CN114168852A - 一种针对关键词的网络文档搜索方法及系统 - Google Patents

Abstract

本申请公开了一种针对关键词的网络文档搜索方法及系统，在具体应用时，通过在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型并同步地分别对所述请求事项描述进行关键词挖掘操作，将得到的若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述。由此，能够尽可能实现对网络文档搜索模型的多次拆解，若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，能够提高关键词挖掘效率，从而快速准确确定出网络文档搜索策略并执行网络文档搜索处理，提高网络文档搜索处理的时效性和精度。

Description

一种针对关键词的网络文档搜索方法及系统

技术领域

本申请涉及文档搜索技术领域，特别涉及一种针对关键词的网络文档搜索方法及系统。

背景技术

随着信息技术的发展，现如今，越来越多的用户需要的查找自身需要的网各文档，然而查找出的大部分网各文档都相对接近，无法有效及快速的查找出符合要求的网络文档，因此，亟需提供一种快速准确确定出文档的搜索技术。

发明内容

为改善相关技术中存在的技术问题，本申请提供了一种针对关键词的网络文档搜索方法及系统。

本申请提供了一种针对关键词的网络文档搜索方法，应用于网络文档搜索系统，所述方法至少包括：确定目标网络文档搜索请求中的请求事项描述；在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型；借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果；将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，所述关键词搜索指示描述旨在表达对所述请求事项描述的网络文档搜索策略；基于所述网络文档搜索策略执行网络文档搜索处理。

在一种可独立实施的实施例中，所述借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，包括：确定各局部文档搜索模型在云端数据库中的模型查询分布标签；根据所述模型查询分布标签，确定各局部文档搜索模型中的待处理信息，同步地将确定到的各待处理信息与所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果。

在一种可独立实施的实施例中，在所述将网络文档搜索模型拆解为若干局部文档搜索模型后，所述方法还包括：根据所述请求事项描述和各局部文档搜索模型确定用于进行量化加权处理的第一多维分布列表和第二多维分布列表，所述第一多维分布列表和第二多维分布列表的文本场景X层面的配置变量为所述请求事项描述的文本场景数与所述局部文档搜索模型的数目的乘积；在所述X层面上，将所述第一多维分布列表和第二多维分布列表拆解为若干关键描述集。

在一种可独立实施的实施例中，所述借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，包括：在视觉分析模型的若干模型单元内同步地进行多维分布列表加权处理，得到第一加权记录，其中，每个所述模型单元内进行至少一个多维分布列表加权处理；所述将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，包括：在所述视觉分析模型的非限制性存空间中，将独立的所述模型单元内的各多维分布列表加权处理得到的第一加权记录进行显著性描述拼接，得到各模型单元内的第二加权记录，并将所述第二加权记录加载至整体性云端数据库中；将所述整体性云端数据库中的各第二加权记录进行显著性描述拼接，得到关键词搜索指示描述。

在一种可独立实施的实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：确定独立的单元集群中匹配处理的关键描述集的多种第一配置变量，并基于所述第一配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。

在一种可独立实施的实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：确定独立的衍生模型单元中匹配处理的关键描述集的多种第二配置变量，并基于所述第二配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。

在一种可独立实施的实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：确定独立的模型单元中的关键描述集在文本场景X层面上拆解的聚类集的第三配置变量，以及所述聚类集的数目；基于所述聚类集的数目确定要进行整体性分析的第一加权记录的数目；基于所述第三配置变量和所述第一加权记录的数目创建视觉分析模型算法参量，所述视觉分析模型算法参量还用于对独立的模型单元中的各聚类集的各第一加权记录进行整体性分析。

本申请还提供了一种网络文档搜索系统，包括存储器、处理器和网络模块；其中，所述存储器、所述处理器和所述网络模块之间直接或间接地电性连接；所述处理器通过从所述存储器中读取计算机程序并运行以实现上述方法。

本申请的实施例提供的技术方案可以包括以下有益效果。

在本申请实施例中，通过在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型，借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述。由此，通过在文本场景层面上对网络文档搜索模型进行首轮碎片化，在文本信息量的层面上进行二轮碎片化，通过二次碎片化，能够尽可能实现对网络文档搜索模型的多次拆解，若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，能够提高关键词挖掘效率，从而快速准确确定出网络文档搜索策略并执行网络文档搜索处理，提高网络文档搜索处理的时效性和精度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种针对关键词的网络文档搜索方法的流程图。

图2是本申请实施例提供的一种网络文档搜索系统的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

请结合参阅图1，本申请实施例提供了一种针对关键词的网络文档搜索方法，应用于网络文档搜索系统，所述方法至少包括如下内容。

步骤101、确定目标网络文档搜索请求中的请求事项描述；在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型。

在一种可示性实施例中，在所述将网络文档搜索模型拆解为若干局部文档搜索模型后，该网络文档搜索方法具体还可以包括如下步骤201和步骤202。

步骤201、根据所述请求事项描述和各局部文档搜索模型确定用于进行量化加权处理的第一多维分布列表和第二多维分布列表，所述第一多维分布列表和第二多维分布列表的文本场景X层面的配置变量为所述请求事项描述的文本场景数与所述局部文档搜索模型的数目的乘积。

步骤202、在所述X层面上，将所述第一多维分布列表和第二多维分布列表拆解为若干关键描述集。

实施步骤201和步骤202，能够在一定程度上对第一多维分布列表和第二多维分布列表进行全面分析，以快速确保得到的若干关键描述集的准确性。

步骤102、借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果；将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，所述关键词搜索指示描述旨在表达对所述请求事项描述的网络文档搜索策略。

在一种可示性实施例中，步骤102所记录的借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，具体可以通过如下内容实现：确定各局部文档搜索模型在云端数据库中的模型查询分布标签；根据所述模型查询分布标签，确定各局部文档搜索模型中的待处理信息，同步地将确定到的各待处理信息与所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果。如此设计，能够基于不同的模型查询分布标签对请求事项描述进行全面的关键词挖掘操作，这样能够保证到的若干局部关键词挖掘结果的精准性及完整性。

进一步地，在一种可示性实施例中，步骤102所记录的所述借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，具体还可以通过如下内容实现：在视觉分析模型的若干模型单元内同步地进行多维分布列表加权处理，得到第一加权记录，其中，每个所述模型单元内进行至少一个多维分布列表加权处理。进一步地，步骤102所记录的所述将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，具体可以包括：在所述视觉分析模型的非限制性存空间中，将独立的所述模型单元内的各多维分布列表加权处理得到的第一加权记录进行显著性描述拼接，得到各模型单元内的第二加权记录，并将所述第二加权记录加载至整体性云端数据库中；将所述整体性云端数据库中的各第二加权记录进行显著性描述拼接，得到关键词搜索指示描述。如此，将各第二加权记录进行显著性描述拼接，能够保证关键词搜索指示描述的完整性。

步骤103、基于所述网络文档搜索策略执行网络文档搜索处理。

在一种可示性实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，该网络文档搜索方法具体还可以包括：确定独立的单元集群中匹配处理的关键描述集的多种第一配置变量，并基于所述第一配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。如此，能够确保视觉分析模型算法参量的时效性。

在一种可示性实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，该网络文档搜索方法具体还可以包括：确定独立的衍生模型单元中匹配处理的关键描述集的多种第二配置变量，并基于所述第二配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。如此，能够提高后续对文档搜索的效率。

在一种可示性实施例中，在所述确定目标网络文档搜索请求中的请求事项描述后，该网络文档搜索方法具体还可以包括：确定独立的模型单元中的关键描述集在文本场景X层面上拆解的聚类集的第三配置变量，以及所述聚类集的数目；基于所述聚类集的数目确定要进行整体性分析的第一加权记录的数目；基于所述第三配置变量和所述第一加权记录的数目创建视觉分析模型算法参量，所述视觉分析模型算法参量还用于对独立的模型单元中的各聚类集的各第一加权记录进行整体性分析。如此，通过第三配置变量和第一加权记录的数目创建视觉分析模型算法参量，这样能够提高视觉分析模型算法参量的稳定性。

在上述内容的基础上，本申请还提供了一种针对关键词的网络文档搜索装置，该装置具体可以包括如下功能模块：

模型拆解模块，用于确定目标网络文档搜索请求中的请求事项描述；在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型；

关键词挖掘模块，用于借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果；将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，所述关键词搜索指示描述旨在表达对所述请求事项描述的网络文档搜索策略；

文档搜索模块，用于基于所述网络文档搜索策略执行网络文档搜索处理。

在上述基础上，请结合参阅图2，本申请还提供了一种网络文档搜索系统20的硬件结构示意图，具体包括存储器21、处理器22、网络模块23和针对关键词的网络文档搜索装置。存储器21、处理器22和网络模块23之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器21中存储有针对关键词的网络文档搜索装置，所述针对关键词的网络文档搜索装置包括至少一个可以软件或固件(firmware)的形式储存于所述存储器21中的软件功能模块，所述处理器22通过运行存储在存储器21内的软件程序以及模块。

其中，所述存储器21可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器21用于存储程序，所述处理器22在接收到执行指令后，执行所述程序。

所述处理器22可能是一种集成电路芯片，具有数据的处理能力。上述的处理器22可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

网络模块23用于通过网络建立一种网络文档搜索系统20与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。

进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

本领域技术人员公知的是，随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势，要明确划分计算机系统软、硬件界限已经显得比较困难了。因为，任何操作可以软件来实现，也可以由硬件来实现。任何指令的执行可以由硬件完成，同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案，取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此，对于电子信息技术领域的普通技术人员来说，更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下，本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。

本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。

这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或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、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它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、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本申请的范围由所附权利要求来限定。

Claims (8)

1.一种针对关键词的网络文档搜索方法，其特征在于，应用于网络文档搜索系统，所述方法至少包括：

确定目标网络文档搜索请求中的请求事项描述；在网络文档搜索模型的文本场景层面上以及文本信息量的层面上，将网络文档搜索模型拆解为若干局部文档搜索模型；

借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果；将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，所述关键词搜索指示描述旨在表达对所述请求事项描述的网络文档搜索策略；

基于所述网络文档搜索策略执行网络文档搜索处理。

2.如权利要求1所述的方法，其特征在于，所述借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，包括：

确定各局部文档搜索模型在云端数据库中的模型查询分布标签；

根据所述模型查询分布标签，确定各局部文档搜索模型中的待处理信息，同步地将确定到的各待处理信息与所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果。

3.如权利要求1或2所述的方法，其特征在于，在所述将网络文档搜索模型拆解为若干局部文档搜索模型后，所述方法还包括：

根据所述请求事项描述和各局部文档搜索模型确定用于进行量化加权处理的第一多维分布列表和第二多维分布列表，所述第一多维分布列表和第二多维分布列表的文本场景X层面的配置变量为所述请求事项描述的文本场景数与所述局部文档搜索模型的数目的乘积；

在所述X层面上，将所述第一多维分布列表和第二多维分布列表拆解为若干关键描述集。

4.如权利要求1所述方法，其特征在于，所述借助所述若干局部文档搜索模型同步地分别对所述请求事项描述进行关键词挖掘操作，得到若干局部关键词挖掘结果，包括：在视觉分析模型的若干模型单元内同步地进行多维分布列表加权处理，得到第一加权记录，其中，每个所述模型单元内进行至少一个多维分布列表加权处理；

所述将所述若干局部关键词挖掘结果进行显著性描述拼接处理，得到关键词搜索指示描述，包括：在所述视觉分析模型的非限制性存空间中，将独立的所述模型单元内的各多维分布列表加权处理得到的第一加权记录进行显著性描述拼接，得到各模型单元内的第二加权记录，并将所述第二加权记录加载至整体性云端数据库中；

将所述整体性云端数据库中的各第二加权记录进行显著性描述拼接，得到关键词搜索指示描述。

5.如权利要求1所述方法，其特征在于，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：

确定独立的单元集群中匹配处理的关键描述集的多种第一配置变量，并基于所述第一配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。

6.如权利要求1所述方法，其特征在于，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：

确定独立的衍生模型单元中匹配处理的关键描述集的多种第二配置变量，并基于所述第二配置变量创建用于进行关键描述集拆解的视觉分析模型算法参量。

7.如权利要求1所述方法，其特征在于，在所述确定目标网络文档搜索请求中的请求事项描述后，所述方法还包括：

确定独立的模型单元中的关键描述集在文本场景X层面上拆解的聚类集的第三配置变量，以及所述聚类集的数目；

基于所述聚类集的数目确定要进行整体性分析的第一加权记录的数目；

基于所述第三配置变量和所述第一加权记录的数目创建视觉分析模型算法参量，所述视觉分析模型算法参量还用于对独立的模型单元中的各聚类集的各第一加权记录进行整体性分析。

8.一种网络文档搜索系统，其特征在于，包括存储器、处理器和网络模块；其中，所述存储器、所述处理器和所述网络模块之间直接或间接地电性连接；所述处理器通过从所述存储器中读取计算机程序并运行以实现权利要求1-7任一项所述的方法。

Images