[发明专利]一种寻址类查询词的挖掘方法及系统

权利要求书

1.一种寻址类查询词的挖掘方法，其特征在于，该方法包括：

对用户点击日志中记录的域名相同的主域URL进行归一化处理，生成对应的主域名，并依据所述主域URL对应的查询词生成所述主域名的查询词集合，其中，主域URL为网站主页的URL，主域名为主域URL中的域名；

对所述查询词集合中的查询词进行切词，并统计得到的分词的出现次数，确定出现次数最多的一个以上分词中最长的分词为所述主域名对应的核心词；

确定所述查询词集合中包含所述核心词且被查询次数最高的一个以上查询词为所述主域名对应的寻址类查询词。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

依据预设的时间区间参数从用户点击日志中提取最近的用户点击日志，并依据预设的字段序号从提取的用户点击日志中获取查询词和点击的URL；

依据预设的主域URL格式对所述点击的URL进行筛选，得到点击的URL中的主域URL。

3.根据权利要求1所述的方法，其特征在于，所述对用户点击日志中记录的域名相同的主域URL进行归一化处理，生成对应的主域名具体包括：

以域名作为关键字对主域URL进行分类处理，将域名相同的主域URL归为一类；

依据预设的一个主域URL格式对每类主域URL下的主域URL进行归一化处理，对应每类主域URL生成一个主域名。

4.根据权利要求1所述的方法，其特征在于，所述依据主域URL对应的查询词生成所述主域名的查询词集合具体包括：

提取每类主域URL下每个主域URL对应的查询词，并统计每种查询词的被查询次数，对提取的查询词进行去重处理；

利用处理后得到的查询词及每种查询词的被查询次数生成查询词集合，确定所述查询词集合为所述主域名的查询词集合。

5.根据权利要求1所述的方法，其特征在于，所述对查询词集合中的查询词进行切词具体包括：

依据预设的切词粒度对主域名对应的查询词集合中的每个查询词进行切词处理，对应每个查询词生成一个以上分词；

所述切词粒度是以词组或具有完整意义的字为粒度的切词粒度。

6.根据权利要求1所述的方法，其特征在于，确定主域名对应的寻址类查询词的方法包括：

从主域名的查询词集合中提取包含所述核心词的查询词；

依据被查询次数由高到低的顺序对提取出的查询词进行排序，提取其中排名靠前的一个以上查询词；

确定提取的查询词为主域名对应的寻址类查询词；

确定主域名对应的寻址类查询词的方法进一步包括：将所述核心词确定为主域名对应的寻址类查询词。

7.根据权利要求1所述的方法，其特征在于，该方法还包括：

判断主域名的查询词集合中除主域名对应的寻址类查询词以外的查询词以切词为粒度的编辑距离；所述查询词以切词为粒度的编辑距离包括：查询词与核心词之间以切词为粒度的编辑距离、查询词与寻址类查询词之间以切词为粒度的编辑距离；当所述查询词以切词为粒度的编辑距离小于预设的编辑距离阈值时，确定所述查询词为主域名的扩展寻址类查询词，其中，以切词为粒度是以切词结果为词组或具有完整意义的字为粒度的粒度；

或，将所述核心词与预设的分词后缀进行组合生成寻址类查询词，确定生成的寻址类查询词为主域名的扩展寻址类查询词。

8.根据权利要求7所述的方法，其特征在于，判断查询词以切词为粒度的编辑距离之前，该方法还包括：

在主域名的查询词集合中将寻址类查询词筛除，对筛除后保留的查询词依据预设的切词粒度进行切词，对应每个查询词得到一个以上分词。

9.根据权利要求7所述的方法，其特征在于，如果查询词对应存在两个以上以切词为粒度的编辑距离，则所述查询词以切词为粒度的编辑距离为两个以上以切词为粒度的编辑距离中最小的编辑距离。