CN104572889B - 一种搜索词推荐方法、装置和*** - Google Patents

Abstract

本发明实施例公开了一种搜索词推荐方法、装置和***；本发明实施例采用获取多个用户的用户行为日志、用户画像信息和预置多个用户群体的用户群体特征；根据用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；根据用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；根据用户行为日志计算搜索词质量；然后，根据搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词；采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

Description

一种搜索词推荐方法、装置和***

技术领域

本发明涉及互联网技术领域，具体涉及一种搜索词推荐方法、装置和***。

背景技术

应用市场是移动互联网重要的应用分发渠道，为智能终端用户提供应用的搜索和下载等服务。为方便用户使用搜索功能、提升搜索用户数及应用的搜索下载量，应用市场通常在搜索起始页展现一定数量的搜索词，引导用户点击搜索并下载应用。

在现有技术中，一般都是由运营人员人工构造关键词表来作为通用的推荐搜索词，或者，由***对所有搜索词根据一定规则，如搜索次数或搜索下载次数等进行排序，然后再选取头部搜索词作为推荐搜索词，等等、

在对现有技术的研究和实践过程中，本发明的发明人发现，现有的搜索词推荐方案不仅实现不够灵活，而且无法及时更新，导致其推荐的搜索词无法准确反映用户的需求，推荐效果不佳。

发明内容

本发明实施例提供一种搜索词推荐方法、装置和***，不仅可以灵活地为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

本发明实施例提供一种搜索词推荐方法，包括：

获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征；

根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；

根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；

根据所述用户行为日志计算搜索词质量；

根据所述搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

相应的，本发明实施例还提供一种搜索词推荐装置，包括获取单元、热度计算单元、区分度计算单元、质量计算单元和推荐单元，如下：

获取单元，用于获取多个用户的用户行为日志、用户画像信息和预置的用户群体特征；

热度计算单元，用于根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；

区分度计算单元，用于根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；

质量计算单元，用于根据所述用户行为日志计算搜索词质量；

推荐单元，用于根据所述搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

此外，本发明实施例还提供一种搜索词推荐***，包括本发明实施例提供的任一种搜索词推荐装置。

本发明实施例采用获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征等信息，根据这些信息分别计算搜索词的群体热度、群体区分度和搜索词质量，然后以计算出的搜索词的群体热度、群体区分度和搜索词质量作为依据，向用户推荐搜索词，从而实现对用户进行搜索词的个性化推荐的目的，而且，由于作为推荐考虑因素之一的用户行为日志是实时更新的，所以，推荐的搜索词也可以实时进行更新，也就是说，采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本发明实施例提供的搜索词推荐方法的场景示意图；

图1b是本发明实施例提供的搜索词推荐方法的流程图；

图2a是本发明实施例提供的搜索词推荐方法中搜索词排序的流程示意图；

图2b是本发明实施例提供的搜索词推荐方法的另一流程图；

图2c是本发明实施例中推荐搜索词在终端的展示示意图；

图3是本发明实施例提供的推荐的搜索词的拉取及展示流程图；

图4是本发明实施例提供的搜索词推荐装置的结构示意图；

图5是本发明实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种搜索词推荐方法、装置和***。

如图1a所示，该***可以包括服务器，其中，该服务器集成有本发明实施例所提供的搜索词推荐装置，此外，该***还可以包括用户终端，如图1a中用户A所使用的终端、用户B所使用的终端盒用户C所使用的终端，等等。

其中，服务器用于获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征；根据该用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；根据该用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；根据所述用户行为日志计算搜索词质量；根据该搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

其中，在向某个用户推荐搜索词时，具体可以根据该用户发送的登录请求中所携带的用户标识，来获取相应的用户画像信息，然后根据该用户画像信息来确定该用户所属用户群体的搜索词推荐集合，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给该用户。

例如，可以根据用户A的登录请求中的用户标识来获取用户A对应的用户画像信息，然后根据用户A的用户画像信息来确定用户A所属用户群体的搜索词推荐集合，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给用户A，即服务器将用户A所属用户群体的推荐搜索词发送给用户A；又例如，可以根据用户B的登录请求中的用户标识来获取用户B对应的用户画像信息，然后根据用户B的用户画像信息来确定用户B所属用户群体的搜索词推荐集合，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给用户B，即服务器将用户B所属用户群体的推荐搜索词发送给用户B，以此类推，用户C也如此，即服务器可以将用户C所属用户群体的推荐搜索词发送给用户C，等等，在此不再赘述。

以下将分别进行详细说明。

实施例一、

本实施例将从搜索词推荐装置的角度进行描述，该搜索词推荐装置具体可以集成在服务器等网络设备中。

一种搜索词推荐方法，包括：获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；根据所述用户行为日志计算搜索词质量；根据该搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

如图1b所示，该搜索词推荐方法，具体流程可以如下：

101、获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征。

其中，用户行为日志可以包括多个用户搜索行为，而一个用户搜索行为可以包括用户标识(user_id)、搜索词(query)、搜索时间(search_time)、以及点击/下载率(click_action)等信息，例如，以该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率为例，则该用户搜索行为具体可以用以下四元组表示：{用户标识，搜索词，搜索时间，点击/下载率}。

其中，用户画像信息可以包括用户标识、年龄(age)、性别(gender)和所在地区(location)等信息。例如，以用户画像信息可以包括用户标识、年龄、性别和所在地区为例，则一个用户画像信息可以用以下四元组表示：{用户标识，年龄，性别，所在地区}。当然，用户画像信息不局限于年龄、性别和所在地区，其还可以涵盖任何与用户相关的属性。

用户群体特征用于定义一个用户群体，具体的定义方式可以根据实际应用的需求来进行设置，比如，可以利用年龄、性别和所在地区等信息的任意组合来定义一个用户群体，等等，即该用户群体特征可以包括年龄、性别和/或所在地区等信息。

其中，获取用户行为日志的方式可以有多种，比如，可以由各个用户自行将用户行为日志上报给服务器，或者，也可以由服务器发送日志获取请求给用户所在的终端，然后接收终端返回的用户行为日志，等等。而用户画像信息则可以从用户的登录信息中来提取，用户群体特征则是由维护人员预先进行设置的，在此不再赘述。

102、根据该用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度，例如，具体可以如下：

(1)将该用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志。

例如，以该用户行为日志包括多个用户搜索行为，该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，而用户画像信息包括用户标识、年龄、性别和所在地区为例，则用户搜索行可以用四元组表示为：{用户标识,搜索词,搜索时间,点击/下载率}，用户画像信息可以用四元组表示为{用户标识,年龄,性别,所在地区}，那么，此时，步骤“将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志”具体可以包括：

将该用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，其中，该关联用户画像信息的用户搜索行为包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区，可用一七元组来表示：{用户标识,搜索词,搜索时间,点击/下载率,年龄,性别,所在地区}，此后，可将所有关联用户画像信息的用户搜索行为添加到同一个集合中，即得到关联用户画像信息的行为日志。

