本公开的实施例涉及互联网技术领域，尤其涉及一种搜索推荐方法、装置、电子设备及可读存储介质。
背景技术：
随着电子商务平台的发展，通过互联网展示、宣传、销售商品的形式越来越趋于平常化。商家可以在电商平台中录入商品信息，由此可以通过电商平台将商品信息展示给用户，以使用户可以在线搜索商家提供的商品。
目前，主要是依据查询信息中的关键词向用户推送搜索结果，推送的搜索结果都是包含关键词的搜索结果，例如，对于关键词“大闸蟹”，推送的搜索结果都是包含关键词“大闸蟹”的搜索结果，是字面上的直接关联。
然而，用户在某个商家门店内输入查询信息进行商品搜索时，因门店内部商品库存及供应问题，经常会出现搜索无结果、少结果的情况，如果用户发现当前的搜索结果不能满足需求，则需要返回上一层级页面重新调整查询信息进行搜索。用户需要在浏览搜索结果以及调整查询信息的反复过程中不断试错，以寻找符合自身需求的搜索结果，导致搜索效率较低，且操作过程较为繁琐，影响用户体验。
技术实现要素：
本公开的实施例提供一种搜索推荐方法、装置、电子设备及可读存储介质，用以提高搜索效率，简化用户搜索的操作过程，提高用户体验。
根据本公开的实施例的第一方面，提供了一种搜索推荐方法，所述方法包括：
响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
根据本公开的实施例的第二方面，提供了一种搜索推荐装置，所述装置包括：
信息获取模块，用于响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
候选召回模块，用于基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
结果确定模块，用于对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
根据本公开的实施例的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述搜索推荐方法。
根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述搜索推荐方法。
本公开的实施例提供了一种搜索推荐方法、装置、电子设备及可读存储介质，所述方法包括：
本公开实施例响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
根据用户信息，可以获取用户的历史行为、兴趣习惯等信息，进而可以召回符合用户偏好的商品作为候选信息。根据门店信息，可以获取门店的商品销量等转化信息，进而可以召回门店中销量较高的商品作为候选信息。由此，本公开实施例基于所述查询信息、所述用户信息、以及所述门店信息，召回的候选信息集合中包括的候选信息不仅包括与查询信息相关的候选信息，还可以包括与用户信息相关的候选信息(如符合用户偏好的商品等)，以及与门店信息相关的候选信息(如门店中销量较高的商品等)，更能体现用户的搜索倾向性意图，因此，在查询信息的召回结果较少的情况下，本公开实施例可以主动向用户提供更加符合用户搜索需求的推荐信息，可以避免用户在浏览搜索结果以及调整查询信息的反复过程中进行不断的试错，可以提高搜索效率，简化用户搜索的操作过程，提高用户体验。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本公开的一个实施例中的搜索推荐方法的步骤流程图；
图2示出了本公开的一个实施例中的获取候选信息集合的示例的流程示意图；
图3示出了本公开的一个实施例中的搜索推荐装置的结构图；
图4示出了本公开的一个实施例提供的电子设备的结构图。
具体实施方式
下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。
实施例一
参照图1，其示出了本公开的一个实施例中的搜索推荐方法的步骤流程图，所述方法包括：
步骤101、响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
步骤102、基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
步骤103、对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
本公开提供的搜索推荐方法可应用于电子设备，所述电子设备包括但不限于：智能手机、平板电脑、电子书阅读器、mp3(动态影像专家压缩标准音频层面3，movingpictureexpertsgroupaudiolayeriii)播放器、mp4(动态影像专家压缩标准音频层面4，movingpictureexpertsgroupaudiolayeriv)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等。
所述电子设备可以安装有客户端，客户端可以是app(application，简称app)或者万维网使用的网页浏览器等等。所述客户端可用于展示不同商家的商品搜索界面，用户通过在某商家的商品搜索界面的搜索框中输入查询信息(query)，并且通过点击搜索按钮可以触发查询请求，搜索引擎根据一定的搜索策略在该商家提供的商品中搜索与所述查询信息相匹配的搜索结果，并返回给用户。
本公开实施例可用于解决搜索场景下无结果或者少结果的问题。为了避免出现搜索无结果、少结果的情况，本公开实施例在接收到查询请求之后，响应于所述查询请求，首先获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息。
需要说明的是，本公开实施例对所述查询信息的具体类型不加以限制。所述查询信息可以为文本信息或者语音信息等。当所述查询信息为语音信息时，可对该语音信息进行语音识别以得到对应的文本信息。所述用户信息可以包括：用户标识、用户名、用户指纹等可用于唯一标识用户的信息。所述门店信息可以包括：门店标识、门店名等可用于唯一标识门店的信息。进一步地，所述门店信息还可以包括：预设范围内的所述门店标识对应的关联门店的门店信息。所述关联门店指与所述门店标识对应门店具有关联关系的其他门店，如连锁门店等。所述预设范围可以根据实际需求进行设置，例如，预设范围可以为指定的区域、城市、国家等。
一个示例中，用户a在商家a的门店x的搜索界面中输入查询信息“大闸蟹”，并且触发查询请求。本公开实施例可以响应于该查询请求，获取该查询请求中携带的查询信息(如“大闸蟹”)以及所述查询信息对应的用户信息(如用户a的用户标识)和门店信息(如门店x的门店标识)。进一步地，本公开实施例还可以获取商家a在预设范围内的门店x的关联门店的门店信息，如朝阳区内门店x的连锁门店(如门店y和门店z)的门店信息等。
根据用户信息，可以获取用户的历史行为、兴趣习惯等信息，进而可以召回符合用户偏好的商品作为候选信息。根据门店信息，可以获取门店的商品销量等转化信息，进而可以召回门店中销量较高的商品作为候选信息。由此，本公开实施例基于所述查询信息、所述用户信息、以及所述门店信息，召回的候选信息集合中包括的候选信息不仅包括与查询信息相关的候选信息，还可以包括与用户信息相关的候选信息(如符合用户偏好的商品等)，以及与门店信息相关的候选信息(如门店中销量较高的商品等)。
最后，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。该返回结果中包括基于多个查询维度(查询信息维度、用户信息维度、以及门店信息维度)召回的搜索结果，可以避免查询信息召回无结果或者少结果的情况，提高搜索推荐的准确率和召回率。
在本公开的一种可选实施例中，步骤102所述基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合，包括：
步骤s11、基于所述查询信息，召回与所述查询信息相关的第一候选信息集合；
步骤s12、基于所述用户信息，召回与所述用户信息相关的第二候选信息集合；
步骤s13、基于所述门店信息，召回与所述门店信息相关的第三候选信息集合；
步骤s14、对所述第一候选信息集合、所述第二候选信息集合、以及所述第三候选信息集合进行合并，得到候选信息集合。
本公开实施例在接收到查询请求之后，基于多个查询维度召回候选信息集合。多个查询维度包括查询信息维度、用户信息维度、门店信息维度。候选信息集合中包括多个查询维度召回的候选信息。
具体地，基于所述查询信息，召回与所述查询信息相关的第一候选信息集合。第一候选信息集合中的候选信息与查询信息具有较强的相关性，该相关性可以包括字面相关、语义相关、品类相关等。例如，在接收到查询请求之后，响应于所述查询请求，获取到查询信息为“大闸蟹”，用户信息为“用户a”，门店信息为“门店x”。对于查询信息“大闸蟹”，召回的第一候选信息集合中可以包括商品“大闸蟹”，还可以包括与商品“大闸蟹”的品类相关的商品，如“河蟹”等。
基于所述用户信息，召回与所述用户信息相关的第二候选信息集合。第二候选信息集合中的候选信息与用户信息具有较强的相关性，该相关性可以包括历史行为相关、兴趣偏好相关等。例如，对于用户信息“用户a”，召回的第二候选信息中可以包括用户a近期购买过的商品，还可以包括用户a偏好的商品，如用户a经常喜欢购买的商品等。
基于所述门店信息，召回与所述门店信息相关的第三候选信息集合。第三候选信息集合中的候选信息与门店信息具有较强的相关性，该相关性可以包括销量相关、点击率相关、下单率相关、促销相关等。例如，对于门店信息“门店x”，召回的第三候选信息集合中可以包括门店x中销量最高的商品，还可以包括门店x中促销力度最大的商品等。
在召回第一候选信息集合、第二候选信息集合、以及第三候选信息集合之后，对第一候选信息集合、第二候选信息集合、以及第三候选信息集合进行合并以及去重，可以得到查询请求对应的候选信息集合。
在本公开的一种可选实施例中，步骤s11所述基于所述查询信息，召回与所述查询信息相关的第一候选信息集合，包括：
步骤s111、提取所述查询信息中的第一关键词；
步骤s112、在所述查询请求对应门店的库存中，对所述第一关键词以及所述第一关键词对应的至少一个相关维度信息进行检索，得到第一召回结果；
步骤s113、按照预设筛选条件对所述第一召回结果进行排序，得到第一候选信息集合。
所述第一关键词可以是具有特定意义的实词，包括人名、地名、机构名、专有名词等。需要说明的是，在本公开实施例中，第一、第二仅用于区分不同的名词，并不表示名词的重要性和顺序性。
一个示例中，接收到用户a在门店x的搜索界面触发的搜索查询信息“大闸蟹”的查询请求。该查询信息包含第一关键词“大闸蟹”，在该查询请求对应门店(门店x)的库存中，对该第一关键词以及该第一关键词对应的至少一个相关维度信息进行检索，得到第一召回结果。其中，所述第一关键词对应的至少一个相关维度信息可以包括所述第一关键词对应的品类、品牌、标签等。所述第一关键词对应的至少一个相关维度信息可以根据大量用户的历史行为数据所确定。
所述大量用户的历史行为数据可以根据大量用户的购买日志所得到，例如，可以获取大量用户的购买日志，从中解析出大多数用户在搜索查询词“大闸蟹”后，最终下单的商品的品类。例如，大多数用户在搜索查询词“大闸蟹”后，最终下单的商品包括“大闸蟹”、“河蟹”等，下单商品所属的品类为“螃蟹类”。这样，在接收到单个用户输入的搜索查询信息为“大闸蟹”时，可以确定“大闸蟹”的品类偏好为“螃蟹类”，。因此，第一召回结果中可以包括与“螃蟹类”相关的商品，如“河蟹”、“面包蟹”等。又如，根据大量用户的历史行为数据还可以确定大多数用户在搜索查询信息“大闸蟹”时，品牌偏好为“阳澄湖”，则第一召回结果中还可以包括与“大闸蟹”的品牌偏好相关的商品，如“阳澄湖大闸蟹”等。
接下来，按照预设筛选条件对所述第一召回结果进行排序，得到第一候选信息集合。可以理解，本公开实施例对所述预设筛选条件不加以限制，例如，所述预设筛选条件可以为销量、下单率、点击率等。可选地，第一候选信息集合中包括的候选信息的数量为第一数量，第一数量为预先设置得到，第一数量可以根据实际需求人为设置，也可以根据机器学习模型学习得到。
进一步地，在实际应用中，可能存在查询信息较长的情况，查询信息中可能包含多个关键词。因此，本公开实施例对查询信息进行分词，提取其中至少一个第一关键词。
例如，对于查询信息“蒙牛纯牛奶”，分词后可以提取第一关键词“蒙牛”和第一关键词“纯牛奶”。该查询信息中体现了品牌偏好(蒙牛)和品类偏好(纯牛奶)，在检索时，可以考虑每个第一关键词的偏好特征。根据第一关键词“蒙牛”和第一关键词“纯牛奶”进行检索，可以召回商品“蒙牛纯牛奶”，以及“蒙牛”品牌的其它商品，如“蒙牛酸奶”等，还可以召回其它品牌的纯牛奶，如“伊利纯牛奶”等。这样，在门店的商品“蒙牛纯牛奶”库存不足的情况下，可以向用户推荐符合用户品牌偏好以及品类偏好的其它商品。
在本公开的一种可选实施例中，所述用户信息可以包括用户标识，步骤s12所述基于所述用户信息，召回与所述用户信息相关的第二候选信息集合，包括：
步骤s121、获取所述用户标识在预设时间内的历史行为信息，所述历史行为信息包括如下一项或多项：历史搜索信息、历史点击信息、历史购买信息；
步骤s122、提取所述历史行为信息中的第二关键词；
步骤s123、在所述查询请求对应门店的库存中，对所述第二关键词以及所述第二关键词对应的至少一个相关维度信息进行检索，得到第二召回结果；
步骤s124、按照预设筛选条件对所述第二召回结果进行排序，得到第二候选信息集合。
本公开实施例根据用户标识可以获取用户在预设时间内的历史行为信息，需要说明的是，在获取用户标识以及获取所述用户标识在预设时间内的历史行为信息之前，可以先获取用户的授权，在用户授权之后，才可以获取用户标识以及用户标识在预设时间内的历史行为信息，以保证用户数据的隐私安全。
其中，预设时间可以根据需要设置，例如，预设时间可以是表示近期的一段时间，如过去的一周内、过去的三天内等。一个示例中，可以获取用户在过去的一周内的历史搜索信息、历史点击信息、历史购买信息等。仍以上述接收到用户a在门店x的搜索界面触发的搜索查询信息“大闸蟹”的查询请求为例。根据用户a的用户标识可以获取用户a的历史行为信息，假设对用户a的历史行为信息进行解析，可以得知用户a在过去的一周内购买过“鲈鱼”，则可以提取第二关键词为“鲈鱼”。
在所述查询请求对应门店(门店x)的库存中，对该第二关键词(鲈鱼)以及该第二关键词对应的至少一个相关维度信息进行检索，得到第二召回结果。其中，所述第二关键词对应的至少一个相关维度信息可以包括所述第二关键词对应的品类、品牌、标签等。所述第二关键词对应的至少一个相关维度信息可以根据用户的历史行为信息所确定。例如，上述根据用户a的历史行为信息得知用户a在过去的一周内购买过“鲈鱼”，则第二召回结果中可以包括商品“鲈鱼”。此外，由于“鲈鱼”所属的品类为“淡水鱼类”，第二召回结果中除了可以包括商品“鲈鱼”之外，还可以包括“淡水鱼类”的其它商品，如“鳜鱼”、“多宝鱼”等。
按照预设筛选条件对所述第二召回结果进行排序，得到第二候选信息集合。本公开实施例对所述预设筛选条件不作限制，所述预设筛选条件可以为销量、点击率等。可选地，第二候选信息集合中包括的候选信息的数量为第二数量，第二数量为预先设置得到，第二数量可以根据实际需求人为设置，也可以根据机器学习模型学习得到。
本公开实施例在搜索推荐的过程中考虑了门店的库存特征，可以解决部分查询信息存在长尾问题，导致搜索无结果或少结果的情况。例如，查询信息为“菜团”，该查询信息下的用户行为比较稀疏。本公开实施例基于“菜团”以及“菜团”对应的至少一个相关维度信息进行检索，以相关维度为品类为例，由于查询信息“菜团”所属的品类为“冷藏食品”，因此，第二召回结果中可以包括“冷藏食品”的其它推荐商品，可以避免搜索无结果或少结果的情况。
在本公开的一种可选实施例中，所述门店信息可以包括门店标识，步骤s13所述基于所述门店信息，召回与所述门店信息相关的第三候选信息集合，包括：
步骤s131、获取所述门店标识对应的各商品的转化信息，所述转化信息包括如下一项或多项：点击率、下单率、销量；
步骤s132、根据所述转化信息对所述门店标识对应的各商品进行排序，得到第三候选信息集合。
仍以上述接收到用户a在门店x的搜索界面触发的搜索查询信息“大闸蟹”的查询请求为例。获取门店x的门店标识对应的各商品的转化信息，所述转化信息包括如下一项或多项：点击率、下单率、销量等。为便于描述，以获取各商品的下单率为例，根据下单率对商家b的各商品进行排序，将下单率最高的n(n为正整数)个商品加入第三候选信息集合。可选地，第三候选信息集合中包括的候选信息的数量为第三数量，第三数量为预先设置得到，第三数量可以根据实际需求人为设置，也可以根据机器学习模型学习得到。其中，n的值小于或等于第三数量。
可选地，步骤s131中获取所述门店标识对应的各商品的转化信息，可以包括：获取预设范围内的所述门店标识对应的关联门店的转化信息。所述关联门店指与所述门店标识对应门店具有关联关系的其他门店，如连锁门店等。一个示例中，用户a在门店x搜索商品x1，但是由于x1是门店x新上的商品，用户数据较为稀疏，在推荐时难以获取x1在门店x的转化信息。在这种情况下，本公开实施例可以获取预设范围内的门店x的关联门店中商品x1的转化信息，如获取到门店y中商品x1的转化信息，则可以将门店y中商品x1的转化信息作为门店x中商品x1的转化信息。
需要说明的是，所述预设范围可以根据实际需求进行设置，例如，预设范围可以为指定的区域、城市、国家等。
参照图2，示出了本公开实施例中的上述获取候选信息集合的示例的流程示意图。如图2所示，以用户a在门店x搜索查询信息“大闸蟹”为例。在获取第一候选信息集合、第二候选信息集合、以及第三候选信息之后，对第一候选信息集合、第二候选信息集合、以及第三候选信息集合进行合并，可以得到候选信息集合。最后再对所述候选信息集合中的各候选信息进行排序，即可得到所述查询请求对应的返回结果。
在本公开的一种可选实施例中，步骤103所述对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果，包括：
步骤s31、获取所述候选信息集合中各候选信息对应的至少一个参考特征；
步骤s32、根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
为了使得向用户展示的返回结果更加满足用户需求，本公开实施例对上述候选信息集合中的候选信息基于至少一个参考特征进行排序，将排序后的topk(k为正整数)个候选信息作为返回结果返回给用户。
所述至少一个参考特征可以包括如下一项或多项：查询偏好特征、用户偏好特征、商品偏好特征、搜索结果偏好特征等。
其中，查询偏好特征可以包括：在某查询信息下，用户点击某商品的点击数，或者，在某查询信息下，用户下单某商品的下单数等。用户偏好特征可以包括：某商品的用户下单总数、某商品的用户点击总数等。商品偏好特征可以包括：门店中商品的库存、转化率等。搜索结果偏好特征可以包括：在某查询信息下，各搜索结果的转化率。
本公开实施例在获取候选信息的过程中，充分考虑搜索信息、用户信息、门店信息的相关特征。具体的，以上述例子为例，本公开实施例可以根据用户信息确定查询信息“大闸蟹”的品类特征。在查询信息为“大闸蟹”的情况下，大部分用户会购买“螃蟹类”的商品，故可得到“大闸蟹”对“螃蟹类”的品类较为偏好。因此，本公开实施例会对查询信息“大闸蟹”下的“螃蟹类”商品给予较高的查询偏好特征得分。同理，也可以得到用户a偏好的相关特征，以及门店x商品偏好的相关特征。
其中，用户a偏好的相关特征可以包括用户a的品牌偏好、品类偏好等，门店x商品偏好的相关特征可以包括门店x中商品的销量、下单率、点击率等。
此外，由于搜索推荐和搜索结果具有紧密的联系，因此，本公开实施例在进行搜索推荐的过程中，还可以考虑搜索结果偏好特征。例如，对查询信息“大闸蟹”下获取的候选商品进行排序时，还可以考虑在查询信息“大闸蟹”下的搜索结果的转化率等特征。
本公开实施例在搜索推荐过程中，基于查询信息、用户信息、门店信息多个查询维度，最终得到的返回结果中不仅包括与查询信息紧密相关的商品信息，还包括与用户信息和门店信息高度关联的推荐商品信息。由此，在查询信息召回结果数量少的情况下，本公开实施例可以向用户推荐符合用户需求的替代品。在查询信息召回数量多的情况下，本公开实施例可以向用户推荐更加准确的搜索结果。进一步地，本公开实施例基于多个查询维度获取的搜索结果中还可以包括向用户推荐的搭配品。例如，在查询信息为“一次性口罩”的情况下，基于用户信息维度，可以得知大多数用户在购买“一次性口罩”的同时，具有购买“消毒液”的行为，则最终得到的返回结果中不仅包括与查询信息紧密相关的商品信息，还可以包括推荐商品“消毒液”。
由此，本公开实施例基于多维度进行搜索与推荐，既可以保证搜索的相关性从而提升用户体验，又考虑到了用户偏好和商品本身的热度信息从而可以提升转化率。
在本公开的一种可选实施例中，步骤s32所述根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果，包括：
步骤s321、对所述候选信息集合中的每个候选信息，分别计算对应所述至少一个参考特征中的每个参考特征的特征得分；
步骤s322、对所述每个候选信息对应每个参考特征的特征得分进行加权计算，得到所述每个候选信息对应的参考得分；
步骤s323、根据所述参考得分对所述候选信息集合中的各候选信息进行排序，得到排序结果；
步骤s324、确定所述排序结果中满足预设排序条件的候选信息为所述查询请求对应的返回结果。
仍以上述接收到用户a在门店x的搜索界面触发的搜索查询信息“大闸蟹”的查询请求为例。假设获取该查询请求对应的候选信息集合中包括如下候选信息：河蟹、面包蟹、大龙虾、鲈鱼、多宝鱼等。
在本示例中，选取查询偏好特征、用户偏好特征、商品偏好特征作为对候选信息进行排序时使用的参考特征。对于每个候选信息，可以分别计算得到其对应每个参考特征的特征得分，根据每个候选信息对应每个参考特征的特征得分进行加权计算，可以得到每个候选信息的参考得分。
例如，对于候选信息“河蟹”，该候选信息对应查询偏好特征的特征得分为s1，对应用户偏好特征的特征得分为s2，以及对应商品偏好特征的特征得分为s3。对s1、s2、s3进行加权计算，可以得到候选信息“河蟹”的参考得分。可以理解，每个参考特征对应的权重可以根据需要进行设置。
可选地，候选信息对应每个参考特征的特征得分可以根据候选信息的历史转化特征所确定。所述历史转化特征可以包括：用户下单数、用户点击数、销量等。一个示例中，用户搜索查询信息“大闸蟹”的情况下，“河蟹”的用户下单数为10单，“面包蟹”的用户下单数为2单，“大龙虾”的用户下单数为0单。对于候选信息“河蟹”，可以将s1记为10；对于候选信息“面包蟹”，可以将s1记为2；对于候选信息“大龙虾”，可以将s1记为0。
参照表1，示出了本公开实施例的一种候选信息对应每个参考特征的特征得分示意。
表1
其中，查询偏好特征一可以表示查询信息为“大闸蟹”的情况下候选信息x的用户下单数，查询偏好特征二可以表示查询信息为“大闸蟹”的情况下候选信息x的用户点击数，用户偏好特征一可以表示候选信息x的用户下单总数，用户偏好特征二可以表示候选信息x的用户点击总数。商品偏好特征一可以表示候选信息x在当前门店的销量，商品偏好特征二可以表示候选信息x在预设范围内所有关联门店的总销量。其中，候选信息x为表1中第一列所示的候选信息。
当然，上述计算候选信息对应每个参考特征的得分的方式仅作为本公开的一种示例，本公开实施例对计算候选信息对应每个参考特征的得分的具体方式不作限制。此外，本公开实施例对参考特征的个数和类别也不加以限制。
同样的方法，可以对候选信息集合中的每个候选信息计算参考得分，根据所述参考得分对所述候选信息集合中的各候选信息进行排序，得到排序结果；确定所述排序结果中满足预设排序条件的候选信息为所述查询请求对应的返回结果。其中，满足预设排序条件可以为排序前m(m为正整数)。
在本公开的一种可选实施例中，所述根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，包括：将所述候选信息集合中的各候选信息对应的至少一个参考特征输入预先训练的排序模型，通过所述排序模型输出排序结果。
为了提高排序的准确率和效率，本公开实施例可以预先训练排序模型，将所述候选信息集合中的各候选信息对应的至少一个参考特征输入该排序模型，即可通过该排序模型输出排序结果。
所述排序模型可以为根据大量的训练样本和机器学习方法，对现有的神经网络进行有监督训练而得到的。需要说明的是，本公开实施例对所述排序模型的模型结构以及训练方法不加以限制。所述排序模型可以融合多种神经网络。所述神经网络包括但不限于以下的至少一种或者至少两种的组合、叠加、嵌套：cnn(convolutionalneuralnetwork，卷积神经网络)、lstm(longshort-termmemory，长短时记忆)网络、rnn(simplerecurrentneuralnetwork，循环神经网络)、注意力神经网络等。
首先，本公开实施例可以构建并初始化排序模型，设置初始模型的模型参数；然后，将训练样本逐个输入所述初始模型，根据初始模型的输出结果与训练样本中的标注信息之间的差异，以及梯度下降算法对该初始模型进行迭代优化，调整模型参数，直到优化的模型达到预设条件时，停止迭代优化，将最后一次优化得到的模型作为训练完成的排序模型。
需要说明的是，本公开实施例以所述排序模型为神经网络模型为例进行说明。在具体实施中，本公开实施例对所述排序模型的类型不作限制，所述排序模型并不限于神经网络，可以是所有的机器学习模型，如lr(logisticregression，逻辑回归)模型、xgboost(extremegradientboosting，集成树模型)等。
综上，本公开实施例响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。根据用户信息，可以获取用户的历史行为、兴趣习惯等信息，进而可以召回符合用户偏好的商品作为候选信息。根据门店信息，可以获取门店的商品销量等转化信息，进而可以召回门店中销量较高的商品作为候选信息。由此，本公开实施例基于所述查询信息、所述用户信息、以及所述门店信息，召回的候选信息集合中包括的候选信息不仅包括与查询信息相关的候选信息，还可以包括与用户信息相关的候选信息(如符合用户偏好的商品等)，以及与门店信息相关的候选信息(如门店中销量较高的商品等)，更能体现用户的搜索倾向性意图，因此，在查询信息的召回结果较少的情况下，本公开实施例可以主动向用户提供更加符合用户搜索需求的推荐信息，可以避免用户在浏览搜索结果以及调整查询信息的反复过程中进行不断的试错，可以提高搜索效率，简化用户搜索的操作过程，提高用户体验。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。
实施例二
参照图3，其示出了本公开的一个实施例中的搜索推荐装置的结构图，具体如下。
信息获取模块301，用于响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
候选召回模块302，用于基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
结果确定模块303，用于对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
可选地，所述候选召回模块302，包括：
第一召回子模块，用于基于所述查询信息，召回与所述查询信息相关的第一候选信息集合；
第二召回子模块，用于基于所述用户信息，召回与所述用户信息相关的第二候选信息集合；
第三召回子模块，用于基于所述门店信息，召回与所述门店信息相关的第三候选信息集合；
候选合并子模块，用于对所述第一候选信息集合、所述第二候选信息集合、以及所述第三候选信息集合进行合并，得到候选信息集合。
可选地，所述第一召回子模块，包括：
第一提取单元，用于提取所述查询信息中的第一关键词；
第一召回单元，用于在所述查询请求对应门店的库存中，对所述第一关键词以及所述第一关键词对应的至少一个相关维度信息进行检索，得到第一召回结果；
第一排序单元，用于按照预设筛选条件对所述第一召回结果进行排序，得到第一候选信息集合。
可选地，所述用户信息包括用户标识，所述第二召回子模块，包括：
第一获取单元，用于获取所述用户标识在预设时间内的历史行为信息，所述历史行为信息包括如下一项或多项：历史搜索信息、历史点击信息、历史购买信息；
第二提取单元，用于提取所述历史行为信息中的第二关键词；
第二召回单元，用于在所述查询请求对应门店的库存中，对所述第二关键词以及所述第二关键词对应的至少一个相关维度信息进行检索，得到第二召回结果；
第二排序单元，用于按照预设筛选条件对所述第二召回结果进行排序，得到第二候选信息集合。
可选地，所述门店信息包括门店标识，所述第三召回子模块，包括：
第二获取单元，用于获取所述门店标识对应的各商品的转化信息，所述转化信息包括如下一项或多项：点击率、下单率、销量；
第三排序单元，用于根据所述转化信息对所述门店标识对应的各商品进行排序，得到第三候选信息集合。
可选地，所述结果确定模块303，包括：
特征获取子模块，用于获取所述候选信息集合中各候选信息对应的至少一个参考特征；
排序确定子模块，用于根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
可选地，所述排序确定子模块，包括：
特征得分计算单元，用于对所述候选信息集合中的每个候选信息，分别计算对应所述至少一个参考特征中的每个参考特征的特征得分；
参考得分计算单元，用于对所述每个候选信息对应每个参考特征的特征得分进行加权计算，得到所述每个候选信息对应的参考得分；
候选排序单元，用于根据所述参考得分对所述候选信息集合中的各候选信息进行排序，得到排序结果；
结果确定单元，用于确定所述排序结果中满足预设排序条件的候选信息为所述查询请求对应的返回结果。
可选地，所述排序确定子模块，具体用于将所述候选信息集合中的各候选信息分别对应的至少一个参考特征输入预先训练的排序模型，通过所述排序模型输出排序结果。
本公开实施例基于所述查询信息、所述用户信息、以及所述门店信息，召回的候选信息集合中包括的候选信息不仅包括与查询信息相关的候选信息，还可以包括与用户信息相关的候选信息(如符合用户偏好的商品等)，以及与门店信息相关的候选信息(如门店中销量较高的商品等)，更能体现用户的搜索倾向性意图，因此，在查询信息的召回结果较少的情况下，本公开实施例可以主动向用户提供更加符合用户搜索需求的推荐信息，可以避免用户在浏览搜索结果以及调整查询信息的反复过程中进行不断的试错，可以提高搜索效率，简化用户搜索的操作过程，提高用户体验。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开的实施例还提供了一种电子设备，参见图4，包括：处理器401、存储器402以及存储在所述存储器上并可在所述处理器上运行的计算机程序4021，所述处理器执行所述程序时实现前述实施例的搜索推荐方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的搜索推荐方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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，本公开的实施例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公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
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，本公开的实施例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。
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，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例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：即所要求保护的本公开的实施例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公开的实施例的单独实施例。
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。
本公开的实施例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)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例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。这样的实现本公开的实施例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。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，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。本公开的实施例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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。
1.一种搜索推荐方法，其特征在于，所述方法包括：
响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合，包括：
基于所述查询信息，召回与所述查询信息相关的第一候选信息集合；
基于所述用户信息，召回与所述用户信息相关的第二候选信息集合；
基于所述门店信息，召回与所述门店信息相关的第三候选信息集合；
对所述第一候选信息集合、所述第二候选信息集合、以及所述第三候选信息集合进行合并，得到候选信息集合。
3.根据权利要求1所述的方法，其特征在于，所述基于所述查询信息，召回与所述查询信息相关的第一候选信息集合，包括：
提取所述查询信息中的第一关键词；
在所述查询请求对应门店的库存中，对所述第一关键词以及所述第一关键词对应的至少一个相关维度信息进行检索，得到第一召回结果；
按照预设筛选条件对所述第一召回结果进行排序，得到第一候选信息集合。
4.根据权利要求2所述的方法，其特征在于，所述用户信息包括用户标识，所述基于所述用户信息，召回与所述用户信息相关的第二候选信息集合，包括：
获取所述用户标识在预设时间内的历史行为信息，所述历史行为信息包括如下一项或多项：历史搜索信息、历史点击信息、历史购买信息；
提取所述历史行为信息中的第二关键词；
在所述查询请求对应门店的库存中，对所述第二关键词以及所述第二关键词对应的至少一个相关维度信息进行检索，得到第二召回结果；
按照预设筛选条件对所述第二召回结果进行排序，得到第二候选信息集合。
5.根据权利要求2所述的方法，其特征在于，所述门店信息包括门店标识，所述基于所述门店信息，召回与所述门店信息相关的第三候选信息集合，包括：
获取所述门店标识对应的各商品的转化信息，所述转化信息包括如下一项或多项：点击率、下单率、销量；
根据所述转化信息对所述门店标识对应的各商品进行排序，得到第三候选信息集合。
6.根据权利要求1所述的方法，其特征在于，所述对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果，包括：
获取所述候选信息集合中各候选信息对应的至少一个参考特征；
根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果，包括：
对所述候选信息集合中的每个候选信息，分别计算对应所述至少一个参考特征中的每个参考特征的特征得分；
对所述每个候选信息对应每个参考特征的特征得分进行加权计算，得到所述每个候选信息对应的参考得分；
根据所述参考得分对所述候选信息集合中的各候选信息进行排序，得到排序结果；
确定所述排序结果中满足预设排序条件的候选信息为所述查询请求对应的返回结果。
8.根据权利要求6所述的方法，其特征在于，所述根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，包括：
将所述候选信息集合中的各候选信息分别对应的至少一个参考特征输入预先训练的排序模型，通过所述排序模型输出排序结果。
9.一种搜索推荐装置，其特征在于，所述装置包括：
信息获取模块，用于响应于查询请求，获取所述查询请求中携带的查询信息以及所述查询信息对应的用户信息和门店信息；
候选召回模块，用于基于所述查询信息、所述用户信息、以及所述门店信息，召回候选信息集合；
结果确定模块，用于对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
10.根据权利要求9所述的装置，其特征在于，所述候选召回模块，包括：
第一召回子模块，用于基于所述查询信息，召回与所述查询信息相关的第一候选信息集合；
第二召回子模块，用于基于所述用户信息，召回与所述用户信息相关的第二候选信息集合；
第三召回子模块，用于基于所述门店信息，召回与所述门店信息相关的第三候选信息集合；
候选合并子模块，用于对所述第一候选信息集合、所述第二候选信息集合、以及所述第三候选信息集合进行合并，得到候选信息集合。
11.根据权利要求10所述的装置，其特征在于，所述第一召回子模块，包括：
第一提取单元，用于提取所述查询信息中的第一关键词；
第一召回单元，用于在所述查询请求对应门店的库存中，对所述第一关键词以及所述第一关键词对应的至少一个相关维度信息进行检索，得到第一召回结果；
第一排序单元，用于按照预设筛选条件对所述第一召回结果进行排序，得到第一候选信息集合。
12.根据权利要求10所述的装置，其特征在于，所述用户信息包括用户标识，所述第二召回子模块，包括：
第一获取单元，用于获取所述用户标识在预设时间内的历史行为信息，所述历史行为信息包括如下一项或多项：历史搜索信息、历史点击信息、历史购买信息；
第二提取单元，用于提取所述历史行为信息中的第二关键词；
第二召回单元，用于在所述查询请求对应门店的库存中，对所述第二关键词以及所述第二关键词对应的至少一个相关维度信息进行检索，得到第二召回结果；
第二排序单元，用于按照预设筛选条件对所述第二召回结果进行排序，得到第二候选信息集合。
13.根据权利要求10所述的装置，其特征在于，所述门店信息包括门店标识，所述第三召回子模块，包括：
第二获取单元，用于获取所述门店标识对应的各商品的转化信息，所述转化信息包括如下一项或多项：点击率、下单率、销量；
第三排序单元，用于根据所述转化信息对所述门店标识对应的各商品进行排序，得到第三候选信息集合。
14.根据权利要求9所述的装置，其特征在于，所述结果确定模块，包括：
特征获取子模块，用于获取所述候选信息集合中各候选信息对应的至少一个参考特征；
排序确定子模块，用于根据所述至少一个参考特征，对所述候选信息集合中的各候选信息进行排序，得到所述查询请求对应的返回结果。
15.根据权利要求14所述的装置，其特征在于，所述排序确定子模块，包括：
特征得分计算单元，用于对所述候选信息集合中的每个候选信息，分别计算对应所述至少一个参考特征中的每个参考特征的特征得分；
参考得分计算单元，用于对所述每个候选信息对应每个参考特征的特征得分进行加权计算，得到所述每个候选信息对应的参考得分；
候选排序单元，用于根据所述参考得分对所述候选信息集合中的各候选信息进行排序，得到排序结果；
结果确定单元，用于确定所述排序结果中满足预设排序条件的候选信息为所述查询请求对应的返回结果。
16.根据权利要求14所述的装置，其特征在于，所述排序确定子模块，具体用于将所述候选信息集合中的各候选信息分别对应的至少一个参考特征输入预先训练的排序模型，通过所述排序模型输出排序结果。
17.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的搜索推荐方法。
18.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-8中任一所述的搜索推荐方法。
技术总结