CN113641718B - 模型生成方法、搜索推荐方法、装置、设备和介质 - Google Patents
模型生成方法、搜索推荐方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113641718B CN113641718B CN202110926895.1A CN202110926895A CN113641718B CN 113641718 B CN113641718 B CN 113641718B CN 202110926895 A CN202110926895 A CN 202110926895A CN 113641718 B CN113641718 B CN 113641718B
- Authority
- CN
- China
- Prior art keywords
- node
- search
- nodes
- layer
- hit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 241000272525 Anas platyrhynchos Species 0.000 description 9
- 241000208422 Rhododendron Species 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 241000282465 Canis Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 241000282324 Felis Species 0.000 description 3
- 241000124008 Mammalia Species 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 229910000833 kovar Inorganic materials 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
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 241000272520 Aix galericulata Species 0.000 description 1
- 241000272834 Cairina moschata Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种模型生成方法、搜索推荐方法、装置、设备和介质,涉及人工智能技术领域,尤其涉及智能推荐和深度学习技术。实现方案为:初始化搜索标签模型,其中,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,树结构模型的每个节点为包括至少一个词条的搜索标签;基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条;以及基于用户搜索历史,修改搜索标签模型的树结构模型的结构。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能推荐和深度学习技术,具体涉及一种模型生成方法、搜索推荐方法、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
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在现有技术中,由于用户搜索请求可能不能准确地描述用户的真实需求,需要根据用户搜索请求生成搜索推荐信息(例如,基于用户搜索请求生成的关键词),以引导用户进一步澄清其需求。因此,需要向用户提供准确和全面的搜索推荐信息,以满足用户的当前搜索需求,并进一步激发用户的相关搜索需求。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种模型生成方法、搜索推荐方法、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,提供了一种模型生成方法,包括:初始化搜索标签模型,其中,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,搜索树结构模型的每个节点为包括至少一个词条的搜索标签;基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条;以及基于搜索用户搜索历史,修改搜索标签模型的树结构模型的结构。
根据本公开的另一方面,提供了一种搜索推荐方法,包括:响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点,其中,搜索标签模型为根据本公开所述的模型生成方法所生成的搜索标签模型;以及基于命中节点,生成搜索推荐信息。
根据本公开的另一方面,提供了一种模型生成装置,包括:模型初始化模块,被配置为:初始化搜索标签模型,其中,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,树结构模型的每个节点为包括至少一个词条的搜索标签;词条编辑模块,被配置为:基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条;以及结构修改模块,被配置为:基于用户搜索历史,修改搜索标签模型的树结构模型的结构。
根据本公开的另一方面,提供了一种搜索推荐装置,包括:节点命中模块,被配置为:响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点,其中,搜索标签模型为根据本公开所述的模型生成装置所生成的搜索标签模型;以及搜索推荐信息生成模块,被配置为:基于命中节点,生成搜索推荐信息。
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;其中存储器存储有可被至少一个处理器执行的指令,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如本公开所述的模型生成方法和/或搜索推荐方法。
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,其中,计算机指令用于使计算机执行如本公开所述的模型生成方法和/或搜索推荐方法。
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,其中,计算机程序在被处理器执行时实现如本公开所述的模型生成方法和/或搜索推荐方法。
根据本公开的一个或多个实施例,可以向用户提供准确和全面的搜索推荐信息,以满足用户的当前搜索需求,并进一步激发用户的相关搜索需求。
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2A-2C示出了根据本公开的实施例的在用户搜索的过程中在客户端处显示的用户界面的示意图;
图3示出了根据本公开的实施例的模型生成方法的流程图;
图4示出了根据本公开的实施例的搜索标签模型的示意图;
图5示出了根据本公开的实施例的在图3的方法中基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条的示例过程的流程图;
图6示出了根据本公开的实施例的搜索推荐方法的流程图;
图7示出了根据本公开的实施例的在图6的方法中基于命中节点,生成搜索推荐信息的示例过程的流程图;
图8示出了根据本公开的实施例的模型生成装置的结构框图;
图9示出了根据本公开的实施例的搜索推荐装置的结构框图;
图10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如本公开所述的模型生成方法和/或搜索推荐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来输入用户搜索请求,并通过客户端设备101、102、103、104、105和/或106获取来自服务器120的搜索推荐信息和搜索结果。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音频文件和视频文件的信息。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、更新和搜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。
图2A-2C示出了根据本公开的实施例的在用户搜索的过程中在客户端处显示的用户界面200的示意图。
图2A示出了在用户输入搜索请求时在客户端处显示的用户界面200的示意图。如图2A所示,用户可以通过用户输入模块210输入搜索请求。根据一些实施例,如图2所示,用户可以通过用户输入模块210中的文本框211输入文本搜索信息(例如,“鸭子”),并且,触发用户输入模块210中的“搜索”按钮(例如,使用鼠标201点击“搜索”按钮),以使得客户端向服务器发送包括用户所输入的文本搜索信息的用户搜索请求。根据另一些实施例,用户还可以通过用户输入模块210输入其他模态的搜索信息,例如,上传图片。
服务器根据用户搜索请求生成搜索推荐信息和搜索结果,并且向客户端发送所生成的搜索推荐信息和搜索结果。图2B示出了在客户端接收到搜索推荐信息和搜索结果之后的用户界面200的示意图。
如图2B所示,搜索推荐模块220显示根据用户搜索请求所生成的多条搜索推荐信息(例如,第一推荐信息221、第二推荐信息222和第三推荐信息223),例如,当用户搜索“鸭子”时,推荐信息可以包括“鸭”、“柯尔鸭”、“番鸭”、“水鸭”和“鸳鸯鸭”等。
如图2B所示,搜索结果模块230显示根据用户搜索请求所生成的多条搜索结果(例如,第一搜索内容231和第二搜索内容232),例如,当用户搜索“鸭子”时,搜索结果为根据“鸭子”所搜索到的资源(例如,与鸭有关的图片或网页信息)。
当用户选择任一条推荐信息(例如,通过鼠标201点击该推荐信息所对应的图标)时,可以基于所选择的推荐信息进行进一步搜索,以更新在客户端的搜索结果模块230中所显示的搜索结果。图2C示出了在用户选择任一条推荐信息之后的用户界面200的示意图。
如图2C所示,在用户选择第二推荐信息222时,搜索结果模块230所显示的根据用户搜索请求所生成的第一搜索内容231和第二搜索内容232被替换为根据第二推荐信息222所生成的第三搜索内容233和第四搜索内容234。
根据一些实施例,响应于用户选择第二推荐信息222,客户端向服务器发送包括第二推荐信息的搜索请求,服务器基于包括第二推荐信息的搜索请求再次进行搜索,并且向客户端发送再次搜索的搜索结果。
例如,当用户选择基于“鸭子”生成的推荐信息“柯尔鸭”时,客户端向服务器发送基于“柯尔鸭”的搜索请求,服务器基于“柯尔鸭”再次进行搜索,而客户端的搜索结果模块230中的基于“鸭子”生成的搜索结果被基于“柯尔鸭”所生成的搜索结果所替代。由此可见,通过基于用户的初步搜索请求所生成的搜索推荐信息,可以引导用户进一步明确和调整其搜索需求。因此,搜索推荐信息应当全面和准确,以尽可能贴合用户的搜索需求。
为了提供全面和准确的搜索推荐信息,本公开的实施例提供了一种模型生成方法,包括:初始化搜索标签模型,其中,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,树结构模型的每个节点为包括至少一个词条的搜索标签;基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条;以及基于用户搜索历史,修改搜索标签模型的树结构模型的结构。
图3示出了根据本公开的实施例的模型生成方法300的流程图。根据一些实施例,该方法可以由参考图1所描述的服务器120实施。
在步骤S301处,初始化搜索标签模型。根据一些实施例,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,树结构模型的每个节点为包括至少一个词条的搜索标签。
根据一些实施例,可以获取专业分类信息,以初始化搜索标签模型,其中,专业分类信息包括分类层级、每个层级中的类别以及不同层级的类别之间的关系。例如,关于生物的分类信息包括生物分类等级(例如,“生物”的分类等级包括“界”、“门”、“纲”、“目”、“科”、“属”和“种”),每个生物分类等级中的类别(例如,“界”对应的层级中包括“动物界”和“植物界”两个类别)、不同生物分类等级的类别之间的关系(例如,“纲”对应的层级中的“哺乳纲”包括“目”对应的层级中的“单孔目”、“后兽亚纲”、“有袋目”)。
根据一些实施例,根据所获取的专业分类信息,生成搜索标签模型的树结构模型。根据一些实施例,搜索标签模型的每个树结构模型对应于一个标签类型,例如,“动物”对应于一个树结构模型,而“汽车”对应于另一个树结构模型。
树结构模型可以是利用树状结构表示多个搜索标签的模型。树结构模型中的每一个节点可以为包括至少一个词条的搜索标签。根据一些实施例,当一个节点为包括多个词条的搜索标签时,该节点的多个词条包括一个指示该节点名称的名称词条和至少一个别名词条,例如,对于名称为“柯基”的节点,该节点包括词条“柯基”、“威尔士柯基犬”、“卡迪根威尔士柯基犬”和“彭布罗克威尔士柯基犬”,其中,“柯基”为名称词条,“威尔士柯基犬”、“卡迪根威尔士柯基犬”和“彭布罗克威尔士柯基犬”为别名词条。
在步骤S303处,基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条。
根据一些实施例,用户搜索历史为提供搜索服务的服务器在一段时间内接收到的用户搜索请求的集合。
根据一些实施例,基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条包括:提取用户搜索历史的用户搜索请求中的关键词;选择搜索标签模型中与关键词匹配的节点;以及响应于与关键词匹配的节点不包含对应于关键词的词条,向与关键词匹配的节点添加对应于关键词的词条。通过将用户搜索请求中的关键词添加到与该关键词匹配的节点,实现了搜索标签模型中的同义词扩展。
根据另一些实施例,基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条包括:响应于搜索标签模型中的多个节点包括相同词条,基于用户搜索历史,计算多个节点中的每个节点被搜索到的次数;以及在多个节点中除被搜索到的次数最多的节点之外的其余节点中,删除相同词条。例如,节点“杜鹃花”和“杜鹃鸟”均包括词条“杜鹃”,其中,节点“杜鹃花”被搜索到的次数最多,则从节点“杜鹃鸟”中删除词条“杜鹃”,而仅在“杜鹃花”中保留词条“杜鹃”。通过选择被搜索到的次数最多的节点作为该相同词条所对应的节点,解决了一词多义的问题。
根据又一些实施例,基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条包括:将搜索标签模型的一个或多个节点所对应的词条转换为搜索所需的格式。根据一些实施例,可以将词条进行全半角转换、大小写转换、语言转换、繁简体转换、无意义符号移除等转换,使其符合搜索所需的格式。
在步骤S305处,基于用户搜索历史,修改搜索标签模型的树结构模型的结构。
根据一些实施例,基于用户搜索历史,修改搜索标签模型的树结构模型的结构包括:对于每个树结构模型,基于用户搜索历史,计算该树结构模型的各层被搜索到的次数,其中,该树结构模型中的每一层被搜索到的次数为该层中的任一节点被搜索到的次数;以及删除该树结构模型中被搜索到的次数小于预定次数阈值的层。
根据一些实施例,计算该树结构模型的各层被搜索到的次数包括:对于该树结构模型的每一层,计算该层中的任一节点被搜索到的次数。也就是说,只要该层中的任一节点在某次用户搜索中被搜索到,则该层在该次用户搜索中被搜索到。
根据一些实施例,对于用户搜索历史中的一条用户搜索请求,提取该用户搜索请求的关键词,选择搜索标签模型中与关键词匹配的节点,其中,判断该所匹配的节点被该条用户搜索请求搜索到。
根据一些实施例,在删除树结构模型中被搜索到的次数小于预定次数阈值的层之后,根据树结构模型的原有连接关系,将被删除的层下方的层中的节点连接到被删除的层上方的层中的节点。
例如,树结构模型的第一层包括节点A和B,第二层包括节点A的子节点A1和A2、以及节点B的子节点B1和B2,第三层包括节点A1的子节点A11和A12、节点A2的子节点A21和A22、节点B1的子节点B11和B12、以及节点B2的子节点B21和B22,则在删除第二层后,节点A11、A12、A21和A22成为节点A的子节点,而B11、B12、B21和B22成为节点B的子节点。
通过删除搜索标签模型的树结构模型中被搜索到的次数小于预定次数阈值的层,精简了搜索标签模型中的冗余结构,提升了后续根据用户搜索请求在搜索标签模型中匹配节点的速度。
根据一些实施例,基于用户搜索历史,修改搜索标签模型的树结构模型的结构还包括:对于每个树结构模型,计算该树结构模型的相邻层中的相似节点的数量;以及响应于相邻层中的相似节点的数量大于预定节点数量,合并相邻层。
根据一些实施例,对于每个树结构模型,计算该树结构模型的相邻层中的相似节点的数量包括:对于相邻层中的第一层中的每个节点,响应于该节点与第二层中的对应节点具有相似的词条,确定该节点和第二层中的对应节点为相似节点;以及计算第一层中的具有对应的相似节点的节点的数量,作为相邻层中的相似节点的数量。根据一些实施例,第一层位于第二层上方。
根据一些实施例,可以通过余弦值相似度算法或L氏编辑距离算法来计算两个词条之间的相似度,并且,在两个词条之间的相似度超过相似度阈值时,判断两个词条为相似的词条。
根据一些实施例,合并相邻层包括:合并相邻层中的相似节点,并且,将合并后的节点加入合并后的层中;以及将相邻层中的除相似节点之外的节点加入合并后的层中。根据一些实施例,合并相邻层中的相似节点包括:将相似节点的词条均加入合并后的节点中。
在本公开的实施例所提供的模型生成方法中,在初始化搜索标签模型之后,基于用户搜索历史,调整搜索标签模型的一个或多个节点所对应的词条和修改搜索标签模型的树结构模型的结构,使得所生成的搜索标签模型能够准确和全面地反映用户搜索需求。
图4示出了根据本公开的实施例的搜索标签模型400的示意图。
如图4所示,搜索标签模型400包括第一树结构模型400a和第二树结构模型400b,其中,第一树结构模型400a对应于第一标签类型(例如,“动物”),第二树结构模型400b对应于第二标签类型(例如,“汽车”)。应当理解,搜索标签模型400中的树结构模型的数量可以更多(例如,3个)或更少(例如,1个)。
第一树结构模型400a和第二树结构模型400b各包括多个层级,其中,每个层级对应于一个分类等级。例如,第一树结构模型400a的第一层级410a、第二层级420a和第三层级430a分别对应于“界”、“纲”、“科”,第二树结构模型400b的第一层级410b、第二层级420b、第三层级430b和第四层级440b分别对应于“汽车品牌”、“汽车类型”、“汽车车系”、“汽车车型”。
在第一树结构模型400a和第二树结构模型400b中,同一层级中的节点为同一分类等级下的节点,例如,第一树结构模型400a的第二层级420a中的节点421a、422a分别对应于“哺乳纲”、“鸟纲”;不同层级中的节点之间的连线指示它们之间的从属关系,例如,在第一树结构模型400a中,位于第三层级的节点431a和432a对应于“猫科”、“狗科”,且是位于第二层级的对应于“哺乳纲”的节点421a的子节点。
图5示出了根据本公开的实施例的在图3的方法中基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条(步骤S303)的示例过程的流程图。
在步骤S501处,提取用户搜索历史的用户搜索请求中的关键词。
根据一些实施例,关键词可以是搜索信息本身,例如,当用户搜索词条“大熊猫”时,关键词为“大熊猫”。根据另一些实施例,关键词可以搜索信息中指示搜索目标的词汇,例如,当用户搜索词条“柯基犬图片”时,关键词为“柯基犬”。
在步骤S503处,选择搜索标签模型中与关键词匹配的节点。
根据一些实施例,对搜索标签模型中的树结构模型进行搜索,以需按照与关键词匹配的节点。根据一些实施例,计算关键词与节点所对应的词条的相似度,以判断关键词与节点是否匹配。
在步骤S505处,响应于与关键词匹配的节点不包含对应于关键词的词条,向与关键词匹配的节点添加对应于关键词的词条,例如,添加为节点的别名词条。
在如参考图5所描述的实施例中,通过将用户搜索历史中的同义词“映射”到搜索标签模型的匹配节点处,丰富了搜索标签模型中的词条信息。
根据一些实施例,如本公开所述的模型生成方法,还包括在基于用户搜索历史,修改搜索标签模型的树结构模型的结构之后:响应于搜索标签模型的同一树结构模型的不同层的节点具有相同词条,删除具有相同词条的节点中除层级最低的节点之外的其它节点中的相同词条。例如,如果图4中所示出的位于第二层级420a的节点421a和位于第三层级430a的节点432a具有相同词条,删除位于第二层级420a的节点421a中的该相同词条。
根据一些实施例,如本公开所述的模型生成方法还包括在基于用户搜索历史,修改搜索标签模型的树结构模型的结构之后:对于每个树结构模型的每一层,基于用户搜索历史,计算该层中的每个节点被搜索到的次数;以及按照该层中的每个节点被搜索到的次数,对该层中的节点进行排序,其中,对该层中的节点进行排序的结果为该层的搜索热度排序。
根据另一些实施例,如本公开所述的模型生成方法还包括在基于用户搜索历史,修改搜索标签模型的树结构模型的结构之后:对于每个树结构模型中的每个节点,基于用户搜索历史,计算该节点所在的层中的其它节点与该节点在用户搜索历史中共同出现的次数;以及按照共同出现的次数,对该节点所在的层中的其它节点进行排序,其中,对该节点所在的层中的其它节点进行排序的结果为该节点的共同出现排序。
在本公开中,如果同一用户的前后两次搜索请求(例如,间隔时间小于一定时间长度的两次搜索请求)分别对应于同一层中的两个节点,则认为这两个节点在用户搜索历史中共同出现。例如,当用户在搜索“狗”之后又搜索了“猫”,则认为节点“犬科”和“猫科”在用户搜索历史中共同出现。
本公开的实施例还提供了一种搜索推荐方法,包括:响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点,其中,搜索标签模型为根据如本公开所述的模型生成方法所生成的搜索标签模型;以及基于命中节点,生成搜索推荐信息。
图6示出了根据本公开的实施例的搜索推荐方法600的流程图。
在步骤S601处,响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点。
根据一些实施例,响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点包括:响应于接收到用户搜索请求,提取用户搜索请求中的关键词;以及基于用户搜索请求中的关键词,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点,其中,命中节点包括与用户搜索请求中的关键词匹配的词条。
如上所述,关键词可以是搜索信息本身或搜索信息中指示搜索目标的词汇,并且,可以通过计算关键词与节点所对应的词条的相似度,来判断关键词是否与节点匹配。
在步骤S603处,基于命中节点,生成搜索推荐信息。
根据一些实施例,基于命中节点和搜索标签模型中与命中节点相关的节点,生成搜索推荐信息,例如,根据命中节点自身、命中节点所在层中的其它节点和/或命中节点的父节点,生成搜索推荐信息。
例如,当命中节点为“犬科”时,根据节点“犬科”、与节点“犬科“处于同一层的“猫科”、“人科”、“熊科”、以及节点“犬科”的父节点“哺乳科”生成搜索推荐信息。
根据一些实施例,对于命中节点和搜索标签模型中与命中节点相关的节点中的每个节点,基于该节点的名称,为该节点匹配相应的图片,并且,基于该节点的名称和所匹配的图片,生成对应于该节点的图文信息。
根据一些实施例,基于命中节点,生成搜索推荐信息包括:生成对应于命中节点的信息;基于命中节点的共同出现排序和命中节点所在的层的搜索热度排序,生成对应于命中节点所在的层的其它节点的信息,其中,命中节点的共同出现排序为:按照命中节点所在的层中的其它节点与命中节点在用户搜索历史中共同出现的次数,对命中节点所在的层中的其它节点进行排序的结果,并且,命中节点所在的层的搜索热度排序为:按照命中节点所在的层中的每个节点被搜索到的次数,对命中节点所在的层中的节点进行排序的结果;以及基于对应于命中节点的信息和对应于命中节点所在的层的其它节点的信息,生成搜索推荐信息,其中,在搜索推荐信息中,对应于命中节点的信息位于对应于命中节点所在的层的其它节点的信息之前。
图7示出了根据本公开的实施例的在图6的方法中基于命中节点,生成搜索推荐信息(步骤S603)的示例过程的流程图。
在步骤S701处,生成对应于命中节点的信息。
在步骤S703处,基于命中节点的共同出现排序和命中节点所在的层的搜索热度排序,生成对应于命中节点所在的层的其它节点的信息。
命中节点的共同出现排序为:按照命中节点所在的层中的其它节点与命中节点在用户搜索历史中共同出现的次数,对命中节点所在的层中的其它节点进行排序的结果。命中节点所在的层的搜索热度排序为:按照命中节点所在的层中的每个节点被搜索到的次数,对命中节点所在的层中的节点进行排序的结果。
在步骤S705处,基于对应于命中节点的信息和对应于命中节点所在的层的其它节点的信息,生成搜索推荐信息,其中,在搜索推荐信息中,对应于命中节点的信息位于对应于命中节点所在的层的其它节点的信息之前。
根据一些实施例,除了对应于命中节点的信息和对应于命中节点所在的层的其它节点的信息,搜索推荐信息中还可以包括其它与命中节点相关的节点的信息,例如,对应于命中节点的父节点的信息。
根据一些实施例,基于命中节点的共同出现排序和命中节点所在的层的搜索热度排序,生成对应于命中节点所在的层的其它节点的信息包括:基于命中节点的共同出现排序,生成对应于第一预定数量个节点的信息,其中,第一预定数量个节点为命中节点的共同出现排序中的前第一预定数量个节点;以及基于命中节点所在的层的搜索热度排序,生成对应于命中节点所在的层的除命中节点和第一预定数量个节点之外的剩余节点的信息,其中,在对应于命中节点所在的层的其它节点的信息中,对应于第一预定数量个节点的信息在对应于剩余节点的信息之前。
例如,当第一预定数量为5时,搜索推荐信息从前到后依次包括:对应于命中节点的信息、对应于命中节点的共同出现排序前五的节点的信息、对应于命中节点所在层的剩余节点的信息。
在如本公开所述的搜索推荐方法中,基于命中节点的共同出现排序和命中节点所在的层的搜索热度排序,生成对应于命中节点所在的层的其它节点的信息,因此,使得用户在进行搜索时,可以更容易地拓展搜索和调整搜索方法,缩短用户达到搜索目标的时间,并扩大用户的搜索规模。
图8示出了根据本公开的实施例的模型生成装置800的结构框图。
如图8所示,模型生成装置800包括:模型初始化模块801,被配置为:初始化搜索标签模型,其中,搜索标签模型包括一个或多个树结构模型,搜索标签模型的每个树结构模型对应于一个标签类型,树结构模型的每个节点为包括至少一个词条的搜索标签;词条编辑模块802,被配置为:基于用户搜索历史,编辑搜索标签模型的一个或多个节点所对应的词条;以及结构修改模块803,被配置为:基于用户搜索历史,修改搜索标签模型的树结构模型的结构。
图9示出了根据本公开的实施例的搜索推荐装置900的结构框图。
如图9所示,搜索推荐装置900包括:节点命中模块901,被配置为:响应于接收到用户搜索请求,选择搜索标签模型中与用户搜索请求匹配的节点,作为命中节点,其中,搜索标签模型为根据本公开所述的模型生成装置所生成的搜索标签模型;以及搜索推荐信息生成模块902,被配置为:基于命中节点,生成搜索推荐信息。
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。
根据本公开的实施例,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,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如本公开所述的模型生成方法和/或搜索推荐方法。
根据本公开的实施例,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,其中,计算机指令用于使计算机执行如本公开所述的模型生成方法和/或搜索推荐方法。
根据本公开的实施例,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现如本公开所述的模型生成方法和/或搜索推荐方法。
参考图10,现将描述可以作为本公开的服务器或客户端的电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备,输入单元1006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1007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1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如方法300和/或方法600。例如,在一些实施例中,方法300和/或方法600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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的方法300和/或方法600的一个或多个步骤。备选地,在其他实施例中,计算单元1001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300和/或方法600。
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 (16)
1.一种搜索推荐方法,包括:
响应于接收到用户搜索请求,选择搜索标签模型中与所述用户搜索请求匹配的节点,作为命中节点,其中,所述搜索标签模型为根据以下步骤所生成的搜索标签模型:
初始化所述搜索标签模型,其中,所述搜索标签模型包括一个或多个树结构模型,所述搜索标签模型的每个树结构模型对应于一个标签类型,所述树结构模型的每个节点为包括至少一个词条的搜索标签;
基于用户搜索历史,编辑所述搜索标签模型的一个或多个节点所对应的词条;以及
基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构;以及
基于所述命中节点,生成搜索推荐信息,其中,所述基于所述命中节点,生成搜索推荐信息包括:
生成对应于所述命中节点的信息;
基于所述命中节点的共同出现排序和所述命中节点所在的层的搜索热度排序,生成对应于所述命中节点所在的层的其它节点的信息,其中,所述命中节点的共同出现排序为:按照所述命中节点所在的层中的其它节点与所述命中节点在所述用户搜索历史中共同出现的次数,对所述命中节点所在的层中的其它节点进行排序的结果,并且,所述命中节点所在的层的搜索热度排序为:按照所述命中节点所在的层中的每个节点被搜索到的次数,对所述命中节点所在的层中的节点进行排序的结果;以及
基于对应于所述命中节点的信息和对应于所述命中节点所在的层的其它节点的信息,生成所述搜索推荐信息,其中,在所述搜索推荐信息中,对应于所述命中节点的信息位于对应于所述命中节点所在的层的其它节点的信息之前。
2.根据权利要求1所述的方法,其中,所述基于用户搜索历史,编辑所述搜索标签模型的一个或多个节点所对应的词条包括:
提取所述用户搜索历史的用户搜索请求中的关键词;
选择所述搜索标签模型中与所述关键词匹配的节点;以及
响应于所述与所述关键词匹配的节点不包含对应于所述关键词的词条,向所述与所述关键词匹配的节点添加对应于所述关键词的词条。
3.根据权利要求1所述的方法,其中,所述基于用户搜索历史,编辑所述搜索标签模型的一个或多个节点所对应的词条包括:
响应于所述搜索标签模型中的多个节点包括相同词条,基于所述用户搜索历史,计算所述多个节点中的每个节点被搜索到的次数;以及
在所述多个节点中除被搜索到的次数最多的节点之外的其余节点中,删除所述相同词条。
4.根据权利要求1-3中任一项所述的方法,其中,所述基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构包括:
对于每个树结构模型,基于所述用户搜索历史,计算该树结构模型的各层被搜索到的次数,其中,该树结构模型中的每一层被搜索到的次数为该层中的任一节点被搜索到的次数;以及
删除该树结构模型中被搜索到的次数小于预定次数阈值的层。
5.根据权利要求4所述的方法,其中,所述基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构还包括:
对于每个树结构模型,计算该树结构模型的相邻层中的相似节点的数量;以及
响应于所述相邻层中的相似节点的数量大于预定节点数量,合并所述相邻层。
6.根据权利要求5所述的方法,其中,所述对于每个树结构模型,计算该树结构模型的相邻层中的相似节点的数量包括:
对于所述相邻层中的第一层中的每个节点,响应于该节点与所述第二层中的对应节点具有相似的词条,确定该节点和所述第二层中的对应节点为相似节点;以及
计算所述第一层中的具有对应的相似节点的节点的数量,作为所述相邻层中的相似节点的数量。
7.根据权利要求6所述的方法,其中,所述合并所述相邻层包括:
合并所述相邻层中的相似节点,并且,将合并后的节点加入合并后的层中;以及
将所述相邻层中的除相似节点之外的节点加入所述合并后的层中。
8.根据权利要求1-3中任一项所述的方法,还包括在所述基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构之后:
响应于所述搜索标签模型的同一树结构模型的不同层的节点具有相同词条,删除所述具有相同词条的节点中除层级最低的节点之外的其它节点中的所述相同词条。
9.根据权利要求1-3中任一项所述的方法,还包括在所述基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构之后:
对于每个树结构模型的每一层,基于所述用户搜索历史,计算该层中的每个节点被搜索到的次数;以及
按照该层中的每个节点被搜索到的次数,对该层中的节点进行排序,其中,所述对该层中的节点进行排序的结果为该层的搜索热度排序。
10.根据权利要求1-3中任一项所述的方法,还包括在所述基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构之后:
对于每个树结构模型中的每个节点,基于所述用户搜索历史,计算该节点所在的层中的其它节点与该节点在所述用户搜索历史中共同出现的次数;以及
按照所述共同出现的次数,对该节点所在的层中的其它节点进行排序,其中,所述对该节点所在的层中的其它节点进行排序的结果为该节点的共同出现排序。
11.根据权利要求1所述的方法,其中,所述响应于接收到用户搜索请求,选择所述搜索标签模型中与所述用户搜索请求匹配的节点包括:
响应于接收到所述用户搜索请求,提取所述用户搜索请求中的关键词;以及
基于所述用户搜索请求中的关键词,选择所述搜索标签模型中与所述用户搜索请求匹配的节点,作为所述命中节点,其中,所述命中节点包括与所述用户搜索请求中的关键词匹配的词条。
12.根据权利要求1所述的方法,其中,所述基于所述命中节点的共同出现排序和所述命中节点所在的层的搜索热度排序,生成对应于所述命中节点所在的层的其它节点的信息包括:
基于所述命中节点的共同出现排序,生成对应于第一预定数量个节点的信息,其中,所述第一预定数量个节点为所述命中节点的共同出现排序中的前第一预定数量个节点;以及
基于所述命中节点所在的层的搜索热度排序,生成对应于所述命中节点所在的层的除所述命中节点和所述第一预定数量个节点之外的剩余节点的信息,
其中,在对应于所述命中节点所在的层的其它节点的信息中,对应于第一预定数量个节点的信息在对应于所述剩余节点的信息之前。
13.一种搜索推荐装置,包括:
节点命中模块,被配置为:响应于接收到用户搜索请求,选择搜索标签模型中与所述用户搜索请求匹配的节点,作为命中节点,其中,所述搜索标签模型为根据以下步骤所生成的搜索标签模型:
初始化所述搜索标签模型,其中,所述搜索标签模型包括一个或多个树结构模型,所述搜索标签模型的每个树结构模型对应于一个标签类型,所述树结构模型的每个节点为包括至少一个词条的搜索标签;
基于用户搜索历史,编辑所述搜索标签模型的一个或多个节点所对应的词条;以及
基于所述用户搜索历史,修改所述搜索标签模型的树结构模型的结构;以及
搜索推荐信息生成模块,被配置为:基于所述命中节点,生成搜索推荐信息,其中,所述基于所述命中节点,生成搜索推荐信息包括:
生成对应于所述命中节点的信息;
基于所述命中节点的共同出现排序和所述命中节点所在的层的搜索热度排序,生成对应于所述命中节点所在的层的其它节点的信息,其中,所述命中节点的共同出现排序为:按照所述命中节点所在的层中的其它节点与所述命中节点在所述用户搜索历史中共同出现的次数,对所述命中节点所在的层中的其它节点进行排序的结果,并且,所述命中节点所在的层的搜索热度排序为:按照所述命中节点所在的层中的每个节点被搜索到的次数,对所述命中节点所在的层中的节点进行排序的结果;以及
基于对应于所述命中节点的信息和对应于所述命中节点所在的层的其它节点的信息,生成所述搜索推荐信息,其中,在所述搜索推荐信息中,对应于所述命中节点的信息位于对应于所述命中节点所在的层的其它节点的信息之前。
14.一种电子设备,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。
15.一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。
16.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926895.1A CN113641718B (zh) | 2021-08-12 | 2021-08-12 | 模型生成方法、搜索推荐方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926895.1A CN113641718B (zh) | 2021-08-12 | 2021-08-12 | 模型生成方法、搜索推荐方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641718A CN113641718A (zh) | 2021-11-12 |
CN113641718B true CN113641718B (zh) | 2024-06-07 |
Family
