[發明專利]一種圖書館智能搜索排序方法及系統

有效

• 申請號: 201710160587.6
• 申請日: 2017-03-17
• 公開（公告）號: CN106844788B
• 公開（公告）日: 2020-02-18
• 發明（設計）人: 于慧;胡雪華;徐小紅
• 申請（專利權）人: 重慶文理學院
• 主分類號: G06F16/245
• 分類號: G06F16/245;G06F16/248;G06N3/08
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 王震秀

1.一種圖書館智能搜索排序方法，其特征在于：包括以下步驟：

獲取檢索信息；

利用循環卷積網絡處理檢索信息，提取特征向量；

將特征向量送入卷積神經網絡，輸出與圖書館圖書數目相同維度的預測向量；

利用softmax函數對預測向量進行歸一化計算生成對應于每本圖書的預測概率；

對預測概率進行排序，按概率從高到低輸出排序結果；

將圖書預測排序結果存入數據庫中；

其中，根據所述排序結果和用戶對輸入檢索信息所點擊選擇圖書按照以下公式計算出用于衡量模型預測錯誤程度的累積誤差值β：

式中，n為累積預測次數，p_i,1為第i次預測時預測結果中排序最大的概率值，，p_i,j為第i次預測時用戶對輸入檢索信息所點擊選擇圖書對應的預測概率值，j為其對應的排序位置；

判斷累積誤差值β與設定門限值的關系，并按照以下方式對智能檢索預測排序模塊模型進行更新：

當更新調度模塊檢測到累積誤差值β大于設定門限值時，從數據庫中隨機選擇多個樣本組成訓練集，啟動智能檢索模型訓練器，對模型進行重新訓練；并且對訓練的多個模型對在數據庫中隨機選取的N個樣本計算累積誤差值β，選擇其中累積誤差值最小的模型更新智能檢索預測排序模塊模型；

所述從數據庫中選擇樣本包括：用戶輸入檢索信息、用戶檢索時間、模型預測排序結果及用戶對應輸入檢索信息所點擊選擇圖書；

所述智能模型檢索訓練器訓練過程中，softmax函數所在層學習率根據樣本采集時間和訓練時間按照以下公式進行計算：

式中，λ₀為固定學習率，t為模型訓練時間，單位為秒，為對應樣本保存時間，即為樣本用戶檢索時間，單位為秒。

2.如權利要求1所述的圖書館智能搜索排序方法，其特征在于：所述循環卷積網絡采用長短時記憶模型LSTM；所述卷積神經網絡采用GoogleNet網絡模型結構。

3.一種圖書館智能搜索排序系統，其特征在于：包括數據庫、智能檢索模型訓練器、更新調度模塊以及智能檢索預測排序模塊；

所述數據庫用于存儲圖書館所有圖書的檢索信息；

所述智能檢索模型訓練器，根據數據庫存儲的檢索信息和輸入信息對卷積神經網模型進行訓練，存儲訓練完成的網絡模型；

所述智能檢索預測排序模塊，通過智能檢索模型訓練器訓練完成的網絡模型，對用戶輸入的檢索信息進行計算，對圖書館圖書按預測概率大小進行從大到小排序，輸出排序結果；

所述更新調度模塊，用于對智能檢索模型訓練器的啟動和智能檢索預測排序模塊中模型進行更新；

其中，所述更新調度模塊按照以下公式來實現智能檢索預測排序模塊的更新：

按照以下公式計算模型預測錯誤程度：

式中，n為累積預測次數，p_i,1為第i次預測時預測結果中排序最大的概率值，p_i,j為第i次預測時關鍵字對應的感興趣圖書對應的概率值，j為其對應的排序位置；

當更新調度模塊檢測到累積誤差值β大于設定門限值時，啟動智能檢索模型訓練器，對模型進行重新訓練；并且對訓練的多個模型對在數據庫中隨機選取的N個樣本計算累積誤差值β，選擇其中累積誤差值最小的模型更新智能檢索預測排序模塊模型；

softmax函數中的學習率根據樣本采集時間和訓練時間按照以下公式進行計算：

式中，λ₀為固定學習率，t為模型訓練時間，單位為秒，為對應樣本保存時間，單位為秒。