[发明专利]基于深度学习注意力机制的个性化商品检索方法及装置

权利要求书

1.一种基于深度学习注意力机制的个性化商品检索方法，其特征在于，包括：

步骤1：构建基于注意力机制的短期偏好模型；所述步骤1具体包括：

给定当前的查询，采用神经网络来估计前m个查询与当前查询之间的相关程度，并采用不同的注意力权重来表示；其中，m为正整数；

将获得的注意力权重乘以对应的商品表示，输入至RNN模型中，输出表示基于注意力机制的短期偏好的m个向量；

步骤2：构建基于注意力机制的长期偏好模型；所述步骤2具体包括：

采用最初购买的m个商品表示来初始化其长期偏好，并利用与构建基于注意力机制的短期偏好模型的相同原理，得到基于注意力机制的长期偏好模型；

之后每经过m个商品，就更新一次当前用户的长期偏好，获得更新后的基于注意力机制的长期偏好模型；

步骤3：查询再表示；其过程为：融合基于注意力机制的短期偏好模型、基于注意力机制的长期偏好模型以及当前查询，通过多层全连接网络来学习三者之间的交互关系，得到重组的查询表示，并采用一个距离函数来界定所有商品与当前查询的相关程度；

步骤4：训练所述多层全连接网络结束后，对每个用户提交的新查询，得到所有商品与当前查询的距离值，再将所有距离值从高到低进行排序，并将前n个距离值对应的商品返回给用户，其中，n为正整数。

2.如权利要求1所述的一种基于深度学习注意力机制的个性化商品检索方法，其特征在于，该方法还包括：

采用“基于成对”的学习方法来训练所述多层全连接网络。

3.如权利要求1所述的一种基于深度学习注意力机制的个性化商品检索方法，其特征在于，在所述步骤1中，采用一个两层的神经网络来估计前m个查询与当前查询之间的相关程度。

4.如权利要求1所述的一种基于深度学习注意力机制的个性化商品检索方法，其特征在于，在所述步骤3中，所述距离函数为余弦距离，或点积，或欧式距离，或曼哈顿距离。

5.一种基于深度学习注意力机制的个性化商品检索装置，其特征在于，包括个性化商品检索处理器，所述个性化商品检索处理器包括：

短期偏好模型构建模块，其被配置为：构建基于注意力机制的短期偏好模型；所述短期偏好模型构建模块具体包括：

注意力权重获取子模块，其被配置为：给定当前的查询，采用神经网络来估计前m个查询与当前查询之间的相关程度，并采用不同的注意力权重来表示；其中，m为正整数；及

短期偏好表示子模块，其被配置为：将获得的注意力权重乘以对应的商品表示，输入至RNN模型中，输出表示基于注意力机制的短期偏好的m个向量；

长期偏好模型构建模块，其被配置为：构建基于注意力机制的长期偏好模型；所述长期偏好模型构建模块具体包括：

长期偏好初始化及构建子模块，其被配置为：采用最初购买的m个商品表示来初始化其长期偏好，并利用与构建基于注意力机制的短期偏好模型的相同原理，得到基于注意力机制的长期偏好模型；

长期偏好更新子模块，其被配置为：之后每经过m个商品，就更新一次当前用户的长期偏好，获得更新后的基于注意力机制的长期偏好模型；

查询再表示模块，其配置为：融合基于注意力机制的短期偏好模型、基于注意力机制的长期偏好模型以及当前查询，通过多层全连接网络来学习三者之间的交互关系，得到重组的查询表示，并采用一个距离函数来界定所有商品与当前查询的相关程度；

商品返回模块，其配置为：训练所述多层全连接网络结束后，对每个用户提交的新查询，得到所有商品与当前查询的距离值，再将所有距离值从高到低进行排序，并将前n个距离值对应的商品返回给用户，其中，n为正整数。

6.如权利要求5所述的一种基于深度学习注意力机制的个性化商品检索装置，其特征在于，所述个性化商品检索处理器还包括：

模型训练模块，其被配置为：采用“基于成对”的学习方法来训练所述多层全连接网络。

7.如权利要求5所述的一种基于深度学习注意力机制的个性化商品检索装置，其特征在于，在所述注意力权重获取子模块中，采用一个两层的神经网络来估计前m个查询与当前查询之间的相关程度。

8.如权利要求5所述的一种基于深度学习注意力机制的个性化商品检索装置，其特征在于，在所述查询再表示模块中，所述距离函数为余弦距离，或点积，或欧式距离，或曼哈顿距离。