CN110781307A - 目标物品关键词和标题生成方法、搜索方法以及相关设备 - Google Patents

目标物品关键词和标题生成方法、搜索方法以及相关设备 Download PDF

Info

Publication number
CN110781307A
CN110781307A CN201911076047.5A CN201911076047A CN110781307A CN 110781307 A CN110781307 A CN 110781307A CN 201911076047 A CN201911076047 A CN 201911076047A CN 110781307 A CN110781307 A CN 110781307A
Authority
CN
China
Prior art keywords
comment
comment text
category
target item
text
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
CN201911076047.5A
Other languages
English (en)
Inventor
段锐丰
赫阳
陶通
张雄伟
常菁
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 Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun 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 Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201911076047.5A priority Critical patent/CN110781307A/zh
Publication of CN110781307A publication Critical patent/CN110781307A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种目标物品关键词和标题生成方法、搜索方法以及相关设备，涉及目标物品关键词生成技术领域。目标物品关键词生成方法，包括：根据目标物品的评论文本中的评论词，确定评论文本的特征向量；将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；将可用的评论文本中的评论词添加到候选集中；根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的；根据候选集中的词语确定目标物品的关键词。从而，提取的关键词更能够反映目标物品的特色，提高了关键词生成效率、节约了计算资源。

Description

目标物品关键词和标题生成方法、搜索方法以及相关设备
技术领域
本发明涉及目标物品关键词生成技术领域，特别涉及一种目标物品关键词和标题生成方法、搜索方法以及相关设备。
背景技术
随着电商业务的快速发展，商品的种类和数量也越来越多，商品的属性越发的被电商行业所重视。“亮点属性”成为了一种快速且有效的吸引用户浏览和点击的方式。“亮点属性”是指能够表达出商品特点的属性。例如，某品牌手机的属性包括商品产地是中国大陆、机身厚度为7-8mm、支持双卡双待、人工智能、快速充电等技术。商品产地、机身厚度、支持双卡双待这些属性虽然不可或缺、但是又过于大众化，而作为产品亮点的人工智能和快速充电往往出现在用户对手机快速充电的好评中，这更能反映商品的特点，从而更加吸引客户。
在相关技术中，通常对商品描述中的商品属性信息进行分析，以提取其中的关键词作为亮点属性。
发明内容
发明人经过分析后发现，相关技术中属性的来源单一，而单一的数据源中对商品的描述过于宽泛，没有考虑用户维度的个性化特征。从而，使得确定的亮点属性无法体现商品的特点。
本发明实施例所要解决的一个技术问题是：如何确定能够反映商品特点的关键词以作为商品的亮点属性。
根据本发明一些实施例的第一个方面，提供一种目标物品关键词生成方法，包括：根据目标物品的评论文本中的评论词，确定评论文本的特征向量；将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；将可用的评论文本中的评论词添加到候选集中；根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的；根据候选集中的词语确定目标物品的关键词。
在一些实施例中，根据目标物品的评论文本中的评论词，确定评论文本的特征向量包括：根据目标物品所属的类别对应的评论文本，确定目标物品的评论文本中每个评论词的统计信息、作为每个评论词的特征值；根据统计信息，选取预设数量个评论词；采用选取的评论词的统计信息，构建评论文本的特征向量。
在一些实施例中，对于每个评论词，确定评论文本中每个评论词的统计信息包括：确定评论词在评论文本中的出现频率、作为评论词的词频TF值；确定目标物品所属类别的所有评论文本数与目标物品所属类别的所有评论文本中、包括评论词的评论文本数的商，并对商取以10为底的对数，获得评论词的逆文本频率指数IDF值；将评论词的TF值与IDF值的乘积确定为评论词的统计信息。
在一些实施例中，评论文本分类模型为逻辑回归模型；将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果包括：将每个评论文本的特征向量作为自变量输入到预先训练的逻辑回归模型中，获得输出的线性回归模型的因变量；在输出的因变量大于预设值的情况下，将相应的评论文本确定为可用的评论文本。
在一些实施例中，将可用的评论文本中的评论词添加到候选集中包括：根据可用的评论文本，确定可用的评论文本中每个评论词的更新的统计信息；将根据更新的统计信息选取的预设数量个评论词添加到候选集中。
在一些实施例中，目标物品关键词生成方法还包括：对于每个类别，获取类别的搜索数据，其中，搜索数据中的每个搜索数据项包括搜索词和用户选择的搜索结果；对于类别对应的每个搜索词，将类别中包括搜索词的搜索数据项的数量与类别的搜索数据项的总数的比值确定为类别中搜索词的特征值；根据类别中每个搜索词的特征值，确定类别对应的关键词。
在一些实施例中，目标物品关键词生成方法还包括：采用已标记了分类结果的训练数据训练朴素贝叶斯分类模型；采用完成训练的贝叶斯分类模型对待测的外部数据中的描述文本进行分类，其中，外部数据包括多个描述文本；确定每个类别的描述文本中的描述词在本类别中的统计信息，作为所述描述词的特征值；对于每个类别，根据该类别中每个描述词的特征值，确定该类别对应的关键词。
在一些实施例中，训练数据为libsvm格式，训练数据中的每条文本对应的训练数据包括表示分类结果的标记值、特征编号、特征编号对应的特征值。
在一些实施例中，候选集包括第一候选子集、第二候选子集和第三候选子集，第一候选子集中的词语为评论词，第二候选子集中的词语为根据搜索数据确定的关键词，第三候选子集中的词语为根据外部描述数据确定的关键词；并且，候选集中的每个词语具有特征值；根据候选集中的词语确定目标物品的关键词包括：根据第一候选子集、第二候选子集和第三候选子集分别对应的权重以及词语的特征值，计算候选集中每个词语加权后的特征值；将候选集中加权后的特征值最高的预设数量个词语确定为目标物品的关键词。
根据本发明一些实施例的第二个方面，提供一种目标物品标题生成方法，包括：根据目标物品的评论文本中的评论词，确定评论文本的特征向量；将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；将可用的评论文本中的评论词添加到候选集中；根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，所述对应关系是根据搜索数据、外部描述数据的至少一种确定的；根据候选集中的词语确定目标物品的关键词；根据目标物品的关键词生成目标物品的标题。
在一些实施例中，关键词位于生成的标题中的前半部分。
在一些实施例中，目标物品标题生成方法，还包括：获取标题获取请求；确定标题获取请求是否来自移动终端上的客户端，以便在标题获取请求来自移动终端上的客户端的情况下，根据目标物品的关键词生成目标物品的标题，其中，关键词位于生成的标题中的前半部分；将生成的标题返回给所述客户端。
根据本发明一些实施例的第三个方面，提供一种搜索方法，包括：根据目标物品的评论文本中的评论词，确定评论文本的特征向量；将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；将可用的评论文本中的评论词添加到候选集中；根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的；根据候选集中的词语确定目标物品的关键词；响应于获取搜索请求，获得初步搜索结果；将初步搜索结果中具有相同关键词的物品保留一个、并筛除未被保留的物品，获得筛选后的搜索结果。
根据本发明一些实施例的第四个方面，提供一种目标物品关键词生成装置，包括：特征向量确定模块，被配置为根据目标物品的评论文本中的评论词，确定评论文本的特征向量；评论分类模块，被配置为将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；候选集添加模块，被配置为将可用的评论文本中的评论词添加到候选集中；以及，根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的；关键词确定模块，被配置为根据候选集中的词语确定目标物品的关键词。
根据本发明一些实施例的第五个方面，提供一种数据处理装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种目标物品关键词生成方法、目标物品标题生成方法或者搜索方法。
根据本发明一些实施例的第六个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意一种目标物品关键词生成方法、目标物品标题生成方法或者搜索方法。
上述发明中的一些实施例具有如下优点或有益效果：通过本发明的实施例，可以根据多个维度的数据中提取出物品的关键词，使得提取的关键词更能够反映目标物品的特色。从而，在根据确定的关键词进行搜索、推荐等数据处理过程时，能够提高数据处理效率、节约计算资源。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本发明一些实施例的目标物品关键词生成方法的流程示意图。
图2示出根据本发明一些实施例的评论目标物品关键词生成方法的流程示意图。
图3示出根据本发明一些实施例的评论文本分类方法的流程示意图。
图4示出了本发明一些实施例的搜索目标物品关键词生成方法的流程示意图。
图5示出了本发明一些实施例的外部目标物品关键词生成方法的流程示意图。
图6A为根据本发明一些实施例的目标物品标题生成方法的流程示意图。
图6B示出具有物品标题的页面示意图。
图7示出根据本发明另一些实施例的目标物品标题生成方法的流程示意图。
图8示出根据本发明一些实施例的搜索方法的流程示意图。
图9示出本发明一些实施例的目标物品关键词生成装置的结构示意图。
图10示出根据本发明一些实施例的数据处理装置的结构示意图。
图11示出根据本发明另一些实施例的数据处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本发明一些实施例的目标物品关键词生成方法的流程示意图。如图1所示，该实施例的目标物品关键词生成方法包括步骤S102～S110。
在步骤S102中，根据目标物品的评论文本中的评论词，确定评论文本的特征向量。
目标物品可以是电商网站中的商品、或者是物品分享类网站中的物品。评论文本可以是目标物品购买者的购物评价，或者是在目标物品的图文介绍、视频介绍页中的留言评论等等。评论词可以是对评价文本进行数据清洗、去除停用词、分词等处理后获得的具有实际意义的词语。
在一些实施例中，评论词可以是属性词。例如，可以将待处理的文本输入到词性标注模型中，以获得风格属性、样式属性、材质属性、人群属性等属性词作为评论词。
在一些实施例中，可以先确定评论词的特征值、再进一步确定评论文本的特征向量。评论词的特征值可以通过词频、逆文档频率等统计信息来确定。
在步骤S104中，将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果。
可用的评论文本是指与目标物品的特性相关的文本。由于目前对用户评论的内容的限制较小，用户可能会写下字数非常少的评论(例如“很好”“不错”)、或者完全不相关的评论(例如“这是一个复制粘贴的评论模板”“今天天气不错”)。通过步骤S104，可以仅保留对商品起到描述作用的评论文本。
在步骤S106中，将可用的评论文本中的评论词添加到候选集中。
在步骤S108中，根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的。
在确定目标物品的关键词时，除了评论数据以外，还参考了搜索数据或外部描述数据。
在一些实施例中，搜索数据中的每个搜索数据项包括搜索词和用户选择的搜索结果、即用户在搜索结果列表中所选择的某个物品对应的条目，从而可以将搜索词和物品进行关联。用户在搜索时，使用的搜索词是最能代表物品在其心目中的描述的词语。搜索数据和评论数据虽然可能来自相同的网站，但是二者是从不同的角度来描述物品的。
在一些实施例中，外部数据例如可以为维基百科、百度百科等具有权威性的描述数据，但是与评论数据和搜索数据分属于不同的网站、即不同的数据源。外部数据可以包括一个或多个描述文本。
在步骤S110中，根据候选集中的词语确定目标物品的关键词。
在一些实施例中，可以将候选集中的全部词语作为目标物品的关键词，还可以对候选集中的词语进行进一步的排序。例如，每个词语在添加到候选集中时，可以标注每个词语的权重，以根据权重选择关键词。权重例如可以是在进行之前的数据处理过程时的词语特征值，表示该词语在目标物品所属类别中的重要程度。
通过上述实施例的方法，可以根据多个维度的数据中提取出物品的关键词，使得提取的关键词更能够反映目标物品的特色。从而，在根据确定的关键词进行搜索、推荐等数据处理过程时，能够提高数据处理效率、节约计算资源。
下面参考图2和图3示例性地描述对评论数据进行处理的实施例。
图2示出根据本发明一些实施例的评论目标物品关键词生成方法的流程示意图。如图2所示，该实施例的评论目标物品关键词生成方法包括步骤S202～S210。
在步骤S202中，根据目标物品所属的类别对应的评论文本，确定目标物品的评论文本中每个评论词的统计信息、作为每个评论词的特征值。
在一些实施例中，统计信息为TF-IDF(Term Frequency–Inverse DocumentFrequency，词频-逆文档频率)信息。
对于每个评论词，例如可以采用以下方法确定TF-IDF值：确定评论词在评论文本中的出现频率、作为评论词的词频TF值；确定目标物品所属类别的所有评论文本数与目标物品所属类别的所有评论文本中、包括评论词的评论文本数的商，并对计算得到的商取以10为底的对数，获得评论词的逆文本频率指数IDF值；将评论词的TF值与IDF值的乘积确定为评论词的统计信息。
在步骤S204中，根据统计信息，选取预设数量个评论词。例如，预设数量为N，可以选取特征值最大的N个评论词。
如果某个评论文本中的评论词的数量小于该预设数量，则可以认为该评论文本的信息量过小，可以将其丢弃。
在步骤S206中，将选取的评论词的特征值作为向量中的各个元素以构建评论文本的特征向量。
在步骤S208中，将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果。
在步骤S210中，将可用的评论文本中的评论词添加到候选集中。
可以将可用的评论文本中的全部评论词添加到候选集中。此外，还可以对可用的评论文本中的评论词进行进一步筛选。
在一些实施例中，根据可用的评论文本，确定可用的评论文本中每个评论词的更新的统计信息；将根据更新的统计信息选取的预设数量个评论词添加到候选集中。例如，可以确定评论词在可用的评论文本中的出现频率、作为该评论词的更新的TF值；确定可用的评论文本数与可用的评论文本中、包括该评论词的评论文本数的商，并对商取以10为底的对数，获得该评论词的更新的IDF值；将评论词的更新的TF值与更新的IDF值的乘积确定为该评论词的更新的统计信息。
通过上述实施例的方法，可以将评论文本转换为定量的数据指标，以根据同一类别的评论文本确定该类物品中具有特色的词语。从而，可以使得提取的评论词能够考虑用户维度的个性化特征。
图3示出根据本发明一些实施例的评论文本分类方法的流程示意图。如图3所示，该实施例的评论文本分类方法包括步骤S302～S304。
在步骤S302中，将每个评论文本的特征向量作为自变量输入到预先训练的线性回归模型中，获得输出的线性回归模型的因变量。
在步骤S304中，在输出的因变量大于预设值的情况下，将相应的评论文本确定为可用的评论文本。
例如，预先训练的逻辑回归模型包括公式(1)。
y＝wTx+b＝b1x1+b2x2+…+bNxN+b (1)
其中，评论文本的特征向量为[x1,x2,…,xN]T，b1、b2、…、bN、b为模型的参数。在得到y的值之后，可以将其映射到如公式(2)所示的sigmoid函数上，以获得分类结果output。
output＝1/(1+e-y) (2)
可以采用预先标记了是否可用的评论文本来训练分类模型。下面示例性地描述模型训练方法的实施例。
首先，采集用户商品评价信息。对用户商品评价信息将进行中文文本处理。然后，可以对这些文本进行分词、去除停用词等处理，然后得到转换后的训练数据集，如公式(3)所示。
其中，M为训练数据集中特征向量的数量，vi＝[wi1,wi2,…,wiN]表示第i个特征向量(1≤i≤N)。然后，可以对这些训练数据进行标记，得到公式(4)。
Figure BDA0002262470460000102
其中，labeli表示第i个特征向量的标记值，例如可以采用1表示可用、采用0表示不可用。
下面参考图4示例性地描述对搜索数据进行处理的实施例。
图4示出了本发明一些实施例的搜索目标物品关键词生成方法的流程示意图。如图4所示，该实施例的搜索目标物品关键词生成方法包括步骤S402～S406。
在步骤S402中，对于每个类别，获取类别的搜索数据，其中，搜索数据中的每个搜索数据项包括搜索词和用户选择的搜索结果。
在步骤S404中，对于类别对应的每个搜索词，将类别中包括搜索词的搜索数据项的数量与类别的搜索数据项的总数的比值确定为类别中搜索词的特征值。
在步骤S406中，根据类别中每个搜索词的特征值，确定类别对应的关键词。
例如，从手机品类的搜索日志中获得10000条日志，其中，搜索词包含手机颜色的有1000条、包含手机内存的有5000条、包含手机品牌的有2000条。从而，颜色的特征值为1000/10000＝0.1，同理可以获得内存的特征值为0.5，手机品牌的特征值为0.2。从以上结果可以看出手机内存评分比较高，说明用户对手机内存这个属性比较关注，因此手机内存作为亮点属性的潜在可能较大。从而可以将内存对应的词语确定为手机类别对应的关键词。
搜索数据直观地反映了用户对于物品的主要需求或者主要印象。通过上述实施例的方法，可以从搜索数据的维度提取关键词，使得提取的关键词更能够反映目标物品的特色。从而，在根据确定的关键词进行搜索、推荐等数据处理过程时，能够提高数据处理效率、节约计算资源。
下面参考图5示例性地描述对外部数据进行处理的实施例。
图5示出了本发明一些实施例的外部目标物品关键词生成方法的流程示意图。如图5所示，该实施例的外部目标物品关键词生成方法包括步骤S502～S508。
在步骤S502中，采用已标记了分类结果的训练数据训练朴素贝叶斯分类模型。
在一些实施例中，训练数据为libsvm格式，训练数据中的每条文本对应的训练数据包括表示分类结果的标记值、特征编号、特征编号对应的特征值。libsvm格式为“labelindex1:value1index2:value2…”，其中，label表示标记值，index表示特征编号，value表示特征值。例如，一条示例性的文本对应的训练数据为[1 1:0.72 2:1 3:1 4:-0.32 5:0]，表示分类标记为第1类，特征值包括0.72、1、1、-0.32、0。在一些实施例中，还可以对特征值为0的项进行过滤，例如将上述示例简化为[1 1:0.72 2:1 3:1 4:-0.32]。从而，可以节约向量空间，降低jvm内存不足的可能性，提高了计算效率。
在步骤S504中，采用完成训练的贝叶斯分类模型对待测的外部数据中的描述文本进行分类，其中，所述外部数据包括多个描述文本。
在步骤S506中，确定每个类别的描述文本中的描述词在本类别中的统计信息，作为所述描述词的特征值。
在步骤S508中，对于每个类别，根据所述类别中每个描述词的特征值，确定所述类别对应的关键词。
外部数据对物品或物品类别的描述更加权威、客观。通过上述实施例的方法，可以从外部数据的维度提取关键词，使得提取的关键词能够客观地对物品进行描述。从而，根据确定的关键词进行搜索、推荐等数据处理过程时，能够提高数据处理效率、节约计算资源。
在确定了目标物品的关键词以后，可以根据目标物品的关键词生成目标物品的标题。下面参考图6A描述本发明目标物品标题生成方法的实施例。
图6A示出了根据本发明一些实施例的目标物品标题生成方法的流程示意图。如图6A所示，该实施例的目标物品标题生成方法包括步骤S602～S604。
在步骤S602中，确定目标物品的关键词。具体的确定方法可以参考前述实施例，这里不再赘述。
在步骤S604中，根据目标物品的关键词生成所述目标物品的标题。
例如，A品牌的某款吸尘器在电商网站的原标题为“A牌吸尘器除螨无线100AW大吸力自带4种刷头”。在确定了这款吸尘器的关键词是“手持”、“家用立式”以后，生成的新标题可以为“A牌手持吸尘器家用立式吸尘器除螨无线100AW大吸力自带4种刷头”，如图6B所示。从而，用户在浏览和搜索物品时，标题中的关键词信息可以快速为用户定位到相应的物品条目。
在一些实施例中，关键词位于生成的标题中的预设位置，例如位于标题的前半部分。从而，用户在浏览时可以首先看到关键词，有助于用户快速了解物品的关键信息。
通过上述实施例的方法，可以在生成物品标题时添加其关键词，从而可以使得生成的标题更能够体现目标物品的特色，并且便于物品的搜索、推荐。
目前，越来越多的用户使用移动终端浏览信息。由于移动终端屏幕尺寸的限制，屏幕一次性显示的内容较少。在一些实施例中，当检测到需要在移动终端显示标题时，可以将标题切换为关键词优先显示的模式。下面参考图7描述本发明目标物品标题生成方法的实施例。
图7示出了根据本发明另一些实施例的目标物品标题生成方法的流程示意图。如图7所示，该实施例的目标物品标题生成方法包括步骤S702～S708。
在步骤S702中，获取针对目标物体的标题获取请求。该请求例如可以是超文本传输协议(HyperText Transfer Protocol，简称：HTTP)请求。
在步骤S704中，判断标题获取请求是否来自移动终端上的客户端。例如，可以通过获取的请求中的标识来确定请求的来源。
在步骤S706中，在标题获取请求来自移动终端上的客户端的情况下，根据目标物品的关键词生成所述目标物品的标题，其中，关键词位于生成的标题中的前半部分。
在步骤S708中，将生成的标题返回给客户端。
通过上述实施例的方法，可以在生成移动端的标题的情况下，将关键词添加在标题中、并优先显示，从而可以在显示标题时突出物品的特点，以便于用户获取关键信息。
在一些实施例中，还可以通过关键词信息来筛选相同的物品，以对物品条目进行进一步的数据分析，以获取同品的显著特征，便于进行搜索和推荐。下面参考图8描述本发明搜索方法的实施例。
图8示出根据本发明一些实施例的搜索方法的流程示意图。如图8所示，该实施例的搜索方法包括步骤S802～S806。
在步骤S802中，确定目标物品的关键词。
在步骤S804中，响应于获取搜索请求，获得初步搜索结果。
在步骤S806中，将所述初步搜索结果中具有相同关键词的目标物品保留一个、并筛除未被保留的目标物品，获得筛选后的搜索结果。
例如，初步搜索结果中有三个条目的关键词均为“手持吸尘器”和“家用立式吸尘器”，则可以在最终的搜索结果中仅保留其中一个条目。
通过上述实施例的方法，可以过滤搜索结果中的相同物品，提高了召回的准确率。
下面参考图9描述本发明目标物品关键词生成装置的实施例。
图9示出本发明一些实施例的目标物品关键词生成装置的结构示意图。如图9所示，该实施例的目标物品关键词生成装置90包括：特征向量确定模块910，被配置为根据目标物品的评论文本中的评论词，确定评论文本的特征向量；评论分类模块920，被配置为将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；候选集添加模块930，被配置为将可用的评论文本中的评论词添加到候选集中，以及，根据预先确定的类别与描述词之间的对应关系，将获取的目标物品所属的类别对应的关键词添加到候选集中，其中，对应关系是根据搜索数据、外部描述数据的至少一种确定的；关键词确定模块940，被配置为根据候选集中的词语确定目标物品的关键词。
在一些实施例中，特征向量确定模块910进一步被配置为根据目标物品所属的类别对应的评论文本，确定目标物品的评论文本中每个评论词的统计信息、作为每个评论词的特征值；根据统计信息，选取预设数量个评论词；采用选取的评论词的统计信息，构建评论文本的特征向量。
在一些实施例中，特征向量确定模块910进一步被配置为确定评论词在评论文本中的出现频率、作为评论词的词频TF值；确定目标物品所属类别的所有评论文本数与目标物品所属类别的所有评论文本中、包括评论词的评论文本数的商，并对商取以10为底的对数，获得评论词的逆文本频率指数IDF值；将评论词的TF值与IDF值的乘积确定为评论词的统计信息。
在一些实施例中，评论文本分类模型为逻辑回归模型；评论分类模块920进一步被配置为将每个评论文本的特征向量作为自变量输入到预先训练的逻辑回归模型中，获得输出的线性回归模型的因变量；在输出的因变量大于预设值的情况下，将相应的评论文本确定为可用的评论文本。
在一些实施例中，候选集添加模块930进一步被配置为根据可用的评论文本，确定可用的评论文本中每个评论词的更新的统计信息；将根据更新的统计信息选取的预设数量个评论词添加到候选集中。
在一些实施例中，目标物品关键词生成装置90还包括：搜索目标物品关键词生成模块950，被配置为对于每个类别，获取类别的搜索数据，其中，搜索数据中的每个搜索数据项包括搜索词和用户选择的搜索结果；对于类别对应的每个搜索词，将类别中包括搜索词的搜索数据项的数量与类别的搜索数据项的总数的比值确定为类别中搜索词的特征值；根据类别中每个搜索词的特征值，确定类别对应的关键词。
在一些实施例中，目标物品关键词生成装置90还包括：外部目标物品关键词生成模块990，被配置为采用已标记了分类结果的训练数据训练朴素贝叶斯分类模型；采用完成训练的贝叶斯分类模型对待测的外部数据中的描述文本进行分类，其中，所述外部数据包括多个描述文本；确定每个类别的描述文本中的描述词在本类别中的统计信息，作为所述描述词的特征值；对于每个类别，根据所述类别中每个描述词的特征值，确定所述类别对应的关键词。
在一些实施例中，训练数据为libsvm格式，训练数据中的每条文本对应的训练数据包括表示分类结果的标记值、特征编号、特征编号对应的特征值。
在一些实施例中，候选集包括第一候选子集、第二候选子集和第三候选子集，第一候选子集中的词语为评论词，第二候选子集中的词语为根据搜索数据确定的关键词，第三候选子集中的词语为根据外部描述数据确定的关键词；并且，候选集中的每个词语具有特征值；关键词确定模块940进一步被配置为根据第一候选子集、第二候选子集和第三候选子集分别对应的权重以及词语的特征值，计算候选集中每个词语加权后的特征值；将候选集中加权后的特征值最高的预设数量个词语确定为目标物品的关键词。
在一些实施例中，目标物品关键词生成装置90还包括：标题生成模块970，被配置为根据目标物品的关键词生成目标物品的标题。
图10示出根据本发明一些实施例的数据处理装置的结构示意图。如图10所示，该实施例的数据处理装置100包括：存储器1010以及耦接至该存储器1010的处理器1020，处理器1020被配置为基于存储在存储器1010中的指令，执行前述任意一个实施例中的目标物品关键词生成方法、目标物品标题生成方法或者搜索方法。
其中，存储器1010例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图11示出根据本发明另一些实施例的数据处理装置的结构示意图。如图11所示，该实施例的数据处理装置110包括：存储器1110以及处理器1120，还可以包括输入输出接口1130、网络接口1140、存储接口1150等。这些接口1130，1140，1150以及存储器1110和处理器1120之间例如可以通过总线1160连接。其中，输入输出接口1130为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口1140为各种联网设备提供连接接口。存储接口1150为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供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，该程序被处理器执行时实现前述任意一种目标物品关键词生成方法、目标物品标题生成方法或者搜索方法。
本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种目标物品关键词生成方法，包括：
根据目标物品的评论文本中的评论词，确定评论文本的特征向量；
将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；
将可用的评论文本中的评论词添加到候选集中；
根据预先确定的类别与描述词之间的对应关系，将获取的所述目标物品所属的类别对应的关键词添加到所述候选集中，其中，所述对应关系是根据搜索数据、外部描述数据的至少一种确定的；
根据所述候选集中的词语确定所述目标物品的关键词。
2.根据权利要求1所述的目标物品关键词生成方法，其中，所述根据目标物品的评论文本中的评论词，确定评论文本的特征向量包括：
根据所述目标物品所属的类别对应的评论文本，确定所述目标物品的评论文本中每个评论词的统计信息、作为每个评论词的特征值；
根据统计信息，选取预设数量个评论词；
采用选取的评论词的统计信息，构建评论文本的特征向量。
3.根据权利要求2所述的目标物品关键词生成方法，其中，对于每个评论词，所述确定评论文本中每个评论词的统计信息包括：
确定所述评论词在所述评论文本中的出现频率、作为所述评论词的词频TF值；
确定所述目标物品所属类别的所有评论文本数与所述目标物品所属类别的所有评论文本中、包括所述评论词的评论文本数的商，并对所述商取以10为底的对数，获得所述评论词的逆文本频率指数IDF值；
将所述评论词的TF值与IDF值的乘积确定为所述评论词的统计信息。
4.根据权利要求1所述的目标物品关键词生成方法，其中，所述评论文本分类模型为逻辑回归模型；
所述将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果包括：
将每个评论文本的特征向量作为自变量输入到预先训练的逻辑回归模型中，获得输出的所述线性回归模型的因变量；
在输出的因变量大于预设值的情况下，将相应的评论文本确定为可用的评论文本。
5.根据权利要求1所述的目标物品关键词生成方法，其中，所述将可用的评论文本中的评论词添加到候选集中包括：
根据可用的评论文本，确定所述可用的评论文本中每个评论词的更新的统计信息；
将根据所述更新的统计信息选取的预设数量个评论词添加到候选集中。
6.根据权利要求1～5中任一项所述的目标物品关键词生成方法，还包括：
对于每个类别，获取所述类别的搜索数据，其中，搜索数据中的每个搜索数据项包括搜索词和用户选择的搜索结果；
对于所述类别对应的每个搜索词，将所述类别中包括所述搜索词的搜索数据项的数量与所述类别的搜索数据项的总数的比值确定为所述类别中所述搜索词的特征值；
根据所述类别中每个搜索词的特征值，确定所述类别对应的关键词。
7.根据权利要求1～5中任一项所述的目标物品关键词生成方法，还包括：
采用已标记了分类结果的训练数据训练朴素贝叶斯分类模型；
采用完成训练的贝叶斯分类模型对待测的外部数据中的描述文本进行分类，其中，所述外部数据包括多个描述文本；
确定每个类别的描述文本中的描述词在本类别中的统计信息，作为所述描述词的特征值；
对于每个类别，根据所述类别中每个描述词的特征值，确定所述类别对应的关键词。
8.根据权利要求7所述的目标物品关键词生成方法，其中，训练数据为libsvm格式，训练数据中的每条文本对应的训练数据包括表示分类结果的标记值、特征编号、特征编号对应的特征值。
9.根据权利要求1～5中任一项所述的目标物品关键词生成方法，其中，所述候选集包括第一候选子集、第二候选子集和第三候选子集，第一候选子集中的词语为评论词，第二候选子集中的词语为根据搜索数据确定的关键词，第三候选子集中的词语为根据外部描述数据确定的关键词；并且，候选集中的每个词语具有特征值；
所述根据所述候选集中的词语确定所述目标物品的关键词包括：
根据第一候选子集、第二候选子集和第三候选子集分别对应的权重以及词语的特征值，计算候选集中每个词语加权后的特征值；
将候选集中加权后的特征值最高的预设数量个词语确定为所述目标物品的关键词。
10.一种目标物品标题生成方法，包括：
根据目标物品的评论文本中的评论词，确定评论文本的特征向量；
将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；
将可用的评论文本中的评论词添加到候选集中；
根据预先确定的类别与描述词之间的对应关系，将获取的所述目标物品所属的类别对应的关键词添加到所述候选集中，其中，所述对应关系是根据搜索数据、外部描述数据的至少一种确定的；
根据所述候选集中的词语确定所述目标物品的关键词；
根据所述目标物品的关键词生成所述目标物品的标题。
11.根据权利要求10所述的目标物品标题生成方法，其中，所述关键词位于生成的标题中的前半部分。
12.根据权利要求10所述的目标物品标题生成方法，还包括：
获取针对目标物体的标题获取请求；
判断所述标题获取请求是否来自移动终端上的客户端，以便在所述标题获取请求来自移动终端上的客户端的情况下，根据所述目标物品的关键词生成所述目标物品的标题，其中，所述关键词位于生成的标题中的前半部分；
将生成的标题返回给所述客户端。
13.一种搜索方法，包括：
根据目标物品的评论文本中的评论词，确定评论文本的特征向量；
将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；
将可用的评论文本中的评论词添加到候选集中；
根据预先确定的类别与描述词之间的对应关系，将获取的所述目标物品所属的类别对应的关键词添加到所述候选集中，其中，所述对应关系是根据搜索数据、外部描述数据的至少一种确定的；
根据所述候选集中的词语确定所述目标物品的关键词；
响应于获取搜索请求，获得初步搜索结果；
将所述初步搜索结果中具有相同关键词的目标物品保留一个、并筛除未被保留的目标物品，获得筛选后的搜索结果。
14.一种目标物品关键词生成装置，包括：
特征向量确定模块，被配置为根据目标物品的评论文本中的评论词，确定评论文本的特征向量；
评论分类模块，被配置为将每个评论文本的特征向量输入到预先训练的评论文本分类模型，获得对评论文本是否可用的分类结果；
