搜索推荐方法、装置、电子设备及可读存储介质与流程

本公开涉及人工智能，尤其涉及一种搜索推荐方法、装置、电子设备及可读存储介质。

背景技术：

1、信息检索是指根据用户的信息需求，从大量的数据中检索出相关的信息的过程。信息检索的一个重要任务是密集检索，即在结构化数据中，根据用户的提供的搜索词，快速检索出与搜索词相关的对象，例如，在电商平台，基于搜索词检索出符合用户需求的产品，并将其推荐到用户。在检索过程中，生成搜索词与平台中对象的表示是十分重要的。现有技术中基于双塔模型生成搜索词与对象的特征表示，但是无法充分利用对象和搜索词的结构化信息，导致对象和搜索词的表示缺乏语义的丰富性和灵活性，从而影响搜索推荐的效果。

技术实现思路

1、有鉴于此，本公开实施例提供了一种搜索推荐方法、装置、电子设备及可读存储介质，以解决现有技术中搜索推荐模型的推荐准确性较低的问题。

2、本公开实施例的第一方面，提供了一种搜索推荐方法，包括：获取用户输入的搜索词、多个候选对象的特征数据，候选对象的特征数据包括候选对象的多个属性特征数据；将各个候选对象的各个属性特征数据输入搜索推荐模型，对各个候选对象的各个属性特征数据进行向量嵌入，得到各个候选对象的各个初始属性特征向量；对各个候选对象的各个初始属性特征向量、候选对象的特征数据以及搜索词进行拼接，得到对应的多个第一目标输入序列，将各个第一目标输入序列输入预训练模型进行序列数据向量表征，得到对应的各个候选对象的多个第一特征向量和搜索词的多个第一特征向量；基于各个候选对象的多个第一特征向量和搜索词的多个第一特征向量进行多粒度属性特征学习，得到各个候选对象的第一多粒度属性特征矩阵；对各个候选对象的第一多粒度属性特征矩阵和各个候选对象的多个第一特征向量进行拼接，得到各个候选对象的第一目标特征矩阵；基于各个候选对象的第一目标特征矩阵和搜索词的多个第一特征向量，确定用户选择各个候选对象的概率，得到各个候选对象的第一选择概率；基于各个候选对象的第一选择概率，从多个候选对象中选取向用户推荐的第一目标对象。

3、本公开实施例的第二方面，提供了一种搜索推荐装置，包括：获取模块，用于获取用户输入的搜索词、多个候选对象的特征数据，候选对象的特征数据包括候选对象的多个属性特征数据；向量嵌入模块，用于将各个候选对象的各个属性特征数据输入搜索推荐模型，对各个候选对象的各个属性特征数据进行向量嵌入，得到各个候选对象的各个初始属性特征向量；序列向量表征模块，用于对各个候选对象的各个初始属性特征向量、候选对象的特征数据以及搜索词进行拼接，得到对应的多个第一目标输入序列，将各个第一目标输入序列输入预训练模型进行序列数据向量表征，得到对应的各个候选对象的多个第一特征向量和搜索词的多个第一特征向量；多粒度学习模块，用于基于各个候选对象的多个第一特征向量和搜索词的多个第一特征向量进行多粒度属性特征学习，得到各个候选对象的第一多粒度属性特征矩阵；候选对象表示生成模块，用于对各个候选对象的第一多粒度属性特征矩阵和各个候选对象的多个第一特征向量进行拼接，得到各个候选对象的第一目标特征矩阵；概率预测模块，用于基于各个候选对象的第一目标特征矩阵和搜索词的多个第一特征向量，确定用户选择各个候选对象的概率，得到各个候选对象的第一选择概率；推荐模块，用于基于各个候选对象的第一选择概率，从多个候选对象中选取向用户推荐的第一目标对象。

4、本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

5、本公开实施例的第四方面，提供了一种可读存储介质，该可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

