CN111400618A - 一种数据搜索方法以及装置 - Google Patents
一种数据搜索方法以及装置 Download PDFInfo
- Publication number
- CN111400618A CN111400618A CN202010093020.3A CN202010093020A CN111400618A CN 111400618 A CN111400618 A CN 111400618A CN 202010093020 A CN202010093020 A CN 202010093020A CN 111400618 A CN111400618 A CN 111400618A
- Authority
- CN
- China
- Prior art keywords
- target
- search object
- candidate search
- index data
- distribution density
- 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.)
- Granted
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种数据搜索方法以及装置,该方法基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。通过使用该方法,可避免现有的数据搜索过程中对于空间信息的运用主要集中于对空间距离的运用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种数据搜索方法。本申请同时涉及一种数据搜索装置、一种电子设备以及一种计算机可读取存储介质。
背景技术
在本地生活服务类网络应用中,搜索是用户进行信息查找的最大入口,是连接用户和信息的重要纽带。在提供搜索服务的过程中,由于搜索方式和搜索场景的多样性、搜索引擎的对接业务种类多、数据流量差异大、以及本地生活服务的内容持续优化等因素的影响,对搜索链路的要求较高。
本地生活业务背景下对应有多种业务特征,比如、服务场景、时间、空间等因素,这些业务特征可反映出用户心智和搜索意图,其体现了本地生活搜索场景和传统在线搜索场景的差异。由于用户在本地生活搜索中期望得到的不只是在线信息,还包括可触达的服务(到店消费、外卖配送)等,为了获取这些服务,用户需要付出空间成本或时间等待成本,因此,在本地生活服务类网络应用的搜索场景中,如何量化表达用户对空间场景的偏好,并将该种空间偏好融入到搜索链路中,对于满足用户搜索意图具有重要意义。
现有的本地生活类网络应用服务的搜索场景中,对于空间信息的运用主要集中在基于空间距离的数据搜索,例如,基于用户与商家之间的空间距离,按照距离的远近为用户匹配商家,用户可参考距离远近,做出到店消费或外卖订购等决策。然而,除了距离因素,店铺的密集程度也可为用户提供更多的选择和服务维度,其也可作为用户对空间场景的重要偏好之一,但其并未应用于本地生活服务类网络应用的数据搜索过程中,使得现有的数据搜索场景未能充分融合用户对空间场景的偏好,搜索过程存在局限性,影响搜索结果的精准度。
发明内容
本申请实施例提供一种数据搜索方法、装置、电子设备及计算机可读存储介质,以解决现有技术中的数据搜索场景未能充分融合用户对空间场景的偏好,搜索过程存在局限性,影响搜索结果的精准度的问题。
本申请实施例提供一种数据搜索方法,包括:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,包括:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:将所述第一备选搜索对象与所述第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,包括:采用DBSCAN聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与所述目标用户的距离远近程度,采用k均值聚类算法对所述备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
可选的,所述基于聚类结果获得对应不同距离等级的备选搜索对象集群,包括:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
可选的,所述获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,包括:获得远距离等级的备选搜索对象集群对应的远距离指标数据、中距离等级的备选搜索对象集群对应的中距离指标数据、以及近距离等级的备选搜索对象集群对应的近距离指标数据。
可选的,还包括:输出所述目标搜索对象。
可选的,所述输出所述目标搜索对象,包括:
根据所述目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得目标提示信息;输出所述目标搜索对象以及所述目标提示信息。
本申请另外的实施例还提供一种数据搜索方法,包括:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;
按照与所述目标用户的距离远近程度,对所述第一备选搜索对象集群中的备选搜索对象进行聚类处理,获得目标备选搜索对象,以及获得所述目标备选搜索对象对应的距离等级指标数据;
根据所述目标备选搜索对象对应的距离等级指标数据以及所述目标备选搜索对象对应的分布密度指标数据,从目标备选搜索对象中获得目标搜索对象。
本申请另外的实施例还提供一种数据搜索装置,包括:
搜索对象标识信息获得单元,用于获得目标用户输入的搜索对象标识信息;
第一备选搜索对象获得单元,用于获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
第二备选搜索对象获得单元,用于获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
目标搜索对象获得单元,用于根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
可选的,所述目标搜索对象获得单元包括:
第一备选搜索对象集群获得子单元,用于从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;目标方位信息获得子单元,用于获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;目标备选搜索对象获得子单元,用于从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;目标搜索对象子单元,用于根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,包括:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,分布密度指标数据的排序权重大于距离等级指标数据的排序权重。
