了推薦實(shí)體的點(diǎn)擊率。
[0005]本發(fā)明實(shí)施例的一方面，提供一種模型生成方法，包括:
[0006]獲得知識(shí)圖譜中各實(shí)體的文檔內(nèi)容特征向量、各實(shí)體之間的邏輯關(guān)聯(lián)關(guān)系特征向量、各實(shí)體的用戶行為關(guān)系特征向量和各實(shí)體的特征向量中至少一個(gè)；
[0007]根據(jù)所述文檔內(nèi)容特征向量、所述邏輯關(guān)聯(lián)關(guān)系特征向量、所述用戶行為關(guān)系特征向量和所述特征向量中至少一個(gè)進(jìn)行機(jī)器學(xué)習(xí)，生成深度融合模型。
[0008]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，獲得各實(shí)體的用戶行為關(guān)系特征向量，包括:
[0009]獲取用戶的歷史搜索行為記錄；
[0010]根據(jù)所述歷史搜索行為記錄，獲得用戶針對(duì)所述各實(shí)體的搜索行為和點(diǎn)擊行為；
[0011]根據(jù)用戶針對(duì)所述各實(shí)體的搜索行為和點(diǎn)擊行為，獲得所述各實(shí)體的用戶行為關(guān)系特征向量。
[0012]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，獲得各實(shí)體的特征向量，包括:根據(jù)知識(shí)圖譜中定義的實(shí)體，為各實(shí)體隨機(jī)生成所述特征向量。
[0013]本發(fā)明實(shí)施例的一方面，提供一種推薦方法，包括:
[0014]獲得指定實(shí)體對(duì)應(yīng)的候選實(shí)體；
[0015]將所述指定實(shí)體的文檔內(nèi)容特征向量、指定實(shí)體與候選實(shí)體之間的邏輯關(guān)聯(lián)關(guān)系特征向量、所述指定實(shí)體的用戶行為關(guān)系特征向量和指定實(shí)體的特征特征向量中至少一個(gè)，以及所述候選實(shí)體的文檔內(nèi)容特征向量和所述候選實(shí)體的特征向量中至少一個(gè)，輸入深度融合模型，以獲得所述候選實(shí)體的驚喜度；所述深度融合模型為利用權(quán)利要求1至3中一項(xiàng)所述方法獲得的；
[0016]根據(jù)所述驚喜度和所述候選實(shí)體，獲得所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體。
[0017]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述獲得指定實(shí)體對(duì)應(yīng)的候選實(shí)體，包括:
[0018]根據(jù)所述指定實(shí)體以及所述指定實(shí)體的用戶行為關(guān)系特征向量，獲得所述候選實(shí)體；或者，根據(jù)知識(shí)圖譜中定義的實(shí)體，獲得所述候選實(shí)體。
[0019]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，根據(jù)所述驚喜度和所述候選實(shí)體，獲得所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體，包括:
[0020]根據(jù)所述驚喜度由大到小的順序，對(duì)所述候選實(shí)體進(jìn)行排序，以獲得排序結(jié)果，以及將排序結(jié)果中排序靠前的至少一個(gè)候選實(shí)體作為所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體。
[0021]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述方法還包括:
[0022]根據(jù)所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體，調(diào)整所述指定實(shí)體的特征向量，調(diào)整后獲得的特征向量用于生成所述深度融合模型。
[0023]本發(fā)明實(shí)施例的一方面，提供一種模型生成裝置，包括:
[0024]向量獲取單元，用于獲得知識(shí)圖譜中各實(shí)體的文檔內(nèi)容特征向量、各實(shí)體之間的邏輯關(guān)聯(lián)關(guān)系特征向量、各實(shí)體的用戶行為關(guān)系特征向量和各實(shí)體的特征向量中至少一個(gè)；
[0025]模型生成單元，用于根據(jù)所述文檔內(nèi)容特征向量、所述邏輯關(guān)聯(lián)關(guān)系特征向量、所述用戶行為關(guān)系特征向量和所述特征向量中至少一個(gè)進(jìn)行機(jī)器學(xué)習(xí)，生成深度融合模型。
