搜索关键词排列方法、装置、电子设备及可读存储介质与流程

1.本技术涉及大数据技术领域，尤其涉及一种搜索关键词排列方法、装置、电子设备及可读存储介质。


背景技术：

2.在搜索场景中，通过搜索栏接收用户输入的搜索内容后，会在搜索栏下方向用户展示一个推荐列表，该推荐列表用于向用户推荐相应的搜索关键词。目前，生成上述推荐列表的方式一般为：针对搜索关键词集合中的多个搜索关键词，按照各个搜索关键词的历史搜索情况确定其与搜索内容的相关度，进而，按照相关度由高到低的顺序对多个搜索关键词进行排序，最后，提取排序靠前的预设数量的搜索关键词，生成该推荐列表。
3.然而，上述根据搜索关键词与搜索内容的相关度生成推荐列表的方式，会使推荐列表中一直是固定的几个搜索关键词(即与搜索内容相关度高的搜索关键词)，减少了搜索关键词集合中其他搜索关键词被录入到推荐列表中的机会，从而减少了用户的选择范围，无法满足用户的搜索需求。


技术实现要素：

4.为了解决上述完全通过随机排序生成的推荐列表，无法考虑用户使用习惯，不能很好的满足用户的搜索需求的技术问题，本技术提供了一种搜索关键词排列方法、装置、电子设备及可读存储介质。
5.第一方面，提供了一种搜索关键词排列方法，所述方法包括：
6.在接收到搜索内容的情况下，获取所述搜索内容对应的多个搜索关键词及多个所述搜索关键词对应的初始分数，每个所述初始分数用于表征所述初始分数对应的搜索关键词和所述搜索内容的相关度；
7.将多个所述搜索关键词对应的所述初始分数进行归一化处理，得到每个所述初始分数对应的基准分数，其中，所述基准分数为非负数；
8.针对每个所述基准分数，对所述基准分数和所述基准分数对应的附加值进行求和，得到参照分数，其中，所述附加值为与所述基准分数的数值呈相关的非负数，且，多个所述附加值之间呈非线性的关系；
9.基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表。
10.在一个可能的实施方式中，所述基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表，包括：
11.获取初始列表，所述初始列表包括预设数量个待填充的位置；
12.按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
13.在一个可能的实施方式中，所述方法还包括：
14.将数值最大的参照分数对应的搜索关键词，填充至多个所述位置中排序在首位的首位位置；
15.针对所述首位位置以外的其他位置，按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
16.在一个可能的实施方式中，所述为每个所述位置随机确定一个参照分数，包括：
17.针对每个所述位置，将当前未被填充至所述初始列表中的搜索关键词的参照分数作为所述位置对应的候选分数；
18.基于数值最大的所述候选分数确定对应的数值范围，并基于所述数值范围随机生成一个第一随机值，其中，所述数值范围的下限为零，上限为数值最大的所述候选分数，所述第一随机值为处于所述数值范围内的数值；
19.在所述候选分数中，确定所述第一随机值对应的目标分数，并将所述目标分数作为所述位置对应的参照分数，其中，所述目标分数为数值最接近所述第一随机值，且，不小于所述第一随机值的候选分数。
20.在一个可能的实施方式中，所述在所述候选分数中，确定所述第一随机值对应的目标分数之前，还包括：
21.随机生成一个第二随机值，并确定所述第二随机值是否大于丢弃阈值；
22.在所述第二随机值大于丢弃阈值的情况下，将所述目标分数作为所述位置对应的参照分数；
23.在所述第二随机值不大于丢弃阈值的情况下，再次执行基于所述数值范围随机生成一个第一随机值至在所述候选分数中，确定所述第一随机值对应的目标分数的步骤。
24.在一个可能的实施方式中，所述附加值通过以下步骤确定：
25.按照由小到大的顺序对所有所述基准分数进行排序，得到分数序列；
26.针对每个所述基准分数，将所述分数序列中排序在所述基准分数之前的基准分数进行求和，得到所述基准分数对应的所述附加值。
27.第二方面，提供了一种搜索关键词排列装置，所述装置包括：
28.获取模块，用于在接收到搜索内容的情况下，获取所述搜索内容对应的多个搜索关键词及多个所述搜索关键词对应的初始分数，每个所述初始分数用于表征所述初始分数对应的搜索关键词和所述搜索内容的相关度；
29.处理模块，用于将多个所述搜索关键词对应的所述初始分数进行归一化处理，得到每个所述初始分数对应的基准分数，其中，所述基准分数为非负数；
30.求和模块，用于针对每个所述基准分数，对所述基准分数和所述基准分数对应的附加值进行求和，得到参照分数，其中，所述附加值为与所述基准分数的数值呈相关的非负数，且，多个所述附加值之间呈非线性的关系；
31.排列模块，用于基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表。
32.在一个可能的实施方式中，所述排列模块，具体用于：
33.获取初始列表，所述初始列表包括预设数量个待填充的位置；
34.按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
35.在一个可能的实施方式中，所述排列模块，还用于：
36.将数值最大的参照分数对应的搜索关键词，填充至多个所述位置中排序在首位的首位位置；
37.针对所述首位位置以外的其他位置，按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
38.在一个可能的实施方式中，所述排列模块，还用于：
39.针对每个所述位置，将当前未被填充至所述初始列表中的搜索关键词的参照分数作为所述位置对应的候选分数；
40.基于数值最大的所述候选分数确定对应的数值范围，并基于所述数值范围随机生成一个第一随机值，其中，所述数值范围的下限为零，上限为数值最大的所述候选分数，所述第一随机值为处于所述数值范围内的数值；
41.在所述候选分数中，确定所述第一随机值对应的目标分数，并将所述目标分数作为所述位置对应的参照分数，其中，所述目标分数为数值最接近所述第一随机值，且，不小于所述第一随机值的候选分数。
42.在一个可能的实施方式中，所述排列模块，还用于：
43.随机生成一个第二随机值，并确定所述第二随机值是否大于丢弃阈值；
44.在所述第二随机值大于丢弃阈值的情况下，将所述目标分数作为所述位置对应的参照分数；
45.在所述第二随机值不大于丢弃阈值的情况下，再次执行基于所述数值范围随机生成一个第一随机值至在所述候选分数中，确定所述第一随机值对应的目标分数的步骤。
46.在一个可能的实施方式中，所述装置还包括：
47.排序模块，用于按照由小到大的顺序对所有所述基准分数进行排序，得到分数序列；
48.得到模块，用于针对每个所述基准分数，将所述分数序列中排序在所述基准分数之前的基准分数进行求和，得到所述基准分数对应的所述附加值。
49.第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
50.存储器，用于存放计算机程序；
51.处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
52.第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
53.第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的搜索关键词排列方法。
54.本技术实施例有益效果：
55.本技术实施例提供了一种搜索关键词排列方法、装置、电子设备及可读存储介质，
本技术通过，首先，获取多个搜索关键词及多个搜索关键词对应的初始分数；然后，将多个搜索关键词对应的初始分数进行归一化处理，得到每个初始分数对应的基准分数，其中，基准分数为非负数，如此，可以将多个搜索关键词的初始分数归一化到一个预设范围，从而方便后续赋值。然后，针对每个基准分数，对基准分数和基准分数对应的附加值进行求和，得到参照分数，其中，其中，附加值为与基准分数的数值呈相关的非负数，且，多个附加值之间呈非线性的关系，如此，在多个基准分数呈线性关系的情况下，可以将其转换为非线性关系的参照分数。最后，基于每个搜索关键词对应的参照分数对所有搜索关键词进行随机排列，得到多个搜索关键词对应的推荐列表。
56.由于，参照分数是根据基准分数和非线性的附加值求和得到，并且，对于数值越高的基准分数，在其基础上增加越高的附加值得到对应的参照分数，因此，基准分数越高(即初始分数越高)的搜索关键词被随机选取的概率越大，所以，本技术中基于参照分数在搜索关键词集合中随机选取搜索关键词生成的推荐列表，在考虑用户习惯的同时增加了一些搜索关键词的录入机会，如此，可以更好得满足用户的搜索需求，提升用户体验，增加搜索流量。
57.当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
58.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
59.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
60.图1为本技术实施例提供的一种搜索关键词排列方法的流程图；
61.图2为本技术实施例提供的另一种搜索关键词排列方法的流程图；
62.图3为本技术实施例提供的另一种搜索关键词排列方法的流程图；
63.图4为本技术实施例提供的一种搜索关键词排列装置的结构示意图；
64.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
65.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，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的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。
66.由于根据搜索关键词与搜索内容的相关度生成推荐列表的方式，会使推荐列表中一直是固定的几个搜索关键词(即与搜索内容相关度高的搜索关键词)，减少了搜索关键词集合中其他搜索关键词被录入到推荐列表中的机会，从而减少了用户的选择范围，无法满足用户的搜索需求。
67.针对上述问题，目前一般的解决方式为：通过随机选取的方式在搜索关键词集合
中提取预设数量的搜索关键词生成推荐列表，如此，可以使每个搜索关键词有相同的机会被录入到推荐列表中，增加用户的选择范围。然而，完全通过随机选取生成的推荐列表，无法考虑用户使用习惯，不能很好的满足用户的搜索需求。为此，本技术实施例提供了一种搜索关键词排列方法。
68.下面将结合具体实施方式，对本技术实施例提供的一种搜索关键词排列方法进行详细的说明，如图1所示，具体步骤如下：
69.s101，在接收到搜索内容的情况下，获取所述搜索内容对应的多个搜索关键词及多个所述搜索关键词对应的初始分数，每个所述初始分数用于表征所述初始分数对应的搜索关键词和所述搜索内容的相关度。
70.本技术实施例提供的一种搜索关键词排列方法，用于在上述多个搜索关键词中选取目标搜索关键词，得到对应的推荐列表。
71.搜索内容，为用户在搜索栏中输入的内容。
72.搜索关键词，指与搜索内容相关的、可用于进行搜索操作的关键词。
73.推荐列表，指在搜索栏下方展示的用于向用户推荐搜索关键词的列表。
74.每个搜索关键词对应的初始分数，用于表征该搜索关键词与搜索内容的相关度，相关度越高则初始分数越高。
75.s102，将多个所述搜索关键词对应的所述初始分数进行归一化处理，得到每个所述初始分数对应的基准分数，其中，所述基准分数为非负数。
76.在本技术实施例中，对多个搜索关键词的初始分数进行归一化处理的目的在于将多个初始分数映射至一个不小于零的预设范围(如[0，1])内，使得到的所有基准分数均不小于零，如此方便后续为每个基准分数赋值。例如，使用softmax函数对所有初始分数归一化，使得到的所有基准分数的数值在[0，1]之间。
[0077]
在一实施例中，在将多个所述搜索关键词对应的所述初始分数进行归一化处理之前，还可以对初始分数进行预处理，如取每个初始分数的0.75次方，进而对预处理后的初始分数进行归一化处理，如此可以在归一化处理之前先缩小初始分数的数值范围，从而进一步方便归一化处理。
[0078]
s103，针对每个所述基准分数，对所述基准分数和所述基准分数对应的附加值进行求和，得到参照分数，其中，所述附加值为与所述基准分数的数值呈相关的非负数，且，多个所述附加值之间呈非线性的关系。
[0079]
在本技术实施例中，首先，根据基准分数的数值大小确定相应的附加值，其中，附加值为与对应的基准分数的数值呈相关的非负数，且，多个附加值之间呈非线性的关系。然后，针对每个基准分数，将基准分数与基准分数对应的附加值进行求和，得到参照分数。如此，在多个基准分数呈线性关系的情况下，可以将其转换为非线性关系的参照分数。
[0080]
在一实施例中，附加值通过以下步骤确定：按照由小到大的顺序对所有所述基准分数进行排序，得到分数序列，针对每个所述基准分数，将所述分数序列中排序在所述基准分数之前的基准分数进行求和，得到所述基准分数对应的所述附加值。
[0081]
即，针对每个基准分数，其对应的参照分数为对该基准分数以及该基准分数在分数序列之前的所有基准分数进行求和的结果。
[0082]
例如，第1个基准分数为score1，第2个基准分数为score2……
第k个基准分数为
scorek……
第n个doc的分数为scoren，且score1≤score2≤数对应的参照分数
[0083]
以具体的数值为例，按照数值由小到大的顺序，基准分数依次为：0.1、0.2、0.3、0.4、0.5，其对应的附加值依次为：0、0.1、0.3、0.6、1，则对应的参照分数依次为：0.1、0.3、0.6、1、1.5。
[0084]
s104，基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表。
[0085]
在本技术实施例中，参照分数是根据基准分数和非线性的附加值求和得到，并且，对于数值越高的基准分数，在其基础上增加越高的附加值得到对应的参照分数，因此，基准分数越高(即初始分数越高)的搜索关键词被随机选取的概率越大，所以，本技术中基于参照分数在搜索关键词集合中随机选取搜索关键词生成的推荐列表，在考虑用户习惯的同时增加了一些搜索关键词的录入机会，如此，可以更好得满足用户的搜索需求。
[0086]
本技术实施例中，首先，获取多个搜索关键词及多个搜索关键词对应的初始分数；然后，将多个搜索关键词对应的初始分数进行归一化处理，得到每个初始分数对应的基准分数，其中，基准分数为非负数，如此，可以将多个搜索关键词的初始分数归一化到一个预设范围，从而方便后续赋值。然后，针对每个基准分数，对基准分数和基准分数对应的附加值进行求和，得到参照分数，其中，其中，附加值为与基准分数的数值呈相关的非负数，且，多个附加值之间呈非线性的关系，如此，在多个基准分数呈线性关系的情况下，可以将其转换为非线性关系的参照分数。最后，基于每个搜索关键词对应的参照分数对所有搜索关键词进行随机排列，得到多个搜索关键词对应的推荐列表。由于，参照分数是根据基准分数和非线性的附加值求和得到，并且，对于数值越高的基准分数，在其基础上增加越高的附加值得到对应的参照分数，因此，基准分数越高(即初始分数越高)的搜索关键词被随机选取的概率越大，所以，本技术中基于参照分数在搜索关键词集合中随机选取搜索关键词生成的推荐列表，在考虑用户习惯的同时增加了一些搜索关键词的录入机会，如此，可以更好得满足用户的搜索需求，提升用户体验，增加搜索流量。
[0087]
在本技术又一实施例中，所述s104，可以包括以下步骤：
[0088]
s201，获取初始列表，所述初始列表包括预设数量个待填充的位置。
[0089]
s202，按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
[0090]
以下对s201-s202进行统一说明：
[0091]
初始列表，指包含多个用于填充搜索关键词的位置的空序列，即，还未填充搜索关键词的推荐列表。
[0092]
在本技术实施例中，按照初始列表中由先到后的顺序，依次为每个位置随机确定一个参照分数，并将参照分数对应的搜索关键词填充至对应的位置，从而得到推荐列表。如此，可以在保证随机性的前提下，使初始分数更大的搜索关键词有更大的概率被先随机确定，即，有更大的概率被填充至更靠前的位置，从而更好得满足用户的搜索需求。
[0093]
在实际应用中，一般要保证在推荐列表首位的是与用户习惯相符的搜索关键词，因此，在本技术又一实施例中：将数值最大的参照分数对应的搜索关键词，填充至多个所述位置中排序在首位的首位位置，针对所述首位位置以外的其他位置，按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。如此，实现了将与初始分数最高(与用户习惯最相符)的搜索关键词填充至首位位置，对于其他位置，结合随机选取和分数大小来确定对于的搜索关键词，从而更好得满足用户的搜索需求。
[0094]
作为一种可选的实现方式，为每个所述位置随机确定一个参照分数的具体实现可包括：
[0095]
s301，针对每个所述位置，将当前未被填充至所述初始列表中的搜索关键词的参照分数作为所述位置对应的候选分数。
[0096]
s302，基于数值最大的所述候选分数确定对应的数值范围，并基于所述数值范围随机生成一个第一随机值，其中，所述数值范围的下限为零，上限为数值最大的所述候选分数，所述第一随机值为处于所述数值范围内的数值。
[0097]
s303，在所述候选分数中，确定所述第一随机值对应的目标分数，并将所述目标分数作为所述位置对应的参照分数，其中，所述目标分数为数值最接近所述第一随机值，且，不小于所述第一随机值的候选分数。
[0098]
以下对s301-s303进行统一说明：
[0099]
在本技术实施例中，已被填充至初始列表中的搜索关键词的参照分数，不再参与下一次随机选取过程。
[0100]
例如，参照分数依次为：0.1、0.3、0.6、1、1.5，对于初始列表中的第一个位置，其对应的候选分数为0.1、0.3、0.6、1、1.5，数值范围为[0，1.5]，随机生成的第一随机值为1.1，按照本方案确定的目标分数为1.5，将其填充至第一个位置，则1.5不参与后续随机选取过程；对于初始列表中的第二个位置，其对应的候选分数为0.1、0.3、0.6、1，数值范围为[0，1]，此时随机生成的第一随机值为0.5，则确定目标分数为0.6，将其填充至第二个位置，则0.6不参与后续随机选取过程；接下来，对于初始列表中的第三个位置，其对应的候选分数为0.1、0.3、1，数值范围依然为[0，1]，此时随机生成的第一随机值为0.7，则确定目标分数为1，将1填充至第三个位置，以此类推，得到推荐列表。
[0101]
从上述示例可以直观看出，参照分数：0.1、0.3、0.6、1、1.5，随着分数数值越大，相邻的两个分数之间的差值越大，如此在随机选取过程中，有更大的可能性先选取到数值较大的参照分数对应的搜索关键词。
[0102]
进一步可选的，为了增加确定目标分数的随机性，可以在确定目标分数之前增加一次随机确定过程，具体步骤如下：
[0103]
随机生成一个第二随机值，并确定所述第二随机值是否大于丢弃阈值，在所述第二随机值大于丢弃阈值的情况下，将所述目标分数作为所述位置对应的参照分数，在所述第二随机值不大于丢弃阈值的情况下，再次执行基于所述数值范围随机生成一个第一随机值至在所述候选分数中，确定所述第一随机值对应的目标分数的步骤。
[0104]
例如，使用丢弃概率函数计算一个丢弃阈值在通过
第一随机值确定对应的候选分数后，再创建一个第二随机值r2∈[0,1],如果r2》value
drop
,则将该候选分数作为目标分数填充至初始列表中，否则重新随机生成一个第一随机值并确定与该第一随机值对应的候选分数。如此，可以增加确定目标分数的随机性。
[0105]
基于相同的技术构思，本技术实施例还提供了一种搜索关键词排列装置，如图4所示，该装置包括：
[0106]
获取模块401，用于在接收到搜索内容的情况下，获取所述搜索内容对应的多个搜索关键词及多个所述搜索关键词对应的初始分数，每个所述初始分数用于表征所述初始分数对应的搜索关键词和所述搜索内容的相关度；
[0107]
处理模块402，用于将多个所述搜索关键词对应的所述初始分数进行归一化处理，得到每个所述初始分数对应的基准分数，其中，所述基准分数为非负数；
[0108]
求和模块403，用于针对每个所述基准分数，对所述基准分数和所述基准分数对应的附加值进行求和，得到参照分数，其中，所述附加值为与所述基准分数的数值呈相关的非负数，且，多个所述附加值之间呈非线性的关系；
[0109]
排列模块404，用于基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表。
[0110]
在一个可能的实施方式中，所述排列模块，具体用于：
[0111]
获取初始列表，所述初始列表包括预设数量个待填充的位置；
[0112]
按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
[0113]
在一个可能的实施方式中，所述排列模块，还用于：
[0114]
将数值最大的参照分数对应的搜索关键词，填充至多个所述位置中排序在首位的首位位置；
[0115]
针对所述首位位置以外的其他位置，按照所述初始列表中由先到后的顺序，为每个所述位置随机确定一个参照分数，并将所述参照分数对应的所述搜索关键词填充至所述位置，得到所述推荐列表。
[0116]
在一个可能的实施方式中，所述排列模块，还用于：
[0117]
针对每个所述位置，将当前未被填充至所述初始列表中的搜索关键词的参照分数作为所述位置对应的候选分数；
[0118]
基于数值最大的所述候选分数确定对应的数值范围，并基于所述数值范围随机生成一个第一随机值，其中，所述数值范围的下限为零，上限为数值最大的所述候选分数，所述第一随机值为处于所述数值范围内的数值；
[0119]
在所述候选分数中，确定所述第一随机值对应的目标分数，并将所述目标分数作为所述位置对应的参照分数，其中，所述目标分数为数值最接近所述第一随机值，且，不小于所述第一随机值的候选分数。
[0120]
在一个可能的实施方式中，所述排列模块，还用于：
[0121]
随机生成一个第二随机值，并确定所述第二随机值是否大于丢弃阈值；
[0122]
在所述第二随机值大于丢弃阈值的情况下，将所述目标分数作为所述位置对应的参照分数；
[0123]
在所述第二随机值不大于丢弃阈值的情况下，再次执行基于所述数值范围随机生
成一个第一随机值至在所述候选分数中，确定所述第一随机值对应的目标分数的步骤。
[0124]
在一个可能的实施方式中，所述装置还包括：
[0125]
排序模块，用于按照由小到大的顺序对所有所述基准分数进行排序，得到分数序列；
[0126]
得到模块，用于针对每个所述基准分数，将所述分数序列中排序在所述基准分数之前的基准分数进行求和，得到所述基准分数对应的所述附加值。
[0127]
本技术实施例中，首先，获取多个搜索关键词及多个搜索关键词对应的初始分数；然后，将多个搜索关键词对应的初始分数进行归一化处理，得到每个初始分数对应的基准分数，其中，基准分数为非负数，如此，可以将多个搜索关键词的初始分数归一化到一个预设范围，从而方便后续赋值。然后，针对每个基准分数，对基准分数和基准分数对应的附加值进行求和，得到参照分数，其中，其中，附加值为与基准分数的数值呈相关的非负数，且，多个附加值之间呈非线性的关系，如此，在多个基准分数呈线性关系的情况下，可以将其转换为非线性关系的参照分数。最后，基于每个搜索关键词对应的参照分数对所有搜索关键词进行随机排列，得到多个搜索关键词对应的推荐列表。由于，参照分数是根据基准分数和非线性的附加值求和得到，并且，对于数值越高的基准分数，在其基础上增加越高的附加值得到对应的参照分数，因此，基准分数越高(即初始分数越高)的搜索关键词被随机选取的概率越大，所以，本技术中基于参照分数在搜索关键词集合中随机选取搜索关键词生成的推荐列表，在考虑用户习惯的同时增加了一些搜索关键词的录入机会，如此，可以更好得满足用户的搜索需求，提升用户体验，增加搜索流量。
[0128]
基于相同的技术构思，本技术实施例还提供了一种电子设备，如图5所示，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，
[0129]
存储器113，用于存放计算机程序；
[0130]
处理器111，用于执行存储器113上所存放的程序时，实现如下步骤：
[0131]
在接收到搜索内容的情况下，获取所述搜索内容对应的多个搜索关键词及多个所述搜索关键词对应的初始分数，每个所述初始分数用于表征所述初始分数对应的搜索关键词和所述搜索内容的相关度；
[0132]
将多个所述搜索关键词对应的所述初始分数进行归一化处理，得到每个所述初始分数对应的基准分数，其中，所述基准分数为非负数；
[0133]
针对每个所述基准分数，对所述基准分数和所述基准分数对应的附加值进行求和，得到参照分数，其中，所述附加值为与所述基准分数的数值呈相关的非负数，且，多个所述附加值之间呈非线性的关系；
[0134]
基于每个所述搜索关键词对应的参照分数在所有所述搜索关键词中随机选取预设数量的目标搜索关键词，得到所述搜索内容对应的推荐列表。
[0135]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0136]
通信接口用于上述电子设备与其他设备之间的通信。
[0137]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0138]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0139]
在本技术提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一搜索关键词排列方法的步骤。
[0140]
在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一搜索关键词排列方法。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0142]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0143]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。