CN113282831A - 一种搜索信息的推荐方法、装置、电子设备及存储介质 - Google Patents
一种搜索信息的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113282831A CN113282831A CN202110646922.XA CN202110646922A CN113282831A CN 113282831 A CN113282831 A CN 113282831A CN 202110646922 A CN202110646922 A CN 202110646922A CN 113282831 A CN113282831 A CN 113282831A
- Authority
- CN
- China
- Prior art keywords
- information
- feature vector
- search information
- target
- candidate information
- 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 59
- 239000013598 vector Substances 0.000 claims abstract description 334
- 230000011218 segmentation Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid 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
- G06F16/90—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种搜索信息的推荐方法、装置、电子设备及存储介质,所述方法包括:获取用户输入的目标搜索信息,基于目标搜索信息的分词特征,确定目标搜索信息对应的目标特征向量;根据目标特征向量与搜索信息的特征向量之间的相似度,确定备选推荐信息;将备选推荐信息加入候选信息集合中,并确定每个候选信息对应的特征向量;计算每个候选信息对应的特征向量与目标特征向量之间的相似度,基于相似度从候选信息集合中确定推荐搜索信息;将推荐搜索信息推荐给用户。由于不需要根据搜索信息与其召回搜索信息之间对应关系来确定搜索信息,所以即使是用户输入的新的搜索信息,也可以顺利完成搜索信息的召回,提高搜索信息的推荐效果。
Description
技术领域
本发明涉及信息搜索技术领域,特别是涉及一种搜索信息的推荐方法、装置、电子设备及存储介质。
背景技术
对于具有搜索功能的网站来说,针对不同的用户进行精准的搜索信息推荐,吸引用户点击推荐的搜索信息进行搜索,可以有效地达到引流的目的。相关技术中的搜索信息的推荐方法可分为两个阶段:召回和排序。其中,排序阶段是对召回的备选推荐信息进行打分和排序,最终根据打分和排序的结果确定出所要推荐给用户的搜索信息。
目前的召回流程中,首先为每一个搜索信息训练得到一个特征向量,形成一个包括搜索信息与特征向量之间对应关系的特征向量字典。然后通过各个特征向量之间的相似度,离线地构建一个包括搜索信息与其召回搜索信息之间对应关系的索引字典。在线进行召回的时候,获取用户的搜索行为中的目标搜索信息后,从索引字典中查找该目标搜索信息对应的召回搜索信息,从而实现搜索信息的召回。
在上述方式中,由于索引字典中的搜索信息只能是存在于特征向量字典中的搜索信息。所以,如果用户输入的搜索信息为新的搜索信息,其不是特征向量字典中已有的搜索信息,那么其也一定不在索引字典中,也就无法实现搜索信息的召回,影响搜索信息的推荐效果。
发明内容
本发明实施例的目的在于提供一种搜索信息的推荐方法、装置、电子设备及存储介质,以在用户输入的搜索信息为新的搜索信息的情况下实现搜索信息的召回,提高搜索信息的推荐效果。具体技术方案如下:
第一方面,本发明实施例提供了一种搜索信息的推荐方法,所述方法包括:
获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
根据所述目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的特征向量;
计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
将所述推荐搜索信息推荐给用户。
可选的,所述确定所述候选信息集合中每个候选信息对应的特征向量的步骤,包括:
针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;
在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
可选的,所述基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量的步骤,包括:
对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
可选的,所述召回池字典的建立方式,包括:
获取预先收集的多个搜索信息;
对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
可选的,所述方法还包括:
更新所述特征向量模型;
基于更新后的特征向量模型,更新所述召回池字典。
可选的,所述基于所述相似度从所述候选信息集合中确定目标候选信息的步骤,包括:
将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
第二方面,本发明实施例提供了一种搜索信息的推荐装置,所述装置包括:
第一向量确定模块,用于获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
备选推荐信息确定模块,用于根据所述目标特征向量与预先通过召回池建立模块获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
第二向量确定模块,用于将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的特征向量;
推荐搜索信息确定模块,用于计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
搜索信息推荐模块,用于将所述推荐搜索信息推荐给用户。
可选的,所述第二向量确定模块包括:
第一向量确定单元,用于针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;
第二向量确定单元,用于在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
可选的,所述第一向量确定模块包括:
第一分词处理单元,用于对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
向量确定单元,用于将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
可选的,所述召回池建立模块包括:
信息获取单元,用于获取预先收集的多个搜索信息;
第二分词处理单元,用于对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
第三向量确定单元,用于将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
召回池建立单元,用于对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
可选的,所述装置还包括:
第一模型更新模块,用于更新所述特征向量模型;
第二模型更新模块,用于基于更新后的特征向量模型,更新所述召回池字典。
可选的,所述推荐搜索信息确定模块包括:
评分确定单元,用于将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
候选信息确定单元,用于根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
第四方面,本发明实施例提供了一种计算机可读缓存介质,所述计算机可读缓存介质内缓存有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例提供的方案中,电子设备可以获取用户输入的目标搜索信息,并基于目标搜索信息的分词特征,确定目标搜索信息对应的目标特征向量,根据目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从召回池字典包括的搜索信息中确定备选推荐信息,将备选推荐信息加入已有的候选信息集合中,并确定候选信息集合中每个候选信息对应的目标特征向量,计算每个候选信息对应的特征向量与目标特征向量之间的相似度,并基于相似度从候选信息集合中确定目标候选信息,作为推荐搜索信息,进而,将推荐搜索信息推荐给用户。
由于电子设备将基于特征向量之间相似度确定的备选推荐信息加入候选信息集合中,这样候选集合中便包括了多个与目标搜索信息相似度较高的候选信息,进而,电子设备基于每个候选信息对应的特征向量与目标特征向量之间的相似度,确定目标候选信息,可以从候选信息集合中进一步选择与目标特征向量之间的相似度较高的目标候选信息作为推荐搜索信息,这样,由于并不需要根据搜索信息与其召回搜索信息之间对应关系来确定召回的搜索信息,所以即使目标搜索信息为用户输入的新的搜索信息,电子设备也可以从候选集合中确定出推荐搜索信息,顺利完成搜索信息的召回,提高搜索信息的推荐效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所提供的一种搜索信息的推荐方法的流程图;
图2为图1所示实施例中步骤S101的一种具体流程图;
图3为基于图1所示实施例的召回池字典的建立方式的一种流程图;
图4为基于图1所示实施例的模型更新方式的一种流程图;
图5为图1所示实施例中步骤S104的一种具体流程图;
图6为本发明实施例所提供的一种搜索信息的推荐装置的结构示意图;
图7为图6所示实施例中第一向量确定模块的一种具体结构示意图;
图8为图6所示实施例中召回池建立模块的一种结构示意图;
图9为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为了在用户输入的搜索信息为新的搜索信息的情况下实现搜索信息的召回,提高搜索信息的推荐效果,本发明实施例提供了一种搜索信息的推荐方法、装置、电子设备、计算机可读存储介质以及计算机程序产品。下面对本发明实施例所提供的一种搜索信息的推荐方法进行介绍。
本发明实施例所提供的一种搜索信息的推荐方法可以应用于任意需要进行搜索信息的推荐的电子设备,例如可以为电脑、平板电脑、手机等电子设备,在此不做具体限定。
如图1所示,一种搜索信息的推荐方法,所述方法包括:
S101,获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
S102,根据所述目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
S103,将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的目标特征向量;
S104,计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
S105,将所述推荐搜索信息推荐给用户。
可见,本发明实施例提供的方案中,电子设备可以获取用户输入的目标搜索信息,并基于目标搜索信息的分词特征,确定目标搜索信息对应的目标特征向量,根据目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从召回池字典包括的搜索信息中确定备选推荐信息,将备选推荐信息加入已有的候选信息集合中,并确定候选信息集合中每个候选信息对应的目标特征向量,计算每个候选信息对应的特征向量与目标特征向量之间的相似度,并基于相似度从候选信息集合中确定目标候选信息,作为推荐搜索信息,进而,将推荐搜索信息推荐给用户。由于电子设备将基于特征向量之间相似度确定的备选推荐信息加入候选信息集合中,这样候选集合中便包括了多个与目标搜索信息相似度较高的候选信息,进而,电子设备基于每个候选信息对应的特征向量与目标特征向量之间的相似度,确定目标候选信息,可以从候选信息集合中进一步选择与目标特征向量之间的相似度较高的目标候选信息作为推荐搜索信息,这样,由于并不需要根据搜索信息与其召回搜索信息之间对应关系来确定召回的搜索信息,所以即使目标搜索信息为用户输入的新的搜索信息,电子设备也可以从候选集合中确定出推荐搜索信息,顺利完成搜索信息的召回,提高搜索信息的推荐效果。
用户在使用网站所提供的搜索功能进行信息搜索时,网站服务器可以在搜索页面向用户推荐相关的搜索信息,吸引用户基于推荐的搜索信息进行搜索,这样可以满足用户的搜索需求,同时可以有效地达到引流的目的。
电子设备将搜索信息推荐给用户时,一般是基于用户输入的搜索信息,推荐与用户输入的搜索信息相关的搜索信息,那么,在上述步骤S101中,电子设备可以获取用户输入的搜索信息,将其作为目标搜索信息。其中,目标搜索信息即为用户想要搜索的搜索信息。目标搜索信息具体可以为词语、短语或者语句中的任意一种,在此不做具体限定。
例如,用户在使用网站提供的搜索功能进行信息搜索时,输入其想要搜索的搜索信息“电视剧A”,电子设备便可以获取到该搜索信息“电视剧A”,该获取到的搜索信息“电视剧A”即为目标搜索信息。
获取了用户输入的目标搜索信息后,为了确定目标搜索信息对应的目标特征向量,电子设备可以获取目标搜索信息的分词特征,进而基于该分词特征,确定目标搜索信息对应的目标特征向量。
在一种实施方式中,电子设备可以对目标搜索信息进行分词处理,进而获得目标搜索信息的分词特征,其中,分词处理可以采用信息处理领域的任一分词处理方式,只要可以获得目标搜索信息的分词特征即可,在此不做具体限定及说明。
目标特征向量为可以表示用户输入的目标搜索信息的特征的向量,电子设备可以深度学习模型等方式,基于该分词特征确定目标搜索信息对应的目标特征向量,在此不做具体限定。
为了扩充召回搜索信息的来源,可以预先建立召回池字典,该召回池字典可以包括预先收集的搜索信息及其对应的特征向量之间的对应关系。其中,预先收集的搜索信息可以是经过筛选处理得到的质量较高的用户历史搜索信息。
由于两个特征向量的相似度较高,则说明该两个特征向量对应的搜索信息之间的关联性就越大,所以电子设备在上述步骤S102中,可以根据目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从召回池字典包括的搜索信息中确定备选推荐信息。
在一种实施方式中,电子设备可以计算目标特征向量与召回池字典包括的每个搜索信息的特征向量之间相似度,进而选择相似度较高的前N个搜索信息,作为备选推荐信息,其中,N为正整数,例如,可以为3、5、10等,在此不做具体限定。
在另一种实施方式中,可以预先设置相似度阈值,例如,可以为80%、90%、95%等。电子设备可以计算目标特征向量与召回池字典包括的每个搜索信息的特征向量之间相似度,进而选择对应的相似度达到该相似度阈值的搜索信息,作为备选推荐信息。
在上述步骤S103中,电子设备可以将备选推荐信息加入已有的候选信息集合中,并确定候选信息集合中每个候选信息对应的特征向量。其中,已有候选信息集合为包括多个候选信息的集合,候选信息可以包括用户历史搜索行为过程中记录的搜索信息等可以作为候选的推荐信息。候选信息的数量可以根据实际需要设置,例如,可以为几百个、几十个等,在此不做具体限定。
由于上述备选推荐信息对应的特征向量与目标特征向量的相似度较高,所以备选推荐信息也是可以作为候选的推荐信息的,那么电子设备可以将备选推荐信息加入已有的候选信息集合中,这样候选集合便包括已有的候选信息和新加入的备选推荐信息。
接下来,电子设备可以确定候选信息集合中每个候选信息对应的特征向量,以便后续电子设备可以从候选信息中选择合适的推荐搜索信息。
确定了每个候选信息对应的特征向量后,电子设备便可以计算每个候选信息对应的特征向量与目标特征向量之间的相似度,即执行上述步骤S104。作为一种实施方式,本发明实施例中两个特征向量之间的相似度均可以采用余弦距离、欧氏距离、曼哈顿距离、切比雪夫距离等来表示,在此不做具体限定。
作为一种实施方式,针对目标特征向量a和上述候选信息集合包括的任一候选信息对应的特征向量b来说,目标特征向量a与特征向量b之间的余弦距离为:
其中,<a,b>为目标特征向量a与特征向量b之间的内积,||为目标特征向量a的长度,||为特征向量b的长度,θ为目标特征向量a与特征向量b之间的夹角。当cosθ越接近1时,说明方向也就越接近,上述两个特征向量之间的距离越小,那么上述两个特征向量对应的搜索信息之间的相似度也就越高;当cosθ越接近-1时,说明方向相差也就越大,上述两个特征向量之间的距离越大,那么上述两个特征向量对应的搜索信息之间的相似度也就越低。
电子设备可以基于计算得到的相似度从候选信息集合中确定目标候选信息,作为推荐搜索信息,并在上述步骤S105中,将推荐搜索信息推荐给用户。在一种实施方式中,电子设备可以对计算得到的相似度进行排序,得到排序结果,进而,将排序结果靠前的预设数量个候选信息确定为目标候选信息。
例如,电子设备确定了候选信息1、候选信息2、候选信息3、候选信息4以及候选信息5对应的特征向量与目标特征向量之间的相似度分别为:0.75、0.55、0.99、0.80、0.86。电子设备可以基于相似度从高到低的顺序对候选信息进行排序,得到排序结果如下表所示:
序号 | 相似度 | 排序结果 |
1 | 0.99 | 候选信息3 |
2 | 0.86 | 候选信息5 |
3 | 0.80 | 候选信息4 |
4 | 0.70 | 候选信息1 |
5 | 0.55 | 候选信息2 |
那么,在一种实施方式中,电子设备可以基于上表所示的相似度的排序结果,将相似度最高的候选信息3作为推荐搜索信息推荐给用户。
通过上述搜索信息的推荐方法,由于并不需要根据搜索信息与其召回搜索信息之间对应关系来确定召回的搜索信息,所以即使目标搜索信息为用户输入的新的搜索信息,电子设备也可以从候选集合中确定出推荐搜索信息,顺利完成搜索信息的召回,提高搜索信息的推荐效果。
作为本发明实施例的一种实施方式,上述确定所述候选信息集合中每个候选信息对应的特征向量的步骤,可以包括:
针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
候选信息可能存在于召回池字典中,也可能不存在于召回池字典中,所以电子设备可以确定每个候选信息是否存在于召回池字典中。在候选信息存在于召回池字典中的情况下,由于召回池字典中已经包括搜索信息与特征向量之间的对应关系,所以电子设备可以直接将召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量,这样,可以无需计算该候选信息对应的特征向量,可以提高处理效率。
针对候选信息不存在于召回池字典中的情况,电子设备可以将该候选信息输入预先训练完成的特征向量模型,获得特征向量模型输出的该候选信息对应的特征向量。其中,该特征向量模型可以为预先基于搜索信息样本训练得到的深度学习模型,例如,可以为卷积神经网络等。
其中,搜索信息样本可以包括各种不同的监督信息,例如,可以包括用户历史搜索行为信息、搜索信息相关的知识图谱信息等等,在此不做具体限定,只要可以训练得到能够准确表示搜索信息特征的特征向量即可。特征向量模型的训练方式可以为梯度下降算法、随机梯度下降算法等,在此不做具体限定即说明。
电子设备将候选信息输入预先训练完成的特征向量模型后,特征向量模型可以基于自身的模型参数对候选信息进行处理,最终输出该候选信息对应的特征向量。
可见,在本实施例中,针对候选信息存在于所述召回池字典中的情况,电子设备可以直接采用召回池字典中该候选信息对应的特征向量作为该候选信息对应的特征向量,方便快捷;针对候选信息不存在于召回池字典中的情况,电子设备可以将其输入特征向量模型,从而获得特征向量模型输出的该候选信息对应的特征向量。无论是何种情况,均可以获得准确的特征向量。
作为本发明实施例的一种实施方式,如图2所示,上述基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量的步骤,可以包括:
S201,对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
由于搜索信息的分词特征可以很好地标识搜索信息的特征,所以电子设备可以对目标搜索信息进行分词处理,进而获得目标搜索信息的分词特征,作为第一分词特征。其中,分词特征可以包括分词token、分词词性、字符等特征,在此不做具体限定。
S202,将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
得到上述第一分析特征后,电子设备便可以将第一分词特征输入上述预先训练完成的特征向量模型,特征向量模型可以基于自身的模型参数对第一分析特征进行处理,进而输出特征向量。电子设备也就可以获得特征向量模型输出的特征向量,将其作为目标搜索信息对应的目标特征向量。
可见,在本实施例中,电子设备可以对目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征,进而,将第一分词特征输入预先训练完成的特征向量模型,获得特征向量模型输出的特征向量,作为目标搜索信息对应的目标特征向量。这样可以准确确定目标搜索信息对应的目标特征向量,以保证后续可以确定合适的推荐搜索信息,提高搜索信息推荐效果。
作为本发明实施例的一种实施方式,如图3所示,上述召回池字典的建立方式,可以包括:
S301,获取预先收集的多个搜索信息;
电子设备可以获取预先收集的多个搜索信息,其中,多个搜索信息可以为用户历史搜索行为中的搜索信息,也可以是根据各种类型的搜索需要设置的搜索信息等,在此不做具体限定。
在一种实施方式中,为了提高召回质量,电子设备还可以对预先收集的多个搜索信息进行筛选、清洗等处理,以保留质量较好的搜索信息,用于建立召回池字典。
S302,对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
接下来,电子设备可以对每个搜索信息进行分词处理,获得每个搜索信息的分词特征,作为第二分词特征。其中,分词特征可以包括分词token、分词词性、字符等特征,在此不做具体限定。对于分词处理的具体方式在此不做具体限定,只要可以获得搜索信息的分词特征即可。
S303,将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
确定了搜索信息的第二分词特征后,电子设备可以将第二分词特征输入上述预先训练完成的特征向量模型,特征向量模型便可以基于自身的模型参数对第二分词特征进行处理,进而输出该搜索信息对应的特征向量。
S304,对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
得到各个搜索信息对应的特征向量后,电子设备便可以对应记录搜索信息及其对应的特征向量,也就可以得到召回池字典。在一种实施方式中,可以采用表格记录该召回池字典,例如,如下表所示:
序号 | 搜索信息 | 特征向量 |
1 | 搜索信息A | 特征向量a |
2 | 搜索信息B | 特征向量b |
3 | 搜索信息C | 特征向量c |
… | … | … |
n | 搜索信息N | 特征向量n |
可见,在本实施例中,电子设备可以通过上述建立方式预先建立召回池字典,可以得到包括搜索信息与特征向量之间对应关系的召回池字典,方便在用户进行信息搜索时查找备选推荐信息,保证搜索信息推荐效果。
作为本发明实施例的一种实施方式,如图4所示,上述方法还可以包括:
S401,更新所述特征向量模型;
为了提高特征向量模型输出的特征向量的准确性,可以更新特征向量模型。在一种实施方式中,可以每隔预设时间间隔更新一次特征向量模型,例如,每隔一天、每隔三天、每隔五天等,在此不做具体限定。在另一种实施方式中,可以不断更新特征向量模型,这也是合理的。
具体来说,可以获取新的搜索信息样本,进而基于新的搜索信息样本对特征向量模型进行训练,更新特征向量模型的模型参数,以使特征向量模型输出的特征向量越来越准确。
S402,基于更新后的特征向量模型,更新所述召回池字典。
由于召回池字典所包括的特征向量是基于特征向量模型确定的,所以为了保证召回池字典所包括的特征向量的准确性,在特征向量模型更新后,可以基于更新后的特征向量模型,更新召回池字典。
更新召回池字典的过程中,电子设备可以将召回池字典所包括的搜索信息输入更新后的特征向量模型中,获得更新后的特征向量模型输出的特征向量,进而采用更新后的特征向量模型输出的特征向量替换召回池字典所包括的该搜索信息对应的特征向量,从而实现更新召回池字典的目的。
在实际搜索应用场景中,可以离线训练并更新特征向量模型,离线建立和更新召回池字典,然后将特征向量模型和召回池字典定时上传至在线搜索设备,例如,可以每天上传特征向量模型和召回池字典至在线搜索设备。这样,在线搜索设备便可以基于该特征向量模型和召回池字典进行搜索信息的推荐,以满足用户的搜索需求,实现良好的引流效果。
可见,在本实施例中,上述方法还可以更新特征向量模型,基于更新后的特征向量模型,更新召回池字典的过程,这样,可以逐渐提高特征向量模型和召回池字典的准确性,从而提高搜索信息的推荐效果。
作为本发明实施例的一种实施方式,如图5所示,上述基于所述相似度从所述候选信息集合中确定目标候选信息的步骤,可以包括:
S501,将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
为了准确快速地确定目标候选信息,可以预先训练排序模型用于对各个候选信息进行评分。其中,该排序模型可以为卷积神经网络,循环神经网络等,在此不做具体限定。
由于候选信息对应的相似度可以表征该候选信息与目标搜索信息之间的关联程度,所以电子设备可以将每个候选信息及其对应的相似度输入排序模型,也就是说,可以将候选信息对应的相似度作为一维特征输入排序模型,进而,排序模型便可以基于相似度输出的每个候选信息对应的评分。该评分即可以表征该候选信息作为推荐搜索信息的可行性的高低。
对于排序模型的训练过程本发明实施例不做具体限定,可以根据实际需要和应用场景获取训练样本,采用梯度下降算法等方式对排序模型进行训练,从而得到能够输出评分的排序模型。其中,训练样本可以包括候选信息样本以及候选信息与目标搜索样本之间的相似度等,在此不做具体限定。
S502,根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
获得了每个候选信息对应的评分后,电子设备便可以根据每个候选信息对应的评分,从候选信息集合中确定目标候选信息。在一种实施方式中,电子设备可以按照每个候选信息对应的评分,对候选信息进行排序,进而根据排序结果从候选信息中选择评分较高的预设数量个候选信息,作为目标候选信息。
例如,候选信息集合包括候选信息1-候选信息10,排序模型输出的候选信息1-候选信息10的评分分别为15、27、29、95、87、67、5、78、36、88。那么电子设备可以按照评分从高到低的顺序对候选信息1进行排序,得到排序结果候选信息4、候选信息10、候选信息5、候选信息8、候选信息6、候选信息9、候选信息2、候选信息1、候选信息7。假设预设数量为3,那么电子设备便可以选择排序结果中的前三个候选信息作为目标候选信息,即为候选信息4、候选信息10以及候选信息5。
可见,在本实施例中,电子设备可以将候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得排序模型基于相似度输出的每个候选信息对应的评分,进而,根据每个候选信息对应的评分,从候选信息集合中确定目标候选信息。这样,相似度作为一维特征输入排序模型,可以使排序模型输出准确的评分,电子设备便可以基于该评分确定准确的目标候选信息,从而保证搜索信息的推荐效果。
相应于上述搜索信息的推荐方法,本发明实施例还提供了一种搜索信息的推荐装置,下面对本发明实施例所提供的一种搜索信息的推荐装置进行介绍。
如图6所示,一种搜索信息的推荐装置,所述装置包括:
第一向量确定模块610,用于获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
备选推荐信息确定模块620,用于根据所述目标特征向量与预先通过召回池建立模块获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
第二向量确定模块630,用于将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的特征向量;
推荐搜索信息确定模块640,用于计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
搜索信息推荐模块650,用于将所述推荐搜索信息推荐给用户。
可见,本发明实施例提供的方案中,电子设备可以获取用户输入的目标搜索信息,并基于目标搜索信息的分词特征,确定目标搜索信息对应的目标特征向量,根据目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从召回池字典包括的搜索信息中确定备选推荐信息,将备选推荐信息加入已有的候选信息集合中,并确定候选信息集合中每个候选信息对应的目标特征向量,计算每个候选信息对应的特征向量与目标特征向量之间的相似度,并基于相似度从候选信息集合中确定目标候选信息,作为推荐搜索信息,进而,将推荐搜索信息推荐给用户。由于电子设备将基于特征向量之间相似度确定的备选推荐信息加入候选信息集合中,这样候选集合中便包括了多个与目标搜索信息相似度较高的候选信息,进而,电子设备基于每个候选信息对应的特征向量与目标特征向量之间的相似度,确定目标候选信息,可以从候选信息集合中进一步选择与目标特征向量之间的相似度较高的目标候选信息作为推荐搜索信息,这样,由于并不需要根据搜索信息与其召回搜索信息之间对应关系来确定召回的搜索信息,所以即使目标搜索信息为用户输入的新的搜索信息,电子设备也可以从候选集合中确定出推荐搜索信息,顺利完成搜索信息的召回,提高搜索信息的推荐效果。
作为本发明实施例的一种实施方式,上述第二向量确定模块630可以包括:
第一向量确定单元,用于针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;
第二向量确定单元,用于在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
作为本发明实施例的一种实施方式,如图7所示,上述第一向量确定模块610可以包括:
第一分词处理单元611,用于对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
向量确定单元612,用于将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
作为本发明实施例的一种实施方式,如图8所示,上述召回池建立模块可以包括:
信息获取单元801,用于获取预先收集的多个搜索信息;
第二分词处理单元802,用于对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
第三向量确定单元803,用于将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
召回池建立单元804,用于对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
作为本发明实施例的一种实施方式,上述装置还可以包括:
第一模型更新模块,用于更新所述特征向量模型;
第二模型更新模块,用于基于更新后的特征向量模型,更新所述召回池字典。
作为本发明实施例的一种实施方式,上述推荐搜索信息确定模块640可以包括:
评分确定单元,用于将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
候选信息确定单元,用于根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
本发明实施例还提供了一种电子设备,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信,
存储器903,用于存放计算机程序;
处理器901,用于执行存储器903上所存放的程序时,实现上述任一实施例所述的搜索信息的推荐方法步骤。
可见,本发明实施例提供的方案中,电子设备可以获取用户输入的目标搜索信息,并基于目标搜索信息的分词特征,确定目标搜索信息对应的目标特征向量,根据目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从召回池字典包括的搜索信息中确定备选推荐信息,将备选推荐信息加入已有的候选信息集合中,并确定候选信息集合中每个候选信息对应的目标特征向量,计算每个候选信息对应的特征向量与目标特征向量之间的相似度,并基于相似度从候选信息集合中确定目标候选信息,作为推荐搜索信息,进而,将推荐搜索信息推荐给用户。由于电子设备将基于特征向量之间相似度确定的备选推荐信息加入候选信息集合中,这样候选集合中便包括了多个与目标搜索信息相似度较高的候选信息,进而,电子设备基于每个候选信息对应的特征向量与目标特征向量之间的相似度,确定目标候选信息,可以从候选信息集合中进一步选择与目标特征向量之间的相似度较高的目标候选信息作为推荐搜索信息,这样,由于并不需要根据搜索信息与其召回搜索信息之间对应关系来确定召回的搜索信息,所以即使目标搜索信息为用户输入的新的搜索信息,电子设备也可以从候选集合中确定出推荐搜索信息,顺利完成搜索信息的召回,提高搜索信息的推荐效果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的缓存装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读缓存介质,该计算机可读缓存介质中缓存有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的搜索信息的推荐方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的搜索信息的推荐方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以缓存在计算机可读缓存介质中,或者从一个计算机可读缓存介质向另一个计算机可读缓存介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读缓存介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据缓存设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (14)
1.一种搜索信息的推荐方法,其特征在于,所述方法包括:
获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
根据所述目标特征向量与预先获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的特征向量;
计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
将所述推荐搜索信息推荐给用户。
2.如权利要求1所述的方法,其特征在于,所述确定所述候选信息集合中每个候选信息对应的特征向量的步骤,包括:
针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;
在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
3.如权利要求1所述的方法,其特征在于,所述基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量的步骤,包括:
对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
4.如权利要求1-3任一项所述的方法,其特征在于,所述召回池字典的建立方式,包括:
获取预先收集的多个搜索信息;
对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
更新所述特征向量模型;
基于更新后的特征向量模型,更新所述召回池字典。
6.如权利要求1-3任一项所述的方法,其特征在于,所述基于所述相似度从所述候选信息集合中确定目标候选信息的步骤,包括:
将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
7.一种搜索信息的推荐装置,其特征在于,所述装置包括:
第一向量确定模块,用于获取用户输入的目标搜索信息,并基于所述目标搜索信息的分词特征,确定所述目标搜索信息对应的目标特征向量;
备选推荐信息确定模块,用于根据所述目标特征向量与预先通过召回池建立模块获得的召回池字典包括的搜索信息的特征向量之间的相似度,从所述召回池字典包括的搜索信息中确定备选推荐信息;
第二向量确定模块,用于将所述备选推荐信息加入已有的候选信息集合中,并确定所述候选信息集合中每个候选信息对应的特征向量;
推荐搜索信息确定模块,用于计算每个候选信息对应的特征向量与所述目标特征向量之间的相似度,并基于所述相似度从所述候选信息集合中确定目标候选信息,作为推荐搜索信息;
搜索信息推荐模块,用于将所述推荐搜索信息推荐给用户。
8.如权利要求7所述的装置,其特征在于,所述第二向量确定模块包括:
第一向量确定单元,用于针对所述候选信息集合包括的每个候选信息,在该候选信息存在于所述召回池字典中的情况下,将所述召回池字典中该候选信息对应的特征向量确定为该候选信息对应的特征向量;
第二向量确定单元,用于在该候选信息不存在于所述召回池字典中的情况下,将该候选信息输入预先训练完成的特征向量模型,获得所述特征向量模型输出的该候选信息对应的特征向量。
9.如权利要求7所述的装置,其特征在于,所述第一向量确定模块包括:
第一分词处理单元,用于对所述目标搜索信息进行分词处理,获得所述目标搜索信息的分词特征,作为第一分词特征;
向量确定单元,用于将所述第一分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第一分词特征输出的特征向量,作为所述目标搜索信息对应的目标特征向量。
10.如权利要求7-9任一项所述的装置,其特征在于,所述召回池建立模块包括:
信息获取单元,用于获取预先收集的多个搜索信息;
第二分词处理单元,用于对每个搜索信息进行分词处理,获得所述每个搜索信息的分词特征,作为第二分词特征;
第三向量确定单元,用于将所述第二分词特征输入预先训练完成的特征向量模型,获得所述特征向量模型基于所述第二分词特征输出的特征向量,作为该搜索信息对应的特征向量;
召回池建立单元,用于对应记录所述搜索信息及其对应的特征向量,得到召回池字典。
11.如权利要求10所述的装置,其特征在于,所述装置还包括:
第一模型更新模块,用于更新所述特征向量模型;
第二模型更新模块,用于基于更新后的特征向量模型,更新所述召回池字典。
12.如权利要求7-9任一项所述的装置,其特征在于,所述推荐搜索信息确定模块包括:
评分确定单元,用于将所述候选信息集合中的每个候选信息及其对应的相似度输入预先训练完成的排序模型,获得所述排序模型基于所述相似度输出的每个候选信息对应的评分;
候选信息确定单元,用于根据每个候选信息对应的评分,从所述候选信息集合中确定目标候选信息。
13.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读缓存介质,其特征在于,所述计算机可读缓存介质内缓存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646922.XA CN113282831A (zh) | 2021-06-10 | 2021-06-10 | 一种搜索信息的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646922.XA CN113282831A (zh) | 2021-06-10 | 2021-06-10 | 一种搜索信息的推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113282831A true CN113282831A (zh) | 2021-08-20 |
Family
ID=77284087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646922.XA Pending CN113282831A (zh) | 2021-06-10 | 2021-06-10 | 一种搜索信息的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113282831A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672793A (zh) * | 2021-08-25 | 2021-11-19 | 北京爱奇艺科技有限公司 | 一种信息召回方法、装置、电子设备及存储介质 |
WO2023155306A1 (zh) * | 2022-02-16 | 2023-08-24 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189990A (zh) * | 2018-07-25 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 一种搜索词的生成方法、装置及电子设备 |
CN110543598A (zh) * | 2019-09-06 | 2019-12-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置及终端 |
US20210097471A1 (en) * | 2019-09-27 | 2021-04-01 | Oracle International Corporation | Method and system for cold start candidate recommendation |
-
2021
- 2021-06-10 CN CN202110646922.XA patent/CN113282831A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189990A (zh) * | 2018-07-25 | 2019-01-11 | 北京奇艺世纪科技有限公司 | 一种搜索词的生成方法、装置及电子设备 |
CN110543598A (zh) * | 2019-09-06 | 2019-12-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置及终端 |
US20210097471A1 (en) * | 2019-09-27 | 2021-04-01 | Oracle International Corporation | Method and system for cold start candidate recommendation |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672793A (zh) * | 2021-08-25 | 2021-11-19 | 北京爱奇艺科技有限公司 | 一种信息召回方法、装置、电子设备及存储介质 |
WO2023155306A1 (zh) * | 2022-02-16 | 2023-08-24 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073568B (zh) | 关键词提取方法和装置 | |
CN110162695B (zh) | 一种信息推送的方法及设备 | |
CN107885745B (zh) | 一种歌曲推荐方法及装置 | |
CN109325146B (zh) | 一种视频推荐方法、装置、存储介质和服务器 | |
WO2018157625A1 (zh) | 基于强化学习的排序学习方法及服务器 | |
CN108376129B (zh) | 一种纠错方法及装置 | |
CN104750798B (zh) | 一种应用程序的推荐方法和装置 | |
CN109189990B (zh) | 一种搜索词的生成方法、装置及电子设备 | |
CN111797214A (zh) | 基于faq数据库的问题筛选方法、装置、计算机设备及介质 | |
CN110688452B (zh) | 一种文本语义相似度评估方法、系统、介质和设备 | |
CN110134777B (zh) | 问题去重方法、装置、电子设备和计算机可读存储介质 | |
CN111090771B (zh) | 歌曲搜索方法、装置及计算机存储介质 | |
CN109190014B (zh) | 一种正则表达式生成方法、装置及电子设备 | |
CN113282831A (zh) | 一种搜索信息的推荐方法、装置、电子设备及存储介质 | |
CN110990533A (zh) | 确定查询文本所对应标准文本的方法及装置 | |
CN113282832A (zh) | 一种搜索信息的推荐方法、装置、电子设备及存储介质 | |
CN112528022A (zh) | 主题类别对应的特征词提取和文本主题类别识别方法 | |
CN107885875B (zh) | 检索词的同义变换方法、装置及服务器 | |
CN111538903B (zh) | 搜索推荐词确定方法、装置、电子设备及计算机可读介质 | |
CN113204953A (zh) | 基于语义识别的文本匹配方法、设备及设备可读存储介质 | |
CN113672793A (zh) | 一种信息召回方法、装置、电子设备及存储介质 | |
CN113343091A (zh) | 面向产业和企业的科技服务推荐计算方法、介质及程序 | |
CN113722478A (zh) | 多维度特征融合相似事件计算方法、系统及电子设备 | |
CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
CN108804550B (zh) | 一种查询词拓展方法、装置以及电子设备 |
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 |