CN113535958B - 生产线索聚合方法、装置及***、电子设备和介质 - Google Patents

Abstract

本公开提供了一种生产线索聚合方法、装置、***、电子设备、计算机可读存储介质和计算机程序产品，涉及计算机领域，尤其涉及智能搜索技术领域。实现方案为：从搜索日志中得到生产线索；基于类目信息对生产线索进行分类，以获得一个或多个第一生产线索组；对于一个或多个第一生产线索组中的每一个第一生产线索组，执行以下聚合操作：获取该第一生产线索组中的每一个生产线索的向量；基于向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

Description

生产线索聚合方法、装置及***、电子设备和介质

技术领域

本公开涉及计算机领域，尤其涉及智能搜索领域，具体涉及一种生产线索聚合方法、装置、***、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

现有的知识搜索引擎，用于向用户提供简单可依赖的信息获取方式。同时，知识类内容的搜索需求也在不断的更新迭代，通过挖掘与用户对于搜索知识的需求有关的生产线索进行定向生产，可以更好地满足用户对新知识类内容的需求。然而基于搜索日志所挖掘出的生产线索量级较大，并且有一些生产线索所表达的深层语义是相同的。因此，如何快速对生产线索进行语义聚合以减少重复生产，成为需要解决的问题。

发明内容

本公开提供了一种生产线索聚合方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种生产线索聚合方法，包括：从搜索日志中得到生产线索；基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组；对于所述一个或多个第一生产线索组中的每一个第一生产线索组：获取该第一生产线索组中的每一个生产线索的向量；基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

根据本公开的另一方面，提供了一种生产线索聚合装置，包括：获取单元，被配置为从搜索日志中得到生产线索；分类单元，被配置为基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组；一个或多个聚合单元，其中每一个所述聚合单元均被配置为执行以下从操作：获取该第一生产线索组中的每一个生产线索的向量；基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

根据本公开的另一方面，提供了一种生产线索聚合***，包括：第一装置，被配置为执行以下操作：从搜索日志中得到生产线索；以及基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组；一个或多个第二装置，其中每一个所述第二装置均被配置为执行以下从操作：获取该第一生产线索组中的每一个生产线索的向量；基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

根据本公开的另一方面，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；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本公开所述的方法。

根据本公开的另一方面，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本公开所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开所述的方法。

根据本公开的一个或多个实施例，基于类目信息对生产线索进行分类，使得分类得到的生产线索组内的生产线索均是相似的，并且，通过基于向量相似度的向量召回，能够大幅减少漏召的概率，从而，能够将千万级别的生产线索的聚合耗时控制在可接受的范围内，提升了聚合效率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；

图2示出了根据本公开的实施例的生产线索聚合方法的流程图；

图3示出了根据本公开的实施例的基于类目信息对生产线索进行分类的流程图；

图4示出了根据本公开的实施例的对生产线索进行聚合的流程图；

图5示出了根据本公开的实施例的生产线索聚合装置的结构框图；

图6示出了根据本公开的实施例的生产线索聚合***的结构框图；以及

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行生产线索聚合方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来输入查询内容并获取搜索知识。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如MICROSOFT Windows、APPLEiOS、类UNIX操作***、Linux或类Linux操作***(例如Google Chrome OS)；或包括各种移动操作***，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如搜索日志、生产线索等数据。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。

图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

诸如百度百科、百度知道、百度经验、百度文库、宝宝知道等的知识类产品为用户搜索提供各类知识内容的输出。用户通过键入检索词或检索语句，例如：“宝宝湿疹怎么办？”，来获取相应的答复页面，从而获得与该检索信息相对应的知识内容。同时，知识类内容的需求也在不断的更新迭代，通过挖掘能够体现用户搜索知识需求的检索词和/或检索语句(query)作为生产线索，并基于该生产线索进行定向生产，从而可以更好地满足用户对新知识类内容的需求。然而，通过对搜索日志进行挖掘所获得的生产线索量级较大，并且有一些检索词和/或检索语句所表达的深层语义是相同的，比如“宝宝湿疹怎么办？”和“婴儿湿疹如何处理？”所表达的含义是完全相同的。如何快速对生产线索进行语义聚合，以减少重复生产，成为需要解决的问题。

