CN111563207A - 一种搜索结果的排序方法、装置、存储介质及计算机设备 - Google Patents
一种搜索结果的排序方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111563207A CN111563207A CN202010673126.0A CN202010673126A CN111563207A CN 111563207 A CN111563207 A CN 111563207A CN 202010673126 A CN202010673126 A CN 202010673126A CN 111563207 A CN111563207 A CN 111563207A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- search
- search result
- statistical graph
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种搜索结果的排序方法及装置、存储介质、计算机设备,该方法包括:将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与目标搜索特征对应的目标统计图;基于预设分档档位对目标统计图进行档位划分,以使目标统计图形成与预设分档档位匹配数量的区域;分别基于每个区域内的像素点RGB值确定相应的区域兴趣得分,并按照区域兴趣得分的大小对区域进行排序;根据目标搜索日志中的目标搜索结果以及目标搜索特征,计算目标搜索结果的目标N维分档特征值;按照目标N维分档特征值确定目标搜索结果在目标统计图中对应的目标区域,并按照目标区域的排序推荐目标搜索结果。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及到一种搜索结果的排序方法、装置、存储介质及计算机设备。
背景技术
随着网络技术的发展,搜索引擎得到了不断的完善,通过搜索引擎可以从互联网上获取各种信息。搜索引擎是当前互联网帮助用户快速获取信息的主要途径之一。在本地生活互联网化的快速发展的大形势下,很多用户已经习惯于使用各类APP查询本地生活信息,用户提交一个查询词(Query)给APP,从而APP基于查询词搜索与该查询词相关的搜索结果,然后将这些搜索结果进行排序后,按照一定的顺序展示给用户。目前的搜索结果排序方法,一般是基于搜索结果与查询词之间的相关程度从高到低排列,在实际应用中,这种排序方法存在一定的弊端,例如用户在A位置搜索某个关键词,与该关键词最相关的店铺与A位置的距离很远,用户不方便过去,显然此时这种排序方式是不太合理的。在对搜索结果进行排序时,若只考虑单一维度的特征,排序效果不够理想。
发明内容
根据本申请的一个方面,提供了一种搜索结果的排序方法,所述方法包括:
将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图;
基于预设分档档位对所述目标统计图进行档位划分,以使所述目标统计图形成与所述预设分档档位匹配数量的区域;
分别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序;
根据所述目标搜索日志中的目标搜索结果以及所述目标搜索特征,计算所述目标搜索结果的目标N维分档特征值;
按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果;
其中,所述统计图预测模型通过样本搜索特征以及样本统计图训练,所述样本统计图包括用于表征所述样本搜索结果的像素点,像素点位置基于所述样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于所述样本搜索结果对应的样本兴趣得分确定。
具体地,所述将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图之前,所述方法还包括:
获取样本搜索日志,其中,所述样本搜索日志包括所述样本搜索特征、与所述样本搜索特征对应的至少一条样本搜索结果以及与任一所述样本搜索结果对应的操作数据;
根据所述样本搜索结果以及所述操作数据,计算任一所述样本搜索结果对应的所述样本兴趣得分;
根据所述样本搜索特征以及所述样本搜索结果,计算任一所述样本搜索结果对应的所述样本N维分档特征值;
按照所述样本兴趣得分以及所述样本N维分档特征值,绘制样本统计图。
具体地,所述操作数据包括点击数据以及交易数据;所述根据所述样本搜索结果以及所述操作数据,计算任一所述样本搜索结果对应的所述样本兴趣得分,具体包括:
按照预设样本兴趣得分计算公式、所述样本搜索结果以及所述操作数据,计算所述样本兴趣得分,其中,所述预设样本兴趣得分计算公式为
f=a*click+b*trade,a+b=1
f表示所述样本兴趣得分,a表示点击兴趣系数,b表示交易兴趣系数,若所述操作数据包括所述点击数据则click取1,否则click取0,若所述操作数据包括所述交易数据则trade取1,否则trade取0。
具体地,所述样本搜索特征包括样本搜索关键词以及样本搜索坐标,N取2,所述样本N维分档特征值包括样本相关性分档特征值以及样本距离分档特征值;所述根据所述样本搜索结果以及所述样本搜索特征,计算所述样本N维分档特征值,具体包括:
计算所述样本搜索结果与所述样本搜索特征之间的至少一种相关性对应的特征得分,并基于至少一种所述相关性对应的特征得分确定所述样本相关性分档特征值,其中,至少一种所述相关性包括但不限于文本相关性、类目相关性、实体相关性以及语义相关性之中的一种或其组合;
基于所述样本搜索坐标以及所述搜索结果对应的坐标,计算所述样本距离分档特征值,其中,所述样本搜索坐标包括搜索位置坐标或搜索定位坐标。
具体地,所述预设分档档位包括包括预设相关性分档档位以及预设距离分档档位,所述目标统计图的区域数量为所述预设相关性分档档位与所述预设距离分档档位之积。
具体地,所述别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序,具体包括:
获取任一所述区域内的像素点RGB值对应的得分,求取任一所述区域内的像素点RGB值对应的得分的平均值作为所述区域兴趣得分;
