CN115017385A - 一种物品搜索方法、装置、设备和存储介质 - Google Patents

一种物品搜索方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115017385A
CN115017385A CN202210772039.XA CN202210772039A CN115017385A CN 115017385 A CN115017385 A CN 115017385A CN 202210772039 A CN202210772039 A CN 202210772039A CN 115017385 A CN115017385 A CN 115017385A
Authority
CN
China
Prior art keywords
target
article
item
category
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
Application number
CN202210772039.XA
Other languages
English (en)
Inventor
张龙温
宋佳昊
刘洪森
程晓培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202210772039.XA priority Critical patent/CN115017385A/zh
Publication of CN115017385A publication Critical patent/CN115017385A/zh
Pending legal-status Critical Current

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
    • G06F16/906—Clustering; Classification
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

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)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种物品搜索方法、装置、设备和存储介质。该方法包括：获取输入的目标物品搜索信息；对目标物品搜索信息进行搜索召回，确定候选物品集合；基于物品类目识别模型，对目标物品搜索信息进行类目识别，确定目标物品类目；基于目标物品类目对应的物品属性，对目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；基于目标物品属性信息和候选物品集合，确定目标物品搜索结果。通过本发明实施例的技术方案，可以实现物品的自动搜索，提高物品搜索效率，并且保证物品搜索的准确性。

Description

一种物品搜索方法、装置、设备和存储介质
技术领域
本发明实施例涉及计算机技术，尤其涉及一种物品搜索方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展，可以基于用户输入的物品信息进行物品搜索，获得用户想要购买的物品。
目前，在搜索一些专业性较强的物品，比如具有专业属性的工业品时，通常是专业人员通过人工匹配物品的方式进行搜索，从而保证搜索的准确性。
然而，在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有的人工匹配方式费时费力，大大降低了搜索效率。
发明内容
本发明实施例提供了一种物品搜索方法、装置、设备和存储介质，以实现物品的自动搜索，提高物品搜索效率，并且保证物品搜索的准确性。
第一方面，本发明实施例提供了一种物品搜索方法，包括：
获取输入的目标物品搜索信息；
对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
第二方面，本发明实施例还提供了一种物品搜索装置，包括：
目标物品搜索信息获取模块，用于获取输入的目标物品搜索信息；
候选物品集合确定模块，用于对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
目标物品类目确定模块，用于基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
物品属性信息提取模块，用于基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
物品搜索结果确定模块，用于基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的物品搜索方法。
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，该程序被处理器执行时实现如本发明任意实施例所提供的物品搜索方法。
上述发明中的一个实施例具有如下优点或有益效果：
通过对输入的目标物品搜索信息进行搜索召回确定候选物品集合，并基于物品类目识别模型对目标物品搜索信息进行类目识别，确定目标物品类目，基于标物品类目对应的物品属性，对目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息，从而基于提取出的目标物品属性信息，可以从候选物品集合中确定出更加准确的目标物品搜索结果，保证了物品搜索的准确性，并且搜索过程中无需人员参与，实现了物品的自动搜索，提高了物品搜索效率。
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做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例所提供的一种物品搜索方法的流程图；
图2是本发明一个实施例提供的另一种物品搜索方法的流程图；
图3是本发明一个实施例提供的一种物品搜索装置的结构示意图；
图4是本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一个实施例所提供的一种物品搜索方法的流程图，本实施例可适用于对物品进行搜索的情况，尤其是适用于搜索工业品的应用场景中。该方法可以由物品搜索装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：
S110、获取输入的目标物品搜索信息。
具体地，用户可以基于想要搜索的目标物品的信息，在搜索输入框中输入相应的目标物品搜索信息。目标物品搜索信息可以包括：目标物品的至少一种属性信息。属性信息可以包括但不限于：目标物品的名称信息、型号信息、品牌信息、结构信息和颜色信息。需要说明的是，目标物品搜索信息可以是以任意信息格式进行输入的，无需规范要求用户输入特定信息格式下的目标物品搜索信息。例如，用户可以直接输入具体的型号信息，比如1000，但未明确指定输入的该信息为型号这一属性信息，从而仅基于“1000”无法确定该信息所对应的具体属性，有可能是型号信息，也有可能是长度信息等。本实施例可以在未规范输入的目标物品搜索信息和物品信息的情况下，也就是在用户输入模糊的情况下进行物品的准确搜索，保证物品搜索的准确性。
示例性地，本实施例搜索的目标物品可以是指具有专业属性的工业品。工业品是购买以后用于加工生产或企业经营用的产品。工业品属于面向企业To B的业务，从而需要更加精准地进行物品寻源和物品搜索。当需要购买工业品这类物品时，可以基于采销单上的目标物品的信息，在购物平台的搜索框上输入相应的目标物品搜索信息，以便基于输入的目标物品搜索信息搜索出相应的目标物品所对应的购买链接信息，进而基于该购买链接信息购买目标物品。
S120、对目标物品搜索信息进行搜索召回，确定候选物品集合。
其中，候选物品集合可以包括多个候选物品。候选物品可以是指与目标物品搜索信息相关联的物品。候选物品集合中可以包括同一种候选物品的不同搜索结果，也可以包括不同种类候选物品的不同搜索结果。例如，同一种物品可以存在多个购买链接。
具体地，可以基于预设搜索召回方式，比如基于倒排索引的词召回方式或者基于向量的语义召回方式等，在预先设置的物品集合(比如物品池)中进行搜索召回，确定出与目标物品搜索信息相匹配的各个候选物品，获得候选物品集合，即搜索召回池。例如，可以将物品池中的每个物品信息同步更新到elasticsearch数据库中，并利用物品关键词作为分词字典对物品信息进行切分，以便提高匹配效率。可以将物品池中的每个物品信息与输入的目标物品搜索信息进行信息相似度匹配，获得每个物品信息对应的召回置信度，并可以将召回置信度较高的前N条(即topN)物品信息作为候选物品集合。
S130、基于物品类目识别模型，对目标物品搜索信息进行类目识别，确定目标物品类目。
其中，类目可以是预先基于物品信息对所有物品进行分类获得的各个类别。基于物品划分范围，类目可以分为一级类目、二级类目和三级类目等。其中，二级类目是对一级类目进行进一步细分获得的类目。三级类目是对二级类目进行进一步细分获得的类目。例如，一级类目为：家用电器；该一级类目对应的二级类目可以包括：电视、空调、洗衣机、冰箱等等。空调这个二级类目对应的三级类目可以包括：壁挂式空调、柜式空调、中央空调等。物品类目识别模型可以是用于识别物品类目的任意一种分类模型。物品类目识别模型可以用于识别任一级别的类目，比如用于识别一级类目、二级类目或者三级类目等。物品类目识别模型可以是预先基于样本数据进行模型训练获得的。
具体地，可以将目标物品搜索信息输入至预先训练好的物品类目识别模型中进行类目识别，并基于物品类目识别模型的输出，确定出目标物品搜索信息所对应的目标物品类目。例如，物品类目识别模型可以直接输出目标物品类目，也可以输出属于每个物品类目的识别概率，并将识别概率最高的物品类目确定为目标物品类目。
示例性地，S130可以包括：将目标物品搜索信息输入至物品类目识别模型中进行末级类目的识别，并根据物品类目识别模型的输出确定目标物品类目，其中，目标物品类目是指目标物品所属于的末级类目。
其中，末级类目可以是对物品进行分类后的最后一级类目，也就是划分粒度最细的类目。例如，在将类目可以划分为一级类目、二级类目和三级类目时，末级类目可以是指三级类目。具体地，物品类目识别模型可以用于识别与目标物品搜索信息相匹配的末级类目，从而通过识别出粒度最细的末级类目，可以更加精准地定位出目标物品专有的属性信息，使得后续提取出的属性信息更加准确，进一步提高了物品搜索的准确性。
S140、基于目标物品类目对应的物品属性，对目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息。
其中，目标物品类目可以对应一个或多个物品属性。不同的物品类目可以具有不同的专有属性，也可以具有相同的通用属性，而相同的通用属性对应的属性值是不同的。例如，不同的两个物品类目均具有物品型号这一属性，但在不同的物品类目下，物品型号对应的型号值不同。
具体地，针对目标物品类目对应的每个物品属性而言，可以将该物品属性具有的各个属性值与目标物品搜索信息进行匹配，若匹配成功，则表明目标物品搜索信息包含有匹配成功的目标属性值，此时可以将该物品属性和相应的目标属性值作为目标物品属性信息，从而可以对目标物品搜索信息中的信息所对应的属性含义进行标识，提取出全部的目标物品属性信息，进而可以在目标物品搜索信息输入模糊的情况下准确地进行物品搜索。
S150、基于目标物品属性信息和候选物品集合，确定目标物品搜索结果。
具体地，可以基于提取出的目标物品属性信息，从候选物品集合中确定出与目标物品属性信息相匹配的候选物品，作为目标物品，并可以将目标物品对应的目标物品页面链接信息作为目标物品搜索结果进行展示，以便可以在目标物品页面链接信息对应的目标物品页面中生成目标物品获取任务，即购买目标物品的订单等。
示例性地，S150可以包括：将候选物品集合中的每个候选物品对应的候选物品属性信息与目标物品属性信息进行信息匹配；将信息匹配成功的候选物品作为目标物品，确定出目标物品搜索结果。
具体地，可以将候选物品集合中的每个候选物品对应的候选物品属性信息与目标物品属性信息进行信息匹配，并将具有目标物品属性信息的候选物品作为目标物品，从而基于目标物品属性信息，可以从候选物品集合中更加精准地筛选出目标物品，保证了物品搜索的准确性。
本实施例的技术方案，通过对输入的目标物品搜索信息进行搜索召回确定候选物品集合，并基于物品类目识别模型对目标物品搜索信息进行类目识别，确定目标物品类目，基于标物品类目对应的物品属性，对目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息，从而基于提取出的目标物品属性信息，可以从候选物品集合中确定出更加准确的目标物品搜索结果，保证了物品搜索的准确性，并且搜索过程中无需人员参与，实现了物品的自动搜索，提高了物品搜索效率。
在上述技术方案的基础上，S130可以包括：基于第一物品类目识别模型，对目标物品搜索信息进行类目识别，确定属于每个物品类目的第一识别概率；基于第二物品类目识别模型，对目标物品搜索信息进行类目识别，确定属于每个物品类目的第二识别概率；基于属于每个物品类目的第一识别概率和第二识别概率，确定目标物品类目。
其中，第一物品类目识别模型和第二物品类目识别模型是基于协同训练方式进行模型训练获得的，从而可以在标签数据较少时进行半监督学习，进一步保证模型识别的准确性。第一物品类目识别模型和第二物品类目识别模型可以是具有不同识别方式的两种分类模型。示例性地，第一物品类目识别模型可以为基于字向量识别的分类模型。第二物品类目识别模型可以为基于词向量识别的分类模型。例如，第一物品类目识别模型可以是但不限于：由Bert预训练模型和多层感知器MLP(Multilayer Perceptron)组成的分类模型。第二物品类目识别模型可以是但不限于：FastText分类模型。
具体地，若物品存在类目乱挂混乱的情况时，利用这部分的数据训练物品类目识别模型会影响模型的训练效果，降低模型识别的准确性。针对于此，可以采用协同训练方式训练两个物品类目识别模型，从而可以提高类目识别的准确性。例如，可以利用类目关键字筛选出置信度较高的标签数据，并对标签数据进行有放回抽样，得到D1和D2两个样本数据集，并将D1和D2分别处理为字向量训练集D′1和词向量训练集D′2，并利用D′1和D′2分别对第一物品类目识别模型和第二物品类目识别模型进行协同训练。在协同训练结束后，可以将目标物品搜索信息输入至训练好的第一物品类目识别模型中进行类目识别，并基于第一物品类目识别模型的输出，确定属于每个物品类目的第一识别概率。同理，可以将目标物品搜索信息输入至训练好的第二物品类目识别模型中进行类目识别，并基于第二物品类目识别模型的输出，确定属于每个物品类目的第二识别概率。将属于每个物品类目的第一识别概率和第二识别概率进行相加或者取均值，确定出属于每个物品类目的目标识别概率，并将目标识别概率最高的物品类目作为目标物品类目，从而利用第一物品类目识别模型和第二物品类目识别模型共同进行类目识别，可以进一步提高类目识别的准确性，进而进一步提高物品搜索的准确性。
图2为本发明一个实施例提供的另一种物品搜索方法的流程图，本实施例在上述各实施例的基础上，对属性提取的具体过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例提供的另一种物品搜索方法具体包括以下步骤：
S210、获取输入的目标物品搜索信息。
S220、对目标物品搜索信息进行搜索召回，确定候选物品集合。
S230、基于物品类目识别模型，对目标物品搜索信息进行类目识别，确定目标物品类目。
S240、确定目标物品类目对应的目标信息匹配方式和目标实体识别模型。
其中，不同的物品类目对应不同的信息匹配方式。目标物品类目对应的目标信息匹配方式可以是预先基于目标物品类目对应的属性提取规则设置的信息匹配方式。属性提取规则可以是基于专家经验生成的。目标信息匹配方式可以包括目标物品类目下的每个物品属性对应的信息匹配方式。每个物品属性对应的信息匹配方式可以是但不限于：基于正则表达式匹配的方式或者字符串匹配的方式。
其中，不同的物品类目对应不同的实体识别模型。目标实体识别模型可以用于对输入模型的信息标注出属于目标物品类目下的物品属性信息。目标实体识别模型可以是用于识别实体的任意一种网络模型。例如，目标实体识别模型可以是由Bert预训练模型和条件随机场CRF(conditional random field)组成的网络模型。目标实体识别模型可以是预先基于样本数据和相应的数据标签进行训练获得的。数据标签可以通过人工标注的方式获得。为了增加泛化性同时降低标注数据的工作量，可以利用目标信息匹配方式自动标注出可提取出的属性，剩余的属性再由人工标注。可以基于自动标注属性的损失值
Figure BDA0003724563170000101
和人工标注属性的损失值
Figure BDA0003724563170000102
确定损失函数Lcost，比如
Figure BDA0003724563170000103
其中，λ为比例系数，取值为(0.5,1]，以使目标实体识别模型可以更加关注人工标注的属性，进一步提高模型训练效果。
具体地，可以基于专家经验预先设置每个物品类目对应的信息匹配方式，从而在物品搜索时，可以直接获得目标物品类目对应的目标信息匹配方式。可以预先训练好每个物品类目对应的实体识别模型，从而在物品搜索时，可以直接获得目标物品类目对应的目标实体识别模型，进一步提高物品搜索效率。
S250、基于目标信息匹配方式和/或目标实体识别模型，对目标物品搜索信息进行目标物品类目下的物品属性提取，获得提取出的目标物品属性信息。
具体地，本实施例可以仅基于目标信息匹配方式，对目标物品搜索信息进行目标物品类目下的物品属性提取，获得提取出的目标物品属性信息。例如，可以基于目标物品类目下的每个物品属性对应的正则表达式，对目标物品搜索信息进行匹配，并将匹配成功的物品属性和相应的目标属性信息作为目标物品属性信息；或者，将目标物品类目下的每个物品属性对应的每个可选属性信息与目标物品搜索信息进行匹配，并将匹配成功的物品属性和相应的目标属性信息作为目标物品属性信息。
本实施例也可以仅基于目标实体识别模型，对目标物品搜索信息进行目标物品类目下的物品属性提取，获得提取出的目标物品属性信息。例如，可以将目标物品搜索信息输入至目标实体识别模型中进行目标物品类目下的物品属性的识别，并基于目标实体识别模型的输出，获得目标物品搜索信息中的属性信息的含义，从而获得目标物品属性信息。
本实施例还可以基于目标信息匹配方式和目标实体识别模型相结合的方式，对目标物品搜索信息进行目标物品类目下的物品属性提取，获得提取出的目标物品属性信息，从而可以提取出更加全面准确的属性信息，进一步提高了物品搜索的准确性。
示例性地，S250中的“基于目标信息匹配方式和目标实体识别模型，对目标物品搜索信息进行目标物品类目下的物品属性提取，获得提取出的目标物品属性信息”，可以包括：基于目标信息匹配方式，对目标物品搜索信息进行目标物品类目下的第一物品属性提取，获得提取出的第一物品属性信息；基于目标实体识别模型，对目标物品搜索信息进行目标物品类目下的第二物品属性提取，获得提取出的第二物品属性信息；基于第一物品属性信息和第二物品属性信息，获得提取出的目标物品属性信息。
其中，第一物品属性可以是指利用目标信息匹配方式可匹配出的物品属性。例如，第一物品属性可以是匹配规则明确的物品属性，比如可以枚举的属性或者属性值具有特定结构属性等。第二物品属性可以是指利用目标信息匹配方式无法匹配出的物品属性。例如，第二物品属性可以是匹配规则不明确的物品属性，比如无法枚举的属性等。
具体地，可以利用正则表达式或者字符串匹配的方式，从目标物品搜索信息中提取出目标物品类目下的第一物品属性信息。可以将目标物品搜索信息输入至目标实体识别模型中进行目标物品类目下的第二物品属性的识别，并基于目标实体识别模型的输出，从目标物品搜索信息中提取出目标物品类目下的第二物品属性信息，从而利用目标信息匹配方式和目标实体识别模型相结合的提取方式，可以从目标物品搜索信息中更加准确地提取出所有的目标物品属性信息，进一步提高了物品搜索的准确性。
示例性地，基于目标信息匹配方式，对目标物品搜索信息进行目标物品类目下的第一物品属性提取，获得提取出的第一物品属性信息，可以包括：基于目标物品类目下的第一物品属性对应的正则表达式，提取目标物品搜索信息中的第一物品属性对应的属性信息；或者，将目标物品类目下的第一物品属性对应的每个可选属性信息与目标物品搜索信息进行匹配，确定匹配成功的第一物品属性对应的目标属性信息。
具体地，可以基于目标物品类目下的每个第一物品属性对应的正则表达式，对目标物品搜索信息进行匹配，并将匹配成功的第一物品属性和相应的目标属性信息作为第一物品属性信息；或者，将目标物品类目下的每个第一物品属性对应的每个可选属性信息与目标物品搜索信息进行匹配，并将匹配成功的第一物品属性和相应的目标属性信息作为第一物品属性信息，从而利用明确的匹配规则可以更加准确地提取出属性信息，进一步提高了物品搜索的准确性。
S260、基于目标物品属性信息和候选物品集合，确定目标物品搜索结果。
本实施例的技术方案，通过基于目标信息匹配方式和/或目标实体识别模型，对目标物品搜索信息进行目标物品类目下的物品属性提取，从而可以更加准确地提取出目标物品属性信息，进一步提高了物品搜索的准确性。
以下是本发明实施例提供的物品搜索装置的实施例，该装置与上述各实施例的物品搜索方法属于同一个发明构思，在物品搜索装置的实施例中未详尽描述的细节内容，可以参考上述物品搜索方法的实施例。
图3为本发明一个实施例提供的一种物品搜索装置的结构示意图，本实施例可适用于对预训练模型进行物品搜索的情况，尤其是适用于对物品进行搜索的情况，尤其是适用于搜索工业品的应用场景中。如图3所示，该装置具体包括：目标物品搜索信息获取模块310、候选物品集合确定模块320、目标物品类目确定模块330、物品属性信息提取模块340和物品搜索结果确定模块350。
其中，目标物品搜索信息获取模块310，用于获取输入的目标物品搜索信息；候选物品集合确定模块320，用于对所述目标物品搜索信息进行搜索召回，确定候选物品集合；目标物品类目确定模块330，用于基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；物品属性信息提取模块340，用于基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；物品搜索结果确定模块350，用于基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
本实施例的技术方案，通过对输入的目标物品搜索信息进行搜索召回确定候选物品集合，并基于物品类目识别模型对目标物品搜索信息进行类目识别，确定目标物品类目，基于标物品类目对应的物品属性，对目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息，从而基于提取出的目标物品属性信息，可以从候选物品集合中确定出更加准确的目标物品搜索结果，保证了物品搜索的准确性，并且搜索过程中无需人员参与，实现了物品的自动搜索，提高了物品搜索效率。
可选地，目标物品类目确定模块330，具体用于：
将所述目标物品搜索信息输入至物品类目识别模型中进行末级类目的识别，并根据所述物品类目识别模型的输出确定目标物品类目，其中，所述目标物品类目是指目标物品所属于的末级类目。
可选地，目标物品类目确定模块330，还具体用于：
基于第一物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定属于每个物品类目的第一识别概率；基于第二物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定属于每个物品类目的第二识别概率；基于属于每个物品类目的所述第一识别概率和所述第二识别概率，确定目标物品类目；其中，所述第一物品类目识别模型和所述第二物品类目识别模型是基于协同训练方式进行模型训练获得的。
可选地，所述第一物品类目识别模型为基于字向量识别的分类模型；所述第二物品类目识别模型为基于词向量识别的分类模型。
可选地，物品属性信息提取模块340，包括：
提取方式确定单元，用于确定所述目标物品类目对应的目标信息匹配方式和目标实体识别模型；
物品属性信息提取单元，用于基于所述目标信息匹配方式和/或目标实体识别模型，对所述目标物品搜索信息进行所述目标物品类目下的物品属性提取，获得提取出的目标物品属性信息。
可选地，物品属性信息提取单元，包括：
第一物品属性提取子单元，用于基于所述目标信息匹配方式，对所述目标物品搜索信息进行所述目标物品类目下的第一物品属性提取，获得提取出的第一物品属性信息；
第二物品属性提取子单元，用于基于所述目标实体识别模型，对所述目标物品搜索信息进行所述目标物品类目下的第二物品属性提取，获得提取出的第二物品属性信息；
物品属性信息确定子单元，用于基于所述第一物品属性信息和所述第二物品属性信息，获得提取出的目标物品属性信息。
可选地，第一物品属性提取子单元，具体用于：
基于所述目标物品类目下的第一物品属性对应的正则表达式，提取所述目标物品搜索信息中的第一物品属性对应的属性信息；或者，将所述目标物品类目下的第一物品属性对应的每个可选属性信息与所述目标物品搜索信息进行匹配，确定匹配成功的第一物品属性对应的目标属性信息。
可选地，物品搜索结果确定模块350，具体用于：
将所述候选物品集合中的每个候选物品对应的候选物品属性信息与所述目标物品属性信息进行信息匹配；将信息匹配成功的候选物品作为目标物品，确定出目标物品搜索结果。
本发明实施例所提供的物品搜索装置可执行本发明任意实施例所提供的物品搜索方法，具备执行物品搜索方法相应的功能模块和有益效果。
值得注意的是，上述物品搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图4为本发明一个实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种物品搜索方法步骤，该方法包括：
获取输入的目标物品搜索信息；
对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的物品搜索方法的技术方案。
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的物品搜索方法步骤，该方法包括：
获取输入的目标物品搜索信息；
对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种物品搜索方法，其特征在于，包括：
获取输入的目标物品搜索信息；
对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
2.根据权利要求1所述的方法，其特征在于，所述基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目，包括：
将所述目标物品搜索信息输入至物品类目识别模型中进行末级类目的识别，并根据所述物品类目识别模型的输出确定目标物品类目，其中，所述目标物品类目是指目标物品所属于的末级类目。
3.根据权利要求1所述的方法，其特征在于，所述基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目，包括：
基于第一物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定属于每个物品类目的第一识别概率；
基于第二物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定属于每个物品类目的第二识别概率；
基于属于每个物品类目的所述第一识别概率和所述第二识别概率，确定目标物品类目；
其中，所述第一物品类目识别模型和所述第二物品类目识别模型是基于协同训练方式进行模型训练获得的。
4.根据权利要求3所述的方法，其特征在于，所述第一物品类目识别模型为基于字向量识别的分类模型；所述第二物品类目识别模型为基于词向量识别的分类模型。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息，包括：
确定所述目标物品类目对应的目标信息匹配方式和目标实体识别模型；
基于所述目标信息匹配方式和/或目标实体识别模型，对所述目标物品搜索信息进行所述目标物品类目下的物品属性提取，获得提取出的目标物品属性信息。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标信息匹配方式和目标实体识别模型，对所述目标物品搜索信息进行所述目标物品类目下的物品属性提取，获得提取出的目标物品属性信息，包括：
基于所述目标信息匹配方式，对所述目标物品搜索信息进行所述目标物品类目下的第一物品属性提取，获得提取出的第一物品属性信息；
基于所述目标实体识别模型，对所述目标物品搜索信息进行所述目标物品类目下的第二物品属性提取，获得提取出的第二物品属性信息；
基于所述第一物品属性信息和所述第二物品属性信息，获得提取出的目标物品属性信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述目标信息匹配方式，对所述目标物品搜索信息进行所述目标物品类目下的第一物品属性提取，获得提取出的第一物品属性信息，包括：
基于所述目标物品类目下的第一物品属性对应的正则表达式，提取所述目标物品搜索信息中的第一物品属性对应的属性信息；或者，
将所述目标物品类目下的第一物品属性对应的每个可选属性信息与所述目标物品搜索信息进行匹配，确定匹配成功的第一物品属性对应的目标属性信息。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果，包括：
将所述候选物品集合中的每个候选物品对应的候选物品属性信息与所述目标物品属性信息进行信息匹配；
将信息匹配成功的候选物品作为目标物品，确定出目标物品搜索结果。
9.一种物品搜索装置，其特征在于，包括：
目标物品搜索信息获取模块，用于获取输入的目标物品搜索信息；
候选物品集合确定模块，用于对所述目标物品搜索信息进行搜索召回，确定候选物品集合；
目标物品类目确定模块，用于基于物品类目识别模型，对所述目标物品搜索信息进行类目识别，确定目标物品类目；
物品属性信息提取模块，用于基于所述目标物品类目对应的物品属性，对所述目标物品搜索信息进行属性提取，获得提取出的目标物品属性信息；
物品搜索结果确定模块，用于基于所述目标物品属性信息和所述候选物品集合，确定目标物品搜索结果。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的物品搜索方法。
11.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的物品搜索方法。
CN202210772039.XA 2022-06-30 2022-06-30 一种物品搜索方法、装置、设备和存储介质 Pending CN115017385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210772039.XA CN115017385A (zh) 2022-06-30 2022-06-30 一种物品搜索方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210772039.XA CN115017385A (zh) 2022-06-30 2022-06-30 一种物品搜索方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN115017385A true CN115017385A (zh) 2022-09-06

Family

ID=83078331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210772039.XA Pending CN115017385A (zh) 2022-06-30 2022-06-30 一种物品搜索方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115017385A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228076A (zh) * 2023-05-06 2023-06-06 好停车(北京)信息技术有限公司天津分公司 物品代取方法、装置、存储介质及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228076A (zh) * 2023-05-06 2023-06-06 好停车(北京)信息技术有限公司天津分公司 物品代取方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN107705066B (zh) 一种商品入库时信息录入方法及电子设备
CN106897428B (zh) 文本分类特征提取方法、文本分类方法及装置
CN110580308B (zh) 信息审核方法及装置、电子设备、存储介质
US20130060769A1 (en) System and method for identifying social media interactions
CN110674312B (zh) 构建知识图谱方法、装置、介质及电子设备
CN109918513B (zh) 图像处理方法、装置、服务器及存储介质
CN109598517B (zh) 商品通关处理、对象的处理及其类别预测方法和装置
US20200311071A1 (en) Method and system for identifying core product terms
CN109086265B (zh) 一种语义训练方法、短文本中多语义词消歧方法
CN113064964A (zh) 文本分类方法、模型训练方法、装置、设备以及存储介质
CN111444304A (zh) 搜索排序的方法和装置
CN111767738A (zh) 一种标签校验方法、装置、设备和存储介质
CN113159355A (zh) 数据预测方法、装置、物流货量预测方法、介质、设备
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN111782793A (zh) 智能客服处理方法和系统及设备
CN110874534A (zh) 数据处理方法和数据处理装置
CN111738791B (zh) 一种文本处理方法、装置、设备和存储介质
CN115017385A (zh) 一种物品搜索方法、装置、设备和存储介质
CN113177121A (zh) 文本主题分类方法、装置、电子设备以及存储介质
CN112989050A (zh) 一种表格分类方法、装置、设备及存储介质
CN109165283B (zh) 资源推荐方法、装置、设备及存储介质
CN111460206A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN114201622B (zh) 获取事件信息的方法、装置、电子设备和存储介质
CN108733702B (zh) 用户查询上下位关系提取的方法、装置、电子设备和介质
CN116048463A (zh) 基于标签管理的需求项内容智能推荐方法及装置

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