[发明专利]一种寻址类查询词的挖掘方法及系统

说明书

本发明提供了一种寻址类查询词的挖掘方法及系统，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；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查询词为所述主域名对应的寻址类查询词。根据本发明提供的技术方案，能够自动挖掘生成寻址类查询词集合，提高寻址类Bad Case挖掘召回率。

【技术领域】

本发明涉及互联网领域的搜索技术，尤其涉及一种寻址类查询词的挖掘方法及系统。

【背景技术】

搜索引擎的查询词可以分为寻址类查询词、信息类查询词和事务类查询词。按照Andrei Broder的研究，这三种查询词的比例分别是：12.3%、62%和25.7%。寻址类查询词指的是用户需要查询某个网站地址时提供的查询词，例如，淘宝网、蘑菇街、中国平安官方网站等，对于这类查询词用户的搜索需求非常明确，就是希望找到对应的官方网站地址，因此搜索引擎需要将对应的官方网站地址放在搜索结果的靠前位置，如前三位。但是，实际情况下中会出现如下官方网站地址没有排到首位而不能满足用户搜索需求的情况：

1、官方网站地址没有出现在搜索结果的第一位；

2、官方网站地址没有出现在首页；

3、官方网站地址没有被搜索引擎收录；

4、出现虚假的官方网站地址；

上述情况称为搜索引擎的寻址类Bad Case，寻址类Bad Case指的是用户的查询词是寻址类查询词，但是搜索引擎没有给出对应的官方网站地址或者给出的官方网站地址在搜索结果中比较靠后，从而导致搜索引擎对于寻址类查询词给出的搜索结果不能满足用户需求。

目前，寻址类Bad Case的挖掘方法是一种半自动的挖掘方法，需要人工提供寻址类查询词集合和对应的官方网站地址，然后自动抓取集合中寻址类查询词的搜索结果，判断对应的官方网站地址是否在搜索结果中、是否排在比较靠前的位置等。这种挖掘方法的缺点是：寻址类查询词集合需要人工配置，浪费人力且效率较低，配置的寻址类查询词的数量有限，导致寻址类BadCase挖掘召回率较低，从而导致搜索结果不能满足用户需求，需要用户的频繁操作，搜索效率较低，同样给搜索引擎增加负担。寻址类Bad Case挖掘召回率指的是从一个集合中找出真正寻址类Bad Case的比例，例如，实际中存在有100个寻址类BadCase，利用上述方法只能找到其中的60个寻址类BadCase，则寻址类Bad Case挖掘召回率为60%。

【发明内容】

本发明提供了一种寻址类查询词的挖掘方法及系统，能够自动挖掘生成寻址类查询词集合，提高寻址类Bad Case挖掘召回率。

本发明的具体技术方案如下：

根据本发明一优选实施例，一种寻址类查询词的挖掘方法，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；

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查询词为所述主域名对应的寻址类查询词。

上述方法中，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。