基于场景的类目偏好数据生成方法及装置专利检索-数据挖掘挖矿资料储存系统专利检索查询-专利查询网

基于场景的类目偏好数据生成方法及装置

阅读：296发布：2020-05-08

专利汇可以提供基于场景的类目偏好数据生成方法及装置专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于场景的类目偏好数据生成方法及装置，方法包括：采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。该方式实现了大数据挖掘不同场景下用户的类目偏好的目的，结合用户搜索场景产出类目偏好，使得挖掘的用户偏好更贴合用户实际偏好习惯，准确性更高，在后续进行搜索推荐时，能够提升搜索推荐效果。，下面是基于场景的类目偏好数据生成方法及装置专利的具体信息内容。

权利要求

1.一种基于场景的类目偏好数据生成方法，包括：
采集与搜索行为有关的用户行为历史数据，所述用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；
根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；
根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；
根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。
2.根据权利要求1所述的方法，其中，所述用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；
所述根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据进一步包括：
根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。
3.一种基于场景的搜索推荐方法，包括：
接收与搜索行为有关的用户行为实时数据，所述用户行为实时数据包含用户行为场景实时数据；
查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；
查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；
根据所述类目偏好数据进行搜索结果推荐；
向客户端返回推荐的搜索结果，以供客户端展现搜索结果。
4.一种基于场景的类目偏好数据生成装置，包括：
采集模块，适于采集与搜索行为有关的用户行为历史数据，所述用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；
场景识别模块，适于根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；
数据分析模块，适于根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；
场景偏好分析模块，适于根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。
5.根据权利要求4所述的装置，其中，所述用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；
所述场景识别模块进一步适于：根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。
6.一种基于场景的搜索推荐装置，包括：
接收模块，适于接收与搜索行为有关的用户行为实时数据，所述用户行为实时数据包含用户行为场景实时数据；
匹配模块，适于查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；
查询模块，适于查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；
搜索推荐模块，适于根据所述类目偏好数据进行搜索结果推荐；
返回模块，适于向客户端返回推荐的搜索结果，以供客户端展现搜索结果。
7.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-2中任一项所述的基于场景的类目偏好数据生成方法对应的操作。
8.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-2中任一项所述的基于场景的类目偏好数据生成方法对应的操作。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求3所述的基于场景的搜索推荐方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求3所述的基于场景的搜索推荐方法对应的操作。

说明书全文

基于场景的类目偏好数据生成方法及装置

技术领域

[0001] 本发明涉及互联网技术领域，具体涉及一种基于场景的类目偏好数据生成方法及装置。

背景技术

[0002] 在传统的搜索方式中，通常会根据搜索日志挖掘用户偏好内容从而进行搜索推荐，但在O2O领域，由于用户是在线下进行消费，用户在不同的场景下感兴趣的内容也是不一样，因此不考虑用户搜索场景的搜索推荐方式效果较差。

[0003] 现有技术(CN 105975522 A)公开了一种多领域内容推荐方法，该方式通过服务器计算每个用户在每个情境下对于不同领域的偏好程度，选择偏好程度大于设定的偏好程度阈值的领域作为偏好领域；然后获取每个用户对于所有领域的所有内容的偏好程度，按照偏好程度由高到低进行排序，得到偏好内容列表；然后，在偏好内容列表中选择属于偏好领域的内容，得到每个用户在每个情景下的推荐内容列表。最终，服务器根据当前情景，在推荐列表中查找对应当前情景的推荐内容列表并发送给客户端。

[0004] 但是，发明人在实现本发明的过程中发现：现有技术是针对于每一个用户，基于该用户的浏览记录来挖掘该用户在不同情景下的偏好，进而参考该用户在不同场景下的偏好对该用户进行搜索推荐。这种方式实质上是根据用户历史浏览记录对用户进行画像描述，进而根据用户画像进行搜索推荐，针对某一个用户来说，所依赖的数据源就是这个用户自身的浏览记录，这种方式的数据源很单一，挖掘到的用户偏好内容也缺乏多样性且准确性较差，从而导致搜索推荐的效果较差。

发明内容

[0005] 鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于场景的类目偏好数据生成方法及装置。

[0006] 根据本发明的一个方面，提供了一种基于场景的类目偏好数据生成方法，包括：

[0007] 采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；

[0008] 根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；

[0009] 根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；

[0010] 根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。

[0011] 可选地，用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；

[0012] 根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据进一步包括：

[0013] 根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0014] 可选地，时段标签包含：多个时段分档标签、是否工作日时段标签和/或是否决策时段标签；

[0015] 位置标签包含：多个地点类型标签、是否常驻地标签和/或搜索地点与当前地点的距离标签；

[0016] 搜索意图标签包含：实体意图标签、类目意图标签、地址意图标签和/或内容意图标签。

[0017] 可选地，用户行为目标实体历史数据包含：与搜索行为有关的目标实体的用户浏览行为数据以及用户消费行为数据；

[0018] 行为偏好数据包含：用户浏览行为数据以及用户消费行为数据的数据量。

[0019] 可选地，根据用户搜索场景数据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据进一步包括：

[0020] 根据用户搜索场景数据、类目数据和行为偏好数据，生成不同优先级的用户搜索场景下的类目偏好数据；

[0021] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0022] 可选地，得到用户搜索场景数据之后，方法进一步包括：