因此，根据本公开的实施例提供了一种生产线索聚合方法。图2示出了根据本公开的实施例的生产线索聚合方法200的流程图。如图2所示，该方法200包括：(步骤210)；基于类目信息对生产线索进行分类，以获得一个或多个第一生产线索组(步骤220)；对于该一个或多个第一生产线索组中的每一个第一生产线索组，执行以下聚合操作：获取该第一生产线索组中的每一个生产线索的向量(步骤230)；基于向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索(步骤240)；以及将每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇(步骤250)。

根据本公开的实施例，基于类目信息对生产线索进行分类，使得分类得到的生产线索组内的生产线索均是相似的，并且，通过基于向量相似度的向量召回，能够大幅减少漏召的概率，从而，能够将千万级别的生产线索的聚合耗时控制在可接受的范围内，提升了聚合效率。

在一些实施例中，搜索日志可以是通过搜索引擎得到的用户的搜索历史记录，一般地，为了提高搜索的准确性，每个搜索引擎一般都会保存用户的搜索历史记录，该搜索历史记录包括用户的查询内容、查询时间、查询IP、操作***和浏览器信息等等。并且搜索历史记录中还可以记录有用户点击查看的所有查询内容的搜索结果，搜索结果包括展示页面位置信息、产品线标识等。进一步，该查询内容(搜索query)可以是一句或多句话、一个或多个问题、一个或多个名词、一个或多个符号等，与该查询内容对应的搜索结果可以是对该查询内容对应的释义的内容，比如对名词或符号的解释；与该查询内容对应的搜索结果可以是对搜索内容进一步生产后的内容，比如，查询内容为“西红柿炒鸡蛋做法”，搜索结果为“西红柿炒鸡蛋怎么做？”。

在一些实施例中，生产线索是搜索日志中满足生产线业务生产需求的用户的查询内容，比如，查询内容中某些“怎么做***？”类的查询问题是知道业务线或者经验业务线可以生产的查询内容，这类查询问题可以作为知道业务线或者经验业务线的生产线索。

在一些实施例中，生产线索可以是查询内容和与查询内容相对应的搜索结果。比如，查询内容为“西红柿炒鸡蛋做法”，搜索结果为“西红柿炒鸡蛋怎么做？”，该查询内容和搜索结果均可作为生产线索。

可选地，生产线索还可以是从多个满足生产线业务生产需求的初始生产线索中选取出的至少一个线索。示例地，初始生产线索是搜索日志中初始的满足业务要求的用户的查询内容和/或搜索结果，通过对初始线索进行处理(比如筛选等)，可以得到生产线索。

在一些示例中，可以挖掘搜索日志中符合生产线业务要求的所有查询内容(即搜索query)，以获得生产线索。

示例地，产品线是对生产线索进行生产(或处理)的业务线，比如，知道业务线、百科业务线。产品线将处理后的内容(比如落地页)提供给搜索引擎，以使搜索引擎对处理后的内容进行搜索。

根据一些实施例，生产线索的类目信息可以包括第一类目和第二类目。示例地，如图3所示，基于类目信息对生产线索进行分类(步骤220)可以包括：基于第一类目对生产线索进行分类，以获得一个或多个第二生产线索组(步骤310)；判断是否每一个第二生产线索组中的生产线索数量均小于第二阈值(步骤320)；以及响应于确定至少一个第二生产线索组中的生产线索数量大于第二阈值(步骤320，“否”)，进一步基于第二类目对其中生产线索数量大于第二阈值的该至少一个第二生产线索组进行分类，以获得一个或多个第一生产线索组(步骤330)；否则(步骤320，“是”)，将该一个或多个第二生产线索组作为所获得的一个或多个第一生产线索组(步骤340)。

在一些示例中，相对于第一类目，第二类目可以为细粒度的类别信息。在进一步基于第二类目对所获得的第二生产线索组中的生产线索进行分类后，该进一步分类所得的生产线索组以及其生产线索数量不大于第二阈值的第二生产线索组一同作为第一生产线索组。

在一些示例中，基于搜索日志所获得的生产线索可以包括第一类目信息，该第一类目信息可以是通过预设的分类模型所确定的，在此不作限制。该第一类目信息可以类别信息，例如K12、疾病知识等。示例地，首先可以按照第一类目对生产线索进行分类，但是由于生产线索的分布是不均匀的，部分第一类目比如K12、疾病知识等的生产线索数量远大于其他类目的生产线索数量。因此，可以设置相应的阈值，在基于第一类目进行分类后，若存在某生产线索组中的生产线索数量大于该阈值，基于第二类目对该生产线索数量大于该阈值的生产线索组继续进行分类。

在一些示例中，生产线索的第二类目是对生产线索进行深层语义的提炼后所获得的类别数据。具有相同第二类目的生产线索，其深层语义具有较大的相似性。因此，在基于第二类目进行分类后分别进行聚合，可以使得聚合后的每一个簇中的生产线索都较为相似，在对每个生产线索进行召回(确定与其相似的生产线索)时，减少了漏召的概率，有利于后续基于聚合后所获得的生产线索簇进行定向生产，从而减少了重复生产的可能。

根据一些实施例，进一步基于第二类目分别对至少一个第二生产线索组中的生产线索进行分类可以包括：对于至少一个第二生产线索组中的每一个第二生产线索组：统计各个第二类目所分别对应的生产线索数量；以及基于各个第二类目所分别对应的生产线索数量以及第二阈值对该第二生产线索组进行分类，以获得一个或多个第一生产线索组。具有相同的第二类目的生产线索属于同一个第一生产线索组。

在一些示例中，对于每一个生产线索数量大于预设阈值的第二生产线索组，可以统计该生产线索组中的每一个第二类目所分别对应的生产线索数量。示例地，可以对各个第二类目所对应的生产线索数量从大到小进行排序，然后基于每个第二类目所对应的生产线索数量和预设的第二阈值进行分类。例如：第二类目1所对应生产线索数量为5万、第二类目2所对应生产线索数量为4.5万、第二类目3所对应生产线索数量为4万、第二类目4所对应生产线索数量为3万、第二类目5所对应生产线索数量为2.9万…，预设的第二阈值为10万生产线索，则可以将第二类目1和第二类目2所对应的生产线索合并为一个组(9.5万)、第二类目3、第二类目4和第二类目5所对应的生产线索合并为一个组(9.9万)…如何按照顺序合并相应的第二类目所对应的生产线索。当然，应当理解，也可以基于每个第二类目所对应的生产线索数量和预设的第二阈值直接进行分类，只要保证分类得到的每组中的生产线索数量不大于该预设的第二阈值即可。

在一些示例中，生产线索的第二类目可以通过基于自然语言处理(NLP)的语义分类模型(例如开源的LAC模型)获得。示例地，第二类目可以是在第一类目的基础上，对一个或多个第一类目进行细分类后所获得的类别信息。附加地或替换地，第二类目也可以是自定义的细粒度的类别信息，不一定从属于第一类目。

在一些实施例中，为细粒度地对生产线索进行划分，该第二类目可以包括实体类目和抽象类目，该实体类目例如可以为故宫、长城等一些具体概念的名称，该抽象类目例如可以为母婴、宗教等一些抽象概念的名称。

根据一些实施例，实体类目和抽象类目可以分别通过基于深度学习的模型确定。例如，实体类目可以通过词法分析模型(例如LAC)识别出作为生产线索的查询语句中的实体词来确定。抽象类目可以由基于深度学习的抽象类目模型确定。示例地，抽象类目模型可以是基于Ernie 2.0中文预训练模型训练出的多标签分类模型。

因此，根据一些实施例，在第二类目包括实体类目和抽象类目时，进一步地，方法200还可以包括：响应于确定生产线索同时包含实体类目和抽象类目，对生产线索的第二类目进行去重。

