[发明专利]一种分层神经网络查询推荐方法及装置

权利要求书

1.一种分层神经网络查询推荐方法，其特征在于，包括：

建立用于对用户短期查询记录进行建模的会话层神经网络和用于对用户长期查询记录进行建模的用户层神经网络两个神经网络，其中将当前时刻的所述会话层神经网络的状态向量作为当前时刻所述用户层神经网络的输入，将当前时刻的所述用户层神经网络的状态向量作为下一时刻的所述会话层神经网络的输入；

根据所述会话层神经网络和所述用户层神经网络，为查询会话输出查询推荐内容。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述会话层神经网络中的状态向量的值以不同的权重组合成新的会话层神经网络的状态向量；

所述根据所述会话层神经网络和所述用户层神经网络，为查询会话输出查询推荐内容，包括：

根据更新会话层神经网络状态向量后的所述会话层神经网络和所述用户层神经网络，为查询会话输出查询推荐内容。

3.根据权利要求1所述的方法，其特征在于，所述将当前时刻的所述会话层神经网络的状态向量作为当前时刻所述用户层神经网络的输入，将当前时刻的所述用户层神经网络的状态向量作为下一时刻的所述会话层神经网络的输入，包括：

将t时刻的会话层神经网络的状态向量作为t时刻用户层神经网络的输入，将t时刻用户层神经网络的状态向量作为t+1时刻会话层神经网络的输入，将t+1时刻会话层神经网络的状态向量作为t+1时刻用户层神经网络的输入，其中t大于或等于0。

4.根据权利要求3所述的方法，其特征在于，所述将t时刻用户层神经网络的状态向量作为t+1时刻会话层神经网络的输入，将t+1时刻会话层神经网络的状态向量作为t+1时刻用户层神经网络的输入，包括：

将t时刻用户层神经网络的状态向量用来初始化t+1时刻的会话层神经网络的第一个隐藏层状态向量；将t+1时刻的会话层神经网络的最后一个隐藏层状态向量作为t+1时刻用户层神经网络的输入。

5.根据权利要求4所述的方法，其特征在于，所述将t时刻用户层神经网络的状态向量用来初始化t+1时刻的会话层神经网络的第一个隐藏层状态向量，包括：

将t时刻用户层神经网络的最后一个隐藏层的状态向量用来初始化t+1时刻的会话层神经网络的第一个隐藏层状态向量。

6.根据权利要求2所述的方法，其特征在于，所述将所述会话层神经网络中的状态向量的值以不同的权重组合成新的会话层神经网络的状态向量，包括：

将所述会话层神经网络中所有隐藏层的状态向量的值以不同的权重组合成新的会话层神经网络的状态向量。

7.一种分层神经网络查询推荐装置，其特征在于，包括：

分层神经网络建立模块，用于建立用于对用户短期查询记录进行建模的会话层神经网络和用于对用户长期查询记录进行建模的用户层神经网络两个神经网络，其中将当前时刻的所述会话层神经网络的状态向量作为当前时刻所述用户层神经网络的输入，将当前时刻的所述用户层神经网络的状态向量作为下一时刻的所述会话层神经网络的输入；

推荐输出模块，用于根据所述分层神经网络建立模块建立的所述会话层神经网络和所述用户层神经网络，为查询会话输出查询推荐内容。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

注意力机制处理模块，用于将所述分层神经网络建立模块建立的会话层神经网络中的状态向量的值以不同的权重组合成新的会话层神经网络的状态向量；

所述推荐输出模块，根据更新会话层神经网络状态向量后的所述会话层神经网络和所述用户层神经网络，为查询会话输出查询推荐内容。

9.根据权利要求7所述的装置，其特征在于：

所述分层神经网络建立模块将t时刻的会话层神经网络的状态向量作为t时刻用户层神经网络的输入，将t时刻用户层神经网络的状态向量作为t+1时刻会话层神经网络的输入，将t+1时刻会话层神经网络的状态向量作为t+1时刻用户层神经网络的输入，其中t大于或等于0。

10.根据权利要求8所述的装置，其特征在于：

所述注意力机制处理模块将所述会话层神经网络中所有隐藏层的状态向量的值以不同的权重组合成新的会话层神经网络的状态向量。