CN110069753A - 一种生成相似度信息的方法和装置 - Google Patents

一种生成相似度信息的方法和装置 Download PDF

Info

Publication number
CN110069753A
CN110069753A CN201810069344.6A CN201810069344A CN110069753A CN 110069753 A CN110069753 A CN 110069753A CN 201810069344 A CN201810069344 A CN 201810069344A CN 110069753 A CN110069753 A CN 110069753A
Authority
CN
China
Prior art keywords
similarity
character
chinese
search term
characters
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.)
Pending
Application number
CN201810069344.6A
Other languages
English (en)
Inventor
谢群群
邵荣防
郝晖
李萧萧
张小卫
史亚妮
易磊
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810069344.6A priority Critical patent/CN110069753A/zh
Publication of CN110069753A publication Critical patent/CN110069753A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • 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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了生成相似度信息的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取至少两个搜索词，以获得至少一个字符不相同的搜索词对；根据购买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，以生成相似度信息。该实施方式能够解决现有字形相似度计算方案完全依赖人工标记，且数据量少无法满足电商应用场景的问题。

Description

一种生成相似度信息的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种生成相似度信息的方 法和装置。
背景技术
目前随着技术的进步和数据量的增长，现有的字形相似度计算方 案已经不适合电商领域，特别是针对时效性较高的电商应用场景存在 众多不足。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
目前字形相似度计算方案主要根据词典数据和人工标记方法计算 相似度，而上述方法完全依赖人工标记，并且数据量少，难以适合电 商应用场景。
发明内容
有鉴于此，本发明实施例提供一种生成相似度信息的方法和装置， 能够解决现有字形相似度计算方案完全依赖人工标记，且数据量少无 法满足电商应用场景的问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种生 成相似度信息的方法，包括获取至少两个搜索词，以获得至少一个字 符不相同的搜索词对；根据购买相似度、汉字图片相似度和汉字笔画 相似度，计算搜索词对中不同字符的相似度，以生成相似度信息。
可选地，根据购买相似度、汉字图片相似度和汉字笔画相似度， 计算搜索词对中不同字符的相似度，包括：
计算搜索词对中不同字符的购买相似度；
获取搜索词对中不同字符的汉字图片以计算汉字图片相似度；同 时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度；
根据所述购买相似度、所述汉字图片相似度和所述汉字笔画相似 度，计算所述不同字符的相似度。
可选地，计算搜索词对中不同字符的购买相似度，包括：
获取搜索词对中分别通过搜索词进行购买的商品集合，以计算搜 索词对中两个不同字符的购买相似度。
可选地，获取搜索词对中不同字符的汉字图片以计算汉字图片相 似度，包括：
获取搜索词对中不同字符的汉字图片像素，以获得汉字图片的像 素点集合；
对汉字图片进行重合度计算，以获得汉字图片的相似度。
可选地，获取搜索词对中不同字符的汉字笔画数据以计算汉字笔 画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的 笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位 开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度 是指汉字五笔编码字符的平均长度。
根据本发明实施例的一个方面，提供了另一种生成相似度信息的 方法，包括：获取至少两个搜索词，以获得至少一个字符不相同的搜 索词对，且所述搜索词对中不同字符其中一个为目标对象；根据购买 相似度、汉字图片相似度和汉字笔画相似度，计算所述搜索词对中不 同字符的相似度，以生成所述目标对象的相似度信息。
另外，根据本发明实施例的一个方面，提供了一种生成相似度信 息的装置，包括获取模块，用于获取至少两个搜索词，以获得至少一 个字符不相同的搜索词对；计算模块，用于根据购买相似度、汉字图 片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，以 生成相似度信息。
可选地，所述计算模块根据购买相似度、汉字图片相似度和汉字 笔画相似度，计算搜索词对中不同字符的相似度，包括：
计算搜索词对中不同字符的购买相似度；
获取搜索词对中不同字符的汉字图片以计算汉字图片相似度；同 时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度；
根据所述购买相似度、所述汉字图片相似度和所述汉字笔画相似 度，计算所述不同字符的相似度。
可选地，所述计算模块计算搜索词对中不同字符的购买相似度， 包括：
获取搜索词对中分别通过搜索词进行购买的商品集合，以计算搜 索词对中不同字符的购买相似度。
可选地，所述计算模块获取搜索词对中不同字符的汉字图片以计 算汉字图片相似度，包括：