在一些示例中，对于每一个生产线索数量大于预设阈值的第二生产线索组，可以统计该生产线索组中的每一个第二类目所分别对应的生产线索数量。如果存在生产线索同时包含实体类目和抽象类目，则只基于其中一个第二类目参与生产线索数量统计并分类即可，例如，只基于其实体类目进行分类，或者只基于其抽象类目进行分类。

在获得分类后的生产线索组后，即可分别对每一个生产线索组进行聚合，以通过聚合后的生产线索簇进行定向知识生产。

根据一些实施例，该方法200还可以包括：将第一生产线索组分别发送到多个单元或机器，以使得在单元或机器上对相应的第一生产线索组进行聚合操作。

示例地，可以将分类得到的生产线索组分别下发到各个机器(从设备)上，以在各个机器上对该生产线索组中的生产线索进行聚合。这样，在生产线索的数量非常大时，能够大大缩小聚合时的耗时，大大提升了聚合效率。

在一些示例中，在对每一个生产线索组进行聚合之前，首先需要召回每一个生产线索(即搜索query)的与其相似的一定数量的生产线索，从而基于召回结果，计算生产线索对的相似度，进而将相似的生产线索聚合为簇。

通常，可以获取生产线索的关键词，从而将生产线索之间的关键词进行匹配，以对每一个生产线索，召回与其存在相同关键词的预定个数的生产线索。也就是说，关键词匹配是对文本相似度的度量，其召回结果和原生产线索之间需要有相同的关键词。这样，无法召回语义相同但表达方式不同的生产线索。而在根据本公开的实施例中，基于向量相似度进行召回的方式，是语义相似度的度量，即使待召回的生产线索和原生产线索之间没有相同的关键词，只要其表达的语义相同，仍然可以召回。

在一些示例中，向量召回的前置条件是需要将生产线索转变为多维向量，即获取该第一生产线索组中的每一个生产线索的向量。示例地，可以通过基于Ernie 2.0预训练模型训练出的ERNIE-Sim-Infer模型来获取生产线索的向量表示，向量纬度例如为64维。获取生产线索的向量之后，将包含向量的数据写入到搜索模型(例如，Elasticsearch模型)后，执行向量召回。

由于向量召回是对生产线索语义层面的相似度度量，相比关键词召回，其漏召的概率大大降低，因此少量的召回结果就可以达到较好的聚簇效果，从而降低了召回量，进一步节省了后续的聚合时间并提高了聚合效率。

根据一些实施例，基于向量确定第一数量的生产线索可以包括：通过近似最近邻搜索算法确定每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索。

在机器学习领域，语义检索、图像识别、推荐***等方向常涉及到的一个问题是：给定一个向量X＝[x1,x2,x3...xn]，需要从海量的向量库中搜索到到最相似的前K个向量。通常这些向量的维度很高，用传统的搜索方法是非常耗时的，容易使得时延上成为瓶颈，因此可以将最相似搜索转换成近似最近邻(Approximate Nearest Neighbor，Ann)搜索。通过近似最近邻搜索算法，返回的前K个向量并不一定是最相似的K个向量，但其能够在海量数据中快速搜索到有效内容，节省了搜索时间。

近似最近邻搜索算法可以基于任何合适的算法实现，包括但不限于annoy、faiss、nmslib、falconn等。

根据一些实施例，将每一个生产线索以及确定的所有第一数量的生产线索进行聚合可以包括：对于每一个生产线索均执行以下操作，以获得第二数量的簇(步骤410)：将该生产线索自身形成簇(步骤4101)；依次确定该生产线索相对应的第一数量的生产线索中的每一个生产线索与所述簇中的每一个生产线索的相似度评分(步骤4102)；以及响应于所述相似度评分均大于第三阈值，将所述第一数量的生产线索中的相应生产线索合并到所述簇中(步骤4103)；以及对所述第二数量的簇进行合并，以获得合并后的一个或多个簇(步骤420)。需注意的是，每一个簇中的生产线索之间的相似度评分均大于所述第三阈值。