[0023] 对用户搜索场景数据进行聚合处理，筛除数据量小于预设数据量阈值的用户搜索场景数据。

[0024] 根据本发明的另一方面，提供了一种基于场景的搜索推荐方法，包括：

[0025] 接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据；

[0026] 查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；

[0027] 查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；

[0028] 根据类目偏好数据进行搜索结果推荐；

[0029] 向客户端返回推荐的搜索结果，以供客户端展现搜索结果。

[0030] 可选地，用户行为场景实时数据包含：时间数据、位置数据和/或搜索词；

[0031] 查询与用户行为场景实时数据相匹配的用户实时搜索场景数据进一步包括：

[0032] 根据时间数据、位置数据和/或搜索词得到用户实时搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0033] 可选地，查询离线存储的与用户实时搜索场景数据对应的类目偏好数据具体包括：

[0034] 查询离线存储的不同优先级的用户搜索场景下的类目偏好数据中与用户实时搜索场景数据对应的优先级最高的用户搜索场景下的类目偏好数据；

[0035] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0036] 可选地，根据类目偏好数据进行搜索结果推荐具体包括：

[0037] 将类目偏好数据作为排序因子进行搜索结果推荐。

[0038] 根据本发明的另一方面，提供了一种基于场景的类目偏好数据生成装置，包括：

[0039] 采集模块，适于采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；

[0040] 场景识别模块，适于根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；

[0041] 数据分析模块，适于根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；

[0042] 场景偏好分析模块，适于根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。

[0043] 可选地，用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；

[0044] 场景识别模块进一步适于：根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0045] 可选地，时段标签包含：多个时段分档标签、是否工作日时段标签和/或是否决策时段标签；位置标签包含：多个地点类型标签、是否常驻地标签和/或搜索地点与当前地点的距离标签；搜索意图标签包含：实体意图标签、类目意图标签、地址意图标签和/或内容意图标签。

[0046] 可选地，用户行为目标实体历史数据包含：与搜索行为有关的目标实体的用户浏览行为数据以及用户消费行为数据；

[0047] 行为偏好数据包含：用户浏览行为数据以及用户消费行为数据的数据量。

[0048] 可选地，场景偏好分析模块进一步适于：根据用户搜索场景数据、类目数据和行为偏好数据，生成不同优先级的用户搜索场景下的类目偏好数据；

[0049] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0050] 可选地，装置进一步包括：

[0051] 聚合处理模块，适于对用户搜索场景数据进行聚合处理，筛除数据量小于预设数据量阈值的用户搜索场景数据。

[0052] 根据本发明的另一方面，提供了一种基于场景的搜索推荐装置，包括：

[0053] 接收模块，适于接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据；

[0054] 匹配模块，适于查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；

[0055] 查询模块，适于查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；

[0056] 搜索推荐模块，适于根据类目偏好数据进行搜索结果推荐；

[0057] 返回模块，适于向客户端返回推荐的搜索结果，以供客户端展现搜索结果。

[0058] 可选地，用户行为场景实时数据包含：时间数据、位置数据和/或搜索词；

[0059] 匹配模块进一步适于：根据时间数据、位置数据和/或搜索词得到用户实时搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0060] 可选地，查询模块进一步适于：

[0061] 查询离线存储的不同优先级的用户搜索场景下的类目偏好数据中与用户实时搜索场景数据对应的优先级最高的用户搜索场景下的类目偏好数据；

[0062] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0063] 可选地，搜索推荐模块进一步适于：

[0064] 将类目偏好数据作为排序因子进行搜索结果推荐。

[0065] 根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

[0066] 所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于场景的类目偏好数据生成方法以及基于场景的搜索推荐方法对应的操作。

[0067] 根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于场景的类目偏好数据生成方法以及基于场景的搜索推荐方法对应的操作。

[0068] 根据本发明的基于场景的类目偏好数据生成方法及装置，采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。该方式通过与搜索行为有关的用户行为历史数据进行分析处理，产出用户搜索场景数据、类目数据及用户偏好数据，进而根据搜索场景数据和用户偏好数据产出搜索场景下的类目偏好数据，实现了大数据挖掘不同场景下用户的类目偏好的目的，并且结合了用户搜索场景产出类目偏好，使得挖掘到用户偏好数据更能贴合用户实际偏好习惯，准确性更高，从而在后续进行搜索推荐时，也能够提升搜索推荐效果。

[0069] 根据本发明的基于场景的搜索推荐方法及装置，接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据；查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；查询离线存储的与用户实时搜索场景数据对应的类目偏好数据。该方式通过结合时间、空间以及搜索意图三个维度的信息，对用户搜索场景进行识别，根据与用户搜索场景相对应的类目偏好数据进行搜索排序，实现结合搜索场景的搜索推荐，能够提升搜索推荐的效果。

[0070] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明

[0071] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

[0072] 图1示出了根据本发明一个实施例的基于场景的类目偏好数据生成方法的流程示意图；

[0073] 图2示出了根据本发明另一个实施例的基于场景的类目偏好数据生成方法的流程示意图；

[0074] 图3示出了根据本发明另一个实施例的一种基于场景的搜索推荐方法的流程示意图；

[0075] 图4示出了本发明另一实施例中基于场景的搜索推荐处理的流程示意图；

[0076] 图5示出了根据本发明又一个实施例的基于场景的类目偏好数据生成装置的功能模块图；

[0077] 图6示出了根据本发明另一个实施例的一种基于场景的搜索推荐装置的功能模块图；

[0078] 图7示出了根据本发明实施例的一种计算设备的结构示意图；

[0079] 图8示出了根据本发明实施例的一种计算设备的结构示意图。

具体实施方式

[0080] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

[0081] 在现有的搜索场景中，第一类搜索场景是用户搜索目标指向明显，如用户输入搜索词“肯德基”，搜索词“肯德基”的类目指向明显，用户的搜索目标很明确，就是查找“肯德基”，那么系统按照用户的搜索目的直接推荐相应的搜索结果；第二类搜索场景是用户搜索目标指向不够明显，如用户输入搜索词“牛肉”，这类搜索词在不同的时间、空间、意图的搜索场景下，用户可能找寻目标的类目偏好是不同的，同样是找牛肉，早晨倾向于轻快餐类目的牛肉包子，中午则会倾向于正餐的牛肉火锅等，搜索词“牛肉”的类目指向不明显，需要确定用户有关时间、空间、意图的搜索场景，才能进一步确定用户在搜索场景下的类目偏好；在搜索地址时，则第二类搜索场景的差异性更大，例如搜索距离较远的地址时，更可能是去找一些消费较高、质量较高的餐厅，类目偏好相对高档，而当搜索地址距离较近时，则对消费高低不那么明显。

[0082] 基于此，本发明通过对用户进行搜索时所处时间、空间、搜索意图的场景进行识别，特别是针对于类目指向不明显的搜索词进行搜索意图的识别，生成不同搜索场景下的类目偏好，并将得到的场景类目偏好运用至搜索排序中。

[0083] 图1示出了根据本发明一个实施例的基于场景的类目偏好数据生成方法的流程示意图，本实施例的方法基于大数据的方式实现，如图1所示，该方法包括：

[0084] 步骤S101，采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据。

[0085] 用户在搜索系统中的各种行为都会以行为数据的方式被记录下来，本实施例中，采集与搜索行为有关的用户行为历史数据，这里的搜索行为具体指的是用户的历史搜索行为。其中，与搜索行为有关的用户行为场景历史数据可以包括用户历史搜索行为对应的时间数据、位置数据和/或搜索词等场景相关的数据，也即用户进行搜索时的时间、位置和/或使用的搜索词等。其对应的用户行为目标实体历史数据具体指的是用户进行搜索之后产生的针对于目标实体的各种行为数据，例如用户点击浏览实体行为所产生的行为数据、用户购买实体行为所产生的行为数据等等，其中，实体是指：客观存在并可相互区别的事物，具体包括商品、店铺、券等等。

[0086] 步骤S102，根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据。

[0087] 通过本步骤，识别出用户进行搜索时所处的搜索场景，比如基于场景理解方法对用户行为场景历史数据打标签，得到用户搜索场景数据。

[0088] 步骤S103，根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据。

[0089] 对用户行为目标实体历史数据进行统计，得到用户历史行为所针对的目标实体所对应的类目数据和行为偏好数据。例如，统计用户购买行为所针对的目标实体所属类目以及各个类目被购买的次数。

[0090] 步骤S104，根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。

[0091] 根据上述内容可知，用户搜索场景数据与类目数据和行为偏好数据之间也存在对应关系，则依据数据之间的对应关系，根据用户搜索场景数据确定用户搜索场景，根据用户搜索场景下的类目偏好数据对类目数据进行偏好打分处理，从而得到用户搜索场景下的类目偏好数据，然后将生成的用户搜索场景下的类目偏好数据进行离线存储。

[0092] 根据本实施例所提供的基于场景的类目偏好数据生成方法，采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。该方式通过与搜索行为有关的用户行为历史数据进行分析处理，产出用户搜索场景数据、类目数据及用户偏好数据，进而根据搜索场景数据和用户偏好数据产出搜索场景下的类目偏好数据，实现了大数据挖掘不同场景下用户的类目偏好的目的，并且结合了用户搜索场景产出类目偏好，使得挖掘到用户偏好数据更能贴合用户实际偏好习惯，准确性更高，从而在后续进行搜索推荐时，也能够提升搜索推荐效果。

[0093] 图2示出了根据本发明另一个实施例的基于场景的类目偏好数据生成方法的流程示意图，如图2所示，该方法包括：

[0094] 步骤S201，采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据，用户行为场景历史数据包含：时间数据、位置数据和/或搜索词。

[0095] 用户在搜索系统中的各种行为都会以行为数据的方式被记录下来，本实施例中，采集与搜索行为有关的用户行为历史数据，这里的搜索行为具体指的是用户的历史搜索行为。其中，与搜索行为有关的用户行为场景历史数据包含用户历史搜索行为对应的时间数据、位置数据和/或搜索词，也即用户进行搜索时的时间、位置和/或使用的搜索词。其对应的用户行为场景历史数据对应的用户行为目标实体历史数据具体指的是用户进行搜索之后产生的针对于目标实体的各种行为数据。

[0096] 举例来说，用户早上七点在写字楼使用搜索词“附近的吃的”进行搜索，在浏览了搜索结果中的店铺实体“早餐粥店”和“开心早餐”之后，最终购买了搜索结果中的商品券实体“肯德基早餐券”，那么采集到的与本次搜索行为有关的用户行为场景历史数据包括：时间数据-“早上七点”、位置数据-“写字楼”以及搜索词“附近的吃的”，对应的用户行为目标实体历史数据包含：浏览店铺实体“早餐粥店”和“开心早餐”所产生的浏览行为数据，以及购买商品券实体“肯德基早餐券”行为所产生的消费行为数据。

[0097] 可选地，采集位置数据相关的用户行为场景历史数据及其对应的用户行为目标实体历史数据，这里位置数据相关表示的是位置数据对应的位置位于同一区域，例如位于同一城市、同一行政区域、同一国家等等。实际应用中，在O2O场景中，城市作为人们生活的基本单位，类目的分布可以城市维度产出，而后以城市类目分布为基准产出类目偏好。

[0098] 步骤S202，根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0099] 本实施例中，通过对与历史搜索行为有关的用户行为场景历史数据进行打标签的方式，也即对用户进行搜索时的时间、位置以及搜索词打标签，得到用户搜索场景数据。

[0100] 针对于时间数据进行时段的理解，即识别搜索行为对应的时间数据所属的时段，确定该搜索行为的时段标签，时段标签包含：多个时段分档标签、是否工作日时段标签和/或是否决策时段标签。其中，多个时段分档标签包括：早餐时段标签、午餐时段标签、下午茶时段标签、晚餐时段标签、宵夜时段标签，这些时段标签都对应有一个时间段，在打标签时，确定时间数据属于哪个时间段，就打上该时间段对应的时段标签。针对于决策时段标签，会结合两个时间信息进行判断，分别是产生针对于目标实体的点击浏览行为数据的时间信息，以及产生针对于该目标实体的消费行为数据的时间信息，如用户点击浏览店铺的时间和在该店铺消费的时间，根据两者之间的时间间隔确定是否处于决策时段，如果时间间隔超过预设阈值，则确定时段标签为决策时段标签，如果时间间隔未超过预设阈值，则确定时段标签为非决策时段标签。

[0101] 针对于位置数据进行空间的理解，即识别搜索行为对应的位置数据所属的地点，确定该搜索行为的位置标签。如用户在进行搜索时，基于POI引擎，根据用户的地理位置信息、终端所连接的WiFi信息等等获取到用户所在位置的名称、类型等信息，从而得到搜索行为对应的位置数据，进一步根据位置数据确定位置标签。位置标签包含：多个地点类型标签、是否常驻地标签和/或搜索地点与当前地点的距离标签。其中，多个地点类型标签包含：办公区标签、住宅小区标签、商场标签、写字楼标签、学校区域标签、交通枢纽标签等等。针对于是否常驻地标签，可以根据用户历史行为数据所包含位置数据来确定常驻地数据，将搜索行为对应的位置数据与常驻地数据进行比对，就可以确定该位置数据是否为常驻地的标签。针对于搜索地点与当前地点的距离标签，预先按照不同的距离区间设置近距离标签、中距离标签和远距离标签，500米以内对应为近距离标签，500米-1000米对应的中距离标签，1000米以上对应为远距离标签等等，打标签时，根据位置数据对应的位置和搜索位置数据对应的位置之间的距离所属的距离区间，确定搜索地点与当前地点的距离标签。

[0102] 针对于搜索词进行搜索意图的理解，即根据搜索行为对应的搜索词识别搜索意图，得到该搜索行为的搜索意图标签。搜索意图标签包含：实体意图标签、类目意图标签、地址意图标签和/或内容意图标签。用户在进行搜索时，通常会输入搜索词，对搜索词进行识别确定用户的搜索意图是查找店、查找菜系、查找类目、查找地址还是查找内容，从而确定搜索意图标签。例如搜索词为“附近的吃的”，确定用户的搜索意图为查找店，则对应的搜索意图标签为实体意图标签，再如搜索词为“迷你唱吧”，用户可能是要查找附近的“迷你唱吧”，确定用户的搜索意图为查找“迷你唱吧”的地址，则确定用户的搜索意图地址意图标签。因此，本发明中基于搜索意图的理解，能够为用户输入的类目较为模糊的搜索词贴上类目搜索意图标签，精准地识别用户搜索意图。

[0103] 优选地，在得到用户搜索场景数据之后，对用户搜索场景数据进行聚合处理，筛除数据量小于预设数据量阈值的用户搜索场景数据。其中，数据量可以表征用户搜索场景出现的次数，很多用户都在某搜索场景下进行搜索，那么该搜素场景的用户搜索场景数据量就比较大。举例来说，对于搜索场景数据“宵夜时段标签+非常驻地标签+远距离标签”，通常这种搜索场景是较少出现的，这种搜索场景下的用户行为数据的参考价值不大，因此，对于这类数据量不大的搜索场景数据进行筛除，通过这种方式排除少数的特殊搜索场景数据的影响，从而提升场景类目偏好的准确性。

[0104] 步骤S203，根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据。

[0105] 本实施例中的用户行为目标实体历史数据具体指的是用户进行搜索之后产生的针对于目标实体的各种行为数据，也就是与历史搜索行为有关的用户浏览行为数据，本实施例中具体包含用户浏览行为数据以及用户消费行为数据，当然在实际应用中，用户点击行为数据、用户收藏行为数据等等都可以作为产出行为偏好数据的依据。

[0106] 根据与历史搜索行为有关的用户浏览行为数据，确定用户浏览行为所针对的目标实体所属的类目数据，以及根据与历史搜索行为有关的用户消费行为数据，确定用户消费行为所针对的目标实体所属的类目，从而得到用户行为目标实体对应的类目数据。用户行为目标实体对应的行为偏好数据包含：用户浏览行为数据以及用户消费行为数据的数据量。相应地，用户浏览行为数据的数据量也能够表征用户浏览行为的次数的多少，用户消费行为数据的数据量也能够表征用户消费行为的次数的多少，数据量越大表明次数越多。

[0107] 简单地来讲，该步骤就是统计用户在进行搜索之后浏览和消费的目标实体所属的类目，以及各个类目对应的浏览和消费的次数。

[0108] 其中，类目可以分为一级类目、二级类目、以及三级类目，一级类目包含：美食、休闲娱乐等等，二级类目包含：中餐、西餐、美容按摩等等，三级类目包含：江浙菜、本帮菜、法餐、spa等等。类目的具体内涵及分级方式可以根据实际需要进行设定，本发明对此不做限定。

[0109] 步骤S204，根据用户搜索场景下的时段标签、位置标签和/或搜索意图标签以及类目数据和行为偏好数据，生成不同优先级的用户搜索场景下的类目偏好数据，并进行离线存储。

[0110] 根据用户搜索场景数据确定用户搜索场景，确定用户搜索场景下的类目数据和行为偏好数据，根据行为偏好数据对类目数据中包含的各个类目进行打分处理，得到用户搜索场景下各个类目的偏好分值，其中，类目的偏好分值越高表明用户对该类目的偏好程度越强。可选地，由于用户浏览行为和用户购买行为代表了不同程度的用户偏好，浏览行为代表用户可能感兴趣，而购买行为代表用户真正需要，因此，在根据行为偏好数据对用户场景下对各个类目进行打分时，对用户浏览行为数据和用户购买行为数据分别设置不同的权重值，根据用户浏览行为数据的数据量及其权重值，以及用户购买行为数据的数据量及其权重值，计算每个类目的偏好得分。可选地，用户浏览行为数据的权重值低于用户购买行为数据的权重值。

[0111] 本实施例中，为了防止类目偏好数据的稀疏问题，采用层级类目偏好构建的方式，设定用户搜索场景的优先级，从而生成不同优先级的用户搜索场景下的类目偏好数据。可选地，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0112] 例如，将包含搜索意图标签、时段标签、位置标签的用户搜索场景确定为一级用户搜索场景，包含时段标签和位置标签的用户搜索场景确定为二级用户搜索场景，包含时段标签的用户搜索场景确定为三级用户搜索场景。

[0113] 下面举例对本实施例的方法进行说明。首先，获取用户A的与搜索行为有关的用户行为历史数据，用户A在工作日上午7点使用“附近的吃的”进行搜索，浏览了“庆丰包子铺”，根据上述步骤确定了用户搜索场景数据为：“早餐时段标签+写字楼标签+实体意图标签”。根据用户A的搜索场景数据，确定的不同优先级的用户搜索场景包括：一级用户搜索场景：
“早餐时段标签+写字楼标签+实体意图标签”，二级用户搜索场景：“早餐时段标签+写字楼标签”，三级用户搜索场景：“工作日时段标签”。该用户搜索场景数据对应的用户行为目标实体历史数据包含用户A浏览“庆丰包子铺”所产生的浏览数据。

[0114] 再如，用户A在工作日中午十二点使用“附近的吃的”进行搜索，购买了“肯德基优惠券”，那么，根据上述步骤确定了用户搜索场景数据为：“午餐时段标签+写字楼标签+实体意图标签”。确定的不同优先级的用户搜索场景包括：一级用户搜索场景：“午餐时段标签+写字楼标签+实体意图标签”，二级用户搜索场景：“午餐时段标签+写字楼标签”，三级用户搜索场景：“午餐时段标签”。也即，该用户搜索场景数据对应的用户行为目标实体历史数据包含用户A购买“肯德基优惠券”所产生的浏览数据。由此可见，用户在不同的搜索场景下具有不同的搜索行为，本申请能够根据与历史搜索行为的用户行为历史数据，识别出用户历史搜索场景，并获取用户历史搜索场景下的用户行为目标实体数据。

[0115] 然后，根据用户搜索场景数据与用户行为目标实体历史数据之间的映射关系，确定各个用户搜索场景下的类目数据和行为偏好数据，也即，根据用户在各个搜索场景下进行搜索之后用户实际所产生的浏览行为以及购买行为，确定该搜索场景下用户的类目偏好。

[0116] 例如，在包含“早餐时段标签+写字楼标签+实体意图标签”的搜索场景下，对用户行为目标实体数据进行统计得到：300个用户购买“庆丰包子优惠券”的购买行为数据、100个用户浏览了“庆丰包子铺”的浏览行为数据、90个用户购买了“肯德基套餐”的购买行为数据，10个用户浏览了“肯德基店铺”的浏览行为数据。其中，“庆丰包子优惠券”以及“庆丰包子铺”对应的类目为中餐、“肯德基套餐”以及“肯德基店铺”对应的类目为快餐，则该搜索场景下的类目数据包括：中餐和快餐。根据上述分析方法得到该搜索场景下的类目数据对应的用户偏好数据包括：类目中餐对应的用户浏览行为数据量为100、数据量占比为100/(100+300+10+90)＝20％，用户购买行为数据量为300、数据量占比为300/(100+300+10+90)＝60％；类目快餐对应的用户浏览行为数据量为10、数据量占比为10/(100+300+10+90)＝
2％，用户购买行为数据量为90、数据量占比为90/(100+300+10+90)＝18％。设定用户浏览行为数据的权重值为0.5，用户购买行为数据的权重值为0.8。则最终计算出的该一级用户搜索场景下，类目中餐的偏好得分为：20％*0.5+60％*0.8＝0.58，类目快餐的偏好得分为：
2％*0.5+18％*0.8＝0.154。至此，得到了该一级用户搜索场景的类目偏好数据。其他的用户搜索场景的类目偏好数据的分析方式一致，在此不进行赘述。当然，这仅仅是本发明的一个示例，本发明的方案不局限于此。

[0117] 进一步地，在得到用户搜索场景下各个类目的类目偏好得分之后，还可以根据预设阈值进行筛选，使得类目偏好数据中各个类目的类目偏好得分高于预设阈值。

[0118] 综上所述，本实施例的方法基于大数据的机器学习方式实现，根据用户历史搜索数据进行学习从而得到用户类目偏好数据，通过对用户进行搜索时的场景数据，包括时间、地理位置以及搜索词三个维度的场景信息进行分析，识别出不同的搜索场景，并根据用户进行搜索时对目标实体的行为数据进行分析，挖掘用户在不同搜索场景下对各个类目的偏好，实现了通过大数据的方式挖掘用户场景偏好的目的，使得挖掘到的用户场景偏好更能够贴合用户实际偏好，准确性更高。

[0119] 图3示出了根据本发明另一个实施例的一种基于场景的搜索推荐方法的流程示意图，本实施例的方法基于上述实施例中的基于场景的类目偏好数据生成方法实现，也即根据前两个实施例的方法可以生成用户搜索场景下的类目偏好数据，本实施例的方法应用用户搜索场景下的类目偏好数据进行搜索推荐。如图3所示，该方法包括：

[0120] 步骤S301，接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据。

[0121] 本实施例的应用场景为实时搜索场景。为了区分上述历史搜索行为，本实施例中实时搜索场景的搜索行为称为实时搜索行为，用户进行搜索时，接收与实时搜索行为有关的用户行为实时数据，包含用户行为场景实时数据，例如时间数据、位置数据和/或搜索词。

[0122] 步骤S302，查询与用户行为场景实时数据相匹配的用户实时搜索场景数据。

[0123] 该步骤的目的是根据用户行为场景实时数据识别用户实时搜索场景。具体地，根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。参见上述实施例的描述，识别实时搜索行为对应的时间数据所属的时段，确定实时搜索行为的时段标签，识别实时搜索行为对应的位置数据所属的地点，确定实时搜索行为的位置标签，和/或根据实时搜索行为对应的搜索词识别搜索意图，得到实时搜索行为的搜索意图标签。关于时段标签、位置标签以及搜索意图标签的具体含义参见上述实施例中的描述，在此不进行赘述。特别地，针对于决策时段标签，在对实时搜索场景进行识别时，根据搜索地点与当前地点之间的距离确定是否处于决策时段，如果距离超过预设阈值，则确定处于决策时段，反之则未处于决策时段，从而确定是否决策时段标签。

[0124] 步骤S303，查询离线存储的与用户实时搜索场景数据对应的类目偏好数据。

[0125] 该步骤即确定实时搜索场景下的类目偏好数据。举例来说，用户早上七点在写字楼搜索了早餐，接收到与实时搜索行为有关的用户行为场景实时数据包括：时间数据-“早上七点”、位置数据-“写字楼”以及搜索词“附近的吃的”，通过步骤S302的场景识别处理，得到用户实时搜索场景数据包含“早餐时段标签+写字楼标签+实体意图标签”。那么，则在离线存储的类目偏好数据中，查找包含“早餐时段标签+写字楼标签+实体意图标签”的用户搜索场景下的类目偏好数据。

[0126] 进一步地，在离线存储的是不同优先级的类目偏好数据的情况下，进行查询时，查询离线存储的不同优先级的用户搜索场景下的类目偏好数据中与用户实时搜索场景数据对应的优先级最高的用户搜索场景下的类目偏好数据。其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0127] 也就是说，首先查找优先级最高的用户搜索场景的类目偏好数据，如果没有查找到与实时搜索场景对应的类目偏好数据，则查找下一等级的优先级的用户搜索场景的类目偏好数据，如果仍然没有，再查找下一优先级的用户搜索场景的类目偏好数据。尽可能取优先级最高的用户搜索场景的类目偏好数据进行搜索排序是因为与用户所处的真实场景更匹配，这种方式能够提升搜索推荐的效果，而优先级较低的用户搜索场景的类目偏好数据的存在是为了防止数据稀疏导致的类目偏好数据空缺。

[0128] 沿用上述示例，用户实时搜索场景数据为“早餐时段标签+写字楼标签+实体意图标签”，则首先查找“早餐时段标签+写字楼标签+实体意图标签”对应的类目偏好数据，如果没有查找成功，则查找“早餐时段标签+写字楼标签”对应的类目偏好数据，如果没有查找成功，则继续查找“早餐时段标签”的类目偏好数据。

[0129] 步骤S304，根据类目偏好数据进行搜索结果推荐。

[0130] 根据上述内容可知，搜索场景下的类目偏好数据实质上也就是用户搜索场景下各个类目的类目偏好得分，然后根据各个类目的类目偏好得分进行搜索结果推荐。也就是说，将类目偏好数据作为排序因子进行搜索结果推荐。

[0131] 例如，针对于搜类目偏好得分越高的类目，增加该类目的排序得分，针对于类目偏好得分越低的类目，适当降低该类目的排序得分。一种可选的实施方式为：预先设置各个类目的初始排序得分，根据实时搜索场景下各个类目的类目偏好得分和各个类目的初始排序得分，计算各个类目的排序得分。最终根据各个类目的排序得分对搜索结果进行排序。实际应用中，可以将类目偏好数据作为唯一的排序因子，也可以将其作为排序因子之一，本发明对此不做限定。

[0132] 步骤S305，向客户端返回推荐的搜索结果，以供客户端展现搜索结果。

[0133] 将推荐的搜索结果返回给客户端，客户端对推荐的搜素结果进行展示。

[0134] 根据本实施例所提供的基于场景的搜索推荐方法，该方式通过结合时间、空间以及搜索意图三个维度的信息，对用户的实时搜索场景进行识别，根据与用户实时搜索场景相对应的类目偏好数据进行搜索排序，实现结合搜索场景的搜索推荐，能够提升搜索推荐的效果。

[0135] 下面结合一个具体的场景来说明本发明实施例的方法，图4示出了本发明另一实施例中基于场景的搜索推荐处理的流程示意图，如图4所示，具体流程包括：

[0136] 第一步，用户发起搜索时，获取与用户搜索行为有关的用户行为场景实时数据，包括：位置数据、时间数据、以及搜索词。本示例中，位置数据包括：用户搜索时客户端上报的经纬度信息以及用户设备连接的WiFi信息，时间数据指的是用户搜索时的搜索时间，搜索词指的是用户搜索时输入的query。

[0137] 第二步，基于用户实时行为场景数据进行用户搜索场景的理解。

[0138] 一方面，地理位置理解。具体包括：基于POI引擎对经纬度信息进行识别，以及利用WiFi识别模型对用户设备连接的WiFi信息进行识别，得到用户所在位置的名称、类型等信息，其中，POI引擎指的是地理位置信息有关的引擎，例如地图网站的引擎或者地图APP的引擎，WiFi识别模型是基于WiFi定位技术而构建的识别模型。然后对识别的位置信息打标签，得到地理位置理解结果，图4中所示的“所在城市：北京市；所在区域：A购物中心”为用户的地理位置信息，“所在区域类型：商圈/商场”为地理位置标签。

[0139] 另一方面，时间理解。具体包括：基于五度时间分档规则确定用户搜索时间属于哪个时间段，以及判断用户搜索时间是否为工作日，从而确定时间标签，也即图4中所示的“时间段：下午茶时间；是否为工作日：否”。

[0140] 再一方面，意图识别。具体包括：利用query理解模型以及到店识别模型对用户搜索query进行理解识别，确定用户处于决策阶段还是到店消费阶段，得到意图理解结果，图4中所示的意图理解结果表示的是：用户的搜索词为火锅、处于决策时段以及搜索意图是类目意图。

[0141] 第三步，根据用户实时搜索场景查询场景理解引擎，查找与用户实时搜索场景相匹配的类目偏好，其中，场景理解引擎用于生成类目偏好数据，以及保存类目偏好数据。查找到与位置(北京市、A购物中心、商圈/商场)+时间(下午茶时间、非工作日)+搜索意图(火锅、决策时段、类目意图)这样的搜索场景相匹配的类目偏好为：四川火锅、火锅串串。

[0142] 第四步，搜索结果推荐，使命中上述偏好类目的店铺上浮，也即在搜索结果中将类目为四川火锅、火锅串串的店铺的排在靠前的位置。

[0143] 第五步，将推荐的搜索结果返回给客户端，客户端对搜索结果进行展现。至此，完成了基于用户搜索场景的搜索推荐的整个流程。

[0144] 图5示出了根据本发明又一个实施例的基于场景的类目偏好数据生成装置的功能模块图，如图5所示，该装置包括：

[0145] 采集模块51，适于采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；

[0146] 场景识别模块52，适于根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；

[0147] 数据分析模块53，适于根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；

[0148] 场景偏好分析模块54，适于根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。

[0149] 可选地，用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；

[0150] 场景识别模块52进一步适于：根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0151] 可选地，时段标签包含：多个时段分档标签、是否工作日时段标签和/或是否决策时段标签；位置标签包含：多个地点类型标签、是否常驻地标签和/或搜索地点与当前地点的距离标签；搜索意图标签包含：实体意图标签、类目意图标签、地址意图标签和/或内容意图标签。

[0152] 可选地，用户行为目标实体历史数据包含：与搜索行为有关的目标实体的用户浏览行为数据以及用户消费行为数据；

[0153] 行为偏好数据包含：所述用户浏览行为数据以及用户消费行为数据的数据量。

[0154] 可选地，场景偏好分析模块54进一步适于：根据用户搜索场景数据、类目数据和行为偏好数据，生成不同优先级的用户搜索场景下的类目偏好数据；

[0155] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0156] 可选地，装置进一步包括：

[0157] 聚合处理模块，适于对用户搜索场景数据进行聚合处理，筛除数据量小于预设数据量阈值的用户搜索场景数据。

[0158] 图6示出了根据本发明另一个实施例的一种基于场景的搜索推荐装置的功能模块图，如图6所示，该装置包括：

[0159] 接收模块61，适于接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据；

[0160] 匹配模块62，适于查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；

[0161] 查询模块63，适于查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；

[0162] 搜索推荐模块64，适于根据类目偏好数据进行搜索结果推荐；

[0163] 返回模块65，适于向客户端返回推荐的搜索结果，以供客户端展现搜索结果。

[0164] 可选地，用户行为场景实时数据包含：时间数据、位置数据和/或搜索词；

[0165] 匹配模块62进一步适于：根据时间数据、位置数据和/或搜索词得到用户实时搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0166] 可选地，查询模块63进一步适于：

[0167] 查询离线存储的不同优先级的用户搜索场景下的类目偏好数据中与用户实时搜索场景数据对应的优先级最高的用户搜索场景下的类目偏好数据；

[0168] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0169] 可选地，搜索推荐模块64进一步适于：

[0170] 将类目偏好数据作为排序因子进行搜索结果推荐。

[0171] 本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于场景的类目偏好数据生成方法。

[0172] 本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于场景的搜索推荐方法。

[0173] 图7示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

[0174] 如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。

[0175] 其中：

[0176] 处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。

[0177] 通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。

[0178] 处理器702，用于执行程序710，具体可以执行上述基于场景的类目偏好数据生成方法实施例中的相关步骤。

[0179] 具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。

[0180] 处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

[0181] 存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

[0182] 程序710具体可以用于使得处理器702执行以下操作：采集与搜索行为有关的用户行为历史数据，用户行为历史数据包含用户行为场景历史数据及其对应的用户行为目标实体历史数据；

[0183] 根据用户行为场景历史数据进行场景识别处理，得到用户搜索场景数据；

[0184] 根据用户行为目标实体历史数据，确定用户行为目标实体对应的类目数据和行为偏好数据；

[0185] 根据用户搜索场景数据、类目数据和行为偏好数据，生成用户搜索场景下的类目偏好数据，并进行离线存储。

[0186] 在一种可选的方式中，用户行为场景历史数据包含：时间数据、位置数据和/或搜索词；

[0187] 程序710具体还可以用于使得处理器702执行以下操作：根据时间数据、位置数据和/或搜索词得到用户搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0188] 在一种可选的方式中，时段标签包含：多个时段分档标签、是否工作日时段标签和/或是否决策时段标签；位置标签包含：多个地点类型标签、是否常驻地标签和/或搜索地点与当前地点的距离标签；搜索意图标签包含：实体意图标签、类目意图标签、地址意图标签和/或内容意图标签。

[0189] 在一种可选的方式中，用户行为目标实体历史数据包含：与搜索行为有关的目标实体的用户浏览行为数据以及用户消费行为数据；行为偏好数据包含：用户浏览行为数据以及用户消费行为数据的数据量。

[0190] 在一种可选的方式中，程序710具体还可以用于使得处理器702执行以下操作：根据用户搜索场景数据、类目数据和行为偏好数据，生成不同优先级的用户搜索场景下的类目偏好数据；其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0191] 程序710具体还可以用于使得处理器702执行以下操作：得到用户搜索场景数据之后，对用户搜索场景数据进行聚合处理，筛除数据量小于预设数据量阈值的用户搜索场景数据。

[0192] 图8示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

[0193] 如图8所示，该计算设备可以包括：处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。

[0194] 其中：

[0195] 处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。

[0196] 通信接口804，用于与其它设备比如客户端或其它服务器等的网元通信。

[0197] 处理器802，用于执行程序810，具体可以执行上述基于场景的搜索推荐方法实施例中的相关步骤。

[0198] 具体地，程序810可以包括程序代码，该程序代码包括计算机操作指令。

[0199] 处理器802可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

[0200] 存储器806，用于存放程序810。存储器806可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

[0201] 程序810具体可以用于使得处理器802执行以下操作：

[0202] 接收与搜索行为有关的用户行为实时数据，用户行为实时数据包含用户行为场景实时数据；

[0203] 查询与用户行为场景实时数据相匹配的用户实时搜索场景数据；

[0204] 查询离线存储的与用户实时搜索场景数据对应的类目偏好数据；

[0205] 根据类目偏好数据进行搜索结果推荐；

[0206] 向客户端返回推荐的搜索结果，以供客户端展现搜索结果。

[0207] 在一种可选的方式中，用户行为场景实时数据包含：时间数据、位置数据和/或搜索词；程序810具体还可以用于使得处理器802执行以下操作：根据时间数据、位置数据和/或搜索词得到用户实时搜索场景下的时段标签、位置标签和/或搜索意图标签。

[0208] 在一种可选的方式中，程序810具体还可以用于使得处理器802执行以下操作：查询离线存储的不同优先级的用户搜索场景下的类目偏好数据中与用户实时搜索场景数据对应的优先级最高的用户搜索场景下的类目偏好数据；

[0209] 其中，用户搜索场景按照优先级从高至低的顺序为：包含搜索意图标签、时段标签、位置标签的用户搜索场景，包含时段标签和位置标签的用户搜索场景，包含时段标签的用户搜索场景。

[0210] 在一种可选的方式中，程序810具体还可以用于使得处理器802执行以下操作：将类目偏好数据作为排序因子进行搜索结果推荐。

[0211] 在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

[0212] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

[0213] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

[0214] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

[0215] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

[0216] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的计算设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

[0217] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

标题	发布/更新时间	阅读量
一种移动用户位置预测方法与系统	2020-05-08	972
用于治疗的系统和方法	2020-05-08	546
一种电站设备状态智能评价和预警方法、装置及系统	2020-05-11	325
一种基于数据挖掘的结构安全评估及预报方法	2020-05-11	850
深度机器学习所生成的乳腺癌预后的概率识别模型	2020-05-08	586
一种基于自拍抖音视图补充公安侦查数据集的方法	2020-05-11	83
电网三相不平衡多维时序分析方法	2020-05-08	714
一种基于改进粒子群优化SVM的空气质量预测算法	2020-05-08	972
针对复杂环境的视觉传感水位测量系统	2020-05-12	937
一种IP应用场景的分类方法	2020-05-11	915

基于场景的类目偏好数据生成方法及装置

基于场景的类目偏好数据生成方法及装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：