CN114154046B - 一种网站搜索排名方法及系统 - Google Patents

Abstract

本发明公开了一种网站搜索排名方法及系统，其中，所述方法包括：基于用户搜索关键词集合，构建搜索排名数据库；将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息；获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；根据所述权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果。解决了现有技术网站搜索排名更新周期长，搜索优化效果低，导致影响产品排名推广的技术问题。

Description

一种网站搜索排名方法及系统

技术领域

本发明涉及网站排名领域，尤其涉及一种网站搜索排名方法及系统。

背景技术

在搜索引擎里输入一个关键字，通常得到很多搜索结果，这些搜索结果的排名有先后之分，这就是网站搜索排名。搜索排名是指用户在搜索引擎上输入关键词所呈现在首页的相关链接，搜索引擎根据用户搜索关键词的热度进行排序显示。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术存在网站搜索排名更新周期长，搜索优化效果低，导致影响产品排名推广的问题。

发明内容

本申请实施例通过提供一种网站搜索排名方法及系统，解决了现有技术网站搜索排名更新周期长，搜索优化效果低，导致影响产品排名推广的技术问题，达到通过自然语言处理算法构建搜索排名数据库，对产品进行遍历搜索排名，个性化实时更新，提高网站搜索优化效果，进而保证产品排名推广准确性的技术效果。

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。

第一方面，本申请实施例提供了一种网站搜索排名方法，所述方法包括：通过大数据获得用户搜索关键词集合；基于所述用户搜索关键词集合，构建搜索排名数据库；将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。

另一方面，本申请还提供了一种网站搜索排名系统，所述系统包括：第一获得单元，所述第一获得单元用于通过大数据获得用户搜索关键词集合；第一构建单元，所述第一构建单元用于基于所述用户搜索关键词集合，构建搜索排名数据库；第二获得单元，所述第二获得单元用于将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；第三获得单元，所述第三获得单元用于基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；第四获得单元，所述第四获得单元用于对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；第五获得单元，所述第五获得单元用于将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；第六获得单元，所述第六获得单元用于将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；第一管理单元，所述第一管理单元用于根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。

第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。

第四方面，本发明实施例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任意一项所述的控制输出数据的方法中的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过大数据获得用户搜索关键词集合；基于所述用户搜索关键词集合，构建搜索排名数据库；将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息；获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。进而达到通过自然语言处理算法构建搜索排名数据库，对产品进行遍历搜索排名，个性化实时更新，提高网站搜索优化效果，进而保证产品排名推广准确性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种网站搜索排名方法的流程示意图；

图2为本申请实施例一种网站搜索排名方法中构建搜索排名数据库的流程示意图；

图3为本申请实施例一种网站搜索排名方法中映射获得语义转换关键词的流程示意图；

图4为本申请实施例一种网站搜索排名方法中获得每搜索印象付费金额的流程示意图；

图5为本申请实施例一种网站搜索排名方法中确定印象数量信息的流程示意图；

图6为本申请实施例一种网站搜索排名系统的结构示意图；

图7为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。

附图标记说明：第一获得单元11，第一构建单元12，第二获得单元13，第三获得单元14，第四获得单元15，第五获得单元16，第六获得单元17，第一管理单元18，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。

具体实施方式

在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

申请概述

本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令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，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本发明实施例中的附图对本发明实施例进行描述。

实施例一

如图1所示，本申请实施例提供了一种网站搜索排名方法，所述方法包括：

步骤S100：通过大数据获得用户搜索关键词集合；

具体而言，在搜索引擎里输入一个关键字，通常得到很多搜索结果，这些搜索结果的排名有先后之分，这就是网站搜索排名。搜索排名是指用户在搜索引擎上输入关键词所呈现在首页的相关链接，搜索引擎根据用户搜索关键词的热度进行排序显示。通过大数据获得用户搜索关键词集合，大数据是在合理时间内达到撷取、管理、处理、并整理成为帮助决策更积极目的的方式，是海量、高增长率和多样化的信息资产。所述用户搜索关键词集合是用户在使用搜索引擎时，输入的能够最大程度概括用户所要查找的信息内容的集合，是网络搜索索引主要方法之一，就是访问者希望了解的产品、服务和公司等的具体名称用语，确定适合网站的关键词，有利于网站的未来发展。

步骤S200：基于所述用户搜索关键词集合，构建搜索排名数据库；

如图2所示，进一步而言，所述构建搜索排名数据库，本申请实施例步骤S200还包括：

步骤S210：获得第一信息分析指令，根据所述第一信息分析指令对所述用户搜索关键词集合中的第一用户搜索关键词进行提取分析，获得第一关键词段；

步骤S220：基于自然语言处理算法对所述第一关键词段进行语义转换，获得第一语义转换关键词；

步骤S230：根据所述第一语义转换关键词生成第一搜索词，并根据所述第一用户搜索关键词和所述第一语义转换关键词的出现概率获得第一搜索结果信息；

步骤S240：获得所述用户搜索关键词集合中的第二搜索结果信息，以此类推，直至获得第N搜索结果信息；

步骤S250：根据所述第一搜索结果信息、所述第二搜索结果信息直至所述第N搜索结果信息，构建搜索排名数据库。

具体而言，根据所述第一信息分析指令对所述用户搜索关键词集合中的第一用户搜索关键词进行提取分析，获得第一关键词段，所述第一关键词段即从关键词中提取核心关键词，是关键词搜索的主题，例如肥料厂的核心关键词选择，可以是“肥料”“化肥”等。基于自然语言处理算法对所述第一关键词段进行语义转换，自然语言处理( NaturalLanguage Processing, NLP)是以语言为对象，利用计算机技术来分析、理解和处理自然语言的一门学科，即把计算机作为语言研究的强大工具，在计算机的支持下对语言信息进行定量化的研究,并提供可供人与计算机之间能共同使用的语言描写，例如seq2seq算法模型和CBOW算法模型等。

所述第一语义转换关键词是该关键词相关的语音相近词、替换词和扩展词，如照相机的语义转换关键词包括影像设备、成像设备、摄影机、单反相机、数码照相机、数字相机等。根据所述第一语义转换关键词生成第一搜索词，所述第一搜索词是与该关键词有关的所有可搜索词组，根据所述第一用户搜索关键词和所述第一语义转换关键词的出现概率获得第一搜索结果信息，所述第一搜索结果信息是该关键词的搜索量，搜索量越多表示该搜索词的热度越大。如上述方法依次获得所述用户搜索关键词集合中第二用户搜索关键词的第二搜索结果信息，以此类推，直至获得第N用户搜索关键词第N搜索结果信息。根据所述第一搜索结果信息、所述第二搜索结果信息直至所述第N搜索结果信息，构建搜索排名数据库，所述搜索排名数据库是通过大数据获得的各关键词搜索初步排名，具有数据海量、信息完整、搜索效率高的优点，为后续产品遍历搜索提供数据基础的技术效果。

步骤S300：将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；

具体而言，所述第一搜索产品信息是进行搜索的产品信息，如对照相机这一产品进行搜索，将第一搜索产品信息输入所述搜索排名数据库进行遍历，对数据库中的各数据进行访问搜索，获得产品搜索客户信息集，所述产品搜索客户信息集是与所述第一搜索产品信息有关的各客户信息，如京东商城的照相机、淘宝的照相机以及爱采购等其他客户有关的照相机产品信息。

步骤S400：基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；

具体而言，基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息，所述产品发布信息是搜索产品的相关信息，包括产品名称、产品型号、产品数量等；所述发布关联程度是与该搜索产品的关联程度，如与照相机产品的相关的信息；所述每搜索印象付费金额是该搜索产品发布点击时需要支付的金额；所述产品付款信息是该搜索产品的支付相关信息，包括销售额、交易时间、付款金额等。

步骤S500：对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；

步骤S600：将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；

具体而言，对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性，即对各指标对产品搜索的重要程度进行分析，所述预定权重分配属性是各指标对应的权重数值。将所述第一指标属性集合按照权重进行降序排列，即按照重要程度将各指标从高到低进行排序，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果，所述第一加权计算结果表明该客户网站对该搜索产品的搜索指数，搜索指数越高，搜索结果排名越靠前，越容易被搜索到。

步骤S700：将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；

步骤S800：根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。

具体而言，将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，所述第一搜索排名模型为神经网络模型，用于对搜索产品信息的网站搜索结果进行排名，获得所述模型的训练输出结果即第一搜索排名结果，是对所述第一搜索产品信息的网站搜索排名结果。根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理，以进行后续产品推广等，通过自然语言处理算法构建搜索排名数据库，对产品进行遍历搜索排名，个性化实时更新，提高网站搜索优化效果，进而保证产品排名推广准确性。

如图3所示，进一步而言，本申请实施例步骤S250还包括：

步骤S251：设置编码网络模型，所述编码网络模型为递归神经网络模型；

步骤S252：将所述第一关键词段作为输入序列输入至所述编码网络模型，获得第一语义表示向量；

步骤S253：设置解码网络模型，所述解码网络模型为递归神经网络模型；

步骤S254：将所述第一语义表示向量输入所述解码网络模型，获得第一输出结果，所述第一输出结果包括输出序列；

步骤S255：基于所述输出序列，映射获得第一语义转换关键词。

具体而言，所述编码网络模型是通过编码方案将人类可读的数据转换成机器存储数据，即将字符流转换为字节流，为递归神经网络模型。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，是深度学习算法之一，当递归神经网络的每个父节点都仅与一个子节点连接时，其结构等价于全连接的循环神经网络，递归神经网络具有可变的拓扑结构且权重共享，被用于包含结构关系的机器学习任务。将所述第一关键词段作为输入序列输入至所述编码网络模型，所述编码网络模型负责将输入序列压缩成指定长度的向量即第一语义表示向量，所述第一语义表示向量就可以看成是这个序列的语义。设置解码网络模型，所述解码网络模型为另一个递归神经网络模型，用于对语义向量进行解码，将所述第一语义表示向量输入所述解码网络模型，即负责根据所述第一语义表示向量生成指定的序列，获得所述模型的输出结果即输出序列。基于所述输出序列，将序列映射为相应的所述第一语义转换关键词，如完成对照相机这一关键词的语义转换扩展，通过自然语言处理算法实现语义转换结果更加准确高效，为搜索排名数据库的构建提供更加全面准确的语义数据基础。

如图4所示，进一步而言，本申请实施例还包括：

步骤S910：获得所述第一搜索产品信息的关键词信息；

步骤S920：基于所述关键词信息的点击数和印象次数信息的比值，获得阶段点击率；

步骤S930：基于滤波算法对所述阶段点击率进行过滤，获得产品点击率；

步骤S940：根据每点击付费金额和产品点击率的乘积，获得每搜索印象付费金额。

具体而言，所述关键词信息是所述第一搜索产品信息的搜索关键词，如耳机、微波炉等，所述关键词信息的点击数是用户对该网站的阶段关键词点击数，所述印象次数信息是所述第一搜索产品信息的发布效果，印象次数越大，该搜索产品的发布效果越好。所述阶段点击率是用户近期预定时段内对该搜索产品的平均点击率，如一周、一个月，由所述关键词信息的点击数和印象次数信息的比值计算获得。为对产品点击率计算更加准确合理，基于滤波算法对所述阶段点击率进行过滤，滤波算法包括限幅滤波法、一阶滞后滤波法、算术平均滤波法、递推平均滤波法等，获得算法过滤后的产品点击率，所述产品点击率平稳度高，更符合实际点击率应用效果。所述每搜索印象付费金额是该搜索产品发布点击时需要支付的金额，根据每点击付费金额和产品点击率的乘积计算获得。将每搜索印象付费金额作为网站排名搜索指标，使得付费能力越强的信息获得越好的发布位置，能改善用户搜索体验，从而提高排名发布效果。

如图5所示，进一步而言，所述印象次数信息，本申请实施例步骤S920还包括：

步骤S921：将发布位置信息和发布信息显示数量输入神经网络模型进行数据训练，获得发布效果评估模型；

步骤S922：基于所述发布效果评估模型，获得各产品搜索信息对应的加权系数；

步骤S923：根据所述加权系数，累加确定印象数量信息。

具体而言，所述发布位置信息是该搜索产品的发布位置信息，发布位置排名越靠上，发布效果越好，所述发布信息显示数量为该搜索页面信息的显示条数。将发布位置信息和发布信息显示数量输入神经网络模型进行数据训练，获得发布效果评估模型，所述发布效果评估模型为神经网络模型，用于对网站该搜索产品的发布效果进行评估。基于所述发布效果评估模型对该搜索产品的发布效果进行评估，获得其对应的加权系数，如搜索结果中每页面显示20条信息，该网站的搜索产品位于第3位，对应加权系数0.3，则印象数量为0.3个印象。根据搜索结果不同，每次显示该搜索产品的发布信息也不同，根据所述加权系数进行修正累加，确定该搜索产品的印象数量信息。将发布效果对搜索产品的印象数量进行确定，使得每搜索印象付费金额这一网站排名指标更加准确合理，使得付费能力越强的信息获得越好的发布位置，改善用户搜索体验，从而提高排名发布效果。

进一步而言，本申请实施例步骤还包括：

步骤S1010：对网站引用次数进行流行度评估，获得第一网站级别信息；

步骤S1020：获得网站搜索因素，所述网站搜索因素包括网站空间质量系数、网站架构信息、网站收藏指数；

步骤S1030：根据所述第一网站级别信息和所述网站搜索因素，生成网站排名影响因子；

步骤S1040：根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型；

步骤S1050：基于所述第二搜索排名模型，获得第二搜索排名结果。

具体而言，对网站引用次数进行流行度评估，获得第一网站级别信息，所述第一网站级别信息通过网站引用次数进行确定，网站的引用次数越多，流行度越高，网站的级别质量越高。所述网站搜索因素包括网站空间质量系数、网站架构信息、网站收藏指数，所述网站空间质量系数用于评价网站的空间质量，当网站的空间质量较差时，就会对网站产生不信任，进而影响网站排名；所述网站架构信息要具有一定的独立性，同时要具有典型的扁平型和网状结构，有利于用户对网站内容的搜索和查找，进而提升网站内容丰富度和网站排名的提升；所述网站收藏指数是用户对网站的收藏数量，收藏指数越高表明用户对该网站的兴趣越高，有利于网站的排名提升。所述网站排名影响因子根据所述第一网站级别信息和所述网站搜索因素共同确定，是网站排名的影响因素。通过所述网站排名影响因子对所述第一搜索排名模型进行优化学习，即对所述第一搜索排名模型进行增量学习，获得第二搜索排名模型，所述第二搜索排名模型为增量学习后的神经网络模型。基于所述第二搜索排名模型，获得修正后的第二搜索排名结果，所述第二搜索排名模型保留了所述第一搜索排名模型的基本功能，并维持模型不断更新的性能，从而提高了网站搜索排名的更新性能，保证产品排名个性化实时更新的技术效果。

进一步而言，所述根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型，本申请实施例步骤S1040还包括：

步骤S1041：将所述网站排名影响因子输入所述第一搜索排名模型中，获得预测排名影响参数；

步骤S1042：通过对所述预测排名影响参数进行数据损失分析，获得第一损失数据；

步骤S1043：将所述第一损失数据输入到所述第一搜索排名模型中进行训练，获得所述第二搜索排名模型。

具体而言，所述第一预测排名影响参数是基于所述网站排名影响因子在所述第一搜索排名模型中进行搜索排名评估获得的对应评估结果，由于所述第一搜索排名模型是基于所述产品搜索客户信息集和所述第一加权计算结果进行数据训练获得的，因此，通过引入损失函数完成数据损失的分析进而获得所述第一损失数据，其中，所述第一损失数据是代表所述第一搜索排名模型对于所述网站排名影响因子的相关数据知识损失数据，再基于所述第一损失数据完成对所述第一搜索排名模型的增量学习，由于所述第一搜索排名模型是多个神经元相互连接组成构成神经网络获得的，因此，通过损失数据的训练使得所述第二搜索排名模型保留了所述第一搜索排名模型的基本功能，并维持模型不断更新的性能，从而提高了网站搜索排名的更新性能，保证产品排名推广准确性的技术效果。

综上所述，本申请实施例所提供的一种网站搜索排名方法及系统具有如下技术效果：

由于采用了通过大数据获得用户搜索关键词集合；基于所述用户搜索关键词集合，构建搜索排名数据库；将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息；获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。进而达到通过自然语言处理算法构建搜索排名数据库，对产品进行遍历搜索排名，个性化实时更新，提高网站搜索优化效果，进而保证产品排名推广准确性的技术效果。

实施例二

基于与前述实施例中一种网站搜索排名方法同样发明构思，本发明还提供了一种网站搜索排名系统，如图6所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于通过大数据获得用户搜索关键词集合；

第一构建单元12，所述第一构建单元12用于基于所述用户搜索关键词集合，构建搜索排名数据库；

第二获得单元13，所述第二获得单元13用于将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；

第三获得单元14，所述第三获得单元14用于基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；

第四获得单元15，所述第四获得单元15用于对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；

第五获得单元16，所述第五获得单元16用于将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；

第六获得单元17，所述第六获得单元17用于将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；

第一管理单元18，所述第一管理单元18用于根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理。

进一步的，所述系统还包括：

第七获得单元，所述第七获得单元用于获得第一信息分析指令，根据所述第一信息分析指令对所述用户搜索关键词集合中的第一用户搜索关键词进行提取分析，获得第一关键词段；

第八获得单元，所述第八获得单元用于基于自然语言处理算法对所述第一关键词段进行语义转换，获得第一语义转换关键词；

第九获得单元，所述第九获得单元用于根据所述第一语义转换关键词生成第一搜索词，并根据所述第一用户搜索关键词和所述第一语义转换关键词的出现概率获得第一搜索结果信息；

第十获得单元，所述第十获得单元用于获得所述用户搜索关键词集合中的第二搜索结果信息，以此类推，直至获得第N搜索结果信息；

第二构建单元，所述第二构建单元用于根据所述第一搜索结果信息、所述第二搜索结果信息直至所述第N搜索结果信息，构建搜索排名数据库。

进一步的，所述系统还包括：

第一设置单元，所述第一设置单元用于设置编码网络模型，所述编码网络模型为递归神经网络模型；

第十一获得单元，所述第十一获得单元用于将所述第一关键词段作为输入序列输入至所述编码网络模型，获得第一语义表示向量；

第二设置单元，所述第二设置单元用于设置解码网络模型，所述解码网络模型为递归神经网络模型；

第十二获得单元，所述第十二获得单元用于将所述第一语义表示向量输入所述解码网络模型，获得第一输出结果，所述第一输出结果包括输出序列；

第十三获得单元，所述第十三获得单元用于基于所述输出序列，映射获得第一语义转换关键词。

进一步的，所述系统还包括：

第十四获得单元，所述第十四获得单元用于获得所述第一搜索产品信息的关键词信息；

第十五获得单元，所述第十五获得单元用于基于所述关键词信息的点击数和印象次数信息的比值，获得阶段点击率；

第十六获得单元，所述第十六获得单元用于基于滤波算法对所述阶段点击率进行过滤，获得产品点击率；

第十七获得单元，所述第十七获得单元用于根据每点击付费金额和产品点击率的乘积，获得每搜索印象付费金额。

进一步的，所述系统还包括：

第十八获得单元，所述第十八获得单元用于将发布位置信息和发布信息显示数量输入神经网络模型进行数据训练，获得发布效果评估模型；

第十九获得单元，所述第十九获得单元用于基于所述发布效果评估模型，获得各产品搜索信息对应的加权系数；

第一确定单元，所述第一确定单元用于根据所述加权系数，累加确定印象数量信息。

进一步的，所述系统还包括：

第二十获得单元，所述第二十获得单元用于对网站引用次数进行流行度评估，获得第一网站级别信息；

第二十一获得单元，所述第二十一获得单元用于获得网站搜索因素，所述网站搜索因素包括网站空间质量系数、网站架构信息、网站收藏指数；

第一生成单元，所述第一生成单元用于根据所述第一网站级别信息和所述网站搜索因素，生成网站排名影响因子；

第二十二获得单元，所述第二十二获得单元用于根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型；

第二十三获得单元，所述第二十三获得单元用于基于所述第二搜索排名模型，获得第二搜索排名结果。

进一步的，所述系统还包括：

第二十四获得单元，所述第二十四获得单元用于将所述网站排名影响因子输入所述第一搜索排名模型中，获得预测排名影响参数；

第二十五获得单元，所述第二十五获得单元用于通过对所述预测排名影响参数进行数据损失分析，获得第一损失数据；

第二十六获得单元，所述第二十六获得单元用于将所述第一损失数据输入到所述第一搜索排名模型中进行训练，获得所述第二搜索排名模型。

前述图1实施例一中的一种网站搜索排名方法的各种变化方式和具体实例同样适用于本实施例的一种网站搜索排名系统，通过前述对一种网站搜索排名方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种网站搜索排名系统的实施方法，所以为了说明书的简洁，在此不再详述。

此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

示例性电子设备

具体的，参见图7所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本发明实施例中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。

应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。

易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。

此外，本发明实施例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控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种网站搜索排名方法，其特征在于，所述方法包括：

通过大数据获得用户搜索关键词集合；

基于所述用户搜索关键词集合，构建搜索排名数据库；

将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；

基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；

对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；

将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；

将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；

根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理；

所述构建搜索排名数据库，包括：

获得第一信息分析指令，根据所述第一信息分析指令对所述用户搜索关键词集合中的第一用户搜索关键词进行提取分析，获得第一关键词段；

基于自然语言处理算法对所述第一关键词段进行语义转换，获得第一语义转换关键词；

根据所述第一语义转换关键词生成第一搜索词，并根据所述第一用户搜索关键词和所述第一语义转换关键词的出现概率获得第一搜索结果信息；

获得所述用户搜索关键词集合中的第二搜索结果信息，以此类推，直至获得第N搜索结果信息；

根据所述第一搜索结果信息、所述第二搜索结果信息直至所述第N搜索结果信息，构建搜索排名数据库；

所述方法包括：

设置编码网络模型，所述编码网络模型为递归神经网络模型；

将所述第一关键词段作为输入序列输入至所述编码网络模型，获得第一语义表示向量；

设置解码网络模型，所述解码网络模型为递归神经网络模型；

将所述第一语义表示向量输入所述解码网络模型，获得第一输出结果，所述第一输出结果包括输出序列；

基于所述输出序列，映射获得第一语义转换关键词；

所述方法包括：

获得所述第一搜索产品信息的关键词信息；

基于所述关键词信息的点击数和印象次数信息的比值，获得阶段点击率；

基于滤波算法对所述阶段点击率进行过滤，获得产品点击率；

根据每点击付费金额和产品点击率的乘积，获得每搜索印象付费金额；

所述印象次数信息，包括：

将发布位置信息和发布信息显示数量输入神经网络模型进行数据训练，获得发布效果评估模型；

基于所述发布效果评估模型，获得各产品搜索信息对应的加权系数；

根据所述加权系数，累加确定印象数量信息；

所述方法包括：

对网站引用次数进行流行度评估，获得第一网站级别信息；

获得网站搜索因素，所述网站搜索因素包括网站空间质量系数、网站架构信息、网站收藏指数；

根据所述第一网站级别信息和所述网站搜索因素，生成网站排名影响因子；

根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型；

基于所述第二搜索排名模型，获得第二搜索排名结果；

所述根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型，包括：

将所述网站排名影响因子输入所述第一搜索排名模型中，获得预测排名影响参数；

通过对所述预测排名影响参数进行数据损失分析，获得第一损失数据；

将所述第一损失数据输入到所述第一搜索排名模型中进行训练，获得所述第二搜索排名模型。

2.一种网站搜索排名系统，其特征在于，所述系统包括：

第一获得单元，所述第一获得单元用于通过大数据获得用户搜索关键词集合；

第一构建单元，所述第一构建单元用于基于所述用户搜索关键词集合，构建搜索排名数据库；

第二获得单元，所述第二获得单元用于将第一搜索产品信息输入所述搜索排名数据库进行遍历，获得产品搜索客户信息集；

第三获得单元，所述第三获得单元用于基于所述产品搜索客户信息集，获得各产品搜索客户对应的第一产品发布指标信息，所述第一产品发布指标信息包括产品发布信息、发布关联程度、每搜索印象付费金额、产品付款信息；

第四获得单元，所述第四获得单元用于对所述产品发布信息、所述发布关联程度、所述每搜索印象付费金额、所述产品付款信息进行权重分析，获得第一指标属性集合，所述第一指标属性集合包括预定权重分配属性；

第五获得单元，所述第五获得单元用于将所述第一指标属性集合按照权重进行降序排列，根据所述预定权重分配属性对所述第一指标属性集合进行加权计算，获得第一加权计算结果；

第六获得单元，所述第六获得单元用于将所述产品搜索客户信息集和所述第一加权计算结果输入第一搜索排名模型，获得第一搜索排名结果；

第一管理单元，所述第一管理单元用于根据所述第一搜索排名结果，对所述第一搜索产品信息进行排名管理；

第七获得单元，所述第七获得单元用于获得第一信息分析指令，根据所述第一信息分析指令对所述用户搜索关键词集合中的第一用户搜索关键词进行提取分析，获得第一关键词段；

第八获得单元，所述第八获得单元用于基于自然语言处理算法对所述第一关键词段进行语义转换，获得第一语义转换关键词；

第九获得单元，所述第九获得单元用于根据所述第一语义转换关键词生成第一搜索词，并根据所述第一用户搜索关键词和所述第一语义转换关键词的出现概率获得第一搜索结果信息；

第十获得单元，所述第十获得单元用于获得所述用户搜索关键词集合中的第二搜索结果信息，以此类推，直至获得第N搜索结果信息；

第二构建单元，所述第二构建单元用于根据所述第一搜索结果信息、所述第二搜索结果信息直至所述第N搜索结果信息，构建搜索排名数据库；

第一设置单元，所述第一设置单元用于设置编码网络模型，所述编码网络模型为递归神经网络模型；

第十一获得单元，所述第十一获得单元用于将所述第一关键词段作为输入序列输入至所述编码网络模型，获得第一语义表示向量；

第二设置单元，所述第二设置单元用于设置解码网络模型，所述解码网络模型为递归神经网络模型；

第十二获得单元，所述第十二获得单元用于将所述第一语义表示向量输入所述解码网络模型，获得第一输出结果，所述第一输出结果包括输出序列；

第十三获得单元，所述第十三获得单元用于基于所述输出序列，映射获得第一语义转换关键词；

第十四获得单元，所述第十四获得单元用于获得所述第一搜索产品信息的关键词信息；

第十五获得单元，所述第十五获得单元用于基于所述关键词信息的点击数和印象次数信息的比值，获得阶段点击率；

第十六获得单元，所述第十六获得单元用于基于滤波算法对所述阶段点击率进行过滤，获得产品点击率；

第十七获得单元，所述第十七获得单元用于根据每点击付费金额和产品点击率的乘积，获得每搜索印象付费金额；

第十八获得单元，所述第十八获得单元用于将发布位置信息和发布信息显示数量输入神经网络模型进行数据训练，获得发布效果评估模型；

第十九获得单元，所述第十九获得单元用于基于所述发布效果评估模型，获得各产品搜索信息对应的加权系数；

第一确定单元，所述第一确定单元用于根据所述加权系数，累加确定印象数量信息；

第二十获得单元，所述第二十获得单元用于对网站引用次数进行流行度评估，获得第一网站级别信息；

第二十一获得单元，所述第二十一获得单元用于获得网站搜索因素，所述网站搜索因素包括网站空间质量系数、网站架构信息、网站收藏指数；

第一生成单元，所述第一生成单元用于根据所述第一网站级别信息和所述网站搜索因素，生成网站排名影响因子；

第二十二获得单元，所述第二十二获得单元用于根据所述网站排名影响因子对所述第一搜索排名模型进行优化学习，获得第二搜索排名模型；

第二十三获得单元，所述第二十三获得单元用于基于所述第二搜索排名模型，获得第二搜索排名结果；

第二十四获得单元，所述第二十四获得单元用于将所述网站排名影响因子输入所述第一搜索排名模型中，获得预测排名影响参数；

第二十五获得单元，所述第二十五获得单元用于通过对所述预测排名影响参数进行数据损失分析，获得第一损失数据；

第二十六获得单元，所述第二十六获得单元用于将所述第一损失数据输入到所述第一搜索排名模型中进行训练，获得所述第二搜索排名模型。

3.一种网站搜索排名电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1所述方法中的步骤。

4.一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如权利要求1所述方法中的步骤。

Images