可选的,所述目标搜索对象获得单元包括:
目标备选搜索对象确定子单元,用于将所述第一备选搜索对象与所述第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;
目标搜索对象确定子单元,用于根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,分布密度指标数据的排序权重大于距离等级指标数据的排序权重。
可选的,所述基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与所述目标用户的距离远近程度,采用k均值聚类算法对所述备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
可选的,所述基于聚类结果获得对应不同距离等级的备选搜索对象集群,包括:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
可选的,所述获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,包括:获得所述远距离等级的备选搜索对象集群对应的远距离指标数据、所述中距离等级的备选搜索对象集群对应的中距离指标数据、以及近距离等级的备选搜索对象集群对应的近距离指标数据。
可选的,还包括:目标搜索对象输出单元,用于输出所述目标搜索对象。
可选的,所述目标搜索对象输出单元包括:
目标提示信息获得子单元,用于根据所述目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得目标提示信息;
信息输出子单元,用于输出所述目标搜索对象以及所述目标提示信息。
本申请另外的实施例还提供一种电子设备,包括处理器和存储器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如下操作:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
本申请另外的实施例还提供一种计算机可读存储介质,其上存储有一条或多条计算机指令,该指令被处理器执行以实现如下操作:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
与现有技术相比,本申请实施例具有以下优点:
本申请实施例提供的数据搜索方法,基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。该方法在数据搜索中综合应用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索场景充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中对于空间信息的运用主要集中于对空间距离的运用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
附图说明
图1是本申请第一实施例提供的数据搜索方法流程图;
图1-A是本申请第一实施例提供的场景示意图;
图2是本申请第二实施例提供的数据检索方法流程图;
图3是本申请第三实施例提供的数据搜索装置的单元框图;
图4是本申请第四实施例提供的电子设备的逻辑结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
针对本地生活服务类网络应用的数据搜索场景,为了在数据搜索过程中充分融合用户对空间场景的偏好,提高搜索结果的精准度,本申请提供了一种数据搜索方法、与该方法相对应的数据搜索装置、电子设备以及计算机可读存储介质,本申请还另外提供一种数据搜索方法。以下提供实施例对所述方法、装置、电子设备以及计算机可读存储介质进行详细说明。
本申请第一实施例提供一种数据搜索方法,该方法的应用主体可以为本地生活服务场景中用于进行数据搜索的计算设备应用,该计算设备应用可运行于用户终端,也可运行于网络平台的服务器或服务器集群中。图1为本申请第一实施例提供的数据搜索方法流程图,以下结合图1对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图1所示,本实施例提供的数据搜索方法包括如下步骤:
S101,获得目标用户输入的搜索对象标识信息。
本步骤用于获得目标用户输入的搜索对象标识信息,例如,当提供搜索服务的主体为服务器时,获得搜索对象标识信息的方式可以为:在目标用户通过本地生活服务类网络应用APP数据搜索接口输入搜索对象标识信息之后,接收运行有该APP的用户终端所发送的搜索对象标识信息。
搜索对象标识信息用于标识用户的搜索对象,其可以为用户在数据搜索过程中所输入的查询词(query),在本地生活服务类网络应用的搜索业务场景中,该查询词可以为商家的服务类目信息、商品类目信息、品牌信息等信息中的一种或多种。
S102,获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据。
本步骤用于获得第一备选搜索对象,在本实施例中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群,例如图1-A中所示的第一备选搜索对象集群和第二备选搜索对象集群。分布密度指标数据可以为衡量该备选搜索对象集群中的备选搜索对象的密集等级的归一化指标数据,例如,分布密度指标数据为用于标识高密度聚集的备选搜索对象集群、中密度聚集的备选搜索对象集群、低密度聚集的备选搜索对象集群的量化等级指标。
上述与所述搜索对象标识信息相匹配的备选搜索对象,可以是指与上述搜索对象标识信息相匹配、且与目标用户之间的距离处于预定距离范围内的多个搜索对象,例如,搜索对象标识信息为“咖啡店”,与其匹配的备选搜索对象可以为物料数据库中的与目标用户的距离处于1公里范围内的所有咖啡店。
上述基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,其可以离线实现,也可以在线实现,在线实现与离线实现所遵循的原理一致,均为基于分布密集程度对备选搜索对象进行聚类处理,所不同的是:离线实现的过程为预先针对多个区域的多种类别的搜索对象,按其分布密集程度进行聚类处理,获得多种类别的搜索对象所对应的多个搜索对象集群,在实际使用时,仅需将本实施例中的上述备选搜索对象与预先聚类的多个搜索对象集群进行匹配,获得与备选搜索对象相匹配的备选搜索对象集群。在线实现的方式具体可以是指:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,例如,获得与目标用户之间的距离处于预定距离范围内的高密度聚集的咖啡店集群、中密度聚集的咖啡店集群、以及低密度聚集的咖啡店集群。