可以理解的是，该第二数量为分类后所获得的相应的第一生产线索组中的生产线索数量。

示例地，首先将每个生产线索与基于其召回的第一数量的生产线索之间进行聚合。例如，预先设定对于每个生产线索，在其相应的生产线索组中召回与其相似的10个生产线索，则将该11个生产线索中的相应生产线索聚合为簇，以使得所生成的簇中的生产线索之间的相似度评分均大于第三阈值。在获得了与每一个生产线索相对应的簇之后，则可以进行簇与簇之间的合并。同样，在簇的合并过程中，需满足每一个簇中的生产线索之间的相似度评分均大于第三阈值。

根据一些实施例，根据本公开的方法还可以包括：在聚合过程中对生产线索之间的相似度评分进行保存，以使得基于保存的相似度评分进行簇之间的合并。从而，防止重复计算生产线索簇之间的相似度评分，节省聚合时间，提高运行效率。

根据一些实施例，可以通过经训练的语义匹配模型和语义句式分类模型确定所述相似度评分。因此，确定所述相似度评分可以包括：基于语义匹配模型获得生产线索对之间的第一相似度评分；以及响应于该第一相似度评分大于第四阈值，进一步基于语义句式分类模型获得所述生产线索对之间的第二相似度评分，以将所述第二相似度评分作为所确定的相似度评分。

语义匹配模型和语义句式分类模型，可以精确地衡量生产线索对之间的相似度。从而，使得聚合后的生产线索簇之间的深层语义是相同的，以减少重复生产。

根据一些实施例，语义匹配模型的训练数据可以包括对包含用户点击数据的日志进行数据筛选后所形成的监督数据。

在一些示例中，为了提高搜索的准确性，每个搜索引擎一般都会保存用户的搜索历史记录，该搜索历史记录中可以包括用户点击查看的所有查询内容的搜索结果。例如用户查询内容(即搜索query)为“西红柿炒鸡蛋做法”，用户点击了搜索结果为“西红柿炒鸡蛋怎么做？”的页面内容。而用户点击数据一定程度上包含了用户所关心的内容，即其想要获取的内容。因此可以看出，用户点击数据一定程度上与查询内容(即搜索query)是相关联的或相似的。因此，通过对包含用户点击数据的日志进行数据筛选后所形成的监督数据对语义匹配模型进行训练，可以更准确的获取生产线索对之间的相似性。

根据一些实施例，语义句式分类模型的输入可以包括上述语义匹配模型输出的第一相似度评分、以及对生产线索对中的每一个生产线索进行特征提取后所获得的特征。

根据一些实施例，所述特征包括以下中的至少一个：动名词个数、是否包含指代项、是否为主/被动句，等等。

根据一些实施例，语义句式分类模型可以基于梯度提升决策树(GradientBoosted Decision Tree，GBDT)模型。

示例地，在基于向量进行召回之后，即可基于召回结果进行相似度聚簇。由于基于向量的相似度匹配在一定程度上也无法精确衡量生产线索对之间的相似性。为了更加精确地度量生产线索对之间的相似性，可以预训练一个相似度模型。该相似度模型由一个语义匹配模型和一个语义句式分类模型融合而成。语义匹配模型的训练数据包括对搜索引擎的点展日志进行筛选后所形成的弱监督数据，其中筛选过程可以包括问句类检索词/检索语句的筛选、数据标准化等。该语义匹配模型例如可以使用SimNetC网络、表示层使用bow、损失函数使用hingloss等。但是应当理解，语义匹配模型的结构并不限制于此，任何其他合适的网络(例如CNN)和算法都是可能的。语义句式分类模型作为语义匹配模型的补充，通过识别生产线索对的句式是否相同来提高匹配精度。例如，可以通过提取生产线索的动名词个数、是否含有指代项(Term，例如他、我等)、是否是主/被动句、语义匹配模型输出的相似度评分等多个特征，并基于GBDT模型训练得到该语义句式分类模型。但是应当理解，语义句式分类模型并不限制于此，任何其他合适的模型和网络都是可能的。获取相应的生产线索对的相似度评分之后，即可基于该相似度评分进行相似度聚簇。

