CN106557554B - 基于人工智能的搜索结果的显示方法和装置 - Google Patents

Abstract

本发明提出一种基于人工智能的搜索结果的显示方法和装置，其中，该搜索结果的显示方法包括：根据输入的搜索词获取搜索结果；采用预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度；根据每个分词与搜索词的相关程度确定搜索结果中每个分词的突出显示程度；根据每个分词的突出显示程度突出显示搜索结果中的每个分词。本发明的基于人工智能的搜索结果的显示方法，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

Description

基于人工智能的搜索结果的显示方法和装置

技术领域

本发明涉及自然语言处理技术领域，特别涉及一种基于人工智能的搜索结果的显示方法和装置。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，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，该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。

目前，随着互联网技术的快速发展，搜索引擎已经成为人们获取信息的重要工具。当用户在搜索引擎输入搜索词(query)时，搜索引擎会迅速返回该搜索词对应的搜索结果页。另外，为了方便用户在搜索结果页中迅速定位到所想要的结果，可对搜索结果页中将用户输入的关键词或者近义词进行高亮显示，其他搜索结果页中的词的显示效果一样。然而，通常搜索结果页中的某些词也能反映用户想搜索的内容，直接以高亮或者不高亮形式显示，搜索结果页单一没有层次感，不能体现出搜索结果页与搜索词的相关程度。

发明内容

本发明旨在至少在一定程度上解决上述技术问题。

为此，本发明的第一个目的在于提出一种基于人工智能的搜索结果的显示方法，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

本发明的第二个目的在于提出一种基于人工智能的搜索结果的显示装置。

为达上述目的，根据本发明第一方面实施例提出了一种基于人工智能的搜索结果的显示方法，包括以下步骤：根据输入的搜索词获取搜索结果；采用预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度；根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度；根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词。

本发明实施例的基于人工智能的搜索结果的显示方法，在根据输入的搜索词获取搜索结果后，通过预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度，并根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度，以及根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词。由此，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

本发明第二方面实施例提出了一种基于人工智能的搜索结果的显示装置，包括：第一获取模块，用于根据输入的搜索词获取搜索结果；第二获取模块，用于采用预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度；确定模块，用于根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度；显示模块，用于根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词。

本发明实施例的基于人工智能的搜索结果的显示装置，在根据输入的搜索词获取搜索结果后，通过预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度，并根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度，以及根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词。由此，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于人工智能的搜索结果的显示方法的流程图；

图2为根据本发明一个实施例的步骤S12的细化流程图；

图3为根据本发明另一个实施例的基于人工智能的搜索结果的显示方法的流程图；

图4为根据本发明一个实施例的基于人工智能的搜索结果的显示装置的结构示意图；

图5为根据本发明另一个实施例的基于人工智能的搜索结果的显示装置的结构示意图；

图6为根据本发明又一个实施例的基于人工智能的搜索结果的显示装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“多个”指两个或两个以上；术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

下面参考附图描述根据本发明实施例的基于人工智能的搜索结果的显示方法和装置。

图1为根据本发明一个实施例的基于人工智能的搜索结果的显示方法的流程图。

如图1所示，根据本发明实施例的基于人工智能的搜索结果的显示方法，包括以下步骤。

S11，根据输入的搜索词获取搜索结果。

具体地，在用户通过搜索引擎进行搜索时，搜索引擎可提供搜索入口，并通过搜索入口接收用户输入的包括搜索词的搜索请求。

其中，搜索词(即query)可以是各种语言的字符(如文字、拼音、符号和/或数字等)中的一种或者它们的组合。

搜索引擎在接收到用户输入的搜索词后，获取与搜索词有关的多个搜索结果。

其中，搜索结果包括标题和摘要。

S12，采用预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度。

在本发明的一个实施例中，步骤S12的细化过程，如图2所示，可以包括以下步骤：

S121，采用预先训练的注意力模型获取搜索结果中每个分词的第一表示向量。

具体地，在获取与搜索词的搜索结果后，对于每个搜索结果，可对搜索结果进行分词处理，以生成搜索结果的词序列，并根据预设神经网络和搜索结果的词序列生成搜索结果中每个分词的第一表示向量。

其中，需要理解的是，搜索结果的词序列中的每个词都是预先定义的词表中的一个词。

其中，预设神经网络例如是RNN(Recurrent neural Network，循环神经网络)网络、LSTM网络(Long Short-Term Memory，长短时神经网络)等。

