CN112765452A - 搜索推荐方法、装置及电子设备 - Google Patents
搜索推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112765452A CN112765452A CN202011628194.1A CN202011628194A CN112765452A CN 112765452 A CN112765452 A CN 112765452A CN 202011628194 A CN202011628194 A CN 202011628194A CN 112765452 A CN112765452 A CN 112765452A
- Authority
- CN
- China
- Prior art keywords
- search
- recommendation
- search recommendation
- keywords
- keyword
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000014509 gene expression Effects 0.000 description 10
- 238000003908 quality control method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了搜索推荐方法、装置及电子设备,涉及互联网技术和智能搜索技术领域。具体实现方案为:获取用户输入的搜索信息;基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;从所述多个搜索推荐关键词中获取搜索推荐数据。根据本申请的技术,解决了搜索推荐技术存在的推荐效果比较差的问题,提高了搜索推荐的效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及互联网技术和智能搜索技术领域,具体涉及一种搜索推荐方法、装置及电子设备。
背景技术
随着互联网技术的发展,搜索引擎得到了用户的广泛使用,用户可以在搜索引擎上输入搜索信息,相应的,服务器可以对互联网上的信息进行检索,获取与搜索信息匹配的结果,排序后返回给用户终端。
目前,搜索引擎通常都具有针对搜索信息的推荐功能,以对用户的搜索需求进行引导和激发。相关技术中,通常是从关键词数据库中获取与所述搜索信息匹配的搜索推荐关键词,并将搜索推荐关键词推荐给用户。
发明内容
本公开提供了一种搜索推荐方法、装置及电子设备。
根据本公开的第一方面,提供了一种搜索推荐方法,包括:
获取用户输入的搜索信息;
基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;
从所述多个搜索推荐关键词中获取搜索推荐数据。
根据本公开的第二方面,提供了一种搜索推荐装置,包括:
第一获取模块,用于获取用户输入的搜索信息;
第二获取模块,用于基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;
第三获取模块,用于从所述多个搜索推荐关键词中获取搜索推荐数据。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本公开的第五方面,提供了一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,所述电子设备能够执行第一方面中的任一项方法。
根据本申请的技术解决了搜索推荐技术存在的推荐效果比较差的问题,提高了搜索推荐的效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的搜索推荐方法的流程示意图;
图2是搜索推荐关键词的展现示意图之一;
图3是搜索推荐关键词的展现示意图之二;
图4是实现本申请实施例的搜索推荐方法的框架示意图;
图5是根据本申请第二实施例的搜索推荐装置的结构示意图;
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
如图1所示,本申请提供一种搜索推荐方法,包括如下步骤:
步骤S101:获取用户输入的搜索信息。
本实施例中,搜索推荐方法涉及数据处理技术,具体涉及互联网技术和智能搜索技术领域。该方法可以由本申请实施例的搜索推荐装置执行。而搜索推荐装置可以配置在任意电子设备中,以执行本申请实施例的搜索推荐方法,该电子设备可以服务器,也可以为终端,这里不做具体限定。
所述搜索信息指的是在搜索引擎上对互联网上的信息进行检索的关键词,用户可以在搜索引擎上输入搜索信息,以对互联网上的信息进行检索。
所述搜索信息的获取方式可以有多种,比如,用户可以在搜索引擎的输入框中直接输入内容,相应的,搜索推荐装置可以监控用户的输入,并在接收到用户的输入确认操作的情况下,获取用户输入的内容,以将其作为搜索信息。
又比如,用户可以针对搜索引擎的搜索推荐区域中显示的搜索推荐关键词进行点击,相应的,搜索推荐装置在接收到用户对目标搜索推荐关键词的点击确认操作的情况下,获取所述目标搜索推荐关键词,并将其作为用户输入的搜索信息。
还比如,用户可以针对搜索引擎的搜索界面中显示的可搜索内容进行点击,相应的,搜索推荐装置在接收到用户对目标内容的点击确认操作的情况下,获取所述目标内容,并将该目标内容作为用户输入的搜索信息。
步骤S102:基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值。
所述关键词数据库中存储有多个搜索推荐关键词,其中,搜索推荐关键词指的是向用户推荐的关键词,以供用户进行搜索。
所述搜索日志数据中可以包括关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据。
所述用户访问行为数据用于表示搜索推荐关键词在历史展现过程中用户的点击行为数据,比如,当用户对展现的搜索推荐关键词进行了点击,即会产生一条用户访问行为数据并存放于所述搜索日志数据中。
