[发明专利]一种搜索推荐方法及系统

权利要求书

1.一种搜索推荐方法，其特征在于，包括以下步骤：

S100、获取用户输入的搜索内容，提取搜索文本并调用数据库；

S200、根据搜索文本进行词句匹配，从数据库中挑选出包含搜索文本的句子；

S300、将挑选出的句子根据评分模型进行逐一评分排序，并放入推送池；

S400、根据评分排序进行用户个性化处理，得到一定数量的句子并推送给用户，其中一定数量可自定义。

2.根据权利要求1所述的搜索推荐方法，其特征在于，所述S200还包括：

S201、根据搜索文本，调用数据库中各个句子在一定时间内的被调用率，计算转化率分数；

S202、根据转化率分数大小生成候选待推送句子，划入推送池中，其中推送池还包括长尾的新词和趋势词。

3.根据权利要求1所述的搜索推荐方法，其特征在于，所述S300还包括：

S301、根据搜索文本的前缀特征以及索引特征获取对应的句子的统计特征；

S302、根据索引和句子的编辑距离以及DBOW向量计算句子排序；

S303、使用模型计算各个句子在对应文本的相关性分数，其中模型包括但不限于hred模型、lambda模型、mart模型、随机森林模型以及网格查找模型。

4.根据权利要求1所述的搜索推荐方法，其特征在于，所述S400还包括：

S401、将挑选出的句子根据搜索次数、网站成交额变化率以及点击率进行加权融合；

S402、对处理后的句子进行贝叶斯平滑处理，同时计算句子静态分，其中静态分包括但不限于pv、ctr、成交转化率、成交笔数、成交金额以及召回商品数。

5.根据权利要求1所述的搜索推荐方法，其特征在于，所述S400还包括：

S401、将挑选出的句子根据时间序列模型进行预测概率大小，其中预测模型包括加法指数平滑模型；

S402、根据用户在一定时间内的自主搜索记录来计算句子相对熵和新词的数据，并推送给用户。

6.根据权利要求1所述的搜索推荐方法，其特征在于，所述S400还包括：

S401、获取用户信息，其中用户信息包括但不限于年龄、性别、购买力、短期和长期查询偏好；

S402、根据用户信息计算数据库中句子的对应个性化特征；

S403、使用LR模型和AUC评价指标计算各个个性化特征权重，根据权重大小将对应句子推送给用户。

7.根据权利要求1所述的搜索推荐方法，其特征在于，所述S400还包括：

S401、根据搜索文本的上下文调用推送池中的句子，映射到对应空间中；

S402、计算每个句子与上下文的相似度，根据相似的大小向用户推送句子，其中计算方法包括使用余弦相似度计算。

8.一种搜索推荐系统，其特征在于，包括:

文本提取模块，用于获取用户输入的搜索内容，提取搜索文本；

数据库，用于存储候选句子并建立用于存储筛选后句子的推送池；

匹配模块，用于根据搜索文本进行词句匹配，从数据库中挑选出包含搜索文本的句子

排序模块，用于将挑选出的句子根据评分模型进行逐一评分排序，并放入推送池；

个性化模块，用于根据评分排序进行用户个性化处理，得到一定数量的句子并推送给用户。

9.根据权利要求8所述的搜索推荐系统，其特征在于，所述匹配模块还包括：

计算单元，用于据搜索文本，调用数据库中各个句子在一定时间内的被调用率，计算转化率分数；

管理单元，用于根据转化率分数大小生成候选待推送句子，划入推送池中，其中推送池还包括长尾的新词和趋势词。

10.根据权利要求8所述的搜索推荐系统，其特征在于，所述排序模块还包括：

统计单元，用于根据搜索文本的前缀特征以及索引特征获取对应的句子的统计特征；

排序单元，用于根据索引和句子的编辑距离以及DBOW向量计算句子排序；

模型计算单元，用于使用模型计算各个句子在对应文本的相关性分数，其中模型包括但不限于hred模型、lambda模型、mart模型、随机森林模型以及网格查找模型。