[发明专利]一种基于神经网络的搜索方法、系统和计算机可读存储介质

说明书

本发明涉及一种基于神经网络的搜索方法、系统和计算机可读存储介质。本发明通过将样本数据根据计算节点的不同进行分段，得到多个分段数据，然后利用构造的联想记忆神经网络将每个数据内容转换成符号形式的向量，并对数据的向量模式进行训练，以及将训练好的向量进行联想记忆，之后将待搜索数据以二分查找形式快速搜索整个联想记忆神经网络的数据空间，将查找到的匹配的样本数据作为搜索结果并根据匹配的样本数据的文件位置输出该数据，实现了稳定的大规模数据的大规模计算和空间搜索，降低了搜索过程中计算和存储方面的开销，满足了实际复杂场景的应用需要。

技术领域

本发明涉及人工智能技术领域，更确切的说，特别是涉及一种基于神经网络的搜索方法、系统和计算机可读存储介质。

背景技术

人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，通过对人脑的基本单元-神经元的建模和联接，探索模拟人脑神经系统功能的模型。研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统，其重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权重值矩阵，待网络各层权重值都收敛到一定值，学习过程结束。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理数据的目的。

近几年来，随着人工智能技术的发展，基于神经网络的搜索技术将网络结构和参数的选择自动化，可以针对特定的数据集生成定制化的网络模型。现有技术一般采用先定义搜索空间，然后在搜索空间中搜索最优的网络结构，一般情况下可以采用启发式方法来进行网络结构搜索，或者使用进化算法来进行网络结构搜索。然而，基于结构搜索的神经网络设计方案通常需要在数据量庞大的搜索空间中反复进行网络的筛选和训练，通过不断尝试新的网络以找到性能更加优异的网络结构，这种方式可能存在以下问题：

（1）由于不同的结构搜索模型需要经过长时间的模型训练、解码等步骤才能评价其性能，不同网络结构的尝试并没有收到好的效果，导致搜索效率低；

（2）由于新设计出的结构搜索模型中往往存在大量的参数冗余，不仅需要耗费大量的计算、存储资源，而且普遍存在搜索结果不稳定等问题。

综上所述，随着数据量的日益增长以及数据的复杂化，现有的结构搜索模型已不能适应实际复杂化的应用场景，如何设计一种结构紧凑、搜索速度较快、效果又好的搜索模型，能够在计算量极大，数据集较大的情况下，快速搜索到最优数据，且降低搜索过程中计算和存储方面的开销，以满足实际复杂场景的应用需要是个亟待解决的问题。

发明内容

本发明要解决的技术问题在于，针对现有技术的搜索过程中搜索效率低、搜索结果不稳定问题，提供一种基于神经网络的搜索方法、系统和计算机可读存储介质，其能够实现稳定的大规模数据的大规模计算和空间搜索，降低了搜索过程中计算和存储方面的开销，满足了实际复杂场景的应用需要。

根据本发明的第一方面的实施例，提供了一种基于神经网络的搜索方法，包括以下步骤：

步骤S1、对样本数据进行预处理，获取样本子数据；

步骤S2、基于所述样本子数据构建所述样本数据对应的神经网络搜索模型；

步骤S3、训练所述神经网络搜索模型以定义搜索空间；

步骤S4、将待搜索数据置于所述搜索空间中，通过预设的搜索策略进行目标数据的查找，所述目标数据为所述待搜索数据的搜索结果。

进一步地，所述步骤S1进一步包括：将所述样本数据按照计算节点的不同进行分段，将分段后的每个数据段作为一个样本子数据，不同的计算节点对应不同的样本子数据，不同的样本子数据的数据参数不同。