在本实施例中,上述采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,可以是指:采用DBSCAN聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。DBSCAN聚类算法(Density-Based SpatialClustering of Applications with Noise)是一种基于密度的聚类方法,该聚类方法将聚类簇定义为密度相连的点的最大集合,其可以找到样本点(备选搜索对象)的全部密集区域,并将该密集区域作为簇,无需预先指定簇的个数,可在包含噪声的空间中针对以任意形状进行分布的备选搜索对象实现聚类。上述获得的至少一个备选搜索对象集群即为聚类后的密集区域(簇)。
S103,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据。
本步骤用于获得第二备选搜索对象,在本实施例中,第二备选搜索对象为基于与目标用户之间的距离的远近程度,针对与上述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群。距离等级指标数据可以是指衡量备选搜索对象集群中所包含的备选搜索对象与目标用户之间的距离的远近程度的归一化指标数据,其为用于标识上述备选搜索对象集群对应的不同距离等级的量化指标。例如图1-A中所示的第一距离范围内的备选搜索对象集群以及第一距离范围与第二距离范围之间的备选搜索对象集群。
在本实施例中,获得第二备选搜索对象的过程具体包括如下内容:
获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与目标用户之间的距离的远近程度,采用k均值聚类算法对备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,在该聚类算法中,针对给定的对象集合和聚类数目k进行划分聚类,在本实施例中,备选搜索对象与目标用户之间的距离数据的集合即为上述给定的对象集合,每一个备选搜索对象对应一个距离数据,对该距离数据的聚类过程即可视为对备选搜索对象的聚类过程,其实现步骤为:随机选取K个对象(备选搜索对象对应的距离数据)作为初始的种子聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离其最近的种子聚类中心,种子聚类中心以及为其分配的对象代表一个聚类,该聚类中每分配一个对象,其聚类中心则根据聚类中现有的对象被重新计算,该过程不断重复,直至满足聚类终止条件。
在本实施例中,对应不同距离等级的备选搜索对象集群即为经上述K值聚类过程最终获得的K个聚类,上述基于聚类结果获得对应不同距离等级的备选搜索对象集群,可以是指:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
上述获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据,可以是指:获得远距离等级的备选搜索对象集群对应的远距离指标数据、获得中距离等级的备选搜索对象集群对应的中距离指标数据、以及获得近距离等级的备选搜索对象集群对应的近距离指标数据。
S104,根据分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。
在上述步骤获得第一备选搜索对象、用于表示第一备选搜索对象的分布密集程度的分布密度指标数据、第二备选搜索对象、以及用于表示第二备选搜索对象与上目标用户之间的距离远近程度的距离等级指标数据之后,本步骤用于根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。在本实施例中,可通过如下两种方式实现该过程:
方式一:
首先,从上述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;该第一备选搜索对象集群可以为一个或多个,如果为一个,则表明该第一备选搜索对象集群对应的分布密度指标数据大于第一备选搜索对象中的其它备选搜索对象集群对应的分布密度指标数据,如图1-A中所示的第一备选搜索对象集群。
其次,获得上述第一备选搜索对象集群相对于目标用户的目标方位信息;例如图1-A中所示,以目标用户所处的位置为中心点,在环绕该中心点的360°环形区域中查找第一备选搜索对象集群所处的扇形区域,并将该扇形区域相对于目标用户的方位信息确定为目标方位信息。
然后,从第二备选搜索对象中获得与目标方位信息相匹配的目标备选搜索对象;即,将第二备选搜索对象中与上述目标方位信息相一致的备选搜索对象作为目标备选搜索对象,从而进一步缩小数据搜索的范围。
最后,根据目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。在本实施例中,对目标备选搜索对象进行排序的过程包括如下内容:
A、获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重,该排序权重指的是在对目标搜索对象进行排序过程中作为排序参考因素的各个排序指标所占的比重,其用于表示个排序指标在排序过程中的重要性程度,分布密度指标数据的排序权重指的是对目标搜索对象进行排序时、其对应的分布密度指标数据在排序过程中的重要性程度的量化表示,距离等级指标数据的排序权重指的是对目标搜索对象进行排序时、其对应的距离等级指标数据在排序过程中的重要性程度的量化表示。在本实施例中,分布密度指标数据的排序权重大于距离等级指标数据的排序权重,其原因在于,在本地生活服务类搜索场景中,用户对于商家的密集程度的敏感度高于用户与商家之间的距离的敏感度。
B、根据目标备选搜索对象对应的分布密度指标数据以及所述分布密度指标数据的排序权重,获得目标备选搜索对象对应的分布密度排序因子分值,并根据目标备选搜索对象对应的距离等级指标数据以及所述距离等级指标数据的排序权重,获得目标备选搜索对象对应的距离等级排序因子分值;例如,将目标备选搜索对象对应的分布密度指标数据与分布密度指标数据的排序权重相乘,将乘积作为目标备选搜索对象对应的分布密度排序因子分值;将目标备选搜索对象对应的距离等级指标数据与距离等级指标数据的排序权重相乘,将乘积作为目标备选搜索对象对应的距离等级排序因子分值。
C、根据目标备选搜索对象对应的分布密度排序因子分值和目标备选搜索对象对应的距离等级排序因子分值,获得目标备选搜索对象对应的目标排序因子分值,例如,对分布密度排序因子分值与距离等级排序因子分值进行加和,获得目标备选搜索对象对应的目标排序因子分值。
D、根据目标备选搜索对象对应的目标排序因子分值,对目标备选搜索对象进行排序。例如,按照目标备选搜索对象对应的目标排序因子分值从大到小的顺序,对目标备选搜索对象进行排序。