所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息,比如,当用户对展现的搜索推荐关键词进行点击搜索之后,在搜索推荐关键词的搜索结果页会展现一些关联的广告,用户可以对广告进行点击,当用户点击广告之后,即可以为搜索推荐平台带来收益,在该过程中产生的价值即为搜索推荐关键词在一次历史展现过程中所产生的价值信息,相应的,生成一条价值数据并存放于搜索日志数据中。当然,若用户不对广告进行点击,在该次搜索推荐关键词的展现过程中所产生的价值可以为0,相应的,也可以生成一条价值数据并存放于搜索日志数据中。
举个例子来说,将搜索推荐关键词“说唱歌曲”推荐给用户之后,相应的,在用户终端展现该搜索推荐关键词,用户可以对该搜索推荐关键词进行点击,进入搜索结果页,该搜索结果页可以展示预先关联的广告,若用户点击广告,即可以为搜索推荐平台带来收益,即产生的价值大于0,若用户未点击广告,针对该次展现并未带来收益,即产生的价值可以为0。相应的,针对该次展现,可以生成一条价值数据并存放于搜索日志数据中。
与搜索信息匹配指的是与搜索信息的语义匹配,即与搜索信息所表达的意思相近,如搜索信息“漂亮”与搜索推荐关键词“美丽”存在语义匹配;或者,与搜索信息的类型匹配,即与搜索信息的类型相同,如搜索信息“摇滚歌曲”与搜索推荐关键词“说唱歌曲”存在类型匹配,其类型均为动感歌曲;或者,与搜索信息相关的搜索推荐关键词,如搜索信息为某一演员,与之匹配的搜索推荐关键词可以为该演员主演的电影和电视剧等。
与所述搜索信息匹配的多个搜索推荐关键词可以包括所述关键词数据库中所有与所述搜索信息匹配的搜索推荐关键词,也可以包括所述关键词数据库中部分与所述搜索信息匹配的搜索推荐关键词,这里不做具体限定。
由于通常关键词数据库中的搜索推荐关键词的数量比较多,相应的,与搜索信息匹配的搜索推荐关键词的数量也很多,因此,为了达到精推的效果,以下与所述搜索信息匹配的多个搜索推荐关键词以包括所述关键词数据库中部分与所述搜索信息匹配的搜索推荐关键词为例进行说明。
可以有两种召回策略,从关键词数据库中召回部分与搜索信息匹配的搜索推荐关键词,一种召回策略是基于搜索推荐关键词的用户访问行为数据,另一种召回策略是基于搜索推荐关键词的价值数据。
可以基于搜索日志数据中的用户访问行为数据从关键词数据库中召回用户访问行为侧与搜索信息匹配的搜索推荐关键词,并基于所述搜索日志数据中的价值数据从关键词数据库中召回价值侧与搜索信息匹配的搜索推荐关键词,之后,将两者召回的搜索推荐关键词进行融合,得到所述多个搜索推荐关键词。
具体的,可以有多种方式对用户访问行为侧的搜索推荐关键词进行召回,比如,可以基于用户访问行为数据召回具有用户访问即用户点击了的搜索推荐关键词,又比如,可以基于搜索日志数据中的用户访问行为数据确定搜索推荐关键词的历史访问特征,并基于所述历史访问特征召回关键词数据库中的搜索推荐关键词。同时,也可以有多种方式对价值侧的搜索推荐关键词进行召回,比如,可以基于价值数据召回产生了收益的搜索推荐关键词,又比如,可以基于搜索日志数据中的价值数据确定搜索推荐关键词的历史价值特征,并基于所述历史价值特征召回关键词数据库中的搜索推荐关键词。
以下以基于所述历史访问特征召回关键词数据库中的搜索推荐关键词,并基于所述历史价值特征召回关键词数据库中的搜索推荐关键词为例进行说明。
其中,搜索推荐关键词的历史访问特征是以用户访问行为所定义的特征,其可以以搜索推荐关键词的访问次数与展现次数的比例来表征,且访问次数指的是用户对搜索推荐关键词的点击次数,因此,搜索推荐关键词的历史访问特征可以用历史点击率表征。搜索推荐关键词的历史点击率越大,则该搜索推荐关键词在历史推荐时比较符合用户的搜索需求。
搜索推荐关键词的历史价值特征是以历史价值所定义的特征,其可以以搜索推荐关键词的历史展现次数与所产生的价值的关系来表征,所述历史价值特征指的是每千次展现搜索推荐关键词,所述搜索推荐关键词所产生的价值,可以用历史展现成本CPM(CostPer Mille)指标来表征。
可以基于该搜索日志数据中搜索推荐关键词的用户访问行为数据确定搜索推荐关键词的历史访问特征。具体的,针对关键词数据库中的搜索推荐关键词,可以基于该搜索推荐关键词的用户访问行为数据统计该搜索推荐关键词的访问次数与展现次数,并计算其比例,得到搜索推荐关键词的历史访问特征。
同时,可基于搜索日志数据中搜索推荐关键词的价值数据确定搜索推荐关键词的历史价值特征。具体的,针对关键词数据库中的搜索推荐关键词,可以基于该搜索推荐关键词的价值数据统计每千次展现搜索推荐关键词,所述搜索推荐关键词所带来的收益,得到该搜索推荐关键词的CPM指标。
在具体召回过程中,可以从关键词数据库中获取所有与搜索信息匹配的搜索推荐关键词,得到候选推荐数据。其中,可以采用现有的或者新的匹配算法,将所述搜索信息与关键词数据库中每个搜索推荐关键词进行匹配,得到匹配度,并从关键词数据库中获取匹配度大于预设阈值的搜索推荐关键词,该匹配度大于预设阈值的搜索推荐关键词即为与所述搜索信息匹配的搜索推荐关键词。
然后,从候选推荐数据中选择其中点击率高的搜索推荐关键词和CPM指标表征产生价值高的搜索推荐关键词。
最终,得到的与所述搜索信息匹配的多个搜索推荐关键词中包括所选择的点击率高的搜索推荐关键词和CPM指标表征产生价值高的搜索推荐关键词。
步骤S103:从所述多个搜索推荐关键词中获取搜索推荐数据。
该步骤中,可以确定所述多个搜索推荐关键词的推荐分值,并基于所述多个搜索推荐关键词的推荐分值,从所述多个搜索推荐关键词中获取搜索推荐数据。
可以有多种方式确定所述多个搜索推荐关键词的推荐分值,比如,可以基于所述多个搜索推荐关键词的历史访问特征和历史价值特征,确定所述多个搜索推荐关键词的推荐分值。又比如,可以基于预测得到的所述多个搜索推荐关键词的访问特征和价值特征,确定所述多个搜索推荐关键词的推荐分值。
其中,所述推荐分值可以为评估是否将搜索推荐关键值进行推荐的参数,搜索推荐关键值的推荐分值越高,则越倾向于将其进行推荐,否则,则越不倾向于将其推荐。
具体的,可以有多种方式基于所述多个搜索推荐关键词的访问特征和价值特征确定所述搜索推荐关键词的推荐分值,比如,可以设置访问特征和价值特征的权重,如设置访问特征的权重为0.5,设置价值特征为0.5,或者其他的权重设置方式,基于访问特征、价值特征以及相应的权重,计算所述搜索推荐关键词的推荐分值。