(2)根据该关联用户画像信息的行为日志和用户群体特征计算搜索词的群体热度。例如，可以如下：

S1、基于用户群体特征，分别对该关联用户画像信息的行为日志中具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数。

例如，以该用户群体特征包括年龄、性别和/或所在地区三个属性值为例，则步骤S1具体可以包括：

基于年龄、性别和/或所在地区，从该关联用户画像信息的行为日志中确定具有相同用户群体特征的搜索词；对具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数。

比如，具体可以从登录用户的“关联用户画像信息的行为日志”中提取过去一定时间窗口(该时间窗口可根据实际应用的需求进行设置)，如过去7天的日志，然后根据该登录用户所属用户群体的用户群体特征的属性值，对该日志中的搜索词进行统计，计算具有该用户群体特征的搜索词的搜索次数，具体可可以参见表一。

表一：

用户群体特征	搜索词列表
		年龄_性别_地区(Groupk)	{搜索词|<Queryki,QVki>,i＝1,2,…,n}

其中，Group_k表示用户群体特征的属性值，Query_ki表示具有Group_k的用户群体特征的搜索词，QV_ki表示该搜索词Query_ki的搜索次数，k和i均为正整数，即k＝1,2,…,m；i＝1,2,…,n。

S2、对步骤S1中得到的具有相同用户群体特征的所有搜索词Query_ki的搜索次数QV_ki进行求和，得到搜索总次数，如下：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}Q{V}_{\mathrm{ki}};$

S3、计算搜索词的搜索次数和该搜索总次数的商，得到搜索词的群体热度GroupHot_ki，即搜索词Query_ki相对应用户群体Group_k的群体热度GroupHot_ki，如下：

${\mathrm{GroupHot}}_{\mathrm{ki}}=\frac{Q{V}_{\mathrm{ki}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}Q{V}_{\mathrm{ki}}}$

其中，GroupHot_ki值越大，说明搜索词Query_ki相对于用户群体Group_k越热门及重要；反之亦然。

103、根据该用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；例如，具体可以如下：

(1)根据该用户行为日志、用户画像信息和用户群体特征生成与搜索词关联的用户群体特征列表；

例如，可以将该用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志，然后，将该关联用户画像信息的行为日志与该用户群体特征进行关联，得到与搜索词关联的用户群体特征列表。

比如，以该用户行为日志包括多个用户搜索行为，该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，而用户画像信息包括用户标识、年龄、性别和所在地区为例，则用户搜索行可以用四元组表示为：{用户标识,搜索词,搜索时间,点击/下载率}，用户画像信息可以用四元组表示为{用户标识,年龄,性别,所在地区}，那么，此时，上述步骤具体可以如下：

将该用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，该关联用户画像信息的用户搜索行为可以包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区等信息，将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志；将该关联用户画像信息的行为日志与该用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，其中，该与搜索词关联的用户群体特征列表可以包括用户标识、搜索词、年龄、性别和所在地区等信息，例如，若该与搜索词关联的用户群体共有M_i个，则该与搜索词Query_i关联的用户群体特征列表可表示为{Group_k1i,Group_k2i,…,Group_kMi}。

(2)计算用户群体特征中所有信息的组合数，得到用户群体数量。

例如，若该用户群体特征包括年龄、性别和所在地区，而且，根据年龄、性别、地区三项信息组合所代表的用户群体数量总共有N个，则可以确定符合该用户群体特征的用户群体数量为N个。

比如，如果年龄分为老年和青年两组，性别分为男和女两种，所在地区分为南方和北方，则

(3)计算该用户群体数量(即(2)计算得到的用户群体数量)与该用户群体特征列表中用户群体总数的商，得到搜索词的群体区分度。

例如，若该用户群体数量为N个，该用户群体特征列表中用户群体总数为M_i，且搜索词Query_i的群体区分度为GroupDistinction_i，则可以表示为：

${\mathrm{GroupDistinction}}_i=\frac{N}{M_i}.$

其中，GroupDistinction_i越大，说明搜索词Query_i具有越明显的用户群体特征，群体区分度越大；GroupDistinction_i越小，说明搜索词Query_i越倾向于各个不同用户群体的普遍需求，群体区分度越小。

比如，以用户群体特征包括年龄、性别和所在地区，且年龄分为老年和青年两组，性别分为男和女两种，所在地区分为南方和北方为例，则可以得到，N＝20。

如果与搜索词A关联的用户群体为两个，比如它们的群体特征分别是“老年，男，南方”和“青年，男，北方”，则可以得到M_i＝2，那么，此时可以计算出搜索词A的群体区分度GroupDistinction_i为20/2＝10；

如果与搜索词B关联的用户群体为四个，比如它们的群体特征分别是“老年，女，南方”、“青年，女，北方”、“老年，南方”和“青年，北方”，则可以得到M_i＝4，那么，此时可以计算出搜索词A的群体区分度GroupDistinction_i为20/4＝5；

所以，可以得到，搜索词A的群体区分度比搜索词B的区别区分度大，搜索词A比搜索词B更具有明显的用户群体特征。

104、根据该用户行为日志计算搜索词质量，例如，具体可以如下：

从该用户行为日志中提取预置时间长度的日志，统计该预置时间长度的日志中搜索词的检索次数，以及统计由该搜索词而产生的应用下载次数，然后根据该检索次数和应用下载次数计算该搜索词的搜索词质量。

比如，具体可以从该用户行为日志中提取过去一定时间窗口，如过去7天的日志，然后对其中的搜索词进行统计，分别计算搜索词的检索次数，以及由搜索词而产生的应用下载次数，得到以下三元组信息：{搜索词(Query_i)，搜索次数(QV_i)，应用下载次数(AppDownloadCount_i)}，则搜索词质量QueryScore_i具体可以为：

QueryScore_i＝log₂QV_i*AppDownloadCount_i。

其中，该时间窗口的长度可以根据实际应用的需求进行设置，在此不再赘述。

此外，需说明的是，上述算式仅为示例，应当理解的是，还可以采用其他的函数关系来计算该搜索词质量，在此不再赘述。

105、根据该搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词，例如，具体可以如下：

(1)根据该搜索词的群体热度、群体区分度和搜索词质量，基于该用户群体特征对搜索词进行排序，得到与该用户群体特征对应的用户群体的搜索词推荐集合，比如，搜索词推荐列表，等等。

其中，为了排序方便，在进行排序时，还可以计算各个搜索词的排序分数，比如，若用GroupQueryScore_ki来表示该排序分数，则：

GroupQueryScore_ki＝log₂GroupHot_ki*log₂GroupDistinction_i*QueryScore_i。

(2)按照预置策略将搜索词推荐集合中预置数量的搜索词推荐给该用户群体中的用户，例如，可以如下：

接收用户的登录请求，其中，该登录请求中携带用户标识，根据该用户标识获取相应的用户画像信息，根据该用户画像信息确定该用户所属用户群体的搜索词推荐集合，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给该用户。

比如，可以将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，并按照排序将前N个搜索词推荐给该用户，其中，N为预置的正整数。