ID=78421219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926895.1A Active CN113641718B (zh) | 2021-08-12 | 2021-08-12 | 模型生成方法、搜索推荐方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641718B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321474A (zh) * | 2019-05-21 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 基于搜索词的推荐方法、装置、终端设备及存储介质 |
KR20210040868A (ko) * | 2020-08-21 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 검색 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 |
-
2021
- 2021-08-12 CN CN202110926895.1A patent/CN113641718B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321474A (zh) * | 2019-05-21 | 2019-10-11 | 北京奇艺世纪科技有限公司 | 基于搜索词的推荐方法、装置、终端设备及存储介质 |
KR20210040868A (ko) * | 2020-08-21 | 2021-04-14 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 검색 방법, 장치, 기기, 저장 매체 및 컴퓨터 프로그램 |
Non-Patent Citations (2)
Title |
---|
Smart cloud search services: verifiable keyword-based semantic search over encrypted cloud data;Zhangjie Fu;IEEE;20141130;全文 * |
视频节目层次化搜索和推荐方法的研究;张;沈兵虎;王李冬;;计算机技术与发展;20180307(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113641718A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
US11455335B2 (en) | Image retrieval using interactive natural language dialog | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114595686B (zh) | 知识抽取方法、知识抽取模型的训练方法及装置 | |
CN113656668B (zh) | 多模态信息库的检索方法、管理方法、装置、设备和介质 | |
US20220237376A1 (en) | Method, apparatus, electronic device and storage medium for text classification | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN114860995B (zh) | 视频脚本生成方法、装置、电子设备及介质 | |
US20240104154A1 (en) | Ranking of recall data | |
WO2024027125A1 (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
CN113641718B (zh) | 模型生成方法、搜索推荐方法、装置、设备和介质 | |
CN114328936B (zh) | 建立分类模型的方法和装置 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN112860681B (zh) | 数据清洗方法及装置、计算机设备和介质 | |
CN113868453A (zh) | 对象推荐方法和装置 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN113535958B (zh) | 生产线索聚合方法、装置及***、电子设备和介质 | |
CN115203544A (zh) | 推荐方法及装置、电子设备和介质 | |
CN113609370A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114390366A (zh) | 视频处理方法和装置 | |
CN113901314A (zh) | 处理用户查询内容的方法、装置、设备和介质 | |
CN115578451A (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN115809364A (zh) | 对象推荐方法和模型训练方法 | |
CN113722523A (zh) | 对象推荐方法和装置 |
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 |