CN108268617A - 用户意图确定方法及装置 - Google Patents
用户意图确定方法及装置 Download PDFInfo
- Publication number
- CN108268617A CN108268617A CN201810011303.1A CN201810011303A CN108268617A CN 108268617 A CN108268617 A CN 108268617A CN 201810011303 A CN201810011303 A CN 201810011303A CN 108268617 A CN108268617 A CN 108268617A
- Authority
- CN
- China
- Prior art keywords
- user
- classification
- keyword
- behavior keyword
- intention
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003542 behavioural effect Effects 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 365
- 238000003860 storage Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 27
- 230000000694 effects Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011045 prefiltration Methods 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007704 transition 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种用户意图确定方法及装置，其中方法包括：获取用户的行为信息，根据用户的行为信息，确定用户的行为关键词，根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，根据该目标意图类别对应的意图信息，确定用户的意图。
Description
技术领域
本申请涉及用户意图确定及信息推荐领域，尤其涉及一种用户意图确定方法及装置。
背景技术
随着移动终端技术的发展，用户能够通过移动终端获取互联网上的各种信息，如商场打折信息、热点新闻、娱乐资讯等。用户通过移动终端获取信息时，主要有两种途径，用户主动搜索信息，或者，移动终端主动向用户推荐信息。
移动终端主动向用户推荐信息时，由于每个用户关注的信息各不相同，因此移动终端可能会向用户推荐其并不关注信息，基于此，有必要提供一种能够确定用户意图的技术方案，以便于基于用户意图向用户推荐信息时，能够提高信息推荐的准确性。
发明内容
本申请实施例的目的是提供一种用户意图确定方法及装置，能够确定用户意图，以便于基于用户意图向用户推荐信息时，能够提高信息推荐的准确性。
为达到以上目的，本申请实施例是这样实现的：
本申请实施例提供了一种用户意图确定方法，包括：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
本申请实施例还提供了一种用户意图确定方法，包括：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
本申请实施例还提供了一种用户意图确定装置，包括：
第一获取单元，用于根据用户的行为信息，确定所述用户的行为关键词；
第一类别确定单元，用于根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
第一意图确定单元，用于根据所述目标意图类别对应的意图信息，确定所述用户的意图。
本申请实施例还提供了一种用户意图确定装置，包括：
第二获取单元，用于根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
第二类别确定单元，用于若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
第二意图确定单元，用于根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
本申请实施例还提供了一种用户意图确定设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
本申请实施例还提供了一种用户意图确定设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
本申请实施例中，首先根据用户的行为信息，确定所述用户的行为关键词，其次根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，最后根据目标意图类别对应的意图信息，确定用户的意图。可见，通过本申请实施例，能够准确确定用户意图，以便于基于用户意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的应用场景示意图；
图2为本申请一实施例提供的用户意图确定方法的流程示意图；
图3为本申请一实施例提供的对历史行为关键词进行聚类的示意图；
图4为本申请一实施例提供的根据初始对应关系生成行为关键词与意图类别之间的对应关系的示意图；
图5为本申请一实施例提供的意图类别的层级关系示意图；
图6为本申请另一实施例提供的用户意图确定方法的流程示意图；
图7为本申请另一实施例提供的用户意图确定方法的流程示意图；
图8为本申请一实施例提供的用户意图确定装置的流程示意图；
图9为本申请另一实施例提供的用户意图确定装置的流程示意图；
图10为本申请一实施例提供的用户意图确定设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本申请一实施例提供的应用场景示意图，本申请实施例提供的用户意图确定方法可以应用于图1所示的场景中。如图1所示，该应用场景包括至少一个客户端100和服务器200，客户端100由用户操作，并通过网络300与服务器200通信连接。
客户端100可以为手机、平板电脑、台式计算机、便携笔记本式计算机、车载计算机等。服务器200可以为包含独立主机的物理服务器，或者为主机集群承载的虚拟服务器，或者为云服务器。本申请实施例提供的用户意图确定方法可以由服务器200执行。网络300可以包括多种类型的有线或无线网络。如，网络300可以包括公共交换电话网络(PublicSwitched Telephone Network，PSTN)和因特网。
图2为本申请一实施例提供的用户意图确定方法的流程示意图，如图2所示，该流程包括：
步骤S202，根据用户的行为信息，确定用户的行为关键词。
用户的行为信息包括用户搜索的内容、用户浏览的信息、用户购买的产品中的一项或多项，行为关键词包括搜索关键词、浏览关键词、购物关键词中的一项或多项。相应地，采取以下方式中的一种或多种，根据用户的行为信息，确定所述用户的行为关键词：
根据用户搜索的内容，确定用户的搜索关键词；
根据用户浏览的信息，确定用户的浏览关键词；
根据用户购买的产品，确定用户的购物关键词。
其中，用户搜索的内容可以是移动终端向服务器发送的用户当前时间输入的搜索内容，还可以是服务器根据用户的历史搜索日志，确定的用户历史搜索的内容。用户浏览的信息可以是服务器确定的用户当前时间浏览的信息，还可以是服务器根据用户的历史信息浏览日志，确定的用户历史浏览的信息。用户购买的产品可以是服务器确定的用户当前时间购买的产品，还可以是服务器根据用户的历史购物日志，确定的用户历史购买的产品。
根据用户搜索的内容，确定用户的搜索关键词，具体为：对用户搜索的内容进行分词处理，得到多个搜索词，对该多个搜索词进行词语过滤，将剩余的至少一个搜索词作为用户的搜索关键词。
具体地，首先根据需求选择分词算法，利用选择的分词算法对用户搜索的内容进行分词处理，得到多个搜索词，然后对该多个搜索词进行词语过滤，过滤掉多个搜索词中的无意义词，比如“</s>”，“3489348”等，最后将过滤后剩余的至少一个搜索词作为用户的搜索关键词。
根据用户浏览的信息，确定用户的浏览关键词，可以为：根据用户浏览的信息，确定用户浏览的信息的属性，从该属性中提取得到至少一个词，将提取得到的至少一个词作为用户的浏览关键词，其中，信息的属性包括信息类别、信息标题等。
根据用户购买的产品，确定用户的购物关键词，可以为：根据用户购买的产品，确定用户购买的产品的属性，从该属性中提取得到至少一个词，将提取得到的至少一个词作为用户的购物关键词，其中，产品的属性包括产品类别、产品名称等。
能够理解，行为关键词可能为一个，可能为多个。在确定用户的行为关键词后，执行步骤S204。
