[发明专利]一种图书馆智能搜索排序方法及系统

说明书

本发明公开了一种图书馆智能搜索排序方法，首先建立智能检索模型训练器和智能检索预测排序模型；获取检索信息；利用循环卷积网络处理检索信息,提取信息特征向量；利用softmax函数对检索信息的特征向量归一化计算；通过智能检索预测排序模型计算图书排序并存入数据库中；使用累积误差计算模型预测错误程度：根据累积误差值大小决定是否对智能检索预测排序模块模型进行更新：本发明提供的方法相较于传统的标题、作者关键字匹配的搜索系统更灵活，对于搜索关键字不在图书标题的搜索准确性提高；由于具备了智能检索模型训练器和数据库，使得系统具备了自适应学习能力，减少了人工参与，节省了人力资源和使用难度，能更方便的布局具有图书馆自身图书特色和众多使用者习惯的智能搜索排序系统。

技术领域

本发明涉及图书自动检测技术领域，特别是一种精确预测和推荐的图书馆智能搜索排序方法及系统。

背景技术

现有的图书馆图书检索方式普遍采用关键字匹配，同时为了减少工作量和复杂度，大部分检索系统均采用书名以及作者的关键词的匹配，这虽然符合大众需求，但是对于使用者给出的不与书名等匹配的关键字的检索将检索失败；

因此，需要一种能精确预测和推荐的图书馆智能搜索排序方法及系统。

发明内容

本发明的目的是提出一种精确预测和推荐的图书馆智能搜索排序方法及系统。

本发明的目的是通过以下技术方案来实现的：

本发明提供的图书馆智能搜索排序方法，包括以下步骤：

获取检索信息；

利用循环卷积网络处理检索信息，提取特征向量；

将特征向量送入卷积神经网络，输出与图书馆图书数目相同维度的预测向量；

利用softmax函数对预测向量进行归一化计算生成对应于每本图书的预测概率；

对预测概率进行排序，按概率从高到低输出排序结果；

将图书预测排序结果存入数据库中。

进一步，还包括以下步骤：

根据排序结果和用户对输入检索信息所点击选择图书按照以下公式计算出用于衡量模型预测错误程度的累积误差值β：

式中，n为累积预测次数，p_i，1为第i次预测时预测结果中排序最大的概率值，p_i，j为第i次预测时用户对输入检索信息所点击选择图书对应的预测概率值，j为其对应的排序位置；

判断累积误差值β与设定门限值的关系，并按照以下方式对智能检索预测排序模块模型进行更新：

当更新调度模块检测到累积误差值β大于设定门限值时，从数据库中随机选择多个样本组成训练集，启动智能检索模型训练器，对模型进行重新训练；并且对训练的多个模型对在数据库中随机选取的N个样本计算累积误差值β，选择其中累积误差值最小的模型更新智能检索预测排序模块模型；

所述从数据库中选择样本包括：用户输入检索信息、用户检索时间、模型预测排序结果及用户对应输入检索信息所点击选择图书。

进一步，所述智能模型检索训练器训练过程中，softmax函数所在层学习率根据样本采集时间和训练时间按照以下公式进行计算：

式中，λ₀为固定学习率，t为模型训练时间，单位为秒，为对应样本保存时间，即为样本用户检索时间，单位为秒。

进一步，所述的循环卷积网络采用长短时记忆模型LSTM；所述的卷积神经网络采用GoogleNet网络模型结构。