201131391 六、發明說明： 【發明所屬之技術領域】 本申請涉及電腦應用領域，特別是涉及一種搜索結果 生成方法及資訊搜索系統。 【先前技術】 資訊搜索系統是一種能夠爲用戶提供資訊檢索服務的 系統，以互聯網中常用的搜索引擎爲例，作爲應用在互聯 網領域的搜索系統，搜索引擎目前已經成爲用戶上網必不 可少的輔助工具之一。從用戶的角度看，搜索引擎一般提 供一個包含搜索框的頁面，用戶在搜索框輸入關鍵字或其 他搜索條件，通過瀏覽器提交給搜索引擎後，搜索引擎就 會回傳與用戶輸入的關鍵字內容相匹配的資訊。 針對同樣的用戶搜索請求（例如用戶在搜索時所輸入 的捜索關鍵字），搜索引擎往往能夠檢索到多條匹配資訊 ，這個數量可能會達到數十至數萬。而從用戶的角度來講 ，往往只會重點關注在搜索結果中排序比較靠前的資訊。 因此，在搜索引擎向用戶提供搜索結果時，如何對這些資 訊進行排序就顯得尤爲重要，搜索結果的排序是否合理將 直接影響著用戶的體驗。 搜索引擎在對資訊進行排序時，會綜合考慮一種或多 種因素（例如：搜索關鍵字在匹配資訊中出現的次數、搜 索關鍵字在匹配資訊中所處的位置等等），構建形如y = f ,,X2,…，χη )的排序模型’根據該模型爲每條匹配資 ί S 3 -5-
X 201131391 訊進行評分，最後依據分數高低對每條匹配資訊進行排序 。其中，上述模型的輸入參數，即函數引數Xh χ2，…，Xf ，分別表示所考慮的各種因素，稱爲匹配資訊的特徵，模 型的輸出即應變數y表示匹配資訊的得分數。 根據yzfCh，χ2，…，χη)具體形式的不同，可以將 排序模型分爲線性排序模型和非線性排序模型兩大類。一 般而言，相對於線性排序模型，非線性排序模型的擬合能 力更強，因此使用非線性排序模型可以實現更好的搜索效 果（即匹配資訊的排列順序更符合用戶的實際需求，或者 與用戶期待的順序更趨於一致）。但是，由於非線性排序 模型的複雜度高，因此，其處理速度較爲緩慢。特別是在 對大量匹配資訊進行排序處理時，需要佔用很長的時間來 生成搜索結果，對用戶體驗造成了影響。 【發明內容】 爲解決上述技術問題，本申請提供一種搜索結果生成 方法及資訊搜索系統，以提高對匹配資訊排序的處理速度 ，提升用戶體驗，技術方案如下： 本申請提供一種搜索結果生成方法，包括： 資訊搜索系統接收搜索請求，通過檢索獲得與所述搜 索請求相匹配的各條匹配資訊； 使用線性排序模型對所述各條匹配資訊中的Ν 1條匹 配資訊進行排序，得到第一排序結果，其中，Ν 1 ^所檢索 到的匹配資訊的總數目； -6- 201131391 使用非線性排序模型對所述第一排序結果中的前N2 條匹配資訊進行排序，得到第二排序結果，其中N2<N 1 : 根據所述第二排序結果，生成搜索結果。 本申請還提供一種資訊搜索系統，包括： 資訊檢索單元，用於接收搜索請求，通過檢索獲得與 所述搜索請求相匹配的各條匹配資訊； 線性排序單元，用於使用線性排序模型對所述資訊檢 索單元檢索獲得的各條匹配資訊中的N 1條匹配資訊進行 排序，得到第一排序結果，其中，N 1 ^所檢索到的匹配資 訊的總數目； 非線性排序單元，用於使用非線性排序模型對所述線 性排序單元排序得到的第一排序結果中的前N2條匹配資 訊進行排序，得到第二排序結果，其中N2<N1 ; 與現有技術相比，本申請實施例所提供的技術方案， 首先使用線性排序模型對N1條匹配資訊進行排序處理， 然後對排序結果的前N2條再使用非線性排序模型進行排 序處理。由於線性排序模型的處理速度是能夠保證的，因 此對於大量（N 1條）的匹配資訊，首先利用線性排序模 型進行預處理’然後通過設置N2<N1，可以有效減小使用 非線性排序模型所處理的資料量’從而提高對匹配資訊排 序的整體處理速度。 【實施方式】 首先對本申請實施例的一種搜索結果生成方法進行說 201131391 明，包括： 資訊搜索系統接收搜索請求，通過檢索獲得與所述搜 索請求相匹配的各條匹配資訊； 使用線性排序模型對所述各條匹配資訊中的N 1條匹 配資訊進行排序，得到第一排序結果； 使用非線性排序模型對所述第一排序結果中的前N2 條匹配資訊進行排序，得到第二排序結果，其中N2<N 1 ; 根據所述第二排序結果，生成搜索結果。 爲了使本技術領域的人員更好地理解本申請中的技術 方案，下面將結合本申請實施例中的附圖，對本申請實施 例中的技術方案進行清楚、完整地描述，顯然，所描述的 實施例僅僅是本申請一部分實施例，而不是全部的實施例 。基於本申請中的實施例，本領域普通技術人員在沒有做 出創造性勞動前提下所獲得的所有其他實施例，都應當屬 於本申請保護的範圍。 下面以網路搜索應用爲例，對本申請所提供的技術方 案進行詳細說明，圖1所示爲本申請實施例的一種搜索結 果生成方法的流程圖，包括以下步驟： S101，搜索引擎接收搜索請求，通過檢索獲得與所述 搜索請求相匹配的各條匹配資訊； 當用戶需要在網路上搜索資訊時’會輸入一個或多個 搜索條件，一般最爲常用的搜索條件是搜索關鍵字’根據 具體搜索應用場景的不同’有些搜索引擎還可以支援更多 類型的搜索條件’例如資訊發佈時間、資訊屬性等等，本 -8 - 201131391 申請實施例中，將各種搜索條件統稱爲搜索請求。搜索引 擎接收到搜索請求之後，檢索與搜索請求相匹配的資訊。 對應不同的搜索應用場景，檢索到的資訊類型也有所不同 ，例如：在網頁搜索中，檢索到的資訊爲網頁；在電子商 務搜索中，檢索到的資訊爲商品；在文獻搜索中，檢索到 的資訊爲期刊或論文等等。其中，根據搜索請求檢索與之 相匹配的資訊，其實現方法與現有技術相同，本申請實施 例對此不再進行詳細說明。 S 1 02，使用線性排序模型對所述各條匹配資訊進行排 序，得到第一排序結果； 本步驟中，使用線性排序模型爲每條匹配資訊進行評 分，然後依據分數高低對每條匹配資訊進行排序。 線性排序模型的數學運算式形式如下： y = f(x 1 , X2 , ... ， Χη) =ai χ 1 + a2X2+ ... +anxn 在上述模型中，應變數y與每個引數分別構成一次函 數關係，其中，模型的輸入參數χΐ5 χ2, ...，χη，分別表示 在排序時需要考慮的各種因素，稱爲匹配資訊的特徵；ai， a2，…，an分別爲每個特徵的加權係數，an的大小反映xn 對應特徵對於排序的重要程度。模型的輸出y表示匹配資 訊的排序分數。 根據具體的搜索應用需求，系統會根據匹配資訊的一 個或多個特徵，來計算每條匹配資訊的排序分數大小。這 些特徵可能涉及多個方面，舉例如下： [S3 -9 - 201131391 π搜索關鍵字在匹配資訊中出現的次數。 一般認爲，搜索關鍵字在某條匹配資訊中出現的次數 越多，則該條匹配資訊應該獲得越高的排序分數。 2 )搜索關鍵字在匹配資訊中所處的位置。 一般認爲，如果搜索關鍵字出現在某條匹配資訊的標 題、摘要等重要部分，則該條匹配資訊應該獲得較高的排 序分數。 3) 匹配資訊的用戶回饋量。 用戶回饋量能夠反映用戶對某條資訊關注程度，搜索 引擎可以通過讀取用戶回饋日誌，獲得各條匹配資訊所對 應的用戶回饋量，並根據用戶回饋量爲各條匹配資訊評分 ，其基本原則是：用戶對某條匹配資訊的關注程度越高， 則該條匹配資訊應該獲得越高的排序分數。 4) 匹配資訊的來源。 匹配資訊的來源也可以作爲決定其排列順序的因素， 例如，對於網頁搜索來說，如果匹配資訊來源於大型入口 網站或官方網站，則可獲得較高的排序分數。 以上僅僅列舉了幾種常用的匹配資訊特徵，匹配資訊 還具有很多可以用來計算排序分數的特徵，這裡不再-- 說明。 當一個排序模型決定以後’該模型所要使用的特徵種 類以及數量也就決定了。系統在對匹配資訊進行排序時， 首先要獲取每條匹配資訊的每個特徵値’然後根據排序模 型計算出每條匹配資訊的排序分數，最後根據排序分數大 -10- 201131391 小對每條匹配資訊進行排序。 舉例說明，假設排序模型爲y=f ( Xl，Χ2，X3 )，則其 使用的特徵數量爲3，待排序的匹配資訊數量爲1 〇，則系 統需要分別獲取1〇組（Χι，χ2，χ3 )的特徵値，然後分別 計算出1 0個y値，最後根據1 〇個y値的大小對這1 0條 匹配資訊進行排序。 S 1 03，使用非線性排序模型對所述第一排序結果做進 一步排序’得到第二排序結果； 本步驟的執行方法與S1 02類似，不同之處在於，本 步驟所依據的排序模型爲非線性排序模型。 對匹配資訊進行排序的目的，是希望最終展現給用戶 的搜索結果能夠更加符合用戶的實際需求。可以想像的是 ，匹配資訊的各個特徵與其最終的排序分數在客觀上是存 在某種對應關係的。建立排序模型的目的，就是儘量去擬 合這種對應關係。本領域技術人員所公知的是，線性函數 的擬合能力是有限的，而非線性函數在理論上可以擬合任 何形式的關係。因此，在多數情況下，使用非線性排序模 型，可以實現更好的搜索效果，即匹配資訊的排列順序更 符合用戶的實際需求。 由於非線性函數的計算複雜度高於線性函數，因此， 在同等條件下，使用非線性排序模型進行排序，其處理速 度一般會遠遠低於線性排序模型。這裡所述的同等條件， 包括：使用同樣的特徵値、處理相同數量的匹配資訊。 爲了實現更高的排序速度’同時保證搜索效果，本實 -11 - 201131391 施例所採用的方案是：先使用線性排序模型對匹配資 行第一次排序，得到第一排序結果’然後再使用非線 序模型對第一排序結果進行第二次排序。其中，第二 序所處理的匹配資訊數量小於第一次排序所處理的匹 訊數量。 假設第一次排序所處理的匹配資訊數量爲N 1， 理解的是，從整體上看，經過第一次排序處理後，排 面的匹配資訊基本上都是比較符合用戶需求的，但是 線性排序模型的局限性，其具體的排列順序與用戶的 區別需求可能還有較大的差距。那麼，對於這部分資 可以進一步使用非線性排序模型進行排序處理，即： 在第一排序結果中靠前的N2條匹配資訊，使用非線 序模型進行排序處理，得到第二排序結果。 其中，N2的取値，可以根據具體的搜索需求決 考慮到一般用戶只會關注搜索結果的前幾頁，因此， 根據每頁可顯示的匹配資訊條數，爲N2選取一個較 値（相對於N1 )，例如2 0 0、4 0 0等；或者，也可以 N1來設定N2，例如，將N2的値取爲N1的1/10、 本領域技術人員可以理解的是，相對於線性排序 ’在非線性排序模型中，可以適當減少一些細節特徵 高桌一次排序的處理速度，或者適當增加一些細節特 實現更好的搜索效果。但是，爲了保證第一次排序和 次排序的結果在整體上的一致性，線性排序模型和非 訊進 性排 次排 配資 可以 在前 由於 實際 訊， 對於 性排 疋 ， 可以 小的 根據 1/20 模型 以提 徵以 第二 線性 -12- .201131391 排序模型所使用的主要特徵應該是相同的，當然，線性排 序模型和非線性排序模型也可以使用完全相同的特徵。 S1 〇4，根據所述第二排序結果，生成搜索結果。 搜索引擎根據使用第二次排序的結果，生成最終的搜 索結果展現給用戶。 在本實施例中，首先使用線性排序模型對N 1條匹配 資訊進行排序處理，然後對排序結果的前N2條再使用非 線性排序模型進行排序處理。由於線性排序模型的處理速 度是能夠保證的，因此對於大量（N1條）的匹配資訊， 首先利用線性排序模型進行預處理，然後通過設置N2<N 1 ，可以有效減小使用非線性排序模型所處理的資料量，從 而提高對匹配資訊排序的整體處理速度。 實施例二： 傳統的排序方法，是由人工設計排序模型，其局限性 在於只能處理一些簡單的特徵組合。Learning to Rank ( 排序學習）是目前比較流行的一種排序方法，與傳統的排 序方法相比，Learning to Rank方法可以把更多的特徵列 入考慮。其原理是使用資料樣本對排序模型進行訓練，令 模型學習用戶的實際需求，從而使得排序結果更符合用戶 的實際需求。特別是對於非線性排序模型，通過訓練，可 以使排序結果與用戶期待的排序結果基本趨於一致。 在本申請的優選實施方案中，可以將經訓練所決定的 線性排序模型和非線性排序模型用於第一次排序和第二次 [S] -13- 201131391 排序，由於這類模型所涉及的特徵往往比較多’計算複雜 度高，因此，爲了保證處理速度，可以在第一次排序之前 ，再增加一個排序預處理的步驟。參見圖2所示，本實施 例所提供的一種搜索結果生成方法包括以下步驟： S 201，搜索引擎接收搜索請求，通過檢索獲得與所述 搜索請求相匹配的各條匹配資訊； S 2 02，對各條匹配資訊進行排序預處理。 S 203，使用線性排序模型對經過排序預處理的匹配資 訊進行排序’得到第一排序結果； S 2 04，使用非線性排序模型對所述第一排序結果做進 一步排序，得到第二排序結果； S 205，根據所述第二排序結果，生成搜索結果。 本實施例與實施例一相比，主要的區別是增加了一個 預處理的步驟S202，其目的是減小使用線性排序模型所 處理的資料量。所述預處理，可以是過濾操作，例如濾掉 一些過期的、鏈結無效的匹配資訊；也可以是簡單的排序 操作’一般是採用一些簡單傳統排序演算法，例如TF-IDF ’ BM25等’這些演算法所使用的排序模型由人工設計 ’所涉及的特徵也很少。其特點是速度快，但是相應的排 序效果也比較差。 可見，從原理上講，S202對於S203的作用，相當於 S203對於S2 04的作用。排序預處理的速度比線性排序模 型要快很多’而效果也比較差。假設S201中共檢索到N0 條匹配信息，S202的作用是通過預處理，從NO條資訊中 -14- 201131391 選擇出N1條匹配資訊（或者將N1條匹配資訊排在前面 )，以供線性排序模型處理。從數量上來講，N 1 —般是 遠小於N0的，因而可以顯著提高第一次排序的處理速度 〇 下面以一個簡單的示意圖，說明排序預處理、第一次 排序，第二次排序的關係及效果。首先做一個假設：將所 有的匹配資訊按照用戶的實際需求分爲兩類：真正相關的 匹配資訊和一般匹配資訊。排序的目的，就是儘量將所有 真正相關的匹配資訊排在前面。如圖3所示，實心圓代表 真正相關的匹配資訊，空心圓代表一般匹配資訊。 1 )假設N 0 = 1 0 0，在1 0 0條匹配資訊中共有5條真正 相關的匹配資訊，經過排序預處理之後，將5條匹配資訊 全部排在了前1 〇位，如圖3 a所示。 2 )取N 1 = 1 0，經過第一次排序處理後，排序結果如 圖3 b所示，可見，相對於圖·3 a，5條匹配資訊都排在了 更爲靠前的位置。 3)取N 2 = 6，經過第二次排序處理後，排序結果如圖 3c所示，可見，5條匹配資訊全部被排在了最前面。 當然，以上例子僅用於示意性說明，在實際的應用中 ，N値可能會達到幾十萬、幾百萬或更多。而N1和N2的 値可以結合排序的模型的複雜程度和實際需求（包括總數 據量、用戶習慣等）決定，例如’可以將N1設爲2000-5000，N2 設爲 100-1000，等等。 [S 1 -15- 201131391 實施例三： 下面將結合一個具體的應用實例，對本申請的搜索結 果生成方法進行說明。 S301，資訊搜索系統接收搜索請求，通過檢索獲得與 所述搜索請求相匹配的各條匹配資訊： S3 02，對各條匹配資訊進行排序預處理。 S3 03，使用線性排序模型對經過排序預處理的匹配資 訊進行排序，得到第一排序結果； 本實施例中，取Nl=3000，即預處理結果的前 3〇〇〇 條，使用線性排序模型進行第一次排序，所採用的線性排 序模型爲： = 0.15Xj +0.1732^2 0.873^ 0.245χ^ + 0.042λ^ 其中\1至χ5爲第一次排序時所考慮的匹配資訊的特 徵，含義如下： 考慮的特徵爲：搜索關鍵字在匹配資訊文本中出 現的次數，將該次數做歸一化處理後即爲X !的値。由模 型可知，該値越高，則最終計算得到的排序分數越高。 χ2:考慮的特徵爲：搜索關鍵字在匹配資訊標題中出 現的次數，將該次數做歸一化處理後即爲χ2的値。由模 型可知，該値越高，則最終計算得到的排序分數越高。 考慮的特徵爲：搜索關鍵字在匹配資訊標題中的 距離。有時，用戶會採用多個關鍵字進行搜索，這種情況 下認爲，多個關鍵字在標題中的距離越小，則越符合用戶 的需求。χ3値的計算方法爲： -16- 201131391 搜索關鍵字的距離 _ _標題中的總詞數 其中，搜索關鍵字的距離，是以“詞”爲單位計算的 。根據一定的斷詞規則’可以將任意的片語或短句劃分爲 若干個“詞”。舉例說明，如果某條匹配資訊的標題爲“ 電腦主機和顯示器的選購方法”，則根據斷詞規則，可以 將其劃分爲：電腦/主機/和/顯示器/的/選購/方法，共7個 詞。如果用戶搜索的關鍵字爲“電腦”和“顯示器”，則 在上述標題中，這兩個關鍵字之間隔了兩個詞，即距離爲 2，相應的 X3 値爲 1-(2/7) = 5/7。 可以理解的，如果搜索關鍵字與標題完全匹配，則關 鍵字的距離爲〇，X3値取1，如果搜索關鍵字在標題中沒 有出現，則X3値取〇。 x4:考慮的特徵爲：搜索關鍵字和匹配資訊標題的編 輯距離。搜索關鍵字和匹配資訊的標題的相似程度，也可 以作爲計算匹配資訊排序得分的一個因素。該相似程度可 以以“編輯距離”來衡量。該編輯距離也是以“詞”爲單 位計算的。例如，用戶搜索的關鍵字爲：“顯示器”，則 與標題“電腦主機和顯示器的選購方法”的編輯距離爲6 ，相應的X4値爲1-(6/7)=1/7 可以理解的是，如果搜索關鍵字與標題完全匹配，則 編輯距離爲〇 ’ X4値取1，如果搜索關鍵字在標題中沒有 出現，則編輯距離爲⑺，X4値取〇。 X5:考慮的特徵爲，搜索關鍵字在匹配資訊文本中的 IDF ( Inverse Document Frequency，反向文件頻率）値， [S] -17- 201131391 將IDF做歸一化處理後即爲X5的値。 需要說明的是，爲了模型計算方便，上述的^至x5 都是經過歸一化處理後的値（即取値在[0,1 ]區間內），對 於歸一化處理的具體方法，本申請實施例不做限定。 S3 04，使用非線性排序模型對所述第一排序結果做進 一步排序，得到第二排序結果； 本實施例中，取N2 = 600，即第一排序結果的前600 條，使用非線性排序模型進行第二次排序，所採用的非線 性排序模型爲： 一 1 少2 ~ γ _J_ ^-(0.23αγ,+0.122¾+0.7653λ·3+0. 189χ4+0.156^5) 其中〜至Χ5爲第二次排序時所考慮的匹配資訊的特 徵，與第一次排序時所考慮的匹配資訊的特徵相同。 S 3 05，根據所述第二排序結果，生成搜索結果。 本實施例中，所採用的線性排序模型及非線性排序模 型均爲通過訓練所決定的模型。本實施例是基於網頁搜索 或電子商務搜索等應用需求所提出。可以理解的是，這只 是本申請技術方案的一種具體的實施方式。事實上，通過 選擇不同的排序模型，可以將本申請技術方案應用於各類 搜索需求，例如圖書資料庫搜索、文獻資料庫搜索等。並 且應用範圍也不局限於互聯網領域，其他如單機、區域網 路中的搜索，都可以應用本申請所提供的技術方案。 相應於上面的方法實施例，本申請還提供一種資訊搜 索系統，參見圖4所示，包括： 資訊檢索單元410，用於接收搜索請求，通過檢索獲 -18- 201131391 得與所述搜索請求相匹配的各條匹配資訊； 線性排序單元420，用於使用線性排序模型對所述資 訊檢索單元410檢索獲得的各條匹配資訊中的N1條匹配 資訊進行排序，得到第一排序結果，其中’ N 1 ^所檢索到 的匹配資訊的總數目； 非線性排序單元430，用於使用非線性排序模型對所 述線性排序單元420排序得到的第一排序結果中的前N2 條匹配資訊進行排序，得到第二排序結果，其中N2<N1 : 結果生成單元440，用於根據所述第二排序結果，生 成搜索結果。 本申請所提供的資訊搜索，首先由線性排序單元420 使用線性排序模型對N 1條匹配資訊進行排序處理’然後 由非線性排序單元4 3 0對排序結果的前N 2條再使用非線 性排序模型進行排序處理。由於線性排序模型的處理速度 是能夠保證的，因此對於大量（N1條）的匹配資訊，首 先利用線性排序模型進行預處理，然後通過設置N2<N 1， 可以有效減小使用非線性排序模型所處理的資料量，從而 提高對匹配資訊排序的整體處理速度。 參見圖5所示，上述的資訊搜索系統，還可以包括： 排序預處理單元411，用於在所述資訊檢索單元410 獲得所述各條匹配資訊之後，對所述各條匹配資訊進行排 序預處理，由所述各條匹配資訊中選取N 1條匹配資訊作 爲所述線性排序單元420排序的物件；其中，N1小於所 檢索到的匹配資訊的總數目。 -19- 201131391 使用排序預處理單元411，可以使線性排序單元420 減少資料處理量’在不影響最終搜索效果的情況下，進一 步提高整個系統的搜索處理速度。 以上所提供的資訊搜索系統，可以是應用於互聯網搜 索的搜索引擎，也可以是應用於單機、區域網路的搜索的 資訊搜索系統。 爲了描述的方便’描述以上裝置時以功能分爲各種單 元分別描述。當然，在實施本申請時可以把各單元的功能 在同一個或多個軟體和/或硬體中實現。 通過以上的實施方式的描述可知，本領域的技術人員 可以清楚地瞭解到本申請可借助軟體加必需的通用硬體平 臺的方式來實現。基於這樣的理解，本申請的技術方案本 質上或者說對現有技術做出貢獻的部分可以以軟體產品的 形式體現出來’該電腦軟體產品可以儲存在儲存媒體中， 如ROM/RAM、磁碟、光碟等，包括若干指令用以使得一 台電腦設備（可以是個人電腦，伺服器，或者網路設備等 )執行本申請各個實施例或者實施例的某些部分所述的方 法。 本說明書中的各個實施例均採用遞進的方式描述，各 個實施例之間相同相似的部分互相參見即可，每個實施例 重點說明的都是與其他實施例的不同之處。尤其，對於系 統實施例而言，由於其基本相似於方法實施例，所以描述 得比較簡單，相關之處參見方法實施例的部分說明即可。 以上所描述的系統實施例僅僅是示意性的，其中所述作爲 -20 - 201131391 分離部件說明的單元可以是或者也可以不是物理上分開的 ’作爲單元顯示的部件可以是或者也可以不是物理單元， 即可以位於一個地方，或者也可以分佈到多個網路單元上 。可以根據實際的需要選擇其中的部分或者全部模組來實 現本實施例方案的目的。本領域普通技術人員在不付出創 造性勞動的情況下，即可以理解並實施。 本申請可用於眾多通用或專用的計算系統環境或配置 中。例如：個人電腦、伺服器電腦、手持設備或可檇式設 備、平板型設備、多處理器系統、基於微處理器的系統、 機頂盒、可編程的消費電子設備、網路pc、小型電腦、 大型電腦、包括以上任何系統或設備的分散式計算環境等 等。 本申請可以在由電腦執行的電腦可執行指令的一般上 下文中描述，例如程式模組。一般地，程式模組包括執行 特定任務或實現特定抽象資料類型的常式、程式、物件、 元件、資料結構等等。也可以在分散式計算環境中實踐本 申請’在這些分散式計算環境中’由通過通訊網路而被連 接的遠端處理設備來執行任務。在分散式計算環境中，程 式模組可以位於包括儲存設備在內的本地和遠端電腦儲存 媒體中。 以上所述僅是本申請的具體實施方式，應當指出，對 於本技術領域的普通技術人員來說，在不脫離本申請原理 的前提下，還可以做出若干改進和潤飾，這些改進和潤飾 也應視爲本申請的保護範圍。 -21 - 201131391 【圖式簡單說明】 爲了更清楚地說明本申請實施例或現有技術中的技術 方案，下面將對實施例或現有技術描述中所需要使用的附 圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是 本申請中記載的一些實施例，對於本領域普通技術人員來 講，在不付出創造性勞動的前提下，還可以根據這些附圖 獲得其他的附圖。 圖1爲本申請實施例一的搜索結果生成方法的流程圖 圖2爲本申請實施例二的搜索結果生成方法的流程圖 ♦ 圖3爲本申請實施例一的搜索效果示意圖； 圖4爲本申請實施例資訊搜索系統的結構示意圖； 圖5爲本申請實施例資訊搜索系統的另__種結構示音 圖β 【主要元件符號說明】 4 1 〇 :資訊檢索單元 420 :線性排序單元 430 :非線性排序單元 440 :結果生成單元 4Π :排序預處理單元 -22-