本發(fā)明涉及搜索引擎技術(shù)領(lǐng)域，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法、裝置以及搜索引擎。

背景技術(shù)：

隨著搜索引擎技術(shù)的快速發(fā)展以及人們生活需求的不斷提高，越來(lái)越多的用戶更加注重搜索使用體驗(yàn)，而搜索使用體驗(yàn)取決于搜索結(jié)果與用戶的搜索意圖的相關(guān)性，例如，搜索結(jié)果與用戶的搜索意圖的相關(guān)性越大，則更加貼近用戶的需求。

在搜索過(guò)程中，通常由用戶輸入一個(gè)查詢，搜索引擎返回與查詢匹配的結(jié)果。查詢可以是文本查詢，包括一個(gè)或多個(gè)搜索詞語(yǔ)或短語(yǔ)。搜索引擎例如可以通過(guò)文本相關(guān)的匹配方法返回與搜索查詢對(duì)應(yīng)的搜索結(jié)果。

在相關(guān)技術(shù)中，用戶輸入的搜索需求描述信息可能存在多種語(yǔ)義或者語(yǔ)義比較寬泛，所以搜索引擎對(duì)用戶搜索意圖的理解可能會(huì)有偏差，導(dǎo)致返回的搜索結(jié)果的準(zhǔn)確度較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的旨在至少在一定程度上解決上述的技術(shù)問(wèn)題之一。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法。該方法可以最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

本發(fā)明的第二個(gè)目的在于提出一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置。

本發(fā)明的第三個(gè)目的在于提出一種搜索引擎。

本發(fā)明的第四個(gè)目的在于提出一種電子設(shè)備。

本發(fā)明的第五個(gè)目的在于提出一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

本發(fā)明的第六個(gè)目的在于提出一種計(jì)算機(jī)程序產(chǎn)品。

為達(dá)到上述目的，本發(fā)明第一方面實(shí)施例提出的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，包括：獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞；根據(jù)所述當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果；基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)所述當(dāng)前搜索詞、所述前置搜索詞和所述多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示；基于DNN技術(shù)的語(yǔ)義模型對(duì)所述目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與所述當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，可獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞，并根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果，之后，基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，最后，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即利用用戶前置搜索詞對(duì)當(dāng)前搜索詞進(jìn)行搜索優(yōu)化，并利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序，最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

為達(dá)到上述目的，本發(fā)明第二方面實(shí)施例提出的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，包括：第一獲取模塊，用于獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞；第二獲取模塊，用于根據(jù)所述當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果；生成模塊，用于基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)所述當(dāng)前搜索詞、所述前置搜索詞和所述多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示；預(yù)測(cè)模塊，用于基于DNN技術(shù)的語(yǔ)義模型對(duì)所述目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與所述當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，可通過(guò)第一獲取模塊獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞，第二獲取模塊根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果，生成模塊基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，預(yù)測(cè)模塊基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即利用用戶前置搜索詞對(duì)當(dāng)前搜索詞進(jìn)行搜索優(yōu)化，并利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序，最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

為達(dá)到上述目的，本發(fā)明第三方面實(shí)施例提出的搜索引擎，包括：本發(fā)明第二方面實(shí)施例所述的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置。

為達(dá)到上述目的，本發(fā)明第四方面實(shí)施例提出的電子設(shè)備，包括：處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；其中，所述處理器被配置為：獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞；根據(jù)所述當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果；基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)所述當(dāng)前搜索詞、所述前置搜索詞和所述多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示；基于DNN技術(shù)的語(yǔ)義模型對(duì)所述目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與所述當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

為達(dá)到上述目的，本發(fā)明第五方面實(shí)施例提出的非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，當(dāng)所述存儲(chǔ)介質(zhì)中的指令由移動(dòng)終端的處理器被執(zhí)行時(shí)，使得移動(dòng)終端能夠執(zhí)行一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，所述方法包括：獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞；根據(jù)所述當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果；基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)所述當(dāng)前搜索詞、所述前置搜索詞和所述多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示；基于DNN技術(shù)的語(yǔ)義模型對(duì)所述目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與所述當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

為達(dá)到上述目的，本發(fā)明第六方面實(shí)施例提出的計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述計(jì)算機(jī)程序產(chǎn)品中的指令處理器執(zhí)行時(shí)，執(zhí)行一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，所述方法包括：獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞；根據(jù)所述當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果；基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)所述當(dāng)前搜索詞、所述前置搜索詞和所述多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示；基于DNN技術(shù)的語(yǔ)義模型對(duì)所述目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與所述當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明上述的和/或附加的方面和優(yōu)點(diǎn)從下面結(jié)合附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的生成目標(biāo)詞向量表示的流程圖；

圖3是根據(jù)本發(fā)明實(shí)施例的生成目標(biāo)詞向量表示的示例圖；

圖4是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的流程圖；

圖5是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的流程圖；

圖6是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置的結(jié)構(gòu)示意圖；

圖7是根據(jù)本發(fā)明一個(gè)實(shí)施例的生成模塊的結(jié)構(gòu)示意圖；

圖8是根據(jù)本發(fā)明一個(gè)實(shí)施例的生成子模塊的結(jié)構(gòu)示意圖；

圖9是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置的結(jié)構(gòu)示意圖；

圖10是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖描述本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法、裝置以及搜索引擎。

目前，傳統(tǒng)的個(gè)性化搜索和用戶搜索的優(yōu)化需求構(gòu)建較為復(fù)雜、維護(hù)成本較高的用戶畫(huà)像(profile)，此外，還需要做一系列的匹配來(lái)進(jìn)行推薦，成本非常高；也缺乏從語(yǔ)義維度來(lái)刻畫(huà)用戶搜索意圖和興趣的工業(yè)實(shí)踐；基于神經(jīng)網(wǎng)絡(luò)原理的機(jī)器學(xué)習(xí)方法在經(jīng)過(guò)學(xué)術(shù)界較長(zhǎng)一段時(shí)間的討論與研究后也在網(wǎng)頁(yè)排序上取得過(guò)很好的效果。然而，神經(jīng)網(wǎng)絡(luò)在搜索個(gè)性化的方面上仍然缺乏實(shí)際的應(yīng)用。

作為搜索引擎的基礎(chǔ)組成之一，現(xiàn)有的排序模型只針對(duì)一次搜索進(jìn)程中的搜索詞(query)和備選文檔進(jìn)行排序，用戶的前置搜索詞(pre-query)以及前置搜索進(jìn)程中點(diǎn)擊以及忽略的結(jié)果在新的一次搜索中完全被排除在模型的排序因子之外。然而，前置搜索詞以及前置搜索進(jìn)程中點(diǎn)擊以及忽略的結(jié)果等信息，也可能會(huì)提供關(guān)于用戶搜索的需求信息以更好的匹配與當(dāng)前搜索詞相符合的結(jié)果。

為此，本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，通過(guò)將前置搜索詞、當(dāng)前搜索以及該當(dāng)前搜索詞的搜索結(jié)果進(jìn)行結(jié)合，并基于多層神經(jīng)網(wǎng)絡(luò)提取出用于標(biāo)識(shí)用戶的短期興趣的目標(biāo)詞向量表示，最后，根據(jù)該目標(biāo)詞向量表示獲取當(dāng)前搜索詞的優(yōu)化搜索結(jié)果，以實(shí)現(xiàn)最大程度的滿足用戶的個(gè)性化需求。

具體地，圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的流程圖。需要說(shuō)明的是，本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法可應(yīng)用于本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置可被配置于搜索引擎上。

如圖1所示，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法可以包括：

S110，獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞。

需要說(shuō)明的是，在本發(fā)明的實(shí)施例中，上述前置搜索詞是指當(dāng)前搜索詞的前一個(gè)搜索請(qǐng)求中的搜索內(nèi)容。也就是說(shuō)，當(dāng)前搜索詞與前置搜索詞分別是連續(xù)的兩個(gè)搜索請(qǐng)求中的搜索內(nèi)容，當(dāng)前搜索詞是當(dāng)前搜索請(qǐng)求中的搜索內(nèi)容，前置搜索詞是前一個(gè)搜索請(qǐng)求中的搜索內(nèi)容。

舉例而言，假設(shè)本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法可用于搜索引擎中，該搜索引擎可為用戶提供輸入框，用戶通過(guò)該輸入框輸入搜索詞。當(dāng)用戶輸入搜索詞并點(diǎn)擊確定搜索時(shí)，可獲取該用戶所輸入的本次搜索請(qǐng)求中的當(dāng)前搜索詞，并獲取該用戶上一次搜索請(qǐng)求中的前置搜索詞。

其中，該當(dāng)前搜索詞以及前置搜索詞可以是數(shù)字、字母、文字、符號(hào)等中的一種或多種的組合，例如，當(dāng)前搜索詞為“劉德華2015年演繹的電影”，前置搜索詞為“劉德華演過(guò)哪些電影”。

S120，根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果。

舉例而言，以當(dāng)前搜索詞為查詢?cè)~，查詢與該當(dāng)前搜索詞匹配的文檔或網(wǎng)頁(yè)等資源，并將這些資源作為該當(dāng)前搜索詞的搜索結(jié)果。其中，上述匹配可以理解為先精確匹配再模糊匹配，也就是說(shuō)，可先找到與該當(dāng)前搜索詞精確匹配的資源，并找到與該當(dāng)前搜索詞模糊匹配的資源，最后將這些資源作為搜索結(jié)果。

S130，基于MLP(Multi-layer Perceptron，多層神經(jīng)網(wǎng)絡(luò))，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示。

具體地，可將當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果通過(guò)MLP多層神經(jīng)網(wǎng)絡(luò)模型MLP提取出目標(biāo)詞向量表示，該目標(biāo)詞向量表示可以用于表示用戶的短期興趣。

作為一種示例，如圖2所示，該基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示的具體實(shí)現(xiàn)過(guò)程可包括以下步驟：

S210，獲取當(dāng)前搜索詞與前置搜索詞之間的分詞交集集合、第一分詞差集集合、第二分詞差集集合以及分詞并集集合，其中，第一分詞差集集合用于指示存在于當(dāng)前搜索詞而未存在于前置搜索詞的分詞集合，第二分詞差集集合用于指示存在于前置搜索詞而未存在于當(dāng)前搜索詞的分詞集合。

具體地，可對(duì)當(dāng)前搜索詞進(jìn)行分詞以得到多個(gè)第一分詞，并對(duì)前置搜索詞進(jìn)行分詞以得到多個(gè)第二分詞，之后，可根據(jù)多個(gè)第一分詞和多個(gè)第二分詞，分別獲取當(dāng)前搜索詞與前置搜索詞之間的分詞交集集合、第一分詞差集集合、第二分詞差集集合以及分詞并集集合。

例如，假設(shè)當(dāng)前搜索詞為“劉德華和關(guān)之琳合作演繹過(guò)哪些電影”，前置搜索詞為“劉德華與哪些女明星合作演繹過(guò)電影”，分別對(duì)當(dāng)前搜索詞和前置搜索詞進(jìn)行分詞，得到第一分詞集合{劉德華,關(guān)之琳,合作,演繹,哪些,電影}，第二分詞集合{劉德華,哪些,女明星,合作,演繹,電影}，這樣，可以獲得當(dāng)前搜索詞與前置搜索詞之間的分詞交集集合{劉德華,合作,演繹,哪些,電影}，第一分詞差集集合{關(guān)之琳}，第二分詞差集集合{女明星}，分詞并集集合{劉德華,關(guān)之琳,合作,演繹,哪些,電影,女明星}。

S220，獲取多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，其中，搜索標(biāo)識(shí)集合用于指示多個(gè)搜索結(jié)果是出現(xiàn)在前置搜索詞的點(diǎn)擊集合、非點(diǎn)擊集合還是未展現(xiàn)集合。

可以理解，多個(gè)搜索結(jié)果是由多個(gè)網(wǎng)頁(yè)文檔組成的，每個(gè)網(wǎng)頁(yè)文檔可具有標(biāo)題(title)，針對(duì)每個(gè)搜索結(jié)果，可對(duì)該搜索結(jié)果的標(biāo)題進(jìn)行分詞處理，得到分詞集合，并確定該搜索結(jié)果是否出現(xiàn)在前置搜索詞的點(diǎn)擊集合中、非點(diǎn)擊集合還是未展現(xiàn)集合。

其中，搜索結(jié)果出現(xiàn)在前置搜索詞的點(diǎn)擊集合，可以理解為該搜索結(jié)果也是前置搜索詞所對(duì)應(yīng)的搜索結(jié)果，且該搜索結(jié)果是被用戶點(diǎn)擊查看過(guò)的；搜索結(jié)果出現(xiàn)在前置搜索詞的非點(diǎn)擊集合，可以理解為該搜索結(jié)果也是前置搜索詞所對(duì)應(yīng)的搜索結(jié)果，而該搜索結(jié)果未被用戶點(diǎn)擊查看過(guò)；搜索結(jié)果出現(xiàn)在前置搜索詞的未展現(xiàn)集合，可以理解為該搜索詞不是前置搜索詞的搜索結(jié)果。

S230，基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合、以及多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，生成目標(biāo)詞向量表示。

具體地，可將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合、以及多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，通過(guò)多層神經(jīng)網(wǎng)絡(luò)MLP提取出對(duì)應(yīng)的目標(biāo)詞向量表示。

作為一種示例，該多層神經(jīng)網(wǎng)絡(luò)MLP可包括連接層、非線性變換層、全連接層和MLP層。其中，在本示例中，如圖3所示，上述步驟S230可包括以下步驟：

S231，將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合通過(guò)連接層連接成當(dāng)前搜索詞的詞向量。

具體地，可將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合分別作為參數(shù)，通過(guò)連接層(Connect Layer)將這些參數(shù)連接成一個(gè)當(dāng)前搜索詞的詞向量。

S232，通過(guò)非線性變換層(Softsign Layer)對(duì)當(dāng)前搜索詞的詞向量進(jìn)行非線性變換，并通過(guò)全連接層(FC Layer)對(duì)非線性變換后的當(dāng)前搜索詞的詞向量進(jìn)行全連接以生成當(dāng)前搜索詞的詞向量表示。

S233，將多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合通過(guò)連接層連接成多個(gè)搜索結(jié)果的詞向量。

S234，通過(guò)非線性變換層對(duì)多個(gè)搜索結(jié)果的詞向量進(jìn)行非線性變換，并通過(guò)全連接層對(duì)非線性變換后的多個(gè)搜索結(jié)果的詞向量進(jìn)行全連接以生成多個(gè)搜索結(jié)果的詞向量表示。

S235，根據(jù)當(dāng)前搜索詞的詞向量表示和多個(gè)搜索結(jié)果的詞向量表示，通過(guò)MLP層生成目標(biāo)詞向量表示。

也就是說(shuō)，可將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合通過(guò)連接層連接成一個(gè)當(dāng)前搜索詞的詞向量，并將經(jīng)過(guò)非線性變換層之后的當(dāng)前搜索詞的詞向量經(jīng)過(guò)全連接層以生成當(dāng)前搜索詞的詞向量表示；同時(shí)，可將多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合通過(guò)連接層連接成一個(gè)搜索結(jié)果的詞向量，并經(jīng)過(guò)非線性變換層和全連接層以生成搜索結(jié)果的詞向量表示，最后，將當(dāng)前搜索詞的詞向量表示和搜索結(jié)果的詞向量表示，通過(guò)MLP層以生成目標(biāo)詞向量表示。

由此，通過(guò)將當(dāng)前搜索詞與前置搜索詞的交集部分、兩者之間的差集(包括第一分詞差集集合和第二分詞差集集合)和并集、以及一個(gè)搜索結(jié)果標(biāo)題的分詞集合和搜索標(biāo)識(shí)集合作為考慮因素，來(lái)實(shí)現(xiàn)基于多層神經(jīng)網(wǎng)絡(luò)對(duì)于前置搜索詞的個(gè)性化搜索優(yōu)化，以最大程度的滿足用戶的個(gè)性化需求。

S140，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。其中，上述基于DNN技術(shù)的語(yǔ)義模型可理解為通過(guò)利用DNN技術(shù)來(lái)訓(xùn)練出的語(yǔ)義模型。

具體地，可將目標(biāo)詞向量表示作為當(dāng)前搜索詞的排序信息引入基于DNN技術(shù)的語(yǔ)義模型來(lái)進(jìn)行打分，并根據(jù)打分結(jié)果從高到低排序，得到多個(gè)排序后的優(yōu)化搜索結(jié)果。也就是說(shuō)，在得到當(dāng)前搜索詞的搜索結(jié)果之后，再根據(jù)當(dāng)前搜索詞與前置搜索詞通過(guò)多層神經(jīng)網(wǎng)絡(luò)，對(duì)該當(dāng)前搜索詞的搜索結(jié)果進(jìn)行個(gè)性化的搜索優(yōu)化，從而得到該當(dāng)前搜索詞的優(yōu)化搜索結(jié)果。這樣，利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序。

本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，可獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞，并根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果，之后，基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，最后，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即利用用戶前置搜索詞對(duì)當(dāng)前搜索詞進(jìn)行搜索優(yōu)化，并利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序，最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

圖4是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的流程圖。

為了提高搜索結(jié)果的準(zhǔn)確度，提高搜索個(gè)性化優(yōu)化的效果，在本發(fā)明的實(shí)施例中，還可確定當(dāng)前搜索詞與前置搜索詞之間的關(guān)系類(lèi)型，基于MLP，根據(jù)關(guān)系類(lèi)型、當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，最后，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。具體地，如圖4所示，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法可以包括：

S410，獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞。

S420，根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果。

S430，確定當(dāng)前搜索詞與前置搜索詞之間的關(guān)系類(lèi)型。

需要說(shuō)明的是，為了更好地利用用戶前置搜索詞進(jìn)行搜索優(yōu)化，可將前置搜索詞與當(dāng)前搜索詞的關(guān)系區(qū)分成四個(gè)大類(lèi)：

1)變形類(lèi)型：前置搜索詞和本次搜索的當(dāng)前搜索詞在語(yǔ)義上沒(méi)有區(qū)別。對(duì)于變形類(lèi)型的關(guān)系，可以看到展現(xiàn)在前置搜索詞結(jié)果中的鏈接不論在上一次搜索點(diǎn)擊與否，在本次搜索中用戶都不傾向于與點(diǎn)擊其鏈接。

2)特化類(lèi)型：在前置搜索詞的基礎(chǔ)上，用戶對(duì)其搜索需求進(jìn)行進(jìn)一步的特殊化以減少搜索的范圍。對(duì)于特化類(lèi)型的關(guān)系，用戶理論上會(huì)對(duì)與這一次搜索語(yǔ)義更相關(guān)的結(jié)果感興趣。

3)泛化類(lèi)型：用戶對(duì)于前置搜索詞進(jìn)行了總結(jié)，搜索了一個(gè)語(yǔ)義更為寬泛的搜索詞(query)。對(duì)于泛化類(lèi)型的關(guān)系，與特化類(lèi)型的區(qū)別在于，用戶對(duì)本次搜索的偏好不明顯，但理論上并不會(huì)對(duì)與上一次搜索語(yǔ)義更相關(guān)的結(jié)果感興趣。

4)共有話題需求類(lèi)型：兩次搜索很有可能是在搜索同類(lèi)型的話題下的需求。共有話題需求的搜索結(jié)果中，能夠同時(shí)滿足兩次搜索的需求的結(jié)果更可能滿足用戶的短期個(gè)性化搜索需求。

由此可見(jiàn)，本發(fā)明可對(duì)上文信息進(jìn)行適當(dāng)?shù)姆诸?lèi)，將連續(xù)的兩個(gè)搜索請(qǐng)求分成了變形需求、特化需求、泛化需求和共有話題需求這四大類(lèi)。這樣，在實(shí)際應(yīng)用中，可先確定當(dāng)前搜索詞與前置搜索詞之間的關(guān)系屬于哪一種需求類(lèi)型，以便后續(xù)集合該需求類(lèi)型進(jìn)一步地提高個(gè)性化的搜索優(yōu)化。

S440，基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)關(guān)系類(lèi)型、當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示。

可以理解，本發(fā)明將連續(xù)的兩個(gè)搜索請(qǐng)求分成了變形需求、特化需求、泛化需求和共有話題需求，并對(duì)以上四類(lèi)的搜索需求的前置query的結(jié)果進(jìn)行的點(diǎn)擊和非點(diǎn)擊進(jìn)行區(qū)分，以上述四個(gè)大類(lèi)共8個(gè)小類(lèi)前置query的信息配合特殊的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)的涉及，通過(guò)模型網(wǎng)絡(luò)特有的訓(xùn)練和學(xué)習(xí)方式對(duì)每一小類(lèi)信息在對(duì)于展現(xiàn)結(jié)果的排序上都有不同的影響。

由此，在確定搜索詞與前置搜索詞之間的關(guān)系類(lèi)型之后，可將當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果通過(guò)MLP提取出符合該關(guān)系類(lèi)型下的目標(biāo)詞向量表示。

作為一種示例，如圖2所示，該基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示的具體實(shí)現(xiàn)過(guò)程可包括以下步驟：

S210，獲取當(dāng)前搜索詞與前置搜索詞之間的分詞交集集合、第一分詞差集集合、第二分詞差集集合以及分詞并集集合，其中，第一分詞差集集合用于指示存在于當(dāng)前搜索詞而未存在于前置搜索詞的分詞集合，第二分詞差集集合用于指示存在于前置搜索詞而未存在于當(dāng)前搜索詞的分詞集合。

S220，獲取多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，其中，搜索標(biāo)識(shí)集合用于指示多個(gè)搜索結(jié)果是出現(xiàn)在前置搜索詞的點(diǎn)擊集合、非點(diǎn)擊集合還是未展現(xiàn)集合。

S230，基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合、以及多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，生成目標(biāo)詞向量表示。

作為一種示例，該多層神經(jīng)網(wǎng)絡(luò)MLP可包括連接層、非線性變換層、全連接層和MLP層。其中，在本示例中，上述步驟S230可包括以下步驟：

S231)將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合通過(guò)連接層連接成當(dāng)前搜索詞的詞向量；

S232)通過(guò)非線性變換層對(duì)當(dāng)前搜索詞的詞向量進(jìn)行非線性變換，并通過(guò)全連接層對(duì)非線性變換后的當(dāng)前搜索詞的詞向量進(jìn)行全連接以生成當(dāng)前搜索詞的詞向量表示；

S233)將多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合通過(guò)連接層連接成多個(gè)搜索結(jié)果的詞向量；

S234)通過(guò)非線性變換層對(duì)多個(gè)搜索結(jié)果的詞向量進(jìn)行非線性變換，并通過(guò)全連接層對(duì)非線性變換后的多個(gè)搜索結(jié)果的詞向量進(jìn)行全連接以生成多個(gè)搜索結(jié)果的詞向量表示；

S235)根據(jù)當(dāng)前搜索詞的詞向量表示和多個(gè)搜索結(jié)果的詞向量表示，通過(guò)MLP層生成目標(biāo)詞向量表示。

S450，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法，確定當(dāng)前搜索詞與前置搜索詞之間的關(guān)系類(lèi)型，基于MLP，根據(jù)關(guān)系類(lèi)型、當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，最后，基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即通過(guò)基于DNN技術(shù)的語(yǔ)義模型提供了多個(gè)隱藏層信息，對(duì)于不同種類(lèi)的前置搜索詞信息提供了更多可用的排序依據(jù)，提高了搜索結(jié)果的準(zhǔn)確度，提高了搜索個(gè)性化優(yōu)化的效果。

為了進(jìn)一步提升用戶體驗(yàn)，進(jìn)一步提高搜索個(gè)性化優(yōu)化的效果，進(jìn)一步地，本發(fā)明的一個(gè)實(shí)施例中，如圖5所示，在得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果之后，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法還可包括：

S510，獲取當(dāng)前搜索詞的上下文信息。

S520，根據(jù)上下文信息對(duì)多個(gè)優(yōu)化搜索結(jié)果進(jìn)行重新排序。

舉例而言，可計(jì)算該多個(gè)優(yōu)化搜索結(jié)果與該上下文信息的相關(guān)性，并根據(jù)該相關(guān)性的大小對(duì)該多個(gè)優(yōu)化搜索結(jié)果進(jìn)行重新排序，例如，可按照相關(guān)性從大到小，依次對(duì)該多個(gè)優(yōu)化結(jié)果進(jìn)行重新排序。

S530，將重新排序后的多個(gè)優(yōu)化搜索結(jié)果展現(xiàn)在搜索結(jié)果頁(yè)面中。

由此，通過(guò)將已有的上下文信息合理、合適的結(jié)合在最終結(jié)果的展現(xiàn)重新排序上，以此來(lái)優(yōu)化前置query的用戶個(gè)性化搜索，進(jìn)一步提升用戶體驗(yàn)。

與上述幾種實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法相對(duì)應(yīng)，本發(fā)明的一種實(shí)施例還提供一種基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，由于本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置與上述幾種實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法相對(duì)應(yīng)，因此在前述基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化方法的實(shí)施方式也適用于本實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，在本實(shí)施例中不再詳細(xì)描述。圖6是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置的結(jié)構(gòu)示意圖。如圖6所示，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置可以包括：第一獲取模塊610、第二獲取模塊620、生成模塊630和預(yù)測(cè)模塊640。

具體地，第一獲取模塊610可用于獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞。

第二獲取模塊620可用于根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果。

生成模塊630可用于基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示。

作為一種示例，如圖7所示，該生成模塊630可包括：第一獲取子模塊631、第二獲取子模塊632和生成子模塊633。其中，第一獲取子模塊631用于獲取當(dāng)前搜索詞與前置搜索詞之間的分詞交集集合、第一分詞差集集合、第二分詞差集集合以及分詞并集集合，其中，第一分詞差集集合用于指示存在于當(dāng)前搜索詞而未存在于前置搜索詞的分詞集合，第二分詞差集集合用于指示存在于前置搜索詞而未存在于當(dāng)前搜索詞的分詞集合。第二獲取子模塊632用于獲取多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，其中，搜索標(biāo)識(shí)集合用于指示多個(gè)搜索結(jié)果是出現(xiàn)在前置搜索詞的點(diǎn)擊集合、非點(diǎn)擊集合還是未展現(xiàn)集合。生成子模塊633用于基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合、以及多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合，生成目標(biāo)詞向量表示。

作為一種示例，多層神經(jīng)網(wǎng)絡(luò)MLP可包括連接層、非線性變換層、全連接層和MLP層。其中，在本示例中，如圖8所示，該生成子模塊633可包括：連接單元6331、非線性變換單元6332、全連接單元6333和生成單元6334。

其中，連接單元6331用于將當(dāng)前搜索詞、前置搜索詞、分詞交集集合、第一分詞差集集合、第二分詞差集集合、分詞并集集合通過(guò)連接層連接成當(dāng)前搜索詞的詞向量。

非線性變換單元6332用于通過(guò)非線性變換層對(duì)當(dāng)前搜索詞的詞向量進(jìn)行非線性變換。

全連接單元6333用于通過(guò)全連接層對(duì)非線性變換后的當(dāng)前搜索詞的詞向量進(jìn)行全連接以生成當(dāng)前搜索詞的詞向量表示。

連接單元6331還用于將多個(gè)搜索結(jié)果的分詞集合和搜索標(biāo)識(shí)集合通過(guò)連接層連接成多個(gè)搜索結(jié)果的詞向量。

非線性變換單元6332還用于通過(guò)非線性變換層對(duì)多個(gè)搜索結(jié)果的詞向量進(jìn)行非線性變換。

全連接單元6333還用于通過(guò)全連接層對(duì)非線性變換后的多個(gè)搜索結(jié)果的詞向量進(jìn)行全連接以生成多個(gè)搜索結(jié)果的詞向量表示。

生成單元6334用于根據(jù)當(dāng)前搜索詞的詞向量表示和多個(gè)搜索結(jié)果的詞向量表示，通過(guò)MLP層生成目標(biāo)詞向量表示。

預(yù)測(cè)模塊640可用于基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。

為了提高搜索結(jié)果的準(zhǔn)確度，提高搜索個(gè)性化優(yōu)化的效果，進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，如圖9所示，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置還可包括：確定模塊650，確定模塊650可用于確定當(dāng)前搜索詞與前置搜索詞之間的關(guān)系類(lèi)型。其中，在本發(fā)明的實(shí)施例中，生成模塊630可具體用于：基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)關(guān)系類(lèi)型、當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示。

為了進(jìn)一步提升用戶體驗(yàn)，進(jìn)一步提高搜索個(gè)性化優(yōu)化的效果，進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，如圖10所示，該基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置還可包括：第三獲取模塊660、重新排序模塊670和展現(xiàn)模塊680。其中，第三獲取模塊660用于在得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果之后，獲取當(dāng)前搜索詞的上下文信息。重新排序模塊670用于根據(jù)上下文信息對(duì)多個(gè)優(yōu)化搜索結(jié)果進(jìn)行重新排序。展現(xiàn)模塊680用于將重新排序后的多個(gè)優(yōu)化搜索結(jié)果展現(xiàn)在搜索結(jié)果頁(yè)面中。

本發(fā)明實(shí)施例的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置，可通過(guò)第一獲取模塊獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞，第二獲取模塊根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果，生成模塊基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，預(yù)測(cè)模塊根據(jù)基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即利用用戶前置搜索詞對(duì)當(dāng)前搜索詞進(jìn)行搜索優(yōu)化，并利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序，最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

為了實(shí)現(xiàn)上述實(shí)施例，本發(fā)明還提出了一種搜索引擎，包括上述任一個(gè)實(shí)施例所述的基于神經(jīng)網(wǎng)絡(luò)的搜索優(yōu)化裝置。

本發(fā)明實(shí)施例的搜索引擎，可通過(guò)搜索引擎中的第一獲取模塊獲取用戶輸入的當(dāng)前搜索詞以及前置搜索詞，第二獲取模塊根據(jù)當(dāng)前搜索詞獲取多個(gè)搜索結(jié)果，生成模塊基于多層神經(jīng)網(wǎng)絡(luò)MLP，根據(jù)當(dāng)前搜索詞、前置搜索詞和多個(gè)搜索結(jié)果生成目標(biāo)詞向量表示，預(yù)測(cè)模塊根據(jù)基于DNN技術(shù)的語(yǔ)義模型對(duì)目標(biāo)詞向量表示進(jìn)行預(yù)測(cè)，得到與當(dāng)前搜索詞對(duì)應(yīng)的多個(gè)優(yōu)化搜索結(jié)果。即利用用戶前置搜索詞對(duì)當(dāng)前搜索詞進(jìn)行搜索優(yōu)化，并利用神經(jīng)網(wǎng)絡(luò)在語(yǔ)義理解上的優(yōu)勢(shì)能更好地對(duì)當(dāng)前搜索詞匹配出符合用戶短期搜索需求的結(jié)果和排序，最大程度的滿足用戶的個(gè)性化需求，提高搜索結(jié)果的準(zhǔn)確度，大大提升了用戶的搜索體驗(yàn)。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說(shuō)明書(shū)中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

流程圖中或在此以其他方式描述的任何過(guò)程或方法描述可以被理解為，表示包括一個(gè)或更多個(gè)用于實(shí)現(xiàn)特定邏輯功能或過(guò)程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實(shí)施方式的范圍包括另外的實(shí)現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時(shí)的方式或按相反的順序，來(lái)執(zhí)行功能，這應(yīng)被本發(fā)明的實(shí)施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認(rèn)為是用于實(shí)現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實(shí)現(xiàn)在任何計(jì)算機(jī)可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計(jì)算機(jī)的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說(shuō)明書(shū)而言，"計(jì)算機(jī)可讀介質(zhì)"可以是任何可以包含、存儲(chǔ)、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計(jì)算機(jī)可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個(gè)或多個(gè)布線的電連接部(電子裝置)，便攜式計(jì)算機(jī)盤(pán)盒(磁裝置)，隨機(jī)存取存儲(chǔ)器(RAM)，只讀存儲(chǔ)器(ROM)，可擦除可編輯只讀存儲(chǔ)器(EPROM或閃速存儲(chǔ)器)，光纖裝置，以及便攜式光盤(pán)只讀存儲(chǔ)器(CDROM)。另外，計(jì)算機(jī)可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因?yàn)榭梢岳缤ㄟ^(guò)對(duì)紙或其他介質(zhì)進(jìn)行光學(xué)掃描，接著進(jìn)行編輯、解譯或必要時(shí)以其他合適方式進(jìn)行處理來(lái)以電子方式獲得所述程序，然后將其存儲(chǔ)在計(jì)算機(jī)存儲(chǔ)器中。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來(lái)實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來(lái)實(shí)現(xiàn)。例如，如果用硬件來(lái)實(shí)現(xiàn)，和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來(lái)實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門(mén)電路的離散邏輯電路，具有合適的組合邏輯門(mén)電路的專(zhuān)用集成電路，可編程門(mén)陣列(PGA)，現(xiàn)場(chǎng)可編程門(mén)陣列(FPGA)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

此外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理模塊中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷(xiāo)售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。

上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤(pán)或光盤(pán)等。盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。