用于辅助搜索的方法、装置、电子设备及计算机可读介质与流程

文档序号:11251755
用于辅助搜索的方法、装置、电子设备及计算机可读介质与流程
本发明涉及计算机信息处理领域,具体而言,涉及一种用于辅助搜索的方法、装置、电子设备及计算机可读介质。
背景技术
:随着电商提供的产品越来越多,通过电场产生的购物量在市场上占有的空间越来越大,如何在电商平台上搜索到用户想要的物品,成了迫切需要解决的问题。对于电商平台,搜索是用户寻找商品的非常重要的途径。但是面对大量的产品和不同的产品特征,为了准确的知道客户的需求,近年来衍生出各种辅助用户搜索的产品,比如下拉,热词,暗文,相关搜索等。可是搜索入口空间有限,最开始的以热词作为候选集,以满足大多数需求;随着消费升级,用户个性化需求日趋增强。针对不同用户推荐其用户最相关的词,更能辅助用户搜索。现有辅助搜索方案是针对整体质量来优化的,利用用户历史搜索,点击,下单行为作为基础基础数据,通过扩大数据源,优化排序来提升整体关键词质量;排序主要利用了KPI排序因子,以及机器学习。现有技术存在如下缺点:现有技术具有马太效应,质量好的往前排,用户曝光点击则更多,那么算法又认为其质量更好。目前所有用户看到的都是相同的数据,但对于个人来说,质量好的不一定就是用户想要的。并且,目前辅助搜索的数据反馈不具备及时性。因此,需要一种新的用于辅助搜索的方法、装置、电子设备及计算机可读介质。在所述
背景技术
部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。技术实现要素:有鉴于此,本发明提供一种用于辅助搜索的方法、装置、电子设备及计算机可读介质,能够更加精准的匹配用户需求,实现个性化辅助搜索。本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。根据本发明的一方面,提出一种用于辅助搜索的方法,该方法包括:响应用户的搜索操作,获取用户ID;通过用户ID获取用户行为数据,用户行为数据包括长期行为数据与短期行为数据;将用户行为数据输入用户辅助搜索模型以获取排序评分;以及按照排序评分对用户的搜索操作提供辅助信息。在本公开的一种示例性实施例中,还包括:通过历史用户行为数据建立辅助搜索模型。在本公开的一种示例性实施例中,通过历史用户行为数据建立辅助搜索模型,包括:通过历史用户行为数据提取个性化特征数据,个性化特征数据包括类目偏好数据、性别偏好数据和最近搜索数据;以及利用个性化特征数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,利用个性化特征数据建立用户辅助搜索模型,包括:通过类目偏好数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,通过类目偏好数据建立用户辅助搜索模型,包括:获取历史用户行为数据;通过历史用户行为数据提取库存量单位数据以及对应的类目数据;以及通过库存量单位数据以及类目数据,建立用户辅助搜索模型。在本公开的一种示例性实施例中,通过库存量单位数据以及类目数据,建立用户辅助搜索模型,包括:通过库存量单位数据与其对应的类目数据提取第一预定行为相关数据与第二预定行为相关数据;通过第一预定行为相关数据与第二预定行为相关数据与其对应的权重获取类目的得分;以及将所有的类目按照得分进行排序,获取预定类目编号。在本公开的一种示例性实施例中,通过如下公式获取类目得分:其中,f(uuidM,cid3N)为用户uuidM在cid3N类目N下的类目得分,n1为第一预定行为的数量,α为第一预定行为的数量权重,t0为第一预定行为的发生时间,n2为第二预定行为的数量,δ为第二预定行为的数量权重,β为第二预定行为的权重,t为当前时间,t1为第二预定行为的发生时间。在本公开的一种示例性实施例中,利用个性化特征数据建立用户辅助搜索模型,包括:通过性别偏好数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,通过性别偏好数据建立用户辅助搜索模型,包括:通过用户画像与性别偏好数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,利用个性化特征数据建立用户辅助搜索模型,包括:通过最近搜索数据建立用户辅助搜索模型。根据本发明的一方面,提出一种用于辅助搜索的装置,该装置包括:响应模块,用于响应用户的搜索操作获取用户ID;数据模块,用于通过用户ID获取用户行为数据,用户行为数据包括长期行为数据与短期行为数据;评分模块,用于将用户行为数据输入用户辅助搜索模型以获取排序评分;以及辅助模块,用于按照排序评分对用户的搜索操作提供辅助信息。在本公开的一种示例性实施例中,还包括:模型模块,用于通过历史用户行为数据建立辅助搜索模型。根据本发明的一方面,提出一种电子设设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现如上文的方法。根据本发明的用于辅助搜索的方法、装置、电子设备及计算机可读介质,能够更加精准的匹配用户需求,实现个性化辅助搜索。应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。附图说明通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种用于辅助搜索的方法的流程图。图2是根据一示例性实施例示出的一种用于辅助搜索的方法的处理过程示意图。图3是根据另一示例性实施例示出的一种用于辅助搜索的方法的流程图。图4是根据另一示例性实施例示出的一种用于辅助搜索的方法的处理过程示意图。图5是根据另一示例性实施例示出的一种用于辅助搜索的方法的处理过程示意图。图6是根据一示例性实施例示出的一种用于辅助搜索的装置的框图。图7是根据另一示例性实施例示出的一种电子设备的框图。具体实施例现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。下面结合附图对本公开示例实施方式进行详细说明。图1是根据一示例性实施例示出的一种用于辅助搜索的方法的流程图。如图1所示,在S102中,响应用户的搜索操作,获取用户ID。在本发明实施例中,可例如通过监听网页上的用户操作,判断用户是否进行搜索操作。可例如,通过捕获用户在搜索框中的点击操作,进而判断用户在进行搜索操作。在用户进行搜索操作的时候,获取该用户的ID。用户ID可例如通过用户登录操作时获取,还可例如,通过网页中的cookies文件获取,本发明不以此为限。在S104中,通过用户ID获取用户行为数据,用户行为数据包括长期行为数据与短期行为数据。在本发明实施例中,长期行为数据可例如为用户的长期兴趣数据,可例如,通过系统中该用户的购买或者浏览操作获取用户的长期兴趣数据,进而生成长期行为数据。短期行为数据可例如为用户的短期兴趣数据,可例如,通过用户最近的搜索数据生成短期兴趣数据,进而生成短期行为数据。在S106中,将用户行为数据输入用户辅助搜索模型以获取排序评分。用户搜索辅助模型可例如,通过该用户的历史操作数据建立,根据上文的获取的数据,用户搜索辅助模型可例如通过该用户历史中的长期行为数据与短期行为数据建立。在本实施例中,长期与短期行为数据可例如为一定时期内用户对某一类目商品购买的数据,还可例如,用户历史搜索数据。可例如,通过大量的历史数据与当前现有的数学算法构建用户辅助搜索模型,以便在当前用户进行搜索操作时,对待给出的辅助信息各个条目进行排序评分。可例如,某一用户进行搜索操作,键入的文字为“手”,搜索的辅助信息可例如提供如下的下拉词汇:“手机、手表、手霜、收纳”,根据用户的搜索辅助模型,对上述的下拉词汇进行评分,给予不同的词汇不同的分值。在S108中,按照排序评分对用户的搜索操作提供辅助信息。如上文所述,在获得排序评分之后,对上述下拉词汇按照评分的数据,按序限制在搜索栏的下拉框中。对于用户A而言,进行搜索操作,键入的文字为“手”,辅助信息按照评分依次为:“手表、手机、手霜、收纳”,则对用户A按照“手表、手机、手霜、收纳”的顺序依序显示辅助信息。对于用户B而言,进行搜索操作,键入的文字为“手”,辅助信息按照评分依次为:“收纳、手霜、手表、手机”,则对用户B,按照“收纳、手霜、手表、手机”的顺序依序显示辅助信息。根据本发明的用于辅助搜索的方法,通过所述辅助模型对搜索辅助信息进行排序评分,进而通过评分的数据将辅助信息依序显示出来的方式,能够更加精准的匹配用户需求,实现个性化辅助搜索。应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。在本公开的一种示例性实施例中,还包括:通过历史用户行为数据建立辅助搜索模型。在本公开的一种示例性实施例中,通过历史用户行为数据建立辅助搜索模型,包括:通过历史用户行为数据提取个性化特征数据,个性化特征数据包括类目偏好数据、性别偏好数据和最近搜索数据;以及利用个性化特征数据建立用户辅助搜索模型。图2是根据另一示例性实施例示出的一种用于辅助搜索的方法的处理过程示意图。如图2所示,历史数据中,包括长期兴趣数据与短期兴趣数据,将上期兴趣数据与短期兴趣数据进行数据处理,数据处理可例如为数据清洗,将原始的数据(长期兴趣与短期兴趣数据)经过数据清洗后得到预定格式的数据信息。数据清洗是对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。可例如,采用ETL数据清洗技术。ETL数据清洗即数据抽取(Extract)、转换(Transform)、装载(Load)的过程。通过数据处理之后的数据生成个性化特征数据,通过个性化特征数据建立用户辅助搜索模型。图3是根据另一示例性实施例示出的一种用于辅助搜索的方法的流程图。图3是对建立用户辅助搜索模型的示例性说明。如图3所示,在S302中,通过类目偏好数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,通过类目偏好数据建立用户辅助搜索模型,包括:获取历史用户行为数据;通过历史用户行为数据提取库存量单位数据以及对应的类目数据;以及通过库存量单位(sku)数据以及类目数据,建立用户辅助搜索模型。随着时间的增长,用户浏览相同类目的概率会大幅减少。在本发明实施例中,考虑到线上是对类目进行直接加权,为了区分不同时间段的类目行为对当前排序的影响,采用较大衰减函数对类目进行衰减。用户相同类目浏览行为分析,统计不同用户浏览相同类目商品的频率分析。在本发明实施例中,sku为库存量单位。类目可例如为cid3,首先获取原始数据:数据源可例如来自App端数据过去30天的浏览及添加到购物车的sku。原始数据可例如为如下形式:用户行为数据用户浏览skutimesku对应cid3行为uuid1sku72016/12/810:47E加车uuid1sku72016/12/810:46E浏览uuid1sku62016/12/810:46E浏览uuid1sku52016/12/710:45B浏览uuid1sku42016/12/610:45W浏览uuid2sku32016/12/510:45D浏览uuid2sku22016/12/410:45C浏览uuid2sku12016/12/310:45A加车uuid2sku12016/12/310:44A浏览……然后,以某一级类目为基准,计算该类目的得分。在本实施例中,以三级类目得分计算为例,加总某cid3下所有sku的分数,得到该用户在该cid3的最终得分。计算公式在下文中进行示例性描述。最后,计算各个cid3类目得分,以此计算用户uuid1,在30天内所有sku所在cid3的得分,最后按照得分倒排输出。为了计算简单可例如,只选择生成每个用户的topcid3list,topcid3list为某一用户的前10个最喜好的类目。用户1序号用户Topcid3list1A2B3C4D5E6F7G8H9I10J在本公开的一种示例性实施例中,通过库存量单位数据以及类目数据,建立用户辅助搜索模型,包括:通过库存量单位数据与其对应的类目数据提取第一预定行为相关数据与第二预定行为相关数据;通过第一预定行为相关数据与第二预定行为相关数据与其对应的权重获取类目的得分;以及将所有的类目按照得分进行排序,获取预定类目编号。在本发明实施例中,商品所属的三级高相关分类信息。第一预定行为可例如为“加车”行为,即为用户添加sku到购物车的行为。第二预定行为可例如为“浏览”,即为用户浏览的sku。在本发明实施例中,综合考虑模型的时效性,商品数以及用户的购物行,通过如下公式获取类目得分:其中,f(uuidM,cid3N)为用户uuidM在cid3N类目N下的类目得分,n1为第一预定行为的数量,α为第一预定行为的数量权重,t0为第一预定行为的发生时间,n2为第二预定行为的数量,δ为第二预定行为的数量权重,β为第二预定行为的权重,t为当前时间,t1为第二预定行为的发生时间。在S304中,通过性别偏好数据建立用户辅助搜索模型。在本公开的一种示例性实施例中,通过性别偏好数据建立用户辅助搜索模型,包括:通过用户画像与性别偏好数据建立用户辅助搜索模型。引入用户画像模块获取用户的性别,根据query词的词画像-性别偏好进行匹配。具体词画像中性别画像技术方法如下:1.字段属性说明词_性别特征=score,score属于[0,1000],数值越大,男性特征越强,为0时为未知,为400~500或者中间一个区间时为中性。2.挖掘方案从注册用户中筛选出来的真实性别的数据作为样本,取男性、女性的检索词的词集,分别计算词X在男性集合A及女性集合B中出现的概率;通过贝叶斯理论结合使用词在男性样本中出现的频率及词的规模因子来代表词的男性性别特征。标注目的是为了给词标注上基于事实的正确的性别,如“口红”标注为强女性特征。还可例如,给词标注上给予平台用户使用习惯的性别,如假设“口红”都是男生买,那么将“口红”标注为强男性特征;(大部分男生都买,则给男生推可以理解)。a.对于测试集合中的每一个词,在已知道性别的人中取N个样本(搜过这个词的人且已知性别男女的为一个样本);词语总样本数量集合A=男集合B=女词X1N=X1,1+X1,2X1,1X1,2词X2N=X2,1+X2,2X2,1X2,2词X3N=X3,1+X3,2X3,1X3,2……………………词XnN=Xn,1+Xn,2Xn,1Xn,2b.根据贝叶斯理论,词Xn中男性用户搜索的概率为P(Xn,1|Xn)=(Xn,1/N),为该词的男性特征;词Xn中女性用户搜索的概率为P(Xn,2|Xn)=(Xn,2/N)=1-P(Xn,2|Xn)。c.使用该词在全集中出现的概率(改词出现频次/词集总频次)或者频次作为规模因子。d.词的男性性别倾向p=(规模因子)×(Xn,1/N)。在本发明实施例中,可例如,在用户辅助搜索模型中,对于不同的性别偏好设定不同的权重,以在进行辅助消息推送时优先选择。在S304中,通过最近搜索数据建立用户辅助搜索模型。利用点击流数据,获取最近搜索的历史词。可参考图4所示的流程图,收到用户点击流,解析消息元组,解析出消息元组中的相关信息,可例如为用户ID和搜索词,并将上述信息保存。在实时提供给用户辅助搜索信息时,通过实时储存与调用得到最近的N条用户搜索记录。member对应用户搜索词;score对应关联member的时间戳,存储命令可例如为:zAddkeymemberscore。根据本发明的用于辅助搜索的方法,通过类目偏好数据建立用户辅助搜索模型,计算方案公式简单效果明显,非常适用计算用户的类目偏好,未来个性化无处不在,电商中最常有的个性化即用户类目偏好,后续会大量使用该方法支持业务需求。根据本发明的用于辅助搜索的方法,通过性别偏好数据建立用户辅助搜索模型,现有技术中,利用词本身具备的特征来挖掘,在本发明中,根据大量已知用户性别的行为利用贝叶斯概率记忆规模因子来统计该词是否有性别偏好,可以得到准确的区分结果。图5是根据另一示例性实施例示出的一种用于辅助搜索的方法的处理过程示意图。如图5所示的流程,根据本发明的用于辅助搜索的方法,能够根据用户个性化的数据,建立针对不同用户的搜索辅助模型,进而千人千面的提供不同的搜索辅助信息。还可例如,提供简单有效的计算类目偏好方法公式,便于快速复用。引入个性化体验,提升用户体验,以及提升用户转化率。以搜索辅助产品下拉词为例,具体个性化应用展示效果如下:1、根据请求下拉服务的用户id,获取最近搜索词,对其最近搜索词已其前缀建立倒排索引,若用户输入的前缀与之匹配,则取最近一个作为第一个下拉词。若匹配不上,则跳过。2、根据请求下拉服务的用户id,获取用户的类目偏好,对某前缀词的下拉词候选集中的用户搜索关键词,若其高相关分类是用户的偏好类目,根据偏好权重*系数对其加分排前。3、相同类目下是有性别偏好的,对于牛仔裤,对于男性,一般喜欢搜索牛仔裤男,而对于女性,一般牛子裤女破洞,韩版等,根据上述我们挖掘的词是否具有性别偏好,来进行精准匹配。根据用户id关联用户画像模块,获取用户性别。再根据用户输入的前缀获取下拉候选集,根据这些用户搜索关键词的性别偏好及偏好权重,与用户性别匹配,进行加强排前。本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。图6是根据一示例性实施例示出的一种用于辅助搜索的装置的框图。响应模块602用于响应用户的搜索操作获取用户ID。数据模块604用于通过用户ID获取用户行为数据,用户行为数据包括长期行为数据与短期行为数据。评分模块606用于将用户行为数据输入用户辅助搜索模型以获取排序评分。辅助模块608用于按照排序评分对用户的搜索操作提供辅助信息。根据本发明的用于辅助搜索的装置,通过所述辅助模型对搜索辅助信息进行排序评分,进而通过评分的数据将辅助信息依序显示出来的方式,能够更加精准的匹配用户需求,实现个性化辅助搜索。在本公开的一种示例性实施例中,还包括:模型模块(图中未示出)用于通过历史用户行为数据建立辅助搜索模型。图7是根据另一示例性实施例示出的一种电子设备的框图。下面参考图7,其示出了适于用来实现本申请实施例的电子设备70的结构示意图。图7示出的电子设设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。如图7所示,计算机系统70包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统70操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的上述功能。需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:响应用户的搜索操作,获取用户ID;通过用户ID获取用户行为数据,用户行为数据包括长期行为数据与短期行为数据;将用户行为数据输入用户辅助搜索模型以获取排序评分;以及按照排序评分对用户的搜索操作提供辅助信息。本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用于辅助搜索的方法、装置、电子设备及计算机可读介质具有以下优点中的一个或多个。根据一些实施例,本发明的用于辅助搜索的方法,通过所述辅助模型对搜索辅助信息进行排序评分,进而通过评分的数据将辅助信息依序显示出来的方式,能够更加精准的匹配用户需求,实现个性化辅助搜索。根据另一些实施例,本发明的用于辅助搜索的方法,通过类目偏好数据建立用户辅助搜索模型,计算方案公式简单效果明显,非常适用计算用户的类目偏好,未来个性化无处不在,电商中最常有的个性化即用户类目偏好,后续会大量使用该方法支持业务需求。根据再一些实施例,本发明的用于辅助搜索的方法,通过性别偏好数据建立用户辅助搜索模型,现有技术中,利用词本身具备的特征来挖掘,在本发明中,根据大量已知用户性别的行为利用贝叶斯概率记忆规模因子来统计该词是否有性别偏好,可以得到准确的区分结果。以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。当前第1页1 2 3 
再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1