[发明专利]一种基于word2vec的房源词向量训练方法及装置

权利要求书

1.一种基于word2vec的房源词向量训练方法，其特征在于，包括以下步骤：

S10将用户的房源点击行为数据集按房源ID分割成若干房源ID的点击序列，一房源ID的点击序列，由若干房源ID的点击序列生成训练数据集，每个训练数据的结构：第一列为当前点击行为的下单或未下单标签，其后列为同一房源ID按时间顺序排列的点击行为数据集，其中后列末尾为同一房源ID的当前点击行为数据；

S20输入训练数据集，统计训练数据集生成语料库，在训练数据集中抽取房源ID及其对应城市的同城ID的点击序列生成若干房源ID二元组，统计若干房源ID二元组，生成房源词典；

S30在word2vec的skipgram模型中输入有下单标签的房源ID，以滑窗方式获取其正样本；在房源词典的若干房源ID二元组中采样其同城ID的第一负样本；在房源词典中采样其非同城ID的第二负样本；

S40将其正样本、第一负样本和第二负样本一起作为训练样本，使用skipgram模型进行训练，输出房源ID对应的词向量。

2.如权利要求1所述的基于word2vec的房源词向量训练方法，其特征在于，所述点击行为数据的满足条件为：

(1)同一用户点击行为间隔大于30分钟；

(2)同一用户访问房源的城市ID发生变化，视为新的点击行为数据。

3.如权利要求1所述的基于word2vec的房源词向量训练方法，其特征在于，所述S30中以滑窗方式获取其正样本的步骤具体为：

S301输入有下单标签的房源ID的点击序列至word2vec的skipgram模型；

S302设置skipgram模型的滑窗窗口大小，在上述所输入有下单标签的房源ID的点击序列中沿滑窗滑动方式根据滑窗窗口大小获取房源ID的滑窗正样本，所述滑窗正样本是滑窗中除当前滑窗中心房源ID的其他点击行为数据，所述滑窗窗口大小决定滑窗正样本的数量；

S303随着滑窗正样本在房源ID的点击序列中滑动，将当前点击行为数据融入滑窗正样本生成正样本，获取正样本。

4.如权利要求1所述的基于word2vec的房源词向量训练方法，其特征在于，所述S30中所述采样其同城ID的第一负样本和采样其非同城ID的第二负样本的方法为：

S304在房源词典中屏蔽所输入下单标签的房源ID的点击序列；

S305利用负采样算法,在房源词典的二元组中，从房源ID的同城ID中采样第一负样本；

S306利用负采样算法,在房源词典的二元组中，从房源ID的非同城ID中采样第二负样本。

5.一种基于word2vec的房源词向量训练装置，其特征在于，包括：

制定模块，用于将用户的房源点击行为数据集按房源ID分割成若干房源ID的点击序列，一房源ID的点击序列，由若干房源ID的点击序列生成训练数据集，每个训练数据的结构：第一列为当前点击行为的下单或未下单标签，其后列为同一房源ID按时间顺序排列的点击行为数据集，其中后列末尾为同一房源ID的当前点击行为数据；

生成模块，用于输入训练数据集，统计训练数据集生成语料库，在训练数据集中抽取房源ID及其对应城市的同城ID的点击序列生成若干房源ID二元组，统计若干房源ID二元组，生成房源词典；

获取模块，用于在word2vec的skipgram模型中输入有下单标签的房源ID，以滑窗方式获取其正样本；在房源词典的若干房源ID二元组中采样其同城ID的第一负样本；在房源词典中采样其非同城ID的第二负样本；

模型训练模块，用于将其正样本、第一负样本和第二负样本一起作为训练样本，使用skipgram模型进行训练，输出房源ID对应的词向量。