CN117786242B - 一种基于位置的搜索方法及相关装置 - Google Patents
一种基于位置的搜索方法及相关装置 Download PDFInfo
- Publication number
- CN117786242B CN117786242B CN202410209590.2A CN202410209590A CN117786242B CN 117786242 B CN117786242 B CN 117786242B CN 202410209590 A CN202410209590 A CN 202410209590A CN 117786242 B CN117786242 B CN 117786242B
- Authority
- CN
- China
- Prior art keywords
- target
- preset
- search
- target search
- recall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 443
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 20
- 238000013473 artificial intelligence Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000070023 Phoenicopterus roseus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种基于位置的搜索方法及相关装置,应用于地图等场景。针对具有基于位置的搜索意图的目标搜索请求,将目标搜索请求输入预设生成模型进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单、明确;结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象,以准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索;将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果,使得目标搜索结果更符合基于位置的搜索场景。
Description
技术领域
本申请涉及搜索技术领域,特别是涉及一种基于位置的搜索方法及相关装置。
背景技术
随着人工智能技术的快速发展,在搜索场景中可以通过生成式模型理解搜索请求的搜索意图,从而生成符合搜索意图的搜索结果,以提升搜索体验。
相关技术中,通常是将搜索请求输入生成式模型直接进行生成式搜索,以便该生成式模型直接输出搜索请求的搜索结果。
然而,在基于位置的搜索场景中,使用生成式模型直接进行生成式搜索,存在搜索精度较低的问题,无法满足基于位置的高搜索精度需求。
发明内容
为了解决上述技术问题,本申请提供了一种基于位置的搜索方法及相关装置,在基于位置的搜索场景中,通过生成式模型提取搜索请求的搜索位置、限定条件、搜索对象等搜索要素,能够简单、准确地明确搜索请求的基于位置的搜索意图;在此基础上,从模型外部的多个预设对象中召回目标对象,并通过生成式模型整合搜索请求和目标对象,能够有效、准确地补充并指导针对搜索请求的生成式搜索,以便生成具有高搜索精度的搜索结果,从而满足基于位置的高搜索精度需求。
本申请实施例公开了如下技术方案:
一方面,本申请实施例提供一种基于位置的搜索方法,所述方法包括:
通过预设生成模型对目标搜索请求进行要素提取,获得所述目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;所述目标搜索请求具有基于位置的搜索意图;
根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象;
通过所述预设生成模型对所述目标搜索请求和所述目标召回对象进行结果生成,获得所述目标搜索请求的目标搜索结果。
另一方面,本申请实施例提供一种基于位置的搜索装置,所述装置包括:提取单元、召回单元和生成单元;
所述提取单元,用于通过预设生成模型对目标搜索请求进行要素提取,获得所述目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;所述目标搜索请求具有基于位置的搜索意图;
所述召回单元,用于根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象;
所述生成单元,用于通过所述预设生成模型对所述目标搜索请求和所述目标召回对象进行结果生成,获得所述目标搜索请求的目标搜索结果。
另一方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行前述任一方面所述的方法。
另一方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行前述任一方面所述的方法。
另一方面,本申请实施例提供一种计算机程序产品,包括计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行前述任一方面所述的方法。
由上述技术方案可以看出,针对具有基于位置的搜索意图的目标搜索请求,将目标搜索请求输入预设生成模型进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,实现将目标搜索请求简化为基于目标搜索位置和目标限定条件搜索目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单化、准确化;以此结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象,实现从模型外部获取搜索结果的参考数据,用于准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索;将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果,使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度。基于此,该方法在基于位置的搜索场景中,通过生成式模型提取搜索请求的搜索位置、限定条件、搜索对象等搜索要素,能够简单、准确地明确搜索请求的基于位置的搜索意图;在此基础上,从模型外部的多个预设对象中召回目标对象,并通过生成式模型整合搜索请求和目标对象,能够有效、准确地补充并指导针对搜索请求的生成式搜索,以便生成具有高搜索精度的搜索结果,从而满足基于位置的高搜索精度需求。
附图说明
为了更清楚地说明本申请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作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术成员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于位置的搜索方法的系统示意图;
图2为本申请实施例提供的一种基于位置的搜索方法的流程图;
图3为本申请实施例提供的一种在多个预设对象的多个预设对象数据包括多个对象表示向量和多个对象属性索引基础上基于位置的搜索方法的示意图;
图4为本申请实施例提供的一种将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象数据对应的多个预设对象要素的示意图;
图5为本申请实施例提供的另一种在多个预设对象的多个预设对象数据包括多个对象表示向量和多个对象属性索引基础上基于位置的搜索方法的示意图;
图6为本申请实施例提供的一种基于位置的搜索装置的结构图;
图7为本申请实施例提供的一种服务器的结构图;
图8为本申请实施例提供的一种终端的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
现阶段,针对搜索场景中搜索请求,一般是将搜索请求输入生成式模型直接进行生成式搜索,该生成式模型直接输出搜索请求的搜索结果。但是,经过研究发现,在基于位置的搜索场景中,针对搜索请求而言,需要高搜索精度的搜索结果,使用生成式模型直接进行生成式搜索,输出的搜索结果的搜索精度较低,无法满足基于位置的高搜索精度需求。
本申请实施例提供一种基于位置的搜索方法,该方法在基于位置的搜索场景中,通过生成式模型提取搜索请求的搜索位置、限定条件、搜索对象等搜索要素,能够简单、准确地明确搜索请求的基于位置的搜索意图;在此基础上,从模型外部的多个预设对象中召回目标对象,并通过生成式模型整合搜索请求和目标对象,能够有效、准确地补充并指导针对搜索请求的生成式搜索,以便生成具有高搜索精度的搜索结果,从而满足基于位置的高搜索精度需求。
接下来,将对基于位置的搜索方法的系统架构进行介绍。参见图1,图1为本申请实施例提供的一种基于位置的搜索方法的系统示意图,该系统包括计算机设备100,该计算机设备100用于执行基于位置的搜索方法。
计算机设备100通过预设生成模型对目标搜索请求进行要素提取,获得目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;目标搜索请求具有基于位置的搜索意图。
作为一种示例,目标搜索请求为地图搜索请求,预设生成模型为生成式语言模型;则计算机设备100将地图搜索请求输入生成式语言模型进行要素提取,输出地图搜索请求的目标搜索位置、目标限定条件和目标搜索对象,例如,目标position、目标condition和目标object。
计算机设备100根据目标搜索位置、目标限定条件、目标搜索对象、以及多个预设对象对应的多个预设对象数据,对多个预设对象进行对象召回,获得目标搜索请求的目标召回对象。
作为一种示例,在上述示例的基础上,多个预设对象为多个预设object,多个预设object对应的多个预设对象数据为多个预设object数据;则计算机设备100结合多个预设object数据,从多个预设object中召回匹配目标position、目标condition和目标object的预设object,作为地图搜索请求的目标召回对象,例如,目标召回object。
计算机设备100通过预设生成模型对目标搜索请求和目标召回对象进行结果生成,获得目标搜索请求的目标搜索结果。
作为一种示例,在上述示例的基础上,计算机设备100将地图搜索请求和目标召回object输入生成式语言模型进行结果生成,输出地图搜索请求的目标搜索结果,例如,包括目标召回object的生成式搜索结果。
也就是说,本申请实施例提供的基于位置的搜索方法,针对具有基于位置的搜索意图目标搜索请求,将目标搜索请求输入预设生成模型进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,实现将目标搜索请求简化为基于目标搜索位置和目标限定条件搜索目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单化、准确化;以此结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象,实现从模型外部获取搜索结果的参考数据,用于准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索;将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果,使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度。