按照所述区域兴趣得分从大到小的顺序排列所述区域。
具体地,所述目标N维分档特征值包括目标相关性分档特征值以及目标距离分档特征值;所述按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果,具体包括:
基于所述目标相关性分档特征值以及所述目标距离分档特征值,确定所述目标搜索结果对应的目标区域;
按照所述区域对应的排序,确定所述目标搜索结果对应的档位推荐顺序;
根据预设搜索结果排序规则,分析每个档位中的所述目标搜索结果对应的档位内推荐顺序;
基于所述目标搜索结果对应档位推荐顺序以及所述档位内推荐顺序,推荐所述目标搜索结果。
根据本申请的另一方面,提供了一种搜索结果的排序装置,所述装置包括:
目标统计图预测模块,用于将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图;
区域划分模块,用于基于预设分档档位对所述目标统计图进行档位划分,以使所述目标统计图形成与所述预设分档档位匹配数量的区域;
区域排序模块,用于分别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序;
目标特征值计算模块,用于根据所述目标搜索日志中的目标搜索结果以及所述目标搜索特征,计算所述目标搜索结果的目标N维分档特征值;
搜索结果推荐模块,用于按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果;
其中,所述统计图预测模型通过样本搜索特征以及样本统计图训练,所述样本统计图包括用于表征所述样本搜索结果的像素点,像素点位置基于所述样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于所述样本搜索结果对应的样本兴趣得分确定。
具体地,所述装置还包括:
样本搜索日志获取模块,用于将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图之前,获取样本搜索日志,其中,所述样本搜索日志包括所述样本搜索特征、与所述样本搜索特征对应的至少一条样本搜索结果以及与任一所述样本搜索结果对应的操作数据;
样本兴趣得分计算模块,用于根据所述样本搜索结果以及所述操作数据,计算任一所述样本搜索结果对应的所述样本兴趣得分;
样本特征值计算模块,用于根据所述样本搜索特征以及所述样本搜索结果,计算任一所述样本搜索结果对应的所述样本N维分档特征值;
样本统计图绘制模块,用于按照所述样本兴趣得分以及所述样本N维分档特征值,绘制样本统计图。
具体地,所述操作数据包括点击数据以及交易数据;所述样本兴趣得分计算模块,具体用于:
按照预设样本兴趣得分计算公式、所述样本搜索结果以及所述操作数据,计算所述样本兴趣得分,其中,所述预设样本兴趣得分计算公式为
f=a*click+b*trade,a+b=1
f表示所述样本兴趣得分,a表示点击兴趣系数,b表示交易兴趣系数,若所述操作数据包括所述点击数据则click取1,否则click取0,若所述操作数据包括所述交易数据则trade取1,否则trade取0。
具体地,所述样本搜索特征包括样本搜索关键词以及样本搜索坐标,N取2,所述样本N维分档特征值包括样本相关性分档特征值以及样本距离分档特征值;所述样本特征值计算模块,具体包括:
样本相关性计算单元,用于计算所述样本搜索结果与所述样本搜索特征之间的至少一种相关性对应的特征得分,并基于至少一种所述相关性对应的特征得分确定所述样本相关性分档特征值,其中,至少一种所述相关性包括但不限于文本相关性、类目相关性、实体相关性以及语义相关性之中的一种或其组合;
样本距离计算单元,用于基于所述样本搜索坐标以及所述搜索结果对应的坐标,计算所述样本距离分档特征值,其中,所述样本搜索坐标包括搜索位置坐标或搜索定位坐标。
具体地,所述预设分档档位包括包括预设相关性分档档位以及预设距离分档档位,所述目标统计图的区域数量为所述预设相关性分档档位与所述预设距离分档档位之积。
具体地,所述区域排序模块,具体包括:
区域兴趣得分计算单元,用于获取任一所述区域内的像素点RGB值对应的得分,求取任一所述区域内的像素点RGB值对应的得分的平均值作为所述区域兴趣得分;
区域排序单元,用于按照所述区域兴趣得分从大到小的顺序排列所述区域。
具体地,所述目标N维分档特征值包括目标相关性分档特征值以及目标距离分档特征值;所述搜索结果推荐模块,具体包括:
目标区域确定单元,用于基于所述目标相关性分档特征值以及所述目标距离分档特征值,确定所述目标搜索结果对应的目标区域;
档位推荐顺序确定单元,用于按照所述区域对应的排序,确定所述目标搜索结果对应的档位推荐顺序;
档内推荐顺序确定单元,用于根据预设搜索结果排序规则,分析每个档位中的所述目标搜索结果对应的档位内推荐顺序;
搜索结果推荐单元,用于基于所述目标搜索结果对应档位推荐顺序以及所述档位内推荐顺序,推荐所述目标搜索结果。
依据本申请又一个方面,提供了一种存储介质,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搜索结果的排序方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述搜索结果的排序方法。
借由上述技术方案,本申请提供的一种搜索结果的排序方法及装置、存储介质、计算机设备,利用统计图预测模型对目标搜索特征对应的目标统计图进行预测,基于预设分档档位目标统计图进行档位划分,使目标统计图形成与档位对应的不同区域,并按照不同区域中对应的像素点GRB值对区域兴趣得分进行预估,从而按照区域兴趣得分确定不同区域的推荐排序,最后根据目标搜索结果对应的N维分档特征值将目标搜索结果划分到目标统计图的区域中,以实现按照区域排序推荐相应区域内的目标搜索结果。本申请实施例按照多维特征对目标搜索结果进行分档,并按照不同档位的兴趣得分预估值排列不同档位内的目标搜索结果,以使用户更感兴趣的目标搜索结果能够排列在展示页面更靠前、更显眼的位置,提升用户的搜索体验,也有助于提高搜索结果转化率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种搜索结果的排序方法的流程示意图;
图2示出了本申请实施例提供的一种样本统计图绘制方法的流程示意图;
图3示出了本申请实施例提供的另一种搜索结果的排序方法的流程示意图;