步骤S204，根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别。
本实施例中，预先设置有行为关键词与意图类别之间的对应关系，该对应关系用于表示每个行为关键词对应的意图类别，该对应关系中，每个行为关键词对应一个意图类别，不同行为关键词对应的意图类别可以重复。
本步骤中，根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，具体为：
(1)若上述对应关系中记录有用户的行为关键词，则在上述对应关系中进行查找，得到用户的行为关键词对应的第一意图类别；
(2)根据用户的行为关键词对应的第一意图类别，确定用户的行为关键词对应的目标意图类别。
上述动作(1)中，判断上述对应关系中是否记录有用户的行为关键词，若没有，则确定识别用户意图失败，若有，则在上述对应关系中进行查找，得到用户的行为关键词对应的第一意图类别。由于行为关键词至少为一个，且该对应关系中，每个行为关键词对应一个意图类别，因此，查找得到的第一意图类别的数量与行为关键词的数量相等，可能为一个，可能为多个。
上述动作(2)中，根据用户的行为关键词对应的第一意图类别，确定用户的行为关键词对应的目标意图类别，具体为：
(21)若第一意图类别的数量为一个，或者，第一意图类别的数量为多个，且每个第一意图类别的内容均相同，则将第一意图类别作为用户的行为关键词对应的目标意图类别；
(22)若第一意图类别的数量为多个，且各个第一意图类别的内容存在不同，则对各个第一意图类别进行组合，得到第一意图类别对应的组合类别，根据第一意图类别对应的组合类别和第一类别列表，确定用户的行为关键词对应的目标意图类别；其中，第一类别列表中记录有多个组合类别。
比如，行为关键词为“吕布”，其对应的第一意图类别为“游戏”，则第一意图类别的数量为一个，将第一意图类别“游戏”作为用户的行为关键词对应的目标意图类别。
又如，行为关键词包括“王者”和“李白”，其中“王者”对应的第一意图类别为“游戏”，“李白”对应的第一意图类别为“游戏”，则第一意图类别的数量为两个，且每个第一意图类别的内容均相同，将第一意图类别“游戏”作为用户的行为关键词对应的目标意图类别。
上述动作(22)中，根据第一意图类别对应的组合类别和第一类别列表，确定用户的行为关键词对应的目标意图类别，具体为：
(221)若第一类别列表内记录有第一意图类别对应的组合类别，则将记录的第一意图类别对应的组合类别，作为目标意图类别；
(222)若第一类别列表内未记录有第一意图类别对应的组合类别，则根据上述对应关系中记录的权重，在各个第一意图类别中选取目标意图类别；其中，权重为行为关键词的相对于对应的意图类别的权重。
本实施例中，预设有第一类别列表，该第一类别列表内记录有多个组合类别，该多个组合类别来自于上述对应关系中记录的意图类别的组合，该第一类别列表可以通过以下方式获得：将上述对应关系中的各个意图类别进行组合，得到多个初级组合类别，在该多个初级组合类别中进行筛选，将筛选得到的初级组合类别作为组合类别，根据多个组合类别生成第一类别列表。
其中，在生成第一类别列表时，可以对上述对应关系中的各个意图类别进行各种组合，如两两组合、三三组合、四四组合，直至将对应关系中的所有意图类别组合成一个组合类别。在生成第一类别列表时，可以根据各个初级组合类别的语义，在多个初级组合类别中进行筛选，排除语义不符合要求(如语义不清楚)的初级组合类别，将剩余的初级组合类别作为第一类别列表内的组合类别。
本实施例中，将动作(22)得到的第一意图类别对应的组合类别与第一类别列表内记录的组合类别进行对比，若第一类别列表内记录有任意一个第一意图类别对应的组合类别，则将记录的第一意图类别对应的组合类别，作为目标意图类别。如第一意图类别为“游戏”和“充值”，则对应的组合类别为“游戏充值”，第一类别列表内记录有组合类别“游戏充值”，则将“游戏充值”作为目标意图类别。
本实施例中，行为关键词和意图类别之间的对应关系可以参考下表1，该对应关系中，记录有行为关键词的相对于对应的意图类别的权重。
表1
| 行为关键词 | 意图类别 | 行为关键词的权重 |
| 王者 | 游戏 | 9.0 |
| 李白 | 游戏 | 7.0 |
| 羽绒服 | 服装 | 8.0 |
如表1所示，每个行为关键词对应一个意图类别，不同行为关键词对应的意图类别可以重复，行为关键词相对于对应的意图类别具有权重。
若第一类别列表内没有记录上述动作(22)得到的第一意图类别对应的组合类别，则根据上述对应关系中记录的权重，在各个第一意图类别中选取目标意图类别，具体可以为，在各个第一意图类别中，选取权重最大的用户的行为关键词对应的第一意图类别，作为目标意图类别。
以上表1为例，行为关键词包括“王者”和“羽绒服”，两个第一意图类别分别为“游戏”和“服装”，对应的组合类别为“游戏服装”，第一类别列表内没有记录“游戏服装”，则在“游戏”和“服装”内，选择“游戏”作为目标意图类别。
一个实施例中，第一意图类别的数量为至少三个，对第一意图类别进行组合后，得到多个第一组合类别，若第一类别列表内记录有该每个第一组合类别，则将每个第一组合类别均作为目标意图类别，若第一类别列表内没有记录任意一个第一组合类别，则选择权重最大的用户的行为关键词对应的第一意图类别，作为目标意图类别，若第一类别列表内记录有部分的第一组合类别，则将记录的第一组合类别作为目标意图类别。
可见通过步骤S204，确定得到的目标意图类别的数量可以为一个，可以为多个。在确定得到用户的行为关键词对应的目标意图类别后，执行步骤S206。
步骤S206，根据目标意图类别对应的意图信息，确定用户的意图。
一个实施例中，将目标意图类别对应的意图信息，作为用户的意图。另一个实施例中，将目标意图类别对应的意图信息，作为确定用户意图的参考信息之一，根据目标意图类别对应的意图信息，以及其他用于确定用户意图的信息，确定用户的意图。
本申请实施例中，首先根据用户的行为信息，确定所述用户的行为关键词，其次根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，最后根据目标意图类别对应的意图信息，确定用户的意图。可见，通过本申请实施例，能够准确确定用户意图，以便于基于用户意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
本申请实施例中的方法，行为关键词与意图类别之间的对应关系可以起到前置过滤的作用，若用户的行为关键词不在该对应关系内，则不进行意图确定，从而前置过滤掉无关内容，使得能够快速处理海量数据，快速确定用户意图。通过本实施例能够在不同场景下利用行为关键词与意图类别之间的对应关系实现海量数据的快速处理，快速确定用户意图，通过定时更新该对应关系，能够进一步提高意图确定的准确性。
并且，本申请实施例中，对应关系中的意图类别的内容和数量可以由人工确定，因此，通过确定若干个固定的意图类别，能够使得在数据处理时只关注这若干个固定的意图类别，使得数据处理只面向这若干个固定的意图类别，而不关注全部数据的数据，从而实现海量数据的快速处理，实现几十万/秒的数据处理速度。
本申请实施例中的方法，可以应用在分布式场景下，通过分布式处理的高并发性，进一步提高用户意图的确定速度，实现短时间内海量数据的处理。
本申请实施例中，在确定得到用户的意图后，可以根据用户的意图向用户推荐相关的信息，如促销打折信息、新闻消息、书籍信息、广告信息等，从而根据用户意图向用户推荐消息，提高消息推荐的精准性。一个实施例中，上述方法应用在用户搜索的场景下，通过对用户搜索的内容进行分析，确定用户的意图，根据用户的意图，向用户推荐相关的内容，比如相关的打折信息等。
本申请实施例中，行为关键词与意图类别之间的对应关系可以通过以下方式确定得到：
(1)根据用户的历史行为信息，确定用户的历史行为关键词。
根据用户的历史行为信息，确定用户的历史行为关键词，包括以下方式中的至少一种：
根据用户历史搜索的内容，确定用户的历史搜索关键词；
根据用户历史浏览的信息，确定用户的历史浏览关键词；
根据用户历史购买的产品，获取用户的历史购物关键词。
其中，根据用户历史搜索的内容，确定用户的历史搜索关键词，具体为：对用户历史搜索的内容进行分词处理，得到多个历史搜索词，对该多个历史搜索词进行词语过滤，将剩余的至少一个历史搜索词作为用户的历史搜索关键词。
具体地，首先根据需求选择分词算法，利用选择的分词算法对用户历史搜索的内容进行分词处理，得到多个历史搜索词，然后对该多个历史搜索词进行词语过滤，过滤掉其中的无意义词，比如“</s>”，“3489348”等，以及过滤掉预设的词，比如“衣服”，“房子”等，将过滤后剩余的至少一个历史搜索词作为用户的历史搜索关键词。其中，预设的词可以是对历史搜索关键词的分类具有负面影响的词，预设的词可以由人工统计得到。
本实施例中，通过过滤掉预设的词得到用户的历史搜索关键词，能够排除对分类具有负面影响的词，从而避免影响历史搜索关键词的聚类结果。
