CN107832432A - 一种搜索结果排序方法、装置、服务器和存储介质 - Google Patents

Abstract

本发明实施例公开了一种搜索结果排序方法、装置、服务器和存储介质，其中，搜索结果排序方法包括：获取当前搜索词，并根据当前搜索词获取对应的搜索结果，根据搜索词之间的匹配度获取当前搜索词的有效前置信息，基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数，根据各搜索条目对应的相关性参数对各搜索条目进行排序。本发明实施例解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

Description

一种搜索结果排序方法、装置、服务器和存储介质

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种搜索结果排序方法、装置、服务器和存储介质。

背景技术

随着搜索引擎技术的快速发展以及人们对生活需求的不断提高，越来越多的用户开始注重搜索结果带来的用户体验。用户在使用搜索引擎进行搜索时，往往搜索意图只有一个，搜索结果与用户的搜索意图越接近，则用户体验越高。

现有的在搜索引擎中对搜索结果进行排序的方法，往往只根据用户单次输入的搜索描述信息来返回与当次搜索相对应的搜索结果。这种对搜索结果进行排序的方式，会由于当次搜索描述信息存在多重语义或者语义比较宽泛，使搜索引擎对用户的搜索意图理解存在偏差，导致输出的搜索结果偏离用户的真实搜索意图，使得用户搜索体验不佳。

发明内容

本发明实施例提供一种搜索结果排序方法、装置、服务器和存储介质，以解决现有的搜索引擎输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题。

第一方面，本发明实施例提供了一种搜索结果排序方法，该方法包括：

获取当前搜索词，并根据所述当前搜索词获取对应的搜索结果；

根据搜索词之间的匹配度获取所述当前搜索词的有效前置信息；

基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数；

根据所述各搜索条目对应的相关性参数对所述各搜索条目进行排序。

第二方面，本发明实施例还提供了一种搜索结果排序装置，该装置包括：

当前搜索信息获取模块，用于获取当前搜索词，并根据所述当前搜索词获取对应的搜索结果；

有效前置信息获取模块，用于根据搜索词之间的匹配度获取所述当前搜索词的有效前置信息；

相关性参数确定模块，用于基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数；

搜索条目排序模块，用于根据所述各搜索条目对应的相关性参数对所述各搜索条目进行排序。

第三方面，本发明实施例还提供了一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的搜索结果排序方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的搜索结果排序方法。

本发明实施例通过利用预先训练的神经网络模型，根据获取到的当前搜索词、有效前置信息及与当前搜索词相对应的搜索结果，来确定搜索结果中各搜索条目对应的相关性参数，并根据各搜索条目对应的相关性参数对各搜索条目进行排序，解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

附图说明

图1是本发明实施例一中的搜索结果排序方法的流程图；

图2是本发明实施例二中的搜索结果排序方法的流程图；

图3是本发明实施例三中的搜索结果排序方法的流程图；

图4是本发明实施例四中的搜索结果排序装置的结构示意图；

图5是本发明实施例五中的服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的搜索结果排序方法的流程图，本实施例可适用于需要提高搜索引擎中搜索结果准确率的情况，该方法可以由搜索结果排序装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，该方法具体包括：

S110、获取当前搜索词，并根据当前搜索词获取对应的搜索结果。

本实施例中，搜索结果排序方法优选可应用于各类搜索引擎中，在各搜索引擎中都设置有搜索输入框，用户可以通过搜索输入框输入查询的搜索词进行信息搜索，其中，搜索词可以是一个独立的词，也可以是几个关键词，还可以是一个完整的句子。当用户通过触摸屏、键盘或语音采集设备等输入设备在搜索引擎的搜索输入框中输入搜索词时，获取用户输入的当前搜索词；同时以当前搜索词为查询词，查询能够与该当前搜索词相匹配的文档或网页等资源，并作为与当前搜索词相对应的搜索结果进行输出。