又比如,可以采用进化学习算法构建目标模型,将搜索推荐关键词的访问特征和价值特征输入至该目标模型,得到搜索推荐关键词的推荐分值,根据得到的推荐分值对搜索推荐关键词进行推荐,并根据用户针对展现的搜索推荐关键词的反馈,来不断对目标模型进行学习优化。
具体的,可以获取用户针对展现的历史搜索推荐关键词的反馈数据,该反馈数据可以包括用户针对展现的历史搜索推荐关键词是否进行了点击,以及点击之后产生了多少收益,并将其存储至统一的数据库中,得到搜索日志数据。若用户针对展现的历史搜索推荐关键词没有做出相应的反馈,即没有点击,在搜索日志数据中的体现是,展现的历史搜索推荐关键词的点击率没有增加或者相应降低,以及历史搜索推荐关键词没有产生收益,则可以对目标模型的参数进行调整,优化该目标模型,以在本次基于该目标模型进行推荐时,可以推荐更符合用户需求的搜索推荐关键词。
另外,还可以综合搜索推荐关键词的质量特征,来确定所述搜索推荐关键词的推荐分值。
其中,搜索推荐关键词的质量特征可以用质量评分值来表征,所述质量评分值可以基于所述搜索推荐关键词与所述搜索信息的匹配度、所述搜索推荐关键词的健康程度和字面表达情况来综合确定。比如,搜索推荐关键词与所述搜索信息的匹配度高、其字面表达清楚以及其表达的意思是比较健康的,即其表达的意思没有血腥、暴力和红色等相关内容,则该搜索推荐关键词的质量评分值比较高,否则,其质量评分值会相应降低。
获取所述多个搜索推荐关键词中每个搜索推荐关键词的推荐分值之后,可以从所述多个搜索推荐关键词中获取推荐分值高的至少一个搜索推荐关键词,得到搜索推荐数据。
之后,返回给用户端进行展现。其中,用户端可以将推荐的搜索推荐关键词展现在搜索推荐区域,比如,展现在输入框的下拉菜单中,如图2所示,又比如,展现在搜索界面中的特定区域,如图3所示。
本实施例中,通过基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与搜索信息匹配的多个搜索推荐关键词;并从所述多个搜索推荐关键词中获取搜索推荐数据。如此,通过统一搜索日志流,并融合用户访问行为侧的召回策略召回的搜索推荐关键词和价值侧的召回策略召回的搜索推荐关键词,得到所述多个搜索推荐关键词,并基于融合后的所述多个搜索推荐关键词进行搜索推荐,从而可以避免用户访问行为侧的搜索推荐关键词和价值侧的搜索推荐关键词的分别推荐造成的信息割裂,进而可以提高搜索推荐的效果。
并且,在搜索日志数据层,通过将搜索推荐关键词的用户访问行为数据和价值数据统一聚合在一个数据库中,可以避免用户访问行为数据和价值数据的信息割裂和数据重复建设,从而可以节省成本。
可选的,所述步骤S102具体包括:
基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词;
基于所述搜索日志数据中的价值数据,从关键词数据库中获取与所述搜索信息匹配的第二搜索推荐关键词;
其中,所述多个搜索推荐关键词包括所述第一搜索推荐关键词和第二搜索推荐关键词。
本实施方式中,所述搜索日志数据可以为表征搜索推荐关键词的用户访问行为和价值的统一搜索日志数据,也就是说,所述搜索日志数据中,针对一个搜索推荐关键词,即包括有表征该搜索推荐关键词的用户访问行为数据,又包括有表征该搜索推荐关键词的价值数据。
可以基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词。具体的,可以采用现有的或者新的匹配算法,从关键词数据库中获取所有与所述搜索信息匹配的搜索推荐关键词,得到候选推荐数据。
基于所述搜索日志数据中的用户访问行为数据,可以获取所述候选推荐数据中每个搜索推荐关键词的展现次数和访问次数,并基于展现次数和访问次数,计算所述候选推荐数据中每个搜索推荐关键词的点击率。
从候选推荐数据中选取点击率高的搜索推荐关键词,可选的,按照点击率从高至低的排列顺序,从候选推荐数据中选取点击率排列在前的多个第一搜索推荐关键词。
同时,基于所述搜索日志数据中的价值数据,获取所述候选推荐数据中每个搜索推荐关键词的展现次数和所产生的价值,并基于展现次数和所产生的价值,计算所述候选推荐数据中每个搜索推荐关键词的CPM指标的数值。
从候选推荐数据中选取CPM指标的数值高的搜索推荐关键词,可选的,按照CPM指标的数值从高至低的排列顺序,从候选推荐数据中选取CPM指标的数值排列在前的多个第二搜索推荐关键词。
之后,可以将第一搜索推荐关键词和第二搜索推荐关键词聚合,以生成与所述搜索信息匹配的多个搜索推荐关键词。
本实施方式中,在搜索日志数据层,通过将搜索推荐关键词的用户访问行为数据和价值数据统一聚合在一个数据库中,基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词,基于所述搜索日志数据中的价值数据,从关键词数据库中获取与所述搜索信息匹配的第二搜索推荐关键词;并将所述第一搜索推荐关键词和第二搜索推荐关键词聚合,从而可以实现用户访问行为侧和价值侧的召回策略的融合。
可选的,所述基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词之后,还包括:
基于所述搜索日志数据中的价值数据,从所述关键词数据库中获取与所述第一搜索推荐关键词匹配的第三搜索推荐关键词;
其中,所述多个搜索推荐关键词还包括第三搜索推荐关键词。
本实施方式中,为了协调价值侧的搜索推荐关键词和用户访问行为侧的搜索推荐关键词的数量,以更好地进行搜索推荐关键词的推荐,可以将用户访问行为侧即第一搜索推荐关键词作为模拟的搜索信息,并从关键词数据库中获取与所述第一搜索推荐关键词匹配的第三搜索推荐关键词。
具体的,可以基于所述搜索日志数据中的价值数据,获取所述关键词数据库中所述第一搜索推荐关键词匹配的每个搜索推荐关键词的展现次数和所产生的价值,并基于展现次数和所产生的价值,计算所述第一搜索推荐关键词匹配的每个搜索推荐关键词的CPM指标的数值。
从第一搜索推荐关键词匹配的多个搜索推荐关键词中选取CPM指标的数值高的搜索推荐关键词,可选的,按照CPM指标的数值从高至低的排列顺序,从第一搜索推荐关键词匹配的多个搜索推荐关键词中选取CPM指标的数值排列在前的搜索推荐关键词,这些排列在前的搜索推荐关键词即为与所述第一搜索推荐关键词匹配的第三搜索推荐关键词。
将第一搜索推荐关键词、第二搜索推荐关键词和第三搜索推荐关键词聚合,生成与所述搜索信息匹配的多个搜索推荐关键词。其中,聚合时,可以将第一搜索推荐关键词、第二搜索推荐关键词和第三搜索推荐关键词中存在重复的搜索推荐关键词删除。
本实施方式中,在搜索推荐关键词的召回层,通过打通用户访问行为侧和价值侧的召回通道,将用户访问行为侧召回的搜索推荐关键词即第一搜索推荐关键词作为模拟的搜索信息。并从关键词数据库中挖掘出与模拟的搜索信息匹配的价值侧的搜索推荐关键词即第三搜索推荐关键词,从而可以协调符合用户搜索需求的价值侧的搜索推荐关键词和用户访问行为侧的搜索推荐关键词的数量,以更好地进行搜索推荐关键词的推荐。
可选的,所述步骤S103具体包括:
分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,其中,所述价值特征用于表示搜索推荐关键词的展现次数与所产生的价值的关系;
基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,N为正整数。
本实施方式中,与历史访问特征不同,所述访问特征指的是所述多个搜索推荐关键词中的搜索推荐关键词在即将展现的过程中所点击的概率即点击率,点击率越大,则说明若将该搜索推荐关键词进行展现,用户很有可能点击该搜索推荐关键词。
可以采用现有的或者新的点击率预测模型来预测所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征,这里不做具体限定。
与历史价值特征不同的是,所述价值特征指的是所述多个搜索推荐关键词中的搜索推荐关键词若展现一千次,其可以产生的收益,该价值特征可以用CPM指标来表征,CPM指标的数值越大,则说明若将该搜索推荐关键词进行展现,其产生的价值也就越大。
可以采用现有的或者新的CPM预测模型来预测所述多个搜索推荐关键词中每个搜索推荐关键词的价值特征,这里不做具体限定。
本实施方式通过预测搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,这样,一个搜索推荐关键词即可以有访问特征,也可以获得价值特征,从而可以从多个方面评估一个搜索推荐关键词的特征,避免访问特征和价值特征的特征分离,而影响搜索推荐关键词的推荐效果。
可选的,所述基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,包括:
针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值;
基于所述多个搜索推荐关键词的推荐分值,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到所述搜索推荐数据;
其中,每个第一目标搜索推荐关键词的推荐分值均大于所述多个搜索推荐关键词中除所述N个第一目标搜索推荐关键词之外的搜索推荐关键值的推荐分值,N为正整数。
本实施方式中,通过融合搜索推荐关键词的访问特征和价值特征,确定搜索推荐关键词的推荐分值,这样,可以使得推荐分值能够表征搜索推荐关键词的访问和价值的关联信息。如此,基于该推荐分值进行搜索推荐关键词推荐,可以达到用户体验和价值的整体最优化,并可以避免推荐的内容随着用户访问行为和价值的变化而产出比较大的波动,从而可以提高搜索推荐关键词的推荐效果。
之后,可以按照推荐分值从高至低的排列顺序,从所述多个搜索推荐关键词中获取推荐分值排列在前的N个第一目标搜索推荐关键词,得到搜索推荐数据。如此,可以以用户访问行为和价值的整体最优化原则进行搜索推荐关键词的推荐,从而在保证用户体验的同时,可以提高收益。
可选的,所述分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征之前,所述方法还包括:
获取所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值;
删除所述多个搜索推荐关键词中质量评分值小于预设阈值的搜索推荐关键词。
本实施方式中,为了避免推荐的搜索推荐关键词质量比较差的问题,需要对所述多个搜索推荐关键词进行质量控制。
在质量控制层,可以采用现有的或者新的质量控制算法,基于所述搜索推荐关键词与所述搜索信息的匹配度、所述搜索推荐关键词的健康程度和字面表达情况,确定所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值。比如,搜索推荐关键词与所述搜索信息的匹配度高、其字面表达清楚以及其表达的意思是比较健康的,即其表达的意思没有血腥、暴力和红色等相关内容,则该搜索推荐关键词的质量评分值比较高,否则,其质量评分值会相应降低。
得到所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值之后,删除所述多个搜索推荐关键词中质量评分值小于预设阈值的搜索推荐关键词,即删除所述多个搜索推荐关键词中表述不明、不健康以及与搜索信息匹配度低的搜索推荐关键词。
本实施方式中,在质量控制层,通过对所述多个搜索推荐关键词中每个搜索推荐关键词采用统一的质量控制策略,保证了用户体验一致,同时减少了搜索推荐信息表述不明以及不符合用户搜索需求等的质量问题。
可选的,所述针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值,包括:
采用目标模型,基于第二目标搜索推荐关键词的访问特征、价值特征和质量评分值,确定所述第二目标搜索推荐关键词的推荐分值;
其中,所述目标模型中的参数基于历史搜索推荐数据的搜索日志数据确定,所述第二目标搜索推荐关键词为所述多个搜索推荐关键词中任一搜索推荐关键词。
本实施方式中,所述目标模型可以为进化学习算法构建的模型,可以将第二目标搜索推荐关键词的访问特征、价值特征和质量评分值输入至该目标模型,得到所述第二目标搜索推荐关键词的推荐分值。
根据推荐分值对搜索推荐关键词进行推荐,并根据用户针对展现的搜索推荐关键词的反馈,来不断对目标模型进行学习优化,即调整目标模型中的参数,以使得推荐的搜索推荐关键词越来越符合用户的搜索需求。
具体的,可以获取用户针对展现的历史搜索推荐关键词的反馈数据,该反馈数据可以包括用户针对展现的历史搜索推荐关键词是否进行了点击,以及点击之后产生了多少收益,并将其存储至统一数据库中,得到搜索日志数据。若用户针对展现的历史搜索推荐关键词没有做出相应的反馈,即没有点击,在搜索日志数据中的体现是,展现的历史搜索推荐关键词的点击率没有增加或者相应降低,以及历史搜索推荐关键词没有产生收益,则可以对目标模型的参数进行调整,优化该目标模型,以在本次基于该目标模型进行推荐时,可以推荐更符合用户需求的搜索推荐关键词。
本实施方式中,通过采用进化学习算法构建目标模型,并根据用户针对展现的搜索推荐关键词的反馈,来不断对目标模型进行学习优化,即调整目标模型中的参数,以使得基于参数调整后的目标模型确定的推荐分值,所推荐的搜索推荐关键词越来越符合用户的搜索需求,从而可以进一步提高搜索推荐关键词的推荐效果。
为了更加清楚地了解本实施例的搜索推荐方法的整个过程,下面对此进行详细描述。
图4是实现本申请实施例的搜索推荐方法的框架示意图,如图4所示,实现搜索推荐方法的框架具体包括:日志数据层、召回层、质量控制层、特征预测层和特征融合层。其中,在日志数据层,搜索日志数据可以为表征搜索推荐关键词的用户访问行为和价值的统一搜索日志数据,可以避免用户访问行为数据和价值数据的信息割裂和数据重复建设。
基于该框架,该搜索推荐方法的流程如下:
在日志数据层,将展现的历史搜索推荐关键词的反馈数据存储于统一的数据库中,得到搜索日志数据,该反馈数据可以包括用户针对展现的历史搜索推荐关键词是否进行了点击,以及点击之后产生了多少收益;
在召回层,从关键词数据库中获取与搜索信息匹配的候选推荐数据,并基于搜索日志数据中的用户访问行为数据,从候选推荐数据中获取第一搜索推荐关键词,即针对搜索日志数据中的用户访问行为数据,从关键词数据库中召回点击率高的且与搜索信息匹配的搜索推荐关键词,这些搜索推荐关键词即为第一搜索推荐关键词。
同时,在召回层,基于搜索日志数据中的价值数据,从候选推荐数据中获取第二搜索推荐关键词,即针对搜索日志数据中的价值数据,从关键词数据库中召回CPM指标的数值高的且与搜索信息匹配的搜索推荐关键词,这些搜索推荐关键词即为第二搜索推荐关键词。
另外,在召回层,还可以打通用户访问行为侧和价值侧的召回通道,将用户访问行为侧的搜索推荐关键词即第一搜索推荐关键词作为模拟的搜索信息。并从关键词数据库中挖掘出与模拟的搜索信息匹配的价值侧的第三搜索推荐关键词。所述第二搜索推荐关键词和第三搜索推荐关键词均为价值侧的搜索推荐关键词,如此,可以协调符合用户搜索需求的价值侧的搜索推荐关键词和用户访问行为侧的搜索推荐关键词的数量,以更好地进行搜索推荐关键词的推荐。
在质量控制层,聚合用户访问行为侧的第一搜索推荐关键词,以及价值侧的第二搜索推荐关键词和第三搜索推荐关键词,对聚合后的数据进行去重,最终得到与所述搜索信息匹配的多个搜索推荐关键词,之后采用统一的质量控制策略,基于搜索推荐关键词与所述搜索信息的匹配度、搜索推荐关键词的健康程度和字面表达情况,确定所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值,并删除所述多个搜索推荐关键词中质量评分值低于预设阈值的搜索推荐关键词。
如此,通过对所述多个搜索推荐关键词中每个搜索推荐关键词采用统一的质量控制策略,保证了用户体验一致,同时减少了搜索推荐关键词表述不明以及不符合用户搜索需求等的质量问题。
在特征预测层,可以采用现有的或者新的点击率预测模型来预测所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征,同时,可以采用现有的或者新的CPM预测模型来预测所述多个搜索推荐关键词中每个搜索推荐关键词的价值特征。
如此,通过预测搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,这样,一个搜索推荐关键词即可以有访问特征,也可以获得价值特征,从而可以从多个方面评估一个搜索推荐关键词的特征,避免访问特征和价值特征的特征分离,而影响搜索推荐关键词的推荐效果。
在特征融合层,采用进化学习算法,综合搜索推荐关键词的访问特征、价值特征和质量评分值构建目标模型,根据用户针对展现的历史搜索推荐关键词的反馈数据,对该目标模型的参数进行优化。之后,可以采用该目标模型,基于所述多个搜索推荐关键词中搜索推荐关键词的访问特征、价值特征和质量评分值,确定搜索推荐关键词的推荐分值。
如此,通过融合搜索推荐关键词的访问特征和价值特征,确定搜索推荐关键词的推荐分值,这样,可以使得推荐分值能够表征搜索推荐关键词的访问和价值的关联信息。如此,基于该推荐分值进行搜索推荐关键词推荐,可以达到用户体验和价值的整体最优化,并可以避免推荐的内容随着用户访问行为和价值的变化而产出比较大的波动,从而可以提高搜索推荐关键词的推荐效果。
最后,按照推荐分值从高至低的排列顺序,从所述多个搜索推荐关键词中获取推荐分值排列在前的N个第一目标搜索推荐关键词,得到搜索推荐数据。之后,可以将搜索推荐数据推荐给用户端进行展现,同时,收集用户针对展现的搜索推荐关键词的反馈数据。
如此,可以以用户访问行为和价值的整体最优化原则进行搜索推荐关键词的推荐,从而在保证用户体验的同时,可以提高收益。
第二实施例
如图5所示,本申请提供一种搜索推荐装置500,包括:
第一获取模块501,用于获取用户输入的搜索信息;
第二获取模块502,用于基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;
第三获取模块503,用于从所述多个搜索推荐关键词中获取搜索推荐数据。
可选的,所述第二获取模块502包括:
第一获取单元,用于基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词;
