CN112989170A - 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 - Google Patents
应用于信息搜索的关键词匹配方法、信息搜索方法及装置 Download PDFInfo
- Publication number
- CN112989170A CN112989170A CN202110315277.3A CN202110315277A CN112989170A CN 112989170 A CN112989170 A CN 112989170A CN 202110315277 A CN202110315277 A CN 202110315277A CN 112989170 A CN112989170 A CN 112989170A
- Authority
- CN
- China
- Prior art keywords
- search
- keyword
- keywords
- determining
- matching
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 130
- 230000009467 reduction Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 96
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/90—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
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种应用于信息搜索的关键词匹配方法、信息搜索方法及装置，涉及人工智能中的大数据和智能搜索。包括：获取样本数据，并根据样本数据确定邻接矩阵，其中，样本数据包括具有点击关系的各搜索词与各关键词，邻接矩阵表征样本数据中的各词之间的点击关系的矩阵，对邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系，其中，匹配关系用于对待搜索词进行关键词的搜索匹配，使得确定出的匹配关系可以相对较为准确地表征各搜索词和各关键词之间的对应关系，即能使得针对任一搜索词，确定出的与其对应的关键词具有较高的准确性和可靠性的技术效果。
Description
技术领域
本申请涉及人工智能中的大数据和智能搜索，尤其涉及一种应用于信息搜索的关键词匹配方法、信息搜索方法及装置。
背景技术
随着互联网和人工智能等技术的发展，以及信息量的不断增加，如何提高搜索词与关键词之间的匹配的方法，以满足用户的搜索需求，成了亟待解决的问题。
在现有技术中，通常采用的应用于信息搜索的关键词匹配方法为：离线挖掘搜索数据，从搜索数据中提取各搜索词和各关键词，通过欧式距离或者余弦距离确定每一搜索词与每一关键词之间的相关性(如相似程度)，并将相似程度大于预设相似程度阈值的搜索词和关键词确定为具有匹配关系的词。
然而，随着数据量的飞速增加，搜索词和关键词的数量相对较大，且数据维度较高，若采用上述方法，可能存在因数据量大、维度较高，而造成确定出的具有匹配关系的词的准确性和可靠性相对较低的问题。
发明内容
本申请提供了一种用于提高搜索词与关键词之间的匹配可靠性的应用于信息搜索的关键词匹配方法、信息搜索方法及装置。
根据本申请的第一方面，提供了一种应用于信息搜索的关键词匹配方法，包括：
获取样本数据，并根据所述样本数据确定邻接矩阵，其中，所述样本数据包括具有点击关系的各搜索词与各关键词，所述邻接矩阵表征所述样本数据中的各词之间的点击关系的矩阵；
对所述邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系；
其中，所述匹配关系用于对待搜索词进行关键词的搜索匹配。
根据本申请的第二方面，提供了一种信息搜索方法，包括
接收搜索请求，其中，所述搜索请求中携带待搜索词；
根据匹配关系确定与所述待搜索词对应的目标关键词，其中，所述匹配关系是基于如第一方面所述的方法生成的；
基于所述目标关键词进行信息搜索，得到并输出与所述目标关键词对应的搜索结果。
根据本申请的第三方面，提供了一种应用于信息搜索的关键词匹配装置，包括：
获取单元，用于获取样本数据，其中，所述样本数据包括具有点击关系的各搜索词与各关键词；
第一确定单元，用于根据所述样本数据确定邻接矩阵，其中，所述邻接矩阵表征所述样本数据中的各词之间的点击关系的矩阵；
降维单元，用于对所述邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系；
其中，所述匹配关系用于对待搜索词进行关键词的搜索匹配。
根据本申请的第四方面，提供了一种信息搜索装置，包括
接收单元，用于接收搜索请求，其中，所述搜索请求中携带待搜索词；
第二确定单元，用于根据匹配关系确定与所述待搜索词对应的目标关键词，其中，所述匹配关系是基于如第一方面所述的方法生成的；
搜索单元，用于基于所述目标关键词进行信息搜索，得到与所述目标关键词对应的搜索结果；
输出单元，用于输出所述的搜索结果。
根据本申请的第五方面，提供了一种电子设备，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第一方面所述的方法；或者，
以使所述至少一个处理器能够执行第二方面所述的方法。
根据本申请的第六方面，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，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法；或者，
所述计算机指令用于使所述计算机执行第二方面所述的方法。
根据本申请的第七方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是本实施例的无向图的示意图；
图4是根据本申请第三实施例的示意图；
图5是本申请实施例的信息搜索方法可以适用的应用场景的示意图；
图6是根据本申请第四实施例的示意图；
图7是根据本申请第五实施例的示意图；
图8是根据本申请第六实施例的示意图；
图9是根据本申请第七实施例的示意图；
图10是根据本申请第八实施例的示意图；
图11是根据本申请第九实施例的示意图；
图12是本申请实施例的电子设备的示意图。
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。
应该理解地是，随着各个行业的技术的信息化发展，信息量有了突飞猛进地增长，全面进入互联网大数据时代，且数据的维度也由一维发展到了多维。相应地，如何实现对信息进行高效且快速地搜索，成了亟待解决地问题，而针对高效快速的搜索需求，如何提高搜索词与关键词之间的匹配的方法，以满足用户的搜索需求，成了关键问题。
在相关技术中，通常采用的应用于信息搜索的关键词匹配方法可以包括两种，第一种方法为：离线挖掘高频数据，高频数据是指搜索场景中，使用频率相对较高的搜索词和关键词，将搜索词和关键词输入至预先训练的离线双向编码模型(Bidirectional EncoderRepresentations from Transformers，BERT)中，输出搜索词和关键词的表达信息，从而确定与搜索词具有匹配关系的关键词。其中，离线BERT模型的训练方法可以通过采集样本数据(包括用于训练的搜索词和关键词)的方式实现，具体的实现原理，可以参见相关技术地描述，此处不再赘述。
然而，采用该种方法，一方面，由于样本数据具有一定的代表性，且考虑训练效率和资源消耗等，训练生成的离线BERT很可能会因样本数据受到一定的限制，而造成离线BERT模型的训练不充分，表达能力有限，从而导致基于离线BERT确定出的匹配关系的准确性偏低的问题；另一方面，由于采用的搜索词和关键词是基于频率确定的，因此，一般需要通过不断的数据增加或持续迭代等方式为离线BERT模型提高供给，否则可能导致确定出的匹配关系的准确性和时效性偏低，从而影响搜索的可靠性。
第二种方法为：离线挖掘搜索数据，对搜索数据中的每一个词进行自然语音处理((Natural Language Processing，NLP)，如进行语义分析等，基于语义分析结果，搜索数据中的每一搜索词和每一关键词之间的相似程度，如通过欧式距离或者余弦距离的方式计算得到每一搜索词与每一关键词之间的相似程度，并基于相似程度确定搜索词与关键词之间的匹配关系，如可以将相似程度大于预设相似程度阈值的搜索词和关键词确定为具有匹配关系的词。
然而，采用该种方法，由于搜索词和关键词的数量相对较大，且数据维度较高，可能存在因数据量大、维度较高，而造成确定出的具有匹配关系的词的准确性和可靠性相对较低的问题，且计算过程相对繁琐，可能存在资源消耗较高，而准确性偏低的问题。
为了解决上述技术问题中的至少一种，本申请的发明人经过创造性地劳动，得到了本申请实施例的发明构思：构建表征各搜索词与各关键词之间的点击关系的邻接矩阵，并对邻接矩阵进行降维处理，从而得到搜索词与关键词之间的匹配关系。
基于上述发明构思，本申请提供一种应用于信息搜索的关键词匹配方法、信息搜索方法及装置，应用于人工智能领域中的大数据和智能搜索，以达到确定匹配关系的准确性和可靠性，且达到信息搜索的准确性和可靠性。
图1是根据本申请第一实施例的示意图，如图1所示，本申请实施例的应用于信息搜索的关键词匹配方法，包括：
S101：获取样本数据。
其中，样本数据包括具有点击关系的各搜索词与各关键词。
示例性地，本实施例的执行主体可以为应用于信息搜索的关键词匹配装置(下文简称匹配装置)，匹配装置可以为服务器(如本地服务器，或者，云端服务器，其中，考虑到运行效率、存储空间、以及数据采集的便利性，优选采用云端服务器)，也可以为终端设备，也可以为处理器，也可以为芯片，本实施例不做限定。
应该理解地是，对于匹配装置采集样本数据的方式以及数量等，本实施例不做限定。
例如，匹配装置可以从预存的搜索日志中抽取最近时间段内(如最近一个月内)的搜索日志，离线挖掘得到具有点击关系的各搜索词与各关键词的样本数据，如搜索词(query)的规模为一亿，关键词(bidword)的规模为十亿，等。
在一些实施例中，可以在抽取的最近时间段内的搜索日志的基础上，对部分搜索词和/或部分关键词进行过滤处理，如对重复的搜索词和关键词进行过滤，对不具有通用性搜索的搜索词和/或关键词(即被搜索的搜索词和/或关键词几乎没有二次出现等)进行过滤，等等，此处不再一一列举。
通过过滤的方式确定样本数据，可以使得样本数据具有较高的普遍适应性，从而提高后续确定出的匹配关系的普遍性，且可以实现提高确定匹配关系的效率的技术效果。
S102：根据样本数据确定邻接矩阵。
其中，邻接矩阵表征样本数据中的各词之间的点击关系的矩阵。
在本实施例中，邻接矩阵是基于样本数据确定的，且可以表征各词之间的点击关系，即邻接矩阵可以表征各搜索词和关键词之间的点击关系的矩阵。
S103：对邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系。
其中，匹配关系用于对待搜索词进行关键词的搜索匹配。
在本实施例中，引入了：构建表征各搜索词与各关键词之间的点击关系的邻接矩阵，并对该邻接矩阵进行降维处理，从而得到匹配关系的特征，一方面，可以避免上述第一种方法造成的确定出的匹配关系的准确性偏低等的问题，且可以避免上述第二种方法造成的效率偏低等问题；另一方面，通过对邻接矩阵进行降维处理，可以使得各数据在维度上有一定的限缩的同时，可以保持各搜索词与各关键词之间的点击关系不受影响，从而使得确定出的匹配关系可以相对较为准确地表征各搜索词和各关键词之间的对应关系，即能使得针对任一搜索词，确定出的与其对应的关键词具有较高的准确性和可靠性的技术效果。
图2是根据本申请第二实施例的示意图，如图2所示，本申请实施例的应用于信息搜索的关键词匹配方法，包括：
S201：获取样本数据。
其中，样本数据包括具有点击关系的各搜索词与各关键词。
示例性地，关于S201地描述，可以参见S101，此处不再赘述。
S202：根据样本数据构建无向图。
其中，无向图包括多个节点和多条边，一个节点对应一个搜索词或者一个关键词，任一两节点之间的边对应点击关系。
示例性地，如图3所示，无向图中可以包括多个节点，一个节点可能为一个搜索词，也可能为一个关键词。
若一个节点(如图3中所示的节点A)为搜索词，另一个节点(如图3中所示的节点B)为关键词，且该搜索词和该关键词之间具有点击关系，则可以构建节点A和节点B之间的边，且通过节点A和节点B之间的边，表征节点A和节点B之间具有点击关系。
如图3所示，在一些实施例中，可以为每一条边分配权重，权重可以基于点击关系中的点击次数进行确定。
例如，如图3所示，若节点A为搜索词a，节点B为关键词b，且基于点击关系可知，搜索词a与关键词b之间的点击次数为1，则节点A与节点B之间的边的权重为1，同理，可以得到节点A与节点C之间的边的权重为8，节点A与节点D之间的边的权重为3，节点A与节点E之间的边的权重为5，等等，以此类推，此处不再一一列举。
S203：根据无向图生成邻接矩阵。
其中，邻接矩阵表征无向图中各节点之间的点击关系的矩阵。
示例性地，若无向图中包括N个节点，M个边，也即，样本数据中的搜索词与关键词的数量为N，样本数据中存在点击关系的搜索词与关键词的数量为M，则可以通过式1表示邻接矩阵A，式1：
其中，邻接矩阵可以理解为N维N列的矩阵空间。
值得说明地是，在本实施例中，通过基于样本数据构建无向图，而无向图可以快捷有效地表达各搜索词与关键词之间的点击关系，且能精准地表达各搜索词与关键词之间的点击关系，因此，基于无向图生成邻接矩阵，可以提高生成邻接矩阵的准确性和可靠性，且可以提高生成邻接矩阵的效率的技术效果，且尤其当结合权重生成邻接矩阵时，可以进一步提高邻接矩阵对各搜索词与各关键词之间的关系的可靠且精准的表达。
S204：对邻接矩阵进行降维处理，得到向量文本。
其中，向量文本中包括：与每一搜索词对应的搜索词向量、与每一关键词对应的关键词向量。
在一些实施例中，S204可以包括如下步骤：
步骤1：随机生成高斯分布矩阵。
在本实施例中，对随机生成的高斯分布矩阵不做限定，参数的选择可以随机选择。
例如，匹配装置随机选择用于生成高斯分布矩阵的参数，且基于随机选择的参数生成的高斯分布矩阵为
其中，k是随机选择的参数。
步骤2：基于高斯分布矩阵对邻接矩阵进行降维处理，得到向量文本。
例如，可以将邻接矩阵映射至k维的高斯分布矩阵。
值得说明地是，在本实施例中，通过随机生成高斯分布矩阵，以便基于高斯分布矩阵对邻接矩阵进行降维处理，可以降低时间复杂度，使得确定匹配关系的效率更更高，且可以使得降维处理较高的灵活性，且由于高斯分布矩阵是随机生成的，因此，在匹配装置基于随机生成的高斯分布矩阵对邻接矩阵进行降维处理时，可以避免因降维造成的数据干扰和丢失等问题，从而提高降维的准确性和可靠性的技术效果。且，尤其针对大规模的数据场景，通过本实施例的方法，由于时间复杂度相对较低，计算相对较快，因此，尤其当本实施例的方法应用于大规模搜索词与关键词的匹配关系的确定时，可以实现明显提高效率，节约资源的技术效果。
在一些实施例中，步骤2可以包括如下子步骤：
子步骤1：对高斯分布矩阵进行正交化处理，得到正交矩阵。
示例性地，，可以通过施密特正交化对高斯分布矩阵进行正交化处理，得到正交矩阵，也即，可以利用投影原理，在标准正交基(相关技术中用作投影基础的正交基)的基础上构建新的正交基。
例如，若
是维数为n的内积空间，
是
的k维子空间，其正交基为{η1，...，ηk}，且v不在
上。则可以通过式2确定v与其在
上的投影
之差β，式2：
其中，k是正交于子空间
的，也即β正交于
的正交基η1。
以v1为例，v1＝Rk×1在v0上的施密特正交基可以通过式3表示，式3：
以此类推，此处不再一一列举。
则对高斯分布矩阵进行正交化处理，得到的正交矩阵。
子步骤2：基于正交矩阵对邻接矩阵进行降维处理，得到向量文本。
示例性地，降维处理可以理解为将邻接矩阵投影至正交矩阵，且具体可以理解为两个矩阵相乘，即正交矩阵乘以邻接矩阵，得到降维后的矩阵，并根据降维后的矩阵，得到向量文本。
值得说明地是，在本实施例中，通过对高斯分布矩阵进行正交化处理，得到正交化矩阵，以便基于正交化矩阵对邻接矩阵进行降维，由于正交化矩阵中的每一维之间都是正交，使得每一维的数据之间具有较高的相互独立性，从而可以使得匹配装置对邻接矩阵进行降维时，避免各数据之间的相关干扰，提高了降维的准确性和可靠性的技术效果。
S205：根据向量文本中的每一搜索词向量、以及每一关键词向量，生成匹配关系。
其中，匹配关系用于对待搜索词进行关键词的搜索匹配。
值得说明地是，在本实施例中，通过对邻接矩阵进行降维处理，得到向量文本，并基于向量文本生成匹配关系，可以避免因维数较多，而造成的资源消耗较大，且分析难度较大的问题，可以实现节约成本的技术效果。
在一些实施例中，S205可以包括如下步骤：
步骤1：根据样本数据中的搜索词和关键词，将向量文本拆分为搜索词向量文本和关键词向量文本。
示例性地，样本数据包括搜索词和关键词，而生成的向量文本中可能包括搜索词和关键词，为了提高对搜索词与关键词的匹配的效率，可以将向量文本拆分为搜索词向量文本和关键词向量文本。
且结合上述分析可知，可以通过样本数据构建无向图，因此，在本实施例中，可以基于无向图中的各节点的节点类型，将向量文本拆分为搜索词向量文本和关键词向量文本，其中，节点类型包括搜索词的节点类型和关键词的节点类型。
需要说明地是，在一些实施例中，匹配装置可以基于样本数据的大小(即样本数据中的数据的多少)将搜索词向量文本拆分为多个搜索词向量子文本，同理，也可以将关键词向量文本拆分为多个关键词向量子文本，以便提高后续确定相似信息的效率和可靠性。
步骤2：确定搜索词向量文本中的每一搜索词向量，与关键词向量文本中的每一关键词向量之间的相似信息。
其中，相似信息可以包括相似度。
在一些实施例中，可以基于邻近搜索的方式确定相似信息，且具体可以采用分层可通航小世界图算法(Hierarchical Navigable Small World，HNSW)实现，如针对每一搜索词向量，根据HNSW和无向图确定与该搜索词向量邻近的关键词向量，并确定二者的相似度。
步骤3：根据相似信息生成匹配关系。
值得说明地是，在本实施例中，通过将向量文本拆分为搜索词向量文本和关键词向量文本，以便基于搜索词向量文本和关键词向量文本，确定相似信息，并生成匹配关系，可以降低基于整体向量文本确定匹配关系时的复杂程度，提高确定相似信息的效率，从而可以提高生成匹配关系的效率的技术效果。
在一些实施例中，步骤3可以包括如下子步骤：
子步骤1：针对任一搜索词，基于预设数量，从与任一搜索词对应的各相似信息中，依次选择相似信息最大的关键词向量对应的关键词。
示例性地，预设数量可以由匹配装置基于需求、历史记录、以及试验等方式进行设置，本实施例不做限制。
子步骤2：根据选择出的关键词确定与任一搜索词存在匹配关系的关键词。
值得说明地是，在本实施例钟，通过依次选择相似信息最大的关键词向量对应的关键词，并将选择的各关键词确定与任一搜索词存在匹配关系的关键词，可以使得确定出的关键词与搜索词之间的高度关联性，从而提供确定出的匹配关系的准确性和可靠性的技术效果。
在一些实施例中，子步骤2可以包括：确定选择出的关键词中的每一关键词的召回率，并将召回率大于预设召回率阈值的关键词确定为与任一搜索词存在匹配关系的关键词。
值得说明地是，在本实施例中，通过根据召回率确定关键词，可以使得确定出的具有匹配关系的搜索词与关键词之间具有较高的贴合性，从而可以提高匹配关系的准确性和可靠性，进而可以提高当基于搜索词确定关键词，并基于关键词进行信息搜索时，提高信息搜索的准确性，且可以提高召回率的技术效果。
图4是根据本申请第三实施例的示意图，如图4所示，本申请实施例的信息搜索方法，包括：
S401：接收搜索请求。
其中，搜索请求中携带待搜索词。
示例性地，本实施例的执行主体可以为信息搜索装置，信息搜索装置可以与匹配装置相同，也可以与匹配装置不同，本实施例不做限定。
S402：根据匹配关系确定与待搜索词对应的目标关键词。
其中，匹配关系是基于如上任一实施例所述的方法生成的。
S403：基于目标关键词进行信息搜索，得到并输出与目标关键词对应的搜索结果。
实例性地，本实施例地方法可以应用于图5所示的应用场景。
如图5所示，信息搜索装置可以为服务器501。
用户502可以通过终端设备503向服务器501发起搜索请求，搜索请求中可以携带待搜索词。
其中，终端设备503具体可以为如图5中所示的手机5031，也可以为如图5中所示的笔记本电脑5032。
如图5所示，以终端设备503为手机5031为例，用户502可以在手机5031的搜索框内输入待搜索词，并通过点击“确认”的虚拟按钮，触发手机5031向服务器502发起搜索请求。
应用理解地是，图5中只是通过手机5031和笔记本电脑5032对终端设备503进行示范性地展示，而不能理解为对终端设备的限定。
当本实施例的信息搜索方法应用于如图5所示的应用场景时，服务器501在接收到搜索请求时，可以获取搜索请求中携带的待搜索词，并根据匹配关系确定与待搜索词对应的目标关键词，由于匹配关系是基于上述任一实施例的方法生成的，即匹配关系是基于点击关系构建邻接矩阵，并对邻接矩阵进行降维处理生成的，因此，匹配关系具有较高的准确性和可靠性，进而当基于匹配关系确定出的目标关键词与待搜索词之间具有较高的匹配性，且贴合程度较高，从而提高了搜索的准确性和可靠性的技术效果。
图6是根据本申请第四实施例的示意图，如图6所示，本申请实施例的信息搜索方法，包括：
S601：接收搜索请求。
其中，搜索请求中携带待搜索词。
示例性地，关于S601地描述，可以参见S601，本实施例不做限定。
S602：根据样本数据的点击关系，从与待搜索词具有点击关系的关键词中，确定与待搜索词的点击次数大于预设的次数阈值的关键词。
S603：从匹配关系中，将与待搜索词的点击次数大于预设的次数阈值的关键词，确定为目标关键词。
其中，匹配关系是基于正交矩阵对邻接矩阵进行降维处理生成的，且邻接矩阵表征样本数据中的各数据之间的点击关系的矩阵。
同理，次数阈值也可以由信息搜索装置基于需求、历史记录、以及试验等进行设置，本实施例不做限定。
S604：基于目标关键词进行信息搜索，得到并输出与目标关键词对应的搜索结果。
基于上述分析可知，信息搜索装置可以基于点击次数确定目标关键词，在另一些实施例中，信息搜索装置还可以基于召回信息的访问量确定目标关键词。
具体地，信息搜索装置可以从匹配关系中，确定与待搜索词对应的多个初始关键词，确定与每一初始关键词对应的召回信息对应的访问量，并将访问量最大的初始关键词确定为目标关键词，以便确定出的目标关键词具有较高的召回率，从而提高基于目标关键词确定的搜索结果具有较高的准确性和可靠性，且通过将访问量最大的初始关键词确定为目标关键词，可以使得搜索结果具有较为普遍的适用性，从而提高用户的搜索体验的技术效果。
图7是根据本申请第五实施例的示意图，如图7所示，本申请实施例的应用于信息搜索的关键词匹配装置700，包括：
获取单元701，用于获取样本数据，其中，样本数据包括具有点击关系的各搜索词与各关键词。
第一确定单元702，用于根据样本数据确定邻接矩阵，其中，邻接矩阵表征样本数据中的各词之间的点击关系的矩阵。
降维单元703，用于对邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系。
其中，匹配关系用于对待搜索词进行关键词的搜索匹配。
图8是根据本申请第六实施例的示意图，如图8所示，本申请实施例的应用于信息搜索的关键词匹配装置800，包括：
获取单元801，用于获取样本数据，其中，样本数据包括具有点击关系的各搜索词与各关键词。
第一确定单元802，用于根据样本数据确定邻接矩阵，其中，邻接矩阵表征样本数据中的各词之间的点击关系的矩阵。
结合图8可知，在一些实施例中，第一确定单元802包括：
构建子单元8021，用于根据样本数据构建无向图，其中，无向图包括多个节点和多条边，一个节点对应一个搜索词或者一个关键词，任一两节点之间的边对应点击关系。
生成子单元8022，用于根据无向图生成邻接矩阵，其中，邻接矩阵表征无向图中各节点之间的点击关系的矩阵。
降维单元803，用于对邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系。
其中，匹配关系用于对待搜索词进行关键词的搜索匹配。
结合图8可知，在一些实施例中，降维单元803包括：
降维子单元8031，用于对邻接矩阵进行降维处理，得到向量文本，其中，向量文本中包括：与每一搜索词对应的搜索词向量、与每一关键词对应的关键词向量。
在一些实施例中，降维子单元8031，包括：
生成模块，用于随机生成高斯分布矩阵。
降维模块，用于基于高斯分布矩阵对邻接矩阵进行降维处理，得到向量文本。
在一些实施例中，降维模块包括：
正交子模块，用于对高斯分布矩阵进行正交化处理，得到正交矩阵。
降维子模块，用于基于正交矩阵对邻接矩阵进行降维处理，得到向量文本。
生成子单元8032，用于根据向量文本中的每一搜索词向量、以及每一关键词向量，生成匹配关系。
在一些实施例中，生成子单元8032包括：
拆分模块，用于根据样本数据中的搜索词和关键词，将向量文本拆分为搜索词向量文本和关键词向量文本。
确定模块，用于确定搜索词向量文本中的每一搜索词向量，与关键词向量文本中的每一关键词向量之间的相似信息。
生成模块，用于根据相似信息生成匹配关系。
在一些实施例中，生成模块包括：
选择子模块，用于针对任一搜索词，基于预设数量，从与任一搜索词对应的各相似信息中，依次选择相似信息最大的关键词向量对应的关键词。
确定子模块，用于根据选择出的关键词确定与任一搜索词存在匹配关系的关键词。
在一些实施例中，确定子模块用于，确定选择出的关键词中的每一关键词的召回率，并将召回率大于预设召回率阈值的关键词确定为与所述任一搜索词存在匹配关系的关键词。
图9是根据本申请第七实施例的示意图，如图9所示，本申请实施例的信息搜索装置900，包括：
接收单元901，用于接收搜索请求，其中，搜索请求中携带待搜索词。
第二确定单元902，用于根据匹配关系确定与待搜索词对应的目标关键词，其中，匹配关系是基于如上任一实施例所述的方法生成的。
搜索单元903，用于基于目标关键词进行信息搜索，得到与目标关键词对应的搜索结果。
输出单元904，用于输出搜索结果。
图10是根据本申请第八实施例的示意图，如图10所示，本申请实施例的信息搜索装置1000，包括：
接收单元1001，用于接收搜索请求，其中，搜索请求中携带待搜索词。
第二确定单元1002，用于根据匹配关系确定与待搜索词对应的目标关键词，其中，匹配关系是基于如上任一实施例所述的方法生成的。
结合图10可知，在一些实施例中，第二确定单元1002包括：
第三确定子单元10021，用于根据点击关系，从与待搜索词具有点击关系的关键词中，确定与待搜索词的点击次数大于预设的次数阈值的关键词。
第四确定子单元10022，用于从匹配关系中，将与待搜索词的点击次数大于预设的次数阈值的关键词，确定为目标关键词。
搜索单元1003，用于基于目标关键词进行信息搜索，得到与目标关键词对应的搜索结果。
输出单元1004，用于输出搜索结果。
图11是根据本申请第九实施例的示意图，如图11所示，本申请实施例的信息搜索装置1100，包括：
接收单元1101，用于接收搜索请求，其中，搜索请求中携带待搜索词。
第二确定单元1102，用于根据匹配关系确定与待搜索词对应的目标关键词，其中，匹配关系是基于如上任一实施例所述的方法生成的。
结合图11可知，在一些实施例中，第二确定单元1102包括：
第五确定子单元11021，用于从匹配关系中，确定与待搜索词对应的多个初始关键词。
第六确定子单元11022，用于确定与每一初始关键词对应的召回信息对应的访问量，并将访问量最大的初始关键词确定为目标关键词。
搜索单元1103，用于基于目标关键词进行信息搜索，得到与目标关键词对应的搜索结果。
输出单元1104，用于输出搜索结果。
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。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图12示出了可以用来实施本申请的实施例的示例电子设备1200的示意性框图。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/或者要求的本公开的实现。
如图12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如应用于信息搜索的关键词匹配方法、信息搜索方法。例如，在一些实施例中，应用于信息搜索的关键词匹配方法、信息搜索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的应用于信息搜索的关键词匹配方法、信息搜索方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行应用于信息搜索的关键词匹配方法、信息搜索方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (27)
1.一种应用于信息搜索的关键词匹配方法，包括：
获取样本数据，并根据所述样本数据确定邻接矩阵，其中，所述样本数据包括具有点击关系的各搜索词与各关键词，所述邻接矩阵表征所述样本数据中的各词之间的点击关系的矩阵；
对所述邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系；
其中，所述匹配关系用于对待搜索词进行关键词的搜索匹配。
2.根据权利要求1所述的方法，其中，对所述邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系，包括：
对所述邻接矩阵进行降维处理，得到向量文本，其中，所述向量文本中包括：与每一搜索词对应的搜索词向量、与每一关键词对应的关键词向量；
根据所述向量文本中的每一所述搜索词向量、以及每一所述关键词向量，生成所述匹配关系。
3.根据权利要求2所述的方法，其中，对所述邻接矩阵进行降维处理，得到所述向量文本，包括：
随机生成高斯分布矩阵，并基于所述高斯分布矩阵对所述邻接矩阵进行降维处理，得到所述向量文本。
4.根据权利要求3所述的方法，其中，基于所述高斯分布矩阵对所述邻接矩阵进行降维处理，得到所述向量文本，包括：
对所述高斯分布矩阵进行正交化处理，得到正交矩阵；
基于所述正交矩阵对所述邻接矩阵进行降维处理，得到所述向量文本。
5.根据权利要求2至4中任一项所述的方法，其中，根据所述向量文本中的每一所述搜索词向量、以及每一所述关键词向量，生成所述匹配关系，包括：
根据所述样本数据中的搜索词和关键词，将所述向量文本拆分为搜索词向量文本和关键词向量文本；
确定所述搜索词向量文本中的每一搜索词向量，与所述关键词向量文本中的每一关键词向量之间的相似信息，并根据所述相似信息生成所述匹配关系。
6.根据权利要求5所述的方法，其中，根据所述相似信息生成所述匹配关系，包括：
针对任一搜索词，基于预设数量，从与所述任一搜索词对应的各相似信息中，依次选择相似信息最大的关键词向量对应的关键词，并根据选择出的关键词确定与所述任一搜索词存在匹配关系的关键词。
7.根据权利要求6所述的方法，其中，根据选择出的关键词确定与所述任一搜索词存在匹配关系的关键词，包括：
确定选择出的关键词中的每一关键词的召回率，并将召回率大于预设召回率阈值的关键词确定为与所述任一搜索词存在匹配关系的关键词。
8.根据权利要求1至4中任一项所述的方法，其中，根据所述样本数据确定邻接矩阵，包括：
根据所述样本数据构建无向图，并根据所述无向图生成所述邻接矩阵，其中，所述无向图包括多个节点和多条边，一个节点对应一个搜索词或者一个关键词，任一两节点之间的边对应点击关系，所述邻接矩阵表征所述无向图中各节点之间的点击关系的矩阵。
9.一种信息搜索方法，包括
接收搜索请求，其中，所述搜索请求中携带待搜索词；
根据匹配关系确定与所述待搜索词对应的目标关键词，其中，所述匹配关系是基于如权利要求1至8中任一项所述的方法生成的；
基于所述目标关键词进行信息搜索，得到并输出与所述目标关键词对应的搜索结果。
10.根据权利要求9所述的方法，其中，所述匹配关系是基于正交矩阵对邻接矩阵进行降维处理生成的。
11.根据权利要求9或10所述的方法，其中，从匹配关系中确定与所述待搜索词对应的目标关键词，包括；
根据点击关系，从与所述待搜索词具有点击关系的关键词中，确定与所述待搜索词的点击次数大于预设的次数阈值的关键词；
从所述匹配关系中，将与所述待搜索词的点击次数大于预设的次数阈值的关键词，确定为所述目标关键词。
12.根据权利要求9或10所述的方法，其中，从匹配关系中确定与所述待搜索词对应的目标关键词，包括：
从所述匹配关系中，确定与所述待搜索词对应的多个初始关键词；
确定与每一所述初始关键词对应的召回信息对应的访问量，并将访问量最大的初始关键词确定为所述目标关键词。
13.一种应用于信息搜索的关键词匹配装置，包括：
获取单元，用于获取样本数据，其中，所述样本数据包括具有点击关系的各搜索词与各关键词；
第一确定单元，用于根据所述样本数据确定邻接矩阵，其中，所述邻接矩阵表征所述样本数据中的各词之间的点击关系的矩阵；
降维单元，用于对所述邻接矩阵进行降维处理，得到搜索词与关键词之间的匹配关系；
其中，所述匹配关系用于对待搜索词进行关键词的搜索匹配。
14.根据权利要求13所述的装置，其中，所述降维单元，包括：
降维子单元，用于对所述邻接矩阵进行降维处理，得到向量文本，其中，所述向量文本中包括：与每一搜索词对应的搜索词向量、与每一关键词对应的关键词向量；
生成子单元，用于根据所述向量文本中的每一所述搜索词向量、以及每一所述关键词向量，生成所述匹配关系。
15.根据权利要求14所述的装置，其中，所述降维子单元，包括：
生成模块，用于随机生成高斯分布矩阵；
降维模块，用于基于所述高斯分布矩阵对所述邻接矩阵进行降维处理，得到所述向量文本。
16.根据权利要求15所述的装置，其中，所述降维模块，包括：
正交子模块，用于对所述高斯分布矩阵进行正交化处理，得到正交矩阵；
降维子模块，用于基于所述正交矩阵对所述邻接矩阵进行降维处理，得到所述向量文本。
17.根据权利要求14至16中任一项所述的装置，其中，所述生成子单元，包括：
拆分模块，用于根据所述样本数据中的搜索词和关键词，将所述向量文本拆分为搜索词向量文本和关键词向量文本；
确定模块，用于确定所述搜索词向量文本中的每一搜索词向量，与所述关键词向量文本中的每一关键词向量之间的相似信息；
生成模块，用于根据所述相似信息生成所述匹配关系。
18.根据权利要求17所述的装置，其中，所述生成模块，包括：
选择子模块，用于针对任一搜索词，基于预设数量，从与所述任一搜索词对应的各相似信息中，依次选择相似信息最大的关键词向量对应的关键词；
确定子模块，用于根据选择出的关键词确定与所述任一搜索词存在匹配关系的关键词。
19.根据权利要求18所述的装置，其中，确定子模块用于，确定选择出的关键词中的每一关键词的召回率，并将召回率大于预设召回率阈值的关键词确定为与所述任一搜索词存在匹配关系的关键词。
20.根据权利要求13至16中任一项所述的装置，其中，所述第一确定单元，包括：
构建子单元，用于根据所述样本数据构建无向图，其中，所述无向图包括多个节点和多条边，一个节点对应一个搜索词或者一个关键词，任一两节点之间的边对应点击关系；
生成子单元，用于根据所述无向图生成所述邻接矩阵，其中，所述邻接矩阵表征所述无向图中各节点之间的点击关系的矩阵。
21.一种信息搜索装置，包括
接收单元，用于接收搜索请求，其中，所述搜索请求中携带待搜索词；
第二确定单元，用于根据匹配关系确定与所述待搜索词对应的目标关键词，其中，所述匹配关系是基于如权利要求1至8中任一项所述的方法生成的；
搜索单元，用于基于所述目标关键词进行信息搜索，得到与所述目标关键词对应的搜索结果；
输出单元，用于输出所述搜索结果。
22.根据权利要求21所述的装置，其中，所述匹配关系是基于正交矩阵对邻接矩阵进行降维处理生成的。
23.根据权利要求21或22所述的装置，其中，所述第二确定单元，包括；
第三确定子单元，用于根据点击关系，从与所述待搜索词具有点击关系的关键词中，确定与所述待搜索词的点击次数大于预设的次数阈值的关键词；
第四确定子单元，用于从所述匹配关系中，将与所述待搜索词的点击次数大于预设的次数阈值的关键词，确定为所述目标关键词。
24.根据权利要求21或22所述的装置，其中，所述第二确定单元，包括：
第五确定子单元，用于从所述匹配关系中，确定与所述待搜索词对应的多个初始关键词；
第六确定子单元，用于确定与每一所述初始关键词对应的召回信息对应的访问量，并将访问量最大的初始关键词确定为所述目标关键词。
25.一种电子设备，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权利要求1-8中任一项所述的方法；或者，
以使所述至少一个处理器能够执行权利要求9-12中任一项所述的方法。
26.一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1-8中任一项所述的方法；或者，
所述计算机指令用于使所述计算机执行权利要求9-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法；或者，
所述计算机程序在被处理器执行时实现根据权利要求9-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315277.3A CN112989170A (zh) | 2021-03-24 | 2021-03-24 | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315277.3A CN112989170A (zh) | 2021-03-24 | 2021-03-24 | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112989170A true CN112989170A (zh) | 2021-06-18 |
Family
ID=76333330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110315277.3A Pending CN112989170A (zh) | 2021-03-24 | 2021-03-24 | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112989170A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428907A (zh) * | 2022-01-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备及存储介质 |
| CN114707502A (zh) * | 2021-12-24 | 2022-07-05 | 北京达佳互联信息技术有限公司 | 虚拟空间处理方法、装置、电子设备及计算机存储介质 |
| CN116628049A (zh) * | 2023-07-21 | 2023-08-22 | 深圳市秦丝科技有限公司 | 一种基于大数据的信息系统维护管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
| CN111046299A (zh) * | 2019-12-11 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 针对关系网络的特征信息提取方法及装置 |
| CN111931002A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种匹配方法以及相关设备 |
-
2021
- 2021-03-24 CN CN202110315277.3A patent/CN112989170A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162593A (zh) * | 2018-11-29 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种搜索结果处理、相似度模型训练方法及装置 |
| CN111046299A (zh) * | 2019-12-11 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 针对关系网络的特征信息提取方法及装置 |
| CN111931002A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种匹配方法以及相关设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707502A (zh) * | 2021-12-24 | 2022-07-05 | 北京达佳互联信息技术有限公司 | 虚拟空间处理方法、装置、电子设备及计算机存储介质 |
| CN114428907A (zh) * | 2022-01-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备及存储介质 |
| CN114428907B (zh) * | 2022-01-27 | 2024-05-28 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备及存储介质 |
| CN116628049A (zh) * | 2023-07-21 | 2023-08-22 | 深圳市秦丝科技有限公司 | 一种基于大数据的信息系统维护管理系统及方法 |
| CN116628049B (zh) * | 2023-07-21 | 2023-12-15 | 深圳市秦丝科技有限公司 | 一种基于大数据的信息系统维护管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
| CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
| CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
| CN112749300A (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
| CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
| CN117633194A (zh) | 大模型提示数据处理方法、装置、电子设备及存储介质 | |
| CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
| CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
| CN113343047B (zh) | 数据处理方法、数据检索方法及装置 | |
| CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
| CN114860411A (zh) | 多任务学习方法、装置、电子设备和存储介质 | |
| CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN113033205A (zh) | 实体链接的方法、装置、设备以及存储介质 | |
| CN112860626A (zh) | 一种文档排序方法、装置及电子设备 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
| CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
| CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
| CN116088692B (zh) | 用于呈现候选字符串和训练判别式模型的方法和装置 | |
| CN114422584B (zh) | 资源的推送方法、设备和存储介质 | |
| CN115758142A (zh) | 深度学习模型的训练方法、数据处理方法和装置 | |
| CN118035557A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 |
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 |