CN107862004A - 智能排序方法及装置、存储介质、电子设备 - Google Patents
智能排序方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN107862004A CN107862004A CN201711001907.XA CN201711001907A CN107862004A CN 107862004 A CN107862004 A CN 107862004A CN 201711001907 A CN201711001907 A CN 201711001907A CN 107862004 A CN107862004 A CN 107862004A
- Authority
- CN
- China
- Prior art keywords
- attribute
- training
- data
- response
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 148
- 230000002452 interceptive effect Effects 0.000 claims abstract description 92
- 238000012163 sequencing technique Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 196
- 230000002441 reversible effect Effects 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 235000013311 vegetables Nutrition 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000005686 eating Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种智能排序方法及装置、存储介质、电子设备。该方法包括：获取交互指令以及交互指令对应的响应结果；提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；按照所述相关性得分，对所述响应结果进行排序。如此方案，更能反映用户的个人偏好，使排序结果更具针对性，有助于提高用户体验。
Description
技术领域
本公开涉及数据处理领域，具体地，涉及一种智能排序方法及装置、存储介质、电子设备。
背景技术
目前，基于智能交互技术实现的智能交互系统已广泛应用于人们的日常生活之中，用于实现用户和系统之间的交互。用户可以根据使用需求，在智能交互系统为用户提供的入口，输入交互指令，由智能交互系统根据交互指令进行信息检索，得到响应结果。例如，通过智能交互系统搜索餐馆时，交互指令可以为“庐州太太徽菜馆”，智能交互系统可以据此进行信息检索，得到与“庐州太太徽菜馆”相关的响应结果。
具体地，现有技术进行响应结果排序时，主要是从交互指令中提取查询关键词，计算查询关键词与各响应结果的文本信息之间的相关度，进而按照相关度得分的高低，确定响应结果的排序，展示给用户。
如此排序方案，未考虑用户的个人偏好，排序结果的针对性不强，用户可能需要进行多次翻页操作，才能查找到真正想要的响应结果，影响用户体验。
发明内容
本公开的主要目的是提供一种智能排序方法及装置、存储介质、电子设备，可以结合用户个人偏好，实现响应结果的智能排序，有助于提高排序结果的针对性，进而提高用户体验。
为了实现上述目的，本公开提供一种智能排序方法，所述方法包括：
获取交互指令以及交互指令对应的响应结果；
提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；
将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；
按照所述相关性得分，对所述响应结果进行排序。
可选地，所述指令特征为所述交互指令的句子向量；或者，
所述指令特征为所述交互指令分词得到的每个单词的向量化表示；或者，
所述指令特征为所述交互指令分词得到的检索关键词的向量化表示。
可选地，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别，提取所述响应特征的方式为：
获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；
如果存在缺失的属性类别，则获取该缺失的属性类别；
基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
可选地，预先构建属性词典，所述属性词典用于保存对象的名称、该对象具有的所有属性的类别，二者之间的对应关系，所述获取该缺失的属性类别，包括：
从所述响应结果中提取搜索对象的名称，判断所述属性词典中是否保存有该搜索对象的名称；
如果所述属性词典中保存有该搜索对象的名称，则根据所述对应关系，从所述所有属性的类别中获取所述缺失的属性类别。
可选地，预先针对每个属性构建属性类别识别模型，所述获取该缺失的属性类别，包括：
根据所述缺失的属性类别对应的属性，确定出待用属性类别识别模型；
将所述响应结果中提取出的搜索对象的名称作为输入，经所述待用属性类别识别模型处理后，得到所述缺失的属性类别。
可选地，构建所述属性类别识别模型的方式为：
采集训练用对象数据，每条训练用对象数据包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别；
确定所述属性类别识别模型的拓扑结构；
利用所述训练用对象的名称和所述拓扑结构，训练得到每个属性对应的属性类别识别模型，使所述属性类别识别模型处理得到的类别与所述训练用对象数据中该属性的类别相符。
可选地，所述排序特征信息还包括：
用户提交所述交互指令的时间信息；和/或，
用户提交所述交互指令时选定的位置信息；和/或，
用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别。
可选地，构建所述排序模型的方式为：
采集训练用交互指令以及训练用交互指令对应的训练用对象数据，并标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据；
基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构；
利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
可选地，根据以下规则标注每条训练用对象数据的数据类型：
将用户执行了正向操作的训练用对象数据标注为正向数据，所述正向操作包括收藏、点赞、分享、推荐、选中、好评中的至少一个；
将用户执行了反向操作的训练用对象数据标注为反向数据，所述反向操作包括差评、未选中、翻页中的至少一个。
可选地，预先构建数据分类模型，所述标注每条训练用对象数据的数据类型，包括：
获取用户针对训练用对象的交谈数据；
提取所述交谈数据的文本特征作为输入，经所述数据分类模型处理后，得到所述训练用对象数据的数据类型。
可选地，构建所述数据分类模型的方式为：
采集训练用交谈文本，并标注每条训练用交谈文本的数据类型；
提取所述训练用交谈文本的文本特征，并确定所述数据分类模型的拓扑结构；
利用所述训练用交谈文本的文本特征和所述拓扑结构，训练得到所述数据分类模型，使所述数据分类模型输出的数据类型与该训练用交谈文本标注的数据类型相符。
本公开提供一种智能排序装置，所述装置包括：
指令及结果获取模块，用于获取交互指令以及交互指令对应的响应结果；
排序特征信息提取模块，用于提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；
相关性得分输出模块，用于将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；
响应结果排序模块，用于按照所述相关性得分，对所述响应结果进行排序。
可选地，所述指令特征为所述交互指令的句子向量；或者，
所述指令特征为所述交互指令分词得到的每个单词的向量化表示；或者，
所述指令特征为所述交互指令分词得到的检索关键词的向量化表示。
可选地，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别，所述排序特征信息提取模块包括：
属性类别判断模块，用于获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；
属性类别获取模块，用于在存在缺失的属性类别时，获取该缺失的属性类别；
响应特征获得模块，用于基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
可选地，预先构建属性词典，所述属性词典用于保存对象的名称、该对象具有的所有属性的类别，二者之间的对应关系，
所述属性类别获取模块，用于从所述响应结果中提取搜索对象的名称，判断所述属性词典中是否保存有该搜索对象的名称；如果所述属性词典中保存有该搜索对象的名称，则根据所述对应关系，从所述所有属性的类别中获取所述缺失的属性类别。
可选地，预先针对每个属性构建属性类别识别模型，
所述属性类别获取模块，用于根据所述缺失的属性类别对应的属性，确定出待用属性类别识别模型；将所述响应结果中提取出的搜索对象的名称作为输入，经所述待用属性类别识别模型处理后，得到所述缺失的属性类别。
可选地，所述装置还包括：
属性类别识别模型构建模块，用于采集训练用对象数据，每条训练用对象数据包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别；确定所述属性类别识别模型的拓扑结构；利用所述训练用对象的名称和所述拓扑结构，训练得到每个属性对应的属性类别识别模型，使所述属性类别识别模型处理得到的类别与所述训练用对象数据中该属性的类别相符。
可选地，所述排序特征信息还包括：
用户提交所述交互指令的时间信息；和/或，
用户提交所述交互指令时选定的位置信息；和/或，
用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别。
可选地，所述装置还包括：
数据采集模块，用于采集训练用交互指令以及训练用交互指令对应的训练用对象数据；
数据类型标注模块，用于标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据；
排序模型训练模块，用于基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构；利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
本公开提供一种存储介质，其中存储有多条指令，所述指令由处理器加载，执行上述智能排序方法的步骤。
本公开提供一种电子设备，所述电子设备包括；
上述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
本公开方案中，可以预先结合用户偏好，构建排序模型，并在获得排序特征信息后，将其作为排序模型的输入，经排序模型处理后输出各响应结果与用户偏好的相关性得分。可以根据相关性得分的高低，确定出各响应结果的排序，输出给用户查看。如此方案，更能反映用户的个人偏好，使排序结果更具针对性，有助于提高用户体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为本公开方案智能排序方法的流程示意图；
图2为本公开方案中构建排序模型的流程示意图；
图3为本公开方案中构建数据分类模型的流程示意图；
图4为本公开方案中构建属性类别识别模型的流程示意图；
图5为本公开方案智能排序装置的构成示意图；
图6为本公开方案用于智能排序的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
参见图1，示出了本公开智能排序方法的流程示意图。可以包括以下步骤：
S101，获取交互指令以及交互指令对应的响应结果。
本公开方案中，可以基于智能交互系统进行信息检索，作为一种示例，智能交互系统可以体现为POI(英文：Point of Interes，中文：兴趣点)搜索、新闻搜索、多媒体文件搜索、书籍搜索、语音助理等，搜索对象可以体现为新闻、书籍、兴趣点等，本公开方案对智能交互系统、搜索对象可不做具体限定。
结合实际应用，用户可以通过语音输入、文本输入、手势输入、面部表情输入、姿态动作输入等方式中的至少一种，经由智能交互系统提供的入口，输入交互指令。此外，智能交互系统可以直接通过用户输入得到交互指令；或者，也可以通过上下文交互得到交互指令。以搜索餐馆为例，用户可以先选择商圈“政务区”，然后输入“庐州太太”，智能交互系统根据该上下文交互可以得到交互指令“庐州太太政务区店”；或者，智能交互系统还可以采集用户对话“今天去庐州太太吧”“好啊，咱们离政务区店比较近”，通过对上下文交互进行语义理解可以得到交互指令“庐州太太政务区店”。本公开方案对交互指令的输入方式、得到交互指令的方式可不做具体限定。
本公开方案中，交互指令对应的响应结果，可以是智能交互系统本身所有的全部响应结果；或者是根据交互指令进行信息检索，得到的全部响应结果；也可以是进行初步排序筛选出的部分响应结果，本公开方案对此可不做具体限定。
S102，提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征。
本公开方案中，排序特征信息至少可以包括：
1.用于表示交互指令的指令特征
作为一种示例，可以获取交互指令的句子向量，作为指令特征；或者，可以对交互指令进行分词处理，获得每个单词的向量化表示，拼接起来作为指令特征；或者，对交互指令进行分词处理后，还可以从得到的单词中提取出检索关键词，获得检索关键词的向量化表示，拼接起来作为指令特征。本公开方案对此可不做具体限定。
举例来说，交互指令“庐州太太政务区店”可以分词为：庐州/太太/政务区店，或者庐州太太/政务区店，本公开方案对单词的粒度可不做具体限定。此外，单词的向量化表示可以体现为单词的词向量；或者，可以结合实际应用，建立V维向量，例如向量维度V＝5，可以用向量(1,0,0,0,0)表示单词“庐州”，本公开方案对向量化表示的方式、向量的维度可不做限定，具体可由实际应用需求而定。
2.用于表示响应结果的响应特征
本公开方案中，响应特征可以包括：搜索对象的名称、该搜索对象具有的所有属性的类别，作为一种示例，可以将名称和类别拼接在一起向量化表示。
可以理解地，搜索对象具有的所有属性指的是，排序模型对应的预设响应特征中包括的所有属性，即构建排序模型时使用的属性。以餐馆的智能排序为例，若构建排序模型时使用了下述属性及类别，则响应特征中也应包括这些属性的类别。
(1)属性为评价等级，可以通过评分值表示该属性的类别。例如，评分值1～5，1表示评价最低，5表示评价最高。
(2)属性为价格，可以建立类别编号与价格区间的对应关系，通过类别编号表示该属性的类别。例如，价格区间0～50元对应类别编号1，价格区间51～100元对应类别编号2；或者直接用具体价格表示类别，等等。
(3)属性为类型，对应的类别可以为酒店、餐馆、学校、加油站，等等。
(4)属性为菜系，对应的类别可以为川菜、上海菜、火锅、云贵菜、烧烤，等等。
(5)属性为地址，对应的类别可以为搜索对象所在位置的经纬度；或者，可以为搜索对象所在的省、市、区、商圈，等等。
可以理解的是，对于不同应用(如浏览器搜索、多媒体文件搜索、语音助理、书籍搜索等)的响应结果，其属性及类别信息可以通过系统自定义或通过预定义的方法得到。属性信息并不限于以上几个，比如搜索图书，其属性信息还包括作者、国家等。
本公开方案中，根据交互指令得到的响应结果，可以包括搜索对象的名称、搜索对象的属性、以及属性的类别，可以按照以下方式从中提取出响应特征：获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；如果存在缺失的属性类别，则获取该缺失的属性类别；基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
可以理解地，缺失的属性类别可以体现为：响应结果中包括某个属性，但不包括该属性的类别，例如，餐馆A的人均价格为空，则餐馆A作为搜索对象时，可以从响应结果中提取到属性“价格”，但却提取不到价格的类别。或者，缺失的属性类别还可以体现为：响应结果中不包括某个属性，且不包括该属性的类别，例如，餐馆B没有评价等级，则餐馆B作为搜索对象时，无法从响应结果中提取到属性“评价等级”，以及该属性的类别。
具体地，获取缺失的属性类别的方式，可以参照下文所做介绍，此处暂不详述。
可以理解地，如果各属性类别的表达方式不同，则可直接将搜索对象的名称、各属性类别拼接在一起向量化表示，作为响应特征。如果部分属性类别的表达方式相同，如上文所举示例中，评价等级的类别、价格的类别，二者都体现为数字，为了防止相同数字表示不同属性类别引起歧义，可以通过以下两种方式表示响应特征：
方式一，预先设置各属性类别的排列顺序，如此，便可根据该预设顺序，识别响应特征中每个类别对应的属性。
方式二，按照属性、属性类别的方式，依次表示各属性类别，也即，响应特征可以包括：搜索对象的名称、属性1、属性1的类别、属性2、属性2的类别，等等，以此类推，此处不再举例说明。
3.可选的排序特征信息
在应用过程中，还可以结合实际需求，提取如下可选的排序特征信息：
(1)用户提交所述交互指令的时间信息
作为一种示例，时间信息可以体现为用户提交交互指令时的年月日、星期、早中晚等时间信息，本公开方案对此可不做具体限定。
以餐馆的智能排序为例，通过时间信息可以抽象出用户不同时间不同的饮食习惯偏好，例如，用户周五晚上喜欢去餐厅A吃晚餐、中午喜欢吃徽菜、晚上喜欢吃川菜，等等。
作为一种示例，可以对时间进行向量化表示作为时间信息，如2017年8月5日中午，对应的时间信息为2017080502，以上只是示例，本公开方案对此不作具体的限定。
(2)用户提交所述交互指令时选定的位置信息
作为一种示例，选定的位置信息可以是根据用户所在位置，定位得到的；或者，也可以是根据用户输入的信息，确定出的，即，选定的位置不一定是用户当前所在的位置，例如，用户通过智能交互系统选择了商圈“政务区”，则可根据用户选择确定出选定的位置信息，本公开方案对此可不做具体限定。
作为一种示例，选定的位置信息可以是经纬度、省市区等地址信息的向量化表示，如不同的省市区、区域、经纬度等可以用不同数值表示。
可以理解地，通过位置信息可以抽象出用户对不同位置的选择偏好。
(3)用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息
可以理解地，通过距离信息可以抽象出用户对不同距离的选择偏好。
S103，将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分。
S104，按照所述相关性得分，对所述响应结果进行排序。
本公开方案，可以预先结合用户偏好，构建排序模型，并在获得排序特征信息后，将其作为排序模型的输入，经排序模型处理后输出各响应结果与用户偏好的相关性得分。可以根据相关性得分的高低，确定出各响应结果的排序，输出给用户查看。可以理解地，可以将全部响应结果的排序，都输出给用户查看；或者，也可以选取排序靠前的N个响应结果，输出给用户查看，本公开方案对此可不做具体限定。
综上，本公开提供的智能排序方案，更能反映用户的个人偏好，排序结果更具针对性，有助于提高用户体验。
下面对本公开方案构建排序模型的过程，进行解释说明。
参见图2，示出了本公开中构建排序模型的流程示意图。可以包括以下步骤：
S201，采集训练用交互指令以及训练用交互指令对应的训练用对象数据，并标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据。
在进行模型训练时，可以采集大量的训练样本，具体可以包括以下两种类型的训练样本：
(1)训练用交互指令
结合上文所做介绍，训练用交互指令可以直接通过用户输入得到，也可以通过上下文交互得到的，本公开方案对此可不做具体限定。
(2)训练用交互指令对应的训练用对象数据
作为一种示例，训练用对象数据可以包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别。
本公开方案中，排序模型输出的是响应结果与用户偏好的相关性得分，故可以对每条训练用对象数据的数据类型进行标注，即，将训练用对象数据分为正向数据、反向数据。其中，正向数据用于表示用户曾经选择过或偏好的对象，反向数据用于表示用户未选择过或非偏好的对象。
作为一种示例，本公开方案可以提供两种标注数据类型的方案，下面分别进行解释说明。
方案一，可以根据预设规则标注训练用对象数据的数据类型。
具体地，可以将用户执行了正向操作的训练用对象数据标注为正向数据；将用户执行了反向操作的训练用对象数据标注为反向数据。其中，正向操作至少可以包括收藏、点赞、分享、推荐、选中、好评等，反向操作至少可以包括差评、未选中、翻页等。
结合实际应用，未选中至少可以体现为：用户点击查看某个对象的详情后未选择该对象；用户选择了不排在第一位置的对象，则排在该被选中对象前面的所有对象，均属于未选中。
下面结合表1所举示例，对数据类型标注方式进行解释说明。
表1
结合表1，可以进行如下数据类型标注：
a、如果用户选择了海底捞火锅，则可将海底捞火锅对应的数据标注为正向数据，将排在海底捞火锅之前的花涧堂云南石锅鱼、上海小南国对应的数据标注为反向数据。
b、如果每页显示4条数据，则在用户执行翻页操作时，可以将花涧堂云南石锅鱼、上海小南国、海底捞火锅、岚山世话日式料理店对应的4条数据标注为反向数据。
c、如果用户点击查看了花涧堂云南石锅鱼的详情页，但最终未选择该店，则可将花涧堂云南石锅鱼对应的数据标注为反向数据。
d、如果用户对海底捞火锅执行了收藏、点赞、分享、好评、推荐等正向操作，则可将海底捞火锅对应的数据标注为正向数据。
e、如果用户对上海小南国给出了差评，则可将上海小南国对应的数据标注为反向数据。
方案二，可以利用数据分类模型标注训练用对象数据的数据类型。
在实际应用过程中，可以如方案一所做介绍，结合用户执行的操作，确定用户的偏好，进而完成数据类型标注；或者，还可以结合用户交谈中涉及的偏好，进行数据类型标注。作为一种示例，用户交谈可以体现为人机对话、人人对话等方式，本公开方案对此可不做具体限定。
例如，用户谈话为“天鹅湖万达的那个晋家门菜很不错”，如此，便可将天鹅湖万达晋家门对应的数据标注为正向数据；用户交谈为“天鹅湖万达的蜀江烤鱼菜太辣了，我不喜欢”，如此，便可将天鹅湖万达蜀江烤鱼对应的数据标注为反向数据。
基于交谈数据进行数据类型标注时，可以先构建数据分类模型，由数据分类模型实现数据类型的自动标注。具体地，可以获取用户针对训练用对象的交谈数据；提取所述交谈数据的文本特征作为输入，经所述数据分类模型处理后，得到所述训练用对象数据的数据类型。
作为一种示例，可以对交谈数据进行文本识别，得到交谈文本，将交谈文本的句子向量，作为交谈数据的文本特征；或者，可以对交谈文本进行分词处理，获得每个单词的向量化表示，拼接起来作为交谈数据的文本特征；或者，对交谈文本进行分词处理后，还可以从得到的单词中提取出关键词，获得关键词的向量化表示，拼接起来作为交谈数据的文本特征。本公开方案对此可不做具体限定。
参见图3，示出了本公开中构建数据分类模型的流程示意图。可以包括以下步骤：
S301，采集训练用交谈文本，并标注每条训练用交谈文本的数据类型。
作为一种示例，可以采集真实的人人对话，并通过语音识别技术得到训练用交谈文本；或者，可以通过人为方式，构造训练用交谈文本，本公开方案对采集训练用交谈文本的方式可不做具体限定。
在实际应用过程中，采集的真实对话中可能会包含一些无意义的闲聊数据，例如“不知道今天会不会下雨啊”，针对于此，还可以再设置一种数据类型：无意义数据，即，训练用交谈文本的数据类型可以为：正向数据、反向数据、无意义数据，具体可由实际应用需求而定，本公开方案对此不做限定。
S302，提取所述训练用交谈文本的文本特征，并确定所述数据分类模型的拓扑结构。
作为一种示例，训练用交谈文本的文本特征可以体现为训练用交谈文本的向量化表示，本公开方案对此可不做具体限定。
作为一种示例，数据分类模型的拓扑结构可以为：CNN(英文：ConvolutionalNeural Network，中文：卷积神经网络)、RNN(英文：Recurrent neural Network，中文：循环神经网络)、DNN(英文：Deep Neural Network，中文：深度神经网络)、SVM(英文：SupportVector Machine，中文：支持向量机)等，本公开方案对此可不做具体限定。
S303，利用所述训练用交谈文本的文本特征和所述拓扑结构，训练得到所述数据分类模型，使所述数据分类模型输出的数据类型与该训练用交谈文本标注的数据类型相符。
获得训练用交谈文本的文本特征、拓扑结构后，便可进行模型训练，直至数据分类模型输出的数据类型与训练用交谈文本标注的数据类型相符为止。作为一种示例，可以采用神经网络模型训练方法，如BP算法，进行模型训练，本公开方案对此可不做具体限定。
结合上述两种方案，便可实现对训练用对象数据的数据类型的标注。
S202，基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构。
需要说明的是，提取训练用排序特征信息的具体过程，可参照上文S102处所做介绍，此处不再赘述。
作为一种示例，排序模型的拓扑结构可以为CNN、RNN、DNN等，本公开方案对此可不做具体限定。
S203，利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
获得训练用排序特征信息、拓扑结构后，便可训练得到能够表示用户偏好的排序模型。作为一种示例，可以采用神经网络模型训练方法，如BP算法，进行模型训练，本公开方案对此可不做具体限定。
本公开方案中，排序模型的约束条件可以为：排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
作为一种示例，可以设置正向数据得分阈值，例如正向数据得分阈值为0.8；同时可以设置反向数据得分阈值，例如反向数据得分阈值为0.2。
作为一种示例，可以设置正向数据与反向数据的得分差值，作为得分阈值，例如得分阈值为0.7。对应于此，可以获取训练用对象数据为正向数据时，排序模型输出的相关性得分，以及训练用对象数据为反向数据时，排序模型输出的相关性得分，二者之差不小于0.7。
本公开方案对得分阈值的具体表现形式、得分阈值的取值可不做限定。
当所有或满足预设条件的训练用对象数据，经排序模型处理后，得分都和数据类型对应的得分阈值相符(如:正向数据得分大于0.8，反向数据得分小于0.2；或者正向和反向数据得分差值为0.7)，便可确定模型训练完毕。所述预设条件可以是固定百分比(如90％或95％的训练用对象数据)。此外，也可以定义模型训练完毕的条件是迭代预定次数、正确率不再提升，本公开方案对此可不做具体限定。
可以理解地，本公开方案可以不断地记录用户的选择，提取用户的个性化偏好，在用户使用过程中不断地迭代优化排序模型，使排序模型输出的排序结果越来越符合用户偏好。
作为一种示例，本公开方案可以提供如下三种获取缺失的属性类别的方案，下面分别进行解释说明。
方案一，预先设置每个属性的默认类别。
如此，在判定存在缺失的属性类别时，可以先确定出该缺失的属性类别对应的属性，进而将该属性的默认类别，作为缺失的属性类别。
方案二，预先构建属性词典，且属性词典用于保存对象的名称、该对象具有的所有属性的类别，二者之间的对应关系。
如此，在判定存在缺失的属性类别时，可以先从所述响应结果中提取出搜索对象的名称，判断所述属性词典中是否保存有该搜索对象的名称；如果所述属性词典中保存有该搜索对象的名称，则根据所述对应关系，从所述所有属性的类别中获取所述缺失的属性类别。
作为一种示例，可以大量的采集训练用对象数据，针对不同的对象，提取对象名称与属性类别之间的对应关系，得到属性词典。
方案三，预先针对每个属性分别构建对应的属性类别识别模型。
如此，在判定存在缺失的属性类别时，可以先根据所述缺失的属性类别对应的属性，确定出待用属性类别识别模型；将所述响应结果中提取出的搜索对象的名称作为输入，经所述待用属性类别识别模型处理后，得到所述缺失的属性类别。
以属性A对应的属性类别识别模型为例，模型的输出可以直接是属性A的类别向量表示，针对于此，可从类别向量表示中获取属性A的类别；或者，模型的输出可以是属性A对应每个类别的概率，针对于此，可以将概率最高的类别确定为属性A的类别。本公开方案对属性类别识别模型的输出形式可不做具体限定。
参见图4，示出了本公开中构建属性类别识别模型的流程示意图。可以包括以下步骤：
S401，采集训练用对象数据，每条训练用对象数据包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别。
可以理解地，构建排序模型时使用的训练用对象数据，与构建属性类别识别模型时使用的训练用对象数据，可以是相同的样本数据，也可以是不同的样本数据，本公开方案对此可不做具体限定。
作为一种示例，可以从现有的数据库中采集大量的训练用对象数据(尽量收集全面)。
S402，确定所述属性类别识别模型的拓扑结构。
作为一种示例，属性类别识别模型的拓扑结构可以为CNN、RNN、DNN等，本公开方案对此可不做具体限定。
S403，利用所述训练用对象的名称和所述拓扑结构，训练得到每个属性对应的属性类别识别模型，使所述属性类别识别模型处理得到的类别与所述训练用对象数据中该属性的类别相符。
获得训练用对象的名称、拓扑结构后，便可进行模型训练，直至属性类别识别模型处理得到的类别与训练用对象数据中该属性的类别相符为止。作为一种示例，可以采用神经网络模型训练方法，如BP算法，进行模型训练，本公开方案对此可不做具体限定。
作为一种示例，在进行模型训练时，可以将训练用对象的名称进行向量化表示，例如，可以体现为训练用对象的名称的句子向量；或者，可以对训练用对象的名称进行分词处理，体现为每个单词的向量化表示。
作为一种示例，单词的向量化表示可以体现为单词的词向量；或者，对所有的训练用对象的名称进行分词处理后，可以根据统计得到单词总数M，设置一个M维向量，每个单词均可对应一个M维向量表示。
作为一种示例，模型的输出是训练用对象在一个属性所有类别的概率分布或者类别向量表示。以POI搜索为例说明模型的输出：对于庐州太太政务区店这一兴趣点，其对应的菜系类别为徽菜，而总共的菜系类别有徽菜、云贵菜、川菜，那么庐州太太政务区店对应的类别向量表示为(1,0,0)；而类别概率分布为(0.7,0.2,0.1)，代表其属于徽菜的概率是0.7、属于川菜的概率是0.2、属于云贵菜的概率是0.1。由属性类别识别模型获得类别即是将向量表示和概率分布表示成对应的类别。
参见图5，示出了本公开智能排序装置的构成示意图。所述装置可以包括：
指令及结果获取模块501，用于获取交互指令以及交互指令对应的响应结果；
排序特征信息提取模块502，用于提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；
相关性得分输出模块503，用于将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；
响应结果排序模块504，用于按照所述相关性得分，对所述响应结果进行排序。
可选地，所述指令特征为所述交互指令的句子向量；或者，
所述指令特征为所述交互指令分词得到的每个单词的向量化表示；或者，
所述指令特征为所述交互指令分词得到的检索关键词的向量化表示。
可选地，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别，所述排序特征信息提取模块包括：
属性类别判断模块，用于获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；
属性类别获取模块，用于在存在缺失的属性类别时，获取该缺失的属性类别；
响应特征获得模块，用于基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
可选地，预先构建属性词典，所述属性词典用于保存对象的名称、该对象具有的所有属性的类别，二者之间的对应关系，
所述属性类别获取模块，用于从所述响应结果中提取搜索对象的名称，判断所述属性词典中是否保存有该搜索对象的名称；如果所述属性词典中保存有该搜索对象的名称，则根据所述对应关系，从所述所有属性的类别中获取所述缺失的属性类别。
可选地，预先针对每个属性构建属性类别识别模型，
所述属性类别获取模块，用于根据所述缺失的属性类别对应的属性，确定出待用属性类别识别模型；将所述响应结果中提取出的搜索对象的名称作为输入，经所述待用属性类别识别模型处理后，得到所述缺失的属性类别。
可选地，所述装置还包括：
属性类别识别模型构建模块，用于采集训练用对象数据，每条训练用对象数据包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别；确定所述属性类别识别模型的拓扑结构；利用所述训练用对象的名称和所述拓扑结构，训练得到每个属性对应的属性类别识别模型，使所述属性类别识别模型处理得到的类别与所述训练用对象数据中该属性的类别相符。
可选地，所述排序特征信息还包括：
用户提交所述交互指令的时间信息；和/或，
用户提交所述交互指令时选定的位置信息；和/或，
用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别。
可选地，所述装置还包括：
数据采集模块，用于采集训练用交互指令以及训练用交互指令对应的训练用对象数据；
数据类型标注模块，用于标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据；
排序模型训练模块，用于基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构；利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
参见图6，示出了本公开用于智能排序的电子设备600的结构示意图。参照图6，电子设备600包括处理组件601，其进一步包括一个或多个处理器，以及由存储介质602所代表的存储设备资源，用于存储可由处理组件601的执行的指令，例如应用程序。存储介质602中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件601被配置为执行指令，以执行上述智能排序方法。
电子设备600还可以包括一个电源组件603，被配置为执行电子设备600的电源管理；一个有线或无线网络接口606，被配置为将电子设备600连接到网络；和一个输入输出(I/O)接口605。电子设备600可以操作基于存储在存储介质602的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (17)
1.一种智能排序方法，其特征在于，所述方法包括：
获取交互指令以及交互指令对应的响应结果；
提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；
将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；
按照所述相关性得分，对所述响应结果进行排序。
2.根据权利要求1所述的方法，其特征在于，
所述指令特征为所述交互指令的句子向量；或者，
所述指令特征为所述交互指令分词得到的每个单词的向量化表示；或者，
所述指令特征为所述交互指令分词得到的检索关键词的向量化表示。
3.根据权利要求1所述的方法，其特征在于，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别，提取所述响应特征的方式为：
获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；
如果存在缺失的属性类别，则获取该缺失的属性类别；
基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
4.根据权利要求3所述的方法，其特征在于，预先构建属性词典，所述属性词典用于保存对象的名称、该对象具有的所有属性的类别，二者之间的对应关系，所述获取该缺失的属性类别，包括：
从所述响应结果中提取搜索对象的名称，判断所述属性词典中是否保存有该搜索对象的名称；
如果所述属性词典中保存有该搜索对象的名称，则根据所述对应关系，从所述所有属性的类别中获取所述缺失的属性类别。
5.根据权利要求3所述的方法，其特征在于，预先针对每个属性构建属性类别识别模型，所述获取该缺失的属性类别，包括：
根据所述缺失的属性类别对应的属性，确定出待用属性类别识别模型；
将所述响应结果中提取出的搜索对象的名称作为输入，经所述待用属性类别识别模型处理后，得到所述缺失的属性类别。
6.根据权利要求5所述的方法，其特征在于，构建所述属性类别识别模型的方式为：
采集训练用对象数据，每条训练用对象数据包括训练用对象的名称、训练用对象的属性、以及训练用对象每个属性的类别；
确定所述属性类别识别模型的拓扑结构；
利用所述训练用对象的名称和所述拓扑结构，训练得到每个属性对应的属性类别识别模型，使所述属性类别识别模型处理得到的类别与所述训练用对象数据中该属性的类别相符。
7.根据权利要求1所述的方法，其特征在于，所述排序特征信息还包括：
用户提交所述交互指令的时间信息；和/或，
用户提交所述交互指令时选定的位置信息；和/或，
用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别。
8.根据权利要求1至7任一项所述的方法，其特征在于，构建所述排序模型的方式为：
采集训练用交互指令以及训练用交互指令对应的训练用对象数据，并标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据；
基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构；
利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分与训练用对象数据标注的数据类型对应的得分阈值相符。
9.根据权利要求8所述的方法，其特征在于，根据以下规则标注每条训练用对象数据的数据类型：
将用户执行了正向操作的训练用对象数据标注为正向数据，所述正向操作包括收藏、点赞、分享、推荐、选中、好评中的至少一个；
将用户执行了反向操作的训练用对象数据标注为反向数据，所述反向操作包括差评、未选中、翻页中的至少一个。
10.根据权利要求8所述的方法，其特征在于，预先构建数据分类模型，所述标注每条训练用对象数据的数据类型，包括：
获取用户针对训练用对象的交谈数据；
提取所述交谈数据的文本特征作为输入，经所述数据分类模型处理后，得到所述训练用对象数据的数据类型。
11.根据权利要求10所述的方法，其特征在于，构建所述数据分类模型的方式为：
采集训练用交谈文本，并标注每条训练用交谈文本的数据类型；
提取所述训练用交谈文本的文本特征，并确定所述数据分类模型的拓扑结构；
利用所述训练用交谈文本的文本特征和所述拓扑结构，训练得到所述数据分类模型，使所述数据分类模型输出的数据类型与该训练用交谈文本标注的数据类型相符。
12.一种智能排序装置，其特征在于，所述装置包括：
指令及结果获取模块，用于获取交互指令以及交互指令对应的响应结果；
排序特征信息提取模块，用于提取排序特征信息，所述排序特征信息包括：用于表示所述交互指令的指令特征，以及用于表示所述响应结果的响应特征；
相关性得分输出模块，用于将所述排序特征信息作为输入，经排序模型处理后，输出各响应结果与用户偏好的相关性得分；
响应结果排序模块，用于按照所述相关性得分，对所述响应结果进行排序。
13.根据权利要求12所述的装置，其特征在于，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别，所述排序特征信息提取模块包括：
属性类别判断模块，用于获取所述排序模型对应的预设响应特征，判断从所述响应结果中提取的响应特征与所述预设响应特征相比，是否存在缺失的属性类别；
属性类别获取模块，用于在存在缺失的属性类别时，获取该缺失的属性类别；
响应特征获得模块，用于基于所述缺失的属性类别、以及从所述响应结果中提取的属性类别，获得所述响应特征，所述响应特征为所述名称以及每个属性类别的向量化表示。
14.根据权利要求12所述的装置，其特征在于，所述排序特征信息还包括：
用户提交所述交互指令的时间信息；和/或，
用户提交所述交互指令时选定的位置信息；和/或，
用户提交所述交互指令时选定的位置与所述响应结果表示的搜索对象所在的位置之间的距离信息，所述响应结果包括搜索对象的名称、所述搜索对象的属性、以及属性的类别。
15.根据权利要求12至14任一项所述的装置，其特征在于，所述装置还包括：
数据采集模块，用于采集训练用交互指令以及训练用交互指令对应的训练用对象数据；
数据类型标注模块，用于标注每条训练用对象数据的数据类型，所述数据类型包括：表示用户偏好的正向数据、表示用户非偏好的反向数据；
排序模型训练模块，用于基于所述训练用交互指令以及所述训练用对象数据，提取训练用排序特征信息，并确定所述排序模型的拓扑结构；利用所述训练用排序特征信息和所述拓扑结构，训练得到所述排序模型，使所述排序模型输出的训练用对象数据与用户偏好的相关性得分，与训练用对象数据标注的数据类型对应的得分阈值相符。
16.一种存储介质，其中存储有多条指令，其特征在于，所述指令由处理器加载，执行权利要求1至11任一项所述方法的步骤。
17.一种电子设备，其特征在于，所述电子设备包括；
权利要求16所述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711001907.XA CN107862004A (zh) | 2017-10-24 | 2017-10-24 | 智能排序方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711001907.XA CN107862004A (zh) | 2017-10-24 | 2017-10-24 | 智能排序方法及装置、存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862004A true CN107862004A (zh) | 2018-03-30 |
Family
ID=61696549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711001907.XA Pending CN107862004A (zh) | 2017-10-24 | 2017-10-24 | 智能排序方法及装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862004A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233077A1 (zh) * | 2018-06-08 | 2019-12-12 | 北京三快在线科技有限公司 | 业务对象的排序 |
| WO2020042925A1 (zh) * | 2018-08-29 | 2020-03-05 | 腾讯科技（深圳）有限公司 | 人机对话方法、装置、电子设备及计算机可读介质 |
| CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术（北京）有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| CN111222058A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| CN111241427A (zh) * | 2020-01-06 | 2020-06-05 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| CN112528156A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| CN112711717A (zh) * | 2021-03-26 | 2021-04-27 | 北京三快在线科技有限公司 | 房间产品搜索方法、装置、电子设备 |
| CN113343132A (zh) * | 2021-06-30 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法、信息展示的方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020164B (zh) * | 2012-11-26 | 2015-06-10 | 华北电力大学 | 一种基于多语义分析和个性化排序的语义检索方法 |
| CN105426528A (zh) * | 2015-12-15 | 2016-03-23 | 中南大学 | 一种商品数据的检索排序方法及系统 |
| CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
| CN105684026A (zh) * | 2016-01-25 | 2016-06-15 | 程强 | 餐饮app平台的排序方法及系统 |
| CN106294417A (zh) * | 2015-05-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种数据排序方法、装置及电子设备 |
| CN106484766A (zh) * | 2016-09-07 | 2017-03-08 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
| CN106910093A (zh) * | 2017-03-02 | 2017-06-30 | 百度在线网络技术（北京）有限公司 | 餐厅推荐的方法及装置 |
| CN107122447A (zh) * | 2017-04-25 | 2017-09-01 | 南京邮电大学 | 一种基于偏好的多数据源融合的网络搜索系统及控制方法 |
| CN107180078A (zh) * | 2017-04-21 | 2017-09-19 | 河海大学 | 一种基于用户兴趣学习的垂直搜索方法 |
-
2017
- 2017-10-24 CN CN201711001907.XA patent/CN107862004A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020164B (zh) * | 2012-11-26 | 2015-06-10 | 华北电力大学 | 一种基于多语义分析和个性化排序的语义检索方法 |
| CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
| CN106294417A (zh) * | 2015-05-25 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种数据排序方法、装置及电子设备 |
| CN105426528A (zh) * | 2015-12-15 | 2016-03-23 | 中南大学 | 一种商品数据的检索排序方法及系统 |
| CN105684026A (zh) * | 2016-01-25 | 2016-06-15 | 程强 | 餐饮app平台的排序方法及系统 |
| CN106484766A (zh) * | 2016-09-07 | 2017-03-08 | 北京百度网讯科技有限公司 | 基于人工智能的搜索方法和装置 |
| CN106910093A (zh) * | 2017-03-02 | 2017-06-30 | 百度在线网络技术（北京）有限公司 | 餐厅推荐的方法及装置 |
| CN107180078A (zh) * | 2017-04-21 | 2017-09-19 | 河海大学 | 一种基于用户兴趣学习的垂直搜索方法 |
| CN107122447A (zh) * | 2017-04-25 | 2017-09-01 | 南京邮电大学 | 一种基于偏好的多数据源融合的网络搜索系统及控制方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233077A1 (zh) * | 2018-06-08 | 2019-12-12 | 北京三快在线科技有限公司 | 业务对象的排序 |
| CN110647696A (zh) * | 2018-06-08 | 2020-01-03 | 北京三快在线科技有限公司 | 一种业务对象的排序方法及装置 |
| CN110647696B (zh) * | 2018-06-08 | 2022-06-14 | 北京三快在线科技有限公司 | 一种业务对象的排序方法及装置 |
| US20210366006A1 (en) * | 2018-06-08 | 2021-11-25 | Beijing Sankuai Online Technology Co., Ltd | Ranking of business object |
| WO2020042925A1 (zh) * | 2018-08-29 | 2020-03-05 | 腾讯科技（深圳）有限公司 | 人机对话方法、装置、电子设备及计算机可读介质 |
| US11775760B2 (en) | 2018-08-29 | 2023-10-03 | Tencent Technology (Shenzhen) Company Limited | Man-machine conversation method, electronic device, and computer-readable medium |
| CN111241427B (zh) * | 2020-01-06 | 2021-06-11 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| WO2021139209A1 (zh) * | 2020-01-06 | 2021-07-15 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| WO2021139221A1 (zh) * | 2020-01-06 | 2021-07-15 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| WO2021139222A1 (zh) * | 2020-01-06 | 2021-07-15 | 百度在线网络技术（北京）有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| CN111241427A (zh) * | 2020-01-06 | 2020-06-05 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| CN111222058A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术（北京）有限公司 | 查询自动补全的方法、装置、设备和计算机存储介质 |
| JP2022530690A (ja) * | 2020-01-06 | 2022-06-30 | バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド | クエリ自動補完の方法、装置、機器、及びコンピュータ記憶媒体 |
| CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术（北京）有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| US11847147B2 (en) | 2020-01-06 | 2023-12-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for building ranking model, query auto-completion method and corresponding apparatuses |
| CN112528156A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| CN112528156B (zh) * | 2020-12-24 | 2024-03-26 | 北京百度网讯科技有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
| CN112711717A (zh) * | 2021-03-26 | 2021-04-27 | 北京三快在线科技有限公司 | 房间产品搜索方法、装置、电子设备 |
| CN113343132A (zh) * | 2021-06-30 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法、信息展示的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862004A (zh) | 智能排序方法及装置、存储介质、电子设备 | |
| CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
| JP6708717B2 (ja) | ニュース推薦方法及び装置 | |
| CN107609101B (zh) | 智能交互方法、设备及存储介质 | |
| CN106709040B (zh) | 一种应用搜索方法和服务器 | |
| CN110888990B (zh) | 文本推荐方法、装置、设备及介质 | |
| CN106682169B (zh) | 一种应用标签挖掘方法、装置和应用搜索方法、服务器 | |
| CN103514299B (zh) | 信息搜索方法和装置 | |
| WO2017076205A1 (zh) | 一种获取聊天发起句的回复提示内容的方法及装置 | |
| CN109416695B (zh) | 在自动聊天中提供本地服务信息 | |
| US12050636B2 (en) | Generating document summary | |
| CN106682170B (zh) | 一种应用搜索方法和装置 | |
| KR20140093957A (ko) | 상호작용 멀티-모달 이미지 검색 기법 | |
| CN106227815A (zh) | 一种多模态线索的个性化应用程序功能推荐方法及其系统 | |
| CN109388743B (zh) | 语言模型的确定方法和装置 | |
| CN103577534B (zh) | 搜索方法和搜索引擎 | |
| WO2018176913A1 (zh) | 搜索方法、装置及非临时性计算机可读存储介质 | |
| CN107729453B (zh) | 一种提取中心产品词的方法和装置 | |
| CN107679070B (zh) | 一种智能阅读推荐方法与装置、电子设备 | |
| CN111046225A (zh) | 音频资源处理方法、装置、设备及存储介质 | |
| CN110287364B (zh) | 语音搜索方法、系统、设备及计算机可读存储介质 | |
| CN110209810A (zh) | 相似文本识别方法以及装置 | |
| CN106649605B (zh) | 一种推广关键词的触发方法及装置 | |
| CN111914157A (zh) | 一种基于用户偏好的旅游方案生成方法和系统 | |
| CN113282754A (zh) | 针对新闻事件的舆情检测方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |
|
| RJ01 | Rejection of invention patent application after publication |