本發(fā)明涉及智能搜索領(lǐng)域，更具體地說，本發(fā)明涉及一種基于對象的通用智能搜索系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，企業(yè)系統(tǒng)的用戶需求日益復(fù)雜和多樣化，尤其是在業(yè)務(wù)搜索和查詢方面。傳統(tǒng)的業(yè)務(wù)搜索系統(tǒng)通?；陬A(yù)定義的搜索視圖模型來滿足用戶需求，然而，這種方法在面對不同用戶的個性化需求時顯得力不從心，用戶的歷史行為數(shù)據(jù)、使用習(xí)慣和業(yè)務(wù)場景的差異性，往往導(dǎo)致同一業(yè)務(wù)搜索視圖模型無法滿足所有用戶的需求，降低了系統(tǒng)的搜索效率和用戶體驗。

2、為了解決上述缺陷，現(xiàn)提供一種技術(shù)方案。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實施例提供一種基于對象的通用智能搜索系統(tǒng)，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于對象的通用智能搜索系統(tǒng)，具體包括相似用戶分析模塊、聚類分析模塊、用戶劃分模塊、數(shù)據(jù)分析模塊以及評估模塊，模塊之間信號連接；

4、相似用戶分析模塊，用于通過將當(dāng)前搜索用戶和其他用戶的用戶特征業(yè)務(wù)實體作為特征以向量化進(jìn)行表示，篩選當(dāng)前搜索用戶在系統(tǒng)中與其他用戶的相似用戶；

5、聚類分析模塊，用于通過用戶使用不同業(yè)務(wù)搜索視圖模型的次數(shù)進(jìn)行聚類分析，根據(jù)當(dāng)前搜索用戶所在的簇，獲得當(dāng)前搜索用戶所在簇中所有的用戶，并將當(dāng)前搜索用戶所在簇中所有的用戶標(biāo)記為同型用戶；

6、用戶劃分模塊，用于通過對同型用戶與相似用戶的對比，確定共同標(biāo)記為同型用戶和相似用戶的用戶，獲得當(dāng)前搜索用戶的備選業(yè)務(wù)搜索視圖模型；

7、數(shù)據(jù)分析模塊，用于構(gòu)建關(guān)于業(yè)務(wù)搜索視圖的圖結(jié)構(gòu)，基于當(dāng)前搜索用戶搜索內(nèi)容中的業(yè)務(wù)實體，采集關(guān)于當(dāng)前搜索用戶搜索內(nèi)容中的業(yè)務(wù)實體節(jié)點的結(jié)構(gòu)信息和使用信息；

8、評估模塊，用于評估備選業(yè)務(wù)搜索視圖模型與當(dāng)前搜索用戶的相關(guān)性評估，確定最終適合當(dāng)前搜索用戶的業(yè)務(wù)搜索視圖模型。

9、在一個優(yōu)選地實施方式中，篩選當(dāng)前搜索用戶在系統(tǒng)中與其他用戶的相似用戶，包括：

10、設(shè)置監(jiān)測區(qū)間，獲得用戶監(jiān)測區(qū)間內(nèi)的搜索歷史記錄，提取用戶搜索歷史記錄中的業(yè)務(wù)實體，設(shè)置比重閾值，獲得不同業(yè)務(wù)實體的比重，其中，通過獲得監(jiān)測區(qū)間內(nèi)的用戶搜索歷史記錄中各個業(yè)務(wù)實體數(shù)量，并獲得監(jiān)測區(qū)間內(nèi)的用戶搜索歷史記錄中用戶搜索的總次數(shù)，將監(jiān)測區(qū)間內(nèi)的用戶搜索歷史記錄中各個業(yè)務(wù)實體數(shù)量與監(jiān)測區(qū)間內(nèi)的用戶搜索歷史記錄中用戶搜索的總次數(shù)的比值作為不同業(yè)務(wù)實體的比重，將用戶不同業(yè)務(wù)實體的比重與比重閾值進(jìn)行對比，獲得大于比重閾值的業(yè)務(wù)實體，設(shè)置業(yè)務(wù)實體特征值數(shù)量，將用戶大于比重閾值的業(yè)務(wù)實體按照比重大小從大到小進(jìn)行排序，提取業(yè)務(wù)實體特征值數(shù)量的業(yè)務(wù)實體作為用戶特征業(yè)務(wù)實體；

