搜索推荐词确定方法、装置、电子设备及计算机可读介质
技术领域
本公开涉及计算机技术领域,具体而言,本公开涉及一种搜索推荐词确定方法、装置、电子设备及计算机可读介质。
背景技术
在用户使用搜索引擎进行查询时,一般通过在搜索引擎的搜索框中输入搜索词进行查询。为提高用户查询的效率,搜索引擎会将各个用户输入的搜索词进行存储形成搜索推荐词库,当某一用户发起查询请求时,将基于查询请求在搜索推荐词库中选择至少一个搜索词推荐给用户,用户点击推荐的搜索词即可进行查询。
但是,用户在输入搜索词时容易因为手误而输入语义表达不完整的搜索词,如:天气预报一、资格考等搜索词;由于搜索引擎在收录搜索词形成搜索推荐词库时,无法对语义表达不完整的搜索词进行过滤,从而导若搜索引擎将上述搜索词进行存储并向用户推荐,干扰用户的正常查询,无法提高用户查询的效率还降低了用户查询的满意度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开第一方面,提供了一种搜索推荐词确定方法,包括:对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;在所述网页集合中获取网页内容包含所述搜索词的目标网页;在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
本公开第二方面,提供了一种搜索推荐词确定装置,包括:查询模块,用于对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;获取模块,用于在所述网页集合中获取网页内容包含所述搜索词的目标网页;确定模块,用于在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
本公开第三方面,提供了一种电子设备,所述电子设备包括:存储器和处理器;存储器中存储有计算机程序;处理器,用于在运行计算机程序时执行第一方面的方法。
本公开第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面的方法。
本公开提供的技术方案带来的有益效果是:
本公开通过模拟经搜索词进行分词查询的过程,确定相应的网页集合,并在网页集合中确定网页内容包含搜索词的目标网页;基于搜索词在目标网页中出现的第一概率,以及与搜索词相关的相关候选词在目标网页中出现的第二概率,确定搜索词是否为搜索推荐词;其中,相关候选词在目标网页中提取。本公开的实施有利于对搜索引擎收录的搜索词进行过滤,如将确定为非搜索推荐词的搜索词进行过滤,不再收录在搜索推荐词库中,使得搜索推荐词库中仅包括搜索推荐词,提高搜索引擎收录搜索词的质量,以及用户基于搜索引擎推荐的搜索词进行查询的效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的第一种搜索推荐词确定方法的流程图;
图2为本公开实施例提供的第二种搜索推荐词确定方法的流程图;
图3为本公开实施例提供的第三种搜索推荐词确定方法的流程图;
图4为本公开实施例提供的第四种搜索推荐词确定方法的流程图;
图5为本公开实施例提供的第五种搜索推荐词确定方法的流程图;
图6为本公开实施例提供的第六种搜索推荐词确定方法的流程图;
图7为本公开实施例提供的第七种搜索推荐词确定方法的流程图;
图8为本公开实施例提供的第八种搜索推荐词确定方法的流程图;
图9为本公开实施例提供的一种搜索推荐词确定装置的结构示意图;
图10为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
首先对本公开涉及的几个名词进行介绍和解释:
搜索词:在本公开实施例中,搜索词由用户输入,其包括用户正常输入语义表达完整的搜索词(如:天气预报),也包括用户手误输入的语义表达不完整的搜索词(如:天气预报一、天气预);在搜索引擎对用户输入的搜索词进行收录时,首先确定搜索词是否为搜索推荐词,若是,则收录在搜索推荐词库中。进一步地,本公开实施搜索推荐词确定方法的对象包括搜索引擎已存储在搜索推荐词库中的搜索词。
分词查询:在基于给定的字段进行查询时,其至少包括两种方式,一种是分词查询matchQuery:将搜索词进行分词,再与目标查询字段进行匹配,若分词中的任意一个词与目标字段匹配上,则目标字段为查询结果;一种是整体查询termQuery:将搜索词作为一个整体与目标字段进行匹配,若完全匹配,则目标字段为查询结果。在本公开实施例中,对搜索词进行分词查询,目标字段包括搜索引擎数据库中存有的所有网页。
在目标网页出现的概率:用来度量某个字段在目标网页上出现的总次数占目标网页上所有字数的比例。如:假设目标网页包括5000万字,其中“天气预报”出现了150万次,则“天气预报”在目标网页出现的概率为0.03。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
请参照图1,本公开提供了一种搜索推荐词确定方法,该方法具体可以由本公开实施例的电子设备执行,具体地所述电子设备可以是服务器,本公开包括:
S101对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;
S102在所述网页集合中获取网页内容包含所述搜索词的目标网页;
S103在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
在步骤S101中,对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;首先将获取到的搜索词query进行分词,如识别构成搜索词的字符串字段,将该字符串字段进行分词获得至少一个查询词term;举例说明,例1:将搜索词“资格考”进行分词,可获得“资格”和“考”两个查询词term;而后基于分词结果进行查询,查询时与搜索词进行匹配的目标字段包括搜索引擎数据库中包括的所有网页,在获得的查询结果中,其至少包括与“资格”匹配、与“考”匹配、以及与“资格考”匹配的至少一种网页,并且由匹配的所有网页构成查询结果的网页集合。关于网页集合所包括的网页,结合例1进行说明,假设对搜索词“资格考”进行分词查询,获得与“资格”匹配的3000个网页,与“考”匹配的4000个网页,其中2000个网页与“资格”和“考”均匹配,则查询结果相应的网页集合中包括2000个与“资格”和“考”均匹配的网页,1000个仅与“资格”匹配的网页,以及2000个仅与“考”匹配的网页。
在步骤S102中,在所述网页集合中获取网页内容包含所述搜索词的目标网页;具体地,所述目标网页可以是网页集合中网页内容包含搜索词的一个网页,也可以是多个网页;当目标网页相应多个网页时,将多个网页的内容统计为目标网页的内容(如:网页A包括1000万字、网页B包括100万字、网页C包括10万字;则目标网页包括1110万字)。其中,包含指代在目标网页中某个字段与搜索词整体匹配,如搜索词为“资格考”,则目标网页作为目标字段包括连续的“资格考”三个字。
在一实施例中,具体地,以查询结果的网页集合包括的所有网页为样本,获取样本中包含搜索词整体的多个网页作为目标网页;相对于步骤S101的分词查询matchQuery,在步骤S102中可理解为整体查询termQuery,将搜索词作为一个整体与网页集合中的网页进行匹配,若完全匹配,则相应网页视为目标网页,即对搜索词进行精准匹配。其中,目标网页由多个包含搜索词的网页组合形成。
在步骤S103中,在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词;具体地,在所述目标网页中提取相关候选词包括:基于搜索词对目标网页进行关键词提取获取关键词,其中关键词提取为在文本中提取与文本内容相关的词语,在本实施例中,可理解为首先对目标网页进行关键词提取,获取多个候选词,在多个候选词中选择与搜索词相关的候选词作为相关候选词;也可理解为对目标网页进行关键词提取时,以搜索词的语义作为文本内容的大意进行关键词提取。进而,基于搜索词在目标网页中出现的第一概率,与相关候选词在目标网页中出现的第二概率,确定搜索词是否为搜索推荐词;其中,确定为搜索推荐词的搜索词可收录进入搜索引擎的搜索推荐词库中,当用户发起搜索请求时,将有机会作为推荐的搜索词向用户推荐;确定为非搜索推荐词的搜索词将被过滤,不再收录存储在搜索推荐词库中。
本公开实施例通过模拟经搜索词进行分词查询的过程,确定相应的网页集合,并在网页集合中确定网页内容包含搜索词的目标网页;基于搜索词在目标网页中出现的第一概率,以及与搜索词相关的相关候选词在目标网页中出现的第二概率,确定搜索词是否为搜索推荐词;其中,相关候选词在目标网页中提取。本公开的实施有利于对搜索引擎收录的搜索词进行过滤,如将确定为非搜索推荐词的搜索词进行过滤,不再收录在搜索推荐词库中,使得搜索推荐词库中仅包括搜索推荐词,提高搜索引擎收录搜索词的质量,以及用户基于搜索引擎推荐的搜索词进行查询的效率。
在一实施例中,请参照图2,步骤S102在所述网页集合中获取网页内容包含所述搜索词的目标网页之前,还包括:
S201计算所述搜索词在所述网页集合包括的网页中出现的第三概率;
步骤S102所述在所述网页集合中获取网页内容包含所述搜索词的目标网页,包括:S202若所述第三概率大于预设概率,在所述网页集合中确定网页内容包含所述搜索词的目标网页;
所述方法还包括:S203若所述第三概率小于预设概率,确定所述搜索词为非搜索推荐词。
在步骤S201中,计算所述搜索词在所述网页集合包括的网页中出现的第三概率;具体地,以网页集合包括的所有网页形成样本,计算搜索词在样本中出现的第三概率;假设以网页集合包括的所有网页形成的样本包括5000万字,搜索词在样本中出现了150万次,则第三概率为0.03(3%)。
在步骤S202中,若所述第三概率大于预设概率,在所述网页集合中确定网页内容包含所述搜索词的目标网页;具体地,本公开实施例设置有预设概率,若网页集合的所有网页中均未包括搜索词或搜索词的出现概率很低,则将搜索推荐词确定为非搜索推荐词;如,假设搜索词为用户手误输入的语义表达不完整的词“天气预报一”,由于搜索引擎数据库存储的网页大部分内容的表述是正确通顺的,语义表达不完整的词在网页中出现的概率非常低;当搜索词为“天气预报一”时,其在以网页集合包括的所有网页形成的样本中出现的概率非常低,甚至搜索引擎数据库的所有网页中均不包含该词,则该词可被确定为非搜索推荐词。其中,预设概率可以基于样本的字数设置,也可以设置为默认值,如0.01%;一般文本中,要求关键词在文本中出现的概率为2%~4%;在本公开实施例中,若搜索词在文本中出现的概率低于或等于0.01%,将搜索词确定为非搜索推荐词。当样本包括的字数小于1万字时,可基于字数适当调高预设概率,如设置预设概率为搜索词在样本中出现一次左右;又如样本包括1000字,则预设概率可调整为0.001。由于即使第三概率大于预设概率,其也有可能存在语义表达不完整的搜索词,如相对于“资格考试”,“资格考”则是一个语义表达不完整的搜索词,为进一步在搜索词中确定出类似“资格考”一类的搜索词,当第三概率大于预设概率时,执行步骤S102在所述网页集合中获取网页内容包含所述搜索词的目标网页及其后续步骤。
进一步地,本实施例中通过步骤S203若所述第三概率小于预设概率,确定所述搜索词为非搜索推荐词的实施,可将搜索词中语义表达不完整的搜索词进行分类,如相对于语义表达完整的搜索词“天气预报”,可将语义表达不完整的搜索词“天气预报一”确定为非搜索推荐词;即相对于语义表达完整的搜索词“天气预报”,步骤S203的实施可将比语义表达完整的搜索词多了至少一个字“一”的语义表达不完整的搜索词“天气预报一”确定为非搜索推荐词。进一步地,在经步骤S203将搜索词确定为非搜索推荐词后,将该搜索词进行过滤处理,以保证搜索引擎收录在搜索推荐词库中的搜索词的质量。
在一实施例中,请参照图3,步骤S101对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合,包括:
S301基于所述至少一个查询词进行查询,获取包含所述至少一个查询词的多个网页;
S302基于所述至少一个查询词在所述搜索词的预设权重,计算各个网页与所述搜索词的相关性分值;
S303将所述相关性分值高于预设阈值的至少一个网页组合成网页集合。
在步骤S301中,基于所述至少一个查询词进行查询,获取包含所述至少一个查询词的多个网页;具体地,若查询词包括两个及以上,则基于每个查询词进行查询,并反馈每个查询各自对应的查询结果,如搜索词“资格考”进行分词获得“资格”和“考”两个查询词,查询词“资格”对应的查询结果中包括2000个网页,查询词“考”对应的查询结果中包括3000个网页,其中,1000个网页均对应“资格”和“考”两个查询词;则步骤S301中获得搜索词“资格考”相应的4000个网页。
在步骤S302中,基于所述至少一个查询词在所述搜索词的预设权重,计算各个网页与所述搜索词的相关性分值;具体地,由于构成搜索词query的查询词term对查询结果的贡献度不同,即各个查询词相应于搜索词的重要程度不同,查询结果中各个网页与搜索词的相关性不同;假设搜索词query为“教师资格证考”,则在对搜索词进行分词时可获得“教师”、“资格证”、“考”等三个查询词term,在语义判断中,查询词“教师”在搜索词中的贡献度大于“资格证”,“资格证”在搜索词中的贡献度大于“考”,则可以将“教师”的权重设为0.6,“资格证”设为0.3,“考”设为0.1。在确定各个查询词在搜索词中的权重后,分别计算查询词各自对应的查询结果中的各个网页与搜索词的相关性分值;如网页中仅对应“教师”则可将其相关性分值设为60,网页若对应“教师”与“资格证”则可将其相关性分值设为90。
在一实施例中,计算相关性分值时,除了基于查询词在搜索词中的权重,还基于查询词在网页中出现的概率进行计算,如以权重为基础计算的分值乘以查询词在网页中出现的概率所得乘积为相关性分值。
在步骤S303中,将所述相关性分值高于预设阈值的至少一个网页组合成网页集合;具体地,由于查询结果的网页中与搜索词的相关性分值较低时表征与该查询词相关的网页在实际查询中被用户点击的概率非常低,因此,对相关性分值设定预设阈值,仅有相关性分值高于预设阈值的网页属于查询结果的网页集合。其中,预设阈值可基于实际查询情况进行调整,在本公开实施例中不对其进行限定。
在一实施例中,请参照图4,步骤S102在所述目标网页中提取相关候选词,包括:
S401在所述目标网页中进行关键词提取,获得多个候选词;
S402计算各个所述候选词与所述搜索词的相似度,并将基于相似度降序排序后靠前的预设数值个候选词作为相关候选词。
具体地,关键词提取有多种方式,如无监督关键词提取方法和有监督关键词提取方法,无监督关键词提取方法中不需要人工标注的语料,利用统计特征(TF,TF-IDF)、词图模型(PageRank,TextRank)、主题模型(LDA)等关键词提取方法发现文本中比较重要的词作为关键词,进行关键词提取;该方法是先抽取出候选词,然后对各个候选词进行打分,然后输出K个分值最高的候选词作为关键词;有监督关键词提取方法中将关键词抽取过程视为二分类问题,先在文本中提取出候选词,然后对于每个候选词划定标签(是关键词,或不是关键词),然后利用训练好的关键词提取分类器,对各个候选词进行分类,最终将标签为关键词的候选词作为关键词。在步骤S501中,可理解为关键词提取方法中的候选词提取;在步骤S502中,可理解为采用无监督关键词提取方法,基于搜索词对各个候选词进行打分,然后输出预设数值个分值最高的候选词作为相关候选词。基于搜索词“资格考”,经步骤S501对目标网页进行关键词提取可获得多个候选词,如“教师”、“资格”、“考试”等;经步骤S502计算各个候选词与搜索词的相似度时,其相似度降序排序为“资格”-“考试”-“教师”。其中,预设数值的设置可基于搜索词的分词情况进行设置,如搜索词进行分词后获得两个查询词,则预设数值可设定为2;如搜索词进行分词后获得三个查询词,则预设数值可设定为3;但为提高分类的效率,且基于对大数据的分析,用户输入的搜索词一般字数在9以内,对预设数值的设置一般不大于9。假设搜索词“资格考”进行分词获得“资格”和“考”两个查询词,则预设数值设定为2,此时将获取步骤S501中的“资格”和“考试”作为目标网页的相关候选词。其中,候选词与搜索词的相似度计算为通过计算两个词的特征之间的距离,衡量两个词的相似度;如果距离小,那么相似度大;如果距离大,那么相似度小;相似度计算方法可以采用余弦相似度、欧式距离等,在此不一一赘述。
进一步地,基于相关候选词“资格”和“考试”在目标网页中出现的第二概率,与搜索词“资格考”在目标网页中出现的第一概率,确定搜索词是否为搜索推荐词。具体地,以“资格”在目标网页中出现的概率与“考试”在目标网页中出现的概率的乘积作为目标概率;计算“资格”和“考试”组合形成组合词“资格考试”在目标网页中出现的组合概率;若目标概率远小于组合概率(如组合概率为0.03,而目标概率为0.0009),且组合概率与“资格”和“考试”分别在目标网页中出现的概率相近(如“资格”出现的概率为0.03,“考试”出现的概率为0.03),则确定搜索词“资格考”为非搜索推荐词。进而,将组合词“资格考试”替换搜索词“资格考”,以组合词“资格考试”作为搜索引擎收录并存储在搜索推荐词库的搜索词。
在一实施例中,请参照图5,步骤S402基于相似度降序排序后靠前的预设数值个候选词作为相关候选词,包括:
S501基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词。
具体地,语义表达不完整的搜索词相对于语义表达完整的搜索词,其一般表现形式为比语义表达完整的搜索词少了至少一个字,如语义表达不完整的搜索词“资格考”相对于语义表达完整的搜索词“资格考试”少了一个字“试”;因此,在本公开实施例中,举例说明,例2:基于搜索词对预设数值个候选词进行划分,由于搜索词“资格考”的字符中包含候选词“资格”,将不对候选词“资格”进行划分;由于搜索词“资格考”的字符中仅包括候选词“考试”中的“考”,则对候选词“考试”进行划分获得“考”和“试”两个词;此时基于搜索词对预设数值个候选词进行划分的划分结果中包括“资格”、“考”和“试”。在基于搜索词对划分结果进行去重时,由于搜索词“资格考”包含“资格”和“考”的整体,将“资格”和“考”删除;由于搜索词“资格考”与“试”不存在字符的交叉,则基于搜索词对划分结果进行去重所得去重结果为“试”,因此,将“试”作为目标网页的相关候选词。
在一实施例中,请参照图6,所述目标网页由所述网页集合中网页内容包含所述搜索词的所有网页形成;步骤S103所述基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词,包括:
S601计算所述搜索词在所述目标网页中出现的第一概率;
S602计算所述相关候选词在所述目标网页中出现的第二概率;
S603将所述第一概率与所述第二概率的乘积确定为目标概率;
S604基于所述搜索词将所述相关候选词与所述搜索词组合形成一个组合词,计算所述组合词在所述目标网页中出现的第四概率;
S605确定所述第四概率大于目标概率,将所述搜索词确定为非搜索推荐词。
具体地,基于步骤S501基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词,本公开实施例提供如步骤S601-S605所述的方法。
结合步骤S501中的例2进行说明,在步骤S501中获得“试”作为目标网页的相关候选词。假设目标网页为5000万字的样本,“资格考”在目标网页中出现了150万次,“试”在目标网页中出现了150万次;则步骤S601中计算出搜索词“资格考”在目标网页中的第一概率为0.03;步骤S602中计算出相关候选词“试”在目标网页中的第二概率为0.03;步骤S603中计算出第一概率与第二概率的目标概率为0.03*0.03=0.0009,目标概率表征当“资格考”与“试”为两个独立事件在目标网页中一起出现的期望概率;步骤S604中,将“试”与“资格考”进行组合,其包括两种组合方式“试资格考”和“资格考试”;而基于搜索词进行组合时,从语义判断,组合词“试资格考”不具有意义将其排除在外,并以“资格考试”作为组合词计算“资格考试”在目标网页中的第四概率,为0.03;步骤S605确定第四概率大于目标概率(0.03>0.0009),则将搜索词确定为非搜索推荐词。步骤S605的处理逻辑可理解为:当搜索词“资格考”与相关候选词“试”一起出现在目标网页的第四概率是目标概率的N倍时,数值N越大,其表征搜索词与相关候选词的紧密度越大,搜索词需要相关候选词的弥补才可理解为语义表达完整的搜索词。
在一实施例中,请参照图7,步骤S501基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词之后,还包括步骤:
S701确定所述去重结果中不包含任一字符,将所述搜索词确定为搜索推荐词。
具体地,假设搜索词为“资格考试”,在步骤S501中,对候选词“资格”和“考试”进行划分时,由于搜索词“资格考试”的字符中包含候选词“资格”以及“考试”,将不对候选词“资格”以及“考试”进行划分;此时基于搜索词对预设数值个候选词进行划分的划分结果中包括“资格”以及“考试”。在基于搜索词对划分结果进行去重时,由于搜索词“资格考试”包含“资格”和“考试”的整体,将“资格”和“考试”删除,此时去重结果中将不再包含任一字符;则可确定搜索词为搜索推荐词。
在一实施例中,请参考图8,步骤S605将所述搜索词确定为非搜索推荐词之后,还包括:
S801将所述组合词替换所述搜索词。
具体地,经步骤S601-605的实施,可确定搜索词与相关候选词的紧密度非常高,搜索词需要相关候选词的弥补才可理解为语义表达完整的搜索词,则将基于搜索词由搜索词与相关候选词组合的组合词作为语义表达完整的搜索词,替换搜索词,提高搜索引擎所收录搜索词的质量。
请参照图9,本公开一实施例提供的一种搜索推荐词确定装置的结构示意图,本公开实施例的搜索推荐词确定装置900可以包括:
查询模块901,用于对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;
获取模块902,用于在所述网页集合中获取网页内容包含所述搜索词的目标网页;
确定模块903,用于在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
在一实施例中,所述装置900还包括:计算模块,用于计算所述搜索词在所述网页集合包括的网页中出现的第三概率;
所述获取模块902还用于若所述第三概率大于预设概率,执行所述在所述网页集合中确定网页内容包含所述搜索词的目标网页的步骤;
所述装置900还包括:概率确定模块,用于若所述第三概率小于预设概率,确定所述搜索词为非搜索推荐词。
在一实施例中,所述查询模块901,包括:
获取单元,用于基于所述至少一个查询词进行查询,获取包含所述至少一个查询词的多个网页;
相关性计算单元,用于基于所述至少一个查询词在所述搜索词的预设权重,计算各个网页与所述搜索词的相关性分值;
集合单元,用于将所述相关性分值高于预设阈值的至少一个网页组合成网页集合。
在一实施例中,所述确定模块903,包括:
提取单元,用于在所述目标网页中进行关键词提取,获得多个候选词;
设定单元,用于计算各个所述候选词与所述搜索词的相似度,并将基于相似度降序排序后靠前的预设数值个候选词作为相关候选词。
在一实施例中,所述设定单元,包括:
划分去重子单元,用于基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词。
在一实施例中,所述确定模块903,包括:
第一概率计算单元,用于计算所述搜索词在所述目标网页中出现的第一概率;
第二概率计算单元,用于计算所述相关候选词在所述目标网页中出现的第二概率;
乘积单元,用于将所述第一概率与所述第二概率的乘积确定为目标概率;
组合单元,用于基于所述搜索词将所述相关候选词与所述搜索词组合形成一个组合词,计算所述组合词在所述目标网页中的第四概率;
确定单元,用于确定所述第四概率大于目标概率,将所述搜索词确定为非搜索推荐词。
在一实施例中,所述装置900,还包括:
搜索推荐词确定模块,用于确定划分去重子单元的去重结果中不包含任一字符,将所述搜索词确定为搜索推荐词。
在一实施例中,确定模块903,还包括:
替换单元,用于将所述搜索词确定为非搜索推荐词之后,将所述组合词替换所述搜索词。
本公开实施例的搜索推荐词确定装置可执行本公开的实施例所提供的一种搜索推荐词确定方法,其实现原理相类似,本公开各实施例中的搜索推荐词确定装置中的各模块所执行的动作是与本公开各实施例中的搜索推荐词确定方法中的步骤相对应的,对于搜索推荐词确定装置的各模块的详细功能描述具体可以参见前文中所示的对应的搜索推荐词确定方法中的描述,此处不再赘述。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备(例如移动终端)600的结构示意图。本公开实施例中的移动终端可以包括但不限于诸如计算机等的设备。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文的处理装置601,存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项,具体如下所示:
如图10所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。在本公开中,计算机可读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。而在本公开中,计算机可读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。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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该电子设备执行时,使得该电子设备执行以下步骤:对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;在所述网页集合中获取网页内容包含所述搜索词的目标网页;在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,查询模块还可以被描述为“对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种搜索推荐词确定方法,包括:对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;在所述网页集合中获取网页内容包含所述搜索词的目标网页;在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
在一实施例中,所述在所述网页集合中获取网页内容包含所述搜索词的目标网页之前,还包括:计算所述搜索词在所述网页集合包括的网页中出现的第三概率;所述在所述网页集合中获取网页内容包含所述搜索词的目标网页,包括:若所述第三概率大于预设概率,在所述网页集合中确定网页内容包含所述搜索词的目标网页;所述方法还包括:若所述第三概率小于预设概率,确定所述搜索词为非搜索推荐词。
在一实施例中,所述对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合,包括:基于所述至少一个查询词进行查询,获取包含所述至少一个查询词的多个网页;基于所述至少一个查询词在所述搜索词的预设权重,计算各个网页与所述搜索词的相关性分值;将所述相关性分值高于预设阈值的至少一个网页组合成网页集合。
在一实施例中,所述在所述目标网页中提取相关候选词,包括:在所述目标网页中进行关键词提取,获得多个候选词;计算各个所述候选词与所述搜索词的相似度,并将基于相似度降序排序后靠前的预设数值个候选词作为相关候选词。
在一实施例中,所述将基于相似度降序排序后靠前的预设数值个候选词作为相关候选词,包括:基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词。
在一实施例中,所述所述目标网页由所述网页集合中网页内容包含所述搜索词的所有网页形成;所述基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词,包括:计算所述搜索词在所述目标网页中出现的第一概率;计算所述相关候选词在所述目标网页中出现的第二概率;将所述第一概率与所述第二概率的乘积确定为目标概率;基于所述搜索词将所述相关候选词与所述搜索词组合形成一个组合词,计算所述组合词在所述目标网页中出现的第四概率;确定所述第四概率大于目标概率,将所述搜索词确定为非搜索推荐词。
在一实施例中,所述基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词之后,还包括:确定所述去重结果中不包含任一字符,将所述搜索词确定为搜索推荐词。
在一实施例中,所述将所述搜索词确定为非搜索推荐词之后,还包括:将所述组合词替换所述搜索词。
根据本公开的一个或多个实施例,提供了一种搜索推荐词确定装置,包括:查询模块,用于对搜索词进行分词,确定至少一个查询词,基于所述至少一个查询词获取网页集合;获取模块,用于在所述网页集合中获取网页内容包含所述搜索词的目标网页;确定模块,用于在所述目标网页中提取相关候选词,基于所述搜索词在所述目标网页中出现的第一概率,与所述相关候选词在所述目标网页中出现的第二概率,确定所述搜索词是否为搜索推荐词。
在一实施例中,所述装置还包括:计算模块,用于计算所述搜索词在所述网页集合包括的网页中出现的第三概率;所述获取模块还用于若所述第三概率大于预设概率,在所述网页集合中确定网页内容包含所述搜索词的目标网页;所述装置还包括:概率确定模块,用于若所述第三概率小于预设概率,确定所述搜索词为非搜索推荐词。
在一实施例中,所述查询模块,包括:获取单元,用于基于所述至少一个查询词进行查询,获取包含所述至少一个查询词的多个网页;相关性计算单元,用于基于所述至少一个查询词在所述搜索词的预设权重,计算各个网页与所述搜索词的相关性分值;集合单元,用于将所述相关性分值高于预设阈值的至少一个网页组合成网页集合。
在一实施例中,所述确定模块,包括:提取单元,用于在所述目标网页中进行关键词提取,获得多个候选词;设定单元,用于计算各个所述候选词与所述搜索词的相似度,并将基于相似度降序排序后靠前的预设数值个候选词作为相关候选词。
在一实施例中,所述设定单元,包括:划分去重子单元,用于基于所述搜索词对所述预设数值个候选词进行划分并去重,将去重结果作为相关候选词。
在一实施例中,所述确定模块,包括:第一概率计算单元,用于计算所述搜索词在所述目标网页中出现的第一概率;第二概率计算单元,用于计算所述相关候选词在所述目标网页中出现的第二概率;乘积单元,用于将所述第一概率与所述第二概率的乘积确定为目标概率;组合单元,用于基于所述搜索词将所述相关候选词与所述搜索词组合形成一个组合词,计算所述组合词在所述目标网页中的第四概率;确定单元,用于确定所述第四概率大于目标概率,将所述搜索词确定为非搜索推荐词。
在一实施例中,所述装置,还包括:搜索推荐词确定模块,用于确定划分去重子单元的去重结果中不包含任一字符,将所述搜索词确定为搜索推荐词。
在一实施例中,确定模块,还包括:替换单元,用于将所述搜索词确定为非搜索推荐词之后,将所述组合词替换所述搜索词。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。