图4示出了本申请实施例提供的一种搜索结果的排序装置的结构示意图;
图5示出了本申请实施例提供的另一种搜索结果的排序装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种搜索结果的排序方法,如图1所示,该方法包括:
步骤101,将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与目标搜索特征对应的目标统计图。
在本申请实施例中,在进行搜索结果的排序之前,需要先对统计图预测模型进行训练。具体地,统计图预测模型通过样本搜索特征以及样本统计图训练,样本统计图包括用于表征样本搜索结果的像素点,像素点位置基于样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于样本搜索结果对应的样本兴趣得分确定。
将样本搜索特征和样本统计图作为训练样本训练统计图预测模型,其中,样本搜索特征作为输入值,样本统计图作为输出值,这里的样本统计图不限于图片形式,也可以以数据形式来反应搜索结果特征,本申请实施例以图片形式的样本统计图为例进行解释说明,与样本搜索特征对应的每一条样本搜索结果都可以通过一个像素点的形式在样本统计图中展现。
本申请实施例的统计图预测模型,用于预测能够反应搜索结果分别以及用户对搜索结果的兴趣程度的目标统计图,因此用作训练样本的样本统计图中需要表征出搜索结果的分布情况以及用户对各搜索结果的兴趣程度,具体来说,在样本统计图中,每条样本搜索结果对应的像素点的在图中的位置与样本N维分档特征值确定,其中,N≥2,分档维度可以选择相关性、距离等等,基于N的取值可以将样本统计图划分为N个坐标系,根据样本搜索结果的任意一个维度的分档特征值可以确定该结果在对应的一个坐标轴上的位置,进而基于样本N维分档特征值可以确定该样本搜索结果在样本统计图中N个坐标轴的位置,也即可以确定该结果在图中的位置,而像素点的RGB值即颜色基于样本兴趣得分确定,样本兴趣得分用于反应用户对任意一个搜索结果的兴趣程度,例如像素点的颜色越深表示用户对该样本搜索结果的兴趣越大,其余位置可以用空像素点填补即RGB值为0,这样通过样本统计图就可以反应出用户对各样本搜索结果的感兴趣程度。
从而将目标搜索特征输入至训练好的统计图预测模型中,就可以得到一张能够预测出一张反应用户兴趣分布的图片,以便在后续的步骤中,利用模型预测出的目标统计图实现对目标搜索结果的排序。
步骤102,基于预设分档档位对目标统计图进行档位划分,以使目标统计图形成与预设分档档位匹配数量的区域。
在上述实施例中,按照预设的分档档位信息对目标统计图进行区域划分,每个区域代表一个档位,其中,预设分档档位包括N个维度,每个维度至少包括两档,以两个维度为例,第一维度对应统计图的x轴,第二维度对应统计图的y轴,第一维度划分为2个档位,分别为档位X1、X2,第二维度划分为2个档位,分别为档位Y1、Y2,那么就可以将目标统计图划分为2*2=4个档位,分别为X1Y1、X1Y2、X2Y1和X2Y2。对目标统计图进行区域划分,以便于后续确定不同区域对应的推荐排序位置,比如X1Y1区域相应的目标搜索结果优先于X2Y2区域的结果进行推荐。
步骤103,分别基于每个区域内的像素点RGB值确定相应的区域兴趣得分,并按照区域兴趣得分的大小对区域进行排序。
在上述实施例中,提供了一种对不同区域进行排序的方法,区域的排序依据其相应的兴趣得分来确定,由于像素点的RGB值大小是用于预测用户的兴趣程度的,因此区域的兴趣得分可以按照每个区域内对应的像素点的RGB值来确定,然后按照区域兴趣得分从大到小的顺序排列各区域,兴趣得分高的区域表示用户的感兴趣程度可能性更大,在对结果进行排序时可以排列在靠前位置。
步骤104,根据目标搜索日志中的目标搜索结果以及目标搜索特征,计算目标搜索结果的目标N维分档特征值。
步骤105,按照目标N维分档特征值确定目标搜索结果在目标统计图中对应的目标区域,并按照目标区域的排序推荐目标搜索结果。
在上述实施例中,依据与目标搜索特征对应的每条目标搜索结果,分别计算每条目标搜索结果的N个维度的分档特征值,需要注意的是,这里计算的目标N维分档特征值与样本N维分档特征值的维度相同,接着利用这N个维度的分档特征值来确定每条目标搜索结果在目标统计图中对应的区域,以实现基于多个维度的特征对目标搜索结果进行分档,从而实现对目标搜索结果的档位划分,然后在根据步骤103中确定的档位排序,确定每条目标搜索结果的推荐顺序,从而实现按照每个档位的兴趣得分预估值大小对相应档位的目标搜索结果的排序以及推荐。
通过应用本实施例的技术方案,利用统计图预测模型对目标搜索特征对应的目标统计图进行预测,基于预设分档档位目标统计图进行档位划分,使目标统计图形成与档位对应的不同区域,并按照不同区域中对应的像素点GRB值对区域兴趣得分进行预估,从而按照区域兴趣得分确定不同区域的推荐排序,最后根据目标搜索结果对应的N维分档特征值将目标搜索结果划分到目标统计图的区域中,以实现按照区域排序推荐相应区域内的目标搜索结果。本申请实施例按照多维特征对目标搜索结果进行分档,并按照不同档位的兴趣得分预估值排列不同档位内的目标搜索结果,以使用户更感兴趣的目标搜索结果能够排列在展示页面更靠前、更显眼的位置,提升用户的搜索体验,也有助于提高搜索结果转化率。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了一种样本统计图绘制方法,如图2所示,其中,本申请实施例以N取2进行解释说明,该方法包括:
步骤201,获取样本搜索日志,其中,样本搜索日志包括样本搜索特征、与样本搜索特征对应的至少一条样本搜索结果以及与任一样本搜索结果对应的操作数据。
本申请实施例利用样本搜索日志来绘制样本统计图,从而建立训练样本。样本搜索日志中包含样本搜索特征、样本搜索结果以及操作数据,其中,样本搜索特征具体可以包括用户输入的查询词以及场景特征,样本搜索结果包括至少一条,且每一条样本搜索结果均对应有用户对该结果产生的操作数据,例如点击、交易、收藏等等。
步骤202,根据样本搜索结果以及操作数据,计算任一样本搜索结果对应的样本兴趣得分。
具体地,操作数据包括点击数据以及交易数据;按照预设样本兴趣得分计算公式、样本搜索结果以及操作数据,计算样本兴趣得分,其中,预设样本兴趣得分计算公式为