需要说明的是,本申请实施例中目标搜索位置等相关数据收集处理,在本申请实施例应用时应该严格根据相关国家法律法规的要求,获取相关数据主体的知情同意或单独同意,并在法律法规及相关数据主体的授权范围内,开展后续相关数据使用及处理行为。
需要说明的是,在本申请实施例基于位置的搜索方法涉及到人工智能。而人工智能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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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、预训练模型技术、操作/交互系统、机电一体化等。其中,预训练模型又称大模型、基础模型,经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、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。在本申请实施例中,人工智能技术主要涉及到自然语言处理技术、和机器学习/深度学习等技术。
自然语言处理是计算机科学领域与人工智能领域中的重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理涉及自然语言,即人们日常使用的语言,与语言学研究密切;同时涉及计算机科学和数学。人工智能领域模型训练的重要技术,预训练模型,即是从自然语言处理领域的大语言模型发展而来。经过微调,大语言模型可以广泛应用于下游任务。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习/深度学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。预训练模型是深度学习的最新发展成果,融合了以上技术。
需要说明的是,在本申请实施例中,计算机设备可以是服务器或终端,本申请实施例提供的方法可以由终端或服务器单独执行,也可以由终端和服务器配合执行。其中,当本申请实施例提供的方法由终端或服务器单独执行时,其执行方法与图1对应的实施例类似,主要是将计算机设备换成终端或服务器。此外,当本申请实施例提供的方法由终端和服务器配合执行时,需要体现在前端界面上的步骤可以由终端执行,而一些需要后台计算、无需体现在前端界面上的步骤可以由服务器执行。
其中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、车载终端、智能电视、扩展现实设备或飞行器等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器,但并不局限于此。终端和服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。例如终端和服务器可以通过网络连接,该网络可以是有线或无线网络。
此外,本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶、自动驾驶、数字人、虚拟人、虚拟现实、增强现实、混合现实、音视频等。
接下来,将以计算机设备执行本申请实施例提供的方法为例、结合附图对本申请实施例提供的基于位置的搜索方法进行详细介绍。参见图2,图2为本申请实施例提供的一种基于位置的搜索方法的流程图,方法包括:
S201:通过预设生成模型对目标搜索请求进行要素提取,获得目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;目标搜索请求具有基于位置的搜索意图。
由于相关技术中,通过生成式模型对搜索请求直接进行生成式搜索,得到搜索请求的搜索结果。但是,在基于位置的搜索场景中,搜索请求的搜索结果需要具有高搜索精度,使用生成式模型直接进行生成式搜索所得的搜索结果的搜索精度较低,无法满足基于位置的高搜索精度需求。
因此,本申请实施例中,为了解决上述问题,考虑到生成式模型缺少位置信息且具有一定的幻觉倾向,导致在基于位置的搜索场景中,使用生成式模型对搜索请求直接进行生成式搜索,所得搜索结果的搜索精度较低;基于此,针对基于位置的搜索请求而言,需要提取搜索要素以便简单地明确基于位置的搜索意图,从而后续从模型外部获取搜索结果的参考数据,避免生成式模型缺少位置信息并产生幻觉,以便提升搜索精度。
即,针对具有基于位置的搜索意图的目标搜索请求,将目标搜索请求输入预设生成模型,按照搜索位置、限定条件和搜索对象组成的搜索要素,对目标搜索请求进行数据提取,实现对目标搜索请求进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象。
其中,目标搜索请求是指具有基于位置的搜索意图的搜索请求;预设生成模型是预训练模型(Pre-trainingModel,PTM),即,预先训练的生成式模型;要素提取是指按照搜索位置、限定条件和搜索对象等预设维度对搜索请求进行数据提取;目标搜索位置是指目标搜索请求的搜索请求内容中的位置数据,或,目标搜索请求携带的位置数据;目标限定条件是指目标搜索请求的搜索请求内容中限定待搜索的核心对象的条件数据,例如,目标搜索请求的搜索请求内容中限定待搜索的核心对象的标签数据、品牌数据、评价数据等条件数据;目标搜索对象是指目标搜索请求的搜索请求内容中待搜索的核心对象。
上述PTM也称基石模型、大模型,指具有大参量的深度神经网络(Deepneuralnetwork,DNN),在海量未标记的数据上对其进行训练,利用大参量DNN的函数近似能力使PTM在数据上提取共性特征,经微调(finetune)、参数高效微调(Parameter-Efficient Fine-Tuning,PEFT)、提示微调(prompt-tuning)等技术,适用于下游任务;因此,PTM可以在小样本(Few-shot)或零样本(Zero-shot)场景下达到理想效果。
上述PTM按照处理的数据模态可以分为语言模型、视觉模型、语音模型、多模态模型;语言模型例如可以是嵌入语言模型(Embedding from Language Models,ELMO)、基于Transformers的双向编码模型(Bidirectional Encoder Representations fromTransformers,BERT)或生成式语言模型(Generative Pre-Trained Transformer,GPT)等;视觉模型例如可以是基于transformer的注意力机制模型(swin-transformer)、基于transformer的视觉模型(vision transformer,ViT)或ViT稀疏变体(VisionMoE,V-MOE)等;语音模型例如可以是语音合成模型VALL-E等;多模态模型例如可以是基于Transformers的视觉语言模型(Vision-and-Language BERT,ViLBERT)、基于对比学习的预训练多模态模型(Contrastive Language-Image Pre-Training,CLIP)、视觉语言模型Flamingo、通才智能体Gato等;其中,多模态模型指建立两种或以上数据模态特征表示的模型。PTM是输出人工智能生成内容(Artificial Intelligence Generated Content,AIGC)重要工具,也可以作为连接多个具体任务模型的通用接口。
该S201实现将目标搜索请求简化为基于目标搜索位置和目标限定条件搜索目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单化、准确化;为后续从模型外部获取搜索结果的参考数据,以准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索,提供简单的、准确的更符合基于位置的搜索场景的实际搜索要素。
作为S201的一种示例,目标搜索请求为“X地点附近教育水平高的学校”,预设生成模型为GPT;计算机设备将“X地点附近教育水平高的学校”输入GPT进行要素提取,输出“X地点附近教育水平高的学校”的目标搜索位置、目标限定条件和目标搜索对象分别为“X地点”、“教育水平高的”和“学校”。
S202:根据目标搜索位置、目标限定条件、目标搜索对象、以及多个预设对象对应的多个预设对象数据,对多个预设对象进行对象召回,获得目标搜索请求的目标召回对象。
本申请实施例中,在提取基于位置的搜索请求的搜索要素,以便明确基于位置的搜索意图之后;为了解决上述问题,还需要通过模型外部的、基于位置的多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配搜索要素的预设对象,实现从模型外部获取搜索结果的参考数据,以便避免生成式模型产生幻觉,从而提升搜索精度。
基于此,在执行S201提取目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象之后;还需要结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象。
其中,多个预设对象是指预设生成模型外部的对象知识库存储的基于位置的多个对象;多个预设对象数据是指多个预设对象的对象描述数据;对象召回是指从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象;目标召回对象是指多个预设对象中匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象。
该S202实现从模型外部获取搜索结果的参考数据,用于准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索;为后续使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度,提供丰富的、准确的更符合基于位置的搜索场景的相关搜索结果。
作为S202的一种示例,在上述S201的示例基础上,多个预设对象为多个预设object,多个预设object对应的多个预设对象数据为多个预设object数据;则计算机设备结合多个预设object数据,从多个预设object中召回匹配“X地点”、“教育水平高的”和“学校”的预设object,作为“X地点附近教育水平高的学校”的目标召回对象,例如,“学校1”、“学校2”、……、“学校N”,N为正整数。
S203:通过预设生成模型对目标搜索请求和目标召回对象进行结果生成,获得目标搜索请求的目标搜索结果。
本申请实施例中,在从模型外部的多个预设对象中召回匹配搜索要素的预设对象之后;为了解决上述问题,还需要通过预设生成模型对基于位置的搜索请求、以及多个预设对象中匹配搜索要素的预设对象进行结果生成,得到基于位置的搜索请求的搜索结果,使得搜索结果更符合基于位置的搜索场景,以便避免生成式模型产生幻觉,从而提升搜索精度。
基于此,在执行S202从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象之后,还需要将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果。
其中,结果生成是指将目标搜索请求和目标召回对象整合生成为符合用户期望的目标搜索结果;目标搜索结果是预设生成模型针对目标搜索请求和目标召回对象生成的生成式搜索结果。
该S203使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度,从而满足基于位置的高搜索精度需求。
作为S203的一种示例,在上述S202的示例基础上,计算机设备将“X地点附近教育水平高的学校”和“学校1”、“学校2”、……、“学校N”输入GPT进行结果生成,输出“X地点附近教育水平高的学校”的目标搜索结果,例如,包括“学校1”、“学校2”、……、“学校N”的生成式搜索结果Y。
由上述技术方案可以看出,针对具有基于位置的搜索意图的目标搜索请求,将目标搜索请求输入预设生成模型进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,实现将目标搜索请求简化为基于目标搜索位置和目标限定条件搜索目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单化、准确化;以此结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象,实现从模型外部获取搜索结果的参考数据,用于准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索;将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果,使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度。基于此,该方法在基于位置的搜索场景中,通过生成式模型提取搜索请求的搜索位置、限定条件、搜索对象等搜索要素,能够简单、准确地明确搜索请求的基于位置的搜索意图;在此基础上,从模型外部的多个预设对象中召回目标对象,并通过生成式模型整合搜索请求和目标对象,能够有效、准确地补充并指导针对搜索请求的生成式搜索,以便生成具有高搜索精度的搜索结果,从而满足基于位置的高搜索精度需求。
本申请实施例中,上述S202具体实现时,可以采用如下具体实现方式:
一种S202的具体实现方式是指:考虑到多个预设对象数据可以从空间层面、向量形式表示多个预设对象的对象描述数据,即,多个预设对象数据可以是多个对象表示向量;因此,在S202具体实现时,需要先将目标搜索位置、目标限定条件和目标搜索对象表示为目标搜索请求的目标要素向量;再计算目标要素向量与多个对象表示向量之间的多个第一相似度;以便按照多个第一相似度,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象。基于此,本申请提供了一种可能的实现方式,多个预设对象数据为多个对象表示向量;S202包括如下S202a-S202c(图中未示出):
S202a:对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索请求的目标要素向量。
其中,在S202a具体实现时,可以是:对目标搜索位置进行向量表示,获得目标搜索位置的目标位置向量;对目标限定条件进行向量表示,获得目标限定条件的目标条件向量;对目标搜索对象进行向量表示,获得目标搜索对象的目标对象向量;根据目标位置向量、目标条件向量和目标对象向量,确定目标要素向量。
S202b:对目标要素向量和多个对象表示向量进行相似度计算,获得目标要素向量与多个对象表示向量之间的多个第一相似度。
其中,在S202b具体实现时,可以是:对目标要素向量和每个对象表示向量进行相似度计算,得到目标要素向量与每个对象表示向量之间的第一相似度;对目标要素向量与每个对象表示向量之间的第一相似度进行汇集,得到目标要素向量与多个对象表示向量之间的多个第一相似度。
S202c:根据多个第一相似度对多个预设对象进行对象召回,获得目标召回对象。
其中,在S202c具体实现时,可以是:根据多个第一相似度中大于或等于预设相似度的第一相似度,对多个预设对象进行对象召回,获得目标召回对象。其中,预设相似度表示预设对象匹配目标搜索位置、目标限定条件和目标搜索对象的下限相似度。
其中,多个对象表示向量是指从空间层面、向量形式表示多个预设对象的对象描述数据;目标要素向量包括目标搜索位置的目标位置向量、目标限定条件的目标条件向量、以及目标搜索对象的目标对象向量;多个第一相似度是指多个预设对象与目标搜索位置、目标限定条件和目标搜索对象的匹配程度。
该S202a-S202c通过目标搜索请求的目标要素向量与多个预设对象的多个对象表示向量之间的相似度,从空间层面、向量形式表示多个预设对象与目标搜索位置、目标限定条件和目标搜索对象的匹配程度;能够简单、快速、有效地从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象。
作为S202a-S202c的一种示例,在上述S202的示例基础上,多个预设object数据为多个object表示向量,则计算机设备先将“X地点”、“教育水平高的”和“学校”表示为目标搜索请求的目标要素向量;再计算目标要素向量与多个object表示向量之间的多个第一相似度;以便按照多个第一相似度,从多个预设object中召回匹配“X地点”、“教育水平高的”和“学校”的预设object,作为“X地点附近教育水平高的学校”的目标召回对象,例如,“学校1”、“学校2”、……、“学校N”。
另一种S202的具体实现方式是指:考虑到多个预设对象数据可以从属性层面、索引形式表示多个预设对象的对象描述数据,即,多个预设对象数据可以是多个对象属性索引;因此,在S202具体实现时,在目标搜索位置、目标限定条件和目标搜索对象表示目标搜索请求的目标搜索要素基础上,需要在多个对象属性索引中确定目标搜索要素匹配的目标属性索引,以便按照目标属性索引即可从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象。基于此,本申请提供了一种可能的实现方式,多个预设对象数据为多个对象属性索引;上述S202包括如下S202d-S202f(图中未示出):
S202d:根据目标搜索位置、目标限定条件和目标搜索对象,确定目标搜索请求的目标搜索要素。
S202e:在多个对象属性索引中确定目标搜索要素匹配的目标属性索引。
S202f:根据目标属性索引对多个预设对象进行对象召回,获得目标召回对象。
其中,多个对象属性索引是指从属性层面、索引形式表示多个预设对象的对象描述数据;目标搜索要素包括目标搜索位置、目标限定条件和目标搜索对象;目标属性索引是指多个对象属性索引中匹配目标搜索位置、目标限定条件和目标搜索对象的对象属性索引。
该S202d-S202f通过多个对象属性索引从属性层面、索引形式表示多个预设对象是否匹配目标搜索要素;能够简单、快速、准确地从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象。
作为S202d-S202f的一种示例,在上述S202的示例基础上,多个预设object数据为多个object属性索引,则计算机设备将“X地点”、“教育水平高的”和“学校”作为目标搜索请求的目标搜索要素;在多个object属性索引中确定目标搜索要素匹配的目标属性索引;以便按照目标属性索引从多个预设object中召回匹配“X地点”、“教育水平高的”和“学校”的预设object,作为“X地点附近教育水平高的学校”的目标召回对象,例如,“学校1”、“学校2”、……、“学校N”。
又一种S202的具体实现方式是指:考虑到上述S202a-S202c中目标搜索请求的目标要素向量和多个预设对象的多个对象表示向量表示语义信息,从多个预设对象中召回出语义匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象;而上述S202d-S202f通过多个对象属性索引从属性表示多个预设对象是否匹配目标搜索要素,从多个预设对象中召回属性匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象。因此,可以既通过上述S202a-S202c表示的具体实现方式,从多个预设对象中召回的语义匹配目标搜索位置、目标限定条件和目标搜索对象的第一召回对象;又通过上述S202d-S202f表示的具体实现方式,从多个预设对象中召回属性匹配目标搜索位置、目标限定条件和目标搜索对象的第二召回对象,融合第一召回对象和第二召回对象,作为目标搜索请求的目标召回对象;能够更准确、更全面地从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象。基于此,本申请提供了一种可能的实现方式,多个预设对象数据包括多个对象表示向量和多个对象属性索引;上述S202包括如下S202g-S202m图中未示出):
S202g:对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索请求的目标要素向量。
S202h:对目标要素向量和多个对象表示向量进行相似度计算,获得目标要素向量与多个对象表示向量之间的多个第一相似度。
S202i:根据多个第一相似度对多个预设对象进行对象召回,获得第一召回对象。
S202j:根据目标搜索位置、目标限定条件和目标搜索对象,确定目标搜索请求的目标搜索要素。
S202k:在多个对象属性索引中确定目标搜索要素匹配的目标属性索引。
S202l:根据目标属性索引对多个预设对象进行对象召回,获得第二召回对象。
S202m:对第一召回对象和第二召回对象进行对象融合,获得目标召回对象。
其中,第一召回对象是指多个预设对象中语义匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象;第二召回对象是指多个预设对象中属性匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象。
该S202g-S202m一方面通过目标搜索请求的目标要素向量和多个预设对象的多个对象表示向量之间的相似度,从空间层面、向量形式表示多个预设对象与目标搜索位置、目标限定条件和目标搜索对象的匹配程度;另一方面通过多个对象属性索引从属性层面、索引形式表示多个预设对象是否匹配目标搜索要素;从而能够简单、快速、有效、准确、全面地从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的目标召回对象。
作为S202g-S202m的一种示例,参见图3,图3为本申请实施例提供的一种在多个预设对象的多个预设对象数据包括多个对象表示向量和多个对象属性索引基础上基于位置的搜索方法的示意图;对目标搜索请求进行基于预设生成模型的要素提取,得到目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;根据目标搜索位置、目标限定条件、目标搜索对象、以及多个对象表示向量,对多个预设对象进行向量召回,得到第一召回对象,根据目标搜索位置、目标限定条件、目标搜索对象、以及多个对象属性索引,对多个预设对象进行倒排索引召回,得到第二召回对象;对第一召回对象和第二召回对象进行对象融合,得到目标召回对象;对目标搜索请求和目标召回对象进行基于预设生成模型的结果生成,得到目标搜索请求的目标搜索结果。其中,向量召回步骤参见上述S202g-S202i,倒排索引召回步骤参见上述S202j-S202l。
此外,本申请实施例中,进一步考虑到生成式模型缺少位置信息,为了使得上述S201提取的目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,更匹配基于位置的通用搜索要素,以进一步提升上述S202从多个预设对象中召回的目标召回对象的准确度,从而进一步提升上述S203生成的目标搜索结果的准确度;因此,在基于位置场景的多个预设对象对应的多个预设对象数据基础上,还可以预先按照搜索位置、限定条件和搜索对象中的一种或多种所组成的搜索要素,对多个预设对象数据进行数据提取,实现对多个预设对象数据进行要素提取,得到多个预设对象数据对应的多个预设对象要素;其中,多个预设对象要素包括多个预设对象位置、多个预设限定条件和多个预设对象中的一种或多种。
在此基础上,将目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象要素;即,将目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,转换为多个预设对象要素中匹配的预设对象要素;从而得到目标搜索位置的对齐搜索位置、目标限定条件的对齐限定条件和目标搜索对象的对齐搜索对象。
由于对齐搜索位置、对齐限定条件、对齐搜索对象与基于位置场景的通用搜索要素不存在偏差,则在上述S202具体实现时,在对齐搜索位置、对齐限定条件、对齐搜索对象的基础上,结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配对齐搜索位置、对齐限定条件、对齐搜索对象的预设对象,作为目标搜索请求的目标召回对象,能够进一步提升从多个预设对象中召回的目标召回对象的准确度,从而能够进一步提升后续生成的目标搜索结果的准确度。基于此,本申请提供了一种可能的实现方式,方法还包括如下S1-S2(图中未示出):
S1:对多个预设对象数据进行要素提取,获得多个预设对象数据对应的多个预设对象要素;多个预设对象要素包括多个预设对象位置、多个预设限定条件和多个预设对象中的一种或多种。
S2:根据多个预设对象要素对目标搜索位置、目标限定条件和目标搜索对象进行要素对齐,获得目标搜索位置的对齐搜索位置、目标限定条件的对齐限定条件和目标搜索对象的对齐搜索对象。
对应地,上述S202具体为S202n(图中未示出):根据对齐搜索位置、对齐限定条件、对齐搜索对象、以及多个预设对象数据,对多个预设对象进行对象召回,获得目标召回对象。
其中,预设搜索位置是指预设对象数据中的位置数据;预设限定条件是指预设对象数据中限定预设对象的条件数据,例如,预设对象数据中限定预设对象的标签数据、品牌数据、评价数据等条件数据;对齐搜索位置是指多个预设对象要素中与目标搜索位置匹配的预设对象要素;对齐限定条件是指多个预设对象要素中与目标限定条件匹配的预设对象要素;对齐搜索对象是指多个预设对象要素中与目标搜索对象匹配的预设对象要素。
该S1-S2和该S202n将目标搜索位置、目标限定条件和目标搜索对象,对齐为基于位置的多个预设对象对应的多个预设对象要素中语义匹配的预设对象要素,能够减少与基于位置的通用搜索要素的偏差,以此在多个预设对象中进行对象召回,使得召回的目标召回对象更准确,从而使得生成的目标搜索结果更准确。
作为S1-S2和S202n的一种示例,在上述S201的示例基础上,多个预设对象为多个预设object,多个预设object对应的多个预设对象数据为多个预设object数据;则计算机设备预先按照搜索位置、限定条件和搜索对象中的一种或多种所组成的搜索要素,对多个预设object数据进行数据提取,得到多个预设object数据对应的多个预设对象要素为多个预设object要素;计算机设备将“X地点”、“教育水平高的”和“学校”对齐多个预设object要素,得到“X地点”的对齐搜索位置、“教育水平高的”的对齐限定条件和“学校”的对齐搜索对象;计算机设备结合多个预设object数据,从多个预设object中召回匹配对齐搜索位置、对齐限定条件、对齐搜索对象的预设object,作为“X地点附近教育水平高的学校”的目标召回对象。
此外,本申请实施例中,在将目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象要素过程中,为了减少对齐工作量,进一步提升对齐效果;考虑到可以从空间层面、向量形式更简单地表示多个预设对象要素,还可以预先将多个预设对象要素表示为多个预设要素向量;在此基础上,在上述S2具体实现时,先将目标搜索位置、目标限定条件和目标搜索对象分别表示为目标位置向量、目标条件向量和目标对象向量;再计算目标位置向量与多个预设要素向量之间的多个第二相似度,计算目标条件向量与多个预设要素向量之间的多个第三相似度,以及计算目标对象向量与多个预设要素向量之间的多个第四相似度;以便按照多个第二相似度、多个第三相似度、多个第四相似度,将目标搜索位置、目标限定条件和目标搜索转化为多个预设对象要素中匹配的预设对象要素,即可简单、快速、全面地实现将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象要素,从而得到对齐搜索位置、对齐限定条件和对齐搜索对象。基于此,本申请提供了一种可能的实现方式,方法还包括S3(图中未示出):对多个预设对象要素进行向量表示,获得多个预设对象要素对应的多个预设要素向量;对应地,S2包括如下S2a-S2c(图中未示出):
S2a:对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索位置的目标位置向量、目标限定条件的目标条件向量和目标搜索对象的目标对象向量。
S2b:根据目标位置向量、目标条件向量、目标对象向量、以及多个预设要素向量进行相似度计算,获得目标位置向量与多个预设要素向量之间的多个第二相似度、目标条件向量与多个预设要素向量之间的多个第三相似度、以及目标对象向量与多个预设要素向量之间的多个第四相似度。
S2c:根据多个第二相似度、多个第三相似度、多个第四相似度、以及多个预设对象要素,对目标搜索位置、目标限定条件和目标搜索对象进行要素对齐,获得对齐搜索位置、对齐限定条件和对齐搜索对象。
其中,多个预设要素向量是指从空间层面、向量形式表示多个预设对象要素;目标位置向量是指从空间层面、向量形式表示目标搜索位置;目标条件向量是指从空间层面、向量形式表示目标限定条件;目标对象向量是指从空间层面、向量形式表示目标搜索对象;多个第二相似度是指目标搜索位置与多个预设对象要素的匹配程度;多个第三相似度是指目标限定条件与多个预设对象要素的匹配程度;多个第四相似度是指目标搜索对象与多个预设对象要素的匹配程度。
该S3和该S2a-S2c通过目标位置向量、目标条件向量、目标对象向量分别与多个预设要素向量之间的相似度,从空间层面、向量形式表示目标搜索位置、目标限定条件、目标搜索对象与多个预设对象要素的匹配程度;能够简单、快速、全面地实现将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象要素。
作为S3和S2a-S2c的一种示例,在上述S1-S2的示例基础上,预先将多个预设object要素表示为多个预设要素向量;计算机设备先将“X地点”、“教育水平高的”和“学校”分别表示为目标位置向量、目标条件向量和目标对象向量,例如,目标position向量、目标condition向量和目标object向量;计算机设备再计算目标position向量与多个预设要素向量之间的多个第二相似度,计算目标condition向量与多个预设要素向量之间的多个第三相似度,以及计算目标object向量与多个预设要素向量之间的多个第四相似度;以便计算机设备按照多个第二相似度、多个第三相似度、多个第四相似度,将“X地点”、“教育水平高的”和“学校”对齐多个预设object要素,从而得到“X地点”的对齐搜索位置、“教育水平高的”的对齐限定条件和“学校”的对齐搜索对象。
此外,本申请实施例中,多个预设对象要素的数据量较大,则多个预设要素向量的数据量较大,在多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量中的多种情况下;为了更快速、更准确地计算目标位置向量与多个预设要素向量之间的多个第二相似度、目标条件向量与多个预设要素向量之间的多个第三相似度、以及目标对象向量与多个预设要素向量之间的多个第四相似度;还可以预先针对多个预设要素向量中多个预设位置向量构建位置向量索引,针对多个预设要素向量中多个预设条件向量构建条件向量索引,并针对多个预设要素向量中多个预设对象向量构建对象向量索引;在此基础上,在上述S2b具体实现时,计算目标位置向量和位置向量索引对应的多个预设位置向量之间的多个第二相似度;计算目标条件向量和条件向量索引对应的多个预设条件向量之间的多个第三相似度;计算目标对象向量和对象向量索引对应的多个预设对象向量之间的多个第四相似度。基于此,本申请提供了一种可能的实现方式,多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量中的多种,方法还包括S4(图中未示出):对多个预设要素向量中多个预设位置向量进行索引构建,获得多个预设位置向量的位置向量索引;对多个预设要素向量中多个预设条件向量进行索引构建,获得多个预设条件向量的条件向量索引;对多个预设要素向量中多个预设对象向量进行索引构建,获得多个预设对象向量的对象向量索引;对应地,S2b包括如下S2b1-S2b3(图中未示出):
S2b1:对目标位置向量和位置向量索引对应的多个预设位置向量进行相似度计算,获得目标位置向量与多个预设位置向量之间的多个第二相似度。
S2b2:对目标条件向量和条件向量索引对应的多个预设条件向量进行相似度计算,获得目标条件向量与多个预设条件向量之间的多个第三相似度。
S2b3:对目标对象向量和对象向量索引对应的多个预设对象向量进行相似度计算,获得目标对象向量与多个预设对象向量之间的多个第四相似度。
其中,位置向量索引用于指向多个预设要素向量中多个预设位置向量;条件向量索引用于指向多个预设要素向量中多个预设条件向量;对象向量索引用于指向多个预设要素向量中多个预设对象向量。
该S4和该S2b1-S2b3通过位置向量索引、条件向量索引和对象向量索引,无需盲目地分别与多个预设要素向量计算相似度,而是针对目标位置向量、目标条件向量和目标对象向量,分别准确地指引与多个预设要素向量中相对应的预设要素向量计算相似度;从而能够更快速、更准确地实现将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象要素。
作为S4和S2b1-S2b3的一种示例,在上述S2a-S2c的示例基础上,多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量,分别为多个预设position向量、多个预设condition向量和多个预设object向量;计算机设备还可以预先针对多个预设position向量构建位置向量索引,例如,position向量索引;针对多个预设condition向量构建条件向量索引,例如,condition向量索引;并针对多个预设object向量构建对象向量索引,例如,object向量索引。计算机设备计算目标position向量和position向量索引对应的多个预设position向量之间的多个第二相似度;计算目标condition向量和condition向量索引对应的多个预设condition向量之间的多个第三相似度;并计算目标object向量和object向量索引对应的多个预设object向量之间的多个第四相似度。
参见图4,图4为本申请实施例提供的一种将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象数据对应的多个预设对象要素的示意图;对多个预设对象数据进行要素提取,得到多个预设对象数据对应的多个预设对象要素,即,多个预设对象位置、多个预设限定条件和多个预设对象;对多个预设对象位置、多个预设限定条件和多个预设对象进行向量表示,得到多个预设对象位置对应的多个预设位置向量、多个预设限定条件对应的多个预设条件向量、以及多个预设对象对应的多个预设对象向量;对多个预设位置向量进行索引构建,得到多个预设位置向量的位置向量索引;对多个预设条件向量进行索引构建,得到多个预设条件向量的条件向量索引;对多个预设对象向量进行索引构建,得到多个预设对象向量的对象向量索引。
在此基础上,对目标搜索请求进行基于预设生成模型的要素提取,得到目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象之后;对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,得到目标搜索位置的目标位置向量、目标限定条件的目标条件向量和目标搜索对象的目标对象向量;对目标位置向量和位置向量索引对应的多个预设位置向量进行相似度计算,得到目标位置向量与多个预设位置向量之间的多个第二相似度;对目标条件向量和条件向量索引对应的多个预设条件向量进行相似度计算,得到目标条件向量与多个预设条件向量之间的多个第三相似度;对目标对象向量和对象向量索引对应的多个预设对象向量进行相似度计算,得到目标对象向量与多个预设对象向量之间的多个第四相似度;根据多个第二相似度、多个第三相似度、多个第四相似度、以及多个预设对象要素(多个预设对象位置、多个预设限定条件和多个预设对象),对目标搜索位置、目标限定条件和目标搜索对象进行要素对齐,得到对齐搜索位置、对齐限定条件和对齐搜索对象。
参见图5,图5为本申请实施例提供的另一种在多个预设对象的多个预设对象数据包括多个对象表示向量和多个对象属性索引基础上基于位置的搜索方法的示意图;对目标搜索请求进行基于预设生成模型的要素提取,得到目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;结合图4将目标搜索位置、目标限定条件和目标搜索对象对齐多个预设对象数据对应的多个预设对象要素,得到对齐搜索位置、对齐限定条件和对齐搜索对象;根据对齐搜索位置、对齐限定条件、对齐搜索对象、以及多个对象表示向量,对多个预设对象进行向量召回,得到第四召回对象,根据对齐搜索位置、对齐限定条件、对齐搜索对象、以及多个对象属性索引,对多个预设对象进行倒排索引召回,得到第五召回对象;对第四召回对象和第五召回对象进行对象融合,得到目标召回对象;对目标搜索请求和目标召回对象进行基于预设生成模型的结果生成,得到目标搜索请求的目标搜索结果。
本申请实施例中,上述S201具体实现时,进一步考虑到基于预设生成模型进行要素提取,需要消耗一定时间和一定资源,为了在兼顾搜索精度的基础上节省时间和资源,可以在目标搜索请求具有基于位置的复杂搜索意图、存在很多干扰数据的基础上,将目标搜索请求输入预设生成模型,按照搜索位置、限定条件和搜索对象组成的搜索要素,对目标搜索请求进行数据提取,实现对目标搜索请求进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象。基于此,本申请提供了一种可能的实现方式,上述S201具体为S201a(图中未示出):若目标搜索请求具有基于位置的复杂搜索意图,通过预设生成模型对目标搜索请求进行要素提取,获得目标搜索位置、目标限定条件和目标搜索对象。
其中,目标搜索请求具有基于位置的复杂搜索意图可以是指目标搜索请求的搜索请求内容的目标内容量大于或等于预设内容量。
综上,在地图搜索场景中,针对多个目标搜索请求,分别通过基于预设生成模型的搜索方法、基于预设生成模型+对象知识库的搜索方法、基于预设生成模型+对象知识库+搜索位置对齐的搜索方法、以及基于预设生成模型+对象知识库+搜索位置对齐+限定条件对齐的搜索方法实现搜索,对应的搜索精度如下表所示:
表不同搜索方法对应的不同搜索精度
基于此,基于预设生成模型+对象知识库的搜索方法、基于预设生成模型+对象知识库+搜索位置对齐的搜索方法、以及基于预设生成模型+对象知识库+搜索位置对齐+限定条件对齐的搜索方法,能够提高基于位置的搜索场景的搜索精度。
此外,本申请实施例中,为了进一步节省要素提取所消耗的时间和资源,针对基于位置的简单搜索意图的目标搜索请求,可以在目标搜索请求的基础上,直接结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索请求的预设对象,作为目标搜索请求的第三召回对象;将目标搜索请求和第三召回对象输入预设生成模型进行结果生成,从而输出目标搜索请求的生成式搜索结果。基于此,本申请提供了一种可能的实现方式,方法还包括如下S5-S6(图中未示出):
S5:若目标搜索请求具有基于位置的简单搜索意图,根据目标搜索请求和多个预设对象数据,对多个预设对象进行对象召回,获得目标搜索请求的第三召回对象。
S6:通过预设生成模型对目标搜索请求和第三召回对象进行结果生成,获得目标搜索请求的生成式搜索结果。
其中,第三召回对象是指多个预设对象中匹配目标搜索请求的预设对象;生成式搜索结果是预设生成模型针对目标搜索请求和第三召回对象的生成式搜索结果。
作为S5-S6的一种示例,目标搜索请求为“Z地点附近的公司”具有基于位置的简单搜索意图,预设生成模型为GPT,多个预设对象为多个预设object,多个预设object对应的多个预设对象数据为多个预设object数据;计算机设备在“Z地点附近的公司”的基础上,直接结合多个预设object数据,从多个预设object中召回匹配“Z地点附近的公司”的预设object,作为“Z地点附近的公司”的第三召回对象,例如,“公司1”、“公司2”、……、“公司M”,M为正整数。计算机设备将“Z地点附近的公司”和“公司1”、“公司2”、……、“公司M”输入GPT进行结果生成,输出“Z地点附近的公司”的生成式搜索结果,例如,包括“公司1”、“公司2”、……、“公司M”的生成式搜索结果W。
本申请实施例中,上述S203具体实现时,由于结果生成是指将目标搜索请求和目标召回对象整合生成为符合用户期望的目标搜索结果;因此,先需要按照目标搜索请求和目标召回对象,生成表示用户期望的目标提示数据;再通过预设生成模型按照目标提示数据生成符合用户期望的搜索结果,作为目标搜索请求的目标搜索结果。基于此,本申请提供了一种可能的实现方式,上述S203包括如下S203a-S203b(图中未示出):
S203a:对目标搜索请求和目标召回对象进行提示生成,获得目标提示数据。
S203b:通过预设生成模型对目标提示数据进行结果生成,获得目标搜索结果。
其中,目标提示数据用于指导预设生成模型生成符合用户期望的、目标搜索请求的搜索结果。
作为S203a-S203b的一种示例,在上述S203的示例基础上,计算机设备将“X地点附近教育水平高的学校”和“学校1”、“学校2”、……、“学校N”输入GPT进行提示生成,得到目标提示数据,例如,目标prompt;并对目标prompt进行结果生成,输出“X地点附近教育水平高的学校”的目标搜索结果,例如,包括“学校1”、“学校2”、……、“学校N”的生成式搜索结果Y。
此外,本申请实施例中,为了在生成式模型缺少位置信息情况下,使得上述S201提取的目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,更匹配基于位置的通用搜索要素,以进一步提升上述S202从多个预设对象中召回的目标召回对象的准确度,从而进一步提升上述S203生成的目标搜索结果的准确度;在多个基于位置的搜索请求对应的多个请求解析要素,相较于目标搜索位置、目标限定条件和目标搜索对象更符合基于位置的搜索场景基础上,还可以按照多个基于位置的搜索请求对应的多个请求解析要素,校正目标搜索位置、目标限定条件和目标搜索对象;即,将目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,转换为多个请求解析要素中匹配的请求解析要素;从而得到目标搜索位置的校正搜索位置、目标限定条件的校正限定条件和目标搜索对象的校正搜索对象。
由于校正搜索位置、校正限定条件、校正搜索对象与基于位置场景的通用搜索要素基本上不存在偏差,则在上述S202具体实现时,在校正搜索位置、校正限定条件、校正搜索对象的基础上,结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配校正搜索位置、校正限定条件、校正搜索对象的预设对象,作为目标搜索请求的目标召回对象,能够进一步提升从多个预设对象中召回的目标召回对象的准确度,从而能够进一步提升后续生成的目标搜索结果的准确度。基于此,本申请提供了一种可能的实现方式,方法还包括S7(图中未示出):根据多个基于位置的搜索请求对应的多个请求解析要素,对目标搜索位置、目标限定条件和目标搜索对象进行要素校正,获得校正搜索位置、校正限定条件和校正搜索对象;
对应地,上述S202具体为S202o(图中未示出):根据校正搜索位置、校正限定条件、校正搜索对象、以及多个预设对象数据,对多个预设对象进行对象召回,获得目标召回对象。
其中,校正搜索位置是指多个请求解析要素中与目标搜索位置匹配的请求解析要素;校正限定条件是指多个请求解析要素中与目标限定条件匹配的请求解析要素;校正搜索对象是指多个请求解析要素中与目标搜索对象匹配的请求解析要素。
该S7和该S202o将目标搜索位置、目标限定条件和目标搜索对象,校正为多个基于位置的搜索请求对应的多个请求解析要素中语义匹配的请求解析要素,能够减少与基于位置的通用搜索要素的偏差,以此在多个预设对象中进行对象召回,使得召回的目标召回对象更准确,从而使得生成的目标搜索结果更准确。
作为S7和S202o的一种示例,在上述S201的示例基础上,多个预设对象为多个预设object,多个预设object对应的多个预设对象数据为多个预设object数据;则计算机设备按照多个基于位置的搜索请求对应的多个请求解析要素,校正“X地点”、“教育水平高的”和“学校”,得到“X地点”的校正搜索位置、“教育水平高的”的校正限定条件和“学校”的校正搜索对象;计算机设备结合多个预设object数据,从多个预设object中召回匹配校正搜索位置、校正限定条件、校正搜索对象的预设object,作为“X地点附近教育水平高的学校”的目标召回对象。
需要说明的是,本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
基于图2对应实施例提供的基于位置的搜索方法,本申请实施例还提供一种基于位置的搜索装置,参见图6,图6为本申请实施例提供的一种基于位置的搜索装置的结构图,该基于位置的搜索装置600包括:提取单元601、召回单元602和生成单元603;
提取单元601,用于通过预设生成模型对目标搜索请求进行要素提取,获得目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;目标搜索请求具有基于位置的搜索意图;
召回单元602,用于根据目标搜索位置、目标限定条件、目标搜索对象、以及多个预设对象对应的多个预设对象数据,对多个预设对象进行对象召回,获得目标搜索请求的目标召回对象;
生成单元603,用于通过预设生成模型对目标搜索请求和目标召回对象进行结果生成,获得目标搜索请求的目标搜索结果。
在一种可能的实现方式中,召回单元602,具体用于:
对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索请求的目标要素向量;
对目标要素向量和多个对象表示向量进行相似度计算,获得目标要素向量与多个对象表示向量之间的多个第一相似度;
根据多个第一相似度对多个预设对象进行对象召回,获得目标召回对象。
在一种可能的实现方式中,召回单元602,具体用于:
根据目标搜索位置、目标限定条件和目标搜索对象,确定目标搜索请求的目标搜索要素;
在多个对象属性索引中确定目标搜索要素匹配的目标属性索引;
根据目标属性索引对多个预设对象进行对象召回,获得目标召回对象。
在一种可能的实现方式中,召回单元602,具体用于:
对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索请求的目标要素向量;
对目标要素向量和多个对象表示向量进行相似度计算,获得目标要素向量与多个对象表示向量之间的多个第一相似度;
根据多个第一相似度对多个预设对象进行对象召回,获得第一召回对象;
根据目标搜索位置、目标限定条件和目标搜索对象,确定目标搜索请求的目标搜索要素;
在多个对象属性索引中确定目标搜索要素匹配的目标属性索引;
根据目标属性索引对多个预设对象进行对象召回,获得第二召回对象;
对第一召回对象和第二召回对象进行对象融合,获得目标召回对象。
在一种可能的实现方式中,装置还包括:对齐单元;
提取单元601,还用于对多个预设对象数据进行要素提取,获得多个预设对象数据对应的多个预设对象要素;多个预设对象要素包括多个预设对象位置、多个预设限定条件和多个预设对象中的一种或多种;
对齐单元,用于根据多个预设对象要素对目标搜索位置、目标限定条件和目标搜索对象进行要素对齐,获得目标搜索位置的对齐搜索位置、目标限定条件的对齐限定条件和目标搜索对象的对齐搜索对象;
召回单元602,具体用于:
根据对齐搜索位置、对齐限定条件、对齐搜索对象、以及多个预设对象数据,对多个预设对象进行对象召回,获得目标召回对象。
在一种可能的实现方式中,装置还包括:表示单元;
表示单元,用于对多个预设对象要素进行向量表示,获得多个预设对象要素对应的多个预设要素向量;
对齐单元,具体用于:
对目标搜索位置、目标限定条件和目标搜索对象进行向量表示,获得目标搜索位置的目标位置向量、目标限定条件的目标条件向量和目标搜索对象的目标对象向量;
根据目标位置向量、目标条件向量、目标对象向量、以及多个预设要素向量进行相似度计算,获得目标位置向量与多个预设要素向量之间的多个第二相似度、目标条件向量与多个预设要素向量之间的多个第三相似度、以及目标对象向量与多个预设要素向量之间的多个第四相似度;
根据多个第二相似度、多个第三相似度、多个第四相似度、以及多个预设对象要素,对目标搜索位置、目标限定条件和目标搜索对象进行要素对齐,获得对齐搜索位置、对齐限定条件和对齐搜索对象。
在一种可能的实现方式中,多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量中的多种,装置还包括:构建单元;
构建单元,用于对多个预设要素向量中多个预设位置向量进行索引构建,获得多个预设位置向量的位置向量索引;对多个预设要素向量中多个预设条件向量进行索引构建,获得多个预设条件向量的条件向量索引;对多个预设要素向量中多个预设对象向量进行索引构建,获得多个预设对象向量的对象向量索引;
对齐单元,具体用于:
对目标位置向量和位置向量索引对应的多个预设位置向量进行相似度计算,获得目标位置向量与多个预设位置向量之间的多个第二相似度;
对目标条件向量和条件向量索引对应的多个预设条件向量进行相似度计算,获得目标条件向量与多个预设条件向量之间的多个第三相似度;
对目标对象向量和对象向量索引对应的多个预设对象向量进行相似度计算,获得目标对象向量与多个预设对象向量之间的多个第四相似度。
在一种可能的实现方式中,提取单元601,具体用于:
若目标搜索请求具有基于位置的复杂搜索意图,通过预设生成模型对目标搜索请求进行要素提取,获得目标搜索位置、目标限定条件和目标搜索对象。
在一种可能的实现方式中,召回单元602,还用于若目标搜索请求具有基于位置的简单搜索意图,根据目标搜索请求和多个预设对象数据,对多个预设对象进行对象召回,获得目标搜索请求的第三召回对象;
生成单元603,还用于通过预设生成模型对目标搜索请求和第三召回对象进行结果生成,获得目标搜索请求的生成式搜索结果。
在一种可能的实现方式中,生成单元603,具体用于:
对目标搜索请求和目标召回对象进行提示生成,获得目标提示数据;
通过预设生成模型对目标提示数据进行结果生成,获得目标搜索结果。
在一种可能的实现方式中,装置还包括:校正单元;
校正单元,用于根据多个基于位置的搜索请求对应的多个请求解析要素,对目标搜索位置、目标限定条件和目标搜索对象进行要素校正,获得校正搜索位置、校正限定条件和校正搜索对象;
召回单元602,具体用于:
根据校正搜索位置、校正限定条件、校正搜索对象、以及多个预设对象数据,对多个预设对象进行对象召回,获得目标召回对象。
由上述技术方案可以看出,基于位置的搜索装置包括提取单元、召回单元和生成单元。其中,提取单元针对具有基于位置的搜索意图的目标搜索请求,将目标搜索请求输入预设生成模型进行要素提取,输出目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象,实现将目标搜索请求简化为基于目标搜索位置和目标限定条件搜索目标搜索对象,使得目标搜索请求具有的基于位置的搜索意图简单化、准确化。其中,召回单元以此结合多个预设对象对应的多个预设对象数据,从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象,作为目标搜索请求的目标召回对象,实现从模型外部获取搜索结果的参考数据,用于准确地补充并指导预设生成模型对目标搜索请求进行生成式搜索。其中,生成单元将目标搜索请求和目标召回对象输入预设生成模型进行结果生成,输出目标搜索请求的目标搜索结果,使得目标搜索结果更符合基于位置的搜索场景,以便目标搜索结果具有高搜索精度。
基于此,该装置在基于位置的搜索场景中,通过生成式模型提取搜索请求的搜索位置、限定条件、搜索对象等搜索要素,能够简单、准确地明确搜索请求的基于位置的搜索意图;在此基础上,从模型外部的多个预设对象中召回目标对象,并通过生成式模型整合搜索请求和目标对象,能够有效、准确地补充并指导针对搜索请求的生成式搜索,以便生成具有高搜索精度的搜索结果,从而满足基于位置的高搜索精度需求。
本申请实施例还提供了一种计算机设备,该计算机设备可以是服务器,参见图7,图7为本申请实施例提供的一种服务器的结构图,服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器,例如CPU722,以及存储器732,一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器722可以设置为与存储介质730通信,在服务器700上执行存储介质730中的一系列指令操作。
服务器700还可以包括一个或一个以上电源726,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口758,和/或,一个或一个以上操作系统741,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
在本实施例中,由服务器700中的中央处理器722可以执行上述实施例各种可选实现方式中提供的方法。
本申请实施例提供的计算机设备还可以是终端,参见图8,图8为本申请实施例提供的一种终端的结构图。以终端为智能手机为例,智能手机包括:射频(Radio Frequency,RF)电路810、存储器820、输入单元830、显示单元840、传感器850、音频电路860、无线保真(Wireless Fidelity,WiFi)模块870、处理器880、以及电源890等部件。输入单元830可包括触控面板831以及其他输入设备832,显示单元840可包括显示面板841,音频电路860可以包括扬声器861和传声器862。本领域技术人员可以理解,图8中示出的智能手机结构并不构成对智能手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器820可用于存储软件程序以及模块,处理器880通过运行存储在存储器820的软件程序以及模块,从而执行智能手机的各种功能应用以及数据处理。存储器820可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器880是智能手机的控制中心,利用各种接口和线路连接整个智能手机的各个部分,通过运行或执行存储在存储器820内的软件程序和/或模块,以及调用存储在存储器820内的数据,执行智能手机的各种功能和处理数据。可选的,处理器880可包括一个或多个处理单元;优选的,处理器880可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器880中。
在本实施例中,智能手机中的处理器880可以执行上述实施例各种可选实现方式中提供的方法。
根据本申请的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述实施例各种可选实现方式中提供的方法。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行上述实施例各种可选实现方式中提供的方法。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、RAM、磁碟或者光盘等各种可以存储计算机程序的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术成员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (19)
1.一种基于位置的搜索方法,其特征在于,所述方法包括:
若目标搜索请求具有基于位置的复杂搜索意图,通过预设生成模型对目标搜索请求进行要素提取,获得所述目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;所述目标搜索请求具有基于位置的搜索意图,其中,所述目标搜索请求具有基于位置的复杂搜索意图是指目标搜索请求的搜索请求内容的目标内容量大于或等于预设内容量,所述目标搜索位置是指目标搜索请求内容中的位置数据,所述目标限定条件是指目标搜索请求的搜索请求内容中限定待搜索的核心对象的条件数据,所述目标搜索对象是指目标搜索请求的搜索请求内容中待搜索的核心对象,所述预设生成模型为生成式语言模型;
根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,其中,所述多个预设对象是指预设生成模型外部的对象知识库存储的基于位置的多个对象,所述多个预设对象数据是指多个预设对象的对象描述数据,所述对象召回是指从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象;
通过所述预设生成模型对所述目标搜索请求和所述目标召回对象进行结果生成,获得所述目标搜索请求的目标搜索结果,其中,所述结果生成是指将目标搜索请求和目标召回对象整合生成目标搜索结果;
其中,所述通过所述预设生成模型对所述目标搜索请求和所述目标召回对象进行结果生成,获得所述目标搜索请求的目标搜索结果,包括:
对所述目标搜索请求和所述目标召回对象进行提示生成,获得目标提示数据,所述目标提示数据用于指导预设生成模型生成符合用户期望的目标搜索请求的搜索结果;
通过所述预设生成模型对所述目标提示数据进行结果生成,获得所述目标搜索结果;
所述方法还包括:
根据多个基于位置的搜索请求对应的多个请求解析要素,对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素校正,获得校正搜索位置、校正限定条件和校正搜索对象,其中,所述校正搜索位置是指多个请求解析要素中与目标搜索位置匹配的请求解析要素,所述校正限定条件是指多个请求解析要素中与目标限定条件匹配的请求解析要素,所述校正搜索对象是指多个请求解析要素中与目标搜索对象匹配的请求解析要素;
所述根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,包括:
根据所述校正搜索位置、所述校正限定条件、所述校正搜索对象、以及所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标召回对象。
2.根据权利要求1所述的方法,其特征在于,所述多个预设对象数据为多个对象表示向量;所述根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,包括:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索请求的目标要素向量;
对所述目标要素向量和所述多个对象表示向量进行相似度计算,获得所述目标要素向量与多个对象表示向量之间的多个第一相似度;
根据所述多个第一相似度对所述多个预设对象进行对象召回,获得所述目标召回对象。
3.根据权利要求1所述的方法,其特征在于,所述多个预设对象数据为多个对象属性索引;所述根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,包括:
根据所述目标搜索位置、所述目标限定条件和所述目标搜索对象,确定所述目标搜索请求的目标搜索要素;
在所述多个对象属性索引中确定所述目标搜索要素匹配的目标属性索引;
根据目标属性索引对所述多个预设对象进行对象召回,获得所述目标召回对象。
4.根据权利要求1所述的方法,其特征在于,所述多个预设对象数据包括多个对象表示向量和多个对象属性索引;所述根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,包括:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索请求的目标要素向量;
对所述目标要素向量和所述多个对象表示向量进行相似度计算,获得所述目标要素向量与多个对象表示向量之间的多个第一相似度;
根据所述多个第一相似度对所述多个预设对象进行对象召回,获得第一召回对象;
根据所述目标搜索位置、所述目标限定条件和所述目标搜索对象,确定所述目标搜索请求的目标搜索要素;
在所述多个对象属性索引中确定所述目标搜索要素匹配的目标属性索引;
根据目标属性索引对所述多个预设对象进行对象召回,获得第二召回对象;
对所述第一召回对象和所述第二召回对象进行对象融合,获得所述目标召回对象。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述多个预设对象数据进行要素提取,获得所述多个预设对象数据对应的多个预设对象要素;所述多个预设对象要素包括多个预设对象位置、多个预设限定条件和多个预设对象中的一种或多种;
根据所述多个预设对象要素对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素对齐,获得所述目标搜索位置的对齐搜索位置、所述目标限定条件的对齐限定条件和所述目标搜索对象的对齐搜索对象;
所述根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,具体为:
根据所述对齐搜索位置、所述对齐限定条件、所述对齐搜索对象、以及所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标召回对象。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
对所述多个预设对象要素进行向量表示,获得所述多个预设对象要素对应的多个预设要素向量;
所述根据所述多个预设对象要素对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素对齐,获得所述目标搜索位置的对齐搜索位置、所述目标限定条件的对齐限定条件和所述目标搜索对象的对齐搜索对象,包括:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索位置的目标位置向量、所述目标限定条件的目标条件向量和所述目标搜索对象的目标对象向量;
根据所述目标位置向量、所述目标条件向量、所述目标对象向量、以及所述多个预设要素向量进行相似度计算,获得所述目标位置向量与所述多个预设要素向量之间的多个第二相似度、所述目标条件向量与所述多个预设要素向量之间的多个第三相似度、以及所述目标对象向量与所述多个预设要素向量之间的多个第四相似度;
根据所述多个第二相似度、所述多个第三相似度、所述多个第四相似度、以及所述多个预设对象要素,对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素对齐,获得所述对齐搜索位置、所述对齐限定条件和所述对齐搜索对象。
7.根据权利要求6所述的方法,其特征在于,所述多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量中的多种,所述方法还包括:
对所述多个预设要素向量中多个预设位置向量进行索引构建,获得所述多个预设位置向量的位置向量索引;对所述多个预设要素向量中多个预设条件向量进行索引构建,获得所述多个预设条件向量的条件向量索引;对所述多个预设要素向量中多个预设对象向量进行索引构建,获得所述多个预设对象向量的对象向量索引;
所述根据所述目标位置向量、所述目标条件向量、所述目标对象向量、以及所述多个预设要素向量进行相似度计算,获得所述目标位置向量与所述多个预设要素向量之间的多个第二相似度、所述目标条件向量与所述多个预设要素向量之间的多个第三相似度、以及所述目标对象向量与所述多个预设要素向量之间的多个第四相似度,包括:
对所述目标位置向量和所述位置向量索引对应的多个预设位置向量进行相似度计算,获得所述目标位置向量与所述多个预设位置向量之间的多个第二相似度;
对所述目标条件向量和所述条件向量索引对应的多个预设条件向量进行相似度计算,获得所述目标条件向量与所述多个预设条件向量之间的多个第三相似度;
对所述目标对象向量和所述对象向量索引对应的多个预设对象向量进行相似度计算,获得所述目标对象向量与所述多个预设对象向量之间的多个第四相似度。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标搜索请求具有基于位置的简单搜索意图,根据所述目标搜索请求和所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的第三召回对象;
通过所述预设生成模型对所述目标搜索请求和所述第三召回对象进行结果生成,获得所述目标搜索请求的生成式搜索结果。
9.一种基于位置的搜索装置,其特征在于,所述装置包括:提取单元、召回单元和生成单元;
所述提取单元,用于若目标搜索请求具有基于位置的复杂搜索意图,通过预设生成模型对目标搜索请求进行要素提取,获得所述目标搜索请求的目标搜索位置、目标限定条件和目标搜索对象;所述目标搜索请求具有基于位置的搜索意图,其中,所述目标搜索请求具有基于位置的复杂搜索意图是指目标搜索请求的搜索请求内容的目标内容量大于或等于预设内容量,所述目标搜索位置是指目标搜索请求内容中的位置数据,所述目标限定条件是指目标搜索请求的搜索请求内容中限定待搜索的核心对象的条件数据,所述目标搜索对象是指目标搜索请求的搜索请求内容中待搜索的核心对象,所述预设生成模型为生成式语言模型;
所述召回单元,用于根据所述目标搜索位置、所述目标限定条件、所述目标搜索对象、以及多个预设对象对应的多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的目标召回对象,其中,所述多个预设对象是指预设生成模型外部的对象知识库存储的基于位置的多个对象,所述多个预设对象数据是指多个预设对象的对象描述数据,所述对象召回是指从多个预设对象中召回匹配目标搜索位置、目标限定条件和目标搜索对象的预设对象;
所述生成单元,用于通过所述预设生成模型对所述目标搜索请求和所述目标召回对象进行结果生成,获得所述目标搜索请求的目标搜索结果,其中,所述结果生成是指将目标搜索请求和目标召回对象整合生成目标搜索结果;
其中,所述生成单元,具体用于:
对所述目标搜索请求和所述目标召回对象进行提示生成,获得目标提示数据,所述目标提示数据用于指导预设生成模型生成符合用户期望的目标搜索请求的搜索结果;
通过所述预设生成模型对所述目标提示数据进行结果生成,获得所述目标搜索结果;
所述装置还包括校正单元;
所述校正单元,用于根据多个基于位置的搜索请求对应的多个请求解析要素,对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素校正,获得校正搜索位置、校正限定条件和校正搜索对象,其中,所述校正搜索位置是指多个请求解析要素中与目标搜索位置匹配的请求解析要素,所述校正限定条件是指多个请求解析要素中与目标限定条件匹配的请求解析要素,所述校正搜索对象是指多个请求解析要素中与目标搜索对象匹配的请求解析要素;
所述召回单元,具体用于:
根据所述校正搜索位置、所述校正限定条件、所述校正搜索对象、以及所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标召回对象。
10.根据权利要求9所述的装置,其特征在于,所述多个预设对象数据为多个对象表示向量,所述召回单元,具体用于:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索请求的目标要素向量;
对所述目标要素向量和所述多个对象表示向量进行相似度计算,获得所述目标要素向量与多个对象表示向量之间的多个第一相似度;
根据所述多个第一相似度对所述多个预设对象进行对象召回,获得所述目标召回对象。
11.根据权利要求9所述的装置,其特征在于,所述多个预设对象数据为多个对象属性索引,所述召回单元,具体用于:
根据所述目标搜索位置、所述目标限定条件和所述目标搜索对象,确定所述目标搜索请求的目标搜索要素;
在所述多个对象属性索引中确定所述目标搜索要素匹配的目标属性索引;
根据目标属性索引对所述多个预设对象进行对象召回,获得所述目标召回对象。
12.根据权利要求9所述的装置,其特征在于,所述多个预设对象数据包括多个对象表示向量和多个对象属性索引,所述召回单元,具体用于:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索请求的目标要素向量;
对所述目标要素向量和所述多个对象表示向量进行相似度计算,获得所述目标要素向量与多个对象表示向量之间的多个第一相似度;
根据所述多个第一相似度对所述多个预设对象进行对象召回,获得第一召回对象;
根据所述目标搜索位置、所述目标限定条件和所述目标搜索对象,确定所述目标搜索请求的目标搜索要素;
在所述多个对象属性索引中确定所述目标搜索要素匹配的目标属性索引;
根据目标属性索引对所述多个预设对象进行对象召回,获得第二召回对象;
对所述第一召回对象和所述第二召回对象进行对象融合,获得所述目标召回对象。
13.根据权利要求9所述的装置,其特征在于,所述装置还包括对齐单元;
所述提取单元,还用于对所述多个预设对象数据进行要素提取,获得所述多个预设对象数据对应的多个预设对象要素;所述多个预设对象要素包括多个预设对象位置、多个预设限定条件和多个预设对象中的一种或多种;
所述对齐单元,用于根据所述多个预设对象要素对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素对齐,获得所述目标搜索位置的对齐搜索位置、所述目标限定条件的对齐限定条件和所述目标搜索对象的对齐搜索对象;
所述召回单元,具体用于:
根据所述对齐搜索位置、所述对齐限定条件、所述对齐搜索对象、以及所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标召回对象。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括表示单元;
所述表示单元,用于对所述多个预设对象要素进行向量表示,获得所述多个预设对象要素对应的多个预设要素向量;
所述对齐单元,具体用于:
对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行向量表示,获得所述目标搜索位置的目标位置向量、所述目标限定条件的目标条件向量和所述目标搜索对象的目标对象向量;
根据所述目标位置向量、所述目标条件向量、所述目标对象向量、以及所述多个预设要素向量进行相似度计算,获得所述目标位置向量与所述多个预设要素向量之间的多个第二相似度、所述目标条件向量与所述多个预设要素向量之间的多个第三相似度、以及所述目标对象向量与所述多个预设要素向量之间的多个第四相似度;
根据所述多个第二相似度、所述多个第三相似度、所述多个第四相似度、以及所述多个预设对象要素,对所述目标搜索位置、所述目标限定条件和所述目标搜索对象进行要素对齐,获得所述对齐搜索位置、所述对齐限定条件和所述对齐搜索对象。
15.根据权利要求14所述的装置,其特征在于,所述多个预设要素向量包括多个预设位置向量、多个预设条件向量和多个预设对象向量中的多种,所述装置还包括构建单元;
所述构建单元,用于对所述多个预设要素向量中多个预设位置向量进行索引构建,获得所述多个预设位置向量的位置向量索引;对所述多个预设要素向量中多个预设条件向量进行索引构建,获得所述多个预设条件向量的条件向量索引;对所述多个预设要素向量中多个预设对象向量进行索引构建,获得所述多个预设对象向量的对象向量索引;
所述对齐单元,具体用于:
对所述目标位置向量和所述位置向量索引对应的多个预设位置向量进行相似度计算,获得所述目标位置向量与所述多个预设位置向量之间的多个第二相似度;
对所述目标条件向量和所述条件向量索引对应的多个预设条件向量进行相似度计算,获得所述目标条件向量与所述多个预设条件向量之间的多个第三相似度;
对所述目标对象向量和所述对象向量索引对应的多个预设对象向量进行相似度计算,获得所述目标对象向量与所述多个预设对象向量之间的多个第四相似度。
16.根据权利要求9所述的装置,其特征在于,所述召回单元,还用于若所述目标搜索请求具有基于位置的简单搜索意图,根据所述目标搜索请求和所述多个预设对象数据,对所述多个预设对象进行对象召回,获得所述目标搜索请求的第三召回对象;
所述生成单元,还用于通过所述预设生成模型对所述目标搜索请求和所述第三召回对象进行结果生成,获得所述目标搜索请求的生成式搜索结果。
17.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行权利要求1-8任一项所述的方法。
18.一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用于存储计算机程序,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行权利要求1-8任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其特征在于,当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410209590.2A CN117786242B (zh) | 2024-02-26 | 2024-02-26 | 一种基于位置的搜索方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410209590.2A CN117786242B (zh) | 2024-02-26 | 2024-02-26 | 一种基于位置的搜索方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786242A CN117786242A (zh) | 2024-03-29 |
CN117786242B true CN117786242B (zh) | 2024-05-28 |
Family
ID=90393092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410209590.2A Active CN117786242B (zh) | 2024-02-26 | 2024-02-26 | 一种基于位置的搜索方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786242B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102483748A (zh) * | 2009-07-07 | 2012-05-30 | 谷歌公司 | 用于地图搜索的查询解析 |
CN111160007A (zh) * | 2019-12-13 | 2020-05-15 | 中国平安财产保险股份有限公司 | 基于bert语言模型的搜索方法、装置、计算机设备及存储介质 |
CN112579870A (zh) * | 2020-12-22 | 2021-03-30 | 北京三快在线科技有限公司 | 检索匹配模型的训练方法、装置、设备及存储介质 |
CN113139110A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 区域特征处理方法、装置、设备、存储介质和程序产品 |
CN116226334A (zh) * | 2023-03-03 | 2023-06-06 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法以及基于模型的搜索方法 |
CN116383234A (zh) * | 2023-03-28 | 2023-07-04 | 中信银行股份有限公司 | 一种搜索语句生成方法、装置、计算机设备及存储介质 |
CN116662583A (zh) * | 2023-08-01 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 一种文本生成方法、地点检索方法及相关装置 |
CN117235226A (zh) * | 2023-09-21 | 2023-12-15 | 支付宝(杭州)信息技术有限公司 | 一种基于大语言模型的问题应答方法及装置 |
CN117421355A (zh) * | 2023-11-07 | 2024-01-19 | 叮当快药科技集团有限公司 | 一种搜索召回方法、装置及设备 |
-
2024
- 2024-02-26 CN CN202410209590.2A patent/CN117786242B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102483748A (zh) * | 2009-07-07 | 2012-05-30 | 谷歌公司 | 用于地图搜索的查询解析 |
CN111160007A (zh) * | 2019-12-13 | 2020-05-15 | 中国平安财产保险股份有限公司 | 基于bert语言模型的搜索方法、装置、计算机设备及存储介质 |
CN112579870A (zh) * | 2020-12-22 | 2021-03-30 | 北京三快在线科技有限公司 | 检索匹配模型的训练方法、装置、设备及存储介质 |
CN113139110A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 区域特征处理方法、装置、设备、存储介质和程序产品 |
CN116226334A (zh) * | 2023-03-03 | 2023-06-06 | 北京百度网讯科技有限公司 | 生成式大语言模型训练方法以及基于模型的搜索方法 |
CN116383234A (zh) * | 2023-03-28 | 2023-07-04 | 中信银行股份有限公司 | 一种搜索语句生成方法、装置、计算机设备及存储介质 |
CN116662583A (zh) * | 2023-08-01 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 一种文本生成方法、地点检索方法及相关装置 |
CN117235226A (zh) * | 2023-09-21 | 2023-12-15 | 支付宝(杭州)信息技术有限公司 | 一种基于大语言模型的问题应答方法及装置 |
CN117421355A (zh) * | 2023-11-07 | 2024-01-19 | 叮当快药科技集团有限公司 | 一种搜索召回方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117786242A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10698932B2 (en) | Method and apparatus for parsing query based on artificial intelligence, and storage medium | |
CN110599557B (zh) | 图像描述生成方法、模型训练方法、设备和存储介质 | |
CN112487182A (zh) | 文本处理模型的训练方法、文本处理方法及装置 | |
CN114298121B (zh) | 基于多模态的文本生成方法、模型训练方法和装置 | |
CN113254684B (zh) | 一种内容时效的确定方法、相关装置、设备以及存储介质 | |
CN113761153B (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
CN111414506B (zh) | 基于人工智能情绪处理方法、装置、电子设备及存储介质 | |
CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN114186690B (zh) | 飞行器知识图谱构建方法、装置、设备及存储介质 | |
CN113837669B (zh) | 一种标签体系的评价指标构建方法和相关装置 | |
JP2022169743A (ja) | 情報抽出方法、装置、電子機器及び記憶媒体 | |
Malode | Benchmarking public large language model | |
CN117540221B (zh) | 图像处理方法和装置、存储介质及电子设备 | |
CN113806487A (zh) | 基于神经网络的语义搜索方法、装置、设备和存储介质 | |
CN118035945B (zh) | 一种标签识别模型的处理方法和相关装置 | |
CN110795547B (zh) | 文本识别方法和相关产品 | |
JP2023002690A (ja) | セマンティックス認識方法、装置、電子機器及び記憶媒体 | |
CN117854156B (zh) | 一种特征提取模型的训练方法和相关装置 | |
CN111444321B (zh) | 问答方法、装置、电子设备和存储介质 | |
CN117473057A (zh) | 问答处理方法、系统、设备和存储介质 | |
CN117272937A (zh) | 文本编码模型训练方法、装置、设备及存储介质 | |
CN117315334A (zh) | 图像分类方法、模型的训练方法、装置、设备及介质 | |
CN117786242B (zh) | 一种基于位置的搜索方法及相关装置 | |
CN111680514A (zh) | 信息处理和模型训练方法、装置、设备及存储介质 | |
CN110555207A (zh) | 语句识别方法、装置、机器设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |