CN105528441A - 基于自动标注的中心词提取方法和装置 - Google Patents

Abstract

本发明提供一种基于自动标注的中心词提取方法和装置，方法包括：从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词；对所述多个查询词分词得到多个词；计算所述多个词具有的特征属性；根据所述特征属性从所述多个词中进行筛选，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。根据本发明，可以从多个查询词中准确地选择出中心词，得到中心词的查询词可以用来训练用于提取查询词中心词的模型，利用该模型可以自动进行对查询词的中心词提取，提取速度、准确率都非常高，有利于后续的基于中心词推荐查询词的快速进行。

Description

基于自动标注的中心词提取方法和装置

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种基于自动标注的中心词提取方法和装置。

背景技术

查询词推荐是根据用户当前进行搜索的查询词，通过机器学习算法，提取查询词的中心词，并以此为用户推荐其最可能感兴趣的其他查询词。

目前，提取中心词的方式主要是通过人工标注的方式提取中心词：人工标注中心词只能适用于非常少量的查询词，当查询词数目巨大的时候人工标注显然是不可行的，而且人工标注提取中心词不能自动化，所以具有以下不足之处：(1)需要较多的人力、时间、费时费力；(2)每个人的评价标准不一样，导致标注的中心词有偏差；(3)无法自动化提取查询词的中心词；(4)不适用于大量查询词的中心词提取。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于自动标注的中心词提取方法和装置。

依据本发明的一种基于自动标注的中心词提取方法，包括：从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词；对所述多个查询词分词得到多个词；计算所述多个词具有的特征属性；根据所述特征属性从所述多个词中进行筛选，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的方法，所述多个词的特征属性为所述多个词在所述多个查询词中的词频；根据所述特征属性从所述多个词中进行筛选，具体包括：从所述多个词中选择词频最高的词。

可选地，前述的方法，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词，具体包括：将所述筛选后的词作为所述多个查询词中对应的页面浏览量最高的查询词的中心词。

可选地，前述的方法，在将筛选后的词作为所述多个查询词中的至少一个查询词的中心词之前，还包括：判断所述筛选后的词是否包含在所述至少一个查询词中，并在判断结果为是时执行将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的方法，在将筛选后的词作为所述多个查询词中的至少一个查询词的中心词之前，还包括：判断所述筛选后的词与所述至少一个查询词的长度差是否位于预设区间，并在判断结果为是时执行将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的方法，还包括：使用所述至少一个查询词和所述至少一个查询词的中心词训练用于从给定的目标查询词中提取相应中心词的模型。

依据本发明的一种基于自动标注的中心词提取装置，包括：记录获取模块，用于从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词；分词模块，用于对所述多个查询词分词得到多个词；属性计算模块，用于计算所述多个词具有的特征属性；中心词选择模块，用于根据所述多个词的特征属性从所述多个词中进行筛选，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的装置，所述多个词的特征属性为所述多个词在所述多个查询词中的词频；所述中心词选择模块从所述多个词中选择词频最高的词。

可选地，前述的装置，所述中心词选择模块将所述筛选后的词作为所述多个查询词中对应的页面浏览量最高的查询词的中心词。

可选地，前述的装置，还包括：第一判断模块，用于判断所述筛选后的词是否包含在所述至少一个查询词中，所述中心词选择模块在判断结果为是时将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的装置，还包括：第二判断模块，用于判断所述筛选后的词与所述至少一个查询词的长度差是否位于预设区间，所述中心词选择模块在判断结果为是时将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

可选地，前述的装置，还包括：模型训练模块，用于使用所述至少一个查询词和所述至少一个查询词的中心词训练用于从给定的目标查询词中提取相应中心词的模型。

根据以上技术方案，本发明的基于自动标注的中心词提取方法和装置至少具有以下优点：

在本发明的技术方案中，可以从多个查询词中准确地选择出中心词，得到中心词的查询词可以用来训练用于提取查询词中心词的模型，利用该模型可以自动进行对查询词的中心词提取，提取速度、准确率都非常高，有利于后续的基于中心词推荐查询词的快速进行。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明的一个实施例的基于自动标注的中心词提取方法的流程图；

图2示出了根据本发明的一个实施例的基于自动标注的中心词提取装置的框图；

图3示出了根据本发明的一个实施例的基于自动标注的中心词提取装置的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明的一个实施例中提供了一种基于自动标注的中心词提取方法，包括：

步骤110，从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词。在本实施例中，通过用户多次搜索行为生成url(地址)点击日志，日志格式为url:[query(查询词)1,query2,…,queryn]。在本实施例中，当用户搜索不同的查询词并且点击了相同的网页的时候，可以根据该网页的url把这些查询词聚合起来，也即认为点击相同url的不同查询词本质上是有相同的搜索意图，通过对这些聚合起来的查询词标注中心词，就得到了用于训练自动提取中心词的模型的动标注训练数据集。

步骤120，对多个查询词分词得到多个词。在本实施例中，分词可以采用unigram(单个字作为一个词)和2gram(两个字作为一个词)的方式。

步骤130，计算多个词具有的特征属性。

步骤140，根据特征属性从多个词中进行筛选，将筛选后的词作为多个查询词中的至少一个查询词的中心词。根据本实施例的技术方案，可以从多个查询词中准确地选择出中心词，得到中心词的查询词可以用来训练用于提取查询词中心词的模型，利用该模型可以自动进行对查询词的中心词提取，提取速度、准确率都非常高，有利于后续的基于中心词推荐查询词的快速进行。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取方法，相比于前述的实施例，本实施例的基于自动标注的中心词提取方法，多个词的特征属性为多个词在多个查询词中的词频；步骤140，具体包括：

从多个词中选择词频最高的词。在本实施例中，通过处理每个url对应最少3个查询词的记录，统计每个记录的所有查询词分词之后的所有unigram和2gram词的词频，并将词频最高的词标注作为的中心词。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取方法，相比于前述的实施例，本实施例的基于自动标注的中心词提取方法，步骤140，具体包括：

将筛选后的词作为多个查询词中对应的页面浏览量最高的查询词的中心词。在本实施例中，基于前述的内容，统计每个记录的所有查询词分词之后的所有unigram和2gram词的词频，并将词频最高的词标注为PV(页面浏览量)最高的查询词的中心词。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取方法，相比于前述的实施例，本实施例的基于自动标注的中心词提取方法，在步骤140之前，还包括：

判断筛选后的词是否包含在至少一个查询词中，并在判断结果为是时执行步骤140。在本实施例中，单纯统计词频标注出来的中心词可能根本不在查询词分词后的unigram和2gram候选词表中，所以在本实施例中做了进一步处理，也就是当自动标注出来的中心词不在查询词的候选词表中时，将此记录丢弃。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取方法，相比于前述的实施例，本实施例的基于自动标注的中心词提取方法，在步骤140之前，还包括：

判断筛选后的词与至少一个查询词的长度差是否位于预设区间，并在判断结果为是时执行步骤140。在本实施例中，默认标注一个中心词对于可能有两个中心词的查询词会不准确，所以在本实施例中将中心词相对于查询词太短的记录也将其丢弃，并将处理后的数据作为训练集。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取方法，相比于前述的实施例，本实施例的基于自动标注的中心词提取方法，还包括：

使用至少一个查询词和至少一个查询词的中心词训练用于从给定的目标查询词中提取相应中心词的模型。具体地，可以提取至少一个查询词的特征属性，使用至少一个查询词的特征属性以及中心词训练模型。在本实施例中，对特征属性的种类不进行限制，其具体包括但不限于下表所示，例如，可以用2393维向量表示每个词来进行模型训练。

可见根据本实施例，需要首先对所有查询词进行分词，将unigram、2gram词性、词长分别保存至不同文件中；然后将每个查询词的每个词表示成特征属性向量，并通过复杂的方法为每个词标上类别，自动标注所对应的词为正例，其它词为负例；通过例如liblinear(一种分类器)的分类器离线训练出算法模型；最终得到的模型用于线上搜索查询词并进行中心词提取，并根据提取的中心词来推荐查询词。

如图2所示，本发明的一个实施例中提供了一种基于自动标注的中心词提取装置，包括：

记录获取模块210，用于从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词。在本实施例中，通过用户多次搜索行为生成url(地址)点击日志，日志格式为url:[query(查询词)1,query2,…,queryn]。在本实施例中，当用户搜索不同的查询词并且点击了相同的网页的时候，可以根据该网页的url把这些查询词聚合起来，也即认为点击相同url的不同查询词本质上是有相同的搜索意图，通过对这些聚合起来的查询词标注中心词，就得到了用于训练自动提取中心词的模型的动标注训练数据集。

分词模块220，用于对多个查询词分词得到多个词。在本实施例中，分词可以采用unigram(单个字作为一个词)和2gram(两个字作为一个词)的方式。

属性计算模块230，用于计算多个词具有的特征属性。

中心词选择模块240，用于根据多个词的特征属性从多个词中进行筛选，将筛选后的词作为多个查询词中的至少一个查询词的中心词。根据本实施例的技术方案，可以从多个查询词中准确地选择出中心词，得到中心词的查询词可以用来训练用于提取查询词中心词的模型，利用该模型可以自动进行对查询词的中心词提取，提取速度、准确率都非常高，有利于后续的基于中心词推荐查询词的快速进行。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取装置，相比于前述的实施例，本实施例的基于自动标注的中心词提取装置，多个词的特征属性为多个词在多个查询词中的词频；中心词选择模块240从多个词中选择词频最高的词。在本实施例中，通过处理每个url对应最少3个查询词的记录，统计每个记录的所有查询词分词之后的所有unigram和2gram词的词频，并将词频最高的词标注作为的中心词。

本发明的另一个实施例中提供了一种基于自动标注的中心词提取装置，相比于前述的实施例，本实施例的基于自动标注的中心词提取装置，中心词选择模块240将筛选后的词作为多个查询词中对应的页面浏览量最高的查询词的中心词。在本实施例中，基于前述的内容，统计每个记录的所有查询词分词之后的所有unigram和2gram词的词频，并将词频最高的词标注为PV(页面浏览量)最高的查询词的中心词。

如图3所示，本发明的另一个实施例中提供了一种基于自动标注的中心词提取装置，相比于前述的实施例，本实施例的基于自动标注的中心词提取装置，还包括：

第一判断模块310，用于判断筛选后的词是否包含在至少一个查询词中，中心词选择模块在判断结果为是时将筛选后的词作为多个查询词中的至少一个查询词的中心词。在本实施例中，单纯统计词频标注出来的中心词可能根本不在查询词分词后的unigram和2gram候选词表中，所以在本实施例中做了进一步处理，也就是当自动标注出来的中心词不在查询词的候选词表中时，将此记录丢弃。

如图3所示，本发明的另一个实施例中提供了一种基于自动标注的中心词提取装置，相比于前述的实施例，本实施例的基于自动标注的中心词提取装置，还包括：

第二判断模块320，用于判断筛选后的词与至少一个查询词的长度差是否位于预设区间，中心词选择模块在判断结果为是时将筛选后的词作为多个查询词中的至少一个查询词的中心词。在本实施例中，默认标注一个中心词对于可能有两个中心词的查询词会不准确，所以在本实施例中将中心词相对于查询词太短的记录也将其丢弃，并将处理后的数据作为训练集。

如图3所示，本发明的另一个实施例中提供了一种基于自动标注的中心词提取装置，相比于前述的实施例，本实施例的基于自动标注的中心词提取装置，还包括：

模型训练模块330，用于使用至少一个查询词和至少一个查询词的中心词训练用于从给定的目标查询词中提取相应中心词的模型。具体地，可以提取至少一个查询词的特征属性，使用至少一个查询词的特征属性以及中心词训练模型。在本实施例中，对特征属性的种类不进行限制，例如，可以用2393维向量表示每个词来进行模型训练。

可见根据本实施例，需要首先对所有查询词进行分词，将unigram、2gram词性、词长分别保存至不同文件中；然后将每个查询词的每个词表示成特征属性向量，并通过复杂的方法为每个词标上类别，自动标注所对应的词为正例，其它词为负例；通过例如liblinear(一种分类器)的分类器离线训练出算法模型；最终得到的模型用于线上搜索查询词并进行中心词提取，并根据提取的中心词来推荐查询词。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于自动标注的中心词提取装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于自动标注的中心词提取方法，其特征在于，包括：

从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词；

对所述多个查询词分词得到多个词；

计算所述多个词具有的特征属性；

根据所述特征属性从所述多个词中进行筛选，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

2.根据权利要求1所述的方法，其特征在于，所述多个词的特征属性为所述多个词在所述多个查询词中的词频；根据所述特征属性从所述多个词中进行筛选，具体包括：

从所述多个词中选择词频最高的词。

3.根据权利要求1-2任一项所述的方法，其特征在于，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词，具体包括：

将所述筛选后的词作为所述多个查询词中对应的页面浏览量最高的查询词的中心词。

4.根据权利要求1-3任一项所述的方法，其特征在于，在将筛选后的词作为所述多个查询词中的至少一个查询词的中心词之前，还包括：

判断所述筛选后的词是否包含在所述至少一个查询词中，并在判断结果为是时执行将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

5.根据权利要求1-4任一项所述的方法，其特征在于，在将筛选后的词作为所述多个查询词中的至少一个查询词的中心词之前，还包括：

判断所述筛选后的词与所述至少一个查询词的长度差是否位于预设区间，并在判断结果为是时执行将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

使用所述至少一个查询词和所述至少一个查询词的中心词训练用于从给定的目标查询词中提取相应中心词的模型。

7.一种基于自动标注的中心词提取装置，其特征在于，包括：

记录获取模块，用于从搜索记录中，获取多次搜索行为中点击的同一地址对应的多个查询词；

分词模块，用于对所述多个查询词分词得到多个词；

属性计算模块，用于计算所述多个词具有的特征属性；

中心词选择模块，用于根据所述多个词的特征属性从所述多个词中进行筛选，将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。

8.根据权利要求7所述的装置，其特征在于，所述多个词的特征属性为所述多个词在所述多个查询词中的词频；

所述中心词选择模块从所述多个词中选择词频最高的词。

9.根据权利要求7-8任一项所述的装置，其特征在于，

所述中心词选择模块将所述筛选后的词作为所述多个查询词中对应的页面浏览量最高的查询词的中心词。

10.根据权利要求7-9任一项所述的装置，其特征在于，还包括：

第一判断模块，用于判断所述筛选后的词是否包含在所述至少一个查询词中，所述中心词选择模块在判断结果为是时将筛选后的词作为所述多个查询词中的至少一个查询词的中心词。