第二获取单元,用于基于所述搜索日志数据中的价值数据,从关键词数据库中获取与所述搜索信息匹配的第二搜索推荐关键词;
其中,所述多个搜索推荐关键词包括所述第一搜索推荐关键词和第二搜索推荐关键词。
可选的,所述第二获取模块502还包括:
第三获取单元,用于基于所述搜索日志数据中的价值数据,从所述关键词数据库中获取与所述第一搜索推荐关键词匹配的第三搜索推荐关键词;
其中,所述多个搜索推荐关键词还包括第三搜索推荐关键词。
可选的,所述第三获取模块503包括:
确定单元,用于分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,其中,所述价值特征用于表示搜索推荐关键词的展现次数与所产生的价值的关系;
第四获取单元,用于基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,N为正整数。
可选的,所述第四获取单元,具体用于针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值;基于所述多个搜索推荐关键词的推荐分值,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到所述搜索推荐数据;其中,每个第一目标搜索推荐关键词的推荐分值均大于所述多个搜索推荐关键词中除所述N个第一目标搜索推荐关键词之外的搜索推荐关键值的推荐分值。
可选的,所述装置还包括:
第四获取模块,用于获取所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值;
删除模块,用于删除所述多个搜索推荐关键词中质量评分值小于预设阈值的搜索推荐关键词。
可选的,所述第四获取单元,具体用于采用目标模型,基于第二目标搜索推荐关键词的访问特征、价值特征和质量评分值,确定所述第二目标搜索推荐关键词的推荐分值;
其中,所述目标模型中的参数基于历史搜索推荐数据的搜索日志数据确定,所述第二目标搜索推荐关键词为所述多个搜索推荐关键词中任一搜索推荐关键词。
本申请提供的搜索推荐装置500能够实现上述搜索推荐方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可以存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调整解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如搜索推荐方法。例如,在一些实施例中,搜索推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的搜索推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方法(例如,借助于固件)而被配置为执行搜索推荐方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编辑语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (17)
1.一种搜索推荐方法,包括:
获取用户输入的搜索信息;
基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;
从所述多个搜索推荐关键词中获取搜索推荐数据。
2.根据权利要求1所述的方法,其中,所述基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,包括:
基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词;
基于所述搜索日志数据中的价值数据,从关键词数据库中获取与所述搜索信息匹配的第二搜索推荐关键词;
其中,所述多个搜索推荐关键词包括所述第一搜索推荐关键词和第二搜索推荐关键词。
3.根据权利要求2所述的方法,所述基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词之后,还包括:
基于所述搜索日志数据中的价值数据,从所述关键词数据库中获取与所述第一搜索推荐关键词匹配的第三搜索推荐关键词;
其中,所述多个搜索推荐关键词还包括第三搜索推荐关键词。
4.根据权利要求1所述的方法,其中,所述从所述多个搜索推荐关键词中获取搜索推荐数据,包括:
分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,其中,所述价值特征用于表示搜索推荐关键词的展现次数与所产生的价值的关系;
基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,N为正整数。
5.根据权利要求4所述的方法,其中,所述基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,包括:
针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值;
基于所述多个搜索推荐关键词的推荐分值,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到所述搜索推荐数据;
其中,每个第一目标搜索推荐关键词的推荐分值均大于所述多个搜索推荐关键词中除所述N个第一目标搜索推荐关键词之外的搜索推荐关键值的推荐分值。
6.根据权利要求5所述的方法,所述分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征之前,还包括:
获取所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值;
删除所述多个搜索推荐关键词中质量评分值小于预设阈值的搜索推荐关键词。
7.根据权利要求6所述的方法,其中,所述针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值,包括:
采用目标模型,基于第二目标搜索推荐关键词的访问特征、价值特征和质量评分值,确定所述第二目标搜索推荐关键词的推荐分值;
