搜索结果推荐方法及装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种搜索结果推荐方法及装置、电子设备及可读存储介质。其中，该方法包括：将目标搜索词输入至推荐模型中，其中，推荐模型是通过训练样本集合预先在预设模型中训练完成的；在预设应用界面中展示推荐模型输出的推荐兴趣点；其中，训练样本集合中的训练样本包括搜索词的搜索词特征、与搜索词对应的第一兴趣点特征以及相似搜索词对应的第二兴趣点特征，搜索词相似搜索词均存在相同的兴趣点。本发明专利技术解决了解决了由于相关技术中查询词对应的自然结果较少的情况下，补余推荐的搜索词与兴趣点为异构，而导致无法召回更多搜索结果的技术问题的技术问题。果的技术问题的技术问题。果的技术问题的技术问题。

【技术实现步骤摘要】
搜索结果推荐方法及装置、电子设备及可读存储介质


[0001]本专利技术涉及计算机
，具体而言，涉及一种搜索结果推荐方法及装置、电子设备及可读存储介质。

技术介绍

[0002]作为自然结果的补充，补余推荐在提升转化效率、改善用户丰富性体验起到了重要的作用：当自然结果较多时，补余推荐能够为用户提供更具多样性、泛化的结果；当自然结果较少时，补余推荐能够基于用户的历史记录为用户提供候选Poi以避免结果过少而降低用户搜索体验。图嵌入模型因其能够充分利用图的传播能力，和其他方法相比(矩阵协同分解，FM等)能够学习到更具多样性的结果，因而天生适合补余推荐的业务场景。
[0003]目前现有图嵌入模型主要有两大类方法：Deepwalk类方法以及图神经网络，其中Deepwalk类的方法通过随机游走的方式(不同方法在游走策略上存在差异)在图中进行序列的采样以还原出节点和邻居之间的拓扑关系，之后使用word2vec一类的方法为每个节点学习低维表示。如node2vec,EGES,LINE等。这一类方法业界有成功运用(如Airbnb、Alibaba)，不过一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种搜索结果推荐方法，其特征在于，包括：将目标搜索词输入至推荐模型中，其中，所述推荐模型是通过训练样本集合预先在预设模型中训练完成的；在预设应用界面中展示所述推荐模型输出的推荐兴趣点；其中，所述训练样本集合中的训练样本包括搜索词的搜索词特征、与搜索词对应的第一兴趣点特征以及相似搜索词对应的第二兴趣点特征，所述搜索词所述相似搜索词均存在相同的兴趣点。2.根据权利要求1所述的方法，其特征在于，在将目标搜索词输入至推荐模型中之前，还包括：根据用户行为记录获取与所述搜索词对应的相似搜索词；根据所述搜索词、所述搜索词对应的第一兴趣点以及所述相似搜索词对应的第二兴趣点，构建与所述搜索词对应的训练样本。3.根据权利要求2所述的方法，其特征在于，根据用户行为记录获取与所述搜索词对应的相似搜索词，包括：在所述搜索词包括多个搜索意向的情况下，将所述搜索词拆分为多个子搜索词，其中，每个子搜索词分别对应一个搜索意向；获取所述多个子搜索词分别对应的相似搜索词。4.根据权利要求2所述的方法，其特征在于，根据所述搜索词、所述搜索词对应的第一兴趣点以及所述相似搜索词对应的第二兴趣点，构建与所述搜索词对应的训练样本，包括：获取与所述搜索词对应的第一查询图，以及，获取与所述相似搜索词对应的第二查询图，其中，所述第一查询图中包括所述搜索词特征以及多个所述第一兴趣点特征，所述第二查询图中包括所述相似搜索词特征以及所述第二兴趣点特征；合并所述第一查询图以及所述第二查询图，以得到元路径图，其中，所述元路径图中包括所述多个第一兴趣点特征以及所述多个第二兴趣点特征；根据预设元路径游走策略在元路径图中对兴趣点特征进行采样，以得到至少一个目标兴趣点特征；根据所述至少一个目标兴趣点特征以及所述搜索词特征构建所述训练样本。5.根据权利要求4所述的方法，其特征在于，合并所述第一查询图以及所述第二查询图，以得到所述训练样本，包括：根据所述用户行为记录在所述搜索词特征以及所述相似搜索词特征之间建立补余连接。6.一种搜索结果推荐装置，其特征在于，包括：输入单元，用于将目标搜索词输入至推荐模型中，其中，所述推荐模型是通过训练样本集合预先在预设模型中训练完成的；展示单元，用于在预设应用界面中展示所...

【专利技术属性】
技术研发人员：何金薇，吴世哲，蒋前程，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：