f=a*click+b*trade,a+b=1
f表示样本兴趣得分,a表示点击兴趣系数,b表示交易兴趣系数,若操作数据包括点击数据则click取1,否则click取0,若操作数据包括交易数据则trade取1,否则trade取0。
在上述实施例中,对于任意一条样本搜索结果,计算其对应的样本兴趣得分,如上述的预设样本兴趣得分计算公式所示,样本兴趣得分与操作数据相关,若用户对某条样本搜索结果未点击也未交易则兴趣得分为0,若仅点击未交易则兴趣得分为a,若既点击又交易则兴趣得分为1。
步骤203,根据样本搜索特征以及样本搜索结果,计算任一样本搜索结果对应的样本N维分档特征值。
具体地,样本搜索特征包括样本搜索关键词以及样本搜索坐标,N取2,样本N维分档特征值包括样本相关性分档特征值以及样本距离分档特征值。
步骤203具体包括计算样本相关性分档特征值的步骤2031以及计算样本距离分档特征值的步骤2032。
步骤2031,计算样本搜索结果与样本搜索特征之间的至少一种相关性对应的特征得分,并基于至少一种相关性对应的特征得分确定样本相关性分档特征值,其中,至少一种相关性包括但不限于文本相关性、类目相关性、实体相关性以及语义相关性之中的一种或其组合。
对于样本相关性分档特征值来说,可以基于文本相关性特征值、类目相关性特征值、实体相关性特征值以及语义相关性特征值之中的一种或其组合,选用多种相关性特征值来确定样本相关性分档特征值时,可以采用加权求和的方式,权重之和为1。
步骤2032,基于样本搜索坐标以及搜索结果对应的坐标,计算样本距离分档特征值,其中,样本搜索坐标包括搜索位置坐标或搜索定位坐标。
对于样本距离分档特征值来说,可以通过计算样本搜索坐标与搜索结果对应的坐标之间的距离来确定,其中,样本搜索坐标可以为用户发起搜索时所在的位置对应的搜索位置坐标,也可以为用户设定的位置对应的搜索定位坐标。
步骤204,按照样本兴趣得分以及样本N维分档特征值,绘制样本统计图。
在上述实施例中,依据上述计算得出的样本N维分档特征值确定样本统计图中代表各样本搜索结果的像素点的位置,通过样本兴趣得分确定各像素点的GRB值,从而绘制出样本统计图。
另外,还可以采用第二种方式绘制样本统计图,通过将样本统计图划分成多个档位区域,然后再确定各档位区域块对应的颜色来绘制。在这种绘制方式中,步骤2031计算样本相关性特征值之后,还需要按照预设相关性档位区间对不同搜索结果所在的相关性档位进行划分,例如按照相关性划分成3个档,设置T1和T2两个门槛值,2档(强相关):[T2, 1];1档(弱相关):[T1, T2);0档(不相关):[0, T1),另外采用这种方式绘制样本统计图时,确定样本相关性特征值时,还可以采用投票算法,例如文本相关性特征值、类目相关性特征值、实体相关性特征值以及语义相关性特征值之中的一种或几个符合强相关档位门槛值,则将该样本搜索结果划分到强相关档位,否则继续判断是否满足其中的一个或几个特征值超过相应的弱相关门槛值,若符合则划分到弱相关档位,否则划分到不相关档位。步骤2032可以通过聚类的方式进行档位划分,例如采用k-means聚类算法,聚类数量K设置为3,基于样本搜索坐标与搜索结果对应的坐标之间的距离将搜索结果进行聚类,形成3个簇,近距离簇为2档,中距离簇为1档,远距离簇为0档。
从而基于样本N维分档,将样本统计图划分为几个区域,以上述的相关性分档档位数量为3,距离分档档位数量为3为例,统计图x轴表示相关性分档,y轴表示距离分档,可以将统计图划分为3*3=9个区域。
然后再根据不同区域对应的档位内的样本搜索结果的兴趣得分来确定每个档位区域的RGB值,每个区域的像素点的RGB值相等,即将样本统计图形成9个色块区域,颜色越深表示用户对该区域内的搜索结果的兴趣越大,反之,颜色越浅表示用户对该区域内的搜索结果的兴趣越小。
按照如图2所示的方法,绘制样本统计图之后,就可以利用样本搜索特征和样本统计图建立训练样本,从而训练统计图预测模型。
本申请实施例中的统计图预测模型可以采用Stack GAN模型,该模型经过训练后可以基于输入的特征向量,生成二维图片。在训练过程中,首先,对样本搜索特征进行编码,数值类特征进行one-hot编码,文字类特征进行Word Embedding,具体可以基于word2vec生成或基于Bert和大规模开放语料生成预训练编码。编码方法可以采用现有技术中任意一种能够实现数值编码或文字编码的编码方法,在此不做举例。然后,将样本搜索特征对应的特征向量作为输入值,样本统计图作为输出值,进行模型训练,得出能够实现统计图预测的模型。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了一种搜索结果的排序方法,如图3所示,该方法包括:
步骤301,将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与目标搜索特征对应的目标统计图。
在本实施例中,接收目标搜索日志,目标搜索日志中应包含目标搜索特征以及需要进行排序的目标搜索结果,其中,目标搜索特征包括用户输入的查询词以及场景特征,将目标搜索日志中的目标搜索特征进行编码,然后将编码得到的特征向量输入至训练好的统计图预测模型中,得出与目标搜索特征对应的目标统计图,以结合目标统计图实现搜索结果的推荐。
步骤302,基于预设分档档位对目标统计图进行档位划分,以使目标统计图形成与预设分档档位匹配数量的区域。
具体地,预设分档档位包括包括预设相关性分档档位以及预设距离分档档位,目标统计图的区域数量为预设相关性分档档位与预设距离分档档位之积。
在上述实施例中,基于预设相关性分档档位以及预设距离分档档位对目标统计图进行区域划分,需要注意的是,这里对目标统计图划分区域的方式,与上文中的第二种样本统计图的绘制方法中的区域划分方式相似,且如果采用第二种样本统计图的绘制方法,则在对目标统计图进行区域划分时,预设相关性分档档位以及预设距离分档档位应与样本统计图划分区域时选用的相应档位相同。例如,将目标统计图中用于表征相关性的坐标轴划分为3个档位,用于表征距离分档档位的坐标轴划分为3个档位,共计3*3=9个档位,也就是将目标统计图划分为9个区域。
步骤303,获取任一区域内的像素点RGB值对应的得分,求取任一区域内的像素点RGB值对应的得分的平均值作为区域兴趣得分。
步骤304,按照区域兴趣得分从大到小的顺序排列区域。