根据用户历史浏览的信息，确定用户的历史浏览关键词，可以为：根据用户历史浏览的信息，确定用户历史浏览的信息的属性，从该属性中提取得到至少一个词，将提取得到的至少一个词作为用户的历史浏览关键词，其中，信息的属性包括信息类别、信息标题等。
根据用户历史购买的产品，确定用户的历史购物关键词，可以为：根据用户历史购买的产品，确定用户历史购买的产品的属性，从该属性中提取得到至少一个词，将提取得到的至少一个词作为用户的历史购物关键词，其中，产品的属性包括产品类别、产品名称等。
(2)按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系；其中，初始对应关系中，每个历史行为关键词至少对应一个意图类别。
图3为本申请一实施例提供的对历史行为关键词进行聚类的示意图，通过聚类能够得到初始对应关系，初始对应关系用于表示每个意图类别对应的历史行为关键词，并且，初始对应关系中，每个历史行为关键词至少对应一个意图类别，也就是说，不同意图类别对应的历史行为关键词中可能存在重复的词。
(3)在初始对应关系中，确定每个历史行为关键词的相对于各个对应的意图类别的权重，将每个历史行为关键词的最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别。
如图3所示，每个意图类别对应至少一个历史行为关键词，因此每个意图类别可以看做一个文档，其对应的历史行为关键词可以看做文档中的词语，多个意图类别可以看做多个文档集合，因此，可以采用TF-IDF(term frequency-inverse document frequency，词频-逆文档频率)算法，计算得到每个历史行为关键词的相对于各个对应的意图类别的TF-IDF值，该TF-IDF值即为每个历史行为关键词的相对于各个对应的意图类别的权重。其中，每个历史行为关键词相对于对应的一个意图类别具有一个权重值，若历史行为关键词对应有多个意图类别，则能够计算得到历史行为关键词的相对于每个对应的意图类别的多个权重。进而，对于每个历史行为关键词，将其最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别。
比如，历史行为关键词“李白”对应有两个意图类别，分别为“游戏”和“人物”，相对于“游戏”的权重为0.9，相对于“人物”的权重为“0.6”，则将“游戏”作为“李白”对应的意图类别。
能够理解，若某个历史行为关键词对应于一个意图类别，则该意图类别，即为该历史行为关键词对应的意图类别。
(4)根据每个历史行为关键词对应的意图类别，统计得到上述行为关键词与意图类别之间的对应关系。
根据每个历史行为关键词对应的意图类别，统计生成上述行为关键词与意图类别之间的对应关系。
图4为本申请一实施例提供的根据初始对应关系生成行为关键词与意图类别之间的对应关系的示意图，图4中括号内数值为历史行为关键词的相对于各个对应的意图类别的权重，如图4所示，在初始对应关系中，每个意图类别对应至少一个历史行为关键词，不同意图类别对应的历史行为关键词中存在重复的词，且，每个历史行为关键词相对于对应的意图类别具有权重，从而，对于每个历史行为关键词，将其最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别，根据每个历史行为关键词对应的意图类别，生成上述行为关键词与意图类别之间的对应关系。图4中，初始对应关系以意图类别为聚类中心，行为关键词与意图类别之间的对应关系以历史行为关键词为聚类中心。
能够理解，对于对应于一种意图类别的历史行为关键词，初始对应关系中，该词对应的意图类别，即为，行为关键词与意图类别之间的对应关系中，该词对应的意图类别。
能够理解，对于对应于多种意图类别的历史行为关键词，初始对应关系中，该词对应的意图类别，包含，行为关键词与意图类别之间的对应关系中，该词对应的意图类别。
一个实施例中，意图类别包括至少一级子类别，图5为本申请一实施例提供的意图类别的层级关系示意图，如图5所示，意图类别“游戏”包括“王者荣耀”，“吃鸡手游”等第一级子类别，每个第一级子类别可以包含相应的第二级子类别，如“王者荣耀”包含“人物”、“吃鸡手游”包含“道具”。
基于此，上述按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系，具体为：
(1)计算各个最低级子类别与确定的历史行为关键词之间的词距离；
(2)根据该词距离，确定各个最低级子类别对应的历史行为关键词；
(3)将每个最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词。
具体地，将意图类别对应的最低级子类别作为一个词进行处理，计算每个最低级子类别与确定的历史行为关键词之间的词距离，具体可以采用Word2Vector算法进行计算，词距离可以取词向量之间的余弦距离。
比如，在一个实施例中，将用户历史搜索的内容和历史浏览的信息作为样本词库，对Word2Vector算法进行训练，得到对应的词距离计算模型，然后基于该词距离计算模型，计算每个最低级子类别与确定的历史行为关键词之间的词距离。
然后，基于该词距离，确定每个最低级子类别对应的历史行为关键词，比如，对于每个最低级子类别，选取词距离最近的一定数量的历史行为关键词，作为该最低级子类别对应的历史行为关键词，比如，对于每个最低级子类别，选取词距离最近的30个历史行为关键词，作为该最低级子类别对应的历史行为关键词。
最后，将每个最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词，至此，可以得到每个意图类别初始对应的历史行为关键词，从而达到对获取的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系的目的。
本实施例中，通过计算词距离的方式确定每个意图类别初始对应的历史行为关键词，具有准确度高的效果，能够避免在初始对应关系中出现与意图类别关联性弱的历史行为关键词。
基于意图类别包括至少一级子类别，上述在初始对应关系中，确定每个历史行为关键词的相对于各个对应的意图类别的权重，具体为：
(1)在初始对应关系中，基于每个历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，确定每个历史行为关键词的相对于各个对应的最低级子类别的权重；
(2)将每个历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个历史行为关键词的相对于各个对应的意图类别的权重。
具体地，在所有意图类别中，每个最低级子类别可以看做一篇文档，最低级子类别对应的历史行为关键词，可以看做该文档中的词语，所有最低级子类别可看做多个文档集合，因此，基于每个历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，能够确定每个历史行为关键词的相对于各个对应的最低级子类别的权重，该权重即为TF-IDF值。
以意图类别包含一级子类别、一个意图类别包含的子类别的数量为至少一个为例，每个子类别可以看做一篇文档，每个子类别对应的历史行为关键词，可以看做该文档中的词语，所有子类别可看做多个文档集合，因此，基于每个历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，能够确定每个历史行为关键词的相对于各个对应的子类别的权重，该权重即为TF-IDF值。
然后，将每个历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个历史行为关键词的相对于各个对应的意图类别的权重，从而得到每个历史行为关键词的相对于各个对应的意图类别的权重。
通过以上过程，能够确定得到上述行为关键词与意图类别之间的对应关系，并得到每个行为关键词的相对于各个对应的意图类别的权重，从而基于该对应关系确定用户的意图。
本实施例中，意图类别及其对应的子类别(若存在)可以由人工确定，从而识别设定的意图，避免识别出不关注的意图的情况；可以定期更新意图类别及其对应的子类别(若存在)，从而根据实际需求调整需要识别的用户意图。
本实施例中，人工确定意图类别及其对应的子类别(若存在)属于人工实施的场景，基于词距离确定初始对应关系，以及，根据初始对应关系得到行为关键词与意图类别之间的对应关系，属于设备自动实施的场景，因此本申请实施例属于半监督的场景，即结合人工实施和设备自动实施，半监督的场景结合人工实施的准确性和设备实施的高效率，具有准确性高且效率高的优点。
本申请实施例还提供了另一种用户意图确定方法，图6为本申请另一实施例提供的用户意图确定方法的流程示意图，如图6所示，该方法包括：
步骤S602，获取用户的行为关键词；
步骤S604，判断行为关键词与意图类别之间的对应关系，是否记录有获取的行为关键词；
若记录有，执行步骤S606，否则，执行步骤S610。