候选集添加模块，被配置为将可用的评论文本中的评论词添加到候选集中；以及，根据预先确定的类别与描述词之间的对应关系，将获取的所述目标物品所属的类别对应的关键词添加到所述候选集中，其中，所述对应关系是根据搜索数据、外部描述数据的至少一种确定的；
关键词确定模块，被配置为根据所述候选集中的词语确定所述目标物品的关键词。
15.一种数据处理装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1～9中任一项所述的目标物品关键词生成方法、权利要求10～12中任一项所述的目标物品标题生成方法或者权利要求13所述的搜索方法。
16.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1～9中任一项所述的目标物品关键词生成方法、权利要求10～12中任一项所述的目标物品标题生成方法或者权利要求13所述的搜索方法。
CN201911076047.5A 2019-11-06 2019-11-06 目标物品关键词和标题生成方法、搜索方法以及相关设备 Pending CN110781307A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911076047.5A CN110781307A (zh) 2019-11-06 2019-11-06 目标物品关键词和标题生成方法、搜索方法以及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911076047.5A CN110781307A (zh) 2019-11-06 2019-11-06 目标物品关键词和标题生成方法、搜索方法以及相关设备

Publications (1)

Publication Number Publication Date
CN110781307A true CN110781307A (zh) 2020-02-11

Family

ID=69389580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911076047.5A Pending CN110781307A (zh) 2019-11-06 2019-11-06 目标物品关键词和标题生成方法、搜索方法以及相关设备

Country Status (1)

Country Link
CN (1) CN110781307A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563371A (zh) * 2020-05-08 2020-08-21 海信电子科技(武汉)有限公司 一种文本生成的方法及设备
CN111831821A (zh) * 2020-06-03 2020-10-27 北京百度网讯科技有限公司 文本分类模型的训练样本生成方法、装置和电子设备
CN112069311A (zh) * 2020-08-04 2020-12-11 北京声智科技有限公司 一种文本提取方法、装置、设备及介质
CN112100385A (zh) * 2020-11-11 2020-12-18 震坤行网络技术(南京)有限公司 单标签文本分类方法、计算设备和计算机可读存储介质
CN113379481A (zh) * 2021-05-25 2021-09-10 北京大米科技有限公司 一种数据处理方法及装置
CN113761173A (zh) * 2020-07-20 2021-12-07 北京京东尚科信息技术有限公司 一种文本摘要生成方法和装置
CN113779186A (zh) * 2020-11-17 2021-12-10 北京沃东天骏信息技术有限公司 一种文本生成方法和装置
CN113792131A (zh) * 2021-09-23 2021-12-14 平安国际智慧城市科技股份有限公司 一种关键词的提取方法、装置、电子设备及存储介质
CN113836916A (zh) * 2021-09-28 2021-12-24 多点生活(成都)科技有限公司 物品品牌方的确定方法、装置及服务器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377232A (zh) * 2012-04-25 2013-10-30 阿里巴巴集团控股有限公司 标题关键词推荐方法及系统
CN106021234A (zh) * 2016-05-31 2016-10-12 徐子涵 标签提取方法及系统
CN106156204A (zh) * 2015-04-23 2016-11-23 深圳市腾讯计算机系统有限公司 文本标签的提取方法和装置
CN107818487A (zh) * 2016-09-12 2018-03-20 阿里巴巴集团控股有限公司 一种产品信息处理方法、装置、设备及客户端
CN108090048A (zh) * 2018-01-12 2018-05-29 安徽大学 一种基于多元数据分析的高校评价系统
CN109388715A (zh) * 2018-10-25 2019-02-26 北京小度信息科技有限公司 用户数据的分析方法及装置
CN110147425A (zh) * 2019-05-22 2019-08-20 华泰期货有限公司 一种关键词提取方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103377232A (zh) * 2012-04-25 2013-10-30 阿里巴巴集团控股有限公司 标题关键词推荐方法及系统
CN106156204A (zh) * 2015-04-23 2016-11-23 深圳市腾讯计算机系统有限公司 文本标签的提取方法和装置
CN106021234A (zh) * 2016-05-31 2016-10-12 徐子涵 标签提取方法及系统
CN107818487A (zh) * 2016-09-12 2018-03-20 阿里巴巴集团控股有限公司 一种产品信息处理方法、装置、设备及客户端
