[发明专利]一种搜索结果处理、相似度模型训练方法及装置

权利要求书

1.一种搜索结果处理方法，其特征在于，包括：

根据搜索关键词获取各搜索结果；

分别获得各搜索结果的精确匹配分数；其中，所述精确匹配分数是基于所述搜索关键词的分词结果与各搜索结果的分词结果获得的；

分别确定各搜索结果的语义匹配权重向量、以及搜索关键词与各搜索结果的语义表示向量，并根据确定的各语义表示向量和相应的语义匹配权重向量，获得各搜索结果的语义匹配分数；其中，所述语义匹配权重向量表示相应的搜索结果的分词结果中，各分词的相对位置关系对于语义匹配分数的影响程度；

根据各搜索结果的精确匹配分数和语义匹配分数，获得各搜索结果与所述搜索关键词的相似度；

所述分别确定各搜索结果的语义匹配权重向量，包括：

分别将所述搜索关键词与各搜索结果对应的分词结果进行精确匹配，获得所述搜索关键词与各搜索结果精确匹配的交互矩阵；

基于各交互矩阵，获得各搜索结果的语义匹配权重向量。

2.如权利要求1所述的方法，其特征在于，分别获得各搜索结果的精确匹配分数，具体包括：

采用多粒度分词方式，分别获得搜索关键词与各搜索结果对应的分词结果；

分别将所述搜索关键词与各搜索结果对应的分词结果进行精确匹配，获得所述搜索关键词与各搜索结果精确匹配的交互矩阵；

根据搜索关键词与各搜索结果对应的分词结果中各分词的相对位置关系，以及相应的交互矩阵，分别获得所述搜索关键词与各搜索结果的交互特征；

根据各交互特征，分别获得各搜索结果的精确匹配分数。

3.如权利要求2所述的方法，其特征在于，根据各交互特征，分别获得各搜索结果的精确匹配分数，具体包括：

分别将各交互特征输入到预先训练的第一卷积网络中，获得所述第一卷积网络对各交互特征进行特征提取后输出的各交互特征对应的卷积特征；

将各交互特征对应的卷积特征的向量表示，输入到预先训练的第一全连接网络；

基于所述第一全连接网络，分别将各卷积特征映射到第一预设向量空间，获得所述第一全连接网络输出的各一维向量，并将输出的各一维向量，分别作为相应的搜索结果的精确匹配分数。

4.如权利要求2所述的方法，其特征在于，分别确定各搜索结果的语义匹配权重向量，具体包括：

分别将各交互矩阵输入到预先训练的第二卷积网络，获得所述第二卷积网络对各交互矩阵进行特征提取后输出的各交互矩阵对应的卷积特征；

将各交互矩阵对应的卷积特征的向量表示，输入到预先训练的第二全连接网络；

基于所述第二全连接网络，分别将各卷积特征映射到第二预设向量空间，获得所述第二全连接网络输出的各预设维度的向量，并将输出的各预设维度的向量，分别作为相应的搜索结果的语义匹配权重向量。

5.如权利要求1所述的方法，其特征在于，分别确定搜索关键词与各搜索结果的语义表示向量，具体包括：

采用多粒度分词方式，分别获得搜索关键词与各搜索结果对应的分词结果；

根据预设的词向量模型，分别获得搜索关键词与各搜索结果对应的分词结果中每个分词的词向量，并根据对应的分词结果中每个分词的词向量，分别获得搜索关键词与各搜索结果的词表示矩阵；

分别将各词表示矩阵，输入到预先训练的第三卷积网络，获得所述第三卷积网络对各词表示矩阵进行特征提取后输出的各词表示矩阵对应的卷积特征；

将各词表示矩阵对应的卷积特征的向量表示，输入到预先训练的第三全连接网络；

基于所述第三全连接网络，将各卷积特征映射到第三预设向量空间，获得所述第三全连接网络输出的各预设维度向量，并将输出的各预设维度的向量，分别作为相应的搜索关键词或搜索结果的语义表示向量。

6.如权利要求2或5所述的方法，其特征在于，采用多粒度分词方式，分别获得搜索关键词与各搜索结果对应的分词结果，具体包括：

根据预设高频词集，分别对搜索关键词和各搜索结果进行分词，若搜索关键词和各搜索结果中包含所述预设高频词集中的高频词，则将高频词划分出，并针对文本的其余部分按字进行划分，分别获得搜索关键词与各搜索结果对应的分词结果。