一种搜索请求推荐方法、装置、电子设备和存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种搜索请求推荐方法、装置、电子设备和存储介质。


背景技术：

2.随着互联网技术的快速发展，互联网的业务不断增加，互联网中的数据类型也不断增加，互联网中的数据类型除文字之外还包括视频，对象可以通过例如智能手机、平板电脑等终端设备，下载安装各种资讯类应用以观看视频。
3.具体地，对象可以在应用界面上通过输入搜索词来获取想要观看的视频，在搜索结果页中，除了会向对象展示一些搜索词相关视频外，还可提供对象可能搜索的其他搜索项，便于对象搜索其他相关内容。
4.相关技术中，视频相关搜索实现主要是基于对象当前的搜索请求(query)，在平台的历史搜索query库中，召回与对象当前搜索query内容相关的其他query，作为相关搜索的候选项。该方式下，由于向当前的搜索对象推荐的相关搜索候选，是基于平台上大量的历史对象的历史搜索来筛选得到的，与当前的搜索对象的关联度不高，因而，不能够很好的满足对象的搜索需求。


技术实现要素：

5.本技术实施例提供一种搜索请求推荐方法、装置、电子设备和存储介质，用以提高搜索请求的推荐准确性。
6.本技术实施例提供的一种搜索请求推荐方法，包括：
7.基于目标对象的兴趣标签和当前的目标搜索请求，获得所述目标搜索请求对应的第一交互表示信息；
8.基于所述目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为所述目标对象相关的候选搜索请求；
9.分别基于各候选搜索请求，以及所述目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为所述目标对象下一次搜索请求的概率；
10.基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐。
11.本技术实施例提供的一种搜索请求推荐装置，包括：
12.交互表示单元，用于基于目标对象的兴趣标签和当前的目标搜索请求，获得所述目标搜索请求对应的第一交互表示信息；
13.筛选单元，用于基于所述目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为所述目标对象相关的候选搜索请求；
14.确定单元，用于分别基于各候选搜索请求，以及所述目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为所述目标对象下一次搜索请求的概率；
15.推荐单元，用于基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐。
16.可选的，所述确定单元具体用于：
17.分别基于所述目标对象的兴趣标签，以及所述目标对象相关的各历史搜索请求，获得所述各历史搜索请求各自对应的第一交互表示信息；
18.针对每个候选搜索请求，分别执行以下操作：
19.基于所述目标对象的兴趣标签，以及一个候选搜索请求，获得所述一个候选搜索请求对应的第一交互表示信息；
20.将所述一个候选搜索请求对应的第一交互表示信息，以及所述各历史搜索请求各自对应的第一交互表示信息，分别输入已训练的搜索时序预估模型，获得所述一个候选搜索请求作为所述目标对象下一次搜索请求的概率。
21.可选的，所述装置还包括：
22.第一训练单元，用于通过下列方式训练得到所述搜索时序预估模型：
23.获取第一训练样本集，其中，所述第一训练样本集中的每份第一训练样本包括：一个样本对象的样本搜索请求和多个历史搜索请求，以及所述样本搜索请求作为所述样本对象下一次搜索请求的真实概率；
24.基于所述第一训练样本集，对待训练的搜索时序预估模型进行多次迭代训练，获得已训练的搜索时序预估模型；其中，在一次迭代过程中，执行以下操作：
25.分别将选取的第一训练样本输入到待训练的搜索时序预估模型中，输出相应的样本对象的样本搜索请求作为所述样本对象下一次搜索请求的预测概率；
26.根据所述预测概率和相应的真实概率之间的差异，对所述搜索时序预估模型进行参数调整。
27.可选的，所述推荐单元还用于：
28.在基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐之前，基于所述目标对象的兴趣标签以及所述各候选搜索请求，分别获得各候选搜索请求各自对应的第一交互表示信息；
29.按照所述排序结果依次遍历所述各候选搜索请求，将对应的第一交互表示信息之间的相似度达到第二阈值的两个候选搜索请求中，对应概率较小的候选搜索请求进行去重；
30.所述推荐单元具体用于：
31.将去重后剩余的候选搜索请求中，对应的概率达到第三阈值的至少一个候选搜索请求，推荐给所述目标对象。
32.可选的，通过下列方式获得每个搜索请求对应的第一交互表示信息，所述搜索请求为目标搜索请求，或候选搜索请求，或历史搜索请求；
33.针对每个搜索请求，分别执行以下操作：
34.将一个搜索请求相应的对象的兴趣标签和所述一个搜索请求，分别输入已训练的联合表示模型，分别获得所述搜索对象的兴趣标签对应的第一深度表示信息，和所述一个
搜索请求对应的第二深度表示信息；
35.将所述搜索对象的兴趣标签对应的第一深度表示信息，和所述一个搜索请求对应的第二深度表示信息进行特征交互处理，获得所述一个搜索请求对应的第一交互表示信息。
36.可选的，所述装置还包括：
37.第二训练单元，用于通过下列方式训练得到所述联合表示模型：
38.获取第二训练样本集，其中，所述第二训练样本集中的每份第二训练样本包括：一个样本对象的兴趣标签和样本搜索请求，以及所述样本对象针对所述样本搜索请求的相关搜索结果，和所述样本对象对相关搜索结果的满意度真实信息；
39.基于所述第二训练样本集，对待训练的联合表示模型进行多次迭代训练，获得已训练的联合表示模型；其中，在一次迭代过程中，执行以下操作：
40.分别将选取的第二训练样本输入到所述联合表示模型中，输出相应的样本对象对相关搜索结果的满意度预测信息；
41.根据各搜索结果各自的满意度预测信息和相应的满意度真实信息之间的差异，对所述联合表示模型进行参数调整。
42.可选的，所述样本对象对相关搜索结果的满意度真实信息为：基于所述样本对象针对所述相关搜索结果的反馈行为确定的。
43.可选的，所述第二训练单元具体用于：
44.分别将从所述第二训练样本集中选取的第二训练样本输入到待训练的联合表示模型中，获得所述第二训练样本中样本对象的兴趣标签对应的第一深度表示信息，所述样本对象的样本搜索请求对应的第二深度表示信息，和所述样本搜索请求的相关搜索结果对应的第三深度表示信息；
45.基于所述样本对象的兴趣标签对应的第一深度表示信息，所述样本对象的搜索请求对应的第二深度表示信息，与所述第三深度表示信息，对所述样本对象进行预测，获得针对所述样本对象的满意度预测信息。
46.可选的，所述第二训练单元具体用于：
47.将所述样本对象的兴趣标签对应的第一深度表示信息，与所述样本对象的搜索请求对应的第二深度表示信息，进行特征交互处理，获得所述样本对象对应的第一交互表示信息；以及，将所述样本对象的搜索请求对应的第二深度表示信息，与所述样本搜索请求的相关搜索结果对应的第三深度表示信息，进行特征交互处理，获得所述样本对象对应的第二交互表示信息；
48.基于所述样本对象的第一交互表示信息与第二交互表示信息进行预测，获得针对所述样本对象的满意度预测信息。
49.本技术实施例提供的一种电子设备，包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行上述任意一种搜索请求推荐方法的步骤。
50.本技术实施例提供一种计算机可读存储介质，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行上述任意一种搜索请求推荐方法的步骤。
51.本技术实施例提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行上述任意一种搜索请求推荐方法的步骤。
52.本技术有益效果如下：
53.本技术实施例提供了一种搜索请求推荐方法、装置、电子设备和存储介质。由于本技术基于目标对象的兴趣标签和当前的目标搜索请求，可获得目标搜索请求对应的第一交互表示信息；基于该第一交互表示信息，筛选出的候选搜索请求更加符合对象的下一步搜索需求，另外，本技术结合目标对象的兴趣标签和历史搜索请求，来预估各个候选搜索请求作为目标对象下一次搜索请求的概率，基于该概率来向目标对象进行搜索请求的推荐，能够满足对象的下一次搜索请求，省去对象的搜索输入，加快对象发现期望视频内容的速度，提升搜索请求的推荐准确性。
54.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
55.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
56.图1为本技术实施例中的一种应用场景的一个可选的示意图；
57.图2为本技术实施例中的一种搜索界面的一个可选的示意图；
58.图3为本技术实施例中的一种搜索请求推荐方法的实施流程图；
59.图4为本技术实施例中的一种联合表示模型的训练方法示意图；
60.图5为本技术实施例中的一种联合表示模型的结构示意图；
61.图6为本技术实施例中的一种相关搜索召回的过程示意图；
62.图7为本技术实施例中的一种搜索时序预估模型的结构示意图；
63.图8为本技术实施例中一种搜索时序预估模型的训练方法示意图；
64.图9a为本技术实施例中的一种简要流程示意图；
65.图9b为本技术实施例中的一种概括性逻辑示意图；
66.图9c为本技术实施例中的一种搜索过程的示意图；
67.图9d为本技术实施例中的一种模型的训练和使用过程的示意图；
68.图10为本技术实施例中的一种搜索请求推荐装置的组成结构示意图；
69.图11为应用本技术实施例的一种电子设备的一个硬件组成结构示意图；
70.图12为应用本技术实施例的又一种电子设备的一个硬件组成结构示意图。
具体实施方式
71.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术技术方案的一部分实施例，而不是全部的实施例。基于本技术文件中记载的实施例，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，都属于本技术技术方案保护的范围。
72.下面对本技术实施例中涉及的部分概念进行介绍。
73.视频相关搜索：用户在视频站点搜索时，当进行了搜索后，在搜索结果页提供用户可能搜索的其他搜索项，便于用户搜索其他相关内容，如图2所示，其中相关搜索这一部分还向用户推荐了一些其他搜索项，供用户快速选择。
74.交互表示信息：对至少两类特征信息进行交互表示得到的。本技术实施例中，列举了两类交互表示信息，分别为：基于对象的兴趣标签和对象的搜索请求进行交互表示，所得到的第一交互表示信息；基于对象的搜索请求和搜索结果进行交互表示，所得到的第二交互表示信息。
75.faiss(facebook ai similarity search)：是用于高效相似性搜索和密集向量聚类的库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是一种近似近邻搜索库。它包含多种搜索任意大小向量集的算法，以及用于算法评估和参数调整的计算机程序。其中，向量集大小由随机存取存储器(random-access memory，ram)内存决定。
76.相似检索索引：用于做相似检索的索引。在本技术实施例中，该索引是指对搜索请求对应的第一交互信息进行向量压缩而得到的，一个索引唯一标识一个搜索请求，及相应的第一交互信息。本技术实施例中，通过相似检索索引，可以从历史搜索请求集合中，高效快速的检索出目标搜索请求相关的多个候选搜索请求。
77.本技术实施例涉及人工智能(artificial intelligence，ai)、nlp(nature language processing，自然语言处理)和机器学习技术，基于人工智能中的计算机视觉技术和机器学习(machine learning，ml)而设计。
78.人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
79.人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、自然语言处理技术、以及机器学习/深度学习等几大方向。随着人工智能技术研究和进步，人工智能在多个领域展开研究和应用，例如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着技术的发展，人工智能将在更多的领域得到应用，并发挥越来越重要的价值。
80.自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本技术中采用基于转换器的双向编码表示(bidirectional encoder representations from transformers，bert)模型对对象的搜索请求、兴趣标签、搜索结果等特征进行向量化表示。
81.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂
度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够自动地从数据中“学习”规律，并利用规律对未知数据进行预测。
82.机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。本技术实施例中的搜索时序预估模型和联合表示模块就是采用机器学习或深度学习技术训练得到的。基于本技术实施例中的联合表示模型，可以确定各个搜索请求对应的第一交互表示信息，进而可基于第一交互表示信息来筛选候选搜索请求；基于本技术实施例中的搜索时序预估模型，可对各个候选搜索请求进行预估，确定对象在下一个点击各个候选搜索请求的概率，基于此对候选搜索请求进行排序。
83.具体地，在模型训练过程中，通过机器学习这一技术训练上述所列举的搜索时序预估模型时，主要是基于第一训练样本集训练的，第一训练样本通过模型后，会输出第一训练样本中样本搜索请求作为样本对象下一次搜索请求的预测概率，基于预测概率和真实概率之间的差异，通过优化算法不断调整模型参数，可获得训练完成的搜索时序预估模型。
84.此外，通过机器学习这一技术训练上述所列举的联合表示模型时，主要是基于第二训练样本集训练的，第二训练样本通过模型后，会输出第二训练样本中各搜索结果各自的满意度预测信息，基于满意度预测信息和相应的满意度真实信息之间的差异，通过优化算法不断调整模型参数，可获得训练完成的联合表示模型。
85.以视频搜索为例，对象可以在应用界面上通过输入搜索词来获取想要观看的视频，在搜索结果页中，除了会向对象展示一些搜索词相关视频外，还可提供对象可能搜索的其他搜索项，便于对象搜索其他相关内容。
86.在相关搜索实现方法，主要是通过对象当前的搜索query去召回相关的其他搜索query，未对平台对象、搜索query、搜索结果等进行综合理解，使得对搜索query的建模不够充分，并且在召回了相关搜索候选后，未基于对象的历史搜索行为序列进行建模预测，使得构建的相关搜索候选不能直接满足对象的下一次搜索需求。
87.有鉴于此，本技术实施例提供了一种搜索请求推荐方法、装置、电子设备和存储介质。由于本技术基于目标对象的兴趣标签和当前的目标搜索请求，可获得目标搜索请求对应的第一交互表示信息；基于该第一交互表示信息，筛选出的候选搜索请求更加符合对象的下一步搜索需求，另外，本技术结合目标对象的兴趣标签和历史搜索请求，来预估各个候选搜索请求作为目标对象下一次搜索请求的概率，基于该概率来向目标对象进行搜索请求的推荐，能够满足对象的下一次搜索请求，省去对象的搜索输入，加快对象发现期望视频内容的速度，提升搜索请求的推荐准确性。
88.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
89.如图1所示，其为本技术实施例的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器120。
90.在本技术实施例中，终端设备110包括但不限于手机、平板电脑、笔记本电脑、台式
电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端等设备；终端设备上可以安装有搜索推荐相关的客户端，该客户端可以是软件(例如浏览器、视频软件等)，也可以是网页、小程序等，服务器120则是与软件或是网页、小程序等相对应的后台服务器，或者是专门用于进行搜索推荐的服务器，本技术不做具体限定。服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
91.需要说明的是，本技术各实施例中的方法可以由电子设备执行，该电子设备可以为服务器120或者终端设备110，即，该方法可以由服务器120或者终端设备110单独执行，也可以由服务器120和终端设备110共同执行。比如由终端设备110和服务器120共同执行时，可由服务器120先获取目标用户的兴趣标签和当前的目标搜索请求，基于这些信息，确定目标搜索请求对应的第一交互表示信息，进而，从预先构建的历史搜索请求集合中，筛选出多个候选搜索请求；进而，服务器120对各个候选搜索请求对应的概率进行预测后，将各个候选搜索请求及对应的概率通知终端设备110，终端设备110根据各概率对各候选搜索请求进行排序后，基于排序结果向目标用户进行搜索请求推荐。
92.具体地，以视频搜索为例，如图2所示，其为本技术实施例中所列举的一种视频搜索相关的搜索界面示意图。其中，用户可在搜索框中输入搜索请求，图2中用户当前输入的目标搜索请求为“xg警匪经典大片”，相对应推荐的搜索请求依次有：警匪电视剧、警匪较量zsj、警匪片警电视剧、2021警匪片警匪
…
、zf。
93.除了视频搜索外，也可以是一些其他内容的搜索，例如新闻资讯搜索、音乐搜索，小说搜索等等。以小说搜索为例，用户可在搜索框中输入搜索请求，图2中用户当前输入的目标搜索请求为“xg警匪类”，同样也可进行一些关于小说的搜索请求推荐，在此不做具体限定。
94.此外，本技术实施例不仅可以应用于搜索场景，还可应用于其他各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等场景；在这些场景下，都可涉及一些搜索推荐相关的应用，比如，用户在智慧交通场景下，可基于一些车载终端搜索音乐，小说等，即可基于本技术实施例中的搜索推荐方法，向用户进行相关搜索推荐，以减少用户操作，提高搜索效率。
95.在一种可选的实施方式中，终端设备110与服务器120之间可以通过通信网络进行通信。
96.在一种可选的实施方式中，通信网络是有线网络或无线网络。
97.需要说明的是，图1所示只是举例说明，实际上终端设备和服务器的数量不受限制，在本技术实施例中不做具体限定。
98.本技术实施例中，当服务器的数量为多个时，多个服务器可组成为一区块链，而服务器为区块链上的节点；如本技术实施例所公开的搜索请求推荐方法，其中所涉及的对象数据可保存于区块链上，例如，对象的兴趣标签、搜索请求、搜索结果、交互表示信息等。
99.可以理解的是，在本技术的具体实施方式中，涉及到对象的兴趣标签、搜索请求、搜索结果等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得对象
许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
100.下面结合上述描述的应用场景，参考附图来描述本技术示例性实施方式提供的搜索请求推荐方法，需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。
101.参阅图3所示，为本技术实施例提供的一种搜索请求推荐方法的实施流程图，以执行主体为服务器为例，该方法的具体实施流程包括如下步骤s31-s34：
102.s31：服务器基于目标对象的兴趣标签和当前的目标搜索请求，获得目标搜索请求对应的第一交互表示信息；
103.其中，在本技术实施例中，第一交互表示信息可以为向量、矩阵等形式，以向量为例，该第一交互表示信息可通过人工智能的方式获得。
104.一种可选的实施方式为，基于已训练的联合表示模型来获得目标搜索请求对应的第一交互表示信息，该联合表示模型则是通过人工智能的方式训练得到的，具体过程可包括以下子步骤s311-s312(附图中未示出)：
105.s311：将目标对象的兴趣标签和目标搜索请求分别输入已训练的联合表示模型，分别获得目标对象的兴趣标签对应的第一深度表示信息，和目标搜索请求对应的第二深度表示信息；
106.在本技术实施例中，对象是指触发搜索请求的用户，或者用户所使用的账号等，本文主要是以用户为例进行说明的。
107.其中，兴趣标签是对象用来描述自己兴趣的词语，例如用户可以用“篮球”、“游戏”等词语作为兴趣标签，来描述自己的兴趣。当用户兴趣标签有多个时，可以表示为兴趣标签序列，例如(篮球，游戏，娱乐)。
108.第一深度表示信息和第二深度表示信息都可以是向量或矩阵。以向量为例，第一深度表示信息是指将目标对象的兴趣标签进行向量表示得到的一个向量，第二深度表示信息则是指将目标搜索请求进行向量表示得到的。
109.在本技术实施例中，是以bert模型为例进行举例说明的，将目标对象的兴趣标签和目标搜索请求分别输入已训练的联合表示模型，经由该联合表示模型中的bert部分，分别获得目标对象的兴趣标签和目标搜索请求各自对应的深度表示信息，即第一深度表示信息和第二深度表示信息，例如，分别记作向量a1和向量b1。
110.在一种可选的实施方式中，联合表示模型是通过下列方式训练得到的，参阅图4所示，其为本技术实施例中的一种联合表示模型的训练方法示意图，以执行主体为服务器为例，具体包括以下步骤：
111.s41：服务器获取第二训练样本集，其中，第二训练样本集中的每份第二训练样本包括：一个样本对象的兴趣标签和样本搜索请求，以及样本对象针对样本搜索请求的相关搜索结果，和样本对象对相关搜索结果的满意度真实信息；
112.本技术实施例中，可基于用户兴趣、搜索query，以及用户对搜索结果的消费情况进行联合建模，构建相关搜索召回；具体即表示为一个样本对象的兴趣标签、样本搜索请求，以及样本对象针对样本搜索请求的相关搜索结果。
113.其中，样本对象对相关搜索结果的满意度真实信息，可作为样本标签，表征，样本
对象对相关搜索结果的满意程度，可根据样本对象对相关搜索结果的反馈行为分析得到的。
114.一种可选的实施方式为，满意度真实信息可以基于样本对象针对相关搜索结果的观看时长确定的，基于观看时长以及搜索结果的完整时长，可确定出样本对象针对相关搜索结果的播放完成度。
115.以用户进行视频搜索为例，则可将用户对搜索结果视频的满意程度划分为k个等级(例如k＝4)，来通过分类目标监督学习对用户个性化兴趣、搜索query进行联合表示。具体地，通过用户对当前搜索query下的视频的播放完成度划分为k个区间，如播放完成度为[0，1/k)、[1/k，2/k)，
…
，[(k-1)/k，1]时，分别对应等级0、1、
…
、k-1。其中，用户对一个搜索query下可能观看多个视频，本技术实施例中是以选取播放完成度最高的视频作为该模型的输入视频为例的，即相关搜索结果有多个时，可以根据各个搜索结果的满意度真实信息，选取相对应的播放完成度最高的搜索结果，来构建第二训练样本，用以对模型进行训练。
[0116]
需要说明的是，上述所列举的训练样本的获取方式以及满意度真实信息的确定方式只是举例说明，实际上并非仅限于上述方式，本技术不做具体限定。
[0117]
s42：服务器基于第二训练样本集，对待训练的联合表示模型进行多次迭代训练，获得已训练的联合表示模型；其中，在一次迭代过程中，执行以下操作：
[0118]
s421：分别将选取的第二训练样本输入到联合表示模型中，输出相应的样本对象对相关搜索结果的满意度预测信息；
[0119]
s422：根据各搜索结果各自的满意度预测信息和相应的满意度真实信息之间的差异，对联合表示模型进行参数调整。
[0120]
其中，通过将预估结果和真实结果相比较，调整模型参数，最终训练好的模型能够更加考虑满意程度。
[0121]
例如图5所示，其为本技术实施例中的一种联合表示模型的结构示意图。基于该模型对用户兴趣、用户的搜索query、用户在此搜索query后视频结果的播放情况进行联合表示，目标是预测用户在当前搜索query下，对搜索结果视频的满意程度。
[0122]
其中，样本对象的兴趣标签可表示为用户兴趣标签序列，样本对象的样本搜索请求即为用户搜索query，样本对象针对样本搜索请求的相关搜索结果即为上述所列举的播放完成度最高视频的视频标签、标题文本等。
[0123]
在一种可选的实施方式中，步骤s421具体又可分为以下子步骤s4211-s4212(附图中未示出)：
[0124]
s4211：分别将从第二训练样本集中选取的第二训练样本输入到待训练的联合表示模型中，获得第二训练样本中样本对象的兴趣标签对应的第一深度表示信息，样本对象的样本搜索请求对应的第二深度表示信息，和样本搜索请求的相关搜索结果对应的第三深度表示信息；
[0125]
如图5所示，将第二训练样本中的用户兴趣标签序列经由联合表示模型中的左侧部分子模型bert，得到相应的用户个性化兴趣深度表示，即样本对象的兴趣标签对应的第一深度表示信息；将第二训练样本中的用户搜索query经由联合表示模型中的中间部分子模型bert，得到相应的用户搜索query深度表示，即样本对象的样本搜索请求对应的第二深度表示信息；将第二训练样本中的视频标签、标题文本经由联合表示模型中的右侧部分子
模型bert，得到相应的搜索结果视频内容深度表示，即样本搜索请求的相关搜索结果对应的第三深度表示信息。
[0126]
s4212：基于样本对象的兴趣标签对应的第一深度表示信息，样本对象的搜索请求对应的第二深度表示信息，与第三深度表示信息，对样本对象进行预测，获得针对样本对象的满意度预测信息。
[0127]
其中，基于这三类深度表示信息，即可预测得到用户对搜索query对应搜索结果的满意度等级预测，也就是本技术实施例中的满意度预测信息。
[0128]
参阅图5所示，首先需要将样本对象的兴趣标签对应的第一深度表示信息(用户个性化兴趣深度表示)，与样本对象的搜索请求对应的第二深度表示信息(即用户搜索query深度表示)，进行特征交互处理，获得样本对象对应的第一交互表示信息(即用户个性化兴趣与搜索query交互表示)；以及，将样本对象的搜索请求对应的第二深度表示信息(即用户搜索query深度表示)，与样本搜索请求的相关搜索结果对应的第三深度表示信息(即搜索结果视频内容深度表示)，进行特征交互处理，获得样本对象对应的第二交互表示信息(即搜索query交互与搜索结果视频内容交互表示)。
[0129]
进而，基于样本对象的第一交互表示信息与第二交互表示信息进行预测，获得针对样本对象的满意度预测信息。
[0130]
例如图5所示，一种可选的实施方式为：对第一交互表示信息与第二交互表示信息进行向量求和，基于求和后的向量，预测得到最终的满意度预测信息。
[0131]
在上述方法中，通过对视频平台大量用户的个性化兴趣、搜索query以及搜索后对视频结果的播放情况进行联合建模，这样对搜索query、用户兴趣更能充分表示；通过结合对搜索query的视频结果的用户满意度进行预估，使得模型对用户、搜索query的表示更加能考虑最终搜索结果的对用户的满足程度使得后期通过此模型构建的相关搜索召回更加符合用户的搜索意图。
[0132]
s312：将目标对象的兴趣标签对应的第一深度表示信息，和目标搜索请求对应的第二深度表示信息进行特征交互处理，获得目标搜索请求对应的第一交互表示信息。
[0133]
其中，上述第一深度表示信息和第二深度表示信息可以表示为向量a1和向量b1，对向量a1和向量b1进行特征交互处理的过程，可以理解为两个向量中相对应的元素相加，或者加权平均等，得到的目标搜索请求对应的第一交互表示信息可以记作c1，在此不做具体限定。
[0134]
s32：服务器基于目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为目标对象相关的候选搜索请求；
[0135]
其中，历史搜索集合中包含多个历史对象(有可能包含目标对象)的历史搜索请求。
[0136]
在本技术实施例中，主要是基于目标搜索请求对应的第一交互表示信息，与历史搜索集合中各个历史搜索请求各自的第一交互表示信息，确定各个历史搜索请求各自与目标搜索请求之间的相似度的，进而即可筛选出与目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为目标对象相关的候选搜索请求。
[0137]
其中，每个历史搜索请求各自对应的第一交互表示信息的计算方式同上述步骤
s311和s312类似，对于每个历史搜索请求，分别执行以下过程：
[0138]
首先，对于一个历史搜索请求，将该历史搜索请求相应的历史对象的兴趣标签，和该历史搜索请求分别输入已训练的联合表示模型，分别获得该历史对象的兴趣标签对应的第一深度表示信息，和该历史搜索请求对应的第二深度表示信息；例如，分别记作向量a2和向量b2。
[0139]
其次，将该历史对象的兴趣标签对应的第一深度表示信息a2，和该历史搜索请求对应的第二深度表示信息b2进行特征交互处理，获得该历史搜索请求对应的第一交互表示信息c2。
[0140]
基于同样的方式，即可获得各个历史搜索请求各自的第一交互表示信息。
[0141]
在一种可选的实施方式中，步骤s32具体包括以下子步骤s321-s322(附图中未示出)：
[0142]
s321：获取历史搜索请求集合中的各历史搜索请求各自对应的相似检索索引，每个历史搜索请求的相似度检索索引为：对基于相应的历史对象的兴趣标签和历史搜索请求，确定的相应历史搜索请求对应的第一交互表示信息，进行向量压缩而得到的；
[0143]
例如，待上述所列举的联合表示模型训练完备后，通过此模型中间部分子模型，对视频平台上的大量搜索query进行表示，将这些搜索query的深度表示构建为相似检索索引qi，可通过elasticfaiss实现相似检索索引的构建。
[0144]
s322：基于各相似检索索引以及目标搜索请求对应的第一交互表示信息，筛选出与目标搜索请求之间的相似度达到第一阈值的多个历史搜索请求。
[0145]
例如，当某用户(目标对象)触发了搜索后，通过将此用户的兴趣标签序列、此用户当前的搜索query输入上述图5所示模型的左侧、中间部分子模型，并经过用户个性化兴趣与搜索query交互表示层，构建出此用户在当前搜索query下的深度表示uq。然后使用此用户当前的交互表示uq查询上述构建的query深度相似检索索引，将索引中相似度满足一定阈值(第一阈值)的其他query，作为当前用户在当前搜索词下相关搜索召回候选队列。
[0146]
如图6所示，其为本技术实施例中的一种相关搜索召回的过程示意图。首先，基于历史搜索请求集合中各历史搜索请求及对应的第一交互表示信息，进行faiss训练，获得各个历史搜索请求的相似检索索引(简称索引)，然后基于各索引，以及目标搜索请求对应的第一交互表示信息，进行faiss查询，获得faiss查询结果，确定出各个候选搜索请求。
[0147]
在上述实施方式中，通过对用户、搜索query以及用户在搜索结果中播放视频行为进行联合建模，对用户与搜索query进行更加完备建模，不仅能更加捕获用户与query的搜索相关性，同时能建模出用户在搜索此query时的观看情况，使得模型用于相关推荐时，推荐给用户的搜索候选能更加符合用户期望。
[0148]
s33：服务器分别基于各候选搜索请求，以及目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为目标对象下一次搜索请求的概率；
[0149]
在本技术实施例中，该步骤主要利用到了目标对象相关的各历史搜索请求，分析得到各个候选搜索请求作为目标对象下一次搜索请求的概率，概率值越大，表明目标对象在下一次搜索时，搜索词为该候选搜索请求的可能性越大。该过程也可通过人工智能的方式获得。
[0150]
一种可选的实施方式为，基于已训练的搜索时序预估模型来计算各个概率，该搜
索时序预估模型则是通过人工智能的方式训练得到的，具体过程可包括以下子步骤s331-s332(附图中未示出)：
[0151]
s331：分别基于目标对象的兴趣标签，以及目标对象相关的各历史搜索请求，获得各历史搜索请求各自对应的第一交互表示信息；
[0152]
具体地，该目标对象相关的历史搜索请求对应的第一交互信息的计算方式同上述步骤s311和s312也类似，对于目标对象相关的每个历史搜索请求，该历史搜索请求相应的历史对象即为目标对象，因为可分别执行以下过程：
[0153]
首先，对于一个历史搜索请求，将目标对象的兴趣标签，和该历史搜索请求分别输入已训练的联合表示模型，分别获得该目标对象的兴趣标签对应的第一深度表示信息，和该历史搜索请求对应的第二深度表示信息；其次，将目标对象的兴趣标签对应的第一深度表示信息，和该历史搜索请求对应的第二深度表示信息进行特征交互处理，获得该历史搜索请求对应的第一交互表示信息。
[0154]
基于同样的方式，即可获得目标对象相关的各个历史搜索请求各自的第一交互表示信息。
[0155]
s332：针对每个候选搜索请求，分别执行以下操作：
[0156]
s3321：基于目标对象的兴趣标签，以及一个候选搜索请求，获得一个候选搜索请求对应的第一交互表示信息；
[0157]
其中，该过程同上述过程类似，即分别将该候选搜索请求，以及目标对象的兴趣标签输入已训练的联合表示模型，获得该候选搜索请求对应的第一交互表示信息。
[0158]
需要说明的是，在本技术实施例中，对于每个搜索请求对应的第一交互表示信息，都可基于上述所列举的联合表示模型来计算得到，具体过程可参考步骤s311和s312，概括来说，即经由已训练的联合表示模型来获得，该模型的输入特征为：该搜索请求相应的搜索对象的兴趣标签和该搜索请求，输出特征即为该搜索请求相对应的第一交互表示信息；其中，该搜索请求相应的搜索对象即为：基于该搜索请求进行相关搜索的一个对象，重复之处不再赘述。
[0159]
s3322：将一个候选搜索请求对应的第一交互表示信息，以及各历史搜索请求各自对应的第一交互表示信息，分别输入已训练的搜索时序预估模型，获得一个候选搜索请求作为目标对象下一次搜索请求的概率。
[0160]
在本技术实施例中，为了进一步提升上述构建的相关搜索候选满足用户下一步搜索需求，通过用户搜索时序预估模型来对上述构建的相关搜索候选进行排序，模型结构如图7所示，其为本技术实施例中的一种搜索时序预估模型的结构示意图。
[0161]
在本技术实施例中，可以通过在平台大量用户的搜索序列上进行搜索时序预估模型建模，可以学习到用户在其历史搜索query前提下，判断下一个搜索query词是不是其期望搜索的query。如图7所示，模型将用户历史搜索query序列作为上文序列，当前时刻的搜索query作为当前搜索query(对应图7中相关搜索候选query位置，在模型使用过程中，该位置对应的是候选搜索请求，例如s3322中所述)，每个时刻query的输入层向量通过使用图5所示模型中用户个性化兴趣与搜索query交互表示作为输入，这样可以使模型同时捕获用户兴趣与搜索query特征，同时相比随机初始化模型训练更加容易收敛。
[0162]
在一种可选的实施方式中，搜索时序预估模型是通过下列方式训练得到的，参阅
图8所示，其为本技术实施例中一种搜索时序预估模型的训练方法示意图，以执行主体为服务器为例，具体包括以下步骤s81-s82：
[0163]
s81：服务器获取第一训练样本集，其中，第一训练样本集中的每份第一训练样本包括：一个样本对象的样本搜索请求和多个历史搜索请求，以及样本搜索请求作为样本对象下一次搜索请求的真实概率；
[0164]
例如，通过视频平台大量用户的搜索query序列来学习此模型。如某用户的历史搜索序列为：q0、q1、q2、
…
、qm、
…
、q
t
，可将任意长度的前序上文作为历史搜索query序列，如q0、q1、q2、
…
、qm(即样本对象的多个历史搜索请求)，其下一次搜索query q
m+1
作为右侧“当前”时刻搜索query正例(即样本对象的样本搜索请求，对应图7中相关搜索候选query位置)，随机采样其他query为负例，对图7所示的搜索时序预估模型进行训练，使得模型具备输入用户的历史搜索query序列，与某个当前相关搜索词候选，输出词相关搜索词候选是用户下一次搜索query的概率。
[0165]
基于此，在将目标对象相关的历史搜索请求，以及一个候选搜索请求输入已训练的搜索时序预估模型时，即可预估得到该候选搜索请求作为目标对象下一次搜索query的概率。
[0166]
s82：服务器基于第一训练样本集，对待训练的搜索时序预估模型进行多次迭代训练，获得已训练的搜索时序预估模型；其中，在一次迭代过程中，执行以下操作：
[0167]
s821：分别将选取的第一训练样本输入到待训练的搜索时序预估模型中，输出相应的样本对象的样本搜索请求作为样本对象下一次搜索请求的预测概率；
[0168]
s822：根据预测概率和相应的真实概率之间的差异，对搜索时序预估模型进行参数调整。
[0169]
通过搜索时序预估模型，对上述步骤s32构建的相关搜索候选召回队列中的每个候选搜索请求进行计算，获得各自对应的下一次搜索概率，基于此概率即可对上述相关搜索候选列表进行排序。
[0170]
在上述实施方式中，结合用户搜索时序建模对推荐给用户的相关搜索候选项进行进一步排序，进一步提升用户对相关搜索候选以及对应视频搜索结果的点击/播放，使得用户能直接通过点击相关搜索候选进行下一步搜索与播放，提升用户的搜索体验。
[0171]
s34：服务器基于各概率对各候选搜索请求进行排序后，基于排序结果向目标对象进行搜索请求推荐。
[0172]
例如图2所示，在用户进行视频搜索时，在搜索框中输入的目标搜索请求为“xg警匪经典大片”，最终向该用户推荐的5个候选搜索请求分别为：警匪电视剧、警匪较量zsj、警匪片警电视剧、2021警匪片警匪
…
、zf。
[0173]
需要说明的是，上述实施方式提出了一种集成用户搜索效果与时序建模的相关搜索实现方法，通过使用大量用户的搜索query以及用户对搜索query的视频搜索结果的消费情况数据，对用户、搜索query、相应视频进行联合建模，使模型能够兼顾对用户、平台历史query建模表示，以及用户对query的相应搜索结果的观看期望，再通过用户个性化的搜索时序预估模型对构建的相关搜索候选进一步排序，使得相关搜索候选能更加精准得捕获用户的下一步搜索需求，提升用户在视频站点的搜索体验。
[0174]
另外，考虑到上述步骤构建的相关搜索候选列表中可能存在重复度较高的候选搜
索请求，这些候选搜索请求同时展示给用户时，浪费相关搜索候选曝光位置，需要对上述步骤构建的相关搜索候选列表进行去重，即基于相关搜索候选深度表示进行多样性后处理。
[0175]
参阅图9a所示，其为本技术实施例中的一种简要流程示意图，以执行主体为服务器为例，即：
[0176]
s91：服务器基于用户兴趣、搜索query，以及用户对搜索结果的消费情况进行联合建模，构建相关搜索召回；
[0177]
s92：服务器基于搜索时序预估模型对相关搜索候选进行排序；
[0178]
s93：服务器对相关搜索候选进行去重。
[0179]
在本技术实施例中，一种可选的去重方法为：
[0180]
首先，基于目标对象的兴趣标签以及各候选搜索请求，分别获得各候选搜索请求各自对应的第一交互表示信息；
[0181]
具体地，可通过上述图5所列举的联合表示模型的左侧、中间部分子模型，并经过用户个性化兴趣与搜索query交互表示层，构建出此目标对象在各候选搜索请求下的深度表示。
[0182]
进而，按照排序结果依次遍历各候选搜索请求，将对应的第一交互表示信息之间的相似度达到第二阈值的两个候选搜索请求中，对应概率较小的候选搜索请求进行去重；
[0183]
例如，在步骤s33中服务器基于各概率对各候选搜索请求进行排序时，可以按照概率值由大到小的顺序排序，这样，在按照排序结果依次遍历各候选搜索请求时，即可按照排序结果由前向后的顺序，依次遍历各候选搜索请求，其中，两个候选搜索请求中对应概率较小的候选搜索请求，即排序靠后的候选搜索请求；再比如，还可以按照概率值由小到大的顺序排序，这样，在按照排序结果依次遍历各候选搜索请求时，即可按照排序结果由后向前的顺序，依次遍历各候选搜索请求，其中，两个候选搜索请求中对应概率较小的候选搜索请求，即排序靠前的候选搜索请求。
[0184]
具体地，两个相关搜索候选深度表示的相似度大于一定阈值时，可认为两个候选过于重复，本技术实施例中可以采用余弦相似度计算两个相关搜索候选之间的深度表示相似度，也即，两个候选搜索请求对应的第一交互表示信息之间的余弦相似度达到第二阈值时，即可进行去重。
[0185]
最后，将去重后剩余的候选搜索请求中，对应的概率达到第三阈值的至少一个候选搜索请求，推荐给目标对象。
[0186]
对于上述过程中构建的相关搜索候选列表，可从前往后遍历，如果某个候选与前面其他候选的相似度达到一定阈值时，从候选列表中去除此候选；待进行去重后，基于各个候选搜索请求各自对应的概率，选取满足一定阈值的top n个候选作为相关搜索展示给用户。
[0187]
例如，目标对象对应的候选搜索请求有7个，分别为候选搜索请求1-7，按照各自对应的概率从大到小排序后的相关搜索候选列表为：
[0188]
候选搜索请求1、候选搜索请求3、候选搜索请求4、候选搜索请求7、候选搜索请求5、候选搜索请求2、候选搜索请求6。
[0189]
接下来，分别计算这7个候选搜索请求各自对应的第一交互表示信息，也就是采用上述的联合表示模型，分别将目标对象的兴趣标签和各个候选搜索请求进行交互表示，获
得相应的第一交互表示信息；进而，计算候选搜索请求1和候选搜索请求3的第一交互表示信息之间的余弦相似度，若相似度大于第二阈值，则去除候选搜索请求3；进一步计算候选搜索请求1和候选搜索请求4的第一交互表示信息之间的余弦相似度，若相似度不大于第二阈值，则保留候选搜索请求4，进一步计算候选搜索请求4和候选搜索请求7的第一交互表示信息之间的余弦相似度，基于相似度判断是否去重，
…
，以此类推即可。
[0190]
假设，最终去除候选搜索请求3和候选搜索请求6，更新后的相关搜索候选列表为：
[0191]
候选搜索请求1、候选搜索请求4、候选搜索请求7、候选搜索请求5、候选搜索请求2。
[0192]
最后，向目标对象进行搜索请求推荐时，具体可将上述更新后的相关搜索候选列表中，对应的概率达到第三阈值的，推荐给目标对象，并依据概率大小，向目标对象进行推荐。
[0193]
例如图2所示，其为本技术实施例中所列举的一种视频搜索相关的搜索界面示意图。其中，目标对象当前的目标搜索请求为“xg警匪经典大片”，相对应推荐的搜索请求有：警匪电视剧、警匪较量zsj、警匪片警电视剧、2021警匪片警匪
…
、zf。
[0194]
目标对象可在当前界面中查看搜索结果，还可通过推荐的这些搜索请求，快速搜索其他视频内容。例如，目标对象点击“警匪较量zsj”，即可快速向目标对象推荐该搜索词相关的视频内容，无需目标对象重新输入搜索词“警匪较量zsj”。
[0195]
综上，针对相关技术中的搜索实现方法主要通过用户当前的搜索query召回其他搜索query作为相关搜索候选，没能对平台用户、搜索query、搜索结果进行联合建模，使得推荐的相关搜索候选不能很好地满足用户的搜索需求的问题。本技术提出了一种集成用户搜索效果与时序建模的相关搜索实现方法，参阅图9b所示，其为该方法的概括性逻辑示意图。
[0196]
概括来说，首先通过对平台大量用户的搜索query以及用户对相应视频搜索结果的观看情况，对用户、搜索query、相应视频进行综合全面建模，获得联合表示模型，该模型能够同时对用户、平台历史query同时构建表示，且能体现出用户对query对应搜索结果的观看期望情况。
[0197]
基于此，首先获取以目标对象的兴趣标签和目标对象当前的目标搜索请求作为联合表示模型的输入时，该模型输出的目标搜索请求对应的第一交互表示信息，以及，历史搜索请求集合中各历史对象的兴趣标签和历史搜索请求作为联合表示模型的输入时，该模型输出的各历史搜索请求对应的第一交互表示信息；基于此，召回目标对象相关的候选搜索请求列表(也可称作相关搜索候选列表)。
[0198]
待召回与用户兴趣相关的相关搜索候选列表后，再经过用户个性化的搜索时序预估模型，对上述召回的相关搜索候选进行排序预测。
[0199]
具体地，基于目标对象相关的各历史搜索请求对应的第一交互表示信息，以及各候选搜索请求对应的第一交互表示信息，经由搜索时序预估模型，预测得到各个候选搜索请求对应的概率，基于该概率值进行排序预测。
[0200]
然后，再对相关搜索候选结果进行一定的去重，从去除后的相关搜索候选列表中选取出对应的概率达到第三阈值的top n个候选搜索请求展示给目标对象，使得相关搜索候选能更好地满足用户的下一步搜索需求，且搜索结果能更符合用户的搜索意图，实现用
户通过直接点击相关搜索候选即能完成更进一步搜索，提升用户在视频站点的搜索体验。
[0201]
例如，图9c为本技术实施例中的一种搜索过程的示意图，目标对象的兴趣标签有：娱乐、动作、剧情
…
，目标对象当前输入的目标搜索请求为“xg警匪经典大片”。经过上述所列举的联合表示模型和搜索时序预估模型的处理，及去重后，获得的5个候选搜索请求如图所示，进而，基于该结果，即可向目标对象展示搜索界面，搜索界面中除了一些基于“xg警匪经典大片”匹配出的视频，在“相关搜索”模块展示了这5个候选搜索请求，目标对象可快速点击这些候选搜索请求进行进一步搜索，提升了搜索请求的推荐准确性。
[0202]
下面结合图9d，对本技术实施例中模型的训练和使用过程进行概括说明。
[0203]
参阅图9d所示，其为本技术实施例中的一种模型的训练和使用过程的流程图。以执行主体为服务器为例，该方法的具体实施流程如下：
[0204]
步骤s901：服务器基于第二训练样本集，对待训练的联合表示模型进行多次迭代训练，获得已训练的联合表示模型；
[0205]
步骤s902：服务器基于已训练的联合表示模型，获得历史搜索请求集合中各个历史搜索请求各自对应的第一交互表示信息，并基于各个第一交互表示信息确定相对应的相似检索索引；
[0206]
步骤s903：服务器基于第一训练样本集，对待训练的搜索时序预估模型进行多次迭代训练，获得已训练的搜索时序预估模型；
[0207]
步骤s904：服务器将目标对象的兴趣标签和当前的目标搜索请求输入已训练的联合表示模型，获得目标搜索请求对应的第一交互表示信息；
[0208]
步骤s905：服务器基于历史搜索请求集合中的各个历史搜索请求各自的相似检索索引，筛选出与目标搜索请求之间的相似度达到第一阈值的多个历史搜索请求，作为目标对象相关的候选搜索请求；
[0209]
步骤s906：服务器基于已训练的搜索时序预估模型，获得各个候选搜索请求作为目标对象下一次搜索请求的概率；
[0210]
步骤s907：服务器基于各个概率由大到小的顺序，对各个候选搜索请求进行排序；
[0211]
步骤s908：服务器基于目标对象的兴趣标签以及各个候选搜索请求，分别获得各个候选搜索请求各自对应的第一交互表示信息；
[0212]
步骤s909：服务器按照排序结果依次遍历各个候选搜索请求，将对应的第一交互表示信息之间的相似度达到第二阈值的两个候选搜索请求中，排序靠后的候选搜索请求进行去重；
[0213]
步骤s910：服务器将去重后剩余的候选搜索请求中，对应的概率达到第三阈值的至少一个候选搜索请求，推荐给目标对象。
[0214]
基于相同的发明构思，本技术实施例还提供一种搜索请求推荐装置。如图10所示，其为搜索请求推荐装置1000的结构示意图，可以包括：
[0215]
交互表示单元1001，用于基于目标对象的兴趣标签和当前的目标搜索请求，获得目标搜索请求对应的第一交互表示信息；
[0216]
筛选单元1002，用于基于目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为目标对象相关的候选搜索请求；
[0217]
确定单元1003，用于分别基于各候选搜索请求，以及目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为目标对象下一次搜索请求的概率；
[0218]
推荐单元1004，用于基于各概率对各候选搜索请求进行排序后，基于排序结果向目标对象进行搜索请求推荐。
[0219]
可选的，筛选单元1002具体用于：
[0220]
获取历史搜索请求集合中的各历史搜索请求各自对应的相似检索索引，每个历史搜索请求的相似度检索索引为：对基于相应的历史对象的兴趣标签和历史搜索请求，确定的相应历史搜索请求对应的第一交互表示信息，进行向量压缩而得到的；
[0221]
基于各相似检索索引以及目标搜索请求对应的第一交互表示信息，筛选出与目标搜索请求之间的相似度达到第一阈值的多个历史搜索请求。
[0222]
可选的，确定单元1003具体用于：
[0223]
分别基于目标对象的兴趣标签，以及目标对象相关的各历史搜索请求，获得各历史搜索请求各自对应的第一交互表示信息；
[0224]
针对每个候选搜索请求，分别执行以下操作：
[0225]
基于目标对象的兴趣标签，以及一个候选搜索请求，获得一个候选搜索请求对应的第一交互表示信息；
[0226]
将一个候选搜索请求对应的第一交互表示信息，以及各历史搜索请求各自对应的第一交互表示信息，分别输入已训练的搜索时序预估模型，获得一个候选搜索请求作为目标对象下一次搜索请求的概率。
[0227]
可选的，装置还包括：
[0228]
第一训练单元1005，用于通过下列方式训练得到搜索时序预估模型：
[0229]
获取第一训练样本集，其中，第一训练样本集中的每份第一训练样本包括：一个样本对象的样本搜索请求和多个历史搜索请求，以及样本搜索请求作为样本对象下一次搜索请求的真实概率；
[0230]
基于第一训练样本集，对待训练的搜索时序预估模型进行多次迭代训练，获得已训练的搜索时序预估模型；其中，在一次迭代过程中，执行以下操作：
[0231]
分别将选取的第一训练样本输入到待训练的搜索时序预估模型中，输出相应的样本对象的样本搜索请求作为样本对象下一次搜索请求的预测概率；
[0232]
根据预测概率和相应的真实概率之间的差异，对搜索时序预估模型进行参数调整。
[0233]
可选的，推荐单元1004还用于：
[0234]
在基于各概率对各候选搜索请求进行排序后，基于排序结果向目标对象进行搜索请求推荐之前，基于目标对象的兴趣标签以及各候选搜索请求，分别获得各候选搜索请求各自对应的第一交互表示信息；
[0235]
按照排序结果依次遍历各候选搜索请求，将对应的第一交互表示信息之间的相似度达到第二阈值的两个候选搜索请求中，对应概率较小的候选搜索请求进行去重；
[0236]
推荐单元1004具体用于：
[0237]
将去重后剩余的候选搜索请求中，对应的概率达到第三阈值的至少一个候选搜索请求，推荐给目标对象。
[0238]
可选的，通过下列方式获得每个搜索请求对应的第一交互表示信息，搜索请求为目标搜索请求，或候选搜索请求，或历史搜索请求；
[0239]
针对每个搜索请求，分别执行以下操作：
[0240]
将一个搜索请求相应的搜索对象的兴趣标签和一个搜索请求，分别输入已训练的联合表示模型，分别获得搜索对象的兴趣标签对应的第一深度表示信息，和一个搜索请求对应的第二深度表示信息；
[0241]
将搜索对象的兴趣标签对应的第一深度表示信息，和一个搜索请求对应的第二深度表示信息进行特征交互处理，获得一个搜索请求对应的第一交互表示信息。
[0242]
可选的，装置还包括：
[0243]
第二训练单元1006，用于通过下列方式训练得到联合表示模型：
[0244]
获取第二训练样本集，其中，第二训练样本集中的每份第二训练样本包括：一个样本对象的兴趣标签和样本搜索请求，以及样本对象针对样本搜索请求的相关搜索结果，和样本对象对相关搜索结果的满意度真实信息；
[0245]
基于第二训练样本集，对待训练的联合表示模型进行多次迭代训练，获得已训练的联合表示模型；其中，在一次迭代过程中，执行以下操作：
[0246]
分别将选取的第二训练样本输入到联合表示模型中，输出相应的样本对象对相关搜索结果的满意度预测信息；
[0247]
根据各搜索结果各自的满意度预测信息和相应的满意度真实信息之间的差异，对联合表示模型进行参数调整。
[0248]
可选的，样本对象对相关搜索结果的满意度真实信息为：基于样本对象针对相关搜索结果的反馈行为确定的。
[0249]
可选的，第二训练单元1006具体用于：
[0250]
分别将从第二训练样本集中选取的第二训练样本输入到待训练的联合表示模型中，获得第二训练样本中样本对象的兴趣标签对应的第一深度表示信息，样本对象的样本搜索请求对应的第二深度表示信息，和样本搜索请求的相关搜索结果对应的第三深度表示信息；
[0251]
基于样本对象的兴趣标签对应的第一深度表示信息，样本对象的搜索请求对应的第二深度表示信息，与第三深度表示信息，对样本对象进行预测，获得针对样本对象的满意度预测信息。
[0252]
可选的，第二训练单元1006具体用于：
[0253]
将样本对象的兴趣标签对应的第一深度表示信息，与样本对象的搜索请求对应的第二深度表示信息，进行特征交互处理，获得样本对象对应的第一交互表示信息；以及，将样本对象的搜索请求对应的第二深度表示信息，与样本搜索请求的相关搜索结果对应的第三深度表示信息，进行特征交互处理，获得样本对象对应的第二交互表示信息；
[0254]
基于样本对象的第一交互表示信息与第二交互表示信息进行预测，获得针对样本对象的满意度预测信息。
[0255]
由于本技术基于目标对象的兴趣标签和当前的目标搜索请求，可获得目标搜索请求对应的第一交互表示信息；基于该第一交互表示信息，筛选出的候选搜索请求更加符合对象的下一步搜索需求，另外，本技术结合目标对象的兴趣标签和历史搜索请求，来预估各
个候选搜索请求作为目标对象下一次搜索请求的概率，基于该概率来向目标对象进行搜索请求的推荐，能够满足对象的下一次搜索请求，省去对象的搜索输入，加快对象发现期望视频内容的速度，提升搜索请求的推荐准确性。
[0256]
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
[0257]
在介绍了本技术示例性实施方式的搜索请求推荐方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
[0258]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0259]
与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种电子设备。在一种实施例中，该电子设备可以是服务器，如图1所示的服务器120。在该实施例中，电子设备的结构可以如图11所示，包括存储器1101，通讯模块1103以及一个或多个处理器1102。
[0260]
存储器1101，用于存储处理器1102执行的计算机程序。存储器1101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
[0261]
存储器1101可以是易失性存储器(volatile memory)，例如ram；存储器1101也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者存储器1101是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质，但不限于此。存储器1101可以是上述存储器的组合。
[0262]
处理器1102，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等等。处理器1102，用于调用存储器1101中存储的计算机程序时实现上述搜索请求推荐方法。
[0263]
通讯模块1103用于与终端设备和其他服务器进行通信。
[0264]
本技术实施例中不限定上述存储器1101、通讯模块1103和处理器1102之间的具体连接介质。本技术实施例在图11中以存储器1101和处理器1102之间通过总线1104连接，总线1104在图11中以粗线描述，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1104可以分为地址总线、数据总线、控制总线等。为便于描述，图11中仅用一条粗线描述，但并不描述仅有一根总线或一种类型的总线。
[0265]
存储器1101中存储有计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令用于实现本技术实施例的搜索请求推荐方法。处理器1102用于执行上述的搜索请求推荐方法，如图3所示。
[0266]
在另一种实施例中，电子设备也可以是其他电子设备，如图1所示的终端设备110。在该实施例中，电子设备的结构可以如图12所示，包括：通信组件1210、存储器1220、显示单元1230、摄像头1240、传感器1250、音频电路1260、蓝牙模块1270、处理器1280等部件。
[0267]
通信组件1210用于与服务器进行通信。在一些实施例中，可以包括电路无线保真(wireless fidelity，wifi)模块，wifi模块属于短距离无线传输技术，电子设备通过wifi
模块可以帮助用户收发信息。
[0268]
存储器1220可用于存储软件程序及数据。处理器1280通过运行存储在存储器1220的软件程序或数据，从而执行终端设备110的各种功能以及数据处理。存储器1220可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器1220存储有使得终端设备110能运行的操作系统。本技术中存储器1220可以存储操作系统及各种应用程序，还可以存储执行本技术实施例搜索请求推荐方法的计算机程序。
[0269]
显示单元1230还可用于显示由用户输入的信息或提供给用户的信息以及终端设备110的各种菜单的图形用户界面(graphical user interface，gui)。具体地，显示单元1230可以包括设置在终端设备110正面的显示屏1232。其中，显示屏1232可以采用液晶显示器、发光二极管等形式来配置。显示单元1230可以用于显示本技术实施例中图2所示的搜索界面等。
[0270]
显示单元1230还可用于接收输入的数字或字符信息，产生与终端设备110的用户设置以及功能控制有关的信号输入，具体地，显示单元1230可以包括设置在终端设备110正面的触摸屏1231，可收集用户在其上或附近的触摸操作，例如点击搜索按钮，拖动滚动框等。
[0271]
其中，触摸屏1231可以覆盖在显示屏1232之上，也可以将触摸屏1231与显示屏1232集成而实现终端设备110的输入和输出功能，集成后可以简称触摸显示屏。本技术中显示单元1230可以显示应用程序以及对应的操作步骤。
[0272]
摄像头1240可用于捕获静态图像，用户可以将摄像头1240拍摄的图像通过应用发布评论。摄像头1240可以是一个，也可以是多个。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，ccd)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，cmos)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给处理器1280转换成数字图像信号。
[0273]
终端设备还可以包括至少一种传感器1250，比如加速度传感器1251、距离传感器1252、指纹传感器1253、温度传感器1254。终端设备还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
[0274]
音频电路1260、扬声器1261、传声器1262可提供用户与终端设备110之间的音频接口。音频电路1260可将接收到的音频数据转换后的电信号，传输到扬声器1261，由扬声器1261转换为声音信号输出。终端设备110还可配置音量按钮，用于调节声音信号的音量。另一方面，传声器1262将收集的声音信号转换为电信号，由音频电路1260接收后转换为音频数据，再将音频数据输出至通信组件1210以发送给比如另一终端设备110，或者将音频数据输出至存储器1220以便进一步处理。
[0275]
蓝牙模块1270用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如，终端设备可以通过蓝牙模块1270与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接，从而进行数据交互。
[0276]
处理器1280是终端设备的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器1220内的软件程序，以及调用存储在存储器1220内的数据，执行终端设备的各种功能和处理数据。在一些实施例中，处理器1280可包括至少一个处
理单元；处理器1280还可以集成应用处理器和基带处理器。本技术中处理器1280可以运行操作系统、应用程序、用户界面显示及触控响应，以及本技术实施例的搜索请求推荐方法。另外，处理器1280与显示单元1230耦接。
[0277]
在一些可能的实施方式中，本技术提供的搜索请求推荐方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序，当程序产品在电子设备上运行时，计算机程序用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的搜索请求推荐方法中的步骤，例如，电子设备可以执行如图3中所示的步骤。
[0278]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0279]
本技术的实施方式的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括计算机程序，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
[0280]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
[0281]
可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0282]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的计算机程序，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。计算机程序可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0283]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0284]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个
步骤分解为多个步骤执行。
[0285]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0286]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序命令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序命令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过电子设备的处理器执行的命令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0287]
这些计算机程序命令也可存储在能引导电子设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的命令产生包括命令装置的制造品，该命令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0288]
这些计算机程序命令也可装载到电子设备上，使得在电子设备上执行一系列操作步骤以产生计算机实现的处理，从而在电子设备上执行的命令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0289]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0290]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种搜索请求推荐方法，其特征在于，该方法包括：基于目标对象的兴趣标签和当前的目标搜索请求，获得所述目标搜索请求对应的第一交互表示信息；基于所述目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为所述目标对象相关的候选搜索请求；分别基于各候选搜索请求，以及所述目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为所述目标对象下一次搜索请求的概率；基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐。2.如权利要求1所述的方法，其特征在于，所述基于所述目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，包括：获取所述历史搜索请求集合中的各历史搜索请求各自对应的相似检索索引，每个历史搜索请求的相似度检索索引为：对基于相应的历史对象的兴趣标签和历史搜索请求，确定的相应历史搜索请求对应的第一交互表示信息，进行向量压缩而得到的；基于各相似检索索引以及所述目标搜索请求对应的第一交互表示信息，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求。3.如权利要求1所述的方法，其特征在于，所述分别基于各候选搜索请求，以及所述目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为所述目标对象下一次搜索请求的概率，包括：分别基于所述目标对象的兴趣标签，以及所述目标对象相关的各历史搜索请求，获得所述各历史搜索请求各自对应的第一交互表示信息；针对每个候选搜索请求，分别执行以下操作：基于所述目标对象的兴趣标签，以及一个候选搜索请求，获得所述一个候选搜索请求对应的第一交互表示信息；将所述一个候选搜索请求对应的第一交互表示信息，以及所述各历史搜索请求各自对应的第一交互表示信息，分别输入已训练的搜索时序预估模型，获得所述一个候选搜索请求作为所述目标对象下一次搜索请求的概率。4.如权利要求3所述的方法，其特征在于，所述搜索时序预估模型是通过下列方式训练得到的：获取第一训练样本集，其中，所述第一训练样本集中的每份第一训练样本包括：一个样本对象的样本搜索请求和多个历史搜索请求，以及所述样本搜索请求作为所述样本对象下一次搜索请求的真实概率；基于所述第一训练样本集，对待训练的搜索时序预估模型进行多次迭代训练，获得已训练的搜索时序预估模型；其中，在一次迭代过程中，执行以下操作：分别将选取的第一训练样本输入到待训练的搜索时序预估模型中，输出相应的样本对象的样本搜索请求作为所述样本对象下一次搜索请求的预测概率；根据所述预测概率和相应的真实概率之间的差异，对所述搜索时序预估模型进行参数
调整。5.如权利要求1所述的方法，其特征在于，在基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐之前，还包括：基于所述目标对象的兴趣标签以及所述各候选搜索请求，分别获得各候选搜索请求各自对应的第一交互表示信息；按照所述排序结果依次遍历所述各候选搜索请求，将对应的第一交互表示信息之间的相似度达到第二阈值的两个候选搜索请求中，对应概率较小的候选搜索请求进行去重；所述基于排序结果向所述目标对象进行搜索请求推荐，包括：将去重后剩余的候选搜索请求中，对应的概率达到第三阈值的至少一个候选搜索请求，推荐给所述目标对象。6.如权利要求1或3或5所述的方法，其特征在于，通过下列方式获得每个搜索请求对应的第一交互表示信息，所述搜索请求为目标搜索请求，或候选搜索请求，或历史搜索请求；针对每个搜索请求，分别执行以下操作：将一个搜索请求相应的搜索对象的兴趣标签和一个搜索请求，分别输入已训练的联合表示模型，分别获得所述搜索对象的兴趣标签对应的第一深度表示信息，和所述一个搜索请求对应的第二深度表示信息；将所述搜索对象的兴趣标签对应的第一深度表示信息，和所述一个搜索请求对应的第二深度表示信息进行特征交互处理，获得所述一个搜索请求对应的第一交互表示信息。7.如权利要求6所述的方法，其特征在于，所述联合表示模型是通过下列方式训练得到的：获取第二训练样本集，其中，所述第二训练样本集中的每份第二训练样本包括：一个样本对象的兴趣标签和样本搜索请求，以及所述样本对象针对所述样本搜索请求的相关搜索结果，和所述样本对象对相关搜索结果的满意度真实信息；基于所述第二训练样本集，对待训练的联合表示模型进行多次迭代训练，获得已训练的联合表示模型；其中，在一次迭代过程中，执行以下操作：分别将选取的第二训练样本输入到所述联合表示模型中，输出相应的样本对象对相关搜索结果的满意度预测信息；根据各搜索结果各自的满意度预测信息和相应的满意度真实信息之间的差异，对所述联合表示模型进行参数调整。8.如权利要求7所述的方法，其特征在于，所述样本对象对相关搜索结果的满意度真实信息为：基于所述样本对象针对所述相关搜索结果的反馈行为确定的。9.如权利要求7所述的方法，其特征在于，所述分别将从所述第二训练样本集中选取的第二训练样本输入到所述待训练的联合表示模型中，输出相应的样本对象对相关搜索结果的满意度预测信息，包括：分别将从所述第二训练样本集中选取的第二训练样本输入到待训练的联合表示模型中，获得所述第二训练样本中样本对象的兴趣标签对应的第一深度表示信息，所述样本对象的样本搜索请求对应的第二深度表示信息，和所述样本搜索请求的相关搜索结果对应的第三深度表示信息；基于所述样本对象的兴趣标签对应的第一深度表示信息，所述样本对象的搜索请求对
应的第二深度表示信息，与所述第三深度表示信息，对所述样本对象进行预测，获得针对所述样本对象的满意度预测信息。10.如权利要求9所述的方法，其特征在于，所述基于所述样本对象的兴趣标签对应的第一深度表示信息，所述样本对象的搜索请求对应的第二深度表示信息，与所述第三深度表示信息，对所述样本对象进行预测，获得针对所述样本对象的满意度预测信息，包括：将所述样本对象的兴趣标签对应的第一深度表示信息，与所述样本对象的搜索请求对应的第二深度表示信息，进行特征交互处理，获得所述样本对象对应的第一交互表示信息；以及，将所述样本对象的搜索请求对应的第二深度表示信息，与所述样本搜索请求的相关搜索结果对应的第三深度表示信息，进行特征交互处理，获得所述样本对象对应的第二交互表示信息；基于所述样本对象的第一交互表示信息与第二交互表示信息进行预测，获得针对所述样本对象的满意度预测信息。11.一种搜索请求推荐装置，其特征在于，包括：交互表示单元，用于基于目标对象的兴趣标签和当前的目标搜索请求，获得所述目标搜索请求对应的第一交互表示信息；筛选单元，用于基于所述目标搜索请求对应的第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为所述目标对象相关的候选搜索请求；确定单元，用于分别基于各候选搜索请求，以及所述目标对象相关的各历史搜索请求，确定相应的候选搜索请求作为所述目标对象下一次搜索请求的概率；推荐单元，用于基于各概率对各候选搜索请求进行排序后，基于排序结果向所述目标对象进行搜索请求推荐。12.如权利要求11所述的装置，其特征在于，所述筛选单元具体用于：获取所述历史搜索请求集合中的各历史搜索请求各自对应的相似检索索引，每个历史搜索请求的相似度检索索引为：对基于相应的历史对象的兴趣标签和历史搜索请求，确定的相应历史搜索请求对应的第一交互表示信息，进行向量压缩而得到的；基于各相似检索索引以及所述目标搜索请求对应的第一交互表示信息，筛选出与所述目标搜索请求之间相似度达到第一阈值的多个历史搜索请求。13.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～10中任一所述方法的步骤。14.一种计算机可读存储介质，其特征在于，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行权利要求1～10中任一所述方法的步骤。15.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行权利要求1～10中任一所述方法的步骤。

技术总结
本申请涉及计算机技术领域，尤其涉及一种搜索请求推荐方法、装置、电子设备和存储介质，用以提高搜索请求的推荐准确性。其中，方法包括：基于目标对象的兴趣标签和当前的目标搜索请求，获得第一交互表示信息；基于第一交互表示信息，从预先构建的历史搜索请求集合中，筛选出与目标搜索请求之间相似度达到第一阈值的多个历史搜索请求，作为候选搜索请求；分别基于各候选搜索请求和目标对象相关的各历史搜索请求，确定候选搜索请求作为目标对象下一次搜索请求的概率；基于各概率对各候选搜索请求进行排序，基于排序结果向目标对象进行搜索请求推荐。本申请结合目标对象的兴趣标签和历史搜索请求，向目标对象进行搜索请求的推荐，可提高推荐准确性。可提高推荐准确性。可提高推荐准确性。


技术研发人员：陈小帅
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2022.02.10
技术公布日：2023/8/24