步骤S606，根据行为关键词与意图类别之间的对应关系，确定获取的行为关键词对应的目标意图类别；
步骤S608，根据目标意图类别对应的意图信息，确定该用户的意图。
步骤S610，确定识别用户意图失败。
通过图6的方法，行为关键词与意图类别之间的对应关系可以起到前置过滤的作用，若用户的行为关键词不在该对应关系内，则不进行意图确定，从而前置过滤掉无关内容，使得能够快速处理海量数据，快速确定用户意图。
本申请实施例还提供了另一种用户意图确定方法，图7为本申请另一实施例提供的用户意图确定方法的流程示意图，如图7所示，该方法包括：
步骤S702，根据用户搜索的内容，确定用户的搜索关键词，将用户的搜索关键词作为用户的行为关键词。
本步骤中，根据用户搜索的内容，确定用户的搜索关键词，具体为：对用户搜索的内容进行分词处理，得到多个搜索词，对该多个搜索词进行词语过滤，过滤掉无意义词，将剩余的至少一个搜索词作为用户的搜索关键词。本步骤中，还将用户的搜索关键词作为用户的行为关键词
步骤S704，若行为关键词与意图类别之间的对应关系中，记录有上述用户的行为关键词，则根据该对应关系，确定用户的行为关键词对应的目标意图类别。
判断行为关键词与意图类别之间的对应关系，是否记录有用户的行为关键词，若没有，则确定识别用户意图失败，若有，则根据该对应关系，确定用户的行为关键词对应的目标意图类别。具体确定过程可以参考前面步骤S204的描述，这里不再重复。
步骤S706，根据目标意图类别对应的意图信息，确定用户的搜索意图。
一个实施例中，将目标意图类别对应的意图信息，作为用户的搜索意图。另一个实施例中，将目标意图类别对应的意图信息，作为确定用户搜索意图的参考信息之一，根据目标意图类别对应的意图信息，以及其他用于确定用户搜索意图的信息，确定用户的搜索意图。
可见，通过本申请实施例，能够在用户进行搜索的场景下，基于行为关键词与意图类别之间的对应关系，准确确定用户的搜索意图，以便于基于用户的搜索意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的搜索意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
本申请实施例还提供了一种用户意图确定装置，图8为本申请一实施例提供的用户意图确定装置的流程示意图，如图8所示，该装置包括：
第一获取单元81，用于根据用户的行为信息，确定所述用户的行为关键词；
第一类别确定单元82，用于根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
第一意图确定单元83，用于根据所述目标意图类别对应的意图信息，确定所述用户的意图。
可选地，第一获取单元81具体用于以下方式中的至少一种：
根据用户搜索的内容，确定所述用户的搜索关键词；
根据用户浏览的信息，确定所述用户的浏览关键词；
根据用户购买的产品，确定所述用户的购物关键词。
可选地，第一类别确定单元82具体用于：
若所述对应关系中记录有所述用户的行为关键词，则在所述对应关系中进行查找，得到所述用户的行为关键词对应的第一意图类别；
根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别。
可选地，第一类别确定单元82还具体用于：
若所述第一意图类别的数量为一个，或者，所述第一意图类别的数量为多个，且每个所述第一意图类别的内容均相同，则将所述第一意图类别作为所述用户的行为关键词对应的目标意图类别；
若所述第一意图类别的数量为多个，且各个所述第一意图类别的内容存在不同，则对各个所述第一意图类别进行组合，得到第一意图类别对应的组合类别，根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别；其中，所述第一类别列表中记录有多个组合类别。
可选地，第一类别确定单元82还具体用于：
若所述第一类别列表内记录有所述第一意图类别对应的组合类别，则将记录的所述第一意图类别对应的组合类别，作为所述目标意图类别；
若所述第一类别列表内未记录有所述第一意图类别对应的组合类别，则根据所述对应关系中记录的权重，在各个所述第一意图类别中选取目标意图类别；
其中，所述权重为行为关键词的相对于对应的意图类别的权重。
可选地，还包括：
历史词确定单元，用于根据用户的历史行为信息，确定所述用户的历史行为关键词；
初始关系确定单元，用于按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系；其中，所述初始对应关系中，每个历史行为关键词至少对应一个意图类别；
初始关系调整单元，用于在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，将每个所述历史行为关键词的最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别；
对应关系统计单元，用于根据每个历史行为关键词对应的意图类别，统计得到所述行为关键词与意图类别之间的对应关系。
可选地，每个意图类别具有至少一级子类别；初始关系确定单元具体用于：
计算各个最低级子类别与确定的历史行为关键词之间的词距离；
根据所述词距离，确定各个所述最低级子类别对应的历史行为关键词；
将每个所述最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词。
可选地，初始关系调整单元具体用于：
在所述初始对应关系中，基于每个所述历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，确定每个所述历史行为关键词的相对于各个对应的最低级子类别的权重；
将每个所述历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个所述历史行为关键词的相对于各个对应的意图类别的权重。
可选地，历史词确定单元具体用于以下方式中的至少一种：
根据用户历史搜索的内容，确定用户的历史搜索关键词；
根据用户历史浏览的信息，确定用户的历史浏览关键词；
根据用户历史购买的产品，获取用户的历史购物关键词。
本申请实施例中，首先根据用户的行为信息，确定所述用户的行为关键词，其次根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，最后根据目标意图类别对应的意图信息，确定用户的意图。可见，通过本申请实施例，能够准确确定用户意图，以便于基于用户意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
本申请实施例还提供了一种用户意图确定装置，图9为本申请另一实施例提供的用户意图确定装置的流程示意图，如图9所示，该装置包括：
第二获取单元91，用于根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
第二类别确定单元92，用于若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
第二意图确定单元93，用于根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
可选地，第二获取单元91具体用于：
对用户搜索的内容进行分词处理，得到多个搜索词；
对所述多个搜索词进行词语过滤，将剩余的至少一个搜索词作为所述用户的搜索关键词。
通过本申请实施例，能够在用户进行搜索的场景下，基于行为关键词与意图类别之间的对应关系，准确确定用户的搜索意图，以便于基于用户的搜索意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的搜索意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
进一步地，本申请实施例还提供了一种用户意图确定设备，图10为本申请一实施例提供的用户意图确定设备的结构示意图。
如图10所示。用户意图确定设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对用户意图确定设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在用户意图确定设备上执行存储器902中的一系列计算机可执行指令。用户意图确定设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，用户意图确定设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对用户意图确定设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
可选地，计算机可执行指令在被执行时，所述根据用户的行为信息，确定所述用户的行为关键词，包括以下方式中的至少一种：
根据用户搜索的内容，确定所述用户的搜索关键词；
