CN105574040B - 一种查询串的同义变换方法及设备 - Google Patents
一种查询串的同义变换方法及设备 Download PDFInfo
- Publication number
- CN105574040B CN105574040B CN201410549700.6A CN201410549700A CN105574040B CN 105574040 B CN105574040 B CN 105574040B CN 201410549700 A CN201410549700 A CN 201410549700A CN 105574040 B CN105574040 B CN 105574040B
- Authority
- CN
- China
- Prior art keywords
- string
- synonymous
- query
- strings
- requirement
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明提供一种查询串的同义变换方法及设备，包括：将查询串进行分词处理，得到分词片段；以分词片段为单元利用正向最大匹配算法在预置的词库中对查询串进行同义词查询；用查询到的同义词替换查询串中对应的分词片段得到多个同义串；对每个同义串进行需求满意度统计，获得每个同义串的需求满意度值；对同义串按照需求满意度值由大到小的顺序进行排序；将排序在前的n个同义串作为同义变换后的查询串，n为预置的需要反馈的同义串个数。由于正向最大匹配算法是优先匹配最长的同义词，得到的同义串可以更符合用户的表达习惯，并且能够最大程度地减少语义偏移。由于需求满意度值较高的同义串更符合用户的查询意图，这样反馈的同义串更加准确。
Description
技术领域
本发明涉及搜索技术领域，特别涉及一种查询串的同义变换方法及设备。
背景技术
目前，地址搜索已经是人们生活中经常使用的一种搜索方式，例如，搜索酒店、饭店以及购物中心等。这样人们在出行前或出行中可以实现对目的地的路线规划。
但是，不同用户针对同一事物的称呼有所区别，例如，用户输入的查询串为“方恒国际大厦”，而在搜索引擎对应的数据库中只有名称为“方恒国际中心”的兴趣点数据，由此可见，虽然用户输入的查询串为“方恒国际大厦”，但其实际期望查询的是“方恒国际中心”，
因此，搜索引擎有必要对用户输入的查询串进行同义变换，将用户输入的查询串变换为数据库中可能存在的查询串，同时利用用户输入的查询串和同义变换得到的查询串进行搜索，以便快速准确地得到用户期望的搜索结果。
目前搜索引擎对查询串进行同义变换的方法是基于词典，参见图1，具体方法包括以下步骤：
S101：对用户输入的查询串进行分词处理，得到所述查询串的分词片段；例如，“方恒国际中心”的分词片段为“方/恒/国际/中心/”。
S102：基于同义词词典，查找分词片段的同义词；
S103：如果查找到分词片段的同义词，则用该分词片段的同义词替换查询串中对应分词片段，否则，进入步骤104；
S104：判断分词片段是否为最后一个分词片段，如果是，则将同义词替换得到的查询串作为结果输出，否则返回步骤102。
需要说明的是，分词片段从左至右依次为第一个到最后一个，例如“方”为第一个分词片段，“中心”为最后一个分词片段。
现有技术中的查询串同义变换方法仅是用每个分词片段的同义词替换原查询串中的分词片段，例如，查询串为“方恒国际大厦”，同义词表中有“大厦＝中心”、“大厦＝大楼”，查询串被同义变换为“方恒国际大楼、方恒国际中心”。
现有技术仅用分词片段的同义词替换的方式对查询串进行同义变换，容易导致同义变换得到的查询串不符合语言习惯和语法要求，容易造成语义偏移。
发明内容
本发明要解决的技术问题是提供一种查询串的同义变换方法及设备，能够在查询串同义变换时减少语义偏移，使同义变换后的查询串更加准确。
本发明实施例提供一种查询串的同义变换方法，包括：
将查询串进行分词处理，得到分词片段；
以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询；
用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
对同义串按照需求满意度值由大到小的顺序进行排序；
将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数。
优选地，若排在第n位的同义串A之后的同义串与A的需求满意度值相同，所述方法还包括：
对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算，将语言模型概率最大的同义串作为第n个同义串进行反馈；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
优选地，若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，所述方法还包括：
对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算，对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
优选地，所述对每个所述同义串进行需求满意度统计，具体为：
从预设的历史查询结果中，获取每个同义串对应的需求参数；
根据每个所述同义串的需求参数，进行需求满意度的线性计算。
优选地，
在预设的历史查询结果中，获取每个同义串对应的需求参数具体包括：
在预设的历史查询结果中，获取每个同义串对应的第一需求参数a和第二需求参数b；
根据每个所述同义串的需求参数，进行需求满意度的线性计算，具体为：
将每个同义串对应的第一需求参数a和第二需求参数b代入公式
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数；所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
优选地，所述方法进一步包括：
对搜索引擎积累的用户历史搜索的查询串对应的点击次数依据该点击次数分布进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
对搜索引擎积累的用户历史搜索的查询串对应的查询频次依据该查询频次分布进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
本发明实施例还提供一种查询串的同义变换设备，包括：分词模块、同义串生成模块、需求满意度统计模块、第一排序模块和反馈模块；
所述分词模块，用于将查询串进行分词处理，得到分词片段；
所述同义串生成模块，用于以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询，用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
所述需求满意度统计模块，用于对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
所述第一排序模块，用于对所述同义串按照需求满意度值由大到小的顺序进行排序；
所述反馈模块，用于将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数。
优选地，若排在第n位的同义串A之后的同义串与A的需求满意度值相同，还包括：第一语言模型概率计算模块和第一选择模块；
所述第一语言模型概率计算模块，用于对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算；
所述第一选择模块，用于将语言模型概率最大的同义串作为第n个同义串发送给所述反馈模块；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
优选地，若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，还包括：第二语言模型概率计算模块、第二排序模块和第二选择模块；
所述第二语言模型概率计算模块，用于对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算；
所述第二排序模块，用于对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；
所述第二选择模块，用于选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
优选地，所述需求满意度统计模块包括线性计算子模块，用于从预设的历史查询结果中，获取每个同义串对应的需求参数；根据每个所述同义串的需求参数，进行需求满意度的线性计算。
优选地，
当所述需求参数为两个时，所述线性计算子模块根据预设的需求参数对每个所述同义串进行线性计算获得需求满意度值，具体为：
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，a为预设的第一需求参数，所述b为预设的第二需求参数，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数；所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
优选地，所述需求满意度统计模块还包括：点击数得分子模块和查询频次得分子模块；
所述点击数得分子模块，用于对搜索引擎积累的用户历史搜索的查询串对应的点击次数依据该点击次数分布进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
所述查询频次得分子模块，用于对搜索引擎积累的用户历史搜索的查询串对应的查询频次依据该查询频次分布进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
与现有技术相比，本发明具有以下优点：
本实施例提供的搜索引擎中查询串的同义变换方法，利用正向最大匹配算法对分词片段进行同义词查询，由于正向最大匹配算法是优先匹配最长的同义词，如果有最长的就停止匹配，如果没有，就选择次长的同义词，这样不会使更长的同义串漏掉，因此，得到的同义串可以更符合用户的表达习惯，并且能够最大程度地减少语义偏移。并且对查找的同义串进行需求满意度统计，将需求满意度值较高的几个同义串进行反馈，由于需求满意度值较高的同义串更符合用户的查询意图，这样反馈的同义串更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中查询串的同义变换方法流程图；
图2是本发明提供的查询串的同义变换方法实施例一流程图；
图3是本发明提供的查询串的同义变换方法实施例二流程图；
图4是本发明提供的查询串的同义变换方法实施例三流程图；
图5是本发明提供的查询串的同义变换设备实施例一示意图；
图6是本发明提供的查询串的同义变换设备实施例二示意图；
图7是本发明提供的查询串的同义变换设备实施例三示意图；
图8是本发明提供的需求满意度统计模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
方法实施例一：
参见图2，该图为本发明提供的查询串的同义变换方法实施例一流程图。
本实施例提供的搜索引擎中查询串的同义变换方法，包括：
S201：将查询串进行分词处理，得到分词片段；
需要说明的是，S201可以利用现有技术中的分词处理方法，例如，查询串为“北京市朝阳区阜通东大街方恒国际中心”，分词处理后得到的分词片段为：“北京市/朝阳区/阜通东大街/方恒国际中心”、“北京/市/朝阳/区/阜通/东/大街/方恒/国际/中心”等多个粒度的分词结果。
可以理解的是，一个查询串可以有多种分词结果，可以分的粒度较大，也可以分的粒度较小。
S202：以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询；
S203：用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
下面举例说明正向最大匹配算法，从第一个分词片段开始，优先匹配更长的同义串，如果查找成功则使用同义词集合替换原词，下次查询匹配时从这次匹配成功的原词的下一个分词片段开始。如果查找不成功，则跳过该分词片段，下次查找时，从下个分词片段开始匹配。一直重复上述过程，直到查询串的末尾结束。
例如，一个查询串ABCD分词为A/B/C/D四个分词片段，首先，匹配ABCD，如果查找成功，则不用继续查找ABC、AB等词了。如果ABCD查找不成功，则查找ABC，如果ABC查找成功了，就不查找AB了。同理，如果ABC查找不成功，则查找AB。AB查找成功了，就从C开始进行最长匹配，即查找CD。
例如，查询串为“北京北七家建材市场”，分词处理后的最小基本切分粒度为“北京/北/七/家/建材/市场”。
查询“北京北七家建材市场”、“北京北七家建材”、“北京北七家”、“北京北七”、“北京北”、“北京”这几个查询串，结果都没有同义词，则指针指向当前分词片段“北京”的下一个分词片段“北”。
查询“北七家建材市场”、“北七家建材”、“北七家”、“北七”、“北”这几个串，结果都没有同义词，则指针指向当前分词片段“北”的下一个分词片段“七”。
查询“七家建材市场”、“七家建材”、“七家”、“七”这几个串，结果只有“七”有同义词“7”，则指针指向匹配同义词“七”的下一个分词片段“家”。
查询“家建材市场”、“家建材”、“家”这几个串，结果都没有同义词，则指针指向当前分词片段“家”的下一个分词片段“建材”。
查询“建材市场”、“建材”这几个串，结果“建材市场”有同义词“建材城，建筑材料市场，建材批发市场，建材超市”；“建材”有同义词“建筑材料，建材批发，建材装修”，依据最大正向匹配原则，此次同义词替换更长的“建材市场”，则指针指向当前分词片段“建材市场”的下一个分词片段“末尾”。
至此，同义词查找结束，原查询串构建出“北京北七家建材城”、“北京北七家建筑材料市场”、“北京北七家建材批发市场”、“北京北七家建材超市”、“北京北7家建材城”、“北京北7家建筑材料市场”、“北京北7家建材批发市场”、“北京北7家建材超市”这八个同义串。
利用这种正向最大匹配算法的方式查询同义串比较符合用户的表达习惯，并且能够最大程度地减少语义偏移。
S204：对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
需要说明的是，需求满意度统计是针对历史用户行为进行统计的。例如，针对以上“北京北七家建材市场”查找出来的八个同义串，每个同义串都有对应的需求满意度，需求满意度较高的就是符合用户查询意图的，这样反馈的同义串才是有意义的。
S205：对同义串按照需求满意度值由大到小的顺序进行排序；
S206：将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数。
因为反馈的同义串可能要求的是2个、3个或4个(即n的取值)，甚至更多。例如“北京北七家建材市场”查找出来的八个同义串，但是有可能仅需要反馈3个同义串即可，因此，不必将这个八个同义串均反馈，只需要将需求满意度较高的同义串反馈就可以了。
例如，需要反馈的同义串为2个，需求满意度值最高的2个同义串(这两个同义串的需求满意度值不相同)是：“北京北七家建材市场”和“北京北七家建材批发市场”。
还有一种情况是，有2个同义串的需求满意度值最高，并且这两个同义串的需求满意度值相等，这样就直接反馈这2个同义串即可。
还有一种情况是，需求满意度值最高的同义串有1个(例如为a)，排序第二高的需求满意度值对应的同义串有2个(例如为b和c)，由于需要反馈的同义串要求为2个，第二个同义串反馈b还是c，可以随机来反馈，可以反馈b，也可以反馈c。
综上所述，本实施例提供的搜索引擎中查询串的同义变换方法，利用正向最大匹配算法对分词片段进行同义词查询，得到的同义串可以更符合用户的表达习惯，并且能够最大程度地减少语义偏移。并且对查找的同义串进行需求满意度统计，将需求满意度值较高的几个同义串进行反馈，由于需求满意度值较高的同义串更符合用户的查询意图，这样反馈的同义串更加准确。
方法实施例二：
参见图3，该图为本发明提供的查询串的同义变换方法实施例二流程图。
实施例一中介绍了若排在第n位的同义串A之后的同义串与A的需求满意度值相同，可以将这些需求满意度值相等的同义串中的任意一个随机作为第n个同义串进行反馈。下面介绍本发明实施例针对这种情况不随机反馈，而是依据语言模型概率的大小进行选择性地反馈。
例如，如果需要反馈2个同义串，而需求满意度值排序在第2位和第3位的两个同义串的需求满意度值相等，这两个同义串分别b和c来表示，此时需要判断b和c对应的语言模型概率的大小，将语言模型概率较大的那个同义串反馈，另一个舍弃。例如，b的语言模型概率大于c的语言模型概率，则将b反馈，将c舍弃。
本实施例中的S301-S304分别与方法实施例一中的S201-S204相同，本实施例以下步骤与方法实施例一中不同。
S305：对同义串按照需求满意度值由大到小的顺序进行排序；
下面介绍需求满意度值的计算方法，对所述同义串候选集合中的每个同义串进行需求满意度统计，具体为：从预设的历史查询结果中，获取每个同义串对应的需求参数；
根据每个所述同义串的需求参数，进行需求满意度的线性计算。
可以理解的是，需求参数可以根据实际需要来设置，可以设置一个，也可以设置两个，也可以设置更多个。
当所述需求参数为两个时，根据预设的需求参数进行线性计算获得需求满意度值，具体为：
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，a为预设的第一需求参数，所述b为预设的第二需求参数，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数。
需要说明的是，加权系数也可以根据实际需要来设置。
本实施例中举例两个需求参数，分别为：所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
预先获得所述点击数得分具体为：
对搜索引擎积累的用户历史搜索的查询串对应的点击次数依据该点击次数分布进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
预先获得所述查询频次得分具体为：
对搜索引擎积累的用户历史搜索的查询串对应的查询频次依据该查询频次分布进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
下面简单介绍一下归一化具体实现：
用户搜索日志中包括查询串点击日志和查询串查询日志。这两种日志的格式相同。
日志格式具体为：查询串和查询频次；点击查询词和点击次数。
归一化的过程就是将查询频次和点击次数转化为0～1之间的值，目的是为了让它们之间可以进行比较。
查询频次归一化为0～1之间的得分，点击次数也是0～1之间得分，它们的线性加权(比如查询加权系数0.4，点击加权系数为0.6)得分也是在0～1之间；
以查询频次为例：A、B、C、D和E分别代表不同的同义串，A查询频次是100，B查询频次是50，C查询频次是30，D查询频次是10，假设查询频次为100的同义串的归一化值为1，查询频次为0的同义串的归一化值为0，则A、B、C、D和E归一化之后的查询频次分别是：1、0.5、0.3、0.1、0.05。
以上仅为一种归一化方式举例，在本发明其他实施例中亦可根据用户历史搜索记录情况确定其他的归一化方式，比如，可以设定大于等于某一查询频次X(比如1万次)的同义串的归一化值为1，查询频次为0的同义串归一化值为0，则大于0小于该查询频次X(比如1万次)的查询频次Y的归一化值＝查询频次Y/查询频次X。
下面举例以k1为0.7，k2为0.3为例来进行计算；
北京北七家建材市场：点击数得分:0.02；查询频次得分:0.03；需求满意度值:0.023；
北京北七家建材城：点击数得分:0；查询频次得分:0.006；需求满意度值:0.0018；
北京北七家建筑材料市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北七家建材批发市场：点击数得分:0.2；查询频次得分:0.25；需求满意度值:0.215；
北京北七家建材超市：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材城：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建筑材料市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材批发市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材超市：点击数得分:0；查询频次得分:0；需求满意度值:0；
从以上计算可知，需求满意度值最高的是“北京北七家建材市场”和“北京北七家建材批发市场”。
S306：判断是否存在排在第n位的同义串A之后的同义串与A的需求满意度值相同；如果是，则执行S308；反之执行S307；
S307：将所述需求满意度值排序在前的n个同义串作为同义变换后的查询串进行搜索。
S308：对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算，将语言模型概率最大的同义串作为第n个同义串进行反馈；将需求满意度值排序在前的(n-1)个同义串进行反馈；所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
例如，需求满意度值排在第2位的A与需求满意度值排在第3位的B的需求满意度值相同，则需要计算A和B的语言概率模块，将语言模型概率较大的一个同义串作为第2个同义串进行反馈。例如A的语言模型概率比B的语言模型概率大，则将A作为第2个同义串进行反馈。
下面举例说明语言模型概率的计算方式：
对于查询串分词后的分词片段之间的语言模型概率统计信息如下表1所示：
表1
| 前分词片段 | 后分词片段 | 语言模型概率 |
| 起始 | 北京 | 4.78216 |
| 北京 | 北 | 5.87511 |
| 北 | 七 | 7.40417 |
| 北 | 7 | 10.5418 |
| 七 | 家 | 4.60616 |
| 7 | 家 | 8.92737 |
| 家 | 建材 | 6.51479 |
| 市场 | 终止 | 0.085807 |
| 家 | 建筑 | 11.9319 |
| 城 | 终止 | 0.351018 |
| 超市 | 终止 | 1.25312 |
从表1中可以看出，第一行是“起始”和第一个分词片段“北京”之间的语言模型概率4.78216，第二行是第一个分词片段“北京”和第二个分词片段“北”之间的语言模型概率5.87511，以此类推。
对于每个同义串中分词片段之间的语言模型概率按照表1统计的数值进行累加，得到该同义串的语言模型概率如下：
北京北七家建材市场对应的语言模型概率：29.2682；
北京北七家建材城对应的语言模型概率：29.5334；
北京北七家建筑材料市场对应的语言模型概率：34.6853；
北京北七家建材批发市场对应的语言模型概率：29.2682；
北京北七家建材超市对应的语言模型概率：30.4355；
北京北7家建材市场对应的语言模型概率：37.0837；
北京北7家建材城对应的语言模型概率：37.3489；
北京北7家建筑材料市场对应的语言模型概率：42.5008；
北京北7家建材批发市场对应的语言模型概率：37.0837；
北京北7家建材超市对应的语言模型概率：38.251。
可以理解的是，本实施例提供的方法，需求满意度值的优先级高于语言模型概率，只有当排在第n位的同义串A之后的同义串与A的需求满意度值相同时，才利用语言模型概率来选择同义串，利用语言模型概率选择同义串可以使反馈的同义串更符合语言习惯和语法，使同义串的流畅度更高。
方法实施例三：
参见图4，该图为本发明提供的查询串的同义变换方法实施例三流程图。
方法实施例二中介绍了若排在第n位的同义串A之后的同义串与A的需求满意度值相同时，则通过计算语言模型概率选择同义串的情况，本实施例中介绍若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，通过计算语言模型概率选择同义串的情况。
本实施例中S401-S405分别与方法实施例二中的S301-S305相同，在此不再赘述。
S406：判断排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，如果是，则执行S408；反之执行S407；
S407：将所述需求满意度值排序在前的n个同义串作为同义变换后的查询串进行搜索。
S408：对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算，对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；将需求满意度值排序在前的m个同义串进行反馈；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
例如，需要反馈的同义串为3个，需求满意度值排在第2位、第3位和第4位的三个同义串(A1、A、A2)的需求满意度值均相等，则需要从这三个同义串中挑选出2个同义串作为第2个同义串和第3个同义串进行反馈。此时，需要对A1、A和A2均计算语言模型概率，从中选择语言模型概率较大的两个同义串进行反馈，例如，A1和A2的语言模型概率均比A大，则反馈A1和A2。
可以理解的是，本实施例提供的方法，需求满意度值的优先级高于语言模型概率，只有当排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同时，才利用语言模型概率来选择同义串，利用语言模型概率选择同义串可以使反馈的同义串更符合语言习惯和语法，使同义串的流畅度更高。
基于以上实施例提供的一种搜索引擎中查询串的同义变换方法，本发明实施例还提供一种搜索引擎中查询串的同义变换设备，下面结合附图进行详细介绍。
设备实施例一：
参见图5，该图为本发明提供的查询串的同义变换设备实施例一示意图。
本实施例提供的一种搜索引擎中查询串的同义变换设备，包括：分词模块501、同义串生成模块502、需求满意度统计模块503、第一排序模块504和反馈模块505；
所述分词模块501，用于将查询串进行分词处理，得到分词片段；
例如，查询串为“北京市朝阳区阜通东大街方恒国际中心”，分词处理后得到的分词片段为：“北京市/朝阳区/阜通东大街/方恒国际中心”、“北京/市/朝阳/区/阜通/东/大街/方恒/国际/中心”等多个粒度的分词结果。
可以理解的是，一个查询串可以有多种分词结果，可以分的粒度较大，也可以分的粒度较小。
所述同义串生成模块502，用于以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询，用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
下面举例说明正向最大匹配算法，从第一个分词片段开始，优先匹配更长的同义串，如果查找成功则使用同义词集合替换原词，下次查询匹配时从这次匹配成功的原词的下一个分词片段开始。如果查找不成功，则跳过该分词片段，下次查找时，从下个分词片段开始匹配。一直重复上述过程，直到查询串的末尾结束。
例如，一个查询串ABCD分词为A/B/C/D四个分词片段，首先，匹配ABCD，如果查找成功，则不用继续查找ABC、AB等词了。如果ABCD查找不成功，则查找ABC，如果ABC查找成功了，就不查找AB了。同理，如果ABC查找不成功，则查找AB。AB查找成功了，就从C开始进行最长匹配，即查找CD。
例如，查询串为“北京北七家建材市场”，分词处理后的最小基本切分粒度为“北京/北/七/家/建材/市场”。
查询“北京北七家建材市场”、“北京北七家建材”、“北京北七家”、“北京北七”、“北京北”、“北京”这几个查询串，结果都没有同义词，则指针指向当前分词片段“北京”的下一个分词片段“北”。
查询“北七家建材市场”、“北七家建材”、“北七家”、“北七”、“北”这几个串，结果都没有同义词，则指针指向当前分词片段“北”的下一个分词片段“七”。
查询“七家建材市场”、“七家建材”、“七家”、“七”这几个串，结果只有“七”有同义词“7”，则指针指向匹配同义词“七”的下一个分词片段“家”。
查询“家建材市场”、“家建材”、“家”这几个串，结果都没有同义词，则指针指向当前分词片段“家”的下一个分词片段“建材”。
查询“建材市场”、“建材”这几个串，结果“建材市场”有同义词“建材城，建筑材料市场，建材批发市场，建材超市”；“建材”有同义词“建筑材料，建材批发，建材装修”，依据最大正向匹配原则，此次同义词替换更长的“建材市场”，则指针指向当前分词片段“建材市场”的下一个分词片段“末尾”。
至此，同义词查找结束，原查询串构建出“北京北七家建材城”、“北京北七家建筑材料市场”、“北京北七家建材批发市场”、“北京北七家建材超市”、“北京北7家建材城”、“北京北7家建筑材料市场”、“北京北7家建材批发市场”、“北京北7家建材超市”这八个同义串。
利用这种正向最大匹配算法的方式查询同义串比较符合用户的表达习惯，并且能够最大程度地减少语义偏移。
所述需求满意度统计模块503，用于对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
需要说明的是，需求满意度统计是针对历史用户行为进行统计的。例如，针对以上“北京北七家建材市场”查找出来的八个同义串，每个同义串都有对应的需求满意度，需求满意度较高的就是符合用户查询意图的，这样反馈的同义串才是有意义的。
所述第一排序模块504，用于对所述同义串按照需求满意度值由大到小的顺序进行排序；
所述反馈模块505，用于将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数。
因为反馈的同义串可能要求的是2个、3个或4个(即n的取值)，甚至更多。例如“北京北七家建材市场”查找出来的八个同义串，但是有可能仅需要反馈3个同义串即可，因此，不必将这个八个同义串均反馈，只需要将需求满意度较高的同义串反馈就可以了。
例如，需要反馈的同义串为2个，需求满意度值最高的2个同义串(这两个同义串的需求满意度值不相同)是：“北京北七家建材市场”和“北京北七家建材批发市场”。
还有一种情况是，有2个同义串的需求满意度值最高，并且这两个同义串的需求满意度值相等，这样就直接反馈这2个同义串即可。
还有一种情况是，需求满意度值最高的同义串有1个(例如为a)，排序第二高的需求满意度值对应的同义串有2个(例如为b和c)，由于需要反馈的同义串要求为2个，第二个同义串反馈b还是c，可以随机来反馈，可以反馈b，也可以反馈c。
综上所述，本实施例提供的搜索引擎中查询串的同义变换设备，利用正向最大匹配算法对分词片段进行同义词查询，得到的同义串可以更符合用户的表达习惯，并且能够最大程度地减少语义偏移。并且对查找的同义串进行需求满意度统计，将需求满意度值较高的几个同义串进行反馈，由于需求满意度值较高的同义串更符合用户的查询意图，这样反馈的同义串更加准确。
设备实施例二：
参见图6，该图为本发明提供的查询串的同义变换设备实施例二示意图。
设备实施例一中介绍了若排在第n位的同义串A之后的同义串与A的需求满意度值相同，可以将这些需求满意度值相等的同义串中的任意一个随机作为第n个同义串进行反馈。下面介绍本发明实施例针对这种情况不随机反馈，而是依据语言模型概率的大小进行选择性地反馈。
例如，如果需要反馈2个同义串，而需求满意度值排序在第2位和第3位的两个同义串的需求满意度值相等，这两个同义串分别以b和c来表示，此时需要判断b和c对应的语言模型概率的大小，将语言模型概率较大的那个同义串反馈，另一个舍弃。例如，b的语言模型概率大于c的语言模型概率，则将b反馈，将c舍弃。
当排在第n位的同义串A之后的同义串与A的需求满意度值相同时，还包括：第一语言模型概率计算模块601和第一选择模块602；
所述第一语言模型概率计算模块601，用于对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算；
语言模型概率的计算方式可以参见以上的表1。
所述第一选择模块602，用于将语言模型概率最大的同义串作为第n个同义串发送给所述反馈模块505；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
所述反馈模块505，用于将所述需求满意度值排序在前的n个同义串作为同义变换后的查询串进行搜索，具体为：将将语言模型概率最大的同义串作为第n个同义串进行反馈；将需求满意度值排序在前的(n-1)个同义串进行反馈。
可以理解的是，本实施例提供的设备，需求满意度值的优先级高于语言模型概率，只有当排在第n位的同义串A之后的同义串与A的需求满意度值相同时，才利用语言模型概率来选择同义串，利用语言模型概率选择同义串可以使反馈的同义串更符合语言习惯和语法，使同义串的流畅度更高。
设备实施例三：
参见图7，该图为本发明提供的查询串的同义变换设备实施例三示意图。
设备实施例二中介绍了若排在第n位的同义串A之后的同义串与A的需求满意度值相同时，则通过计算语言模型概率选择同义串的情况，本实施例中介绍若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，通过计算语言模型概率选择同义串的情况。
若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，还包括：第二语言模型概率计算模块701、第二排序模块702和第二选择模块703；
所述第二语言模型概率计算模块701，用于对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算；
所述第二排序模块702，用于对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；
所述第二选择模块703，用于选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
例如，需要反馈的同义串为3个，需求满意度值排在第2位、第3位和第4位的三个同义串(A1、A、A2)的需求满意度值均相等，则需要从这三个同义串中挑选出2个同义串作为第2个同义串和第3个同义串进行反馈。此时，需要对A1、A和A2均计算语言模型概率，从中选择语言模型概率较大的两个同义串进行反馈，例如，A1和A2的语言模型概率均比A大，则反馈A1和A2。
可以理解的是，本实施例提供的设备，需求满意度值的优先级高于语言模型概率，只有当排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同时，才利用语言模型概率来选择同义串，利用语言模型概率选择同义串可以使反馈的同义串更符合语言习惯和语法，使同义串的流畅度更高。
设备实施例四：
参见图8，该图为本发明提供的需求满意度统计模块示意图。
下面具体介绍需求满意度值的计算方式。
本实施例提供的需求满意度统计模块包括线性计算子模块503a，用于从预设的历史查询结果中，获取每个同义串对应的需求参数；根据每个所述同义串的需求参数，进行需求满意度的线性计算。
当所述需求参数为两个时，所述线性计算子模块503a根据预设的需求参数进行线性计算获得需求满意度值，具体为：
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，a为预设的第一需求参数，所述b为预设的第二需求参数，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数；所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
需要说明的是，加权系数也可以根据实际需要来设置。
可以理解的是，需求参数可以根据实际需要来设置，可以设置两个，也可以设置更多个。
需求满意度统计模块还包括：点击数得分子模块503b和查询频次子得分模块503c；
所述点击数得分子模块503b，用于对搜索引擎积累的用户历史搜索的查询串对应的点击次数依据该点击次数分布进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
所述查询频次得分子模块503c，用于对搜索引擎积累的用户历史搜索的查询串对应的查询频次依据该查询频次分布进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
下面举例以k1为0.7，k2为0.3为例来进行计算；
北京北七家建材市场：点击数得分:0.02；查询频次得分:0.03；需求满意度值:0.023；
北京北七家建材城：点击数得分:0；查询频次得分:0.006；需求满意度值:0.0018；
北京北七家建筑材料市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北七家建材批发市场：点击数得分:0.2；查询频次得分:0.25；需求满意度值:0.215；
北京北七家建材超市：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材城：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建筑材料市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材批发市场：点击数得分:0；查询频次得分:0；需求满意度值:0；
北京北7家建材超市：点击数得分:0；查询频次得分:0；需求满意度值:0；
从以上计算可知，需求满意度值最高的是“北京北七家建材市场”和“北京北七家建材批发市场”。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种查询串的同义变换方法，其特征在于，包括：
将查询串进行分词处理，得到分词片段；
以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询；
用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
对同义串按照需求满意度值由大到小的顺序进行排序；
将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数；
若排在第n位的同义串A之后的同义串与A的需求满意度值相同，所述方法还包括：
对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算，将语言模型概率最大的同义串作为第n个同义串进行反馈；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
2.根据权利要求1所述的查询串的同义变换方法，其特征在于，若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，所述方法还包括：
对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算，对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
3.根据权利要求1所述的查询串的同义变换方法，其特征在于，所述对每个所述同义串进行需求满意度统计，具体为：
从预设的历史查询结果中，获取每个同义串对应的需求参数；
根据每个所述同义串的需求参数，进行需求满意度的线性计算。
4.根据权利要求3所述的查询串的同义变换方法，其特征在于，
在预设的历史查询结果中，获取每个同义串对应的需求参数具体包括：
在预设的历史查询结果中，获取每个同义串对应的第一需求参数a和第二需求参数b；
根据每个所述同义串的需求参数，进行需求满意度的线性计算，具体为：
将每个同义串对应的第一需求参数a和第二需求参数b代入公式
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数；所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
5.根据权利要求4所述的查询串的同义变换方法，其特征在于，所述预先获得所述点击数得分和所述查询频次得分进一步包括：
对用户搜索日志中记录的查询串的点击次数进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
对用户搜索日志中记录的查询串的查询频次进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
6.一种查询串的同义变换设备，其特征在于，包括：分词模块、同义串生成模块、需求满意度统计模块、第一排序模块和反馈模块；
所述分词模块，用于将查询串进行分词处理，得到分词片段；
所述同义串生成模块，用于以分词片段为单元利用正向最大匹配算法在预置的词库中对所述查询串进行同义词查询，用查询到的同义词替换查询串中对应的分词片段得到多个同义串；
所述需求满意度统计模块，用于对每个所述同义串进行需求满意度统计，获得每个同义串的需求满意度值；
所述第一排序模块，用于对所述同义串按照需求满意度值由大到小的顺序进行排序；
所述反馈模块，用于将排序在前的n个同义串作为同义变换后的查询串，所述n为预置的需要反馈的同义串个数，n为整数；
若排在第n位的同义串A之后的同义串与A的需求满意度值相同，所述同义变换设备还包括：第一语言模型概率计算模块和第一选择模块；
所述第一语言模型概率计算模块，用于对A以及与A的需求满意度值相同的所有同义串进行语言模型概率计算；
所述第一选择模块，用于将语言模型概率最大的同义串作为第n个同义串发送给所述反馈模块；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
7.根据权利要求6所述的查询串的同义变换设备，其特征在于，若排在第n位的同义串A之前的同义串和之后的同义串与A的需求满意度相同，还包括：第二语言模型概率计算模块、第二排序模块和第二选择模块；
所述第二语言模型概率计算模块，用于对A以及与A的需求满意度相同的所有同义串进行语言模型概率计算；
所述第二排序模块，用于对同义串按照计算出来的语言模型概率由大到小的顺序进行排序；
所述第二选择模块，用于选出所述语言模型概率排序在前的(n-m)个同义串进行反馈，所述m小于n，所述m为排在A之前且需求满意度值与A不同的同义串的总数；
所述语言模型概率为：同义串的两两相邻的分词片段之间的转移概率之和。
8.根据权利要求6所述的查询串的同义变换设备，其特征在于，所述需求满意度统计模块包括线性计算子模块，用于从预设的历史查询结果中，获取每个同义串对应的需求参数；
根据每个所述同义串的需求参数，进行需求满意度的线性计算。
9.根据权利要求8所述的查询串的同义变换设备，其特征在于，
当所述需求参数为两个时，所述线性计算子模块根据预设的需求参数对每个所述同义串进行线性计算获得需求满意度值，具体为：
y＝k1a+k2b；
k1+k2＝1；
其中，y为所述需求满意度值，a为预设的第一需求参数，所述b为预设的第二需求参数，所述k1为所述第一需求参数的加权系数，所述k2为所述第二需求参数的加权系数；所述第一需求参数为每个同义串的点击数得分；所述第二需求参数为每个同义串的查询频次得分；所述点击数得分和所述查询频次得分均为预先获得的。
10.根据权利要求9所述的查询串的同义变换设备，其特征在于，所述需求满意度统计模块还包括：点击数得分子模块和查询频次得分子模块；
所述预先获得所述点击数得分和所述查询频次得分包括：
所述点击数得分子模块，用于对用户搜索日志中记录的查询串的点击次数进行归一化处理，将每个查询串的点击次数映射到0～1的值域空间内，得到所述点击数得分；
所述查询频次得分子模块，用于对用户搜索日志中记录的查询串的查询频次进行归一化处理，将每个查询串的查询频次映射到0～1的值域空间内，得到所述查询频次得分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410549700.6A CN105574040B (zh) | 2014-10-16 | 2014-10-16 | 一种查询串的同义变换方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410549700.6A CN105574040B (zh) | 2014-10-16 | 2014-10-16 | 一种查询串的同义变换方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574040A CN105574040A (zh) | 2016-05-11 |
| CN105574040B true CN105574040B (zh) | 2020-04-10 |
Family
ID=55884183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410549700.6A Expired - Fee Related CN105574040B (zh) | 2014-10-16 | 2014-10-16 | 一种查询串的同义变换方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574040B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368262A (zh) * | 2011-10-14 | 2012-03-07 | 北京百度网讯科技有限公司 | 一种提供与查询序列相对应的搜索建议的方法与设备 |
| CN102722498A (zh) * | 2011-03-31 | 2012-10-10 | 北京百度网讯科技有限公司 | 搜索引擎及其实现方法 |
| CN103187052A (zh) * | 2011-12-29 | 2013-07-03 | 北京百度网讯科技有限公司 | 一种建立用于语音识别的语言模型的方法及装置 |
| CN103870505A (zh) * | 2012-12-17 | 2014-06-18 | 阿里巴巴集团控股有限公司 | 一种查询词推荐方法和查询词推荐系统 |
-
2014
- 2014-10-16 CN CN201410549700.6A patent/CN105574040B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722498A (zh) * | 2011-03-31 | 2012-10-10 | 北京百度网讯科技有限公司 | 搜索引擎及其实现方法 |
| CN102368262A (zh) * | 2011-10-14 | 2012-03-07 | 北京百度网讯科技有限公司 | 一种提供与查询序列相对应的搜索建议的方法与设备 |
| CN103187052A (zh) * | 2011-12-29 | 2013-07-03 | 北京百度网讯科技有限公司 | 一种建立用于语音识别的语言模型的方法及装置 |
| CN103870505A (zh) * | 2012-12-17 | 2014-06-18 | 阿里巴巴集团控股有限公司 | 一种查询词推荐方法和查询词推荐系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574040A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10783171B2 (en) | Address search method and device | |
| WO2020182019A1 (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| US8560513B2 (en) | Searching for information based on generic attributes of the query | |
| WO2017097061A1 (zh) | 智能应答方法及装置 | |
| CN110147421B (zh) | 一种目标实体链接方法、装置、设备及存储介质 | |
| CN105045799A (zh) | 可搜索索引 | |
| JP6355840B2 (ja) | ストップワード識別方法および装置 | |
| CN103870505A (zh) | 一种查询词推荐方法和查询词推荐系统 | |
| CN104199965A (zh) | 一种语义信息检索方法 | |
| CN102456058A (zh) | 类目信息提供方法及装置 | |
| JP2012524314A (ja) | データ検索およびインデクシングの方法および装置 | |
| CN110019658A (zh) | 检索项的生成方法及相关装置 | |
| CN103853722A (zh) | 一种基于检索串的关键词扩展方法、装置和系统 | |
| CN108446316B (zh) | 联想词的推荐方法、装置、电子设备及存储介质 | |
| CN102110126A (zh) | 信息检索方法及装置 | |
| CN109388634B (zh) | 地址信息的处理方法、终端设备及计算机可读存储介质 | |
| CN110990533A (zh) | 确定查询文本所对应标准文本的方法及装置 | |
| CN115905489B (zh) | 一种提供招投标信息搜索服务的方法 | |
| CN110851584B (zh) | 一种法律条文精准推荐系统和方法 | |
| CN102385597B (zh) | 一种poi的容错搜索方法 | |
| CN105574040B (zh) | 一种查询串的同义变换方法及设备 | |
| CN112800314B (zh) | 搜索引擎询问自动补全的方法、系统、存储介质及设备 | |
| CN111177585A (zh) | 地图poi反馈方法及装置 | |
| CN105159899B (zh) | 一种搜索的方法和装置 | |
| CN110851560B (zh) | 信息检索方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200507 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: Alibaba (China) Co.,Ltd. Address before: 102200, No. 8, No., Changsheng Road, Changping District science and Technology Park, Beijing, China. 1-5 Patentee before: AUTONAVI SOFTWARE Co.,Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200410 Termination date: 20201016 |