，预键入过程可使用一种或者多种匹配算法来尝试识别匹配的社交图谱元素。在【具体实施方式】中，当找出一个或者多个匹配时，预键入过程可(可利用AJAX或者其他合适的技术)向用户的客户端系统130发送响应，例如，其中包括匹配社交图谱元素的名称(名称字串)以及潜在地与匹配社交图谱元素相关联的其他元数据。作为实施例但并不作为限制，如果用户将字符“pok”输入到查询字段中，则预键入过程可显示下拉菜单，该下拉菜单显示与现有资料页面和相应用户节点202或者概念节点204匹配的名称(例如，命名为或者提供“poker”的资料页面)，用户则可单击或者以其他方式选择这些名称，从而确认希望声明对应于所选择节点的匹配用户或者概念名称。作为另一实施例但并不作为限制，一旦单击“poker”，则预键入过程可使用声明“poker”自动填充或者致使网络浏览器132自动填充查询字段。在【具体实施方式】中，预键入过程可仅使用匹配排列靠前的名称或者其他标识符自动填充该字段，而非显示下拉菜单。然后，用户仅通过键入其键盘上的“回车”键或者通过单击自动填充声明而确认自动填充声明。
[0041]在于2010年4月19日提交的美国专利申请第12/763162号和于2012年7月23日提交的美国专利申请第13/556072号中可以找到关于预键入过程的更多信息，将其通过引用结合在此。
[0042]结构化搜索查询
[0043]图3示出了在线社交网络的示例性网页。在【具体实施方式】中，用户可通过将文本查询输入到查询字段350中将查询提交至社交网络系统160。在线社交网络的用户可通过将描述主题的短语提供至搜索引擎而搜索与特定主题(例如，用户、概念、外部内容或者资源)有关的信息，通常被称之为“搜索查询”。查询可以是非结构化文本查询并且可包括一个或多个文本字串或者一种或多种η元语法。总之，用户可将任何字符串输入到查询字段350中，以搜索社交网络系统160中与文本查询匹配的内容。社交网络系统160则可搜索数据存储器164(或者更具体地，社交图谱数据库)，以识别与查询匹配的内容。搜索引擎可基于查询短语使用各种搜索算法进行搜索并且生成识别与搜索查询最为可能相关的资源或者内容(例如，用户资料页面、内容资料页面、或者外部资源)的搜索结果。为了进行搜索，用户可将搜索查询输入或者发送至搜索引擎。因此，搜索引擎可识别可能与搜索查询有关的一种或者多种资源，该一种或者多种资源可被统称为搜索查询所识别的“搜索结果”。例如，识别内容可包括社交图谱实体(即，用户节点202、概念节点204、边206)、资料页面、夕卜部网页、或者其任意组合。然后，社交网络系统160可利用对应于识别内容的搜索结果生成搜索结果网页。搜索结果通常以搜索结果网页上的链接列表形式被呈现给用户，每个链接均与包含一些识别资源或者内容的不同网页相关联。在【具体实施方式】中，搜索结果中的每个链接均可以为统一资源定位符(URL)形式，该统一资源定位符指定了对应网页所在的位置和用于对其进行检索的机制。然后，社交网络系统160可将搜索结果网页发送至用户客户端系统130上的用户网络浏览器132。用户则可单击URL链接或者通过其他方式从搜索结果网页中选择内容，以访问社交网络系统160或者外部系统中的内容，视情况而定。可根据资源与搜索查询的相对关联度排列资源并且呈现给用户。还可根据搜索结果与用户的相对关联度排列搜索结果并且呈现给用户。换言之，例如，可以基于社交图谱信息、用户信息、用户的搜索或者浏览历史或者与用户有关的其他合适信息使查询用户的搜索结果个性化。在【具体实施方式】中，通过由搜索引擎实现的排列算法可确定资源排列。作为实施例但并不作为限制，与搜索查询或者用户较为相关的资源可以比与搜索查询或者用户较不相关的资源排列得更靠前。在【具体实施方式】中，搜索引擎可使其搜索局限于在线社交网络上的资源和内容。然而，在【具体实施方式】中，搜索引擎还可搜索诸如第三方系统170、因特网或者万维网、或者其他合适来源的其他来源上的资源或者内容。尽管本公开描述了以具体方式查询社交网络系统160，然而本公开考虑以任意合适方式查询社交网络系统160。
[0044]在【具体实施方式】中，此处所描述的预键入过程可适用于由用户输入的搜索查询。作为实施例但并不作为限制，当用户将文本字符输入到搜索字段中时，预键入过程可尝试识别在用户输入字符时与输入搜索字段的字符串匹配的一个或者多个用户节点202、概念节点204或者边206。当预键入过程从文本查询接收包括字串或者η元语法的请求或者调用时，预键入过程可执行或者致使被执行搜索，以识别具有与输入文本匹配的相应名称、类型、类别或者其他标识符的现有社交图谱元素(即，用户节点202、概念节点204、边206)。预键入过程可使用一种或者多种匹配算法尝试识别匹配的节点或者边。当找出一个或者多个匹配时，预键入过程可向用户的客户端系统130发送响应，例如，其中可包括匹配节点的名称(名称字串)以及潜在地与匹配节点相关联的其他元数据。然后，预键入过程可显示下拉菜单300，下拉菜单300显示与现有资料页面和相应用户节点202或者概念节点204匹配的名称，并且显示可连接至匹配用户节点202或者概念节点204的匹配的边206的名称，用户则可单击或者以其他方式选择所匹配的边206的名称，从而确认希望搜索匹配用户或者对应于所选择节点的概念名称，或者通过匹配边搜索连接至匹配用户或者概念的用户或者概念。可替代地，预键入过程可简单使用排列在首位的匹配的名称或者其他标识符来自动填充该表格，而非显示下拉菜单300。然后，用户可仅通过键盘上的按键“回车”或者通过单击自动填充声明来确认自动填充声明。一旦用户确认了匹配节点和边，预键入过程则可发送请求，以将用户对包含匹配社交图谱元素的查询的确认通知给社交网络系统160。社交网络系统160可响应于发送的请求自动(或者可替代地，基于请求中的指令)调用或者以其他方式搜索社交图谱数据库，以获得匹配的社交图谱元素或者连接至匹配社交图谱元素的社交图谱元素，视情况而定。尽管本公开描述了以具体方式将预键入过程应用于搜索查询，然而本公开考虑以任意合适方式将预键入过程应用于搜索查询。
[0045]使用与i:下文无关的语法模型的解析查询
[0046]图4A至图4B示出了社交网络的示例性查询。在【具体实施方式】中，社交网络系统160可响应于从第一用户(S卩，查询用户)接收的文本查询生成包括对应于一个或者多个识别的社交图谱元素的查询令牌的一项或者多项结构化查询。图4A至图4B示出了查询字段350中的各种示例性文本查询和由此在下拉菜单300中生成的各种结构化查询。通过响应于用户的文本查询提供建议的结构化查询，社交网络系统160可基于其社交图谱属性和其与各种社交图谱元素的关系提供使在线社交网络中的用户搜索社交图谱200中所表示的元素的有力方式。结构化查询可允许查询用户搜索社交图谱200中通过具体边类型连接至具体用户或者概念的内容。作为实施例但并不作为限制，社交网络系统160可从第一用户接收大致非结构化文本查询。因此，社交网络系统160(例如，经由服务器侧元件检测过程)可访问社交图谱200并且然后对文本查询进行解析，以识别对应于来自文本查询中的η元语法的社交图谱元素。社交网络系统160可通过确定每种η元语法对应于具体社交图谱元素的概率来识别这些对应的社交图谱元素。社交网络系统160则可访问诸如与上下文无关的语法模型等语法模型。已识别的社交图谱元素可被用作语法中的终端令牌(“查询令牌”)，并且然后可存储每种语法。具有比阈值得分更大的得分的语法可用于生成包括引用已识别社交图谱元素的查询令牌的结构化查询。然后，结构化查询可被发送至第一用户并且(例如，经由客户端预键入过程)显示在下拉菜单300中，其中，第一用户则可选择搜索希望内容的适当查询。使用此处所描述的结构化查询的一些优点包括基于有限信息查找在线社交网络的用户，从而基于该内容与各个社交图谱元素的关系将在线社交网络中的内容的虚拟索引桥接在一起，或者找出与您和/或您朋友有关的内容。尽管本公开描述了并且图4Α和图4Β示出了以具体方式生成具体结构化查询，然而本公开考虑以任意合适方式生成任何合适的结构化查询。
[0047]在【具体实施方式】中，社交网络系统160可从查询/第一用户(对应于第一用户节点202)接收大致非结构化文本查询。作为实施例但并不作为限制，第一用户可能希望搜索其他用户，即(I)第一用户的第一重要程度的朋友；以及(2)与斯坦福大学相关联(即，用户节点202通过边206连接至对应于学校“Stanford”的概念节点204)。然后，如图4A和图4B所示，第一用户将文本查询“朋友斯坦福(friend Stanford) ”输入到查询字段350中。如下拉菜单300中所示，当第一用户将文本查询输入到查询字段350中时，社交网络系统160可提供各种建议的结构化查询。如此处使用的，大致非结构化文本查询是指由用户输入的简单文本字串。当然，可以根据标准语法/语法规则(例如，英语语法)构造文本查询。然而，通常将根据社交图谱元素构造文本查询。换言之，简单的文本查询通常不包括对具体社交图谱元素的嵌入式引用。因此，如此处使用的，结构化查询是指包含对具体社交图谱元素的引用的查询，从而允许搜索引擎基于所识别元素进行搜索。尽管本公开描述了以具体方式接收具体查询，然而本公开考虑以任意合适方式接收任意合适查询。
[0048]在【具体实施方式】中，社交网络系统160可对从第一用户(即，查询用户)接收的大致非结构化文本查询(也被简称为“搜索查询”)进行解析，以识别一种或者多种η元语法。总之，η元语法是给定文本或者语音序列中的η项的连续序列。多个项可以是该序列的文本或者语音中的字符、音素、音节、字母、词、基础对、前缀或者其他可识别的项。η元语法可包括由查询用户输入的文本中的一个或者多个字符(字母、数字、标点等)。大小为一的η元语法可被称之为“一元语法”，大小为二的η元语法可被称之为“二元语法”或者“双元语法”，大小为三的η元语法可被称之为“三元语法”等。每种η元语法均可包括从查询用户接收的文本查询中的一个或者多个部分。在【具体实施方式】中，每种η元语法均可包括由第一用户输入的字符串(例如，文本中的一个或者多个字符)。作为实施例但并不作为限制，社交网络系统160可对文本查询“朋友斯坦福(friend Stanford) ”进行解析，以识别下列η元语法“朋友(friend)、斯坦福(Stanford)、朋友斯坦福(friend Stanford)”。作为实施例但并不作为限制，社交网络系统160可对文本查询“在帕洛阿尔托的朋友(friends inpalo alto) ”进行解析，以识别下列η元语法“朋友(friends)、在(in)、帕洛(palo)、阿尔托(alto)、在…的朋友(friends in)、在帕洛(in palo)、帕洛阿尔托(palo alto)、在帕洛的朋友(friend in palo)、也在帕洛(in palo also)、在帕洛阿尔托的朋友(friends inpalo alto)”。在【具体实施方式】中，每种n元语法均可包括文本查询中的n项的连续序列。尽管本公开描述了以具体方式对具体查询进行解析，然而本公开考虑以任意合适方式对任意合适查询进行解析。
[0049]在【具体实施方式】中，社交网络系统160可针对在文本查询中识别的每种η元语法确定或者计算该η元语法对应于社交图谱元素的得分。例如，得分可以是置信得分、概率、质量、排列、另一合适类型的得分或者其任意组合。作为实施例但并不作为限制，社交网络系统160可确定η元语法对应于社交图谱元素(诸如社交图谱200中的用户节点202、概念节点204或者边206等)的概率得分(也被简称为“概率”)。概率得分可指示η元语法与具体社交图谱元素之间的相似性或者关联性级别。存在计算概率的多种不同方式。本公开考虑计算在搜索查询中已识别的η元语法的概率得分的任意合适方法。在【具体实施方式】中，社交网络系统160可确定η元语法对应于具体社交图谱元素的概率ρ。给定具体搜索查询X，可以将概率ρ计算为对应于具体社交图谱元素k的概率。换言之，可以将概率计算为P= (k|X)o作为实施例但并不是限制，可将η元语法对应于社交图谱元素的概率计算为以Pi』k表示的概率得分。输入可以是文本查询X= (X1, X2,…，χΝ)和一组分类。对于各个(1:j)和分类k，社交网络系统160可计算Puk= ρ (class (X 1:j) =k|X)。作为实施例但并不作为限制，可以针对下列社交图谱元素对η元语法“斯坦福(Stanford) ”进行打分如下:学校“斯坦福大学(Stanford University)” = 0.7 ;位置“加利福尼亚州斯坦福(Stanford,California)，，= 0.2 ;用户“Allen Stanford” = 0.1。作为另一实施例但并不作为限制，可以针对下列社交图谱元素对η元语法“朋友(friends)”进行打分如下:用户“朋友(friends) ” = 0.9 ;电视秀“老友记(Friends) ” = 0.1。在【具体实施方式】中，社交网络系统160可使用向前向后算法确定具体η元语法对应于具体社交图谱元素的概率。对于文本查询中给定的η元语法，社交网络系统160可使用之前的η元语法和后续的η元语法来确定对应于给定η元语法的具体社交图谱元素。尽管本公开描述了以具体方式确定对应于社交图谱元素的η元语法，然而本公开考虑以任意合适方式确定对应于社交图谱元素的η元语法。而且，尽管本公开描述了使用具体类型的打分确定对应于社交图谱元素的η元语法，然而本公开考虑使用任意合适类型的打分确定对应于社交图谱元素的η元语法。
[0050]在【具体实施方式】中，社交网络系统160可识别具有比边阈值概率更大的概率的一条或者多条边206。所识别的边206中的每条均可对应于η元语法中的至少一种。作为实施例但并不作为限制，如果Pi，j，k>Pedge-threShoLd，则η元语法仅可被识别为对应于边k。而且，所识别的边206中的每条均可连接至所识别节点中的至少一个。换言之，社交网络系统160仅可识别边206或者连接至用户节点202的边类型或者之前被识别为对应于具体η元语法的概念节点204。未连接至任一之前识别节点的边206或者边类型通常不可能对应于搜索查询中的具体η元语法。通过过滤或者忽略这些边206和边类型，社交网络系统160可更为有效地搜索社交图谱以获得相关的社交图谱元素。作为实施例但并不作为限制，参考图2，对于包含“去斯坦福(went to Stanfo