在步骤303和步骤304中,对目标统计图进行分档后,分别计算每个分档区域内像素点RGB值的平均值,将平均值作为相应档位区域的区域兴趣得分,该兴趣得分的大小可以反应出用户对该区域内对应的目标搜索结果的兴趣程度,按照区域兴趣得分从大到小的顺序排列这些档位区域,从而可以基于区域排序实现对目标搜索结果的推荐顺序的预测。
步骤305,根据目标搜索日志中的目标搜索结果以及目标搜索特征,计算目标搜索结果的目标N维分档特征值。
具体地,目标N维分档特征值包括目标相关性分档特征值以及目标距离分档特征值。
步骤306,基于目标相关性分档特征值以及目标距离分档特征值,确定目标搜索结果对应的目标区域。
在步骤305和步骤306中,将目标搜索日志包含的目标搜索结果划分到目标统计图的各个档位区域中,具体来说,可以采用与上文中第二中绘制样本统计图中档位区域划分的方式,首先,按照与步骤2031中提供的样本相关性分档特征值相似的计算方式,可以基于文本相关性特征值、类目相关性特征值、实体相关性特征值以及语义相关性特征值之中的一种或其组合确定目标相关性特征值,然后基于预设的相关性门槛值确定目标相关性值对应的目标相关性档位;其次,按照与步骤2032中提供的样本距离相关系分档特征值相似的计算方式,对目标搜索结果进行聚类分析,例如聚类形成3个簇,得到目标距离分档值对应的目标距离档位;最后,按照目标搜索结果对应的相关性档位和距离档位确定对应的目标区域。这样就实现了将目标搜索结果划分到目标统计图的不同区域中,对目标搜索结果进行分档。
步骤307,按照区域对应的排序,确定目标搜索结果对应的档位推荐顺序。
步骤308,根据预设搜索结果排序规则,分析每个档位中的目标搜索结果对应的档位内推荐顺序。
步骤309,基于目标搜索结果对应档位推荐顺序以及档位内推荐顺序,推荐目标搜索结果。
在步骤307至步骤309中,确定了每条目标搜索结果对应的分档区域,以及不同分档区域的排序后,就可以对目标搜索结果进行大体上的推荐顺序排列,比如,排序在第一的分档区域对应有A、B、C三个目标搜索结果,排序在第二的分档区域对应有D、E、F三个目标搜索结果,在进行结果推荐时,就可以将A、B、C的排序放在D、E、F之前,但是具体A、B、C的先后顺序,以及D、E、F的先后顺序仍然无法确定。因此为了确定每个档位区域对应的目标搜索结果的排序,还可以基于预设搜索结果排序规则,分别对每个档位对应的目标搜索结果进行该档位内的内部排序,从而确定A、B、C的具体顺序以及D、E、F的具体顺序,例如顺序为A、C、B和E、F、D,这里的预设搜索结果排序规则进行排序具体可以采用训练好的机器学习模型对搜索结果排序,机器学习模型可以对搜索结果(例如店铺)与查询词之间的相关性、与用户定位位置的距离、店铺的人均消费值、店铺的评分等等信息进行学习,从而对档位内的目标搜索结果进行排序。最后基于目标搜索结果对应的档位推荐顺序以及档位内推荐顺序,确定目标搜索结果的推荐顺序,实现结果推荐,例如推荐顺序为A、C、B、E、F、D。
通过应用本实施例的技术方案,1)提出了搜索结果排序的优化思路,使其兼顾业务可解释性和业务最大化:本实施例提出的“先分档、再档内进行排序“的思路,分档优先级最高,档内再用机器学习模型进行排序,这样避免了模型学习的不可控和黑盒性,同时也使得搜索结果能有较好的业务可解释性。2)提出了多维分档算法:对于排序分档,有诸多不同的方案,本实施例提出了一种基于多个单一维度的分档档位确定N个维度的分档档位的“多维正交分档”算法,可以同时满足多个优化目标,比如除了满足相关性,还可以满足距离(属于场景匹配程度)从近到远,实现了对相关性和距离同时进行分档,而传统在线搜索大多只对相关性一维分档。3)把线性排序问题,认知成为图形问题,并得到创新性的解决方案:在移动搜索大背景下,用户使用手机从上到下顺次浏览搜索结果,这意味着,排序通常是一个一维线性问题。但一维线性认知下,多维分档不能使用,为了解决这个矛盾,本实施例提出的“将一维搜索结果转换为高维图片表达方式,进而利用搜索特征和高维图片训练统计图预测模型,进而利用预测模型预测的高维目标统计图,再利用高维统计图信息进行一维搜索结果的排序”这样的一个认知转化方案,在搜索结果的排序领域中具备极大的创新性,且具有技术可行性和业务正向效果。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种搜索结果的排序装置,如图4所示,该装置包括:目标统计图预测模块41、区域划分模块42、区域排序模块43、目标特征值计算模块44、搜索结果推荐模块45。
目标统计图预测模块41,用于将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与目标搜索特征对应的目标统计图;
区域划分模块42,用于基于预设分档档位对目标统计图进行档位划分,以使目标统计图形成与预设分档档位匹配数量的区域;
区域排序模块43,用于分别基于每个区域内的像素点RGB值确定相应的区域兴趣得分,并按照区域兴趣得分的大小对区域进行排序;
目标特征值计算模块44,用于根据目标搜索日志中的目标搜索结果以及目标搜索特征,计算目标搜索结果的目标N维分档特征值;
搜索结果推荐模块45,用于按照目标N维分档特征值确定目标搜索结果在目标统计图中对应的目标区域,并按照目标区域的排序推荐目标搜索结果;
其中,统计图预测模型通过样本搜索特征以及样本统计图训练,样本统计图包括用于表征样本搜索结果的像素点,像素点位置基于样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于样本搜索结果对应的样本兴趣得分确定。
在具体的应用场景中,如图5所示,该装置还包括:样本搜索日志获取模块46、样本兴趣得分计算模块47、样本特征值计算模块48、样本统计图绘制模块49。
样本搜索日志获取模块46,用于将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与目标搜索特征对应的目标统计图之前,获取样本搜索日志,其中,样本搜索日志包括样本搜索特征、与样本搜索特征对应的至少一条样本搜索结果以及与任一样本搜索结果对应的操作数据;
样本兴趣得分计算模块47,用于根据样本搜索结果以及操作数据,计算任一样本搜索结果对应的样本兴趣得分;
样本特征值计算模块48,用于根据样本搜索特征以及样本搜索结果,计算任一样本搜索结果对应的样本N维分档特征值;
