一种电商搜索排序方法、装置及计算设备制造方法及图纸

本发明专利技术是关于一种电商搜索排序方法、装置和计算设备。该方法包括：接收用户的搜索关键字；对所述搜索关键字进行分析，得出用户兴趣特征和商品的类别特征；结合用户兴趣特征和商品的类别特征，利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分，按照候选商品的评分高低，对候选商品进行选择并且排序。使用基于兴趣激活的方法的评分模型对候选商品进行评分，选择出与当前候选商品相关的特征进行排序，减少了不相关的特征的对排序的干扰，使得搜索排序更精准，更能准确地预估用户的兴趣从而做出准确的推荐。

【技术实现步骤摘要】
一种电商搜索排序方法、装置及计算设备
本专利技术涉及电商搜索
，尤其涉及一种电商搜索排序方法、装置及计算设备。
技术介绍
原有的电商搜索排序技术可以分成两类：第一类方法主要被部分的比较初级的电商使用，基于倒排建立基于关键字和商品全文进行检索，再根据搜索关键词和商品的标题/描述等内容，采用BM25这类的文本相似度算法计算得到的相关性进行排序。这类方法没有充分挖掘用户的个性化特征，尤其没有考虑是各种实时的行为，比如：用户点击/收藏/关注了一个商品后，只是根据搜索关键词和商品的标题/描述等内容，采用BM25这类的文本相似度算法得到的相关性进行排序的，该方法的模型无法及时的根据此用户行为继续学习从而对不同的用户做出不同的排序。第二类方法实际是在第一类方法的基础上加入了用户画像，此方法被部分较大型的电商使用，这类方法首先建立了用户画像，根据用户画像得到特征与商品及关键词交叉后使用逻辑回归等机器学习模型对点击率建模进行排序。这类方法平均地考虑所有行为记录对商品的评分的影响，造成商品评分数据较少而引发商品相似度偏差。且商品相似度只依赖用户对商品评分，而没有综合考虑到商品本身内在特征。所以计算出来的商品相似度并不准确，进而导致排序的出来的商品并不能准确反映用户真实想搜索的商品。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供一种电商搜索排序方法、装置和计算设备，选择出与当前候选商品相关的特征进行排序，减少了不相关的特征的对排序的干扰，使得搜索排序更精准，更能准确地预估用户的兴趣从而做出准确的推荐。根据本专利技术实施例的第一方面，提供一种电商搜索排序方法，包括：接收用户的搜索关键字；对所述搜索关键字进行分析，得出用户兴趣特征和商品的类别特征；结合用户兴趣特征和商品的类别特征，利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分；按照候选商品的评分高低，对候选商品进行选择并且排序。根据本专利技术实施例的第二方面，提供一种电商搜索排序装置，包括，信息接收模块、数据处理模块、商品评分模块和商品排序模块：信息接收模块，用于接收用户的搜索关键字；数据处理模块，用于对所述搜索关键字进行分析，得出用户兴趣特征和商品的类别特征；商品评分模块，用于结合用户兴趣特征和商品的类别特征，利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分；商品排序模块，用于按照候选商品的评分高低，对候选商品进行选择并且排序。根据本专利技术实施例的第三方面，提供一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。本专利技术的实施例提供的技术方案可以包括以下有益效果：使用基于兴趣激活的方法的评分模型对候选商品进行评分，选择出与当前候选商品相关的特征进行排序，减少了不相关的特征的对排序的干扰，使得搜索排序更精准，更能准确地预估用户的兴趣从而做出准确的推荐。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明通过结合附图对本专利技术示例性实施方式进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本专利技术示例性实施方式中，相同的参考标号通常代表相同部件。图1是本专利技术根据一示例性实施例示出的一种电商搜索排序方法的流程图；图2是本专利技术根据一示例性实施例示出的一种电商搜索排序方法中的评分模型生成流程图；图3是本专利技术根据一示例性实施例示出的一种电商搜索排序装置的示意图框图；图4是本专利技术根据一示例性实施例示出的一种电商搜索排序装置的评分模型生成模块示意框图；图5是本专利技术根据一示例性实施例示出的一种计算设备的结构示意图。具体实施方式下面将参照附图更详细地描述本专利技术的优选实施方式。虽然附图中显示了本专利技术的优选实施方式，然而应该理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本专利技术更加透彻和完整，并且能够将本专利技术的范围完整地传达给本领域的技术人员。在本专利技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。本专利技术提供一种电商搜索排序方法、装置和计算设备，选择出与当前候选商品相关的特征进行排序，减少了不相关的特征的对排序的干扰，使得搜索排序更精准，更能准确地预估用户的兴趣从而做出准确的推荐。图1是本专利技术根据一示例性实施例示出的一种电商搜索排序方法的流程图。如图1所示，包括以下步骤：在步骤101中，接收用户的搜索关键字。这里可以是用户在电商平台的搜索框中输入某种具体商品的名称，例如：袜子，鞋子，女士大衣等。完成步骤101之后，可以进入步骤102中，对所述搜索关键字进行分析，得出用户兴趣特征和商品类别特征。本步骤中，对关键字进行分词，语义分析等分析处理，得出用户的搜索关键词，进而得出用户兴趣特征值，然后根据用户的兴趣特征在商品类别库中选择合适的商品类别得出商品类别特征。例如：用户在近期搜索了裙子，则在商品库中找到裙子类别的商品库。这里根据用户兴趣特征值在商品类别库中选择合适的商品类别得出商品类别特征。完成步骤102之后，进入步骤103，根据所述商品类别特征和兴趣特征在商品库中选择候选商品。在完成步骤101之后，也可以进入步骤104，根据用户的搜索关键字和用户信息对用户进行用户实时属性画像。在完成步骤101之后，也可以进入步骤105根据用户的搜索关键字、用户信息和用户历史数据对用户进行用户离线画像。本步骤历史数据可以包括用户历史搜索数据，历史购买数据以及收藏数据等，例如：历史搜索的女士大衣，购买的女士短裙，收藏了袜子等信息。用户信息包括：联系方式，用户住址等信息。完成步骤103、步骤104和步骤105之后，进入步骤106，结合用户兴趣特征、商品的类别特征、用户离线画像数据和用户实时属性画像数据利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分。最后是步骤107，按照候选商品的评分高低，对候选商品进行选择并且排序。本实施例根据待选的商品在实时的计算用户的兴趣是否激活，然后再进行排序，最后根据排序结果来下发商品。...

【技术保护点】
1.一种电商搜索排序方法，包括：/n接收用户的搜索关键字；/n对所述搜索关键字进行分析，得出用户兴趣特征和商品的类别特征；/n结合用户兴趣特征和商品的类别特征，利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分；/n按照候选商品的评分高低，对候选商品进行选择并且排序。/n

【技术特征摘要】
1.一种电商搜索排序方法，包括：
接收用户的搜索关键字；
对所述搜索关键字进行分析，得出用户兴趣特征和商品的类别特征；
结合用户兴趣特征和商品的类别特征，利用基于兴趣激活的方法的评分模型对候选商品进行评分，输出每个候选商品的评分；
按照候选商品的评分高低，对候选商品进行选择并且排序。


2.根据权利要求1所述的方法，还包括：利用用户历史数据和用户兴趣生成基于兴趣激活的方法的评分模型。


3.根据权利要求2所述的方法，其中，利用用户历史数据和用户兴趣生成基于兴趣激活的方法的评分模型，包括：
采集历史推荐数据、客户端历史数据和转化数据；
对所述历史推荐数据，客户端历史数据和转化数据进行关联，得出关联的用户行为数据；
将关联的用户行为数据、历史画像数据、实时画像数据和商品特征表输入进评分模型进行模型训练，生成基于兴趣激活的方法的评分模型。


4.根据权利要求3所述的方法，还包括：
将所述关联的用户行为数据结构化成具体的格式数据；
其中，将关联的用户行为数据、历史画像数据、实时画像数据和商品特征表输入进评分模型进行模型训练，生成基于兴趣激活的方法的评分模型为：
将结构化后的关联的用户行为数据、历史画像数据、实时画像数据和商品特征表输入进评分模型进行模型训练，生成基于兴趣激活的方法的评分模型。


5.根据权利要求1所述的方法，还包括：
根据用户的搜索关键字、用户信息和用户历史数据对用户进行用户离线画像；
将所述用户离线画像数据输入到基于兴趣激活的方法的评分模型，用于对候选商品进行评分。

...

【专利技术属性】
技术研发人员：姚建峰，何凯彬，
申请(专利权)人：广州探途网络技术有限公司，
类型：发明
国别省市：广东;44