以用户输入的当前搜索词为“美食推荐”为例，依据“美食推荐”输出的对应的搜索结果可以包括各种美食食谱(如各家常菜谱、家常菜谱大全等)、各个地方的美食(如重庆美食、北京名吃等)介绍以及各种美食APP(如好豆菜谱、豆果美食等)推荐等，并且各个搜索结果的排序方式是随机的，没有侧重点。但是，用户在输入“美食推荐”时只有一个搜索意图，用户希望与其真正的搜索意图相关的搜索条目能够排列在搜索结果中比较靠前的位置，显然，上述搜索结果中的各搜索条目的排列方式并不符合用户的搜索意图。

S120、根据搜索词之间的匹配度获取当前搜索词的有效前置信息。

本实施例中，当前搜索词的有效前置信息指的是在本次搜索会话过程中，与当前搜索词有关联的，并且先于当前搜索词出现的信息，有效前置信息优选可以包括前置搜索词及当前用户在前置搜索词下的搜索结果的点击信息，其中，前置搜索词指的是用户通过搜索输入框先于当前搜索词输入的与当前搜索词相关的搜索词，当前用户在前置搜索词下的搜索结果的点击信息可以反映当前用户的搜索需求。

通常，用户在一次搜索会话过程中，其前后的搜索词具有很强的关联性，例如第一次的搜索词可以为“二建挂靠一年多少钱”，第二次的搜索词可以为“二级建造师挂靠”；第一次搜索词可以为“卢沟桥怎样建成的”，第二次的搜索词可以为“最原始卢沟桥”等。因此，当根据当前搜索词无法具体确定用户的真实搜索意图时，可以根据当次搜索会话过程中，出现在当前搜索词之前的信息来辅助确定。上述仅利用当前搜索词获取搜索结果，会由于当前搜索词存在歧义而不能确定用户的真实搜索意图，导致搜索结果中各搜索条目的排列方式并不符合用户的真实意图，针对上述问题，可以通过获取与当前搜索词有关联的有效前置信息来辅助消岐，以确定用户的真实搜索意图，据此来调整搜索结果中各搜索条目的排列方式。优选的，可以根据各前置搜索词与当前搜索词之间的匹配度，来获取当前搜索词的有效前置信息。

本实施例中，在获取用户通过搜索输入框输入的当前搜索词“美食推荐”时，可以同时获取用户在本次搜索会话过程中输入的前置搜索词，例如可以是“重庆美食”、“华为手机”和“重庆小吃”等，根据各前置搜索词与当前搜索词之间的匹配度，可以确定与当前搜索词“美食推荐”相关的前置搜索词为“重庆美食”和“重庆小吃”。在确定与当前搜索词相关的前置搜索词后，进而确定在各前置搜索词下的各搜索结果的点击信息，例如可以是搜索条目为“重庆有哪些特色美食”、“重庆有哪些美食推荐”等。此时，当前搜索词“美食推荐”的有效前置信息即为“重庆美食”、“重庆小吃”以及在“重庆美食”和“重庆小吃”下的各搜索结果的点击信息。

S130、基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数。

本实施例中，可以将当前搜索词、有效前置信息以及搜索结果作为输入，利用预先训练好的神经网络模型确定搜索结果中各搜索条目与用户的真实意图之间的相关性参数。

在上述确定了有效前置信息后，可以利用有效前置信息对当前搜索词进行消岐，以获取用户的真实搜索意图。在得知用户的真实搜索意图后，即可对搜索结果中的各搜索条目进行合理的排序，使排序结果更加符合用户的需求。仍以上述当前搜索词为“美食推荐”，与其对应的有效前置信息为“重庆美食”、“重庆小吃”以及在“重庆美食”和“重庆小吃”下的各搜索结果的点击信息为例，将当前搜索词为“美食推荐”、有效前置信息“重庆美食”、“重庆小吃”以及在“重庆美食”和“重庆小吃”下的各搜索结果的点击信息和搜索结果输入预先训练好的神经网络模型中，可以确定用户的真实搜索意图为希望推荐重庆的各种美食，神经网络模型依据用户的真实搜索意图可以确定搜索结果中各搜索条目对应的相关性参数，其中，有关重庆美食的搜索条目的相关性参数要高于各种美食食谱、其他地方的美食介绍以及各种美食APP推荐等搜索条目的相关性参数。

S140、根据各搜索条目对应的相关性参数对各搜索条目进行排序。

本实施例中，搜索结果中搜索条目对应的相关性参数越高，其与用户的真实搜索意图越接近，越符合用户的搜索需求。基于此，可以根据搜索结果中各搜索条目对应的相关性参数对各搜索条目进行排序，其中，相关性参数越高，其排序位置越靠前。在上述示例中，由于有关重庆美食的搜索条目的相关性参数高于各种美食食谱、其他地方的美食介绍以及各种美食APP推荐等搜索条目的相关性参数，因此，可以将有关重庆美食的搜索条目置于其他搜索条目之前输出显示。

本实施例提供的搜索结果排序方法，通过利用预先训练的神经网络模型，根据获取到的当前搜索词、有效前置信息及与当前搜索词相对应的搜索结果，来确定搜索结果中各搜索条目对应的相关性参数，并根据各搜索条目对应的相关性参数对各搜索条目进行排序，解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

实施例二

本实施例在实施例一的基础上，提供了S130的优选实施方式，图2是本发明实施例二提供的搜索结果排序方法的流程图。如图2所示，该方法包括：

S210、获取当前搜索词，并根据当前搜索词获取对应的搜索结果。

S220、根据搜索词之间的匹配度获取当前搜索词的有效前置信息。

S230、利用预设算法对当前搜索词与有效前置信息进行处理，生成查询表达向量。

本实施例中，有效前置信息可以辅助当前搜索词进行消岐，以确定用户的真实搜索意图，因此，可以利用预设算法对当前搜索词和有效前置信息进行处理，以生成神经网络模型可以识别的、完整的查询表达向量，其中，查询表达向量包括用户的真实搜索意图，对当前搜索词而言，查询表达向量是唯一确定的。本实施例中，预设算法用于将文字表达转化为向量表达(即用户搜索需求的语义表达)，其中，预设算法优选可以是BOW(Bag of Words)算法。

S240、利用预设算法分别对搜索结果中各搜索条目进行处理，得到各搜索条目的条目表达向量，其中，查询表达向量与每个条目表达向量均构成一个数据对。

本实施例中，利用预设算法对搜索结果中的各搜索条目进行处理，生成与各搜索条目相对应的条目表达向量，以使神经网络模型能够进行识别，其中，条目表达向量与搜索条目是一一对应的，一条搜索条目对应一个条目表达向量。预设算法用于将文字表达转化为向量表达，其中，预设算法优选可以是BOW(Bag of Words)算法。本实施例中，查询表达向量与各搜索条目对应的各条目表达向量均构成一个数据对，即一个条目表达向量对应一个数据对。

S250、将各数据对依次输入神经网络模型，依次得到与各数据对相对应的相关性参数。

本实施例中，将查询表达向量和各条目表达向量组成的各数据对，作为神经网络模型的输入参数，依次输入至神经网络模型中，经过神经网络模型计算，依次得到各数据对中查询表达向量与条目表达向量之间的相关性参数。

本实施例中，将各数据对依次输入神经网络模型，依次得到与各数据对相对应的相关性参数，优选可以是计算数据对中的条目表达向量与查询表达向量的匹配度，作为与数据对相对应的相关性参数。其中，条目表达向量与查询表达向量的匹配度越高，说明该条目表达向量对应的搜索条目与用户的真实搜索意图越接近。

S260、根据各搜索条目对应的相关性参数对各搜索条目进行排序。

本实施例提供的搜索结果排序方法，通过将利用当前搜索词、有效前置信息生成的查询表达向量，以及利用与当前搜索词相对应的搜索结果生成的条目表达向量作为输入参数，输入至预先训练的神经网络模型中，来确定搜索结果中各搜索条目对应的相关性参数，并根据各搜索条目对应的相关性参数对各搜索条目进行排序，解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

实施例三

本实施例在上述各实施例的基础上，提供了S120的优选实施方式，图3是本发明实施例三提供的搜索结果排序方法的流程图。如图3所示，该方法包括：

S310、获取当前搜索词，并根据当前搜索词获取对应的搜索结果。

S320、获取当前搜索词的输入时间之前预设时间内的各搜索词。

本实施例中，可以将当前搜索词对应的输入时间和输入时间之前的预设时间段作为用户的一次搜索会话过程，其中预设时间段可以是5分钟，10分钟等。在获取到当前搜索词后，为了能够更加明确的获知用户的真实搜索意图，可以获取当前搜索词的输入时间之前预设时间段内的各搜索词，以便从各搜索词中找到能够与当前搜索词相匹配的信息。

S330、依次计算获取到的各搜索词与当前搜索词的匹配度。

在用户的一次搜索会话过程中，获取到当前搜索词之前的各搜索词后，可以通过依次计算各搜索词与当前搜索词之间的匹配度，根据匹配度来确定与当前搜索词相关的前置信息。

S340、根据匹配度获取当前搜索词的有效前置信息。

本实施例中，在获取到各搜索词与当前搜索词之间的匹配度后，可以根据匹配度获取当前搜索词的有效前置信息。

本实施例中，根据匹配度获取当前搜索词的有效前置信息优选可以包括：

判断匹配度是否高于预设阈值，若匹配度高于预设阈值，则确定与匹配度相对应的搜索词作为当前搜索词的相关搜索词；

获取相关搜索词对应的相关搜索信息；

确定相关搜索词及其对应的相关搜索信息，作为当前搜索词的有效前置信息。

本实施例中，可以根据实际需要设定一个预设匹配度阈值，其中，匹配度阈值可以是百分比、分值等。在获取到各搜索词与当前搜索词之间的匹配度后，可以利用预设匹配阈值与计算出的各匹配度进行对比，如果匹配度高于预设匹配阈值，则确定与该匹配度相对应的搜索词为当前搜索词的相关搜索词，如果匹配度低于预设匹配阈值，则舍弃与该匹配度相对应的搜索词。

在利用各匹配度确定各相关搜索词后，可以利用各相关搜索词确定各自对应的相关搜索信息，其中，相关搜索信息优选可以是与各相关搜索词相对应的搜索结果的点击信息。将各相关搜索词和各相关搜索词相对应的搜索结果点击信息作为当前搜索词的有效前置信息。

以预设时间段为10分钟，预设匹配度阈值为60％为例，用户输入的当前搜索词为“美食推荐”，获取输入当前搜索词之前10分钟内用户输入过的各个搜索词，例如可以包括“重庆美食”、“华为手机”、“旅游攻略”和“重庆小吃”。分别计算各搜索词与当前搜索词之间的匹配度，可以得到“重庆美食”、“华为手机”、“旅游攻略”和“重庆小吃”的匹配度分别为80％、10％、20％和75％，其中，搜索词“重庆美食”和“重庆小吃”与当前搜索词“美食推荐”的匹配度高于预设匹配度阈值，“华为手机”和“旅游攻略”与当前搜索词“美食推荐”的匹配度低于预设匹配度阈值，由此可以确定，“重庆美食”和“重庆小吃”为与当前搜索词“美食推荐”相关的前置搜索词。确定了相关的前置搜索词后，还可以根据各相关搜索词确定与各相关搜索词相对应的搜索结果的点击信息。

S350、基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数。

S360、根据各搜索条目对应的相关性参数对各搜索条目进行排序。

本实施例提供的搜索结果排序方法，在一次搜索会话过程中，通过确定各搜索与当前搜索词之间的匹配度来确定有效前置信息，利用有效前置信息，可以更加清楚的获知用户的实际搜索需求；通过利用预先训练的神经网络模型，根据获取到的当前搜索词、有效前置信息及与当前搜索词相对应的搜索结果，来确定搜索结果中各搜索条目对应的相关性参数，并根据各搜索条目对应的相关性参数对各搜索条目进行排序，解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

在上述各实施例的基础上，进一步的，预先训练的神经网络模型优选可以为DNN模型，在基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数之前，搜索结果排序方法还可以包括：

从搜索引擎的用户点击日志中，获取预设搜索词下各用户的搜索结果和点击记录；

分别获取各用户在预设搜索词之前的有效前置信息；

将用户在预设搜索词下的搜索结果、点击记录及有效前置信息作为一个训练样本，其中，用户点击的搜索结果作为正样本，用户未点击的搜索结果作为负样本；

利用各用户的训练样本对预置模型进行训练，得到DNN模型。

本实施例中，为了训练DNN模型，让其能够学习到各个输入参数之间的相关性，可以从搜索引擎的用户点击日志中获取相关训练样本，其中，用户点击日志中记载了各个用户的搜索记录以及所有为用户展现过的条目。优选的，可以在预设搜索词下，分别获取各个用户对应的搜索结果和点击记录，即包括用户有点击的搜索结果和用户无点击的搜索结果；在获取到预设搜索词对应的搜索信息后，可以分别获取各用户在预设搜索词之前的有效前置信息，包括与预设搜索词相关的前置搜索词和前置搜索词对应的搜索结果的点击信息。

每个用户在预设搜索词下的搜索结果、点击记录以及有效前置信息都可以作为一个训练样本，其中，用户点击的搜索结果作为正样本，用户未点击的搜索结果作为负样本，利用各用户的训练样本对预置模型进行训练，最终确定DNN模型中的各个具体参数。

上述针对同一预设搜索词，没有将各个用户的搜索结果进行合并，而是对各个用户的搜索结果分别进行处理，可以使各个搜索结果的偏序关系建模更加细致。以预设搜索词为Q，搜索结果为T1、T2、T3，用户1点击T1，未点击T2、T3，用户2点击T1、T2，未点击T3为例进行具体说明。如果采用将所有用户的搜索结果进行合并的方式，得到的训练样本中，正例包括T1、T2，负例包括T3，而采用本实施例的方法，不合并用户1和用户2的搜索结果，得到的训练样本中，第1组正例包括T1，负例包括T2、T3，第2组正例包括T1、T2，负例包括T3。基于此，合并的方式得到的各个搜索结果的偏序关系为T1＝T2>T3，而本实施例中的方式得到的各个搜索结果的偏序关系为T1>T2>T3，显然，本实施例中的方式得到的各个搜索结果的偏序关系建模更加细致，能够实现各个搜索结果的精细化排序。

本实施例提供的搜索结果排序方法，在进行神经网络模型训练时，对于同一个预设搜索词，对不同用户的搜索结果不再进行合并，而是采用对各用户的样本信息逐个进行分析的方法，实现了搜索结果的精细化排序，提高了用户的搜索体验度。

实施例四

图4是本发明实施例四中的搜索结果排序装置的结构示意图。如图4所示，搜索结果排序装置包括：

当前搜索信息获取模块410，用于获取当前搜索词，并根据当前搜索词获取对应的搜索结果；

有效前置信息获取模块420，用于根据搜索词之间的匹配度获取当前搜索词的有效前置信息；

相关性参数确定模块430，用于基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数；

搜索条目排序模块440，用于根据各搜索条目对应的相关性参数对各搜索条目进行排序。

本实施例提供的搜索结果排序装置，通过利用预先训练的神经网络模型，根据获取到的当前搜索词、有效前置信息及与当前搜索词相对应的搜索结果，来确定搜索结果中各搜索条目对应的相关性参数，并根据各搜索条目对应的相关性参数对各搜索条目进行排序，解决了现有的搜索引擎对用户的搜索意图理解存在偏差，输出的搜索结果准确度低或者排序不佳，用户搜索体验差的问题，更好的理解了用户的搜索意图，提高了用户体验。

进一步的，相关性参数确定模块430可以包括：

查询表达向量生成子模块，用于利用预设算法对当前搜索词与有效前置信息进行处理，生成查询表达向量；

条目表达向量生成子模块，用于利用预设算法分别对搜索结果中各搜索条目进行处理，得到各搜索条目的条目表达向量，其中，查询表达向量与每个条目表达向量均构成一个数据对；

相关性参数确定子模块，用于将各数据对依次输入神经网络模型，依次得到与各数据对相对应的相关性参数。

进一步的，相关性参数确定子模块具体用于：

计算数据对中的条目表达向量与查询表达向量的匹配度，作为与数据对相对应的相关性参数。

进一步的，有效前置信息获取模块420可以包括：

前置搜索词获取子模块，用于获取当前搜索词的输入时间之前预设时间内的各搜索词；

搜索词匹配度计算子模块，依次计算获取到的各搜索词与当前搜索词的匹配度；

有效前置信息获取子模块，用于根据匹配度获取当前搜索词的有效前置信息。

进一步的，有效前置信息获取子模块可以包括：

匹配度判断单元，用于判断匹配度是否高于预设阈值；

相关搜索词确定单元，用于若匹配度高于预设阈值，则确定与匹配度相对应的搜索词作为当前搜索词的相关搜索词；

相关搜索信息获取单元，用于获取相关搜索词对应的相关搜索信息；

有效前置信息获取单元，用于确定相关搜索词及其对应的相关搜索信息，作为当前搜索词的有效前置信息。

进一步的，预先训练的神经网络模型可以为DNN模型，所述装置还可以包括：

样本信息采集模块，用于在基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数之前，从搜索引擎的用户点击日志中，获取预设搜索词下各用户的搜索结果和点击记录；

前置样本信息采集模块，用于分别获取各用户在预设搜索词之前的有效前置信息；

训练样本获取模块，用于将用户在预设搜索词下的搜索结果、点击记录及有效前置信息作为一个训练样本，其中，用户点击的搜索结果作为正样本，用户未点击的搜索结果作为负样本；

DNN模型训练模块，用于利用各用户的训练样本对预置模型进行训练，得到DNN模型。

进一步的，有效前置信息可以包括：前置搜索词及当前用户在前置搜索词下的搜索结果的点击信息。

本发明实施例所提供的搜索结果排序装置可执行本发明任意实施例所提供的搜索结果排序方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器设备512的框图。图5显示的服务器512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，服务器512以通用计算设备的形式表现。服务器512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

服务器512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。服务器512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

服务器512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该服务器512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储装置等。

处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的搜索结果排序方法，包括：

获取当前搜索词，并根据当前搜索词获取对应的搜索结果；

根据搜索词之间的匹配度获取当前搜索词的有效前置信息；

基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数；

根据各搜索条目对应的相关性参数对各搜索条目进行排序。

实施例六

本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的搜索结果排序方法，包括：

获取当前搜索词，并根据当前搜索词获取对应的搜索结果；

根据搜索词之间的匹配度获取当前搜索词的有效前置信息；

基于预先训练的神经网络模型，根据当前搜索词、有效前置信息及搜索结果确定搜索结果中各搜索条目对应的相关性参数；

根据各搜索条目对应的相关性参数对各搜索条目进行排序。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (15)

1.一种搜索结果排序方法，其特征在于，包括：

获取当前搜索词，并根据所述当前搜索词获取对应的搜索结果；

根据搜索词之间的匹配度获取所述当前搜索词的有效前置信息；

基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数；

根据所述各搜索条目对应的相关性参数对所述各搜索条目进行排序。

2.根据权利要求1所述的方法，其特征在于，基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数，包括：

利用预设算法对所述当前搜索词与所述有效前置信息进行处理，生成查询表达向量；

利用所述预设算法分别对所述搜索结果中各搜索条目进行处理，得到各搜索条目的条目表达向量，其中，所述查询表达向量与每个条目表达向量均构成一个数据对；

将各所述数据对依次输入所述神经网络模型，依次得到与各所述数据对相对应的相关性参数。

3.根据权利要求2所述的方法，其特征在于，将各所述数据对依次输入所述神经网络模型，依次得到与各所述数据对相对应的相关性参数，包括：

计算所述数据对中的条目表达向量与查询表达向量的匹配度，作为与所述数据对相对应的相关性参数。

4.根据权利要求1所述的方法，其特征在于，根据搜索词之间的匹配度获取所述当前搜索词的有效前置信息，包括：

获取所述当前搜索词的输入时间之前预设时间内的各搜索词；

依次计算获取到的所述各搜索词与所述当前搜索词的匹配度；

根据所述匹配度获取所述当前搜索词的有效前置信息。

5.根据权利要求4所述的方法，其特征在于，根据所述匹配度获取所述当前搜索词的有效前置信息，包括：

判断所述匹配度是否高于预设阈值；

若所述匹配度高于预设阈值，则确定与所述匹配度相对应的搜索词作为所述当前搜索词的相关搜索词；

获取所述相关搜索词对应的相关搜索信息；

确定所述相关搜索词及其对应的相关搜索信息，作为所述当前搜索词的有效前置信息。

6.根据权利要求1所述的方法，其特征在于，所述预先训练的神经网络模型为DNN模型，

在基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数之前，还包括：

从搜索引擎的用户点击日志中，获取预设搜索词下各用户的搜索结果和点击记录；

分别获取各用户在所述预设搜索词之前的有效前置信息；

将所述用户在所述预设搜索词下的搜索结果、点击记录及有效前置信息作为一个训练样本，其中，用户点击的搜索结果作为正样本，用户未点击的搜索结果作为负样本；

利用各用户的训练样本对预置模型进行训练，得到所述DNN模型。

7.根据权利要求1所述的方法，其特征在于，所述有效前置信息包括：

前置搜索词及当前用户在所述前置搜索词下的搜索结果的点击信息。

8.一种搜索结果排序装置，其特征在于，包括：

当前搜索信息获取模块，用于获取当前搜索词，并根据所述当前搜索词获取对应的搜索结果；

有效前置信息获取模块，用于根据搜索词之间的匹配度获取所述当前搜索词的有效前置信息；

相关性参数确定模块，用于基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数；

搜索条目排序模块，用于根据所述各搜索条目对应的相关性参数对所述各搜索条目进行排序。

9.根据权利要求8所述的装置，其特征在于，所述相关性参数确定模块包括：

查询表达向量生成子模块，用于利用预设算法对所述当前搜索词与所述有效前置信息进行处理，生成查询表达向量；

条目表达向量生成子模块，用于利用所述预设算法分别对所述搜索结果中各搜索条目进行处理，得到各搜索条目的条目表达向量，其中，所述查询表达向量与每个条目表达向量均构成一个数据对；

相关性参数确定子模块，用于将各所述数据对依次输入所述神经网络模型，依次得到与各所述数据对相对应的相关性参数。

10.根据权利要求9所述的装置，其特征在于，所述相关性参数确定子模块具体用于：

计算所述数据对中的条目表达向量与查询表达向量的匹配度，作为与所述数据对相对应的相关性参数。

11.根据权利要求8所述的装置，其特征在于，所述有效前置信息获取模块包括：

前置搜索词获取子模块，用于获取所述当前搜索词的输入时间之前预设时间内的各搜索词；

搜索词匹配度计算子模块，依次计算获取到的所述各搜索词与所述当前搜索词的匹配度；

有效前置信息获取子模块，用于根据所述匹配度获取所述当前搜索词的有效前置信息。

12.根据权利要求11所述的装置，其特征在于，有效前置信息获取子模块包括：

匹配度判断单元，用于判断所述匹配度是否高于预设阈值；

相关搜索词确定单元，用于若所述匹配度高于预设阈值，则确定与所述匹配度相对应的搜索词作为所述当前搜索词的相关搜索词；

相关搜索信息获取单元，用于获取所述相关搜索词对应的相关搜索信息；

有效前置信息获取单元，用于确定所述相关搜索词及其对应的相关搜索信息，作为所述当前搜索词的有效前置信息。

13.根据权利要求8所述的装置，其特征在于，所述预先训练的神经网络模型为DNN模型，

所述装置还包括：

样本信息采集模块，用于在基于预先训练的神经网络模型，根据所述当前搜索词、所述有效前置信息及所述搜索结果确定所述搜索结果中各搜索条目对应的相关性参数之前，从搜索引擎的用户点击日志中，获取预设搜索词下各用户的搜索结果和点击记录；

前置样本信息采集模块，用于分别获取各用户在所述预设搜索词之前的有效前置信息；

训练样本获取模块，用于将所述用户在所述预设搜索词下的搜索结果、点击记录及有效前置信息作为一个训练样本，其中，用户点击的搜索结果作为正样本，用户未点击的搜索结果作为负样本；

DNN模型训练模块，用于利用各用户的训练样本对预置模型进行训练，得到所述DNN模型。

14.一种服务器，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的搜索结果排序方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的搜索结果排序方法。