本發(fā)明涉及大數(shù)據(jù)技術(shù)領(lǐng)域，尤其涉及搜索推薦方法、裝置、計算機可讀存儲介質(zhì)及計算機設(shè)備。

背景技術(shù)：

隨著互聯(lián)網(wǎng)行業(yè)的飛速發(fā)展，大數(shù)據(jù)信息已達(dá)到數(shù)百億，如何在龐大的數(shù)據(jù)量下進(jìn)行有效、精確地搜索和推薦，是目前一個重要難點。

在現(xiàn)有技術(shù)中，當(dāng)用戶輸入一個搜索詞后，服務(wù)器首先會根據(jù)該搜索詞進(jìn)行關(guān)聯(lián)搜索，獲取與該搜索詞關(guān)聯(lián)的若干推薦詞，接著，服務(wù)器將獲取到的推薦詞按照獲取先后順序直接返回給用戶，然而，返回給用戶的搜索結(jié)果往往無法貼近用戶需求，存在搜索轉(zhuǎn)換率低的技術(shù)問題。

技術(shù)實現(xiàn)要素：

鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的搜索推薦方法、裝置、計算機可讀存儲介質(zhì)及計算機設(shè)備。

本發(fā)明提供一種搜索推薦方法，所述方法包括：

接收用戶輸入的搜索詞；

獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列；

將所述推薦詞子序列返回給所述用戶。

優(yōu)選的，所述關(guān)注熱度包括點擊量和/或關(guān)注用戶數(shù)。

優(yōu)選的，采用以下公式獲得各個推薦詞的推薦分?jǐn)?shù)：

score＝(search_size/total_size)*[new_pv(refresh_m)+new_follow(refresh_m)]

其中，score為所述推薦詞的推薦分?jǐn)?shù)，search_size為所述搜索詞的字節(jié)數(shù)，total_size為所述推薦詞的字節(jié)數(shù)，refresh_m為所述分?jǐn)?shù)更新周期，new_pv(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的點擊量，new_follow(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的關(guān)注用戶數(shù)。

優(yōu)選的，所述分?jǐn)?shù)更新周期為所述推薦詞從預(yù)設(shè)時間點起累計點擊量超過昨日點擊量每分鐘均值的時間段。

優(yōu)選的，所述獲取與搜索詞關(guān)聯(lián)的多個推薦詞，包括：

通過模糊匹配獲取與搜索詞關(guān)聯(lián)的多個推薦詞。

本發(fā)明還提供一種搜索推薦裝置，所述裝置包括：

接收模塊，用于接收用戶輸入的搜索詞；

獲取模塊，用于獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

第一獲得模塊，用于根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

第二獲得模塊，用于根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

第三獲得模塊，用于從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞；

返回模塊，用于將所述推薦詞子序列返回給所述用戶。

優(yōu)選的，所述關(guān)注熱度包括點擊量和/或關(guān)注用戶數(shù)。

優(yōu)選的，采用以下公式獲取各個推薦詞的推薦分?jǐn)?shù)：

score＝(search_size/total_size)*[new_pv(refresh_m)+new_follow(refresh_m)]

其中，score為所述推薦詞的推薦分?jǐn)?shù)，search_size為所述搜索詞的字節(jié)數(shù)，total_size為所述推薦詞的字節(jié)數(shù)，refresh_m為所述分?jǐn)?shù)更新周期，new_pv(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的點擊量，new_follow(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的關(guān)注用戶數(shù)。

本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)以下步驟：

接收用戶輸入的搜索詞；

獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞；

將所述推薦詞子序列返回給所述用戶。

本發(fā)明還提供一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)以下步驟：

接收用戶輸入的搜索詞；

獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞；

將所述推薦詞子序列返回給所述用戶。

本發(fā)明實施例中的一個或多個技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點：

本申請由于先根據(jù)搜索詞與推薦詞的字節(jié)數(shù)之比以及推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，獲得各個推薦詞的推薦分?jǐn)?shù)，推薦分?jǐn)?shù)的高低能夠反映推薦詞與用戶需求的貼合程度，推薦分?jǐn)?shù)越高，則推薦詞與用戶需求的貼合程度越高，即用戶對該推薦詞越感興趣，推薦分?jǐn)?shù)越低，則推薦詞與用戶需求的貼合程度越低，即用戶對該推薦詞越不感興趣，進(jìn)而，再根據(jù)推薦分?jǐn)?shù)的高低對推薦詞排序，獲得推薦詞序列，最后從推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的推薦詞獲得推薦詞子序列，并將推薦詞子序列返回給用戶，該推薦詞子序列貼近用戶的需求，能夠有效地提高搜索轉(zhuǎn)換率。

附圖說明

通過閱讀下文優(yōu)選實施方式的詳細(xì)描述，各種其他的優(yōu)點和益處對于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實施方式的目的，而并不認(rèn)為是對本發(fā)明的限制。而且在整個附圖中，用相同的參考圖形表示相同的部件。在附圖中：

圖1示出了本發(fā)明實施例中的搜索推薦方法的流程圖；

圖2示出了本發(fā)明實施例中的搜索推薦裝置的結(jié)構(gòu)圖；

圖3示出了本發(fā)明實施例中的計算機設(shè)備的實體結(jié)構(gòu)示意圖。

具體實施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應(yīng)當(dāng)理解，可以以各種形式實現(xiàn)本公開而不應(yīng)被這里闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明的實施例提供一種搜索推薦方法，該搜索推薦方法應(yīng)用于搜索引擎服務(wù)器，該搜索引擎服務(wù)器能夠與用戶側(cè)的客戶端進(jìn)行通信，如圖1所示，所述方法包括：

步驟101：接收用戶輸入的搜索詞。

步驟102：獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符。

步驟103：根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)。

步驟104：根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列。

步驟105：從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞。

步驟106：將所述推薦詞子序列返回給所述用戶。

本申請由于先根據(jù)搜索詞與推薦詞的字節(jié)數(shù)之比以及推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，獲得各個推薦詞的推薦分?jǐn)?shù)，推薦分?jǐn)?shù)的高低能夠反映推薦詞與用戶需求的貼合程度，推薦分?jǐn)?shù)越高，則推薦詞與用戶需求的貼合程度越高，即用戶對該推薦詞越感興趣，推薦分?jǐn)?shù)越低，則推薦詞與用戶需求的貼合程度越低，即用戶對該推薦詞越不感興趣，進(jìn)而，再根據(jù)推薦分?jǐn)?shù)的高低對推薦詞排序，獲得推薦詞序列，最后從推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的推薦詞獲得推薦詞子序列，并將推薦詞子序列返回給用戶，該推薦詞子序列貼近用戶的需求，能夠有效地提高搜索轉(zhuǎn)換率，即，用戶通過點擊推薦詞跳轉(zhuǎn)到下一界面的比率得到了有效提高。

具體來講，在步驟101中，用戶在客戶端的網(wǎng)頁中利用搜索引擎進(jìn)行搜索時，客戶端首先獲得用戶輸入的搜索詞，接著，客戶端將該搜索詞發(fā)送給搜索引擎服務(wù)器，搜索引擎服務(wù)器接收用戶輸入的搜索詞。

進(jìn)一步，在步驟102中，搜索引擎服務(wù)器獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，該推薦詞至少包含搜索詞的全部字符。具體地，可以采用現(xiàn)有技術(shù)中的模糊匹配獲取與搜索詞關(guān)聯(lián)的多個推薦詞。

例如，當(dāng)用戶輸入的搜索詞為“123”時，獲取到與“123”關(guān)聯(lián)的三個推薦詞，這三個推薦詞分別為第一推薦詞“江湖_123”、第二推薦詞“chenyuhao_123”、第三推薦詞“傲氣凌云123”，上述三個推薦詞均包含“123”。

進(jìn)一步，在步驟103中，分別獲取每個推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度。推薦詞的關(guān)注熱度為推薦詞的點擊量和推薦詞的關(guān)注用戶數(shù)中的至少一種。為提高推薦分?jǐn)?shù)的計算準(zhǔn)確度，在本申請中，優(yōu)選的，推薦詞的關(guān)注熱度包含推薦詞的點擊量和推薦詞的關(guān)注用戶數(shù)。推薦詞的分?jǐn)?shù)更新周期在第一種可選的方案中可以為預(yù)設(shè)的時間段，例如，預(yù)先設(shè)置1小時為分?jǐn)?shù)更新周期，從而，本申請將獲取推薦詞在1小時內(nèi)的點擊量和關(guān)注用戶數(shù)。推薦詞的分?jǐn)?shù)更新周期在第二種可選的方案中也可以為推薦詞從預(yù)設(shè)時間點起累計點擊量超過昨日點擊量每分鐘均值的時間段，具體來講，當(dāng)預(yù)設(shè)時間點為s時，假設(shè)截止時間點為e，點擊量為pv，昨日起始時間為e_yes，昨日結(jié)束時間為s_yes，昨日累計點擊量總和為如果：

則，分?jǐn)?shù)更新周期m為e-s。進(jìn)而，本申請將獲取推薦詞在時間段m內(nèi)的點擊量和關(guān)注用戶數(shù)。在第二種可選的方案中，分?jǐn)?shù)更新周期為動態(tài)設(shè)置的，當(dāng)服務(wù)器請求頻繁時，分?jǐn)?shù)更新周期快，當(dāng)服務(wù)器請求平緩時，分?jǐn)?shù)更新周期慢。

進(jìn)一步，在獲取各個推薦詞的推薦分?jǐn)?shù)的過程中，針對每個推薦詞而言，根據(jù)搜索詞與該推薦詞的字節(jié)數(shù)之比，以及該推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度(如推薦詞在分?jǐn)?shù)更新周期內(nèi)的點擊量和關(guān)注用戶數(shù))，獲得該推薦詞的推薦分?jǐn)?shù)，推薦分?jǐn)?shù)可以采用以下公式獲得：

score＝(search_size/total_size)*[new_pv(refresh_m)+new_follow(refresh_m)]

其中，score為推薦詞的推薦分?jǐn)?shù)，search_size為搜索詞的字節(jié)數(shù)，total_size為推薦詞的字節(jié)數(shù)，refresh_m為分?jǐn)?shù)更新周期，new_pv(refresh_m)為推薦詞在分?jǐn)?shù)更新周期內(nèi)的點擊量，new_follow(refresh_m)為推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注用戶數(shù)。其中，search_size/total_size為搜索詞占比，搜索詞占比越大，表明推薦詞與搜索詞更加相似，new_pv(refresh_m)和new_follow(refresh_m)越大，表明推薦詞的關(guān)注熱度越高，爆炸性越強，越可能是用戶想要關(guān)注的，越貼近用戶的需求。

例如，獲取到關(guān)于搜索詞“123”的關(guān)聯(lián)推薦數(shù)據(jù)如下：

針對第一推薦詞“江湖_123”，new_pv為100，new_follow為100；

針對第二推薦詞“chenyuhao_123”，new_pv為100，new_follow為50；

針對第三推薦詞“傲氣凌云123”，new_pv為50，new_follow為100。

則，由于中文字符占用兩個字節(jié)，則可以分別獲得三個推薦詞推薦分?jǐn)?shù)為：第一推薦詞的推薦分?jǐn)?shù)＝[3/(2*2+4)]*(100+100)＝75，第二推薦詞的推薦分?jǐn)?shù)＝(3/13)(100+50)＝34.62，第三推薦詞的推薦分?jǐn)?shù)＝(3/4*2+3)*(50+100)＝40.91。

進(jìn)一步，在獲得各個推薦詞的推薦分?jǐn)?shù)之后，按照預(yù)設(shè)順序，根據(jù)各個推薦詞的推薦分?jǐn)?shù)的高低，對所有推薦詞進(jìn)行排序，獲得推薦詞序列，如，按照推薦分?jǐn)?shù)由高到低的順序獲得推薦詞序列為：“江湖_123”-“傲氣凌云123”-“chenyuhao_123”，接著，從推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的推薦詞，獲得推薦詞子序列，預(yù)設(shè)數(shù)量小于或等于推薦詞的總數(shù)量，例如，預(yù)設(shè)數(shù)量為2，則推薦詞子序列為：“江湖_123”-“傲氣凌云123”，另外，預(yù)設(shè)數(shù)量也可以1，則推薦詞子序列則僅包含推薦分?jǐn)?shù)最高的一個推薦詞，如推薦詞序列為：“江湖_123”。最后，搜索引擎服務(wù)器將推薦詞子序列返回給客戶端，以使用戶根據(jù)客戶端能夠獲得該推薦詞子序列。

基于同一發(fā)明構(gòu)思，本發(fā)明還提供一種搜索推薦裝置，如圖2所示，所述裝置包括：

接收模塊201，用于接收用戶輸入的搜索詞；

獲取模塊202，用于獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

第一獲得模塊203，用于根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

第二獲得模塊204，用于根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

第三獲得模塊205，用于從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞；

返回模塊206，用于將所述推薦詞子序列返回給所述用戶。

優(yōu)選的，所述關(guān)注熱度包括點擊量和/或關(guān)注用戶數(shù)。

優(yōu)選的，采用以下公式獲取各個推薦詞的推薦分?jǐn)?shù)：

score＝(search_size/total_size)*[new_pv(refresh_m)+new_follow(refresh_m)]

其中，score為所述推薦詞的推薦分?jǐn)?shù)，search_size為所述搜索詞的字節(jié)數(shù)，total_size為所述推薦詞的字節(jié)數(shù)，refresh_m為所述分?jǐn)?shù)更新周期，new_pv(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的點擊量，new_follow(refresh_m)為所述推薦詞在所述分?jǐn)?shù)更新周期內(nèi)的關(guān)注用戶數(shù)。

基于同一發(fā)明構(gòu)思，本發(fā)明實施例還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)以下步驟：

接收用戶輸入的搜索詞；

獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列，其中，所述推薦詞子序列中包含至少一個推薦詞；

將所述推薦詞子序列返回給所述用戶。

本發(fā)明實施例還提供了一種計算機設(shè)備，如圖3所示，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分，具體技術(shù)細(xì)節(jié)未揭示的，請參照本發(fā)明實施例方法部分。該計算機設(shè)備可以為搜索引擎服務(wù)器，圖3示出的是與本發(fā)明實施例提供的計算機設(shè)備相關(guān)的部分結(jié)構(gòu)的框圖。參考圖3，該計算機設(shè)備包括：存儲器301和處理器302。本領(lǐng)域技術(shù)人員可以理解，圖3中示出的計算機設(shè)備結(jié)構(gòu)并不構(gòu)成對計算機設(shè)備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。

下面結(jié)合圖3對計算機設(shè)備的各個構(gòu)成部件進(jìn)行具體的介紹：

存儲器301可用于存儲軟件程序以及模塊，處理器302通過運行存儲在存儲器301的軟件程序以及模塊，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理。存儲器301可主要包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需的應(yīng)用程序(比如聲音播放功能、圖像播放功能等)等；存儲數(shù)據(jù)區(qū)可存儲數(shù)據(jù)(比如音頻數(shù)據(jù)、電話本等)等。此外，存儲器301可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他易失性固態(tài)存儲器件。

處理器302是計算機設(shè)備的控制中心，通過運行或執(zhí)行存儲在存儲器301內(nèi)的軟件程序和/或模塊，以及調(diào)用存儲在存儲器301內(nèi)的數(shù)據(jù)，執(zhí)行各種功能和處理數(shù)據(jù)?？蛇x的，處理器302可包括一個或多個處理單元；優(yōu)選的，處理器302可集成應(yīng)用處理器和調(diào)制解調(diào)處理器，其中，應(yīng)用處理器主要處理操作系統(tǒng)、用戶界面和應(yīng)用程序等，調(diào)制解調(diào)處理器主要處理無線通信。

在本發(fā)明實施例中，該計算機設(shè)備所包括的處理器302可以具有以下功能：

接收用戶輸入的搜索詞；

獲取與搜索詞關(guān)聯(lián)的多個推薦詞，其中，所述推薦詞至少包含所述搜索詞的全部字符；

根據(jù)所述搜索詞與所述推薦詞的字節(jié)數(shù)之比，以及所述推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，分別獲得各個推薦詞的推薦分?jǐn)?shù)；

根據(jù)各個推薦詞的推薦分?jǐn)?shù)，對所有推薦詞進(jìn)行排序，獲得推薦詞序列；

從所述推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的所述推薦詞，獲得推薦詞子序列；

將所述推薦詞子序列返回給所述用戶。

總之，本申請由于先根據(jù)搜索詞與推薦詞的字節(jié)數(shù)之比以及推薦詞在分?jǐn)?shù)更新周期內(nèi)的關(guān)注熱度，獲得各個推薦詞的推薦分?jǐn)?shù)，推薦分?jǐn)?shù)的高低能夠反映推薦詞與用戶需求的貼合程度，推薦分?jǐn)?shù)越高，則推薦詞與用戶需求的貼合程度越高，即用戶對該推薦詞越感興趣，推薦分?jǐn)?shù)越低，則推薦詞與用戶需求的貼合程度越低，即用戶對該推薦詞越不感興趣，進(jìn)而，再根據(jù)推薦分?jǐn)?shù)的高低對推薦詞排序，獲得推薦詞序列，最后從推薦詞序列中推薦分?jǐn)?shù)最高的推薦詞起截取預(yù)設(shè)數(shù)量的推薦詞獲得推薦詞子序列，并將推薦詞子序列返回給用戶，該推薦詞子序列貼近用戶的需求，能夠有效地提高搜索轉(zhuǎn)換率，即，用戶通過點擊推薦詞跳轉(zhuǎn)到下一界面的比率得到了有效提高。

在此提供的算法和顯示不與任何特定計算機、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應(yīng)當(dāng)明白，可以利用各種編程語言實現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對特定語言所做的描述是為了披露本發(fā)明的最佳實施方式。

在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實施例可以在沒有這些具體細(xì)節(jié)的情況下實踐。在一些實例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權(quán)利要求書由此明確地并入該具體實施方式，其中每個權(quán)利要求本身都作為本發(fā)明的單獨實施例。

本領(lǐng)域那些技術(shù)人員可以理解，可以對實施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們設(shè)置在與該實施例不同的一個或多個設(shè)備中?？梢园褜嵤├械哪K或單元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實施例的任意之一都可以以任意的組合方式來使用。

本發(fā)明的各個部件實施例可以以硬件實現(xiàn)，或者以在一個或者多個處理器上運行的軟件模塊實現(xiàn)，或者以它們的組合實現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實踐中使用微處理器或者數(shù)字信號處理器(dsp)來實現(xiàn)根據(jù)本發(fā)明實施例的網(wǎng)關(guān)、代理服務(wù)器、系統(tǒng)中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計算機程序和計算機程序產(chǎn)品)。這樣的實現(xiàn)本發(fā)明的程序可以存儲在計算機可讀介質(zhì)上，或者可以具有一個或者多個信號的形式。這樣的信號可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號上提供，或者以任何其他形式提供。

應(yīng)該注意的是上述實施例對本發(fā)明進(jìn)行說明而不是對本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計出替換實施例。在權(quán)利要求中，不應(yīng)將位于括號之間的任何參考符號構(gòu)造成對權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計算機來實現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現(xiàn)。單詞、第二、以及第三等的使用不表示任何順序。可將這些單詞解釋為名稱。