[0026]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述向量獲取單元，具體用于:
[0027]獲取用戶的歷史搜索行為記錄；
[0028]根據(jù)所述歷史搜索行為記錄，獲得用戶針對(duì)所述各實(shí)體的搜索行為和點(diǎn)擊行為；
[0029]根據(jù)用戶針對(duì)所述各實(shí)體的搜索行為和點(diǎn)擊行為，獲得所述各實(shí)體的用戶行為關(guān)系特征向量。
[0030]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述向量獲取單元，具體用于:根據(jù)知識(shí)圖譜中定義的實(shí)體，為各實(shí)體隨機(jī)生成所述特征向量。
[0031]本發(fā)明實(shí)施例的一方面，提供一種推薦裝置，包括:
[0032]實(shí)體獲取單元，用于獲得指定實(shí)體對(duì)應(yīng)的候選實(shí)體；
[0033]驚喜度獲取單元，用于將所述指定實(shí)體的文檔內(nèi)容特征向量、指定實(shí)體與候選實(shí)體之間的邏輯關(guān)聯(lián)關(guān)系特征向量、所述指定實(shí)體的用戶行為關(guān)系特征向量和指定實(shí)體的特征特征向量中至少一個(gè)，以及所述候選實(shí)體的文檔內(nèi)容特征向量和所述候選實(shí)體的特征向量中至少一個(gè)，輸入深度融合模型，以獲得所述候選實(shí)體的驚喜度；所述深度融合模型為利用權(quán)利要求8至10中一項(xiàng)所述裝置生成的；
[0034]實(shí)體處理單元，用于根據(jù)所述驚喜度和所述候選實(shí)體，獲得所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體。
[0035]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述實(shí)體獲取單元，具體用于:
[0036]根據(jù)所述指定實(shí)體以及所述指定實(shí)體的用戶行為關(guān)系特征向量，獲得所述候選實(shí)體；或者，根據(jù)知識(shí)圖譜中定義的實(shí)體，獲得所述候選實(shí)體。
[0037]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述實(shí)體處理單元，具體用于:
[0038]根據(jù)所述驚喜度由大到小的順序，對(duì)所述候選實(shí)體進(jìn)行排序，以獲得排序結(jié)果，以及將排序結(jié)果中排序靠前的至少一個(gè)候選實(shí)體作為所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體。
[0039]如上所述的方面和任一可能的實(shí)現(xiàn)方式，進(jìn)一步提供一種實(shí)現(xiàn)方式，所述裝置還包括:
[0040]向量調(diào)整單元，用于根據(jù)所述指定實(shí)體對(duì)應(yīng)的推薦實(shí)體，調(diào)整所述指定實(shí)體的特征向量，調(diào)整后獲得的特征向量用于生成所述深度融合模型。
[0041]由以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下有益效果:
[0042]本發(fā)明實(shí)施例提供的技術(shù)方案能夠通過整合實(shí)體之間的各種關(guān)系生成深度融合模型，該深度融合模型可以用于獲得實(shí)體之間的驚喜度，從而可以基于驚喜度向用戶推薦實(shí)體。與現(xiàn)有技術(shù)中，僅基于知識(shí)圖譜進(jìn)行搜索推薦的方式相比，本發(fā)明實(shí)施例所提供的推薦實(shí)體能夠更加引起用戶的興趣，所以能夠滿足用戶的搜索推薦需求，提高了推薦實(shí)體的點(diǎn)擊率。
【【附圖說明】】
[0043]為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。
[0044]圖1是現(xiàn)有技術(shù)中基于知識(shí)圖譜進(jìn)行搜索推薦的第一示例圖；
[0045]圖2是本發(fā)明實(shí)施例所提供的模型生成方法的流程示意圖；
[0046]圖3是本發(fā)明實(shí)施例所提供的深度融合模型的生成示例圖；
[0047]圖4是本發(fā)明實(shí)施例所提供的推薦方法的流程示意圖；
[0048]圖5是本發(fā)明實(shí)施例所提供的基于深度融合模型進(jìn)行搜索推薦的第一示例圖；
[0049]圖6是現(xiàn)有技術(shù)中基于知識(shí)圖譜進(jìn)行搜索推薦的第二示例圖；
[0050]圖7是本發(fā)