m”的概念节点204具有对应于η元语法“facebook”的相对更高概率。尽管本公开描述了以具体方式确定η元语法是否对应于社交图谱元素，然而，本公开预期以任意合适的方式确定η元语法是否对应于社交图谱元素。
[0111]在【具体实施方式】中，社交网络系统160可识别具有比矢线阈值(edge-threshold)概率更大的概率的一条或多条矢线206。每条识别矢线206均可对应于η元语法中的至少一种。例如但不限于，如果Pidthreshold^则仅可将η元语法识别为对应于矢线k。在【具体实施方式】中，社交网络系统160可将多条矢线206 (或者矢线类型)识别为对应于具体的η元语法。在这种情况下，因为多条矢线具有概率Puk，其比P*，所以社交网络系统160可将η元语法视为模糊η元语法。例如但不限于，可将与下列社交图谱元素有关的η元语法“工作”计分为:矢线类型“工作于” =0.6 ;矢线类型“曾工作于” =0.39 ;矢线类型“生活在”=0.01。如果矢线阈值概率等于0.25，则可以识别对应于“工作于”和“曾工作于”的矢线类型，因为其具有比矢线阈值概率更大的概率，而不可识别对应于“生活在”的矢线类型，因为其概率不比矢线阈值概率大。因此，因为社交网络系统160将多条矢线类型识别为对应于η元语法“工作”，所以可视为该η元语法为模糊的。在【具体实施方式】中，每条识别的矢线206均可连接至已识别节点中的至少一个。换言之，社交网络系统160仅可识别连接至之前被识别为对应于具体η元语法的用户节点202或者概念节点204的矢线206或者矢线类型。尽管本公开描述了以具体方式识别对应于η元语法的矢线206，然而，本公开预期以任意合适的方式识别对应于η元语法的矢线206。
[0112]在【具体实施方式】中，社交网络系统160可识别具有比节点阈值概率更大的概率的一个或多个用户节点202或者概念节点204。每个识别节点均可对应于η元语法中的至少一种。例如但不限于，如果P^k>Pnc^ —，则仅可将η元语法识别为对应于节点。在【具体实施方式】中，社交网络系统160可将多条矢线206 (或者矢线类型)识别为对应于具体η元语法。在这种情况下，因为多条矢线具有比Pedge thrashcild更大的概率P uk，所以社交网络系统160可将η元语法视为模糊η元语法。例如但不限于，可将与下列社交图谱元素有关的 η 元语法“facebook” 计分为如下:公司 “Facebook” = 0.8 ;团体“Facebook CulinaryTeam，，= 0.15 ;网站“Facebook Stud1” = 0.05。如果节点阈值概率等于0.1，则可识别对应于“Facebook”和“Facebook Culinary Team”的概念节点204，因为其具有比节点阈值概率更大的概率，而不可识别对应于“Facebook Stud1”的概念节点204，因为其概率不比节点阈值概率大。因此，因为社交网络系统160将多个概念节点204识别为对应于η元语法“facebook”，所以可将该η元语法识别为模糊的。在【具体实施方式】中，已识别的用户节点202或者概念节点204中的每个均可连接至已识别的矢线206中的至少一条。换言之，社交网络系统160仅可识别连接至之前被识别为对应于具体η元语法的矢线206的节点或者节点类型。在【具体实施方式】中，社交网络系统160仅可识别在对应于第一用户(S卩，查询用户)的用户节点202的阈值间隔度内的节点。例如，阈值间隔度可以是一、二、三、或者所有。尽管本公开描述了以具体方式识别对应于η元语法的节点，然而，本公开预期以任意合适的方式识别对应于η元语法的节点。
[0113]生成结构化搜索查询
[0114]在【具体实施方式】中，社交网络系统160可访问包括多种语法的上下文无关语法模型。语法模型中的每种语法均可包括一个或多个非终端令牌(或者“非终端符号”)和一个或多个终端令牌(或者“终端符号”/ “查询令牌”)。其中，具体的非终端令牌可被终端令牌替代。语法模型是形式语言中的字串的形式规则的集合。尽管本公开描述了访问具体语法，然而，本公开预期任意合适的语法。
[0115]在【具体实施方式】中，社交网络系统160可使用一种或者多种语法生成一个或多个字串。为了生成语言形式的字串，以仅由单个起始符号构成的一个字串开始。然后，按任何顺序应用产生式规则，直至产生既不包含起始符号也不包含指定的非终端符号的字串。在上下文无关语法中，语法中的每个非终端符号的产生独立于该语法中的其他非终端符号的产生。非终端符号可被终端符号(即，终端令牌或者查询令牌)替代。如上所述，一些查询令牌可对应于已识别的节点或者已识别的矢线。由语法生成的字串则可用作包含已识别节点或者已识别矢线的引用的结构化查询的基础。可以自然语言句法描述由语法生成的字串，以使得也以自然语言描述基于字串的结构化查询。上下文无关语法是其中每种产生式规则的左手侧仅由单个非终端符号构成的语法。概率性的上下文无关语法是元组〈Σ，N，S，P〉，其中，不相交集Σ和N分别指定终端符号和非终端符号，且S e N是起始符号。P是采用形式Ε— ξ (P)的乘积的集合，且E e N，ξ e (Σ U N)+，并且p = Pr(E- ξ)，ΒΡ，将E展开成字串?的概率。给定的非终端E的所有展开式的概率P的和必须是一。尽管本公开描述了以具体方式生成字串，然而，本公开预期以任意合适方式生成字串。
[0116]在【具体实施方式】中，社交网络系统160可生成一个或多个结构化查询。如上所述，结构化查询可基于由一种或者多种语法产生的自然语言字串。每项结构化查询均可包括对已识别节点中的一个或多个或已识别矢线206中的一条或多条的引用。这种类型的结构化查询可允许社交网络系统160通过搜索与已识别的用户节点202和已识别的矢线206连接或者另行有关的内容而更为高效地搜索与在线社交网络(诸如，资料页面等)有关的资源和内容。例如但不限于，响应文本查询“把我的朋友介绍给我的女朋友”，社交网络系统160可生成结构化查询“Stephanie的朋友”，其中，结构化查询中的“朋友”和“Stephanie”是对应于具体社交图谱元素的引用。“Stephanie”的引用对应于具体用户节点202(其中，社交网络系统160已经对η元语法“我的女朋友”进行解析，以与用户“Stephanie”的用户节点202对应)，而“朋友”的引用对应于将用户节点202连接至其他用户节点202的朋友类型矢线202(即，连接至“St印hanie”的第一重要程度的朋友的矢线206)。当执行该结构化查询时，社交网络系统160可识别通过朋友类型矢线206连接至对应于“Stephanie”的用户节点202的一个或多个用户节点202。又例如但不限于，如图4E所示，响应文本查询“喜欢facebook的朋友”，社交网络系统160可生成结构化查询“喜欢Facebook的朋友”，其中，结构化查询中的“朋友”、“喜欢”、以及“Facebook”是是对英语上述所述具体的社交图谱元素的引用(即，朋友类型矢线206、喜欢类型矢线206、以及对应于公司“Facebook”的概念节点204) ο尽管本公开描述了以具体方式生成具体的结构化查询，然而，本公开预期以任意合适的方式生成任意合适的结构化查询。
[0117]在【具体实施方式】中，社交网络系统160可将生成的结构化查询排序。可以基于各种因素将结构化查询排序。如果从查询用户接收的文本查询包含模糊η元元素，则可以将响应文本查询而生成的建议结构化查询排序，例如，按照通过社交网络系统160确定的这些结构化查询中所引用的已识别节点/矢线与查询用户的意向匹配的概率或者概率的顺序。在将结构化查询排序之后，社交网络系统160则可仅发送具有比阈值排序更大的排序的这些结构化查询(例如，可将排列在前七的查询发送至查询用户并且在下拉菜单300中显示)。在【具体实施方式】中，结构化查询的排序可以基于查询用户的用户节点202与结构化查询中引用的具体社交图谱元素之间的间隔度。引用社交图谱200中更接近于查询用户(即，该元素与查询用户的用户节点202之间的更小间隔度)的社交图谱元素的结构化查询可比引用远离该用户(即，更大的间隔度)的社交图谱元素的结构化查询排列地更靠前。在【具体实施方式】中，社交网络系统160可基于与查询用户相关联的搜索历史将结构化查询排序。引用查询用户之前访问的社交图谱元素或者与查询用户之前访问的社交图谱元素有关的结构化查询更为可能成为查询用户的搜索查询的目标。因此，这些结构化查询排列地更靠前。例如但不限于，如果查询用户之前访问过“斯坦福大学”资料页面，但是，未访问“斯坦福，加利福尼亚”资料页面，则当确定引用这些概念的结构化查询的排序时，因为查询用户之前访问过该学校的概念节点204，所以社交网络系统160可确定引用“斯坦福大学”的概念节点204的结构化查询排列地相对靠前。在【具体实施方式】中，社交网络系统160可基于广告赞助将结构化查询排序。广告商(诸如，对应于具体节点的具体资料页面的用户或者管理员)可赞助具体节点，以使得引用该节点的结构化查询排列地更靠前。尽管本公开描述了以具体方式将结构化查询排序，然而，本公开预期以任意合适的方式将结构化查询排序。
[0118]在于2012年11月12日提交的美国专利申请号13/674695和于2012年12月31日提交的美国专利申请号13/731866中可以获得关于生成结构化查询和语法模型的更多信息，通过引用将其结合在此。
[0119]利用结构化查询消除检索词的歧义
[0120]在【具体实施方式】中，响应接收包括模糊η元语法的文本查询，社交网络系统160可生成一组结构化查询，其中，该组中的每项结构化查询均对应于与模糊η元语法对应的已识别节点或者已识别矢线。因此，这些结构化查询中的每项均可包括对应的已识别节点或者已识别矢线的引用。对于对应于模糊η元语法的每个已识别节点或者每项已识别矢线，社交网络系统160可生成引用该已识别节点或者已识别矢线的至少一项结构化查询。如上所述，可将这些结构化查询呈现给查询用户，查询用户则可从多个结构化查询中选择，以指示查询用户旨在利用模糊检索词所引用的社交图谱元素。响应查询用户的选择，社交网络系统160则可将查询中的模糊检索词锁定至由查询用户选择的社交图谱元素，然后，基于所选择的社交图谱元素生成一组新的结构化查询。例如但不限于，参考图4C和图4D，响应接收查询字段350中的非结构化文本查询“喜欢facebook的人”，社交网络系统160可生成一组结构化查询，其中，每项结构化查询均引用对应于已识别的概念节点204中的对应于模糊η元语法“facebook”的一个的社交图谱实体。在该实施例中，该组结构化查询包括“Facebook”、“Facebook Culinary Team”、以及“Facebook 照相机”的引用，其中，通过社交网络系统160识别尽可能地对应于接收的文本查询中的模糊η元语法“facebook”的每个引用。然后，查询用户能选择结构化查询中的一项，以选择结构化查询中所引用的具体概念，并且由此将结构化查询锁定至对应于所选择的概念的概念节点204。例如，如果查询用户从图4C中所示的下拉菜单300中选择第一建议的结构化查询“喜欢Facebook的人”，则社交网络系统160可基于该选择生成一组新的结构化查询，如图4D所示，其中，因为现在被锁定至已接收的文本查询中的之前的模糊η元语法“facebook”，所以图4D的下拉菜单300中的该组新的结构化查询全部引用“Facebook”的概念节点204。尽管本公开描述了响应具体的模糊文本查询而生成具体的结构化查询，然而，本公开预期响应任意合适的模糊文本查询而生成任意合适的结构化查询。
[0121]在【具体实施方式】中，结构化查询可包括关于结构化查询中所引用的社交图谱元素中的一个或多个的上下文信息的片段。其中，响应包含模糊η元语法的文本查询而生成结构化查询，该片段可提供关于对应于在具体结构化查询中引用的模糊η元语法的已识别节点或者已识别矢线的上下文信息。可将结构化查询中包括的片段呈现给查询用户(例如，下拉菜单300中的结构化查询中的行内)，以助于用户确定所引用的社交图谱元素是否与用户的意向匹配。在【具体实施方式】中，结构化查询可自动包括该片段。当显示一组结构化查询时，每项结构化查询均可自动包括上下文信息的片段。在【具体实施方式】中，当查询用户与结构化查询交互时，结构化查询中可包括片段。当将结构化查询最初呈现给查询用户时，每项结构化查询不一定必须包括片段。替代地，在用户与结构化查询交互之后，例如，通过将鼠标放在结构化查询上、聚焦在结构化查询上、或者通过其他方式与结构化查询交互，可将有关具体结构化查询的片段呈现给查询用户。例如但不限于，参考图4C，响应查询字段350中的文本查询“喜欢facebook的人”(包含模糊检索词“facebook”)，社交网络系统160生成引用对应于在下拉菜单300中呈现给用户的公司“Facebook”、团体“FacebookCulinary Team”等的概念节点204的结构化查询。在图4C中所示的实施例中，查询用户聚焦于结构化查询“喜欢Facebook的人”，并且响应接近结构化查询而生成的读作“产品/服务-81，431，771喜欢这条”的片段，其中，该片段提供关于公司“Facebook”的引用概念节点204的上下文信息，以指示其对应于“产品/服务”。而且，该片段提供关于所引用的喜欢类型矢线206的上下文信息，以指示“如此的81，431，771” ( S卩，多个用户节点202通过喜欢类型矢线206连接至“Facebook”的概念节点204。同样，如果用户聚焦于在图4C的下拉菜单300中所显示的其他结构化查询，则基于具体结构化查询中所引用的社交图谱元素可显示关于这些结构化查询中的每项的不同片段。尽管本公开示出并且描述了以具体方式生成关于结构化查询的具体片段，然而，本公开预期以任意合适的方式生成关于结构化查询的任意合适的片段。
[0122]在【具体实施方式】中，社交网络系统160可将结构化查询中的一项或者多项发送至查询用户。例如但不限于，在生成结构化查询之后，社交网络系统160可响应用户的客户端系统130(可利用AJAX或者其他合适的技术)发送结构化查询中的一项或者多项，例如，包括引用的社交图谱元素的名称(名称字串)、其他查询限制(例如，布尔运算子等)、以及潜在地与引用的社交图谱元素相关联的其他元数据。如图4A至图4H所示，查询用户的客户端系统130上的网络浏览器132可在下拉菜单300中显示已发送的结构化查询。其中，响应接收具有模糊η元语法的文本查询而生成结构化查询，然后，通过查询用户可以选择已发送的结构化查询，以指示结构化查询中所引用的已识别节点或者已识别的矢线与用户对模糊η元语法的意向匹配。例如但不限于，参考图4C，响应查询字段350中的非结构化文本查询“喜欢facebook的人”，社交网络系统160可生成下拉菜单300中所示的该组结构化查询。这些结构化查询包括对应于“Facebook”、“Facebook Culinary Team”、以及“Facebook照相机”等的概念节点204的引用，其中，通过社交网络系统160识别的每个引用尽可能地对应于已接收的文本查询中的模糊η元语法“facebook”。查询用户则能选择这些结构化查询中的一项，以选择结构化查询中所引用的具体概念，并且由此将模糊η元语法“facebook”锁定至对应于所选择的结构化查询的概念节点204。在【具体实施方式】中，可按照排列顺序将已发送的查询呈现给查询用户，诸如，基于如上所述之前确定的排序。可在更为显著的位置中呈现具有更佳排序的结构化查询。而且，在【具体实施方式】中，仅可将阈值排序以上的结构化查询发送或者显示给查询用户。例如但不限于，如图4A和图4B所示，可在下拉菜单300中将结构化查询呈现给查询用户，其中，可在菜单顶部呈现排列靠前的结构化查询，而在菜单中按照降序呈现排列靠后的结构化查询。在图4A至图4H所示的实施例中，仅将排序在前七的查询发送并且显示给用户。在【具体实施方式】中，可以高亮(例如，加轮廓线、加下划线、加圆圈、粗体、斜体、着色、浅色、偏移、大写)，以指示其与具体的社交图谱元素的对应性。例如但不限于，如图4B所示，在结构化查询中高亮(加轮廓线)对“斯坦福大学”和“斯坦福，加利福尼亚”的引用，以指示其对应于具体的概念节点204。同样，还可高亮对下拉菜单300中所呈现的结构化查询中的“朋友”、“喜欢”、“工作于”、以及“就读于”的引用，以指示其对应于具体的矢线206。尽管本公开描述了以具体方式发送具体的结构化查询，然而，本公开预期以任意合适的方式发送任意合适的结构化查询。
[0123]在【具体实施方式】中，社交网络系统160可从查询用户接收对结构化查询中的一项的选择。已接收的结构化查询中所引用的节点和矢线可分别被称之为已选择的节点和已选择的矢线。通过选择响应具有模糊η元语法的文本查询而生成的结构化查询中的一项，查询用户可指示已选择的结构化查询中所引用的节点或者矢线与用户对模糊η元语法的意向匹配。例如但不限于，查询用户的客户端系统130上的网络浏览器132可在下拉菜单300中显示已发送的结构化查询，如图4Α和图4Β所示，然后，用户可点击或者通过其他方式选择(例如，仅通过其键盘上的按键“回车”)已发送的结构化查询，以指示用户希望社交网络系统160执行的具体结构化查询。通过选择结构化查询中的一项，查询用户可由此将模糊η元语法锁定至对应于已选择的结构化查询的社交图谱元素。例如但不限于，参考图4C，查询用户可将非结构化文本查询“喜欢facebook的朋友”输入至查询字段350中，其中，文本查询中的检索词“facebook”被识别为模糊η元语法。如果查询用户从图4C所示的下拉菜单300中选择第二建议的结构化查询“喜欢Facebook Culinary Team的人”，第二建议的结构化查询“喜欢 Facebook Culinary Team 的人”对应于团体“Facebook Culinary Team”的概念节点204，则社交网络系统160可将文本查询中的模糊η元语法“facebook”锁定至“Facebook Culinary Team”的概念节点204并且基于该选择生成一组新的结构化查询(即，引用“Facebook Culinary Team”的概念节点204的一组新的结构化查询)。而且，一旦选择该具体的结构化查询，则用户的客户端系统130可调用或者通过其他方式指示社交网络系统160执行已选择的结构化查询。尽管本公开描述了以具体方式接收对具体结构化查询的选择，然而，本公开预期以任意合适的方式接收对任意合适的结构化查询的选择。
[0124]在【具体实施方式】中，响应接收查询用户对结构化查询的选择，社交网络系统160可基于该选择生成一组新的结构化查询。所选择的结构化查询可包括对与模糊η元语法对应的已识别节点中的一个或者已识别矢线中的一条的引用。这些已识别的节点或者已识别的矢线可被称之为已选择的节点或者已选择的矢线