搜索词的推荐方法、装置、电子设备和计算机可读存储介质与流程

本公开涉及信息处理领域，尤其涉及一种搜索词的推荐方法、装置、电子设备及计算机可读存储介质。

背景技术：

随着信息时代的来临，如何从浩瀚的信息海洋中精准获取需要的信息是搜索领域中需要解决的主要问题。

现有与搜索相关的方法中较为常见的方式是针对一个搜索词从网络中的各数据源爬取关联数据并形成对应的搜索项目，然后根据单位时间内与该搜索词对应的各搜索项目的点击数据计算各搜索项目的得分，并按照得分确定搜索项目的显示顺序，当用户使用搜索引擎进行搜索时，如果输入该搜索词，搜索引擎则依上述显示顺序展示与该搜索词对应的搜索项目。

在用户使用搜索引擎进行搜索的过程中，用户可能无法输入准确的搜索词，从而无法获得期望的结果。因此需要根据用户输入的搜索词推荐相关的搜索词，以帮助用户获得期望的结果。但是在现有技术中，往往会基于历史数据来推荐与用户输入的搜索词相关的搜索词，需要计算的数据量大，并且难以做到精准。

技术实现要素：

针对上述缺陷，本公开实施例提供搜索词的推荐方法，装置，电子设备，和计算机可读存储介质，将会话中的搜索词连接成语句，并基于会话中的搜索词连接成的语句训练神经网络以推荐搜索词，从而利用会话中的各搜索词之间的相关性来向用户推荐更为精准的搜索词，带来更好的用户体验。

第一方面，本公开实施例提供一种搜索词的推荐方法，其特征在于，包括：获取用户搜索词；通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。。

第二方面，本公开实施例提供一种搜索词的推荐装置，其特征在于，包括：获取模块，用于获取用户搜索词；确定模块，用于通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；推荐模块，根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。

第三方面，本公开实施例提供一种用于确定输入词的相关词的神经网络的训练方法，其特征在于，包括：根据搜索日志获取会话；将所述会话中的搜索词连接成语句；将所述语句作为训练集合训练所述神经网络。

第四方面，本公开实施例提供一种用于确定输入词的相关词的神经网络的训练装置，其特征在于，包括：会话获取模块，用于根据搜索日志获取会话；语句连接模块，用于将所述会话中的搜索词连接成语句；训练模块，用于将所述语句作为训练集合训练所述神经网络。

第五方面，本公开实施例提供一种电子设备，包括：存储器，用于存储计算机可读指令；以及与所述存储器耦合的一个或多个处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现前述第一方面或第三方面中的任一方法。

第六方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述第一方面或第三方面中的任一方法。

本公开公开了一种搜索词的推荐方法、装置、电子设备和计算机可读存储介质。其中所述搜索词的推荐方法，包括：获取用户搜索词；通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。本公开实施例提供了搜索词的推荐方法、装置等，将会话中的搜索词连接成语句，并基于会话中的搜索词连接成的语句训练神经网络以推荐搜索词，从而利用会话中的各搜索词之间的相关性来向用户推荐更为精准的搜索词，带来更好的用户体验。

上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例提供的搜索词的推荐方法实施例的流程图；

图2所示为本公开提供的可选实施例中的神经网络模型图；

图3为本公开实施例提供的用于确定输入词的相关词的神经网络的训练方法实施例的流程图；

图4为本公开实施例提供的搜索词的推荐装置实施例的结构示意图；

图5为本公开实施例提供的用于确定输入词的相关词的神经网络的训练装置实施例的结构示意图；

图6为根据本公开实施例提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在介绍本公开实施例之前，先简单介绍搜索领域的部分相关技术，以期更好地理解本公开实施例。如背景技术所述以及本领域技术人员所理解的，用户在通过搜索引擎搜索时，通常会在搜索引擎所展示的界面上输入搜索词，然后搜索引擎将与所述搜索词对应的搜索项目按照一定的显示顺序显示给用户，其中通过输入搜索词以获取该搜索词的搜索项目的过程可以称为query(有时也会将搜索词称为query，并简单标记为q)，与搜索词对应的搜索项目也可以称为该搜索词的doc，其中可以通过爬虫技术、标引技术、关联度计算技术等方式确定搜索词的搜索项目，对于上述相关技术，可以采用现有的或将来的各种技术，此处不再展开。

现有技术中，在用户通过搜索引擎进行搜索的过程中，搜索引擎或者其他计算设备会通过日志文件等记录用户的各种搜索数据，例如可以记录用户对某一搜索词的搜索数据(例如包括搜索次数，搜索频率，搜索的时间等)和/或用户对搜索词的搜索项目的点击数据(例如包括点击次数，展示次数，和/或所点击的搜索项目的显示顺序等)等，还可以以会话(session)为单位记录用户的搜索行为，如同本领域技术人员所理解的，会话对应了用户与搜索引擎或交互系统进行通信的时间阶段，例如对应用户接入搜索引擎到退出(关闭)搜索引擎所经过的时间阶段，或者对应预定义的单位时间阶段，而会话对应有搜索数据，即搜索引擎可以按照会话记录用户在会话对应的时间阶段内的各种搜索数据，例如记录用户在该会话中进行了多少次搜索，使用了多少个搜索词，使用每个搜索词的时间，点击了哪些搜索项目等，本领域技术人员可以根据需求定义每个会话所需要记录的各种维度的数据。

为了将与搜索词更加关联或更加准确的搜索项目显示在前列，会根据单位时间内的点击数据确定与该搜索词对应的搜索项目的点击率，进而计算得分，然后根据得分调整搜索项目的显示顺序，其中的单位时间(例如包括去年全年，上个月全月等)可以任意设定。

通过上述方式，搜索引擎能够在用户输入搜索词后，将与所述搜索词对应的搜索项目按照确定的显示顺序展示给用户，以期为用户提供有价值的信息。

下面，将清楚地描述本公开提供的各实施例。

本公开实施例提供的搜索词的推荐方法可以由一个搜索词的推荐装置来执行，该搜索词的推荐装置可以实现为软件，可以实现为硬件，还可以实现为软件和硬件的组合，例如所述搜索包括计算机设备，从而通过该计算机设备来执行本公开实施例提供的该搜索词的推荐方法，如本领域技术人员所理解的，计算机设备可以包括各种类型，例如包括服务器，作为示例，可以通过一个服务器执行本公开实施例提供的该搜索词的推荐方法，还可以通过多个服务器协作实现本公开实施例提供的该搜索词的推荐方法。

图1为本公开实施例提供的搜索词的推荐方法实施例的流程图，本公开实施例提供的该搜索词的推荐方法可以由上述搜索词的推荐装置来执行。

如图1所示，本公开实施例的搜索词的推荐方法包括如下步骤：

步骤s101，获取用户搜索词；

在步骤s101中，所述搜索词的推荐装置获取用户搜索词，用户搜索词例如是用户在使用搜索引擎时输入到搜索引擎的搜索词，用户输入的所述搜索词包括但不限于数字，字母，词语，和/或语句。可选的，所述搜索词的推荐装置可以是所述搜索引擎，当用户将所述用户搜索词输入到所述搜索引擎时，也就获得了所述用户搜索词；可选的，所述搜索词的推荐装置可以是与所述搜索引擎不同的装置，当用户将所述用户搜索词输入到所述搜索引擎时，所述搜索词的推荐装置可以从所述搜索引擎获取所述用户搜索词。

步骤s102，通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；

在步骤s102中，所述搜索词的推荐装置通过神经网络确定步骤s101中获取的所述用户搜索词的相关词，其中，所述神经网络是训练完成的神经网络，能够针对输入到所述神经网络的输入词而输出该输入词的相关词，从而将所述用户搜索词输入到所述神经网络，所述神经网络经过计算，能够输出所述用户搜索词的相关词。

神经网络是深度学习技术的代表，随着深度学习技术的不断发展，存在多种类型和/或结构的神经网络。在一个可选的实施例中，所述神经网络包括skip-gram网络。图2所示为skip-gram网络的模型图，参见图2，skip-gram网络的input端用于输入词的输入，对输入词通过projection部分的处理后，会通过output端输出与所述输入词的相关词，并且对于输出的多个相关词，会给出各自的概率分布，各概率分布的和为1，输出的相关词的概率值越高，代表了该相关词与所述输入词越相关。

本公开实施例中，步骤s102中的神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的。以所述神经网络为skip-gram网络为例，可以通过搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合训练所述skip-gram网络。

在获取所述训练集合的过程中，首先要通过搜索日志获取会话。一般而言，所述搜索日志对应预设时间段，即搜索日志记录了该预设时间段内、各用户使用搜索引擎进行搜索时所产生的搜索数据。预设时间段可以根据需求设定、例如可以是上个月的时间段，去年的时间段，或者从今天0:00向前100天的时间段等，以所述预设时间段包括上个月的时间段为例，所述搜索日志与上个月第一天0:00到上个月最后一天24:00对应，即所述搜索日志记录了从上个月第一天0:00到上个月最后一天24:00期间，各用户使用搜索引擎进行搜索时所产生的搜索数据。

如本领域技术人员所理解的，会话对应用户与搜索引擎或交互系统进行通信的时间阶段。可选的，所述会话对应所述搜索日志中记录的用户接入到退出的时间段，例如搜索日志会记录该用户在该会话期间的搜索数据，故获取了该用户的该会话，也就获取了从该用户接入搜索引擎到退出搜索引擎的时间段内对应的搜索数据；可选的，所述会话对应单位时间段，单位时间段可以是预设的，例如10分钟，半小时等，那么获取了该用户的该会话，也就获取了该用户在该单位时间段、例如10分钟或半小时内对应的搜索数据。如本领域技术人员所理解的，搜索数据包括但不限于用户在该会话中进行了多少次搜索，使用了多少个搜索词，使用每个搜索词的时间，点击了哪些搜索项目等，本领域技术人员可以根据需求定义每个会话所需要记录的各种维度的数据。

通过搜索日志获取会话，也就获取了该搜索日志对应的预设时间段内的所有会话，而会话对应了搜索数据，故也就获取了各会话对应的搜索数据。

对于所述会话对应用户接入搜索引擎(或交互系统)到退出搜索引擎的时间段的可选实施例，所获取的会话包括与用户接入搜索引擎到退出搜索引擎的时间段所对应的会话，例如在所述搜索日志对应的预设时间段内：用户1使用了搜索引擎1次(从接入搜索引擎到退出搜索引擎视为使用搜索引擎1次)，那么所获取的会话包括用户1使用搜索引擎1次所对应的会话a，该会话a对应有用户1使用搜索引擎1次的搜索数据a；用户2使用了搜索引擎5次，那么在步骤s101所获取的会话包括用户2使用搜索引擎5次所对应的5个会话b到会话f，该会话b到会话f对应有用户2使用搜索引擎5次的搜索数据b到f。

对于所述会话对应单位时间段的可选实施例，所获取的会话包括与所述单位时间段对应的会话，例如所述单位时间段包括10分钟，在所述搜索日志对应的预设时间段内：用户1使用了搜索引擎1次(从接入搜索引擎到退出搜索引擎视为使用搜索引擎1次)，其1次使用持续了25分钟，那么所获取的会话包括用户1的两个会话a1和a2(会话a1对应了其1次使用中的第0-10分钟，会话a2对应了其1次使用中的第11-20分钟，其1次使用中的第21-25分钟由于不足所述单位时间段10分钟、故舍去)，该会话a1和a2分别对应有用户1使用搜索引擎1次中的第0-10分钟的搜索数据a1和第11-20分钟的搜索数据a2(或者在步骤s101所获取的会话包括用户1的三个会话a1，a2，和a3，会话a1对应了其1次使用中的第0-10分钟，会话a2对应了其1次使用中的第11-20分钟，会话a3对应了其1次使用中的第21-25分钟，其1次使用中的第21-25分钟虽然不足所述单位时间段10分钟，但是仍然保留作为一个会话)；用户2使用搜索引擎2次、分别持续了20分钟和23分钟，那么所获取的会话包括用户2第1次使用搜索引擎对应的两个会话b1和b2(会话b1和会话b2分别对应用户2第1次使用搜索引擎中的第0-10分钟和第11-20分钟)，该会话b1和b2分别对应有用户2第1次使用搜索引擎中的第0-10分钟的搜索数据b1和第11-20分钟的搜索数据b2，并且在步骤s101所获取的会话还包括用户2第2次使用搜索引擎所对应的两个会话b3和b4(会话b3和会话b4分别对应用户2第2次使用搜索引擎中的第0-10分钟和第11-20分钟，用户2第2次使用搜索引擎中的第21-23分钟由于不足所述单位时间段10分钟、故舍去；当然，如果不足所述单位时间段10分钟部分仍然保留作为一个会话，那么所获取的会话还包括用户2第2次使用搜索所对应的会话b5，会话b5对应用户2第2次使用搜索引擎中的第21-23分钟)，该会话b3和b4分别对应有用户2第2次使用搜索引擎中的第0-10分钟的搜索数据b3和第11-20分钟的搜索数据b4(如果存在上述会话b5，会话b5对应用户2第2次使用搜索引擎中的第21-23分钟的搜索数据b5)。

在获取所述训练集合的过程中，在通过搜索日志获取会话之后，可以将所述会话中的搜索词连接成语句；

例如获取了q个会话(q为正整数)，q个会话对应了各自的搜索数据，各自的搜索数据至少记录了对应的会话的单位时间段中用户所使用的搜索词，那么可以根据所述会话对应的搜索数据，将每个会话中的搜索词连成一个语句，从而得到q个语句。

在一个可选的实施例中，根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句，作为示例，获取的会话包括用户1的一个会话a，在会话a中用户1按照时间先后搜索了“1号公路”，“黄石公园”，“机票”，“酒店”，“租车”五个搜索词，那么可以将所述会话a中的五个搜索词按照其对应的时间信息的先后顺序连接成语句，所述语句为“1号公路黄石公园机票酒店租车”。在又一个可选的实施例中，根据随机顺序将所述会话中的搜索词连接成所述语句，例如对于上述五个搜索词的示例，可能得到语句“黄石公园机票1号公路租车酒店”。

在获取所述训练集合的过程中，在通过搜索日志获取会话之后，并将所述会话中的搜索词连接成语句之后，可以将所述语句作为训练集合训练所述skip-gram网络；

本公开实施例中，所述神经网络、例如skip-gram网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的，由于用户在一个会话中的各搜索词之间可能具有相关性，因此通过这些具有相关性的搜索词连接成语句，进而将这些语句作为训练集合训练神经网络，能够使得所述神经网络输出与输入词更为相关的相关词。

在基于上述训练集合训练skip-gram网络的过程中，对于上述训练集合所包括的语句，可以根据skip-gram网络的训练要求处理为(输入词-相关词)的形式，然后将得到的所有(输入词-相关词)作为训练数据输入到神经网络的输入端，神经网络会将输入的(输入词-相关词)转化为词向量，按照神经网络的架构进行运算，并根据运算结果调整神经网络的参数，并不断重复这一步骤，直到对于输入的(输入词-相关词)、神经网络能够输出符合预设条件的结果(例如通过softmax函数确定输出结果是否小于预设误差等，本公开实施例对于训练神经网络过程中采用的损失函数的种类和形式不做限定)，这时，会将神经网络的参数固定下来，即神经网络训练完毕。如前所述，训练完毕的神经网络可以用于接收输入词，并通过概率分布的方式给出所述输入词的一个或多个相关词。作为示例，例如对于前述实施例得到的语句“黄石公园机票1号公路租车酒店”，在通过该语句训练所述神经网络的过程中，神经网络会根据预设的训练要求将该语句处理为(输入词-相关词)的形式，例如选取其中的“机票”作为输入词，根据预设的训练要求设置跳跃窗口(skipwindow)参数为2，那么将会把与“机票”前后相邻的两个词分别作为相关词，对于上述语句，将“黄石公园”，“1号公路”，和“租车”作为相关词，得到(机票-黄石公园)(机票-1号公路)和(机票-租车)三个训练数据，同理，还可以以其中的“黄石公园”，“1号公路”，“租车”，和“酒店”分别作为输入词，按照跳跃窗口参数为2得到各相关词并处理为(输入词-相关词)的形式，输入到神经网络用于训练。

在步骤s102中，对于通过上述方式训练完成的神经网络，将步骤s101获取的用户搜索词输入到该训练完成的神经网络，所述神经网络输出所述用户搜索词的相关词。其中，由于所述神经网络是基于搜索引擎的用户们在各自的会话中输入的各搜索词连接成的语句训练的，会话中输入的各搜索词往往具有相关性，故这种相关性可以被神经网络提取，以期对于输入到神经网络的用户搜索词，神经网络能够基于前述相关性输出与该用户搜索词比较相关的相关词。

步骤s103，根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。

如前所述，在步骤s102中将用户搜索词输入到训练完成的神经网络，神经网络会输出该用户搜索词的相关词，例如向训练完成的skip-gram网络输入所述用户搜索词，skip-gram网络会通过概率分布的形式输出一个或多个相关词，各相关词的概率分布的和为1，输出的相关词的概率值越高，代表了该相关词与所述用户搜索词越相关，进而在步骤s103中，可以根据神经网络给出的所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。

在本公开实施例中，由于将会话中的搜索词连接成语句，并基于会话中的搜索词连接成的语句训练神经网络以推荐搜索词，从而能够利用会话中的各搜索词之间的相关性来向用户推荐更为精准的推荐搜索词，带来了更好的用户体验。

在一个可选的实施例中，步骤s103：根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词，包括：从所述用户搜索词的相关词中确定相关度最高的m个相关词，m为正整数；根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词。

当用户通过用户搜索词进行搜索时，步骤s102中该训练完成的神经网络能够输出一个或多个所述用户搜索词的相关词，较大可能的情况下，神经网络会给出数量较大的所述用户搜索词的相关词，如果把数量较大的所述用户搜索词的相关词的全部或者其中的大部分都推荐给用户，可能反而会造成用户的困扰。因此在上述可选的实施例中，仅从所述神经网络输出的所述用户搜索词的相关词中选取相关度最高的m个相关词，并根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词，以期将更相关的推荐搜索词推荐给用户。例如skip-gram网络会通过概率分布的形式输出一个或多个相关词，各相关词的概率分布的和为1，输出的相关词的概率值越高，代表了该相关词与所述用户搜索词越相关，那么可以从skip-gram网络输出的相关词中选取概率值最高的m个相关词，并根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词。

可选的，根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词，包括：将所述m个相关词确定为所述推荐搜索词，由于所述m个相关词与所述用户搜索词的相关度最高，那么可以直接将所述m个相关词所谓所述推荐搜索词。可选的，根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词，包括：根据去重操作从所述m个相关词中确定n个相关词，n为正整数；将所述n个相关词确定为所述推荐搜索词。训练的神经网络所给出的相关词中可能存在重复，故所述m个相关度最高的相关词中有存在重复的相关词的可能，故可以通过去重操作，去掉所述m个相关度最高的相关词中重复的相关词，将m个相关词去重后剩下的n个相关词作为推荐搜索词推荐给用户，以期带来更好的用户体验，其中去重操作可以包括循环比对方法，图剪枝方法，或哈希表检测法等。

图3所示为本公开实施例提供的用于确定输入词的相关词的神经网络的训练方法实施例的流程图。图3实施例提供的用于确定输入词的相关词的神经网络的训练方法可以由前述搜索词的推荐装置来执行，也可以由用于确定输入词的相关词的神经网络的训练装置来执行，还可以由其他形式计算机设备来执行，本公开实施例对此不作限定。如图3所示，本公开实施例的用于确定输入词的相关词的神经网络的训练方法包括如下步骤：

步骤s301，根据搜索日志获取会话；

在步骤s301中，执行所述训练方法的装置根据搜索日志获取会话。可选的，所述会话对应单位时间段，或者所述会话对应所述搜索日志中记录的用户接入到退出的时间段。关于如何从所述搜索日志获取所述会话，以及所述会话对应的时间段的描述，可以参见前述步骤s102中的相同或相应描述，此处不再赘述。

步骤s302，将所述会话中的搜索词连接成语句；

在步骤s302中，执行所述训练方法的装置将步骤s301中获取的各会话中的搜索词连接成语句。例如在步骤s301中获取了q个会话(q为正整数)，q个会话对应了各自的搜索数据，各自的搜索数据至少记录了对应的会话的单位时间段中用户所使用的搜索词，那么可以根据所述会话对应的搜索数据，将每个会话中的搜索词连成一个语句，从而得到q个语句。可选的，根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句；可选的，根据随机顺序将所述会话中的搜索词连接成所述语句。关于如何将所述会话中的搜索词连接成语句，可以参见前述步骤s102中的相同或相应描述，此处不再赘述。

步骤s303，将所述语句作为训练集合训练所述神经网络。

在步骤s303中，执行所述训练方法的装置将步骤s302中得到的各语句作为训练集合训练所述神经网络，其中，所述神经网络用于确定输入词的相关词，例如所述神经网络能够接收输入词，通过计算输出所述输入词的相关词。可选的，所述神经网络包括skip-gram网络。如前所述以及本领域技术人员的理解，在步骤s303中，将步骤s302中获得的各语句作为训练集合训练所述神经网络的过程中，可以将各语句处理为(输入词-相关词)的形式，然后将得到的所有(输入词-相关词)作为训练数据输入到神经网络的输入端，神经网络会将输入的(输入词-相关词)转化为词向量，按照神经网络的架构进行运算，并根据运算结果调整神经网络的参数，并不断重复这一步骤，直到对于输入的(输入词-相关词)、神经网络能够输出符合预设条件的结果，这时，会将神经网络的参数固定下来，即神经网络训练完毕。如前所述，训练完毕的神经网络可以用于确定输入词的相关词，例如接收输入词，通过计算，输出所述输入词的相关词。关于语句的处理，神经网络的结构，以及训练的过程等，可以参照s102中的相同或相应描述，此处不再赘述。

图4所示为本公开实施例提供的搜索词的推荐装置实施例的结构示意图。如图4所示，所述搜索词的推荐装置400包括获取模块401，确定模块402，和推荐模块403。

所述获取模块401，用于获取用户搜索词；

所述确定模块402，用于通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；

所述推荐模块403，用于根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词

图4所示装置可以执行图1所示实施例的方法，本实施例未详细描述的部分，可参考对图1所示实施例的相关说明。该技术方案的执行过程和技术效果参见图4所示实施例中的描述，在此不再赘述。

图5为本公开实施例提供的用于确定输入词的相关词的神经网络的训练装置实施例的结构示意图。如图5所示，所述用于确定输入词的相关词的神经网络的训练装置500包括会话获取模块501，语句连接模块502，和训练模块503。

所述会话获取模块501，用于根据搜索日志获取会话；

所述语句连接模块502，用于将所述会话中的搜索词连接成语句；

所述训练模块503，用于将所述语句作为训练集合训练所述神经网络。

图5所示装置可以执行图3所示实施例的方法，本实施例未详细描述的部分，可参考对图3所示实施例的相关说明。该技术方案的执行过程和技术效果参见图3所示实施例中的描述，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开各实施例的电子设备400或500的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线或通信线路604彼此相连。输入/输出(i/o)接口605也连接至总线或通信线路604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述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包括但不限于电、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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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该电子设备执行时，使得该电子设备执行上述实施例中的搜索词的推荐方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开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。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种搜索词的推荐方法，包括：

获取用户搜索词；

通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；

根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。

进一步的，所述会话对应单位时间段，或者所述会话对应所述搜索日志中记录的用户接入到退出的时间段。

进一步的，将所述会话中的搜索词连接成语句，包括：

根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句。

进一步的，将所述会话中的搜索词连接成语句，包括：

根据随机顺序将所述会话中的搜索词连接成所述语句。

进一步的，所述神经网络包括skip-gram网络。

进一步的，所述根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词，包括：

从所述用户搜索词的相关词中确定相关度最高的m个相关词，m为正整数；

根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词。

进一步的，所述根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词，包括：

将所述m个相关词确定为所述推荐搜索词。

进一步的，所述根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词，包括：

根据去重操作从所述m个相关词中确定n个相关词，n为正整数；

将所述n个相关词确定为所述推荐搜索词。

根据本公开的一个或多个实施例，提供了一种用于确定输入词的相关词的神经网络的训练方法，其特征在于，包括：

根据搜索日志获取会话；

将所述会话中的搜索词连接成语句；

将所述语句作为训练集合训练所述神经网络。

进一步的，所述会话对应单位时间段，或者所述会话对应所述搜索日志中记录的用户接入到退出的时间段。

进一步的，所述将所述会话中的搜索词连接成语句，包括：

根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句。

进一步的，所述将所述会话中的搜索词连接成语句，包括：

根据随机顺序将所述会话中的搜索词连接成所述语句。

进一步的，所述神经网络包括skip-gram网络。

根据本公开的一个或多个实施例，提供了一种搜索词的推荐装置，其特征在于，包括：

获取模块，用于获取用户搜索词；

确定模块，用于通过神经网络确定所述用户搜索词的相关词，其中，所述神经网络是根据搜索日志获取会话，并将所述会话中的搜索词连接成语句，以所述语句作为训练集合而训练完成的；

推荐模块，用于根据所述用户搜索词的相关词确定与所述用户搜索词对应的推荐搜索词。

进一步的，所述会话对应单位时间段，或者所述会话对应所述搜索日志中记录的用户接入到退出的时间段。

进一步的，所述将所述会话中的搜索词连接成语句，包括：

根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句。

进一步的，所述将所述会话中的搜索词连接成语句，包括：

根据随机顺序将所述会话中的搜索词连接成所述语句。

进一步的，所述神经网络包括skip-gram网络。

进一步的，所述推荐模块还用于：从所述用户搜索词的相关词中确定相关度最高的m个相关词，m为正整数；根据所述m个相关词确定与所述用户搜索词对应的推荐搜索词。

根据本公开的一个或多个实施例，提供了一种用于确定输入词的相关词的神经网络的训练装置，其特征在于，包括：

会话获取模块，用于根据搜索日志获取会话；

语句连接模块，用于将所述会话中的搜索词连接成语句；

训练模块，用于将所述语句作为训练集合训练所述神经网络。

进一步的，所述语句连接模块，还用于：

根据所述会话中的搜索词对应的时间信息的先后顺序，将所述会话中的搜索词连接成所述语句。

进一步的，所述语句连接模块，还用于：

根据随机顺序将所述会话中的搜索词连接成所述语句。

进一步的，所述神经网络包括skip-gram网络。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：存储器，用于存储计算机可读指令；以及与所述存储器耦合的一个或多个处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现前述任一所述方法。

根据本公开的一个或多个实施例，提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述任一所述方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。