CN116383340A - 信息搜索方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种信息搜索方法，涉及人工智能技术领域，尤其涉及深度学习、自然语言处理技术领域。具体实现方案为：分别生成搜索词的文本特征以及信息库中的候选信息的文本特征；响应于确定搜索词和候选信息包含相同的目标专名词，生成目标专名词的文本特征；根据搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成搜索词的融合特征以及候选信息的融合特征；根据搜索词的融合特征以及候选信息的融合特征，确定搜索词与候选信息之间的相似度；以及根据相似度，确定针对搜索词的信息搜索结果。本公开还提供了一种信息搜索装置、电子设备和存储介质。

Description

信息搜索方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、自然语言处理技术领域。更具体地，本公开提供了一种信息搜索方法、装置、电子设备和存储介质。

背景技术

信息搜索(或信息检索、信息查询)是自然语言处理领域的一个重要分支。信息搜索任务是给定一个搜索词Query(或检索词、查询词)，从候选信息库中召回与Query最相关的信息结果。

发明内容

本公开提供了一种信息搜索方法、装置、设备以及存储介质。

根据第一方面，提供了一种信息搜索方法，该方法包括：分别生成搜索词的文本特征以及信息库中的候选信息的文本特征；响应于确定搜索词和候选信息包含相同的目标专名词，生成目标专名词的文本特征；根据搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成搜索词的融合特征以及候选信息的融合特征；根据搜索词的融合特征以及候选信息的融合特征，确定搜索词与候选信息之间的相似度；以及根据相似度，确定针对搜索词的信息搜索结果。

根据第二方面，提供了一种信息搜索装置，该装置包括：第一生成模块，用于分别生成搜索词的文本特征以及信息库中的候选信息的文本特征；第二生成模块，用于响应于确定搜索词和候选信息包含相同的目标专名词，生成目标专名词的文本特征；第三生成模块，用于根据搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成搜索词的融合特征以及候选信息的融合特征；第一确定模块，用于根据搜索词的融合特征以及候选信息的融合特征，确定搜索词与候选信息之间的相似度；以及第二确定模块，用于根据相似度，确定针对搜索词的信息搜索结果。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现根据本公开提供的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是相关技术中双塔模型的示意图；

图2是根据本公开的一个实施例的信息搜索方法的流程图；

图3是根据本公开的一个实施例的确定目标专名词的方法的示意图；

图4是根据本公开的一个实施例的双塔模型的示意图；

图5是根据本公开的一个实施例的信息搜索装置的框图；

图6是根据本公开的一个实施例的信息搜索方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

信息搜索任务一般借助排序模型，计算搜索词Query与多个候选信息之间的相似度，按照相似度由大到小的顺序对多个候选信息进行排序，得到多个候选信息的排序结果，作为信息搜索结果。

一般地，排序越靠前的搜索结果与搜索词Query的相关性越高。然而，在一些特殊业务场景的搜索排序任务中，存在特定的专有名词(以下简称为专名词)，而排序模型对这些专名词不敏感，导致包含该专名词的搜索结果排位靠后，排序结果不准确，用户体验不佳。

例如，针对一些企业用户，各企业用户都会有自己常见的专有词，而这些专有词在不同用户之间是不通用的。在企业用户的私有领域部署排序模型时，会导致排序模型对于这些特殊专有词的识别能力较差。

例如，针对某银行用户，“XXX电子消费券”中的“XXX”属于该用户的专名词，然而排序模型可能认不出“XXX”是一个词。针对某餐饮用户，“ABC”属于该用户的专名词，然而排序模型可能把它当成“A”“B”“C”三个独立的字。上述这些情况都会导致搜索结果不正确。

为了保证用户体验，需要将这类错误进行修正。目前有以下几种方法。

一种是在排序模型后面加入人工的干预策略，例如人工设置规则，使得排序结果中包含专有词的搜索结果重排到第一位。但这种方法只能解决单个案例，类似的问题换一个表述可能还是会有问题，通用性较差。

另一种方法是将排序模型在更好的数据集上重新训练。但对每个用户都重训练模型的时间成本和人力成本都比较高，在经济上不太划算。

因此，目前对于上述情况的解决方法，干预成本高，并且加入干预无法即时生效，干预生效需要重训模型或者重训部署规则，需要比较久的开发迭代时间，时间久，费人力。此外，无论是重训模型还加规则，影响范围比较难控制，很可能影响到本来不需要干预的搜索结果，产生不可预料的副作用。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

信息搜索任务中的排序模型可以是双塔模型。双塔模型包括左塔和右塔，左塔和右塔分别包括针对搜索词Query的第一自然语言处理模型和针对候选信息的第二自然语言处理模型。第一自然语言处理模型和第二自然语言处理模型可以均为ERNIE(Enhancedlanguage Representation with Informative Entities)模型。

候选信息可以来自候选信息库，候选信息库包括多个候选信息，候选信息具体可以是一些新闻、资源、事件等内容的标题。因此候选信息也可以称为候选Title。

图1是相关技术中双塔模型的示意图。

如图1所示，搜索词Query输入第一自然语言处理模型110，得到搜索词Query的文本特征111。候选Title输入第二自然语言处理模型120，得到候选Title的文本特征121。

通过计算文本特征111和文本特征121之间的相似度，对搜索词Query与候选Title进行匹配。文本特征111和文本特征121之间的相似度可以作为搜索词Query与候选Title之间的相似度。因此可以得到搜索词Query分别与候选信息库中的每个候选Title之间的相似度，对多个候选Title按照相似度由大到小的顺序进行排序，得到排序后的搜索结果。

模块130中的自然语言处理模型可以是第一自然语言处理模型110或者第二自然语言处理模型120。在模块130中的自然语言处理模型表示第一自然语言处理模型110的情况下，模型输入为搜索词Query，例如，搜索词Query为“XXX线上券”。在模块130中的自然语言处理模型表示第二自然语言处理模型120的情况下，模型输入为候选Title，例如，候选Title为“某年XXX电子消费券”。

搜索词Query或者候选Title输入自然语言处理模型，自然语言处理模型对搜索词Query或者候选Title进行特征提取，得到搜索词Query或者候选Title的文本特征。

由于自然语言处理模型对“XXX”不敏感，因此，可能会造成对“XXX”提取的文本特征不准确，从而造成搜索排序结果不准确。

图2是根据本公开的一个实施例的信息搜索方法的流程图。

如图2所示，该信息搜索方法200包括操作S210～操作S250。

在操作S210，分别生成搜索词的文本特征以及信息库中的候选信息的文本特征。

例如，针对待匹配的“搜索词Query-候选Title”对，可以使用双塔模型分别生成搜索词Query的文本特征以及候选Title的文本特征。

在操作S220，响应于确定搜索词和候选信息包含相同的目标专名词，生成目标专名词的文本特征。

针对每一个要匹配的“搜索词Query-候选Title”对，可以确定该“搜索词Query-候选Title”对中的搜索词Query和候选Title中是否均包含相同的目标专名词。目标专名词可以来自预先设置的专名词库。

例如，针对不同的业务场景，可以设置对应的专名词库。该专名词库包括针对该实际业务场景的专名词集合。例如，针对用户A的业务场景，可以设置专名词库A，专名词库A中包括专名词A1、专名词A2、专名词A3、……等。针对用户B的业务场景，可以设置专名词库B，专名词库B中包括专名词B1、专名词B2、专名词B3、……等。

例如，在用户A的业务场景下，如果“搜索词Query-候选Title”对中的搜索词Query和候选Title均包含相同的目标专名词A1，可以对该“搜索词Query-候选Title”对的匹配进行干预，以提高该“搜索词Query-候选Title”对的相似度，进而提高候选Title的在排序结果中的排名。

例如，可以在搜索词Query的文本特征以及候选Title的文本特征计算相似度之前，生成目标专名词A1的文本特征。将该目标专名词A1的文本特征分别融合到搜索词Query的文本特征以及候选Title的文本特征中，使用融合后的Query的文本特征以及候选Title的文本特征进行相似度计算，能够提高“搜索词Query-候选Title”对的相似度，进而提高候选Title的在排序结果中的排名。

在操作S230，根据搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成搜索词的融合特征以及候选信息的融合特征。

例如，将搜索词Query的文本特征和目标专名词A1的文本特征进行加权融合，得到搜索词Query的融合特征。将候选Title的文本特征和目标专名词A1的文本特征进行加权融合，得到候选Title的融合特征。加权的权重可以人工设置，也可以在模型训练过程中通过学习得到。

在操作S240，根据搜索词的融合特征以及候选信息的融合特征，确定搜索词与候选信息之间的相似度。

在操作S250，根据相似度，确定针对搜索词的信息搜索结果。

例如，计算搜索词Query的融合特征和候选Title的融合特征的融合特征之间的相似度，作为“搜索词Query-候选Title”对的相似度。按照多个“搜索词Query-候选Title”对的相似度由大到小的顺序，对多个候选Title进行排列，得到搜索结果。

搜索结果可以是以信息推荐列表的形式展示，信息推荐列表中包括顺序排列的多个候选Title，排序越靠前的候选Title与搜索词Query的相关性越高。

本公开的实施例在搜索词Query和候选Title包含相同的目标专名词的情况下，根据目标专名词对搜索词Query和候选Title的匹配进行干预，能够提高排序结果的准确性，提高用户体验。

本实施例在排序模型具有一定通用性和泛化能力的基础下，提高模型对专名词的识别能力，增加专名词在排序中的重要性，进而修复模型对专名词不敏感的问题，提高搜索结果的准确信。

相比于相关技术中在得到排序结果之后干预排序结果的方法，本实施通用性强，并且即时生效。相比于相关技术中对模型进行重训练的方式，本实施例不需要重训模型，有效节省人力与开发时间。

图3是根据本公开的一个实施例的确定目标专名词的方法的示意图。

根据本公开的实施例，信息搜索方法还包括将搜索词与专名词库进行匹配，得到专名词库中被搜索词命中的第一专名词集合；将候选信息与专名词库进行匹配，得到专名词库中被候选信息命中的第二专名词集合；响应于第一专名词集合和第二专名词集合具有交集，将交集中的专名词确定为目标专名词。

如图3所示，搜索词Query与专名库310进行匹配，得到专名词库中被搜索词Query命中的第一专名词集合311。例如第一专名词集合311为{专名词A1、专名词A2}。

候选Title与专名库310进行匹配，得到专名词库中被候选Title命中的第二专名词集合312。例如第二专名词集合312为{专名词A1、专名词A3}。

第一专名词集合311和第二专名词集合312的交集320为{专名词A1}，可以将专名词A1确定为目标专名词。

接下来，将目标专名词的文本特征分别与搜索词Query和候选Title进行融合，使用搜索词Query的融合特征与候选Title的融合特征之间的相似度参与排序。

本实施例针对包含相同专名词的“搜索词Query-候选Title”对进行干预，不影响其他“搜索词Query-候选Title”的相似度，不会对排序结果产生负面影响。

根据本公开的实施例，信息搜索方法还包括响应于搜索词和候选信息不包含相同的目标专名词，根据搜索词的文本特征以及候选信息的文本特征，确定搜索词和候选信息之间的相似度。

例如，在搜索词Query和候选Title不包含相同的专名词的情况下，根据搜索词Query的文本特征和候选Title的文本特征计算相似度，即使用搜索词Query和候选Title原本的相似度参与排序。

例如，搜索词Query包含专名词A1，候选Title包含专名词A2，虽然搜索词Query和候选Title都包含专名词，但是由于包含的专名词不同，因此，应该使用搜索词Query和候选Title原本的相似度参与排序。

本实施例在搜索词Query和候选Title不包含相同的专名词的情况下，使用搜索词Query和候选Title原本的相似度参与排序，不会对排序结果产生负面影响。

图4是根据本公开的一个实施例的双塔模型的示意图。

如图4所示，相比于相关技术中的双塔模型，本实施例的左塔和右塔分别增加了外挂知识模型401和外挂知识模型402。外挂知识模型401和外挂知识模型402是由自然语言处理模型和专名库构成的。外挂知识模型401和外挂知识模型402中的专名库是同一专名库。

模块430中的自然语言处理模型431可以是第一自然语言处理模型410或者第二自然语言处理模型420。在自然语言处理模型431表示第一自然语言处理模型410的情况下，模型输入为搜索词Query，例如，搜索词Query为“XXX线上券”。在自然语言处理模型431表示第二自然语言处理模型420的情况下，模型输入为候选Title，例如，候选Title为“某年XXX电子消费券”。

模块430中的自然语言处理模型432和专名库433组成外挂知识模型401或外挂知识模型402。

搜索词Query输入外挂知识模型401，与专名库433进行匹配，得到第一专名词集合。候选Title输入外挂知识模型402，与专名库433进行匹配，得到第二专名词集合。在第一专名词集合和第二专名词集合具有交集的情况下，将交集中的专名词确定为目标专名词。例如目标专名词为“XXX”。目标专名词为“XXX”输入自然语言处理模型432，得到目标专名词的文本特征。

目标专名词的文本特征与搜索词Query的文本特征进行加权融合，得到搜索词Query的融合特征411。目标专名词的文本特征与候选Title的文本特征进行加权融合，得到候选Title的融合特征421。

计算融合特征411和融合特征421之间的相似度，作为搜索词Query与候选Title之间的相似度。因此可以得到搜索词Query分别与候选信息库中的每个候选Title之间的相似度，对候选信息库中的多个候选Title按照相似度由大到小进行排序，得到排序后的搜索结果。

本公开实施例在外挂知识模型中设置专名库，该专名库对于排序结果的干预是即时生效的。因为一个新的干预是否生效，仅仅取决于专名库中是否包含对应的专名词。也就是说将专名词加入/移除专名库的同时，可以实时控制干预的生效/失效，非常方便可控。

此外，响应于目标业务需求的变更，还可以更新专名词库。例如，可以在专名库中添加一个新的专名词，或者去除一个专名词，便于专名词的扩展，使其适用于更广泛的应用场景。并且，专名词的更新也是即时生效的，且不会对本实施例的搜索方法产生任何的负面影响。

图5是根据本公开的一个实施例的信息搜索装置的框图。

如图5所示，该信息搜索装置500包括第一生成模块501、第二生成模块502、第三生成模块503、第一确定模块504和第二确定模块505。

第一生成模块501用于分别生成搜索词的文本特征以及信息库中的候选信息的文本特征。

第二生成模块502用于响应于确定搜索词和候选信息包含相同的目标专名词，生成目标专名词的文本特征。

第三生成模块503用于根据搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成搜索词的融合特征以及候选信息的融合特征。

第一确定模块504用于根据搜索词的融合特征以及候选信息的融合特征，确定搜索词与候选信息之间的相似度。

第二确定模块505用于根据相似度，确定针对搜索词的信息搜索结果。

根据本公开的实施例，信息搜索装置500还包括第一匹配模块、第二匹配模块和第三确定模块。

第一匹配模块用于将搜索词与专名词库进行匹配，得到专名词库中被搜索词命中的第一专名词集合。

第二匹配模块用于将候选信息与专名词库进行匹配，得到专名词库中被候选信息命中的第二专名词集合。

第三确定模块用于响应于第一专名词集合和第二专名词集合具有交集，将交集中的专名词确定为目标专名词。

专名词库中的专名词是针对目标业务需求进行构建得到的。信息搜索装置500还包括更新模块。

更新模块用于响应于目标业务需求的变更，更新专名词库。

第三生成模块503包括第一处理单元和第二处理单元。

第一处理单元用于对搜索词的文本特征和目标专名词的文本特征进行加权处理，得到搜索词的融合特征。

第二处理单元用于对候选信息的文本特征和目标专名词的文本特征进行加权处理，得到候选信息的融合特征。

信息搜索装置500还包括第四确定模块。

第四确定模块用于响应于搜索词和候选信息不包含相同的目标专名词，根据搜索词的文本特征以及候选信息的文本特征，确定搜索词和候选信息之间的相似度。

信息库包括多个候选信息。第二确定模块505包括排序单元、生成单元和输出单元。

排序单元用于根据搜索词分别与每个候选信息之间的相似度，对多个候选信息进行排序。

生成单元用于根据排序结果生成信息推荐列表，作为信息搜索结果。

输出单元用于输出信息搜索结果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如信息搜索方法。例如，在一些实施例中，信息搜索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的信息搜索方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息搜索方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种信息搜索方法，包括：

分别生成搜索词的文本特征以及信息库中的候选信息的文本特征；

响应于确定所述搜索词和所述候选信息包含相同的目标专名词，生成所述目标专名词的文本特征；

根据所述搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成所述搜索词的融合特征以及所述候选信息的融合特征；

根据所述搜索词的融合特征以及所述候选信息的融合特征，确定所述搜索词与所述候选信息之间的相似度；以及

根据所述相似度，确定针对所述搜索词的信息搜索结果。

2.根据权利要求1所述的方法，还包括：

将所述搜索词与专名词库进行匹配，得到所述专名词库中被所述搜索词命中的第一专名词集合；

将所述候选信息与所述专名词库进行匹配，得到所述专名词库中被所述候选信息命中的第二专名词集合；

响应于所述第一专名词集合和所述第二专名词集合具有交集，将所述交集中的专名词确定为所述目标专名词。

3.根据权利要求2所述的方法，其中，所述专名词库中的专名词是针对目标业务需求进行构建得到的；还包括：

响应于所述目标业务需求的变更，更新所述专名词库。

4.根据权利要求1所述的方法，其中，所述根据所述搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成所述搜索词的融合特征以及所述候选信息的融合特征包括：

对所述搜索词的文本特征和所述目标专名词的文本特征进行加权处理，得到所述搜索词的融合特征；

对所述候选信息的文本特征和所述目标专名词的文本特征进行加权处理，得到所述候选信息的融合特征。

5.根据权利要求1所述的方法，还包括：

响应于所述搜索词和所述候选信息不包含相同的目标专名词，根据所述搜索词的文本特征以及所述候选信息的文本特征，确定所述搜索词和所述候选信息之间的相似度。

6.根据权利要求1所述的方法，其中，所述信息库包括多个候选信息；所述根据所述相似度，确定针对所述搜索词的信息搜索结果包括：

根据所述搜索词分别与每个候选信息之间的相似度，对所述多个候选信息进行排序；

根据排序结果生成信息推荐列表，作为所述信息搜索结果；以及

输出所述信息搜索结果。

7.一种信息搜索装置，包括：

第一生成模块，用于分别生成搜索词的文本特征以及信息库中的候选信息的文本特征；

第二生成模块，用于响应于确定所述搜索词和所述候选信息包含相同的目标专名词，生成所述目标专名词的文本特征；

第三生成模块，用于根据所述搜索词的文本特征、候选信息的文本特征和目标专名词的文本特征，生成所述搜索词的融合特征以及所述候选信息的融合特征；

第一确定模块，用于根据所述搜索词的融合特征以及所述候选信息的融合特征，确定所述搜索词与所述候选信息之间的相似度；以及

第二确定模块，用于根据所述相似度，确定针对所述搜索词的信息搜索结果。

8.根据权利要求7所述的装置，还包括：

第一匹配模块，用于将所述搜索词与专名词库进行匹配，得到所述专名词库中被所述搜索词命中的第一专名词集合；

第二匹配模块，用于将所述候选信息与所述专名词库进行匹配，得到所述专名词库中被所述候选信息命中的第二专名词集合；

第三确定模块，用于响应于所述第一专名词集合和所述第二专名词集合具有交集，将所述交集中的专名词确定为所述目标专名词。

9.根据权利要求8所述的装置，其中，所述专名词库中的专名词是针对目标业务需求进行构建得到的；还包括：

更新模块，用于响应于所述目标业务需求的变更，更新所述专名词库。

10.根据权利要求7所述的装置，其中，所述第三生成模块包括：

第一处理单元，用于对所述搜索词的文本特征和所述目标专名词的文本特征进行加权处理，得到所述搜索词的融合特征；

第二处理单元，用于对所述候选信息的文本特征和所述目标专名词的文本特征进行加权处理，得到所述候选信息的融合特征。

11.根据权利要求7所述的装置，还包括：

第四确定模块，用于响应于所述搜索词和所述候选信息不包含相同的目标专名词，根据所述搜索词的文本特征以及所述候选信息的文本特征，确定所述搜索词和所述候选信息之间的相似度。

12.根据权利要求7所述的装置，其中，所述信息库包括多个候选信息；所述第二确定模块包括：

排序单元，用于根据所述搜索词分别与每个候选信息之间的相似度，对所述多个候选信息进行排序；

生成单元，用于根据排序结果生成信息推荐列表，作为所述信息搜索结果；以及

输出单元，用于输出所述信息搜索结果。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。

Images