CN108415970B - 检索结果排序方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供了一种检索结果排序方法、装置、电子设备及存储介质，涉及搜索技术领域。所述方法包括：接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息，根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征，根据所述用户标识获取用户特征，根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据，根据所述消费意向数据，对所述多个搜索结果进行排序。本发明能够按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高了对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高了向用户提供商品的准确性。

Description

检索结果排序方法、装置、电子设备及存储介质

技术领域

本发明涉及搜索技术领域，特别是涉及一种检索结果排序方法、装置、电子设备及存储介质。

背景技术

随着电子技术的发展，电子商务的应用也越来越广泛。商家可以通过网页的形式向用户提供商品，用户可以通过访问网页来搜索所需要的商品。由于搜索结果中可能会包括多个商品，而各商品之间通常会有差异，比如商品的质量等，所以为了提高提供商品的准确性，亟需一种搜索结果排序方法。

现有技术中，可以通过统计各搜索结果中对应商品的销量、用户针对各搜索结果中对应商品的评论数目以及收藏数目。在提供商品时，可以按照该销量、评价数目或收藏数目对各搜索结果中对应商品进行排序，将排序后的商品提供给用户。

虽然现有技术能够对搜索结果进行排序，在一定程度上提高了提供商品的准确性，但由于不同的用户之间也通常会存在差异，比如品味、喜好、购买能力等，因此不同用户对商品的需求也不同，而现有技术中，对于任一用户，所提供的商品的排序方式是完全相同的，当然也难以满足不用用户对商品的需求，提供商品的准确性相当有限。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的检索结果排序方法、装置、电子设备及存储介质。

一方面，本发明提供了一种搜索结果排序方法，包括：

接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息；

根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征；

根据所述用户标识获取用户特征；

根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据；

根据所述消费意向数据，对所述多个搜索结果进行排序。

可选的，所述根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据包括：

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率；

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率；

根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

可选的，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件和未付款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的付款概率；

根据所提取的商品特征、用户特征以及所计算的付款概率，创建所述第一机器学习模型。

可选的，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括退款事件和未退款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的退款概率；

根据所提取的商品特征、用户特征以及所计算的退款概率，创建所述第二机器学习模型。

可选的，所述根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据包括：

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第三机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定消费概率；

将所述消费概率确定为所述消费意向数据。

可选的，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件、未付款事件、退款事件和未退款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的消费概率；

根据所提取的商品特征、用户特征以及所计算的消费概率，创建所述第三机器学习模型。

可选的，还包括：

获取环境特征，所述环境特征包括所述用户分别与各搜索结果中对应商品之间的距离；

所述根据所述消费意向数据，对所述多个搜索结果进行排序包括：

结合所述环境特征和所述消费意向数据，对所述多个商品进行排序。

可选的，所述根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征包括：

确定各搜索结果中对应商品在第二预设时间段内的商品特征，所述第二预设时间段为以当前时刻为起点的第三预设时长内的时间段；

所述根据所述用户标识获取用户特征包括：

根据所述用户标识获取所述第二预设时间段内的用户特征。

另一方面，本发明提供了一种搜索结果排序装置，包括：

接收模块，用于接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息；

第一确定模块，用于根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征；

第一获取模块，用于根据所述用户标识获取用户特征；

第二确定模块，用于根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据；

排序模块，用于根据所述消费意向数据，对所述多个搜索结果进行排序。

另一方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如前述任一项所述方法的步骤。

另一方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述任一项所述方法的步骤。

在本发明实施例中，由于不同的用户以及不同的商品之间均可能会存在差异，从而不同的用户对不同的商品具有不同的消费需求，所以对于提交搜索请求的用户，能够根据搜索请求中携带的目标商品信息搜索得到多个搜素结果，根据搜索请求中携带的用户标识获取到对应的用户特征，然后根据该用户特征和各搜索结果中对应商品的商品特征，确定该用户针对各搜索结果中对应商品的消费意向数据，进而能够将根据该用户对各搜索结果中对应商品的消费意向数据对搜索结果进行排序，也即是能够按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高了对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高了向用户提供商品的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明实施例提供的一种搜索结果排序方法的步骤流程图；

