一种搜索联想推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及计算机应用技术领域，尤其是涉及一种搜索联想推荐方法、装置、电子设备及存储介质。


背景技术：

2.目前，用户在搜索页面或搜索栏中对综合类信息搜索的操作中，系统一般会根据用户的搜索关键词联想出一些数据结果，以帮助用户在输入较短的关键词的情况下直接选择联想推荐词，减少用户的输入步骤，缩短用户的搜索输入时间，帮助用户快速找到想要搜索的内容。
3.相关技术中，通过对搜索关键词进行格式检查、格式转换、纠错、分词等预处理工作后，再获取相关的联想推荐词并展示给用户。
4.在实践过程中，发明人发现该技术中至少存在如下问题：
5.所推荐的关联推荐词未按场景进行区分，因此推荐给用户的关联推荐词有时会较为混乱，导致推荐给用户的推荐词无法更准确匹配用户需求。


技术实现要素：

6.为了解决上述问题，本技术提供一种搜索联想推荐方法、装置、电子设备及存储介质，使得推荐给用户的关联推荐词更加精准地匹配用户需求。
7.第一方面，本技术提供的一种搜索联想推荐方法，采用如下的技术方案：
8.一种搜索联想推荐方法，所述方法包括：
9.生成关联推荐词库，该词库包括关联词集合以及不同关联词的场景相关度信息；
10.获取用户输入的搜索请求，其中，所述搜索请求携带有搜索关键词；
11.对所述搜索请求进行意图识别处理，获取搜索意图；
12.使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合；
13.显示带有关联词相关场景信息的所述关联词推荐集合。
14.通过上述技术方案，在关联推荐词库中获取到与所述搜索关键词及搜索意图相匹配的关联词，得到相关的关联词推荐集合并显示，显示时带有关联词的场景信息。
15.在一些实施方式中，所述生成关联推荐词库具体包括：
16.建立关联推荐词库，所述关联推荐词库包括由关联词构成的关联词集合；
17.根据所述关联词与不同预设场景的相关度，确定每一个关联词在各预设场景下的场景匹配分。
18.通过上述技术方案，建立起关联推荐词库，并且计算得到该关联推荐词库中的每个待选关联词在各个预设场景下分别对应的场景匹配分，可通过场景匹配分的值，来确定各待选关联词在某场景下是否可以被匹配的到。该关联推荐词库中的数据可进行动态更新。
19.在一些实施方式中，所述确定每一个关联词在各预设场景下的场景匹配分，还包括下述任意方式或其任意组合方式：
20.a)、对所述关联推荐词库进行数据清洗及数据增强处理，生成不同关联词的不同场景匹配分；
21.b)、基于用户历史行为与关联词的关联信息，对所述关联推荐词库中的不同关联词生成场景匹配分；
22.c)、通过专家系统生成所述关联推荐词库中不同关联词的不同场景匹配分。
23.通过上述技术方案，可以通过一种或多种方法进行场景匹配分的确定。
24.在一些实施方式中，还包括：根据不同关联词的所述场景匹配分确定各个关联词的所属场景。
25.通过上述技术方案，可根据需求设置场景匹配阈值，关联词对应场景的场景匹配分大于该预设的场景匹配阈值的，即可将该场景作为该关联词的所属场景。
26.在一些实施方式中，所述使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合，具体包括：
27.确定与所述搜索意图相关联的预设场景；
28.根据所述关联词的场景相关度信息，获取与所述相关联的预设场景匹配的待选关联词；
29.确定所述待选关联词与所述搜索关键词的关联匹配分；
30.根据所述待选关联词的关联匹配分，生成关联词推荐集合，所述关联词推荐集合包括关联词的相关场景信息。
31.通过上述技术方案，通过搜索意图确定相关场景，并将相关场景下的待选关联词与搜索关联词匹配，由此生成带有所属场景信息的关联词推荐集合。还可以通过对预设场景的设置，来调整所显示的关联词的类型及推荐数量。
32.在一些实施方式中，所述生成关联词推荐集合还包括：
33.获取所述待选关联词的搜索热度分和/或内容综合分；
34.根据所述待选关联词的搜索热度分和/或内容综合分，以及待选关联词与搜索关键词的关联匹配分，生成待选关联词的综合评分；
35.根据所述待选关联词的综合评分，对待选关联词进行排序。
36.通过上述技术方案，对生成的关联词推荐集合，通过关联词的搜索热度信息和/或内容综合信息进行重排，由此得到重排后的关联词推荐集合。
37.在一些实施方式中，所述使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合，还包括：
38.根据用户的历史搜索词和所述历史搜索词的搜索热度信息，生成关联词推荐集合。
39.通过上述技术方案，可将用户输入的历史搜索词作为联想推荐的候选词，更贴合用户的需求。
40.第二方面，本技术提供的一种搜索联想推荐装置，采用如下的技术方案：
41.一种搜索联想推荐装置，包括：
42.词库生成模块，用于生成关联推荐词库，该词库包括关联词集合以及不同关联词
的场景相关度信息；
43.搜索请求获取模块，用于获取用户输入的搜索请求，其中，所述搜索请求携带有搜索关键词；
44.意图识别模块，用于对所述搜索请求进行意图识别处理，获取搜索意图；
45.推荐生成模块，用于使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合；
46.推荐显示模块，用于显示带有关联词相关场景信息的所述关联词推荐集合。
47.第三方面，本技术提供了一种电子设备，采用如下的技术方案：
48.一种电子设备，包括：
49.至少一个处理器；
50.存储装置，用于存储至少一个计算机程序；
51.当所述至少一个计算机程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述技术方案所述的方法。
52.第四方面，本技术提供了一种计算机可读存储介质，采用如下的技术方案：
53.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述技术方案所述的方法。
54.综上所述，本技术包括以下至少一种有益技术效果：
55.1.推荐给用户的关联推荐词可区分多个场景，并分别按场景展示，更加精准地匹配用户的需求。
56.2.在按预设场景类型推荐关联推荐词的基础上，还可增加历史搜索场景，即根据用户的历史输入，提供动态变化的历史搜索关联推荐词，提高用户体验。
57.3.可根据需求动态更新词库，设置所需的场景类型，灵活调整关联推荐词的推荐类型及数量。
附图说明
58.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
59.图1为本技术的一种实施例提供的生成关联推荐词库的方法的流程示意图；
60.图2为本技术的一种实施例提供的搜索联想推荐方法的整体流程示意图；
61.图3为本技术的一种实施例提供的生成关联词推荐集合的方法的流程示意图；
62.图4为本技术的一种实施例提供的搜索联想推荐装置的框架示意图。
具体实施方式
63.为使得本技术的发明目的、特征、优点能够更加的明显和易懂，下面将结合本技术的一种实施例中的附图，对本技术的一种实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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
于本技术保护的范围。
64.以下结合附图1至4对本技术作进一步详细说明。
65.如图1所示的生成关联推荐词库的方法，可以实施以下步骤：
66.101、建立关联推荐词库，所述关联推荐词库包括由关联词构成的关联词集合。
67.所述关联词的含义如下：包含搜索关键词或与搜索关键词含义相近的词。例如，搜索“电器”一词，包含“电器”的词，或与“电器”含义接近的词，包括“xx电器股份有限公司”、“xx电器制造有限公司”、“xx电器有限公司”、“一种电器盒”、“一种电器设备”、“一种充电器”、“电器设备”、“充电器”、“继电器”；这些都是“电器”在关联推荐词库中的关联词。
68.102、根据所述关联词与不同预设场景的相关度，确定每一个关联词在各预设场景下的场景匹配分。
69.每一个关联词都与不同预设场景的关联程度不同，例如在上述实例中，电器公司与企业类场景关联度最高，电器设备、充电器等词与产品、专利场景的关联度更高。每一个关联词在各预设场景下均存在一个场景匹配分。
70.本技术实施例中，所述确定每一个关联词在各预设场景下的场景匹配分，还可以实施下述任意方式或其任意组合方式：
71.a)、对所述关联推荐词库进行数据清洗及数据增强处理，生成不同关联词的不同场景匹配分；
72.可以对现有词库进行数据处理和扩展，此时赋值的场景匹配分高于预设的场景匹配阈值。
73.b)、基于用户历史行为与关联词的关联信息，对所述关联推荐词库中的不同关联词生成场景匹配分；
74.基于用户历史行为(点击等操作)，对用户历史行为关联的关联词所对应的场景进行场景匹配分赋值，此时赋值的场景匹配分高于预设的场景匹配阈值。
75.c)、通过专家系统生成所述关联推荐词库中不同关联词的不同场景匹配分。
76.通过专家系统(专家打分)对关联词所对应的场景类型进行场景匹配分赋值，此时赋值的场景匹配分高于预设的场景匹配阈值，该方式可用于对特定领域的词汇进行处理。
77.执行以上a、b、c三种方式的任意一种或任意组合方式，建立关联推荐词库后，还可通过b方式对关联词的场景匹配分进行持续动态调整，每次动态调整的分数可按预设赋值规则进行，例如每次有效点击可动态增加5～10分。
78.在关联推荐词库中，对与关联词不相关的场景赋值场景匹配分时，可按预设赋值规则，赋值一个较低的分数(低于预设的场景匹配阈值)，如在后续用户历史行为过程中有关联，可动态调整场景匹配分。
79.本技术实施例中，根据不同关联词的所述场景匹配分确定各个关联词的所属场景。
80.所述场景匹配分可以根据不同情况来确定场景匹配阈值，例如可将各关联词的场景匹配分在70分或80分以上的对应场景设为该关联词的所属场景。所述关联词的所属场景可以为一个或多个。
81.例如“人工智能”这个词在本技术中的所属场景类型可以为多个：企业类、产品类和专利类。例如“深度学习”，这个词在本技术中的所属场景类型可能仅为专利类。
82.关联推荐词库通过以上所述方案建立，并计算得到该关联推荐词库中每个待选关联词在各场景类型下的场景匹配分，当场景匹配分超过设定阈值的，则可以认为该场景类型为该待选关联词的所属场景类型。关联推荐词库中的数据为定时更新，未更新时的数据相对静态。
83.本技术的一种实施例中，通过hive和elasticsearch对关联推荐词库进行构建和通过hive库集成数据，每天定时任务进行数据t+1更新的处理，通过大数据下的数据仓库平台、数据服务中台的词库运营平台和kafka数据实时流对关联推荐词库进行更新，修改，删除操作，支持小时级更新，并且能基于内容画像和过滤规则对脏数据进行清洗过滤。词库入库规则：1)不包含特殊字符串；2)用户搜索完在第一屏有点击行为；3)单日被使用的搜索次数大于n次；4)短词和长词搜索点击结果相同时，取长词；5)人工定期维护词库。各个业务数据源集成数据hive库中，每日定时调度更新关联推荐词库。
84.如图2所示的搜索联想推荐方法，可以实施以下步骤：
85.201、生成关联推荐词库，该词库包括关联词集合以及不同关联词的场景相关度信息；
86.202、获取用户输入的搜索请求，其中，所述搜索请求携带有搜索关键词。
87.获取用户的搜索请求，该搜索请求可以为多种形式，例如文字、语音、图形等形式，文字形式还可以为拼音、汉字、英文、纯字母等。
88.搜索请求中包括搜索关键词，搜索关键词经格式检查后，可能不需经过预处理，直接使用；也可能需要进行预处理后以获得调整后的搜索关键词。对用户输入的搜索词进行预处理，包括敏感词处理、异常符号转义、提取搜索关键词和搜索关键词纠错处理等方式，对不规范输入和错误输入进行纠正。
89.搜索关键词纠错处理可采用中文纠错模型，如pycorrector模型。
90.中文纠错，第一步是错误检测，第二步是错误纠正。
91.1)错误检测部分先通过中文分词器切词，由于句子中含有错别字，所以切词结果往往会有切分错误的情况，这样从字粒度和词粒度两方面检测错误，整合这两种粒度的疑似错误结果，形成疑似错误位置候选集；
92.2)错误纠正部分，是遍历所有的疑似错误位置，并使用音似、形似词典替换错误位置的词，然后通过语言模型计算句子困惑度，对所有候选集结果比较并排序，得到最优纠正词。
93.203、对所述搜索请求进行意图识别处理，获取搜索意图。
94.通过意图识别模型判断用户搜索意图。意图识别模型采用了常用的文本分类模型。搜索意图即用户进行搜索的原因或目的。例如用户输入“电器”，搜索意图有可能为获取企业相关信息(电器相关的企业)，有可能为获取产品相关信息(电器相关的产品)，也有可能为获取专利相关信息(电器相关的专利)。通过对用户搜索的意图识别，可使推荐的联想推荐词更加贴合用户的行为。
95.1)数据获取，人为标注小部分数据，网络上爬取大部分训练数据；
96.2)对数据进行特殊字符、缺失值处理、单词转化为向量(word2vec)等预训练处理，对处理完的向量进行求均值，解决词库外字符(oov，out of vocabulary)的问题，处理完后基于语义关系和位置关系进行低维向量(embedding)特征加和；
97.3)得到处理好的低维向量层基于卷积神经网络(cnn)训练模型参数，连接上随机失活(dropout)层，对最后输出层用交叉熵损失函数计算搜索意图所属场景。
98.识别出的搜索意图为多个时，按搜索意图与搜索关键词的关联度进行排序。
99.204、使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合。
100.本步骤可判断搜索意图属于哪个或哪几个场景类型，并在关联推荐词库中获取该场景下场景匹配分超过一定分值(预设场景匹配阈值)的待选关联词，在所述待选关联词中获取与搜索关键词相匹配的搜索关联词(根据待选关联词与搜索关键词的关联匹配分来确定，关联匹配分需超过预设关联匹配阈值)，并按一定数量(每个预设场景下的预设场景推荐数量)返回数据。若某场景下未检索到与搜索关键词相匹配的搜索关联词，则该场景不展示。若在各场景下，存在返回数据的数量未达到预设场景推荐数量的情况，即在预设场景下，未全部获取到预设场景推荐数量的搜索关联词，则将检索到的全部展示。还可设置总推荐数量，若分类型的推荐数量未达到总数量，则可增加其他场景类型的场景推荐数量，使得总推荐数量不变。例如专利类的推荐数据不够，则可返回资讯类或热搜类的关联词补足。
101.通过对不同的搜索场景进行定制化处理，基于不同类别的用户搜索行为来召回不同类型的关联推荐词，例如企业类召回企业名、品牌、热门app、知名企业家等维度的数据，调用大数据elasticsearch达到100ms以内响应能力和500tps的高并发能力支持，提升用户搜索体验。
102.205、显示带有关联词相关场景信息的所述关联词推荐集合。
103.关联词推荐集合中的关联词，根据关联词的所属场景进行区分，并按预设场景推荐数量来分类显示，显示时带有各自的所属场景信息；每个预设场景下的返回数据的数量可根据实际需求进行设置，返回的关联推荐词按预设场景推荐数量来显示。
104.所述预设场景可进行设置，所述预设场景推荐数量可分别针对每个所述预设场景进行设置；各预设场景的展示顺序可进行设置，或在识别出的搜索意图为多个时，与搜索意图相关联的场景，按搜索意图的排序(根据搜索意图与搜索关键词的关联度所进行的排序)进行展示。当获取到对预设场景、预设场景推荐数量或预设场景的展示顺序的设置请求时，对预设场景类型、预设场景推荐数量或预设场景的展示顺序进行设置。
105.预设场景和预设场景推荐数量，可根据实际需求进行设置：1)联想推荐词场景类型；2)联想推荐词场景推荐数量；3)前缀或者全匹配模式；4)是否返回意图参数。
106.本技术的一种实施例中，在联想推荐词搜索的整体结构上做了优化，针对不同的场景，可以根据参数交互的方式获取到对应的结构数据，实现不同场景定制化。参数交互的具体实现逻辑：后端传递type参数，size参数，来灵活选择想要的数据类型和数据数量，例如参数设置type：5，size：10，就会返回企业类别场景数据，一共返回10条。
107.本搜索联想推荐方法的技术方案，借助大数据下的数据仓库平台、数据中台服务运营平台、机器学习数据清理、算法意图识别模型、算法词纠错模型、elasticsearch搜索、kafka数据实时流和python业务代码整合能力，为用户使用搜索功能时能高效找到想要搜索的内容做设置，提升了搜索功能的使用体验，也能够满足词库的灵活更新。用户搜索行为可以为开发人员提供模型优化提供数据支撑。依托大数据侧丰富的数据资源做动态数据更新，保证了关联推荐词的时效性和高可用性。
108.如图3所示的生成关联词推荐集合的方法，可以实施以下步骤：
109.301、确定与所述搜索意图相关联的预设场景。
110.查找所述搜索意图是否存在相关联的预设场景；若是，则根据所述搜索意图相关联的预设场景，按对应的预设场景推荐数量，获取所述搜索意图相关联的每个预设场景下的与所述搜索关键词相匹配的搜索关联词；若否，则根据所有的预设场景，按对应的预设场景推荐数量，获取每个预设场景下的与所述搜索关键词相匹配的搜索关联词。
111.本技术实施例中，场景就是指搜索关联词所关联的场景，每个搜索关联词都可能归属于多个场景。所述预设场景包括企业类、专利类、产品类、政策类、资讯类、热搜类等场景；而识别出的搜索意图，可能为单个(例如仅为企业类)，也可能为多个(例如企业类、产品类、政策类等)。若出现识别不出搜索意图，或识别出的搜索意图不属于预设场景类型的情况，则按全部预设场景展示信息。
112.其中，热搜类包括热搜词，热搜词反应的是最近用户的高频搜索。可通过kafka实时数据流，把最近一段时间(例如一小时内)的热搜词加到远程字典服务(redis)中，进行动态关联搜索。热搜类场景作为预设场景之一，若意图识别为热搜类时，则按预设的推荐数量展示热搜类推荐词。
113.302、根据所述关联词的场景相关度信息，获取与所述相关联的预设场景匹配的待选关联词。
114.当搜索意图与预设场景一致时，则按对应的场景获取待选关联词，如搜索意图识别到是要检索企业，那就属于企业类场景；识别到是要检索专利信息，就属于专利类场景；识别是要检索热搜类信息，就属于热搜类场景。
115.303、确定所述待选关联词与所述搜索关键词的关联匹配分。
116.基于相关度评分算法(如bm25算法)，获取待选关联词与搜索关键词基于文本的字面匹配度得分，即关联匹配分。
117.304、根据所述待选关联词的关联匹配分，生成关联词推荐集合，所述关联词推荐集合包括关联词的相关场景信息。
118.通过场景匹配分确定哪些待选关联词可以被匹配到。
119.本技术实施例中，还可以实施以下步骤：
120.获取所述待选关联词的搜索热度分和/或内容综合分；
121.根据所述待选关联词的搜索热度分和/或内容综合分，以及待选关联词与搜索关键词的关联匹配分，生成待选关联词的综合评分；
122.根据所述待选关联词的综合评分，对待选关联词进行排序。
123.本技术的一种实施例中，根据所述综合评分，对所述待选关联词按所属场景分别进行排序，获取排序结果；根据所述排序结果生成所述用户的关联推荐集合，并按所述待选关联词的所属场景进行分类展示。
124.本技术的一种实施例中，所述待选关联词的综合评分的表达式如下：
[0125][0126]
其中，y
score
为综合评分，dsl
score
为关联匹配分，user
score
为搜索热度分，item
score
为
内容综合分，n表示评分维度的数量。
[0127]
在对关联词的排序中加入了打分机制，可以通过模型训练内容画像数据和用户画像数据把高分词优先展示出来，提升用户搜索使用体验。本技术实施例中，综合评分由关联匹配分、用户搜索热度分、内容综合分加权求和得到。
[0128]
本技术的一种实施例中，可通过关联词的热度信息、长度信息、匹配分信息、内容分信息等维度进行倒排。例如，企业类的场景类型下，可按照关联词的热度信息、企业拥有的专利数量、长度信息、关联匹配分、内容综合分等进行倒排。
[0129]
先使用排序模型对召回结果进行排序，由于展示位置有限，可对排序后的结果进行重排兼顾展示数据的准确性和多样性。
[0130]
本技术实施例中，还可以实施以下步骤：
[0131]
根据用户的历史搜索词和所述历史搜索词的搜索热度信息，生成关联词推荐集合。
[0132]
本技术的一种实施例中，可以实施以下步骤：
[0133]
1)获取预设时间段内的用户输入的历史搜索词。
[0134]
2)将所述历史搜索词加入预设历史推荐词库中，作为待选历史词。
[0135]
3)在所述预设历史推荐词库中，确定所述待选历史词与所述搜索关键词的关联匹配分。
[0136]
4)获取所述待选历史词的搜索热度分。
[0137]
5)根据所述待选历史词的关联匹配分和搜索热度分，在所述待选历史词中获取预设历史推荐数量的历史关联词，其中，所述历史关联词的所属场景类型为历史搜索场景。
[0138]
6)将所述历史关联词作为搜索关联词，加入所述关联推荐集合中。
[0139]
本技术的一种实施例中，引入了数据实时流处理机制能够把用户最近的搜索行为动态的展示在用户的下次使用中，用户搜索频率越高，关联推荐词展示的机会就越大。可将设定时间段内的历史输入词加入历史推荐词库中，例如最近三天内所输入的词。历史输入词的所属场景类型设定为“历史搜索”场景。“历史搜索”场景可独立于上述的预设场景类型进行设置。关闭时，则搜索关联词只展示预设场景类型中的词；开启时，可在整体展示中多出“历史搜索”场景(或标签)的联想推荐词。历史推荐词库中的数据为实时更新，对比关联推荐词库的数据，历史推荐词库的数据相对动态。
[0140]
本技术的一种实施例中，在显示带有关联词相关场景信息的所述关联词推荐集合时，可以实施以下任意方式或任意组合方式：
[0141]
1)按预设场景推荐数量，分别展示各场景类型对应的联想推荐词。
[0142]
2)获取用户设定时间段内进行搜索时的历史搜索意图，根据各历史搜索意图所关联的预设场景类型的次数，以及用户对搜索结果的反馈，动态调整所述历史搜索意图所对应的场景推荐数量；按调整后的场景推荐数量，分别展示各场景类型对应的联想推荐词。例如：当用户历史搜索企业和专利信息较多时，保持总推荐数量不变的情况下，动态增加企业场景类型和专利场景类型的联想推荐词数量，相应减少其他类型的推荐数量。即可以根据历史搜索意图所关联的预设场景类型比例数据，相应调整各预设场景类型的推荐数量。
[0143]
3)根据用户行为，获取用户画像；根据用户画像，获取用户喜好的场景类型；根据用户喜好的场景类型，动态调整场景推荐数量；按调整后的场景推荐数量，分别展示各场景
类型对应的联想推荐词。例如：用户喜好是搜索产品类信息或热搜类信息，则保持总推荐数量不变的情况下，动态增加产品场景类型和热搜场景类型的联想推荐词数量，相应减少其他类型的推荐数量。
[0144]
通过以上所述的搜索联想推荐方法，所推荐的关联推荐词按场景进行分类显示，并可根据用户反馈进行动态调整所显示的关联词或关联词的场景类型，使得推荐给用户的关联推荐词能够更加准确地匹配用户需求。
[0145]
如图4所示的搜索联想推荐装置的框架示意图，本技术的一种实施例提供的搜索联想推荐装置，包括：
[0146]
词库生成模块401，用于生成关联推荐词库，该词库包括关联词集合以及不同关联词的场景相关度信息；
[0147]
搜索请求获取模块402，用于获取用户输入的搜索请求，其中，所述搜索请求携带有搜索关键词；
[0148]
意图识别模块403，用于对所述搜索请求进行意图识别处理，获取搜索意图；
[0149]
推荐生成模块404，用于使用所述关联推荐词库生成与所述搜索关键词及搜索意图相关联的关联词推荐集合；
[0150]
推荐显示模块405，用于显示带有关联词相关场景信息的所述关联词推荐集合。
[0151]
在一些可能的实施方式中，根据本技术实施方式的电子设备可以至少包括至少一个处理器、以及至少一个存储装置。其中，所述存储装置存储有至少一个计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行本说明书上述技术方案中描述的根据本技术各种具体实施方式的方法中的步骤。
[0152]
在一些可能的实施方式中，本技术的各个方面还可以实现为一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被电子设备的处理器执行时用于实现本说明书上述技术方案中描述的根据本技术各种具体实施方式的方法中的步骤。
[0153]
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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
[0154]
可读存储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、有线、光缆、rf等，或者上述的任意合适的组合。
[0155]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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电子设备上执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0156]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完
全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0157]
以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。