CN116089729A - 搜索推荐方法、设备及存储介质 - Google Patents
搜索推荐方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116089729A CN116089729A CN202310356653.2A CN202310356653A CN116089729A CN 116089729 A CN116089729 A CN 116089729A CN 202310356653 A CN202310356653 A CN 202310356653A CN 116089729 A CN116089729 A CN 116089729A
- Authority
- CN
- China
- Prior art keywords
- search
- candidate
- target
- document
- user
- 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 106
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000001960 triggered effect Effects 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 60
- 230000008451 emotion Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 30
- 238000012512 characterization method Methods 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 12
- 238000012549 training Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 241001122767 Theaceae Species 0.000 description 7
- 239000008267 milk Substances 0.000 description 7
- 210000004080 milk Anatomy 0.000 description 7
- 235000013336 milk Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 241000238017 Astacoidea Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000238557 Decapoda Species 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 240000007154 Coffea arabica Species 0.000 description 1
- 241001446467 Mama Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003068 static 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
-
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书一个或多个实施例提供一种搜索推荐方法、电子设备及计算机可读存储介质。所述方法包括:响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词;根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板;根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案;将所述目标推荐文案展示在搜索页面中,以在所述目标推荐文案被触发的情况下进行数据搜索。本实施例实现以符合用户偏好的和/或受大众喜爱的文案风格形式推荐搜索词,增强与用户之间的交互感。
Description
技术领域
本说明书一个或多个实施例涉及终端技术领域,尤其涉及一种搜索推荐方法、电子设备及计算机可读存储介质。
背景技术
在相关技术中,搜索功能是用户进行信息查找的入口,是连接用户和信息的重要纽带。用户可以在搜索栏中输入搜索词,进而电子设备能够根据用户输入的搜索词进行数据搜索,获取至少一个搜索结果,进而将搜索结果展示给用户。但是,对于一些在搜索时缺乏目的性的用户来说,用户可能会在搜索页面停留过长时间,影响用户体验。
因此,有必要提供一种搜索推荐方法,在用户未输入搜索词之前进行搜索推荐。
发明内容
有鉴于此,本说明书一个或多个实施例提供一种搜索推荐方法、电子设备及计算机可读存储介质。
为实现上述目的,本说明书一个或多个实施例提供技术方案如下:
根据本说明书一个或多个实施例的第一方面,提出了一种搜索推荐方法,包括:
响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词;
根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板;
根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案;
将所述目标推荐文案展示在搜索页面中,以在所述目标推荐文案被触发的情况下进行数据搜索。
可选的,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
对于各个候选搜索词,对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务;其中,所述用户的配送范围是根据用户的位置信息确定的;
将无法为用户提供服务的候选搜索词删除。
可选的,搜索词包括商品词和/或店铺名;
所述对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务,包括:
若所述候选搜索词为候选店铺名,根据该候选店铺名指示的店铺的位置信息与用户的位置信息确定是否满足用户的配送范围;
若所述候选词为候选商品词,搜索包含该候选商品词指示的商品的店铺,并根据该店铺的位置信息与用户的位置信息确定是否满足用户的配送范围。
可选的,所述搜索包含该候选商品词指示的商品的店铺,包括:
根据所述候选商品词,从预存的商品名称表中获取所述候选商品词指示的商品对应的所有目标商品词;所述商品名称表中预存同一商品的不同叫法;
根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。
可选的,所述搜索包含该候选商品词指示的商品的店铺,包括:
根据预先训练好的神经网络模型将所述候选商品词转换成目标表征向量;其中,所述神经网络模型用于将同一商品的不同叫法均转换成同一表征向量;
根据所述目标表征向量,从预存的表征向量与商品名称的对应关系确定所述目标向量对应的所有目标商品词;
根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。
可选的,所述历史推荐文案包括以下至少一种:
在用户的客户端的搜索页面中展示过的推荐文案;
在与用户属于同一用户群组的其他用户的客户端的搜索页面展示过的推荐文案;其中,属于同一用户群组的不同用户的偏好相同或相似;
在其他用户的客户端的搜索页面展示过的推荐文案;
其中,所述第一候选文案模板根据在历史展示过程中已曝光且被点击的历史推荐文案生成。
可选的,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中筛选出目标搜索词;其中,所述目标搜索词包括至少部分在历史展示过程已曝光且被点击的候选搜索词、且不包含在历史展示过程已曝光且未被点击的候选搜索词;
所述根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案,包括:
根据所述目标搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。
可选的,所述将所述目标推荐文案展示在所述搜索页面中,包括:
将所述目标推荐文案以弹幕形式在所述搜索页面中显示;
和/或,所述搜索页面展示有虚拟形象,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案。
可选的,所述以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,包括:
在目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,将所述目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近展示另一条目标推荐文案。
可选的,所述将所述目标推荐文案展示在所述搜索页面中,包括:
在目标推荐文案包括至少两个的情况下,根据用户的偏好信息和各个所述目标推荐文案中的目标搜索词所属类目,确定各个目标推荐文案的展示顺序,以按照所述展示顺序在所述搜索页面中展示目标推荐文案;
其中,所述目标搜索词所属类目用于使至少两条包含属于相同类目的目标搜索词的目标推荐文案不连续显示;所述偏好信息根据用户的历史购买行为、历史搜索行为和历史浏览行为中的至少一种确定。
可选的,还包括:
对于任意一个候选搜索词,根据所述候选搜索词所属类目和当前时段中的至少一种,从文案模板库中匹配得到第二候选文案模板,所述文案模板库包括有不同时段和/或不同类目下的文案模板;
根据所述候选搜索词以及匹配得到的第二候选文案模板,生成目标推荐文案。
可选的,还包括:
对于任意一个候选搜索词,将所述候选搜索词所属类目和当前时段中的至少一种、以及所述候选搜索词输入预先训练好的文案生成模型中进行处理,得到所述文案生成模型输出的目标推荐文案;
其中,所述文案生成模型是基于若干样本及其标签训练得到的;任意一个样本包括参考搜索词所属类目和参考时段中的至少一种、以及所述参考搜索词,并且该样本以包括所述参考搜索词的推荐文案为标签。
可选的,所述将所述目标推荐文案展示在所述搜索页面,包括:
将满足文案质量条件的目标推荐文案展示在所述搜索页面中;
所述方法还包括:
在获得目标推荐文案之后,检测各个所述目标推荐文案的文案质量,以获得满足文案质量条件的目标推荐文案。
可选的,所述检测各个所述目标推荐文案的文案质量,包括:
利用预先训练好的情感分类模型对所述目标推荐文案进行处理,获得所述目标推荐文案的情感分类信息;所述情感分类模型用于对输入文本进行情感分析,以确定输入文本的情感分类,所述情感分类包括正向情感、中性情感或消极情感;和/或
利用预先训练好的语言模型对所述目标推荐文案的文本流畅度进行检测,获得所述目标推荐文案的文本流畅度;和/或
利用预先训练好的相关度评估模型对所述目标推荐文案和当前时段进行处理,获取所述目标推荐文案的相关度评估结果;所述相关度评估模型用于评估所述目标推荐文案是否包含搜索词,和/或,所述目标推荐文案是否符合当前时段。
可选的,所述根据历史搜索数据进行数据召回,获取若干候选搜索词,包括:
根据用户所在位置附近的其他用户在最近一段时间内的历史搜索数据,确定搜索词以及搜索词的至少一种参考信息;根据所述搜索词的至少一种参考信息确定所述搜索词的搜索趋势,将搜索趋势呈上升趋势的搜索词确定为候选搜索词;和/或
根据用户的历史行为数据、和与用户属于同一用户群组的其他用户的历史行为数据中的至少一种,确定候选搜索词;其中,所述历史行为数据包括历史购买行为数据、历史搜索行为数据和历史浏览行为数据中的至少一种确定。
可选的,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
利用预存的词库和/或预先训练好的搜索词分类模型对各个所述候选搜索词进行分类,确定各个所述候选搜索词的类别;所述词库包括若干搜索词及其类别;所述搜索词分类模型用于对输入的搜索词进行分类检测,以确定输入的搜索词的类别;
将不属于预设类别的候选搜索词删除。
可选的,还包括:
响应于对所述目标推荐文案的触发指令,获取与所述目标推荐文案包含的搜索词相关的搜索结果;
将所述搜索结果展示在结果展示页面中;其中,所述结果展示页面还包括搜索栏,所述搜索栏显示所述目标推荐文案包含的搜索词。
根据本说明书一个或多个实施例的第二方面,提出了一种搜索推荐方法,应用于客户端,包括:
响应于搜索页面显示指令,获取至少一个目标推荐文案;所述目标推荐文案包括搜索词;
将所述目标推荐文案以弹幕形式在所述搜索页面中显示;和/或,所述搜索页面展示有虚拟形象,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案。
可选的,所述以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,包括:
在目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,将所述目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近展示另一条目标推荐文案。
根据本说明书一个或多个实施例的第三方面,提出了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如第一方面或第二方面中任一项所述的方法。
根据本说明书一个或多个实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如第一方面或第二方面中任一项所述方法的步骤。
本说明书一个或多个实施例提供一种搜索推荐方法,可以响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词,实现召回符合搜索需求的搜索词,有利于提高推荐准确性;并且根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板,能够确定符合用户偏好的和/或受大众喜爱的文案风格形式;进而根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案;最后将所述目标推荐文案展示在所述搜索页面中,实现以符合用户偏好的和/或受大众喜爱的文案风格形式推荐搜索词,增强与用户之间的交互感,提高用户的搜索积极性;进而电子设备能够在所述目标推荐文案被触发的情况下进行数据搜索,无需用户键入搜索词,减少了用户的操作步骤,有利于提高搜索效率。
附图说明
图1是一示例性实施例提供的一种搜索推荐***的结构示意图。
图2是一示例性实施例提供的一种搜索推荐方法的流程示意图。
图3是一示例性实施例提供的一种显示页面的示意图。
图4是一示例性实施例提供的搜索推荐方法的另一流程示意图。
图5是一示例性实施例提供的一种搜索页面的示意图。
图6是一示例性实施例提供的一种结果展示页面的示意图。
图7是一示例性实施例提供的搜索推荐方法的又一流程示意图。
图8是一示例性实施例提供的一种设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
针对于相关技术中的问题,本说明书实施例提供了一种搜索推荐方法,可以响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词,实现召回符合搜索需求的搜索词,有利于提高推荐准确性;并且根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板,能够确定符合用户偏好的和/或受大众喜爱的文案风格形式;进而根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案;最后将所述目标推荐文案展示在所述搜索页面中,实现以符合用户偏好的和/或受大众喜爱的文案风格形式推荐搜索词,增强与用户之间的交互感,提高用户的搜索积极性;进而电子设备能够在所述目标推荐文案被触发的情况下进行数据搜索,无需用户键入搜索词,减少了用户的操作步骤,有利于提高搜索效率。
请参阅图1,图1为本说明书实施例提供的一种搜索推荐***,所述搜索推荐***包括服务端100和至少一个客户端200,示例性地,所述客户端200可以通过网络访问服务端100以使用服务端100提供的服务,包括但不限于商品配送服务、商品购买服务、阅读服务、音视频播放服务、或者搜索服务等等。
服务端100可以是安装在后台设备中为用户提供服务的程序。示例性的,如图1所示,该后台设备可以是服务器,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
客户端200可以是安装在用户设备中为用户提供服务的程序,客户端200包括但不限于应用程序APP、Web网页、小程序、插件或组件等。如图1所示,用户设备包括但不限于智能手机、个人数字助理、平板电脑、个人计算机、笔记本电脑、虚拟现实终端设备、增强现实终端设备等。
其中,本说明书实施例提供的搜索推荐方法可以由服务端100和客户端200中的任一种来执行,本实施例对此不做任何限制。以服务端100执行所述搜索推荐方法为例,客户端200可以响应于用户对搜索页面的显示触发操作,向服务端100发送搜索页面显示指令,服务端100可以响应于从客户端200接收到的搜索页面显示指令,执行本说明书实施例提供的搜索推荐方法,生成至少一个目标推荐文案,进而可以将展示有目标推荐文案的搜索页面发送给客户端200,以使得客户端200可以展示该搜索页面,进而在搜索页面中的任意一个目标推荐文案被触发的情况下,客户端200可以向服务端100发送目标推荐文案的触发指令,以使得服务端100可以响应于目标推荐文案被触发而进行数据搜索,将搜索结果反馈给客户端200。
请参阅图2,图2为本说明书实施例提供的一种搜索推荐方法的流程示意图。所述方法可以由电子设备来执行,所述电子设备可以安装图1实施例所述的服务端或者客户端;所述方法包括:
在S201中,响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词。
在S202中,根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板。
在S203中,根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。
在S204中,将所述目标推荐文案展示在所述搜索页面中,以在所述目标推荐文案被触发的情况下进行数据搜索。
本实施例中,根据历史搜索数据进行数据召回,能够召回符合搜索需求的若干候选搜索词,有利于提高推荐准确性;并且根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板,能够确定符合用户偏好的和/或受大众喜爱的文案风格形式;进而根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案,将所述目标推荐文案展示在所述搜索页面中,实现以符合用户偏好的和/或受大众喜爱的文案风格形式推荐搜索词,增强与用户之间的交互感,提高用户的搜索积极性;进而电子设备能够在所述目标推荐文案被触发的情况下进行数据搜索,无需用户键入搜索词,减少了用户的操作步骤,有利于提高搜索效率。
可以理解的是,步骤S201的数据召回过程和步骤S202的第一候选文案模板确定过程可以并行进行,也可以有先后顺序,本实施例对此不做任何限制。
在一些实施例中,请参阅图3,可以在显示页面中展示搜索栏,进而响应于用户对搜索栏的触发操作(比如点击、长按或者滑动等操作,但不限于此),生成搜索页面显示指令。电子设备响应于所述搜索页面显示指令,执行本说明书实施例提供的搜索推荐方法,比如根据历史搜索数据进行数据召回,获取若干候选搜索词。
在一些可能的实施方式中,在进行数据召回时,电子设备可以根据用户所在位置附近的其他用户在最近一段时间内(比如一周内或者10天内等等)的历史搜索数据,确定搜索词以及搜索词的至少一种参考信息;示例性的,所述参考信息包括但不限于以下至少一种:搜索词对应的搜索时段、天气信息、节假日信息以及位置信息等。然后根据所述搜索词的至少一种参考信息确定所述搜索词的搜索趋势,将搜索趋势呈上升趋势的搜索词确定为候选搜索词。本实施例实现结合实时信息将近期可能受大众喜爱或者关注的搜索词确定为候选搜索词,有利于召回符合用户搜索需求的搜索词。
在另一种可能的实施方式中,服务端会根据不同客户端所属用户的特点对其进行用户群组划分,从而实现为不同的用户群组提供针对性的服务,提升用户的使用体验。示例性的,属于同一用户群组的不同用户的偏好相同或相似,而用户的偏好信息可以基于用户的历史购买行为、历史搜索行为和历史浏览行为中的至少一种参数确定;换句话说,同一用户群组指示该群组中的用户的搜索行为、购买行为或者浏览行为等一种或多种参数相似。在获取多个用户的搜索行为、购买行为或者浏览行为等一种或多种参数之后,可以利用聚类算法对多个用户的上述参数进行聚类,从而确定用户所属用户群组。
在进行数据召回时,电子设备可以根据用户的历史行为数据、和与用户属于同一用户群组的其他用户的历史行为数据中的至少一种,确定候选搜索词;其中,所述历史行为数据包括但不限于以下至少一种:历史购买行为数据、历史搜索行为数据和历史浏览行为数据。本实施例实现召回符合用户偏好的搜索词,能够符合用户的搜索需求。
在一个例子中,比如用户的历史购买行为数据包含奶茶、蛋糕以及牛奶等,则可以将奶茶、蛋糕以及牛奶召回,作为本次搜索推荐过程的候选搜索词。
在又一种可能的实施方式中,可以结合上述两种召回方式,既召回近期可能受大众喜爱或者关注的搜索词,又召回符合用户偏好的搜索词,使得召回结果更加完备。
可以理解的是,在不同的搜索场景中,召回的搜索词有所不同。
示例性的,比如在商品购买场景中,召回的候选搜索词可以是商品词和店铺词中的至少一种。比如在点餐场景中,商品词比如是奶茶、咖啡、小龙虾、烧烤、或热干面等等,但不限于此;店铺词可以是张妈妈川菜馆、AA奶茶铺、或BB粤菜馆等等,但不限于此。又比如在购物场景中,商品词比如是毛衣、羽绒服、连衣裙、衬衫、发饰、手机或项链等等,但不限于此;店铺名可以是CC衣舍、DD制衣、EE饰品店、或GG数码店等等,但不限于此。
示例性的,又比如在阅读场景中,召回的候选搜索词可以是小说名、作者、热点新闻词和期刊名中的至少一种。示例性的,还比如在音视频场景中,召回的候选搜索词可以是视频名称、视频种类、剧名、歌名、歌手、视频创造者名称以及出演者名称中的至少一种。
在一些实施例中,在召回若干候选搜索词之后,为提高候选搜索词的推荐效果,电子设备可以对召回的若干候选搜索词进行质量检测,然后将不符合预设质量条件的候选搜索词过滤掉。其中,质量条件可依据实际应用场景进行具体设置,本实施例对此不做任何限制。
示例性的,电子设备可以利用预存的词库和/或预先训练好的搜索词分类模型对各个所述候选搜索词进行分类,确定各个所述候选搜索词的类别;然后将不属于预设类别的候选搜索词删除。其中,所述词库包括若干搜索词及其类别。所述搜索词分类模型用于对输入的搜索词进行分类检测,以确定输入的搜索词的类别。可以理解的是,所述预设类别可以依据实际应用场景进行具体设置;比如在商品购买场景中,所述预设类别包括商品和店铺中的至少一种;又比如在阅读场景中,所述预设类别包括书名和作者中的至少一种;但不限于此。
在一个例子中,对于任意一个候选搜索词,电子设备可以在词库搜索与之匹配的搜索词,然后将所述匹配的搜索词的类别确定为所述候选搜索词的类别。
在另一个例子中,对于任意一个候选搜索词,电子设备可以利用预先训练好的搜索词分类模型对所述候选搜索词进行分类处理,得到所述搜索词分类模型输出的类别。其中,所述搜索词分类模型可以基于搜索词样本以及搜索词样本的类别标签,通过有监督训练方式训练得到。可以理解的是,本实施例对于搜索词分类模型的具体模型结构不做任何限制,可依据实际应用场景进行具体设置,比如可以是深度学习模型,以实现实体识别。
在又一个例子中,对于任意一个候选搜索词,电子设备首先在词库搜索与之匹配的搜索词,若候选搜索词在词库中存在匹配的搜索词,将所述匹配的搜索词的类别确定为所述候选搜索词的类别;所述词库包括若干搜索词及其类别;若候选搜索词在所述词库中不存在匹配的搜索词,利用预先训练好的搜索词分类模型对所述候选搜索词进行分类处理,得到所述搜索词分类模型输出的类别。本实施例结合词库和搜索词分类模型确定候选搜索词的类别,进而将不属于预设类别的候选搜索词删除,有利于保证候选搜索词的质量,提高后续的推荐效率。
在一些实施例中,在召回若干候选搜索词之后,对于某些具有很强的空间特征的场景,电子设备还可以对各个所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务;其中,所述用户的配送范围根据用户的位置信息确定;进而可以将无法为用户提供服务的候选搜索词删除,避免出现无法满足用户需求的无效推荐情况。
示例性的,比如在外卖配送场景,电子设备可以对各个所述候选搜索词指示的商品进行供给判断,确定在用户的配送范围内是否可以提供所述候选搜索词指示的商品,进而将在用户的配送范围内无法提供相关商品的候选搜索词删除。在一个例子中,比如候选搜索词包括“咖啡”,经过供给判断确定在用户的配送范围内无法为用户提供咖啡,则可以过滤掉“咖啡”这一候选搜索词,避免出现无法满足用户需求的无效推荐情况。
其中,搜索词包括商品词和店铺名中的至少一种。则候选搜索词包括候选商品词和候选店铺名中的至少一种。
在一种可能的实施方式中,若所述候选搜索词为候选店铺名,则电子设备可以根据该候选店铺名指示的店铺的位置信息与用户的位置信息确定是否满足用户的配送范围;比如根据该候选店铺名指示的店铺的位置信息与用户的位置信息确定两者之间的距离,如果该距离小于用户的配送范围指示的配送距离,则表示在用户的配送范围内能够为用户提供该店铺的服务;否则,确定在用户的配送范围内无供给。
在一种可能的实施方式中,若所述候选词为候选商品词,电子设备可以搜索包含该候选商品词指示的商品的店铺,例如电子设备可以预存商品词与店铺名的对应关系,进而可以根据所述候选商品词从预存的商品词与店铺名的对应关系中搜索出包含该候选商品词指示的商品的店铺;进而根据该店铺的位置信息与用户的位置信息确定是否满足用户的配送范围。
进一步,考虑到同一商品存在多种不同的叫法或者别名,而本说明书实施例召回的候选商品词可能只是商品的其中一个叫法,为了避免同一商品因叫法不同导致错误判断供给关系,比如某一件商品在用户的配送范围内有供给,只是因为叫法与候选商品词而被筛掉了,从而导致供给关系判断失误。为解决该问题,本说明书实施例示例性给出以下两种可能的实施方式。
在一种可能的实施方式中,电子设备可以预存有商品名称表,所述商品名称表包括同一商品的不同叫法。则在获取候选商品词之后,电子设备可以根据所述候选商品词,从预存的商品名称表中获取所述候选商品词指示的商品对应的所有目标商品词;然后根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。本实施例中,有利于避免或者减少同一商品因叫法不同导致供给判断失误的情况发生,提高供给判断的准确性。
在另一种可能的实施方式中,可以预先训练一神经网络模型,所述神经网络模型用于将同一商品的不同叫法均转换成同一表征向量。并且,电子设备可以预存同一商品的不同叫法(即不同商品名称)与表征向量之间的对应关系。则在获取候选商品词之后,电子设备可以根据预先训练好的神经网络模型将所述候选商品词转换成目标表征向量;然后根据所述目标表征向量,从预存的表征向量与商品名称的对应关系确定所述目标向量对应的所有目标商品词;最后根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。本实施例中,有利于避免或者减少同一商品因叫法不同导致供给判断失误的情况发生,提高供给判断的准确性。
示例性的,所述神经网络至少包括嵌入层和编码器;所述嵌入层用于将所述候选商品词进行转换处理,获取嵌入向量;所述编码器用于将所述嵌入向量从字符向量空间映射到数值向量空间,获取所述表征向量。
示例性的,所述神经网络模型可以根据具有多个不同叫法的商品样本进行对比学习和表征学习得到。对比学习(Contrastive Learning)属于自监督学习中的一种,对比学习通过将数据分别与正例样本和负例样本在特征空间进行对比,来学习样本的特征表示。对比学习着重于学习同类实例之间的共同特征,区分非同类实例之间的不同之处。与生成学习(Generative Learning)比较,对比学习不需要关注实例上繁琐的细节,只需要在抽象语义级别的特征空间上学会对数据的区分即可,因此模型以及其优化变得更加简单,且泛化能力更强。表征学习是学习一个特征的技术的集合,将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦,允许计算机学习使用特征的同时,也学习如何提取特征:学习如何学习。
在训练过程中,获取若干二元组样本,其中一部分所述二元组样本包括两个正样本,另一部分所述二元组样本包括一个正样本和一个负样本;所述两个正样本包括同一商品的不同商品名称,所述负样本与所述正样本属于不同商品的商品名称;将所述二元组样本输入具有两条支路的预设神经网络中,由每条支路处理所述二元组样本中的其中一个样本,获取两个表征向量;其中,所述两条支路的权重共享;根据两个正样本分别对应的表征向量之间的相似程度、和/或所述正样本的表征向量与所述负样本的表征向量之间的差异程度,调整所述预设神经网络的参数,获得训练好的神经网络;其中,训练好的神经网络具有至少一条所述支路。
所述神经网络模型的优化目标包括:最小化属于同一商品样本的不同叫法分别对应的表征向量之间的距离,和/或最大化属于不同商品样本的至少两个叫法分别对应的表征向量之间的距离。换句话说,在神经网络模型的训练过程中,基于具有多个不同叫法的商品样本使得神经网络模型学习到一个函数F,该函数F能够将输入数据编码成一个表征向量,使得属于同一商品样本的不同叫法分别对应的表征向量尽可能相似,而属于不同商品样本的至少两个商品名分别对应的表征向量尽可能不同,从而提高模型的准确性。
在一些实施例中,在召回若干候选搜索词之后,电子设备可以根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中筛选出目标搜索词。示例性的,对于任意一个用户,在该用户的客户端的搜索页面展示过的搜索词(也即搜索词的曝光情况)以及该用户针对于展示的搜索词的反馈情况(比如对搜索词的点击情况)可以记录在该用户对应的用户行为日志中;为提高推荐准确度,则所述不同候选搜索词的历史曝光点击数据可以从本客户端的用户行为日志和/或与用户属于同一用户群组的其他用户的用户行为日志中获取。
示例性的,电子设备可以根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中确定在历史展示过程已曝光且被点击的候选搜索词、以及在历史展示过程已曝光且未被点击的候选搜索词;其中,已曝光且被点击的候选搜索词反映了用户的偏好,而已曝光且未被点击的候选搜索词表示用户对其可能不感兴趣,则最后确定的所述目标搜索词可以包括至少部分在历史展示过程已曝光且被点击的候选搜索词、以及部分未曝光过的候选搜索词,且所述目标搜索词不包含在历史展示过程已曝光且未被点击的候选搜索词。实现基于用户偏好进行候选搜索词的筛选,确定能够满足用户搜索需求的候选搜索词;并且目标搜索词包含未曝光过的候选搜索词,有助于探索挖掘用户兴趣。
在一些实施例中,电子设备可以根据候选搜索词生成目标推荐文案,实现以文案形式推荐搜索词,所述目标推荐文案可以是拟人化文案(比如可以是对话形式的文案),从而增强与用户之间的交互感,提高用户的搜索积极性。
在第一种可能的实现方式中,电子设备预存有不同时段和/或不同类目下的文案模板;比如请参阅表1,示出了外卖场景下的文案模板;其中,表1中的“$keyword”用于指示待***的搜索词。示例性的,比如在外卖场景中,比如6:00~10:00为早餐时段、11:00~13:00为午餐时段、15:00~16:00为下午茶时段、17:00~20:00为晚餐时段以及22:00~24:00为夜宵时段。
在召回若干候选搜索词之后,对于任意一个候选搜索词,电子设备可以根据所述候选搜索词所属类目和当前时段中的至少一种,从文案模板库中匹配得到第二候选文案模板;然后根据所述候选搜索词以及匹配得到的第二候选文案模板,生成目标推荐文案。本实施例实现以预设的文案形式来推荐搜索词,可以增强与用户之间的交互感。
表1
在第二种可能的实现方式中,可以根据实际需要预先训练一文案生成模型;比如可以基于若干样本及其标签进行有监督训练,得到文案生成模型;任意一个样本包括参考搜索词所属类目和参考时段中的至少一种、以及所述参考搜索词,并且该样本以包括所述参考搜索词的推荐文案为标签。训练好的文案生成模型用于根据输出的搜索词所属类目和参考时段中的至少一种、以及所述参考搜索词生成推荐文案。
在实际应用过程中,在召回若干候选搜索词之后,对于任意一个候选搜索词,电子设备可以将所述候选搜索词所属类目和当前时段中的至少一种、以及所述候选搜索词输入预先训练好的文案生成模型中进行处理,得到所述文案生成模型输出的目标推荐文案。本实施例实现以文案形式来推荐搜索词,可以增强与用户之间的交互感。
在第三种可能的实现方式中,电子设备可以根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板,进而根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。
示例性的,对于任意一个用户,在该用户的客户端的搜索页面展示过的推荐文案(也即推荐文案的曝光情况)以及该用户针对于展示的推荐文案的反馈情况(比如推荐文案的点击情况)可以记录在该用户对应的用户行为日志中;为提高推荐准确度,则历史推荐文案以及历史推荐文案的曝光点击数据可以从本客户端的用户行为日志、与用户属于同一用户群组的其他用户的用户行为日志、其他用户的用户行为日志的至少一种中获取。
示例性的,所述历史推荐文案包括以下至少一种:(1)在用户的客户端的搜索页面中展示过的推荐文案;(2)在与用户属于同一用户群组的其他用户的客户端的搜索页面展示过的推荐文案;其中,属于同一用户群组的不同用户的偏好相同或相似;(3)在其他用户的客户端的搜索页面展示过的推荐文案。示例性的,所述第一候选文案模板根据在历史展示过程中已曝光且被点击的历史推荐文案生成。本实施例实现根据历史推荐文案的曝光点击情况,确定符合用户偏好的和/或受大众喜爱的文案风格形式,从而能够以符合用户偏好的和/或受大众喜爱的文案风格形式推荐搜索词,增强与用户之间的交互感,提高用户的搜索积极性。
在一个例子中,比如在历史展示过程中已曝光且被点击的历史推荐文案包括“夜宵就吃烧烤,太爽啦”以及“深夜美味小宝推荐炒牛河”等,则生成的第一候选文案模板可以是“夜宵就吃$keyword,太爽啦”以及“深夜美味小宝推荐$keyword”。其中,“$keyword”用于指示待***的搜索词。假设候选搜索词包括小龙虾和烤肉,则生成的目标推荐文案可以是“夜宵就吃小龙虾,太爽啦”以及“深夜美味小宝推荐烤肉”。
在一示例性的实施例中,请参阅图4,对于任意一个用户,在该用户的客户端的搜索页面展示过的推荐文案以及该用户针对于展示的推荐文案的反馈情况可以记录在该用户对应的用户行为日志中。换句话说,用户行为日志记录有推荐文案中包含的搜索词及其曝光点击数据、以及推荐文案及其曝光点击数据。
在召回若干候选搜索词之后,电子设备首先可以从本客户端的用户行为日志中获取不同候选搜索词的历史曝光点击数据,然后根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中筛选出目标搜索词;示例性的,所述目标搜索词可以包括至少部分在历史展示过程已曝光且被点击的候选搜索词、以及部分未曝光过的候选搜索词,且所述目标搜索词不包含在历史展示过程已曝光且未被点击的候选搜索词;实现基于用户偏好进行候选搜索词的筛选,确定能够满足用户搜索需求的候选搜索词。
进一步地,电子设备可以从本客户端的用户行为日志中获取历史推荐文案的曝光点击数据,然后根据历史推荐文案的曝光点击数据从所述历史推荐文案中确定第一候选文案模板;示例性的,所述第一候选文案模板根据在历史展示过程中已曝光且被点击的历史推荐文案生成,实现获取用户偏好的文案风格形式。
在目标搜索词有多个的情况下,可以将多个目标搜索词分成不同的部分,进而针对于各个部分的目标搜索词,可以按照上述的不同的目标推荐文案的生成方式来生成文案。在一个例子中,比如可以将多个目标搜索词分成3个部分;对于第一部分的目标搜索词,电子设备可以根据目标搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。对于第二部分的目标搜索词,电子设备根据目标搜索词所属类目和当前时段中的至少一种,从文案模板库中匹配得到第二候选文案模板,进而根据目标搜索词以及匹配得到的第二候选文案模板生成目标推荐文案。对于第三部分的目标搜索词,电子设备可以将目标搜索词所属类目和当前时段中的至少一种、以及目标搜索词输入预先训练好的文案生成模型中进行处理,得到所述文案生成模型输出的目标推荐文案。本实施例实现基于不同的方案生成推荐文案,避免相同的文案风格多次显示带来用户疲劳感,实现以文案形式展示推荐搜索词,可以增强与用户之间的交互感,提高用户的搜索积极性。
在得到多个目标推荐文案之后,电子设备可以根据用户的偏好信息对各个目标推荐文案进行排序,以按照排序结果在所述搜索页面中展示目标推荐文案;其中,用户的偏好信息可以根据从本客户端的用户行为日志中获取的历史推荐文案的曝光点击数据确定。用户可以根据实际需要触发目标推荐文案,进而电子设备能够在所述目标推荐文案被触发的情况下进行数据搜索,无需用户键入搜索词,减少了用户的操作步骤,有利于提高搜索效率。示例性的,在搜索页面中展示的目标推荐文案以及用户对目标推荐文案的反馈(比如用户对目标推荐文案的点击情况)可以记录在该用户对应的用户行为日志中,以便作为后续的候选搜索词筛选、目标推荐文案生成以及目标文案排序等过程的参考数据。
在一些实施例中,在生成目标推荐文案之后,电子设备还可以检测各个所述目标推荐文案的文案质量,以获得满足文案质量条件的目标推荐文案,进而可以将满足文案质量条件的目标推荐文案展示在所述搜索页面中。
在一种可能的实现方式中,可以预先训练一情感分类模型,所述情感分类模型用于对输入文本进行情感分析,以确定输入文本的情感分类,所述情感分类包括正向情感、中性情感或消极情感。可以基于若干文本样本及其情感标签(正向情感、中性情感或消极情感)进行有监督训练,从而获得情感分类模型。可以理解的是,本说明书实施例对此所述语言模型的具体模型结果不做任何限制,可以依据实际应用场景进行具体设置,比如情感分类模型可以是bert(Bidirectional Encoder Representation from Transformers,来自Transformers的双向编码表示)模型或者其他的深度学习模型。
在实际应用过程中,电子设备可以利用预先训练好的情感分类模型对所述目标推荐文案进行处理,获得所述目标推荐文案的情感分类信息。示例性的,可以将情感分类信息为“消极情感”的目标推荐文案过滤掉。在一个例子中,比如目标推荐文案为“奶茶不好喝”,基于情感分类模型确定该目标推荐文案的情感分类信息为“消极情感”,则可以删除“奶茶不好喝”的目标推荐文案。
在另一种可能的实现方式中,可以预先训练一语言模型,所述语言模型用于衡量一句话的合理性(判断自然语言上下文相关的特性、句子流畅度)。可以基于若干文本样本及其流畅度标签进行有监督训练,从而得到语言模型。可以理解的是,本说明书实施例对此所述语言模型的具体模型结果不做任何限制,可以依据实际应用场景进行具体设置,比如语言模型可以是bert(Bidirectional Encoder Representation from Transformers,来自Transformers的双向编码表示)模型或者其他的深度学习模型。
在实际应用过程中,电子设备可以利用预先训练好的语言模型对所述目标推荐文案的文本流畅度进行检测,获得所述目标推荐文案的文本流畅度。示例性的,可以将文本流畅度不符合预设流畅要求的目标推荐文案过滤掉。在一个例子中,比如目标推荐文案为“脆脆虾饼都爱大家”,基于语言模型确定该目标推荐文案的文本流畅度不符合预设流畅要求,则可以删除“脆脆虾饼都爱大家”的目标推荐文案。
在又一种可能的实现方式中,可以预先训练一相关度评估模型,所述相关度评估模型用于评估所述目标推荐文案是否包含搜索词,和/或,所述目标推荐文案是否符合当前时段,输出相关度评估结果;示例性的,所述相关度评估结果包括“是”或“否”。
示例性的,可以获取若干训练样本,任一训练样本包括参考文案及其参考时段,任一训练样本对应有正标签或负标签,正标签指示参考文案包含搜索词和/或参考文案符合参考时段,比如正标签为“是”或者“1”;负标签指示参考文案不包含搜索词或者参考文案不符合参考时段,比如负标签为“否”或者“0”;进而可以基于若干训练样本及其标签(正标签或者负标签)进行有监督训练,得到相关度评估模型。当然,正标签和负标签也可以是其他表示方式,本实施例对此不做任何限制。
在实际应用过程中,电子设备可以利用预先训练好的相关度评估模型对所述目标推荐文案和当前时段进行处理,获取所述目标推荐文案的相关度评估结果,所述相关度评估结果用于指示所述目标推荐文案是否包含搜索词,和/或,所述目标推荐文案是否符合当前时段。在一个例子中,比如所述相关度评估结果为“否”,则表示所述目标推荐文案没有包含搜索词,和/或,所述目标推荐文案不符合当前时段;比如所述相关度评估结果为“是”,则表示所述目标推荐文案包含搜索词,以及,所述目标推荐文案符合当前时段。当然,相关度评估结果也可以是其他表示方式,本实施例对此不做任何限制。
在一种示例性的实施方式中,可以将情感分类为正向情感或中性情感、目标推荐文案的文本流畅度符合预设流畅要求、以及所述目标推荐文案的相关度评估结果符合预设相关度要求(预设相关度要求指示目标推荐文案包含搜索词、且所述目标推荐文案符合当前场景)的目标推荐文案展示在所述搜索页面中,从而有利于提高推荐准确性。
在一些实施例中,在生成目标推荐文案之后,可以将所述目标推荐文案展示在所述搜索页面中,实现以交互式的文案形式向用户推荐搜索词,增强与用户之间的交互感,提高用户的搜索积极性;进而电子设备能够在所述目标推荐文案被触发(比如用户点击了目标推荐文案使得目标推荐文案被触发)的情况下进行数据搜索,无需用户键入搜索词,减少了用户的操作步骤,有利于提高搜索效率。
示例性的,在目标推荐文案包括至少两个的情况下,电子设备可以根据用户的偏好信息和各个所述目标推荐文案中的目标搜索词所属类目,确定各个目标推荐文案的展示顺序,以按照所述展示顺序在所述搜索页面中展示目标推荐文案;其中,所述目标搜索词所属类目用于使至少两条包含属于相同类目的目标搜索词的目标推荐文案不连续显示,避免用户因同一类目的搜索词连续出现而产生疲劳感;所述偏好信息根据用户的历史购买行为、历史搜索行为和历史浏览行为中的至少一种确定。
示例性的,请参阅图5,电子设备可以将所述目标推荐文案以弹幕形式在所述搜索页面中显示。在一个例子中,比如可以按照上述过程确定的各个目标推荐文案的展示顺序,将目标推荐文案以弹幕形式在所述搜索页面中滚动显示。
示例性的,请参阅图5,所述搜索页面展示有虚拟形象,电子设备可以以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,从而有利于提升与用户之间的交互感,提高用户触发推荐文案的积极性。
进一步地,目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,可以将该目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近继续展示另一条目标推荐文案。其中,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示的目标推荐文案可以按照上述过程确定的展示顺序进行展示。所述预设时长的具体数值可依据实际应用场景进行具体设置,本实施例对此不做任何限制。
示例性的,请参阅图6,电子设备可以响应于对所述目标推荐文案的触发指令,获取与所述目标推荐文案包含的搜索词相关的搜索结果;进而将所述搜索结果展示在结果展示页面中;其中,所述结果展示页面还包括搜索栏,所述搜索栏显示所述目标推荐文案包含的搜索词,以让用户明确本次搜索过程的搜索对象。比如用户点击了图5中的目标推荐文案“下雨天吃粿条挺好”,图6中将目标推荐文案中的“粿条”展示在搜索栏中。
示例性的,在搜索页面中展示的目标推荐文案以及用户对目标推荐文案的反馈(比如对目标推荐文案的触发)可以记录在该用户对应的用户行为日志中。换句话说,用户行为日志记录有推荐文案中包含的搜索词及其曝光点击数据、推荐文案及其曝光点击数据,以便作为后续的候选搜索词筛选、目标推荐文案生成以及目标文案排序等过程的参考数据。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
相应地,请参阅图7,图7是本说明书实施例提供的另一种搜索推荐方法的流程示意图,所述方法可以由客户端(或者说安装有客户端的电子设备)来执行,所述方法包括:
在S301中,响应于搜索页面显示指令,获取至少一个目标推荐文案;所述目标推荐文案包括搜索词。
在S302中,将所述目标推荐文案以弹幕形式在所述搜索页面中显示;和/或,所述搜索页面展示有虚拟形象,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案。
本实施例实现以文案形式来推荐搜索词,可以增强与用户之间的交互感,提升用户的搜索积极性。
在一些实施例中,所述以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,包括:
在目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,将所述目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近展示另一条目标推荐文案。
在一些实施例中,还包括:在目标推荐文案包括至少两个的情况下,根据用户的偏好信息和各个所述目标推荐文案中的目标搜索词所属类目,确定各个目标推荐文案的展示顺序,以按照所述展示顺序在所述搜索页面中展示目标推荐文案;其中,所述目标搜索词所属类目用于使至少两条包含属于相同类目的目标搜索词的目标推荐文案不连续显示;所述偏好信息根据用户的历史购买行为、历史搜索行为和历史浏览行为中的至少一种确定。
在一些实施例中,所述获取至少一个目标推荐文案,包括:根据历史搜索数据进行数据召回,获取若干候选搜索词;根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板;根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。
在一些实施例中,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:对于各个候选搜索词,对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务;其中,所述用户的配送范围是根据用户的位置信息确定的;将无法为用户提供服务的候选搜索词删除。
在一些实施例中,搜索词包括商品词和/或店铺名;所述对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务,包括:若所述候选搜索词为候选店铺名,根据该候选店铺名指示的店铺的位置信息与用户的位置信息确定是否满足用户的配送范围;若所述候选词为候选商品词,搜索包含该候选商品词指示的商品的店铺,并根据该店铺的位置信息与用户的位置信息确定是否满足用户的配送范围。
在一些实施例中,所述搜索包含该候选商品词指示的商品的店铺,包括:根据所述候选商品词,从预存的商品名称表中获取所述候选商品词指示的商品对应的所有目标商品词;所述商品名称表中预存同一商品的不同叫法;根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。
在一些实施例中,所述搜索包含该候选商品词指示的商品的店铺,包括:根据预先训练好的神经网络模型将所述候选商品词转换成目标表征向量;其中,所述神经网络模型用于将同一商品的不同叫法均转换成同一表征向量;根据所述目标表征向量,从预存的表征向量与商品名称的对应关系确定所述目标向量对应的所有目标商品词;根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。在一些实施例中,所述历史推荐文案包括以下至少一种:在用户的客户端的搜索页面中展示过的推荐文案;在与用户属于同一用户群组的其他用户的客户端的搜索页面展示过的推荐文案;其中,属于同一用户群组的不同用户的偏好相同或相似;在其他用户的客户端的搜索页面展示过的推荐文案。其中,所述第一候选文案模板根据在历史展示过程中已曝光且被点击的历史推荐文案生成。
在一些实施例中,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中筛选出目标搜索词;其中,所述目标搜索词包括至少部分在历史展示过程已曝光且被点击的候选搜索词、且不包含在历史展示过程已曝光且未被点击的候选搜索词。
所述根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案,包括:根据所述目标搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。在一些实施例中,还包括:对于任意一个候选搜索词,根据所述候选搜索词所属类目和当前时段中的至少一种,从文案模板库中匹配得到第二候选文案模板,所述文案模板库包括有不同时段和/或不同类目下的文案模板;根据所述候选搜索词以及匹配得到的第二候选文案模板,生成目标推荐文案。
在一些实施例中,还包括:对于任意一个候选搜索词,将所述候选搜索词所属类目和当前时段中的至少一种、以及所述候选搜索词输入预先训练好的文案生成模型中进行处理,得到所述文案生成模型输出的目标推荐文案;其中,所述文案生成模型是基于若干样本及其标签训练得到的;任意一个样本包括参考搜索词所属类目和参考时段中的至少一种、以及所述参考搜索词,并且该样本以包括所述参考搜索词的推荐文案为标签。
在一些实施例中,展示在所述搜索页面中的目标推荐文案满足文案质量条件。所述方法还包括:在获得目标推荐文案之后,检测各个所述目标推荐文案的文案质量,以获得满足文案质量条件的目标推荐文案。
所述检测各个所述目标推荐文案的文案质量,包括:利用预先训练好的情感分类模型对所述目标推荐文案进行处理,获得所述目标推荐文案的情感分类信息;所述情感分类模型用于对输入文本进行情感分析,以确定输入文本的情感分类,所述情感分类包括正向情感、中性情感或消极情感;和/或利用预先训练好的语言模型对所述目标推荐文案的文本流畅度进行检测,获得所述目标推荐文案的文本流畅度;和/或利用预先训练好的相关度评估模型对所述目标推荐文案和当前时段进行处理,获取所述目标推荐文案的相关度评估结果;所述相关度评估模型用于评估所述目标推荐文案是否包含搜索词,和/或,所述目标推荐文案是否符合当前时段。
在一些实施例中,所述根据历史搜索数据进行数据召回,获取若干候选搜索词,包括:根据用户所在位置附近的其他用户在最近一段时间内的历史搜索数据,确定搜索词以及搜索词的至少一种参考信息;根据所述搜索词的至少一种参考信息确定所述搜索词的搜索趋势,将搜索趋势呈上升趋势的搜索词确定为候选搜索词;和/或根据用户的历史行为数据、和与用户属于同一用户群组的其他用户的历史行为数据中的至少一种,确定候选搜索词;其中,所述历史行为数据包括历史购买行为数据、历史搜索行为数据和历史浏览行为数据中的至少一种确定。
在一些实施例中,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:利用预存的词库和/或预先训练好的搜索词分类模型对各个所述候选搜索词进行分类,确定各个所述候选搜索词的类别;所述词库包括若干搜索词及其类别;所述搜索词分类模型用于对输入的搜索词进行分类检测,以确定输入的搜索词的类别;将不属于预设类别的候选搜索词删除。
在一些实施例中,还包括:响应于对所述目标推荐文案的触发指令,获取与所述目标推荐文案包含的搜索词相关的搜索结果;将所述搜索结果展示在结果展示页面中;其中,所述结果展示页面还包括搜索栏,所述搜索栏显示所述目标推荐文案包含的搜索词。
对于上述实施例,相关之处请参见图2的方法实施例的说明即可,此处不再赘述。
图8是一示例性实施例提供的一种设备的示意结构图。请参考图8,在硬件层面,该设备包括处理器802、内部总线804、网络接口806、内存808以及非易失性存储器810,当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器802从非易失性存储器810中读取对应的计算机程序到内存808中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
相应地,本说明书实施例还提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述任一项所述的方法。
相应的,本公开还提供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上述任一项所述方法的步骤。
相应的,本公开还提供一种计算机程序产品,该计算机程序产品被处理器执行时实现上述任一项所述方法的步骤。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (21)
1.一种搜索推荐方法,包括:
响应于搜索页面显示指令,根据历史搜索数据进行数据召回,获取若干候选搜索词;
根据历史推荐文案的曝光点击数据,从所述历史推荐文案中确定第一候选文案模板;
根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案;
将所述目标推荐文案展示在搜索页面中,以在所述目标推荐文案被触发的情况下进行数据搜索。
2.根据权利要求1所述的方法,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
对于各个候选搜索词,对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务;其中,所述用户的配送范围是根据用户的位置信息确定的;
将无法为用户提供服务的候选搜索词删除。
3.根据权利要求2所述的方法,搜索词包括商品词和/或店铺名;
所述对所述候选搜索词指示的服务进行供给判断,确定在用户的配送范围内是否能够为用户提供所述候选搜索词指示的服务,包括:
若所述候选搜索词为候选店铺名,根据该候选店铺名指示的店铺的位置信息与用户的位置信息确定是否满足用户的配送范围;
若所述候选词为候选商品词,搜索包含该候选商品词指示的商品的店铺,并根据该店铺的位置信息与用户的位置信息确定是否满足用户的配送范围。
4.根据权利要求3所述的方法,所述搜索包含该候选商品词指示的商品的店铺,包括:
根据所述候选商品词,从预存的商品名称表中获取所述候选商品词指示的商品对应的所有目标商品词;所述商品名称表中预存同一商品的不同叫法;
根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。
5.根据权利要求3所述的方法,所述搜索包含该候选商品词指示的商品的店铺,包括:
根据预先训练好的神经网络模型将所述候选商品词转换成目标表征向量;其中,所述神经网络模型用于将同一商品的不同叫法均转换成同一表征向量;
根据所述目标表征向量,从预存的表征向量与商品名称的对应关系确定所述目标向量对应的所有目标商品词;
根据所述目标商品词,从预存的商品词与店铺名的对应关系中搜索出包含该目标商品词指示的商品的店铺。
6.根据权利要求1所述的方法,所述历史推荐文案包括以下至少一种:
在用户的客户端的搜索页面中展示过的推荐文案;
在与用户属于同一用户群组的其他用户的客户端的搜索页面展示过的推荐文案;其中,属于同一用户群组的不同用户的偏好相同或相似;
在其他用户的客户端的搜索页面展示过的推荐文案;
其中,所述第一候选文案模板根据在历史展示过程中已曝光且被点击的历史推荐文案生成。
7.根据权利要求1所述的方法,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
根据不同候选搜索词的历史曝光点击数据,从所述若干候选搜索词中筛选出目标搜索词;其中,所述目标搜索词包括至少部分在历史展示过程已曝光且被点击的候选搜索词、且不包含在历史展示过程已曝光且未被点击的候选搜索词;
所述根据所述若干候选搜索词和所述第一候选文案模板,生成至少一个目标推荐文案,包括:
根据所述目标搜索词和所述第一候选文案模板,生成至少一个目标推荐文案。
8.根据权利要求1所述的方法,所述将所述目标推荐文案展示在所述搜索页面中,包括:
将所述目标推荐文案以弹幕形式在所述搜索页面中显示;
和/或,所述搜索页面展示有虚拟形象,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案。
9.根据权利要求8所述的方法,所述以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,包括:
在目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,将所述目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近展示另一条目标推荐文案。
10.根据权利要求1所述的方法,所述将所述目标推荐文案展示在所述搜索页面中,包括:
在目标推荐文案包括至少两个的情况下,根据用户的偏好信息和各个所述目标推荐文案中的目标搜索词所属类目,确定各个目标推荐文案的展示顺序,以按照所述展示顺序在所述搜索页面中展示目标推荐文案;
其中,所述目标搜索词所属类目用于使至少两条包含属于相同类目的目标搜索词的目标推荐文案不连续显示;所述偏好信息根据用户的历史购买行为、历史搜索行为和历史浏览行为中的至少一种确定。
11.根据权利要求1所述的方法,还包括:
对于任意一个候选搜索词,根据所述候选搜索词所属类目和当前时段中的至少一种,从文案模板库中匹配得到第二候选文案模板,所述文案模板库包括有不同时段和/或不同类目下的文案模板;
根据所述候选搜索词以及匹配得到的第二候选文案模板,生成目标推荐文案。
12.根据权利要求1所述的方法,还包括:
对于任意一个候选搜索词,将所述候选搜索词所属类目和当前时段中的至少一种、以及所述候选搜索词输入预先训练好的文案生成模型中进行处理,得到所述文案生成模型输出的目标推荐文案;
其中,所述文案生成模型是基于若干样本及其标签训练得到的;任意一个样本包括参考搜索词所属类目和参考时段中的至少一种、以及所述参考搜索词,并且该样本以包括所述参考搜索词的推荐文案为标签。
13.根据权利要求1至12任意一项所述的方法,所述将所述目标推荐文案展示在所述搜索页面,包括:
将满足文案质量条件的目标推荐文案展示在所述搜索页面中;
所述方法还包括:
在获得目标推荐文案之后,检测各个所述目标推荐文案的文案质量,以获得满足文案质量条件的目标推荐文案。
14.根据权利要求13所述的方法,所述检测各个所述目标推荐文案的文案质量,包括:
利用预先训练好的情感分类模型对所述目标推荐文案进行处理,获得所述目标推荐文案的情感分类信息;所述情感分类模型用于对输入文本进行情感分析,以确定输入文本的情感分类,所述情感分类包括正向情感、中性情感或消极情感;和/或
利用预先训练好的语言模型对所述目标推荐文案的文本流畅度进行检测,获得所述目标推荐文案的文本流畅度;和/或
利用预先训练好的相关度评估模型对所述目标推荐文案和当前时段进行处理,获取所述目标推荐文案的相关度评估结果;所述相关度评估模型用于评估所述目标推荐文案是否包含搜索词,和/或,所述目标推荐文案是否符合当前时段。
15.根据权利要求1所述的方法,所述根据历史搜索数据进行数据召回,获取若干候选搜索词,包括:
根据用户所在位置附近的其他用户在最近一段时间内的历史搜索数据,确定搜索词以及搜索词的至少一种参考信息;根据所述搜索词的至少一种参考信息确定所述搜索词的搜索趋势,将搜索趋势呈上升趋势的搜索词确定为候选搜索词;和/或
根据用户的历史行为数据、和与用户属于同一用户群组的其他用户的历史行为数据中的至少一种,确定候选搜索词;其中,所述历史行为数据包括历史购买行为数据、历史搜索行为数据和历史浏览行为数据中的至少一种确定。
16.根据权利要求1所述的方法,在所述根据历史搜索数据进行数据召回,获取若干候选搜索词之后,还包括:
利用预存的词库和/或预先训练好的搜索词分类模型对各个所述候选搜索词进行分类,确定各个所述候选搜索词的类别;所述词库包括若干搜索词及其类别;所述搜索词分类模型用于对输入的搜索词进行分类检测,以确定输入的搜索词的类别;
将不属于预设类别的候选搜索词删除。
17.根据权利要求1所述的方法,还包括:
响应于对所述目标推荐文案的触发指令,获取与所述目标推荐文案包含的搜索词相关的搜索结果;
将所述搜索结果展示在结果展示页面中;其中,所述结果展示页面还包括搜索栏,所述搜索栏显示所述目标推荐文案包含的搜索词。
18.一种搜索推荐方法,应用于客户端,包括:
响应于搜索页面显示指令,获取至少一个目标推荐文案;所述目标推荐文案包括搜索词;
将所述目标推荐文案以弹幕形式在所述搜索页面中显示;和/或,所述搜索页面展示有虚拟形象,以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案。
19.根据权利要求18所述的方法,所述以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示所述目标推荐文案,包括:
在目标推荐文案包括至少两个的情况下,在以模拟所述虚拟形象说话的方式在所述虚拟形象附近展示其中一条目标推荐文案预设时长之后,将所述目标推荐文案以弹幕形式在所述搜索页面中显示,并在所述虚拟形象附近展示另一条目标推荐文案。
20.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1至19中任一项所述的方法。
21.一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1至19中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182611.8A CN117235359A (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
CN202310356653.2A CN116089729B (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356653.2A CN116089729B (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182611.8A Division CN117235359A (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116089729A true CN116089729A (zh) | 2023-05-09 |
CN116089729B CN116089729B (zh) | 2023-07-18 |
Family
ID=86202904
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310356653.2A Active CN116089729B (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
CN202311182611.8A Pending CN117235359A (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182611.8A Pending CN117235359A (zh) | 2023-03-31 | 2023-03-31 | 搜索推荐方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116089729B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455631A (zh) * | 2023-12-20 | 2024-01-26 | 浙江口碑网络技术有限公司 | 信息展示方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166700A (zh) * | 2014-08-01 | 2014-11-26 | 百度在线网络技术(北京)有限公司 | 搜索词推荐方法及装置 |
CN104503975A (zh) * | 2014-11-20 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 推荐卡片的定制方法及装置 |
CN107798066A (zh) * | 2017-09-25 | 2018-03-13 | 北京小度信息科技有限公司 | 一种搜索词推送方法、装置及终端 |
US20180336241A1 (en) * | 2017-05-19 | 2018-11-22 | Linkedin Corporation | Search query and job title proximity computation via word embedding |
CN109388742A (zh) * | 2017-08-09 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 一种搜索方法、搜索服务器和搜索*** |
CN110162710A (zh) * | 2019-05-28 | 2019-08-23 | 北京搜狗科技发展有限公司 | 输入场景下信息推荐方法及装置 |
US20200142989A1 (en) * | 2018-11-02 | 2020-05-07 | International Business Machines Corporation | Method and system for supporting inductive reasoning queries over multi-modal data from relational databases |
CN112182144A (zh) * | 2020-12-01 | 2021-01-05 | 震坤行网络技术(南京)有限公司 | 搜索词标准化方法、计算设备和计算机可读存储介质 |
CN112581162A (zh) * | 2020-12-07 | 2021-03-30 | Oppo广东移动通信有限公司 | 资讯内容展示方法、装置、存储介质以及终端 |
CN112613319A (zh) * | 2019-09-18 | 2021-04-06 | 杭州联保致新科技有限公司 | 一种车辆配件名称自动标准化方法和装置 |
CN114168843A (zh) * | 2021-11-05 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 搜索词推荐方法、设备及存储介质 |
CN114842115A (zh) * | 2022-03-18 | 2022-08-02 | 阿里巴巴(中国)有限公司 | 生成商品主图的方法及电子设备 |
CN114997921A (zh) * | 2022-06-01 | 2022-09-02 | 广州欢聚时代信息科技有限公司 | 广告文案推荐方法及其装置、设备、介质、产品 |
CN115329039A (zh) * | 2022-08-08 | 2022-11-11 | 前锦网络信息技术(上海)有限公司 | 一种招聘企业搜索方法、***、电子设备及存储介质 |
-
2023
- 2023-03-31 CN CN202310356653.2A patent/CN116089729B/zh active Active
- 2023-03-31 CN CN202311182611.8A patent/CN117235359A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166700A (zh) * | 2014-08-01 | 2014-11-26 | 百度在线网络技术(北京)有限公司 | 搜索词推荐方法及装置 |
CN104503975A (zh) * | 2014-11-20 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 推荐卡片的定制方法及装置 |
US20180336241A1 (en) * | 2017-05-19 | 2018-11-22 | Linkedin Corporation | Search query and job title proximity computation via word embedding |
CN109388742A (zh) * | 2017-08-09 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 一种搜索方法、搜索服务器和搜索*** |
CN107798066A (zh) * | 2017-09-25 | 2018-03-13 | 北京小度信息科技有限公司 | 一种搜索词推送方法、装置及终端 |
US20200142989A1 (en) * | 2018-11-02 | 2020-05-07 | International Business Machines Corporation | Method and system for supporting inductive reasoning queries over multi-modal data from relational databases |
CN110162710A (zh) * | 2019-05-28 | 2019-08-23 | 北京搜狗科技发展有限公司 | 输入场景下信息推荐方法及装置 |
CN112613319A (zh) * | 2019-09-18 | 2021-04-06 | 杭州联保致新科技有限公司 | 一种车辆配件名称自动标准化方法和装置 |
CN112182144A (zh) * | 2020-12-01 | 2021-01-05 | 震坤行网络技术(南京)有限公司 | 搜索词标准化方法、计算设备和计算机可读存储介质 |
CN112581162A (zh) * | 2020-12-07 | 2021-03-30 | Oppo广东移动通信有限公司 | 资讯内容展示方法、装置、存储介质以及终端 |
CN114168843A (zh) * | 2021-11-05 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 搜索词推荐方法、设备及存储介质 |
CN114842115A (zh) * | 2022-03-18 | 2022-08-02 | 阿里巴巴(中国)有限公司 | 生成商品主图的方法及电子设备 |
CN114997921A (zh) * | 2022-06-01 | 2022-09-02 | 广州欢聚时代信息科技有限公司 | 广告文案推荐方法及其装置、设备、介质、产品 |
CN115329039A (zh) * | 2022-08-08 | 2022-11-11 | 前锦网络信息技术(上海)有限公司 | 一种招聘企业搜索方法、***、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
白冰: "基于多层向量空间的语义信息检索研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, pages 138 - 2469 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
CN117077018B (zh) * | 2023-10-12 | 2023-12-19 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116089729B (zh) | 2023-07-18 |
CN117235359A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Catherine et al. | Transnets: Learning to transform for recommendation | |
CN116089729B (zh) | 搜索推荐方法、设备及存储介质 | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
US9436768B2 (en) | System and method for pushing and distributing promotion content | |
CN112395506A (zh) | 一种资讯推荐方法、装置、电子设备和存储介质 | |
CN108292309A (zh) | 使用深度学习模型识别内容项 | |
KR102108683B1 (ko) | 비관심사 컨텐츠를 포함하는 추천 컨텐츠를 제공하는 방법 | |
CN110737811B (zh) | 应用分类方法、装置以及相关设备 | |
CN113254777B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN109582869A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN114564666A (zh) | 百科信息展示方法、装置、设备和介质 | |
CN112685648A (zh) | 一种资源推荐方法、电子设备及计算机可读存储介质 | |
CN111310025B (zh) | 模型训练方法、数据处理方法、装置以及相关设备 | |
CN112163149A (zh) | 推荐消息的方法及装置 | |
CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
CN115203539A (zh) | 一种媒体内容推荐方法、装置、设备及存储介质 | |
CN117391824B (zh) | 基于大语言模型和搜索引擎推荐物品的方法及装置 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN113573128A (zh) | 一种音频处理方法、装置、终端以及存储介质 | |
CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
CN113704630B (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
CN108460131B (zh) | 一种分类标签处理方法及装置 | |
CN115618126A (zh) | 搜索处理方法、***、计算机可读存储介质及计算机设备 | |
CN112084406A (zh) | 短信处理方法、装置、电子设备和存储介质 | |
CN112035740A (zh) | 项目使用时长预测方法、装置、设备及存储介质 |
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 |