CN107463704A - 基于人工智能的搜索方法和装置 - Google Patents

Abstract

本申请实施例公开了基于人工智能的搜索方法和装置。该方法的一具体实施方式包括：接收用户输入的搜索用信息；基于搜索用信息，确定候选推送信息集合；利用预先训练的评分模型基于搜索用信息和候选推送信息集合，预测候选推送信息集合中的每条候选推送信息被点击的概率，其中，评分模型是基于预先存储的第一搜索用信息集合、第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；按照被点击的概率由大到小的顺序，从候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将推送信息序列推送至用户的终端设备。该实施方式提高了信息推送的有效性。

Description

基于人工智能的搜索方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及基于人工智能的搜索方法和装置。

背景技术

人工智能(Artificial Intelligence，AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

现有的搜索引擎针对某个查询所返回的经排序后的搜索结果通常综合了多方面的信息，例如相关性、领域权威性、时效性等等，但通常未能重点突出某一方面的信息，例如未能重点突出搜索结果所体现的领域权威性或时效性等等。这里，领域权威性可以指针对该查询词所指向的意图领域，搜索结果所表现出来的针对该领域话题的集中度和可信度。

发明内容

本申请实施例的目的在于提出一种改进的基于人工智能的搜索方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种基于人工智能的搜索方法，该方法包括：接收用户输入的搜索用信息；基于上述搜索用信息，确定候选推送信息集合；利用预先训练的评分模型基于上述搜索用信息和上述候选推送信息集合，预测上述候选推送信息集合中的每条候选推送信息被点击的概率，其中，上述评分模型是基于预先存储的第一搜索用信息集合、上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和上述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；按照被点击的概率由大到小的顺序，从上述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将上述推送信息序列推送至上述用户的终端设备。

在一些实施例中，上述基于上述搜索用信息，确定候选推送信息集合，包括：确定预先存储的历史搜索用信息列表中是否存在与上述搜索用信息匹配的目标历史搜索用信息，若是，则将上述目标历史搜索用信息所对应的拟推送信息集合作为上述候选推送信息集合，其中，上述历史搜索用信息列表中的每条历史搜索用信息对应拟推送信息集合。

在一些实施例中，上述基于上述搜索用信息，确定候选推送信息集合，包括：若不存在上述目标历史搜索用信息，则将上述搜索用信息发送至所连接的数据库服务器，以使上述数据库服务器返回上述候选推送信息集合。

在一些实施例中，上述利用预先训练的评分模型基于上述搜索用信息和上述候选推送信息集合，预测上述候选推送信息集合中的每条候选推送信息被点击的概率，包括：从上述搜索用信息中提取出关键词生成第一关键词向量；从上述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词向量；对于所生成的每个第二关键词向量，将上述第一关键词向量和该第二关键词向量导入上述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

在一些实施例中，在上述接收用户输入的搜索用信息之前，上述方法还包括：执行以下模型训练步骤：对于上述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、上述多个推送信息对和上述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，上述多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的上述机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，上述测试样本集合中的每个测试样本包括第二搜索用信息和上述第二搜索用信息所对应的测试用信息对，上述测试用信息对中的各条测试用信息具有预设的互不相同的优先级；基于上述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定上述预测结果的错误率；若上述错误率低于阈值，则将当前经训练后的上述机器学习模型作为上述评分模型；若上述错误率不低于上述阈值，则基于上述预测结果中的错误结果，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行上述模型训练步骤。

在一些实施例中，上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息来源于不同的网站，并且对于上述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，上述各条测试用信息中的至少两条测试用信息来源于不同的网站。

在一些实施例中，上述基于上述预测结果中的错误结果，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，包括：将上述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组；将上述多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于上述目标网站的推送信息的优先级进行调整。

在一些实施例中，上述基于该第一搜索用信息、上述多个推送信息对和上述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，包括：分别获取该第一搜索用信息对应的第一词向量和上述多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量，其中，上述第二词向量是基于该推送信息所包括的关键词生成的，上述第一词向量是基于该第一搜索用信息所包括的关键词生成的；对于上述多个推送信息对中的每个推送信息对，将上述第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入上述机器学习模型，得到该推送信息对中的各条推送信息被点击的概率，基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对上述机器学习模型进行调整。

第二方面，本申请实施例提供了一种基于人工智能的搜索装置，该装置包括：接收单元，配置用于接收用户输入的搜索用信息；确定单元，配置用于基于上述搜索用信息，确定候选推送信息集合；预测单元，配置用于利用预先训练的评分模型基于上述搜索用信息和上述候选推送信息集合，预测上述候选推送信息集合中的每条候选推送信息被点击的概率，其中，上述评分模型是基于预先存储的第一搜索用信息集合、上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和上述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；推送单元，配置用于按照被点击的概率由大到小的顺序，从上述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将上述推送信息序列推送至上述用户的终端设备。

在一些实施例中，上述确定单元包括：确定子单元，配置用于确定预先存储的历史搜索用信息列表中是否存在与上述搜索用信息匹配的目标历史搜索用信息，若是，则将上述目标历史搜索用信息所对应的拟推送信息集合作为上述候选推送信息集合，其中，上述历史搜索用信息列表中的每条历史搜索用信息对应拟推送信息集合。

在一些实施例中，上述确定单元包括：发送子单元，配置用于若不存在上述目标历史搜索用信息，则将上述搜索用信息发送至所连接的数据库服务器，以使上述数据库服务器返回上述候选推送信息集合。

在一些实施例中，上述预测单元包括：第一提取子单元，配置用于从上述搜索用信息中提取出关键词生成第一关键词向量；第二提取子单元，配置用于从上述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词向量；导入子单元，配置用于对于所生成的每个第二关键词向量，将上述第一关键词向量和该第二关键词向量导入上述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

在一些实施例中，上述装置还包括：训练单元，配置用于执行以下模型训练步骤：对于上述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、上述多个推送信息对和上述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，上述多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的上述机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，上述测试样本集合中的每个测试样本包括第二搜索用信息和上述第二搜索用信息所对应的测试用信息对，上述测试用信息对中的各条测试用信息具有预设的互不相同的优先级；基于上述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定上述预测结果的错误率；若上述错误率低于阈值，则将当前经训练后的上述机器学习模型作为上述评分模型；处理单元，配置用于若上述错误率不低于上述阈值，则基于上述预测结果中的错误结果，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行上述模型训练步骤。

在一些实施例中，上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息来源于不同的网站，并且对于上述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，上述各条测试用信息中的至少两条测试用信息来源于不同的网站。

在一些实施例中，上述处理单元包括：聚类子单元，配置用于将上述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组；优先级调整子单元，配置用于将上述多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于上述目标网站的推送信息的优先级进行调整。

在一些实施例中，上述训练单元包括：获取子单元，配置用于分别获取该第一搜索用信息对应的第一词向量和上述多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量，其中，上述第二词向量是基于该推送信息所包括的关键词生成的，上述第一词向量是基于该第一搜索用信息所包括的关键词生成的；训练子单元，配置用于对于上述多个推送信息对中的每个推送信息对，将上述第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入上述机器学习模型，得到该推送信息对中的各条推送信息被点击的概率，基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对上述机器学习模型进行调整。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的基于人工智能的搜索方法和装置，通过在接收到用户输入的搜索用信息后基于该搜索用信息确定候选推送信息集合，以便于利用预先训练的评分模型基于该搜索用信息和该候选推送信息集合，预测该候选推送信息集合中的每条候选推送信息被点击的概率。而后按照被点击的概率由大到小的顺序，从该候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，以便将该推送信息序列推送至该用户的终端设备。有效利用了基于预先存储的第一搜索用信息集合、该第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息所具有的预设的优先级训练得到的上述评分模型，对上述候选推送信息集合中的每条候选推送信息被点击的概率进行预测，提高了信息推送的有效性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于人工智能的搜索方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的搜索方法的一个应用场景的示意图；

图4是根据本申请的基于人工智能的搜索装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于人工智能的搜索方法或基于人工智能的搜索装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、信息查询类应用等。

终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如可以接收用户通过终端设备101、102、103发送的搜索用信息，并基于该搜索用信息确定搜索结果(例如所组成的推送信息序列)，将该搜索结果返回至终端设备。

需要说明的是，本申请实施例所提供的基于人工智能的搜索方法一般由服务器105执行，相应地，基于人工智能的搜索装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的搜索方法的一个实施例的流程200。该基于人工智能的搜索方法，包括以下步骤：

步骤201，接收用户输入的搜索用信息。

在本实施例中，基于人工智能的搜索方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式接收用户通过终端设备(例如图1所示的终端设备101、102、103)输入的搜索用信息。这里，该搜索用信息可以是查询语句，也可以是查询词，本实施例不对此方面内容做任何限定。

步骤202，基于搜索用信息，确定候选推送信息集合。

在本实施例中，上述电子设备在接收到用户输入的搜索用信息后，上述电子设备可以基于该搜索用信息，确定候选推送信息集合。作为示例，上述电子设备可以直接将该搜索用信息发送至所连接的数据库服务器，以使该数据库服务器返回该候选推送信息集合。

在本实施例的一些可选的实现方式中，上述电子设备还可以通过以下步骤确定候选推送信息集合：确定预先存储的历史搜索用信息列表中是否存在与该搜索用信息匹配的目标历史搜索用信息；若存在该目标历史搜索用信息，则将该目标历史搜索用信息所对应的拟推送信息集合作为该候选搜索用信息集合。其中，该历史搜索用信息列表中的每条历史搜索用信息可以具有对应的拟推送信息集合。

作为示例，上述电子设备可以将该历史搜索用信息列表中的与该搜索用信息相同的历史搜索用信息作为目标历史搜索用信息。若该历史搜索用信息列表中不存在与该搜索用信息相同的历史搜索用信息，则上述电子设备可以将该历史搜索用信息列表中的与该搜索用信息的相似度超出相似度阈值的历史搜索用信息作为目标历史搜索用信息。上述电子设备可以通过现有的文本相似度计算方法(例如余弦相似度算法、Jaccard系数方法等等)来计算该搜索用信息和该历史搜索用信息列表中的历史搜索用信息之间的相似度。由于余弦相似度算法、Jaccard系数方法是目前广泛研究和应用的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，若上述电子设备确定上述历史搜索用信息列表中不存在目标历史搜索用信息，则上述电子设备可以将上述搜索用信息发送至上述数据库服务器，以使上述数据库服务器返回候选推送信息集合。

步骤203，利用预先训练的评分模型基于搜索用信息和候选推送信息集合，预测候选推送信息集合中的每条候选推送信息被点击的概率。

在本实施例中，在确定候选推送信息集合之后，上述电子设备可以利用预先训练的评分模型基于搜索用信息和候选推送信息集合，预测候选推送信息集合中的每条候选推送信息被点击的概率。其中，该评分模型可以是基于预先存储的第一搜索用信息集合、该第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息所具有的预设的优先级训练得到的。

这里，该推送信息集合中可以存在优先级相同的推送信息，本实施例不对此方面内容做任何限定。需要说明的是，该推送信息集合中的每条推送信息的优先级可以是基于该推送信息所体现的时效性、领域权威性、与所对应的第一搜索用信息之间的相关性等多方面信息、并且重点基于该多方面信息中的某一方面信息进行设定的。

另外，该推送信息的优先级可以用针对该推送信息的预期被点击概率进行表示，预期被点击概率越大可以表征优先级越高。需要指出的是，优先级可以是人为标注的(例如搜索专家标注的)，也可以是上述电子设备基于预置算法进行标注的，本实施例不对此方面内容做任何限定。

作为示例，上述评分模型可以具有特征提取功能，上述电子设备可以将上述搜索用信息和上述候选推送信息集合中的每条候选推送信息组对导入上述评分模型，以使该评分模型对上述搜索用信息和上述候选推送信息集合中的每个候选推送信息进行特征(例如关键词)提取，生成与上述搜索用信息和该候选推送信息分别对应的特征向量，并基于所生成的特征向量预测每个候选推送信息被点击的概率。这里，上述评分模型可以例如是卷积神经网络模型。

在本实施例的一些可选的实现方式中，若上述评分模型不具有特征提取功能，则上述电子设备可以执行以下步骤：从上述搜索用信息中提取出关键词生成第一关键词向量；从上述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词集合；对于所生成的每个第二关键词向量，将该第一关键词向量和该第二关键词向量导入上述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

这里，上述电子设备可以采用现有的关键词提取方法(例如统计分析方法或语义分析方法等)进行关键词提取。以语义分析方法为例，针对某条候选推送信息，上述电子设备可以将该候选推送信息的内容进行全切分方法等处理，把内容分割成词；再对所得到的词进行重要性计算(例如采用词频-逆向文件频率方法(Term Frequency-InverseDocument Frequency，TF-IDF))，基于重要性计算的结果来得到关键词。

步骤204，按照被点击的概率由大到小的顺序，从候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将推送信息序列推送至用户的终端设备。

在本实施例中，上述电子设备在得到上述候选推送信息集合中的每条候选推送信息被点击的概率后，上述电子设备可以按照被点击的概率由大到小的顺序，从候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将该推送信息序列推送至用户的终端设备。作为示例，上述电子设备可以按照被点击的概率由大到小的顺序对上述候选推送信息集合中的各条候选推送信息进行排序，从被点击的概率最高的一侧开始，选取连续的预置数目条候选推送信息组成推送信息序列。需要说明的是，上述预置数目可以根据实际需要进行调整，本实施例不对此方面内容做任何限定。

在本实施例的一些可选的实现方式中，上述电子设备在接收上述搜索用信息之前，上述电子设备还可以执行模型训练步骤，该模型训练步骤例如可以包括：将上述第一搜索用信息集合按预置比例划分成训练用搜索用信息集合和测试用搜索用信息集合，其中，训练用搜索用信息集合所包括的训练用搜索信息的数目可以多于测试用搜索用信息集合所包括的测试用搜索用信息的数目；基于该训练用搜索用信息集合、该训练用搜索用信息集合中的每条训练用搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息的优先级对预设的机器学习模型进行训练，并利用经训练的该机器学习模型基于该测试用搜索用信息集合、该测试用搜索用信息集合中的每条测试用搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息的优先级进行预测操作，当该机器学习模型的预测准确率达到准确率阈值时，将该机器学习模型作为上述评分模型。

在本实施例的一些可选的实现方式中，上述电子设备在接收上述搜索用信息之前，上述电子设备还可以执行以下模型训练步骤：对于上述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、该多个推送信息对和该多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，该多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的该机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，该测试样本集合中的每个测试样本可以包括第二搜索用信息和该第二搜索用信息所对应的测试用信息对，该测试用信息对中的各条测试用信息可以具有预设的互不相同的优先级；基于该测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定该预测结果的错误率；若错误率低于阈值，则可以将当前经训练后的机器学习模型作为上述评分模型。

若该错误率不低于该阈值，则上述电子设备可以基于该预测结果中的错误结果，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行该模型训练步骤。作为示例，上述电子设备可以对该推送信息集合中的优先级较高(例如优先级最高或优先级次高等)的推送信息的优先级进行下调，以降低该推送信息的优先级。对于降低的等级数，可以随机确定，也可以根据实际需求进行确定，本实施例不对此方面内容做任何限定。

这里，针对任意一个测试样本的预测结果可以包括机器学习模型预测的该测试样本所包括的测试用信息对中的两个测试用信息被点击的概率，若这两个测试用信息分别对应的被点击的概率与预设的优先级数值相同，或两者之间的差值的绝对值低于差异阈值，则可以认为针对该测试样本的预测结果是正确结果；否则，该预测结果是错误结果。另外，对上述测试样本集合中的各个测试样本进行预测操作所得的预测结果的错误率可以是该预测结果所包括的错误结果的数目与该预测结果的总数目的比值。

需要说明的是，上述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级也可以是用针对该测试用信息的预期点击率表示的，该优先级也可以是基于该测试用信息所体现的时效性、领域权威性、与所对应的第二搜索用信息之间的相关性等多方面信息、并且重点基于该多方面信息中的某一方面信息进行设定的。需要说明的是，测试用信息的优先级可以是人为标注的(例如搜索专家标注的)，也可以是上述电子设备基于预置算法进行标注的，本实施例不对此方面内容做任何限定。

在本实施例的一些可选的实现方式中，上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息可以来源于不同的网站，并且对于上述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，该各条测试用信息中的至少两条测试用信息也可以来源于不同的网站。这里，推送信息和测试用信息所归属的网站可以是垂直类站点。垂直类站点例如可以是专注于某一领域(例如科技、娱乐、体育等)的站点。

上述电子设备可以将上述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组，之后上述电子设备可以将多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，并对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于该目标网站的推送信息的优先级进行调整。

在本实施例的一些可选的实现方式中，对于上述第一搜索用信息集合中的每个第一搜索用信息，上述电子设备可以分别获取该第一搜索用信息对应的第一词向量和该第一搜索用信息所对应的多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量。其中，该第二词向量可以是基于该推送信息所包括的关键词生成的，该第一词向量可以是基于该第一搜索用信息所包括的关键词生成的。对于该多个推送信息对中的每个推送信息对，上述电子设备可以将该第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入机器学习模型，得到该推送信息对中的各条推送信息被点击的概率。上述电子设备可以基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对机器学习模型进行调整。

作为示例，调整机器学习模型可以是调整该机器学习模型的输入矩阵、隐藏层矩阵和/或输出矩阵。需要说明的是，第一词向量和第二词向量可以是预先生成并存储在指定存储位置(例如上述电子设备本地或与上述电子设备远程通信连接的服务器)的，上述电子设备可以从该指定存储位置获取第一词向量和第二词向量。

可选地，对于上述第一搜索用信息集合中的每个第一搜索用信息，若未预先生成与该第一搜索用信息对应的第一词向量，以及与该第一搜索用信息所对应的推送信息集合中的每条推送信息对应的第二词向量，则上述电子设备例如可以采用上述现有的关键词提取方法对该第一搜索用信息和该推送信息分别进行关键词提取，然后分别生成与该第一搜索用信息对应的第一词向量以及与该推送信息对应的第二词向量。

继续参见图3，图3是根据本实施例的基于人工智能的搜索方法的应用场景的一个示意图。在图3的应用场景中，服务器使用的预先训练的评分模型在训练过程中综合了推送信息的时效性、以及推送信息和所对应的第一搜索用信息之间的相关性，重点突出了推送信息的时效性。这里，用户首先可以通过终端设备输入搜索用信息A。而后，如标号301所示，上述服务器可以接收搜索用信息A。之后，如标号302所示，上述服务器可以基于搜索用信息A确定候选推送信息集合B，其中，候选推送信息集合B包括候选推送信息B1、B2、B3、B4。然后，如标号303所示，上述服务器可以将搜索用信息A和候选推送信息集合B中的每条候选推送信息组对导入上述评分模型，得到候选推送信息B1、B2、B3、B4分别对应的被点击的概率C、D、E、F，其中，被点击的概率C、D、E、F由大到小依次为被点击的概率C、被点击的概率E、被点击的概率D、被点击的概率F。最后，如标号304所示，上述服务器可以按照被点击的概率由大到小的顺序，从候选推送信息集合B中选取2条候选推送信息，即候选推送信息B1、B3，将选取出的候选推送信息B1、B3组成推送信息序列，并将该推送信息序列推送至上述终端设备。

需要说明的是，候选推送信息B1可以是候选推送信息集合B中的、与搜索用信息A的相关度较高(例如最高或次高等)的、创建时间最晚的信息。需要指出的是，该应用场景只是一个示例，并不能对本申请的保护范围做任何限定。

本申请的上述实施例提供的方法有效利用了基于预先存储的第一搜索用信息集合、该第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息所具有的预设的优先级训练得到的上述评分模型，对上述候选推送信息集合中的每条候选推送信息被点击的概率进行预测，提高了信息推送的有效性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种基于人工智能的搜索装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所示的基于人工智能的搜索装置400包括：接收单元401、确定单元402、预测单元403和推送单元404。其中，接收单元401配置用于接收用户输入的搜索用信息；确定单元402配置用于基于上述搜索用信息，确定候选推送信息集合；预测单元403配置用于利用预先训练的评分模型基于上述搜索用信息和上述候选推送信息集合，预测上述候选推送信息集合中的每条候选推送信息被点击的概率，其中，上述评分模型是基于预先存储的第一搜索用信息集合、上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和上述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；而推送单元404配置用于按照被点击的概率由大到小的顺序，从上述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将上述推送信息序列推送至上述用户的终端设备。

在本实施例中，基于人工智能的搜索装置400中：接收单元401、确定单元402、预测单元403和推送单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述确定单元402可以包括：确定子单元(图中未示出)，配置用于确定预先存储的历史搜索用信息列表中是否存在与上述搜索用信息匹配的目标历史搜索用信息，若是，则将上述目标历史搜索用信息所对应的拟推送信息集合作为上述候选推送信息集合，其中，上述历史搜索用信息列表中的每条历史搜索用信息可以对应拟推送信息集合。

在本实施例的一些可选的实现方式中，上述确定单元402可以包括：发送子单元(图中未示出)，配置用于若不存在上述目标历史搜索用信息，则将上述搜索用信息发送至所连接的数据库服务器，以使上述数据库服务器返回上述候选推送信息集合。

在本实施例的一些可选的实现方式中，上述预测单元403可以包括：第一提取子单元(图中未示出)，配置用于从上述搜索用信息中提取出关键词生成第一关键词向量；第二提取子单元(图中未示出)，配置用于从上述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词向量；导入子单元(图中未示出)，配置用于对于所生成的每个第二关键词向量，将上述第一关键词向量和该第二关键词向量导入上述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：训练单元(图中未示出)，配置用于执行以下模型训练步骤：对于上述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、上述多个推送信息对和上述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，上述多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的上述机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，上述测试样本集合中的每个测试样本可以包括第二搜索用信息和上述第二搜索用信息所对应的测试用信息对，上述测试用信息对中的各条测试用信息可以具有预设的互不相同的优先级；基于上述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定上述预测结果的错误率；若上述错误率低于阈值，则将当前经训练后的上述机器学习模型作为上述评分模型；处理单元(图中未示出)，配置用于若上述错误率不低于上述阈值，则基于上述预测结果中的错误结果，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行上述模型训练步骤。

在本实施例的一些可选的实现方式中，上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息可以来源于不同的网站，并且对于上述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，上述各条测试用信息中的至少两条测试用信息可以来源于不同的网站。

在本实施例的一些可选的实现方式中，上述处理单元可以包括：聚类子单元(图中未示出)，配置用于将上述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组；优先级调整子单元(图中未示出)，配置用于将上述多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，对上述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于上述目标网站的推送信息的优先级进行调整。

在本实施例的一些可选的实现方式中，上述训练单元可以包括：获取子单元(图中未示出)，配置用于分别获取该第一搜索用信息对应的第一词向量和上述多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量，其中，上述第二词向量可以是基于该推送信息所包括的关键词生成的，上述第一词向量可以是基于该第一搜索用信息所包括的关键词生成的；训练子单元(图中未示出)，配置用于对于上述多个推送信息对中的每个推送信息对，将上述第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入上述机器学习模型，得到该推送信息对中的各条推送信息被点击的概率，基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对上述机器学习模型进行调整。

本申请的上述实施例提供的装置有效利用了基于预先存储的第一搜索用信息集合、该第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和该推送信息集合中的每条推送信息所具有的预设的优先级训练得到的上述评分模型，对上述候选推送信息集合中的每条候选推送信息被点击的概率进行预测，提高了信息推送的有效性。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，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。而在本申请中，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。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、确定单元、预测单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收用户输入的搜索用信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备包括：接收用户输入的搜索用信息；基于上述搜索用信息，确定候选推送信息集合；利用预先训练的评分模型基于上述搜索用信息和上述候选推送信息集合，预测上述候选推送信息集合中的每条候选推送信息被点击的概率，其中，上述评分模型是基于预先存储的第一搜索用信息集合、上述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和上述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；按照被点击的概率由大到小的顺序，从上述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将上述推送信息序列推送至上述用户的终端设备。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种基于人工智能的搜索方法，其特征在于，所述方法包括：

接收用户输入的搜索用信息；

基于所述搜索用信息，确定候选推送信息集合；

利用预先训练的评分模型基于所述搜索用信息和所述候选推送信息集合，预测所述候选推送信息集合中的每条候选推送信息被点击的概率，其中，所述评分模型是基于预先存储的第一搜索用信息集合、所述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和所述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；

按照被点击的概率由大到小的顺序，从所述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将所述推送信息序列推送至所述用户的终端设备。

2.根据权利要求1所述的方法，其特征在于，所述基于所述搜索用信息，确定候选推送信息集合，包括：

确定预先存储的历史搜索用信息列表中是否存在与所述搜索用信息匹配的目标历史搜索用信息，若是，则将所述目标历史搜索用信息所对应的拟推送信息集合作为所述候选推送信息集合，其中，所述历史搜索用信息列表中的每条历史搜索用信息对应拟推送信息集合。

3.根据权利要求2所述的方法，其特征在于，所述基于所述搜索用信息，确定候选推送信息集合，包括：

若不存在所述目标历史搜索用信息，则将所述搜索用信息发送至所连接的数据库服务器，以使所述数据库服务器返回所述候选推送信息集合。

4.根据权利要求1所述的方法，其特征在于，所述利用预先训练的评分模型基于所述搜索用信息和所述候选推送信息集合，预测所述候选推送信息集合中的每条候选推送信息被点击的概率，包括：

从所述搜索用信息中提取出关键词生成第一关键词向量；

从所述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词向量；

对于所生成的每个第二关键词向量，将所述第一关键词向量和该第二关键词向量导入所述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

5.根据权利要求1-4之一所述的方法，其特征在于，在所述接收用户输入的搜索用信息之前，所述方法还包括：

执行以下模型训练步骤：对于所述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、所述多个推送信息对和所述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，所述多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的所述机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，所述测试样本集合中的每个测试样本包括第二搜索用信息和所述第二搜索用信息所对应的测试用信息对，所述测试用信息对中的各条测试用信息具有预设的互不相同的优先级；基于所述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定所述预测结果的错误率；若所述错误率低于阈值，则将当前经训练后的所述机器学习模型作为所述评分模型；

若所述错误率不低于所述阈值，则基于所述预测结果中的错误结果，对所述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行所述模型训练步骤。

6.根据权利要求5所述的方法，其特征在于，所述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息来源于不同的网站，并且对于所述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，所述各条测试用信息中的至少两条测试用信息来源于不同的网站。

7.根据权利要求6所述的方法，其特征在于，所述基于所述预测结果中的错误结果，对所述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，包括：

将所述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组；

将所述多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，对所述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于所述目标网站的推送信息的优先级进行调整。

8.根据权利要求5所述的方法，其特征在于，所述基于该第一搜索用信息、所述多个推送信息对和所述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，包括：

分别获取该第一搜索用信息对应的第一词向量和所述多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量，其中，所述第二词向量是基于该推送信息所包括的关键词生成的，所述第一词向量是基于该第一搜索用信息所包括的关键词生成的；

对于所述多个推送信息对中的每个推送信息对，将所述第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入所述机器学习模型，得到该推送信息对中的各条推送信息被点击的概率，基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对所述机器学习模型进行调整。

9.一种基于人工智能的搜索装置，其特征在于，所述装置包括：

接收单元，配置用于接收用户输入的搜索用信息；

确定单元，配置用于基于所述搜索用信息，确定候选推送信息集合；

预测单元，配置用于利用预先训练的评分模型基于所述搜索用信息和所述候选推送信息集合，预测所述候选推送信息集合中的每条候选推送信息被点击的概率，其中，所述评分模型是基于预先存储的第一搜索用信息集合、所述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合和所述推送信息集合中的每条推送信息所具有的预设的优先级训练得到的；

推送单元，配置用于按照被点击的概率由大到小的顺序，从所述候选推送信息集合中选取预置数目条候选推送信息组成推送信息序列，将所述推送信息序列推送至所述用户的终端设备。

10.根据权利要求9所述的装置，其特征在于，所述确定单元包括：

确定子单元，配置用于确定预先存储的历史搜索用信息列表中是否存在与所述搜索用信息匹配的目标历史搜索用信息，若是，则将所述目标历史搜索用信息所对应的拟推送信息集合作为所述候选推送信息集合，其中，所述历史搜索用信息列表中的每条历史搜索用信息对应拟推送信息集合。

11.根据权利要求10所述的装置，其特征在于，所述确定单元包括：

发送子单元，配置用于若不存在所述目标历史搜索用信息，则将所述搜索用信息发送至所连接的数据库服务器，以使所述数据库服务器返回所述候选推送信息集合。

12.根据权利要求9所述的装置，其特征在于，所述预测单元包括：

第一提取子单元，配置用于从所述搜索用信息中提取出关键词生成第一关键词向量；

第二提取子单元，配置用于从所述候选推送信息集合中的每条候选推送信息中提取出关键词生成与该候选推送信息对应的第二关键词向量；

导入子单元，配置用于对于所生成的每个第二关键词向量，将所述第一关键词向量和该第二关键词向量导入所述评分模型，得到该第二关键词向量所对应的候选推送信息被点击的概率。

13.根据权利要求9-12之一所述的装置，其特征在于，所述装置还包括：

训练单元，配置用于执行以下模型训练步骤：对于所述第一搜索用信息集合中的每条第一搜索用信息，将该第一搜索用信息所对应的推送信息集合中的推送信息进行两两组合得到多个推送信息对，基于该第一搜索用信息、所述多个推送信息对和所述多个推送信息对中的推送信息当前的优先级对预设的机器学习模型进行训练，其中，所述多个推送信息对中的每个推送信息对所包括的推送信息的优先级互不相同；利用经训练的所述机器学习模型对预先存储的测试样本集合中的测试样本进行预测操作得到预测结果，其中，所述测试样本集合中的每个测试样本包括第二搜索用信息和所述第二搜索用信息所对应的测试用信息对，所述测试用信息对中的各条测试用信息具有预设的互不相同的优先级；基于所述测试样本集合中的每个测试样本所包括的测试用信息对中的测试用信息的优先级，确定所述预测结果的错误率；若所述错误率低于阈值，则将当前经训练后的所述机器学习模型作为所述评分模型；

处理单元，配置用于若所述错误率不低于所述阈值，则基于所述预测结果中的错误结果，对所述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的推送信息的优先级进行调整，并继续执行所述模型训练步骤。

14.根据权利要求13所述的装置，其特征在于，所述第一搜索用信息集合中的每条第一搜索用信息所对应的推送信息集合中的至少两条推送信息来源于不同的网站，并且对于所述测试样本集合中的各个测试样本所包括的测试用信息对中的各条测试用信息，所述各条测试用信息中的至少两条测试用信息来源于不同的网站。

15.根据权利要求14所述的装置，其特征在于，所述处理单元包括：

聚类子单元，配置用于将所述错误结果所对应的测试用信息基于所归属的网站进行聚类，得到多个测试用信息组；

优先级调整子单元，配置用于将所述多个测试用信息组中的所包括的测试用信息条数最多的测试用信息组所对应的网站作为目标网站，对所述第一搜索用信息集合中的第一搜索用信息所对应的推送信息集合中的来源于所述目标网站的推送信息的优先级进行调整。

16.根据权利要求14所述的装置，其特征在于，所述训练单元包括：

获取子单元，配置用于分别获取该第一搜索用信息对应的第一词向量和所述多个推送信息对中的每个推送信息对所包括的每条推送信息对应的第二词向量，其中，所述第二词向量是基于该推送信息所包括的关键词生成的，所述第一词向量是基于该第一搜索用信息所包括的关键词生成的；

训练子单元，配置用于对于所述多个推送信息对中的每个推送信息对，将所述第一词向量和该推送信息对中的各条推送信息分别对应的第二词向量导入所述机器学习模型，得到该推送信息对中的各条推送信息被点击的概率，基于该推送信息对中的各条推送信息的优先级和被点击的概率之间的差异信息，对所述机器学习模型进行调整。

17.一种电子设备，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1-8中任一所述的方法。

18.一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，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。