6、本公开实施例与现有技术相比存在的有益效果是：通过获取用户输入的搜索词、多个候选对象的特征数据，搜索词可以表示用户的搜索意图，候选对象的特征数据包含可能推荐给用户的各种对象的详细信息，包括候选对象的标题、细节描述以及候选对象的多个属性特征数据，候选对象的属性特征数据可以为候选对象的方面值，即候选对象属性的具体类别或类别。对各个候选对象的各个属性特征数据进行向量嵌入，捕捉不同属性之间的潜在语义关系，将候选对象的离散的属性特征数据转化为连续向量空间中的表示，得到各个候选对象的各个初始属性特征向量。对各个候选对象的各个初始属性特征向量、候选对象的特征数据以及搜索词进行拼接，构建多元化的上下文信息序列，以便全面反映用户意图与候选对象匹配程度，得到对应的多个第一目标输入序列。通过预训练模型将各个第一目标输入序列进一步编码成更高级别的特征表示，提取用户搜索词与各个候选对象属性间的复杂交互信息，得到对应的各个候选对象的多个第一特征向量和搜索词的多个第一特征向量。基于各个候选对象的多个第一特征向量和搜索词的多个第一特征向量进行多粒度属性特征学习，从各个候选对象的多个第一特征向量和搜索词的多个第一特征向量中，提取出属性信息的多个粒度，以反映方面值之间的粗粒度和细粒度的语义关系，得到各个候选对象的第一多粒度属性特征矩阵，有助于捕捉不同属性特征重要性的动态变化，以便更准确地表示候选对象，有助于搜索推荐模型更深入地理解和表示候选对象的特征。将各个多粒度属性特征矩阵和各个候选对象的多个第一特征向量拼接，构造更丰富的候选对象整体表征，得到各个候选对象的第一目标特征矩阵，这是对各个候选对象特征的全面表示。基于各个候选对象的第一目标特征矩阵和搜索词的多个第一特征向量，计算用户选择每个候选对象的第一选择概率，各个候选对象的第一选择概率可以反映各个候选对象与搜索词的匹配度，根据计算得到的各个候选对象的第一选择概率，筛选出最有可能满足用户需求的第一目标对象，即具有最高概率的候选对象，将其推荐给用户。通过对搜索词和候选对象的多维度特征进行深度融合和深度学习建模，利用属性特征信息的多个粒度，捕捉属性特征之间的粗粒度和细粒度的语义关系，提高候选对象与搜索词的匹配程度，解决了现有技术中搜索推荐模型的推荐准确性较低的问题，有效地提高了搜索推荐模型的准确性。

技术特征：

1.一种搜索推荐方法，应用于搜索推荐模型，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述候选对象的多个第一特征向量包括所述候选对象的分类标识符向量和所述候选对象的多个属性特征向量，所述搜索词的多个第一特征向量包括所述搜索词的分类标识符向量，所述基于各个所述候选对象的多个第一特征向量和所述搜索词的多个第一特征向量进行多粒度属性特征学习，得到各个所述候选对象的第一多粒度属性特征矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，所述基于各个所述候选对象的第一目标特征矩阵和所述搜索词的多个第一特征向量，确定所述用户选择各个所述候选对象的概率，得到各个所述候选对象的第一选择概率，包括：

4.根据权利要求1所述的方法，其特征在于，所述将各个所述第一目标输入序列输入预训练模型进行序列数据向量表征，得到对应的各个所述候选对象的多个第一特征向量和所述搜索词的多个第一特征向量，包括：

5.根据权利要求4所述的方法，其特征在于，所述预训练模型包括循环神经网络，所述对各个所述第一目标输入序列的各个第二基本单元的融合特征向量进行自注意力处理之前，还包括：

6.根据权利要求2所述的方法，其特征在于，所述搜索推荐模型包括多分类器、层次分类器和相似度分类器，所述基于各个所述候选对象的分类标识符向量对各个所述候选对象进行全局粒度属性特征预测，得到各个所述候选对象的全局粒度属性特征向量，包括：

7.根据权利要求1所述的方法，其特征在于，所述对各个所述候选对象的各个初始属性特征向量、所述候选对象的特征数据以及所述搜索词进行拼接之前，还包括：

8.一种搜索推荐装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

技术总结本公开涉及人工智能技术领域，提供了一种搜索推荐方法、装置、电子设备及可读存储介质。该方法包括：对候选对象的各个初始属性特征向量、候选对象的特征数据以及搜索词进行拼接，将拼接结果输入预训练模型进行序列数据向量表征，得到候选对象的编码和搜索词的编码；基于候选对象的编码和搜索词的编码进行多粒度属性特征学习，得到候选对象的第一多粒度属性特征矩阵，并确定候选对象的第一目标特征矩阵；基于候选对象的第一目标特征矩阵和搜索词的编码，确定各个候选对象的第一选择概率，并从多个候选对象中选取向用户推荐的第一目标对象。解决了现有技术中搜索推荐模型的推荐准确性较低的问题，有效地提高搜索推荐模型的准确性和个性化水平。技术研发人员：杜梦雪受保护的技术使用者：北京龙智数科科技服务有限公司技术研发日：技术公布日：2024/7/29