CN109063108B - 搜索排序方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种搜索排序方法、装置、计算机设备和存储介质。所述方法包括：获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；根据所述综合权值对所述多个初始检索结果进行排序。本发明实施例通过对多个栏目的初始检索结果排序，能够快速查找到目标结果，节约了操作时间和提高搜索效率。

Description

搜索排序方法、装置、计算机设备和存储介质

技术领域

本申请涉及企业即时通讯系统技术领域，特别是涉及一种搜索排序方法、装置、计算机设备和存储介质。

背景技术

随着智能设备的快速发展，聊天应用软件越来越多，聊天应用软件的使用能够方便用户进行异地沟通。其中聊天应用软件包括个人聊天应用软件和企业聊天应用软件。企业聊天应用软件的使用过程中，用户需要查找相关信息时，会启动搜索功能，如搜索聊天信息、联系人或者群聊，以便快速查找到相关信息或者快速建立聊天链接。

目前，在实现企业聊天应用软件搜索功能时，发现存在如下问题：

企业聊天应用软件的搜索结果是按不同的对象分开展示的，如联系人、群聊、消息等信息都是分栏目展示的，且显示的对象是通过时间先后来进行排序，用户根据展示的栏目来查找相关信息，操作繁琐且耗时多。

发明内容

基于此，有必要针对上述技术问题，提供一种能够多维度进行排序的搜索排序方法、装置、计算机设备和存储介质。

一种搜索排序方法，所述方法包括：

获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；

提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

根据所述综合权值对所述多个初始检索结果进行排序。

一种搜索排序装置，所述装置包括：

初始检索结果提取模块，获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；

特征因子提取模块，提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

权值计算模块，根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

排序模块，根据所述综合权值对所述多个初始检索结果进行排序。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；

提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

根据所述综合权值对所述多个初始检索结果进行排序。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；

提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

根据所述综合权值对所述多个初始检索结果进行排序。

上述搜索排序方法、装置、计算机设备和存储介质，通过提取更新时间维度参数来确保排序是依照时间进行，通过用户关联程度将与用户具有共同特征的初始检索结果排序靠前，通过多个维度来进行检索结果的排序，使得排序智能化，方便用户快速查找到相关信息，简化了操作提高了查找效率。

附图说明

图1为一个实施例中搜索排序方法的应用环境图；

图2为一个实施例中搜索排序方法的流程示意图；

图3为一个实施例中获取文本相似度权重步骤的流程示意图；

图4为一个实施例中获取更新时间维度权重步骤的流程示意图；

图5为一个实施例中获取用户关联程度权重步骤的流程示意图；

图6为一个实施例中搜索排序装置的结构框图；

图7为一个实施例中特征因子提取模块的结构框图；

图8为一个实施例中权值计算模块的结构框图；

图9为一个实施例中计算机设备的内部结构图

图10为一个实施例中服务器搜索主体模块图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的搜索排序方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。在终端102输入搜索关键词，服务器104获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；根据所述综合权值对所述多个初始检索结果进行排序，排序结果显示于终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种搜索排序方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤210，获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果。

其中，搜索关键词为用户在使用搜索引擎查找相关信息时输入的字、词、符号等输入信息，初始检索结果包含多个字段，具体的，初始检索结果指代的对象为联系人或群聊。

具体地，在终端输入搜索关键词，终端获取用户输入的搜素关键词发送至服务器。

步骤220，提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度。

其中，每条初始检索结果包含的字段包括：对象类型、对象状态、对象名称、初始召回搜索引擎分数、聊天更新时间、最近一条消息位置、对象拼音名、对象英文名、所在部门信息一种或多种。其中，对象类型包括聊天应用、邮件，对象状态包括是否注册、是否离职。

作为一个优选的实施方式，所述提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度之前包括：对所述初始检索结果进行筛选。其中，所述对所述初始检索结果进行筛选包括：离职用户且无聊天记录的初始检索结果不进行排序；将未注册用户的初始检索结果排在最后。聊天记录可以通过聊天更新时间或最近一条消息对应位置确定。

