明实施例所提供的基于深度融合模型进行搜索推荐的第二示例图；
[0051]图8是本发明实施例所提供的模型生成装置的功能方块图；
[0052]图9是本发明实施例所提供的推荐装置的功能方块图。
【【具体实施方式】】
[0053]为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
[0054]应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0055]在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0056]应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示:单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0057]取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0058]实施例一
[0059]本发明实施例给出一种模型生成方法，请参考图2，其为本发明实施例所提供的模型生成方法的流程示意图，如图所示，该方法包括以下步骤:
[0060]S201，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。
[0061]S202，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。
[0062]需要说明的是，知识图谱中定义了各实体以及各实体的相关信息；所述实体指的是现实生活中的事物，如人物、物品、虚拟人物或者地点等。
[0063]请参考图3，其为本发明实施例所提供的深度融合模型的生成示例图，如图所示，本发明实施例中，在生成深度融合模型之前，对于知识图谱中任意两个实体el和e2，需要获得实体el的文档内容特征向量s1、实体e2的文档内容特征向量s2、实体el与实体e2之间的逻辑关联关系特征向量k、实体el与实体e2的用户行为关系特征向量c、实体el的特征向量pl以及实体e2的特征向量p2。
[0064]举例说明，本发明实施例中，获得各实体的文档内容特征向量的方法可以包括但不限于:可以利用卷积神经网络，对实体el的文档dl进行建模，以及对实体e2的文档d2进行建模，以获得实体el的文档内容特征向量sl，以及实体e2的文档内容特征向量s2。
[0065]例如，以实体el为例进彳丁说明:可以先从知识图谱中获得实体el的文档dl，例如，实体el的百科页中的文本可以作为实体el的文档dl。然后，从文档dl中提取词特征向量w 1?wn。接着，词特征向量w 1?wn在卷积层中进行卷积运算，以获得向量特征。最后，在最大池化层对卷积层输出的向量特征进行最大值池化处理，以获得实体el的文档内容特征向量sl。其中，实体的文档内容特征向量以和卷积运算时所使用的卷积模型，可以生成深度融合模型时，基于深度神经网络进行深度机器训练的过程中进行自动优化。
[0066]举例说明，本发明实施例中，获得各实体之间的逻辑关联关系特征向量的方法可以包括但不限于:可以从知识图谱中获得实体el与实体e2的之间的逻辑关联关系特征向量k。可以理解的是，逻辑关联关系特征向量k可以表示在知识图谱中实体el与实体e2之间的逻辑关联关系。
[0067]举例说明，本发明实施例中，获得用户行为关系向量的方法可以包括但不限于:
[0068]首先，获取用户的历史搜索行为记录。然后，根据所述用户的历史搜索行为记录，获得用户针对所述各实体的搜索行为和点击行为。最后，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。
[0069]可以理解的是，本发明实施例中，各实体的用户行为关系特征向量中包含若干数值，每个数值可以表示该实体与另一实体之间的一种用户行为关系，所以用户行为关系特征向量也可以理解成一个实体与另一个实体之间的用户行为关系特征向量。
[0070]例如，用户在搜索引擎中搜索完实体el之后，点击了搜索结果页面右侧的推荐实体中的实体e2，则实体el与实体e2的用户行为关系特征向量的中点击次数加1。以及，用户在搜索引擎中搜索完实体el之后，又在搜索引擎中搜索实体e2，则实体el与实体e2的用户行为关系特征向量中的搜索次数加1 ;以及，用户在搜索引擎中搜索完实体el之后，所点击的一个搜索结果中包含另一个实体e2的信息，则实体el与实体e2的用户行为关系特征向量中的跳转次数加1。可以理解的是，上述获得用户行为关系特征向量中数值的统计方式仅为举例说明，本发明实施例中，对于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的方式不进行特别限定。
[0071]本发明实施例中，实体的特征向量中包含的是与该实体的相关性比较低但更能引起用户惊喜的其他实体，与该实体没有特别明显的关联关系。
[0072]举例说明，本发明实施例中，获得各实体的特征向量的方法可以包括但不限于:
[0073]可以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。或者，还可以在根据随机生成的特征向量，生成深度融合模型之后，利用深度融合模型为指定实体获得对应的推荐实体，然后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，然后，再利用调整后获得的特征向量，重新进行机器学习，以生成新的深度融合模型，从而实现了特征向量和深度融合模型的不断优化。或者，还可以在利用深度神经网络进行深度机器学习的过程中，通过训练误差的反向传播优化机制，调整所述指定实体的特征向量。
[0074]在一个具体的实现过程中，如图3所示，可以将获得的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输入深度神经网络，深度神经网络根据输入的向量对用户偏好进行深度机器学习，以生成深度融合模型。
[0075]实施例二
[0076]本发明实施例给出一种推荐方法，本实施例所提供的推荐方法中所使用的深度融合模型是利用上述实施例一所提供的模型生成方法中生成的深度融合模型。请参考图4，其为本发明实施例所提供的推荐方法的流程示意图，如图所示，该方法包括以下步骤:
[0077]S401，获得指定实体对应的候选实体。
[0078]S402，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上述模型生成方法获得的。
[0079]S403，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。
[0080]举例说明，本发明实施例中，获得指定实体对应的候选实体的方法可以包括但不限于以下两种:
[0081]第一种:根据知识图谱中定义的实体，获得所述候选实体。例如，可以将知识图谱中定义的所有实体都作为所述候选实体。
[0082]第二种:根据用户输入的指定实体的名称，获得指定实体的若干用户行为关系特征向量；然后，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。
[0083]可以理解的是，在上述实施例一中可以在获得各实体的用户行为关系特征向量之后