一种POI搜索排序模型训练方法、排序装置与方法及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113761084A(43)申请公布日2021.12.07(21)申请号202010496959.4(22)申请日2020.06.03(71)申请人北京四维图新科技股份有限公司地址100083北京市海淀区丰豪东路四维图新大厦A座10层(72)发明人王鹏杨焕星赵楠李玉彬刘树明赵帅领王涛王涛马海军王珂苏晓朋(74)专利代理机构北京国科程知识产权代理事务所(普通合伙)11862代理人曹晓斐(51)Int.Cl.G06F16/29(2019.01)G06F16/248(2019.01)权利要求书2页说明书10页附图2页(54)发明名称一种POI搜索排序模型训练方法、排序装置与方法及介质(57)摘要本申请公开了一种基于深度学习的POI搜索排序模型训练方法、排序装置与方法及介质，属于地图导航搜索技术领域。该基于深度学习的POI搜索排序模型训练方法包括：获取搜索条目样本以及搜索条目样本对应的搜索结果样本；利用神经网络模型将搜索条目样本以及搜索结果样本进行向量表示，建立预训练向量样本库；以及通过将预训练向量样本库输入到语义匹配模型进行运算获取搜索条目样本与搜索结果样本之间的相似度，获得POI搜索排序模型，其中，将根据搜索结果样本的曝光点击率进行拟合得到的函数作为POI搜索排序模型的基准增益函数。本申请的应用使搜索结果更符合用户搜索需要，提升用户搜索体验。CN113761084ACN113761084A权利要求书1/2页1.一种基于深度学习的POI搜索排序模型训练方法，其特征在于，包括：获取搜索条目样本以及所述搜索条目样本对应的搜索结果样本；利用神经网络模型将所述搜索条目样本以及所述搜索结果样本进行向量表示，建立预训练向量样本库；以及通过将所述预训练向量样本库输入到语义匹配模型进行运算获取所述搜索条目样本与所述搜索结果样本之间的相似度，获得所述POI搜索排序模型，其中，将根据所述搜索结果样本的曝光点击率进行拟合得到的函数作为所述POI搜索排序模型的归一化折损累计增益函数中的基准增益函数。2.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，根据从日志统计出的所述搜索结果样本的点击数据和位置数据获得所述曝光点击率。3.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，所述搜索条目样本包括所述搜索条目的点击量数据，所述搜索结果样本包括所述搜索结果的点击量数据。4.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，所述建立预训练向量样本库的过程还包括，利用所述神经网络模型将与所述搜索条目样本相关的搜索特征样本进行向量表示。5.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，所述搜索特征样本包括用户行为特征、用户身份特征和第三特征中的至少一个，所述用户行为特征包括用户在搜索过程中的点击行为和筛选行为。6.如权利要求5所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，将稀疏的用户身份信息进行聚类获得所述用户身份特征，所述用户身份特征包括用户所在地信息以及用户行程信息。7.如权利要求1所述的基于深度学习的POI搜索排序模型训练方法，其特征在于，利用局部可解释性，确定不同的所述搜索特征样本对所述POI搜索排序模型排序结果的影响程度。8.一种基于深度学习的POI搜索排序装置，其特征在于，包括基于深度学习的POI搜索排序模型，还包括：搜索结果召回模块，其将输入的搜索问题所对应的搜索结果候选集进行召回；细粒度排序模块，其在所述搜索结果候选集的大小低于预定阈值的情况下，则，利用所述基于深度学习的POI搜索排序模型对所述搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；在所述搜索结果候选集的大小不低于所述预定阈值的情况下，则，对所述搜索结果候选集中的搜索结果使用基于非深度学习的快速排序模型进行粗粒度排序，获得粗粒度排序搜索结果，对所述粗粒度排序搜索结果利用所述基于深度学习的POI搜索排序模型进行细粒度排序，获得第二细粒度排序搜索结果；以及排序搜索结果微调模块，其根据业务逻辑，对所述第一细粒度排序搜索结果或所述第二细粒度排序搜索结果进行微调，获得拟输出的排序搜索结果。9.一种基于深度学习的POI搜索排序方法，其特征在于，包括：2CN113761084A权利要求书2/2页将输入的搜索问题所对应的搜索结果候选集进行召回；若所述搜索结果候选集的大小低于预定阈值，则，利用所述基于深度学习的POI搜索排序模型对所述搜索结果候选集中的搜索结果进行细粒度排序，获得第一细粒度排序搜索结果；若所述搜索结果候选集的大小不低于所述预定阈值，则，对所述搜索结果候选集中的搜索结果使用基于非深度学习的快