CN109189904A - 个性化搜索方法及系统 - Google Patents

Abstract

本发明提供了一种个性化搜索方法及系统，所述个性化搜索方法先根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；接着，根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重；最后，根据各个商品的排序权重对多个搜索结果进行重排序，并将重排序的结果加以展示。本发明的个性化搜索方法基于搜索用户构建用户画像、商品画像以及输入的查询词获得的商品的排序权重对多个搜索结果进行重排序，精细化的考虑用户内在的隐含个性化需求，缩短用户查询链路时间及效率，提升了用户搜索的效率，进而提高了订单转化率，提升了用户体验。

Description

个性化搜索方法及系统

技术领域

本发明涉及互联网技术领域，特别涉及一种个性化搜索方法及系统。

背景技术

电子商务领域中，商品搜索占据着重要位置。个性化搜索是指传统的商品文本搜索，对其结果加入用户因素，然后对搜索结果进行多特征排序，展示给用户的检索匹配过程。

对于传统商品文本搜索，例如：A，B，C三个用户输入查询词“苹果”，系统根据查询词与系统检索库中的所有商品文本特征计算相似性，找出该查询词与商品相似的商品，并依据相关度倒序排列，不同用户给出同样排序结果。对于个性化搜索，同样是A，B，C三个用户输入“苹果”，系统考虑用户上下语义信息并结合查询词与商品相似性，对不同用户展示不同排序结果。其中，A是想买水果，优先展示水果；B用户是想买苹果牌子的手机，优先展示苹果牌手机；C用户是想买苹果配件，比如数据线，耳机等商品，优先展示配件类商品。同样的查询，展示不同的排序结果。

目前主流的个性化搜索方法通常包括两类：第一类：基于用户主动查询词检索出候选集，然后根据用户站内历史活跃度、行为信息以及搜集站外信息，比如用户社交，手机安装应用列表判断用户兴趣，重排序，展示给用户。第二类：根据用户历史行为查询词与商品列表的文本相似性实现个性化。

但是随着用户消费需求的多元化，以及商品种类和数量的海量剧增，以上传统的显式的用户个性化搜索查询，限制了搜索结果的召回候选集，并且未能精细考虑用户内在诉求，从而用户不能精准找到用户需求商品，搜索满意度大大降低，或需要花费更长链路时间找到合适的搜索商品，搜索效率仍然较低。针对现有技术中个性化搜索方法存在的不足，本领域技术人员一直在寻找解决的方法。

发明内容

本发明的目的在于提供一种个性化搜索方法及系统，以解决使用现有技术中个性化搜索方法搜索效率较低，搜索精准度不高的问题。

为解决上述技术问题，本发明提供一种个性化搜索方法，所述个性化搜索方法包括如下步骤：

S1：根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；

S2：根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重；

S3：根据各个商品的排序权重(S_UI)对多个搜索结果进行重排序，并将重排序的结果加以展示。

可选的，在所述的个性化搜索方法中，还包括：在用户主动输入查询词之前，基于推荐的查询引导词引导用户进行个性化搜索；其中，所述查询引导词是由计算的用户行为权重和用户行为商品描述中提取的关键词所构建的综合关键词进行描述获得；

在用户主动输入查询词之后，基于输入的查询词进行个性化搜索。

可选的，在所述的个性化搜索方法中，执行S2过程中，包括如下步骤：

将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)；

根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)。

可选的，在所述的个性化搜索方法中，用户对每个搜索结果中商品的个性化兴趣特征包括：店铺、品牌、购买力和/或性别。

可选的，在所述的个性化搜索方法中，将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)采用的计算公式如下：

P_UI＝w^Tx；

其中，P_UI为用户U对商品I的个性化兴趣权重；x为个性化特征值向量，x＝(x₁；x₂；x_i...；x_n)，x_i表示x在第i个特征上的兴趣偏好的概率或者其身份的概率，x_i∈[0,1]；w为个体化特征值的权重向量，w＝(w₁；w₂；w_i...；w_n)，w_i为第i个个性特征的权重；w^T为个性化特征值的权重向量w的转置。

可选的，在所述的个性化搜索方法中，所述根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)采用的计算公式如下：

