[发明专利]融合注意力机制的个性化搜索方法和搜索系统

说明书

本发明公开了一种融合注意力机制的个性化搜索方法和搜索系统，其中搜索方法包括：1、收集并获取用户在互联网信息媒体中生成的大量用户生成内容，进行向量化表示；2、构建优势项目群体；3、构建并训练融合注意力机制的用户偏好感知模型，该模型基于DBN，由三层RBM组成；4、构建基于用户偏好的分布估计概率模型；5、设定种群大小N，采用基于用户偏好的分布估计概率模型，生成N个新个体；6、在搜索空间中选择与N个新个体相似度最高的N个项目，构成待推荐项目集合S^u；7、计算S^u中各项目的适应值；8、选择S^u中适应值最高的前TopN个项目作为搜索结果，进行个性化推荐。该方法考虑了不同决策分量对于用户偏好的影响力不同，能够帮助用户更有效地进行个性化搜索。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种个性化搜索方法和搜索系统。

背景技术

随着大数据、云计算、物联网等技术的迅猛发展，互联网规模和用户数量急剧增加，用户已经成为数据的主动创造者，聚集了大量多源异构用户生成内容，各类信息错综复杂并呈现爆炸式增长。用户生成内容包含海量多源异构且动态演化的复杂数据，具有来源与结构多样化、稀疏性、多模态、不完整性、传播社会性等特点，蕴含着丰富的有价值信息和巨大的挖掘潜力，也是各类互联网平台和移动应用商家获取信息、提升业绩与服务的重要来源，成为一类典型的大数据环境。然而，这些复杂多源异构用户生成内容给用户带来新资讯的同时，也增加了用户筛选、甄别和处理信息并最终做出决策的难度，即带来了“信息过载”问题。个性化搜索和推荐算法作为连接用户与信息的桥梁，能够充分利用海量多源异构用户生成数据，根据用户潜在需求与认知偏好预测用户行为和发展动态，尽可能帮助用户从海量信息中筛选出与用户需求和兴趣偏好相符的内容，有效缓解“信息过载”，提升用户的使用体验和网站平台的商业利益。

面向用户生成内容的个性化搜索任务，其本质是在多源异构用户生成数据构成的动态演化空间中搜寻满足用户需求及个性化偏好的优化目标，即一类动态定性指标优化问题。由于这类复杂定性指标优化问题，不仅其目标函数和性能指标不能用数学函数准确描述，甚至其优化问题的决策变量也不再是简单的结构化数据，往往具有较大的主观性、模糊性、不确定性及不一致性，需要用户依据经验知识和兴趣偏好对于待搜索项目进行定性分析、评价和决策，从而难以建立具体精确的数学模型进行描述。近年来提出的融入人类智能评价的交互式协同进化计算，将用户主观认知经验、智能评价决策与传统进化计算相结合，是处理上述复杂个性化搜索定性指标优化问题的有效途径。

申请号为CN2020102165574的中国专利公开了一种基于受限玻尔兹曼机驱动的交互式个性化搜索方法，其中用户兴趣偏好模型的构建未考虑描述不同项目属性决策变量对于用户偏好影响力不同，而对于所用项目的决策变量采用了相同权重，不能够充分体现各决策变量对于用户偏好的影响，从而难以构建更加精确的用户偏好模型，进一步影响用户进行个性化搜索的效果。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种融合注意力机制的个性化搜索方法和搜索系统，其中搜索方法考虑了不同决策分量对用户偏好的影响力不同，能够帮助用户更有效地进行个性化搜索。

技术方案：本发明一方面公开了一种融合注意力机制的个性化搜索方法，包括：

步骤1、收集并获取用户生成内容，所述用户生成内容包括用户u已评价的所有项目、对每个项目的评分和文本评论、每个项目的图像、其他用户对用户u所做评价的有用性评价得分；将文本评论进行向量化，项目图像进行特征提取，获取特征向量；