CN113434763B - 搜索结果的推荐理由生成方法、装置、设备及存储介质 - Google Patents
搜索结果的推荐理由生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113434763B CN113434763B CN202110722081.6A CN202110722081A CN113434763B CN 113434763 B CN113434763 B CN 113434763B CN 202110722081 A CN202110722081 A CN 202110722081A CN 113434763 B CN113434763 B CN 113434763B
- Authority
- CN
- China
- Prior art keywords
- user
- search
- search result
- historical
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F16/9538—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种搜索结果的推荐理由生成方法,包括:获取初始用户输入的搜索内容;根据搜索内容在预设的图谱网络中查询搜索过搜索内容的第一用户,形成第一用户群;在第一用户群中提取与初始用户的画像匹配的第二用户,形成第二用户群;获取每个第二用户的搜索结果与搜索内容的相关性分数,或每个第二用户对搜索结果的点击次数;根据搜索结果与搜索内容的相关性分数或点击次数生成基于初始用户输入的搜索内容得到的搜索结果的推荐理由。本发明提供的搜索结果的推荐理由生成方法、装置、设备及存储介质,解决了现有技术中搜索结果的内容的相关性不足且没有给出搜索结果的推荐理由,使得搜索结果的点击率较低的技术问题。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种搜索结果的推荐理由生成方法、装置、设备及存储介质。
背景技术
随着互联网科技的发展,搜索推荐算法的应用领域也越来越广。目前互联网金融平台、银行app上的搜索场景下,搜索结果大多是根据相似度做全文检索得出结果并将结果直接展示在用户眼前,搜索逻辑比较单一、结果展示内容比较单一;比如根据产品名称、基金公司、基金经理名称、行业等搜索出所有的结果直接进行产品展示,极可能让投资者误入高风险的产品,引起不必要的纠纷。同时,由于不同的运营方过渡干预,比如强制置顶等,导致搜索结果的内容的相关性不足,同时,没有给出搜索结果的推荐理由,使得搜索结果的点击率较低。
发明内容
本发明的主要目的为提供一种搜索结果的推荐理由生成方法、装置、设备及存储介质,旨在解决现有技术中搜索结果的内容的相关性不足且没有给出搜索结果的推荐理由,使得搜索结果的点击率较低的技术问题。
本发明提出一种搜索结果的推荐理由生成方法,包括:
获取初始用户输入的搜索内容;
根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群;
在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由。
进一步地,所述根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群的步骤之前,还包括:
获取具有过搜索行为的所有历史用户;
获取所有历史用户中每个所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果;其中,所述历史搜索结果为基于历史搜索内容得到的搜索结果;
根据所有所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果构所述建图谱网络。
进一步地,所述在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群的步骤,包括:
获取初始用户从所述画像中选择的一个或多个画像标签,并在所述第一用户群中提取具有相同所述画像标签的多个第二用户;
集合多个第二用户形成第二用户群。
进一步地,所述获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数的步骤之前,还包括:
获取所述图谱网络中历史用户的历史搜索内容;
获取基于所述历史搜索内容得到的历史搜索结果;
计算所述历史搜索结果与历史搜索内容的总相关性分数;
将所述总相关性分数添加到所述图谱网络中,以表示对应的历史搜索内容和历史搜索结果之间的相关性。
进一步地,所述计算所述历史搜索结果与历史搜索内容的总相关性分数的步骤,包括:
获取历史用户对所述历史搜索结果的点击次数;
获取基于所述历史搜索内容得到的所有历史搜索结果的点击总次数;
根据所述历史搜索结果的点击次数和所有历史搜索结果的点击总次数计算所述历史搜索结果与历史搜索内容的点击相关性分数;
采用TF-IDF算法计算所述历史搜索结果与历史搜索内容的文本相关性分数;
根据所述点击相关性分数和文本相关性分数计算所述历史搜索结果与历史搜索内容的总相关性分数。
进一步地,所述根据所有第二用户的所述搜索结果与搜索内容的相关性分数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
将第二用户群中每个所述第二用户的搜索结果与搜索内容的相关性分数从高到低进行排序,得到多个排序结果;
统计多个排序结果中每个搜索结果在不同名次中出现的次数;
将出现次数最多的名次作为对应的初始用户的搜索结果的名次;其中,所述初始用户的搜索结果为基于所述初始用户输入的搜索内容得到的搜索结果;
计算所述初始用户的搜索结果的名次在多个所述排序结果中出现的次数占第二用户的个数的第一百分比;
将所述第一百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第一数据,将所述第一数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
进一步地,所述根据所有第二用户的点击次数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
计算基于所述初始用户输入的搜索内容得到的搜索结果的点击次数占总点击次数的第二百分比;
将所述第二百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第二数据,将所述第二数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
本申请还提供了一种搜索结果的推荐理由生成装置,包括:
第一获取模块,用于获取初始用户输入的搜索内容;
第一用户群模块,用于根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群;
第二用户群模块,用于在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
第二获取模块,用于获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
生成模块,用于根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为:利用画像标签和历史用户的搜索行为,根据初始用户的对画像标签的选择,依据相关性或点击次数对初始用户输入的搜索内容对应的搜索结果进行推荐理由的生成,展示了初始用户最想要了解的历史用户的选择情况,同时展示了哪些搜索结果更符合用户要求,增强了用户的带入感,提升用户搜索体验的同时还能够提升搜索结果的有效点击率。
附图说明
图1为本发明一实施例的搜索结果的推荐理由生成方法流程示意图。
图2为本发明一实施例的搜索结果的推荐理由生成装置结构示意图。
图3为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本申请提供了一种搜索结果的推荐理由生成方法,包括:
S1、获取初始用户输入的搜索内容;
S2、根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群;
S3、在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
S4、获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
S5、根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由。
如上述步骤S1所述,用户输入的搜索内容可以是一个字、一个词语或一段话,最终是为了在数据库中寻找某一特定文件、网站、记录或一系列记录,由搜索引擎或数据库送出的消息。例如,用户最近对基金比较感兴趣,则输入“基金”,搜索引擎或数据库送出基金的概念,和基金相关的产品、公司等。
如上述步骤S2所述,图谱网络中存储有大量的用户,每个用户具有用户信息,如账号、名称等,每个用户信息关联有其搜索过的内容、画像标签、风险等级等能够评价用户的内容,当两个或以上用户搜索了同一搜索内容时,两个或以上用户同时关联这一个搜索内容,因而,当初始用户输入一搜索内容时,根据初始用户输入的搜索内容,去图谱网络关系中查找即可得知搜索了该搜索内容的所有历史用户,将这些历史用户集合起来,形成第一用户群,可以使得初始用户了解到其他搜索了相同搜索内容的用户的情况。
如上述步骤S3所述,图谱网络中存储的用户中,每个用户均具有画像标签,该画像标签可以表示用户的年龄、地区、性别、会员等级等能够表现用户的特征的标签,例如用户A的画像标签包括28岁、深圳、男性、会员五级等。因而首先需要获取初始用户的画像标签,然后由初始用户从众多画像标签中选择一个或多个画像标签,如用户A选择了深圳,则从第一用户群中查找画像标签具有深圳的用户,将这些用户集合起来,形成第二用户群,可以使得初始用户了解到其他搜索了相同搜索内容且地区为深圳的用户的情况。此外,当初始用户在众多画像标签中选择了28岁,可以让用户继续选择年龄区间,以便扩大初始用户的了解范围,不局限与用户当前固定的年龄数字。
如上述步骤S4所述,第二用户群中的用户是与初始用户关联性最大的用户,他们的搜索结果与搜索内容的相关性分数能够对初始用户的选择判断产生一定的影响。因此,需要获取第二用户群中每个用户的搜索结果与搜索内容的相关性分数,搜索结果是基于搜索内容得到的搜索结果,搜索内容与初始用户输入的搜索内容一样,搜索结果与初始用户基于搜索内容得到的搜索结果也一样。但由于第二用户群中每个用户对搜索结果会进行不同的点击,使得每个用户的对同一搜索结果的点击次数不同,同时还导致第二用户群中每个用户的搜索结果与搜索内容的相关性分数不同,搜索结果具有多个,每个搜索结果与搜索内容之间均具有一个相关性分数。
如上述步骤S5所述,基于搜索内容得到的搜索结果相同,搜索结果的个数也是相同的。因此第二用户群中每个用户具有的搜索内容与搜索结果的相关性分数的个数相同,但相关性分数的值不一样,根据第二用户群中每个用户具有的搜索内容与搜索结果的相关性分数的值,对每个用户的搜索结果进行排序,一个搜索结果在不同的用户中具有不同的排名,其名次次数最多的名次,作为这个搜索结果的最终排名展示给初始用户,并在搜索结果后面展示推荐理由;同时还可以通过点击次数来生成推荐理由,一个搜索结果的点击次数/所有搜索结果的总点击次数,得到的结果就为该搜索结果的百分比,将该百分比加上用户的画像标签展示在对应的搜索结果之后,形成推荐理由;本方案的推荐理由只有一种,即包括了选择对应搜索结果的用户的占比,以及选择对应搜索结果的用户的维度(即画像标签);例如搜索结果1的推荐理由为80%的深圳女用户选择了搜索结果1,其中80%则为第二用户群中80%的用户选择了搜索结果,深圳、女用户,则代表第二用户中的共同具有的画像标签。例如搜索结果A的名次具有五个第一名,二个第二名,一个第三名,表明搜索结果A有五个用户觉得它与搜索内容最相关,那么搜索结果A的最终排名为第一名,即排在第一位展示给初始用户,并标明62%的深圳用户选择了该结果,其中62%的深圳用户选择了搜搜结果A则表示推荐理由,显示在对应的搜索结果之后。62%为如上5/(5+2+1)得来,深圳为初始用户选择的画像标签;或者,当一个搜索结果的点击次数为15次,第二用户群中所有用户基于同一搜索结果的总点击次数为148次,则在该搜索结果之后标明10%的深圳用户选择了该结果,其中10%为15/148得来。如此,当初始用户知道了他最想了解的一类用户的选择情况,初始用户就有更大的几率点击搜索结果,能够提高用户初始用户的点击率。
本实施例利用画像标签和历史用户的搜索行为,根据初始用户的对画像标签的选择,依据相关性或点击次数对初始用户输入的搜索内容对应的搜索结果进行推荐理由的生成,展示了初始用户最想要了解的历史用户的选择情况,同时展示了哪些搜索结果更符合用户要求,增强了用户的带入感,提升用户搜索体验的同时还能够提升搜索结果的有效点击率
在一个实施例中,所述根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群的步骤之前,还包括:
S021、获取具有过搜索行为的所有历史用户;
S022、获取所有历史用户中每个所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果;其中,所述历史搜索结果为基于历史搜索内容得到的搜索结果;
S023、根据所有所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果构建所述图谱网络。
如上述步骤S021-S023所述,在使用图谱网络进行查询之前,还需要构建用户之间的图谱网络。获取具有过搜索行为的所有历史用户,每个历史用户具有用户信息(包括账号、用户名等),有些历史用户不止搜索了一个内容,在搜索内容具有多个时,将每个搜索内容均与对应的历史用户信息相关联;此外,每个历史用户还具有画像标签,画像标签可以是在用户注册时产生,也可以是在用户后续的行为中对用户评价而产生,画像标签具有多个维度,包括年龄、性别、地区、性格、爱好、会员等级等,每个画像标签维度下具有多个具体的画像标签,每个历史用户均具有多个维度的画像标签,例如用户A的画像标签包括28岁、深圳、男性、会员五级等,将28岁、深圳、男性、会员五级均与对应的历史用户信息相关联;每个历史用户还具有风险等级,用户风险等级是基于KYC(know your customer,了解你的客户)系统计算得到的,通常等级为R1-R5,对历史用户进行风险等级评估后,将评估后的风险等级与对应的历史用户信息相关联。最后,历史用户输入一个搜索内容后会得到多个搜索结果,将多个搜索结果与搜索内容相关联;一个历史用户会具有与其关联的一个风险等级、多个画像标签、多个搜索内容,多个搜索内容中每个搜索内容又关联有多个搜索结果,当一个历史用户与另一个历史用户具有相同的画像标签或搜索内容时,形成一个画像标签或一个搜索内容关联两个历史用户的情形,即A1-B-A2,A1,A2表示两个历史用户,B表示他们具有的相同的画像标签或搜索内容,以此类推,形成具有用户信息、画像标签、历史搜索内容、历史搜索结果关联关系的图谱网络。
此外,当第二用户群中具有的用户非常多时,还可以基于用户风险等级进一步的提取第三用户,第三用户与初始用户的风险等级相同,最终形成第三用户群,然后在进行搜索结果与搜索内容的相关性分数排序。
在一个实施例中,所述根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群的步骤,包括:
S21、匹配图谱网络中与所述搜索内容关联的多个第一用户;
S22、集合多个第一用户形成第一用户群。
如上述步骤S21-S22所述,图谱网络中,一个搜索内容具有多个与其关联的历史用户,关联的每个历史用户均搜索过这个搜索内容,因而当初始用户输入了搜索内容后,根据初始用户输入的搜索内容能够查询到与初始用户输入的搜索内容相关联的所有历史用户,这些历史用户中,每个用户都搜索了用户输入的搜索内容,因此,将这些历史用户集合,形成第一用户群,可以使得初始用户了解到其他搜索了相同搜索内容的历史用户的情况。
在一个实施例中,所述在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群的步骤,包括:
S31、获取初始用户从所述画像中选择的一个或多个画像标签,并在所述第一用户群中提取具有相同所述画像标签的多个第二用户;
S32、集合多个第二用户形成第二用户群。
如上述步骤S31-S32所述,获取初始用户的画像标签,初始用户的画像标签具有多个,例如初始用户的画像标签为26岁、广州、女性、会员三级;这些画像标签均与初始用户之间进行关联,初始用户在这些画像标签中选择一个或多个,如广州或广州和会员三级,然后根据初始用户选择的画像标签在第一用户群中匹配具有初始用户选择的画像标签的第二用户,形成第二用户群,可以使得初始用户了解到其他搜索了相同搜索内容且地区为广州或会员为三级的用户的情况。此外,当初始用户选择的画像标签为多个(广州和会员三级)时,获取第一用户群中具有其中一个或两个画像标签的第二用户,形成第二用户群,例如第一用户群中,用户A的画像标签为广州、会员二级,用户B的画像标签为深圳、会员三级,那么用户A和用户B均符合要求,并作为第二用户归入第二用户群中。
在一个实施例中,所述获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数的步骤之前,还包括:
S41、获取所述图谱网络中历史用户的历史搜索内容;
S42、获取基于所述历史搜索内容得到的历史搜索结果;
S43、计算所述历史搜索结果与历史搜索内容的总相关性分数;
S44、将所述总相关性分数添加到所述图谱网络中,以表示对应的历史搜索内容和历史搜索结果之间的相关性。
如上述步骤S41-S44所述,图谱网络中,一个历史用户的一个历史搜索内容对应有多个历史搜索结果,因而需要计算每一个历史搜索结果与历史搜索内容之间的相关性分数,并将计算出来的相关性分数添加到图谱网络中,表示当前计算的历史搜索内容与历史搜索结果之间的相关性。因此,使得图谱网络中每个历史搜索内容与搜索结果之间均具有相关性分数,以便在得到第二用户群之后,直接获取第二用户群中第二用户的搜索结果与搜索内容的相关性分数,第二用户的搜索内容为初始用户输入的搜索内容。
在一个实施例中,所述计算所述历史搜索结果与历史搜索内容的总相关性分数的步骤包括:
S431、获取历史用户对所述历史搜索结果的点击次数;
S432、获取基于所述历史搜索内容得到的所有历史搜索结果的点击总次数;
S433、根据所述历史搜索结果的点击次数和所有历史搜索结果的点击总次数计算所述历史搜索结果与历史搜索内容的点击相关性分数;
S434、采用TF-IDF算法计算所述历史搜索结果与历史搜索内容的文本相关性分数;
S435、根据所述点击相关性分数和文本相关性分数计算所述历史搜索结果与历史搜索内容的总相关性分数。
如上述步骤S431-S433所述,计算历史搜索结果与历史搜索内容之间的点击相关性分数,首先需要获取历史用户对历史搜索结果的点击次数,该历史用户为搜索了历史搜索内容的用户,一个历史搜索内容对应有多个历史搜索结果,获取历史用户对历史搜索内容对应的所有历史搜索结果的点击总次数,然后根据当前历史搜索结果的点击次数和所有历史搜索结果的点击总次数计算当前历史搜索结果的点击相关性分数;其中,计算公式为:F点击=C1/C总;其中,F点击为历史搜索结果与历史搜索内容的点击相关性分数,C1为历史搜索结果的点击次数,C总为所有历史搜索结果的点击总次数。例如,历史用户通过输入“基金”,得到了10个基金产品,10个基金产品的总点击次数为28次,其中1号基金产品的点击次数为5次,则1号基金产品的点击相关性分数则为5/28。
如上述步骤S434所述,计算历史搜索结果与历史搜索内容之间的文本相关性分数,采用TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文件频率)算法即可计算历史搜索结果与历史搜索内容之间的文本相关性分数,其表示了历史搜索内容和历史搜索结果之间文字部分的相关性,与历史用户的点击和选择无关。TF-IDF是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。
如上述步骤S435所述,可以直接将点击相关性分数作为历史搜索结果与历史搜索内容的总相关性分数,或将文本相关性分数作为历史搜索结果与历史搜索内容的总相关性分数。当然,最优选择是根据点击相关性分数和文本相关性分数计算历史搜索结果与历史搜索内容的总相关性分数,由于用户的选择和点击对历史搜索内容和历史搜索结果的相关性会产生影响,历史搜索内容和历史搜索结果的文本也会对历史搜索内容和历史搜索结果的相关性产生影响,因此,从历史用户的选择和点击、历史搜索内容和历史搜索结果的文字这两个方面结合计算历史搜索内容和历史搜索结果的总相关性,能够更好的表达历史搜索内容和历史搜索结果的相关性。
在一个实施例中,所述根据所述点击相关性分数和文本相关性分数计算所述历史搜索结果与历史搜索内容的总相关性分数的步骤中,计算公式为:F总=F点击*A+F文本*B,且A+B=1,其中,F总为历史搜索结果与历史搜索内容的总相关性分数,F点击为历史搜索结果与历史搜索内容的点击相关性分数,F文本为历史搜索结果与历史搜索内容的文本相关性分数,A、B为加权百分比因子。
如上所述,计算计算所述历史搜索结果与历史搜索内容的总相关性分数的计算公式为:F总=F点击*A+F文本*B,且A+B=1,其中,F总为历史搜索结果与历史搜索内容的总相关性分数,F点击为历史搜索结果与历史搜索内容的点击相关性分数,根据上述步骤S431-S433计算得到,F文本为历史搜索结果与历史搜索内容的文本相关性分数,根据上述步骤S434采用TF-IDF算法得到。A、B为加权百分比因子,可以根据系统存储的结构化数据进行调整,结构化数据比如产品名称、基金管理人、基金公司、社区发文昵称等与搜索内容之间进行关联,通过获得这些结构化数据以认为的方式手动调整A和B的值;此外,若用户搜索的一些非标准的词,根据搜索的词和用户搜索后的点击的内容大类确定搜索词的类别(比如,点击了产品较多,那就认为这个词属于产品的实体类别),以便运营人员根据搜索词的类别调整A和B的值,例如,用户搜索的是手机,但点击的均是手机壳,说明用户想要的是手机壳,而文本缺显示的是手机,因此则需要降低文本相关性分数的加权百分比因子(即A),提高点击相关性分数的加权百分比因子(即B)。
在一个实施例中,所述根据所有第二用户的所述搜索结果与搜索内容的相关性分数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
S51、将第二用户群中每个所述第二用户的搜索结果与搜索内容的相关性分数从高到低进行排序,得到多个排序结果;
S52、统计多个排序结果中每个搜索结果在不同名次中出现的次数;
S53、将出现次数最多的名次作为对应的初始用户的搜索结果的名次;其中,所述初始用户的搜索结果为基于所述初始用户输入的搜索内容得到的搜索结果;
S54、计算所述初始用户的搜索结果的名次在多个所述排序结果中出现的次数占第二用户的个数的第一百分比;
S55、将所述第一百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第一数据,将所述第一数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
如上述步骤S51-S55所述,第二用户群中每个第二用户的搜索内容具有多个搜索结果,搜索内容为初始用户输入的搜索内容,搜索内容对应的多个搜索结果进行排序,得到一个第二用户的排序结果,因此,第二用户群中具有多少个第二用户,就会具有多少个排序结果,且每个排序结果中搜索结果的个数和内容相同,同时与初始用户基于搜索内容得到的搜索结果也相同。因此,获取多个排序结果中,每个搜索结果的名次的次数,将每个搜索结果的名次中次数最多的名次作为对应的初始用户的搜索结果的名次;例如,第二用户群中一共有10个用户,那么基于搜索内容的排序结果也有10个;其中,搜索结果A在10个排序结果中名次为第一名的次数为6次,名次为第二名的次数为2次,名次为第三名的次数为1次,名次为第八名的次数为1次,那么初始用户的搜索结果A的名次则为第一名,即将搜索结果A排在最首位展示在初始用户眼前。同时,并标明60%的深圳用户觉得选择了该结果,其中60%为如上6/(6+2+1+1)得来,深圳为初始用户选择的画像标签;如此,当初始用户知道了他最想了解的深圳用户的选择情况,初始用户就有更大的几率点击搜索结果,能够提高用户初始用户的点击率。
在一个实施例中,所述根据所有第二用户的点击次数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
S51、计算基于所述初始用户输入的搜索内容得到的搜索结果的点击次数占总点击次数的第二百分比;
S52、将所述第二百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第二数据,将所述第二数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
如上述步骤S51-S52所述,第二用户群中每个第二用户的搜索内容具有多个搜索结果,搜索内容为初始用户输入的搜索内容,每个第二用户均会对搜索结果进行点击,统计其中一个搜索结果的点击次数占点击总次数的第二百分比,点击总次数为第二用户群中每个用户对所有结果的点击总次数,最终得到的第二百分比为第二用户群中的用户对搜索结果的选择情况,通过第二百分比能够使得初始用户了解到第二用户群中的用户选择情况,将第二百分比结合用户的画像标签作为初始用户的搜索结果的推荐理由,并将推荐理由放置于所述搜索结果之后展示给所述初始用户,例如60%的深圳用户觉得选择了该结果;例如,当初始用户为选择的标签为深圳,第二用户群中的一个搜索结果的点击次数为15次,第二用户群中所有用户基于同一搜索结果的总点击次数为148次,则在该搜索结果之后标明10%的深圳用户选择了该结果,其中10%为15/148得来。此外,还可以通过第二百分比的高低,对基于所述初始用户输入的搜索内容得到的搜索结果按第二百分比从高到低进行排序,以便于用户点击。
如图2所示,本申请还提供了一种搜索结果的推荐理由生成装置,包括:
第一获取模块1,用于获取初始用户输入的搜索内容;
第一用户群模块2,用于根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群;
第二用户群模块3,用于在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
第二获取模块4,用于获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
生成模块5,用于根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由。
在一个实施例中,还包括:
历史用户获取模块,用于获取具有过搜索行为的所有历史用户;
用户信息获取模块,用于获取所有历史用户中每个所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果;其中,所述历史搜索结果为基于历史搜索内容得到的搜索结果;
构建模块,用于根据所有所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果构建所述图谱网络。
在一个实施例中,第一用户群模块2,包括:
匹配单元,用于匹配图谱网络中与所述搜索内容关联的多个第一用户;
集合单元,用于集合多个第一用户形成第一用户群。
在一个实施例中,第二用户群模块3,包括:
画像标签获取单元,用于获取初始用户从所述画像中选择的一个或多个画像标签,并在所述第一用户群中提取具有相同所述画像标签的多个第二用户;
第二用户集合单元,用于集合多个第二用户形成第二用户群。
在一个实施例中,还包括:
历史搜索内容获取模块,用于获取所述图谱网络中历史用户的历史搜索内容;
历史搜索结果获取模块,用于获取基于所述历史搜索内容得到的历史搜索结果;
总相关性分数计算模块,用于计算所述历史搜索结果与历史搜索内容的总相关性分数;
添加模块,用于将所述总相关性分数添加到所述图谱网络中,以表示对应的历史搜索内容和历史搜索结果之间的相关性。
在一个实施例中,总相关性分数计算模块,包括:
点击次数获取单元,用于获取历史用户对所述历史搜索结果的点击次数;
点击总次数获取单元,用于获取基于所述历史搜索内容得到的所有历史搜索结果的点击总次数;
点击相关性分数计算单元,用于根据所述历史搜索结果的点击次数和所有历史搜索结果的点击总次数计算所述历史搜索结果与历史搜索内容的点击相关性分数;
文本相关性分数计算单元,用于采用TF-IDF算法计算所述历史搜索结果与历史搜索内容的文本相关性分数;
总相关性分数计算单元,用于根据所述点击相关性分数和文本相关性分数计算所述历史搜索结果与历史搜索内容的总相关性分数。
在一个实施例中,总相关性分数计算单元中,计算公式为:F总=F点击*A+F文本*B,且A+B=1,其中,F总为历史搜索结果与历史搜索内容的总相关性分数,F点击为历史搜索结果与历史搜索内容的点击相关性分数,F文本为历史搜索结果与历史搜索内容的文本相关性分数,A、B为加权百分比因子。
在一个实施例中,生成模块5,包括:
排序单元,用于将第二用户群中每个所述第二用户的搜索结果与搜索内容的相关性分数从高到低进行排序,得到多个排序结果;
统计单元,用于统计多个排序结果中每个搜索结果在不同名次中出现的次数;
作为单元,用于将出现次数最多的名次作为对应的初始用户的搜索结果的名次;其中,所述初始用户的搜索结果为基于所述初始用户输入的搜索内容得到的搜索结果;
百分比计算单元,用于计算所述初始用户的搜索结果的名次在多个所述排序结果中出现的次数占第二用户的个数的第一百分比;
推荐理由单元,用于将所述第一百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第一数据,将所述第一数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
在一个实施例中,生成模块5,包括:
次数计算单元,用于计算基于所述初始用户输入的搜索内容得到的搜索结果的点击次数占总点击次数的第二百分比;
次数推荐理由单元,用于将所述第二百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第二数据,将所述第二数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
上述各单元、模块均是用于对应执行上述搜索结果的推荐理由生成方法中的各个步骤,其具体实现方式参照上述方法实施例所述,在此不再进行赘述。
如图3所示,本发明还提供了一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储搜索结果的推荐理由生成方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现搜索结果的推荐理由生成方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一个搜索结果的推荐理由生成方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种搜索结果的推荐理由生成方法,其特征在于,包括:
获取初始用户输入的搜索内容;
根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群,以使得初始用户了解到其他搜索了相同搜索内容的用户的情况;其中,所述图谱网络中存储有用户信息,每个用户信息关联有其搜索过的能够评价用户的内容;
在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由;
所述在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群的步骤,包括:
获取初始用户从所述画像中选择的一个或多个画像标签,并在所述第一用户群中提取具有相同所述画像标签的多个第二用户;
集合多个第二用户形成第二用户群;
所述根据所有第二用户的所述搜索结果与搜索内容的相关性分数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
将第二用户群中每个所述第二用户的搜索结果与搜索内容的相关性分数从高到低进行排序,得到多个排序结果;
统计多个排序结果中每个搜索结果在不同名次中出现的次数;
将出现的次数最多的名次作为对应的初始用户的搜索结果的名次;其中,所述初始用户的搜索结果为基于所述初始用户输入的搜索内容得到的搜索结果;
计算所述初始用户的搜索结果的名次在多个所述排序结果中出现的次数占第二用户的个数的第一百分比;
将所述第一百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第一数据,将所述第一数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
2.根据权利要求1所述的搜索结果的推荐理由生成方法,其特征在于,所述根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群的步骤之前,还包括:
获取具有过搜索行为的所有历史用户;
获取所有历史用户中每个所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果;其中,所述历史搜索结果为基于历史搜索内容得到的搜索结果;
根据所有所述历史用户的用户信息、画像标签、风险等级、历史搜索内容、历史搜索结果构建所述图谱网络。
3.根据权利要求1所述的搜索结果的推荐理由生成方法,其特征在于,所述获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数的步骤之前,还包括:
获取所述图谱网络中历史用户的历史搜索内容;
获取基于所述历史搜索内容得到的历史搜索结果;
计算所述历史搜索结果与历史搜索内容的总相关性分数;
将所述总相关性分数添加到所述图谱网络中,以表示对应的历史搜索内容和历史搜索结果之间的相关性。
4.根据权利要求3所述的搜索结果的推荐理由生成方法,其特征在于,所述计算所述历史搜索结果与历史搜索内容的总相关性分数的步骤,包括:
获取历史用户对所述历史搜索结果的点击次数;
获取基于所述历史搜索内容得到的所有历史搜索结果的点击总次数;
根据所述历史搜索结果的点击次数和所有历史搜索结果的点击总次数计算所述历史搜索结果与历史搜索内容的点击相关性分数;采用TF-IDF算法计算所述历史搜索结果与历史搜索内容的文本相关性分数;
根据所述点击相关性分数和文本相关性分数计算所述历史搜索结果与历史搜索内容的总相关性分数。
5.根据权利要求1所述的搜索结果的推荐理由生成方法,其特征在于,所述根据所有第二用户的点击次数生成基于所述初始用户输入的搜索内容得到的搜索结果的推荐理由的步骤,包括:
计算基于所述初始用户输入的搜索内容得到的搜索结果的点击次数占总点击次数的第二百分比;
将所述第二百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第二数据,将所述第二数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
6.一种搜索结果的推荐理由生成装置,其特征在于,包括:
第一获取模块,用于获取初始用户输入的搜索内容;
第一用户群模块,用于根据所述搜索内容在预设的图谱网络中查询搜索过所述搜索内容的第一用户,形成第一用户群,以使得初始用户了解到其他搜索了相同搜索内容的用户的情况;其中,所述图谱网络中存储有用户信息,每个用户信息关联有其搜索过的能够评价用户的内容;
第二用户群模块,用于在所述第一用户群中提取与所述初始用户的画像匹配的第二用户,形成第二用户群;其中,所述初始用户的画像具有多个画像标签;
第二获取模块,用于获取每个所述第二用户的搜索结果与所述搜索内容的相关性分数,或每个所述第二用户对所述搜索结果的点击次数;其中,所述每个用户的搜索结果为每个用户基于所述搜索内容得到的搜索结果;所述相关性分数表示搜索结果与搜索内容之间的关联程度,且所述相关性分数存储在所述图谱网络中;
生成模块,用于根据所有第二用户的所述搜索结果与搜索内容的相关性分数或点击次数生成所述初始用户基于所述搜索内容得到的搜索结果的推荐理由;
所述第二用户群模块,包括:
画像标签获取单元,用于获取初始用户从所述画像中选择的一个或多个画像标签,并在所述第一用户群中提取具有相同所述画像标签的多个第二用户;
第二用户集合单元,用于集合多个第二用户形成第二用户群;
所述生成模块,包括:
排序单元,用于将第二用户群中每个所述第二用户的搜索结果与搜索内容的相关性分数从高到低进行排序,得到多个排序结果;
统计单元,用于统计多个排序结果中每个搜索结果在不同名次中出现的次数;
作为单元,用于将出现次数最多的名次作为对应的初始用户的搜索结果的名次;其中,所述初始用户的搜索结果为基于所述初始用户输入的搜索内容得到的搜索结果;
百分比计算单元,用于计算所述初始用户的搜索结果的名次在多个所述排序结果中出现的次数占第二用户的个数的第一百分比;
推荐理由单元,用于将所述第一百分比结合所述初始用户的画像得到用于表示所有第二用户的选择行为的第一数据,将所述第一数据作为所述初始用户的搜索结果的推荐理由,并将所述推荐理由放置于所述搜索结果之后展示给所述初始用户。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722081.6A CN113434763B (zh) | 2021-06-28 | 2021-06-28 | 搜索结果的推荐理由生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722081.6A CN113434763B (zh) | 2021-06-28 | 2021-06-28 | 搜索结果的推荐理由生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434763A CN113434763A (zh) | 2021-09-24 |
CN113434763B true CN113434763B (zh) | 2022-10-14 |
Family
ID=77757375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110722081.6A Active CN113434763B (zh) | 2021-06-28 | 2021-06-28 | 搜索结果的推荐理由生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434763B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817377B (zh) * | 2022-06-29 | 2022-09-20 | 深圳红途科技有限公司 | 基于用户画像的数据风险检测方法、装置、设备及介质 |
CN115630144B (zh) * | 2022-12-21 | 2023-04-28 | 中信证券股份有限公司 | 一种文档搜索方法、装置及相关设备 |
CN117573817A (zh) * | 2023-10-16 | 2024-02-20 | 百度在线网络技术(北京)有限公司 | 模型训练方法、相关性确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114155A1 (ja) * | 2003-06-20 | 2004-12-29 | Fujitsu Limited | コンテンツ推薦装置、方法及びプログラム |
CN107918616A (zh) * | 2016-10-09 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 搜索系统、页面显示方法及客户端 |
CN110457452A (zh) * | 2019-07-08 | 2019-11-15 | 汉海信息技术(上海)有限公司 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
CN111831902A (zh) * | 2020-05-26 | 2020-10-27 | 北京三快在线科技有限公司 | 推荐理由筛选方法、装置、电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942279B (zh) * | 2014-04-01 | 2018-07-10 | 百度(中国)有限公司 | 搜索结果的展现方法和装置 |
CN109063163B (zh) * | 2018-08-14 | 2022-12-02 | 腾讯科技(深圳)有限公司 | 一种音乐推荐的方法、装置、终端设备和介质 |
-
2021
- 2021-06-28 CN CN202110722081.6A patent/CN113434763B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114155A1 (ja) * | 2003-06-20 | 2004-12-29 | Fujitsu Limited | コンテンツ推薦装置、方法及びプログラム |
CN107918616A (zh) * | 2016-10-09 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 搜索系统、页面显示方法及客户端 |
CN110457452A (zh) * | 2019-07-08 | 2019-11-15 | 汉海信息技术(上海)有限公司 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
WO2021004228A1 (zh) * | 2019-07-08 | 2021-01-14 | 汉海信息技术(上海)有限公司 | 推荐理由的生成 |
CN111831902A (zh) * | 2020-05-26 | 2020-10-27 | 北京三快在线科技有限公司 | 推荐理由筛选方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113434763A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434763B (zh) | 搜索结果的推荐理由生成方法、装置、设备及存储介质 | |
WO2020108608A1 (zh) | 搜索结果处理方法、装置、终端、电子设备及存储介质 | |
CN110377558B (zh) | 文档查询方法、装置、计算机设备和存储介质 | |
US11861143B1 (en) | Natural language processing system and method for documents | |
CN108959644B (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN104885081A (zh) | 搜索系统和相应方法 | |
CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
CN111177405A (zh) | 数据搜索匹配方法、装置、计算机设备和存储介质 | |
CN110968800B (zh) | 一种信息推荐方法、装置、电子设备及可读存储介质 | |
US20090281975A1 (en) | Recommending similar content identified with a neural network | |
CN110232126B (zh) | 热点挖掘方法及服务器和计算机可读存储介质 | |
CN112347340A (zh) | 信息搜索方法、装置和计算机设备 | |
JP7166116B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN108647281B (zh) | 网页访问风险检测、提示方法、装置及计算机设备 | |
CN115905489B (zh) | 一种提供招投标信息搜索服务的方法 | |
Yang et al. | Finding experts in community question answering based on topic-sensitive link analysis | |
CN114881685A (zh) | 广告投送方法、装置、电子装置及存储介质 | |
CN112084209B (zh) | 知识库的检索方法、装置、可读介质及设备 | |
US20200110769A1 (en) | Machine learning (ml) based expansion of a data set | |
CN116610853A (zh) | 搜索推荐方法、搜索推荐系统、计算机设备及存储介质 | |
CN110555165A (zh) | 信息识别方法、装置、计算机设备和存储介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
US20200341990A1 (en) | Systems and methods for ranking electronic documents based on query token densities | |
CN112182403A (zh) | 问题查询方法、装置、设备及存储介质 | |
EP3211573A1 (en) | Systems and methods for generating strategic competitive intelligence data relevant for an entity |
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 |