CN110852078A - 生成标题的方法和装置 - Google Patents

Abstract

本发明公开了一种生成标题的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：从历史搜索数据中提取搜索关键字；对搜索关键字进行聚类，得到关键字数据集；分析关键字数据集，得到核心关键字和核心关键字的核心权值；基于核心关键字的核心权值生成标题。该实施方式能够提高命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合。

Description

生成标题的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种生成标题的方法和装置。

背景技术

随着网络的普及和计算机技术的发展，网络早已融入人们的生活，并为生活带来便利。目前，人们已习惯网络生活，通过网络购买商品、查看新闻以及搜索论文等等。

通常，用户会采用关键字的方式搜索、浏览相关产品。而各个网站平台在展示其产品(例如商品、新闻或论文等)时，为减小所占用页面或便于用户浏览等，仅展示产品的标题，该标题是根据产品的内容或特征所生成的一个简短介绍。目前，生成标题的方法主要有两种：

1.抽取式，从产品的原文中抽取生成标题的摘要句子和词，对摘要句子和词进行文本压缩，从而生成标题；

2.生成式，生成标题的摘要句子和词，对摘要句子和词进行文本压缩，从而生成标题，其中，摘要句子和词可以自由生成，而并不要求一定从原文中抽取。

目前，大多娄网站平台为了提高产品的搜索命中率，提高商品购买量、新闻阅读量或论文阅读量等，会使产品的标题最大限度地覆盖多个类别的关键字，增加标题的文本长度。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有技术所生成的标题存在不够精准、文本过长或冗余等问题，通过关键字搜索易出现搜索到的产品数量过多、或搜索到的部分产品与关键字不符等现象，命中转化率低，且用户体验差。

发明内容

有鉴于此，本发明实施例提供一种生成标题的方法和装置，能够提高命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合。

为实现上述目的，根据本发明实施例的一个方面，提供了一种生成标题的方法。

本发明实施例的一种生成标题的方法包括：从历史搜索数据中提取搜索关键字；对所述搜索关键字进行聚类，得到关键字数据集；分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值；基于所述核心关键字的核心权值生成标题。

可选地，分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值包括：计算所述关键字数据集的平均值作为核心关键字；为所述核心关键字分配初始权值；利用双向神经网络计算所述关键字数据集之间的相似度值；基于相似度值对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值。

可选地，基于相似度值对所述初始权值进行调整，得到调整权值包括：利用权值处理公式对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值；其中，所述权值处理公式为：W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

可选地，对所述搜索关键字进行聚类包括：利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型对所述搜索关键字进行聚类。

可选地，对所述搜索关键字进行聚类，得到关键字数据集包括：随机选取K个所述搜索关键字作为聚类质心点；将与聚类质心点类别相同的所述搜索关键字划分为一个关键字聚类；计算关键字聚类的平均值作为新聚类质心点；将与新聚类质心点类别相同的所述搜索关键字重新划分为一个关键字聚类；将聚类质心点不再变化或划分次数达到预设值的关键字聚类作为关键字数据集。

可选地，从历史搜索数据中提取搜索关键字包括：对历史搜索数据进行聚类，得到历史数据集；计算所述历史数据集的平均值作为搜索关键字。

可选地，所述方法还包括：基于实时搜索数据提取实时关键字；对所述实时关键字进行聚类，得到实时数据集；分析所述实时数据集，得到校验关键字和所述校验关键字的校验权值；基于所述校验关键字的校验权值校验或调整标题。

为实现上述目的，根据本发明实施例的另一方面，提供了一种生成标题的装置。

本发明实施例的一种生成标题的装置包括：提取模块，用于从历史搜索数据中提取搜索关键字；聚类模块，用于对所述搜索关键字进行聚类，得到关键字数据集；分析模块，用于分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值；生成模块，用于基于所述核心关键字的核心权值生成标题。

可选地，所述分析模块还用于：计算所述关键字数据集的平均值作为核心关键字；为所述核心关键字分配初始权值；利用双向神经网络计算所述关键字数据集之间的相似度值；基于相似度值对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值。

可选地，所述分析模块进一步用于：利用权值处理公式对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值；其中，所述权值处理公式为：W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

可选地，所述聚类模块还用于：利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型对所述搜索关键字进行聚类。

可选地，所述聚类模块还用于：随机选取K个所述搜索关键字作为聚类质心点；将与聚类质心点类别相同的所述搜索关键字划分为一个关键字聚类；计算关键字聚类的平均值作为新聚类质心点；将与新聚类质心点类别相同的所述搜索关键字重新划分为一个关键字聚类；将聚类质心点不再变化或划分次数达到预设值的关键字聚类作为关键字数据集。

可选地，所述提取模块还用于：对历史搜索数据进行聚类，得到历史数据集；计算所述历史数据集的平均值作为搜索关键字。

可选地，所述装置还包括：校验模块，用于基于实时搜索数据提取实时关键字；对所述实时关键字进行聚类，得到实时数据集；分析所述实时数据集，得到校验关键字和所述校验关键字的校验权值；基于所述校验关键字的校验权值校验或调整标题。

为实现上述目的，根据本发明实施例的又一方面，提供了一种生成标题的电子设备。

本发明实施例的一种生成标题的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种生成标题的方法。

为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。

本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种生成标题的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用从历史搜索数据中提取搜索关键字；对搜索关键字进行聚类，得到关键字数据集；分析关键字数据集，得到核心关键字和核心关键字的核心权值；基于核心关键字的核心权值生成标题的技术手段，根据真实的用户操作行为生成标题，所以克服了标题不够精准、文本过长或冗余等，命中转化率低，且用户体验差的技术问题，进而达到提高了命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的生成标题的方法的主要步骤的示意图；

图2是根据本发明一个可参考实施例的生成标题的方法的主要流程的示意图；

图3是根据本发明一个可参考实施例的对搜索关键字进行聚类的主要流程的示意图；

图4是根据本发明实施例的生成标题的装置的主要模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。

图1是根据本发明实施例的生成标题的方法的主要步骤的示意图。

如图1所示，本发明实施例的生成标题的方法主要包括以下步骤：

步骤S101：从历史搜索数据中提取搜索关键字。

现有技术中，为了最大限度地覆盖关键字，所生成的标题通常文本较长且内容冗余，易出现搜索到的大部分产品与关键字不符，用户体验差。并且，由于标题的文本过长或冗余等，通过关键字搜索易出现搜索到的产品数量过多，容易降低命中转化率。

通常，产品的标题能够在很大程度上影响产品的命中转化率，标题的不够精准、文本过长或标题过于简短都可能降低命中转化率。命中转化率是指用户通过关键词搜索到产品，并进行购买、查看或收藏等操作的概率。为提高用户体验，以及命中转化率，本发明实施例提出一种生成标题的方法，根据真实的用户操作行为生成标题。

为了使用户能够快速且精准地找到预期产品，即保证生成的标题包含用户关注的产品特征，且与产品的内容相符合，本发明实施例从与产品对应的历史搜索数据中提取搜索关键字，历史搜索数据即用户搜索的内容(关键词)，用户通过搜索某个关键词找到该产品后，对该产品进行了购买、查看或收藏等操作，则该关键词即为该产品的历史搜索数据，例如用户搜索“计算机论文”后，收藏了搜索结果中的“A论文”，则“计算机论文”可以作为产品“A论文”的历史搜索数据。此外，对于从历史搜索数据中提取搜索关键字，可以对历史搜索数据中的关键字进行统计，得到各关键字的搜索频率，选择搜索频率高的几个关键字作为搜索关键字；也可以基于某些算法模型从历史搜索数据中提取搜索关键字，例如人工智能学习系统(TensorFlow)框架，TensorFlow是一种将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的框架。

在本发明实施例中，步骤S101可以通过以下方式实现：对历史搜索数据进行聚类，得到历史数据集；计算历史数据集的平均值作为搜索关键字。

聚类是指识别出数据内在的规则，按照这些规则把数据分成若干类。其中，对历史搜索数据进行聚类是对历史搜索数据进行分类，每一个聚类中的历史搜索数据组成一个历史数据集，且同一个历史数据集的历史搜索数据之间具有较高的相似度值，不同历史数据集的历史搜索数据之间具有较低的相似度值。历史数据集的平均值是指：历史数据集中与聚类中心的距离最小的历史搜索数据，即最靠近聚类中心的历史搜索数据。历史搜索数据与聚类中心的距离可以采用闵可夫斯基距离、曼哈顿距离或切比雪夫距离等进行度量。

步骤S102：对搜索关键字进行聚类，得到关键字数据集。

通过步骤S101提取的搜索关键字，可以对其进行分类，将相同类别的搜索关键词放到同一个关键字数据集中。

在本发明实施例中，对搜索关键字进行聚类可以采用以下方式：利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型等对搜索关键字进行聚类。

其中，K-均值算法(k-Means)是将n个搜索关键字划分为K个聚类以使得所获得的聚类满足：同一聚类中的搜索关键字的相似度值较高；而不同聚类中的搜索关键字的相似度值较小。K-中心点算法(K-MEDOIDS)是选取一个搜索关键字作为中心点，通过该中心点标识了这个聚类，根据搜索关键字的类别将其余搜索关键字分配到相应的聚类。基于密度的聚类算法(DBSCAN)是找到密度相连搜索关键字的最大集合。高斯混合模型(GMM)是给出每个搜索关键字属于各个聚类的概率，将搜索关键字分配到最高概率对应的聚类。

在本发明实施例中，步骤S102可以通过以下方式实现：随机选取K个搜索关键字作为聚类质心点；将与聚类质心点类别相同的搜索关键字划分为一个关键字聚类；计算关键字聚类的平均值作为新聚类质心点；将与新聚类质心点类别相同的搜索关键字重新划分为一个关键字聚类；将聚类质心点不再变化或迭代次数达到预设值的关键字聚类作为关键字数据集。

不同的搜索关键字对于同一产品有不同的聚类质心点，选择不同的聚类质心点所得到的关键字聚类可能也不相同，因此，可以根据前次聚类的结果重新选择聚类质心点再次进行聚类，直到关键字聚类相对稳定(即聚类质心点不再变化)或重复聚类的次数(即迭代次数)达到预设值为止。关键字聚类的平均值是指：关键字聚类中与聚类中心的距离最小的搜索关键字，即最靠近聚类中心的搜索关键字。迭代是指重复执行一系列运算步骤，从前面的量依次求出后面的量的过程。通过以上方法可以计算出最终的聚类内容(即关键字数据集)。

步骤S103：分析关键字数据集，得到核心关键字和核心关键字的核心权值。

其中，核心关键字是最能代表关键字数据集的类别的数据。分析关键字数据集能够找出某一类别的搜索关键字中，最能体现用户预期的一个搜索关键字，该搜索关键字即为核心关键字。核心权值能够体现核心关键字对用户实施购买、查看或收藏等操作的决策的贡献所占比例，即核心关键字对用户决策的影响程度。

在本发明实施例中，步骤S103可以通过以下方式实现：计算关键字数据集的平均值作为核心关键字；为核心关键字分配初始权值；利用双向神经网络计算关键字数据集之间的相似度值；基于相似度值对初始权值进行调整，得到调整权值，选择最大的调整权值作为核心权值。

关键字数据集的平均值是指：关键字数据集中与聚类中心的距离最小的搜索关键字，即最靠近聚类中心的搜索关键字。步骤S102中针对不同的搜索关键字进行聚类，但关键字数据集之间的相互关系(即搜索关键字之间的相互关系)并不明确，因此，可以利用双向神经网络对关键字数据集之间的相互关系进行分析，利用该双向神经网络还可以计算出核心关键字的核心权值。其中，为核心关键字分配的初始权值可以是该核心关键字在关键字数据集中的比例，也可以是该核心关键字的类别对用户决策的影响程度等。相似度值是任意两个关键字数据集之间的相互关系的量化，而每个关键字数据集可能对应有多个相似度值，因此，对初始权值进行调整可能得到多个调整权值，可以选择最大的调整权值作为核心关键字的核心权值。

在本发明实施例中，基于相似度值对初始权值进行调整，得到调整权值可以采用以下方式：利用权值处理公式对初始权值进行调整，得到调整权值，选择最大的调整权值作为核心权值。其中，权值处理公式为：W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。调整的自变量可以根据实际需要或以往经验确定。通过相似度值可以大概确定关键字数据集之间的联系，且通过相似度值的大小可以确定哪些核心关键字的初始权值需要被增大或减小。

步骤S104：基于核心关键字的核心权值生成标题。

在得到核心关键字的核心权值后，可以选择核心权值较大的预设个数据的核心关键字组成产品的标题，也可以选择核心权值超过预设值的核心关键字组成产品的标题，还可以选择核心权值较大的几个核心关键字基于一定的算法生成产品的标题等等。

在本发明实施例中，生成标题的方法还可以包括：基于实时搜索数据提取实时关键字；对实时关键字进行聚类，得到实时数据集；分析实时数据集，得到校验关键字和校验关键字的校验权值；基于校验关键字的校验权值校验或调整标题。

步骤S101-步骤S104是基于历史搜索数据生成标题的，是基于用户操作行为的一种预测，所生成的标题也属于一种预测，因此，还可以收集实时搜索数据，基于一定量级的实时搜索数据或一定时期内的实时搜索数据，对所生成的标题进行校验或调整，如果调整关键字与核心关键字、调整关键字的调整权值与核心关键字的核心权值均相同，则所生成的标题基本符合用户预期，不需要调整；如果调整关键字与核心关键字、或调整关键字的调整权值与核心关键字的核心权值不同，则可以重新生成标题、调整标题的词语顺序或更换标题的词语等。对于实时搜索数据的分析处理过程可以采用与步骤S101-步骤S104相同的方法。

根据本发明实施例的生成标题的方法可以看出，因为采用从历史搜索数据中提取搜索关键字；对搜索关键字进行聚类，得到关键字数据集；分析关键字数据集，得到核心关键字和核心关键字的核心权值；基于核心关键字的核心权值生成标题的技术手段，根据真实的用户操作行为生成标题，所以克服了标题不够精准、文本过长或冗余等，命中转化率低，且用户体验差的技术问题，进而达到提高了命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合的技术效果。

图2是根据本发明一个可参考实施例的生成标题的方法的主要流程的示意图。

如图2所示，本发明实施例的生成标题的方法可以按以下流程实现：

步骤S201：获取产品的历史搜索数据：

历史搜索数据即用户搜索的关键词，用户通过搜索某个关键词找到该产品后，对该产品进行了购买、查看或收藏等操作，则该关键词即为该产品的历史搜索数据。

步骤S202：从产品的历史搜索数据中提取搜索关键字：

可以对历史搜索数据进行聚类，将每一个聚类中的历史搜索数据组成一个历史数据集，计算历史数据集的平均值，该历史数据集的平均值即为搜索关键字。

步骤S203：对搜索关键字进行聚类，得到关键字数据集：

通过步骤S202提取的搜索关键字，可以对其进行分类，将相同类别的搜索关键词放到同一个关键字数据集中。需要说明的是，对搜索关键字进行聚类，可以使用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型等聚类算法实现。

步骤S204：分析关键字数据集：

分析关键字数据集能够得到核心关键字和核心关键字的核心权值。其中，计算关键字数据集的平均值作为得到核心关键字。利用双向神经网络对关键字数据集之间的相互关系进行分析，可以得到关键字数据集之间的相似度值，利用权值处理公式对初始权值进行调整，得到调整权值，选择最大的调整权值作为核心权值，权值处理公式为：W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

步骤S205：基于核心关键字的核心权值为产品生成标题。

在步骤S204得到核心关键字的核心权值后，可以选择核心权值较大的预设个数据的核心关键字组成产品的标题，也可以选择核心权值超过预设值的核心关键字组成产品的标题，还可以选择核心权值较大的几个核心关键字基于一定的算法生成产品的标题等等。

步骤S206：基于实时搜索数据，对所生成的标题进行校验或调整：

基于一定量级的实时搜索数据或一定时期内的实时搜索数据，可以对所生成的标题进行校验或调整，如果调整关键字与核心关键字、调整关键字的调整权值与核心关键字的核心权值均相同，则所生成的标题基本符合用户预期，不需要调整；如果调整关键字与核心关键字、或调整关键字的调整权值与核心关键字的核心权值不同，则可以重新生成标题、调整标题的词语顺序或更换标题的词语等。需要说明的是，对于实时搜索数据的分析处理过程可以采用与步骤S202-步骤S205相同的方法。

图3是根据本发明一个可参考实施例的对搜索关键字进行聚类的主要流程的示意图。

如图3所示，本发明实施例的生成标题的方法中对搜索关键字进行聚类可以按以下流程实现：

步骤S301：随机选取K个搜索关键字作为聚类质心点：

K表示预先指定的关键字聚类的数量。

步骤S302：将与聚类质心点类别相同的搜索关键字划分为一个关键字聚类，得到K个关键字聚类：

对于每一个搜索关键字，利用以下公式计算其应该属于的关键字聚类：

其中，c⁽ⁱ⁾代表K个关键字聚类中聚类质心点与搜索关键字距离最小的一个关键字聚类，

表示使聚类质心点与搜索关键字的距离取最小值的所有自变量j的集合，x⁽ⁱ⁾表示一个搜索关键字，μ_j表示搜索关键字(x⁽ⁱ⁾)所属于的关键字聚类的聚类质心点。

步骤S303：计算关键字聚类的平均值作为新聚类质心点：

对于每一个关键字聚类，利用以下公式重新计算该关键字聚类的聚类质心点，得到新聚类质心点：

其中，μ_j表示搜索关键字(x⁽ⁱ⁾)所属于的关键字聚类的聚类质心点，m表示关键字聚类中关键字聚类的数量，c⁽ⁱ⁾代表K个关键字聚类中聚类质心点与搜索关键字距离最小的一个关键字聚类，x⁽ⁱ⁾表示一个搜索关键字。

步骤S304：将与新聚类质心点类别相同的搜索关键字重新划分为一个关键字聚类。

步骤S305：判断步骤S303中的新聚类质心点与步骤S301中的聚类质心点是否相同、或迭代次数是否达到预设值；若相同或已达到预设值，则执行步骤S306；若不同且未达到预设值，则执行步骤S303。

步骤S306：将步骤S304中的关键字聚类作为关键字数据集：

聚类质心点不再变化或迭代次数达到预设值表示关键字聚类已相对稳定，此时，可以将该关键字聚类作为关键字数据集。

图4是根据本发明实施例的生成标题的装置的主要模块的示意图。

如图4所示，本发明实施例的生成标题的装置200包括：提取模块401、聚类模块402、分析模块403和生成模块404。

其中，

提取模块401，用于从历史搜索数据中提取搜索关键字；

聚类模块402，用于对所述搜索关键字进行聚类，得到关键字数据集；

分析模块403，用于分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值；

生成模块404，用于基于所述核心关键字的核心权值生成标题。

在本发明实施例中，所述分析模块403还可以用于：计算所述关键字数据集的平均值作为核心关键字；为所述核心关键字分配初始权值；利用双向神经网络计算所述关键字数据集之间的相似度值；基于相似度值对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值。

在本发明实施例中，所述分析模块403可以进一步用于：利用权值处理公式对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值；其中，所述权值处理公式为：W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

在本发明实施例中，所述聚类模块402还可以用于：利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型对所述搜索关键字进行聚类。

在本发明实施例中，所述聚类模块402还可以用于：随机选取K个所述搜索关键字作为聚类质心点；将与聚类质心点类别相同的所述搜索关键字划分为一个关键字聚类；计算关键字聚类的平均值作为新聚类质心点；将与新聚类质心点类别相同的所述搜索关键字重新划分为一个关键字聚类；将聚类质心点不再变化或划分次数达到预设值的关键字聚类作为关键字数据集。

在本发明实施例中，所述提取模块401还可以用于：对历史搜索数据进行聚类，得到历史数据集；计算所述历史数据集的平均值作为搜索关键字。

此外，所述装置还可以包括：校验模块(图中并未示出)，用于基于实时搜索数据提取实时关键字；对所述实时关键字进行聚类，得到实时数据集；分析所述实时数据集，得到校验关键字和所述校验关键字的校验权值；基于所述校验关键字的校验权值校验或调整标题。

根据本发明实施例的生成标题的装置可以看出，因为采用从历史搜索数据中提取搜索关键字；对搜索关键字进行聚类，得到关键字数据集；分析关键字数据集，得到核心关键字和核心关键字的核心权值；基于核心关键字的核心权值生成标题的技术手段，根据真实的用户操作行为生成标题，所以克服了标题不够精准、文本过长或冗余等，命中转化率低，且用户体验差的技术问题，进而达到提高了命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合的技术效果。

图5示出了可以应用本发明实施例的生成标题的方法或生成标题的装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。

需要说明的是，本发明实施例所提供的生成标题的方法一般由服务器505执行，相应地，生成标题的装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括提取模块、聚类模块、分析模块和生成模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，提取模块还可以被描述为“从历史搜索数据中提取搜索关键字的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101：从历史搜索数据中提取搜索关键字；步骤S102：对搜索关键字进行聚类，得到关键字数据集；步骤S103：分析关键字数据集，得到核心关键字和核心关键字的核心权值；步骤S104：基于核心关键字的核心权值生成标题。

根据本发明实施例的技术方案，因为采用从历史搜索数据中提取搜索关键字；对搜索关键字进行聚类，得到关键字数据集；分析关键字数据集，得到核心关键字和核心关键字的核心权值；基于核心关键字的核心权值生成标题的技术手段，根据真实的用户操作行为生成标题，所以克服了标题不够精准、文本过长或冗余等，命中转化率低，且用户体验差的技术问题，进而达到提高了命中转化率和用户体验；所生成的标题精准地包含了用户关注的产品特征，且与产品的内容相符合的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (16)

1.一种生成标题的方法，其特征在于，包括：

从历史搜索数据中提取搜索关键字；

对所述搜索关键字进行聚类，得到关键字数据集；

分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值；

基于所述核心关键字的核心权值生成标题。

2.根据权利要求1所述的方法，其特征在于，分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值包括：

计算所述关键字数据集的平均值作为核心关键字；

为所述核心关键字分配初始权值；

利用双向神经网络计算所述关键字数据集之间的相似度值；

基于相似度值对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值。

3.根据权利要求2所述的方法，其特征在于，基于相似度值对所述初始权值进行调整，得到调整权值包括：

利用权值处理公式对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值；

其中，所述权值处理公式为：

W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

4.根据权利要求1所述的方法，其特征在于，对所述搜索关键字进行聚类包括：

利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型对所述搜索关键字进行聚类。

5.根据权利要求1所述的方法，其特征在于，对所述搜索关键字进行聚类，得到关键字数据集包括：

随机选取K个所述搜索关键字作为聚类质心点；

将与聚类质心点类别相同的所述搜索关键字划分为一个关键字聚类；

计算关键字聚类的平均值作为新聚类质心点；

将与新聚类质心点类别相同的所述搜索关键字重新划分为一个关键字聚类；

将聚类质心点不再变化或划分次数达到预设值的关键字聚类作为关键字数据集。

6.根据权利要求1所述的方法，其特征在于，从历史搜索数据中提取搜索关键字包括：

对历史搜索数据进行聚类，得到历史数据集；

计算所述历史数据集的平均值作为搜索关键字。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述方法还包括：

基于实时搜索数据提取实时关键字；

对所述实时关键字进行聚类，得到实时数据集；

分析所述实时数据集，得到校验关键字和所述校验关键字的校验权值；

基于所述校验关键字的校验权值校验或调整标题。

8.一种生成标题的装置，其特征在于，包括：

提取模块，用于从历史搜索数据中提取搜索关键字；

聚类模块，用于对所述搜索关键字进行聚类，得到关键字数据集；

分析模块，用于分析所述关键字数据集，得到核心关键字和所述核心关键字的核心权值；

生成模块，用于基于所述核心关键字的核心权值生成标题。

9.根据权利要求8所述的装置，其特征在于，所述分析模块还用于：

计算所述关键字数据集的平均值作为核心关键字；

为所述核心关键字分配初始权值；

利用双向神经网络计算所述关键字数据集之间的相似度值；

基于相似度值对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值。

10.根据权利要求9所述的装置，其特征在于，所述分析模块进一步用于：

利用权值处理公式对所述初始权值进行调整，得到调整权值，选择最大的所述调整权值作为核心权值；

其中，所述权值处理公式为：

W＝v+α(x-v)；W是调整权值，v是初始权值，x是调整的自变量，α是相似度值。

11.根据权利要求8所述的装置，其特征在于，所述聚类模块还用于：

利用K-均值算法、K-中心点算法、基于密度的聚类算法或高斯混合模型对所述搜索关键字进行聚类。

12.根据权利要求8所述的装置，其特征在于，所述聚类模块还用于：

随机选取K个所述搜索关键字作为聚类质心点；

将与聚类质心点类别相同的所述搜索关键字划分为一个关键字聚类；

计算关键字聚类的平均值作为新聚类质心点；

将与新聚类质心点类别相同的所述搜索关键字重新划分为一个关键字聚类；

将聚类质心点不再变化或划分次数达到预设值的关键字聚类作为关键字数据集。

13.根据权利要求8所述的装置，其特征在于，所述提取模块还用于：

对历史搜索数据进行聚类，得到历史数据集；

计算所述历史数据集的平均值作为搜索关键字。

14.根据权利要求8-13中任一所述的装置，其特征在于，所述装置还包括：

校验模块，用于基于实时搜索数据提取实时关键字；对所述实时关键字进行聚类，得到实时数据集；分析所述实时数据集，得到校验关键字和所述校验关键字的校验权值；基于所述校验关键字的校验权值校验或调整标题。

15.一种生成标题的电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images