图2是根据本发明实施例提供的另一种搜索结果排序方法的步骤流程图；

图3是根据本发明实施例提供的一种搜索结果排序装置的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

参照图1，示出了本发明实施例中的一种搜索结果排序方法的步骤流程图，该搜索结果排序方法包括：

步骤101，接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息。

本发明实施例所提供的搜索结果排序方法可以应用于云平台中，用户可以通过网页应用或者客户端向该云平台提交搜索请求，该搜索请求中携带用户标识和目标商品信息，以使该云平台能够根据该目标商品信息进行搜索，并根据该用户标识将搜索结果提供给用户。

该用户标识用于唯一标识一个用户，该用户标识可以是用户名称或用户ID(Identification，身份证)等。

该目标商品信息为用于获取所需要的商品的关键词，比如，该目标商品信息可以商品类型、商品所属商家的名称中的至少一个。

例如，接收到搜索请求1，搜索请求中包括“用户ID1”和“快捷酒店”，其中，用户ID1为提交搜索请求1的用户的用户标识，快捷酒店为商品类型。

步骤102，根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征。

由于不用的商品之间存在差异，比如质量、价格、材质等，从而能够满足用户需求的程序也会不同，因此，为了便于针对提交搜索请求的用户来对搜索结果进行排序，进而提高提供搜索结果和商品的准确性，可以各搜索结果中对应商品的商品特征。

可以根据该目标商品信息，从至少一个商家，获取与该目标商品信息匹配的商品，从而得到搜索结果，各搜索结果可以对应一个商品。

商品特征为商品所具有的特征，可以包括退款量、销量、评价数目、商品类型中的至少一个，当然，在实际应用中，该商品特征还可以包括商品的其他特征，比如商品所属商家的名称、商家所处地理位置(地址或经纬度等)、商品的退款率、点击数目、收藏数目、价格等。当然，在实际应用中，为了提高确定商品特征的准确性，进而提高对搜索结果进行排序的准确性性，从而准确地向用户提供商品，该商品特征可以包括商品子特征，比如，商品的退款率可以包括来自不同客户端类型(比如安卓客户端和苹果客户端)的客户端对该商品进行退款的退款率、周末和非周末对该商品进行退款的退款率、针对不同付款类型(比如团购或预购)的退款率。

其中，可以根据各搜索结果中对应商品的商品标识，获取针对该商品的历史访问事件，该历史访问事件可以包括点击事件、付款事件、未付款事件、退款事件、未退款事件、评价事件、未评价事件、收藏事件、未收藏事件等历史访问事件，通过计算不同的历史访问事件的数目从而确定不同商品特征，也即是从历史访问事件中提取得到该商品的商品特征。比如，计算得到的点击事件的数目即为该商品的点击数目，计算得到的搜藏事件的数目即为该商品的收藏数目，计算得到的退款事件的数目，与退款事件以及未退款事件的数目之和之间的比值，即为该商品的退款率。当然，在本发明实施例中，优选的，对于不会因为历史访问事件而改变的商品特征也可以通过获取预先存储的商品特征得到，比如，商品类型、商品所属商家的名称和商家所处地理位置等，可以是由接收商家提交的该商品的商品类型、商品所属商家的名称和商家所处地理位置得到。

商品标识用于唯一标识一个商品，商品标识可以是商品的名称或ID等。

历史访问事件为检测到用户对该商品进行访问时对该用户的用户特征、该商品的商品特征记录产生的事件。比如，如果检测到用户点击了该商品，可以记录为点击事件，该点击事件中可以包括该用户的用户特征、该商品的商品类型、商品所属商家的名称或商家所处地理位置等；如果检测到该用户为点击了该商品并付款成功，可以记录为付款事件；如果检测到该用户为点击了该商品但未付款成功，可以记录为未付款事件；如果检测到该用户为该商品付款成功且退款成功，可以记录为退款事件；如果检测到该用户为该商品付款成功但未退款成功，可以记录为未退款事件。

