[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

本發明公開了一種圖書館智能搜索排序方法，首先建立智能檢索模型訓練器和智能檢索預測排序模型；獲取檢索信息；利用循環卷積網絡處理檢索信息,提取信息特征向量；利用softmax函數對檢索信息的特征向量歸一化計算；通過智能檢索預測排序模型計算圖書排序并存入數據庫中；使用累積誤差計算模型預測錯誤程度：根據累積誤差值大小決定是否對智能檢索預測排序模塊模型進行更新：本發明提供的方法相較于傳統的標題、作者關鍵字匹配的搜索系統更靈活，對于搜索關鍵字不在圖書標題的搜索準確性提高；由于具備了智能檢索模型訓練器和數據庫，使得系統具備了自適應學習能力，減少了人工參與，節省了人力資源和使用難度，能更方便的布局具有圖書館自身圖書特色和眾多使用者習慣的智能搜索排序系統。

技術領域

本發明涉及圖書自動檢測技術領域，特別是一種精確預測和推薦的圖書館智能搜索排序方法及系統。

背景技術

現有的圖書館圖書檢索方式普遍采用關鍵字匹配，同時為了減少工作量和復雜度，大部分檢索系統均采用書名以及作者的關鍵詞的匹配，這雖然符合大眾需求，但是對于使用者給出的不與書名等匹配的關鍵字的檢索將檢索失??；

因此，需要一種能精確預測和推薦的圖書館智能搜索排序方法及系統。

發明內容

本發明的目的是提出一種精確預測和推薦的圖書館智能搜索排序方法及系統。

本發明的目的是通過以下技術方案來實現的：

本發明提供的圖書館智能搜索排序方法，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。

進一步，還包括以下步驟：

根據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。

進一步，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。

進一步，所述的循環卷積網絡采用長短時記憶模型LSTM；所述的卷積神經網絡采用GoogleNet網絡模型結構。