本申请涉及，尤其涉及一种搜索框内车型推荐的方法、装置、系统及存储器。
背景技术：
搜索作为获取网络信息的主要手段广泛存在于网页以及移动应用软件中。随着领域的细分，由传统的搜索引擎慢慢地向个性化的搜索演进。对于不同的搜索服务提供商，其所使用的技术方案不同，展示的方式也有所差异。本申请以车型搜索为例进行说明。
图1示出了使用百度搜索奥迪车型品牌的示意图，图2和图4示出了易车网和汽车之家首页搜索框的下拉菜单选项，图3和图5示出了车易搜和汽车之家搜索主页下拉菜单选项。
现有技术中，搜索框基于基于搜索关键词做前缀最大匹配，多使用googlesuggest和autocomplete技术，并没有准确识别出搜索者真实的车型搜索意图，推荐和广告投递的效率并不高。
图6示出了googlesuggest的技术架构中其前后端交互步骤如下：
用户在搜索框中输入车型信息，例如“克莱斯勒”，浏览器通过ajax将请求异步发送至web服务器，同时会控制连续输入提交请求的频率，延时提交请求；
服务器收到请求后，会先将请求转发到memcached缓存集群，使用压缩查找树(trie)判断缓存中有没有可以匹配的前缀，如果有，将结果返回给服务器，由服务器通过ajax返回给浏览器前端；
如果缓存中没有相对应的数据，会从rdbms中取得数据并保存到memcached中，同时将数据通过服务器返回给浏览器前端。
如果使用通用搜索引擎中的autocomplete，后端会比较复杂，但如果仅仅是车型信息的自动补全，因为数据量非常小，则完全不需要用到缓存集群，用一台memcached的缓存服务器或者直接使用xml文件也可以满足需求。
现有技术中，通用搜索引擎中使用的这些技术往往并非是面向特定领域的，领域专属特征不强，没有突出车型推荐的特殊性，没有针对车型推荐进行优化；目前对于googlesuggest的应用没有结合任何搜索者特征信息，所以只能做到“千人一面”，而无法做到“千人千面”；现有技术仅仅是把搜索框中输入的车型信息做了补全或者是仅做有限的同类车型推荐，缺少各种竞品车型以及热搜车型的推荐；现有技术中，没有凸显下拉列表框的广告位属性，呈现信息往往是非广告属性信息，更不用说与精准广告的结合了；此外，现有技术中下拉列表框内均是车型文字信息，缺少直观的车型图、动态图等生动活泼的媒体形式。
技术实现要素：
本申请实施例提供一种搜索框内车型精准推荐的方法、装置、系统及存储器，用以解决根据用户属性和行为推荐车型的问题。
本申请提供了一种搜索框内车型推荐的方法，包括：
用户在搜索框内的放置焦点但未输入信息的情况下，查询在线缓存，并在在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像，实现车型推荐，其中在线缓存包含第一用户车型兴趣画像；和/或
用户在搜索框内输入信息的情况下，根据用户输入的信息生成第二用户车型兴趣画像，并在搜索框的下拉列表中展示生成的第二用户车型兴趣画像，实现车型推荐。
优选地，该方法还包括：
用户在搜索框下拉列表中悬停的选项为广告项的情况下，展示广告；
用户在搜索框下拉列表中点击的选项为推荐项的情况下，则跳转到推荐项对应的网页；用户在搜索框下拉列表中点击的选项为广告的情况下，则跳转到广告落地页。
优选地，该方法还包括：
根据用户日志生成用户兴趣画像。
优选地，根据以下步骤将所述第一用户车型兴趣画像存入在线缓存：
接收用户在搜索框内下拉列表项曝光和点击行为；
拉取用户兴趣画像，生成用户的特征向量；
根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像；
将第一用户车型兴趣画像存入在线缓存。
优选地，根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像包括：
根据用户的特征向量以及特征-物品相关矩阵获取初始推荐物品列表；
根据用户兴趣画像从初始推荐物品列表中获取符合相关度阈值的车型以及竞品车型；
对符合相关度阈值的车型以及竞品车型进行排序，生成第一用户车型兴趣画像。
优选地，所述符合相关度阈值的车型以及竞品车型为候选车型集合中的车型。
优选地，该方法还包括：
在线缓存中未查询到第一用户车型兴趣画像的情况下，查询在线数据库中的第一用户车型兴趣画像，如果存在，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；
在线数据库中未查询到第一用户车型兴趣画像的情况下，则在离线用户中心查询第一用户车型兴趣画像，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；
在离线用户中心未查询到第一用户车型兴趣画像的情况下，在搜索框的下拉列表中展示热搜车型。
优选地，根据用户输入的信息生成第二用户车型兴趣画像包括：
根据用户输入的信息识别用户输入的车型；
获取用户对应的推荐列表和/或广告列表，并利用用户输入的车型、用户离线车型兴趣画像以及车型竞品表中内容混排，生成第二用户车型兴趣画像。
第一用户车型兴趣画像或第二用户车型兴趣画像为已购车用户的购车阶段画像，用于为已购车用户提供同品牌车型。
本申请提供了一种搜索框内车型推荐的装置，包括：
第一推荐模块，用于用户在搜索框内的放置焦点但未输入信息的情况下，查询在线缓存，并在在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像，实现车型推荐，其中在线缓存包含第一用户车型兴趣画像；和/或
第二推荐模块，用于用户在搜索框内输入信息的情况下，根据用户输入的信息生成第二用户车型兴趣画像，并在搜索框的下拉列表中展示生成的第二用户车型兴趣画像，实现车型推荐。
优选地，该装置还包括广告模块，用于用户在搜索框下拉列表中悬停的选项为广告项的情况下，展示广告；
优选地，该装置还包括跳转模块，用于用户在搜索框下拉列表中点击的选项为推荐项的情况下，则跳转到推荐项对应的网页；用户在搜索框下拉列表中点击的选项为广告的情况下，则跳转到广告落地页。
优选地，该装置还包括用户兴趣画像生成模块，用于根据用户日志生成用户兴趣画像。
优选地，第一推荐模块，还用于根据接收用户在搜索框内下拉列表项曝光和点击行为；拉取用户兴趣画像，生成用户的特征向量；根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像；将第一用户车型兴趣画像存入在线缓存。
根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像包括：根据用户的特征向量以及特征-物品相关矩阵获取初始推荐物品列表；根据用户长期兴趣画像从初始推荐物品列表中获取符合相关度阈值的车型以及竞品车型；对符合相关度阈值的车型以及竞品车型进行排序，生成第一用户车型兴趣画像。
优选地，第一推荐模块，还用于在线缓存中未查询到第一用户车型兴趣画像的情况下，查询在线数据库中的第一用户车型兴趣画像，如果存在，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；在线数据库中未查询到第一用户车型兴趣画像的情况下，则在离线用户中心查询第一用户车型兴趣画像，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；在离线用户中心未查询到第一用户车型兴趣画像的情况下，在搜索框的下拉列表中展示热搜车型。
优选地，第二推荐模块，还用于根据用户输入的信息识别用户输入的车型；获取用户对应的推荐列表和/或广告列表，并利用用户输入的车型、用户离线车型兴趣画像以及车型竞品表中内容混排，生成第二用户车型兴趣画像。
本申请提供了一种搜索框内车型精准推荐的系统，存储器及处理器；
存储器，用于存储程序；
处理器，用于执行程序以实现所述的方法。
本申请提供了一种存储器，其上存储有程序，所述程序用于在被处理器执行时实现所述的方法。
本申请在搜索框下拉列表清单中提供个性化的本竞品推荐项，将推荐结果从搜索结果清单中提出前置至搜索框下拉列表，通过下拉列表和推荐结果两次精准的推荐筛选，更加精确地定位用户车型搜索意图，提升和丰富用户的个性化搜索体验。本申请在原先没有车型广告位的搜索框下拉列表中增添多个车型广告位，有效拓展了平台在移动端的广告位数量，为移动平台的广告赢收增长提供了新的可能性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为使用百度搜索奥迪车型品牌的示意图；
图2为易车网首页搜索框的下拉菜单选项示意图；
图3为车易搜搜索主页下拉菜单选项示意图；
图4为汽车之家首页搜索框的下拉菜单选项示意图；
图5为汽车之家搜索主页下拉菜单选项示意图；
图6为googlesuggest技术方案示意图；
图7为本发明提供的提供用户兴趣画像准备流程示意图；
图8为本发明提供的个性化推荐/广告流程示意图；
图9为本发明提供的搜索框内车型精准推荐的方法详细流程图；
图10为本发明提供的搜索框内车型精准推荐的装置示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明利用目前已经成熟的个性化推荐算法去实现搜索框车型推荐的个性化，将搜索者的行为和属性与车型绑定起来实施推荐，以帮助搜索者快速找到与其搜索意图相匹配的目标车型，其目标效果的实现主要是看搜索者在下拉菜单选项上的点击率提升。
为了实现本发明的目的，本发明主要通过用户兴趣画像准备、个性化推荐/广告引擎、推荐/广告触发机制等三个部分来实现。
图7是本发明提供用户兴趣画像准备流程示意图。用户兴趣画像主要是通过用户日志，进行分析得到用户兴趣画像。用户兴趣画像包括根据用户历史访问、点击等行为生成的用户长期兴趣画像以及根据用户即时访问、点击等行为生成的用户短时兴趣画像，短时兴趣画像往往需要以流处理的方式高效生成，而长期兴趣画像往往是以批处理的方式离线隔日生成。用户在首次访问搜索框所在的网站或者应用软件，网站会在用户浏览器端种下cookie，应用软件会按imei/idfa记录下app首次打开日志。服务器根据用户浏览、访问以及购买行为生成离线的用户日志。用户中心(包括用户行为库和用户属性库)以cookie、imei/idfa为单位，分析用户日志，形成关于用户的人口属性、历史行为、兴趣内容、偏好倾向、购车阶段在内的多维度用户兴趣画像，其中对本申请最为重要的是车型兴趣画像与购车阶段画像，车型兴趣画像是根据用户访问、点击、下单等行为综合判断用户对某车型的兴趣权重，购车阶段画像根据包括线下数据在内的多渠道来源数据，综合判断用户是处在兴趣、意向、购买、已购车的何种阶段。购车阶段画像可以帮助系统精准捕获用户所处在的与车相关的何种阶段，从而在推荐下拉列表框推荐时使用不同的推荐策略提供不同的车型推荐，譬如在兴趣阶段提供尽可能多地竞品车型供用户选择，而在购买阶段则提供更加精准的收口的同品牌的车型供选择，为已购车用户提供换购车型推荐供用户在下拉框中选择。此外，还统计所有用户的访问与线索数据，刷新车型竞品表和热搜车型表。用户行为库包括数据项有用户浏览车型频道、提交线索、点赞、评论、收藏等行为，用户属性库包括用户性别、年龄段、学历、婚姻状况、工作类别、常驻地、收入等级、兴趣爱好等。
如图7所示，生成用户兴趣画像的流程包括：
步骤705，确定用户使用的是浏览器还是应用软件app；
步骤710，如果使用app，记录首次打开日志；
步骤715，确定用户是否通过浏览器首次访问；
步骤720，在用户首次访问的情况，浏览器种下cookie；
步骤725，追加离线的用户日志；
步骤730，生成用户兴趣画像；
步骤735，刷新车型竞品表；
步骤740，刷新热搜车型表。
图8是本发明提供的个性化推荐/广告流程图。通过用户的操作，例如用户将光标放在搜索框内时下拉列表推荐/广告位项曝光，以及用户的点击行为，从用户中心拉取用户兴趣画像，并生成用户的特征向量。展开下拉列表执行推荐时，当不需要使用车型兴趣作为定向条件，譬如向某地市的用户整体来做地域定向推荐，这时如果只使用非行为特征，也即使用用户属性特征，就不需要车型行为提取和行为特征转换模块，该模块的输出就是用户特征向量。利用用户的特征向量，以及预先存储的特征-物品相关矩阵，将用户的特征向量转化为初始推荐物品列表。优选地，可以对推荐物品列表进行预处理，滤除明显有问题的车型，例如，名称异常的车型、兴趣权重极低的车型等等。根据离线数据生成的用户长期兴趣画像获取相关度符合阈值的车型和竞品车型，然后根据已经训练好的排序模型预测点击通过率ctr，选择前n个作为最终推荐结果，得到车型兴趣画像。车型兴趣画像可以采用“(<车型名称，车型报价区间>|<车型名称，车型页url，车型报价区间>|<车型名称，广告类型，广告素材，广告落地页url，车型报价区间>)*”的形式，并可以定期地刷入在线缓存。
如图8所示，本发明提供的个性化推荐/广告流程图包括：
步骤805，从用户行为库提取与车型相关的等行为信息，包括行为发生时间、类别、次数等；
步骤810，用户行为特征转换，即把用户浏览、收藏、点赞、购买等行为转换为特征也即标签的表达方式；
步骤815，生成用户特征向量，特征向量由特征和特征权重组成，一般来说，产生时间越近的行为、次数越多的行为、越主动的行为权重会越高；
步骤820，根据用户特征向量以及候选车型集合生成用户特征-车型相关矩阵，相关矩阵记录的是特征-车型-权重三者的对应关系，特征可能是年龄、性别、喜欢的颜色、购买力等等，候选车型存在的目的是保证推荐结果只包含候选车型集合中的车型，例如只希望提供某些竞品车型推荐给用户，或者是最近三个月内上市的新车型；
步骤825，形成初始车型推荐清单；
步骤830，对初始的推荐列表进行过滤处理，譬如过滤掉先前已经推荐过的某些竞品车型，或者是排除掉某些价低质次的国产车；
步骤835，基于离线排序算法，生成用户兴趣车型排序列表，譬如可以分析用户先前在下拉菜单推荐区的点击行为，预测用户对哪些推荐结果感兴趣，这是融合用户反馈的一种排序处理方法；
步骤840，引入可解释策略规则强化排序结果,原则上可以综合车型新颖性、车型销量、用户口碑评价、时间变化多样性等多种排序策略；
步骤845，形成最终推荐结果。
图9是本发明提供的搜索框内车型精准推荐的方法详细流程图。用户将焦点(例如光标)放在搜索框内，但没有输入信息时，服务器先查询在线缓存集群，通过压缩trie树拍进行匹配，如果有匹配结果则直接在下拉列表框中展示。如果没有在在线缓存集群中查询到，则可以调用在线数据库，继续进行匹配，如果有匹配的结果，则在下拉列表框中展示。如果在在线数据库中也不存在匹配结果，则在用户中心进行匹配，如果存在匹配结果，则在下拉列表框中展示。如果用户中心也没有匹配结果，则在下拉列表框中展示热搜车型。当用户在搜索框中输入信息时，可以根据输入的信息识别出包含的车型，浏览器或者app将车型信息发送至服务器。服务器调用该用户对应的推荐/广告列表，并利用实时推荐算法合用户输入车型、用户长期兴趣画像、车型竞品表中内容混排，将针对该用户的推荐列表，直接返回展示在下拉列表框中。具体地，通过kafka+storm实时解析日志，根据用户短期行为与兴趣特征以流式方式进行分析。
在返回的搜索结果中，如果用户鼠标悬停在下拉列表框中对应选项为广告项，则可以根据广告类型触发视频广告、可扩展广告、动画广告等不同类型。如果用户点击下拉列表框中相应选项是推荐项，则会跳转到车型页对应的url，如果用户点击下拉列表框中相应选项是广告项，则会跳转到广告落地页。
如图9所示，搜索框内车型精准推荐的方法具体包括：
步骤905，搜索框获得输入焦点；
步骤910，以搜索框输入内容作为索引查询在线缓存；
步骤915，确定是否存在前缀匹配结果，如果是的执行步骤930，否则执行步骤920；
步骤920，确定在线数据库是否存在匹配结果，如果是的执行步骤930，否则执行步骤925；
步骤925，确定用户中心是否存在匹配结果，如果是的执行步骤930，否则执行步骤935；
步骤930，在下拉框中展示推荐结果；
步骤935，在下拉框中展示热搜车型；
步骤940，用户在搜索框中输入信息，后台进行查询重写；
步骤945，识别输入信息中的车型，可以由前端，例如浏览器或者app，也可以由后端，例如服务器来实现输入信息中的车型；
步骤950，从用户中心离线调用用户车型兴趣画像；
步骤955，获取识别车型对应的竞品车型，竞品车型计算方案有关注重合、线索重合、舆情声量重合等很多种；
步骤960，实时计算搜索结果。实时计算引擎会请求离线用户中心调用该用户对应的推荐/广告列表，并利用实时推荐算法结合用户输入车型、用户离线车型兴趣画像、车型竞品表中内容混排。
通过上述的流程，可以实现根据用户兴趣画像更精准地向用户展示推荐结果。
本申请提供了一种搜索框内车型推荐的装置，如图10所示，包括：
第一推荐模块，用于用户在搜索框内的放置焦点但未输入信息的情况下，查询在线缓存，并在在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像，实现车型推荐，其中在线缓存包含第一用户车型兴趣画像；和/或
第二推荐模块，用于用户在搜索框内输入信息的情况下，根据用户输入的信息生成第二用户车型兴趣画像，并在搜索框的下拉列表中展示生成的第二用户车型兴趣画像，实现车型推荐
优选地，该装置还包括广告模块，用于用户在搜索框下拉列表中悬停的选项为广告项的情况下，展示广告；
优选地，该装置还包括跳转模块，用于用户在搜索框下拉列表中点击的选项为推荐项的情况下，则跳转到推荐项对应的网页；用户在搜索框下拉列表中点击的选项为广告的情况下，则跳转到广告落地页。
优选地，该装置还包括用户兴趣画像生成模块，用于根据用户日志生成用户兴趣画像。
优选地，第一推荐模块，还用于根据接收用户在搜索框内下拉列表项曝光和点击行为；拉取用户兴趣画像，生成用户的特征向量；根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像；将第一用户车型兴趣画像存入在线缓存。
根据用户的特征向量以及特征-物品相关矩阵生成第一用户车型兴趣画像包括：根据用户的特征向量以及特征-物品相关矩阵获取初始推荐物品列表；根据用户长期兴趣画像从初始推荐物品列表中获取符合相关度阈值的车型以及竞品车型；对符合相关度阈值的车型以及竞品车型进行排序，生成第一用户车型兴趣画像。
优选地，第一推荐模块，还用于在线缓存中未查询到第一用户车型兴趣画像的情况下，查询在线数据库中的第一用户车型兴趣画像，如果存在，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；在线数据库中未查询到第一用户车型兴趣画像的情况下，则在离线用户中心查询第一用户车型兴趣画像，则在搜索框的下拉列表中展示查询到的第一用户车型兴趣画像；在离线用户中心未查询到第一用户车型兴趣画像的情况下，在搜索框的下拉列表中展示热搜车型。
优选地，第二推荐模块，还用于根据用户输入的信息识别用户输入的车型；获取用户对应的推荐列表和/或广告列表，并利用用户输入的车型、用户离线车型兴趣画像以及车型竞品表中内容混排，生成第二用户车型兴趣画像。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。