CN103136256A - 一种在网络中实现信息检索的方法和系统 - Google Patents

Abstract

本发明公开了一种在网络中实现信息检索的方法和系统，其中，在网络中实现信息检索的方法用于提高针对Query进行属性预测的准确率和覆盖率，包括如下步骤：对进行信息检索的Query进行分词，得到一个或多个分词；通过分词匹配获得每一个分词相匹配的一个或多个属性；针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数；将相关性分数大于预设阈值的属性，预测为Query的属性；根据预测的属性进行信息检索。

Description

一种在网络中实现信息检索的方法和系统

技术领域

本申请涉及互联网搜索技术领域，尤其涉及一种在网络中实现信息检索的方法和系统。

背景技术

随着计算机网络技术的不断发展，用户在计算机网络中可以检索到的信息也越来越多。近几年来，随着计算机网络中的数据量越来越多，用户对准确而快速地在网络中检索到满足自己需要的信息的需求也在不断增加。

在用户实际使用搜索引擎等检索技术时，例如，检索商品信息，针对用户在搜索引擎提供的搜索框中输入的检索词(Query)，存在搜索引擎不能够预测出对应所述Query的商品信息，且不能够准确、不冗余地描述这些商品信息的属性的问题。对于使用所述的检索技术时，存在的所述问题，在现有技术中，对应的技术方案为：

用户在如google或百度等传统的搜索引擎提供的搜索框中输入对信息检索的Query，所述的搜索引擎会对所述Query进行分词，得到一个或多个分词，然后，利用传统的基于文本匹配的方法，通过Query每个分词与现有属性之间的文本信息进行匹配，来进行属性预测，如：用户在搜索引擎中输入Query：“iphone4白色手机”，搜索引擎自动对所述Query进行分词，获得一个或多个分词，如，“iphone 4”、“白色”、“手机”，通过所述每个分词与现有属性之间的文本信息之间进行匹配。其中，当Query每个分词与现有属性之间的文本信息匹配时，则预测与Query每个分词匹配的属性。反之，则不预测与Query每个分词不匹配的属性。最后，根据预测的属性进行信息检索。

本申请发明人在实现本申请的过程中，发现所述现有技术方案存在下述技术问题，如：

在所述现有技术方案中，由于在针对Query进行属性预测时是通过传统的基于文本匹配的方法，即，仅仅是从文本面上去挖掘Query与属性之间的联系，而并没有涉及到自然语义层的关系，所以，在针对Query进行属性预测时容易造成预测不准确的结果。

此外，正是由于现有技术方案并没有考虑Query本身和属性之间的语义关系，所以，在针对Query进行属性预测时同时容易造成覆盖率不高的结果。

发明内容

本申请提供一种在网络中实现信息检索的方法和系统，用于解决现有技术中存在检索结果准确率和覆盖率低下的技术问题。

一方面，本申请通过本申请中的一个实施例，提供如下技术方案：

一种在网络中实现信息检索的方法，包括：

对进行信息检索的Query进行分词，得到一个或多个分词；

通过分词匹配获得每一个分词相匹配的一个或多个属性；

针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数；

将相关性分数大于预设阈值的属性，预测为Query的属性；

根据预测的属性进行信息检索。

可选地，当所预测的属性有父属性时，还将父属性预测为Query的属性。

可选地，确定每一个预测出的属性的重要度，并根据所述重要度对所述属性进行过滤。

可选地，所述计算分词与属性的相关性分数，具体包括：

根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

计算出NPMI(X，Y)的值，所述值即为所述相关性分数；其中，x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率；以及

所述将相关性分数大于预设阈值的属性，预测为Query的属性，具体包括：当所述NPMI(X，Y)的值小于或等于所述预设阈值时，拒绝将对应属性预测为Query的属性；反之将对应属性预测为所述Query的属性。

可选地，当所预测的属性有父属性时，还将父属性预测为Query的属性，具体包括：

当所预测的属性有父属性时，将父属性预测为Query的属性，并将父属性的相关性分数设定为其子属性和对应分词的相关性分数的二分之一，然后根据所述相关性分数对所述预测的属性进行排序，并将所述相关性分数高的排在前面或上面。

可选地，确定每一个预测出的属性的重要度，具体包括：

根据统计的用户点击导航属性的次数，确定每一个预测出的属性的重要度。

此外，本申请还通过本申请中的另一实施例提供如下技术方案：

一种在网络中实现信息检索的系统，包括：

分词单元，用于对进行信息检索的Query进行分词，得到一个或多个分词；

匹配单元，用于通过分词匹配获得每一个分词相匹配的一个或多个属性；

计算单元，用于针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数；

第一预测单元，用于将相关性分数大于预设阈值的属性，预测为Query的属性；

检索单元，用于根据预测的属性进行信息检索。

可选地，第二预测单元，用于当所预测的属性有父属性时，还将父属性预测为Query的属性。

可选地，确定单元，用于确定每一个预测出的属性的重要度，并根据所述属性的重要度对所述属性进行过滤。

可选地，所述第一预测单元具体包括：

第一判断单元，用于判断分词与属性的相关性分数是否大于预设阈值；

第一子预测单元，用于将相关性分数大于预设阈值的属性，预测为Query的属性；当所述NPMI(X，Y)的值大于所述预设阈值时，将对应属性预测为所述Query的属性，其中：

所述NPMI(X，Y)的值即为所述相关性分数；x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率。

上述技术方案中的一个或多个技术方案，至少具有如下技术效果或优点：

一、通过在网络中实现信息检索的过程中，采用了建立Query与属性之间的一种相关性模型的技术手段，使得在预测Query属性的过程中，实现了提高预测的准确率和覆盖率的技术效果；

二、通过在网络中实现信息检索的过程中，采用了预测属性的父属性，并将其作为所述属性的补足的技术手段，使得在预测Query属性的过程中，实现了提高预测的覆盖率的技术效果；

三、通过在网络中实现信息检索的过程中，采用了确定每一个预测出的属性的重要度，以及根据所述属性的重要度对检索出的信息进行排序的技术手段，使得在预测Query属性的过程中，实现了提高预测的准确率的技术效果。

附图说明

图1为本申请实施例一中在网络中实现信息检索的方法流程图；

图2为本申请实施例二中在网络中实现信息检索的系统结构图；

图3为本申请实施例一或二中分词与属性的相关性分数与预设阈值的对照表。

具体实施方式

为了使本申请所属技术领域中的技术人员更清楚地理解本申请，下面结合附图，通过具体实施例对本申请技术方案作详细描述。

请参考图1、图3，本申请实施例一中的一种在网络中实现信息检索的方法，包括如下步骤：

步骤101，对进行信息检索的Query进行分词，得到一个或多个分词。

在具体实施过程中，Query为用户在搜索引擎中输入的查询词，用于检索信息，如：“iphone 4白色手机”。在对所述“iphone 4白色手机”进行分词时，可以由搜索引擎自动对所述“iphone 4白色手机”进行分词，且分词后可得到一个或多个分词，如：“iphone 4”、“白色”、“手机”。

步骤102，通过分词匹配获得每一个分词相匹配的一个或多个属性。

在具体实施过程中，所述分词匹配可以是搜索引擎自动对所述分词，如：iphone 4、白色或手机中的每一个分词进行匹配，并获得所述每一个分词相匹配的属性，且所述属性的个数可为一个或多个。如：

所述分词“iphone 4”通过分词匹配获得与其匹配的属性，如，Apple型号：Iphone 4(16G)或Apple型号：Iphone 4(32G)；所述分词白色通过分词匹配获得与其匹配的属性，机身颜色：白色；所述分词手机通过分词匹配获得与其匹配的属性，是否智能手机：智能手机。

步骤103，针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数。

在具体的实施过程中，通过建立Query与属性之间的一种相关性模型来实现，所述相关性模型具体为：可根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

计算出NPMI(X，Y)的值，NPMI(X，Y)的值即为所述相关性分数；其中，x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率；如：

在一个数码家电类目中，所有Query出现了共计1000次，所述分词iphone4、白色、手机分别出现了40次、100次、40次；与所述分词iphone匹配的属性Apple型号：Iphone 4(16G)、Apple型号：Iphone 4(32G)分别出现了900次、80次，与所述分词白色、手机匹配的属性，即机身颜色：白色、是否智能手机：智能手机，分别出现了90次、10次；所述分词iphone与Apple型号：Iphone4(16G)、Apple型号：Iphone 4(32G)分别共同出现了35次、76次，所是分词白色与机身颜色：白色共同出现了36次，所述分词手机与是否智能手机：智能手机共同出现了10次，整理可得：

p(iphone 4)＝40/1000＝0.04；P(白色)＝100/1000＝0.1

P(手机)＝40/1000＝0.1

P(Apple型号：Iphone 4(16G))＝900/1000＝0.9

P(Apple型号：Iphone 4(32G))＝100/1000＝0.1

p(机身颜色：白色)＝90/1000＝0.09

P(是否智能手机：智能手机)＝200/1000＝0.2

P(iphone 4，Apple型号：Iphone 4(16G))＝35/1000＝0.035

P(iphone 4，Apple型号：Iphone 4(32G))＝108/1000＝0.108

p(白色，机身颜色：白色)＝38/1000＝0.038

P(手机，是否智能手机：智能手机)＝10/1000＝0.001

所以，根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

可获得：

NPMI(iphone 4，Apple型号：Iphone 4(16G))＝0.0084

NPMI(iphone 4，Apple型号：Iphone 4(32G))＝0.64

NPMI(白色，机身颜色：白色)＝0.72

NPMI(手机，是否智能手机：智能手机)＝-0.30

由上可知，所述分词iphone 4与其匹配的属性的相关性分数分别为0.0084和0.64，所述分词白色与其匹配的属性的相关性分数为，所述分词手机与其匹配的属性的相关性分数为-0.30。

步骤104，将相关性分数大于预设阈值的属性，预测为Query的属性。

在具体实施过程中，所述阈值为预设的值，并且不是固定的，用户可以根据实际需要来进行设定。在这个实施例中设置所述阈值为0，当然，在实际使用过程中，本领域技术人员也可将所述阀值设置为0.1或设置为-0.1。

其中，将相关性分数大于预设阈值的属性，预测为Query的属性的过程中，具体包括：

一、分词与其匹配的属性的相关性分数接近0，即，所述分词与其匹配的属性不相关，所以，拒绝将所述与分词匹配的属性预测为Query的属性，如：分词“iphone 4”与其匹配的属性“Apple型号：Iphone 4(16G)”的相关性分数为0.0084，接近于0；

二、分词与其匹配的属性的相关性分数大于0，即，所述分词与其匹配的属性正相关，所以，将所述与分词匹配的属性预测为Query的属性，如：分词“iphone4”与其匹配的属性“Apple型号：Iphone 4(32G)”的相关性分数为0.64，大于0；

三、分词与其匹配的属性的相关性分数小于0，即，所述分词与其匹配的属性负相关，所以，拒绝将所述与分词匹配的属性预测为Query的属性，如：分词手机与其匹配的属性，是否智能手机：智能手机的相关性分数为-0.30，小于0。

步骤105，根据预测的属性进行信息检索。

在具体实施过程中，可根据预测的属性，如，Apple型号：Iphone 4(32G)，进行信息检索。

此外，所述方法还包括如下步骤：

当所预测的属性有父属性时，还将父属性预测为Query的属性。

在具体实施过程中，当所预测的属性有父属性时，还将父属性预测为Query的属性，并且将父属性与其对应分词的相关性分数设定为所述预测的属性与其对应分词的相关性分数的二分之一，然后根据所述相关性分数对所述预测出的属性及父属性进行排序，并将所述相关性分数高的排在前面或上面。在具体实施过程中，先判断所述预测的属性，如，Apple型号：Iphone 4(32G)或机身颜色：白色是否有父属性；然后根据判断结果，如，机身颜色：白色没有父属性，则拒绝预测其父属性；Apple型号：Iphone 4(32G)有父属性品牌：Apple，则预测其父属性；最后，将所述父属性品牌：Apple与其对应的分词的相关性分数设定为所述预测的属性Apple型号：Iphone 4(32G)与其对应分词的相关性分数的二分之一，由上可知，所述父属性品牌：Apple与其对应的分词的相关性分数设定为0.32，所以，在对所述属性Apple型号：Iphone 4(32G)及所述父属性品牌：Apple进行排序的时候，所述属性Apple型号：Iphone 4(32G)排在所述父属性品牌：Apple的前面或上面。

确定每一个预测出的属性的重要度，并根据所述属性的重要度对所述属性进行过滤。

在具体实施过程中，通过统计用户点击导航属性的次数，即所述导航属性出现的次数，确定每一个预测出的属性的重要度，所述用户点击所述导航属性的次数越多，则表征所述导航属性越重要；其中，所述统计有一时间周期，如：14天，即，每隔14天对点击所述导航属性的次数统计一次。在具体的实施过程中，如：10月8日对所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机统计了一次，则在10月22日对所述导航属性Apple型号：Iphone4(32G)、是否智能手机：智能手机重新统计，并统计出在所述14天内所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机被点击的次数，如：通过统计，所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机被点击的次数分别为800次、100次，则表征所述导航属性Apple型号：Iphone 4(32G)的重要度远高于所述属性是否智能手机：智能手机，换句话说，用户重视所述导航属性Apple型号：Iphone 4(32G)的程度要远高于所述属性是否智能手机：智能手机，此时，根据所述重要度对所述属性进行过滤，并将所述属性中重要度相对而言远低于其中最高重要度的所述属性过滤掉，即将所述属性是否智能手机：智能手机过滤掉，经过所述过滤后得到所述属性Apple型号：Iphone 4(32G)。

请参考图2、图3，实施例二中的一种在网络中实现信息检索的系统，包括：

分词单元201，用于对进行信息检索的Query进行分词，得到一个或多个分词。

具体来讲，Query为用户在搜索引擎中输入的查询词，用于检索信息，如：“iphone 4白色手机”。在对所述“iphone 4白色手机”进行分词时，可由搜索引擎自动对所述“iphone 4白色手机”进行分词，且分词后可得到一个或多个分词，如：“iphone 4”、“白色”、“手机”。

匹配单元202，用于通过分词匹配获得每一个分词相匹配的一个或多个属性。

具体来讲，所述分词匹配是搜索引擎自动对所述分词，如：iphone 4；白色或手机中的每一个分词进行匹配，并获得所述每一个分词相匹配的属性，且所述属性的个数可为一个或多个。如：

所述分词iphone 4通过分词匹配获得与其匹配的属性，Apple型号：Iphone4(16G)或Apple型号：Iphone  4(32G)；所述分词白色通过分词匹配获得与其匹配的属性，机身颜色：白色；所述分词手机通过分词匹配获得与其匹配的属性，是否智能手机：智能手机。

计算单元203，用于针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数。

具体来讲，计算分词与属性的相关性分数是通过建立Query与属性之间的一种相关性模型来实现，所述相关性模型具体为：根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

计算出NPMI(X，Y)的值，所述值即为所述相关性分数；其中，x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率；如：

在一个类目中，所有Query出现了共计1000次，所述分词iphone、白色、手机均出现了40次；与所述分词iphone匹配的属性Apple型号：Iphone 4(16G)、Apple型号：Iphone 4(32G)分别出现了900次、80次，与所述分词白色、手机匹配的属性，即机身颜色：白色、是否智能手机：智能手机，分别出现了90次、200次；所述分词iphone与Apple型号：Iphone 4(16G)、Apple型号：Iphone4(32G)分别共同出现了35次、200次，所是分词白色与机身颜色：白色共同出现了38次，所述分词手机与是否智能手机：智能手机共同出现了1次，整理可得：

p(iphone 4)＝40/1000＝0.04；P(白色)＝40/1000＝0.04

P(手机)＝40/1000＝0.04

P(Apple型号：Iphone 4(16G))＝900/1000＝0.9

P(Apple型号：Iphone 4(32G))＝150/1000＝0.15

p(机身颜色：白色)＝90/1000＝0.09

P(是否智能手机：智能手机)＝200/1000＝0.2

P(iphone 4，Apple型号：Iphone 4(16G))＝35/1000＝0.035

P(iphone 4，Apple型号：Iphone 4(32G))＝100/1000＝0.1

p(白色，机身颜色：白色)＝38/1000＝0.038

P(手机，是否智能手机：智能手机)＝1/1000＝0.001

所以，根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

可获得：

NPMI(iphone 4，Apple型号：Iphone 4(16G))＝0.0084

NPMI(iphone 4，Apple型号：Iphone 4(32G))＝0.64

NPMI(白色，机身颜色：白色)＝0.72

NPMI(手机，是否智能手机：智能手机)＝-0.30

由上可知，所述分词iphone 4与其匹配的属性的相关性分数分别为0.0084和0.64，所述分词白色与其匹配的属性的相关性分数为，所述分词手机与其匹配的属性的相关性分数为-0.30。

第一预测单元204，用于将相关性分数大于预设阈值的属性，预测为Query的属性。

具体来讲，所述阈值为预设的值，并且不是固定的，用户可以根据实际需要来进行设定。在这个实施例中设置所述阈值为0，当然，在实际使用过程中，本领域技术人员也可将所述阀值设置为0.1或设置为-0.1。

其中，将相关性分数大于预设阈值的属性，预测为Query的属性的过程中，具体包括：

一、分词与其匹配的属性的相关性分数接近0，即，所述分词与其匹配的属性不相关，所以，拒绝将所述与分词匹配的属性预测为Query的属性，如：分词iphone 4与其匹配的属性Apple型号：Iphone 4(16G)的相关性分数为0.0084，接近于0。

二、分词与其匹配的属性的相关性分数大于0，即，所述分词与其匹配的属性正相关，所以，将所述与分词匹配的属性预测为Query的属性，如：分词iphone4与其匹配的属性Apple型号：Iphone 4(32G)的相关性分数为0.64，大于0。

三、分词与其匹配的属性的相关性分数小于0，即，所述分词与其匹配的属性负相关，所以，拒绝将所述与分词匹配的属性预测为Query的属性，如：分词手机与其匹配的属性，是否智能手机：智能手机的相关性分数为-0.30，小于0。

所以，根据所述相关性分数可知，将所述属性Apple型号：Iphone 4(32G)预测为Query的属性。

检索单元205，用于根据预测的属性进行信息检索。

具体来讲，进行信息检索时根据预测的属性来进行检索，如：Apple型号：Iphone 4(32G)。

此外，所述系统还包括：

第二预测单元，用于当所预测的属性有父属性时，还将父属性预测为Query的属性。

具体来讲，当所预测的属性有父属性时，还将父属性预测为Query的属性，并且将父属性与其对应分词的相关性分数设定为所述预测的属性与其对应分词的相关性分数的二分之一，然后根据所述相关性分数对所述预测出的属性进行排序，其中，所述相关性分数高的排在前面或上面。在具体实施过程中，先判断所述预测的属性，如，Apple型号：Iphone 4(32G)或机身颜色：白色是否有父属性；然后根据判断结果，如，机身颜色：白色没有父属性，则拒绝预测其父属性；Apple型号：Iphone 4(32G)有父属性品牌：Apple，则预测其父属性；最后，将所述父属性品牌：Apple与其对应的分词的相关性分数设定为所述预测的属性Apple型号：Iphone 4(32G)与其对应分词的相关性分数的二分之一，由上可知，所述父属性品牌：Apple与其对应的分词的相关性分数设定为0.32，所以，所述属性Apple型号：Iphone 4(32G)排在所述父属性品牌：Apple的前面或上面。

确定单元，用于确定每一个预测出的属性的重要度，并根据所述属性的重要度对所述属性进行过滤。

具体来讲，通过统计用户点击导航属性的次数，即所述导航属性出现的次数，确定每一个预测出的属性的重要度，所述用户点击所述导航属性的次数越多，则表征所述导航属性越重要；其中，所述统计有一时间周期，如：14天，即，每隔14天对点击所述导航属性的次数统计一次。在具体的实施过程中，如：10月8日对所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机统计了一次，则在10月22日对所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机重新统计，并统计出在所述14天内所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机被点击的次数，如：通过统计，所述导航属性Apple型号：Iphone 4(32G)、是否智能手机：智能手机被点击的次数分别为800次、100次，则表征所述导航属性Apple型号：Iphone 4(32G)的重要度远高于所述属性是否智能手机：智能手机，换句话说，用户重视所述导航属性Apple型号：Iphone 4(32G)的程度要远高于所述属性是否智能手机：智能手机，此时，根据所述重要度对所述属性进行过滤，并将所述属性中重要度相对而言远低于其中最高重要度的所述属性过滤掉，即将所述属性是否智能手机：智能手机过滤掉，经过所述过滤后得到所述属性Apple型号：Iphone 4(32G)。

所述第一预测单元204具体包括：

第一判断单元，用于判断分词与属性的相关性分数是否大于预设阈值；

具体来讲，所述阈值不是固定的，用户可以根据实际需要来进行设定。在这个实施例中设置所述阈值为0，当然，在实际使用过程中，本领域技术人员也可将所述阀值设置为0.1或设置为-0.1。然后，将分词与其匹配的属性的相关性分数与所述预设的阈值进行比较。如：将分词iphone 4与其匹配的属性Apple型号：Iphone 4(16G)的相关性分数0.0084、分词iphone 4与其匹配的属性Apple型号：Iphone 4(32G)的相关性分数0.64、分词手机与其匹配的属性，是否智能手机：智能手机的相关性分数为-0.30、及分词白色与其匹配的属性机身颜色：白色的相关性分数0.72，分别与所述阈值0比较，判断所述每个分词与其匹配属性的相关性分数是否大于所述预设阈值。

第一子预测单元，用于将相关性分数大于预设阈值的属性，预测为Query的属性；

具体来讲，当所述NPMI(X，Y)的值小于或等于所述预设阈值时，拒绝将对应属性预测为Query的属性；反之将对应属性预测为所述Query的属性。如：

分词iphone 4与其匹配的属性Apple型号：Iphone 4(16G)的相关性分数为0.0084，接近于0，则拒绝将属性Apple型号：Iphone 4(16G)预测为Query的属性；

分词iphone 4与其匹配的属性Apple型号：Iphone 4(32G)的相关性分数为0.64，大于0，则将所属性Apple型号：Iphone 4(32G)预测为Query的属性；

分词手机与其匹配的属性，是否智能手机：智能手机的相关性分数为-0.30，小于0，则拒绝将属性是否智能手机：智能手机预测为Query的属性。

所述第二预测单元具体包括：

第二判断单元，用于判断预测的属性是否有父属性；

具体来讲，先判断所述预测的属性，如，Apple型号：Iphone 4(32G)或机身颜色：白色是否有父属性；

第二子预测单元，用于将预测的属性的父属性预测为Query的属性；

具体来讲，根据判断结果，如，机身颜色：白色没有父属性，则拒绝预测其父属性；Apple型号：Iphone 4(32G)有父属性品牌：Apple，则预测其父属性，并将所述父属性品牌：Apple与其对应的分词的相关性分数设定为所述预测的属性与其对应分词的相关性分数的二分之一，然后根据所述相关性分数对所述预测出的属性进行排序，并将所述相关性分数高的排在前面或上面。

本申请有益效果如下：

一、通过在网络中实现信息检索的过程中，采用了建立Query与属性之间的一种相关性模型的技术手段，使得在预测Query属性的过程中，实现了提高预测的准确率和覆盖率的技术效果；

二、通过在网络中实现信息检索的过程中，采用了预测属性的父属性，并将其作为所述属性的补足的技术手段，使得在预测Query属性的过程中，实现了提高预测的覆盖率的技术效果；

三、通过在网络中实现信息检索的过程中，采用了确定每一个预测出的属性的重要度，以及根据所述属性的重要度对检索出的信息进行排序的技术手段，使得在预测Query属性的过程中，实现了提高预测的准确率的技术效果；

四、通过在网络中实现信息检索的过程中，采用了将分词与属性的相关性分数与预设阈值进行对比的技术手段，使得在将所述与分词匹配的属性是否预测为Query的属性的过程中，实现了准确的技术效果。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种在网络中实现信息检索的方法，其特征在于，包括：

对进行信息检索的Query进行分词，得到一个或多个分词；

通过分词匹配获得每一个分词相匹配的一个或多个属性；

针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数；

将相关性分数大于预设阈值的属性，预测为Query的属性；

根据预测的属性进行信息检索。

2.如权利要求1所述的方法，其特征在于，还包括：

当所预测的属性有父属性时，将所述父属性预测为Query的属性。

3.如权利要求1或2所述的方法，其特征在于，还包括：

确定每一个预测出的属性的重要度，并根据所述属性的重要度对所述属性进行过滤。

4.如权利要求1或2所述的方法，其特征在于，所述计算分词与属性的相关性分数，具体包括：

根据公式

$\mathrm{NPMI}(X,Y)=\frac{{\log }_2\frac{P(x,y)}{P\left(x\right)*P\left(y\right)}}{-{\log }_{2}P(x,y)}$

计算出NPMI(X，Y)的值，所述NPMI(X，Y)的值即为所述相关性分数；其中，x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率；以及

所述将相关性分数大于预设阈值的属性，预测为Query的属性，具体包括：当所述NPMI(X，Y)的值大于所述预设阈值时，将对应属性预测为所述Query的属性。

5.如权利要求4所述的方法，其特征在于，当所预测的属性有父属性时，还将父属性预测为Query的属性，具体包括：

当所预测的属性有父属性时，将父属性预测为Query的属性，并将父属性的相关性分数设定为其子属性和对应分词的相关性分数的二分之一，然后根据所述相关性分数对所述预测出的属性进行排序，并将所述相关性分数高的排在前面。

6.如权利要求1或2所述的方法，其特征在于，确定每一个预测出的属性的重要度，具体包括：

根据统计的用户点击导航属性的次数，确定每一个预测出的属性的重要度。

7.一种在网络中实现信息检索的系统，其特征在于，包括：

分词单元，用于对进行信息检索的Query进行分词，得到一个或多个分词；

匹配单元，用于通过分词匹配获得每一个分词相匹配的一个或多个属性；

计算单元，用于针对每一个分词和其对应的一个属性，计算分词与属性的相关性分数；

第一预测单元，用于将相关性分数大于预设阈值的属性，预测为Query的属性；

检索单元，用于根据预测的属性进行信息检索。

8.如权利要求7所述的系统，其特征在于，还包括：

第二预测单元，用于当所预测的属性有父属性时，将所述父属性预测为Query的属性。

9.如权利要求7所述的系统，其特征在于，还包括：

确定单元，用于确定每一个预测出的属性的重要度，并根据所述属性的重要度对所述属性进行过滤。

10.如权利要求7所述的系统，其特征在于，所述第一预测单元具体包括：

第一判断单元，用于判断分词与属性的相关性分数是否大于预设阈值；

第一子预测单元，用于将相关性分数大于预设阈值的属性，预测为Query的属性；当所述NPMI(X，Y)的值大于所述预设阈值时，将对应属性预测为所述Query的属性，其中：

所述NPMI(X，Y)的值即为所述相关性分数；x和y均为变量，所述变量x和y分别表征所述分词和所述属性，所述p(x)和p(y)分别表征所述分词和所述属性在一个类目中出现的概率。

Images