对应的,上述将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,具体可以是指:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
方式二:
首先,将第一备选搜索对象与第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象,即,获得第一备选搜索对象与第二备选搜索对象的交集。
其次,根据目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。对目标备选搜索对象进行排序的过程可以为:获得分布密度指标数据的排序权重,以及获得距离等级指标数据的排序权重,在本实施例中,分布密度指标数据的排序权重大于距离等级指标数据的排序权重;根据目标备选搜索对象对应的分布密度指标数据以及分布密度指标数据的排序权重,获得目标备选搜索对象对应的分布密度排序因子分值;根据目标备选搜索对象对应的距离等级指标数据以及距离等级指标数据的排序权重,获得目标备选搜索对象对应的距离等级排序因子分值,例如,对分布密度排序因子分值与距离等级排序因子分值进行加和,获得目标备选搜索对象对应的目标排序因子分值;根据目标备选搜索对象对应的分布密度排序因子分值和目标备选搜索对象对应的距离等级排序因子分值,获得目标备选搜索对象对应的目标排序因子分值;根据目标备选搜索对象对应的目标排序因子分值对目标备选搜索对象进行排序。将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,具体可以是指:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
在本实施例中,在上述获得目标搜索对象之后,还需输出该目标搜索对象。该过程具体可以是指:根据目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得与目标搜索对象相关的目标提示信息,其中,根据分布密度指标数据所获得的提示信息可以为目标搜索对象所处的高密度区域所对应的方位信息;输出目标搜索对象以及目标提示信息。例如,输出如下信息以供目标用户参考:“距离较近的咖啡店”“**方向的近距离咖啡店”。
本实施例提供的数据搜索方法,基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。该方法在数据搜索中结合使用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索过程充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中,对于空间信息的使用主要集中于对空间距离的使用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
本申请第二实施例提供一种数据搜索方法,该方法的应用主体可以为本地生活服务类网络应用平台中用于提供数据搜索服务的计算设备应用,图2为本申请第二实施例提供的数据搜索方法流程图,以下结合图2对本实施例提供的方法进行描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
该实施例与本申请第一实施例的实现方式较为相似,其区别点在于:在基于分布密集程度对备选搜索对象进行聚类处理后,先确定出分布密度指标数据较大的第一备选搜索对象集群,并按照与目标用户的距离远近程度,针对该第一备选搜索对象集群中的备选搜索对象进行聚类处理,获得目标备选搜索对象,并从该目标备选搜索对象中获得目标搜索对象。
如图2所示,本实施例提供的数据搜索方法包括如下步骤:
S201,获得目标用户输入的搜索对象标识信息。
S202,获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群。
S203,从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群,该第一备选搜索对象集群可以为一个或多个备选搜索对象集群。
S204,按照与所述目标用户的距离远近程度,对所述第一备选搜索对象集群中的备选搜索对象进行聚类处理,获得目标备选搜索对象,以及获得所述目标备选搜索对象对应的距离等级指标数据。
S205,根据所述目标备选搜索对象对应的距离等级指标数据以及所述目标备选搜索对象对应的分布密度指标数据,从所述目标备选搜索对象中获得目标搜索对象。
本申请实施例提供的数据搜索方法,基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;从该第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群,并基于与目标用户的距离远近程度,对所述第一备选搜索对象集群中的备选搜索对象进行聚类处理,获得目标备选搜索对象,以及获得目标备选搜索对象对应的距离等级指标数据;根据该目标备选搜索对象对应的距离等级指标数据以及该目标备选搜索对象对应的分布密度指标数据,从该目标备选搜索对象中获得目标搜索对象。该方法在数据搜索过程中结合使用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索过程充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中对于空间信息的使用主要集中于对空间距离的使用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
上述第一实施例提供了一种数据搜索方法,与之相对应的,本申请第三实施例还提供了一种数据搜索装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。
请参考图3理解该实施例,图3为本实施例提供的装置的单元框图,如图3所示,本实施例提供的装置包括:
搜索对象标识信息获得单元301,用于获得目标用户输入的搜索对象标识信息;
第一备选搜索对象获得单元302,用于获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
第二备选搜索对象获得单元303,用于获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
目标搜索对象获得单元304,用于根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述目标备选搜索对象对应的分布密度指标数据以及所述目标备选搜索对象对应的分布密度指标数据的排序权重,获得所述目标备选搜索对象对应的分布密度排序因子分值;根据所述目标备选搜索对象对应的距离等级指标数据以及所述距离等级指标数据的排序权重,获得目标备选搜索对象对应的距离等级排序因子分值;根据所述目标备选搜索对象对应的分布密度排序因子分值和所述目标备选搜索对象对应的距离等级排序因子分值,获得所述目标备选搜索对象对应的目标排序因子分值;根据所述目标备选搜索对象对应的目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,包括:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度排序因子分值和所述距离等级排序因子分值,获得目标备选搜索对象对应的目标排序因子分值,包括:对所述目标备选搜索对象对应的分布密度排序因子分值与所述目标备选搜索对象对应的距离等级排序因子分值进行加和,获得目标备选搜索对象对应的目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:将所述第一备选搜索对象与所述第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述目标备选搜索对象对应的分布密度指标数据以及所述目标备选搜索对象对应的分布密度指标数据的排序权重,获得所述目标备选搜索对象对应的分布密度排序因子分值;根据所述目标备选搜索对象对应的距离等级指标数据以及所述距离等级指标数据的排序权重,获得目标备选搜索对象对应的距离等级排序因子分值;根据所述目标备选搜索对象对应的分布密度排序因子分值和所述目标备选搜索对象对应的距离等级排序因子分值,获得所述目标备选搜索对象对应的目标排序因子分值;根据所述目标备选搜索对象对应的目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述根据所述目标备选搜索对象对应的分布密度排序因子分值和所述距离等级排序因子分值,获得目标备选搜索对象对应的目标排序因子分值,包括:对所述目标备选搜索对象对应的分布密度排序因子分值与所述目标备选搜索对象对应的距离等级排序因子分值进行加和,获得目标备选搜索对象对应的目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,包括:采用DBSCAN聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与所述目标用户的距离远近程度,采用k均值聚类算法对所述备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
可选的,所述基于聚类结果获得对应不同距离等级的备选搜索对象集群,包括:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
可选的,所述获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,包括:获得远距离等级的备选搜索对象集群对应的远距离指标数据、中距离等级的备选搜索对象集群对应的中距离指标数据、以及近距离等级的备选搜索对象集群对应的近距离指标数据。
可选的,还包括:输出所述目标搜索对象。
可选的,所述输出所述目标搜索对象,包括:
根据所述目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得目标提示信息;输出所述目标搜索对象以及所述目标提示信息。
本实施例提供的数据搜索装置,基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。该装置在数据搜索中综合应用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索场景充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中对于空间信息的运用主要集中于对空间距离的使用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
在上述的实施例中,提供了一种数据搜索方法以及一种数据搜索装置,此外,本申请第四实施例还提供一种电子设备,由于电子设备实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对电子设备实施例的描述仅仅是示意性的。
该电子设备实施例如下:
请参考图4理解本实施例,图4为本实施例提供的电子设备的示意图。
如图4所示,本实施例提供的电子设备包括:处理器401和存储器402;
该存储器402用于存储数据搜索的计算机指令,该计算机指令在被所述处理器401读取执行时,执行如下操作:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,包括:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:将所述第一备选搜索对象与所述第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;根据所述分布密度指标数据以及所述分布密度指标数据的排序权重,获得分布密度排序因子分值;根据所述距离等级指标数据以及所述距离等级指标数据的排序权重,获得距离等级排序因子分值;根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值;根据所述目标排序因子分值对所述目标备选搜索对象进行排序。
可选的,所述根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标排序因子分值,包括:对所述分布密度排序因子分值与所述距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
可选的,所述基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述采用密度聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,包括:采用DBSCAN聚类算法对所述备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,所述基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与所述搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与所述目标用户的距离远近程度,采用k均值聚类算法对所述备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
可选的,所述基于聚类结果获得对应不同距离等级的备选搜索对象集群,包括:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
可选的,所述获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,包括:获得远距离等级的备选搜索对象集群对应的远距离指标数据、中距离等级的备选搜索对象集群对应的中距离指标数据、以及近距离等级的备选搜索对象集群对应的近距离指标数据。
可选的,还包括:输出所述目标搜索对象。
可选的,所述输出所述目标搜索对象,包括:
根据所述目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得目标提示信息;输出所述目标搜索对象以及所述目标提示信息。
本实施例提供的电子设备,在其运行时,可基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。该电子设备的运行过程中,在数据搜索中综合应用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索场景充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中对于空间信息的运用主要集中于对空间距离的使用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
在上述的实施例中,提供了一种数据搜索方法、一种数据搜索装置以及一种电子设备,此外,本申请第五实施例还提供了一种用于实现数据搜索方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单,相关部分请参见上述方法实施例的对应说明即可,下述描述的实施例仅仅是示意性的。
本实施例提供的计算机可读存储介质上存储有计算机指令,该指令被处理器执行时实现以下步骤:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
可选的,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,根据目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对目标备选搜索对象进行排序,包括:获得分布密度指标数据的排序权重,以及获得距离等级指标数据的排序权重,分布密度指标数据的排序权重大于距离等级指标数据的排序权重;根据分布密度指标数据以及分布密度指标数据的排序权重,获得分布密度排序因子分值;根据距离等级指标数据以及距离等级指标数据的排序权重,获得距离等级排序因子分值;根据分布密度排序因子分值和距离等级排序因子分值,获得目标排序因子分值;根据目标排序因子分值对目标备选搜索对象进行排序。
可选的,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象,包括:将目标排序因子分值较大的预定数量的目标备选搜索对象确定为目标搜索对象。
可选的,根据分布密度排序因子分值和距离等级排序因子分值,获得目标排序因子分值,包括:对分布密度排序因子分值与距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,根据分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象,包括:将第一备选搜索对象与第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;根据目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
可选的,根据目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对目标备选搜索对象进行排序,包括:获得分布密度指标数据的排序权重,以及获得距离等级指标数据的排序权重;根据分布密度指标数据以及分布密度指标数据的排序权重,获得分布密度排序因子分值;根据距离等级指标数据以及距离等级指标数据的排序权重,获得距离等级排序因子分值;根据分布密度排序因子分值和距离等级排序因子分值,获得目标排序因子分值;根据目标排序因子分值对目标备选搜索对象进行排序。
可选的,根据分布密度排序因子分值和距离等级排序因子分值,获得目标排序因子分值,包括:对分布密度排序因子分值与距离等级排序因子分值进行加和,获得目标排序因子分值。
可选的,分布密度指标数据的排序权重大于距离等级指标数据的排序权重。基于分布密集程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与搜索对象标识信息满足预定匹配条件的备选搜索对象;采用密度聚类算法对备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,采用密度聚类算法对备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群,包括:采用DBSCAN聚类算法对备选搜索对象进行聚类处理,获得至少一个备选搜索对象集群。
可选的,基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,包括:获得与搜索对象标识信息满足预定匹配条件的备选搜索对象;基于与目标用户的距离远近程度,采用k均值聚类算法对备选搜索对象进行聚类,并基于聚类结果获得对应不同距离等级的备选搜索对象集群。
可选的,基于聚类结果获得对应不同距离等级的备选搜索对象集群,包括:基于聚类结果获得远距离等级的备选搜索对象集群、中距离等级的备选搜索对象集群以及近距离等级的备选搜索对象集群。
可选的,获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据,包括:获得远距离等级的备选搜索对象集群对应的远距离指标数据、中距离等级的备选搜索对象集群对应的中距离指标数据、以及近距离等级的备选搜索对象集群对应的近距离指标数据。
可选的,还包括:输出目标搜索对象。
可选的,输出目标搜索对象,包括:
根据目标搜索对象对应的分布密度指标数据和距离等级指标数据中的至少一种,获得目标提示信息;输出目标搜索对象以及目标提示信息。
本实施例提供的计算机可读存储介质,当其上存储的计算机指令被处理器执行时,可基于分布密集程度,对与目标用户输入的搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第一备选搜索对象,以及获得用于表示第一备选搜索对象的分布密集程度的分布密度指标数据;基于与目标用户的距离远近程度,对与搜索对象标识信息相匹配的备选搜索对象进行聚类处理,获得第二备选搜索对象,以及获得用于表示第二备选搜索对象与目标用户之间的距离远近程度的距离等级指标数据;根据上述分布密度指标数据以及距离等级指标数据,从第一备选搜索对象和第二备选搜索对象中获得目标搜索对象。上述指令执行过程,在数据搜索中综合应用备选搜索对象的分布密度程度和距离远近程度,使得数据搜索场景充分融合了用户对空间场景的距离偏好和密集程度偏好,避免了现有的数据搜索过程中对于空间信息的运用主要集中于对空间距离的使用所导致的搜索过程存在局限性、影响搜索结果的精准度的问题。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种数据搜索方法,其特征在于,包括:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
2.根据权利要求1所述的方法,其特征在于,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:
从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;
获得所述第一备选搜索对象集群相对于所述目标用户的目标方位信息;
从所述第二备选搜索对象中获得与所述目标方位信息相匹配的目标备选搜索对象;
根据所述目标备选搜索对象对应的分布密度指标数据和所述目标备选搜索对象对应的距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标备选搜索对象对应的分布密度指标数据和所述目标备选搜索对象对应的距离等级指标数据,对所述目标备选搜索对象进行排序,包括:
获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;
根据所述目标备选搜索对象对应的分布密度指标数据以及所述分布密度指标数据的排序权重,获得所述目标备选搜索对象对应的分布密度排序因子分值;
根据所述目标备选搜索对象对应的距离等级指标数据以及所述距离等级指标数据的排序权重,获得所述目标备选搜索对象对应的距离等级排序因子分值;
根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得所述目标备选搜索对象对应的目标排序因子分值;
根据所述目标备选搜索对象对应的目标排序因子分值,对所述目标备选搜索对象进行排序。
4.根据权利要求3所述的方法,其特征在于,所述分布密度指标数据的排序权重大于所述距离等级指标数据的排序权重。
5.根据权利要求1所述的方法,其特征在于,所述根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象,包括:
将所述第一备选搜索对象与所述第二备选搜索对象中相同的备选搜索对象确定为目标备选搜索对象;
根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,将满足预定排序条件的目标备选搜索对象确定为目标搜索对象。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标备选搜索对象对应的分布密度指标数据和距离等级指标数据,对所述目标备选搜索对象进行排序,包括:
获得所述分布密度指标数据的排序权重,以及获得所述距离等级指标数据的排序权重;
根据所述目标备选搜索对象对应的分布密度指标数据以及所述分布密度指标数据的排序权重,获得目标备选搜索对象对应的分布密度排序因子分值;
根据所述目标备选搜索对象对应的距离等级指标数据以及所述距离等级指标数据的排序权重,获得目标备选搜索对象对应的距离等级排序因子分值;
根据所述分布密度排序因子分值和所述距离等级排序因子分值,获得目标备选搜索对象对应的目标排序因子分值;
根据所述目标备选搜索对象对应的目标排序因子分值,对所述目标备选搜索对象进行排序。
7.一种数据搜索方法,其特征在于,包括:
获得目标用户输入的搜索对象标识信息;
获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
从所述第一备选搜索对象中获得分布密度指标数据大于预定分布密度阈值的第一备选搜索对象集群;
按照与所述目标用户的距离远近程度,对所述第一备选搜索对象集群中的备选搜索对象进行聚类处理,获得目标备选搜索对象,以及获得所述目标备选搜索对象对应的距离等级指标数据;
根据所述目标备选搜索对象对应的距离等级指标数据以及所述目标备选搜索对象对应的分布密度指标数据,从所述目标备选搜索对象中获得目标搜索对象。
8.一种数据搜索装置,其特征在于,包括:
搜索对象标识信息获得单元,用于获得目标用户输入的搜索对象标识信息;
第一备选搜索对象获得单元,用于获得第一备选搜索对象,以及获得用于表示所述第一备选搜索对象的分布密集程度的分布密度指标数据,其中,所述第一备选搜索对象为基于分布密集程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少一个备选搜索对象集群;
第二备选搜索对象获得单元,用于获得第二备选搜索对象,以及获得用于表示所述第二备选搜索对象与所述目标用户之间的距离远近程度的距离等级指标数据,其中,所述第二备选搜索对象为基于与所述目标用户的距离远近程度,对与所述搜索对象标识信息相匹配的备选搜索对象进行聚类处理后所获得的至少两个备选搜索对象集群;
目标搜索对象获得单元,用于根据所述分布密度指标数据以及所述距离等级指标数据,从所述第一备选搜索对象和所述第二备选搜索对象中获得目标搜索对象。
9.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7所述的方法。
10.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其特征在于,该指令被处理器执行以实现如权利要求1-7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093020.3A CN111400618B (zh) | 2020-02-14 | 2020-02-14 | 一种数据搜索方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093020.3A CN111400618B (zh) | 2020-02-14 | 2020-02-14 | 一种数据搜索方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400618A true CN111400618A (zh) | 2020-07-10 |
CN111400618B CN111400618B (zh) | 2023-05-26 |
Family
ID=71428454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093020.3A Active CN111400618B (zh) | 2020-02-14 | 2020-02-14 | 一种数据搜索方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400618B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050177303A1 (en) * | 2004-02-05 | 2005-08-11 | Han Maung W. | Display method and apparatus for navigation system for performing cluster search of objects |
CN105629198A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于密度的快速搜索聚类算法的室内多目标追踪方法 |
CN106101222A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 信息的推送方法和装置 |
CN106933947A (zh) * | 2017-01-20 | 2017-07-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置、电子设备 |
CN107194560A (zh) * | 2017-05-12 | 2017-09-22 | 东南大学 | Lbsn中基于好友聚类的社交搜索评价方法 |
CN110213711A (zh) * | 2019-04-22 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种常驻点的估计方法、装置、设备和介质 |
-
2020
- 2020-02-14 CN CN202010093020.3A patent/CN111400618B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050177303A1 (en) * | 2004-02-05 | 2005-08-11 | Han Maung W. | Display method and apparatus for navigation system for performing cluster search of objects |
CN105629198A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于密度的快速搜索聚类算法的室内多目标追踪方法 |
CN106101222A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 信息的推送方法和装置 |
CN106933947A (zh) * | 2017-01-20 | 2017-07-07 | 北京三快在线科技有限公司 | 一种搜索方法及装置、电子设备 |
CN107194560A (zh) * | 2017-05-12 | 2017-09-22 | 东南大学 | Lbsn中基于好友聚类的社交搜索评价方法 |
CN110213711A (zh) * | 2019-04-22 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种常驻点的估计方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
王华秋;聂珍;: "快速搜索密度峰值聚类在图像检索中的应用", 计算机工程与设计 * |
Also Published As
Publication number | Publication date |
---|---|
CN111400618B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9454580B2 (en) | Recommendation system with metric transformation | |
CN107832338B (zh) | 一种识别核心产品词的方法和系统 | |
EP2889788A1 (en) | Accessing information content in a database platform using metadata | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
US11782991B2 (en) | Accelerated large-scale similarity calculation | |
WO2015148420A1 (en) | User inactivity aware recommendation system | |
CN110503264A (zh) | 一种货源排序方法、装置、设备和存储介质 | |
CN113761210A (zh) | 基于报告文本信息识别的信息处理方法及系统 | |
CN117421355A (zh) | 一种搜索召回方法、装置及设备 | |
CN111400618B (zh) | 一种数据搜索方法以及装置 | |
US8005775B2 (en) | System and method for detecting human judgment drift and variation control | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN110751227A (zh) | 数据处理方法、装置、设备及存储介质 | |
CA3036869A1 (en) | View scores | |
CN113055745B (zh) | 视频播放的处理方法、装置、设备及存储介质 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN112801748A (zh) | 一种配送路径数据的获得方法、装置以及电子设备 | |
CN115525841A (zh) | 兴趣点信息的获取方法、电子设备及存储介质 | |
CN113032514B (zh) | 兴趣点数据处理方法及装置 | |
CN112785234A (zh) | 货物推荐方法、装置、设备及存储介质 | |
CN110851704A (zh) | 一种多类别服务系统以及方法 | |
CN112884390A (zh) | 订单处理的方法、装置、可读存储介质及电子设备 | |
CN116049741B (zh) | 商品分类编码的快速识别方法、装置、电子设备及介质 | |
CN113569149B (zh) | 信息处理方法、装置、电子设备 | |
CN114139041B (zh) | 类目相关性预测网络训练及类目相关性预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |