CN116756404A - 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 - Google Patents
一种搜索场景的滚动词推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116756404A CN116756404A CN202310742542.5A CN202310742542A CN116756404A CN 116756404 A CN116756404 A CN 116756404A CN 202310742542 A CN202310742542 A CN 202310742542A CN 116756404 A CN116756404 A CN 116756404A
- Authority
- CN
- China
- Prior art keywords
- search
- keyword
- click
- historical
- keywords
- 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
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 126
- 230000006399 behavior Effects 0.000 claims description 23
- 238000007477 logistic regression Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000012827 research and development Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 244000141359 Malus pumila Species 0.000 description 3
- 235000011430 Malus pumila Nutrition 0.000 description 3
- 235000015103 Malus silvestris Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
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
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种搜索场景的滚动词推荐方法、装置、设备及存储介质，涉及研发管理技术领域。本申请通过计算历史搜索关键词和历史点击关键词的关键词相似度得分，获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数，基于搜索次数和点击次数计算关键词点击率，将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率，根据搜索滚动词点击概率进行搜索滚动词推荐。此外，本申请还涉及区块链技术，各种关键词可存储于区块链中。本申请可以在训练数据量较少的情况下，训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，提升用户使用体验。
Description
技术领域
本申请涉及研发管理技术领域，具体涉及一种搜索场景的滚动词推荐方法、装置、设备及存储介质。
背景技术
搜索滚动词是搜索app在搜索框中基于热门数据或个人偏好推荐不同搜索query或产品title的功能，推荐的时候既要考虑用户的历史搜索内容，也要考虑点击转化率，而且滚动词需要实时根据搜索和点击变化。
在项目起步时，由于没有足够多的点击数据，因此很难训练基于点击日志的大型推荐模型，且搜索滚供词模块受限于资源数量，无法嵌套太多的大型模型，否则会导致推理过慢，影响用户使用体验。
发明内容
本申请实施例的目的在于提出一种搜索场景的滚动词推荐方法、装置、计算机设备及存储介质，以解决现有滚动词推荐方案在项目起步时，由于没有足够多的点击数据以训练大型推荐模型，导致用户使用体验较差的技术问题。
为了解决上述技术问题，本申请实施例提供一种搜索场景的滚动词推荐方法，采用了如下所述的技术方案：
一种搜索场景的滚动词推荐方法，包括：
获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分；
获取所述历史搜索关键词对应的搜索次数，以及获取所述历史点击关键词对应的点击次数；
基于所述搜索次数和所述点击次数计算关键词点击率；
将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率；
根据所述搜索滚动词点击概率进行搜索滚动词推荐。
进一步地，所述获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分，具体包括：
分别从搜索场景下的历史操作数据中获取所述历史搜索关键词和所述历史点击关键词；
对所述历史搜索关键词进行向量转换，得到搜索关键词向量；
对所述历史点击关键词进行向量转换，得到点击关键词向量；
基于所述搜索关键词向量和所述点击关键词向量计算所述关键词相似度得分。
进一步地，所述基于所述搜索关键词向量和所述点击关键词向量计算所述关键词相似度得分，具体包括：
计算所述搜索关键词向量与所述点击关键词向量之间的余弦相似度；
将所述余弦相似度作为所述搜索关键词向量和所述点击关键词向量的关键词相似度得分。
进一步地，所述基于所述搜索次数和所述点击次数计算关键词点击率，具体包括：
利用所述点击次数除以所述搜索次数，得到所述关键词点击率。
进一步地，所述将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率，具体包括：
对所述搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表；
将所述新的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率。
进一步地，所述对所述搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表，具体包括：
获取用户的历史行为数据；
对所述历史行为数据进行关键词提取，得到历史行为关键词；
基于所述历史行为关键词计算行为关键词得分；
基于所述关键词得分对所述搜索滚动词列表中的滚动关键词进行赋权，得到所述新的搜索滚动词列表。
进一步地，所述将所述新的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率，具体包括：
基于所述回归模型的输入构建训练集和测试集；
读取所述训练集构建特征向量和目标向量，其中，基于所述关键词相似度得分和所述关键词点击率构建所述特征向量，基于所述新的搜索滚动词列表构建所述目标向量；
创建逻辑回归模型对象，并基于所述特征向量和所述目标向量对所述逻辑回归模型对象进行拟合，得到拟合模型；
读取所述训练集，并生成训练集特征向量，将所述训练集特征向量导入所述拟合模型，输出所述搜索滚动词点击概率。
为了解决上述技术问题，本申请实施例还提供一种搜索场景的滚动词推荐装置，采用了如下所述的技术方案：
一种搜索场景的滚动词推荐装置，包括：
相似度计算模块，用于获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分；
数据统计模块，用于获取所述历史搜索关键词对应的搜索次数，以及获取所述历史点击关键词对应的点击次数；
点击率计算模块，用于基于所述搜索次数和所述点击次数计算关键词点击率；
点击概率预测模块，用于将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率；
滚动词推荐模块，用于根据所述搜索滚动词点击概率进行搜索滚动词推荐。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的搜索场景的滚动词推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的搜索场景的滚动词推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开一种搜索场景的滚动词推荐方法、装置、设备及存储介质，涉及研发管理技术领域。本申请通过获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；基于搜索次数和点击次数计算关键词点击率；将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；根据搜索滚动词点击概率进行搜索滚动词推荐。本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的搜索场景的滚动词推荐方法的一个实施例的流程图；
图3示出了根据本申请的搜索场景的滚动词推荐装置的一个实施例的结构示意图；
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，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、无线通信链路或者光纤电缆等等。
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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，本申请实施例所提供的搜索场景的滚动词推荐方法一般由服务器执行，相应地，搜索场景的滚动词推荐装置一般设置于服务器中。
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。
继续参考图2，示出了根据本申请的搜索场景的滚动词推荐方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在目前的搜索场景的滚动词推荐场景中，在项目起步时，由于没有足够多的点击数据，因此很难训练基于点击日志的大型推荐模型，且搜索滚供词模块受限于资源数量，无法嵌套太多的大型模型，否则会导致推理过慢，影响用户使用体验。
本申请公开一种搜索场景的滚动词推荐方法、装置、设备及存储介质，涉及研发管理技术领域，本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
所述的搜索场景的滚动词推荐方法，包括以下步骤：
S201，获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分。
历史搜索关键词和历史点击关键词都属于搜索滚动词列表中的关键词，搜索滚动词列表是系统开发初期开发人员预设的关键词列表，用于辅助用户完成搜索任务。
在本实施例中，搜索场景的滚动词推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收各种数据或指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中，从搜索场景下的历史操作数据中获取历史搜索关键词和历史点击关键词，并基于预设的相似度算法计算历史搜索关键词和历史点击关键词的关键词相似度得分，比如基于词袋模型的余弦相似度算法或基于词向量的余弦相似度算法。
进一步地，获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分，具体包括：
分别从搜索场景下的历史操作数据中获取历史搜索关键词和历史点击关键词；
对历史搜索关键词进行向量转换，得到搜索关键词向量；
对历史点击关键词进行向量转换，得到点击关键词向量；
基于搜索关键词向量和点击关键词向量计算关键词相似度得分。
在本实施例中，服务器分别从搜索场景下的历史操作数据中获取历史搜索关键词和历史点击关键词，并使用词袋模型或者预训练的词向量模型分别对历史搜索关键词和历史点击关键词进行向量转换，得到搜索关键词向量和点击关键词向量，基于搜索关键词向量和点击关键词向量计算关键词相似度得分。
进一步地，基于搜索关键词向量和点击关键词向量计算关键词相似度得分，具体包括：
计算搜索关键词向量与点击关键词向量之间的余弦相似度；
将余弦相似度作为搜索关键词向量和点击关键词向量的关键词相似度得分。
在本实施例中，服务器通过计算搜索关键词向量与点击关键词向量之间的余弦相似度，并将余弦相似度作为搜索关键词向量和点击关键词向量的关键词相似度得分。
例如，假设搜索关键词为"苹果手机"，点击关键词中有两个关键词分别为"苹果手机"和"华为手机"，可以先对这些关键词进行文本处理，比如去除停用词、分词等。然后，将搜索关键词和点击关键词都转换成向量表示，可以使用词袋模型或者预训练的词向量模型来得到向量表示。可以使用余弦相似度公式计算搜索关键词向量和点击关键词向量的相似度得分，公式如下：
其中，similarity表示余弦相似度，表示搜索关键词向量，/>表示点击关键词向量，*表示向量点乘操作，||表示向量的模。
余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估它们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。
假设使用词袋模型表示向量，则可以将每个关键词表示成一个稀疏的向量，向量中的每个维度表示一个单词，取值为该单词在搜索词中出现的次数，假设搜索关键词和点击关键词都表示成词袋模型向量，如下表所示：
表1搜索关键词和点击关键词的向量表示
| 苹果 | 手机 | 华为 | |
| 搜索关键词 | 1 | 1 | 0 |
| 点击关键词1 | 1 | 1 | 0 |
| 点击关键词2 | 0 | 1 | 1 |
则搜索关键词向量和点击关键词向量1的关键词相似度得分为：
搜索关键词向量和点击关键词向量2的关键词相似度得分为：
通过类似的方式，可以计算搜索关键词和点击关键词的相似度得分，并将它们作为特征输入到线性模型中进行训练和预测。
S202，获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数。
在本实施例中，服务器通过从搜索场景下的历史操作数据中获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数。
S203，基于搜索次数和点击次数计算关键词点击率。
在本实施例中，服务器利用点击次数除以搜索次数，得到关键词点击率。
计算每个关键词的点击率可以使用历史操作数据中统计的搜索次数和点击次数来估计。假设某个搜索滚动词为"电影"，可以统计历史操作数据中包含"电影"关键词的搜索次数和点击次数，然后将点击次数除以搜索次数来得到点击率。
例如，假设在过去的一段时间内，有100次搜索包含"电影"关键词，其中有20次被点击了，那么"电影"的点击率就是20％，这个点击率可以作为特征之一，用来预测该搜索滚动词被点击的概率。
S204，将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率。
在本实施例中，回归模型可以是逻辑回归模型或线性回归模型等简单的线性模型，将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，通过模型训练，获得回归模型输出的搜索滚动词点击概率。
在上述实施例中，本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
进一步地，将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率，具体包括：
对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表；
将新的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率。
在本实施例中，在进行回归模型训练之前，还可以预先对搜索滚动词列表中的关键词进行调整，通过对搜索滚动词列表中的滚动关键词进行赋权，使得每一个滚动关键词获得不同的权重值，生成新的搜索滚动词列表，将新的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率。
进一步地，对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表，具体包括：
获取用户的历史行为数据；
对历史行为数据进行关键词提取，得到历史行为关键词；
基于历史行为关键词计算行为关键词得分；
基于关键词得分对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表。
在本实施例中，可以获取用户的历史行为数据，分析历史行为数据，对历史行为数据进行关键词提取，得到历史行为关键词，基于历史行为关键词计算行为关键词得分，基于关键词得分对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表。
例如，设置一个赋权方案，根据计算的行为关键词得分进行赋权，每一个行为关键词得分对应一个权重值，行为关键词得分可以根据搜索次数和点击次数来计算，例如，关键词“A”的搜索次数和点击次数总和为p，所有关键词的搜索次数和点击次数总和为q，计算行为关键词得分为s＝p/q，根据行为关键词得分s为关键词“A”赋权。
需要额外说明的是，也可以根据用户的历史数据计算出每个关键词的点击率，并给点击率较高的关键词设置更高的权重，然后将关键词相似度得分和点击率加权，作为回归模型的输入。这样就可以结合权重方案进一步提升推荐的精准度。同时也可以结合用户数据进行赋权，比如用户i d、性别、城市等等进行赋权。
例如，针对某个用户，如果历史数据分析表明其对"篮球鞋"这个关键词的点击率更高，可以给予该关键词更高的权重，以提高其在搜索滚动词推荐中的排序权重。而对于其他用户，可能会根据其历史点击记录和个人偏好等因素，为其分配不同的关键词权重，以达到更好的个性化推荐效果。
进一步地，将新的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率，具体包括：
基于回归模型的输入构建训练集和测试集；
读取训练集构建特征向量和目标向量，其中，基于关键词相似度得分和关键词点击率构建特征向量，基于新的搜索滚动词列表构建目标向量；
创建逻辑回归模型对象，并基于特征向量和目标向量对逻辑回归模型对象进行拟合，得到拟合模型；
读取训练集，并生成训练集特征向量，将训练集特征向量导入拟合模型，输出搜索滚动词点击概率。
在本实施例中，将新的搜索滚动词列表、关键词相似度得分和关键词点击率划分训练集和测试集，其中，训练集包括特征向量和目标向量，基于关键词相似度得分和关键词点击率构建特征向量，基于新的搜索滚动词列表构建目标向量。测试集中的测试样本只包括关键词相似度得分和关键词点击率。
服务器读取训练集构建特征向量和目标向量，然后创建逻辑回归模型对象，并基于特征向量和目标向量对逻辑回归模型对象进行拟合，得到拟合模型，读取训练集，并生成训练集特征向量，将训练集特征向量导入拟合模型，输出搜索滚动词点击概率。
假设有一个包含以下特征的训练集：携带权重特征的搜索滚动词列表Word List、关键词相似度得分similarity和关键词点击率click_rate，搜索滚动词列表Word List中统计了各个滚动关键词的点击次数，即表示为click_Word List。
可以使用逻辑回归模型来预测搜索滚动词的点击概率。逻辑回归是一种分类模型，它可以将输入特征映射到0和1之间的概率值，表示样本属于某个类别的概率。
以下是一个简单的例子，基于python演示如何使用逻辑回归模型来预测搜索滚动词的点击概率：
import pandas as pd
from sklearn.linear_model import LogisticRegression
#读取训练数据集
train_df＝pd.read_csv("train.csv")
#定义特征和目标向量
X_train＝train_df[['similarity','click_rate']]
y_train＝train_df['click_Word List']
#创建逻辑回归模型对象
lr_model＝LogisticRegression()
#拟合模型
lr_model.fit(X_train,y_train)
#读取测试数据集
test_df＝pd.read_csv("test.csv")
#获取测试集特征向量
X_test＝test_df[['similarity','click_rate']]
#预测测试集中每个样本的点击概率
y_pred＝lr_model.predict_proba(X_test)[:,1]
#将预测结果存储在结果集中
result_df＝pd.DataFrame({'scrolling_word':test_df['scrolling_word'],'click_prob':y_pred})
#按点击概率排序并输出前几个搜索滚动词作为推荐结果
result_df＝result_df.sort_values('click_prob',ascending＝False)
recommendations＝result_df['scrolling_word'].head(10)
print(recommendations)
在这个例子中，首先将训练数据集中的特征和目标向量定义为similarity、click_rate以及click_WordList，分别表示搜索滚动词与用户历史搜索的文本相似度得分和搜索滚动词在历史点击记录中的点击率和搜索滚动词显示结果。然后，创建了一个逻辑回归模型对象，使用fit方法拟合模型。接下来，我们读取测试数据集，获取测试集特征向量，使用predict_proba方法预测测试集中每个样本的点击概率，并将结果存储在结果集中。最后，我们将结果按点击概率从高到低排序，并输出前几个搜索滚动词作为推荐结果。
S205，根据搜索滚动词点击概率进行搜索滚动词推荐。
在本实施例中，服务器根据回归模型输出的搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
在上述实施例中，本申请公开一种搜索场景的滚动词推荐方法，涉及研发管理技术领域。本申请通过获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；基于搜索次数和点击次数计算关键词点击率；将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；根据搜索滚动词点击概率进行搜索滚动词推荐。本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
需要强调的是，为进一步保证上述关键词的私密和安全性，上述关键词还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种搜索场景的滚动词推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的搜索场景的滚动词推荐装置300包括：
相似度计算模块301，用于获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；
数据统计模块302，用于获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；
点击率计算模块303，用于基于搜索次数和点击次数计算关键词点击率；
点击概率预测模块304，用于将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；
滚动词推荐模块305，用于根据搜索滚动词点击概率进行搜索滚动词推荐。
进一步地，相似度计算模块301具体包括：
关键词获取单元，用于分别从搜索场景下的历史操作数据中获取历史搜索关键词和历史点击关键词；
第一向量转换单元，用于对历史搜索关键词进行向量转换，得到搜索关键词向量；
第二向量转换单元，用于对历史点击关键词进行向量转换，得到点击关键词向量；
相似度计算单元，用于基于搜索关键词向量和点击关键词向量计算关键词相似度得分。
进一步地，相似度计算单元具体包括：
相似度计算子单元，用于计算搜索关键词向量与点击关键词向量之间的余弦相似度；
得分计算子单元，用于将余弦相似度作为搜索关键词向量和点击关键词向量的关键词相似度得分。
进一步地，点击率计算模块303具体包括：
点击率计算单元，用于利用点击次数除以搜索次数，得到关键词点击率。
进一步地，点击概率预测模块304具体包括：
关键词赋权单元，用于对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表；
点击概率预测单元，用于将新的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率。
进一步地，关键词赋权单元具体包括：
行为数据获取子单元，用于获取用户的历史行为数据；
行为关键词提取子单元，用于对历史行为数据进行关键词提取，得到历史行为关键词；
行为得分计算子单元，用于基于历史行为关键词计算行为关键词得分；
关键词赋权子单元，用于基于关键词得分对搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表。
进一步地，点击概率预测单元具体包括：
数据集创建子单元，用于基于回归模型的输入构建训练集和测试集；
向量构建子单元，用于读取训练集构建特征向量和目标向量，其中，基于关键词相似度得分和关键词点击率构建特征向量，基于新的搜索滚动词列表构建目标向量；
目标特征拟合子单元，用于创建逻辑回归模型对象，并基于特征向量和目标向量对逻辑回归模型对象进行拟合，得到拟合模型；
点击概率预测子单元，用于读取训练集，并生成训练集特征向量，将训练集特征向量导入拟合模型，输出搜索滚动词点击概率。
在上述实施例中，本申请公开一种搜索场景的滚动词推荐装置，涉及研发管理技术领域。本申请通过获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；基于搜索次数和点击次数计算关键词点击率；将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；根据搜索滚动词点击概率进行搜索滚动词推荐。本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如搜索场景的滚动词推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述搜索场景的滚动词推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中，本申请公开一种计算机设备，涉及研发管理技术领域。本申请通过获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；基于搜索次数和点击次数计算关键词点击率；将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；根据搜索滚动词点击概率进行搜索滚动词推荐。本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的搜索场景的滚动词推荐方法的步骤。
在上述实施例中，本申请公开一种存储介质，涉及研发管理技术领域。本申请通过获取历史搜索关键词和历史点击关键词，并计算历史搜索关键词和历史点击关键词的关键词相似度得分；获取历史搜索关键词对应的搜索次数，以及获取历史点击关键词对应的点击次数；基于搜索次数和点击次数计算关键词点击率；将预设的搜索滚动词列表、关键词相似度得分和关键词点击率作为回归模型的输入，并获取回归模型输出的搜索滚动词点击概率；根据搜索滚动词点击概率进行搜索滚动词推荐。本申请可以在训练数据量较少的情况下，结合关键词相似度得分和关键词点击率训练回归模型这种简单线性模型来实现搜索滚动词点击概率预测，通过搜索滚动词点击概率进行搜索滚动词推荐，提升用户使用体验。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种搜索场景的滚动词推荐方法，其特征在于，包括：
获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分；
获取所述历史搜索关键词对应的搜索次数，以及获取所述历史点击关键词对应的点击次数；
基于所述搜索次数和所述点击次数计算关键词点击率；
将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率；
根据所述搜索滚动词点击概率进行搜索滚动词推荐。
2.如权利要求1所述的搜索场景的滚动词推荐方法，其特征在于，所述获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分，具体包括：
分别从搜索场景下的历史操作数据中获取所述历史搜索关键词和所述历史点击关键词；
对所述历史搜索关键词进行向量转换，得到搜索关键词向量；
对所述历史点击关键词进行向量转换，得到点击关键词向量；
基于所述搜索关键词向量和所述点击关键词向量计算所述关键词相似度得分。
3.如权利要求2所述的搜索场景的滚动词推荐方法，其特征在于，所述基于所述搜索关键词向量和所述点击关键词向量计算所述关键词相似度得分，具体包括：
计算所述搜索关键词向量与所述点击关键词向量之间的余弦相似度；
将所述余弦相似度作为所述搜索关键词向量和所述点击关键词向量的关键词相似度得分。
4.如权利要求1所述的搜索场景的滚动词推荐方法，其特征在于，所述基于所述搜索次数和所述点击次数计算关键词点击率，具体包括：
利用所述点击次数除以所述搜索次数，得到所述关键词点击率。
5.如权利要求1所述的搜索场景的滚动词推荐方法，其特征在于，所述将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率，具体包括：
对所述搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表；
将所述新的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率。
6.如权利要求5所述的搜索场景的滚动词推荐方法，其特征在于，所述对所述搜索滚动词列表中的滚动关键词进行赋权，得到新的搜索滚动词列表，具体包括：
获取用户的历史行为数据；
对所述历史行为数据进行关键词提取，得到历史行为关键词；
基于所述历史行为关键词计算行为关键词得分；
基于所述关键词得分对所述搜索滚动词列表中的滚动关键词进行赋权，得到所述新的搜索滚动词列表。
7.如权利要求5所述的搜索场景的滚动词推荐方法，其特征在于，所述将所述新的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率，具体包括：
基于所述回归模型的输入构建训练集和测试集；
读取所述训练集构建特征向量和目标向量，其中，基于所述关键词相似度得分和所述关键词点击率构建所述特征向量，基于所述新的搜索滚动词列表构建所述目标向量；