作为一种示例性的实施方式，假设预设神经网络为RNN网络，可将搜索结果的词序列按照时间序列输入RNN网络的输入层，然后，RNN网络的词向量层表示每个分词所对应的词向量。其中，词向量是一个长度为EMBEDDING_SIZE的列向量。RNN网络的隐藏层表示RNN网络在每个时间点i时的状态，是一个长度为HIDDEN_SIZE的列向量h_i。

在本发明的一个实施例中，为了可以增加神经网络的记忆，可根据预设神经网络和搜索结果的词序列生成搜索结果中每个分词的第一子表示向量，然后，将搜索结果的词序列中的词的顺序进行颠倒，以生成搜索结果的第一词序列，并根据第一词序列和预设神经网络生成搜索结果中每个分词的第二子表示向量，最后，根据第一子表示向量和第二子表示向量生成搜索结果每个分词的第一表示向量。

举例而言，假设搜索结果由T个分词组成，记为：Text＝(w₁,…,w_T)，假设通过RNN神经网络的隐藏层获取搜索结果的正向的词序列中第i个分词的第一子表示向量为h_i，通过RNN神经网络的隐藏层获取搜索结果的反向的词序列中第i个分词的第二子表示向量为rh_i，第i个分词的第一表示向量H_i＝Concat(hi,rhi)。其中，搜索结果的表示向量序列为H1，H2,…HT。

S122，采用预先训练的注意力模型获取搜索词的第二表示向量。

其中，需要说明的是，步骤S121和S122的执行不分先后。

在获取搜索词后，可对搜索词进行分词处理，以生成搜索词的词序列，并根据预设神经网络和搜索词的词序列生成搜索词中每个分词的第二表示向量。

其中，搜索词可由至少一个分词组成，在搜索词由多个分词组成时，在通过预设神经网络确定搜索词的第二表示向量时，可将搜索词中最后一个分词的表示向量作为搜索词的第二表示向量，以计算搜索结果中每个分词与搜索词整体的相关程度。

另外，在本发明的一个实施例中，在通过预设神经网络确定搜索词的第二表示向量时，也可以将搜索词的所有分词的表示向量逐元素相加所获得的表示向量作为搜索词的第二表示向量。

S123，根据第二表示向量和第一表示向量获取搜索结果中每个分词与搜索词的相关程度。

具体地，在获取搜索词中每个分词的第二表示向量和搜索词的第一表示向量后，可计算第一表示向量与每个分词的第二表示向量的向量余弦值。

在本发明的一个实施例中，对第一表示向量和第二表示向量进行线性变换，以获取第一处理向量和第二处理向量，然后，对第一处理向量和第二处理向量进行余弦计算，获取搜索结果中每个分词与搜索词的相关程度。由此，通过对表示向量进行线性变换减少了表示向量中的冗余信息对后续计算的影响，降低了计算的复杂性，提高了后续相关度计算的效率和准确度。

S13，根据每个分词与搜索词的相关程度确定搜索结果中每个分词的突出显示程度。

其中，需要理解的是，不同相关程度对应的突出显示程度不同。

S14，根据每个分词的突出显示程度突出显示搜索结果中的每个分词。

即，在为用户提供搜索结果时，搜索结果页中以不同的突出显示程度来显示每个分词。

例如，以黄色高亮显示搜索结果，假设预设设置相关程度越高，高亮的颜色越深，可根据搜索结果中每个分词与搜索词的相关程度来确定高亮颜色的深浅，并在搜索结果页中以不同深浅的黄色来高亮显示搜索结果中的分词。

综上可以看出，本发明实施例的基于人工智能的搜索结果的显示方法，在根据输入的搜索词获取搜索结果后，通过预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度，并根据每个分词与搜索词的相关程度确定搜索结果中每个分词的突出显示程度，以及根据每个分词的突出显示程度突出显示搜索结果中的每个分词。由此，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

在本发明的一个实施例中，在根据输入的搜索词获取搜索结果之前，可获取训练数据，并根据样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题对注意力模型进行训练。

其中，训练数据包括样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题。

其中，训练数据是从用户的查询日志中获取的。

其中，被标注为正例的样本搜索结果是被点击过的搜索结果。

其中，被标注为负例的样本搜索结果是被未点击过的搜索结果。

具体地，可获取样本搜索词的固定表示和样本搜索结果的标题的固定表示，然后使用成对Pairwise的方式来训练注意力模型的参数，具体的是使用基于梯度的算法，在计算集群上进行计算来得到注意力模型。

图3为根据本发明一个实施例的基于人工智能的搜索结果的显示方法的流程图。

如图3所示，根据本发明实施例的基于人工智能的搜索结果的显示方法，包括以下步骤。

S31，根据输入的搜索词获取搜索结果。

S32，采用预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度。

在本发明的一个实施例中，可采用预先训练的注意力模型获取搜索结果中每个分词的第一表示向量，采用预先训练的注意力模型获取搜索词的第二表示向量，根据第二表示向量和第一表示向量获取搜索结果中每个分词与搜索词的相关程度。

在本发明的一个实施例中，对第一表示向量和第二表示向量进行线性变换，获取第一处理向量和第二处理向量，然后，对第一处理向量和第二处理向量进行余弦计算，获取搜索结果中每个分词与搜索词的相关程度。

S33，根据每个分词与搜索词的相关程度确定搜索结果中每个分词的高亮程度。

其中，需要理解的是，不同相关程度对应的突出显示程度不同。

S34，根据每个分析的高亮程度对搜索结果中的每个分词进行高亮显示。

例如，以黄色高亮显示搜索结果，假设预设设置相关程度越高，高亮的颜色越深，可根据搜索结果中每个分词与搜索词的相关程度来确定高亮颜色的深浅，并在搜索结果页中以不同深浅的黄色来高亮显示搜索结果中的分词。

综上可以看出，本发明实施例的基于人工智能的搜索结果的显示方法，在根据输入的搜索词获取搜索结果后，通过预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度，并根据每个分词与搜索词的相关程度确定搜索结果中每个分词的高亮显示程度，以及根据每个分词的高亮显示程度高亮显示搜索结果中的每个分词。由此，在搜索结果页中以不同高亮显示程序高亮显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同高亮显示程度了解搜索结果中的分词与搜索词的相关程度。

为了实现上述实施例，本发明还提出一种基于人工智能的搜索结果的显示装置。

图4为根据本发明一个实施例的基于人工智能的搜索结果的显示装置的结构示意图。

如图4所示，根据本发明实施例的基于人工智能的搜索结果的显示装置，包括第一获取模块110、第二获取模块120、确定模块130和显示模块140，其中：

第一获取模块110用于根据输入的搜索词获取搜索结果。

第二获取模块120用于采用预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度。

确定模块130用于根据每个分词与搜索词的相关程度确定搜索结果中每个分词的突出显示程度。

显示模块140用于根据每个分词的突出显示程度突出显示搜索结果中的每个分词。

在本发明的一个实施例中，在图4所示的基础上，如图5所示，第二获取模块120包括第一获取单元121、第二获取单元122和第三获取单元123，其中：

第一获取单元121用于采用预先训练的注意力模型获取搜索结果中每个分词的第一表示向量。

第二获取单元122用于采用预先训练的注意力模型获取搜索词的第二表示向量。

第三获取单元123用于根据第二表示向量和第一表示向量获取搜索结果中每个分词与搜索词的相关程度。

在本发明的一个实施例中，将搜索词中最后一个分词的表示向量作为搜索词的第二表示向量，或者，将搜索词的所有分词的表示向量逐元素相加所获得的表示向量作为搜索词的第二表示向量。

在本发明的一个实施例中第三获取单元123具体用于：

对第一表示向量和第二表示向量进行线性变换，获取第一处理向量和第二处理向量。

对第一处理向量和第二处理向量进行余弦计算，获取搜索结果中每个分词与搜索词的相关程度。

在本发明的一个实施例中，确定模块130具体用于：根据每个分词与搜索词的相关程度确定搜索结果中每个分词的高亮程度。

在本发明的一个实施例中，显示模块140具体用于：根据每个分析的高亮程度对搜索结果中的每个分词进行高亮显示。

在本发明的一个实施例中，在图4所示的基础上，如图6所示，该装置还可以包括第三获取模块150和训练模块160，其中：

第三获取模块150用于获取训练数据，其中，训练数据包括样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题。

训练模块160用于根据样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题对注意力模型进行训练。

其中，需要说明的是，图6所示的装置实施例中的第三获取模块150和训练模块160的结构也可以包含在图5所示的装置实施例中，本发明对此不作限定。

其中，需要说明的是，前述对基于人工智能的搜索结果的显示方法的解释说明也适用于该实施例的基于人工智能的搜索结果的显示装置，此处不再赘述。

本发明实施例的基于人工智能的搜索结果的显示装置，在根据输入的搜索词获取搜索结果后，通过预先训练的注意力模型，获取搜索结果中每个分词与搜索词的相关程度，并根据每个分词与搜索词的相关程度确定搜索结果中每个分词的突出显示程度，以及根据每个分词的突出显示程度突出显示搜索结果中的每个分词。由此，在搜索结果页中以不同突出显示程序突出显示了搜索结果中每个分词，为用户提供了具有层次感的搜索结果页，方便用户根据不同突出显示程度了解搜索结果中的分词与搜索词的相关程度。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于人工智能的搜索结果的显示方法，其特征在于，包括以下步骤：

根据输入的搜索词获取搜索结果；

采用预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度；

根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度；

根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词；所述采用预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度，包括：

采用预先训练的注意力模型获取所述搜索结果中每个分词的第一表示向量；

采用预先训练的注意力模型获取所述搜索词的第二表示向量；

根据所述第二表示向量和所述第一表示向量获取搜索结果中每个分词与所述搜索词的相关程度。

2.如权利要求1所述的方法，其特征在于，所述根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度，包括：

根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的高亮程度；

所述根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词，包括：

根据每个分析的高亮程度对所述搜索结果中的每个分词进行高亮显示。

3.如权利要求1-2中任一项所述的方法，其特征在于，在所述根据输入的搜索词获取搜索结果之前，还包括：

获取训练数据，其中，所述训练数据包括样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题；

根据所述样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题对所述注意力模型进行训练。

4.如权利要求1所述的方法，其特征在于，所述根据所述第二表示向量和所述第一表示向量获取搜索结果中每个分词与所述搜索词的相关程度，包括：

对所述第一表示向量和所述第二表示向量进行线性变换，以获取第一处理向量和第二处理向量；

对所述第一处理向量和所述第二处理向量进行余弦计算，获取所述搜索结果中每个分词与所述搜索词的相关程度。

5.如权利要求1所述的方法，其特征在于，将所述搜索词中最后一个分词的表示向量作为所述搜索词的第二表示向量，或者，将所述搜索词的所有分词的表示向量逐元素相加所获得的表示向量作为所述搜索词的第二表示向量。

6.一种基于人工智能的搜索结果的显示装置，其特征在于，包括：

第一获取模块，用于根据输入的搜索词获取搜索结果；

第二获取模块，用于采用预先训练的注意力模型，获取所述搜索结果中每个分词与所述搜索词的相关程度；

确定模块，用于根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的突出显示程度；

显示模块，用于根据每个分词的突出显示程度突出显示所述搜索结果中的每个分词；

所述第二获取模块，包括：

第一获取单元，用于采用预先训练的注意力模型获取所述搜索结果中每个分词的第一表示向量；

第二获取单元，用于采用预先训练的注意力模型获取所述搜索词的第二表示向量；

第三获取单元，用于根据所述第二表示向量和所述第一表示向量获取搜索结果中每个分词与所述搜索词的相关程度。

7.如权利要求6所述的装置，其特征在于，所述确定模块，具体用于：

根据每个分词与搜索词的相关程度确定所述搜索结果中每个分词的高亮程度；

所述显示模块，具体用于：

根据每个分析的高亮程度对所述搜索结果中的每个分词进行高亮显示。

8.如权利要求6-7中任一项所述的装置，其特征在于，还包括：

第三获取模块，用于获取训练数据，其中，所述训练数据包括样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题；

训练模块，用于根据所述样本搜索词及其相应的被标注为正例或负例的样本搜索结果的标题对所述注意力模型进行训练。

9.如权利要求6所述的装置，其特征在于，所述第三获取单元，具体用于：

对所述第一表示向量和所述第二表示向量进行线性变换，以获取第一处理向量和第二处理向量；

对所述第一处理向量和所述第二处理向量进行余弦计算，获取所述搜索结果中每个分词与所述搜索词的相关程度。

10.如权利要求6所述的装置，其特征在于，将所述搜索词中最后一个分词的表示向量作为所述搜索词的第二表示向量，或者，将所述搜索词的所有分词的表示向量逐元素相加所获得的表示向量作为所述搜索词的第二表示向量。