CN112148923A - 搜索结果的排序方法、排序模型的生成方法、装置及设备 - Google Patents
搜索结果的排序方法、排序模型的生成方法、装置及设备 Download PDFInfo
- Publication number
- CN112148923A CN112148923A CN202010833424.1A CN202010833424A CN112148923A CN 112148923 A CN112148923 A CN 112148923A CN 202010833424 A CN202010833424 A CN 202010833424A CN 112148923 A CN112148923 A CN 112148923A
- Authority
- CN
- China
- Prior art keywords
- video
- search
- behavior data
- user interaction
- interaction behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000003993 interaction Effects 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012163 sequencing technique Methods 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 100
- 238000010606 normalization Methods 0.000 claims description 98
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—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
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
- G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
Abstract
本公开关于一种搜索结果的排序方法、排序模型的生成方法、装置、电子设备及存储介质，所述排序方法包括：在检测终端发送用户输入搜索词的搜索操作时，获取搜索词下搜索到的每个视频的用户交互行为数据；根据用户交互行为数据的大小生成多个视频队列；对每个视频队列中每个视频的用户交互行为数据进行处理，生成搜索词与对应视频的相关性标签；根据相关性标签对搜素词下的所有视频进行排序，得到排序结果。本公开中，对搜索词下搜索到的每个视频的用户交互行为数据进行处理，生成搜索词与对应视频的相关性标签，依据相关性标签对搜索词搜索到所有视频进行排序，从而让更多新视频出现在靠前的位置，提高了新视频排序位置的准确性，及用户的满意度。
Description
技术领域
本公开涉及网络技术领域，尤其涉及一种搜索结果的排序方法、排序模型的生成方法、装置、电子设备及存储介质。
背景技术
随着网络技术的发展，基于机器学习算法的模型越来越多的应用到推荐、搜索等领域。
相关技术中，对于推荐、搜索等场景，通常在最后的模型精排阶段会使用点击率对模型进行监督训练，即认为用户更喜欢观看点击率高的作品，也就是说，点击率越高的视频作品，越容易被用户点击观看，其排名就越靠前。所以，排名靠前的视频作品就会不断地出现在更靠前的位置，而排名靠后的视频作品就越靠后，从而让整个系统对视频作品的排序陷入到死循环，这样就会影响一些新视频作品排序的准确性。
因此，如何提高新作品排序的准确性是目前有待解决的技术问题。
发明内容
本公开提供一种搜索结果的排序方法、排序模型的生成方法、装置、电子设备及存储介质，以至少解决相关技术中不能将新作品的排序结果推荐到靠前的位置，导致新作品的排序准确性降低的技术问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种搜索结果的排序方法，包括：
在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
根据所述用户交互行为数据的大小生成多个视频队列；
对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
可选的，所述对每个所述视频队列中每个视频的的用户交互行为数据率进行处理，生成所述搜索词与对应视频的相关性标签，包括：
确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重；
将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
可选的，所述确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重，包括：
确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
可选的，所述确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重，包括：
计算所述每个视频在多次搜索中的排序位置的平均位置；
对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述确定每个所述视频队列中每个视频在多次搜索中不同排序的时间归一化权重，包括：
计算每个视频的上传时间距离当前时间的时间差；
对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，所述将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，包括：
将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
通过分段函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
根据本公开实施例的第二方面，提供一种排序模型的生成方法，包括：
获取搜索词下搜索到的每个视频的用户交互行为数据；
在接收到用户的指令时，根据所述指令按照所述用户交互行为数据的大小生成多个训练视频队列；
对每个所述训练视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
将所述相关性标签输入到排序学习模型进行排序学习，得到新的排序学习模型。
可选的，所述对每个所述训练视频队列中每个视频的的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签，包括：
确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重；
将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
可选的，所述确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重，包括：
确定每个所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
可选的，所述确定每个所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重，包括：
计算所述每个视频在多次搜索中的排序位置的平均位置；
对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述确定每个所述训练视频队列中每个视频在多次搜索中不同排序的时间归一化权重，包括：
计算每个视频的上传时间距离当前时间的时间差；
对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，所述将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，包括：
将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
通过分段函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
根据本公开实施例的第三方面，提供一种搜索结果的排序装置，包括：
获取模块，被配置为执行在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
生成模块，被配置为执行根据所述用户交互行为数据的大小生成多个视频队列；
处理模块，被配置为执行对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
排序模块，被配置为执行根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
可选的，所述处理模块包括：
确定模块，被配置为执行确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重；
加权模块，被配置为执行将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
可选的，所述确定模块，具体被配置为执行确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
可选的，所述确定模块包括：第一计算模块和第一权重确定模块；和/或，第二计算模块和第二权重确定模块，其中，
所述第一计算模块，被配置为执行计算所述每个视频在多次搜索中的排序位置的平均位置；
所述第一权重确定模块，被配置为执行对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述第二计算模块，被配置为执行计算每个视频的上传时间距离当前时间的时间差；
所述第二权重确定模块，被配置为执行对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，所述加权模块包括：
相乘模块，被配置为执行将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
修正模块，被配置为执行通过函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
根据本公开实施例的第四方面，提供一种排序模型的生成装置，包括：
获取模块，被配置为执行获取搜索词下搜索到的每个视频的用户交互行为数据；
生成模块，被配置为执行在接收到用户的指令时，根据所述指令按照所述用户交互行为数据的大小生成多个训练视频队列；
处理模块，被配置为执行对每个所述训练视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
学习模块，被配置执行将所述相关性标签输入到排序学习模型进行排序学习，得到新的排序学习模型。
可选的，所述处理模块包括：
确定模块，被配置为确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重；
加权模块，被配置为执行将所述归一化权重与对应视频的用户交互行为数据进行加权，得到所述搜索词与对应视频的相关性标签。
可选的，所述确定模块，具体被配置为执行确定每个所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
可选的，所述确定模块包括：第一计算模块和第一权重确定模块；和/或，第二计算模块和第二权重确定模块，其中，
所述第一计算模块，被配置为执行计算所述每个视频在多次搜索中的排序位置的平均位置；
所述第一权重确定模块，被配置为执行对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述第二计算模块，被配置为执行计算每个视频的上传时间距离当前时间的时间差；
所述第二权重确定模块，被配置为执行对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，所述加权模块包括：
相乘模块，被配置为执行将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
修正模块，被配置为执行通过函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
根据本公开实施例的第五方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上所述的搜索结果的排序方法，或者以实现如上所述的排序模型的生成方法。
根据本公开实施例的第六方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的搜索结果的排序方法，或者如上所述的排序模型的生成方法。
根据本公开实施例的第七方面，提供根据一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如上所述的搜索结果的排序方法，或者如上所述的排序模型的生成方法。
本公开的实施例提供的技术方案至少可以包括以下有益效果：
本公开实施例中，在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；根据所述用户交互行为数据的大小生成对个视频队列；对每个所述视频队列中每个视频的用户交互行为数据进行处理，得到所述搜索词与对应视频的相关性标签；根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。也就是说，本公开实施例中，将对搜索词下搜索到的每个视频的用户交互行为数据进行处理，得到所述搜索词与对应视频的相关性标签，对搜索词搜索到所有视频依据相关性标签进行排序，从而让更多的新视频出现在靠前的位置，提高了新视频排序的准确性，以及用户的满意度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种搜索结果的排序方法的流程图。
图2是根据一示例性实施例示出的一种排序模型的生成方法的流程图。
图3是根据一示例性实施例示出的一种搜索结果的排序装置的框图。
图4是根据一示例性实施例示出的一种搜索结果的排序装置的另一框图。
图5是根据一示例性实施例示出的一种排序模型的生成装置的框图。
图6是根据一示例性实施例示出的一种电子设备的结构框图。
图7是根据一示例性实施例示出的一种电子设备的另一结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。。
图1是根据一示例性实施例示出的一种搜索结果的排序方法的流程图，如图1所示，包括以下步骤。
在步骤101中，在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
在步骤102中，根据所述用户交互行为数据的大小生成多个视频队列；
在步骤103中，对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
在步骤104中，根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
本公开所述的搜索结果的排序方法可以应用于服务器等，在此不作限制，其终端实施设备可以是智能手机，笔记本电脑、平板电脑等电子设备，在此不作限制。
下面结合图1，对本公开实施例提供的一种搜索结果的排序方法的具体实施步骤进行详细说明，所述方法适用于通过搜索引擎为用户提供搜索服务的视频平台或视频网站。
首先，执行步骤101，在检测到客户端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据。
该步骤中，在用户使用终端上的搜索引擎时，可以在搜索输入框输入自己感兴趣的搜索词(query，也称为查询词)，但在实际应用中，query可以是一个字、一个词、短语、短句或其组合，本实施例不做限制。此时，终端上的搜索引擎会将用户输入的搜素词(query)的搜索操作发送给服务器，服务器根据该query，在视频数据库中进行查找与该query相关的视频，并对该相关视频进行排序等处理，然后，获取该搜索词下所搜索到每个视频的用户交互行为数据(比如用户的点击率或点击概率等)。其中，每个搜索词下视频的用户交互行为数据可以用<query，video，clickratio>表示。
为了便于理解，该实施例中的用户交互行为数据可以以点击率为例，但在实际应用中，并不限于此。
其中，获取该搜索词下所搜索到所有的视频的点击率的过程包括：
先统计历史某一段时间内，通过query搜索到的每个视频在平台上总共被展示的次数，以及被不同用户点击的次数，然后，通过下述公式确定每个视频的点击率：
视频的点击率＝视频被点击的总数/视频在平台上被展现的总次数*100％
比如，假如在某个视频平台上，某个视频被点击了2次，被展现了100次，那么，该视频的点击率就是2％，也可以表示成0.2。
其次，执行步骤102，根据所述用户交互行为数据的大小生成多个视频队列。
该步骤中，比如，在获取一个搜索词下视频的用户点击率后，根据每个视频的用户点击率clickratio的大小，生成多个视频队列。
以点击率为例，比如，在一个搜索词下，搜索到与该搜索词相关的6个视频，并确定每个视频的点击率依次为0.3、0.5、0.6、0.4、0.8和0.2等，
该步骤中，假如以生成三个等级视频队列为例，实际应用中并不限于此，可以分为5个或10或20个等级视频队列。将视频的点击率大于0.3的视频作为一个视频队列，将视频的点击率小于0.1的视频作为另一个视频队列，将视频的点击率在0.1至0.3之间的视频作为又一个视频队列，同时规定，将视频的点击率大于0.3的视频与该搜索词的相关度设定为2，即相关性标签设置为2，将视频的点击率小于0.1的视频与该搜索词的相关度设置为0，即相关性标签设置为0，以及将视频的点击率在0.1至0.3之间的视频与该搜索词的相关度设置为1，即相关性标签设置为1。需要说明的是，该实施例只是以三个等级视频队列为例，对应的相关度(或相关性标签)设置也是举例说明，在实际应用中，并不限于此。
也就是说，本实施例中，按照预设规则以生成三个视频队列为例，可以规定点击率大于0.3的视频的相关度最高记为2，视频的点击率在0.1～0.3的视频相关度居中记为1，视频的点击率小余0.1的视频的相关度最差记为0。
需要说明的是，本实施例中，相关度，一般是用户交互行为数据的一个分段函数。可以通过下面的式子表示：
correlation＝function(clickratio)
其中，correlation表示相关度，function(clickratio)表示用户交互行为数据的分段函数，也就是可以根据视频的用户交互行为数据，可以根据搜索词所搜索到的视频与该搜索词的相关度。
再次，执行步骤103，对每个视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签。
该步骤中，为了避免系统陷入到死循环，需要考虑到视频排序的位置、时间等信息对用户交互行为数据的影响，该步骤中，以对视频排序的位置、时间为例，对用户交互行为数据进行处理。在实际应用中，并不限于根据视频排序的位置和视频展示时间对用户交互行为数据进行处理。
其中，对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签，具体包括：
1)确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重；
该步骤中，可以先确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或不同排序的时间归一化权重。其中，影响排序的原因为很多，本实施例以位置和时间为例，具体的：
11)确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重包括：
首先，计算所述每个视频在多次搜索中的排序位置的平均位置。该步骤中，可以根据历史信息，统计<query，video，clickratio>中任何一个<queryi，videoi>对，确定对应的video的平均排序位置ranki。
比如：一个queryi，对应的三次搜索中，一个videoi的排序位置分别为[3,4,8]，所以其平均位置为(3+4+8)/3＝5。
其次，对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的位置归一化权重，具体的，可以采用下述公式确定不同排序的位置归一化权重：
weight1＝log10min(N，ranki)
其中，weight1表示位置归一化权重，ranki表示一个视频在多次搜索中的排序位置的平均位置，N表示位置归一化的最大值，为预设值，通常可以设置为15,log10min(N，ranki)表示N和ranki的对数取最小值。
需要说明的是，min(N，ranki)是为了防止位置归一权重过大，所以设置了一个最大值N，通常情况下，可以设置N＝15，当并不限于此，该N值可以根据需要进行适应性调整。
该步骤中，计算出位置归一化权项，以便于通过位置归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，然后依据相关性标签对搜索词搜索到所有视频进行排序，提高了新视频排序位置的准确性，以及用户的满意度。
12)确定每个所述视频队列中每个视频在多次搜索中不同排序的时间归一化权重包括：
首先，计算每个视频的上传时间距离当前时间的时间差；
其次，对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
具体的，可以采用下述公式确定不同排序的时间归一化权重：
α＝log10min(M，Dayi)
其中，α表示时间归一化权重，Dayi表示一个视频上传时间距离当前时间的时间差，M表示时间归一化的最大值，为预设值，log10min(M，Dayi)表示M和Dayi的对数取最小值。
需要说明的是，该实施例中，根据用户上传视频的时间，可以计算出距离当前时间的时间差Dayi，对距离当前时间较远的视频数据进行降权。min(N，Dayi)是为了防止距离天数过多，降权过大，所以，设置一个最大值M,通常情况下，可以设置M＝31，当然并不限于此，该M值可以根据需要进行适应性调整。
该步骤中，通过先计算时间归一化权重，以便于利用时间归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，然后依据相关性标签对搜索词搜索到所有视频进行排序，提高了新视频排序位置的准确性，以及用户的满意度。
2)将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
该步骤中，可以将所述位置归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；也可以将所述时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；还可以将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数。依据相关性分数对搜索词搜索到所有视频进行排序，不但提高了新视频排序位置的准确性，还提高了用户的满意度。
本实施例以通过位置归一化权重来计算相关性分数为例，如下所示：
score＝clickratio(1+weight1+weight2+...)
其中，score为相关性分数，clickratio是用户交互行为数据，weight1，weight2等分别为不同视频对应的位置归一化权重。
同理，如果是通过时间归一化权重来计算相关性分数，将上述公式中的weight1，weight2，……，替换为time1，time2，……即可。
当然，还可以将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数。
然后，通过分段函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
具体的，可以通过下述公式来计算相关度，从而确定对应的相关性标签。
correlation＝function(score)
其中，correlation为相关度，function(score)关于分数的分段函数。
最后，执行步骤104，根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
该步骤中，对搜索词搜索到的所有视频可以按照相关性标签进行排序，让更多的“新”视频出现在靠前的位置。其具体的排序过程对于本领域已是熟知技术，在此不再赘述。
进一步，还可以将排序结果发送给终端，以便于终端显示该排序结果。
本示例性实施例示出的搜索结果的排序方法，在检测到终端发送用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；根据所述用户交互行为数据的大小生成多个视频队列；对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。也就是说，本公开实施例中，对搜索词下搜索到的每个视频的用户交互行为数据进行处理，得到所述搜索词与对应视频的相关性标签，对搜索词搜索到所有视频依据相关性标签进行排序，从而让更多的新视频出现在靠前的位置，提高了新视频排序位置的准确性，以及用户的满意度。
进一步，终端可以向服务器发送用户输入搜素词的搜索操作请求，服务器响应终端的请求，并根据该请求获取所述搜索词下搜索到的每个视频的用户交互行为数据，服务器将依据搜索词下搜索到的每个视频的用户交互行为数据进行归一化加权，生成所述搜索词与对应视频的相关性标签，依据相关性标签对搜索词搜索到所有视频进行排序，并将排序结果反馈给客户端，以便于客户端让更多的新视频出现在靠前的位置，节省了终端的处理资源，提高了新视频排序位置的准确备性，以及用户的满意度。
图2是根据一示例性实施例示出的一种排序模型的生成方法的流程图，所述方法包括：
步骤201：获取搜索词下搜索到的每个视频的用户交互行为数据；
该步骤中，获取搜索词下搜索到的每个视频的用户交互行为数据，可以是在线获取，也可以是离线获取，其在线获取的具体实现过程，详见与步骤101的具体过程相同，具体详见上述，在此不再赘述。其中，用户交互行为数据，可以包括点击率等。
步骤202：在接收到用户的指令时，根据所述用户交互行为数据的大小生成训练视频队列；
步骤203：对所述训练视频队列中每个视频的的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
其中，步骤202至步骤203，与步骤102至步骤103类似，其具体的实现过程，详见上述实施例中对应步骤的实现过程，在此不再赘述。
步骤204：将所述相关性标签输入到排序学习模型进行排序学习，生成新的排序学习模型。
该步骤中，可以将生成的相关性标签作为新的训练视频队列输入到Learn toRank模型进行排序学习，得到训练后新的排序模型。
其具体的训练过程，可以通过神经网络或深度学习网络等进一步的排序学习，其具体的学习过程，对于本领域技术人员来说，已是熟知技术，在此不再赘述。
该实施例中，可以将训练好的新排序模块应用到线上服务，比如将训练好的新排序模型替换搜索引擎中的旧的排序模型等。
可选的，在另一实施例中，该实施例在上述实施例的基础上行，所述对所述训练视频队列中每个视频的的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签，包括：
确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重；
将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
其中，所述归一化加权至少包括位每个视频在多次搜索中不同排序的置归一化加权和时间归一化加权的其中之一。
该实施例的具体实现过程，详见上述对应实施例的实现过程，在此不再赘述。
可选的，在另一实施例中，该实施例在上述实施例的基础上行，所述确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重，包括：
确定所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或不同排序的时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上行，所述确定所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重，包括：
计算所述每个视频在多次搜索中的排序位置的平均位置；
对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述确定所述训练视频队列中每个视频在多次搜索中不同排序的时间归一化权重，包括：
计算每个视频的上传时间距离当前时间的时间差；
对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上行，所述将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，包括：
将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
通过分段函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
该实施例的具体实现过程，详见上述对应实施例的实现过程，在此不再赘述。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开所必须的。
图3是根据一示例性实施例示出的一种搜索结果的排序装置框图。参照图3，该装置包括：获取模块301，生成模块302，处理模块303和排序模块304。其中，
该获取模块301，被配置为执行在检测到终端发送的用户输入搜素词的搜索操作，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
该生成模块302，被配置为执行根据所述用户交互行为数据的大小生成多个视频队列；
该处理模块303，被配置为执行对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
该排序模块304，被配置为执行根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述处理模块303包括：确定模块401和加权模块402，其结构框图如图4所示，其中，
该确定模块401，被配置为执行确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重；
该加权模块402，被配置为执行将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述确定模块，具体被配置为确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或不同排序的时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述确定模块包括：第一计算模块和第一权重确定模块；和/或，第二计算模块和第二权重确定模块，其中，
该第一计算模块，被配置为执行计算所述每个视频在多次搜索中的排序位置的平均位置；
该第一权重确定模块，被配置为执行对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
该第二计算模块，被配置为执行计算每个视频的上传时间距离当前时间的时间差；
该第二权重确定模块，被配置为执行对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述加权模块包括：相乘模块和修正模块，其中，
该相乘模块，被配置为执行将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
该修正模块，被配置为执行通过函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
图5是根据一示例性实施例示出的一种排序模型的生成装置装置框图，所述装置包括：获取模块501，生成模块502，处理模块503和学习模块504其中，
该获取模块501，被配置为执行获取搜索词下搜索到的每个视频的用户交互行为数据；
该生成模块502，被配置为执行根据所述用户交互行为数据的大小生成多个训练视频队列；
该生成模块503，被配置为执行对每个所述训练视频队列中每个视频的的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
该学习模块503，被配置执行将所述相关性标签输入到排序学习模型进行排序学习，得到新的排序学习模型。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述处理模块包括：确定模块和加权生成模块，其中，
该确定模块，被配置为确定每个所述训练视频队列中每个视频在多次搜索中不同排序的归一化权重；
该加权生成模块，被配置为执行将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述确定模块，具体被配置为执行确定每个所述训练视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述确定模块包括：第一计算模块和第一权重确定模块；和/或，第二计算模块和第二权重确定模块(图中未示)，其中，
该第一计算模块，被配置为执行计算所述每个视频在多次搜索中的排序位置的平均位置；
该第一权重确定模块，被配置为执行对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
该第二计算模块，被配置为执行计算每个视频的上传时间距离当前时间的时间差；
该第二权重确定模块，被配置为执行对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述加权模块包括：相乘模块和修正模块(图中未示)，其中，
该相乘模块，被配置为执行将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
该修正模块，被配置为执行通过函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
本公开实施例中，还提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如上所述的搜索结果的排序方法，或者以实现如上所述的排序模型的生成方法。
本公开实施例中，还提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的搜索结果的排序方法，或者如上所述的排序模型的生成方法。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，相关之处参见方法实施例的部分说明即可，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如，电子设备600可以为移动终端也可以为服务器,本公开实施例中以电子设备为移动终端为例进行说明。例如,电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制电子设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述电子设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的搜索结果的排序方法或排序模型的生成方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述所示的搜索结果的排序方法或排序模型的生成方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备600的处理器620执行时，使得电子设备600执行上述所示的搜索结果的排序方法或排序模型的生成方法。
图7是根据一示例性实施例示出的一种用于搜索结果的排序装置或排序模型的生成装置的电子设备700的框图。例如，电子设备700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述搜索结果的排序方法或排序模型的生成方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种搜索结果的排序方法，其特征在于，包括：
在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
根据所述用户交互行为数据的大小生成多个视频队列；
对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
2.根据权利要求1所述的搜索结果的排序方法，其特征在于，所述对每个所述视频队列中每个视频的的用户交互行为数据率进行处理，生成所述搜索词与对应视频的相关性标签，包括：
确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重；
将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签。
3.根据权利要求2所述的搜索结果的排序方法，其特征在于，所述确定每个所述视频队列中每个视频在多次搜索中不同排序的归一化权重，包括：
确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重和/或时间归一化权重。
4.根据权利要求3所述的搜索结果的排序方法，其特征在于，
所述确定每个所述视频队列中每个视频在多次搜索中不同排序的位置归一化权重，包括：
计算所述每个视频在多次搜索中的排序位置的平均位置；
对所述平均位置与预设值的最小值取对数，得到每个视频在多次搜索中的位置归一化权重；
所述确定每个所述视频队列中每个视频在多次搜索中不同排序的时间归一化权重，包括：
计算每个视频的上传时间距离当前时间的时间差；
对所述平均位置与预设值的最小值取数取，得到每个视频在多次搜索中的时间归一化权重。
5.根据权利要求3或4所述的搜索结果的排序方法，其特征在于，所述将所述归一化权重与对应视频的用户交互行为数据进行加权，生成所述搜索词与对应视频的相关性标签，包括：
将所述位置归一化权重或时间归一化权重，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；或者将所述位置归一化权重和时间归一化权重之和，与对应视频的用户交互行为数据进行相乘，得到所述搜索词与对应视频的相关性分数；
通过分段函数对所述相关性分数进行修正，生成所述搜索词与对应视频的相关性标签。
6.一种排序模型的生成方法，其特征在于，包括：
获取搜索词下搜索到的每个视频的用户交互行为数据；
在接收到用户的指令时，根据所述指令按照所述用户交互行为数据的大小生成多个训练视频队列；
对每个所述训练视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
将所述相关性标签输入到排序学习模型进行排序学习，得到新的排序学习模型。
7.一种搜索结果的排序装置，其特征在于，包括：
获取模块，被配置为执行在检测到终端发送的用户输入搜素词的搜索操作时，获取所述搜索词下搜索到的每个视频的用户交互行为数据；
生成模块，被配置为执行根据所述用户交互行为数据的大小生成多个视频队列；
处理模块，被配置为执行对每个所述视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
排序模块，被配置为执行根据所述相关性标签对所述搜素词下的所有视频进行排序，得到排序结果。
8.一种排序模型的生成装置，其特征在于，包括：
获取模块，被配置为执行获取搜索词下搜索到的每个视频的用户交互行为数据；
生成模块，被配置为执行在接收到用户的指令时，根据所述指令按照所述用户交互行为数据的大小生成多个训练视频队列；
处理模块，被配置为执行对每个所述训练视频队列中每个视频的用户交互行为数据进行处理，生成所述搜索词与对应视频的相关性标签；
学习模块，被配置执行将所述相关性标签输入到排序学习模型进行排序学习，得到新的排序学习模型。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的搜索结果的排序方法，或者以实现如权利要求6所述的排序模型的生成方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的搜索结果的排序方法，或者如权利要求6所述的排序模型的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833424.1A CN112148923B (zh) | 2020-08-18 | 2020-08-18 | 搜索结果的排序方法、排序模型的生成方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833424.1A CN112148923B (zh) | 2020-08-18 | 2020-08-18 | 搜索结果的排序方法、排序模型的生成方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112148923A true CN112148923A (zh) | 2020-12-29 |
| CN112148923B CN112148923B (zh) | 2023-12-26 |
Family
ID=73888874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010833424.1A Active CN112148923B (zh) | 2020-08-18 | 2020-08-18 | 搜索结果的排序方法、排序模型的生成方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148923B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749238A (zh) * | 2020-12-30 | 2021-05-04 | 北京金堤征信服务有限公司 | 搜索排序方法、装置、电子设备以及计算机可读存储介质 |
| CN113297511A (zh) * | 2021-05-24 | 2021-08-24 | 北京三快在线科技有限公司 | 商户排序模型的构建方法、装置、服务器及存储介质 |
| CN113688280A (zh) * | 2021-07-19 | 2021-11-23 | 广州荔支网络技术有限公司 | 一种排序方法、装置、计算机设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339394A (zh) * | 2015-07-09 | 2017-01-18 | 腾讯科技（北京）有限公司 | 一种信息处理方法及装置 |
| CN108304399A (zh) * | 2017-01-12 | 2018-07-20 | 武汉斗鱼网络科技有限公司 | 网络内容的推荐方法及装置 |
| CN108804647A (zh) * | 2018-06-06 | 2018-11-13 | 北京奇艺世纪科技有限公司 | 一种视频排序的方法及装置 |
| CN110020209A (zh) * | 2019-04-18 | 2019-07-16 | 北京奇艺世纪科技有限公司 | 内容和搜索词的相关性确定方法及系统、展示方法及系统 |
| CN110399548A (zh) * | 2018-04-20 | 2019-11-01 | 北京搜狗科技发展有限公司 | 一种搜索处理方法、装置、电子设备以及存储介质 |
| CN110619076A (zh) * | 2018-12-25 | 2019-12-27 | 北京时光荏苒科技有限公司 | 一种搜索词推荐方法、装置、计算机及存储介质 |
-
2020
- 2020-08-18 CN CN202010833424.1A patent/CN112148923B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339394A (zh) * | 2015-07-09 | 2017-01-18 | 腾讯科技（北京）有限公司 | 一种信息处理方法及装置 |
| CN108304399A (zh) * | 2017-01-12 | 2018-07-20 | 武汉斗鱼网络科技有限公司 | 网络内容的推荐方法及装置 |
| CN110399548A (zh) * | 2018-04-20 | 2019-11-01 | 北京搜狗科技发展有限公司 | 一种搜索处理方法、装置、电子设备以及存储介质 |
| CN108804647A (zh) * | 2018-06-06 | 2018-11-13 | 北京奇艺世纪科技有限公司 | 一种视频排序的方法及装置 |
| CN110619076A (zh) * | 2018-12-25 | 2019-12-27 | 北京时光荏苒科技有限公司 | 一种搜索词推荐方法、装置、计算机及存储介质 |
| CN110020209A (zh) * | 2019-04-18 | 2019-07-16 | 北京奇艺世纪科技有限公司 | 内容和搜索词的相关性确定方法及系统、展示方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112749238A (zh) * | 2020-12-30 | 2021-05-04 | 北京金堤征信服务有限公司 | 搜索排序方法、装置、电子设备以及计算机可读存储介质 |
| CN113297511A (zh) * | 2021-05-24 | 2021-08-24 | 北京三快在线科技有限公司 | 商户排序模型的构建方法、装置、服务器及存储介质 |
| CN113688280A (zh) * | 2021-07-19 | 2021-11-23 | 广州荔支网络技术有限公司 | 一种排序方法、装置、计算机设备和存储介质 |
| CN113688280B (zh) * | 2021-07-19 | 2024-04-05 | 广州荔支网络技术有限公司 | 一种排序方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112148923B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| CN109684510B (zh) | 视频排序方法、装置、电子设备及存储介质 | |
| CN107992604B (zh) | 一种任务条目的分发方法及相关装置 | |
| CN112148923B (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
| CN111556366A (zh) | 一种多媒体资源的展示方法、装置、终端、服务器及系统 | |
| CN111859020A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN109918565B (zh) | 一种搜索数据的处理方法、装置及电子设备 | |
| CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
| CN112445970A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN112131466A (zh) | 群组展示方法、装置、系统和存储介质 | |
| CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
| CN110941727B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
| CN113609380B (zh) | 标签体系更新方法、搜索方法、装置以及电子设备 | |
| CN113656637B (zh) | 视频推荐方法、装置、电子设备及存储介质 | |
| CN107301188B (zh) | 一种获取用户兴趣的方法及电子设备 | |
| CN112989172B (zh) | 内容推荐方法、装置、计算机设备及存储介质 | |
| CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
| CN115484471B (zh) | 主播推荐方法及装置 | |
| CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
| CN114338587B (zh) | 一种多媒体数据处理方法、装置、电子设备及存储介质 | |
| CN112446720B (zh) | 一种广告显示方法及装置 | |
| CN113836389B (zh) | 内容推荐方法及装置 | |
| CN111666436B (zh) | 一种数据处理方法、装置和电子设备 | |
| CN114676308A (zh) | 搜索词推荐方法、装置、电子设备、存储介质及产品 |
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 |