11、將當(dāng)前搜索用戶與其他用戶進(jìn)行相似度分析，通過將當(dāng)前搜索用戶和其他用戶的用戶特征業(yè)務(wù)實體作為特征以向量化進(jìn)行表示，使用相似度計算方法，設(shè)置相似度閾值，確定與其他用戶中相似度大于相似度閾值的用戶，并將大于與其他用戶中相似度大于相似度閾值的用戶作為相似用戶。

12、在一個優(yōu)選地實施方式中，將用戶所在簇中所有的用戶標(biāo)記為同型用戶，包括：

13、對系統(tǒng)中存在的用戶使用k-means聚類算法進(jìn)行聚類分析，設(shè)置單位時間長度，基于用戶在單位時間長度使用不同業(yè)務(wù)搜索視圖模型的次數(shù)進(jìn)行聚類分析，通過將用戶在單位時間長度使用不同業(yè)務(wù)搜索視圖模型的次數(shù)通過向量進(jìn)行表示，即yhn＝[cs1，cs2，cs3，……，csi]，其中，n＝1、2、3、……、n，n為正整數(shù)，n為用戶的編號，i＝1、2、3、……、i，i為正整數(shù)，i為業(yè)務(wù)搜索視圖模型的編號，yhn為用戶的特征向量；

14、隨機選擇k個用戶分為k組，將隨機選擇的k個用戶的特征向量作為初始聚類中心；

15、計算用戶與聚類中心的歐式距離，并將用戶分配到最近的聚類中心所在的簇；

16、計算每個簇內(nèi)用戶特征向量的均值，作為新的聚類中心；

17、重復(fù)進(jìn)行上述步驟，直到聚類中心位置不再發(fā)生顯著變化，或者達(dá)到設(shè)定的迭代次數(shù)；

18、聚類結(jié)束后，獲得聚類過后的k個簇，并對聚類過后的k個簇進(jìn)行標(biāo)記，獲得用戶的類型集合；

19、根據(jù)當(dāng)前搜索用戶所在的簇，獲得當(dāng)前搜索用戶所在簇中所有的用戶，并將當(dāng)前搜索用戶所在簇中所有的用戶標(biāo)記為同型用戶。

20、在一個優(yōu)選地實施方式中，獲得當(dāng)前搜索用戶的備選業(yè)務(wù)搜索視圖模型，包括：

21、通過對同型用戶與相似用戶的對比，確定共同標(biāo)記為同型用戶和相似用戶的用戶，并將共同標(biāo)記為同型用戶和相似用戶的用戶記作類交叉識別用戶，采集類交叉識別用戶的業(yè)務(wù)搜索視圖模型，并將類交叉識別用戶的業(yè)務(wù)搜索視圖模型作為當(dāng)前搜索用戶的備選業(yè)務(wù)搜索視圖模型。

22、在一個優(yōu)選地實施方式中，采集關(guān)于當(dāng)前搜索用戶搜索內(nèi)容中的業(yè)務(wù)實體節(jié)點的結(jié)構(gòu)信息，包括：

23、將業(yè)務(wù)實體節(jié)點的結(jié)構(gòu)信息通過結(jié)構(gòu)中心程度偏差系數(shù)表示，所述結(jié)構(gòu)中心程度偏差系數(shù)的獲取邏輯為：獲取從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體，根據(jù)備選業(yè)務(wù)搜索視圖模型的圖結(jié)構(gòu)使用pagerank算法確定業(yè)務(wù)實體節(jié)點的相對重要性，初始化pagerank值，將所有節(jié)點的初始pagerank值設(shè)為相等，使用pagerank公式進(jìn)行迭代更新，公式表示為：其中，pru為業(yè)務(wù)實體節(jié)點u的相對重要性，prv為業(yè)務(wù)實體節(jié)點v的相對重要性,d為阻尼系數(shù)，n為業(yè)務(wù)實體節(jié)點的總數(shù)，bu表示指向業(yè)務(wù)實體節(jié)點u的業(yè)務(wù)實體節(jié)點集合，lv為業(yè)務(wù)實體節(jié)點v的出度；

24、獲得從用戶的搜索內(nèi)容中提取業(yè)務(wù)實體的相對重要性，并將從用戶的搜索內(nèi)容中提取業(yè)務(wù)實體的相對重要性標(biāo)記為：zym，其中，m＝1、2、3、……、m，m為正整數(shù)，m為用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體的編號；

25、計算用戶在備選業(yè)務(wù)搜索視圖模型中的相對重要性系數(shù)，計算公式為：其中，zyall為相對重要性系數(shù)；

26、根據(jù)備選業(yè)務(wù)搜索視圖模型的圖結(jié)構(gòu)，獲得從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體的接近中心性，獲得業(yè)務(wù)實體節(jié)點到所有其他節(jié)點的距離的倒數(shù)，并將業(yè)務(wù)實體節(jié)點到所有其他節(jié)點的距離的倒數(shù)作為該業(yè)務(wù)實體節(jié)點的接近中心性，將從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體的接近中心性標(biāo)記為：jjm；

27、計算用戶在備選業(yè)務(wù)搜索視圖模型中的接近中心性系數(shù)，計算公式為：其中，jjall為接近中心性系數(shù)；

28、根據(jù)備選業(yè)務(wù)搜索視圖模型的圖結(jié)構(gòu)，獲得從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體的介數(shù)中心性，獲得圖結(jié)構(gòu)中每一對業(yè)務(wù)實體節(jié)點的最短距離，獲得圖結(jié)構(gòu)中每個節(jié)點在所有最短路徑中經(jīng)過業(yè)務(wù)實體節(jié)點的路徑數(shù)量，并將圖結(jié)構(gòu)中每個節(jié)點在所有最短路徑中經(jīng)過業(yè)務(wù)實體節(jié)點的路徑數(shù)量標(biāo)記為：zdm，獲得圖結(jié)構(gòu)中的總路徑數(shù)量，并將圖結(jié)構(gòu)中的總路徑數(shù)量標(biāo)記為：lj，從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體的介數(shù)中心性的計算公式為：

29、計算用戶在備選業(yè)務(wù)搜索視圖模型中的介數(shù)中心性系數(shù)，計算公式為：其中，jsall為介數(shù)中心性系數(shù)；

30、設(shè)置相對重要性系數(shù)標(biāo)準(zhǔn)值、接近中心性系數(shù)標(biāo)準(zhǔn)值以及介數(shù)中心性系數(shù)標(biāo)準(zhǔn)值，獲得相對重要性系數(shù)標(biāo)準(zhǔn)值、接近中心性系數(shù)標(biāo)準(zhǔn)值以及介數(shù)中心性系數(shù)標(biāo)準(zhǔn)值分別與相對重要性系數(shù)、接近中心性系數(shù)以及介數(shù)中心性系數(shù)的偏差，并將相對重要性系數(shù)偏差、接近中心性系數(shù)偏差以及介數(shù)中心性系數(shù)偏差標(biāo)記為：pczy、pcjj以及pcjs；

31、計算結(jié)構(gòu)中心程度偏差系數(shù)，計算公式為：其中，pcjg為結(jié)構(gòu)中心程度偏差系數(shù)。

32、在一個優(yōu)選地實施方式中，采集關(guān)于當(dāng)前搜索用戶搜索內(nèi)容中的業(yè)務(wù)實體節(jié)點的使用信息，包括：

33、將業(yè)務(wù)實體節(jié)點的使用信息通過相對應(yīng)用權(quán)重系數(shù)表示，所述相對應(yīng)用權(quán)重系數(shù)的獲取邏輯為：獲得從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體在使用不同備選業(yè)務(wù)搜索視圖模型的次數(shù)，并將從用戶的搜索內(nèi)容中提取的業(yè)務(wù)實體在使用不同備選業(yè)務(wù)搜索視圖模型的次數(shù)標(biāo)記為：其中，g＝1、2、3、……、g，g為正整數(shù)，g為備選業(yè)務(wù)搜索視圖模型的編號；

34、需要說明的是，不同用戶在搜索過程中會使用不同的業(yè)務(wù)搜索視圖模型，通過系統(tǒng)的歷史記錄進(jìn)行統(tǒng)計，可以獲得業(yè)務(wù)實體在哪些業(yè)務(wù)搜索視圖模型中應(yīng)用的次數(shù)較多。

35、獲得業(yè)務(wù)實體在使用不同備選業(yè)務(wù)搜索視圖模型次數(shù)的標(biāo)準(zhǔn)差，并將業(yè)務(wù)實體在使用不同備選業(yè)務(wù)搜索視圖模型次數(shù)的標(biāo)準(zhǔn)差標(biāo)記為：σm，其中，

36、計算相對應(yīng)用權(quán)重系數(shù)，計算公式為：其中，yyg為備選業(yè)務(wù)搜索視圖模型g的相對應(yīng)用權(quán)重系數(shù)。

37、在一個優(yōu)選地實施方式中，最終適合當(dāng)前搜索用戶的業(yè)務(wù)搜索視圖模型，包括：

38、將結(jié)構(gòu)中心程度偏差系數(shù)和相對應(yīng)用權(quán)重系數(shù)通過加權(quán)求和計算，獲得備選業(yè)務(wù)搜索視圖模型評估系數(shù)；

39、設(shè)置備選業(yè)務(wù)搜索視圖模型評估系數(shù)閾值，將備選業(yè)務(wù)搜索視圖模型評估系數(shù)與備選業(yè)務(wù)搜索視圖模型評估系數(shù)閾值進(jìn)行對比；

40、若備選業(yè)務(wù)搜索視圖模型評估系數(shù)大于備選業(yè)務(wù)搜索視圖模型評估系數(shù)閾值，則將備選業(yè)務(wù)搜索視圖模型作為當(dāng)前搜索用戶需求的業(yè)務(wù)搜索視圖模型；

41、若存在多個當(dāng)前搜索用戶需求的業(yè)務(wù)搜索視圖模型時，則根據(jù)備選業(yè)務(wù)搜索視圖模型評估系數(shù)的大小，優(yōu)先選擇較大的備選業(yè)務(wù)搜索視圖模型評估系數(shù)的備選業(yè)務(wù)搜索視圖模型作為當(dāng)前搜索用戶需求的業(yè)務(wù)搜索視圖模型。

42、本發(fā)明的技術(shù)效果和優(yōu)點：

43、本發(fā)明通過用戶的歷史搜索內(nèi)容，篩選了相似用戶，并通過使用聚類算法將使用相同業(yè)務(wù)搜索視圖模型的用戶劃分到相應(yīng)的群組，并綜合兩種方法最終篩選出類交叉識別用戶，提高了用戶劃分的細(xì)粒度，確定了當(dāng)前搜索用戶可能選擇使用的業(yè)務(wù)搜索視圖模型，通過nlp技術(shù)提取用戶當(dāng)前搜索的關(guān)鍵性信息，結(jié)合業(yè)務(wù)搜索視圖模之間的結(jié)構(gòu)信息和使用信息，最終確定最適合當(dāng)前搜索用戶的業(yè)務(wù)搜索視圖模型，本發(fā)明有助于提高用戶體驗，提升系統(tǒng)的智能化和精確性。