模型生成方法及装置、推荐方法及装置的制造方法
【专利说明】
【技术领域】
[0001]本发明涉及搜索技术领域，尤其涉及一种模型生成方法及装置、推荐方法及装置。【【背景技术】】
[0002]目前，在进行搜索推荐时，是基于在用户的主搜索需求得到满足的情况下，通过向用户提供与查询词相关的其他可能有兴趣的内容，来激发用户的潜在需求。例如，请参考图1，其为现有技术中基于知识图谱进行搜索推荐的第一示例图，如图所示，在用户查询“普林斯顿大学”时，在搜索结果页的非搜索结果区域可以推荐图1所示的普林斯顿大学的著名校友，这是与查询词“普林斯顿大学”非常相关的推荐实体。
[0003]然而，现有技术中，基于知识图谱进行搜索推荐时，推荐的实体往往是众所周知，不能引起的用户兴趣。因此，这种搜索推荐方式不能满足用户搜索推荐需求，导致推荐实体的点击率比较低。
【
【发明内容】
】
[0004]有鉴于此，本发明实施例提供了一种模型生成方法及装置、推荐方法及装置，通过整合实体之间的各种关系生成深度融合模型，深度融合模型可以用于获得实体之间的惊喜度，从而可以基于惊喜度向用户推荐实体，满足了用户的搜索推荐需求，提高了推荐实体的点击率。
[0005]本发明实施例的一方面，提供一种模型生成方法，包括:
[0006]获得知识图谱中各实体的文档内容特征向量、各实体之间的逻辑关联关系特征向量、各实体的用户行为关系特征向量和各实体的特征向量中至少一个；
[0007]根据所述文档内容特征向量、所述逻辑关联关系特征向量、所述用户行为关系特征向量和所述特征向量中至少一个进行机器学习，生成深度融合模型。
[0008]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，获得各实体的用户行为关系特征向量，包括:
[0009]获取用户的历史搜索行为记录；
[0010]根据所述历史搜索行为记录，获得用户针对所述各实体的搜索行为和点击行为；
[0011]根据用户针对所述各实体的搜索行为和点击行为，获得所述各实体的用户行为关系特征向量。
[0012]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，获得各实体的特征向量，包括:根据知识图谱中定义的实体，为各实体随机生成所述特征向量。
[0013]本发明实施例的一方面，提供一种推荐方法，包括:
[0014]获得指定实体对应的候选实体；
[0015]将所述指定实体的文档内容特征向量、指定实体与候选实体之间的逻辑关联关系特征向量、所述指定实体的用户行为关系特征向量和指定实体的特征特征向量中至少一个，以及所述候选实体的文档内容特征向量和所述候选实体的特征向量中至少一个，输入深度融合模型，以获得所述候选实体的惊喜度；所述深度融合模型为利用权利要求1至3中一项所述方法获得的；
[0016]根据所述惊喜度和所述候选实体，获得所述指定实体对应的推荐实体。
[0017]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获得指定实体对应的候选实体，包括:
[0018]根据所述指定实体以及所述指定实体的用户行为关系特征向量，获得所述候选实体；或者，根据知识图谱中定义的实体，获得所述候选实体。
[0019]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述惊喜度和所述候选实体，获得所述指定实体对应的推荐实体，包括:
[0020]根据所述惊喜度由大到小的顺序，对所述候选实体进行排序，以获得排序结果，以及将排序结果中排序靠前的至少一个候选实体作为所述指定实体对应的推荐实体。
[0021]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括:
[0022]根据所述指定实体对应的推荐实体，调整所述指定实体的特征向量，调整后获得的特征向量用于生成所述深度融合模型。
[0023]本发明实施例的一方面，提供一种模型生成装置，包括:
[0024]向量获取单元，用于获得知识图谱中各实体的文档内容特征向量、各实体之间的逻辑关联关系特征向量、各实体的用户行为关系特征向量和各实体的特征向量中至少一个；
[0025]模型生成单元，用于根据所述文档内容特征向量、所述逻辑关联关系特征向量、所述用户行为关系特征向量和所述特征向量中至少一个进行机器学习，生成深度融合模型。
[0026]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述向量获取单元，具体用于:
[0027]获取用户的历史搜索行为记录；
[0028]根据所述历史搜索行为记录，获得用户针对所述各实体的搜索行为和点击行为；
[0029]根据用户针对所述各实体的搜索行为和点击行为，获得所述各实体的用户行为关系特征向量。
[0030]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述向量获取单元，具体用于:根据知识图谱中定义的实体，为各实体随机生成所述特征向量。
[0031]本发明实施例的一方面，提供一种推荐装置，包括:
[0032]实体获取单元，用于获得指定实体对应的候选实体；
[0033]惊喜度获取单元，用于将所述指定实体的文档内容特征向量、指定实体与候选实体之间的逻辑关联关系特征向量、所述指定实体的用户行为关系特征向量和指定实体的特征特征向量中至少一个，以及所述候选实体的文档内容特征向量和所述候选实体的特征向量中至少一个，输入深度融合模型，以获得所述候选实体的惊喜度；所述深度融合模型为利用权利要求8至10中一项所述装置生成的；
[0034]实体处理单元，用于根据所述惊喜度和所述候选实体，获得所述指定实体对应的推荐实体。
[0035]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述实体获取单元，具体用于:
[0036]根据所述指定实体以及所述指定实体的用户行为关系特征向量，获得所述候选实体；或者，根据知识图谱中定义的实体，获得所述候选实体。
[0037]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述实体处理单元，具体用于:
[0038]根据所述惊喜度由大到小的顺序，对所述候选实体进行排序，以获得排序结果，以及将排序结果中排序靠前的至少一个候选实体作为所述指定实体对应的推荐实体。
[0039]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括:
[0040]向量调整单元，用于根据所述指定实体对应的推荐实体，调整所述指定实体的特征向量，调整后获得的特征向量用于生成所述深度融合模型。
[0041]由以上技术方案可以看出，本发明实施例具有以下有益效果:
[0042]本发明实施例提供的技术方案能够通过整合实体之间的各种关系生成深度融合模型，该深度融合模型可以用于获得实体之间的惊喜度，从而可以基于惊喜度向用户推荐实体。与现有技术中，仅基于知识图谱进行搜索推荐的方式相比，本发明实施例所提供的推荐实体能够更加引起用户的兴趣，所以能够满足用户的搜索推荐需求，提高了推荐实体的点击率。
【【附图说明】】
[0043]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0044]图1是现有技术中基于知识图谱进行搜索推荐的第一示例图；
[0045]图2是本发明实施例所提供的模型生成方法的流程示意图；
[0046]图3是本发明实施例所提供的深度融合模型的生成示例图；
[0047]图4是本发明实施例所提供的推荐方法的流程示意图；
[0048]图5是本发明实施例所提供的基于深度融合模型进行搜索推荐的第一示例图；
[0049]图6是现有技术中基于知识图谱进行搜索推荐的第二示例图；
[0050]图7是本发