当然，也可以按照排序分数的分值从小到大进行排序，并按照排序将后M个搜索词推荐给该用户，其中，M为预置的正整数。

可选的，在将搜索词推荐给用户时，可以直接推荐给用户，也可以先进行过滤，比如，进行色情词表过滤、政治敏感词表过滤等，然后再推荐给用户，即步骤“按照排序将前N个搜索词推荐给该用户”具体可以如下：

按照排序将前N个搜索词作为候选搜索词，对该候选搜索词进行过滤，将过滤后的候选搜索词推荐给该用户。

其中，过滤的规则可以根据实际应用的需求进行设置，在此不再赘述。

由上可知，本实施例采用获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征等信息，根据这些信息分别计算搜索词的群体热度、群体区分度和搜索词质量，然后以计算出的搜索词的群体热度、群体区分度和搜索词质量作为依据，向用户推荐搜索词，从而实现对用户进行搜索词的个性化推荐的目的，而且，由于作为推荐考虑因素之一的用户行为日志是实时更新的，所以，推荐的搜索词也可以实时进行更新，也就是说，采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

实施例二、

根据实施例一所描述的方法，以下将举例作进一步详细说明。

在本实施例中，将以该搜索词推荐装置具体集成在服务器中为例进行说明。

如图2a和图2b所示，一种搜索词推荐方法，具体流程可以如下：

201、服务器获取网络中各个用户一定时间窗口内的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征。

其中，用户行为日志可以包括多个用户搜索行为，该用户搜索行为用四元组表示为：{用户标识，搜索词，搜索时间，点击/下载率}。用户画像信息用四元组表示为{用户标识，年龄，性别，所在地区}，而用户群体特征则可以包括年龄、性别和所在地区等信息。

为了描述方便，在本实施例中，将以年龄包括老年和青年，性别包括男和女，所在地区包括北方和南方为例进行说明，应当理解的是，也可以采用其他的划分方式，比如将年龄划分为15岁以下、15～30岁、30～50岁和50岁以上，等等，将所在地区划分为具体的省份或城市，等等，在此不再赘述。

202、服务器根据这些用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度，例如，具体可以如下：

S1、将用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为：{用户标识,搜索词(Query_ki),搜索时间,点击/下载率,年龄,性别,所在地区}。

比如，若用户A的用户行为日志中的用户搜索行为为：

{user0001，终端应用01，20110101，1次}；

{user0001，终端应用01，20110102，1次}；

{user0001，终端应用02，20110102，2次}。

用户A的用户画像信息为：{user0001，青年,女,南方}。

用户B的用户行为日志中的用户搜索行为为：

{user0002，终端应用01，20110102，1次}；

{user0002，终端应用01，20110103，1次}；

{user0002，终端应用03，20110103，1次}。

用户B的用户画像信息为：{user0002，青年,男,南方}。

用户C的用户行为日志中的用户搜索行为为：

{user0003，终端应用01，20110102，1次}；

{user0003，终端应用01，20110103，1次}。

用户C的用户画像信息为：{user0003，青年,女,南方}。

则将用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为：

{user0001，终端应用01，20110101，1次，青年,女,南方}；

{user0001，终端应用01，20110102，1次，青年,女,南方}；

{user0001，终端应用02，20110102，2次，青年,女,南方}；

{user0002，终端应用01，20110102，1次，青年,男,南方}；

{user0002，终端应用01，20110103，1次，青年,男,南方}；

{user0002，终端应用03，20110103，1次，青年,男,南方}；

{user0003，终端应用01，20110102，1次，青年,女,南方}；

{user0003，终端应用01，20110103，1次，青年,女,南方}。

S2、将所有关联用户画像信息的用户搜索行为添加到同一个集合中，即得到关联用户画像信息的行为日志。

例如，还是以步骤S1中的例子为例，则此时可得到的关联用户画像信息的行为日志包括：

{user0001，终端应用01，20110101，1次，青年,女,南方}；

{user0001，终端应用01，20110102，1次，青年,女,南方}；

{user0001，终端应用02，20110102，2次，青年,女,南方}；

{user0002，终端应用01，20110102，1次，青年,男,南方}；

{user0002，终端应用01，20110103，1次，青年,男,南方}；

{user0002，终端应用03，20110103，1次，青年,男,南方}；

{user0003，终端应用01，20110102，1次，青年,女,南方}；

{user0003，终端应用01，20110103，1次，青年,女,南方}。

S3、基于用户群体特征，分别对该关联用户画像信息的行为日志中具有相同用户群体特征的搜索词Query_ki的搜索次数QV_ki进行统计，得到搜索词Query_ki的搜索次数QV_ki。

例如，具体可以从登录用户的“关联用户画像信息的行为日志”中提取过去一定时间窗口(该时间窗口可根据实际应用的需求进行设置)，如过去7天的日志，然后根据该登录用户所属用户群体的用户群体特征的属性值，对该日志中的搜索词Query_ki进行统计，计算具有该用户群体特征的搜索词的搜索次数QV_ki。

比如，还是以步骤S1中的例子为例，则可以统计出：

具有用户群体特征{青年,女,南方}的搜索词“终端应用01”的搜索次数为4次，若将具有用户群体特征{青年,女,南方}的用户群体称为Group₁，将搜索词“终端应用01”称为Query₁，则具有用户群体特征{青年,女,南方}的搜索词“终端应用01”可以称为Query₁₁，则此时，可以得出与Query₁₁对应的QV₁₁为4次；

具有用户群体特征{青年,女,南方}的搜索词“终端应用02”的搜索次数为2次，若将具有用户群体特征{青年,女,南方}的用户群体称为Group₁，将搜索词“终端应用02”称为Query₂，则具有用户群体特征{青年,女,南方}的搜索词“终端应用02”可以称为Query₁₂，则此时，可以得出与Query₁₂对应的QV₁₂为2次；

具有用户群体特征{青年,男,南方}的搜索词“终端应用01”的搜索次数为2次，若将具有用户群体特征{青年,男,南方}的用户群体称为Group₂，将搜索词“终端应用01”称为Query₁，则具有用户群体特征{青年,男,南方}的搜索词“终端应用01”可以称为Query₂₁，则此时，可以得出与Query₂₁对应的QV₂₁为2次；

具有用户群体特征{青年,男，南方}的搜索词“终端应用03”的搜索次数为1次，若将具有用户群体特征{青年,男,南方}的用户群体称为Group₂，将搜索词“终端应用03”称为Query₃，则具有用户群体特征{青年,男,南方}的搜索词“终端应用03”可以称为Query₂₃，则此时，可以得出与Query₂₃对应的QV₂₃为1次。

S4、对具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数

例如，如果步骤S3计算出的搜索次数分别为：

QV₁₁＝4次；

QV₁₂＝2次；

QV₂₁＝2次；

QV₂₃＝1次；

则可以得出具有用户群体特征{青年,女,南方}的用户群体Group₁中所有搜索词的搜索次数的和为：

$\underset{i=1}{\overset{2}{\mathrm{\Σ}}}Q{V}_{1i}=Q{V}_{11}+Q{V}_{12}=6.$

具有用户群体特征{青年,男,南方}的用户群体Group₂中所有搜索词的搜索次数的和为：

$\underset{i=1}{\overset{2}{\mathrm{\Σ}}}Q{V}_{2i}=Q{V}_{21}+Q{V}_{23}=3.$

即与用户群体特征{青年,女,南方}对应的搜索总次数为6次，而与用户群体特征{青年,男,南方}对应的搜索总次数为3次。

S5、计算搜索词Query_ki的搜索次数QV_ki和该搜索总次数的商，得到搜索词的群体热度GroupHot_ki，如下：

${\mathrm{GroupHot}}_{\mathrm{ki}}=\frac{Q{V}_{\mathrm{ki}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}Q{V}_{\mathrm{ki}}}$

其中，GroupHot_ki值越大，说明搜索词Query_ki相对于用户群体Group_k越热门及重要；反之亦然。

比如，还是以步骤S1中的例子为例，则此时可以计算出：

搜索词“终端应用01”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度GroupHot₁₁＝QV₁₁/(QV₁₁+QV₁₂)＝4/6＝2/3；

搜索词“终端应用02”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度GroupHot₁₂＝QV₁₂/(QV₁₁+QV₁₂)＝2/6＝1/3；

搜索词“终端应用01”相对于用户群体特征为{青年,男，南方}的用户群体的群体热度GroupHot₂₁＝QV₂₁/(QV₂₁+QV₂₃)＝2/3；

搜索词“终端应用03”相对于用户群体特征为{青年,男，南方}的用户群体的群体热度GroupHot₂₃＝QV₂₃/(QV₂₁+QV₂₃)＝1/3。

可见，“终端应用01”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度值，比“终端应用02”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度值大，因此，在用户群体特征为{青年,女，南方}的用户群体中，搜索词“终端应用01”要比搜索词“终端应用02”更为热门及重要，同理，在用户群体特征为{青年,男，南方}的用户群体中，“终端应用01”比搜索词“终端应用03”更为热门及重要。

203、服务器根据该用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；例如，具体可以如下：

S1、将该用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，用七元组表示为：{用户标识，搜索词，搜索时间，点击/下载率，年龄，性别，所在地区}。

例如，还是以步骤202中S1的例子为例，则此时，可以得到关联用户画像信息的用户搜索行为分别为：

{user0001，终端应用01，20110101，1次，青年,女,南方}；

{user0001，终端应用01，20110102，1次，青年,女,南方}；

{user0001，终端应用02，20110102，2次，青年,女,南方}；

{user0002，终端应用01，20110102，1次，青年,男,南方}；

{user0002，终端应用01，20110103，1次，青年,男,南方}；

{user0002，终端应用03，20110103，1次，青年,男,南方}；

{user0003，终端应用01，20110102，1次，青年,女,南方}；

{user0003，终端应用01，20110103，1次，青年,女,南方}。

需说明的是，在实际应用中，该步骤可以在步骤203中独立进行运算，也可以直接采用步骤202在运算过程中所得到的结果，即步骤202中S1所得到的结果。

S2、将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志。

例如，还是以步骤S1中的例子为例，则此时可得到的关联用户画像信息的行为日志包括：

{user0001，终端应用01，20110101，1次，青年,女,南方}；

{user0001，终端应用01，20110102，1次，青年,女,南方}；

{user0001，终端应用02，20110102，2次，青年,女,南方}；

{user0002，终端应用01，20110102，1次，青年,男,南方}；

{user0002，终端应用01，20110103，1次，青年,男,南方}；

{user0002，终端应用03，20110103，1次，青年,男,南方}；

{user0003，终端应用01，20110102，1次，青年,女,南方}；

{user0003，终端应用01，20110103，1次，青年,女,南方}。

需说明的是，在实际应用中，该步骤可以在步骤203中独立进行运算，也可以直接采用步骤202在运算过程中所得到的结果，即步骤202中S2所得到的结果。

S3、将该关联用户画像信息的行为日志与该用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，例如，若共有M_i个用户群体，则该与搜索词Query_i关联的用户群体特征列表可表示为{Group_k1i,Group_k2i,…,Group_kMi}。

例如，还是以步骤S1中的例子为例，若用户群体特征{青年,女,南方}所代表的用户群体为群体1，用户群体特征{青年,男,南方}所代表的用户群体为群体2，则此时可得到：

与搜索词“终端应用01”关联的用户群体特征列表为：{群体1,群体2}；

与搜索词“终端应用02”关联的用户群体特征列表为：{群体1}；

与搜索词“终端应用03”关联的用户群体特征列表为：{群体2}。

S4、计算用户群体特征中所有信息的组合数，得到用户群体数量，计算该用户群体数量与该用户群体特征列表中用户群体总数的商，得到搜索词的群体区分度。

例如，若该用户群体数量为N个，且搜索词Query_i的群体区分度为GroupDistinction_i，则可以表示为：

${\mathrm{GroupDistinction}}_i=\frac{N}{M_i}.$

比如，还是以步骤S1中的例子为例，搜索词“终端应用01”所对应的用户群体特征列表中用户群体总数M₁＝2，搜索词“终端应用02”所对应的用户群体特征列表中用户群体总数M₂＝1，搜索词“终端应用03”所对应的用户群体特征列表中用户群体总数M₃＝1，则：

搜索词“终端应用01”的群体区分度为GroupDistinction₁＝20/2＝10；

搜索词“终端应用02”的群体区分度为GroupDistinction₂＝20/1＝20；

搜索词“终端应用03”的群体区分度为GroupDistinction₃＝20/1＝20。

由于“终端应用02”和“终端应用03”的群体区分度较大，所以，说明搜索词“终端应用02”和“终端应用03”具有明显的用户群体特征，群体区分度越大；“终端应用01”的群体区分度较小，说明搜索词“终端应用01”越倾向于各个不同用户群体的普遍需求，群体区分度越小。

需说明的是，步骤202和203的执行可以不分先后，在此不再赘述。

204、服务器根据该用户行为日志计算搜索词质量。

例如，可以从该用户行为日志中提取过去一定时间窗口，如过去7天的日志，然后对其中的搜索词进行统计，分别计算搜索词的检索次数，以及由搜索词而产生的应用下载次数，得到以下三元组信息：{搜索词(Query_i)，搜索次数(QV_i)，应用下载次数(AppDownloadCount_i)}，则搜索词质量QueryScore_i具体可以为：

QueryScore_i＝log₂QV_i*AppDownloadCount_i。

比如，以搜索词“终端应用01”为例，可以计算搜索词“终端应用01”的检索次数，以及由其而产生的应用下载次数(比如是1次)，则可以得到以下三元组信息{终端应用01，6，1}，因此，可得搜索词“终端应用01”的搜索词质量QueryScore₁为：log₂ 6。

又比如，以搜索词“终端应用02”为例，可以计算搜索词“终端应用02”的检索次数，以及由其而产生的应用下载次数(比如是1次)，则可以得到以下三元组信息{终端应用02，2，1}，因此，可得搜索词“终端应用02”的搜索词质量QueryScore₂为：log₂ 2。

其他搜索词的搜索词质量的计算与此类似，在此不再赘述。

其中，该时间窗口的长度可以根据实际应用的需求进行设置，在此不再赘述。

205、服务器根据该搜索词的群体热度、群体区分度和搜索词质量，基于该用户群体特征对搜索词进行排序，并计算各个搜索词的排序分数GroupQueryScore_ki，得到与该用户群体特征对应的用户群体的搜索词推荐列表。

其中，GroupQueryScore_ki＝log₂GroupHot_ki*log₂GroupDistinction_i*QueryScore_i。

还是以用户群体特征为{青年,女，南方}的用户群体为例，则：

由于搜索词“终端应用01”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度为2/3，搜索词“终端应用01”的群体区分度为10，搜索词“终端应用01”的搜索词质量为log₂ 6，因此，可以得到搜索词“终端应用01”在用户群体特征为{青年,女，南方}的用户群体中的搜索词的排序分数GroupQueryScore₁₁为：

由于搜索词“终端应用02”相对于用户群体特征为{青年,女，南方}的用户群体的群体热度为1/3，搜索词“终端应用02”的群体区分度为20，搜索词“终端应用02”的搜索词质量为log₂ 2，因此，可以得到搜索词“终端应用02”在用户群体特征为{青年,女，南方}的用户群体中的搜索词的排序分数GroupQueryScore₁₂为：

用户群体特征为{青年,男，南方}的用户群体中搜索词的排序分数的计算方法与此类似，在此不再赘述。

206、服务器将搜索词推荐列表中的搜索词按照排序分数的分值从大到小进行排序，按照排序将前N个搜索词推荐给该用户，其中，N为预置的正整数，N可以根据实际应用的需求进行设置，。

例如，以用户A为例，则该服务器在接收到用户A的登录请求时，可以根据该登录请求中携带的用户标识获取用户A的用户画像信息，然后根据该用户画像信息确定用户A所属用户群体的搜索词推荐列表，最后将该搜索词推荐列表中的头部的N个搜索词推荐给该用户A。

比如，根据步骤205中的计算可知，在用户群体特征为{青年,女，南方}的用户群体中，搜索词“终端应用01”的排序分数高于搜索词“终端应用02”的排序分数，因此，在用户群体特征为{青年,女，南方}的用户群体的搜索词推荐列表中，搜索词“终端应用01”应排在“终端应用02”之前，在向用户A推荐时，可以优先推荐搜索词“终端应用01”。

可选的，在将搜索词推荐给用户时，可以直接推荐给用户，也可以先进行过滤，比如，进行色情词表过滤、政治敏感词表过滤等，然后再推荐给用户，即可以按照排序将前N个搜索词作为候选搜索词，然后对该候选搜索词进行过滤，最后才将过滤后的候选搜索词推荐给用户。

需说明的，对于没有登录的用户，由于无法确定对应的用户画像信息，因此，可以按照常规的搜索词推荐方法对其进行推荐，而不进行个性化推荐。

此后，终端在接收到该服务器推荐的搜索词后，可以对这些推荐搜索词进行展示，比如，参见图2c，对于个性化推荐的搜索词，可以展示在“猜你会搜”的项目下，比如终端应用H、终端应用I和终端应用J等，而对于一般的非个性化推荐的搜索词，则展示在“全民热搜”项目下，比如，终端应用A、终端应用B、终端应用C、终端应用D、终端应用E和终端应用F等。

由上可知，本实施例采用获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征等信息，根据这些信息分别计算搜索词的群体热度、群体区分度和搜索词质量，然后以计算出的搜索词的群体热度、群体区分度和搜索词质量作为依据，向用户推荐搜索词，从而实现对用户进行搜索词的个性化推荐的目的，而且，由于作为推荐考虑因素之一的用户行为日志是实时更新的，所以，推荐的搜索词也可以实时进行更新，也就是说，采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

实施例三、

基于实施例二所描述的方法，需说明的是，在具体实现时，该搜索词推荐装置具体可以集成在一个服务器中，也可以分为多个模块，分别集成在多个设备，比如多个服务器中，例如，以该搜索词推荐***包括客户端和搜索词推荐装置，而该搜索词推荐装置包括预处理模块、搜索模块、处理模块和安全模块为例，则各个模块的具体功能可以如下：

(1)预处理模块；

预处理模块，用于接收用户通过客户端发送的登录请求，其中，该登录请求携带的用户标识，根据该用户标识获取相应的用户画像信息，并将该用户画像信息提供给搜索模块；以及接收搜索模块发送的个性化搜索词推荐列表，根据个性化搜索词推荐列表推荐搜索词给客户端，以便客户端对这些推荐的搜索词进行展示。

(2)搜索模块；

搜索模块，用于根据用户画像信息确定该用户所属用户群体的搜索词推荐列表，并将该搜索词推荐列表提供给安全模块；以及接收安全模块发送的过滤后的搜索词推荐列表，根据过滤后的搜索词推荐列表生成最终的搜索词推荐列表，称为个性化搜索词推荐列表，将该个性化搜索词推荐列表发送给预处理模块。

(3)安全模块；

安全模块，用于对该搜索词推荐列表中的搜索词进行过滤，比如，进行色情词表过滤、政治敏感词表过滤等，然后将过滤后的搜索词推荐列表提供给搜索模块。

(4)处理模块；

处理模块，用于生成各个用户群体对应的搜索词推荐列表，具体的生成方式可参照实施例二，在此不再赘述。

基于上述搜索词推荐***的结构，以下将对个性化搜索词的拉取及展示流程进行简略说明，参见图3，具体流程可以如下：

301、客户端接收用户发送的登录请求，其中，该登录请求携带的用户标识。

例如，用户在进入搜索场景之后，可以发起登录请求，则此时，客户端便可以接收到该登录请求。

302、客户端将该登录请求转发给预处理模块。

303、预处理模块根据该登录请求中携带的用户标识获取相应的用户画像信息，并将该用户画像信息提供给搜索模块。

304、搜索模块根据用户画像信息确定该用户所属用户群体的搜索词推荐列表，并将该搜索词推荐列表提供给安全模块。

305、安全模块对该搜索词推荐列表中的搜索词进行过滤，比如，进行色情词表过滤、政治敏感词表过滤等，然后将过滤后的搜索词推荐列表提供给搜索模块。

306、搜索模块根据过滤后的搜索词推荐列表生成最终的个性化搜索词推荐列表，将该个性化搜索词推荐列表发送给预处理模块。

307、预处理模块根据个性化搜索词推荐列表推荐搜索词给客户端。

308、客户端接收到推荐的这些搜索词后，向用户展示这些推荐的搜索词。

该实施例同样可以实现与实施例二相同的有益效果，详见实施例二，在此不再赘述。

实施例四、

为了更好地实施以上方法，本发明实施例还提供一种搜索词推荐装置，如图4所示，该搜索词推荐装置可以包括获取单元401、热度计算单元402、区分度计算单元403、质量计算单元404和推荐单元405，如下：

获取单元401，用于获取多个用户的用户行为日志、用户画像信息和预置多个用户群体的用户群体特征。

其中，用户行为日志可以包括多个用户搜索行为，而一个用户搜索行为可以包括用户标识、搜索词、搜索时间、以及点击/下载率等信息，例如，以该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率为例，则该用户搜索行为具体可以用以下四元组表示：{用户标识，搜索词，搜索时间，点击/下载率}。

其中，用户画像信息可以包括用户标识、年龄、性别和所在地区等信息。例如，以用户画像信息可以包括用户标识、年龄、性别和所在地区为例，则一个用户画像信息可以用以下四元组表示：{用户标识，年龄，性别，所在地区}。当然，用户画像信息不局限于年龄、性别和所在地区，其还可以涵盖任何与用户相关的属性。

用户群体特征用于定义一个用户群体，具体的定义方式可以根据实际应用的需求来进行设置，比如，可以利用年龄、性别和所在地区等信息的任意组合来定义一个用户群体，等等，即该用户群体特征可以包括年龄、性别和/或所在地区等信息。

热度计算单元402，用于根据用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度。

区分度计算单元403，用于根据用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度。

质量计算单元404，用于根据用户行为日志计算搜索词质量。

推荐单元405，用于根据搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

(1)搜索词的群体热度的计算；

热度计算单元402可以包括第一关联子单元和第一运算子单元，如下：

第一关联子单元，用于将该用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志。

第一运算子单元，用于根据该关联用户画像信息的行为日志和用户群体特征计算搜索词的群体热度。

例如，第一运算子单元，具体可以用于基于用户群体特征，分别对关联用户画像信息的行为日志中具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数；对得到具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数；计算搜索词的搜索次数和该搜索总次数的商，得到搜索词的群体热度。

比如，以该用户行为日志包括多个用户搜索行为，该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，而用户画像信息包括用户标识、年龄、性别和所在地区，用户群体特征包括年龄、性别和/或所在地区为例，则：

第一关联子单元，具体用于将用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，其中，该关联用户画像信息的用户搜索行为可以包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区等信息；将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志。

则此时，第一运算子单元，具体可以用于基于年龄、性别和/或所在地区，从所述关联用户画像信息的行为日志中确定具有相同用户群体特征的搜索词；对所述具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数，对具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数；计算搜索词的搜索次数和所述搜索总次数的商，得到搜索词的群体热度，用公式表示即为：

${\mathrm{GroupHot}}_{\mathrm{ki}}=\frac{Q{V}_{\mathrm{ki}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}Q{V}_{\mathrm{ki}}}$

其中，Query_ki表示搜索词，QV_ki表示该搜索词的搜索次数，GroupHot_ki表示搜索词Query_ki的群体热度，i和k均为正整数，即i＝1,2,…,n；i＝1,2,…,m。其中，GroupHot_ki值越大，说明搜索词Query_ki相对于用户群体Group_k越热门及重要；反之亦然，具体可参见前面的实施例，在此不再赘述。

(2)搜索词的群体区分度的计算；

区分度计算单元403可以包括第二关联子单元和第二运算子单元，如下：

第二关联子单元，用于根据该用户行为日志、用户画像信息和用户群体特征生成与搜索词关联的用户群体特征列表。

例如，具体可以将该用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志，然后，将该关联用户画像信息的行为日志与该用户群体特征进行关联，得到与搜索词关联的用户群体特征列表。

第二运算子单元，用于计算该用户群体特征列表中所有信息的组合数，得到用户群体数量；计算该用户群体数量与用户群体特征列表中用户群体总数的商，得到搜索词的群体区分度，用公式表示即为：

${\mathrm{GroupDistinction}}_i=\frac{N}{M_i}$

其中，N表示该用户群体特征列表中所有信息的组合数，M_i表示用户群体特征列表中用户群体总数，GroupDistinction_i表示搜索词Query_i的群体区分度。GroupDistinction_i越大，说明搜索词Query_i具有越明显的用户群体特征，群体区分度越大；GroupDistinction_i越小，说明搜索词Query_i越倾向于各个不同用户群体的普遍需求，群体区分度越小。

比如，以该用户行为日志包括多个用户搜索行为，该用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，而用户画像信息包括用户标识、年龄、性别和所在地区为例，则用户搜索行可以用四元组表示为：{用户标识,搜索词,搜索时间,点击/下载率}，用户画像信息可以用四元组表示为{用户标识,年龄,性别,所在地区}，那么，此时：

第二关联子单元，具体用于将所述用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，该关联用户画像信息的用户搜索行为可以包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区，将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志；将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，所述与搜索词关联的用户群体特征列表包括用户标识、搜索词、年龄、性别和所在地区等信息，例如，若该与搜索词关联的用户群体共有M_i个，则该与搜索词Query_i关联的用户群体特征列表可表示为{Group_k1i,Group_k2i,…,Group_kMi}，具体可参见前面的实施例，在此不再赘述。

(3)搜索词的搜索词质量的计算；

该质量计算单元404，具体可以用于从该用户行为日志中提取预置时间长度的日志，统计该预置时间长度的日志中搜索词的检索次数，以及统计由该搜索词而产生的应用下载次数，然后根据该检索次数和应用下载次数计算该搜索词的搜索词质量。

比如，具体可以从该用户行为日志中提取过去一定时间窗口，如过去7天的日志，然后对其中的搜索词进行统计，分别计算搜索词的检索次数，以及由搜索词而产生的应用下载次数，得到以下三元组信息：{搜索词，搜索次数(QV_i)，应用下载次数}，则搜索词质量QueryScore_i具体可以为：

QueryScore_i＝log₂QV_i*AppDownloadCount_i。

其中，该时间窗口的长度可以根据实际应用的需求进行设置，在此不再赘述。

(4)搜索词的推荐；

推荐单元405可以包括排序子单元和推荐子单元，如下：

排序子单元，用于根据该搜索词的群体热度、群体区分度和搜索词质量，基于该用户群体特征对搜索词进行排序，得到与该用户群体特征对应的用户群体的搜索词推荐集合；

其中，为了排序方便，在进行排序时，排序子单元还可以计算各个搜索词的排序分数，比如，若用GroupQueryScore_ki来表示该排序分数，则：

GroupQueryScore_ki＝log₂GroupHot_ki*log₂GroupDistinction_i*QueryScore_i。

推荐子单元，用于按照预置策略将搜索词推荐集合中预置数量的搜索词推荐给所述用户群体中的用户。

例如，推荐子单元，具体可以用于接收用户的登录请求，其中，该登录请求中携带用户标识，根据该用户标识获取相应的用户画像信息，根据该用户画像信息确定该用户所属用户群体的搜索词推荐集合，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给该用户。

比如，该推荐子单元可以将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，并按照排序将前N个搜索词推荐给该用户，其中，N为预置的正整数。

当然，该推荐子单元也可以按照排序分数的分值从小到大进行排序，并按照排序将后M个搜索词推荐给该用户，其中，M为预置的正整数。

可选的，在将搜索词推荐给用户时，可以直接推荐给用户，也可以先进行过滤，比如，进行色情词表过滤、政治敏感词表过滤等，然后再推荐给用户，即：

推荐子单元，具体可以用于将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，按照排序将前N个搜索词作为候选搜索词，对所述候选搜索词进行过滤，将过滤后的候选搜索词推荐给所述用户。

其中，过滤的规则可以根据实际应用的需求进行设置，在此不再赘述。

具体实施时，以上各个单元可以作为独立的实体实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施，可参见前面的实施，在此不再赘述。

该搜索词推荐装置具体可以集成在服务器等网络设备中。

由上可知，本实施例的搜索词推荐装置的获取单元401可以获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征等信息，由热度计算单元402、区分度计算单元403和质量计算单元404根据这些信息分别计算搜索词的群体热度、群体区分度和搜索词质量，然后由推荐单元405以计算出的搜索词的群体热度、群体区分度和搜索词质量作为依据，向用户推荐搜索词，从而实现对用户进行搜索词的个性化推荐的目的，而且，由于作为推荐考虑因素之一的用户行为日志是实时更新的，所以，推荐的搜索词也可以实时进行更新，也就是说，采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

实施例五、

相应的，本发明实施例还提供一种搜索词推荐***，可以包括本发明实施例提供的任一种搜索词推荐装置，具体可参见实施例四，其中，该搜索词推荐装置具体可以集成在服务器等网络设备中，例如，具体可以如下：

服务器，用于获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；根据所述用户行为日志计算搜索词质量；根据该搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

其中，搜索词的群体热度、群体区分度和搜索词质量的计算具体可参见前面的实施例，在此不再赘述。

其中，服务器在向用户推荐搜索词时，具体可以接收用户通过客户端发送的登录请求，其中，该登录请求中携带用户标识，根据该用户标识获取相应的用户画像信息，根据该用户画像信息确定该用户所属用户群体的搜索词推荐集合，然后，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给该用户，具体可参见前面的实施例，在此不再赘述。

此外，该搜索词推荐***还可以包括客户端，该客户端可以集成在移动终端等设备中，如下：

客户端，用于接收用户输入的登录请求，并将该登录请求发送给服务器，以及接收服务器推荐的搜索词，对这些推荐的搜索词进行展示。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由于该搜素词推荐***可以包括本发明实施例提供的任一种搜索词推荐装置，所以可以实现与本发明实施例提供的任一种搜索词推荐装置同样的有益效果，详见前面的实施例，在此不再赘述。

实施例六、

本发明实施例还提供一种服务器，可以集成本发明实施例提供的任一种搜索词推荐装置，如图5所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、射频(Radio Frequency，RF)电路503、电源504、输入单元505、以及显示单元506等部件。本领域技术人员可以理解，图5中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器501是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。

存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。

RF电路503可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器501处理；另外，将涉及上行的数据发送给基站。通常，RF电路503包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路503还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯***(GSM，Global System ofMobile communication)、通用分组无线服务(GPRS，General Packet RadioService)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，LongTerm Evolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。

服务器还包括给各个部件供电的电源504(比如电池)，优选的，电源504可以通过电源管理***与处理器501逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源504还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入单元505，该输入单元505可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元505可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器501，并能接收处理器501发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元505还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

该服务器还可包括显示单元506，该显示单元506可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元506可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器501根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图5中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。

尽管未示出，服务器还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：

获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；根据所述用户行为日志计算搜索词质量；根据该搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词。

其中，搜索词的群体热度、群体区分度和搜索词质量的计算方式具体可参见前面的实施例，在此不再赘述。

此外，服务器在向用户推荐搜索词时，具体可以接收用户通过客户端发送的登录请求，其中，该登录请求中携带用户标识，根据该用户标识获取相应的用户画像信息，根据该用户画像信息确定该用户所属用户群体的搜索词推荐集合，然后，按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给该用户，具体可参见前面的实施例，在此不再赘述。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本实施例的服务器采用获取多个用户的用户行为日志、用户画像信息和预置的多个用户群体的用户群体特征等信息，根据这些信息分别计算搜索词的群体热度、群体区分度和搜索词质量，然后以计算出的搜索词的群体热度、群体区分度和搜索词质量作为依据，向用户推荐搜索词，从而实现对用户进行搜索词的个性化推荐的目的，而且，由于作为推荐考虑因素之一的用户行为日志是实时更新的，所以，推荐的搜索词也可以实时进行更新，也就是说，采用该方案不仅可以实现为不同的用户群体进行个性化推荐，而且具有及时动态更新能力，可以提高推荐的精准度，改善推荐效果。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种搜索词推荐方法、装置和***进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (19)

1.一种搜索词推荐方法，其特征在于，包括：

获取多个用户的用户行为日志、用户画像信息和预置多个用户群体的用户群体特征；

根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；

根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；

根据所述用户行为日志计算搜索词质量；

根据所述搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词；

所述根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度，包括：将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志；根据所述关联用户画像信息的行为日志和用户群体特征计算搜索词的群体热度；

所述根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度，包括：根据所述用户行为日志、用户画像信息和用户群体特征生成与搜索词关联的用户群体特征列表；计算所述用户群体特征中所有信息的组合数，得到用户群体数量；计算所述用户群体数量与所述用户群体特征列表中用户群体总数的商，得到搜索词的群体区分度；

所述根据所述用户行为日志计算搜索词质量，包括：从所述用户行为日志中提取预置时间长度的日志；统计该预置时间长度的日志中搜索词的检索次数，以及由该搜索词而产生的应用下载次数；根据所述检索次数和应用下载次数计算所述搜索词的搜索词质量；

所述根据所述搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词，包括：根据所述搜索词的群体热度、群体区分度和搜索词质量，基于所述用户群体特征对搜索词进行排序，得到与所述用户群体特征对应的用户群体的搜索词推荐集合；按照预置策略将搜索词推荐集合中预置数量的搜索词推荐给所述用户群体中的用户。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关联用户画像信息的行为日志和用户群体特征计算搜索词的群体热度，包括：

基于用户群体特征，分别对所述关联用户画像信息的行为日志中具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数；

对具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数；

计算所述搜索词的搜索次数和所述搜索总次数的商，得到搜索词的群体热度。

3.根据权利要求1所述的方法，其特征在于，所述用户行为日志包括多个用户搜索行为，所述用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，所述用户画像信息包括用户标识、年龄、性别和所在地区，则所述将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志，包括：

将所述用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，所述关联用户画像信息的用户搜索行为包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区；

将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志。

4.根据权利要求2所述的方法，其特征在于，所述用户群体特征包括年龄、性别和/或所在地区，则所述基于用户群体特征，分别对所述关联用户画像信息的行为日志中具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数，包括：

基于年龄、性别和/或所在地区，从所述关联用户画像信息的行为日志中确定具有相同用户群体特征的搜索词；

对所述具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为日志、用户画像信息和用户群体特征生成与搜索词关联的用户群体特征列表，包括：

将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志；

将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表。

6.根据权利要求5所述的方法，其特征在于，所述用户行为日志包括多个用户搜索行为，所述用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，所述用户画像信息包括用户标识、年龄、性别和所在地区，所述用户群体特征包括年龄、性别和/或所在地区，则：

所述将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志，包括：将所述用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，所述关联用户画像信息的用户搜索行为包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区，将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志；

所述将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，包括：将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，所述与搜索词关联的用户群体特征列表包括用户标识、搜索词、年龄、性别和所在地区。

7.根据权利要求1所述的方法，其特征在于，所述按照预置策略将搜索词推荐集合中预置数量的搜索词推荐给所述用户群体中的用户，包括：

接收用户的登录请求，所述登录请求中携带用户标识；

根据所述用户标识获取相应的用户画像信息；

根据所述用户画像信息确定所述用户所属用户群体的搜索词推荐集合；

按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给所述用户。

8.根据权利要求7所述的方法，其特征在于，所述根据所述搜索词的群体热度、群体区分度和搜索词质量，基于所述用户群体特征对搜索词进行排序时，还包括：

计算各个搜索词的排序分数；

所述按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给所述用户，包括：将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，并按照排序将前N个搜索词推荐给所述用户，所述N为预置的正整数。

9.根据权利要求8所述的方法，其特征在于，所述按照排序将前N个搜索词推荐给所述用户，包括：

按照排序将前N个搜索词作为候选搜索词；

对所述候选搜索词进行过滤；

将过滤后的候选搜索词推荐给所述用户。

10.一种搜索词推荐装置，其特征在于，包括：

获取单元，用于获取多个用户的用户行为日志、用户画像信息和预置多个用户群体的用户群体特征；

热度计算单元，用于根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体热度；

区分度计算单元，用于根据所述用户行为日志、用户画像信息和用户群体特征计算搜索词的群体区分度；

质量计算单元，用于根据所述用户行为日志计算搜索词质量；

推荐单元，用于根据所述搜索词的群体热度、群体区分度和搜索词质量向用户推荐搜索词；

所述热度计算单元包括第一关联子单元和第一运算子单元；

第一关联子单元，用于将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志；

第一运算子单元，用于根据所述关联用户画像信息的行为日志和用户群体特征计算搜索词的群体热度；

所述区分度计算单元包括第二关联子单元和第二运算子单元；

第二关联子单元，用于根据所述用户行为日志、用户画像信息和用户群体特征生成与搜索词关联的用户群体特征列表；

第二运算子单元，用于计算所述用户群体特征列表中所有信息的组合数，得到用户群体数量；计算所述用户群体数量与所述用户群体特征列表中用户群体总数的商，得到搜索词的群体区分度；

所述质量计算单元，具体用于从所述用户行为日志中提取预置时间长度的日志；统计该预置时间长度的日志中搜索词的检索次数，以及由该搜索词而产生的应用下载次数；根据所述检索次数和应用下载次数计算所述搜索词的搜索词质量；

所述推荐单元包括排序子单元和推荐子单元；

排序子单元，用于根据所述搜索词的群体热度、群体区分度和搜索词质量，基于所述用户群体特征对搜索词进行排序，得到与所述用户群体特征对应的用户群体的搜索词推荐集合；

推荐子单元，用于按照预置策略将搜索词推荐集合中预置数量的搜索词推荐给所述用户群体中的用户。

11.根据权利要求10所述的搜索词推荐装置，其特征在于，

所述第一运算子单元，具体用于基于所述用户群体特征，分别对所述关联用户画像信息的行为日志中具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数；对具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数；计算搜索词的搜索次数和所述搜索总次数的商，得到搜索词的群体热度。

12.根据权利要求10所述的搜索词推荐装置，其特征在于，所述用户行为日志包括多个用户搜索行为，所述用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，所述用户画像信息包括用户标识、年龄、性别和所在地区，则：

所述第一关联子单元，具体用于将所述用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，所述关联用户画像信息的用户搜索行为包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区；将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志。

13.根据权利要求12所述的搜索词推荐装置，其特征在于，所述用户群体特征包括年龄、性别和/或所在地区，则：

所述第一运算子单元，具体用于基于年龄、性别和/或所在地区，从所述关联用户画像信息的行为日志中确定具有相同用户群体特征的搜索词；对所述具有相同用户群体特征的搜索词的搜索次数进行统计，得到搜索词的搜索次数，对具有相同用户群体特征的所有搜索词的搜索次数进行求和，得到搜索总次数；计算搜索词的搜索次数和所述搜索总次数的商，得到搜索词的群体热度。

14.根据权利要求10所述的搜索词推荐装置，其特征在于，

所述第二关联子单元，具体用于将所述用户行为日志和用户画像信息进行关联，得到关联用户画像信息的行为日志；将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表。

15.根据权利要求14所述的搜索词推荐装置，其特征在于，所述用户行为日志包括多个用户搜索行为，所述用户搜索行为包括用户标识、搜索词、搜索时间、以及点击/下载率，所述用户画像信息包括用户标识、年龄、性别和所在地区，所述用户群体特征包括年龄、性别和/或所在地区，则：

所述第二关联子单元，具体用于将所述用户行为日志中的用户搜索行为分别和用户画像信息进行关联，得到关联用户画像信息的用户搜索行为，所述关联用户画像信息的用户搜索行为包括用户标识、搜索词、搜索时间、点击/下载率、年龄、性别和所在地区，将所有关联用户画像信息的用户搜索行为添加到同一个集合中，得到关联用户画像信息的行为日志；将所述关联用户画像信息的行为日志与所述用户群体特征进行关联，得到与搜索词关联的用户群体特征列表，所述与搜索词关联的用户群体特征列表包括用户标识、搜索词、年龄、性别和所在地区。

16.根据权利要求10所述的搜索词推荐装置，其特征在于，

所述推荐子单元，具体用于接收用户的登录请求，所述登录请求中携带用户标识；根据所述用户标识获取相应的用户画像信息；根据所述用户画像信息确定所述用户所属用户群体的搜索词推荐集合；按照预置策略将确定的搜索词推荐集合中预置数量的搜索词推荐给所述用户。

17.根据权利要求10所述的搜索词推荐装置，其特征在于，

所述排序子单元，还用于计算各个搜索词的排序分数；

所述推荐子单元，具体用于将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，并按照排序将前N个搜索词推荐给所述用户，所述N为预置的正整数。

18.根据权利要求17所述的搜索词推荐装置，其特征在于，

所述推荐子单元，具体用于将确定的搜索词推荐集合中的搜索词按照排序分数的分值从大到小进行排序，按照排序将前N个搜索词作为候选搜索词，对所述候选搜索词进行过滤，将过滤后的候选搜索词推荐给所述用户。

19.一种搜索词推荐***，其特征在于，包括权利要求10至18任一项所述的搜索词推荐装置。