样本统计图绘制模块49,用于按照样本兴趣得分以及样本N维分档特征值,绘制样本统计图。
在具体的应用场景中,操作数据包括点击数据以及交易数据;样本兴趣得分计算模块47,具体用于:按照预设样本兴趣得分计算公式、样本搜索结果以及操作数据,计算样本兴趣得分,其中,预设样本兴趣得分计算公式为
f=a*click+b*trade,a+b=1
f表示样本兴趣得分,a表示点击兴趣系数,b表示交易兴趣系数,若操作数据包括点击数据则click取1,否则click取0,若操作数据包括交易数据则trade取1,否则trade取0。
在具体的应用场景中,样本搜索特征包括样本搜索关键词以及样本搜索坐标,N取2,样本N维分档特征值包括样本相关性分档特征值以及样本距离分档特征值;如图5所示,样本特征值计算模块48,具体包括:样本相关性计算单元481、样本距离计算单元482。
样本相关性计算单元481,用于计算样本搜索结果与样本搜索特征之间的至少一种相关性对应的特征得分,并基于至少一种相关性对应的特征得分确定样本相关性分档特征值,其中,至少一种相关性包括但不限于文本相关性、类目相关性、实体相关性以及语义相关性之中的一种或其组合;
样本距离计算单元482,用于基于样本搜索坐标以及搜索结果对应的坐标,计算样本距离分档特征值,其中,样本搜索坐标包括搜索位置坐标或搜索定位坐标。
在具体的应用场景中,预设分档档位包括包括预设相关性分档档位以及预设距离分档档位,目标统计图的区域数量为预设相关性分档档位与预设距离分档档位之积。
在具体的应用场景中,如图5所示,区域排序模块43,具体包括:区域兴趣得分计算单元431、区域排序单元432。
区域兴趣得分计算单元431,用于获取任一区域内的像素点RGB值对应的得分,求取任一区域内的像素点RGB值对应的得分的平均值作为区域兴趣得分;
区域排序单元432,用于按照区域兴趣得分从大到小的顺序排列区域。
在具体的应用场景中,目标N维分档特征值包括目标相关性分档特征值以及目标距离分档特征值;如图5所示,搜索结果推荐模块45,具体包括:目标区域确定单元451、档位推荐顺序确定单元452、档内推荐顺序确定单元453、搜索结果推荐单元454。
目标区域确定单元451,用于基于目标相关性分档特征值以及目标距离分档特征值,确定目标搜索结果对应的目标区域;
档位推荐顺序确定单元452,用于按照区域对应的排序,确定目标搜索结果对应的档位推荐顺序;
档内推荐顺序确定单元453,用于根据预设搜索结果排序规则,分析每个档位中的目标搜索结果对应的档位内推荐顺序;
搜索结果推荐单元454,用于基于目标搜索结果对应档位推荐顺序以及档位内推荐顺序,确定目标搜索结果的推荐顺序。
需要说明的是,本申请实施例提供的一种搜索结果的排序装置所涉及各功能单元的其他相应描述,可以参考图1至图3中的对应描述,在此不再赘述。
基于上述如图1至图3所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1至图3所示的搜索结果的排序方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图3所示的方法,以及图4、图5所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图3所示的搜索结果的排序方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现利用统计图预测模型对目标搜索特征对应的目标统计图进行预测,基于预设分档档位目标统计图进行档位划分,使目标统计图形成与档位对应的不同区域,并按照不同区域中对应的像素点GRB值对区域兴趣得分进行预估,从而按照区域兴趣得分确定不同区域的推荐排序,最后根据目标搜索结果对应的N维分档特征值将目标搜索结果划分到目标统计图的区域中,以实现按照区域排序推荐相应区域内的目标搜索结果。本申请实施例按照多维特征对目标搜索结果进行分档,并按照不同档位的兴趣得分预估值排列不同档位内的目标搜索结果,以使用户更感兴趣的目标搜索结果能够排列在展示页面更靠前、更显眼的位置,提升用户的搜索体验,也有助于提高搜索结果转化率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种搜索结果的排序方法,其特征在于,所述方法包括:
将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图;
基于预设分档档位对所述目标统计图进行档位划分,以使所述目标统计图形成与所述预设分档档位匹配数量的区域;
分别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序;
根据所述目标搜索日志中的目标搜索结果以及所述目标搜索特征,计算所述目标搜索结果的目标N维分档特征值;
按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果;
其中,所述统计图预测模型通过样本搜索特征以及样本统计图训练,所述样本统计图包括用于表征所述样本搜索结果的像素点,像素点位置基于所述样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于所述样本搜索结果对应的样本兴趣得分确定。
2.根据权利要求1所述的方法,其特征在于,所述将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图之前,所述方法还包括:
获取样本搜索日志,其中,所述样本搜索日志包括所述样本搜索特征、与所述样本搜索特征对应的至少一条样本搜索结果以及与任一所述样本搜索结果对应的操作数据;
根据所述样本搜索结果以及所述操作数据,计算任一所述样本搜索结果对应的所述样本兴趣得分;
根据所述样本搜索特征以及所述样本搜索结果,计算任一所述样本搜索结果对应的所述样本N维分档特征值;
按照所述样本兴趣得分以及所述样本N维分档特征值,绘制样本统计图。
3.根据权利要求2所述的方法,其特征在于,所述操作数据包括点击数据以及交易数据;所述根据所述样本搜索结果以及所述操作数据,计算任一所述样本搜索结果对应的所述样本兴趣得分,具体包括:
按照预设样本兴趣得分计算公式、所述样本搜索结果以及所述操作数据,计算所述样本兴趣得分,其中,所述预设样本兴趣得分计算公式为
f=a*click+b*trade,a+b=1
f表示所述样本兴趣得分,a表示点击兴趣系数,b表示交易兴趣系数,若所述操作数据包括所述点击数据则click取1,否则click取0,若所述操作数据包括所述交易数据则trade取1,否则trade取0。
4.根据权利要求2所述的方法,其特征在于,所述样本搜索特征包括样本搜索关键词以及样本搜索坐标,N取2,所述样本N维分档特征值包括样本相关性分档特征值以及样本距离分档特征值;所述根据所述样本搜索结果以及所述样本搜索特征,计算所述样本N维分档特征值,具体包括:
计算所述样本搜索结果与所述样本搜索特征之间的至少一种相关性对应的特征得分,并基于至少一种所述相关性对应的特征得分确定所述样本相关性分档特征值,其中,至少一种所述相关性包括但不限于文本相关性、类目相关性、实体相关性以及语义相关性之中的一种或其组合;
基于所述样本搜索坐标以及所述搜索结果对应的坐标,计算所述样本距离分档特征值,其中,所述样本搜索坐标包括搜索位置坐标或搜索定位坐标。
5.根据权利要求4所述的方法,其特征在于,所述预设分档档位包括预设相关性分档档位以及预设距离分档档位,所述目标统计图的区域数量为所述预设相关性分档档位与所述预设距离分档档位之积。
6.根据权利要求4或5所述的方法,其特征在于,所述别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序,具体包括:
获取任一所述区域内的像素点RGB值对应的得分,求取任一所述区域内的像素点RGB值对应的得分的平均值作为所述区域兴趣得分;
按照所述区域兴趣得分从大到小的顺序排列所述区域。
7.根据权利要求6所述的方法,其特征在于,所述目标N维分档特征值包括目标相关性分档特征值以及目标距离分档特征值;所述按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果,具体包括:
基于所述目标相关性分档特征值以及所述目标距离分档特征值,确定所述目标搜索结果对应的目标区域;
按照所述区域对应的排序,确定所述目标搜索结果对应的档位推荐顺序;
根据预设搜索结果排序规则,分析每个档位中的所述目标搜索结果对应的档位内推荐顺序;
基于所述目标搜索结果对应档位推荐顺序以及所述档位内推荐顺序,推荐所述目标搜索结果。
8.一种搜索结果的排序装置,其特征在于,所述装置包括:
目标统计图预测模块,用于将目标搜索日志中的目标搜索特征输入至训练好的统计图预测模型中,得到与所述目标搜索特征对应的目标统计图;
区域划分模块,用于基于预设分档档位对所述目标统计图进行档位划分,以使所述目标统计图形成与所述预设分档档位匹配数量的区域;
区域排序模块,用于分别基于每个所述区域内的像素点RGB值确定相应的区域兴趣得分,并按照所述区域兴趣得分的大小对所述区域进行排序;
目标特征值计算模块,用于根据所述目标搜索日志中的目标搜索结果以及所述目标搜索特征,计算所述目标搜索结果的目标N维分档特征值;
搜索结果推荐模块,用于按照所述目标N维分档特征值确定所述目标搜索结果在所述目标统计图中对应的目标区域,并按照所述目标区域的排序推荐所述目标搜索结果;
其中,所述统计图预测模型通过样本搜索特征以及样本统计图训练,所述样本统计图包括用于表征所述样本搜索结果的像素点,像素点位置基于所述样本搜索结果对应的样本N维分档特征值确定,像素点RGB值基于所述样本搜索结果对应的样本兴趣得分确定。
9.一种存储介质,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权利要求1至7中任一项所述的搜索结果的排序方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述的搜索结果的排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673126.0A CN111563207B (zh) | 2020-07-14 | 2020-07-14 | 一种搜索结果的排序方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673126.0A CN111563207B (zh) | 2020-07-14 | 2020-07-14 | 一种搜索结果的排序方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563207A true CN111563207A (zh) | 2020-08-21 |
CN111563207B CN111563207B (zh) | 2020-11-10 |
Family
ID=72073974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010673126.0A Active CN111563207B (zh) | 2020-07-14 | 2020-07-14 | 一种搜索结果的排序方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563207B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022262849A1 (zh) * | 2021-06-17 | 2022-12-22 | 浙江口碑网络技术有限公司 | 搜索结果输出方法、装置、计算机设备及可读存储介质 |
CN115687579A (zh) * | 2022-09-22 | 2023-02-03 | 广州视嵘信息技术有限公司 | 文档标签生成及匹配方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930422A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 搜索响应方法、装置及系统 |
CN109471980A (zh) * | 2018-12-20 | 2019-03-15 | 厦门笨鸟电子商务有限公司 | 一种基于文本匹配的搜索推荐相关度计算方法 |
US20190114348A1 (en) * | 2017-10-13 | 2019-04-18 | Microsoft Technology Licensing, Llc | Using a Generative Adversarial Network for Query-Keyword Matching |
CN110704606A (zh) * | 2019-08-19 | 2020-01-17 | 中国科学院信息工程研究所 | 一种基于图文融合的生成式摘要生成方法 |
CN111382367A (zh) * | 2018-12-27 | 2020-07-07 | 北京搜狗科技发展有限公司 | 一种搜索结果排序方法和装置 |
-
2020
- 2020-07-14 CN CN202010673126.0A patent/CN111563207B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930422A (zh) * | 2016-04-18 | 2016-09-07 | 乐视控股(北京)有限公司 | 搜索响应方法、装置及系统 |
US20190114348A1 (en) * | 2017-10-13 | 2019-04-18 | Microsoft Technology Licensing, Llc | Using a Generative Adversarial Network for Query-Keyword Matching |
CN109471980A (zh) * | 2018-12-20 | 2019-03-15 | 厦门笨鸟电子商务有限公司 | 一种基于文本匹配的搜索推荐相关度计算方法 |
CN111382367A (zh) * | 2018-12-27 | 2020-07-07 | 北京搜狗科技发展有限公司 | 一种搜索结果排序方法和装置 |
CN110704606A (zh) * | 2019-08-19 | 2020-01-17 | 中国科学院信息工程研究所 | 一种基于图文融合的生成式摘要生成方法 |
Non-Patent Citations (2)
Title |
---|
MU-CHU LEE等: "Rare Query Expansion Through Generative Adversarial Networks in Search Advertising", 《PROCEEDINGS OF THE 24TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
康嘉钰等: "基于生成对抗网络的长短兴趣推荐模型", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022262849A1 (zh) * | 2021-06-17 | 2022-12-22 | 浙江口碑网络技术有限公司 | 搜索结果输出方法、装置、计算机设备及可读存储介质 |
CN115687579A (zh) * | 2022-09-22 | 2023-02-03 | 广州视嵘信息技术有限公司 | 文档标签生成及匹配方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111563207B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210224286A1 (en) | Search result processing method and apparatus, and storage medium | |
WO2021159632A1 (zh) | 智能问答方法、装置、计算机设备及计算机存储介质 | |
CN106776673B (zh) | 多媒体文档概括 | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN110321422A (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN110795527B (zh) | 候选实体排序方法、训练方法及相关装置 | |
CN101305368A (zh) | 语义可视搜索引擎 | |
CN108804617B (zh) | 领域术语抽取方法、装置、终端设备及存储介质 | |
CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111563207B (zh) | 一种搜索结果的排序方法、装置、存储介质及计算机设备 | |
CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
CN113657087B (zh) | 信息的匹配方法及装置 | |
CN113011471A (zh) | 一种社交群体的划分方法、划分系统及相关装置 | |
CN113254810B (zh) | 搜索结果输出方法、装置、计算机设备及可读存储介质 | |
CN111737473B (zh) | 文本分类方法、装置及设备 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN112084307A (zh) | 一种数据处理方法、装置、服务器及计算机可读存储介质 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
CN113157867A (zh) | 一种问答方法、装置、电子设备及存储介质 | |
CN112148999B (zh) | Web开放环境下基于Mashup服务邻域的Web API推荐方法 | |
US20230315781A1 (en) | Web-scale personalized visual search recommendation service | |
Maheswari et al. | Kernelized Spectral Clustering based Conditional MapReduce function with big data | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN113806631A (zh) | 一种推荐方法、训练方法、装置、设备及新闻推荐系统 |
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 |