CN113326363A - 搜索方法及装置、预测模型训练方法及装置、电子设备 - Google Patents

Abstract

本公开公开了搜索方法及装置、预测模型训练方法及装置、电子设备，涉及人工智能技术领域，尤其涉及智能搜索领域。其中，搜索方法具体实现方案为：获取输入的搜索内容，其中，搜索内容用于搜索通讯录中的目标通信标识；确定通讯录中与搜索内容相匹配的候选通信标识，其中，每个候选通信标识具有用于表征与搜索内容相匹配的命中特征；针对每个候选通信标识，将与候选通信标识对应的命中特征输入预测模型中，输出与候选通信标识对应的预测结果；根据每个与候选通信标识对应的预测结果，对候选通信标识进行排序，得到排序结果。

Description

搜索方法及装置、预测模型训练方法及装置、电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及智能搜索领域。

背景技术

随着技术的不断发展，用户可以通过通讯工具实现较为高效的沟通。通讯录作为用户记录他人通讯地址的工具，可以涵盖多项内容。但随着通讯录中记录的联系人逐渐增多，搜索场景变得更加复杂，技术难度增加。

发明内容

本公开提供了搜索方法及装置、预测模型训练方法及装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种搜索方法，包括：获取输入的搜索内容，其中，所述搜索内容用于搜索通讯录中的目标通信标识；确定所述通讯录中与所述搜索内容相匹配的候选通信标识，其中，每个所述候选通信标识具有用于表征与所述搜索内容相匹配的命中特征；针对每个所述候选通信标识，将与所述候选通信标识对应的命中特征输入预测模型中，输出与所述候选通信标识对应的预测结果；根据每个与所述候选通信标识对应的预测结果，对所述候选通信标识进行排序，得到排序结果。

根据本公开的另一方面，提供了一种预测模型训练方法，包括：获取训练样本集，其中，所述训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签；利用所述训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，所述预测模型用于处理上述搜索方法中的与所述候选通信标识对应的命中特征，以输出与所述候选通信标识对应的预测结果。

根据本公开的另一方面，提供了一种搜索装置，包括：第一获取模块，用于获取输入的搜索内容，其中，所述搜索内容用于搜索通讯录中的目标通信标识；第一确定模块，用于确定所述通讯录中与所述搜索内容相匹配的候选通信标识，其中，每个所述候选通信标识具有用于表征与所述搜索内容相匹配的命中特征；输入模块，用于针对每个所述候选通信标识，将与所述候选通信标识对应的命中特征输入预测模型中，输出与所述候选通信标识对应的预测结果；第一排序模块，用于根据每个与所述候选通信标识对应的预测结果，对所述候选通信标识进行排序，得到排序结果。

根据本公开的另一方面，提供了一种预测模型训练装置，包括：第二获取模块，用于获取训练样本集，其中，所述训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签；训练模块，用于利用所述训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，所述预测模型用于处理上述搜索方法中的与所述候选通信标识对应的命中特征，以输出与所述候选通信标识对应的预测结果。

根据本公开的另一方面，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如上所述的方法。

根据本公开的另一方面，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如上所述的方法。

根据本公开的另一方面，提供了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如上所述的方法。

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，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用搜索方法及装置、预测模型训练方法及装置、电子设备、存储介质和计算机程序产品的示例性系统架构；

图2示意性示出了根据本公开实施例的搜索方法的流程图；

图3示意性示出了根据本公开实施例的预测模型训练方法的流程图；

图4示意性示出了根据本公开另一实施例的预测模型训练方法的流程图；

图5示意性示出了根据本公开另一实施例的搜索方法的流程图；

图6示意性示出了根据本公开另一实施例的搜索方法的流程图；

图7示意性示出了根据本公开实施例的搜索装置的框图；

图8示意性示出了根据本公开实施例的预测模型训练装置的框图；以及

图9示意性示出了根据本公开实施例的适于实现搜索方法及训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

在本公开的技术方案中，所涉及的用户信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

对于企业的内部通讯工具来说，尤其是大型企业，员工之间的互相检索是一种基础技术能力。任意能够互相沟通的员工，在网络上能够快速找到对方并进行沟通是企业通讯系统必要的功能之一。在沟通前的第一步，即是通过检索系统，能够方便和快捷的寻找到对方。对于个人的社交通讯工具来说，智能化的搜索方式可以提高用户沟通效率。

但无论是企业通讯录，还是个人通讯录，随着通讯录中记录的联系人逐渐增多，搜索场景变得更加复杂，技术难度增加。在一般情况下，用户需要检索的通信标识并不能掌握足够多的信息，甚至只能掌握到对方姓名的读音，或者部门信息。在这种场景下，需要针对各种用户信息能够进行较好的召回，并有较好的排序功能，才能够满足用户之间的检索需求。

因此，如何较为快速的在通讯录中找到对方，成为加快用户之间沟通协作速度的其中一个改进方向。

本公开提供了搜索方法及装置、预测模型训练方法及装置、电子设备、存储介质和计算机程序产品，涉及人工智能技术领域，尤其涉及智能搜索领域。其中，搜索方法具体实现方案为：获取输入的搜索内容，其中，搜索内容用于搜索通讯录中的目标通信标识；确定通讯录中与搜索内容相匹配的候选通信标识，其中，每个候选通信标识具有用于表征与搜索内容相匹配的命中特征；针对每个候选通信标识，将与候选通信标识对应的命中特征输入预测模型中，输出与候选通信标识对应的预测结果；根据每个与候选通信标识对应的预测结果，对候选通信标识进行排序，得到排序结果。

图1示意性示出了根据本公开实施例的可以应用搜索方法及装置、预测模型训练方法及装置、电子设备、存储介质和计算机程序产品的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用上述方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)，本公开实施例提供的搜索方法及装置、预测模型训练方法及装置可以应用于上述通讯客户端应用。

终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)，服务器105可以响应用户的搜索内容，对通讯录进行匹配。服务器105中可以存储通讯录数据。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。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(“VirtualPrivate 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。

需要说明的是，本公开实施例所提供的搜索方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的搜索装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的搜索方法也可以由服务器105执行。相应地，本公开实施例所提供的搜索装置一般可以设置于服务器105中。本公开实施例所提供的搜索方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的搜索装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的搜索方法的流程图。

如图2所示，该方法包括操作S210～S240。

在操作S210，获取输入的搜索内容，其中，搜索内容用于搜索通讯录中的目标通信标识。

在操作S220，确定通讯录中与搜索内容相匹配的候选通信标识，其中，每个候选通信标识具有用于表征与搜索内容相匹配的命中特征。

在操作S230，针对每个候选通信标识，将与候选通信标识对应的命中特征输入预测模型中，输出与候选通信标识对应的预测结果。

在操作S240，根据每个与候选通信标识对应的预测结果，对候选通信标识进行排序，得到排序结果。

根据本公开的实施例，用户可以在通讯工具中输入搜索内容。该通讯工具可以包括但不限于是企业内部通讯工具，该用户可以包括但不限于是企业的员工。

根据本公开的实施例，搜索内容例如可以包括相关技术中通讯录中可以记录的一种或多种信息等等。

根据本公开的实施例，通讯录中可以包括多条记录，每条记录用于表征一个通信标识。每条记录可以包括相关技术中通讯录能够记载的信息。对于企业通讯录，每条记录可以包括部门信息、职务等等。

根据本公开的实施例，与搜索内容相匹配的候选通信标识包括一个或多个。

用户一般会有通过不同信息来进行检索的具体需求，尤其是企业内部的通讯录，需要明确哪些信息可以构成字段进行检索，并且明确每个字段的构建索引的方式，以及哪些信息需要支持拼音召回等等。经过需求分析和方案设计，根据本公开的实施例，支持通讯录检索的字段可以分为不同类型的字段。用户可以输入用户标识、个人备注、联系方式等搜索内容，来搜索通讯录中的目标通信标识。

根据本公开的实施例，搜索内容可以是中文，也可以是英文。根据本公开的实施例，可以支持拼音搜索功能。在一种实施例中，如果基于中文搜索内容召回的候选通信标识为零的情况下，可以将中文转换为拼音，基于拼音重新进行搜索。通过本公开的实施例，可以避免因打错中文字而导致召回失败的问题。

根据本公开的实施例，与搜索内容相匹配的命中特征例如可以包括命中方式、命中字段和个性化特征等等。

根据本公开的实施例，与搜索内容相匹配的候选通信标识可以是命中了搜索内容中所有内容的通信标识，也可以是命中了搜索内容中部分内容的通信标识，例如，命中了搜索内容中词的通信标识。

根据本公开的实施例，与候选通信标识对应的预测结果可以是用于表征用户点击该候选通信标识的概率。

根据本公开的实施例，在确定通讯录中与搜索内容相匹配的候选通信标识后，可以满足一般检索的基础排序需求，但考虑到基于匹配规则进行的排序不够鲁棒，无法覆盖到一些极端场景。

例如，当query＝zhangsan，按照排序规则，完全命中的结果：员工“张三”会优先排序。但如果“李张三”与搜索人有频繁联系，而“张三”与搜索人是陌生关系，搜索人会希望“李张三”在该检索下排序靠前。目前简单的排序规则并不能满足该情况。

再例如，当query＝lisi，按照排序规则，完全命中的结果：员工“李四”会优先排序。但如果“王李四”是用户同部门的员工，虽然两个用户都没有联系过，但搜索人期望结果是“王李四”。目前简单的排序规则也不能满足该情况。

基于规则的排序逻辑过于固定，灵活性差，一些情况下无法满足用户需求，导致用户体验较差。

根据本公开的实施例，通过先确定通讯录中与搜索内容相匹配的候选通信标识，再将与候选通信标识对应的命中特征输入预测模型中，输出与候选通信标识对应的预测结果，对候选通信标识进行排序，得到排序结果。相比于相关技术中，通讯录检索的排序模块采用简单规则进行轻量级的排序而言，通过本公开的实施例，可以提升排序精准率，提高通讯录检索技术的实用性和稳定性。可以为企业内部相关事务处理提供便捷快速的网络途径，加快了企业内员工之间的沟通协作速度。

根据本公开的实施例，可以根据排序结果，从候选通信标识中确定目标通信标识。根据本公开的实施例，得到的排序结果可以展示给用户。根据本公开的实施例，用户可以点击排序结果中的候选通信标识，从而搜索到目标通信标识。

图3示意性示出了根据本公开实施例的预测模型训练方法的流程图。

如图3所示，该方法包括操作S310～S320。

在操作S310，获取训练样本集，其中，训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签。

根据本公开的实施例，命中特征样本信息例如可以包括但不限于命中方式、命中字段，个性化字段、是否同部门、是否为分公司员工等等。命中标签包括1或0。

在操作S320，利用训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，预测模型用于处理上述搜索方法中的与候选通信标识对应的命中特征，以输出与候选通信标识对应的预测结果。

根据本公开的实施例，为了能够让初始模型学习到用户搜索意图，预测搜索结果中用户最可能选择的结果，本公开的实施例可以使用推荐系统使用的CTR(click throughrate)预测模型DeepFM。

需要说明的是，预测模型DeepFM仅是示例性实施例，但不限于此，还可以包括本领域已知的其他模型，只要能够输出与候选通信标识对应的预测结果即可。

根据本公开的实施例，每条训练样本除了包括与搜索内容样本信息对应的命中特征样本信息和命中标签之外，还可以包括：搜索内容样本信息、用户属性样本信息、历史行为样本信息。

通过本公开的实施例，采用上述设计的特征训练初始模型训练得到的预测模型，可以输出较好地预测效果，提升了排序精准率，提高了通讯录检索技术的实用性和稳定性。

根据本公开的实施例，搜索内容样本信息例如可以包括但不限于搜索内容长度，搜索内容是否全中文，搜索内容是否全英文，搜索内容是否完全命中等。

根据本公开的实施例，用户属性样本信息例如可以包括但不限于部门信息、企业信息等。

根据本公开的实施例，历史行为样本信息例如可以包括但不限于最近10天聊天次数，最近30天聊天次数，最近90天聊天次数，最近一次聊天时间，近10天聊天天数，近30天聊天天数，近90天聊天天数，总聊天次数等。

在本公开的技术方案中，所涉及的用户信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，初始模型通过学习到低阶和高阶的组合特征，最终可以通过在线使用该模型，预估用户的点击行为。

根据本公开的实施例，针对每个候选通信标识，将与候选通信标识对应的命中特征输入预测模型中，输出与候选通信标识对应的预测结果还包括：

将与候选通信标识对应的命中特征、用户属性特征、历史行为特征、搜索内容的文本特征共同输入预测模型中，输出与候选通信标识对应的预测结果。

通过本公开的实施例，将上述特征输入预测模型中，可以输出较好地预测效果，相比于现有技术具有更为精准的预测用户行为。

根据本公开的实施例，获取训练样本集包括：获取点击日志、搜索引擎日志和沟通特征曰志中的至少一种日志；根据点击日志、搜索引擎日志和沟通特征日志中的至少一种日志，生成训练样本集。

根据本公开的实施例，训练样本可以来源于搜索引擎的历史数据、历史点击数据以及搜索发生时实时沟通特征日志。

图4示意性示出了根据本公开另一实施例的预测模型训练方法的流程图。

如图4所示，该方法包括操作S410～S440。

在操作S410，获取点击日志、搜索引擎日志和沟通特征日志。例如，当搜索引擎在线上使用时，通过埋点收集三路日志。

在操作S420，将上述日志进行合并。

在操作S430，将合并后的日志经过特征工程，提取特征。

在操作S440，将特征输入初始模型中，训练得到预测模型。

根据本公开的实施例，可以收集一段时间内的日志信息。其中，点击日志可以收集到一部分结果特征和上下文特征以及训练使用的标签(被用户点击的标签为1、没有被用户点击的标签为0)。搜索引擎日志可以收集到另一部分结果特征。沟通特征日志可以收集到行为特征。

在本公开的技术方案中，所涉及的用户信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，日志信息经过特征工程后送入离线模块训练DeepFM模型。最终产出在测试集上效果相对较好的模型，投入在线使用。

根据本公开的实施例，通讯录中可以包括多条记录，每条记录用于表征一个通信标识。

根据本公开的实施例，确定通讯录中与搜索内容相匹配的候选通信标识包括：将搜索内容与通讯录中每条记录的索引进行比较，确定与搜索内容相匹配的一条或多条记录，其中，每条记录具有预先构造的一条或多条索引；根据与搜索内容相匹配的一条或多条记录确定候选通信标识。

根据本公开的实施例，针对通信标识较多的通讯录，可以使用Solr全文搜索服务器对通讯录中的每条记录进行处理，生成每条记录的索引。

Solr全文搜索服务器能够提供统一的索引和检索服务，提供了比Lucene服务器更为丰富的查询语言，同时实现了可配置、可扩展并对查询性能进行了优化。直接利用Solr全文搜索服务器搭建通讯录检索服务，可以提供便捷和高效的召回方案。

根据本公开的实施例，在通过Solr全文搜索服务器实现多个用户信息多维度召回的情况下，需要能够将召回结果进行精确排序的模块，尽量将用户期望的结果排序靠前。

根据本公开的实施例，以通讯录可以支持的搜索字段包括姓名、个人备注、邮箱和电话号码四种字段为例，每个字段构建索引的方式示例如下。

姓名字段可以支持索引分词，例如：姓名为ABC，需要索引时存储为“A”、“B”、“C”、“AB”、“BC”、“ABC”6种索引，以及转拼音后的索引分词，即将所有汉字转成拼音后进行索引分词。

个人备注字段可以支持与姓名字段相同的索引分词方式。

邮箱字段可以支持前缀索引分词，例如：邮箱为zhangsan@xxx.com，需要索引时存储为“z”、“zh”、“zha”、“zhan”、“zhang”、“zhangs”、“zhangsa”、“zhangsan”和全文匹配索引分词。

电话号码字段可以支持与邮箱字段相同的前缀索引分词。

通过以上索引，可以将所有通信标识在Solr全文搜索服务器内建立索引数据，并使用Solr全文搜索服务器支持各个字段的检索功能。在用户输入检索字段进行召回时，需要要求整个搜索内容在去除标点和空白符的情况下与上述任何一个索引进行匹配，以召回匹配结果。

根据本公开的实施例，将搜索内容与通讯录中每条记录的索引进行比较时，可以先将搜索内容进行分词处理，得到多个搜索词，将每个搜索词与每条记录的每条索引分别进行比较。

根据本公开的实施例，针对企业通讯录，除了建立索引，还可以在企业员工之间构建完备的权限关系，让查询时可以通过限制搜索权限的参数字段去限制每个用户能查与不能查的结果。

根据本公开的实施例，通讯录中的每条记录具有预设搜索权限，预设搜索权限通过用于限制搜索权限的参数字段来表征；参数字段包括以下至少一种信息：权限类型、通信标识所属部门、通信标识所属标签、通信标识的搜索权限范围。

根据本公开的实施例，每个用户拥有自己的权限数据，例如，权限数据包括myDepts，myTags，searchableTags，searchableDepts，type，basic六个字段。例如用户张三，其权限数据为

{

Name：张三

basic：normal，(可取值为normal，black，senior)

type：1，(可取值为1，2，3，4)

myDepts：[1]

myTags：[8]

searchableTags：[1，2，3]

searchableDepts：[8，10，20]

}

其中，basic字段表示用户的基础权限，myDepts表示用户所属部门列表，myTags表示用户所属标签列表，searchableTags表示用户可以搜索的标签，searchableDepts表示用户可以搜索的部门，type则用于表示四种搜索权限类型。

其中，用户的基础权限例如可以分别为1、普通权限(normal)；2、黑名单权限(black)；3、高管权限(senior)。其中，普通权限代表一般用户的权限身份；黑名单权限代表该用户不能被普通用户搜索；而高管权限为最高等的权限，表示该用户不能被除高管外的任何人搜索，且可以跨过所有权限规则搜索所有人。

其中，type＝1：为默认权限，未设置搜索范围，所有basic＝normal的普通用户。

type＝2：为限制搜索权限，只可本人权限数据内配置的searchableDepts和searchableTags范围内的用户。

type＝3：为普通搜索权限，可搜索basic＝normal的普通员工和在本人权限数据内可搜索字段范围内的用户。

type＝4：为高级搜索权限，在type＝3的基础上还可以搜索黑名单的用户。

一般员工搜索的权限配置方式都是针对单人之间，通过后台配置控制某个人不能搜索某个人，虽然自由度很高，但场景限制大，难以批量控制用户权限。本公开实施例实现的权限过滤方法，通过基础权限(高管、黑名单)和搜索权限类型(type)、用户属性(所属部门，所属标签)及可搜部门、标签结合的方式。保证了权限控制的自由度并使得搜索权限的配置高效自由。

例如，假设有一个特殊部门A，在公司内需要限制部门员工的搜索权限只能搜索本部门的员工，只需要将这些员工的搜索类型type设置为2，searchableDepts设置为A，即可满足该搜索需求，同时并不会影响其他员工搜索这个部门的员工。后续又有新的搜索需求，假设有另一个部门B，他们的员工不能搜索特殊部门A的员工，只需要将这些员工的搜索类型type设置为2，searchableDepts配置上除A外的其他部门，即可满足该搜索需求。

再例如，假设有一批特殊员工，他们不隶属于同一部门，但因为身份限制的原因，只能搜索中层以下的员工。只需要将中层以下的员工tags标为x，然后将特殊员工的searchableTag内填入x标签，即可实现该需求。

从上述示例可以看出，分部门的搜索权限能够解决部门间不同权限搜索的基础权限问题。而搜索标签功能，能够给用户分配标签，并给用户设置可搜索的标签，则更好地增加了搜索权限的自由度。

通过本公开的实施例，可以确定每个用户的搜索权限，并可以从各种粒度对权限进行修改调整。相比于相关技术中的即时通讯系统，缺少复杂的可配置的搜索权限管理功能而言，能够支持输入搜索内容，在权限限定的范围内，找到用户最想要的搜索结果。

根据本公开的实施例，将搜索内容与通讯录中每条记录的索引进行比较，确定与搜索内容相匹配的一条或多条记录包括：确定与该用户相对应的预设搜索权限；在与用户相对应的预设搜索权限范围内，将搜索内容与通讯录中处于预设搜索权限范围内的每条记录的索引进行比较，确定与搜索内容相匹配的一条或多条记录。

通过对每个人的权限数据进行管理，可以得到一套较为完备的权限模型。并且通过后台修改每个人的type类型、每个人所属部门及标签和每个人可搜索的部门及标签。能够实现权限的可配置可更改，整套权限系统拥有较好的控制能力和自由度。

与一般的搜索功能不同，企业内部的员工检索有复杂的权限限制，因为员工层级，保密措施等各种原因，并非所有员工之间都能够互相检索，本公开的实施例设计了一套适用于检索的企业员工权限入库及召回方法，让企业能够自由管理员工权限。

根据本公开的实施例，与搜索内容相匹配的每个候选通信标识，具有用于表征与搜索内容相匹配的命中特征。

根据本公开的实施例，命中特征可以包括但不限于命中方式、命中字段和个性化特征。

下面参考图5～图6，结合具体实施例对上述方法做进一步说明。

图5示意性示出了根据本公开另一实施例的搜索方法的流程图。

在该实施例中，除了包括图2中操作S210～S240之外，如图5所示，该方法还可以包括操作S510～S530。

在操作S510，根据命中方式、命中字段和个性化特征，按照预设编码规则生成每个候选通信标识的命中等级。

在操作S520，根据每个候选通信标识的命中等级，对候选通信标识进行排序，得到基础排序结果。

在操作S530，在预测模型服务异常的情况下，输出基础排序结果。

根据本公开的实施例，命中方式例如可以包括但不限于：全命中、去空格全命中、备注全拼音命中、备注伪全拼音命中、姓名全拼音命中、姓名伪全拼音命中、多词全中等。

根据本公开的实施例，命中字段例如可以包括但不限于：备注字段、名称字段、英文名字段、通信方式字段等。

根据本公开的实施例，个性化特征例如可以包括但不限于：最近通信标识、同部门、正式员工等。

根据本公开的实施例，预设编码规则不做限定，只要能够基于命中特征生成每个候选通信标识的命中等级即可。根据本公开的实施例，命中等级例如可以是一串数字。

根据本公开的实施例，可以构建基于命中特征进行排序的基础排序规则，该基础排序规则可以作为预设编码规则，通过搜索内容召回的所有通信标识的具体命中情况以及一些个性化的特征，给每个召回结果生成一个命中等级，该等级可以用于基础排序。

根据本公开的实施例，例如，可以将每种命中方式、每种命中字段和每种个性化特征分别进行量化，然后根据当前具体命中的命中特征生成每个候选通信标识的命中等级。

根据本公开的实施例，各种命中方式的量化值例如包括：全命中的量化值为01xxx、去空格全命中02xxx、备注全拼音命中03xxx、备注伪全拼音命中04xxx、姓名全拼音命中05xxx、姓名伪全拼音命中06xxx、多词全中07xxx。

根据本公开的实施例，各种命中字段的量化值例如包括：备注字段的量化值为xx4xx、名称标识字段的量化值为xx5xx、英文名字段的量化值为xx6xx、邮箱字段的量化值为xx7xx、手机字段的量化值为xx8xx、座机字段的量化值为xx9xx。

根据本公开的实施例，各种个性化特征的量化值例如包括：最近通信标识的量化值为xxxx1、同部门的量化值为xxxx2、正式员工的量化值为xxxx3。

根据本公开的实施例，具体地，预设编码规则例如可以包括：根据命中方式确定编码的第一位数，根据命中字段确定编码的第二位数；个性化特征确定编码的第三位数；其中，第一位数、第二位数和第三位数的位阶依次降低。

根据本公开的实施例，例如，预设编码规则例如可以由五位数字组成，分为三部分：其中千位万位(即第一位数)表示了该候选通信标识的命中方式，数字越小，则说明命中更精确；百位(即第二位数)表示了该候选通信标识的的命中字段，数字越小说明该字段越重要；个位(即第三位数)表示了该候选通信标识的个性化特征，针对搜索人和召回结果的个性化关系可以有不同的取值。

根据本公开的实施例，每个候选通信标识对应于一个编码，该编码可以作为该候选通信标识的命中等级。

根据本公开的实施例，预设编码规则还包括：在个性化特征满足预设条件的情况下，将与个性化特征对应的第三位数的位阶设置为高于与命中字段对应的第二位数的位阶。

根据本公开的实施例，以个性化特征为最近通信标识为例，预设条件例如可以是最近聊天次数大于预设阈值。根据本公开的实施例，以个性化特征为职位为例，预设条件例如可以是候选通信标识的职位高于搜索人的职位。

根据本公开的实施例，例如，与命中字段对应的第二位数例如可以是编码的百位，与个性化特征对应的第三位数例如可以是编码的个位。如果判断个性化特征满足预设条件，那么可以将与个性化特征对应的第三位数对应于编码的百位，与命中字段对应的第二位数对应于编码的个位。例如，当搜索人与候选通信标识的最近3天聊天比例占到最近3天总聊天数量的10％以上时，在个性化特征命中最近通信标识时，会将编码xxxx1升级提升到xx1xx的特征级别，保证与其他召回结果排序时，无论其命中了哪个字段，能够优先排序。

或者，如果判断个性化特征满足预设条件，可以将与个性化特征对应的第三位数对应于编码的百位，与命中字段对应的第二位数仍然对应于编码的百位，但个性化特征对应的第三位数数值上小于与命中字段对应的第二位数。

根据本公开的实施例，例如，各种命中字段的量化值在百位上从4开始，跳过了数字123，通过将123位置进行留白，在一些情况下，个性化特征可能会比命中字段更加重要。在这种情形下，可以将个性化特征从个位升至百位，能够在命中方式相同的情况下，优先将满足预设条件的个性化特征排序在前面。此外，通过将部分位置留白也能够对后续的策略迭代留出空间。

图6示意性示出了根据本公开另一实施例的搜索方法的流程图。

如图6所示，该方法可以包括操作S601～S611。

在操作S601，用户发起检索。

在操作S602，获取用户输入的搜索内容。

在操作S603，将搜索内容进行分词处理。

在操作S604，根据该用户的权限字段确定对应的权限范围。

在操作S605，向服务器请求获取与搜索内容匹配的召回结果。

在操作S606，权限结果过滤模块根据用户的权限范围对召回结果进行过滤。

在操作S607，获取用户的实时沟通特征信息和每个候选通信标识的命中特征信息。

在操作S608，将用户的实时沟通特征与命中特征输入特征工程。

在操作S609，将特征工程输出的特征输入预测模型中，输出预测结果。

在操作S610，对预测结果进行排序，并展示排序结果。

在操作S611，在模型服务异常的情况下，根据每个候选通信标识的命中特征信息，按照基础排序规则进行排序，并展示排序结果。

通过本公开的实施例，能够进行良好的权限管理，并优化了排序效果，用户需求的结果更容易排序靠前。

图7示意性示出了根据本公开实施例的搜索装置的框图。

如图7所示，搜索装置700包括：第一获取模块710、第一确定模块720、输入模块730和第一排序模块740。

第一获取模块710，用于获取输入的搜索内容，其中，上述搜索内容用于搜索通讯录中的目标通信标识；

第一确定模块720，用于确定上述通讯录中与上述搜索内容相匹配的候选通信标识，其中，每个上述候选通信标识具有用于表征与上述搜索内容相匹配的命中特征；

输入模块730，用于针对每个上述候选通信标识，将与上述候选通信标识对应的命中特征输入预测模型中，输出与上述候选通信标识对应的预测结果；

第一排序模块740，用于根据每个与上述候选通信标识对应的预测结果，对上述候选通信标识进行排序，得到排序结果。

根据本公开的实施例，上述通讯录中包括多条记录，每条记录用于表征一个通信标识；上述第一确定模块包括：第一确定单元和第二确定单元。

第一确定单元，用于将上述搜索内容与上述通讯录中每条记录的索引进行比较，确定与上述搜索内容相匹配的一条或多条记录，其中，每条记录具有预先构造的一条或多条索引；

第二确定单元，用于根据与上述搜索内容相匹配的一条或多条记录确定上述候选通信标识。

根据本公开的实施例，上述通讯录中的每条记录具有预设搜索权限，上述预设搜索权限通过用于限制搜索权限的参数字段来表征；上述参数字段包括以下至少一种信息：

权限类型、通信标识所属部门、通信标识所属标签、通信标识的搜索权限范围。

根据本公开的实施例，第一确定单元包括：第一确定子单元和第二确定子单元。

第一确定子单元，用于确定与上述用户相对应的预设搜索权限；

第二确定子单元，用于在与上述用户相对应的预设搜索权限范围内，将上述搜索内容与上述通讯录中处于上述预设搜索权限范围内的每条记录的索引进行比较，确定与上述搜索内容相匹配的一条或多条记录。

根据本公开的实施例，上述命中特征包括命中方式、命中字段和个性化特征。

根据本公开的实施例，搜索装置还包括：生成模块、第二排序模块和输出模块。

生成模块，用于根据上述命中方式、上述命中字段和上述个性化特征，按照预设编码规则生成每个上述候选通信标识的命中等级；

第二排序模块，用于根据每个上述候选通信标识的命中等级，对上述候选通信标识进行排序，得到基础排序结果；以及

输出模块，用于在上述预测模型服务异常的情况下，输出上述基础排序结果。

根据本公开的实施例，上述预设编码规则包括：根据上述命中方式确定编码的第一位数，根据上述命中字段确定上述编码的第二位数；上述个性化特征确定上述编码的第三位数；其中，上述第一位数、上述第二位数和上述第三位数的位阶依次降低。

根据本公开的实施例，上述预设编码规则还包括：在上述个性化特征满足预设条件的情况下，将与上述个性化特征对应的第三位数的位阶设置为高于上述与上述命中字段对应的第二位数的位阶。

根据本公开的实施例，输入模块还用于：将与上述候选通信标识对应的命中特征、上述用户的用户属性特征、上述用户的用户历史行为特征、上述搜索内容的文本特征输入上述预测模型中，输出与上述候选通信标识对应的预测结果。

根据本公开的实施例，搜索装置还包括：第二确定模块，用于根据上述排序结果，从上述候选通信标识中确定上述目标通信标识。

图8示意性示出了根据本公开实施例的预测模型训练装置的框图。

如图8所示，预测模型训练装置800包括：第二获取模块810和训练模块820。

第二获取模块810，用于获取训练样本集，其中，上述训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签；

训练模块820，用于利用上述训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，上述预测模型用于处理上述搜索方法中的与上述候选通信标识对应的命中特征，以输出与上述候选通信标识对应的预测结果。

根据本公开的实施例，每条上述训练样本还包括：上述搜索内容样本信息、用户属性样本信息、历史行为样本信息。

根据本公开的实施例，上述第二获取模块包括：获取单元和生成单元。

获取单元，用于获取点击日志、搜索引擎日志和沟通特征日志中的至少一种日志；

生成单元，用于根据上述点击日志、上述搜索引擎日志和上述沟通特征日志中的至少一种日志，生成上述训练样本集。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，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，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如搜索方法或训练方法。例如，在一些实施例中，上述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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法的步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。

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，也可以是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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种搜索方法，包括：

获取输入的搜索内容，其中，所述搜索内容用于搜索通讯录中的目标通信标识；

确定所述通讯录中与所述搜索内容相匹配的候选通信标识，其中，每个所述候选通信标识具有用于表征与所述搜索内容相匹配的命中特征；

针对每个所述候选通信标识，将与所述候选通信标识对应的命中特征输入预测模型中，输出与所述候选通信标识对应的预测结果；

根据每个与所述候选通信标识对应的预测结果，对所述候选通信标识进行排序，得到排序结果。

2.根据权利要求1所述的方法，其中，所述通讯录中包括多条记录，每条记录用于表征一个通信标识；所述确定所述通讯录中与所述搜索内容相匹配的候选通信标识包括：

将所述搜索内容与所述通讯录中每条记录的索引进行比较，确定与所述搜索内容相匹配的一条或多条记录，其中，每条记录具有预先构造的一条或多条索引；

根据与所述搜索内容相匹配的一条或多条记录确定所述候选通信标识。

3.根据权利要求2所述的方法，其中，所述通讯录中的每条记录具有预设搜索权限，所述预设搜索权限通过用于限制搜索权限的参数字段来表征；所述参数字段包括以下至少一种信息：

权限类型、通信标识所属部门、通信标识所属标签、通信标识的搜索权限范围。

4.根据权利要求3所述的方法，其中，将所述搜索内容与所述通讯录中每条记录的索引进行比较，确定与所述搜索内容相匹配的一条或多条记录包括：

确定与用户相对应的预设搜索权限；

在与所述用户相对应的预设搜索权限范围内，将所述搜索内容与所述通讯录中处于所述预设搜索权限范围内的每条记录的索引进行比较，确定与所述搜索内容相匹配的一条或多条记录。

5.根据权利要求1所述的方法，其中，所述命中特征包括命中方式、命中字段和个性化特征。

6.根据权利要求5所述的方法，还包括：

根据所述命中方式、所述命中字段和所述个性化特征，按照预设编码规则生成每个所述候选通信标识的命中等级；

根据每个所述候选通信标识的命中等级，对所述候选通信标识进行排序，得到基础排序结果；以及

在所述预测模型服务异常的情况下，输出所述基础排序结果。

7.根据权利要求6所述的方法，其中，所述预设编码规则包括：根据所述命中方式确定编码的第一位数，根据所述命中字段确定所述编码的第二位数；所述个性化特征确定所述编码的第三位数；其中，所述第一位数、所述第二位数和所述第三位数的位阶依次降低。

8.根据权利要求7所述的方法，其中，所述预设编码规则还包括：

在所述个性化特征满足预设条件的情况下，将与所述个性化特征对应的第三位数的位阶设置为高于所述与所述命中字段对应的第二位数的位阶。

9.根据权利要求1所述的方法，其中，针对每个所述候选通信标识，将与所述候选通信标识对应的命中特征输入预测模型中，输出与所述候选通信标识对应的预测结果包括：

将与所述候选通信标识对应的命中特征、用户属性特征、历史行为特征、所述搜索内容的文本特征输入所述预测模型中，输出与所述候选通信标识对应的预测结果。

10.根据权利要求1所述的方法，还包括：

根据所述排序结果，从所述候选通信标识中确定所述目标通信标识。

11.一种预测模型训练方法，包括：

获取训练样本集，其中，所述训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签；

利用所述训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，所述预测模型用于处理权利要求1至10中任一项所述的方法中的与所述候选通信标识对应的命中特征，以输出与所述候选通信标识对应的预测结果。

12.根据权利要求11所述的方法，其中，每条所述训练样本还包括：所述搜索内容样本信息、用户属性样本信息、历史行为样本信息。

13.根据权利要求11所述的方法，其中，所述获取训练样本集包括：

获取点击日志、搜索引擎日志和沟通特征日志中的至少一种日志；

根据所述点击日志、所述搜索引擎日志和所述沟通特征日志中的至少一种曰志，生成所述训练样本集。

14.一种搜索装置，包括：

第一获取模块，用于获取输入的搜索内容，其中，所述搜索内容用于搜索通讯录中的目标通信标识；

第一确定模块，用于确定所述通讯录中与所述搜索内容相匹配的候选通信标识，其中，每个所述候选通信标识具有用于表征与所述搜索内容相匹配的命中特征；

输入模块，用于针对每个所述候选通信标识，将与所述候选通信标识对应的命中特征输入预测模型中，输出与所述候选通信标识对应的预测结果；

第一排序模块，用于根据每个与所述候选通信标识对应的预测结果，对所述候选通信标识进行排序，得到排序结果。

15.一种预测模型训练装置，包括：

第二获取模块，用于获取训练样本集，其中，所述训练样本集中的每条训练样本包括：与搜索内容样本信息对应的命中特征样本信息和命中标签；

训练模块，用于利用所述训练样本集中的训练样本对初始模型进行训练，得到经训练后的预测模型，其中，所述预测模型用于处理权利要求1至10中任一项所述的方法中的与所述候选通信标识对应的命中特征，以输出与所述候选通信标识对应的预测结果。

16.一种电子设备，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1-13中任一项所述的方法。

17.一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根据权利要求1-13中任一项所述的方法。

18.一种计算机程序产品，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1-13中任一项所述的方法。

Images