CN109145213B - 基于历史信息的查询推荐方法及装置 - Google Patents

基于历史信息的查询推荐方法及装置 Download PDF

Info

Publication number
CN109145213B
CN109145213B CN201810962635.8A CN201810962635A CN109145213B CN 109145213 B CN109145213 B CN 109145213B CN 201810962635 A CN201810962635 A CN 201810962635A CN 109145213 B CN109145213 B CN 109145213B
Authority
CN
China
Prior art keywords
query
target
words
historical
determining
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.)
Active
Application number
CN201810962635.8A
Other languages
English (en)
Other versions
CN109145213A (zh
Inventor
李祥圣
刘奕群
罗成
毛佳昕
许静芳
汪萌
张敏
马少平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810962635.8A priority Critical patent/CN109145213B/zh
Publication of CN109145213A publication Critical patent/CN109145213A/zh
Application granted granted Critical
Publication of CN109145213B publication Critical patent/CN109145213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种基于历史信息的查询推荐方法及装置,包括:响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;获取所述当前查询的查询词相匹配的多个候选查询词;根据所述上下文向量,确定所述多个候选查询词的推荐分值;根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词。根据本公开提供的一种基于历史信息的查询推荐方法及装置,能够提高推荐查询词的精准度。

Description

基于历史信息的查询推荐方法及装置
技术领域
本公开涉及计算机技术领域,尤其涉及一种基于历史信息的查询推荐方法及装置。
背景技术
随着互联网的蓬勃发展,搜索引擎已经成为了人们获取网络信息的重要手段之一。如今搜索引擎的主要交互方式是通过用户自主输入查询词,搜索引擎通过输入的查询文字来提供检索结果。
但是根据查询词得到的搜索结果有时并不能使得用户满意,这主要有两个原因:第一,用户往往输入的查询词只有两到三个,文本的稀疏性一定程度上给上下文的判断、搜索意图分析等方面造成了一定的困难。另一方面,由于用户本身对待搜索的主题领域了解较少,难以构造查询语句,导致很多搜索语句本身含有歧义或意图模糊,搜索引擎自然难以给予用户一个合理满意的结果。因此,在搜索引擎日益完善的过程中,给与用户查询搜索建议,辅助查询成为了搜索引擎中必不可少的一步。
相关技术中,用户的查询需求可以进一步地结合历史输入过的查询词来进行分析。然而,由于查询词本身的简短性,得到的查询推荐内容的精准性并不高,因此仅仅依靠上下文的查询词对推断用户查询需求的帮助并不明显。
发明内容
有鉴于此,本公开提出了一种基于历史信息的查询推荐方法及装置,能够提高推荐查询词的精准度。
根据本公开的一方面,提供了一种基于历史信息的查询推荐方法,所述方法包括:
响应于当前查询的查询操作,获取当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;
获取所述当前查询的查询词相匹配的多个候选查询词;
根据所述上下文向量,确定所述多个候选查询词的推荐分值;
根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词。
根据本公开的另一方面,提供了一种基于历史信息的查询推荐装置,其所述装置包括:
第一获取模块,用于响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
生成模块,用于根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;
第二获取模块,用于获取所述当前查询的查询词相匹配的多个候选查询词;
第一确定模块,用于根据所述上下文向量,确定所述多个候选查询词的推荐分值;
第二确定模块,用于根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词。
根据本公开的另一方面,提供了一种基于历史信息的查询推荐装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