获取搜索词对中不同字符的汉字图片像素，以获得汉字图片的像 素点集合；
对汉字图片进行重合度计算，以获得汉字图片的相似度。
可选地，所述计算模块获取搜索词对中不同字符的汉字笔画数据 以计算汉字笔画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的 笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位 开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度 是指汉字五笔编码字符的平均长度。
另外，根据本发明实施例的一个方面，提供了一种生成相似度信 息的装置，包括：获取模块，用于获取至少两个搜索词，以获得至少 一个字符不相同的搜索词对，且所述搜索词对中不同字符其中一个为 目标对象；计算模块，用于根据购买相似度、汉字图片相似度和汉字 笔画相似度，计算所述搜索词对中不同字符的相似度，以生成所述目 标对象的相似度信息。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述 一个或多个处理器实现上述任一生成相似度信息的实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质， 其上存储有计算机程序，所述程序被处理器执行时实现上述任一生成 相似度信息的实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：通过采用获 取至少两个搜索词，以获得至少一个字符不相同的搜索词对；根据购 买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同 字符的相似度，以生成相似度信息。从而，能够获得适合电商应用场 景的对象相似度，同时在数据量、时效性、准确率方面都达到了很高 水平。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具 体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的生成相似度信息的方法的主要流程的 示意图；
图2是根据本发明可参考实施例的生成相似度信息的方法的主要 流程的示意图；
图3是根据本发明实施例的生成相似度信息的装置的主要模块的 示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机 系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发 明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。 因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做 出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清 楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的生成相似度信息的方法，如图1所示， 所述生成相似度信息的方法包括：
步骤S101，获取至少两个搜索词，以获得至少一个字符不相同的 搜索词对。
步骤S102，根据购买相似度、汉字图片相似度和汉字笔画相似度， 计算搜索词对中不同字符的相似度，以生成相似度信息。具体的实施 过程包括：
步骤一：计算搜索词对中不同字符的购买相似度。
较佳地，获取搜索词对中分别通过搜索词进行购买的商品集合， 分别表示为CA和CB；
计算搜索词对中不同字符的购买相似度：
步骤二：获取搜索词对中不同字符的汉字图片以计算汉字图片相 似度，同时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画 的相似度。
较佳地，获取搜索词对中不同字符的汉字图片像素，以获得汉字 图片的像素点集合PA和PB；
对汉字图片进行重合度计算，以获得汉字图片的相似度；其中， 采用的重合度计算公式为：
较佳地，获取搜索词对中不同字符的汉字笔画数据以计算汉字笔 画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的 笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位 开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度 是指汉字五笔编码字符的平均长度。
步骤三：根据所述购买相似度、所述汉字图片相似度和所述汉字 笔画相似度，计算所述不同字符的相似度。
较佳地，通过如下公式计算所述不同字符的相似度：
Scoremerge＝0.4*ScoreW+0.4*ScoreP+0.2*ScoreB
其中，Scoremerge表示不同字符的相似度，Scorew表示购买相似度， Scorep表示汉字图片相似度，ScoreB表示汉字笔画相似度。
值得说明的是，步骤一和步骤二可以同时进行，也可以先进行步 骤一再进行步骤二，或者也可以先进行步骤二再进行步骤一。
另外，本发明所述生成相似度信息的方法还可以应用于针对目标 对象计算其相似度的情景下，其具体的实施过程包括：
获取至少两个搜索词，以获得至少一个字符不相同的搜索词对， 且所述搜索词对中不同字符其中一个为目标对象。然后根据购买相似 度、汉字图片相似度和汉字笔画相似度，计算所述搜索词对中不同字 符的相似度，以生成所述目标对象的相似度信息。
根据上面的各种实施例，可以看出所述的生成相似度信息的方法， 从用户购买数据中提取出同义词对，丰富人工标记的数据。也就是说， 从用户购买数据中进行数据分析得到汉字的相似度得分，不依赖词典 和人工标记。并且，计算多个维度包括用户购买，图片相似度，五笔 笔画的相似度，并进行合并，为具体应用提供更加准确的相似度计算 依据。
图2是根据本发明可参考实施例的生成相似度信息的方法的主要 流程的示意图，所述生成相似度信息的方法可以包括：
步骤S201，获取搜索词，并对搜索词进行过滤。
在实施例中，获取通过搜索词进行商品浏览和商品购买的行为的 数据，即获取搜索词。进一步地，可以对获取的搜索词进行过滤以清 洗掉非法搜索词，具体的清洗规则包括：
1、去除按PV排序前1％的用户数据，这部分搜索词大部分为非 人为数据。其中，所述的按PV排序指的是对用户的浏览页面次数进行 加和统计，例如一个用户浏览了商品页面100次，其PV记为100。
2、去除不具有用户ID的搜索词。
3、去除无法判断来源的搜索词。其中，值得说明的是在获取搜索 词的同时会记录搜索词的来源，例如：搜索词的来源为来自用户主动 输入的，或者来自用户点击页面词的。
4、去除包括黑名单IP的搜索词。
步骤S202，对过滤后的搜索词进行归一化处理。
作为实施例，在对过滤后的搜索词进行归一化处理时可以将搜索 词的前、后端空白字符去掉，以及将搜索词字符中存在的连续多个空 格设置为一个空格。进一步地，还可以对搜索词进行不可见字符的剔 除。其中，所述的不可见字符为在屏幕上不能正常显示的字符，例如 ASCII码中的控制字符，回车字符等。更进一步地，可以对搜索词中的 字符统一化为小写，以及将繁体统一转换为简体。
步骤S203，对搜索词进行比对，以获取只有一个字符不同的搜索 词对，计算所述不同的两个字符的购买相似度。
作为实施例，可以对搜索词进行两两比对，从而获取只有一个字 符不同的搜索词对，例如：女土和女士。然后提取不同的两个字符， 可以表示为A字和B字。同时获取搜索词对中分别通过两个搜索词进 行购买的商品集合(例如通过搜索词“手机”购买了商品A、B和C， 那么A、B和C商品组成一个商品集合。)，可以表示为CA和CB。
最后，计算搜索词对中两个不同字符的购买相似度：
值得说明的是，在上式中的分子和分母分别加上一个常数项(20 和500)，以将分值进行平滑。
步骤S204，获取搜索词对中不同字符的汉字图片像素并进行预处 理。
在实施例中，对所述汉字图片数据进行预处理，具体地：首先将 汉字图片数据转为灰度图像数据(例如将汉字转为124x124的灰度图 像数据)，然后将汉字字体进行统一化。优选地，为了适合两个不同 字符进行对比，可以使用宋体进行字体的转换。
步骤S205，计算汉字图片相似度。
在实施例中，计算两个汉字图片的像素点集合PA和PB。较佳地， 获取汉字图像的像素点，优选地可以获取汉字图像中有像素值的点。
之后，对其图像进行重合度计算，图像重合度的分数为两个汉字 图片相似度，计算公式如下：
例如：典型的计算CASE如土和士的相似度计算分数如下：
步骤S206，获取搜索词对中不同字符的汉字笔画数据。
较佳地，获取汉字笔画数据可以是获取汉字对应的五笔数据，例 如对汉字【今】其五笔编码数据为WYN。
步骤S207，计算汉字笔画的相似度。
在实施例中，获取组合中的两个汉字的五笔编码字符。最后，按 照编码规则计算两个汉字的笔画相似度分数，计算公式如下：
其中，所述的共同前缀长度是指两个汉字五笔编码字符从首位开 始连续具有相同五笔编码字符的位数。所述的编码平均长度是指两个 汉字五笔编码字符的平均长度。
例如：如字【今】和【令】，其五笔编码分布为WYN和WYC 则其笔画相似度得分为：
步骤S208，根据计算获得的购买相似度、汉字图片相似度和汉字 笔画相似度，计算两个不同字符的相似度。具体的实施过程包括：
Scoremerge＝0.4*ScoreW+0.4*ScoreP+0.2*ScoreB
其中，Scoremerge表示不同的两个字符的相似度，Scorew表示购买 相似度，Scorep表示汉字图片相似度，ScoreB表示汉字笔画相似度。
值得说明的是，汉字图片相似度(步骤S204和步骤S205)和汉字 笔画相似度(步骤S206和步骤S207)的计算可以同时进行，也可以先 进行汉字图片相似度的计算再进行汉字笔画相似度的计算，也可以先 进行汉字笔画相似度的计算再进行汉字图片相似度的计算。
另外，在本发明可参考实施例中所述生成相似度信息的方法的具 体实施内容，在上面所述生成相似度信息的方法中已经详细说明了， 故在此重复内容不再说明。
图3是根据本发明实施例的生成相似度信息的装置，如图3所示， 所述生成相似度信息的装置300包括获取模块301和计算模块302。其 中，获取模块301获取至少两个搜索词，以获得至少一个字符不相同 的搜索词对。然后计算模块302根据购买相似度、汉字图片相似度和 汉字笔画相似度，计算搜索词对中不同字符的相似度，以生成相似度 信息。
作为一个较佳地的实施例，计算模块302根据购买相似度、汉字 图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度。 具体的实施过程包括：
步骤一：计算搜索词对中不同字符的购买相似度。
进一步地，获取搜索词对中分别通过搜索词进行购买的商品集合， 分别表示为CA和CB；
计算搜索词对中不同字符的购买相似度：
步骤二：获取搜索词对中不同字符的汉字图片以计算汉字图片相 似度，同时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画 的相似度。
进一步地，获取搜索词对中不同字符的汉字图片像素，以获得汉 字图片的像素点集合PA和PB；
对汉字图片进行重合度计算，以获得汉字图片的相似度；其中， 采用的重合度计算公式为：
进一步地，获取搜索词对中不同字符的汉字笔画数据以计算汉字 笔画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的 笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位 开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度 是指汉字五笔编码字符的平均长度。
步骤三：根据所述购买相似度、所述汉字图片相似度和所述汉字 笔画相似度，计算所述不同字符的相似度。
进一步地，通过如下公式计算所述不同字符的相似度：
Scoremerge＝0.4*ScoreW+0.4*ScoreP+0.2*ScoreB
其中，Scoremerge表示不同字符的相似度，Scorew表示购买相似度， Scorep表示汉字图片相似度，ScoreB表示汉字笔画相似度。
值得说明的是，步骤一和步骤二可以同时进行，也可以先进行步 骤一再进行步骤二，或者也可以先进行步骤二再进行步骤一。
另外，本发明还可以应用于针对目标对象计算其相似度的情景下， 因此所述的获取模块301可以获取至少两个搜索词，以获得至少一个 字符不相同的搜索词对，且所述搜索词对中不同字符其中一个为目标 对象。而计算模块302则可以根据购买相似度、汉字图片相似度和汉 字笔画相似度，计算所述搜索词对中不同字符的相似度，以生成所述 目标对象的相似度信息。
需要说明的是，在本发明所述生成相似度信息的装置的具体实施 内容，在上面所述生成相似度信息的方法中已经详细说明了，故在此 重复内容不再说明。
图4示出了可以应用本发明实施例的生成相似度信息的方法或生 成相似度信息的装置的示例性系统架构400。或者图4示出了可以应用 本发明实施例的生成相似度信息的方法或生成相似度信息的装置的示 例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网 络404和服务器405。网络404用以在终端设备401、402、403和服务 器405之间提供通信链路的介质。网络404可以包括各种连接类型， 例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405 交互，以接收或发送消息等。终端设备401、402、403上可以安装有 各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应 用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的 各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算 机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端 设备401、402、403所浏览的购物类网站提供支持的后台管理服务器 (仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等 数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息 等等仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的生成相似度信息的方法一 般由服务器405执行，相应地，生成相似度信息的装置一般设置于服 务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意 性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的 计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例， 不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其 可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508 加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作 和处理。在RAM503中，还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/ 输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506； 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的 输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、 调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因 特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。 可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据 需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要 被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程 可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种 计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该 计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实 施例中，该计算机程序可以通过通信部分509从网络上被下载和安装， 和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU) 501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读 信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算 机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红 外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机 可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导 线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、 光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存 储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储 介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行 系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机 可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信 号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采 用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组 合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何 计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由 指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限 于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、 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、或代码 的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合， 可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现， 也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中， 例如，可以描述为：一种处理器包括获取模块和计算模块。其中，这 些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机 可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独 存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多 个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备 包括：获取搜索词并比对，以获得只有一个字符不相同的搜索词对， 且所述搜索词对中不同的两个字符其中一个为目标对象；计算所述搜 索词对中不同的两个字符的相似度，以获得所述目标对象的相似度。
根据本发明实施例的技术方案，能够获得适合电商应用场景的对 象相似度，同时在数据量、时效性、准确率方面都达到了很高水平。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域 技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种 各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内 所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种生成相似度信息的方法，其特征在于，包括：
获取至少两个搜索词，以获得至少一个字符不相同的搜索词对；
根据购买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，以生成相似度信息。
2.根据权利要求1所述的方法，其特征在于，根据购买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，包括：
计算搜索词对中不同字符的购买相似度；
获取搜索词对中不同字符的汉字图片以计算汉字图片相似度；同时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度；
根据所述购买相似度、所述汉字图片相似度和所述汉字笔画相似度，计算所述不同字符的相似度。
3.根据权利要求2所述的方法，其特征在于，计算搜索词对中不同字符的购买相似度，包括：
获取搜索词对中分别通过搜索词进行购买的商品集合，以计算搜索词对中不同字符的购买相似度。
4.根据权利要求2所述的方法，其特征在于，获取搜索词对中不同字符的汉字图片以计算汉字图片相似度，包括：
获取搜索词对中不同字符的汉字图片像素，以获得汉字图片的像素点集合；
对汉字图片进行重合度计算，以获得汉字图片的相似度。
5.根据权利要求2所述的方法，其特征在于，获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度是指汉字五笔编码字符的平均长度。
6.一种生成相似度信息的方法，其特征在于，包括：
获取至少两个搜索词，以获得至少一个字符不相同的搜索词对，且所述搜索词对中不同字符其中一个为目标对象；
根据购买相似度、汉字图片相似度和汉字笔画相似度，计算所述搜索词对中不同字符的相似度，以生成所述目标对象的相似度信息。
7.一种生成相似度信息的装置，其特征在于，包括：
获取模块，用于获取至少两个搜索词，以获得至少一个字符不相同的搜索词对；
计算模块，用于根据购买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，以生成相似度信息。
8.根据权利要求7所述的装置，其特征在于，所述计算模块根据购买相似度、汉字图片相似度和汉字笔画相似度，计算搜索词对中不同字符的相似度，包括：
计算搜索词对中不同字符的购买相似度；
获取搜索词对中不同字符的汉字图片以计算汉字图片相似度；同时获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度；
根据所述购买相似度、所述汉字图片相似度和所述汉字笔画相似度，计算所述不同字符的相似度。
9.根据权利要求8所述的装置，其特征在于，所述计算模块计算搜索词对中不同字符的购买相似度，包括：
获取搜索词对中分别通过搜索词进行购买的商品集合，以计算搜索词对中不同字符的购买相似度。
10.根据权利要求8所述的装置，其特征在于，所述计算模块获取搜索词对中不同字符的汉字图片以计算汉字图片相似度，包括：
获取搜索词对中不同字符的汉字图片像素，以获得汉字图片的像素点集合；
对汉字图片进行重合度计算，以获得汉字图片的相似度。
11.根据权利要求8所述的装置，其特征在于，所述计算模块获取搜索词对中不同字符的汉字笔画数据以计算汉字笔画的相似度，包括：
获取搜索词对中不同字符的汉字的五笔编码字符，以计算汉字的笔画相似度：
其中，所述的A和B共同前缀长度是指汉字五笔编码字符从首位开始连续具有相同五笔编码字符的位数，所述的A和B编码平均长度是指汉字五笔编码字符的平均长度。
12.一种生成相似度信息的装置，其特征在于，包括：
获取模块，用于获取至少两个搜索词，以获得至少一个字符不相同的搜索词对，且所述搜索词对中不同字符其中一个为目标对象；
计算模块，用于根据购买相似度、汉字图片相似度和汉字笔画相似度，计算所述搜索词对中不同字符的相似度，以生成所述目标对象的相似度信息。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810069344.6A 2018-01-24 2018-01-24 一种生成相似度信息的方法和装置 Pending CN110069753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810069344.6A CN110069753A (zh) 2018-01-24 2018-01-24 一种生成相似度信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810069344.6A CN110069753A (zh) 2018-01-24 2018-01-24 一种生成相似度信息的方法和装置

Publications (1)

Publication Number Publication Date
CN110069753A true CN110069753A (zh) 2019-07-30

Family

ID=67365659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810069344.6A Pending CN110069753A (zh) 2018-01-24 2018-01-24 一种生成相似度信息的方法和装置

Country Status (1)

Country Link
CN (1) CN110069753A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111078821A (zh) * 2019-11-27 2020-04-28 泰康保险集团股份有限公司 字典设置方法、装置、介质及电子设备
CN112528624A (zh) * 2019-09-03 2021-03-19 阿里巴巴集团控股有限公司 文本处理方法、装置、搜索方法以及处理器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007213433A (ja) * 2006-02-10 2007-08-23 Fujitsu Ltd 文字検索装置
CN101794281A (zh) * 2009-02-04 2010-08-04 日电（中国）有限公司 用于对未知词进行语义分类的系统和方法
CN102122298A (zh) * 2011-03-07 2011-07-13 清华大学 一种中文相似性匹配方法
CN103729351A (zh) * 2012-10-10 2014-04-16 阿里巴巴集团控股有限公司 查询词推荐方法及装置
CN105608462A (zh) * 2015-12-10 2016-05-25 小米科技有限责任公司 字符相似性的判断方法及装置
CN106874947A (zh) * 2017-02-07 2017-06-20 第四范式（北京）技术有限公司 用于确定文字形近度的方法和设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007213433A (ja) * 2006-02-10 2007-08-23 Fujitsu Ltd 文字検索装置
CN101794281A (zh) * 2009-02-04 2010-08-04 日电（中国）有限公司 用于对未知词进行语义分类的系统和方法
CN102122298A (zh) * 2011-03-07 2011-07-13 清华大学 一种中文相似性匹配方法
CN103729351A (zh) * 2012-10-10 2014-04-16 阿里巴巴集团控股有限公司 查询词推荐方法及装置
CN105608462A (zh) * 2015-12-10 2016-05-25 小米科技有限责任公司 字符相似性的判断方法及装置
CN106874947A (zh) * 2017-02-07 2017-06-20 第四范式（北京）技术有限公司 用于确定文字形近度的方法和设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528624A (zh) * 2019-09-03 2021-03-19 阿里巴巴集团控股有限公司 文本处理方法、装置、搜索方法以及处理器
CN112528624B (zh) * 2019-09-03 2024-05-14 阿里巴巴集团控股有限公司 文本处理方法、装置、搜索方法以及处理器
CN111078821A (zh) * 2019-11-27 2020-04-28 泰康保险集团股份有限公司 字典设置方法、装置、介质及电子设备
CN111078821B (zh) * 2019-11-27 2023-12-08 泰康保险集团股份有限公司 字典设置方法、装置、介质及电子设备

Similar Documents

Publication Publication Date Title
CN107679217B (zh) 基于数据挖掘的关联内容提取方法和装置
CN109145280A (zh) 信息推送的方法和装置
CN107679119B (zh) 生成品牌衍生词的方法和装置
CN110020312B (zh) 提取网页正文的方法和装置
CN110111167A (zh) 一种确定推荐对象的方法和装置
CN111046237A (zh) 用户行为数据处理方法、装置、电子设备及可读介质
CN110400201A (zh) 信息展示方法、装置、电子设备以及介质
CN111274341A (zh) 一种网点选址方法和装置
CN107943895A (zh) 信息推送方法和装置
CN110276065A (zh) 一种处理物品评论的方法和装置
CN107169077A (zh) 用于推送信息的方法和装置
CN109062560B (zh) 用于生成信息的方法和装置
CN111367870A (zh) 一种绘本共享方法、装置和系统
CN110443264A (zh) 一种聚类的方法和装置
CN107562941A (zh) 数据处理方法及其系统
CN109993749A (zh) 提取目标图像的方法和装置
CN110895591B (zh) 一种定位自提点的方法和装置
CN110069753A (zh) 一种生成相似度信息的方法和装置
CN108959289B (zh) 网站类别获取方法和装置
CN108256078B (zh) 信息获取方法和装置
CN107291923A (zh) 信息处理方法和装置
CN110019802A (zh) 一种文本聚类的方法和装置
CN109754273A (zh) 提升活跃用户数量的方法和装置
CN107729394A (zh) 基于Hadoop集群的数据集市管理系统及其使用方法
CN107679030B (zh) 基于用户操作行为数据提取同义词的方法和装置

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