本申请公开一种商品搜索方法、装置、计算机设备及存储介质，包括：接收电商用户的查询请求，提取该请求中的搜索关键词；对所搜索关键词进行数据预处理，构造相对应的词向量矩阵；将词向量矩阵输入已训练至收敛状态的类目预测模型，类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值，类目结构以至少两个层级组织不同类目；构造搜索结果列表，将该搜索结果列表推送给电商用户，搜索结果列表包含评估分值相对较高的若干个类目的商品对象。本申请结合类目结构及类目预测模型，从类目的维度出发，为关键词精确且高效地查询相匹配的商品，并依照类目的层级系统有序展示商品，有效地提升检索的相关性。关性。关性。
【技术实现步骤摘要】
商品搜索方法、装置、计算机设备及存储介质
[0001]本专利技术实施例涉及电商
，尤其是一种商品搜索方法、装置、计算机设备及存储介质。
技术介绍
[0002]目前，电商服务平台的用户可通过输入搜索关键词，搜索自己所需的商品对象进行展示，然而，用户在输入搜索关键词时，可能不太清楚用什么样的关键词表达自己的需要，因此，按照用户输入的搜索关键词返回的搜索结果可能不能满足用户的实际需要，且商品展示列表中所展示出的商品数量可能会比较多，在用户的终端设备上，由于设备的显示面积有限，在当前显示面积中展示出的商品数量也非常有限，因此，若平台为用户所查询的商品不准确，可能需要用户通过滑动屏幕的方式，才能浏览到其所搜索的商品，且相应的，靠后展示的商品则由于需要较长的用户操作路径，可能会被用户所忽略，使该些商品无法得到有效的曝光机会。可见，在提供查询结果的过程中，商品的查询结果的准确率直接影响到商品的排序情况，将会直接影响商品的实际的成交结果。因此，如何提高商品查询结果的质量，成为需要本领域技术人员解决的技术问题。
技术实现思路
[0003]本申请的目的在于提供一种商品搜索方法、装置、计算机设备及存储介质。
[0004]为实现本申请的目的，采用如下技术方案：
[0005]适应本申请的目的之一而提出的一种商品搜索方法，包括如下步骤：
[0006]接收电商用户的查询请求，提取该请求中的搜索关键词；
[0007]对所述搜索关键词进行数据预处理，构造相对应的词向量矩阵；
[0008]将所述词向量矩阵输入已训练至收敛状态的类目预测模型，该类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值，所述类目结构以至少两个层级组织所述不同类目；
[0009]构造搜索结果列表，将该搜索结果列表推送给该电商用户，所述搜索结果列表包含所述评估分值相对较高的若干个类目的商品对象。
[0010]进一步的实施例中，对所述搜索关键词进行数据预处理，构造相对应的词向量矩阵的步骤，包括：
[0011]对所述搜索关键词进行分词，基于语法规则算法获取所述搜索关键词的多个关键词组；
[0012]根据词共现图网络算法，计算各关键词组的权重；
[0013]调用词嵌入模型，对权重相对较高的多个关键词组进行向量化处理，构造所述词向量矩阵。
[0014]进一步的实施例中，所述词嵌入模型为Skip
‑
garm模型，即跳字模型，所述类目预测模型为TextCNN模型。
[0015]进一步的实施例中，该类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值的步骤，包括：
[0016]将所述词向量矩阵转换为预设尺寸的矩阵；
[0017]将符合预设尺寸的词向量矩阵与不同单位尺寸的卷积核进行卷积操作，获取各卷积核对应的向量矩阵，所述单位尺寸以所述预设尺寸的宽度为基准，进行不同长度的设置；
[0018]将该些向量矩阵进行最大池化，获取该些向量矩阵相对应的池化结果进行拼接，构造池化向量进行全连接输出；
[0019]调用归一化指数函数，预测该全连接输出的特征矩阵与所不同类目的预测结果概率，将该些概率确定为所述词向量矩阵命中类目结构中的不同类目的评估分值。
[0020]较佳的实施例中，包括前置步骤，对所述类目预测模型进行训练，其训练过程包括：
[0021]获取海量的商品数据及历史搜索数据，将该些数据进行数据预处理，构造多个相对应的词向量矩阵；
[0022]将该些词向量矩阵输入类目预测模型，确定该些词向量矩阵命中类目结构中的不同类目的评估分值；
[0023]以此类推进行迭代训练，直至各词向量矩阵对应的评估分值相对较高的若干个类目为其所属的商品数据或历史搜索数据相应预设的类目为止，则表征该类目预测模型已训练至收敛状态。
[0024]进一步的实施例中，构造搜索结果列表，将该搜索结果列表推送给该电商用户的步骤，包括：
[0025]判断所述词向量矩阵的各类目的所述评估分值是否超过目标分值，将超过目标分值的评估分值相对应的类目确定为目标类目；
[0026]获取该些目标类目各自包含的商品对象，根据该些商品对象构造所述搜索结果列表；
[0027]按照所述搜索结果列表储存的各商品对象所属类目的层级及评估分值,对该些商品对象进行降序排序；
[0028]将所述搜索结果列表推送至所述电商用户。
[0029]较佳的实施例中，按照所述搜索结果列表储存的各商品对象所属类目的层级及评估分值,对该些商品对象进行降序排序的步骤中，按照所述商品对象的商品特征信息，在其所属的类目范围内，对该些商品对象进行排序，所述商品特征信息包括价格信息、销量信息及库存信息。
[0030]适应本申请的目的而提出的一种商品搜索装置，其包括：
[0031]请求接收模块，用于接收电商用户的查询请求，提取该请求中的搜索关键词；
[0032]数据预处理模块，用于对所述搜索关键词进行数据预处理，构造相对应的词向量矩阵；
[0033]评估分值预测模块，用于将所述词向量矩阵输入已训练至收敛状态的类目预测模型，该类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值，所述类目结构以至少两个层级组织所述不同类目；
[0034]列表构造模块，用于构造搜索结果列表，将该搜索结果列表推送给该电商用户，所
述搜索结果列表包含所述评估分值相对较高的若干个类目的商品对象。
[0035]进一步的实施例中，所述数据预处理模块包括：
[0036]关键词切词单元，用于对所述搜索关键词进行分词，基于语法规则算法获取所述搜索关键词的多个关键词组；
[0037]权重计算单元，用于根据词共现图网络算法，计算各关键词组的权重；
[0038]向量化处理单元，用于调用词嵌入模型，对权重相对较高的多个关键词组进行向量化处理，构造所述词向量矩阵。
[0039]进一步的实施例中，所述评估分值预测模块包括：
[0040]尺寸转换单元，用于将所述词向量矩阵转换为预设尺寸的矩阵；
[0041]卷积操作单元，用于将符合预设尺寸的词向量矩阵与不同单位尺寸的卷积核进行卷积操作，获取各卷积核对应的向量矩阵，所述单位尺寸以所述预设尺寸的宽度为基准，进行不同长度的设置；
[0042]最大池化单元，用于将该些向量矩阵进行最大池化，获取该些向量矩阵相对应的池化结果进行拼接，构造池化向量进行全连接输出；
[0043]概率预测单元，用于调用归一化指数函数，预测该全连接输出的特征矩阵与所不同类目的预测结果概率，将该些概率确定为所述词向量矩阵命中类目结构中的不同类目的评估分值。
[0044]进一步的实施例中，所述列表构造模块包括：
[0045]目标类目确定单元，用于判断所述词向量矩阵的各类目的所述评估分值是否超过目标分值，将超过目标分值本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种商品搜索方法，其特征在于，包括如下步骤：接收电商用户的查询请求，提取该请求中的搜索关键词；对所述搜索关键词进行数据预处理，构造相对应的词向量矩阵；将所述词向量矩阵输入已训练至收敛状态的类目预测模型，该类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值，所述类目结构以至少两个层级组织所述不同类目；构造搜索结果列表，将该搜索结果列表推送给该电商用户，所述搜索结果列表包含所述评估分值相对较高的若干个类目的商品对象。2.根据权利要求1所述的方法，其特征在于，对所述搜索关键词进行数据预处理，构造相对应的词向量矩阵的步骤，包括：对所述搜索关键词进行分词，基于语法规则算法获取所述搜索关键词的多个关键词组；根据词共现图网络算法，计算各关键词组的权重；调用词嵌入模型，对权重相对较高的多个关键词组进行向量化处理，构造所述词向量矩阵。3.根据权利要求2所述的方法，其特征在于，所述词嵌入模型为Skip
‑
garm模型，即跳字模型，所述类目预测模型为TextCNN模型。4.根据权利要求1所述的方法，其特征在于，该类目预测模型执行类别预测运算而确定该词向量矩阵命中类目结构中的不同类目的评估分值的步骤，包括：将所述词向量矩阵转换为预设尺寸的矩阵；将符合预设尺寸的词向量矩阵与不同单位尺寸的卷积核进行卷积操作，获取各卷积核对应的向量矩阵，所述单位尺寸以所述预设尺寸的宽度为基准，进行不同长度的设置；将该些向量矩阵进行最大池化，获取该些向量矩阵相对应的池化结果进行拼接，构造池化向量进行全连接输出；调用归一化指数函数，预测该全连接输出的特征矩阵与所不同类目的预测结果概率，将该些概率确定为所述词向量矩阵命中类目结构中的不同类目的评估分值。5.根据权利要求1至5中任意一项所述的方法，其特征在于，包括前置步骤，对所述类目预测模型进行训练，其训练过程包括：获取海量的商品数据及历史搜索数据，将该些数据进行数据预处理，构造多个相对应的词向量矩阵；将该些词向量矩阵输入类目预测模型，确定该些词向量矩阵命中类目结构中的不同类目的评估分值；以此类...
【专利技术属性】
技术研发人员：叶朝鹏，郭东波，王锋，石志伟，
申请(专利权)人：广州华多网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。