[发明专利]关键词推荐方法及设备

权利要求书

1.一种商品的关键词推荐方法，其中，该方法包括：

获取待推荐关键词的商品描述信息；

将所述待推荐关键词的商品描述信息进行拆分得到对应拆分词；

根据所述待推荐关键词的商品描述信息所包含的拆分词，将所述待推荐关键词的商品描述信息转化为对应的第一原始特征向量；

计算每个拆分词在所述待推荐关键词的商品描述信息中的出现的次数作为第一统计次数，计算每个拆分词在所有的商品描述信息中出现的次数作为第二统计次数；

根据所述第一和第二统计次数得到每个拆分词对应的第一权重，根据每个拆分词对应的第一权重对每个第一原始特征向量进行调整，得到每个对应于第一原始特征向量的第一修正特征向量；

将各个第一修正特征向量输入一关键词推荐贝叶斯模型，所述贝叶斯模型存储有各个推荐关键词及其对应的关键词特征向量，获取所述关键词推荐贝叶斯模型基于各个第一修正特征向量与关键词特征向量的相似度比较结果，输出的与所述待推荐关键词的商品描述信息的相似度大于预设阈值的推荐关键词。

2.根据权利要求1所述的方法，其中，将各个第一修正特征向量输入一关键词推荐贝叶斯模型之前，还包括：

从词库中获取各个推荐关键词；

获取对应于各个推荐关键词的商品描述信息；

依次将每个商品描述信息作当前商品描述信息后，重复如下步骤：将当前商品描述信息进行拆分，得到对应拆分词；根据当前商品描述信息所包含的拆分词，将当前商品描述信息转化为对应的第二原始特征向量；根据每个拆分词在当前商品描述信息中的出现的次数计算第三统计次数，根据每个拆分词在所有的商品描述信息中出现的次数计算第四统计次数；根据所述第三和第四统计次数得到每个拆分词对应的第二权重，根据每个拆分词对应的第二权重对所述第二原始特征向量进行调整，得到每个对应于所述第二原始特征向量的第二修正特征向量；将所述第二修正特征向量，作为当前商品描述信息所对应的推荐关键词的关键词特征向量；

将所有推荐关键词及其对应的关键词特征向量作为输入训练贝叶斯模型，以得到所述关键词推荐贝叶斯模型。

3.根据权利要求2所述的方法，其中，根据所述第三和第四统计次数得到每个拆分词对应的第二权重，包括：

根据所述第二权重的大小与所述第三统计次数成正比，且与所述第四统计次数成反比，得到每个拆分词对应的第二权重。

4.根据权利要求2所述的方法，其中，根据每个拆分词在当前商品描述信息中的出现的次数计算第三统计次数，根据每个拆分词在所有的商品描述信息中出现的次数计算第四统计次数，包括：

计算词频TF作为第三统计次数，其中，TF＝该拆分词在当前商品描述信息中出现的次数/当前商品描述信息中的拆分词总数；

计算逆文档频率IDF作为第四统计次数，IDF＝log(商品描述信息总数/包含该拆分词的商品描述信息数)。

5.根据权利要求1所述的方法，其中，输出的与所述待推荐关键词的商品描述信息的相似度大于预设阈值的推荐关键词，包括：

输出的与所述待推荐关键词的商品描述信息的相似度大于预设阈值的推荐关键词，及所述推荐关键词与所述待推荐关键词的商品描述信息的相似度。

6.根据权利要求1所述的方法，其中，根据所述第一和第二统计次数得到每个拆分词对应的第一权重，包括：

根据所述第一权重的大小与所述第一统计次数成正比，且与所述第二统计次数成反比，得到每个拆分词对应的第一权重。

7.根据权利要求1所述的方法，其中，计算每个拆分词在所述待推荐关键词的商品描述信息中的出现的次数作为第一统计次数，计算每个拆分词在所有的商品描述信息中出现的次数作为第二统计次数，包括：

计算词频TF作为所述第一统计次数，其中，TF＝该拆分词在当前商品描述信息中出现的次数/当前商品描述信息中的拆分词总数；

计算逆文档频率IDF作为第二统计次数，其中，IDF＝log(商品描述信息总数/包含该拆分词的商品描述信息数)。