JP2021182392A - 情報検索方法、装置、設備、記憶媒体、及びプログラム - Google Patents

Abstract

【課題】スマート検索、スマート推薦、深層学習等分野における情報検索方法、装置、設備、記憶媒体及びプログラムを提供する。【解決手段】方法は、ターゲットユーザーの特徴情報を決定することと、検索ネットワークの候補検索パスを取得することと、マッチングモデルを用いてターゲットユーザーの特徴情報と前記候補検索パスとのマッチング度合いを決定し、マッチング度合いに基づいて前記候補検索パスからターゲット検索パスを決定することと、ターゲット検索パスを用いて前記ターゲットユーザーにマッチングするターゲット検索結果を決定することと、を含む。ターゲット検索結果は、個別化推薦コンテンツとしてターゲットユーザーに推薦されてもよく、データベースにおける全ての推薦コンテンツがいずれも検索パスによって検索できるため、推薦結果の一般化が保証される。また、候補検索パスを選別することで、推薦速度を高めることができる。【選択図】図１

Description

本開示は、コンピュータ技術の分野に関し、特に、スマート検索、スマート推薦、深層学習等分野に関する。

オンライン個別化推薦システムはターゲットユーザーの好みに応じて個別化コンテンツを推薦することができ、約５００ミリ秒以内に数百万のコンテンツライブラリから約１０件のコンテンツを抽出してターゲットユーザーに表示する。

関連技術ではターゲットユーザーの履歴記録に基づいてデータベースから検索対象を決定するため、精度及び一般化能力が劣る欠点がある。

本開示は、情報検索方法、装置、設備及び記憶媒体を提供する。

本開示の第１態様では、ターゲットユーザーの特徴情報を決定することと、データベースにおいて候補検索結果を決定するための少なくとも１つの候補検索パスを取得することと、マッチングモデルを用いてターゲットユーザーの特徴情報と候補検索パスとのマッチング度合いを決定し、マッチング度合いに基づいて候補検索パスからターゲット検索パスを決定することと、ターゲット検索パスを用いてターゲットユーザーにマッチングするターゲット検索結果を決定することを含む情報検索方法を提供する。

本開示の第２態様では、ターゲットユーザーの特徴情報を決定するためのターゲットユーザー特徴情報決定モジュールと、候補検索パスはデータベースにおいて候補検索結果を決定するための少なくとも１つの候補検索パスを取得するための候補検索パス取得モジュールと、マッチングモデルを用いてターゲットユーザーの特徴情報と候補検索パスとのマッチング度合いを決定し、マッチング度合いに基づいて候補検索パスからターゲット検索パスを決定するためのターゲット検索パス決定モジュールと、ターゲット検索パスを用いてターゲットユーザーにマッチングするターゲット検索結果を決定するためのターゲット検索結果決定モジュールとを含む情報検索装置を提供する。

本開示の第３態様では、少なくとも１つのプロセッサと、少なくとも１つのプロセッサと通信接続されるメモリとを備え、メモリには、少なくとも１つのプロセッサによって実行可能なコマンドが記憶されており、コマンドは、少なくとも１つのプロセッサによって実行されると、少なくとも１つのプロセッサに本開示のいずれかの実施形態に係る方法を実行させる、電子設備を提供する。

本開示の第４態様では、コンピュータコマンドが記憶されている非一時的なコンピュータ可読記憶媒体であって、コンピュータコマンドはコンピュータに本開示のいずれかの実施形態に係る方法を実行させる、非一時的なコンピュータ可読記憶媒体を提供する。

本開示の発明によれば、検索ネットワークを用いてターゲット検索結果を得るための複数の候補パスを計画する。マッチングモデルを用いて複数の候補検索パスについて分析・評価し、最終に、選別したターゲット検索パスを用いてターゲットユーザーとの相関性が最も高いターゲット検索結果を得る。検索ネットワークとマッチングモデルを用いるため、候補検索パスについて選別することができ、検索における一般化能力及び正確度を両立している。

なお、前述した内容が本開示の実施形態の重要な特徴を示すためではなく、本開示の範囲の限定にもならない。本開示の他の特徴は下記の説明から理解しやすくなる。

次に記載の各図面は本開示の理解を促すためのもので、本開示の限定にならない。
本開示による情報検索方法のフローチャートである。 本開示による検索ネットワークの模式図である。 本開示による検索ネットワーク的模式図である。 本開示によるターゲット検索パスの決定のフローチャートである。 本開示によるターゲット検索結果の決定のフローチャートである。 本開示によるマッチングモデルの模式図である。 本開示によるマッチングモデルのトレーニングと更新のフローチャートである。 本開示によるポジティブサンプル及びネガティブサンプルについてのトレースバックの模式図である。 本開示による検索ネットワークの構築のフローチャートである。 本開示の実施形態の情報検索方法を実現するシーンの模式図である。 本開示による情報検索装置の模式図である。 本開示の実施形態による情報検索方法を実現するための電子設備のブロック図である。

次に、図面を参照して本開示の例示的な実施形態を説明し、中には理解を促すために本開示の実施形態の様々な詳細が含まれるが、それが例示的なコンテンツに過ぎない。したがって、当業者が理解したように、本開示の範囲や趣旨から逸脱せずここに記載の実施形態に対し様々な変更や修正を行うことができる。また、次の説明では簡素化の観点上、周知の機能及び構造の説明は省略する。

図１に示すとおり、本開示は情報検索方法を提供し、ステップＳ１０１〜Ｓ１０４を含んでもよい。

Ｓ１０１で、ターゲットユーザーの特徴情報を決定する。

Ｓ１０２で、少なくとも１つの候補検索パスを取得し、候補検索パスはデータベースにおいて候補検索結果を決定するために用いられる。

Ｓ１０３で、マッチングモデルを用いてターゲットユーザーの特徴情報と候補検索パスとのマッチング度合いを決定し、マッチング度合いに基づいて候補検索パスからターゲット検索パスを決定する。

Ｓ１０４で、ターゲット検索パスを用いてターゲットユーザーにマッチングするターゲット検索結果を決定する。

前記方法はスマート設備のアプリケーションプログラムにおいて実現でき、例えば、ターゲットユーザーがアプリケーションプログラムにログインした後、ターゲットユーザーの特徴に基づいてデータベースにおいて自動検索を行って、ユーザーが興味を持つコンテンツをターゲット検索結果として決定し、ターゲットユーザーに表示してもよい。

ターゲットユーザーの特徴情報はターゲットユーザーの年齢、性別及びターゲットユーザーの閲覧ログから抽出した閲覧習慣等を含んでもよい。例えば、ターゲットユーザーＡの特徴情報は、２５歳の男性で、よく閲覧するのがスポーツビデオ及び映画関連のグラフィック情報ことを含む。ターゲットユーザーＢの特徴情報は、４０歳の男性で、毎日経済ニュースを閲覧することを含む。

前記スポーツビデオ、映画関連のグラフィック情報、経済ニュース等がデータベースに記憶されてもよい。複数の候補検索パスは検索ネットワークを構成してもよい。即ち、検索ネットワークは複数の候補検索パスを含んでもよく、候補検索パスごとに、最終的に少なくとも１つの候補検索結果を得る。検索ネットワークは検索のカバー率が１００％になるよう、データベースにおいて検索してもよい。

検索ネットワークは少なくとも１つの検索木構造を含んでもよい。検索木構造の各枝は１つの候補検索パスに対応する。検索ネットワークにおいて各候補検索パスの根ノード、子ノード及び葉ノードは抽象度の異なる複数のレベルの検索結果であってもよい。例えば、根ノードはスポーツイベントであり、子ノードはサッカーであり、葉ノードは中国サッカーリーグ戦である。

また、検索ネットワークは単一の対象であってもよく、例えば、スポーツイベント、中国サッカーリーグ戦等である。

例えば、検索ネットワークが検索木構造である場合に、マッチングモデルは検索木構造におけるノードを分析して、ノードとターゲットユーザーとのマッチングスコアを得ることができる。当該マッチングスコアに基づいてノードを並べ替え、候補検索パスからターゲット検索パスを決定し、ターゲット検索パスに基づいてターゲットユーザーにマッチングするターゲット検索結果を決定することができる。

図２の例では、４つのレベルを含み、マッチングモデルが子ノードの第１レベルを評点する。サッカーノードのマッチングスコアが最高である場合に、サッカーノードを候補検索パスに決定し、他の検索パスを捨てる。さらに、マッチングモデルがサッカーノードの第２レベルの子ノードを評点し、このようにして、最終に成人国代表チーム及びクラブチームの２つの葉ノードをターゲット検索結果として決定する。

マッチングモデルはターゲットユーザーに基づいて異なるターゲット検索結果の操作履歴をトレーニングして得られてもよい。例えば、ターゲットユーザーがクリックしたターゲット検索結果をポジティブサンプルとする。ターゲットユーザーがクリックしなかったターゲット検索結果、及びターゲットユーザーに表示されない他の検索結果をネガティブサンプルとする。ターゲットユーザーのターゲット検索結果の閲覧時間長又は閲覧率をラベルとして、マッチングモデルをトレーニングする。

前記形態では、検索ネットワークを用いてターゲット検索結果を得るための複数の候補パスを計画する。マッチングモデルを用いて複数の候補検索パスについて分析・評価し、最終に、選別したターゲット検索パスを用いてターゲットユーザーの好みにマッチングするターゲット検索結果を得る。検索ネットワークとマッチングモデルを用いるため、候補検索パスについて選別することができ、検索における一般化能力及び正確度を両立している。

一実施形態では、候補検索パスは少なくとも１つの検索木構造を構成し、各検索木構造は複数のノードを含み、

各候補検索パスは検索木構造における根ノードから葉ノードまでのパスを含む。

図２に示すように、検索ネットワークはビームサーチ（Ｂｅａｍ ｓｅａｒｃｈ）ネットワークであってもよく、本実施形態では、スポーツはビームサーチネットワークで抽象度が最高の根ノードである。サッカー、バスケットボール、ｅスポーツ等は抽象度が２番目に高い子ノードであり、このようにして、根ノード、子ノード及び葉ノードは抽象度の異なる検索結果にそれぞれ対応してもよい。

実際のシーンでは、抽象度の異なるノード（根ノード、子ノード、葉ノード）は特徴埋め込み（ｅｍｂｅｄｄｉｎｇ）によって示してもよい。

図２の例では、スポーツイベント、エンターテインメント等が根ノードである。実際のシーンではこれに限定されない。実際のシーンでは、検索結果のタイプによってビームサーチネットワークを構築してもよい。例えば、候補検索ネットワークは、グラフィック検索結果、ビデオ検索結果、ショートビデオ検索結果等、複数のタイプを含んでもよい。ここで、ショートビデオ検索結果はネットユーザーが携帯電話等の設備で製作したショートビデオ及び／又はグラフィックス・インターチェンジ・フォーマット（ＧＩＦ）形式のショートビデオ等を含んでもよい。

図３はグラフィック検索結果の例である。図３に示すように、グラフィック検索結果が根ノードであってもよい。当該根ノード以下に、第１レベルの子ノードはスポーツイベント、芸能ニュース等を含んでもよい。第１レベルの子ノード以下に、第２レベルの子ノード、第３レベルの子ノード等をさらに含み、最後は葉ノードである。図３ではスポーツイベント、芸能ニュースを挙げて説明するが、実際のシーンではこれに限定されない。

前記形態では、検索ネットワークは複数のレベルの検索結果を得ることができ、データベースにおける検索数量の確保を及び抽象度によって異なるレベルを確立することを両立しているため、検索速度を高めることができる。

図４に示すように、一実施形態では、ステップＳ１０３は、Ｓ１０３１〜Ｓ１０３３を含んでもよい。

Ｓ１０３１で、ターゲットユーザーの特徴情報のそれぞれが少なくとも１つの検索木構造のノードと特徴ペアを構成する。

Ｓ１０３２で、特徴ペアをそれぞれマッチングモデルに入力して、各特徴ペアのマッチングスコアを得、マッチングスコアが最も高い少なくとも１つの特徴ペアにおけるノードを選別する。

Ｓ１０３３で、選別されたノードが葉ノードである場合に、マッチングスコアに基づいて根ノードからノードまでのターゲット検索パスを決定する。

図３の候補検索結果の模式図では、例えば、グラフィック検索結果、ビデオ検索結果、ショートビデオ検索結果の３つの根ノードを含む。マッチングモデルを用いて３つの根ノードとターゲットユーザーとのマッチングスコアを決定してもよい。マッチングスコアによって並べ替え、スコア上位のＮ個の根ノードを選別してもよく、ここで、Ｎは正整数であり、例えば、１又は２である。

Ｎが１であり、且つスコアが最高の根ノードがグラフィック検索結果である場合に、検索ネットワークはグラフィック検索結果の根ノードに対応する子ノードのみに対してさらに検索するように設定してもよい。このようにして、検索対象の簡素化を実現できる。

同様に、マッチングモデルを用いて、グラフィック検索結果の根ノードの各子ノードとターゲットユーザーとのマッチングスコアを決定する。スコア上位のＭ個の子ノードを選別してもよい。ここで、Ｍの値は実際の状況に応じて決定することができ、例えば、ＭはＮと同じ値である。図３の実施形態では、子ノードは３つのレベルを含み、ます第１レベルの各子ノードのマッチングスコアを決定する。例えば、スコア上位の第１レベルの子ノードのスポーツイベントを選別し、スポーツイベント以下の第２レベルの子ノードのみに対してさらに検索する。

図３で、最終的に国代表チーム及びクラブチーム等の葉ノードを得る。そのまま葉ノードをターゲット検索結果としてもよい。

一実施形態では、子ノードは３つのレベルに設定してもよい。この場合に、検索木構造は根ノード及び葉ノードを含め合計で５つのレベルである。異なるレベルの検索結果を選別することにより、検索数量を減らすことができ、データベースの数十万の検索数量と比べて、前記形態を用いると検索数量を数千に低減することができる。

即ち、前記形態では、選別したノードが葉ノードでない場合には、ターゲットユーザーの特徴情報と各ノードの子ノードがそれぞれ特徴ペアを構成し、特徴ペアを用いてマッチングモデルに入力するステップを繰り返し実行し、選別したノードが葉ノードである場合には、根ノードからノードまでのターゲット検索パスを決定する。前記形態では、マッチングモデルを用いて候補検索パスのノードを評点することにより、ターゲット検索パスを選別する。このようにして、候補検索結果の選別及び検索数量の低減を実現できる。

図５に示すように、一実施形態では、ステップＳ１０４は、Ｓ１０４１〜Ｓ１０４３を含んでもよい。

Ｓ１０４１で、ターゲット検索パスに基づいて少なくとも１つの候補検索結果を決定する。

Ｓ１０４２で、マッチングモデルを用いて少なくとも１つの候補検索結果における各候補検索結果とターゲットユーザーとのマッチングスコアを決定する。

Ｓ１０４３で、マッチングスコアに基づいて候補検索結果からターゲット検索結果を決定する。

ターゲット検索パスを用いて葉ノードに対応する少なくとも１つの候補検索結果を得た後、さらにマッチングモデルを用いて各葉ノードとターゲットユーザーとのマッチングスコアを決定して、スコア上位のＳ個の葉ノードを選別してもよい。Ｓ個の葉ノードに対応する検索結果をターゲット検索結果として決定する。

ここで、Ｓの値は実際の状況に応じて決定することができ、例えば、ＳはＮと同じである。Ｓ、Ｎ、Ｍはいずれも正整数である。

前記形態では、複数の候補検索結果を得た後、ターゲットユーザーに最もマッチングする検索結果を選別してもよい。

一実施形態では、マッチングモデルは第１サブモデル、第２サブモデル、第３サブモデルを含んでもよい。

第１サブモデルは、ノードに対応する特徴情報を決定するように構成される。

第２サブモデルは、ノードに対応する特徴情報及びターゲットユーザーの特徴情報に基づいて、ターゲットユーザーのノードに対する興味度の予測値を生成するように構成される。

第３サブモデルは、興味度の予測値に基づいてマッチング度合いを得るように構成される。

図６に示すように、第１サブモデルは候補検索パスのノードを受信し、ノードの特徴情報を決定し、ノードの特徴情報及びターゲットユーザーの特徴情報を第２サブモデルに送信する。

第２サブモデルは特徴融合サブモデル、第１興味度サブモデル及び第２興味度サブモデルを含んでもよい。特徴融合サブモデルはノードの特徴情報とターゲットユーザーの特徴の融合計算を行うために用いられる。例えば、特徴情報の和を求める又は特徴情報のアダマール積（Ｈａｄａｍａｒｄ Ｐｒｏｄｕｃｔ）を求める等で融合計算を行い、融合計算結果を得てもよい。

融合後の特徴情報をそれぞれ第１興味度サブモデル及び第２興味度サブモデルに入力する。第１興味度サブモデル及び第２興味度サブモデルは畳み込みニューラルネットワークモデル又はディープニューラルネットワークモデル等であってもよい。融合後の特徴情報は融合計算結果、ノードの特徴情報及びターゲットユーザーの特徴情報を含んでもよい。

ここで、第１興味度サブモデルはクリック率を計算するモデルであってもよく、その出力結果は第１興味度の予測値である。第２興味度サブモデルは閲覧時間長を計算するモデルであってもよく、その出力結果は第２興味度の予測値である。即ち、本実施形態では、クリック率及び閲覧時間長で興味度を表現する。

また、興味度サブモデルを拡張してもよく、例えば、第３興味度サブモデルをさらに含んでもよく、第３興味度サブモデルは閲覧率を計算するモデルであってもよい。例えば、全長９０分の映画を４５分鑑賞した場合は、閲覧率は１／２である。あるいは、９ページの文書を３ページ閲覧した場合は、閲覧率は１／３である。

第３サブモデルは第１興味度の予測値及び第２興味度の予測値に正規化の計算を行って、ノードのスコアを得る。当該スコアは当該ノードとターゲットユーザーとのマッチング度合いを表す。

マッチングモデルをトレーニングする際は、ターゲットユーザーの特徴情報サンプルと各ノードの特徴情報サンプル、及びクリック率ラベルと閲覧時間長ラベルを用いてマッチングモデルをトレーニングしてもよい。このようにして、トレーニング後のマッチングモデルで評点機能を実現できる。

前記形態では、クリック率及び閲覧時間長等に基づいてトレーニングしたマッチングモデルで、より客観的なスコアを得ることができる。

一実施形態では、興味度は、クリック率、閲覧時間長、閲覧率のうちの少なくとも１つを含む。このようにして、より豊富な興味度指標を得ることができる。

図７に示すように、一実施形態では、ステップＳ７０１〜Ｓ７０３をさらに含んでもよい。

Ｓ７０１で、ターゲットユーザーのターゲット検索結果に対する興味度に基づいてポジティブサンプル及びネガティブサンプルを決定し、ポジティブサンプルはターゲットユーザーがクリックして閲覧した検索結果を含み、ネガティブサンプルは既に表示されたのにターゲットユーザーがクリックせず閲覧しなかった検索結果、及びランダムに取得した不表示の他の検索結果を含む。

Ｓ７０２で、候補検索パスを用いてポジティブサンプル及びネガティブサンプルに対応する各レベルのノードを決定する。

Ｓ７０３で、ポジティブサンプル、ネガティブサンプル、ポジティブサンプルに対応する各レベルのノード、及びネガティブサンプルに対応する各レベルのノードに基づいて、マッチングモデルをトレーニングして更新する。

ターゲット検索結果を最終的にアプリケーションプログラムの画面上にユーザーに表示するコンテンツとしてもよい。ターゲットユーザーのターゲット検索結果に対する興味度はターゲット検索結果をクリックしたかどうか、クリックしたターゲット検索結果の閲覧時間長又は閲覧率を含んでもよい。

図８に示すとおり、興味度によってポジティブサンプル及びネガティブサンプルを決定することができる。ポジティブサンプルはユーザーがクリックして閲覧したターゲット検索結果（図８のクリック有りポジティブ例に対応する）を含んでもよく、ネガティブサンプルは既に表示されたがユーザーがクリックせず閲覧しなかったターゲット検索結果（図８の表示有りクリック無しポジティブ例に対応する）、及びランダムに取得した不表示の他の検索結果（図８のランダムネガティブ例に対応する）を含んでもよい。

検索ネットワークにおいて、ポジティブサンプル及びネガティブサンプルについてトレースバックして、ポジティブサンプル及びネガティブサンプルに関連する複数のレベルの候補検索結果を得る。

ポジティブサンプルとネガティブサンプル、及びポジティブサンプルとネガティブサンプルに関連する複数のレベルの候補検索結果を用いてマッチングモデルをトレーニングすることにより、マッチングモデルの更新を実現する。

更新後のマッチングモデルを、時間レベルの粒度でオンライン検索サービスに送信してもよい。

前記形態では、検索ネットワークを用いてポジティブサンプル、ネガティブサンプルのトレースバックノードを得ることができる。ポジティブサンプル、ネガティブサンプル及び対応するトレースバックノードを用いてマッチングモデルをトレーニングして更新することにより、マッチングモデルの最適化を実現できる。

図９に示すとおり、候補検索パスの構築方法はＳ９０１〜Ｓ９０４を含んでもよい。

Ｓ９０１で、データベースにおいて、前記候補検索パスによって検索可能な検索結果とする全てのデータの初期特徴情報を決定する。

Ｓ９０２で、ターゲットユーザーの特徴情報に基づいて、マッチングモデルにより初期特徴情報を更新して、更新後の特徴情報を得る。

Ｓ９０３で、更新後の特徴情報にクラスタリングを行って、抽象度の異なる検索結果を得る。

Ｓ９０４で、抽象度の異なる検索結果を用いて候補検索パスを構築する。

データベースで全てのデータはリアルタイムに更新されるマルチメディアファイルであってもよく、例えば、グラフィックファイル、ビデオファイル、ショートビデオファイル等を含む。全てのデータの初期特徴情報を決定し、初期特徴情報はマルチメディアファイルの内容、ファイルの作成者、ファイルの表紙、ファイルラベル等から分析した特徴情報であってもよい。

ターゲットユーザーの特徴情報及び初期特徴情報をマッチングモデルに入力し、マッチングモデルを用いて前記２種類の特徴情報を互いに関連付けることで初期特徴情報を更新して、更新後の特徴情報を得る。

更新後の特徴情報にクラスタリングを行い、例えば、ｋ平均クラスタリングアルゴリズム（ｋ−ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ）を用いて更新後の特徴情報にクラスタリングを行って、抽象度の異なる複数のレベルのデータを得ることができ、複数のレベルのデータは前記抽象度の異なる複数のレベルの検索結果である。抽象度の異なる複数のレベルのデータに基づいて検索木構造を構築して、例えば、図２又は図３に示す検索木構造を得る。

前記形態では、各候補検索結果とターゲットユーザーを関連付け、候補検索結果にクラスタリング処理を行って、抽象度の異なる複数のレベルの候補検索結果を得てもよい。これにより、検索結果が一層一般化されるとともに、検索速度も保証できる。

一実施形態では、ターゲット検索結果はターゲットユーザーに推薦される。

本開示の前記方法は個別化推薦システムに適用される。個別化推薦システムでは約５００ミリ秒以内に数百万のデータベースからターゲットユーザーの好みに合う数千件のコンテンツを抽出した後、並べ替えや方法調整等により約１０件のコンテンツを選別してユーザーに推薦することが要求される。

関連技術ではツインタワー構造を用いて推薦コンテンツを得る。ユーザーがクリックしたコンテンツに基づいてベクトル最近傍検索を行って推薦結果を選別する。例えば、ユーザーがＡチームのサッカー試合選をクリックした場合に、個別化推薦システムはツインタワー構造を用いてデータベースにおいてベクトル最近傍検索を行って、Ａチームのサッカー試合選との相関性が最も高い他のビデオ又はグラフィックを決定し、当該ユーザーに推薦する。情報を推薦することはできるが、ユーザーとコンテンツ特徴との非線形関係を表現するのが難しく、フィッティングに頼り過ぎるため、推薦効果が優れない恐れがある。

本開示の前記方法で個別化推薦を行う場合に、ユーザー特徴は性別、年齢、履歴データ等の様々な要素を含む。そのうち、履歴データはユーザーが推薦コンテンツをクリックしたかどうかを含むだけでなく、推薦コンテンツの閲覧時間長や閲覧率等からユーザーがクリックした推薦コンテンツをどれほど好むかも反映される。ユーザー特徴と各被推薦コンテンツを組み合わせてマッチングモデルに学習させることにより、トレーニング後のマッチングモデルが新たに出現する被推薦コンテンツについてマッチング・評点を行い、評点結果に基づいて推薦コンテンツを決定することができる。また、候補検索パスが根ノード、子ノード、葉ノードとして存在するため、マッチングモデルを利用すると候補パスの選別も実現できる。

ターゲット検索結果（推薦コンテンツ）を得た後、推薦コンテンツの更新時間、人気度に基づき、又は再びマッチングモデルを用いて評点する等の方法で並べ替え、最も高いいくつかの検索結果を選別してユーザーに推薦してもよい。

本開示の前記形態では、候補検索パスを選別する時に、数量と速度を両立している。言い換えれば、データベースにおける全ての推薦コンテンツがいずれも検索パスによって検索できるため、推薦結果の一般化が保証される。また、マッチングモデルに基づいて、検索パスにおいて根ノード、子ノードから葉ノードまで選別できるため、マッチング度合いの低い推薦結果が取り除かれる。これによって推薦速度が高められ、５００ミリ秒の時間制限を満たす。

さらに、マッチングモデルによって各レベルのノードとユーザー特徴とで対応関係が確立されるため、推薦結果と過去のユーザー行為との相関性が薄められる。言い換えれば、ベクトル最近傍検索を用いるため過去のユーザー行為でのフィッティングに頼り過ぎることで推薦効果が優れない恐れが低減される。候補検索パスとマッチングモデルを組み合わせて情報推薦を行うと、履歴データとの相関性の強調が薄められ、ユーザーの個人情報、コンテンツに対するユーザーのクリック率及びユーザーの興味度が考慮に加わるため、個別化推薦システムの利用体験及び利用数量の明らかな成長がもたらされる。

図１０に示すように、本開示は情報検索方法を提供し、以下のステップを含む。

ターゲットユーザーの要求に基づいて、ターゲットユーザーの特徴情報を決定する。ターゲットユーザーの要求はアプリケーション（ＡＰＰ）へのユーザーのログインであってもよいし、ユーザーによる表示フレッシュコマンド等であってもよい。

ターゲットユーザーの特徴情報をビームサーチ（Ｂｅａｍ ｓｅａｒｃｈ）モデルに入力して、ターゲットユーザーの特徴情報と各第１レベルの子ノードのマッチングペア（ｕｓｅｒ−ｎｏｄｅ ｐａｉｒ）を得る。図１０で、葉ノードはｉｔｅｍｓ／ｉｔｅｍ、非葉ノードはｎｏｄｅと記す。

マッチングモデルがマッチングペアに基づいて、各第１レベルの子ノードを評点する（ｕｓｅｒ−ｎｏｄｅ ｓｃｏｒｅ）。スコア上位のＭ個の第１レベルの子ノードを残す。

ビームサーチネットワークがスコア上位のＭ個の第１レベルの子ノード以下を検索して、ターゲットユーザーの特徴情報とＭ個の第１レベルの子ノードの第２レベルの子ノードのマッチングペアを得る。マッチングモデルが、スコア上位のＳ個の葉ノードが決定するまで引き続きマッチングペアを評点する。スコア上位のＳ個の葉ノードをターゲット検索結果として、ターゲットユーザーに表示する。

同時に、ターゲットユーザーの履歴データに基づいてターゲットユーザーの特徴情報サンプルとターゲット検索結果サンプルのマッチングペア（ｕｓｅｒ−ｉｔｅｍサンプル）を決定する。ターゲットユーザーの特徴情報サンプルとターゲット検索結果サンプルのマッチングペアを検索ネットワークに送信し、検索ネットワークにおいてトレースバックしてターゲット検索結果サンプルに関連する複数のレベルの候補検索結果を得る。このようにして、ターゲットユーザーの特徴情報サンプルと複数のレベルの候補検索結果のマッチングペア（ｕｓｅｒ−ｎｏｄｅサンプル）を決定することができる。ターゲットユーザーの特徴情報サンプルとターゲット検索結果サンプルのマッチングペア、及びターゲットユーザーの特徴情報サンプルと複数のレベルの候補検索結果のマッチングペアを用いてマッチングモデルをトレーニングする。

また、データベースにおける更新後のマルチメディアファイルに対して、マッチングモデルを用いてマルチメディアファイルとターゲットユーザーを関連付けて学習させてもよい。関連学習後にマルチメディアファイルの特徴情報を更新し、マルチメディアファイルの特徴情報にクラスタリングを行うと、ビームサーチネットワークを構築し、又は既存のビームサーチネットワークを更新することができる。

更新後のビームサーチネットワーク及びマッチングモデルを、１時間ごとにオンラインで展開してもよい。

図１１に示すように、本開示の一実施形態では、情報検索装置を提供し、ターゲットユーザーの特徴情報を決定するためのターゲットユーザー特徴情報決定モジュール１１０１と、少なくとも１つの候補検索パスを取得するための候補検索パス取得モジュール１１０２であって、候補検索パスはデータベースにおいて候補検索結果を決定するために用いられる候補検索パス取得モジュール１１０２と、マッチングモデルを用いてターゲットユーザーの特徴情報と候補検索パスとのマッチング度合いを決定し、マッチング度合いに基づいて候補検索パスからターゲット検索パスを決定するためのターゲット検索パス決定モジュール１１０３と、ターゲット検索パスを用いてターゲットユーザーにマッチングするターゲット検索結果を決定するためのターゲット検索結果決定モジュール１１０４とを備えてもよい。

一実施形態では、候補検索パスは少なくとも１つの検索木構造を構成し、各検索木構造は複数のノードを含み、各候補検索パスは検索木構造における根ノードから葉ノードまでのパスを含む。

一実施形態では、ターゲット検索パス決定モジュール１１０３は、ターゲットユーザーの特徴情報のそれぞれが少なくとも１つの検索木構造のノードと特徴ペアを構成するための特徴ペア構築サブモジュールと、特徴ペアをそれぞれマッチングモデルに入力して、各特徴ペアのマッチングスコアを得、マッチングスコアが最も高い少なくとも１つの特徴ペアにおけるノードを選別するためのノード選別サブモジュールと、選別されたノードが葉ノードである場合に、マッチングスコアに基づいて根ノードからノードまでのターゲット検索パスを決定するためのターゲット検索パス決定実行サブモジュールとを備える。

一実施形態では、ターゲット検索結果決定モジュール１１０４は、ターゲット検索パスに基づいて少なくとも１つの候補検索結果を決定するための候補検索結果決定サブモジュールと、マッチングモデルを用いて少なくとも１つの候補検索結果における各候補検索結果とターゲットユーザーとのマッチングスコアを決定するためのマッチングスコア決定サブモジュールと、マッチングスコアに基づいて候補検索結果からターゲット検索結果を決定するためのターゲット検索結果決定実行サブモジュールとを備える。

一実施形態では、マッチングモデルは、第１サブモデルと、第２サブモデルと、第３サブモデルとを含み、第１サブモデルは、ノードに対応する特徴情報を決定するように構成され、第２サブモデルは、ノードに対応する特徴情報及びターゲットユーザーの特徴情報に基づいて、ターゲットユーザーのノードに対する興味度の予測値を生成するように構成され、第３サブモデルは、興味度の予測値に基づいてマッチング度合いを得るように構成される。

一実施形態では、興味度は、クリック率、閲覧時間長、閲覧率のうちの少なくとも１つを含む。

一実施形態では、当該装置は、ターゲットユーザーのターゲット検索結果に対する興味度に基づいてポジティブサンプル及びネガティブサンプルを決定するためのサンプル決定モジュールであって、ポジティブサンプルはターゲットユーザーがクリックして閲覧した検索結果を含み、ネガティブサンプルは既に表示されたがターゲットユーザーがクリックせず閲覧しなかった検索結果、及びランダムに取得した不表示の他の検索結果を含むサンプル決定モジュールと、候補検索パスを用いてポジティブサンプル及びネガティブサンプルに対応する各レベルのノードを決定するためのサンプルトレースバックモジュールと、ポジティブサンプル、ネガティブサンプル、ポジティブサンプルに対応する各レベルのノード、及びネガティブサンプルに対応する各レベルのノードに基づいて、マッチングモデルをトレーニングして更新するためのマッチングモデル更新モジュールとをさらに備える。

一実施形態では、当該装置は、データベースにおいて、前記候補検索パスによって検索可能な検索結果とする全てのデータの初期特徴情報を決定するデータ初期特徴情報決定モジュールと、ターゲットユーザーの特徴情報に基づいて、マッチングモデルにより初期特徴情報を更新して、更新後の特徴情報を得るための特徴情報更新モジュールと、更新後の特徴情報にクラスタリングを行って、抽象度の異なる検索結果を得るためのクラスタリングモジュールと、抽象度の異なる検索結果を用いて候補検索パスを構築するための検索ネットワーク構築モジュールとをさらに含む。

一実施形態では、ターゲット検索結果はターゲットユーザーに推薦される。

さらに、本開示の実施形態では、電子設備及び可読記憶媒体を提供する。

図１２は、本開示の実施形態による情報検索方法を実現するための電子設備のブロック図である。電子設備としては、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバー、ブレードサーバー、大型コンピュータ、他の適切なコンピュータなど、様々な形態のデジタルコンピュータであってもよい。また、パーソナルデジタルアシスタント、セルラーホン、スマートフォン、ウェアラブルデバイス、他の類似の計算設備など、様々な形態の移動設備であってもよい。本明細書に記載のコンポーネント、その接続関係、及びその機能は例示的なものに過ぎず、本開示の実施に関して本明細書に記載及び／又は主張された内容に限定を加えるためではない。

図１２に示すとおり、当該電子設備は、１つ以上のプロセッサ１２１０と、メモリ１２２０と、各コンポーネントを接続するためのインタフェース（高速インタフェース及び低速インタフェース）とを含む。各コンポーネントは異なるバスによって互いに接続され、共通のマザーボードに取り付けられ、又は所望の方式で取り付けられてもよい。プロセッサは外部の入力／出力装置（例えば、インタフェースによって接続された表示設備）にＧＵＩのグラフィック情報を表示するようにメモリに記憶されているコマンドなど、電子設備において実行されるコマンドを処理することができる。他の実施形態では、必要ならば、複数のプロセッサ及び／又は複数のバスと複数のメモリを複数のメモリと一緒に使用してもよい。同様に、複数の電子設備を接続させ、各設備が必要な操作の一部を提供するようにしてもよい（例えば、サーバーアレイ、１群のブレードサーバー、又はマルチプロセッサシステムとする）。図１２では、例示的にプロセッサ１２１０が１つあるものである。

メモリ１２２０は、本開示に係る非一時的なコンピュータ可読記憶媒体である。前記メモリには、少なくとも１つのプロセッサが本開示に係る情報検索方法を実行するように、少なくとも１つのプロセッサによって実行可能なコマンドが記憶されている。本開示に係る非一時的なコンピュータ可読記憶媒体にはコンピュータコマンドが記憶されており、当該コンピュータコマンドはコンピュータに本開示に係る情報検索方法を実行させる。

メモリ１２２０は非一時的なコンピュータ可読記憶媒体として、非一時的ソフトウェアプログラム、非一時的なコンピュータ実行可能プログラム及びモジュール、例えば、本開示の実施形態に係る情報検索方法に対応するプログラムコマンド／モジュール（例えば、図１１に示すターゲットユーザー特徴情報決定モジュール１１０１、候補検索パス取得モジュール１１０２、ターゲット検索パス決定モジュール１１０３及びターゲット検索結果決定モジュール１１０４）を記憶するために用いることができる。プロセッサ１２１０はメモリ１２２０に記憶されている非一時的ソフトウェアプログラム、コマンド及びモジュールを動作させることにより、サーバーの様々な機能及びデータ処理を実行し、即ち前記方法実施形態に係る情報検索方法を実現する。

メモリ１２２０はプログラム記憶領域及びデータ記憶領域を含んでもよく、プログラム記憶領域はオペレーティングシステム、少なくとも１つの機能に必要なアプリケーションプログラムを記憶することができ、データ記憶領域は情報検索方法を実現するための電子設備の使用時に作成されたデータ等を記憶することができる。また、メモリ１２２０は高速ランダムアクセスメモリを含んでもよいし、非一時的メモリを含んでもよく、例えば、少なくとも１つの磁気ディスク記憶素子、フラッシュメモリ素子、又は他の非一時的固体記憶素子である。いくつかの実施形態では、任意選別でメモリ１２２０はプロセッサ１２１０に対して遠隔設置されたメモリを含み、当該遠隔メモリはネットワークを介して情報検索方法を実行する電子設備に接続されてもよい。前記ネットワークの例はインターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、その組み合わせを含むが、これに限定されない。

情報検索方法を実行する電子設備は、入力装置１２３０及び出力装置１２４０をさらに含んでもよい。プロセッサ１２１０、メモリ１２２０、入力装置１２３０及び出力装置１２４０はバス又は他の方式で接続されてもよく、図１２では、例示的にバスによって接続されたものである。

入力装置１２３０は入力されたデジタル又は文字情報を受信し、情報検索方法を実行する電子設備のユーザー設定や機能制御に関連するキー信号入力を生成することができ、例えば、タッチスクリーン、テンキー、マウス、トラックパッド、タッチパッド、インジケータスティック、１つ以上のマウスボタン、トラックボール、ジョイスティック等入力装置である。出力装置１２４０は表示設備、補助照明装置（例えば、ＬＥＤ）、触覚フィードバック装置（例えば、振動モーター）等を含んでもよい。当該表示設備は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、プラズマディスプレイを含むが、これに限定されない。いくつかの実施形態では、表示設備はタッチスクリーンであってもよい。

ここに記載のシステム及び技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向け集積回路（ＡＳＩＣ）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はその組み合わせにおいて実施できる。前記実施形態は次のものを含んでもよい。１つ以上のコンピュータプログラムにおいて実施され、当該１つ以上のコンピュータプログラムは少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステムにおいて実行及び／又は解釈されてもよく、当該プログラマブルプロセッサは専用又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置及び少なくとも１つの出力装置からデータ及びコマンドを受信し、且つデータ及びコマンドを当該記憶システム、当該少なくとも１つの入力装置及び当該少なくとも１つの出力装置に伝送することができる。

前記コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、コードともいう）にはプログラマブルプロセッサ用機械コマンドを含み、且つ高度なプロセス及び／又はオブジェクト指向のプログラミング言語、及び／又はアセンブリ／機械言語を用いて前記コンピュータプログラムを実施することができる。本明細書で、用語「機械可読媒体」及び「コンピュータ可読媒体」とは機械コマンド及び／又はデータをプログラマブルプロセッサに提供するあらゆるコンピュータプログラム製品、設備、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））であり、機械可読信号としての機械コマンドを受信する機械可読媒体を含む。用語「機械可読信号」とは、機械コマンド及び／又はデータをプログラマブルプロセッサに提供するためのあらゆる信号である。

ユーザーとのインタラクションを実現するように、コンピュータにおいてここに記載のシステム及び技術を実現することができ、当該コンピュータは、ユーザーに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ））と、キーボードと、ポインティングデバイス（例えば、マウス又はトラックボール）を備え、ユーザーは当該キーボード及び当該ポインティングデバイスによってコンピュータに入力することができる。他にもユーザーとのインタラクションを実現するための装置がある。例えば、ユーザーへのフィードバックは感覚的なフィードバック（例えば、視覚的なフィードバック、聴覚的なフィードバック、触覚的なフィードバック）など任意の形態であってもよく、また任意の方式（声入力、音声入力、触覚入力）でユーザーの入力を受信することができる。

ここに記載のシステム及び技術は、バックグラウンドコンポーネントを含むコンピューティングシステム（例えば、データサーバー）、又は中間コンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバー）、又はフロントエンドコンポーネントを含むコンピューティングシステム（例えば、グラフィカルユーザーインタフェース又はウェブブラウザーを備えるパソコンであって、ユーザーは当該グラフィカルユーザーインタフェース又は当該ウェブブラウザーによってここに記載のシステム及び技術の実施形態とインタラクションを行うことができる）、又は前記バックグラウンドコンポーネント、中間コンポーネント、もしくはフロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムにおいて実施することができる。任意の方式又は媒体によるデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを互いに接続させることができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネットを含む。

コンピュータシステムはクライアント及びサーバーを含んでもよい。クライアントとサーバーは一般に遠隔設置され、且つ通信ネットワークによって互いに接続される。コンピュータで実行されるクライアント−サーバー型配置のコンピュータプログラムによってクライアントとサーバーの関係を構成する。サーバーはクラウドサーバーであってもよく（クラウドコンピューティングサーバー、クラウドホストともいう）、クラウドコンピューティングサービスシステムではホストのようなものであり、従来の物理ホスト及び仮想専用サーバー（ＶＰＳ）サービスでは管理が難しく、業務の拡張性が弱いという欠点を解消するために開発される。

なお、上記の様々なプロセスを踏まえて、ステップを並べ替え、追加、又は削除することができる。例えば、本開示に記載の各ステップは同時に実行されてもよいし、順に実行されてもよいし、他の順番で実行されてもよく、本開示の技術的解決手段の効果を得られるものであれば、本明細書では特に限定しない。

上記のいくつかの実施形態は、本開示の保護範囲を限定するものと見なされない。当業者が理解したように、設計上の要件や他の要素に基づいて、様々な修正や、組み合わせ、置き換えを行うことができる。本開示の趣旨においてなされた修正、同等な置き換えや改善等は、いずれも本開示の保護範囲に含まれる。

Claims (21)

1. ターゲットユーザーの特徴情報を決定することと、
   データベースにおいて候補検索結果を決定するための候補検索パスを、少なくとも１つ取得することと、
   マッチングモデルを用いて前記ターゲットユーザーの特徴情報と前記候補検索パスとのマッチング度合いを決定し、前記マッチング度合いに基づいて前記候補検索パスからターゲット検索パスを決定することと、
   前記ターゲット検索パスを用いて前記ターゲットユーザーにマッチングするターゲット検索結果を決定することとを含む、
   情報検索方法。
2. 前記候補検索パスは、少なくとも１つの検索木構造を構成し、各検索木構造は、複数のノードを含み、
   各候補検索パスは、前記検索木構造における根ノードから葉ノードまでのパスを含む、
   請求項１に記載の情報検索方法。
3. マッチングモデルを用いて前記ターゲットユーザーの特徴情報と前記候補検索パスとのマッチング度合いを決定し、前記マッチング度合いに基づいて前記候補検索パスからターゲット検索パスを決定することは、
   前記ターゲットユーザーの特徴情報のそれぞれが前記少なくとも１つの検索木構造のノードと特徴ペアを構成することと、
   特徴ペアをそれぞれ前記マッチングモデルに入力して、各特徴ペアのマッチングスコアを得、マッチングスコアが最も高い少なくとも１つの特徴ペアにおけるノードを選別することと、
   選別されたノードが葉ノードである場合に、前記マッチングスコアに基づいて根ノードから前記ノードまでのターゲット検索パスを決定することとを含む、
   請求項２に記載の情報検索方法。
4. 前記ターゲット検索パスを用いて前記ターゲットユーザーにマッチングするターゲット検索結果を決定することは、
   前記ターゲット検索パスに基づいて少なくとも１つの候補検索結果を決定することと、
   前記マッチングモデルを用いて前記少なくとも１つの候補検索結果における各候補検索結果と前記ターゲットユーザーとのマッチングスコアを決定することと、
   前記マッチングスコアに基づいて前記候補検索結果からターゲット検索結果を決定することとを含む、
   請求項３に記載の情報検索方法。
5. 前記マッチングモデルは、第１サブモデルと、第２サブモデルと、第３サブモデルとを含み、
   前記第１サブモデルは、前記ノードに対応する特徴情報を決定するように構成され、
   前記第２サブモデルは、前記ノードに対応する特徴情報及び前記ターゲットユーザーの特徴情報に基づいて、前記ターゲットユーザーの前記ノードに対する興味度の予測値を生成するように構成され、
   前記第３サブモデルは、前記興味度の予測値に基づいてマッチング度合いを得るように構成される、
   請求項２又は３に記載の情報検索方法。
6. 前記興味度は、クリック率、閲覧時間長、閲覧率のうちの少なくとも１つを含む、
   請求項５に記載の情報検索方法。
7. 前記情報検索方法は、
   前記ターゲットユーザーの前記ターゲット検索結果に対する興味度に基づいてポジティブサンプル及びネガティブサンプルを決定することと、
   前記候補検索パスを用いて前記ポジティブサンプル及びネガティブサンプルに対応する各レベルのノードを決定することと、
   前記ポジティブサンプル、ネガティブサンプル、ポジティブサンプルに対応する各レベルのノード、及びネガティブサンプルに対応する各レベルのノードに基づいて、前記マッチングモデルをトレーニングして更新することとをさらに含み、
   前記ポジティブサンプルは、前記ターゲットユーザーがクリックして閲覧した検索結果を含み、前記ネガティブサンプルは、既に表示されたのにもかかわらず前記ターゲットユーザーがクリックせず閲覧しなかった検索結果、及びランダムに取得した不表示の他の検索結果を含む、
   請求項２又は３に記載の情報検索方法。
8. 前記候補検索パスの構築方法は、
   データベースにおいて、前記候補検索パスによって検索可能な検索結果とする全てのデータの初期特徴情報を決定することと、
   ターゲットユーザーの特徴情報に基づいて、前記マッチングモデルにより前記初期特徴情報を更新して、更新後の特徴情報を得ることと、
   前記更新後の特徴情報にクラスタリングを行って、抽象度の異なる検索結果を得ることと、
   前記抽象度の異なる検索結果を用いて候補検索パスを構築することとを含む、
   請求項２に記載の情報検索方法。
9. 前記ターゲット検索結果は、前記ターゲットユーザーに推薦される、
   請求項１に記載の情報検索方法。
10. ターゲットユーザーの特徴情報を決定するためのターゲットユーザー特徴情報決定モジュールと、
    データベースにおいて候補検索結果を決定するための候補検索パスを、少なくとも１つ取得するための候補検索パス取得モジュールと、
    マッチングモデルを用いて前記ターゲットユーザーの特徴情報と前記候補検索パスとのマッチング度合いを決定し、前記マッチング度合いに基づいて前記候補検索パスからターゲット検索パスを決定するためのターゲット検索パス決定モジュールと、
    前記ターゲット検索パスを用いて前記ターゲットユーザーにマッチングするターゲット検索結果を決定するためのターゲット検索結果決定モジュールとを備える、
    情報検索装置。
11. 前記候補検索パスは、少なくとも１つの検索木構造を構成し、各検索木構造は、複数のノードを含み、
    各候補検索パスは、前記検索木構造における根ノードから葉ノードまでのパスを含む、
    請求項１０に記載の情報検索装置。
12. 前記ターゲット検索パス決定モジュールは、
    前記ターゲットユーザーの特徴情報のそれぞれが前記少なくとも１つの検索木構造のノードと特徴ペアを構成するための特徴ペア構築サブモジュールと、
    特徴ペアをそれぞれ前記マッチングモデルに入力して、各特徴ペアのマッチングスコアを得、マッチングスコアが最も高い少なくとも１つの特徴ペアにおけるノードを選別するためのノード選別サブモジュールと、
    選別されたノードが葉ノードである場合に、前記マッチングスコアに基づいて根ノードから前記ノードまでのターゲット検索パスを決定するためのターゲット検索パス決定実行サブモジュールとを備える、
    請求項１１に記載の情報検索装置。
13. 前記ターゲット検索結果決定モジュールは、
    前記ターゲット検索パスに基づいて少なくとも１つの候補検索結果を決定するための候補検索結果決定サブモジュールと、
    前記マッチングモデルを用いて前記少なくとも１つの候補検索結果における各候補検索結果と前記ターゲットユーザーとのマッチングスコアを決定するためのマッチングスコア決定サブモジュールと、
    前記マッチングスコアに基づいて前記候補検索結果からターゲット検索結果を決定するためのターゲット検索結果決定実行サブモジュールとを備える、
    請求項１２に記載の情報検索装置。
14. 前記マッチングモデルは、第１サブモデルと、第２サブモデルと、第３サブモデルとを含み、
    前記第１サブモデルは、前記ノードに対応する特徴情報を決定するように構成され、
    前記第２サブモデルは、前記ノードに対応する特徴情報及び前記ターゲットユーザーの特徴情報に基づいて、前記ターゲットユーザーの前記ノードに対する興味度の予測値を生成するように構成され、
    前記第３サブモデルは、前記興味度の予測値に基づいてマッチング度合いを得るように構成される、
    請求項１１又は１２に記載の情報検索装置。
15. 前記興味度は、クリック率、閲覧時間長、閲覧率のうちの少なくとも１つを含む、
    請求項１４に記載の情報検索装置。
16. 前記情報検索装置は、
    前記ターゲットユーザーの前記ターゲット検索結果に対する興味度に基づいてポジティブサンプル及びネガティブサンプルを決定するためのサンプル決定モジュールと、
    前記候補検索パスを用いて前記ポジティブサンプル及びネガティブサンプルに対応する各レベルのノードを決定するためのサンプルトレースバックモジュールと、
    前記ポジティブサンプル、ネガティブサンプル、ポジティブサンプルに対応する各レベルのノード、及びネガティブサンプルに対応する各レベルのノードに基づいて、前記マッチングモデルをトレーニングして更新するためのマッチングモデル更新モジュールとをさらに備え、
    前記ポジティブサンプルは、前記ターゲットユーザーがクリックして閲覧した検索結果を含み、前記ネガティブサンプルは、既に表示されたのにもかかわらず前記ターゲットユーザーがクリックせず閲覧しなかった検索結果、及びランダムに取得した不表示の他の検索結果を含む、
    請求項１１又は１２に記載の情報検索装置。
17. 前記情報検索装置は、
    データベースにおいて、前記候補検索パスによって検索可能な検索結果とする全てのデータの初期特徴情報を決定するためのデータ初期特徴情報決定モジュールと、
    ターゲットユーザーの特徴情報に基づいて、前記マッチングモデルにより前記初期特徴情報を更新して、更新後の特徴情報を得るための特徴情報更新モジュールと、
    前記更新後の特徴情報にクラスタリングを行って、抽象度の異なる検索結果を得るためのクラスタリングモジュールと、
    前記抽象度の異なる検索結果を用いて候補検索パスを構築するための検索ネットワーク構築モジュールとをさらに備える、
    請求項１１に記載の情報検索装置。
18. 前記ターゲット検索結果は、前記ターゲットユーザーに推薦される、
    請求項１０に記載の情報検索装置。
19. 少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサと通信接続されるメモリとを備え、
    前記メモリには、前記少なくとも１つのプロセッサによって実行可能なコマンドが記憶されており、前記コマンドは、前記少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに請求項１〜９のいずれか１項に記載の情報検索方法を実行させる、
    電子設備。
20. コンピュータに請求項１〜９のいずれか１項に記載の情報検索方法を実行させるコマンドが記憶されている非一時的なコンピュータ可読記憶媒体。
21. コンピュータにおいて、プロセッサにより実行される場合に、請求項１〜９のいずれか１項に記載の情報検索方法を実現することを特徴とするプログラム。

Images