根据本公开的实施例还提供了一种生产线索聚合装置。图5示出了根据本公开的实施例的生产线索聚合装置500的结构框图。如图5所示，该装置500可以包括：获取单元510，被配置为从搜索日志中得到生产线索；分类单元520，被配置为基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组；一个或多个聚合单元530，其中每一个所述聚合单元530均被配置为执行以下从操作：获取该第一生产线索组中的每一个生产线索的向量；基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

这里，生产线索聚合装置500的上述各单元510～530的操作分别与前面描述的步骤210～250的操作类似，在此不再赘述。

根据本公开的实施例还提供了一种生产线索聚合***。图6示出了根据本公开的实施例的生产线索聚合装置600的结构框图。如图6所示，该***600可以包括：第一装置610，被配置为执行以下操作：从搜索日志中得到生产线索；以及基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组；一个或多个第二装置620，其中每一个所述第二装置均被配置为执行以下从操作：获取该第一生产线索组中的每一个生产线索的向量；基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

这里，生产线索聚合***600的上述各单元610～620的操作分别与前面描述的步骤210～250的操作类似，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，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。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701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701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701执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

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程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、便捷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)和互联网。

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，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种生产线索聚合方法，包括：

从搜索日志中得到生产线索；

基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组，其中，所述类目信息包括第一类目和第二类目，所述第一类目信息是通过预设的分类模型所确定的类别信息，所述第二类目是对生产线索进行深层语义的提炼后所获得的类别数据，并且其中，基于类目信息对所述生产线索进行分类包括：

基于所述第一类目对所述生产线索进行分类，以获得一个或多个第二生产线索组；以及

响应于确定至少一个第二生产线索组中的生产线索数量大于第二阈值，进一步基于所述第二类目分别对所述至少一个第二生产线索组中的生产线索进行分类，以获得一个或多个第一生产线索组；