CN108090048A (zh) * 2018-01-12 2018-05-29 安徽大学 一种基于多元数据分析的高校评价系统
CN109388715A (zh) * 2018-10-25 2019-02-26 北京小度信息科技有限公司 用户数据的分析方法及装置
CN110147425A (zh) * 2019-05-22 2019-08-20 华泰期货有限公司 一种关键词提取方法、装置、计算机设备及存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563371B (zh) * 2020-05-08 2023-08-11 海信电子科技(武汉)有限公司 一种文本生成的方法及设备
CN111563371A (zh) * 2020-05-08 2020-08-21 海信电子科技(武汉)有限公司 一种文本生成的方法及设备
CN111831821A (zh) * 2020-06-03 2020-10-27 北京百度网讯科技有限公司 文本分类模型的训练样本生成方法、装置和电子设备
CN111831821B (zh) * 2020-06-03 2024-01-09 北京百度网讯科技有限公司 文本分类模型的训练样本生成方法、装置和电子设备
CN113761173A (zh) * 2020-07-20 2021-12-07 北京京东尚科信息技术有限公司 一种文本摘要生成方法和装置
CN112069311A (zh) * 2020-08-04 2020-12-11 北京声智科技有限公司 一种文本提取方法、装置、设备及介质
CN112069311B (zh) * 2020-08-04 2024-06-11 北京声智科技有限公司 一种文本提取方法、装置、设备及介质
CN112100385A (zh) * 2020-11-11 2020-12-18 震坤行网络技术(南京)有限公司 单标签文本分类方法、计算设备和计算机可读存储介质
CN113779186A (zh) * 2020-11-17 2021-12-10 北京沃东天骏信息技术有限公司 一种文本生成方法和装置
CN113379481A (zh) * 2021-05-25 2021-09-10 北京大米科技有限公司 一种数据处理方法及装置
CN113792131A (zh) * 2021-09-23 2021-12-14 平安国际智慧城市科技股份有限公司 一种关键词的提取方法、装置、电子设备及存储介质
CN113792131B (zh) * 2021-09-23 2024-02-09 深圳平安智慧医健科技有限公司 一种关键词的提取方法、装置、电子设备及存储介质
CN113836916B (zh) * 2021-09-28 2023-06-20 多点生活(成都)科技有限公司 物品品牌方的确定方法、装置及服务器
CN113836916A (zh) * 2021-09-28 2021-12-24 多点生活(成都)科技有限公司 物品品牌方的确定方法、装置及服务器

Similar Documents

Publication Publication Date Title
CN110781307A (zh) 目标物品关键词和标题生成方法、搜索方法以及相关设备
CN112084268B (zh) 一种搜索结果展示的方法、装置及计算机存储介质
CN107423355B (zh) 信息推荐方法及装置、电子设备
CN103970761B (zh) 一种商品数据搜索方法及装置
CN109634698B (zh) 菜单显示方法、装置、计算机设备及存储介质
WO2018014759A1 (zh) 一种聚类数据表的展现方法、装置和系统
CN108960945A (zh) 商品推荐方法和装置
CN110929021B (zh) 文本信息生成方法和文本信息生成装置
CN107562939B (zh) 垂直领域新闻推荐方法、装置及可读储存介质
JP2015526831A (ja) 製品識別子のラベル付けおよび製品のナビゲーション
CN107911448B (zh) 一种内容推送方法及装置
US12050657B2 (en) Retrieval of content using link-based search
JPWO2012118087A1 (ja) レコメンダシステム、レコメンド方法、及びプログラム
WO2018035164A1 (en) Description information generation and presentation systems, methods, and devices
CN111310046A (zh) 对象推荐方法及装置
US20120046937A1 (en) Semantic classification of variable data campaign information
CN114579896A (zh) 推荐标签的生成方法、展示方法、相应的装置和电子设备
CN117216396A (zh) 基于大数据分析的智能推荐方法、装置、设备及存储介质
CN114820123A (zh) 团购商品推荐方法、装置、设备及存储介质
CN111767459A (zh) 物品推荐的方法和装置
CN118193806A (zh) 一种目标检索方法、装置、电子设备及存储介质
CN111292153A (zh) 信息推荐方法、装置、系统和存储介质
CN113222687A (zh) 一种基于深度学习的推荐方法及装置
CN110674388A (zh) 推送项目的配图方法、装置、存储介质和终端设备
CN106570003B (zh) 数据推送方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211

RJ01 Rejection of invention patent application after publication