步骤230，根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值。

其中，文本相似度权重用于表征搜索关键词与初始检索结果匹配程度，更新时间维度权重用于表征初始检索结果聊天记录更新情况，用户关联程度权重用于表征初始检索结果是多个用户关注的目标。

步骤240，根据所述综合权值对所述多个初始检索结果进行排序。

其中，进行排序时，可以依据权值从大到小来进行排序，也可以依据权值从小到大来进行排序。采用此种技术方案不依据栏目来区分排序方式，而是根据权值来进行排序，实现快速查找到相关信息。

本实施例中，所述用户关联程度由当前进行搜索的用户与所述初始检索结果的共同特征数据确定。

上述搜素排序方法中，通过提取更新时间维度参数来确保排序是依照时间进行，通过用户关联程度将与用户具有共同特征的初始检索结果排序靠前，通过多个维度来进行检索结果的排序，使得排序智能化，方便用户快速查找到相关信息，简化了操作提高了查找效率。

在一个实施例中，如图3所示，所述获取文本相似度权重包括：

S321，计算所述关键词在所述初始检索结果中的命中率、顺序一致性指标、位置紧密度和覆盖率。

S322，根据所述命中率、顺序一致性指标、位置紧密度和覆盖率，计算文本相似度权重。

在一个实施例中，所述根据所述命中率、顺序一致性指标、位置紧密度和覆盖率计算文本相似度权重的步骤包括：根据所述命中率、顺序一致性指标、位置紧密度和覆盖率分别获取偏移值和修正值；根据所述命中率、顺序一致性指标、位置紧密度和覆盖率和所述偏移值和修正值进行融合计算，得到文本相似度权重。其中，所述偏移值和修正值可通过机器学习确定。其中，根据所述命中率、顺序一致性指标、位置紧密度和覆盖率分别获取偏移值和修正值包括：根据所述命中率获取偏移值和修正值，根据所述顺序一致性指标获取偏移值和修正值，根据所述位置紧密度指标获取偏移值和修正值，根据所述覆盖率获取偏移值和修正值。

在其中一个实施例中，计算文本相似度权重具体公式为：

text_similar＝(a*hit+b)*(c*sequence+d)*(e*position+f)*(g*cover+h)；其中，text_similar为文本相似度权重，hit为文本命中率，sequence为顺序一致性指标，position为位置紧密度，cover为覆盖率。其中，a、b为命中率的偏移值和修正值，c、d为顺序一致性指标的偏移值和修正值，e、f为位置紧密度的偏移值和修正值，g、h为覆盖率的偏移值和修正值，其中，偏移值越大表示该项的重要程度越高。其中，文本命中率表示搜索关键词在对应的文本文档中命中的个数与搜索关键词的总个数的比率，显然所占的比率越高表示初始检索结果越接近搜索目标。顺序一致性指标表示搜索关键词的顺序与对应的文本文档的出现的搜索关键词的顺序的一致性，顺序一致性通过逆序的个数的比例来表达，如(1，2，3)逆序个数为0，即最有序的排列，(3，2，1)逆序个数为3，为最无序的排列。位置紧密度表示命中的文本文档个数与命中文本文档个数与命中的间隔数之和的比率，如关键词“张三张四李四”，命中的初始检索结果“张三”、“李四的群”，命中的关键词“张三李四”，命中文本文档个数t为2，命中的间隔数之和为1(因为中间隔了一个张四)，因此，位置紧密度＝2/(1+2)＝2/3。覆盖率表示命中的关键字占全部命中文本文档总字段的比率。

