基于场景的查询方法及装置、存储介质、计算机设备

技术领域

本申请涉及计算机技术领域，尤其是涉及到一种基于场景的查询方法及装置、存储介质、计算机设备。

背景技术

在大数据背景下，如何基于用户历史行为数据为用户提供个性化服务，是当前大数据应用落地迫切需要解决的问题。对于搜索推荐系统来说，召回是重要的一部分，因为召回的质量直接影响了后续步骤效果的上限，召回阶段主要根据用户和内容（例如店铺、商品、广告等）特征，从海量信息集合中选取和当前用户偏好相关的一部分作为候选集，然后交给排序环节。

现有技术中，召回阶段一般是根据用户历史行为数据以及用户输入的搜索关键词，计算用户的历史行为和搜索关键词与候选店铺之间的匹配程度，从而根据匹配程序在候选店铺中筛选出推荐店铺，并向用户进行展示。但是在实际应用中，这种搜索推荐方式往往会导致每次搜索的推荐结果相似度较高，即用户每次进行相同或相似的关键词搜索时展示的结果大体相同，推荐效果较差，无法满足用户在面对不同情况时的多样化、个性化搜索需求，例如不同时段需要不同类型的推荐餐品的需求。

发明内容

有鉴于此，本申请提供了一种基于场景的查询方法及装置、存储介质、计算机设备。

根据本申请的一个方面，提供了一种基于场景的查询方法，包括：

响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；

依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。

可选地，所述获取与所述查询请求对应的请求向量，具体包括：

获取与所述查询请求对应的查询特征、查询用户，以及与当前查询场景对应的目标查询位置和/或目标查询时间，其中，所述目标查询时间包括查询时段特征、查询季节特征、查询日工作特征中至少一种；

在预先训练好的样本查询特征向量中获取与所述查询特征对应的所述查询特征向量、在预先训练好的样本用户特征向量中获取与所述查询用户匹配的所述用户特征向量，以及在预先训练好的样本位置特征向量中获取与所述目标查询位置匹配的所述位置特征向量，和/或，在预先训练好的样本时间特征向量中获取与所述目标查询时间匹配的所述时间特征向量。

可选地，所述获取与所述查询请求对应的请求向量之前，所述方法还包括：

依据历史查询数据，构建样本正例对和样本负例对，其中，任一样本正例对或任一样本负例对包括两个匹配的节点特征以及相应节点连接构成的特征边类型，所述特征边类型包括行为边、相似边以及共现边；

根据所述样本正例对以及所述样本负例对，构建异构图中的特征节点以及所述特征节点连接构成的特征边，并基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重，其中，所述特征节点包括查询节点、用户节点、候选店铺节点、以及位置节点和/或时间节点；

利用预设神经网络模型对所述异构图进行训练，得到所述异构图中各特征节点对应的特征节点向量，其中，所述特征节点向量包括样本查询特征向量、样本用户特征向量、候选店铺特征向量、以及样本位置特征向量和/或样本时间特征向量。

可选地，所述历史查询数据包括交易行为数据以及非交易行为数据；所述依据历史查询数据，构建样本正例对和样本负例对，具体包括：

依据所述交易行为数据，构建所述样本正例对，其中，交易行为包括点击行为或支付行为；

依据所述非交易行为数据，构建所述行为边以及所述共现边对应的样本负例对，以及通过负采样方式生成所述相似边对应的样本负例对。

可选地，所述基于所述历史查询数据计算所述异构图中每条特征边对应的特征边权重，具体包括：

获取所述历史查询数据中与每条特征边分别对应的特征边历史数据，其中，所述行为边包括任一用户或任一查询词与任一店铺之间的交易行为边、任一用户或任一查询词与任一场景之间的交易行为边、任一场景与任一店铺之间的交易行为边、任意两种场景之间的交易行为边，所述相似边包括任意两个店铺之间的相似边、任意两个用户之间的相似边，所述共现边包括任意两个位置之间的共现边；

依据所述特征边历史数据，计算每条特征边对应的特征边权重。

可选地，所述依据所述请求向量以及候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺，具体包括：

分别计算所述查询向量、所述用户特征向量以及所述场景特征向量与所述店铺向量之间的特征匹配度，并根据所述特征匹配度确定所述请求向量与所述候选店铺的店铺匹配度；

获取所述候选店铺中对应的所述店铺匹配度满足预设查询条件的所述目标店铺，其中，所述候选店铺包括候选可交易场所和/或候选前往位置，所述目标店铺包括目标可以交易场所和/或目标前往位置。

可选地，所述查询请求包括基于搜索词输入操作、或查询页面进入动作、或查询模块触发操作产生。

可选地，所述依据所述请求向量以及候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺，具体包括：

将所述查询特征向量、所述用户特征向量以及所述场景特征向量输入至预设查询模型中，得到与所述请求向量对应的目标店铺；

其中，所述预设查询模型为预先利用历史查询数据包含的历史查询特征、历史用户特征以及历史场景特征作为输入值，所述历史查询数据包含的历史交易店铺作为输出值进行训练得到的。

根据本申请的另一方面，提供了一种基于场景的查询装置，包括：

请求向量获取模块，用于响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；

目标店铺筛选模块，用于依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。

可选地，所述请求向量获取模块，具体包括：

特征获取单元，用于获取与所述查询请求对应的查询特征、查询用户，以及与当前查询场景对应的目标查询位置和/或目标查询时间，其中，所述目标查询时间包括查询时段特征、查询季节特征、查询日工作特征中至少一种；

向量获取单元，用于在预先训练好的样本查询特征向量中获取与所述查询特征对应的所述查询特征向量、在预先训练好的样本用户特征向量中获取与所述查询用户匹配的所述用户特征向量，以及在预先训练好的样本位置特征向量中获取与所述目标查询位置匹配的所述位置特征向量，和/或，在预先训练好的样本时间特征向量中获取与所述目标查询时间匹配的所述时间特征向量。

可选地，所述装置还包括：

样本生成模块，用于所述获取与所述查询请求对应的请求向量之前，依据历史查询数据，构建样本正例对和样本负例对，其中，任一样本正例对或任一样本负例对包括两个匹配的节点特征以及相应节点连接构成的特征边类型，所述特征边类型包括行为边、相似边以及共现边；

异构图构建模块，用于根据所述样本正例对以及所述样本负例对，构建异构图中的特征节点以及所述特征节点连接构成的特征边，并基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重，其中，所述特征节点包括查询节点、用户节点、候选店铺节点、以及位置节点和/或时间节点；

训练模块，用于利用预设神经网络模型对所述异构图进行训练，得到所述异构图中各特征节点对应的特征节点向量，其中，所述特征节点向量包括样本查询特征向量、样本用户特征向量、候选店铺特征向量、以及样本位置特征向量和/或样本时间特征向量。

可选地，所述历史查询数据包括交易行为数据以及非交易行为数据；所述样本生成模块，具体包括：

正例对生成单元，用于依据所述交易行为数据，构建所述样本正例对，其中，交易行为包括点击行为或支付行为；

负例对生成单元，用于依据所述非交易行为数据，构建所述行为边以及所述共现边对应的样本负例对，以及通过负采样方式生成所述相似边对应的样本负例对。

可选地，所述异构图构建模块，具体包括：

数据获取单元，用于获取所述历史查询数据中与每条特征边分别对应的特征边历史数据，其中，所述行为边包括任一用户或任一查询词与任一店铺之间的交易行为边、任一用户或任一查询词与任一场景之间的交易行为边、任一场景与任一店铺之间的交易行为边、任意两种场景之间的交易行为边，所述相似边包括任意两个店铺之间的相似边、任意两个用户之间的相似边，所述共现边包括任意两个位置之间的共现边；

权重计算单元，用于依据所述特征边历史数据，计算每条特征边对应的特征边权重。

可选地，所述目标店铺筛选模块，具体包括：

计算单元，用于分别计算所述查询向量、所述用户特征向量以及所述场景特征向量与所述店铺向量之间的特征匹配度，并根据所述特征匹配度确定所述请求向量与所述候选店铺的店铺匹配度；

筛选单元，用于获取所述候选店铺中对应的所述店铺匹配度满足预设查询条件的所述目标店铺，其中，所述候选店铺包括候选可交易场所和/或候选前往位置，所述目标店铺包括目标可以交易场所和/或目标前往位置。

可选地，所述查询请求包括基于搜索词输入操作、或查询页面进入动作、或查询模块触发操作产生。

可选地，所述目标店铺筛选模块，具体包括：

模型召回单元，用于将所述查询特征向量、所述用户特征向量以及所述场景特征向量输入至预设查询模型中，得到与所述请求向量对应的目标店铺；

其中，所述预设查询模型为预先利用历史查询数据包含的历史查询特征、历史用户特征以及历史场景特征作为输入值，所述历史查询数据包含的历史交易店铺作为输出值进行训练得到的。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于场景的查询方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于场景的查询方法。

借由上述技术方案，本申请提供的一种基于场景的查询方法及装置、存储介质、计算机设备，响应于查询请求，系统获取与查询请求对应的包含查询特征向量、用户特征向量以及位置、时间等场景特征向量在内的请求向量，从而计算该请求向量与候选店铺的店铺向量之间的匹配度，并依据匹配度从候选店铺中筛选出匹配度较高的目标店铺。本申请实施例相比于现有技术的查询方案，可以有效融合位置、时间等场景特征、以及查询请求对应的查询特征和用户特征进行店铺召回，提升目标店铺召回效果，有助于满足不同本地生活用户在不同场景下的个性化查询需求，使得店铺召回结果与查询场景匹配度较高，提高用户体验。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种基于场景的查询方法的流程示意图；

图2示出了本申请实施例提供的另一种基于场景的查询方法的流程示意图；

图3示出了本申请实施例提供的一种特征向量训练方法的流程示意图；

图4示出了本申请实施例提供的一种异构图的示意图；

图5示出了本申请实施例提供的一种基于场景的查询装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种基于场景的查询方法，如图1所示，该方法包括：

步骤101，响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；

步骤102，依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。

本申请实施例中可以应用于搜索推荐、查询推荐等系统的召回阶段，具体可以应用于基于本地生活场景下的搜索网站、搜索软件中，例如某个城市内的美食店铺搜索，另外，该方法可以在客户端中执行，也可以由服务器响应于客户端发送的查询请求，由服务器执行上述方法。

在本申请实施例中，查询请求具体可以为通过用户触发产生的推荐页面进入请求，例如用户点击进入页面链接或打开软件/网页进入本地生活推荐页面，查询请求也可以为用户通过触发查询模块或查询组件的动作产生的查询页面进入请求，例如用户点击链接进入“美食”栏目的这一操作产生的美食推荐请求，查询请求还可以基于用户的关键词输入和搜索动作产生，例如用户输入“火锅”并进行搜索产生的火锅推荐请求。响应于该查询请求，系统可以获取与查询请求对应的请求向量，该请求向量具体可以包括用于反应查询动作特征的查询特征向量、用于反应该查询请求发起用户的用户特征的用户特征向量、用于反应当前查询场景的场景特征向量。在不同的应用场景中，例如，基于用户的关键词输入和搜索动作产生的查询请求，查询特征向量可以基于用户输入的关键词生成，又例如，通过用户触发美食查询模块产生的查询请求，查询特征向量可以基于“美食”这一关键词生成。用户特征向量具体可以基于用户的历史交易行为、用户的个人信息等个人特征生成。而场景特征向量具体可以基于当前查询场景生成，例如基于当前查询位置、当前查询时间、当前查询天气等等信息生成，例如当前查询位置为写字楼A、住宅区B等，当前查询时间为午饭时间、下午茶时间等，当前查询天气为晴天、雨天等。

进一步，确定请求向量之后，依据请求向量以及已有的候选店铺对应的店铺向量，计算二者之间的匹配度，例如可以将请求向量包含的查询特征向量、用户特征向量以及场景特征向量进行特征融合后，与店铺向量进行匹配度计算，也可以先分别计算查询特征向量、用户特征向量以及场景特征向量各自与店铺向量之间的匹配度，再依据不同特征向量的权重对得到的匹配度结果进行加权求和，确定请求向量与店铺向量之间的匹配度，从而以匹配度为依据从候选店铺中筛选出匹配度较高的目标店铺，将目标店铺直接进行推荐输出，或者进行进一步处理后进行推荐输出。本申请实施例提供的查询方法，将场景特征作为店铺召回阶段的考量因素，最终得到的目标店铺不仅与查询特征和用户个人特征匹配，还与当前查询场景例如查询位置、查询时间等场景特征相匹配，以使召回结果满足查询场景的约束条件，满足本地生活不同用户、不同场景下的查询需求，例如用户在早上偏好早餐，用户在工作地工作日中午偏好简餐，用户在周末偏好去购物中心等等，弥补了现有技术中进行店铺召回时无法充分利用场景特征的缺陷，提升了召回效率、准确性，并提高了用户体验。

通过应用本实施例的技术方案，响应于查询请求，系统获取与查询请求对应的包含查询特征向量、用户特征向量以及位置、时间等场景特征向量在内的请求向量，从而计算该请求向量与候选店铺的店铺向量之间的匹配度，并依据匹配度从候选店铺中筛选出匹配度较高的目标店铺。本申请实施例相比于现有技术的方案，可以融合位置、时间等场景特征、以及查询请求对应的查询特征和用户特征进行店铺召回，大幅提升了目标店铺召回效果，有助于满足不同本地生活用户在不同场景下的个性化查询需求，提高了用户体验。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种基于场景的查询方法，如图2所示，该方法包括：

步骤201，响应于查询请求，获取与所述查询请求对应的查询特征、查询用户，以及与当前查询场景对应的目标查询位置和/或目标查询时间，其中，所述目标查询时间包括查询时段特征、查询季节特征、查询日工作特征中至少一种；

在本申请实施例中，可选地，所述查询请求包括基于搜索词输入操作、或查询页面进入动作、或查询模块触发操作产生。例如用户点击进入页面链接或打开软件/网页进入本地生活推荐页面、用户点击链接进入“美食”栏目的这一操作产生的美食推荐请求、用户输入“火锅”并进行搜索产生的火锅推荐请求等等。响应于查询请求，系统获取与该查询请求对应的查询用户、查询特征，例如用户输入的查询关键词、用户点击的页面链接对应的查询关键词，以及获取与当前查询场景对应的目标查询位置、目标查询时间，目标查询位置可以为当前位置所属区域的类型和编号，例如写字楼A，目标查询时间可以包括查询时段特征例如早餐时段、午餐时段、晚餐时段、下午茶时段、夜宵时段，还可以包括查询季节特征例如春、夏、秋、冬，还可以包括查询日工作特征例如工作日、休息日、节假日，还可以包括查询天气特征例如晴天、雨天、雪天等。

步骤202，在预先训练好的样本查询特征向量中获取与所述查询特征对应的所述查询特征向量、在预先训练好的样本用户特征向量中获取与所述查询用户匹配的所述用户特征向量，以及在预先训练好的样本位置特征向量中获取与所述目标查询位置匹配的所述位置特征向量，和/或，在预先训练好的样本时间特征向量中获取与所述目标查询时间匹配的所述时间特征向量；

在上述实施例中，获取查询特征、用户特征、位置特征、时间特征之后，可以基于预先利用历史查询数据训练好的样本查询特征向量、样本用户特征向量、样本位置特征向量以及样本时间特征向量，将相应的样本特征作为与查询特征匹配的查询特征向量、与查询用户匹配的用户特征向量、与目标查询位置匹配的位置特征向量，以及与目标查询时间匹配的时间特征向量。例如样本位置特征向量中包含写字楼A、写字楼B、住宅区A、住宅区B对应的样本位置特征向量，假设目标位置特征为写字楼A，直接将写字楼A对应的样本位置特征向量作为目标查询位置对应的位置特征向量即可，时间特征向量与位置特征向量的确定方式相似，不再赘述。

另外，需要说明的是，本申请实施例中在进行执行上述查询方法之前，如图3所示，还包括以下步骤（以下步骤在第一次执行查询方法之前，以下步骤执行一次即可）：

步骤301，依据历史查询数据，构建样本正例对和样本负例对，其中，任一样本正例对或任一样本负例对包括两个匹配的节点特征以及相应节点连接构成的特征边类型，所述特征边类型包括行为边、相似边以及共现边；

步骤302，根据所述样本正例对以及所述样本负例对，构建异构图中的特征节点以及所述特征节点连接构成的特征边，并基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重，其中，所述特征节点包括查询节点、用户节点、候选店铺节点、以及位置节点和/或时间节点；

步骤303，利用预设神经网络模型对所述异构图进行训练，得到所述异构图中各特征节点对应的特征节点向量，其中，所述特征节点向量包括样本查询特征向量、样本用户特征向量、候选店铺特征向量、以及样本位置特征向量和/或样本时间特征向量。

可选地，所述历史查询数据包括交易行为数据以及非交易行为数据；步骤301具体可以包括：依据所述交易行为数据，构建所述样本正例对，其中，交易行为包括点击行为或支付行为；依据所述非交易行为数据，构建所述行为边以及所述共现边对应的样本负例对，以及通过负采样方式生成所述相似边对应的样本负例对。

在上述实施例中，依据历史查询数据包含的交易行为数据构建样本正例对，其中，交易行为数据具体为用户的点击或支付行为产生的历史数据，样本正例对用于后续构建异构图，异构图包含特征节点以及某两个特征节点连接构成的特征边，如图4所示，特征节点可以包括用户节点（用户节点还可以包括查询节点，图中未示出）、候选店铺节点、位置节点、时间节点，还可以包括类目节点，另外时间节点具体可以包括时段特征节点、季节特征节点以及工作日特征节点等，特征边具体可以包括行为边、相似边以及共现边三种，具体地，样本正例对可以基于任一用户对任一店铺的历史交易数据产生，例如样本正例对为（用户A、行为边、店铺A），表示用户A点击过店铺A或产生过向店铺A的支付行为，除上述的任一用户与任一店铺之间的交易行为边外，行为边还可以包括任一用户与任一场景之间的交易行为边，具体可以基于该任一用户在该任一场景下产生的交易行为生成，行为边还可以包括任一场景与任一店铺之间的交易行为边、任意两种场景之间的交易行为边等，另外，相似边具体可以包括任意两个店铺之间以及任意两个用户之间的相似边，共现边具体可以包括任意两个位置之间的共现边。在该实施例中还包括依据非交易行为数据构建样本负例对，其中，非交易行为数据具体为在用户的历史查询、搜索行为中展示给用户但用户未点击或者未产生支付行为的店铺数据，依据该非交易行为数据构建包含上述行为边、共现边类型在内的样本负例对，以及通过负采样法生成相似边对应的样本负例对。

进一步，依据上述的样本正例对以及样本负例对构建异构图，异构图包含描述不同用户、不同候选店铺、不同位置特征、不同场景特征以及不同类目特征的特征节点，以及基于样本正例对和样本负例对建立的各特征节点之间的连接关系形成特征边，并计算每条特征边的特征边权重。可选地，步骤302“基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重”的步骤具体可以包括：获取所述历史查询数据中与每条特征边分别对应的特征边历史数据；依据所述特征边历史数据，计算每条特征边对应的特征边权重。在该实施例中，先基于每一条特征边分别获取与该特征边以及特征边连接的特征节点相关的特征边历史数据，再基于每条特征边对应的特征边历史数据计算该条特征边对应的特征边权重。

以图3为例，关于行为边：对于任一用户与任一店铺之间的特征边，可以基于该任一用户对该任一店铺的点击/支付行为次数（或该次数占对全部店铺的点击/支付行为次数的比例）确定该特征边的权重；对于任一用户与任一类目之间的特征边，可以基于该任一用户对该任一类目的点击/支付行为次数（或该次数占对全部类目的点击/支付行为次数的比例）确定该特征边的权重；对于任一查询词与任一店铺之间的特征边，可以基于该任一查询词的推荐行为中对该任一店铺的点击/支付行为次数（或该次数占对全部店铺的点击/支付行为次数的比例）确定该特征边的权重；对于任一查询词与任一场景之间的特征边，可以基于该任一场景下输入该任一查询词的次数（或该次数占该任一场景下查询总数的比例）确定该特征边的权重；对于任一用户与任一位置之间的特征边，可以基于该任一用户在该任一位置产生的点击/支付行为次数（或该次数占该任一用户在全部位置产生的点击/支付行为次数的比例）确定该特征边的权重；对于任一场景与任一店铺之间的特征边，可以基于该任一场景下全部用户对该任一店铺的点击/支付行为次数（或该次数占该任一场景下全部用户对全部店铺的点击/支付行为次数的比例）确定该特征边的权重；对于任一场景与任一位置之间的特征边，可以基于该任一场景下全部用户在该任一位置产生的点击/支付次数（或该次数占该任一场景下全部用户对全部店铺的点击/支付行为次数比例）确定该特征边的权重；对于任一场景与任一类目之间的特征边，可以基于该任一场景下全部用户对与该任一类目相关的店铺的点击/支付次数（或该次数占该任一场景下全部用户对全部店铺的点击/支付行为次数比例）确定该特征边的权重；对于任一位置与任一类目之间的特征边，可以基于全部用户在该任一位置下对该任一类目相关店铺产生的点击/支付次数（或该次数占该任一位置下全部用户对全部店铺的点击/支付行为次数比例）。

关于相似边：对于任意两个店铺之间的相似边，可以基于历史查询行为中同时包含对该任意两个店铺的点击/支付行为次数确定该相似边的权重；对于任意两个用户之间的相似边，可以基于该任意两个用户的历史点击/支付行为的相似程度确定。

另外，对于任意两个位置之间的共现边，可以基于历史查询行为中同时包含对该任意两个位置对应的相关店铺产生点击/支付行为的人数确定，或者同时在该任意两个位置下都产生过点击/支付行为的人数确定。

进而，构建异构图之后，可以利用预设神经网络模型对该异构图进行训练，使用余弦距离刻画各特征节点之间的权重，并使用Softmax交叉熵Loss作为目标训练，得到图谱中各特征节点向量，从而描述出样本用户特征向量、候选店铺特征向量、样本位置特征向量、样本时间特征向量等内容。

步骤203，分别计算所述查询向量、所述用户特征向量以及所述场景特征向量与所述店铺向量之间的特征匹配度，并根据所述特征匹配度确定所述请求向量与所述候选店铺的店铺匹配度；

步骤204，获取所述候选店铺中对应的所述店铺匹配度满足预设查询条件的所述目标店铺，其中，所述候选店铺包括候选可交易场所和/或候选前往位置，所述目标店铺包括目标可以交易场所和/或目标前往位置。

在步骤203和步骤204中，分别计算查询向量与候选店铺对应的店铺向量、用户特征向量与店铺向量、位置特征向量与店铺向量、时间特征向量与店铺向量之间的特征匹配度，并对各特征匹配度进行加权求和或求平均值等方式计算出请求向量与店铺向量之间的店铺匹配度，从而选取其中匹配度高于阈值或者匹配度较高的前若干个候选店铺作为目标店铺。

需要说明的是，本申请实施例中所说的店铺并不限于超市、饭店等能够产生交易行为的实体门店，也可以包含例如公园、景区等娱乐、社交、游玩等地点，乃至全部本地生活场景中可以推荐或提供的位置。

通过应用本实施例的技术方案，通过构建基于场景的异构图谱，能学习到用户特征、店铺特征及场景特征的向量，不需要人为制定不同策略，线上不需要调用复杂的模型，通过向量召回直接计算用户场景和item的距离去召回，能快速自动对于不同用户在不同场景下有不一样的个性化、场景化召回集合，从而提升最终搜索效率和用户体验，其中，基于场景的异构图谱，图谱中包含多种不同类型的节点，尤其是场景节点（位置、时间、季节、天气等），图谱中包含多种边，包括行为边、相似边以及共现边。召回时使用用户特征向量、查询特征向量和场景特征向量作为请求向量去召回，大幅提升了目标店铺召回效果，有助于满足本地生活不同用户在不同场景下的个性化查询需求，提高了用户体验。

另外，本申请实施例中，还可以基于历史查询数据中包含的场景特征数据、用户特征数据、查询词特征数据、交易行为数据作为训练样本进行模型训练，以得到可以实现输入场景特征、查询词特征、用户特征后能够输出目标店铺的查询模型，从而利用该查询模型实现店铺查询。相应地，步骤102具体可以包括：将所述查询特征向量、所述用户特征向量以及所述场景特征向量输入至预设查询模型中，得到与所述请求向量对应的目标店铺；其中，所述预设查询模型为预先利用历史查询数据包含的历史查询特征、历史用户特征以及历史场景特征作为输入值，所述历史查询数据包含的历史交易店铺作为输出值进行训练得到的。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种基于场景的查询装置，如图4所示，该装置包括：

请求向量获取模块41，用于响应于查询请求，获取与所述查询请求对应的请求向量，其中，所述请求向量包括查询特征向量、用户特征向量以及场景特征向量，所述场景特征向量包括位置特征向量和/或时间特征向量；

目标店铺筛选模块42，用于依据所述请求向量包含的各特征向量与候选店铺对应的店铺向量之间的匹配度，筛选所述候选店铺中的目标店铺。

可选地，所述请求向量获取模块41，具体包括（图中未示出）：

特征获取单元411，用于获取与所述查询请求对应的查询特征、查询用户，以及与当前查询场景对应的目标查询位置和/或目标查询时间，其中，所述目标查询时间包括查询时段特征、查询季节特征、查询日工作特征中至少一种；

向量获取单元412，用于在预先训练好的样本查询特征向量中获取与所述查询特征对应的所述查询特征向量、在预先训练好的样本用户特征向量中获取与所述查询用户匹配的所述用户特征向量，以及在预先训练好的样本位置特征向量中获取与所述目标查询位置匹配的所述位置特征向量，和/或，在预先训练好的样本时间特征向量中获取与所述目标查询时间匹配的所述时间特征向量。

可选地，所述装置还包括（图中未示出）：

样本生成模块43，用于所述获取与所述查询请求对应的请求向量之前，依据历史查询数据，构建样本正例对和样本负例对，其中，任一样本正例对或任一样本负例对包括两个匹配的节点特征以及相应节点连接构成的特征边类型，所述特征边类型包括行为边、相似边以及共现边；

异构图构建模块44，用于根据所述样本正例对以及所述样本负例对，构建异构图中的特征节点以及所述特征节点连接构成的特征边，并基于所述历史查询数据，计算所述异构图中每条特征边对应的特征边权重，其中，所述特征节点包括查询节点、用户节点、候选店铺节点、以及位置节点和/或时间节点；

训练模块45，用于利用预设神经网络模型对所述异构图进行训练，得到所述异构图中各特征节点对应的特征节点向量，其中，所述特征节点向量包括样本查询特征向量、样本用户特征向量、候选店铺特征向量、以及样本位置特征向量和/或样本时间特征向量。

可选地，所述历史查询数据包括交易行为数据以及非交易行为数据；所述样本生成模块43，具体包括（图中未示出）：

正例对生成单元431，用于依据所述交易行为数据，构建所述样本正例对，其中，交易行为包括点击行为或支付行为；

负例对生成单元432，用于依据所述非交易行为数据，构建所述行为边以及所述共现边对应的样本负例对，以及通过负采样方式生成所述相似边对应的样本负例对。

可选地，所述异构图构建模块44，具体包括（图中未示出）：

数据获取单元441，用于获取所述历史查询数据中与每条特征边分别对应的特征边历史数据，其中，所述行为边包括任一用户或任一查询词与任一店铺之间的交易行为边、任一用户或任一查询词与任一场景之间的交易行为边、任一场景与任一店铺之间的交易行为边、任意两种场景之间的交易行为边，所述相似边包括任意两个店铺之间的相似边、任意两个用户之间的相似边，所述共现边包括任意两个位置之间的共现边；

权重计算单元442，用于依据所述特征边历史数据，计算每条特征边对应的特征边权重。

可选地，所述目标店铺筛选模块42，具体包括（图中未示出）：

计算单元421，用于分别计算所述查询向量、所述用户特征向量以及所述场景特征向量与所述店铺向量之间的特征匹配度，并根据所述特征匹配度确定所述请求向量与所述候选店铺的店铺匹配度；

筛选单元422，用于获取所述候选店铺中对应的所述店铺匹配度满足预设查询条件的所述目标店铺，其中，所述候选店铺包括候选可交易场所和/或候选前往位置，所述目标店铺包括目标可以交易场所和/或目标前往位置。

可选地，所述查询请求包括基于搜索词输入操作、或查询页面进入动作、或查询模块触发操作产生。

可选地，所述目标店铺筛选模块42，具体包括（图中未示出）：

模型召回单元423，用于将所述查询特征向量、所述用户特征向量以及所述场景特征向量输入至预设查询模型中，得到与所述请求向量对应的目标店铺；

其中，所述预设查询模型为预先利用历史查询数据包含的历史查询特征、历史用户特征以及历史场景特征作为输入值，所述历史查询数据包含的历史交易店铺作为输出值进行训练得到的。

需要说明的是，本申请实施例提供的一种基于场景的查询装置所涉及各功能单元的其他相应描述，可以参考图1至图3方法中的对应描述，在此不再赘述。

基于上述如图1至图3所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图3所示的基于场景的查询方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施场景所述的方法。

基于上述如图1至图3所示的方法，以及图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图3所示的基于场景的查询方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频（RadioFrequency，RF）电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏（Display）、输入单元比如键盘（Keyboard）等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口（如蓝牙接口、WI-FI接口）等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现响应于查询请求，系统获取与查询请求对应的包含查询特征向量、用户特征向量以及位置、时间等场景特征向量在内的请求向量，从而计算该请求向量与候选店铺的店铺向量之间的匹配度，并依据匹配度从候选店铺中筛选出匹配度较高的目标店铺。本申请实施例相比于现有技术的方案，可以融合位置、时间等场景特征、以及查询请求对应的查询特征和用户特征进行店铺召回，大幅提升了目标店铺召回效果，有助于满足本地生活不同用户在不同场景下的个性化查询需求，提高了用户体验。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。