对于所述一个或多个第一生产线索组中的每一个第一生产线索组，执行以下聚合操作：

获取该第一生产线索组中的每一个生产线索的向量；

基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及

将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

2.如权利要求1所述的方法，其中，进一步基于所述第二类目分别对所述至少一个第二生产线索组中的生产线索进行分类包括：

对于所述至少一个第二生产线索组中的每一个第二生产线索组：

统计各个第二类目所分别对应的生产线索数量；以及

基于所述各个第二类目所分别对应的生产线索数量以及所述第二阈值对该第二生产线索组进行分类，以获得一个或多个第一生产线索组，其中，

具有相同的第二类目的生产线索属于同一个第一生产线索组。

3.如权利要求2中所述的方法，其中，所述第二类目包括实体类目和抽象类目，所述方法还包括：

响应于确定生产线索同时包含所述实体类目和抽象类目，对所述生产线索的第二类目进行去重。

4.如权利要求1-3中任一项所述的方法，其中，所述第二类目包括实体类目和抽象类目，并且其中，

所述实体类目和所述抽象类目分别通过基于深度学习的模型确定。

5.如权利要求1所述的方法，其中，基于所述向量确定所述第一数量的生产线索包括：

通过近似最近邻搜索算法确定所述每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索。

6.如权利要求1所述的方法，其中，将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合包括：

对于所述每一个生产线索均执行以下操作，以获得第二数量的簇：

将该生产线索自身形成簇；

依次确定该生产线索相对应的第一数量的生产线索中的每一个生产线索与所述簇中的每一个生产线索的相似度评分；以及

响应于所述相似度评分均大于第三阈值，将所述第一数量的生产线索中的相应生产线索合并到所述簇中；以及

对所述第二数量的簇进行合并，以获得合并后的一个或多个簇，其中，

每一个簇中的生产线索之间的相似度评分均大于所述第三阈值。

7.如权利要求6所述的方法，还包括：在聚合过程中对生产线索之间的相似度评分进行保存，以使得基于所述保存的相似度评分进行簇之间的合并。

8.如权利要求6或7所述的方法，其中，通过经训练的语义匹配模型和语义句式分类模型确定所述相似度评分，其中，

确定所述相似度评分包括：

基于所述语义匹配模型获得生产线索对之间的第一相似度评分；以及

响应于所述第一相似度评分大于第四阈值，进一步基于所述语义句式分类模型获得所述生产线索对之间的第二相似度评分，以将所述第二相似度评分作为所述确定的相似度评分。

9.如权利要求8所述的方法，其中，

所述语义匹配模型的训练数据包括对包含用户点击数据的日志进行数据筛选后所形成的监督数据，并且其中，

所述语义句式分类模型的输入包括所述语义匹配模型输出的第一相似度评分、以及对生产线索对中的每一个生产线索进行特征提取后所获得的特征。

10.如权利要求9所述的方法，其中，所述特征包括由以下项所组成的组中的至少一个：动名词个数、是否包含指代项、是否为主/被动句。

11.如权利要求9所述的方法，其中，所述语义句式分类模型基于梯度提升决策树模型。

12.如权利要求1-11中任一项所述的方法，还包括：将所述第一生产线索组分别发送到多个单元或机器，以使得在所述单元或机器上执行所述聚合操作。

13.一种生产线索聚合装置，包括：

获取单元，被配置为从搜索日志中得到生产线索；

分类单元，被配置为基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组，其中，所述类目信息包括第一类目和第二类目，所述第一类目信息是通过预设的分类模型所确定的类别信息，所述第二类目是对生产线索进行深层语义的提炼后所获得的类别数据，并且其中，所述分类单元包括：

基于所述第一类目对所述生产线索进行分类、以获得一个或多个第二生产线索组的单元；以及

响应于确定至少一个第二生产线索组中的生产线索数量大于第二阈值、进一步基于所述第二类目对所述至少一个第二生产线索组中的生产线索进行分类、以获得一个或多个第一生产线索组的单元；

一个或多个聚合单元，其中每一个所述聚合单元均被配置为执行以下从操作：

获取该第一生产线索组中的每一个生产线索的向量；

基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及

将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

14.如权利要求13所述的装置，其中，所述聚合单元包括：

对于所述每一个生产线索均执行以下操作、以获得第二数量的簇的单元：

将该生产线索自身形成簇；

依次确定相对应的第一数量的生产线索中的每一个生产线索与所述簇中的每一个生产线索的相似度评分；以及

响应于所述相似度评分均大于第三阈值，将所述第一数量的生产线索中的相应生产线索合并到所述簇中；以及

对所述第二数量的簇进行合并、以获得合并后的一个或多个簇的单元，其中，

每一个簇中的生产线索之间的相似度评分均大于第三阈值。

15.一种生产线索聚合***，包括：

第一装置，被配置为执行以下操作：

从搜索日志中得到生产线索；以及

基于类目信息对所述生产线索进行分类，以获得一个或多个第一生产线索组，其中，所述类目信息包括第一类目和第二类目，所述第一类目信息是通过预设的分类模型所确定的类别信息，所述第二类目是对生产线索进行深层语义的提炼后所获得的类别数据，并且其中，基于类目信息对所述生产线索进行分类包括：

基于所述第一类目对所述生产线索进行分类，以获得一个或多个第二生产线索组；以及

响应于确定至少一个第二生产线索组中的生产线索数量大于第二阈值，进一步基于所述第二类目分别对所述至少一个第二生产线索组中的生产线索进行分类，以获得一个或多个第一生产线索组；

一个或多个第二装置，其中每一个所述第二装置均被配置为执行以下从操作：

获取该第一生产线索组中的每一个生产线索的向量；

基于所述向量确定该第一生产线索组中的每一个生产线索的与其相似度大于第一阈值的第一数量的生产线索；以及

将所述每一个生产线索以及确定的所有第一数量的生产线索进行聚合，以获得一个或多个簇。

16.一种电子设备，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1-12中任一项所述的方法。

17.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。