在本发明实施例中，优选的，退款指在对商品付款成功之后的第一预设时长内的退款。

第一预设时长可以由云平台确定，第一预设时长可以是1星期或1个月等。

在本发明实施例中，优选的，历史访问事件中还包括其它特征，比如环境特征。该环境特征用于说明该用户或各搜索结果中对应商品所处的环境，比如当前时刻、以及用户分别与各搜索结果中对应商品之间的距离、天气等。

其中，该用户与各搜索结果中对应商品之间的距离，可以为该用户所处的地理位置分别与各搜索结果中对应商品所处的地理位置之间的距离。

步骤103，根据所述用户标识获取用户特征。

由于不同的用户之间也存在差异，相应的，对搜索结果中不同商品的需求程度也会有所差异，因此，为了便于针对提交搜索请求的用户来对搜索结果进行排序，进而提高提供搜索结果和商品的准确性，可以获取用户特征。

用户特征为用户所具有的特征，该用户特征可以包括用户活跃度、用户等级、用户消费能力、用户退款次数中的至少一个。当然，在实际应用中，该用户特征还可以包括其它特征，比如，该用户的客户端的客户端类型、用户所处地理位置。

用户活跃度可以通过根据用户在第一预设时间段内购买商品的次数和最近一次购买商品距离当前时刻的第二预设时长来确定，该用户活跃度可以是大于0小于或等于1的数值。其中，第一预设时间段可以是在当前时刻之前第二预设时长的时间段，第一预设时间段或第二预设时长可以由该云平台确定，比如，第二预设时长可以是最近的30天、60天或90天等。

例如，可以通过公式1：ACT＝a*N1+b*N2来计算用户活跃度。其中，ACT表示用户活跃度，N1在第一预设时间段内购买商品的次数，N2为第一时长，a为在第一预设时间段内购买商品的次数的权值，b为第二预设时长的权值，且a和b的值可以通过预先设置得到。

用户等级可以根据用户购买商品所付款之和以及付款次数确定，该用户等级可以是大于0小于或等于10的数值，且根据用户购买商品所付款之和以及付款次数确定用户等级的方式，可以与根据用户在第一预设时间段内购买商品的次数和第一时长来确定该用户活跃度的方式相似，此处不再一一赘述。

用户消费能力可以为用户购买商品所付款之和或平均值中的至少一个。

用户退款次数可以通过统计包括该用户的用户标识的退款事件的数目确定。

另外，在实际应用中，也可以先执行步骤103再执行步骤102，或者，同时执行步骤102或103，也即是，本发明实施例对步骤102和103的执行次序不做具体限定。

步骤104，根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据。

为了能够准确地对搜索结果进行排序，从而准确地向用户提供商品，可以根据该用户的用户特征以及各搜索结果中对应商品的商品特征，确定该用户针对各搜索结果中对应商品的消费意向数据，也即是，能够针对不同的用户，确定该用户针对各搜索结果中对应商品的消费意向数据。

消费意向数据为与用户对商品进行消费有关的数据，从而能够说明用户对商品的消费需求或倾向，该消费意向数据可以是该用户对该商品进行付款的付款概率。

其中，可以根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率。

例如，用户1的用户特征包括用户等级为3、客户端类型为安卓，用户活跃度为0.6，商品1的商品特征包括最近90天退款次数为10，则通过第一机器学习模型，根据用户1的用户特征和商品1的商品特征，计算得到用户1对商品1的的付款概率为50％。用户2的用户特征包括用户等级为1、客户端类型为安卓，用户活跃度为0.1，则通过第一机器学习模型，根据用户2的用户特征和商品1的商品特征，计算得到用户2对商品1的的付款概率为10％。

