CN111767444B - 页面特征构建方法、装置、设备和存储介质 - Google Patents
页面特征构建方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111767444B CN111767444B CN202010576052.9A CN202010576052A CN111767444B CN 111767444 B CN111767444 B CN 111767444B CN 202010576052 A CN202010576052 A CN 202010576052A CN 111767444 B CN111767444 B CN 111767444B
- Authority
- CN
- China
- Prior art keywords
- webpage
- data
- page data
- feature
- page
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 230000006399 behavior Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 13
- 235000012813 breadcrumbs Nutrition 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种页面特征构建方法、装置、设备和存储介质，涉及人工智能、大数据和搜索技术领域。具体实现方案为：获取搜索引擎排序模型需要的网页特征种类；根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。本申请提高了页面数据的网页特征生成效率。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及人工智能、大数据和搜索技术领域，具体涉及一种页面特征构建方法、装置、设备和存储介质。
背景技术
随着页面数据的不断增长，搜索引擎为用户提供搜索服务过程中，一般根据用户搜索需求，通过粗排序为用户召回一批页面数据，随后通过搜索引擎排序模型根据页面数据的网页特征对粗粒度召回结果进行精排序。
如何构建网页特征是影响搜索引擎排序模型迭代更新效率的关键。
发明内容
本公开提供了一种用于页面特征构建的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种页面特征构建方法，包括：
获取搜索引擎排序模型需要的网页特征种类；
根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。
根据本公开的另一方面，提供了一种页面特征构建装置，包括：
特征种类获取模块，用于获取搜索引擎排序模型需要的网页特征种类；
网页特征生成模块，用于根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。
根据第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一项所述的页面特征构建方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一项所述的页面特征构建方法。
根据本申请的技术提高了页面数据的网页特征生成效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例提供的一种页面特征构建方法的流程示意图；
图2是根据本申请实施例提供的一种页面特征构建方法的流程示意图；
图3a是根据本申请实施例提供的一种页面特征构建方法的流程示意图；
图3b是根据本申请实施例提供的一种特征构建系统的结构示意图；
图4是根据本申请实施例提供的页面特征构建装置的结构示意图；
图5是用来实现本申请实施例的页面特征构建方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的一种页面特征构建方法的流程示意图。本实施例可适用于适应于搜索引擎排序模型的迭代更新，构建页面网页特征的情况。本实施例公开的页面特征构建方法可以由电子设备执行，具体可以由页面特征构建装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。参见图1，本实施例提供的页面特征构建方法包括：
S110、获取搜索引擎排序模型需要的网页特征种类。
其中，搜索引擎排序模型是指对搜索引擎粗粒度召回结果进行精排序的模型，本申请实施例对排序模型的结构不作具体限定，例如可以为决策树模型(Gradient BoostingDecision Tree，GBDT)、梯度增强机器模型(Gradient Boosting Machines，GBM)等。
其中，网页特征种类是指精排序过程中需要使用的特征种类。随着待搜索的页面数据内容不同和/或检索需求不同，排序模型需要使用的网页特征种类可以不同，网页特征种类具有迭代更新周期短的特点，即网页特征种类可以为排序模型已经在使用的旧网页特征种类，也可以为排序模型需要使用的新网页特征种类。在企业级搜索场景下，页面数据可以为企业内部员工积累的知识性文档数据或页面数据，不同技术领域知识数据的网页特征种类可以不同，例如部分知识数据关注专业度，部分知识数据关注点击率。具体的，可以获取搜索引擎排序模型适应页面数据内容或用户需求调整，所需要的网页特征种类。
S120、根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。
其中，基础特征库中预先存储有页面数据的基础特征，基础特征通过预先对页面数据本身进行特征提取得到，例如基础特征可以为页面标题、内容摘要、内容作者等。用户行为特征可以通过预先对用户的页面访问日志进行离线分析得到，例如用户行为特征可以为页面点击量、页面分享率等。
在一种可选实施方式中，页面数据为企业内部的知识型文档数据和/或知识型网页数据，即页面数据具有专业性强，检索需求复杂多变等特点。
具体的，针对企业内部的知识型页面数据，对页面数据本身进行处理得到页面数据的基础特征，且将基础特征写入基础特征库中，对页面数据的用户行为日志进行处理得到页面数据的用户行为特征。在获取搜索引擎排序模型需要的网页特征种类时即在排序模型具有迭代需求时，根据预先确定的基础特征和用户行为特征生成页面数据的网页特征，而无需再对页面数据本身或用户行为日志本身进行处理，能够提高网页特征的生成效率，从而能够满足排序模型的快速迭代需求，具体良好的扩展性。
本申请实施例的技术方案，通过预先生成页面数据的基础特征和用户行为特征，基于搜索引擎排序模型的特征需求，根据基础特征和用户行为特征生成网页特征，能够提高排序模型的网页特征的生成效率，从而便于排序模型快速迭代。
图2是根据本申请实施例提供的一种页面特征构建方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的页面特征构建方法包括：
S210、获取搜索引擎排序模型需要的网页特征种类。
其中，排序模型的网页特征种类具有迭代周期短的特点，支持对单一网页特征种类的快速迭代。例如排序模型预先构建有多种网页特征种类，随着页面数据的调整或检索需求的调整，排序模型可以需要新的网页特征种类。
S220、根据所述网页特征种类，确定网页特征生成规则。
具体的，可以预先配置有候选网页特征生成规则与候选网页特征种类之间关联关系，将获取的网页特征种类与关联关系进行匹配，得到网页特征生成规则。其中，网页特征生成规则用于对预先确定的用户行为特征和基础特征库中预先写入的基础特征进行处理，得到需要的网页特征。需要说明的是，若获取的网页特征种类与关联关系均匹配失败，则获取研发人员提供的网页特征生成规则，并建立获取的网页特征生成规则与网页特征种类之间关联关系，供后续使用。通过为页特征种类针对性地确定网页特征生成规则，提高网页特征的准确度，通过提高网页特征生成规则的确定效率，进而提高网页特征生成效率。
S230、基于所述网页特征生成规则，根据所述用户行为特征和所述基础特征库中预先写入的基础特征，生成所述页面数据的网页特征。
具体的，可以基于网页特征生成规则，选择关联的用户行为特征和基础特征，对关联的用户行为特征和基础特征进行处理，生成页面数据的网页特征。
在一种可选实施方式中，基础特征包括如下至少一项：统一资源定位符、标题、内容摘要、内容作者、页面状态、页面创建时间、页面更新时间、页面关键词、页面类型、面包屑导航和超文本标记语言特征。其中，页面状态可以为更新状态或删除状态，页面关键词是指内容作者为页面数据创建的关键词，例如可以为涉及算法名称、项目名称等，页面类型可以为文件型或网页型，面包屑导航是指基于网站层次信息的显示方式，可以为首页>一级目录名称>二级目录名称>目前位置，尽量要把面包屑导航的层次控制在预设数值层以内。通过精细化地确定页面数据的多种维度基础特征，为后续根据基础特征构建排序模型需要的网页特征奠定基础。
相应地，页面数据的网页特征可以包括如下至少一项：页面数据的全局id、页面数据的面包屑导航、面包屑导航的分词、文档标题、文档长度、文档标题分词、内容长度、文档正文、文档格式、文档的中英文占比、段落数量、图片数量、附件数量、权威性得分、质量得分、点击量和点击时间戳等。需要说明的是，本申请实施例对网页特征种类不作具体限定。考虑企业知识型数据的特点确定网页特征种类，从而丰富排序模型的功能。
本申请实施例的技术方案，通过基于网页特征生成规则，根据页面数据的基础特征和用户行为特征生成网页特征，能够提高排序模型的网页特征的生成效率，且支持对单一网页特征进行快速迭代。
图3a是根据本申请实施例提供的一种页面特征构建方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3a，本实施例提供的页面特征构建方法包括：
S310、将页面数据划分为至少两个页面数据组。
通过对页面数据分组，便于后续通过多个处理器并发生成页面数据的基础特征，从而提高基础特征的生成效率。
在一种可选实施方式中，根据页面数据的统一资源定位符(UniformResourceLocator，url)和/或数据类型标签，将所述页面数据划分为至少两个页面数据组。具体的，按照数据类型对页面数据进行划分，得到每一数据类型的页面数据组。
S320、将所述至少两个页面数据组分发到关联的处理器进行处理，得到所述页面数据的基础特征。
具体的，不同处理器可以关联有不同的数据类型，不同处理器中预置有关联的基础特征生成规则，通过将页面数据组分发到数据类型关联的处理器，能够进一步提高基础特征的生成效率。
在一种可选实施方式中，S320之前还包括：从所述页面数据中滤除无效数据。通过进行初步过滤，筛除无效垃圾数据，减少后续处理器需要处理的数据量，从而提高基础特征的生成效率。
在一种可选实施方式中，所述方法还包括：若检测到存在基础特征提取失败的异常页面数据，则将所述异常页面数据写入异常缓存中，且停止拉取新的页面数据；定时将所述异常缓存中的异常页面数据分发到处理器进行处理；若所述异常数据处理失败，则生成异常告警信息。
具体的，若任一处理器检测到存在基础特征提取识别的异常页面数据，则该处理器将异常页面数据写入异常缓存中，且停止拉取新的页面数据，避免新的页面数据增加处理器作业压力，造成数据拥堵。异常数据处理失败情况下，通过生成异常告警信息提醒工作人员排查异常原因，提高特征生成稳定性；异常数据处理成功情况下，重新开启拉取新的页面数据，且提取新页面数据的基础特征。在基础特征提取异常情况下，通过对异常页面数据进行处理，能够提高基础特征生成的成功率和稳定性。
S330、将所述页面数据的基础特征写入基础特征库中。
将基础特征预先写入基础特征库中，使得后续生成网页特征过程中，可以直接使用基础特征库中的基础特征生成网页特征，而无需对页面数据本身进行处理，提高网页特征的生成效率。
S340、获取搜索引擎排序模型需要的网页特征种类。
S350、根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。
图3b是根据本申请实施例提供的一种特征构建系统的结构示意图。参见图3b，消息中间件通过数据接入接口获取搜索引擎的页面数据，使用消息中间件对业务原始页面数据进行存储，能够提高下游特征构建系统的数据接入稳定性。
特征构建系统中的数据拉取模块将页面数据从消息中间件拉取到分发器，分发器对页面数据进行初步过滤，并对页面数据进行数据分桶，将分桶结果分发到关联的处理器。
特征构建系统中的数据处理器对页面数据进行处理，得到页面数据的基础特征，且将基础特征写入基础特征库。特征构建系统中通过数据拉取模块、分发器和处理器职责分离、解耦，提高系统的稳定性。
在数据处理器在构建基础特征过程中，若检测到任一页面数据处理异常，且重试失败，则将该页面数据写入异常缓存中，并关闭数据拉取服务，避免新页面数据继续流入导致数据拥堵异常；通过分发器将异常缓存中的异常页面数据分发给处理器进行处理，若异常页面数据处理失败，则发出告警提醒研发人员排查异常；若异常页面数据处理成功，则重新开启数据拉取服务，继续对新的页面数据进行特征提取。
特征构建系统中还通过Spark引擎等离线处理模块对用户的页面访问日志数据做离线计算，得到用户行为特征数据，例如文档点击次数。
特征构建系统还获取需要搜索引擎排序模型需要的网页特征种类；根据基础特征库中的基础特征和用户行为特征，确定网页特征，且将网页特征写入网页特征库中，供搜索引擎排序模型根据网页特征库中网页特征对粗排召回结果进行排序。
本申请实施例的技术方案，根据页面数据的基础特征和用户行为特征生成搜索引擎排序模型需要的网页特征，能够提高网页特征的生成效率，且支持对单一网页特征进行快速迭代；并且，通过数据分组和异常数据处理，能够提高基础特征的生成效率和稳定性，从而提高网页特征的生成效率。
图4是根据本申请实施例提供的页面特征构建装置的结构示意图。参见图4，本申请实施例公开了页面特征构建装置400，该装置400包括：
特征种类获取模块401，用于获取搜索引擎排序模型需要的网页特征种类；
网页特征生成模块402，用于根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征。
可选的，所述网页特征生成模块402包括：
规则确定单元，用于根据所述网页特征种类，确定网页特征生成规则；
网页特征生成单元，用于基于所述网页特征生成规则，根据所述用户行为特征和所述基础特征库中预先写入的基础特征，生成所述页面数据的网页特征。
可选的，所述装置还包括基础特征提取模块，所述基础特征提取模块包括：
数据划分单元，用于将所述页面数据划分为至少两个页面数据组；
基础特征提取单元，用于将所述至少两个页面数据组分发到关联的处理器进行处理，得到所述页面数据的基础特征；
基础特征写入单元，用于将所述页面数据的基础特征写入所述基础特征库中。
可选的，所述数据划分单元具体用于：
根据页面数据的统一资源定位符和/或数据类型标签，将所述页面数据划分为至少两个页面数据组。
可选的，所述基础特征提取模块还包括：
数据筛选单元，用于从所述页面数据中滤除无效数据。
可选的，所述装置还包括异常处理模块，所述异常处理模块包括：
异常写入单元，用于若检测到存在基础特征提取失败的异常页面数据，则将所述异常页面数据写入异常缓存中，且停止拉取新的页面数据；
异常处理单元，用于定时将所述异常缓存中的异常页面数据分发到处理器进行处理；
异常告警单元，用于若所述异常页面数据处理失败，则生成异常告警信息。
可选的，所述基础特征包括如下至少一项：统一资源定位符、标题、内容摘要、内容作者、页面状态、页面创建时间、页面更新时间、页面关键词、页面类型、面包屑导航和超文本标记语言特征。
可选的，所述页面数据为企业内部的知识型文档数据和/或知识型网页数据。
本申请实施例的技术方案，根据页面数据的基础特征和用户行为特征生成搜索引擎排序模型需要的网页特征，能够提高网页特征的生成效率，且支持对单一网页特征进行快速迭代；并且，通过数据分组和异常数据处理，能够提高基础特征的生成效率和稳定性，从而提高网页特征的生成效率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的页面特征构建的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的页面特征构建的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的页面特征构建的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的页面特征构建的方法对应的程序指令/模块(例如，附图4所示的特征种类获取模块401和网页特征生成模块402)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的页面特征构建的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据页面特征构建的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至页面特征构建的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
页面特征构建的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与页面特征构建的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例的技术方案，根据页面数据的基础特征和用户行为特征生成搜索引擎排序模型需要的网页特征，能够提高网页特征的生成效率，且支持对单一网页特征进行快速迭代；并且，通过数据分组和异常数据处理，能够提高基础特征的生成效率和稳定性，从而提高网页特征的生成效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种页面特征构建方法，包括：
获取搜索引擎排序模型需要的网页特征种类；搜索引擎排序模型是指对搜索引擎粗粒度召回结果进行精排序的模型；网页特征种类是指精排序过程中需要使用的特征种类；
根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征；
其中，所述根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征，包括：
将所述网页特征种类与预先配置的候选网页特征生成规则与候选网页特征种类之间关联关系进行匹配，得到网页特征生成规则；
基于所述网页特征生成规则，根据页面数据的用户行为特征和所述基础特征库中预先写入的基础特征，生成所述页面数据的网页特征；其中，所述页面数据的用户行为特征通过预先对页面数据的用户行为日志进行处理得到；所述基础特征通过预先对知识型页面数据进行处理得到。
2.根据权利要求1所述的方法，所述方法还包括：
将所述页面数据划分为至少两个页面数据组；
将所述至少两个页面数据组分发到关联的处理器进行处理，得到所述页面数据的基础特征；
将所述页面数据的基础特征写入所述基础特征库中。
3.根据权利要求2所述的方法，其中，所述将所述页面数据划分为至少两个页面数据组，包括：
根据页面数据的统一资源定位符和/或数据类型标签，将所述页面数据划分为至少两个页面数据组。
4.根据权利要求2所述的方法，所述将所述页面数据划分为至少两个页面数据组之前，还包括：
从所述页面数据中滤除无效数据。
5.根据权利要求2所述的方法，所述方法还包括：
若检测到存在基础特征提取失败的异常页面数据，则将所述异常页面数据写入异常缓存中，且停止拉取新的页面数据；
定时将所述异常缓存中的异常页面数据分发到处理器进行处理；
若所述异常页面数据处理失败，则生成异常告警信息。
6.根据权利要求1所述的方法，其中，所述基础特征包括如下至少一项：统一资源定位符、标题、内容摘要、内容作者、页面状态、页面创建时间、页面更新时间、页面关键词、页面类型、面包屑导航和超文本标记语言特征。
7.根据权利要求1所述的方法，其中，所述页面数据为企业内部的知识型文档数据和/或知识型网页数据。
8.一种页面特征构建装置，包括：
特征种类获取模块，用于获取搜索引擎排序模型需要的网页特征种类；搜索引擎排序模型是指对搜索引擎粗粒度召回结果进行精排序的模型；网页特征种类是指精排序过程中需要使用的特征种类；
网页特征生成模块，用于根据所述网页特征种类，页面数据的用户行为特征和基础特征库中预先写入的页面数据的基础特征，生成所述页面数据的网页特征；
其中，所述网页特征生成模块包括：
规则确定单元，用于将所述网页特征种类与预先配置的候选网页特征生成规则与候选网页特征种类之间关联关系进行匹配，得到网页特征生成规则；
网页特征生成单元，用于基于所述网页特征生成规则，根据页面数据的用户行为特征和所述基础特征库中预先写入的基础特征，生成所述页面数据的网页特征；其中，所述页面数据的用户行为特征通过预先对页面数据的用户行为日志进行处理得到；所述基础特征通过预先对知识型页面数据进行处理得到。
9.根据权利要求8所述的装置，所述装置还包括基础特征提取模块，所述基础特征提取模块包括：
数据划分单元，用于将所述页面数据划分为至少两个页面数据组；
基础特征提取单元，用于将所述至少两个页面数据组分发到关联的处理器进行处理，得到所述页面数据的基础特征；
基础特征写入单元，用于将所述页面数据的基础特征写入所述基础特征库中。
10.根据权利要求9所述的装置，其中，所述数据划分单元具体用于：
根据页面数据的统一资源定位符和/或数据类型标签，将所述页面数据划分为至少两个页面数据组。
11.根据权利要求9所述的装置，其中，所述基础特征提取模块还包括：
数据筛选单元，用于从所述页面数据中滤除无效数据。
12.根据权利要求9所述的装置，所述装置还包括异常处理模块，所述异常处理模块包括：
异常写入单元，用于若检测到存在基础特征提取失败的异常页面数据，则将所述异常页面数据写入异常缓存中，且停止拉取新的页面数据；
异常处理单元，用于定时将所述异常缓存中的异常页面数据分发到处理器进行处理；
异常告警单元，用于若所述异常页面数据处理失败，则生成异常告警信息。
13.根据权利要求8所述的装置，其中，所述基础特征包括如下至少一项：统一资源定位符、标题、内容摘要、内容作者、页面状态、页面创建时间、页面更新时间、页面关键词、页面类型、面包屑导航和超文本标记语言特征。
14.根据权利要求8所述的装置，其中，所述页面数据为企业内部的知识型文档数据和/或知识型网页数据。
15. 一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010576052.9A CN111767444B (zh) | 2020-06-22 | 2020-06-22 | 页面特征构建方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010576052.9A CN111767444B (zh) | 2020-06-22 | 2020-06-22 | 页面特征构建方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767444A CN111767444A (zh) | 2020-10-13 |
| CN111767444B true CN111767444B (zh) | 2024-04-09 |
Family
ID=72721446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010576052.9A Active CN111767444B (zh) | 2020-06-22 | 2020-06-22 | 页面特征构建方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767444B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792232B (zh) * | 2021-09-13 | 2024-02-27 | 北京百度网讯科技有限公司 | 页面特征计算方法、装置、电子设备、介质及程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8386456B1 (en) * | 2000-02-24 | 2013-02-26 | Richard Paiz | Codex search patterns |
| CN104615680A (zh) * | 2015-01-21 | 2015-05-13 | 广州神马移动信息科技有限公司 | 网页质量模型的建立方法及装置 |
| CN105303394A (zh) * | 2014-06-12 | 2016-02-03 | 紫格网络科技（上海）有限公司 | 一种基于网页搜索引擎的网络广告投放方法和系统 |
| CN108509640A (zh) * | 2018-04-11 | 2018-09-07 | 焦点科技股份有限公司 | 一种基于序列预测的网页布局优化方法 |
| CN111159592A (zh) * | 2019-12-16 | 2020-05-15 | 百度在线网络技术（北京）有限公司 | 搜索结果页生成方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7925641B2 (en) * | 2007-09-21 | 2011-04-12 | Sap Ag | Indexing web content of a runtime version of a web page |
| AU2014299245B1 (en) * | 2013-09-19 | 2015-04-02 | Longtail Ux Pty Ltd | Improvements in website traffic optimization |
-
2020
- 2020-06-22 CN CN202010576052.9A patent/CN111767444B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8386456B1 (en) * | 2000-02-24 | 2013-02-26 | Richard Paiz | Codex search patterns |
| CN105303394A (zh) * | 2014-06-12 | 2016-02-03 | 紫格网络科技（上海）有限公司 | 一种基于网页搜索引擎的网络广告投放方法和系统 |
| CN104615680A (zh) * | 2015-01-21 | 2015-05-13 | 广州神马移动信息科技有限公司 | 网页质量模型的建立方法及装置 |
| CN108509640A (zh) * | 2018-04-11 | 2018-09-07 | 焦点科技股份有限公司 | 一种基于序列预测的网页布局优化方法 |
| CN111159592A (zh) * | 2019-12-16 | 2020-05-15 | 百度在线网络技术（北京）有限公司 | 搜索结果页生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| The construction of personalized Web page recommendation system in e-commerce;Ruimei Lian;IEEE;全文 * |
| 基于B2B垂直搜索的网页信息抽取系统研究;刘丹;崔阳;;计算机技术与发展(第02期);全文 * |
| 网络搜索引擎技术与应用;林夕伟;;浙江教育学院学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767444A (zh) | 2020-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021182392A (ja) | 情報検索方法、装置、設備、記憶媒体、及びプログラム | |
| JP7222040B2 (ja) | モデル訓練、画像処理方法及びデバイス、記憶媒体、プログラム製品 | |
| US11343572B2 (en) | Method, apparatus for content recommendation, electronic device and storage medium | |
| KR20210038467A (ko) | 이벤트 테마 생성 방법, 장치, 기기 및 저장 매체 | |
| CN111639027B (zh) | 一种测试方法、装置及电子设备 | |
| CN111522940B (zh) | 用于处理评论信息的方法和装置 | |
| CN111949814A (zh) | 搜索方法、装置、电子设备和存储介质 | |
| CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| JP7241122B2 (ja) | スマート応答方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN111460296B (zh) | 用于更新事件集合的方法和装置 | |
| CN112084150B (zh) | 模型训练、数据检索方法，装置，设备以及存储介质 | |
| CN112052397B (zh) | 用户特征生成方法、装置、电子设备及存储介质 | |
| CN111666417B (zh) | 生成同义词的方法、装置、电子设备以及可读存储介质 | |
| US11860726B2 (en) | Recommending remediation actions for incidents identified by performance management systems | |
| CN111767444B (zh) | 页面特征构建方法、装置、设备和存储介质 | |
| CN111753195B (zh) | 标签体系构建方法、装置、设备以及存储介质 | |
| CN111259058B (zh) | 数据挖掘方法、数据挖掘装置和电子设备 | |
| CN111026916B (zh) | 文本描述的转换方法、装置、电子设备及存储介质 | |
| CN112015866A (zh) | 用于生成同义文本的方法、装置、电子设备及存储介质 | |
| CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
| CN113590914B (zh) | 信息处理方法、装置、电子设备和存储介质 | |
| CN112101012B (zh) | 互动领域确定方法、装置、电子设备及存储介质 | |
| CN111523036B (zh) | 一种搜索行为挖掘方法、装置和电子设备 | |
| CN111680508B (zh) | 文本的处理方法和装置 | |
| CN112148979B (zh) | 事件关联用户的识别方法、装置、电子设备和存储介质 |
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 |