[发明专利]运用标签知识网络的搜索方法及装置

说明书

本申请公开了一种运用标签知识网络的搜索方法及装置。方法包括:获取多个推荐物品，对每个推荐物品相关的文本信息进行标签提取得到对应的一个或多个物品标签，并确定由所有物品标签构成的物品标签集；确定用户对不同物品的历史行为数据，根据历史行为数据分析出用户偏好的用户标签，并确定由所有用户标签构成的用户标签集；通过物品标签集、知识图谱以及word2vec模型构建标签知识网络；根据物品标签集、用户标签集以及标签知识网络生成推荐物品的物品特征向量以及用户的用户特征向量；通过物品特征向量或用户特征向量分别检索得到相关物品或相关用户；从而既能保证内容算法召回结果的相关性，又能解决标签召回结果语义局限，扩展性差的缺陷。

技术领域

本申请涉及智能搜索技术领域，具体而言，涉及一种运用标签知识网络的搜索方法及装置。

背景技术

随着互联网技术和社会化网络的发展，每天有大量的信息包括文字资讯，图片，视频等发布到互联网上。传统的搜索技术已经无法满足用户对信息发现的需求，而个性化推荐系统正是为了解决信息过载问题应运而生。它能根据用户的兴趣和行为，向用户推荐所需要的信息，帮助用户在海量的信息中快速发现和满足，以此来提高用户对产品的黏性，提高用户留存，提高产品的竞争力。

目前常用的推荐算法有基于内容的召回算法，基于协同过滤的召回算法(基于用户的协同过滤和基于物品的协同过滤)，基于模型学习的召回算法(从简单的逻辑回归模型到梯度提升树，再到深度学习)等。其中基于内容的召回算法是一种最普遍但又非常重要的推荐算法。它的关键点是标签体系的构建和挖掘，要先将推荐的物品(比如资讯，图片，视频等)分解为一系列的标签；然后根据用户对物品的行为(比如浏览，点击，购买等)将用户也描述为一系列的标签集合，这一系列的标签就是我们对用户特征的刻画，即用户画像；最后我们通过用户喜欢的标签来召回用户喜欢的物品。

本文在基于内容召回算法的基础上引入标签知识网络，设计一种基于标签知识网络的搜索应用系统，基于标签知识网络将用户和物品特征向量化，然后通过向量搜索来进行相似物品、相似用户、用户喜欢的物品的召回。

基于内容的召回算法有较多优势，比如能从物品(item，下文item等同于物品)数据中可以挖掘很多有效信息，能够使得新物品被快速推出，有非常好的解释性。但是它也有如下缺点：

1.召回结果语义局限，扩展性差

基于内容的召回算法都是通过标签来召回结果，但是由于标签固定，导致召回的结果很局限，而且延伸比较难。比如通过“孙悟空”这个标签只能召回和孙悟空相关的信息，像孙悟空三打白骨精，孙悟空大闹天宫等信息，但是很难召回有关猪八戒的信息(孙悟空和猪八戒西游记里的主角之一，是师兄弟关系)，除非某个物品同时包含孙悟空和猪八戒两个标签。毕竟对于广大的西游迷而言，孙悟空和猪八戒缺一不可。

2.相似用户和相似物品挖掘精度较差

推荐系统较少使用标签来挖掘相似用户和物品，主要因为标签太精细，扩展性差。物品的标签一般都是根据物品的文本信息使用机器来生成，因为面对海量的物品，人工标注成本太高。而简易模型不像知识专家有丰富的先验知识，无法辨别“刘德华”和“华仔”是否是同一语义的标签。

针对相关技术中召回结果语义局限，扩展性差，以及相似用户和相似物品挖掘精度较差的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种运用标签知识网络的搜索方法及装置，以解决相关技术中存在的至少一个问题。

为了实现上述目的，根据本申请的一个方面，提供了一种运用标签知识网络的搜索方法。

获取多个推荐物品，对每个推荐物品相关的文本信息进行标签提取得到对应的一个或多个物品标签，并确定由所有所述物品标签构成的物品标签集；