这样一来,搜索引擎装置可以结合历史查询中被浏览过的目标文档的标题信息及历史查询词,建立当前查询会话的上下文向量。在获取根据当前查询的查询词相匹配的多个候选查询词后,搜索引擎装置可以根据当前查询会话的上下文向量确定多个候选查询词的推荐分值,并可以根据推荐分值从候选查询词中确定推荐查询词。相对于相关技术中通过历史查询词分析推荐查询词,所得到的推荐查询内容精准性不高的问题,本公开实施例提供的基于历史信息的查询推荐方法及装置,可以根据当前查询会话的历史查询结合历史查询中浏览过的文档的标题信息确定推荐查询词,由于本公开更为细致的利用了用户在查询操作过程中的行为信息,丰富了用于分析推荐查询词的历史信息,因此能够提高推荐查询词的精准度。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图;
图2示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图;
图3示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图;
图4示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图;
图5示出根据本公开一实施例的基于历史信息的查询推荐装置的结构示意图;
图6示出根据本公开一实施例的基于历史信息的查询推荐装置的结构示意图;
图7是根据一示例性实施例示出的一种用于基于历史信息的查询推荐装置的装置800的框图;
图8是根据一示例性实施例示出的一种用于基于历史信息的查询推荐装置的装置1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图。如图1所示,该方法可以包括以下步骤:
步骤11、响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档。
本公开实施例可以应用于查询搜索等应用场景中,例如可以应用于搜索引擎装置(例如WEB服务器)中。搜索引擎装置可以响应于当前查询会话中当前查询的查询操作,获取历史查询会话。举例来说,搜索引擎装置可以抓取当前用户的日志信息,日志信息中保证每个相邻的查询在一个预置时段内。通过解析日志信息的方式,从日志信息中获取多个历史查询,并可以从多个历史查询中获取多个历史查询词及多个历史查询的目标文档的标题。其中历史查询词可以包括词语和/或词句。
其中,上述当前查询会话可以为查询时间间隔在预设时间间隔内的查询的集合,例如:预设时间间隔为半个小时。则搜索引擎装置可以保证获取的日志信息中每个相邻的查询都在半小时以内。
示例性的,搜索引擎装置可以响应于查询词“神经网络”对应的当前查询的查询操作(例如:对用于触发搜索引擎装置执行查询操作的控件的点击操作),从获取的日志信息中,获取到3个历史查询。其中,第1个历史查询的查询词为“神经网络算法”,目标文档的标题信息分别是:“人工神经网络及BP算法”、“浅谈神经网络算法”及“神经网络算法实现”;第2个历史查询的查询词为“神经网络模型”,目标文档的标题信息分别为:“一文看懂25个神经网络模型”及“神经网络模型笔记”;第3个历史查询的查询词为“神经网络原理”,目标文档的标题分别是:“一文看懂神经网络工作原理”、“一文搞定BP神经网络-从原理到应用”及“人工神经网络基本原理”。
步骤12、根据所述目标文档的标题信息及所述历史查询词,生成与所述当前查询会话对应的上下文向量。
搜索引擎装置可以分别生成目标文档的标题信息及历史查询词对应的词向量,并可以进一步根据上述词向量生成与当前查询会话对应的上下文向量。
步骤13、获取所述当前查询的查询词相匹配的多个候选查询词。
候选查询词为在历史查询操作中,在查询次序上与当前查询的查询词相邻的查询词,其中查询词可以包括词语和/或词句。举例来说,当前用户甲创建查询词为“神经网络”的当前查询,而在历史查询操作中,用户乙在输入查询词“神经网络”之后,再次输入查询词“卷积神经网络”,根据“卷积神经网络”创建新的查询,用户丙在输入查询词“神经网络”后,再次输入查询词“神经网络原理”,根据“神经网络原理”创建新的查询,则“卷积神经网络”和“神经网络原理”均可以作为“神经网络”的候选查询词。
举例来说,搜索引擎装置可以从查询会话数据库中,获取与当前查询对应的查询词相邻的候选查询词。其中,上述查询会话数据库可以用于存储所有用户在预设时间段内创建的历史查询。
步骤14、根据所述上下文向量,确定所述多个候选查询词的推荐分值。
搜索引擎装置可以根据上述根据多个历史查询的目标文档的标题信息和历史查询词确定的上下文向量,确定多个候选查询词的推荐分值。
在一种可能的实现方式中,上述根据所述上下文向量确定所述多个候选查询词的推荐分值,可以包括以下步骤:
将所述上下文向量及所述多个候选查询词输入训练好的序列化解码器模型进行处理,得到所述多个候选查询词的推荐分值。
其中,序列化解码器模型可以参照下述公式(一)。
Figure BDA0001774148320000061
其中,上述ωn可以表示第n个候选查询词,n为正整数。s(Q)可以表示候选查询词的推荐分值,S可以表示所有历史查询信息(历史查询词,目标文档),p(ωn1:n-1,S)可以表示候选查询词ωn的似然概率。其中,p(ωn1:n-1,S)可以通过以下公式(二)得到。
p(ωn1:n-1,S)=softmax(ωnf(dm,n-1n-1)) 公式(二)
其中,上述f(dm,n-1n-1)可以通过以下公式(三)得到。
f(dm,n-1n-1)=Hdm,n-1+Eωn-1+bo 公式(三)
其中,m为正整数,上述dm,n-1可以表示在第m个查询中,候选查询词ωn-1对应的词向量,H、E及bo均为常数。上述候选查询词ωn对应的词向量可以通过以下公式(四)得到。
dm,n=GRUdec(dm,n-1n) 公式(四)
其中,dm,n可以表示在第m个查询中,候选查询词ωn对应的词向量。
当n为1时,dm,0可以通过以下公式(五)得到。
