[发明专利]基于场景的查询方法及装置、存储介质、计算机设备

说明书

本申请公开了一种基于场景的查询方法及装置、存储介质、计算机设备，该方法包括：响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。本申请可以有效融合位置、时间等场景特征、以及查询请求对应的查询特征和用户特征进行店铺召回，提升目标店铺召回效果，有助于满足不同本地生活用户在不同场景下的个性化查询需求，使得店铺召回结果与查询场景匹配度较高，提高用户体验。

技术领域

本申请涉及计算机技术领域，尤其是涉及到一种基于场景的查询方法及装置、存储介质、计算机设备。

背景技术

在大数据背景下，如何基于用户历史行为数据为用户提供个性化服务，是当前大数据应用落地迫切需要解决的问题。对于搜索推荐系统来说，召回是重要的一部分，因为召回的质量直接影响了后续步骤效果的上限，召回阶段主要根据用户和内容（例如店铺、商品、广告等）特征，从海量信息集合中选取和当前用户偏好相关的一部分作为候选集，然后交给排序环节。

现有技术中，召回阶段一般是根据用户历史行为数据以及用户输入的搜索关键词，计算用户的历史行为和搜索关键词与候选店铺之间的匹配程度，从而根据匹配程序在候选店铺中筛选出推荐店铺，并向用户进行展示。但是在实际应用中，这种搜索推荐方式往往会导致每次搜索的推荐结果相似度较高，即用户每次进行相同或相似的关键词搜索时展示的结果大体相同，推荐效果较差，无法满足用户在面对不同情况时的多样化、个性化搜索需求，例如不同时段需要不同类型的推荐餐品的需求。

发明内容

有鉴于此，本申请提供了一种基于场景的查询方法及装置、存储介质、计算机设备。

根据本申请的一个方面，提供了一种基于场景的查询方法，包括：

响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；

依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。

可选地，所述获取与所述查询请求对应的请求向量，具体包括：

获取与所述查询请求对应的查询特征、查询用户，以及与当前查询场景对应的目标查询位置和/或目标查询时间，其中，所述目标查询时间包括查询时段特征、查询季节特征、查询日工作特征中至少一种；

在预先训练好的样本查询特征向量中获取与所述查询特征对应的所述查询特征向量、在预先训练好的样本用户特征向量中获取与所述查询用户匹配的所述用户特征向量，以及在预先训练好的样本位置特征向量中获取与所述目标查询位置匹配的所述位置特征向量，和/或，在预先训练好的样本时间特征向量中获取与所述目标查询时间匹配的所述时间特征向量。

可选地，所述获取与所述查询请求对应的请求向量之前，所述方法还包括：

依据历史查询数据，构建样本正例对和样本负例对，其中，任一样本正例对或任一样本负例对包括两个匹配的节点特征以及相应节点连接构成的特征边类型，所述特征边类型包括行为边、相似边以及共现边；

根据所述样本正例对以及所述样本负例对，构建异构图中的特征节点以及所述特征节点连接构成的特征边，并基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重，其中，所述特征节点包括查询节点、用户节点、候选店铺节点、以及位置节点和/或时间节点；

利用预设神经网络模型对所述异构图进行训练，得到所述异构图中各特征节点对应的特征节点向量，其中，所述特征节点向量包括样本查询特征向量、样本用户特征向量、候选店铺特征向量、以及样本位置特征向量和/或样本时间特征向量。