在一个实施例中，如图4所示，所述获取更新时间维度权重包括：

S421，根据所述初始检索结果，获取最后一次聊天时间距离当前时间的时间间隔。

S422，计算衰减常数与所述时间间隔与所述衰减常数之和的比值，得到所述聊天更新时间权重。

在其中一个实施例中，更新时间维度权重计算公式如下：

update_time_weight＝factor/(factor+update_time_secs)；

其中，update_time_weight为更新时间维度权重，factor是一个随时间衰减的常数，单位是秒，这里按照30天衰减一半来计算，factor＝30*24*3600＝2592000。update_time_secs是最后一次聊天时间距离现在的秒数，比如最后一次聊天时间是30天前，则update_time_secs＝30*24*3600＝259200，那么更新时间维度update_time_weight＝259200/(259200+259200)＝1/2。

在一个实施例中，如图5所示，所述获取用户关联程度权重包括：

S521，计算所述初始检索结果与当前进行搜索的共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数；

S522，根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重。

在一个实施例中，所述根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重的步骤包括：根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数分别获取偏移值和修正值；根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数和所述偏移值和修正值进行融合计算，得到用户关联程度权重。其中，所述偏移值和修正值可通过机器学习确定。其中，根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数分别获取偏移值和修正值包括：根据所述共同联系人数目获取偏移值和修正值，根据所述共同部门特征值获取偏移值和修正值，根据所述共同办公地点特征值获取偏移值和修正值，根据所述共同个人标签数获取偏移值和修正值。

其中，用户关联程度用于描述用户与联系人的共同特征，共同特征包括：共同联系过的人、共同的部门、共同的办公地点、共同的个人标签，其中用户指代执行搜索的用户、联系人指代初始检索结果所对应的联系人。如，用户A与联系人B之间都联系过的人多，说明用户A与联系人B相关性强，用户A与联系人B暂时未建立联系，但存在许多共同特征，则联系人B是用户A倾向搜索的对象。通过计算用户关联程度，可以满足用户的个性化搜索，对与用户有相同特征的联系人排序靠前。

在其中一个实施例中，用户关联程度通过离线数据进行挖掘，通过多个共同特征来计算。用户关联程度权重具体的计算公式如下：

user_relevant_weight＝(i*same_user_num+j)*(k*same_department+l)*(m*same_place+n)*(o*same_tag+p)；

其中，user_relevant_weight为用户关联程度权重；same_user_num为共同联系人数目，共同联系人数目表示搜索执行的主体与初始检索结果对应的联系人共同联系人的数目，取值为一个大于0的整数；same_department为共同部门特征值，当位于同一个部门，取值为1，不位于同一个部门取值为0；same_place为共同办公地点特征值，当位于同一个办公地点取值为1，不位于同一个办公地点取值为0；same_tag为共同个人标签数，表示用户具有相同的标签个数，如都有相同的“旅游阅读”标签，same_tag取值为2。其中，i、j为共同联系人数目的偏移值和修正值，k、l为共同部门特征值的偏移值和修正值，m、n为共同办公地点特征值的偏移值和修正值，o、p为共同个人标签数的偏移值和修正值，其中，偏移值越大表示该项的重要程度越高。

在一个实施例中，所述根据所述文本相似度权重、更新时间维度权重和用户关联程度权重进行融合计算，得到每个所述初始检索结果的综合权值包括：将所述文本相似度权重、更新时间维度权重和用户关联程度权重归一化成0～1之间的小数；根据所述归一化后的文本相似度权重、更新时间维度权重和用户关联程度权重进行融合计算，得到每个所述初始检索结果的综合权值。

在一个实施例中，所述根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值包括：根据所述文本相似度、更新时间维度和用户关联程度，计算文本相似度权重、更新时间维度权重和用户关联程度权重；根据所述文本相似度权重、更新时间维度权重和用户关联程度权重分别获取偏移值和修正值；分别计算文本相似度权重、更新时间维度权重和用户关联程度权重与与其对应的所述偏移值之积再与与其对应的所述修正值之和得到融合系数；将所述融合系数相乘，得到每个所述初始检索结果的综合权值。其中，所述偏移值和修正值可通过机器学习确定。其中，所述根据所述文本相似度权重、更新时间维度权重和用户关联程度权重分别获取偏移值和修正值包括：根据文本相似度权重获取偏移值和修正值，根据更新时间维度权重获取偏移值和修正值，根据用户关联程度权重获取偏移值和修正值。

在一个具体的实施例中，综合权值计算公式如下：

weight＝(a1*text_weight+b1)*(a2*update_time_weight+b2)*(a3*user_relevant_weight+b3)

其中，weight表示初始检索结果综合权值，text_weight表示文本相似度权重，update_time_weight表示聊天更新时间权重，user_relevant_weight表示用户关联程度权重a1为偏移值，b1为修正值，a1*text_weight+b1计算得到第一融合系数；update_time_weight表示更新时间维度权重，a2为偏移值，b2为修正值，a2*update_time_weight+b2计算得到第二融合系数；多个融合系数相乘得到初始检索结果的综合权值。式中，a1、a2、a3均为偏移值，b1、b2、b3均为修正值。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种搜索排序装置，包括：初始检索结果提取模块601、特征因子提取模块602、权值计算模块603和排序模块604，其中：

初始检索结果提取模块601，用于获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果。

其中，搜索关键词为用户在使用搜索引擎查找相关信息时输入的字、词、符号等输入信息，初始检索结果包含多个字段，具体的，初始检索结果指代的对象为联系人或群聊。

具体地，在终端输入搜索关键词，终端获取用户输入的搜素关键词发送至服务器。

特征因子提取模块602，用于提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度。

其中，初始检索结果为与搜索关键词所匹配的文本文档；从初始检索结果中获取文本相似度、更新时间维度和用户关联程度，根据文本文档提取与关键词相关的一些信息。

作为一个优选的实施方式，所述搜索排序装置还包括：筛选模块，用于对所述初始检索结果进行筛选。其中，所述对所述初始检索结果进行筛选包括：离职用户且无聊天记录的初始检索结果不进行排序；将未注册用户的初始检索结果排在最后。聊天记录可以通过聊天更新时间或最近一条消息对应位置确定。

权值计算模块603，用于根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重以及所述文本相似度参数、更新时间维度参数、用户关联程度参数进行融合计算，得到每个所述初始检索结果的综合权值。

排序模块604，用于根据所述综合权值对所述多个初始检索结果进行排序。

其中，进行排序时，可以依据权值从大到小来进行排序，也可以依据权值从小到大来进行排序。采用此种技术方案不依据栏目来区分排序方式，而是根据权值来进行排序，实现快速查找到相关信息。

本实施例中，所述用户关联程度由当前进行搜索的用户与所述初始检索结果的共同特征数据确定。

其中，初始检索结果，针对的对象是联系人或群。每条初始检索结果包含的字段包括：对象类型、对象状态、对象名称、初始召回搜索引擎分数、聊天更新时间、最近一条消息位置、对象拼音名、对象英文名、所在部门信息的一种或多种。其中，对象类型包括聊天应用、邮件，对象状态包括是否注册、是否离职。

在一个实施例中，如图7所示，特征因子提取模块602包括：文本相似度权重计算单元701，更新时间维度权重计算单元702和用户关联程度权重计算单元703，其中：

文本相似度权重计算单元701，用于计算所述关键词在所述初始检索结果中的命中率、顺序一致性指标、位置紧密度和覆盖率，并根据所述命中率、顺序一致性指标、位置紧密度和覆盖率，计算文本相似度权重。

在一个实施例中，所文本相似度权重计算单元包括：第一偏移值和修正值获取子单元，用于根据所述命中率、顺序一致性指标、位置紧密度和覆盖率分别获取偏移值和修正值；文本相似度融合计算子单元，用于根据所述命中率、顺序一致性指标、位置紧密度和覆盖率和所述偏移值和修正值进行融合计算，得到文本相似度权重。其中，所述偏移值和修正值可通过机器学习确定。其中，根据所述命中率、顺序一致性指标、位置紧密度和覆盖率分别获取偏移值和修正值包括：根据所述命中率获取偏移值和修正值，根据所述顺序一致性指标获取偏移值和修正值，根据所述位置紧密度指标获取偏移值和修正值，根据所述覆盖率获取偏移值和修正值。

在其中一个实施例中，计算文本相似度权重具体公式为：

text_similar＝(a*hit+b)*(c*sequence+d)*(e*position+f)*(g*cover+h)；其中，text_similar为文本相似度权重，hit为文本命中率，sequence为顺序一致性指标，position为位置紧密度，cover为覆盖率。其中，a、b为命中率的偏移值和修正值，c、d为顺序一致性指标的偏移值和修正值，e、f为位置紧密度的偏移值和修正值，g、h为覆盖率的偏移值和修正值，其中，偏移值越大表示该项的重要程度越高。其中，文本命中率表示搜索关键词在对应的文本文档中命中的个数与搜索关键词的总个数的比率，显然所占的比率越高表示初始检索结果越接近搜索目标。顺序一致性指标表示搜索关键词的顺序与对应的文本文档的出现的搜索关键词的顺序的一致性，顺序一致性通过逆序的个数的比例来表达，如(1，2，3)逆序个数为0，即最有序的排列，(3，2，1)逆序个数为3，为最无序的排列。位置紧密度表示命中的文本文档个数与命中文本文档个数与命中的间隔数之和的比率，如关键词“张三张四李四”，命中的初始检索结果“张三”、“李四的群”，命中的关键词“张三李四”，命中文本文档个数t为2，命中的间隔数之和为1(因为中间隔了一个张四)，因此，位置紧密度＝2/(1+2)＝2/3。覆盖率表示命中的关键字占全部命中文本文档总字段的比率。

更新时间维度权重计算单元702，用于根据所述初始检索结果，获取最后一次聊天时间距离当前时间的时间间隔，并计算衰减常数与所述时间间隔与所述衰减常数之和的比值，得到所述聊天更新时间权重。

在其中一个实施例中，计算更新时间维度权重计算公式如下：

update_time_weight＝factor/(factor+update_time_secs)；

其中，update_time_weight为更新时间维度权重，factor是一个随时间衰减的常数，单位是秒，这里按照30天衰减一半来计算，factor＝30*24*3600＝2592000。update_time_secs是最后一次聊天时间距离现在的秒数，比如最后一次聊天时间是30天前，则update_time_secs＝30*24*3600＝259200，那么更新时间维度update_time_weight＝259200/(259200+259200)＝1/2。

用户关联程度权重计算单元703，用于计算所述初始检索结果与当前进行搜索的共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，并根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重。

用户关联程度权重计算单元703包括：第二偏移值和修正值获取子单元，用于根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数分别获取偏移值和修正值；用户关联程度融合计算子单元，用于根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数和所述偏移值和修正值进行融合计算，得到用户关联程度权重。其中，所述偏移值和修正值可通过机器学习确定。其中，根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数分别获取偏移值和修正值包括：根据所述共同联系人数目获取偏移值和修正值，根据所述共同部门特征值获取偏移值和修正值，根据所述共同办公地点特征值获取偏移值和修正值，根据所述共同个人标签数获取偏移值和修正值。

其中，用户关联程度用于描述用户与联系人的共同特征，共同特征包括：共同联系过的人、共同的部门、共同的办公地点、共同的个人标签，其中用户指代执行搜索的用户、联系人指代初始检索结果所对应的联系人。如，用户A与联系人B之间都联系过的人多，说明用户A与联系人B相关性强，用户A与联系人B暂时未建立联系，但存在许多共同特征，则联系人B是用户A倾向搜索的对象。通过计算用户关联程度，可以满足用户的个性化搜索，对与用户有相同特征的联系人排序靠前。

在其中一个实施例中，用户关联程度通过离线数据进行挖掘，通过多个共同特征来计算。用户关联程度权重具体的计算公式如下：

user_relevant_weight＝(i*same_user_num+j)*(k*same_department+l)*(m*same_place+n)*(o*same_tag+p)；

其中，user_relevant_weight为用户关联程度权重；same_user_num为共同联系人数目，共同联系人数目表示搜索执行的主体与初始检索结果对应的联系人共同联系人的数目，取值为一个大于0的整数；same_department为共同部门特征值，当位于同一个部门，取值为1，不位于同一个部门取值为0；same_place为共同办公地点特征值，当位于同一个办公地点取值为1，不位于同一个办公地点取值为0；same_tag为共同个人标签数，表示用户具有相同的标签个数，如都有相同的“旅游阅读”标签，same_tag取值为2。其中，i、j为共同联系人数目的偏移值和修正值，k、l为共同部门特征值的偏移值和修正值，m、n为共同办公地点特征值的偏移值和修正值，o、p为共同个人标签数的偏移值和修正值，其中，偏移值越大表示该项的重要程度越高。

在一个实施例中，权值计算模块603包括：

归一化单元801，用于将所述文本相似度权重、更新时间维度权重和用户关联程度权重归一化成0～1之间的小数；

融合计算单元802，用于根据所述归一化后的文本相似度权重、更新时间维度权重和用户关联程度权重进行融合计算，得到每个所述初始检索结果的综合权值。

在一个实施例中，所述权值计算模块包括：权重获取单元，用于根据所述文本相似度、更新时间维度和用户关联程度，计算文本相似度权重、更新时间维度权重和用户关联程度权重；偏移值和修正值获取单元，用于根据所述文本相似度权重、更新时间维度权重和用户关联程度权重分别获取偏移值和修正值；融合系数计算单元，分别计算文本相似度权重、更新时间维度权重和用户关联程度权重与与其对应的所述偏移值之积再与与其对应的所述修正值之和得到融合系数；综合权值计算单元，用于将所述融合系数相乘，得到每个所述初始检索结果的综合权值。

在一个具体的实施例中，综合权值计算公式如下：

weight＝(a1*text_weight+b1)*(a2*update_time_weight+b2)*(a3*user_relevant_weight+b3)

其中，weight表示初始检索结果综合权值，text_weight表示文本相似度权重，update_time_weight表示聊天更新时间权重，user_relevant_weight表示用户关联程度权重a1为偏移值，b1为修正值，a1*text_weight+b1计算得到第一融合系数；update_time_weight表示更新时间维度权重，a2为偏移值，b2为修正值，a2*update_time_weight+b2计算得到第二融合系数；多个融合系数相乘得到初始检索结果的综合权值。式中，a1、a2、a3均为偏移值，b1、b2、b3均为修正值。

上述搜素排序装置，通过提取更新时间维度参数来确保排序是依照时间进行，通过用户关联程度将与用户具有共同特征的初始检索结果排序靠前，通过多个维度来进行检索结果的排序，使得排序智能化，方便用户快速查找到相关信息，简化了操作提高了查找效率。

关于搜索排序装置的具体限定可以参见上文中对于搜索排序方法的限定，在此不再赘述。上述搜索排序装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储搜索排序的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种搜索排序方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，如图10所示，ElasticSearch(以下简称ES)是一种开源的分布式搜索引擎，ES用于做数据的存储，通过建立倒排索引能够快速召回匹配的初始检索结果；Search用于传递应用层给ES下发的搜索请求，并获取与搜索请求对应的初始检索结果；Ranker用于将初始检索结果，结合文本相似度、更新时间维度和用户关联程度进行综合权值计算并排序，并将排序结果返回给Searcher。ES召回的初始检索结果包含初始召回搜索引擎分数，初始召回搜索引擎分数不能满足多维度的排序的需要，采用本发明实施例搜索排序方法能够对初始检索结果进行排序。Search、Ranker可通过服务器来实现。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重以及所述文本相似度参数、更新时间维度参数、用户关联程度参数进行融合计算，得到每个所述初始检索结果的综合权值；根据所述综合权值对所述多个初始检索结果进行排序。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取搜索关键词，确定与所述多个关键词匹配的多个初始检索结果；提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重以及所述文本相似度参数、更新时间维度参数、用户关联程度参数进行融合计算，得到每个所述初始检索结果的综合权值；根据所述综合权值对所述多个初始检索结果进行排序。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种搜索排序方法，其特征在于，所述方法包括：

获取搜索关键词，确定与所述关键词匹配的多个初始检索结果；

提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

根据所述综合权值对所述多个初始检索结果进行排序；

其中，所述获取用户关联程度权重包括：

计算所述初始检索结果与当前进行搜索的共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数；

根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重。

2.根据权利要求1所述的方法，其特征在于，所述获取文本相似度权重包括：

计算所述关键词在所述初始检索结果中的命中率、顺序一致性指标、位置紧密度和覆盖率；

根据所述命中率、顺序一致性指标、位置紧密度和覆盖率，计算文本相似度权重。

3.根据权利要求2所述的方法，其特征在于，所述根据所述命中率、顺序一致性指标、位置紧密度和覆盖率计算文本相似度权重的步骤包括：

根据所述命中率、顺序一致性指标、位置紧密度和覆盖率分别获取偏移值和修正值；

根据所述命中率、顺序一致性指标、位置紧密度和覆盖率和所述偏移值和修正值进行融合计算，得到文本相似度权重。

4.根据权利要求1所述的方法，其特征在于，所述获取更新时间维度权重包括：

根据所述初始检索结果，获取最后一次聊天时间距离当前时间的时间间隔；

计算衰减常数与所述时间间隔与所述衰减常数之和的比值，得到聊天更新时间权重。

5.根据权利要求1所述的方法，其特征在于，所述根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重的步骤包括：

根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数分别获取偏移值和修正值；

根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数和所述偏移值和修正值进行融合计算，得到用户关联程度权重。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述文本相似度权重、更新时间维度权重和用户关联程度权重进行融合计算，得到每个所述初始检索结果的综合权值包括：

将所述文本相似度权重、更新时间维度权重和用户关联程度权重归一化成0～1之间的小数；

根据所述归一化后的文本相似度权重、更新时间维度权重和用户关联程度权重进行融合计算，得到每个所述初始检索结果的综合权值。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值包括：

根据所述文本相似度、更新时间维度和用户关联程度，计算文本相似度权重、更新时间维度权重和用户关联程度权重；

根据所述文本相似度权重、更新时间维度权重和用户关联程度权重分别获取偏移值和修正值；

分别计算文本相似度权重、更新时间维度权重和用户关联程度权重与与其对应的所述偏移值之积再与与其对应的所述修正值之和得到融合系数；

将所述融合系数相乘，得到每个所述初始检索结果的综合权值。

8.根据权利要求1所述的方法，其特征在于，所述提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度之前包括：

对所述初始检索结果进行筛选，包括：

对离职用户且无聊天记录的初始检索结果不进行排序；

将未注册用户的初始检索结果排在最后。

9.一种搜索排序装置，其特征在于，所述装置包括：

初始检索结果提取模块，获取搜索关键词，确定与所述关键词匹配的多个初始检索结果；

特征因子提取模块，提取每个所述初始检索结果相关的文本相似度、更新时间维度和用户关联程度；

权值计算模块，根据所述文本相似度、更新时间维度和用户关联程度，获取对应的文本相似度权重、更新时间维度权重和用户关联程度权重，并根据所述文本相似度权重、更新时间维度权重和用户关联程度权重对每个所述初始检索结果进行融合计算，得到每个所述初始检索结果的综合权值；

排序模块，根据所述综合权值对所述多个初始检索结果进行排序；

其中，所述权值计算模块获取用户关联程度权重包括：

计算所述初始检索结果与当前进行搜索的共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数；

根据所述共同联系人数目、共同部门特征值、共同办公地点特征值和共同个人标签数，计算用户关联程度权重。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

11.一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，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images