dm,0=DSm+bo 公式(五)
其中,Sm可以表示当前查询会话对应的上下文向量,D为常数。
这样一来,可以搜索引擎装置能够得到每个候选查询词的推荐分数,并且在训练过程中可以将每个候选查询词的推荐分数最大化。
步骤15、根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词。
搜索引擎装置可以根据多个候选查询词的推荐分值,从多个候选查询词中确定当前查询的推荐查询词,例如确定推荐分值较大的候选查询词为推荐查询词。
举例来说,搜索引擎装置可以确定推荐分值排在前N位的候选查询词为推荐查询词,其中N为预置的推荐查询词的个数。例如:预置的候选查询词的个数为9,则搜索引擎装置可以从候选查询词中获取推荐分值排在前9位的候选查询词,并确定该9个候选查询词为推荐查询词,并在显示当前查询会话对应的显示界面时,在显示界面中显示上述9个候选查询词。
这样一来,搜索引擎装置可以结合历史查询中被浏览过的目标文档的标题信息及历史查询词,建立当前查询会话的上下文向量。在获取根据当前查询的查询词相匹配的多个候选查询词后,搜索引擎装置可以根据当前查询会话的上下文向量确定多个候选查询词的推荐分值,并可以根据推荐分值从候选查询词中确定推荐查询词。相对于相关技术中通过历史查询词分析推荐查询词,所得到的推荐查询内容精准性不高的问题,本公开实施例提供的基于历史信息的查询推荐方法,可以根据当前查询会话的历史查询结合历史查询中浏览过的文档的标题信息确定推荐查询词,由于本公开更为细致的利用了用户在查询操作过程中的行为信息,丰富了用于分析推荐查询词的历史信息,因此能够提高推荐查询词的精准度。
图2示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图。
在一种可能的实现方式中,参照图2,上述步骤12、根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量,可以包括以下步骤:
步骤121、确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,其中,所述目标查询为所述多个历史查询中的任意一个查询。
搜索引擎装置可以确定各个历史查询对应的多个目标文档的标题信息对应的第一词向量,及各个历史查询的历史查询词对应的第二词向量。
在一种可能的实现方式中,上述步骤121中可以包括:
确定所述多个目标文档的标题信息所包含的第一查询词。
搜索引擎装置可以将目标查询的每个目标文档的标题信息均进行拆分,并在去除各个标题信息中的停用词后,得到多个目标文档对应的第一查询词。停用词可以包括为了提高推荐效率,在处理目标文档的标题信息之前确定的可以自动过滤掉的字或者词,例如:语气助词、副词、介词、连接词等。
举例来说,目标查询的目标文档的标题信息包括:“人工神经网络及BP算法”、“浅谈神经网络算法”及“神经网络算法实现”,则第一查询词可以包括:人工、神经、网络、BP、算法、浅谈、神经、网络、算法、神经、网络、算法、实现。在一种可能的实现方式中,还可以对上述第一查询词进行去重处理,去重后的第一查询词可以包括:人工、神经、网络、BP、算法、浅谈、实现。
上述步骤121中可以包括:按照所述多个目标文档的浏览顺序,将所述多个目标文档对应的所述第一查询词输入训练好的第一循环神经网络GRU模型进行处理,得到所述第一查询词对应的第一词向量。
仍以上述示例为例,目标查询的目标文档的浏览顺序为“人工神经网络及BP算法”、“浅谈神经网络算法”、“神经网络算法实现”,则上述第一查询词按序依次为:人工、神经、网络、BP、算法、浅谈、实现,搜索引擎装置可以将上述第一查询词按序输入第一循环神经网络GRU模型中进行处理,得到各个第一查询词对应的第一词向量。
其中,上述第一循环神经网络GRU模型参照公式(六)。
Figure BDA0001774148320000091
其中,m和n均为正整数,其中,n=1,2……k(k可表示第一查询词的总个数),n可以用于表示在目标查询中第一查询词的序列号,m可以用于表示在历史查询中的目标查询的序列号,ω’m,n可以表示在第m个历史查询中第n个第一查询词,
Figure BDA0001774148320000092
可以表示该第一查询词ω’m,n对应的第一词向量,可以表示第m个历史查询中第n-1个第一查询词的第一词向量。
上述步骤121中可以包括:将所述目标查询的查询词输入训练好的第二循环神经网络GRU模型进行处理,得到所述目标查询的查询词对应的第二词向量。
其中,上述第二循环神经网络GRU模型参照公式(七)。
Figure BDA0001774148320000101
其中,上述ωm,n可以表示第m个历史查询中第n个查询词,
Figure BDA0001774148320000102
可以表示该第二查询词ωm,n对应的第二词向量,
Figure BDA0001774148320000103
可以表示第m个历史查询中第n-1个查询词的第二词向量。
需要说明的是,上述第一循环神经网络GRU模型的最后一个输出,可以作为第二循环神经网络GRU模型的第一个输入。假设第一循环神经网络GRU模型的最后一个输出为
Figure BDA0001774148320000104
Figure BDA0001774148320000105
可以作为第二循环神经网络GRU模型中的第一个输入
Figure BDA0001774148320000106
需要说明的是,本公开实施例利用简单的特征方法对原始的输入进行表示,直接向优化目标进行学习。在本公开中,每一个词最原始的输入通过词向量表示,词向量长度等于整个语料库(该预料库用于存储历史查询词)的大小。通过一个映射矩阵,将所有的词向量均映射到低维的表示向量中。映射矩阵将作为模型学习的参数,在训练过程中不断调整,最后学习到第一循环神经网络GRU模型、第二循环神经网络GRU模型和第三循环神经网络GRU模型。在输出端,本公开实施例将第m个查询作为前面m–1个历史查询的学习目标,使得循环神经网络GRU模型在看到前面的历史查询时,能够最大化的输出目标查询。
步骤122、根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量。
搜索引擎装置确定第一词向量及第二词向量后,可以对第一词向量及第二词向量进行加权求和,得到该目标查询对应的查询向量。在一种可能的实现方式中,上述步骤122可以包括:通过第一注意力机制分别确定所述第一词向量及所述第二词向量的权重。
其中,第一注意力机制可以参照公式(八)。
lm,t=sigmoid(Wωhm,t+bω) 公式(八)
其中,上述t可以用于表示词向量的序列号,hm,t可以用于表示第m个历史查询中第t个词向量,上述词向量可以包括上述第一词向量和第二词向量,上述lm,t可以用于表示hm,t对应的权重,Wω与bω均为常数。
在一种可能的实现方式中,还可以通过公式(九)对上述权重进行归一化处理。
Figure BDA0001774148320000111
其中,上述αm,t可以用于表示进行归一化后的权重lm,t,其中,t为正整数,t=1,2,……,j(j可以用于表示词向量的总个数)。
上述步骤122还可以包括:对所述第一词向量及所述第二词向量根据对应的权重进行加权求和处理,得到所述目标查询对应的查询向量。
举例来说,可以采用下述公式(十)对所述第一词向量及所述第二词向量根据对应的权重进行加权求和。
Figure BDA0001774148320000112
其中,qm可以用于表示第m个历史查询对应的查询向量,该第m个历史查询为上述目标查询。
步骤123、根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量。
在得到多个历史查询对应的查询向量之后,搜索引擎装置可以根据多个查询向量确定与所述当前查询会话对应的上下文向量。
在一种可能的实现方式中,上述步骤123可以包括:将所述多个历史查询对应的查询向量分别输入训练好的第三循环神经网络GRU模型进行处理后,得到多个处理后的查询向量。
上述第三循环神经网络GRU模型可以参照公式(十一)。
Figure BDA0001774148320000121
其中,上述
Figure BDA0001774148320000122
可以用于表示处理后的查询向量qm
Figure BDA0001774148320000123
可以用于表示处理后的查询向量qm-1
上述步骤123还可以包括:通过第二注意力机制确定所述多个处理后的查询向量的权重。
其中,第二注意力机制可以参照公式(十二)。
Figure BDA0001774148320000124
其中,上述gm,t可以表示
Figure BDA0001774148320000125
对应的权重,Ws与bs均为常数。
上述步骤123还可以包括:将所述多个处理后的查询向量根据对应的权重进行加权求和处理,得到所述当前查询会话对应的上下文向量。
举例来说,可以采用下述公式(十三)对多个处理后的查询向量根据对应的权重进行加权求和,得到上下文向量。
Figure BDA0001774148320000126
其中,上述sm可以表示加权求和得到的上下文向量,βm,t为常数。
注意力机制实际上是一种权重自学习方法,由于本公开实施例所使用的历史查询词,点击文档信息中的第一查询词中含有很多不重要的词,对于一个历史查询来说,也不是所有的查询词都起一样的作用,所以有必要对查询词进行加权表示处理。本公开实施例将注意力机制运用到词与查询两方面。可以在训练中学习到权重的表示策略,对新来的查询也给予不同的权重表示。在得到权重后,再对所有的词向量加权处理,可以得到更为准确地向量表示。
这样一来,本公开实施例中可以采用注意力机制有效的从查询词层面及查询会话层面计算重要性权要,更好的表示了当前查询会话的上下文向量,可以更细致的利用用户在查询操作过程中的行为信息,并能精确提取行为信息中的重要部分,以此丰富用于分析推荐查询词的历史信息,因此能够提高推荐查询词的精准度。
图3示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图。
在一种可能的实现方式中,参照图3,上述步骤13、获取所述当前查询的查询词相匹配的多个候选查询词,可以包括以下步骤。
步骤131、获取多个目标词句,其中,在查询会话数据库中,所述目标词句对应的查询的查询次序与所述查询词对应的查询的查询次序相邻。
举例来说,上述查询会话数据库可以用于存储所有用户的历史查询操作信息,该历史查询操作信息可以包括历史查询的相关信息。搜索引擎装置可以根据当前查询的查询词在查询会话数据库中查找与该查询词对应的查询,确定该查询为第一查询。并在查询会话数据库中查找查询次序与上述第一查询的查询次序相邻的第二查询,并确定这些相邻的第二查询对应的查询词为目标词句。
步骤132、根据所述多个目标词句的查询频率,从所述多个目标词句中确定与所述当前查询的查询词相匹配的候选查询词。
搜索引擎装置可以确定上述各个目标词句的查询频率,该查询频率可以用于表示目标词句的个数在所有目标词句中的比例,例如:存在10个目标词句,其中有5个目标词句是相同的,均为“神经网络原理”,故“神经网络原理”的查询频率为50%。搜索引擎装置可以根据目标词句的查询频率从多个目标词句中确定候选查询词。
举例来说,候选查询词的预置个数为M,则搜索引擎装置可以确定目标词句中查询频率的大小排在前M位的M个目标词句为候选查询词。
这样一来,搜索引擎装置可以从目标词句中确定候选查询词,并计算候选查询词的推荐分值,以根据推荐分值从候选查询词中确定推荐查询词,能够减少搜索引擎装置的计算量,可以加快搜索引擎装置的计算效率,进一步的提高推荐查询词的推荐效率。
图4示出根据本公开一实施例的基于历史信息的查询推荐方法的流程图。
在一个示例中,参照图4,搜索引擎装置获取多个历史查询后,获取到多个历史查询的标题细信息对应的第一查询词:斯德哥尔摩、购物和中心,获取多个历史查询对应的历史查询词:斯德哥尔摩、旅游,并分别确定上述第一查询词对应的第一词向量和历史查询词对应的第二词向量。搜索引擎装置根据多个历史查询对应的第一词向量和第二词向量确定了多个历史查询对应的查询向量。搜索引擎装置根据上述查询向量得到了当前查询会话的上下文向量。搜索引擎装置根据上下文向量确定各个候选查询词的推荐分值,并根据推荐分值确定推荐查询词为:斯德哥尔摩和广场。
本公开实施例利用深度学习里面的循环神经网络,构建了一套基于历史信息的查询推荐模型。模型在原来仅仅基于用户先前查询的查询词的基础上,加入了用户点击过的日志文档的标题信息。这些信息作为用户当前查询的辅助信息,在查询推荐中可以更为有效地为用户推荐更符合用户查询需求的查询内容。本公开实施例中利用注意力机制,也可以有效地从词层面以及查询层面计算出重要性权重,更好地表示上下文信息向量。与已有的查询推荐方法相比,本公开将更细致地利用搜索中的用户行为信息,并提取用户行为信息中的重要部分,更准确地实现查询推荐。
图5示出根据本公开一实施例的基于历史信息的查询推荐装置的结构示意图。如图5所示,该装置可以包括:
第一获取模块51,可以用于响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
生成模块52,可以用于根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;
第二获取模块53,可以用于获取所述当前查询查询词相匹配的多个候选查询词;
第一确定模块54,可以用于根据所述上下文向量,确定所述多个候选查询词的推荐分值;
第二确定模块55,可以用于根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词。
这样一来,搜索引擎装置可以结合历史查询中被浏览过的目标文档的标题信息及历史查询词,建立当前查询会话的上下文向量。在获取根据当前查询的查询词相匹配的多个候选查询词后,搜索引擎装置可以根据当前查询会话的上下文向量确定多个候选查询词的推荐分值,并可以根据推荐分值从候选查询词中确定推荐查询词。相对于相关技术中通过历史查询词分析推荐查询词,所得到的推荐查询内容精准性不高的问题,本公开实施例提供的基于历史信息的查询推荐装置,可以根据当前查询会话的历史查询结合历史查询中浏览过的文档的标题信息确定推荐查询词,由于本公开更为细致的利用了用户在查询操作过程中的行为信息,丰富了用于分析推荐查询词的历史信息,因此能够提高推荐查询词的精准度。
图6示出根据本公开一实施例的基于历史信息的查询推荐装置的结构示意图。
在一种可能的实现方式中,如图6所示,上述生成模块52可以包括:
第一确定子模块521,可以用于确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,其中,所述目标查询为所述多个历史查询中的任意一个查询;
第二确定子模块522,可以用于根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量;
第三确定子模块523,可以用于根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量。
在一种可能的实现方式中,上述第一确定子模块521还可以用于:
确定所述多个目标文档的标题信息所包含的第一查询词;
按照所述多个目标文档的浏览顺序,将所述多个目标文档对应的所述第一查询词输入训练好的第一循环神经网络GRU模型进行处理,得到所述第一查询词对应的第一词向量;
将所述目标查询的查询词输入训练好的第二循环神经网络GRU模型进行处理,得到所述目标查询的查询词对应的第二词向量。
在一种可能的实现方式中,上述第二确定子模块522还可以用于:
通过第一注意力机制分别确定所述第一词向量及所述第二词向量的权重;
对所述第一词向量及所述第二词向量根据对应的权重进行加权求和处理,得到所述目标查询对应的查询向量。
在一种可能的实现方式中,上述第三确定子模块523还可以用于:
将所述多个历史查询对应的查询向量分别输入训练好的第三循环神经网络GRU模型进行处理后,得到多个处理后的查询向量;
通过第二注意力机制确定所述多个处理后的查询向量的权重;
将所述多个处理后的查询向量根据对应的权重进行加权求和处理,得到所述当前查询会话对应的上下文向量。
在一种可能的实现方式中,参照图6,上述第一确定模块54可以包括:
处理子模块541,可以用于将所述上下文向量及所述多个候选查询词输入训练好的序列化解码器模型进行处理,得到所述多个候选查询词的推荐分值。
在一种可能的实现方式中,参照图6,第二获取模块53可以包括:
获取子模块531,可以用于获取多个目标词句,其中,在查询会话数据库中,所述目标词句对应的查询的查询次序与所述查询词对应的查询的查询次序相邻;
第四确定子模块532,可以用于根据所述多个目标词句的查询频率,从所述多个目标词句中确定与所述当前查询的查询词相匹配的候选查询词。
图7是根据一示例性实施例示出的一种用于基于历史信息的查询推荐装置的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图7,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供多个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种用于基于历史信息的查询推荐装置的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图8,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932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1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的多个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到多个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在多个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的多个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的多个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的多个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (14)

1.一种基于历史信息的查询推荐方法,其特征在于,所述方法包括:
响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
根据所述目标文档的标题信息及所述历史查询词,生成与所述当前查询会话对应的上下文向量;
获取所述当前查询的查询词相匹配的多个候选查询词;
根据所述上下文向量,确定所述多个候选查询词的推荐分值;
根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词,
其中,所述根据所述目标文档的标题信息及所述历史查询词,生成与所述当前查询会话对应的上下文向量,包括:
确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,其中,所述目标查询为所述多个历史查询中的任意一个查询;
根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量;
根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量。
2.根据权利要求1所述的方法,其特征在于,所述确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,包括:
确定所述多个目标文档的标题信息所包含的第一查询词;
按照所述多个目标文档的浏览顺序,将所述多个目标文档对应的所述第一查询词输入训练好的第一循环神经网络GRU模型进行处理,得到所述第一查询词对应的第一词向量;
将所述目标查询的查询词输入训练好的第二循环神经网络GRU模型进行处理,得到所述目标查询的查询词对应的第二词向量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量,包括:
通过第一注意力机制分别确定所述第一词向量及所述第二词向量的权重;
对所述第一词向量及所述第二词向量根据对应的权重进行加权求和处理,得到所述目标查询对应的查询向量。
4.根据所述权利要求1所述的方法,其特征在于,所述根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量,包括:
将所述多个历史查询对应的查询向量分别输入训练好的第三循环神经网络GRU模型进行处理后,得到多个处理后的查询向量;
通过第二注意力机制确定所述多个处理后的查询向量的权重;
将所述多个处理后的查询向量根据对应的权重进行加权求和处理,得到所述当前查询会话对应的上下文向量。
5.根据权利要求1所述的方法,其特征在于,所述根据所述上下文向量确定所述多个候选查询词的推荐分值,包括:
将所述上下文向量及所述多个候选查询词输入训练好的序列化解码器模型进行处理,得到所述多个候选查询词的推荐分值。
6.根据权利要求1所述的方法,其特征在于,所述获取所述当前查询的查询词相匹配的多个候选查询词,包括:
获取多个目标词句,其中,在查询会话数据库中,所述目标词句对应的查询的查询次序与所述查询词对应的查询的查询次序相邻;
根据所述多个目标词句的查询频率,从所述多个目标词句中确定与所述当前查询的查询词相匹配的候选查询词。
7.一种基于历史信息的查询推荐装置,其特征在于,所述装置包括:
第一获取模块,用于响应于当前查询会话中当前查询的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
生成模块,用于根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;
第二获取模块,用于获取所述当前查询的查询词相匹配的多个候选查询词;
第一确定模块,用于根据所述上下文向量,确定所述多个候选查询词的推荐分值;
第二确定模块,用于根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词,
其中,所述生成模块,包括:
第一确定子模块,用于确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,其中,所述目标查询为所述多个历史查询中的任意一个查询;
第二确定子模块,用于根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量;
第三确定子模块,用于根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量。
8.根据权利要求7所述的装置,其特征在于,所述第一确定子模块还用于:
确定所述多个目标文档的标题信息所包含的第一查询词;
按照所述多个目标文档的浏览顺序,将所述多个目标文档对应的所述第一查询词输入训练好的第一循环神经网络GRU模型进行处理,得到所述第一查询词对应的第一词向量;
将所述目标查询的查询词输入训练好的第二循环神经网络GRU模型进行处理,得到所述目标查询的查询词对应的第二词向量。
9.根据权利要求7所述的装置,其特征在于,所述第二确定子模块,还用于:
通过第一注意力机制分别确定所述第一词向量及所述第二词向量的权重;
对所述第一词向量及所述第二词向量根据对应的权重进行加权求和处理,得到所述目标查询对应的查询向量。
10.根据权利要求7所述的装置,其特征在于,所述第三确定子模块,还用于:
将所述多个历史查询对应的查询向量分别输入训练好的第三循环神经网络GRU模型进行处理后,得到多个处理后的查询向量;
通过第二注意力机制确定所述多个处理后的查询向量的权重;
将所述多个处理后的查询向量根据对应的权重进行加权求和处理,得到所述当前查询会话对应的上下文向量。
11.根据权利要求7所述的装置,其特征在于,所述第一确定模块,包括:
处理子模块,用于将所述上下文向量及所述多个候选查询词输入训练好的序列化解码器模型进行处理,得到所述多个候选查询词的推荐分值。
12.根据权利要求7所述的装置,其特征在于,所述第二获取模块,包括:
获取子模块,用于获取多个目标词句,其中,在查询会话数据库中,所述目标词句对应的查询的查询次序与所述查询词对应的查询的查询次序相邻;
第四确定子模块,用于根据所述多个目标词句的查询频率,从所述多个目标词句中确定与所述当前查询的查询词相匹配的候选查询词。
13.一种基于历史信息的查询推荐装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
响应于当前查询会话中当前查询会话的查询操作,获取所述当前查询会话的多个历史查询的历史查询词以及与所述多个历史查询对应的目标文档的标题信息,所述目标文档为历史查询中被浏览过的文档;
根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量;
获取所述当前查询的查询词相匹配的多个候选查询词;
根据所述上下文向量,确定所述多个候选查询词的推荐分值;
根据所述推荐分值,从所述多个候选查询词中确定所述当前查询的推荐查询词,
其中,所述根据所述目标文档的标题信息及所述历史查询词,生成与当前查询会话对应的上下文向量,包括:
确定与目标查询对应的多个目标文档的标题信息对应的第一词向量及所述目标查询的查询词对应的第二词向量,其中,所述目标查询为所述多个历史查询中的任意一个查询;
根据所述第一词向量及所述第二词向量,确定与所述目标查询对应的查询向量;
根据所述多个历史查询对应的查询向量,确定与所述当前查询会话对应的上下文向量。
14.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN201810962635.8A 2018-08-22 2018-08-22 基于历史信息的查询推荐方法及装置 Active CN109145213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810962635.8A CN109145213B (zh) 2018-08-22 2018-08-22 基于历史信息的查询推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810962635.8A CN109145213B (zh) 2018-08-22 2018-08-22 基于历史信息的查询推荐方法及装置

Publications (2)

Publication Number Publication Date
CN109145213A CN109145213A (zh) 2019-01-04
CN109145213B true CN109145213B (zh) 2020-07-28

Family

ID=64791131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810962635.8A Active CN109145213B (zh) 2018-08-22 2018-08-22 基于历史信息的查询推荐方法及装置

Country Status (1)

Country Link
CN (1) CN109145213B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918566B (zh) * 2019-02-15 2023-05-23 Oppo广东移动通信有限公司 查询方法、装置、电子设备及介质
CN109740743A (zh) * 2019-03-21 2019-05-10 中国人民解放军国防科技大学 一种分层神经网络查询推荐方法及装置
CN110083785A (zh) * 2019-04-29 2019-08-02 清华大学 基于用户搜索记录的性别年龄判别方法及装置
CN110555165B (zh) * 2019-07-23 2023-04-07 平安科技(深圳)有限公司 信息识别方法、装置、计算机设备和存储介质
CN110727785A (zh) * 2019-09-11 2020-01-24 北京奇艺世纪科技有限公司 推荐模型的训练、搜索文本的推荐方法、装置及存储介质
CN111274359B (zh) * 2020-01-20 2022-06-14 福州大学 基于改进vhred与强化学习的查询推荐方法及系统
CN111324694B (zh) * 2020-01-22 2023-10-10 中国人民大学 一种查询词推荐系统和方法
CN111460268B (zh) * 2020-04-01 2023-04-07 杭州指令集智能科技有限公司 数据库查询请求的确定方法、装置和计算机设备
CN111831922B (zh) * 2020-07-14 2021-02-05 深圳市众创达企业咨询策划有限公司 一种基于互联网信息的推荐系统与方法
CN113360537B (zh) * 2021-06-04 2024-01-12 北京百度网讯科技有限公司 信息查询方法、装置、电子设备和介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112010004797T5 (de) * 2009-12-14 2012-11-15 Mitsubishi Electric Corporation Eingabeunterstützungsvorrichtung
JP2011170743A (ja) * 2010-02-22 2011-09-01 Nec Corp 通信装置、コンテンツ検索方法およびプログラム
CN103729351B (zh) * 2012-10-10 2017-10-03 阿里巴巴集团控股有限公司 查询词推荐方法及装置
CN103164521B (zh) * 2013-03-11 2016-03-23 亿赞普(北京)科技有限公司 一种基于用户浏览和搜索行为的关键词计算方法及装置
CN103744856B (zh) * 2013-12-03 2016-09-21 北京奇虎科技有限公司 联动性扩展搜索方法及装置、系统
CN104933100B (zh) * 2015-05-28 2018-05-04 北京奇艺世纪科技有限公司 关键词推荐方法和装置
CN107193987B (zh) * 2017-05-27 2020-12-29 阿里巴巴(中国)有限公司 获取与页面相关的搜索词的方法、装置和系统
CN107291835B (zh) * 2017-05-31 2020-12-22 北京京东尚科信息技术有限公司 一种搜索词的推荐方法和装置

Also Published As

Publication number Publication date
CN109145213A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145213B (zh) 基于历史信息的查询推荐方法及装置
WO2019100350A1 (en) Providing a summary of a multimedia document in a session
CN111147949B (zh) 用于提供会话话题的设备、服务器和方法
CN110781305A (zh) 基于分类模型的文本分类方法及装置,以及模型训练方法
CN109918565B (zh) 一种搜索数据的处理方法、装置及电子设备
CN110147494B (zh) 信息搜索方法、装置,存储介质及电子设备
CN107564526B (zh) 处理方法、装置和机器可读介质
CN112148980B (zh) 基于用户点击的物品推荐方法、装置、设备和存储介质
WO2023000891A1 (zh) 一种数据处理方法、装置、计算机设备和存储介质
CN111538830B (zh) 法条检索方法、装置、计算机设备及存储介质
CN107424612B (zh) 处理方法、装置和机器可读介质
CN112182255A (zh) 用于存储媒体文件和用于检索媒体文件的方法和装置
CN114880480A (zh) 一种基于知识图谱的问答方法及装置
CN116166843B (zh) 基于细粒度感知的文本视频跨模态检索方法和装置
CN113033163A (zh) 一种数据处理方法、装置和电子设备
CN108073293A (zh) 一种目标词组的确定方法和装置
CN111831132A (zh) 一种信息推荐方法、装置和电子设备
CN116127062A (zh) 预训练语言模型的训练方法、文本情感分类方法及装置
CN117882365A (zh) 确定和视觉显示呼叫的口头菜单
CN113326706A (zh) 一种跨语言检索方法、装置和电子设备
CN110020151B (zh) 一种数据处理方法、装置、电子设备以及存储介质
CN112883295B (zh) 一种数据处理方法、装置和介质
CN112149748B (zh) 图像分类方法及装置、电子设备和存储介质
CN110134850B (zh) 一种搜索方法及装置
CN113849729A (zh) 文本数据处理方法、装置、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
GR01 Patent grant
GR01 Patent grant