创建逻辑回归模型对象，并基于所述特征向量和所述目标向量对所述逻辑回归模型对象进行拟合，得到拟合模型；
读取所述训练集，并生成训练集特征向量，将所述训练集特征向量导入所述拟合模型，输出所述搜索滚动词点击概率。
8.一种搜索场景的滚动词推荐装置，其特征在于，包括：
相似度计算模块，用于获取历史搜索关键词和历史点击关键词，并计算所述历史搜索关键词和所述历史点击关键词的关键词相似度得分；
数据统计模块，用于获取所述历史搜索关键词对应的搜索次数，以及获取所述历史点击关键词对应的点击次数；
点击率计算模块，用于基于所述搜索次数和所述点击次数计算关键词点击率；
点击概率预测模块，用于将预设的搜索滚动词列表、所述关键词相似度得分和所述关键词点击率作为回归模型的输入，并获取所述回归模型输出的搜索滚动词点击概率；
滚动词推荐模块，用于根据所述搜索滚动词点击概率进行搜索滚动词推荐。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的搜索场景的滚动词推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的搜索场景的滚动词推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310742542.5A CN116756404A (zh) | 2023-06-20 | 2023-06-20 | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310742542.5A CN116756404A (zh) | 2023-06-20 | 2023-06-20 | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116756404A true CN116756404A (zh) | 2023-09-15 |
Family
ID=87952939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310742542.5A Pending CN116756404A (zh) | 2023-06-20 | 2023-06-20 | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756404A (zh) |
-
2023
- 2023-06-20 CN CN202310742542.5A patent/CN116756404A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| US11314806B2 (en) | Method for making music recommendations and related computing device, and medium thereof | |
| US20190188285A1 (en) | Image Search with Embedding-based Models on Online Social Networks | |
| US20190392258A1 (en) | Method and apparatus for generating information | |
| CN112231569B (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
| CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
| US9767417B1 (en) | Category predictions for user behavior | |
| CN113569129A (zh) | 点击率预测模型处理方法、内容推荐方法、装置及设备 | |
| US10474670B1 (en) | Category predictions with browse node probabilities | |
| CN116821475A (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
| CN113569118B (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
| WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
| US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission | |
| CN117057855A (zh) | 一种数据处理方法及相关装置 | |
| CN116578774A (zh) | 一种预估排序方法、装置、计算机设备及存储介质 | |
| CN116910357A (zh) | 一种数据处理方法及相关装置 | |
| CN115309865A (zh) | 基于双塔模型的交互式检索方法、装置、设备及存储介质 | |
| CN116756404A (zh) | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 | |
| JP2022111020A (ja) | 文書類似度学習に基づくディープラーニングモデルの転移学習方法およびコンピュータ装置 | |
| CN113792549B (zh) | 一种用户意图识别的方法、装置、计算机设备及存储介质 | |
| CN117788842B (zh) | 图像检索方法及相关装置 | |
| CN113792342B (zh) | 一种脱敏数据还原的方法、装置、计算机设备及存储介质 | |
| CN116796729A (zh) | 基于特征强化的文本推荐方法、装置、设备及存储介质 | |
| CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
| CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 |
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 |