S_UI＝(P_UI+b)*R_IK；

其中，P_UI为用户U对商品I的个性化兴趣权重；R_IK为商品和查询词的相关性；b为调节参数。

可选的，在所述的个性化搜索方法中，通过机器学习进行离线训练获得每个个性化兴趣特征的权重以及调节参数的值。

本发明还提供一种个性化搜索系统，所述个性化搜索系统包括：

搜索引擎数据库，用于存储商品画像数据；

数据采集模块，用于采集用户的注册信息和用户在电子商务网站上的历史行为痕迹数据；

商品画像模块，用于根据所述历史行为痕迹数据和所述商品画像数据构建商品画像；

用户画像模块，用于根据所述注册信息和所述历史行为痕迹数据构建用户画像；

检索模块，用于获取用户输入的查询词；

排序权重值计算单元，用于根据所述用户画像、所述商品画像及所述查询词计算每个搜索结果中商品的排序权重；

排序展示模块，用于根据各个商品的排序权重(S_UI)对多个搜索结果进行重排序，并将重排序的结果加以展示。

可选的，在所述的个性化搜索系统中，所述排序权重计算模块包括：

匹配单元，用于将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)；

权重值计算单元，用于根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)。

可选的，在所述的个性化搜索系统中，所述商品画像的主要维度包含：商品关键词、商品性别属性、商品在所属类目中的价格区间及商品品牌档次；所述用户画像的主要维度包含：用户标签、购买力、用户偏好类目及偏好品牌；其中，所述用户标签基于所述商品关键词和所述历史行为痕迹数据构建而成。

在本发明所提供的个性化搜索方法及系统中，所述个性化搜索方法先根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；接着，根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重；最后，根据各个商品的排序权重对多个搜索结果进行重排序，并将重排序的结果加以展示。本发明的个性化搜索方法基于搜索用户构建用户画像、商品画像以及输入的查询词获得的商品的排序权重对多个搜索结果进行重排序，精细化的考虑用户内在的隐含个性化需求，缩短用户查询链路时间及效率，提升了用户搜索的效率，进而提高了订单转化率，提升了用户体验。

附图说明

图1是本发明一实施例的个性化搜索方法的流程图；

图2是本发明一实施例中用户画像-购买力模型预测更新方法的流程示意图；

图3是本发明一实施例中用户查询引导词推荐模型的更新方法流程示意图；

图4是本发明一实施例中个性化搜索查询词与商品相似性计算模块结构示意图；

图5是本发明一实施例中个性化搜索系统的结构示意图。

图5中标号说明：

510-数据采集模块；520-用户画像模块；530-商品画像模块；540-搜索引擎数据库；550-模型训练模块；551-基本模型装置单元；552-模型训练单元；553-模型生成单元；560-检索模块；570-排序权重值计算单元；571-匹配单元；572-权重值计算单元；580-排序展示模块。

具体实施方式

以下结合附图和具体实施例对本发明提出的个性化搜索方法及系统作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

<实施例一>

请参考图1，其为本发明的个性化搜索方法的流程图。如图1所示，所述个性化搜索方法包括如下步骤：

首先，执行步骤S1，根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；其中，所述历史行为痕迹数据包括访问、点击、收藏、购买和/或搜索的行为记录数据；所述用户的注册信息包括：性别、年龄和/或地域；所述商品画像数据包括：商品描述、类目、品牌、店铺、销量、颜色及风格。

接着，执行步骤S2，根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重S_UI。

具体的，执行S2过程中，包括如下步骤：

将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重P_UI；其中，所述用户对每个搜索结果中商品的个性化兴趣特征包括：店铺、品牌、购买力和/或性别。

根据商品和查询词的相关性R_IK以及商品的个性化兴趣权重P_UI计算商品的排序权重S_UI。

接着，执行步骤S3，根据各个商品的排序权重S_UI对多个搜索结果进行重排序，并将重排序的结果加以展示。

具体的，商品的排序权重S_UI反映了用户U对商品I的需求程度，结合了用户的个性化的偏好和搜索词的相关性，将所述多个搜索结果中的各个搜索结果按照商品的排序权重S_UI值从高到低的顺序进行排序，并将排序后的所述多个搜索结果进行展现。

为了提升搜索效率和用户体验效果，本发明的个性化搜索方法在用户主动输入查询词之前，是基于推荐的查询引导词引导用户进行个性化搜索；其中，所述查询引导词是由计算的用户行为权重和用户行为商品描述中提取的关键词所构建的综合关键词进行描述获得；在用户主动输入查询词之后，基于输入的查询词进行个性化搜索。换言之，优先推荐查询词引导用户搜索，其次根据用户反馈，用户主动搜索获得查询词。

为了便于理解本发明的个性化搜索方法，下面以该方法应用于返利网站这种第三方电子商务网站加以详细阐述本发明的方案。

专业名词解释：返利是厂家或供货商为了刺激销售，提高经销商(或代理商)的销售积极性而采取的一种正常商业操作模式。

返利网站：随着电子商务的发展，网上购物正成为一种流行的消费福利方式，大多数的网上商城(即商品直属的电子商务网站)为了促进产品销量，将一部分利润分给推广者，而推广者又将利润返还给消费者，从而滋生了一个新生的行业---返还利润平台，也就是返利网站。返利网站属于CPS(商品推广解决方案)中的一种，主要是按销量分成的方式付费。该返利网站有自己的服务器平台以及搜索引擎，自身并不出售商品，其一种应用场景是，用户可以在该返利网站的搜索引擎的用户接口，输入自己想要关注的商品的名称或关键字/词等信息，该返利网站的搜索引擎会根据这些信息向用户提供相应的搜索推荐结果(即商品的推荐列表)。

如图1所示，用于返利网的个性化搜索方法在执行：

执行S1过程中，包括如下步骤：

S1.1：根据用户在站内的注册信息，获取用户性别、年龄、地域等自身profile信息。

S1.2：设定、测试、对比统计周期，分析周期内用户站内的行为痕迹，发现行为规律，以及行为链路特点。其中，用户的站内行为包括用户曝光记录、点击、收藏、购买，搜索等行为。且这些行为记录的获取，在返利网中，主要通过实时大数据技术的日志消息系统实现，此方面主要涉及spark、hadoop、flume、kafka、hive等关键技术：首先通过客户端埋点记录，将用户的行为记录写入本地文件，然后日志采集、聚合、传输子系统的flume，将海量并发日志传至kafka消息通道，kafka消费者将数据送入存储分析引擎hive，以及在线服务查询搜索引擎solr中。

S1.3：根据所述S1.1，S1.2作为数据基础，构建用户画像。用户画像主要维度包含：用户标签，购买力，用户偏好类目,偏好品牌等模型预测。其中用户标签基于商品画像中的商品标签、结合用户信息构建而成。例如从商品描述中提取关键词，根据用户历史点击，收藏，购买商品记录，计算得到用户的偏好关键词，及用户表征向量。

S1.4：从数据存储引擎中：获取商品描述，类目，品牌，店铺，销量，颜色，风格等关键信息，统计建模得到如：商品关键词，商品性别属性，商品在所属类目中的价格区间，商品品牌档次等多维度，构成商品画像。

执行S2过程中，包括如下步骤：

S2.1：将搜索用户的用户画像和搜索结果的商品画像进行匹配，包括店铺、品牌、购买力、性别等一系列个性化兴趣特征，给每个个性化兴趣赋予不同的权重值，个性化兴趣权重P_UI采用的计算公式如下：

P_UI＝w₁*x₁+w₂*x₂+w_i*x_i+...+w_n*x_n

它的向量表达形式为：

P_UI＝w^Tx；

其中，P_UI为用户U对商品I的个性化兴趣权重；x为个性化特征值向量，x＝(x₁；x₂；x_i...；x_n)，x_i表示x在第i个特征上的兴趣偏好的概率或者其身份的概率，x_i∈[0,1]；w为个体化特征值的权重向量，w＝(w₁；w₂；w_i...；w_n)，w_i为第i个个性特征的权重；w^T为个性化特征值的权重向量w的转置。

以返利网的个性化兴趣特征为例，对个性化特征值向量x和个体化特征值的权重向量w进行含义解释：

个性化兴趣特征数量n＝4，则x＝(x₁；x₂；x₃；x₄)，w＝(w₁；w₂；w₃；w₄)；

x₁为用户对当前商品所在店铺的偏好程度，w₁为店铺特征的权重；

x₂为用户对当前商品所述购买力档次等级，w₂为购买力特征的权重；

x₃为用户对当前商品所属品牌的偏好程度，w₃为品牌特征的权重；

x₄为用户性别与当前商品性别一致的概率，w₄为性别的权重。

S2.2：根据商品和查询词的相关性R_IK以及商品的个性化兴趣权重P_UI计算商品的排序权重S_UI。商品的排序权重S_UI的计算公式为:

S_UI＝(P_UI+b)*R_IK

＝(w^Tx+b)*R_IK；

其中，P_UI为用户U对商品I的个性化兴趣权重；R_IK为商品和查询词的相关性；b为调节参数，调节参数b用于保证最终的排序权重S_UI不为0，同时用于在个性化和相关性之间获得一个很好的平衡。

S2.2中，通过机器学习进行离线训练获得每个个性兴趣特征的权重以及调节参数b的值。

具体的，首先，可以根据最近一个月采集数据，构造搜索训练数据集Q，以有订单成交的搜索数据为有效曝光；Q＝{q1,q2,qi,...,q_m}，qi为第i个搜索，m表示数据总量，每个qi搜索都有一个商品列表，从有效曝光数据获取成交商品的位置，成交的商品作为正样本，从成交商品的曝光位置获取前后5条商品作为负样本。获得有效曝光的搜索数据集 为搜索曝光的第j个商品，n表示商品的数量；为一组搜索和搜结果数据,进一步的

接着，根据商品的排序权重S_UI计算商品的排序值，对商品排序后，形成进一步的训练集

接着，基于训练集t设计损失函数，以预测成交商品在曝光中的位置值与第1位之间的差值为误差。损失函数使用均方误差：

其中，L为计算y(i)中成交商品的预测位置与第1位距离的平方；m表示数据总量。

较佳的，对于上述模型使用梯度下降算法进行学习优化，通过更新w和b的值，不断减小损失函数使用均方误差loss，进而让成交的商品不断的在所属曝光中的排名靠前。根据预测的订单商品在所属曝光商品中的排序位置小于等于实际的排序位置即为一次正确的预测，否则为错误。

模型参数使用redis作为高速缓存，存放两份数据，一份是当前的模型参数最新版本，一份是版本对应的离线学习到的个性兴趣特征的权重值和调节参数值，对于历史的版本及模型参数信息会存放在数据库中，以便恢复和对比。线下不断优化模型算法减小误差，当离线验证效果好的前提下，会生成一份新的版本数据更新到redis中。

按本发明的个性化搜索方法实施于返利网站上，在线上通过A/B test进行了长期的测试，个性化搜索测试组相对普通搜索组订单转化率提升了10％以上，GMV提升了20％以上的实际效果。实践表明，利用本发明不仅可以提升搜索效率、优化搜索体验，更可以带来很好的商业价值。

<实施例二>

请参考图2，其为本发明实施例二中用户画像-购买力模型预测更新方法的流程示意图。用户画像本身是一个较大的子系统，包含多个维度。在此，仅对个性化搜索在用户画像应用中重要维度举例，具体的，本实施例在上述实施例一步骤S1中构建用户画像的一个维度举例进行描述。如图2所示，本实施例提供的用户画像-购买力模型预测更新方法具体包括如下步骤：

S201：根据站内(通常为电子商务网站)用户历史行为记录(即记录的内容为历史行为痕迹数据)，构建训练样本集；

S202：根据个性化商品搜索业务特点，选取机器学习算法分类器模型；

S203：根据个性化商品搜索业务特点，及其模型反馈，设计分类模型参数并调优；

S204：验证评估生成用户购买力预测模型；

S205：最近一定周期内有访问记录用户应用本实施例模型得到用户购买力等级。

其中，站内用户历史行为记录包括用户有效曝光数据，用户点击数据以及用户购买数据。有效曝光数据指，展示给用户的商品，但用户并未产生点击购买行为。为了使正负样本均衡，且曝光位置以用户点击或者购买商品位置向下滑动一屏幕展示数据结束，作为有效曝光数据，构建负样本。点击，购买数据分别以不同权重分值构建正样本。在增加标注效率，使用用户在线历史日志替代人工标注的实施过程中，因为不同类目的商品价格档位是差异显著的，因此本实施例中，对每个类目分别进行预测，并根据每个类目中价格分布，建立不同档位，用做标识用户购买力档次，从而将用户购买力预测模型转化为多分类预测模型。

具体的，训练样本集的构建过程包括样本特征提取；用户样本特征由用户画像提供源数据；查询词去掉停用词，符号，分词，生成词向量；样本商品特征由商品画像提供源数据，源数据经过特征工程，共同构成样本特征。

样本的数学表达记为：

X:<user:x₁,x₂…x_n><item:x_n+1,x_n+2,…x_m>，Y:<1/2/3>

上述样本特征提取结果，作为分类器的输入，以采用该机器学习分类器，预测用户购买力档次等级。S202中根据个性化商品搜索业务特点，含义是指：通用分类器比如SVM,逻辑回归，树模型，深度学习等方法各自有擅长应用场景且优缺点不同，需要结合业务并比较各算法的优势。本实施例中采用逻辑回归实现，线上部署简单快速，且效果明显。在本发明中并不做限制。

在本实施例中，模型参数包括，正则项lambda,alpha的选取，他们共同决定了正则项对权重的影响，一般以Lambda初始值设为1，以0.05的步长递减到0分别观察所得模型在测试集的表现。得到最优正则化项。

S204中，输入S201中训练样本集，选取S202中机器学习模型，根据S203设定初始模型参数，S204反复迭代验证得到最终用户购买力模型。

举例：用户在化妆品类目，购买档次等级1的概率是0.6，购买档次等级2的概率是0.2，购买档次等级3的概率是0.1等

该实施例，最后一步，S205将历史用户代入模型，离线计算用户在不同类目下的购买力档次等级，并存储到用户画像索引库中。

本实施例中提供的技术方案，从替换人工标注构建样本集，自动根据用户站内历史行为记录抽样建立正负样本，来识别用户的购买力档次等级倾向，使用户个性化搜索更加智能化，精准化匹配用户内在隐含需求，通过感知用户，提升用户搜索体验满意度。

<实施例三>

请参考图3，其为本发明实施例三中用户查询引导词推荐模型的更新方法流程示意图。本实施例中，用户查询引导词推荐，是用户个性化搜索展现的第一步，用户进入搜索访问页面，查询引导推荐词默认展示在搜索框中。

如图3所示，所示查询引导词推荐方法的具体包括如下步骤：

S301：获取站内用户历史行为记录，作为查询词推荐候选数据集。

其中，用户历史行为记录用户整站行为，包括：搜索，点击，收藏，购买行为。示例性的，不同行为给予不同的重要性程度，作为各行为的基础权重，记为Ws同时提取关键商品画像数据，比如商品风格，类目等信息。

S302：抽取历史行为记录商品的关键词。

基于S301，抽取记录商品描述信息，去掉停用词，符号以及特殊字符，分词，提取关键词；S302中具体提取关键词可用tf-idf等方法，标识关键词在描述信息中的关键词的重要程度，记为Wk。tf-idf是一种统计方法，是用于信息检索和数据挖掘的常用加权技术。此处可以把每件商品视为一篇文档，文档内容为商品描述信息，及其他特征信息。其中tf指代词频(Term Frequence)，即词在一篇描述中出现的频率，IDF指逆文档频率，主要思想是，包含词t的商品越少，idf就越重要，说明t具有很好的类别区分能力。

关键词重要性记为：Wk＝tf*idf。

S303：识别综合关键词重要性程度。

对于单个词t，综合关键词的重要性重要程度，可表示为：商品所在历史行为记录的重要性Ws与关键词的重要性程度Wk的乘积，公式记为：

W＝Ws*Wk。

S304：计算关键词排序得分。

根据S303分别计算用户历史行为记录中每个关键词的重要性程度得分W，并倒序。

S305：取前三个(Top3)关键词作为推荐查询词。

在本实施例中，考虑到用户体验效果，还可以取关键词商品所在类目共同输入作为查询引导推荐词的最终输出。

<实施例四>

请参考图4，其为实施例四中个性化搜索查询词与商品相似性计算模块结构示意图。用户输入查询词或基于实施例三中用户点击用户查询搜索引导词的查询，本实施例计算与该查询词具有相似语义的查询候选集合并给出相似性得分。

如图4所示，个性化搜索查询词与商品相似性计算具体包括如下步骤：

S401：用户输入搜索查询词。

所述搜索查询词包括：实施例三中的查询引导推荐词和用户主动输入的查询词，用于表明用户主要搜索意图。

S402：根据用户画像，查询词特征识别输入的搜索查询词的隐含个性化含义。

为了能够明确强化用户的搜索意图，加入隐含个性化含义的识别，在实施过程中，利用用户搜索记录中热门品类，表述查询词意图；同时，结合用户画像，获取用户偏好记录，购买了力档次等级，偏好类目等数据，使用户当前搜索具有个性化搜索召回能力。

S403：对个性化查询词，商品构建特征向量。

在本实施示例中，通过S401、S402，用户搜索词已经赋予个性化能力，S403的目的在于：通过查询词与商品生成特征向量，为S404计算相似性提供更为简便的计算能力，举例：计算欧氏距离，Cosin等距离公式计算向量之间的距离，进而获取相似性得分。当然，也可以利用现在开源的一些搜索引擎工具，诸如Solr，Elasticsearch，直接输入带有个性化含义的查询词到搜索引擎中得到相似性结果。

S404：计算查询词与词库商品相似性，计算得到相关候选商品列表。

根据S403方法，取top n结果，得到查询词语词库商品相似性，计算得到相关候选商品类别。

S405：输出商品列表，以及相关性得分。

基于本发明的个性化搜索方法中相关性得分作为召回商品的基础排序，计算排序分值，为后续进一步精准排序，提供召回集合，决定了个性化搜索的上限，因此是个性化搜索方法中非常基础且重要的一步。

<实施例五>

请参考图5，其为实施例五中提供的一种个性化搜索系统的结构示意图。

如图5所示，所述个性化搜索系统主要包括：搜索引擎数据库540、数据采集模块510、商品画像模块530、用户画像模块520、检索模块560、排序权重值计算单元570、排序展示模块580及模型训练模块550。

下面对每个模块进行单独详细说明。

搜索引擎数据库540，用于存储商品画像数据；此外，还可以存放商品的用户画像数据以及其他特征数据。优选的，本系统中使用Solr作为搜索引擎，提供在线个性化搜索服务查询功能。

数据采集模块510，用于采集用户的注册信息和用户在电子商务网站上的历史行为痕迹数据；

其中，数据采集来源主要包含用户站内的曝光，点击，收藏，购买，收藏等数据来源，实时大数据技术的日志消息系统实现，此方面主要涉及Spark、Hadoop、Flume、Kafka、Hive等关键：技术：首先通过客户端埋点记录，将用户的行为记录写入本地文件，然后日志采集、聚合、传输子系统的flume，将海量并发日志传至kafka消息通道，kafka消费者将数据送入存储分析引擎hive，以及在线服务查询搜索引擎solr中。

商品画像模块530，用于根据所述历史行为痕迹数据和所述商品画像数据构建商品画像；商品画像数据的刻画，待推荐以及待搜索商品的质量评分和商品特征的重要依据，是非个性化因素的重要维度度量。

用户画像模块520，用于根据所述注册信息和所述历史行为痕迹数据构建用户画像；

具体的，用户画像作为个性化搜索和推荐的重要基础服务，根据用户在站内的注册信息获取用户性别、年龄和/或地域等自身配置信息。以及分析周期内用户站内的历史行为痕迹，发现行为规律，以及行为链路特点，构建用户画像。其中，用户的站内行为痕迹记录包括用户访问、跳转、收藏、购买和/或搜索等记录，对应的，所述历史行为痕迹数据包括访问、跳转、收藏、购买和/或搜索的行为记录数据。

检索模块560，用于获取用户输入的查询词以获取与查询词对应的多个搜索结果；

排序权重值计算单元570，用于根据所述用户画像、所述商品画像及所述查询词计算每个搜索结果中商品的排序权重。

进一步地，所述排序权值计算模块570包括匹配单元571和权重值计算单元572，所述匹配单元571用于将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重P_UI；所述权重值计算单元572用于根据商品和查询词的相关性R_IK以及商品的个性化兴趣权重P_UI计算商品的排序权重S_UI。具体计算过程可以参考实施例一中对应部分，此处不再赘述。

排序展示模块580，用于根据各个商品的排序权重S_UI对多个搜索结果进行重排序，并将重排序的结果加以展示。

模型训练模块550，用于基于离线训练数据，生成各个个性化特征权重值以及调节参数的值。所述个性化特征权值包括店铺、品牌、购买力、性别等。

进一步地，所述模型训练模块550包括：基本模型装置单元551、模型训练单元552及模型生成单元553；所述基本模型装置单元551用于装载个性化特征和商品关键词相关性特征，建立损失函数，形成基本模型；所述模型训练单元552用于根据梯度下降算法，不断调整参数，寻找最小的损失函数的值；所述模型生成单元553用于保存模型训练单元552的参数权重值。具体的，参数包括个性化特征和调节参数。特征权重数据按版本存放存放数据库中，效果最好的版本会同步到redis缓存中。所述匹配单元571不仅需要装载检索模块560返回的结果数据，同时还加载所述模型生成单元553缓存的特征权重。

对于实施例公开的方法而言，由于与实施例公开的结构相对应，所以描述的比较简单，相关之处参见结构部分说明即可。

综上，在本发明所提供的个性化搜索方法及系统中，所述个性化搜索方法先根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；接着，根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重；最后，根据各个商品的排序权重对多个搜索结果进行重排序，并将重排序的结果加以展示。本发明的个性化搜索方法基于搜索用户构建用户画像、商品画像以及输入的查询词获得的商品的排序权重对多个搜索结果进行重排序，精细化的考虑用户内在的隐含个性化需求，缩短用户查询链路时间及效率，提升了用户搜索的效率，进而提高了订单转化率，提升了用户体验。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (10)

1.一种个性化搜索方法，其特征在于，包括如下步骤：

S1：根据商品画像数据构建商品画像，并根据用户的注册信息和用户在电子商务网站上的历史行为痕迹数据构建用户画像；

S2：根据用户画像、商品画像及查询词计算每个搜索结果中商品的排序权重；

S3：根据各个商品的排序权重(S_UI)对多个搜索结果进行重排序，并将重排序的结果加以展示。

2.如权利要求1所述的个性化搜索方法，其特征在于，还包括：在用户主动输入查询词之前，基于推荐的查询引导词引导用户进行个性化搜索；其中，所述查询引导词是由计算的用户行为权重和用户行为商品描述中提取的关键词所构建的综合关键词进行描述获得；

在用户主动输入查询词之后，基于输入的查询词进行个性化搜索。

3.如权利要求1所述的个性化搜索方法，其特征在于，执行S2过程中，包括如下步骤：

将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)；

根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)。

4.如权利要求3所述的个性化搜索方法，其特征在于，用户对每个搜索结果中商品的个性化兴趣特征包括：店铺、品牌、购买力和/或性别。

5.如权利要求4所述的个性化搜索方法，其特征在于，将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)采用的计算公式如下：

P_UI＝w^Tx；

其中，P_UI为用户U对商品I的个性化兴趣权重；x为个性化特征值向量，x＝(x₁；x₂；x_i...；x_n)，x_i表示x在第i个特征上的兴趣偏好的概率或者其身份的概率，x_i∈[0,1]；w为个体化特征值的权重向量，w＝(w₁；w₂；w_i...；w_n)，w_i为第i个个性特征的权重；w^T为个性化特征值的权重向量w的转置。

6.如权利要求5所述的个性化搜索方法，其特征在于，所述根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)采用的计算公式如下：

S_UI＝(P_UI+b)*R_IK；

其中，P_UI为用户U对商品I的个性化兴趣权重；R_IK为商品和查询词的相关性；b为调节参数。

7.如权利要求6所述的个性化搜索方法，其特征在于，通过机器学习进行离线训练获得每个个性化兴趣特征的权重以及调节参数的值。

8.一种个性化搜索系统，其特征在于，包括：

搜索引擎数据库，用于存储商品画像数据；

数据采集模块，用于采集用户的注册信息和用户在电子商务网站上的历史行为痕迹数据；

商品画像模块，用于根据所述历史行为痕迹数据和所述商品画像数据构建商品画像；

用户画像模块，用于根据所述注册信息和所述历史行为痕迹数据构建用户画像；

检索模块，用于获取用户输入的查询词；

排序权重值计算单元，用于根据所述用户画像、所述商品画像及所述查询词计算每个搜索结果中商品的排序权重；

排序展示模块，用于根据各个商品的排序权重(S_UI)对多个搜索结果进行重排序，并将重排序的结果加以展示。

9.如权利要求8所述的个性化搜索系统，其特征在于，所述排序权重计算模块包括：

匹配单元，用于将搜索用户的用户画像和搜索结果的商品画像进行匹配，以得到用户对每个搜索结果中商品的个性化兴趣权重(P_UI)；

权重值计算单元，用于根据商品和查询词的相关性(R_IK)以及商品的个性化兴趣权重(P_UI)计算商品的排序权重(S_UI)。

10.如权利要求8所述的个性化搜索系统，其特征在于，所述商品画像的主要维度包含：商品关键词、商品性别属性、商品在所属类目中的价格区间及商品品牌档次；所述用户画像的主要维度包含：用户标签、购买力、用户偏好类目及偏好品牌；其中，所述用户标签基于所述商品关键词和所述历史行为痕迹数据构建而成。