[发明专利]图片搜索相关性预测模型的建立、图片搜索方法和装置

权利要求书

1.一种图片搜索相关性预测模型的建立方法，其特征在于，包括：

使用训练样本对预先构建的原始深层神经网络进行训练；

其中，所述训练样本包括：查询式以及图片数据，所述原始深层神经网络包括：表示向量生成网络以及相关计算网络，所述表示向量生成网络用于将所述训练样本中不同类型的数据转换为表示向量并输入至所述相关计算网络，所述相关计算网络用于将输入的至少两个表示向量转换为一个相关性度量值；

将训练完成的所述原始深层神经网络作为所述图片搜索相关性预测模型；

其中，所述训练样本具体包括：由训练查询式，以及与所述训练查询式分别对应的正样本图片以及负样本图片构成的正负训练对；

所述使用训练样本对预先构建的原始深层神经网络进行训练具体包括：

构造两个相同的原始深层神经网络分别用于接收由训练查询式、正样本图片构成的正训练对，以及由训练查询式、负样本图片构成的负训练对，实现模型训练。

2.根据权利要求1所述的方法，其特征在于，所述图片数据包括：图片关联文本数据、图片内容数据以及图片关联特征数据；

其中，所述图片关联特征数据包括：与所述图片对应的点击查询式，和/或所述图片的质量特征参数。

3.根据权利要求1所述的方法，其特征在于，所述相关计算网络包括：隐藏层集以及与所述隐藏层集的输出端相连的输出层；

其中，所述隐藏层集包括一个或者多个首尾相连的隐藏层，所述向量生成网络的表示向量输出端与所述隐藏层集的输入端相连，所述输出层输出所述相关性度量值。

4.根据权利要求1所述的方法，其特征在于，所述相关计算网络包括：第一隐藏层集、与所述第一隐藏层集的输出端相连的第一标准向量表示单元、第二隐藏层集、与所述第二隐藏层集的输出端相连的第二标准向量表示单元、以及与所述第一标准向量表示单元和所述第二标准向量表示单元的输出端分别相连的向量距离计算单元；

其中，所述隐藏层集包括一个或者多个首尾相连的隐藏层，所述表示向量生成网络中与所述查询式对应的表示向量输出端与所述第一隐藏层集的输入端相连，所述表示向量生成网络中与所述图片数据对应的表示向量输出端与第二隐藏层集的输入端相连，所述向量距离计算单元输出所述相关性度量值。

5.根据权利要求3或4所述的方法，其特征在于，所述隐藏层包括至少两个神经单元，所述输出层包括一个神经单元；

其中，所述表示向量生成网络所生成的向量维数、所述相关计算网络中包括的隐藏层的数量、隐藏层中包括的神经单元数量、神经单元的响应函数类型以及神经单元输出的正则化方法根据任务进行预先设置。

6.根据权利要求1所述的方法，其特征在于，使用训练样本对预先构建的原始深层神经网络进行训练包括：

选取设定数量的训练样本；

依次获取一个训练样本输入至所述原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，对所述原始深层神经网络中的加权参数进行调整；

返回执行获取一个训练样本输入至所述原始深层神经网络的操作，直至达到预先设定的训练结束条件。

7.根据权利要求6所述的方法，其特征在于，依次获取一个训练样本输入至所述原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，对所述原始深层神经网络中的加权参数进行调整具体包括：

将所述训练查询式以及与所述正样本图片对应的图片数据输入至与所述原始深层神经网络结构相同的第一网络中，并获取所述第一网络输出的第一预测值；

将所述训练查询式以及与所述负样本图片对应的图片数据输入至与所述第一网络结构相同的第二网络中，并获取第二网络输出的第二预测值；

根据所述第一预测值、所述第二预测值以及所述正样本图片与所述负样本图片之间的相关性偏序，计算损失函数；

采取设定权值更新算法，沿着最小化损失函数的方向，反向逐层更新所述第一网络以及所述第二网络中各层的加权参数。