CN109460458A - 查询改写意图的预测方法及装置 - Google Patents

Abstract

本公开涉及一种查询改写意图的预测方法及装置。该查询改写意图的预测方法包括：将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。本公开的查询改写意图的预测方法及装置，能够有效的解决查询数据稀疏造成查询理解准确率较低的问题，从而实现准确的预测用户的查询改写意图，提高用户的使用体验。

Description

查询改写意图的预测方法及装置

技术领域

本公开涉及信息技术领域，尤其涉及一种查询改写意图的预测方法及装置。

背景技术

目前，由于大数据带来了巨大的信息量，以及用户查询的复杂程度不断提高，用户很难通过一次查询便得到满意的查询结果。查询改写意图是指用户从原始查询词修改为改写查询词的过程中所体现的真实查询意图。准确理解用户的查询改写意图具有重要的意义。

相关技术中，查询改写意图理解是一个不断细化查询需求的过程，根据用户的改写行为来剔除与用户需求产生歧义的结果。例如，用户从原始查询词“苹果”修改为改写查询词“手机”，搜索引擎能够准确的捕捉到用户的原始查询词“苹果”的含义是手机品牌，而不是水果品种。

通过查询改写意的理解能够帮助搜索引擎更好的理解用户真正的查询意图，从而提供更符合用户需求的查询结果。目前，大多数查询改写意图的预测方法是基于查询文本的理解进行设计。由于查询通常只有几个词语组成，信息稀疏问题对查询理解带来了巨大的挑战。

发明内容

有鉴于此，本公开提出了一种查询改写意图的预测方法及装置，以解决相关技术中查询改写意图的预测准确度较低的问题。

根据本公开的一方面，提供了一种查询改写意图的预测方法，所述方法包括：

将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；

根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。

在一种实现方式中，所述至少一个意图包括N级意图，所述预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N；

将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图，包括：

针对第i个子预测模型，将所述原始查询词和所述改写查询词输入所述第i个翻译嵌入模型进行处理，得到所述原始查询词对应的第i个向量和所述改写查询词对应的第i个向量；

确定所述改写查询词对应的第i个向量与所述原始查询词对应的第i个向量之间的第i个差值；

将所述第i个差值输入所述第i个分类模型，得到所述N级意图中的第i级意图。

在一种实现方式中，所述至少一个意图包括第1级意图和第2级意图，所述预测模型包括2个子预测模型；

所述第1级意图包括增加、删减和替换中的一项或多项；以及

所述第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

在一种实现方式中，根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图，包括：

如果得到所述待识别的查询数据对应的一个意图，则将所述待识别的查询数据对应的一个意图作为所述待识别的查询数据对应的查询改写意图；或

如果得到所述待识别的查询数据对应的多个意图，则将所述待识别的查询数据对应的多个意图的组合作为所述待识别的查询数据对应的查询改写意图。

在一种实现方式中，所述方法还包括：

根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词和错误的样本改写查询词；

根据所述正确的样本原始查询词、样本改写查询词和第i级样本意图，以及所述错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值；

根据所述误差值，调整所述第i个子预测模型的模型参数。

根据本公开的另一方面，提供了一种查询改写意图的预测装置，所述装置包括：

处理模块，用于将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；

确定模块，用于根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。

在一种实现方式中，所述至少一个意图包括N级意图，所述预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N；

所述处理模块包括：

处理子模块，用于针对第i个子预测模型，将所述原始查询词和所述改写查询词输入所述第i个翻译嵌入模型进行处理，得到所述原始查询词对应的第i个向量和所述改写查询词对应的第i个向量；

差值确定子模块，用于确定所述改写查询词对应的第i个向量与所述原始查询词对应的第i个向量之间的第i个差值；

意图确定子模块，用于将所述第i个差值输入所述第i个分类模型，得到所述N级意图中的第i级意图。

在一种实现方式中，所述至少一个意图包括第1级意图和第2级意图，所述预测模型包括2个子预测模型；

所述第1级意图包括增加、删减和替换中的一项或多项；以及

所述第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

在一种实现方式中，所述确定模块包括：

第一确定子模块，用于如果得到所述待识别的查询数据对应的一个意图，则将所述待识别的查询数据对应的一个意图作为所述待识别的查询数据对应的查询改写意图；或

第二确定子模块，用于如果得到所述待识别的查询数据对应的多个意图，则将所述待识别的查询数据对应的多个意图的组合作为所述待识别的查询数据对应的查询改写意图。

在一种实现方式中，所述装置还包括：

获取模块，用于根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词和错误的样本改写查询词；

误差确定模块，用于根据所述正确的样本原始查询词、样本改写查询词和第i级样本意图，以及所述错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值；

参数调整模块，用于根据所述误差值，调整所述第i个子预测模型的模型参数。

根据本公开的另一方面，提供了一种查询改写意图的预测装置，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。

本公开的查询改写意图的预测方法及装置，将待识别的查询数据输入预测模型进行处理，得到待识别的查询数据对应的至少一个意图，并根据待识别的查询数据对应的至少一个意图，得到待识别的查询数据对应的查询改写意图，由此能够有效的解决查询数据稀疏造成查询理解准确率较低的问题，从而实现准确的预测用户的查询改写意图，提高用户的使用体验。

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查询改写意图的预测方法的流程图。

图2示出根据本公开一实施例的查询改写意图的预测方法的流程图。

图3示出根据本公开一实施例的查询改写意图的预测装置的框图。

图4示出根据本公开一实施例的查询改写意图的预测装置的框图。

图5示出根据本公开一实施例的查询改写意图的预测装置的框图。

图6示出根据本公开一实施例的查询改写意图的预测装置的框图。

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查询改写意图的预测方法的流程图。该方法用于终端或服务器。如图1所示，该方法包括步骤S11至步骤S13。

在步骤S11中，根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词、样本改写查询词和第i级样本意图。

在一种实现方式中，采集样本查询数据，该样本查询数据包括样本原始查询词和样本改写查询词。其中，原始查询词是相对于改写查询词而言的。例如，用户输入关键词1进行查询后，用户再次输入关键词2进行查询，则关键词1可以作为原始查询词，关键词2可以作为改写查询词。原始查询词和改写查询词构成查询对。

例如，采集用户的查询数据，获取<original_query,rewrite_query>格式的查询对集合。对获取的查询对集合进行筛选，保留出现频次较高的查询对。根据预设的多级意图对查询对标注，生成<original_query,rewrite_query,intent>格式的三元组数据集合。其中，original_query表示原始查询词，rewrite_query表示改写查询词，intent表示查询对对应的查询改写意图。

在一种实现方式中，正确三元组通过手工标注得到，错误三元组通过腐化正确三元组得到。例如，通过随机替换正确三元组中的原始查询词或改写查询词而得到错误三元组。

作为一个示例，针对购物搜索场景定义两级意图。其中，第1级意图共3个，分别是“增加”、“删减”和替换。第2级意图共10个，分别是“款式”、“商品”、“风格”、“品牌”、“型号”、“功能”、“材质”、“渠道”、“费用”和“尺码”。将第1级意图和第2级意图的组合作为完整的查询改写意图。

具体地，根据第1级意图，对查询对对应的第1级意图进行标注，最终生成<original_query,rewrite_query,first_intent>格式的三元组数据集合。其中，first_intent表示查询对对应的第1级意图。根据第2级意图，对查询对对应的第2级意图进行标注，最终生成<original_query,rewrite_query,second_intent>格式的三元组数据集合。其中，second_intent表示查询对对应的第2级意图。

例如，采集用户的查询数据，获取样本原始查询词为“T恤”，样本改写查询词为“T恤+耐克”，则标注的查询改写意图可以为“增加-品牌”，则三元组<T恤，T恤+耐克，增加>属于正确的第1级样本意图，三元组<T恤，T恤+耐克，品牌>属于正确的第2级样本意图。通过腐化正确的三元组得到错误的第1级样本意图和错误的第2级样本意图。

在步骤S12中，根据正确的样本原始查询词、样本改写查询词，第i级样本意图，以及错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值。

在一种实现方式中，通过基于知识图谱的翻译嵌入模型，分别对原始查询词、改写查询词和第i级意图进行向量表示学习。其中，翻译嵌入模型的输入为原始查询词、改写查询词和第i级意图，输出为原始查询词对应的向量、改写查询词对应的向量和第i级意图对应的向量。

在一种实现方式中，基于知识图谱的翻译嵌入模型可以包括：TransE(Translation embeddings for modeling multi-relation data，多元关系数据嵌入)、TransH(Knowledge graph embedding by translating on hyperplanes，将知识嵌入到超平面)或TransR(Learning Entity and Relation Embeddings for Knowledge GraphCompletion，实体和关系分开嵌入)等经典模型。

在一种实现方式中，分类模型可以包括：RF(Random Forest，随机森林分类器)、LR(Logistic Regression，逻辑回归分类器)、GBDT(Gradient Boosting Decision Tree，梯度迭代决策树分类器)、SVM(Support Vector Machine，支持向量机分类器)和KNN(K-Nearest Neighbor，K近邻分类器)等经典模型。

在步骤S13中，根据误差值，调整第i个子预测模型的模型参数。

在一种实现方式中，基于知识图谱的翻译嵌入模型，其优化目标是使原始查询词对应的向量和意图对应的向量之和不断趋近于改写查询词对应的向量。原始查询词对应的向量和意图对应的向量之和与改写查询词对应的向量之间的距离可以通过公式1计算得到：

其中，f_r表示意图r对应的距离函数，qo表示原始查询词，qr表示改写查询词，qo_r表示原始查询词在意图r之下对应的向量，r表示意图对应的向量，qr_r表示改写查询词在意图r之下对应的向量，表示L2范数距离。

在一种实现方式中，正确三元组通过手工标注得到，错误三元组通过腐化正确三元组得到。基于知识图谱的翻译嵌入模型，其训练目标是迫使正确三元组的距离函数值逐渐变小、错误三元组的距离函数值逐渐变大。目标函数L可以通过公式2计算得到：

其中，S表示正确三元组集合，qo'表示错误的原始查询词，qr'表示错误的改写查询词，S'表示错误三元组集合，γ表示收敛阈值，max表示最大值函数。

在一种实现方式中，通过随机下降梯度方法优化目标函数L。目标函数L收敛时，正确三元组的距离函数值趋近于0，错误三元组的距离函数值趋近于1，目标函数L中求和的多数单元的值均为0，从而使得目标函数值趋于0。

图2示出根据本公开一实施例的查询改写意图的预测方法的流程图。该方法用于终端或服务器。如图2所示，该方法包括步骤S21和步骤S22。

在步骤S21中，将待识别的查询数据输入预测模型进行处理，得到待识别的查询数据对应的至少一个意图；其中，待识别的查询数据包括原始查询词和改写查询词。

在一种实现方式中，至少一个意图包括N级意图，预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N。将待识别的查询数据输入预测模型进行处理，得到待识别的查询数据对应的至少一个意图，包括：针对第i个子预测模型，将原始查询词和改写查询词输入第i个翻译嵌入模型进行处理，得到原始查询词对应的第i个向量和改写查询词对应的第i个向量；确定改写查询词对应的第i个向量与原始查询词对应的第i个向量之间的第i个差值；将第i个差值输入第i个分类模型，得到N级意图中的第i级意图。

其中，预测模型包括N个子预测模型，N个子预测模型对应于N级意图。换言之，第i个子预测模型对应于第iN级意图。例如，第i个子预测模型的输入为原始查询词和改写查询词，输出为第i级意图。在分别得到N级意图之后，将N级意图的组合作为待识别的查询数据对应的查询改写意图。

需要说明的是，本领域技术人员能够理解，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型，第i+1个子预测模型包括第i+1个翻译嵌入模型和第i+1个分类模型。其中，第i个翻译嵌入模型和第i+1个翻译嵌入模型可以为相同类型或不同类型的翻译嵌入模型，第i个分类模型和第i+1个分类模型可以为相同类型或不同类型的分类模型，本公开对此不作限制。

在一种实现方式中，至少一个意图包括第1级意图和第2级意图，预测模型包括2个子预测模型；第1级意图包括增加、删减和替换中的一项或多项；以及第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

在步骤S22中，根据待识别的查询数据对应的至少一个意图，得到待识别的查询数据对应的查询改写意图。

在一种实现方式中，根据待识别的查询数据对应的至少一个意图，得到待识别的查询数据对应的查询改写意图，包括：如果得到待识别的查询数据对应的一个意图，则将待识别的查询数据对应的一个意图作为待识别的查询数据对应的查询改写意图；或如果得到待识别的查询数据对应的多个意图，则将待识别的查询数据对应的多个意图的组合作为待识别的查询数据对应的查询改写意图。

本公开的查询改写意图的预测方法，将待识别的查询数据输入预测模型进行处理，得到待识别的查询数据对应的至少一个意图，并根据待识别的查询数据对应的至少一个意图，得到待识别的查询数据对应的查询改写意图，由此能够有效的解决查询数据稀疏造成查询理解准确率较低的问题，从而实现准确的预测用户的查询改写意图，提高用户的使用体验。

示例一：

针对购物搜索场景定义两级意图。其中，第1级意图共3个，分别是“增加”、“删减”和替换。第2级意图共10个，分别是“款式”、“商品”、“风格”、“品牌”、“型号”、“功能”、“材质”、“渠道”、“费用”和“尺码”。

采集用户的查询数据，获取样本原始查询词为“T恤”，样本改写查询词为“T恤+耐克”。其中，预测模型包括第1个子预测模型和第2个子预测模型。其中，第1个子预测模型包括第1个翻译嵌入模型和第1个分类模型。第2个子预测模型包括第2个翻译嵌入模型和第2个分类模型。

则针对第1个子预测模型，将原始查询词“T恤”和改写查询词“T恤+耐克”输入第1个翻译嵌入模型进行处理，得到原始查询词“T恤”对应的第1个向量和改写查询词“T恤+耐克”对应的第1个向量。确定改写查询词“T恤+耐克”对应的第1个向量与原始查询词“T恤”对应的第1个向量之间的第1个差值。将第1个差值输入第1个分类模型，得到第1级意图“增加”。

则针对第2个子预测模型，将原始查询词“T恤”和改写查询词“T恤+耐克”输入第2个翻译嵌入模型进行处理，得到原始查询词“T恤”对应的第2个向量和改写查询词“T恤+耐克”对应的第2个向量。确定改写查询词“T恤+耐克”对应的第2个向量与原始查询词“T恤”对应的第2个向量之间的第2个差值。将第2个差值输入第2个分类模型，得到第2级意图“品牌”。

由此，第1级意图“增加”和第2级意图“品牌”合并得到完整的查询改写意图“增加-品牌”。

示例二：

针对购物搜索场景定义两级意图。其中，第1级意图共3个，分别是“增加”、“删减”和替换。第2级意图共10个，分别是“款式”、“商品”、“风格”、“品牌”、“型号”、“功能”、“材质”、“渠道”、“费用”和“尺码”。

采集120万用户一天内在购物网站上的所有查询数据，得到约270万个查询会话。构建查询改写的结构图，节点为原始查询词，边为改写查询词，节点与边的权重均为查询对的频次。为了方便标注，保留节点权重大于50、边权重大于5的查询数据，最终得到12085个原始查询词和19335次改写查询词。

从整体结果来看，在翻译嵌入模型选用TransH、分类模型选用KNN时，查询改写意图的预测准确率达到最高的41.2％。从第1级意图的结果来看，在分类模型选用SVM时，第1级意图“增加”的预测平均准确率达到最高的48.5％；在分类模型选用KNN时，第1级意图“替换”的预测平均准确率达到最高的52.2％。从第2级意图的结果来看，在分类模型选用KNN时，测试样例较多的4个第2级意图(“款式”、“商品”、“品牌”和“型号”)的预测平均准确率均达到40％以上。

本公开的查询改写意图的预测方法，能够将基于知识图谱的翻译嵌入模型很好的应用于查询改写意图的预测中，并通过分类模型来提升意图分类准确率。本公开的查询改写意图的预测方法，在实验测试数据上取得了比较好的性能和效果，能够有效的解决查询数据稀疏造成查询理解准确率较低的问题，从而实现准确的预测用户的查询改写意图，提高用户的使用体验。

图3示出根据本公开一实施例的查询改写意图的预测装置的框图。该装置用于终端或服务器。如图3所示，该装置包括：

处理模块31，用于将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；

确定模块32，用于根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。

本公开的查询改写意图的预测装置，将待识别的查询数据输入预测模型进行处理，得到待识别的查询数据对应的至少一个意图，并根据待识别的查询数据对应的至少一个意图，得到待识别的查询数据对应的查询改写意图，由此能够有效的解决查询数据稀疏造成查询理解准确率较低的问题，从而实现准确的预测用户的查询改写意图，提高用户的使用体验。

图4示出根据本公开一实施例的查询改写意图的预测装置的框图。如图4所示：

在一种实现方式中，所述至少一个意图包括N级意图，所述预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N；

所述处理模块31包括：

处理子模块311，用于针对第i个子预测模型，将所述原始查询词和所述改写查询词输入所述第i个翻译嵌入模型进行处理，得到所述原始查询词对应的第i个向量和所述改写查询词对应的第i个向量；

差值确定子模块312，用于确定所述改写查询词对应的第i个向量与所述原始查询词对应的第i个向量之间的第i个差值；

意图确定子模块313，用于将所述第i个差值输入所述第i个分类模型，得到所述N级意图中的第i级意图。

在一种实现方式中，所述至少一个意图包括第1级意图和第2级意图，所述预测模型包括2个子预测模型；

所述第1级意图包括增加、删减和替换中的一项或多项；以及

所述第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

在一种实现方式中，所述确定模块32包括：

第一确定子模块321，用于如果得到所述待识别的查询数据对应的一个意图，则将所述待识别的查询数据对应的一个意图作为所述待识别的查询数据对应的查询改写意图；或

第二确定子模块322，用于如果得到所述待识别的查询数据对应的多个意图，则将所述待识别的查询数据对应的多个意图的组合作为所述待识别的查询数据对应的查询改写意图。

在一种实现方式中，所述装置还包括：

获取模块33，用于根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词、样本改写查询词和第i级样本意图；

误差确定模块34，用于根据所述正确的样本原始查询词、样本改写查询词和第i级样本意图，以及所述错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值；

参数调整模块35，用于根据所述误差值，调整所述第i个子预测模型的模型参数。

图5示出根据本公开一实施例的查询改写意图的预测装置的框图。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，个人数字助理等终端。

参照图5，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提供各个方面的状态评估。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6示出根据本公开一实施例的查询改写意图的预测装置的框图。例如，装置1900可以被提供为一服务器。参照图6，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各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各个计算/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，以供存储在各个计算/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，从而实现本公开的各个方面。

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各个方面。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/动作的各个方面的指令。

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 (10)

1.一种查询改写意图的预测方法，其特征在于，所述方法包括：

将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；

根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。

2.根据权利要求1所述的方法，其特征在于，所述至少一个意图包括N级意图，所述预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N；

将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图，包括：

针对第i个子预测模型，将所述原始查询词和所述改写查询词输入所述第i个翻译嵌入模型进行处理，得到所述原始查询词对应的第i个向量和所述改写查询词对应的第i个向量；

确定所述改写查询词对应的第i个向量与所述原始查询词对应的第i个向量之间的第i个差值；

将所述第i个差值输入所述第i个分类模型，得到所述N级意图中的第i级意图。

3.根据权利要求2所述的方法，其特征在于，所述至少一个意图包括第1级意图和第2级意图，所述预测模型包括2个子预测模型；

所述第1级意图包括增加、删减和替换中的一项或多项；以及

所述第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

4.根据权利要求1所述的方法，其特征在于，根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图，包括：

如果得到所述待识别的查询数据对应的一个意图，则将所述待识别的查询数据对应的一个意图作为所述待识别的查询数据对应的查询改写意图；或如果得到所述待识别的查询数据对应的多个意图，则将所述待识别的查询数据对应的多个意图的组合作为所述待识别的查询数据对应的查询改写意图。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词、样本改写查询词和第i级样本意图；

根据所述正确的样本原始查询词、样本改写查询词和第i级样本意图，以及所述错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值；

根据所述误差值，调整所述第i个子预测模型的模型参数。

6.一种查询改写意图的预测装置，其特征在于，所述装置包括：

处理模块，用于将待识别的查询数据输入预测模型进行处理，得到所述待识别的查询数据对应的至少一个意图；其中，所述待识别的查询数据包括原始查询词和改写查询词；

确定模块，用于根据所述待识别的查询数据对应的至少一个意图，得到所述待识别的查询数据对应的查询改写意图。

7.根据权利要求6所述的装置，其特征在于，所述至少一个意图包括N级意图，所述预测模型包括N个子预测模型，第i个子预测模型包括第i个翻译嵌入模型和第i个分类模型；其中，N为正整数，i的取值为1～N；

所述处理模块包括：

处理子模块，用于针对第i个子预测模型，将所述原始查询词和所述改写查询词输入所述第i个翻译嵌入模型进行处理，得到所述原始查询词对应的第i个向量和所述改写查询词对应的第i个向量；

差值确定子模块，用于确定所述改写查询词对应的第i个向量与所述原始查询词对应的第i个向量之间的第i个差值；

意图确定子模块，用于将所述第i个差值输入所述第i个分类模型，得到所述N级意图中的第i级意图。

8.根据权利要求7所述的装置，其特征在于，所述至少一个意图包括第1级意图和第2级意图，所述预测模型包括2个子预测模型；

所述第1级意图包括增加、删减和替换中的一项或多项；以及

所述第2级意图包括款式、商品、风格、品牌、型号、功能、材质、渠道、费用和尺码中的一项或多项。

9.根据权利要求6所述的装置，其特征在于，所述确定模块包括：

第一确定子模块，用于如果得到所述待识别的查询数据对应的一个意图，则将所述待识别的查询数据对应的一个意图作为所述待识别的查询数据对应的查询改写意图；或

第二确定子模块，用于如果得到所述待识别的查询数据对应的多个意图，则将所述待识别的查询数据对应的多个意图的组合作为所述待识别的查询数据对应的查询改写意图。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

获取模块，用于根据正确的样本原始查询词、样本改写查询词和第i级样本意图，得到错误的样本原始查询词、样本改写查询词和第i级样本意图；

误差确定模块，用于根据所述正确的样本原始查询词、样本改写查询词和第i级样本意图，以及所述错误的样本原始查询词、样本改写查询词和第i级样本意图，确定误差值；

参数调整模块，用于根据所述误差值，调整所述第i个子预测模型的模型参数。