根据用户浏览的信息，确定所述用户的浏览关键词；
根据用户购买的产品，确定所述用户的购物关键词。
可选地，计算机可执行指令在被执行时，所述根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述对应关系中记录有所述用户的行为关键词，则在所述对应关系中进行查找，得到所述用户的行为关键词对应的第一意图类别；
根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别。
可选地，计算机可执行指令在被执行时，所述根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述第一意图类别的数量为一个，或者，所述第一意图类别的数量为多个，且每个所述第一意图类别的内容均相同，则将所述第一意图类别作为所述用户的行为关键词对应的目标意图类别；
若所述第一意图类别的数量为多个，且各个所述第一意图类别的内容存在不同，则对各个所述第一意图类别进行组合，得到第一意图类别对应的组合类别，根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别；其中，所述第一类别列表中记录有多个组合类别。
可选地，计算机可执行指令在被执行时，所述根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别，包括：
若所述第一类别列表内记录有所述第一意图类别对应的组合类别，则将记录的所述第一意图类别对应的组合类别，作为所述目标意图类别；
若所述第一类别列表内未记录有所述第一意图类别对应的组合类别，则根据所述对应关系中记录的权重，在各个所述第一意图类别中选取目标意图类别；
其中，所述权重为行为关键词的相对于对应的意图类别的权重。
可选地，计算机可执行指令在被执行时，还包括：
根据用户的历史行为信息，确定所述用户的历史行为关键词；
按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系；其中，所述初始对应关系中，每个历史行为关键词至少对应一个意图类别；
在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，将每个所述历史行为关键词的最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别；
根据每个历史行为关键词对应的意图类别，统计得到所述行为关键词与意图类别之间的对应关系。
可选地，计算机可执行指令在被执行时，每个意图类别具有至少一级子类别；按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系，包括：
计算各个最低级子类别与确定的历史行为关键词之间的词距离；
根据所述词距离，确定各个所述最低级子类别对应的历史行为关键词；
将每个所述最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词。
可选地，计算机可执行指令在被执行时，在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，包括：
在所述初始对应关系中，基于每个所述历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，确定每个所述历史行为关键词的相对于各个对应的最低级子类别的权重；
将每个所述历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个所述历史行为关键词的相对于各个对应的意图类别的权重。
可选地，计算机可执行指令在被执行时，所述根据用户的历史行为信息，确定所述用户的历史行为关键词，包括以下方式中的至少一种：
根据用户历史搜索的内容，确定用户的历史搜索关键词；
根据用户历史浏览的信息，确定用户的历史浏览关键词；
根据用户历史购买的产品，获取用户的历史购物关键词。
本申请实施例中，首先根据用户的行为信息，确定所述用户的行为关键词，其次根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，最后根据目标意图类别对应的意图信息，确定用户的意图。可见，通过本申请实施例，能够准确确定用户意图，以便于基于用户意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
在另一个具体的实施例中，用户意图确定设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对用户意图确定设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
可选地，计算机可执行指令在被执行时，所述根据用户搜索的内容，确定用户的搜索关键词，包括：
对用户搜索的内容进行分词处理，得到多个搜索词；
对所述多个搜索词进行词语过滤，将剩余的至少一个搜索词作为所述用户的搜索关键词。
通过本申请实施例，能够在用户进行搜索的场景下，基于行为关键词与意图类别之间的对应关系，准确确定用户的搜索意图，以便于基于用户的搜索意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的搜索意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
进一步地，本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据用户的行为信息，确定所述用户的行为关键词，包括以下方式中的至少一种：
根据用户搜索的内容，确定所述用户的搜索关键词；
根据用户浏览的信息，确定所述用户的浏览关键词；
根据用户购买的产品，确定所述用户的购物关键词。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述对应关系中记录有所述用户的行为关键词，则在所述对应关系中进行查找，得到所述用户的行为关键词对应的第一意图类别；
根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述第一意图类别的数量为一个，或者，所述第一意图类别的数量为多个，且每个所述第一意图类别的内容均相同，则将所述第一意图类别作为所述用户的行为关键词对应的目标意图类别；
若所述第一意图类别的数量为多个，且各个所述第一意图类别的内容存在不同，则对各个所述第一意图类别进行组合，得到第一意图类别对应的组合类别，根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别；其中，所述第一类别列表中记录有多个组合类别。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别，包括：
若所述第一类别列表内记录有所述第一意图类别对应的组合类别，则将记录的所述第一意图类别对应的组合类别，作为所述目标意图类别；
若所述第一类别列表内未记录有所述第一意图类别对应的组合类别，则根据所述对应关系中记录的权重，在各个所述第一意图类别中选取目标意图类别；
其中，所述权重为行为关键词的相对于对应的意图类别的权重。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，还包括：
根据用户的历史行为信息，确定所述用户的历史行为关键词；
按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系；其中，所述初始对应关系中，每个历史行为关键词至少对应一个意图类别；
在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，将每个所述历史行为关键词的最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别；
根据每个历史行为关键词对应的意图类别，统计得到所述行为关键词与意图类别之间的对应关系。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，每个意图类别具有至少一级子类别；按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系，包括：
计算各个最低级子类别与确定的历史行为关键词之间的词距离；
根据所述词距离，确定各个所述最低级子类别对应的历史行为关键词；
将每个所述最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，包括：
在所述初始对应关系中，基于每个所述历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，确定每个所述历史行为关键词的相对于各个对应的最低级子类别的权重；
将每个所述历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个所述历史行为关键词的相对于各个对应的意图类别的权重。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据用户的历史行为信息，确定所述用户的历史行为关键词，包括以下方式中的至少一种：
根据用户历史搜索的内容，确定用户的历史搜索关键词；
根据用户历史浏览的信息，确定用户的历史浏览关键词；
根据用户历史购买的产品，获取用户的历史购物关键词。
本申请实施例中，首先根据用户的行为信息，确定所述用户的行为关键词，其次根据行为关键词与意图类别之间的对应关系，确定用户的行为关键词对应的目标意图类别，最后根据目标意图类别对应的意图信息，确定用户的意图。可见，通过本申请实施例，能够准确确定用户意图，以便于基于用户意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
在一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据用户搜索的内容，确定用户的搜索关键词，包括：
对用户搜索的内容进行分词处理，得到多个搜索词；
对所述多个搜索词进行词语过滤，将剩余的至少一个搜索词作为所述用户的搜索关键词。
通过本申请实施例，能够在用户进行搜索的场景下，基于行为关键词与意图类别之间的对应关系，准确确定用户的搜索意图，以便于基于用户的搜索意图向用户推荐信息时，提高信息推荐的准确性。并且，本申请实施例基于对应关系确定用户的搜索意图，具有准确度高、处理速度快、运算量小、容易实施的优点，能够达到短时间内对大量用户数据进行处理，确定得到用户意图的效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种用户意图确定方法，其特征在于，包括：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
2.根据权利要求1所述的方法，其特征在于，所述根据用户的行为信息，确定所述用户的行为关键词，包括以下方式中的至少一种：
根据用户搜索的内容，确定所述用户的搜索关键词；
根据用户浏览的信息，确定所述用户的浏览关键词；
根据用户购买的产品，确定所述用户的购物关键词。
3.根据权利要求1或2所述的方法，其特征在于，所述根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述对应关系中记录有所述用户的行为关键词，则在所述对应关系中进行查找，得到所述用户的行为关键词对应的第一意图类别；
根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别。
4.根据权利要求3所述的方法，其特征在于，所述根据所述用户的行为关键词对应的第一意图类别，确定所述用户的行为关键词对应的目标意图类别，包括：
若所述第一意图类别的数量为一个，或者，所述第一意图类别的数量为多个，且每个所述第一意图类别的内容均相同，则将所述第一意图类别作为所述用户的行为关键词对应的目标意图类别；
若所述第一意图类别的数量为多个，且各个所述第一意图类别的内容存在不同，则对各个所述第一意图类别进行组合，得到第一意图类别对应的组合类别，根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别；其中，所述第一类别列表中记录有多个组合类别。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一意图类别对应的组合类别和第一类别列表，确定所述目标意图类别，包括：
若所述第一类别列表内记录有所述第一意图类别对应的组合类别，则将记录的所述第一意图类别对应的组合类别，作为所述目标意图类别；
若所述第一类别列表内未记录有所述第一意图类别对应的组合类别，则根据所述对应关系中记录的权重，在各个所述第一意图类别中选取目标意图类别；
其中，所述权重为行为关键词的相对于对应的意图类别的权重。
6.根据权利要求3所述的方法，其特征在于，还包括：
根据用户的历史行为信息，确定所述用户的历史行为关键词；
按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系；其中，所述初始对应关系中，每个历史行为关键词至少对应一个意图类别；
在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，将每个所述历史行为关键词的最大权重对应的意图类别，确定为该历史行为关键词对应的意图类别；
根据每个历史行为关键词对应的意图类别，统计得到所述行为关键词与意图类别之间的对应关系。
7.根据权利要求6所述的方法，其特征在于，每个意图类别具有至少一级子类别；按照多个意图类别，对确定的历史行为关键词进行聚类，得到历史行为关键词与意图类别之间的初始对应关系，包括：
计算各个最低级子类别与确定的历史行为关键词之间的词距离；
根据所述词距离，确定各个所述最低级子类别对应的历史行为关键词；
将每个所述最低级子类别对应的历史行为关键词，作为该最低级子类别所属的意图类别初始对应的历史行为关键词。
8.根据权利要求7所述的方法，其特征在于，在所述初始对应关系中，确定每个所述历史行为关键词的相对于各个对应的意图类别的权重，包括：
在所述初始对应关系中，基于每个所述历史行为关键词的出现次数，采用词频-逆文档频率TF-IDF算法，确定每个所述历史行为关键词的相对于各个对应的最低级子类别的权重；
将每个所述历史行为关键词的相对于各个对应的最低级子类别的权重，作为每个所述历史行为关键词的相对于各个对应的意图类别的权重。
9.根据权利要求6所述的方法，其特征在于，所述根据用户的历史行为信息，确定所述用户的历史行为关键词，包括以下方式中的至少一种：
根据用户历史搜索的内容，确定用户的历史搜索关键词；
根据用户历史浏览的信息，确定用户的历史浏览关键词；
根据用户历史购买的产品，获取用户的历史购物关键词。
10.一种用户意图确定方法，其特征在于，包括：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
11.根据权利要求10所述的方法，其特征在于，所述根据用户搜索的内容，确定用户的搜索关键词，包括：
对用户搜索的内容进行分词处理，得到多个搜索词；
对所述多个搜索词进行词语过滤，将剩余的至少一个搜索词作为所述用户的搜索关键词。
12.一种用户意图确定装置，其特征在于，包括：
第一获取单元，用于根据用户的行为信息，确定所述用户的行为关键词；
第一类别确定单元，用于根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
第一意图确定单元，用于根据所述目标意图类别对应的意图信息，确定所述用户的意图。
13.一种用户意图确定装置，其特征在于，包括：
第二获取单元，用于根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
第二类别确定单元，用于若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
第二意图确定单元，用于根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
14.一种用户意图确定设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
15.一种用户意图确定设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
16.一种存储介质，用于存储计算机可执行指令，其特征在于，所述可执行指令在被执行时实现以下流程：
根据用户的行为信息，确定所述用户的行为关键词；
根据行为关键词与意图类别之间的对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的意图。
17.一种存储介质，用于存储计算机可执行指令，其特征在于，所述可执行指令在被执行时实现以下流程：
根据用户搜索的内容，确定用户的搜索关键词，将所述用户的搜索关键词作为所述用户的行为关键词；
若行为关键词与意图类别之间的对应关系中，记录有所述用户的行为关键词，则根据所述对应关系，确定所述用户的行为关键词对应的目标意图类别；
根据所述目标意图类别对应的意图信息，确定所述用户的搜索意图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810011303.1A CN108268617B (zh) | 2018-01-05 | 2018-01-05 | 用户意图确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810011303.1A CN108268617B (zh) | 2018-01-05 | 2018-01-05 | 用户意图确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108268617A true CN108268617A (zh) | 2018-07-10 |
| CN108268617B CN108268617B (zh) | 2021-10-29 |
Family
ID=62773458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810011303.1A Active CN108268617B (zh) | 2018-01-05 | 2018-01-05 | 用户意图确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108268617B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214417A (zh) * | 2018-07-25 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 用户意图的挖掘方法及装置、计算机设备及可读介质 |
| CN109408717A (zh) * | 2018-10-23 | 2019-03-01 | 广东小天才科技有限公司 | 一种内容推荐方法及系统 |
| CN109710941A (zh) * | 2018-12-29 | 2019-05-03 | 上海点融信息科技有限责任公司 | 基于人工智能的用户意图识别方法和装置 |
| CN110059178A (zh) * | 2019-02-12 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN110334344A (zh) * | 2019-06-13 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 一种语义意图识别方法、装置、设备及存储介质 |
| CN110413882A (zh) * | 2019-07-15 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及设备 |
| CN110688572A (zh) * | 2019-09-24 | 2020-01-14 | 四川新网银行股份有限公司 | 冷启动状态下搜索意图的识别方法 |
| CN110990714A (zh) * | 2019-11-01 | 2020-04-10 | 中国联合网络通信集团有限公司 | 一种用户行为意图预测方法和装置 |
| CN111523036A (zh) * | 2020-04-24 | 2020-08-11 | 北京百度网讯科技有限公司 | 一种搜索行为挖掘方法、装置和电子设备 |
| CN111581388A (zh) * | 2020-05-11 | 2020-08-25 | 北京金山安全软件有限公司 | 一种用户意图识别方法、装置及电子设备 |
| CN113901226A (zh) * | 2021-12-08 | 2022-01-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 实时直播数据处理方法及计算机存储介质 |
| CN115834928A (zh) * | 2022-12-06 | 2023-03-21 | 深圳市人马互动科技有限公司 | 弹幕分析方法及相关装置 |
| CN110334344B (zh) * | 2019-06-13 | 2024-05-14 | 腾讯科技（深圳）有限公司 | 一种语义意图识别方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120036137A1 (en) * | 2010-02-03 | 2012-02-09 | Glomantra Inc. | Method and system for providing actionable relevant recommendations |
| CN102970324A (zh) * | 2012-10-11 | 2013-03-13 | 微梦创科网络科技（中国）有限公司 | 一种推送微博的方法及装置 |
| CN104035927A (zh) * | 2013-03-05 | 2014-09-10 | 百度在线网络技术（北京）有限公司 | 一种基于用户行为的搜索方法及系统 |
| CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
| CN105095187A (zh) * | 2015-08-07 | 2015-11-25 | 广州神马移动信息科技有限公司 | 一种搜索意图识别方法及装置 |
| CN105389307A (zh) * | 2015-12-02 | 2016-03-09 | 上海智臻智能网络科技股份有限公司 | 语句意图类别识别方法及装置 |
| CN105830150A (zh) * | 2013-12-18 | 2016-08-03 | 微软技术许可有限责任公司 | 基于意图的用户体验 |
| CN106610989A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 搜索关键词聚类方法及装置 |
| CN106874492A (zh) * | 2017-02-23 | 2017-06-20 | 北京京东尚科信息技术有限公司 | 搜索方法和装置 |
| CN107169821A (zh) * | 2017-05-02 | 2017-09-15 | 杭州泰指尚科技有限公司 | 大数据查询推荐方法及其系统 |
| CN107168991A (zh) * | 2017-03-28 | 2017-09-15 | 北京三快在线科技有限公司 | 一种搜索结果展示方法和装置 |
-
2018
- 2018-01-05 CN CN201810011303.1A patent/CN108268617B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120036137A1 (en) * | 2010-02-03 | 2012-02-09 | Glomantra Inc. | Method and system for providing actionable relevant recommendations |
| CN102970324A (zh) * | 2012-10-11 | 2013-03-13 | 微梦创科网络科技（中国）有限公司 | 一种推送微博的方法及装置 |
| CN104035927A (zh) * | 2013-03-05 | 2014-09-10 | 百度在线网络技术（北京）有限公司 | 一种基于用户行为的搜索方法及系统 |
| CN104281622A (zh) * | 2013-07-11 | 2015-01-14 | 华为技术有限公司 | 一种社交媒体中的信息推荐方法和装置 |
| CN105830150A (zh) * | 2013-12-18 | 2016-08-03 | 微软技术许可有限责任公司 | 基于意图的用户体验 |
| CN105095187A (zh) * | 2015-08-07 | 2015-11-25 | 广州神马移动信息科技有限公司 | 一种搜索意图识别方法及装置 |
| CN106610989A (zh) * | 2015-10-22 | 2017-05-03 | 北京国双科技有限公司 | 搜索关键词聚类方法及装置 |
| CN105389307A (zh) * | 2015-12-02 | 2016-03-09 | 上海智臻智能网络科技股份有限公司 | 语句意图类别识别方法及装置 |
| CN106874492A (zh) * | 2017-02-23 | 2017-06-20 | 北京京东尚科信息技术有限公司 | 搜索方法和装置 |
| CN107168991A (zh) * | 2017-03-28 | 2017-09-15 | 北京三快在线科技有限公司 | 一种搜索结果展示方法和装置 |
| CN107169821A (zh) * | 2017-05-02 | 2017-09-15 | 杭州泰指尚科技有限公司 | 大数据查询推荐方法及其系统 |
Non-Patent Citations (4)
| Title |
|---|
| 宋巍: "基于主题的查询意图识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 易炼: "多模态对话管理系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 段焕中: "事务类搜索意图分类模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陆伟等: "查询意图研究综述", 《中国图书馆学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214417A (zh) * | 2018-07-25 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 用户意图的挖掘方法及装置、计算机设备及可读介质 |
| CN109408717A (zh) * | 2018-10-23 | 2019-03-01 | 广东小天才科技有限公司 | 一种内容推荐方法及系统 |
| CN109408717B (zh) * | 2018-10-23 | 2022-03-29 | 广东小天才科技有限公司 | 一种内容推荐方法及系统 |
| CN109710941A (zh) * | 2018-12-29 | 2019-05-03 | 上海点融信息科技有限责任公司 | 基于人工智能的用户意图识别方法和装置 |
| CN110059178A (zh) * | 2019-02-12 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 问题派发方法及装置 |
| CN110334344A (zh) * | 2019-06-13 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 一种语义意图识别方法、装置、设备及存储介质 |
| CN110334344B (zh) * | 2019-06-13 | 2024-05-14 | 腾讯科技（深圳）有限公司 | 一种语义意图识别方法、装置、设备及存储介质 |
| CN110413882A (zh) * | 2019-07-15 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 信息推送方法、装置及设备 |
| CN110413882B (zh) * | 2019-07-15 | 2023-10-31 | 创新先进技术有限公司 | 信息推送方法、装置及设备 |
| CN110688572A (zh) * | 2019-09-24 | 2020-01-14 | 四川新网银行股份有限公司 | 冷启动状态下搜索意图的识别方法 |
| CN110990714B (zh) * | 2019-11-01 | 2023-05-23 | 中国联合网络通信集团有限公司 | 一种用户行为意图预测方法和装置 |
| CN110990714A (zh) * | 2019-11-01 | 2020-04-10 | 中国联合网络通信集团有限公司 | 一种用户行为意图预测方法和装置 |
| CN111523036A (zh) * | 2020-04-24 | 2020-08-11 | 北京百度网讯科技有限公司 | 一种搜索行为挖掘方法、装置和电子设备 |
| CN111523036B (zh) * | 2020-04-24 | 2023-12-19 | 北京百度网讯科技有限公司 | 一种搜索行为挖掘方法、装置和电子设备 |
| CN111581388B (zh) * | 2020-05-11 | 2023-09-19 | 北京金山安全软件有限公司 | 一种用户意图识别方法、装置及电子设备 |
| CN111581388A (zh) * | 2020-05-11 | 2020-08-25 | 北京金山安全软件有限公司 | 一种用户意图识别方法、装置及电子设备 |
| CN113901226A (zh) * | 2021-12-08 | 2022-01-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 实时直播数据处理方法及计算机存储介质 |
| CN115834928A (zh) * | 2022-12-06 | 2023-03-21 | 深圳市人马互动科技有限公司 | 弹幕分析方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108268617B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108268617A (zh) | 用户意图确定方法及装置 | |
| Yi et al. | Sampling-bias-corrected neural modeling for large corpus item recommendations | |
| WO2019192261A1 (zh) | 一种支付方式推荐方法、装置及设备 | |
| CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
| CN109062994A (zh) | 推荐方法、装置、计算机设备和存储介质 | |
| WO2018040069A1 (zh) | 信息推荐系统及方法 | |
| CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
| TWI710917B (zh) | 資料處理方法及裝置 | |
| CN103714063B (zh) | 数据分析方法及其系统 | |
| CN110162796A (zh) | 新闻专题创建方法和装置 | |
| Yiran et al. | Aspect-based Sentiment Analysis on mobile phone reviews with LDA | |
| US20210157856A1 (en) | Positive/negative facet identification in similar documents to search context | |
| CN113254711B (zh) | 一种互动图像的显示方法、装置、计算机设备和存储介质 | |
| CN111639255B (zh) | 搜索关键词的推荐方法、装置、存储介质及电子设备 | |
| CN108346107A (zh) | 一种社交内容风险识别方法、装置以及设备 | |
| Tan et al. | Object-oriented travel package recommendation | |
| US20190392077A1 (en) | Facet-based query refinement based on multiple query interpretations | |
| CN107885852A (zh) | 一种基于app使用记录的app推荐方法及系统 | |
| CN109933678A (zh) | 艺术品推荐方法、装置、可读介质及电子设备 | |
| CN109582847A (zh) | 一种信息处理方法及装置、存储介质 | |
| KR20190128246A (ko) | 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체 | |
| Zhang et al. | Spatiotemporal activity modeling under data scarcity: A graph-regularized cross-modal embedding approach | |
| CN112487161A (zh) | 一种面向企业需求的专家推荐方法、装置、介质及设备 | |
| CN115374781A (zh) | 文本数据信息挖掘方法、装置、设备 | |
| WO2017112053A1 (en) | Prediction using a data structure |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240218 Address after: Guohao Times City # 20-01, 128 Meizhi Road, Singapore Patentee after: Advanced Nova Technology (Singapore) Holdings Ltd. Country or region after: Singapore Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Patentee before: Innovative advanced technology Co.,Ltd. Country or region before: Cayman Islands |
|
| TR01 | Transfer of patent right |