在本发明实施例中，优选的，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，创建第一机器学习模型。

第一机器学习模型可以是XGBOOST模型。

在本发明实施例中，优选的，由前述可知，商品的历史访问事件中包括记录付款事件和未付款事件，因此为了提高第一机器学习模型的准确性，以更加准确地对消费意向数据进行计算，从而提高后续对搜索结果进行排序的准确性，可以获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件和未付款事件，从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的付款概率，根据所提取的商品特征、用户特征以及所计算的付款概率，创建所述第一机器学习模型。

其中，从历史访问事件中提取的用户特征和商品特征可以作为样本，通过第一机器学习模型，根据提取到的样本，计算各用户对商品的付款概率，即能够对第一机器学习模型进行训练。

步骤105，根据所述消费意向数据，对所述多个搜索结果进行排序。

由于不同的用户针对不同的商品的消费意向数据不同，即不同用户对不同商品可能具有不同的消费倾向，因此，为了便于针对任一用户，有针对性地提供更加准确的搜索结果，将根据该用户对各搜索结果中对应商品的消费意向数据对搜索结果进行排序，也即是按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高向用户提供商品的准确性，可以按照该用户对各搜索结果中对应商品的消费意向数据，对多个搜索结果进行排序。

其中，根据消费意向数据的不同，对该多个商品进行排序的方式也可以不同，比如，当该消费意向数据为付款概率时，可以按照付款概率从大到小的顺序，对该多个商品进行排序，以确保能够将付款概率较大的商品优先提供给用户。如果该消费意向数据为未付款概率时，可以按照未付款概率从小到达额顺序，对该多个商品进行排序。

未付款概率为用户未对商品进行付款的概率，确定未付款概率的方式可以与确定付款概率的方式相同，此处不再一一赘述。

例如，用户1对商品1的付款概率为50％，对商品2的付款概率为65％，对商品3的付款概率为20％，对商品4的付款概率为80％，因此，按照付款概率从大到小的顺序，将商品1、商品2、商品3和商品4进行排序，得到商品4、商品2、商品1、商品3。

另外，可以将排序后的搜索结果提供给用户，从而使用户快速准确地根据搜索结果选择合适的商品，便于用户进行消费，同时确保了用户和商家的利益。

可以通过网页或者客户端，将排序后的搜索结果进行显示，从而将搜索结果提供给该用户。

在本发明实施例中，由于不同的用户以及不同的商品之间均可能会存在差异，从而不同的用户对不同的商品具有不同的消费需求，所以对于提交搜索请求的用户，能够根据搜索请求中携带的目标商品信息搜索得到多个搜素结果，根据搜索请求中携带的用户标识获取到对应的用户特征，然后根据该用户特征和各搜索结果中对应商品的商品特征，确定该用户针对各搜索结果中对应商品的消费意向数据，进而能够将根据该用户对各搜索结果中对应商品的消费意向数据对搜索结果进行排序，也即是能够按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高了对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高了向用户提供商品的准确性。

实施例二

参照图2，示出了本发明实施例中的一种搜索结果排序方法的步骤流程图，该搜索结果排序方法包括：

步骤201，云平台接收提交的搜索请求，所述搜索请求中携带有用户标识和目标商品信息。

在本发明实施例中，优选的，为了提高后续向用户提供搜索结果的可靠性和灵活性，该搜索请求中可以不携带用户标识，而是携带设备标识。当接收到该设备标识时，根据该设备标识，查找与该设备标识对应的用户标识。

该设备标识用于唯一标识一个设备，该设备标识可以是设备的MAC(Media AccessControl，媒体访问控制)地址、IP(Internet Protocol，网络协议)地址等。该设备可以是与该用户标识绑定的设备，或者该用户标识对应的用户登录的设备。

例如，搜索请求中携带设备标识为设备ID1，该云平台在接收到该搜索请求时，根据设备ID1，从如下表1所示的设备标识与用户标识之间的对应关系中，查找到对应的用户标识为用户ID1。

表1

设备标识	用户标识
		设备ID1	用户ID1
设备ID3	设备ID2
		设备ID4	设备ID3
……	……

本发明实施例仅以上述表1为例，对设备标识与用户标识之间的对应关系进行说明，上述表1不对设备标识与用户标识之间的对应关系构成限定。

在本发明实施例中，优选的，登录有该用户标识的设备可以与该云平台进行交互，使该云平台获取到该设备的设备标识，比如，该设备向该云平台发送设备绑定请求，该绑定请求中携带该设备的设备标识和该用户标识。该云平台在获取到该设备标识和该用户标识时，可以将该设备标识和该用户标识存储至如表上1所示的设备标识与用户标识之间的对应关系中。

步骤202，所述云平台根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征。

在本发明实施例中，优选的，由于商品特征可能会随着时间而改变，比如商品的价格等，因此，为了提高获取到商品特征的准确性，进而提高后续对搜索结果进行排序的准确性，可以确定各搜索结果中对应商品在第二预设时间段内的商品特征，所述第二预设时间段为以当前时刻为起点的第三预设时长内的时间段。

其中，第二预设时间段或第三预设时长可以由该云平台确定，第三预设时长可以是1小时、1天、1星期、1个月等。且当第三预设时长越短时，第二预设时间段的也越短，所获取到的商品特征或后续获取到的用户特征的实时性也越强，进而保证了获取到用户特征或商品特征的准确性。

可以根据第二预设时间段，对获取到的各搜索结果中对应商品的商品特征进行过滤，从而得到各搜索结果中对应商品在第二预设时间段内的商品特征。

在本发明实施例中，优选的，为了进一步提高对搜索结果进行排序的准确性，该云平台还可以获取其它特征，比如环境特征。

该环境特征用于说明该用户或各搜索结果中对应商品所处的环境，比如当前时刻、以及用户分别与各搜索结果中对应商品之间的距离等。

其中，该用户与各搜索结果中对应商品之间的距离，可以为该用户所处的地理位置分别与各搜索结果中对应商品所处的地理位置之间的距离。

步骤203，所述云平台根据所述用户标识获取用户特征。

在本发明实施例中，优选的，由于用户特征可能会随着时间而改变，因此，为了提高获取到用户特征的准确性，进而提高后续对搜索结果进行排序的准确性，可以根据所述用户标识获取所述第二预设时间段内的用户特征，所述第二预设时间段为以当前时刻为起点的第三预设时长内的时间段。

可以根据第二预设时间段，对获取用户特征进行过滤，从而得到针对用户标识的第二预设时间段内的用户特征。

步骤204，所述云平台根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据。

在本发明实施例中，优选的，由于用户在对商品付款从而购买商品后，也可能会由于该商品质量差或者其它原因，对该商品退款，既不利于提高用户的消费体验，也会对商家的利益造成损害，因此，该消费意向数据可以是消费概率，该消费概率指用户对商品付款且不退款的概率。

在本发明实施例中，优选的，为了提高计算消费概率的准确性，进而提高对搜索结果进行排序的准确性，可以根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率；根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率，根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

可以通过公式2：P1＝P2*(1-P3)来根据付款概率和退款概率确定该消费概率。其中，P1标识消费概率，P2表示付款概率，P3表示退款概率。

其中，创建第一机器学习模型的方式，与可以参见前述中的相关描述，此处不再一一赘述。

可以在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率之前，创建所述第二机器学习模型。

第二机器学习模型可以为XGBOOST模型。

在本发明实施例中，优选的，为了提高创建第二机器学习模型的准确性，以准确地对退款概率进行计算，从而提高确定消费概率以及对搜索结果进行排序的准确性，可以获取多个用户针对商品的历史访问事件，所述历史访问事件包括退款事件和未退款事件，从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的退款概率，根据所提取的商品特征、用户特征以及所计算的退款概率，创建所述第二机器学习模型。

其中，创建第二机器学习模型的方式，可以与创建第一机器学习模型的方式相似，此处不再一一赘述。

在本发明实施例中，优选的，为了减少需要的机器模型的数量，从而节省创建和训练机器模型所需的时间成本，提高确定消费意向数据的效率，进而提高对搜索结果进行排序的效率以及向用户提供搜索结果的效率，可以根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第三机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定消费概率，将所述消费概率确定为所述消费意向数据。

其中，可以在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，创建第三机器学习模型。

第三机器学习模型可以为XGBOOST模型。

在本发明实施例中，优选的，为了提高第三机器学习模型的准确性，进而提高计算消费意向数据以及对搜索结果进行排序的准确性，可以获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件、未付款事件、退款事件和未退款事件，从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的消费概率，根据所提取的商品特征、用户特征以及所计算的消费概率，创建所述第三机器学习模型。

其中，创建第三机器学习模型的方式，可以与创建第一机器学习模型的方式相似，此处不再一一赘述。

在本发明实施例中，优选的，由于该云平台还可以获取环境特征等其它特征，因此，该云平台可以根据用户特征、各搜索结果中对应商品的商品特征以及环境特征等其它特征，确定该消费意向数据。且根据用户特征、各搜索结果中对应商品的商品特征以及环境特征等其它特征确定该消费意向数据的方式，可以与根据用户特征、各搜索结果中对应商品的商品特征确定该消费意向数据的方式相似，此处不再一一赘述。

例如，该其它特征还包括环境特征，可以根据所述用户特征、各搜索结果中对应商品的商品特征和环境特征，通过预先创建的第四机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第四机器学习模型用于根据用户特征、各搜索结果中对应商品的商品特征和环境特征确定付款概率，根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第五机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第五机器学习模型用于根据用户特征、各搜索结果中对应商品的商品特征和环境特征确定退款概率，根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

其中，创建第四机器学习模型或第五机器学习模型的方式，可以与创建第一机器学习模型的方式相似，此处不再一一赘述。

步骤205，所述云平台根据所述消费意向数据，对所述多个搜索结果进行排序，并将排序后的搜索结果提供给用户。

在本发明实施例中，优选的，由于环境特征能够说明用户或者商品所处的环境，比如，用户分别与各搜索结果中对应商品的距离等，因此，为了使对商品的排序与环境特征相吻合，进一步提高对搜索结果进行排序的准确性，可以结合所述环境特征和所述消费意向数据，对所述多个搜索结果进行排序，并将排序后的搜索结果提供给用户，从而快速准确地针对用户提供商品。

其中，可以优先按照环境特征对各搜索结果中对应商品进行排序，对于环境特征相同的商品，再按照该消费意向数据进行排序。当然，也可以优先按照该消费意向数据对各搜索结果中对应商品进行排序，对于消费意向数据相同的商品，再按照该环境特征进行排序。

例如，用户2对商品1的消费概率为50％，用户2与商品1之间的距离为1公里，用户2对商品2的消费概率为20％，用户2与商品2之间的距离为7公里，用户2对商品3的消费概率为20％，用户2与商品3之间的距离为3公里，用户2对商品4的消费概率为80％，用户2与商品4之间的距离为4公里。因此，优先按照消费概率对将商品1、商品2、商品3和商品4进行排序，得到商品4、商品1、商品2、商品3，由于对商品2和商品3的消费概率相同，所以按照用户与商品之间的距离从近到远的顺序对商品2和商品3进行排序得到商品4、商品1、商品3、商品4。

当然，如果在前述中已经根据用户特征、各搜索结果中对应商品的商品特征以及环境特征确定该用户对各搜索结果中对应商品的消费概率，在本步骤中可以直接根据该消费意向数据对该多个搜索结果进行排序，并将排序后的搜索结果提供给该用户。

在本发明实施例中，首先，由于不同的用户以及不同的商品之间均可能会存在差异，从而不同的用户对不同的商品具有不同的消费需求，所以对于提交搜索请求的用户，能够根据搜索请求中携带的目标商品信息搜索得到多个搜素结果，根据搜索请求中携带的用户标识获取到对应的用户特征，然后根据该用户特征和各搜索结果中对应商品的商品特征，确定该用户针对各搜索结果中对应商品的消费意向数据，进而能够将根据该用户对各搜索结果中对应商品的消费意向数据对搜索结果进行排序，也即是能够按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高了对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高了向用户提供商品的准确性。

其次，能够根据第一机器学习模型计算该用户对各搜索结果中对应商品的付款概率，根据第二机器学习模型计算该用户对各搜索结果中对应商品的退款概率，并根据该用户对各搜索结果中对应商品的付款概率和退款概率，确定该用户对各搜索结果中对应商品的消费概率。将该消费概率作为该消费意向数据，提高了确实确定消费意向数据的准确性以及对搜索结果进行排序的准确性，也确保了能够优先向用户提供该用户消费概率较高的商品，从而同时确保商家以及用户的利益。

另外，可以根据第三机器学习模型确定该用户对各搜索结果中对应商品的消费概率，减少了需要的机器模型的数量，从而节省创建和训练机器模型所需的时间成本，提高了确定消费意向数据的效率，进而提高了对搜索结果进行排序的效率以及向用户提供搜索结果的效率。

需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必需的。

实施例三

参照图3，示出了本发明实施例中的一种搜索结果排序装置的结构框图。所述搜索结果排序装置包括：

接收模块301，用于接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息；

第一确定模块302，用于根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征；

第一获取模块303，用于根据所述用户标识获取用户特征；

第二确定模块304，用于根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据；

排序模块305，用于根据所述消费意向数据，对所述多个搜索结果进行排序。

可选的，所述第二确定模块包括：

第一确定子模块，用于根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率；

第二确定子模块，用于根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率；

第三确定子模块，用于根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

可选的，所述第二确定模块还包括：

第一获取子模块，用于获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件和未付款事件；

第一计算子模块，用于从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的付款概率；

第一创建子模块，用于根据所提取的商品特征、用户特征以及所计算的付款概率，创建所述第一机器学习模型。

可选的，所述第二确定模块还包括：

第二获取子模块，用于获取多个用户针对商品的历史访问事件，所述历史访问事件包括退款事件和未退款事件；

第二计算子模块，用于从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的退款概率；

第二创建子模块，用于根据所提取的商品特征、用户特征以及所计算的退款概率，创建所述第二机器学习模型。

可选的，所述第二确定模块包括：

第四确定子模块，用于根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第三机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定消费概率；

第五确定子模块，用于将所述消费概率确定为所述消费意向数据。

可选的，第二确定模块还包括：

第三获取子模块，用于获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件、未付款事件、退款事件和未退款事件；

第三计算子模块，用于从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的消费概率；

第三创建子模块，用于根据所提取的商品特征、用户特征以及所计算的消费概率，创建所述第三机器学习模型。

可选的，所述装置还包括：

第二获取模块，用于获取环境特征，所述环境特征包括所述用户分别与各搜索结果中对应商品之间的距离；

所述排序模块包括：

排序子模块，用于结合所述环境特征和所述消费意向数据，对所述多个商品进行排序。

可选的，所述第一确定模块包括：

第六确定子模块，用于确定各搜索结果中对应商品在第二预设时间段内的商品特征，所述第二预设时间段为以当前时刻为起点的第三预设时长内的时间段；

所述第一获取模块包括：

第四获取子模块，用于根据所述用户标识获取所述第二预设时间段内的用户特征。

在本发明实施例中，由于不同的用户以及不同的商品之间均可能会存在差异，从而不同的用户对不同的商品具有不同的消费需求，所以对于提交搜索请求的用户，能够根据搜索请求中携带的目标商品信息搜索得到多个搜素结果，根据搜索请求中携带的用户标识获取到对应的用户特征，然后根据该用户特征和各搜索结果中对应商品的商品特征，确定该用户针对各搜索结果中对应商品的消费意向数据，进而能够将根据该用户对各搜索结果中对应商品的消费意向数据对搜索结果进行排序，也即是能够按照用户对搜索到的不同商品的消费需求，有针对性对向该用户提供的搜索结果进行排序，提高了对搜索结果进行排序的准确性以及所提供的搜索结果的准确性，进而也提高了向用户提供商品的准确性。

对于上述装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

实施例四

本发明还提供了一种存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如前述中的搜索结果排序方法的各个过程，且能够达到相同的技术效果，为避免重复，此处不再一一赘述。

实施例五

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前述中的搜索结果排序方法的各个过程，且能够达到相同的技术效果，为避免重复，此处不再一一赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此提供的基于移动终端的电话举报方案不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的商品提供方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种搜索结果排序方法，其特征在于，包括：

接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息；

根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征；

根据所述用户标识获取用户特征；

根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据；

根据所述消费意向数据，对所述多个搜索结果进行排序；

所述根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据包括：

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率；

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率；

根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

2.根据权利要求1所述的搜索结果排序方法，其特征在于，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件和未付款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的付款概率；

根据所提取的商品特征、用户特征以及所计算的付款概率，创建所述第一机器学习模型。

3.根据权利要求1所述的搜索结果排序方法，其特征在于，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括退款事件和未退款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的退款概率；

根据所提取的商品特征、用户特征以及所计算的退款概率，创建所述第二机器学习模型。

4.根据权利要求1所述的搜索结果排序方法，其特征在于，所述根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据包括：

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第三机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定消费概率；

将所述消费概率确定为所述消费意向数据。

5.根据权利要求4所述的搜索结果排序方法，其特征在于，在所述根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第三机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率之前，还包括：

获取多个用户针对商品的历史访问事件，所述历史访问事件包括付款事件、未付款事件、退款事件和未退款事件；

从所述历史访问事件中提取用户特征和商品特征，并根据历史访问事件计算各用户对商品的消费概率；

根据所提取的商品特征、用户特征以及所计算的消费概率，创建所述第三机器学习模型。

6.根据权利要求1所述的搜索结果排序方法，其特征在于，还包括：

获取环境特征，所述环境特征包括所述用户分别与各搜索结果中对应商品之间的距离；

所述根据所述消费意向数据，对所述多个搜索结果进行排序包括：

结合所述环境特征和所述消费意向数据，对所述多个商品进行排序。

7.根据权利要求1所述的搜索结果排序方法，其特征在于，所述根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征包括：

确定各搜索结果中对应商品在第二预设时间段内的商品特征，所述第二预设时间段为以当前时刻为起点的第三预设时长内的时间段；

所述根据所述用户标识获取用户特征包括：

根据所述用户标识获取所述第二预设时间段内的用户特征。

8.一种搜索结果排序装置，其特征在于，包括：

接收模块，用于接收搜索请求，所述搜索请求中携带有用户标识和目标商品信息；

第一确定模块，用于根据所述目标商品信息搜索得到多个搜索结果，确定各搜索结果中对应商品的商品特征；

第一获取模块，用于根据所述用户标识获取用户特征；

第二确定模块，用于根据所述用户特征和各搜索结果中对应商品的商品特征，确定用户针对各搜索结果中对应商品的消费意向数据；

排序模块，用于根据所述消费意向数据，对所述多个搜索结果进行排序；

第二确定模块，还用于根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第一机器学习模型，确定所述用户针对各搜索结果中对应商品的付款概率，所述第一机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定付款概率；

根据所述用户特征和各搜索结果中对应商品的商品特征，通过预先创建的第二机器学习模型，确定所述用户针对各搜索结果中对应商品的退款概率，所述第二机器学习模型用于根据用户特征和各搜索结果中对应商品的商品特征确定退款概率；

根据所述付款概率和所述退款概率，确定所述用户针对各搜索结果中对应商品的消费概率，将所述消费概率确定为所述消费意向数据。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7之任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7之任一项所述方法的步骤。