CN117874073A - 一种搜索优化方法、装置、设备及其存储介质 - Google Patents
一种搜索优化方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN117874073A CN117874073A CN202410029780.6A CN202410029780A CN117874073A CN 117874073 A CN117874073 A CN 117874073A CN 202410029780 A CN202410029780 A CN 202410029780A CN 117874073 A CN117874073 A CN 117874073A
- Authority
- CN
- China
- Prior art keywords
- search
- channel
- new
- channels
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于金融科技技术领域,应用于金融业务新搜索渠道优化场景中,涉及一种搜索优化方法、装置、设备及其存储介质,包括将搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据旧搜索渠道中的前置处理组件,识别出搜索字段中的命名实体以及数据搜索请求对应的搜索意图;分别获取若干个搜索渠道的搜索召回结果;基于搜索召回结果、命名实体、搜索意图和预设的搜索优化策略,对新搜索渠道进行搜索优化。便于结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
Description
技术领域
本申请涉及金融科技技术领域,应用于金融业务新搜索渠道优化场景中,尤其涉及一种搜索优化方法、装置、设备及其存储介质。
背景技术
随着互联网的飞速发展,各行各业都在依托互联网寻求行业突破点,近年来,金融行业也正在围绕着互联网进行线上业务拓展。由于金融行业涉及的业务量和数据量较大,也导致了有关金融数据搜索的业务量较多。
目前,企业在进行金融数据搜索时,需要对接多个渠道,同一个搜索提供方,需要面向多个相似渠道提供搜索服务,在用户和搜索内容方面具有较高相似性,但内容不完全相同。所设置的内部或外部搜索引擎,经常需要对接内部或外部的渠道内容提供方。一种常见的需求是某些旧搜索渠道的流量较大,数据较多,特征较多,容易开发和训练模型。但某些新搜索渠道的数据和用户较少,使得搜索的召回、排序等模型很难获得数据、特征处理,新搜索渠道由于数据较少,导致了新搜索渠道的搜索召回结果的准确性较低。
发明内容
本申请实施例的目的在于提出一种搜索优化方法、装置、设备及其存储介质,以解决现有技术采用新搜索渠道进行搜索时,由于新搜索渠道的数据和用户较少,导致新搜索渠道的搜索召回结果的准确性较低的问题。
为了解决上述技术问题,本申请实施例提供搜索优化方法,采用了如下所述的技术方案:
一种搜索优化方法,包括下述步骤:
步骤201,获取目标搜索终端发送的数据搜索请求和搜索字段;
步骤202,响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;
步骤203,根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;
步骤204,分别获取所述若干个搜索渠道的搜索召回结果;
步骤205,基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
进一步的,所述的前置处理组件包括分词子组件、命名实体识别子组件和意图识别子组件,所述根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图的步骤,具体包括:
将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括jieba分词插件;
将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
进一步的,所述分别获取所述若干个搜索渠道的搜索召回结果的步骤,具体包括:
根据所述搜索字段和所述搜索意图,构建所述若干个搜索渠道分别适配的SQL执行语句;
基于所述若干个搜索渠道分别适配的SQL执行语句,以及所述若干个搜索渠道分别内置的搜索函数,进行搜索处理,获得所述若干个搜索渠道的搜索召回结果;
在执行所述分别获取所述若干个搜索渠道的搜索召回结果的步骤之后,所述方法还包括:
获取所述若干个搜索渠道的区别标识信息;
将所述区别标识信息赋值给所述若干个搜索渠道分别对应的搜索召回结果。
进一步的,所述基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化的步骤,具体包括:
步骤401,通过预设相似度算法和所述区别标识信息,计算所述新搜索渠道的搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤402,通过循环对比方式,判断当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度是否满足预设的相似度阈值;
步骤403,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度满足所述相似度阈值,则将下一个旧搜索渠道更新为当前旧搜索渠道,并执行步骤402,直到所有旧搜索渠道都与所述新搜索渠道对比完毕,停止执行步骤402;
步骤404,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度不满足所述相似度阈值,则根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化。
进一步的,在执行所述根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化的步骤之后,所述方法还包括:
步骤501,重新将所述搜索字段发送给所述新搜索渠道进行数据搜索,获得所述新搜索渠道对应的最新搜索召回结果;
步骤502,通过所述相似度算法和所述区别标识信息,计算所述最新搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤503,通过对比方式,判断当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度是否满足所述相似度阈值;
步骤504,若当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度不满足所述相似度阈值,则继续根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化;
步骤505,重复执行步骤501至步骤503,直到所有旧搜索渠道的搜索召回结果与所述新搜索渠道对应的最新搜索召回结果的相似度都满足所述相似度阈值,停止重复执行步骤501至步骤503,完成对所述新搜索渠道的搜索优化。
进一步的,所述根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化的步骤,具体包括:
采用迁移学习方式,将所述命名实体作为搜索实体标签迁移到所述新搜索渠道中;
将所述搜索意图迁移到所述新搜索渠道中,并将所述搜索意图设置为所述新搜索渠道的搜索意图;
将所述搜索召回结果迁移到所述新搜索渠道中预设的搜索结果缓存库中,并在所述新搜索渠道内构建所述命名实体、所述搜索意图和所述搜索召回结果间的知识映射关系。
为了解决上述技术问题,本申请实施例还提供搜索优化装置,采用了如下所述的技术方案:
一种搜索优化装置,包括:
搜索信息获取模块,用于获取目标搜索终端发送的数据搜索请求和搜索字段;
数据搜索模块,用于响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;
前置处理模块,用于根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;
搜索召回结果获取模块,用于分别获取所述若干个搜索渠道的搜索召回结果;
新搜索渠道搜索优化模块,用于基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
进一步的,所述的前置处理模块,包括:
分词处理子模块,用于将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括jieba分词插件;
命名实体识别子模块,用于将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
搜索意图识别子模块,用于将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
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上述所述的搜索优化方法的步骤。
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所述的搜索优化方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述搜索优化方法,通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的搜索优化方法的一个实施例的流程图;
图3是图2所示步骤203的一个具体实施例的流程图;
图4是图2所示步骤205的一个具体实施例的流程图;
图5是图4所示步骤404之后迭代优化步骤的一个具体实施例的流程图;
图6是根据本申请的搜索优化装置的一个实施例的结构示意图;
图7是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 PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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。
需要说明的是,本申请实施例所提供的搜索优化方法一般由服务器/终端设备执行,相应地,搜索优化装置一般设置于服务器/终端设备中。
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优化方法的一个实施例的流程图。所述的搜索优化方法,包括以下步骤:
步骤201,获取目标搜索终端发送的数据搜索请求和搜索字段。
本实施例中,所述目标搜索终端包括金融业务系统中的数据搜索终端,例如,金融业务系统中客户端的数据搜索终端或者服务端的数据搜索终端。
本实施例中,所述获取目标搜索终端发送的数据搜索请求和搜索字段的步骤,具体包括:采用消息获取方式,获取所述目标搜索终端推送的数据搜索请求和搜索字段,其中,所述搜索字段从所述目标搜索终端的搜索框内获取,所述数据搜索请求为所述目标搜索终端结合所述搜索字段而生成。
步骤202,响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道。
本实施例中,所述若干个搜索渠道,指进行金融业务数据搜索时的不同搜索渠道,例如自建搜索库、金融分析云平台等,所述若干个搜索渠道内包括旧搜索渠道,即以往使用的搜索渠道,一般为较为成熟的,搜索结果经过长期验证的置信搜索渠道,还包括新搜索渠道,即新加入的搜索渠道,一般为搜索结果还未经过长期验证的搜索渠道。
本实施例中,所述将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索的步骤,具体包括:识别所述若干个搜索渠道的区别标识信息;根据所述区别标识信息将所述搜索字段一一发送给所述若干个搜索渠道,进行数据搜索。
步骤203,根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图。
本实施例中,所述的前置处理组件包括分词子组件、命名实体识别子组件和意图识别子组件。
继续参考图3,图3是图2所示步骤203的一个具体实施例的流程图,包括:
步骤301,将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括j i eba分词插件;
步骤302,将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
步骤303,将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化,更加科学化。
步骤204,分别获取所述若干个搜索渠道的搜索召回结果。
本实施例中,所述分别获取所述若干个搜索渠道的搜索召回结果的步骤,具体包括:根据所述搜索字段和所述搜索意图,构建所述若干个搜索渠道分别适配的SQL执行语句;基于所述若干个搜索渠道分别适配的SQL执行语句,以及所述若干个搜索渠道分别内置的搜索函数,进行搜索处理,获得所述若干个搜索渠道的搜索召回结果。
本实施例中,在执行所述分别获取所述若干个搜索渠道的搜索召回结果的步骤之后,所述方法还包括:获取所述若干个搜索渠道的区别标识信息;将所述区别标识信息赋值给所述若干个搜索渠道分别对应的搜索召回结果。
本实施例中,所述获取所述若干个搜索渠道的区别标识信息,以及将所述区别标识信息赋值给所述若干个搜索渠道分别对应的搜索召回结果,便于后续可直接根据所述区别标识信息获取不同搜索渠道对应的搜索召回结果,方便快速获取到旧搜索渠道和新搜索渠道分别对应的搜索召回结果。
步骤205,基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
继续参考图4,图4是图2所示步骤205的一个具体实施例的流程图,包括:
步骤401,通过预设相似度算法和所述区别标识信息,计算所述新搜索渠道的搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤402,通过循环对比方式,判断当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度是否满足预设的相似度阈值;
步骤403,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度满足所述相似度阈值,则将下一个旧搜索渠道更新为当前旧搜索渠道,并执行步骤402,直到所有旧搜索渠道都与所述新搜索渠道对比完毕,停止执行步骤402;
步骤404,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度不满足所述相似度阈值,则根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化。
通过循环对比方式,判断新搜索渠道的搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度,从而根据对比结果判断是否结合当前旧搜索渠道对所述新搜索渠道进行搜索优化。便于快速结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
继续参考图5,图5是图4所示步骤404之后迭代优化步骤的一个具体实施例的流程图,包括:
步骤501,重新将所述搜索字段发送给所述新搜索渠道进行数据搜索,获得所述新搜索渠道对应的最新搜索召回结果;
步骤502,通过所述相似度算法和所述区别标识信息,计算所述最新搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤503,通过对比方式,判断当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度是否满足所述相似度阈值;
步骤504,若当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度不满足所述相似度阈值,则继续根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化;
步骤505,重复执行步骤501至步骤503,直到所有旧搜索渠道的搜索召回结果与所述新搜索渠道对应的最新搜索召回结果的相似度都满足所述相似度阈值,停止重复执行步骤501至步骤503,完成对所述新搜索渠道的搜索优化。
采用迭代优化方式,每次在对新搜索渠道进行搜索优化后,重新将所述搜索字段发送给所述新搜索渠道进行数据搜索,获得所述新搜索渠道对应的最新搜索召回结果,将最新搜索召回结果与所有旧搜索渠道的搜索召回结果分别进行相似度对比,根据对比结果对所述新搜索渠道进行迭代优化,直到所有旧搜索渠道的搜索召回结果与所述新搜索渠道对应的最新搜索召回结果的相似度都满足所述相似度阈值,停止重复执行步骤501至步骤503,完成对所述新搜索渠道的搜索优化,保证了新搜索渠道的搜索召回结果为根据所有的旧搜索渠道优化而成,更加科学和适用。
本实施例中,所述根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化的步骤,具体包括:采用迁移学习方式,将所述命名实体作为搜索实体标签迁移到所述新搜索渠道中;将所述搜索意图迁移到所述新搜索渠道中,并将所述搜索意图设置为所述新搜索渠道的搜索意图;将所述搜索召回结果迁移到所述新搜索渠道中预设的搜索结果缓存库中,并在所述新搜索渠道内构建所述命名实体、所述搜索意图和所述搜索召回结果间的知识映射关系。
通过在所述新搜索渠道内构建所述命名实体、所述搜索意图和所述搜索召回结果间的知识映射关系,便于再次使用所述新搜索渠道对搜索字段进行搜索时,可以直接根据所述知识映射关系,以所述所述搜索意图和所述搜索召回结果为深层次的搜索知识进行搜索。
本申请通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
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、大搜索优化技术、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。
本申请实施例中,通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了搜索优化装置的一个实施例,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6所示,本实施例所述的搜索优化装置600包括:搜索信息获取模块601、数据搜索模块602、前置处理模块603、搜索召回结果获取模块604和新搜索渠道搜索优化模块605。其中:
搜索信息获取模块601,用于获取目标搜索终端发送的数据搜索请求和搜索字段;
数据搜索模块602,用于响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;
前置处理模块603,用于根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;
搜索召回结果获取模块604,用于分别获取所述若干个搜索渠道的搜索召回结果;
新搜索渠道搜索优化模块605,用于基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
在本申请的一些具体实施例中,所述的前置处理模块603包括:分词处理子模块、命名实体识别子模块和搜索意图识别子模块。其中:
分词处理子模块,用于将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括jieba分词插件;
命名实体识别子模块,用于将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
搜索意图识别子模块,用于将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
在本申请的一些具体实施例中,所述的搜索优化装置800还包括迭代优化模块,用于在根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化之后,重新将所述搜索字段发送给所述新搜索渠道进行数据搜索,获得所述新搜索渠道对应的最新搜索召回结果,并通过所述相似度算法和所述区别标识信息,计算所述最新搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度,通过循环对比方式,判断当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度是否满足所述相似度阈值,若当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度不满足所述相似度阈值,则继续根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化,直到所有旧搜索渠道的搜索召回结果与所述新搜索渠道对应的最新搜索召回结果的相似度都满足所述相似度阈值,停止迭代优化,完成对所述新搜索渠道的搜索优化。
本申请通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
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计算机可读取存储介质中,该程序在执行时,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。
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7,图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是,图中仅示出了具有组件7a-7c的计算机设备7,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7a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7a可以是所述计算机设备7的内部存储单元,例如该计算机设备7的硬盘或内存。在另一些实施例中,所述存储器7a也可以是所述计算机设备7的外部存储设备,例如该计算机设备7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7a还可以既包括所述计算机设备7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7a通常用于存储安装于所述计算机设备7的操作系统和各类应用软件,例如一种搜索优化方法的计算机可读指令等。此外,所述存储器7a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7b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、或其他搜索优化芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中,所述处理器7b用于运行所述存储器7a中存储的计算机可读指令或者处理数据,例如运行所述搜索优化方法的计算机可读指令。
所述网络接口7c可包括无线网络接口或有线网络接口,该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域,应用于金融业务新搜索渠道优化场景中。本申请通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
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处理器执行,以使所述处理器执行如上述的搜索优化方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域,应用于金融业务新搜索渠道优化场景中。本申请通过获取目标搜索终端发送的数据搜索请求和搜索字段;响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;分别获取所述若干个搜索渠道的搜索召回结果;基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。通过旧搜索渠道中的前置处理组件,对所述搜索字段和所述数据搜索请求进行处理,获得所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图,便于后续对新搜索渠道进行搜索优化时,结合所述所述搜索字段中的命名字体和所述数据搜索请求对应的搜索意图进行搜索优化。结合旧搜索渠道对新搜索渠道进行搜索优化,保证了新搜索渠道的搜索优化结合了以往较为成熟的旧搜索渠道,也间接保证了搜索优化后的新搜索渠道搜索召回结果准确性。
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。
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)
1.一种搜索优化方法,其特征在于,包括下述步骤:
步骤201,获取目标搜索终端发送的数据搜索请求和搜索字段;
步骤202,响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;
步骤203,根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;
步骤204,分别获取所述若干个搜索渠道的搜索召回结果;
步骤205,基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
2.根据权利要求1所述的搜索优化方法,其特征在于,所述的前置处理组件包括分词子组件、命名实体识别子组件和意图识别子组件,所述根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图的步骤,具体包括:
将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括ji eba分词插件;
将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
3.根据权利要求1所述的搜索优化方法,其特征在于,所述分别获取所述若干个搜索渠道的搜索召回结果的步骤,具体包括:
根据所述搜索字段和所述搜索意图,构建所述若干个搜索渠道分别适配的SQL执行语句;
基于所述若干个搜索渠道分别适配的SQL执行语句,以及所述若干个搜索渠道分别内置的搜索函数,进行搜索处理,获得所述若干个搜索渠道的搜索召回结果;
在执行所述分别获取所述若干个搜索渠道的搜索召回结果的步骤之后,所述方法还包括:
获取所述若干个搜索渠道的区别标识信息;
将所述区别标识信息赋值给所述若干个搜索渠道分别对应的搜索召回结果。
4.根据权利要求3所述的搜索优化方法,其特征在于,所述基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化的步骤,具体包括:
步骤401,通过预设相似度算法和所述区别标识信息,计算所述新搜索渠道的搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤402,通过循环对比方式,判断当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度是否满足预设的相似度阈值;
步骤403,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度满足所述相似度阈值,则将下一个旧搜索渠道更新为当前旧搜索渠道,并执行步骤402,直到所有旧搜索渠道都与所述新搜索渠道对比完毕,停止执行步骤402;
步骤404,若当前旧搜索渠道的搜索召回结果与所述新搜索渠道的搜索召回结果的相似度不满足所述相似度阈值,则根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化。
5.根据权利要求4所述的搜索优化方法,其特征在于,在执行所述根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化的步骤之后,所述方法还包括:
步骤501,重新将所述搜索字段发送给所述新搜索渠道进行数据搜索,获得所述新搜索渠道对应的最新搜索召回结果;
步骤502,通过所述相似度算法和所述区别标识信息,计算所述最新搜索召回结果分别与所有旧搜索渠道的搜索召回结果的相似度;
步骤503,通过对比方式,判断当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度是否满足所述相似度阈值;
步骤504,若当前旧搜索渠道的搜索召回结果与所述最新搜索召回结果的相似度不满足所述相似度阈值,则继续根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化;
步骤505,重复执行步骤501至步骤503,直到所有旧搜索渠道的搜索召回结果与所述新搜索渠道对应的最新搜索召回结果的相似度都满足所述相似度阈值,停止重复执行步骤501至步骤503,完成对所述新搜索渠道的搜索优化。
6.根据权利要求4或5所述的搜索优化方法,其特征在于,所述根据当前旧搜索渠道对应的搜索召回结果、命名实体和搜索意图对所述新搜索渠道进行搜索优化的步骤,具体包括:
采用迁移学习方式,将所述命名实体作为搜索实体标签迁移到所述新搜索渠道中;
将所述搜索意图迁移到所述新搜索渠道中,并将所述搜索意图设置为所述新搜索渠道的搜索意图;
将所述搜索召回结果迁移到所述新搜索渠道中预设的搜索结果缓存库中,并在所述新搜索渠道内构建所述命名实体、所述搜索意图和所述搜索召回结果间的知识映射关系。
7.一种搜索优化装置,其特征在于,包括:
搜索信息获取模块,用于获取目标搜索终端发送的数据搜索请求和搜索字段;
数据搜索模块,用于响应于所述数据搜索请求,并将所述搜索字段发送给预设的若干个搜索渠道分别进行数据搜索,其中,所述若干个搜索渠道包括旧搜索渠道和新搜索渠道;
前置处理模块,用于根据所述旧搜索渠道中的前置处理组件,识别出所述搜索字段中的命名实体以及所述数据搜索请求对应的搜索意图;
搜索召回结果获取模块,用于分别获取所述若干个搜索渠道的搜索召回结果;
新搜索渠道搜索优化模块,用于基于所述搜索召回结果、所述命名实体、所述搜索意图和预设的搜索优化策略,对所述新搜索渠道进行搜索优化。
8.根据权利要求7所述的搜索优化装置,其特征在于,所述的前置处理模块,包括:
分词处理子模块,用于将所述搜索字段输入到所述分词子组件中,获得所述分词子组件输出的分词结果,其中,所述分词子组件包括ji eba分词插件;
命名实体识别子模块,用于将所述分词结果输入到所述命名实体识别子组件中,获得所述命名实体识别子组件输出的命名字体;
搜索意图识别子模块,用于将所述搜索字段和所述数据搜索请求一并输入到所述意图识别子组件中,基于所述意图识别子组件确定所述数据搜索请求对应的搜索意图,其中,所述意图识别子组件为基于NLP的语义意图识别插件。
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优化方法的步骤。
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优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029780.6A CN117874073A (zh) | 2024-01-08 | 2024-01-08 | 一种搜索优化方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029780.6A CN117874073A (zh) | 2024-01-08 | 2024-01-08 | 一种搜索优化方法、装置、设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874073A true CN117874073A (zh) | 2024-04-12 |
Family
ID=90578744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410029780.6A Pending CN117874073A (zh) | 2024-01-08 | 2024-01-08 | 一种搜索优化方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874073A (zh) |
-
2024
- 2024-01-08 CN CN202410029780.6A patent/CN117874073A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685565B (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN113901836B (zh) | 基于上下文语义的词义消歧方法、装置及相关设备 | |
CN112084752A (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
CN117033249A (zh) | 一种测试用例生成方法、装置、计算机设备及存储介质 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN118070072A (zh) | 基于人工智能的问题处理方法、装置、设备及存储介质 | |
CN112182157B (zh) | 在线序列标注模型的训练方法、在线标注方法及相关设备 | |
CN117216114A (zh) | 一种数据流关联方法、装置、设备及其存储介质 | |
CN117312535A (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN117195886A (zh) | 基于人工智能的文本数据处理方法、装置、设备及介质 | |
CN116774973A (zh) | 数据渲染方法、装置、计算机设备及存储介质 | |
WO2022105120A1 (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN117874073A (zh) | 一种搜索优化方法、装置、设备及其存储介质 | |
CN117093717B (zh) | 一种相似文本聚合方法、装置、设备及其存储介质 | |
CN115250200B (zh) | 服务授权认证方法及其相关设备 | |
CN116701512A (zh) | 跨服务器间数据调用提速方法、装置、设备及其存储介质 | |
CN115834685A (zh) | 基于动态代理的屏幕适配方法及其相关设备 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN115578050A (zh) | 审批进度识别方法、装置、计算机设备及存储介质 | |
CN117332012A (zh) | 一种数据关联方法、装置、设备及其存储介质 | |
CN117850842A (zh) | 一种插件更新方法、装置、设备及其存储介质 | |
CN117217684A (zh) | 指标数据的处理方法、装置、计算机设备及存储介质 | |
CN117880274A (zh) | 一种文件上传方法、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 |