1.一种图书馆智能搜索排序方法,其特征在于: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。
2.如权利要求1所述的图书馆智能搜索排序方法,其特征在于: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,pi,1为第i次预测时预测结果中排序最大的概率值,pi,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。
3.如权利要求1所述的图书馆智能搜索排序方法,其特征在于: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。
4.如权利要求1所述的图书馆智能搜索排序方法,其特征在于: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。
5.一种图书馆智能搜索排序系统,其特征在于:包括数据库、智能检索模型训练器、更新调度模块以及智能检索预测排序模块;
所述数据库用于存储图书馆所有图书的检索信息;
所述智能检索模型训练器,根据数据库存储的检索信息和输入信息对卷积神经网模型进行训练,存储训练完成的网络模型;
所述智能检索预测排序模块,通过智能检索模型训练器训练完成的网络模型,对用户输入的检索信息进行计算,对图书馆图书按预测概率大小进行从大到小排序,输出排序结果;
所述更新调度模块,用于对智能检索模型训练器的启动和智能检索预测排序模块中模型进行更新。
6.如权利要求5所述的图书馆智能搜索排序系统,其特征在于:所述更新调度模块按照以下公式来实现智能检索预测排序模块的更新:
按照以下公式计算模型预测错误程度:
式中,n为累积预测次数,pi,1为第i次预测时预测结果中排序最大的概率值,pi,j为第i次预测时关键字对应的感兴趣图书对应的概率值,j为其对应的排序位置;
当更新调度模块检测到累积误差值β大于设定门限值时,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。
7.如权利要求5所述的图书馆智能搜索排序系统,其特征在于:所述softmax函数中的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,单位为秒。