[发明专利]搜索词和商品的相关性预测方法、设备和存储介质

说明书

本公开的实施例提供了搜索词和商品的相关性预测方法、设备和存储介质，其中，所述方法包括：接收当前用户输入的搜索词，确定所述搜索词的语义向量，所述语义向量用于表征所述搜索词在词典的语义向量空间中的位置；利用预先训练的搜索推荐模型，确定所述搜索词的语义向量对应的至少一个搜索结果项，所述搜索结果项为包括所述搜索词，以及与所述搜索词的相关性大于预设阈值的商品名和品类名的语义向量；确定所述搜索结果项在词典的语义向量空间中的位置，并确定对应的商品信息；将所述商品信息推荐给所述当前用户。以此方式，通过有监督学习，可以更好的学习出词的向量表达，使得预测的相关性结果更加准确。

技术领域

本公开的实施例一般涉及搜索技术领域，并且更具体地，涉及搜索词和商品的相关性预测方法、设备和存储介质。

背景技术

当前主要的技术是选用所有的商品名作为语料，使用浅层的神经网络，从商品名的上下文中学习到每一个词的向量表达来表示其语义。在此基础上，通过平均或求和等聚合方法，分别计算出搜索词和商品名的向量表达，作为其语义表示。然后，计算两个向量的余弦距离作为相关性分数。

但是，现有技术的效果依赖于语料的丰富程度，在电商领域商品标题一般较短，为短文本场景，包含的上下文信息比较少，在文本语料有限的场景下，很难学习到词粒度的向量表达，从而也不能有效表达搜索词和商品名的语义，当用户通过搜索词搜索意向商品时，推荐的搜索结果项准确性较低。

发明内容

有鉴于此，根据本公开的实施例，提供了一种满足提高搜索结果项准确性，进而提高用户体验的搜索词和商品的相关性预测方案。

在本公开的第一方面，提供了一种搜索词和商品的相关性预测方法，包括：

接收当前用户输入的搜索词，确定所述搜索词的语义向量，所述语义向量用于表征所述搜索词在词典的语义向量空间中的位置；

利用预先训练的搜索推荐模型，确定所述搜索词的语义向量对应的至少一个搜索结果项，所述搜索结果项为包括所述搜索词，以及与所述搜索词的相关性大于预设阈值的商品名和品类名的语义向量；

确定所述搜索结果项在词典的语义向量空间中的位置，并确定对应的商品信息；

将所述商品信息推荐给所述当前用户。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括词典的语义向量空间的搭建过程，具体包括：

获取用户的历史搜索行为日志中的搜索词、商品名和品类名；

对搜索词、商品名和品类名进行逐行编码，生成语义向量空间，其中搜索词、商品名和品类名的编码为各自对应的行号。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述搜索推荐模型通过以下方式训练得到：

获取预设时间段内的用户的行为日志，所述行为日志包括用户的搜索请求和用户对根据搜索请求返回的商品信息的响应动作；

将点击率高于预设阈值的商品信息对应的搜索词、以及商品信息中的商品名和品类名作为训练正样本；

将点击率低于预设阈值的商品信息对应的搜索词、以及商品信息中的商品名和品类名作为第一子训练负样本；

按照预设条件从所述训练正样本所属品类和上级品类中选取商品信息对应的搜索词、以及商品信息中的商品名和品类名作为第二子训练负样本；

将所述第一子训练负样本和所述第二子训练负样本进行融合，生成训练负样本；

在所述训练正样本和所述训练负样本中关联加入品类特征，生成特征训练正样本和特征训练负样本，并映射为语义向量空间中的语义向量；