其中,所述目标模型中的参数基于历史搜索推荐数据的搜索日志数据确定,所述第二目标搜索推荐关键词为所述多个搜索推荐关键词中任一搜索推荐关键词。
8.一种搜索推荐装置,包括:
第一获取模块,用于获取用户输入的搜索信息;
第二获取模块,用于基于搜索日志数据中的用户访问行为数据和价值数据在关键词数据库中获取与所述搜索信息匹配的多个搜索推荐关键词,所述搜索日志数据包括针对所述关键词数据库中的搜索推荐关键词的用户访问行为数据和价值数据,所述价值数据用于表示搜索推荐关键词在历史展现过程中所产生的价值信息;
第三获取模块,用于从所述多个搜索推荐关键词中获取搜索推荐数据。
9.根据权利要求8所述的装置,其中,所述第二获取模块包括:
第一获取单元,用于基于搜索日志数据中的用户访问行为数据,从关键词数据库中获取与所述搜索信息匹配的第一搜索推荐关键词;
第二获取单元,用于基于所述搜索日志数据中的价值数据,从关键词数据库中获取与所述搜索信息匹配的第二搜索推荐关键词;
其中,所述多个搜索推荐关键词包括所述第一搜索推荐关键词和第二搜索推荐关键词。
10.根据权利要求9所述的装置,所述第二获取模块还包括:
第三获取单元,用于基于所述搜索日志数据中的价值数据,从所述关键词数据库中获取与所述第一搜索推荐关键词匹配的第三搜索推荐关键词;
其中,所述多个搜索推荐关键词还包括第三搜索推荐关键词。
11.根据权利要求8所述的装置,其中,所述第三获取模块包括:
确定单元,用于分别确定所述多个搜索推荐关键词中每个搜索推荐关键词的访问特征和价值特征,其中,所述价值特征用于表示搜索推荐关键词的展现次数与所产生的价值的关系;
第四获取单元,用于基于所述多个搜索推荐关键词的访问特征和价值特征,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到搜索推荐数据,N为正整数。
12.根据权利要求11所述的装置,其中,所述第四获取单元,具体用于针对每个搜索推荐关键词,基于所述搜索推荐关键词的访问特征和价值特征,确定所述搜索推荐关键词的推荐分值;基于所述多个搜索推荐关键词的推荐分值,从所述多个搜索推荐关键词中获取N个第一目标搜索推荐关键词,得到所述搜索推荐数据;其中,每个第一目标搜索推荐关键词的推荐分值均大于所述多个搜索推荐关键词中除所述N个第一目标搜索推荐关键词之外的搜索推荐关键值的推荐分值。
13.根据权利要求12所述的装置,还包括:
第四获取模块,用于获取所述多个搜索推荐关键词中每个搜索推荐关键词的质量评分值;
删除模块,用于删除所述多个搜索推荐关键词中质量评分值小于预设阈值的搜索推荐关键词。
14.根据权利要求13所述的装置,其中,所述第四获取单元,具体用于采用目标模型,基于第二目标搜索推荐关键词的访问特征、价值特征和质量评分值,确定所述第二目标搜索推荐关键词的推荐分值;
其中,所述目标模型中的参数基于历史搜索推荐数据的搜索日志数据确定,所述第二目标搜索推荐关键词为所述多个搜索推荐关键词中任一搜索推荐关键词。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,所述电子设备执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628194.1A CN112765452B (zh) | 2020-12-31 | 2020-12-31 | 搜索推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628194.1A CN112765452B (zh) | 2020-12-31 | 2020-12-31 | 搜索推荐方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765452A true CN112765452A (zh) | 2021-05-07 |
CN112765452B CN112765452B (zh) | 2024-02-27 |
Family
ID=75699303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628194.1A Active CN112765452B (zh) | 2020-12-31 | 2020-12-31 | 搜索推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765452B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化*** |
CN114417194A (zh) * | 2021-12-30 | 2022-04-29 | 北京百度网讯科技有限公司 | 推荐***排序方法、参数预测模型训练方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593350A (zh) * | 2012-08-14 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种推荐推广关键词价格参数的方法和装置 |
WO2015124024A1 (zh) * | 2014-02-24 | 2015-08-27 | 北京奇虎科技有限公司 | 一种提升信息的曝光率的方法和装置、确定搜索词的价值的方法和装置 |
WO2017143797A1 (zh) * | 2016-02-23 | 2017-08-31 | 北京搜狗科技发展有限公司 | 一种信息推送方法、装置及电子设备 |
CN108509497A (zh) * | 2018-02-23 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置和电子设备 |
CN111324804A (zh) * | 2020-02-21 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 搜索关键词推荐模型生成方法、关键词推荐方法与装置 |
CN111414498A (zh) * | 2020-04-29 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 多媒体信息推荐方法、装置及电子设备 |
CN111639255A (zh) * | 2019-03-01 | 2020-09-08 | 北京字节跳动网络技术有限公司 | 搜索关键词的推荐方法、装置、存储介质及电子设备 |
-
2020
- 2020-12-31 CN CN202011628194.1A patent/CN112765452B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593350A (zh) * | 2012-08-14 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种推荐推广关键词价格参数的方法和装置 |
WO2015124024A1 (zh) * | 2014-02-24 | 2015-08-27 | 北京奇虎科技有限公司 | 一种提升信息的曝光率的方法和装置、确定搜索词的价值的方法和装置 |
WO2017143797A1 (zh) * | 2016-02-23 | 2017-08-31 | 北京搜狗科技发展有限公司 | 一种信息推送方法、装置及电子设备 |
CN108509497A (zh) * | 2018-02-23 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置和电子设备 |
CN111639255A (zh) * | 2019-03-01 | 2020-09-08 | 北京字节跳动网络技术有限公司 | 搜索关键词的推荐方法、装置、存储介质及电子设备 |
CN111324804A (zh) * | 2020-02-21 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 搜索关键词推荐模型生成方法、关键词推荐方法与装置 |
CN111414498A (zh) * | 2020-04-29 | 2020-07-14 | 北京字节跳动网络技术有限公司 | 多媒体信息推荐方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化*** |
CN114090663B (zh) * | 2021-12-08 | 2022-06-21 | 青山信息技术开发(深圳)有限公司 | 应用人工智能的用户需求预测方法及大数据优化*** |
CN114417194A (zh) * | 2021-12-30 | 2022-04-29 | 北京百度网讯科技有限公司 | 推荐***排序方法、参数预测模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112765452B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111984689B (zh) | 信息检索的方法、装置、设备以及存储介质 | |
EP4016432A1 (en) | Method and apparatus for training fusion ordering model, search ordering method and apparatus, electronic device, storage medium, and program product | |
CN112765452B (zh) | 搜索推荐方法、装置及电子设备 | |
CN110851706B (zh) | 用户点击模型的训练方法、装置、电子设备及存储介质 | |
CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN112380104A (zh) | 用户属性识别方法、装置、电子设备及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN112925978A (zh) | 一种推荐***评测方法、装置、电子设备和存储介质 | |
CN114417194A (zh) | 推荐***排序方法、参数预测模型训练方法及装置 | |
JP2024507902A (ja) | 情報検索方法、装置、電子機器および記憶媒体 | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN116028730A (zh) | 搜索资源异常识别方法、装置及电子设备 | |
CN114417118A (zh) | 一种异常数据处理方法、装置、设备以及存储介质 | |
CN114461919A (zh) | 信息推荐的模型训练方法及装置 | |
CN113190746A (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN117194687A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN114491232B (zh) | 信息查询方法、装置、电子设备和存储介质 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN113987260A (zh) | 一种视频推送方法、装置、电子设备及存储介质 | |
CN113590914A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN112084150B (zh) | 模型训练、数据检索方法,装置,设备以及存储介质 | |
CN112818221B (zh) | 实体的热度确定方法、装置、电子设备及存储介质 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN114547417A (zh) | 一种媒体资源排序方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |