基于低代码配置化的搜索页面设计方法及系统

摘要

本发明提供一种基于低代码配置化的搜索页面设计方法和系统，涉及数据处理技术领域，提供搜索页面设计器和搜索模型，基于搜索模型为搜索页面设计器提供搜索列名列表，定制化搜索组件与搜索模型建立连接，通过拖拽选取列名，在定制化搜索组件中创建搜索字段；从适配搜索字段的查询算子列表中，至少选择一个查询算子与搜索字段绑定，构成查询条件元子，在查询规则配置器中，使用规则表达式将查询条件元子通过逻辑运算符进行组合构成查询规则；提供搜索执行器，基于查询规则将查询算子解析成算子算法单元队列，结合逻辑运算符将算子算法单元队列重组成数据库查询条件，结合数据库的表形成数据库查询语句，在数据库中进行查询。

权利要求

1.基于低代码配置化的搜索页面设计的方法，其特征在于，包括：

提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询；

通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段，还包括：基于从所述数据库收集的字段名，建立语料库，使用所述语料库对搜索意图分析器进行训练；

在所述搜索页面设计器中收集用户的历史搜索行为数据，所述搜索意图分析器通过所述历史搜索行为数据学习用户行为，其中，所述历史搜索行为数据包含用户的搜索偏好、常用模型、常用字段和使用频率；

在所述搜索页面设计器中设置搜索意图文本框，用户在所述搜索意图文本框中输入搜索意图表达语言，所述搜索意图分析器解析所述搜索意图表达语言，提取关键字和字段信息，结合所述用户行为，筛选并顺序呈现用户意图字段。

2.根据权利要求1所述的方法，其特征在于，使用所述语料库对搜索意图分析器进行训练包括：设置根据上下文动态调整的感知参数，所述感知参数由目标词的输入向量和整个上下文的输入向量，通过Concat函数进行向量连接，使用调整上下文影响的参数矩阵进行线性变换，再考虑对上下文的相互影响，设置偏置项，通过sigmoid函数，将所述感知参数限制在

0到1之间，其公式如下：

；

其中，α表示感知参数，Wα表示参数矩阵，vwt表示目标词的输入向量，vcontext表示整个上下文的向量表示，Concat(vwt,vcontext)表示将目标词wt的向量表示和整个上下文的向量表示连接在一起，bα表示偏置项。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

所述搜索意图分析器使用搜索语言处理模型，结合所述感知参数，计算意图概率，其公式如下：；

其中，wc表示上下文词，wt表示目标词，P(wc|wt)表示目标词wt出现的条件下，上下文词wc出现的概率，α表示感知参数，v'wc表示上下文词wc的输出向量，vwt表示目标词的输入向量，cn表示所有上下文词中之一，v'cn表示上下文词cn的输出向量。

4.根据权利要求1所述的方法，其特征在于，从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，还包括：通过所述搜索列名列表和所述查询算子列表，获取用户的历史绑定数据，提取历史绑定特征，通过第一算子推荐模型和第二算子推荐模型的综合推荐，得到查询算子的综合推荐结果：根据所述历史绑定特征，利用字段名和字段类型作为第一算子推荐模型的输入参数，通过第一算子推荐模型，随机抽取样本形成特征子集，建立决策树，递归进行节点分裂，得到决策结果，集成多个所述决策树，根据多个所述决策结果确定第一推荐结果；

根据所述历史绑定特征，将字段名和字段类型形成的目标数据点，作为第二算子推荐模型的输入参数，通过所述第二算子推荐模型，计算目标数据点和其他数据点之间的距离，基于从小到大的顺序排列得到数据点列表，从所述数据点列表中选出多个距离小于预设距离阈值的数据点，作为所述目标数据点的阈内邻居，统计所述阈内邻居的查询算子数量，将查询算子数量最多的查询算子作为第二推荐结果；

在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果。

5.根据权利要求4所述的方法，其特征在于，在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果包括：使用信息熵法计算权重，所述信息熵的公式如下：

；

其中，H表示信息熵，xi表示模型中第i个推荐结果，P(xi)表示在模型中第i个推荐结果的概率；

所述权重的计算公式如下：

；

其中，ω表示权重，H表示信息熵，e表示自然对数的底数；

综合推荐结果的公式如下：

；

其中，T表示综合推荐结果，ω1表示第一推荐权重，ω2表示第二推荐权重，R1表示第一推荐结果，R2表示第二推荐结果。

6.基于低代码配置化的搜索页面设计的系统，用于实现前述权利要求1‑5中任一项所述的基于低代码配置化的搜索页面设计方法，其特征在于，包括：第一单元，用于提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

第二单元，用于从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

第三单元，用于提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询。

7.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。

说明书

基于低代码配置化的搜索页面设计方法及系统

技术领域

[0001] 本发明涉及数据处理技术，尤其涉及一种基于低代码配置化的搜索页面设计方法及系统。

背景技术

[0002] 随着用户量不断增加，业务系统中存储的数据量也在不断增长，基于此从海量数据中快速搜索出用户所需要的数据就显得尤为重要，用户对于搜索的需求越来越丰富，也就需要更丰富多变的搜索条件参与搜索，如果能提供一组搜索页面的配置方法，无需再由开发人员通过编码实现，通过拖拉配置实时生效，无需重新发布，提升了应用程序的可用性，大大降低了开发成本。

[0003] CN202310704040.3，公开了一种基于可配置搜索组件的查询方法、装置、电子设备和存储介质，方法包括：通过前端搜索组件获取组合搜索条件；前端搜索组件将组合搜索条件传输至后端搜索组件；后端搜索组件对组合搜索条件进行数据查询，将得到的查询结果传输至前端搜索组件；前端搜索组件展示查询结果。由此通过搜索组件中的前端搜索组件和后端搜索组件进行数据的查询，可以直接适配不同功能模块，提高了搜索功能扩展性和迁移性，无需重新进行开发，从而较低了后续开发及维度的工作量。同时，本申请中组合搜索条件中的条件之间可以自行组合查询条件项逻辑，从而满足用户复杂逻辑判断。

[0004] CN202111413576.7，公开了一种基于搜索服务器的搜索方法、装置、设备及计算机可读存储介质，通过获取目标赋值与搜索查询语法模板；根据所述搜索查询语法模板与所述目标赋值确定搜索查询语法语句；将所述搜索查询语法语句发送至搜索服务器；接收所述搜索服务器传回的搜索结果。预设的搜索查询语法模板，相当于预先假定了搜索需求，而针对不同版本的ES及本地框架与ES的兼容性问题，仅需针对性地对所述搜索查询语法模板做改动，实际执行查询的人员不需要进一步学习ES的高级客户端及版本编写差异，大大降低了学习成本，同时，针对新的需求与版本变化，仅需在文本中直接对所述搜索查询语法模板修改即可，快捷方便，大大提升了代码的易用性与可维护性。

[0005] 综上所述，在现有技术中通过模块化搜索或者通过语法模板进行搜索的前后端交互，核心依然是使用固定的搜索条件，并在后端服务提供与之对应的搜索功能接口，缺少灵活性，为了使开发人员无需再通过编码实现，通过拖拉配置实时生效，无需重新发布，提升了应用程序的可用性，大大降低了开发成本，本发明的应用至少能够解决现有技术的部分问题。

发明内容

[0006] 本发明实施例提供一种基于低代码配置化的搜索页面设计方法及系统，至少能够解决现有技术中部分问题。

[0007] 本发明实施例的第一方面，

[0008] 提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

[0009] 从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

[0010] 提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询。

[0011] 在一种可选的实施例中，

[0012] 通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段，还包括：

[0013] 基于从所述数据库收集的字段名，建立语料库，使用所述语料库对搜索意图分析器进行训练；

[0014] 在所述搜索页面设计器中收集用户的历史搜索行为数据，所述搜索意图分析器通过所述历史搜索行为数据学习用户行为，其中，所述历史搜索行为数据包含用户的搜索偏好、常用模型、常用字段和使用频率；

[0015] 在所述搜索页面设计器中设置搜索意图文本框，用户在所述搜索意图文本框中输入搜索意图表达语言，所述搜索意图分析器解析所述搜索意图表达语言，提取关键字和字段信息，结合所述用户行为，筛选并顺序呈现用户意图字段。

[0016] 在一种可选的实施例中，

[0017] 使用所述语料库对搜索意图分析器进行训练包括：

[0018] 设置根据上下文动态调整的感知参数，所述感知参数由目标词的输入向量和整个上下文的输入向量，通过Concat函数进行向量连接，使用调整上下文影响的参数矩阵进行线性变换，再考虑对上下文的相互影响，设置偏置项，通过sigmoid函数，将所述感知参数限制在0到1之间，其公式如下：

[0019] ；

[0020] 其中，α表示感知参数，Wα表示参数矩阵，vwt表示目标词的输入向量，vcontext表示整个上下文的向量表示，Concat(vwt,vcontext)表示将目标词wt的向量表示和整个上下文的向量表示连接在一起，bα表示偏置项。

[0021] 在一种可选的实施例中，

[0022] 所述方法还包括：

[0023] 所述搜索意图分析器使用搜索语言处理模型，结合所述感知参数，计算意图概率，其公式如下：

[0024] ；

[0025] 其中，wc表示上下文词，wt表示目标词，P(wc|wt)表示目标词wt出现的条件下，上下文词wc出现的概率，α表示感知参数，v'wc表示上下文词wc的输出向量，vwt表示目标词的输入向量，cn表示所有上下文词中之一，v'cn表示上下文词cn的输出向量。

[0026] 在一种可选的实施例中，

[0027] 从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，还包括：

[0028] 通过所述搜索列名列表和所述查询算子列表，获取用户的历史绑定数据，提取历史绑定特征，通过第一算子推荐模型和第二算子推荐模型的综合推荐，得到查询算子的综合推荐结果：

[0029] 根据所述历史绑定特征，利用字段名和字段类型作为第一算子推荐模型的输入参数，通过第一算子推荐模型，随机抽取样本形成特征子集，建立决策树，递归进行节点分裂，得到决策结果，集成多个所述决策树，根据多个所述决策结果确定第一推荐结果；

[0030] 根据所述历史绑定特征，将字段名和字段类型形成的目标数据点，作为第二算子推荐模型的输入参数，通过所述第二算子推荐模型，计算目标数据点和其他数据点之间的距离，基于从小到大的顺序排列得到数据点列表，从所述数据点列表中选出多个距离小于预设距离阈值的数据点，作为所述目标数据点的阈内邻居，统计所述阈内邻居的查询算子数量，将查询算子数量最多的查询算子作为第二推荐结果；

[0031] 在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果。

[0032] 在一种可选的实施例中，

[0033] 在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果包括：

[0034] 使用信息熵法计算权重，所述信息熵的公式如下：

[0035] ；

[0036] 其中，H表示信息熵，xi表示模型中第i个推荐结果，P(xi)表示在模型中第i个推荐结果的概率；

[0037] 所述权重的计算公式如下：

[0038] ；

[0039] 其中，ω表示权重，H表示信息熵，e表示自然对数的底数；

[0040] 综合推荐结果的公式如下：

[0041] ；

[0042] 其中，T表示综合推荐结果，ω1表示第一推荐权重，ω2表示第二推荐权重，R1表示第一推荐结果，R2表示第二推荐结果。

[0043] 本发明实施例的第二方面，

[0044] 提供一种基于低代码配置化的搜索页面设计系统，包括：

[0045] 第一单元，用于提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

[0046] 第二单元，用于从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

[0047] 第三单元，用于提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询。

[0048] 本发明实施例的第三方面，

[0049] 提供一种电子设备，包括：

[0050] 处理器；

[0051] 用于存储处理器可执行指令的存储器；

[0052] 其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

[0053] 本发明实施例的第四方面，

[0054] 提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

[0055] 在本发明的实施例中，用户通过搜索页面设计器可以轻松地定制化搜索界面，根据业务需求选择所需的搜索字段，拖拽选取列名的操作使得定制变得直观和用户友好；通过搜索意图分析器的训练，系统能够更智能地理解用户的意图，提取关键字和字段信息，更方便的设定搜索条件；通过从数据库收集字段名、建立语料库、训练搜索意图分析器等步骤，系统实现了自动化的字段推荐和搜索意图解析，减轻了用户配置搜索条件的负担，提高了系统的易用性；用户可以通过拖拽和配置操作，自由选择搜索字段、查询算子，并构建复杂的查询规则，使得定制化搜索页面具有灵活性和定制性，满足不同用户的查询需求；通过从搜索页面设计器获取查询规则，并解析查询条件元子成算子算法单元队列，系统能够根据用户输入构建灵活且智能的查询语句，使系统更能适应用户多样化的查询需求，而不是固定的预定义查询；由于算子算法单元队列的灵活性和智能性，系统能够更好地适应数据库表的结构变化或者用户不同的查询场景，保持较高的适应性，用户只需在搜索页面设计器中配置查询规则，系统会自动解析成数据库查询语句，减轻了用户手动编写复杂查询语句的负担，提高了用户体验。

附图说明

[0056] 图1为本发明实施例基于低代码配置化的搜索页面设计方法的流程示意图；

[0057] 图2为本发明实施例基于低代码配置化的搜索页面设计系统的结构示意图。

具体实施方式

[0058] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0059] 下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

[0060] 图1为本发明实施例基于低代码配置化的搜索页面设计方法的流程示意图，如图1所示，所述方法包括：

[0061] S101.提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

[0062] 所述搜索模型具体是指一个抽象的数据模型，用于描述系统中可搜索的数据对象以及这些数据对象的属性，每个模型对应了一个数据库中的表，每个表都包含多个列，列的列名构成搜索列名列表；

[0063] 搜索模型与数据库的表一一对应，基于搜索模型，提取数据库表中的列名列表，列名列表用于在搜索页面设计器中展示可用于搜索的字段，列名列表中的每一个字段，都是和数据库的表绑定的，通过拖拽或者勾选的方式，在定制化搜索组件上显示对应的字段，这些字段就是搜索字段；

[0064] 在本实施例中，用户通过搜索页面设计器可以轻松地定制化搜索界面，根据业务需求选择所需的搜索字段，拖拽选取列名的操作使得定制变得直观和用户友好，搜索模型提供了数据库表的抽象，确保了前端搜索字段的准确性和一致性，避免了手动输入错误的可能性。

[0065] 在一种可选的实施例中，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段，还包括：

[0066] 基于从所述数据库收集的字段名，建立语料库，使用所述语料库对搜索意图分析器进行训练；

[0067] 在所述搜索页面设计器中收集用户的历史搜索行为数据，所述搜索意图分析器通过所述历史搜索行为数据学习用户行为，其中，所述历史搜索行为数据包含用户的搜索偏好、常用模型、常用字段和使用频率；

[0068] 在所述搜索页面设计器中设置搜索意图文本框，用户在所述搜索意图文本框中输入搜索意图表达语言，所述搜索意图分析器解析所述搜索意图表达语言，提取关键字和字段信息，结合所述用户行为，筛选并顺序呈现用户意图字段。

[0069] 所述搜索意图分析器具体是指一个模块，用于解析用户在搜索页面中输入的搜索意图表达语言，提取其中的关键词和字段信息，并根据用户的历史搜索行为数据进行学习，以理解和解释用户的搜索意图；

[0070] 从数据库中收集字段名，并建立一个包含与字段相关的词汇和语境信息的语料库，使用建立的语料库对搜索意图分析器进行训练，以理解字段名之间的语义关系，在搜索页面设计器中收集用户的历史搜索行为数据，包括搜索偏好、常用模型、常用字段和使用频率等信息，搜索意图分析器通过学习历史搜索行为数据，理解用户的搜索模式、偏好和常用字段；

[0071] 在搜索页面设计器中设置搜索意图文本框，允许用户输入搜索意图的自然语言表达，用户通过搜索意图文本框与搜索意图分析器进行交互；当用户在搜索意图文本框中输入搜索意图表达语言时，搜索意图分析器对输入进行解析，提取关键字和字段信息，结合用户的历史搜索行为，搜索意图分析器筛选并顺序呈现用户意图字段；

[0072] 在本实施例中，通过搜索意图分析器的训练，系统能够更智能地理解用户的意图，提取关键字和字段信息，更方便的设定搜索条件；通过从数据库收集字段名、建立语料库、训练搜索意图分析器等步骤，系统实现了自动化的字段推荐和搜索意图解析，减轻了用户配置搜索条件的负担，提高了系统的易用性；

[0073] 在一种可选的实施例中，使用所述语料库对搜索意图分析器进行训练包括：

[0074] 设置根据上下文动态调整的感知参数，所述感知参数由目标词的输入向量和整个上下文的输入向量，通过Concat函数进行向量连接，使用调整上下文影响的参数矩阵进行线性变换，再考虑对上下文的相互影响，设置偏置项，通过sigmoid函数，将所述感知参数限制在0到1之间，其公式如下：

[0075] ；

[0076] 其中，α表示感知参数，Wα表示参数矩阵，vwt表示目标词的输入向量，vcontext表示整个上下文的向量表示，Concat(vwt,vcontext)表示将目标词wt的向量表示和整个上下文的向量表示连接在一起，bα表示偏置项。

[0077] 在一种可选的实施例中，所述方法还包括：

[0078] 所述搜索意图分析器使用搜索语言处理模型，结合所述感知参数，计算意图概率，其公式如下：

[0079] ；

[0080] 其中，wc表示上下文词，wt表示目标词，P(wc|wt)表示目标词wt出现的条件下，上下文词wc出现的概率，α表示感知参数，v'wc表示上下文词wc的输出向量，vwt表示目标词的输入向量，cn表示所有上下文词中之一，v'cn表示上下文词cn的输出向量。

[0081] 在所述实施例中，基于收集的字段名建立语料库，通过搜索意图分析器对用户输入的搜索意图进行语义分析和意图推断，实现更智能的创建字段，搜索意图分析器通过收集用户的历史搜索行为数据，学习用户的搜索偏好、常用模型、字段和使用频率，从而提供个性化的搜索建议，引入感知参数进行上下文动态调整，可以根据上下文信息自适应调整搜索意图分析的参数，提高模型的灵活性和适应性，利用训练得到的模型和感知参数计算上下文中各词的条件概率，更准确地捕捉搜索意图中各词之间的关系，提高搜索的准确性，用户可以享受到更灵活、智能、个性化的搜索体验，提高搜索的效率和准确性。

[0082] S102.从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

[0083] 所述查询算子具体是指用于构建查询条件的操作符或函数，用于描述搜索字段与特定值之间的关系，定义了搜索条件的性质，如等于、大于、小于等，每个查询算子通常与搜索字段绑定，表示对该字段的特定操作；

[0084] 所述查询条件元子具体是指由一个搜索字段和其绑定的查询算子组成的单个条件单元，表示用户在定制化搜索中设置的一个具体条件，如“名称.包含”，就是一个查询条件元子；

[0085] 所述查询规则具体是指由多个查询条件元子通过逻辑运算符组合而成的逻辑表达式，逻辑运算符包括AND（与）、OR（或）等，用于连接不同的查询条件元子，形成复杂的查询规则，如，“OR(名称.包含,AND(名称.等于，时间.小于))”是一个查询规则，其含义是：名称包含搜索值1的结果集或者名称等于搜索值1且时间小于搜索值2的结果集。

[0086] 对于每个搜索字段，在预设的查询算子列表中选择至少一个查询算子，如对于“名称”字段，可以选择等于、包含等算子；将每个搜索字段与其选择的查询算子组合，构成查询条件元子，在查询规则配置器中，用户可以通过拖拽或选择的方式，将多个查询条件元子通过预设的逻辑运算符进行组合，形成复杂的查询规则。

[0087] 在本实施例中，用户可以通过拖拽和配置操作，自由选择搜索字段、查询算子，并构建复杂的查询规则，使得定制化搜索页面具有灵活性和定制性，满足不同用户的查询需求；使用拖拽和配置的方式，使搜索的设置变得直观和易于操作，降低了用户的学习成本，提高了系统的易用性；系统能够解析用户配置的查询规则，将其转换为查询条件元子，并按照逻辑运算符组合；

[0088] 在一种可选的实施例中，从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，还包括：

[0089] 通过所述搜索列名列表和所述查询算子列表，获取用户的历史绑定数据，提取历史绑定特征，通过第一算子推荐模型和第二算子推荐模型的综合推荐，得到查询算子的综合推荐结果：

[0090] 根据所述历史绑定特征，利用字段名和字段类型作为第一算子推荐模型的输入参数，通过第一算子推荐模型，随机抽取样本形成特征子集，建立决策树，递归进行节点分裂，得到决策结果，集成多个所述决策树，根据多个所述决策结果确定第一推荐结果；

[0091] 根据所述历史绑定特征，将字段名和字段类型形成的目标数据点，作为第二算子推荐模型的输入参数，通过所述第二算子推荐模型，计算目标数据点和其他数据点之间的距离，基于从小到大的顺序排列得到数据点列表，从所述数据点列表中选出多个距离小于预设距离阈值的数据点，作为所述目标数据点的阈内邻居，统计所述阈内邻居的查询算子数量，将查询算子数量最多的查询算子作为第二推荐结果；

[0092] 在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果。

[0093] 所述第一算子推荐模型具体是指基于随机森林树模型构建的，第二算子推荐模型具体是指基于K最近邻算法构建的；

[0094] 利用字段名和字段类型作为输入参数，结合历史绑定数据，提取与字段名和字段类型相关的历史绑定特征，利用历史绑定特征形成样本集，随机抽取样本形成特征子集，递归进行节点分裂，建立决策树，根据决策树的节点分裂情况，得到决策结果，基于多次训练，集成多个决策树，根据多个决策树的结果，确定第一算子推荐模型给出的结果；

[0095] 将字段名和字段类型形成目标数据点，作为输入参数，利用历史绑定数据，提取与字段名和字段类型相关的历史绑定特征，利用第二算子推荐模型，计算目标数据点和其他数据点之间的距离，基于距离从小到大的顺序排列得到数据点列表，选出距离小于预设距离阈值的数据点，形成阈内邻居，统计阈内邻居的查询算子数量，将查询算子数量最多的查询算子作为第二算子推荐模型给出的结果；

[0096] 对于第一推荐结果，计算其在历史绑定数据中的频率分布，得到第一信息熵；对于第二推荐结果，同样计算其在历史绑定数据中的频率分布，得到第二信息熵；计算归一化的信息熵，作为第一推荐结果和第二推荐结果的权重；将第一推荐结果和第二推荐结果按照信息熵法计算的权重进行线性加权，综合得到最终的查询算子综合推荐结果。

[0097] 在一种可选的实施例中，在综合推荐时使用信息熵法确定所述第一推荐结果对应的第一推荐权重和所述第二推荐结果对应的第二推荐权重，结合所述第一推荐结果和所述第二推荐结果确定综合推荐结果包括：

[0098] 使用信息熵法计算权重，所述信息熵的公式如下：

[0099] ；

[0100] 其中，H表示信息熵，xi表示模型中第i个推荐结果，P(xi)表示在模型中第i个推荐结果的概率；

[0101] 所述权重的计算公式如下：

[0102] ；

[0103] 其中，ω表示权重，H表示信息熵，e表示自然对数的底数；

[0104] 综合推荐结果的公式如下：

[0105] ；

[0106] 其中，T表示综合推荐结果，ω1表示第一推荐权重，ω2表示第二推荐权重，R1表示第一推荐结果，R2表示第二推荐结果。

[0107] 在所述实施例中，通过分析用户的历史绑定数据，第一算子推荐模型可以根据字段名和字段类型为用户推荐最可能的查询算子，实现个性化的推荐；第二算子推荐模型利用距离度量计算目标数据点和其他数据点之间的距离，从而找到距离较近的数据点作为目标数据点的邻居，通过邻域分析为用户提供更多相关的查询算子选择；使用信息熵法计算权重，充分考虑了历史绑定数据中不同查询算子的分布情况，能够更准确地反映用户历史行为的偏好，提高了推荐的智能程度；通过线性加权的方式，将第一算子推荐和第二算子推荐结合起来，得到更全面和综合的查询算子推荐结果，提高了系统的智能化水平，为用户提供更符合期望的推荐。

[0108] S103.提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询。

[0109] 从搜索页面设计器获取查询规则，其中包括查询条件元子和逻辑运算符，遍历查询条件元子，将每个查询算子解析成算子算法单元，包括：识别查询算子和绑定字段；根据绑定字段获取字段的数据类型；利用搜索模型，推导算子的具体执行算法；将解析得到的每个算子算法单元按照查询规则中的逻辑运算符进行队列组合，将算子算法单元队列结合逻辑运算符，按照查询规则构建数据库查询条件，组合多个条件，其中还包括条件的嵌套关系；将数据库查询条件与搜索模型对应的数据库表结合，生成最终的数据库查询语句，使用生成的数据库查询语句在数据库中执行查询操作，和数据库连接之后，利用查询语句执行数据库查询操作，处理查询结果，将结果返回给搜索执行器，最终在定制化查询页上呈现相关搜索数据结果集；

[0110] 在本实施例中，通过从搜索页面设计器获取查询规则，并解析查询条件元子成算子算法单元队列，系统能够根据用户输入构建灵活且智能的查询语句，使系统更能适应用户多样化的查询需求，而不是固定的预定义查询；通过结合查询规则中的逻辑运算符，系统能够支持复杂的查询条件构建，包括AND、OR等逻辑关系，使用户能够进行更为复杂和精细化的数据查询操作，通过将算子算法单元队列与搜索模型对应的数据库表相结合，系统能够充分利用搜索模型的信息，以更智能的方式构建数据库查询语句，有助于提高查询的准确性和效率；由于算子算法单元队列的灵活性和智能性，系统能够更好地适应数据库表的结构变化或者用户不同的查询场景，保持较高的适应性，用户只需在搜索页面设计器中配置查询规则，系统会自动解析成数据库查询语句，减轻了用户手动编写复杂查询语句的负担，提高了用户体验。

[0111] 图2为本发明实施例基于低代码配置化的搜索页面设计系统的结构示意图，如图2所示，所述系统包括：

[0112] 第一单元，用于提供搜索页面设计器和搜索模型，基于数据库的表预先设置的所述搜索模型为所述搜索页面设计器提供搜索列名列表，所述搜索页面设计器提供定制化搜索组件，与所述搜索模型建立连接，通过拖拽选取所述搜索列名列表中的列名，在所述定制化搜索组件中创建搜索字段；

[0113] 第二单元，用于从适配所述搜索字段的查询算子列表中，至少选择一个查询算子与所述搜索字段绑定，构成查询条件元子，在预设有逻辑运算符的查询规则配置器中，使用规则表达式将所述查询条件元子通过所述逻辑运算符进行组合，构成查询规则；

[0114] 第三单元，用于提供包含算子算法单元的搜索执行器，基于从所述搜索页面设计器获取的所述查询规则，将所述查询条件元子中的所述查询算子，解析成算子算法单元队列，结合所述查询规则的逻辑运算符，将算子算法单元队列重组成数据库查询条件，通过所述搜索模型对应数据库的表与所述数据库查询条件相结合，形成数据库查询语句，基于所述数据库查询语句在所述数据库中进行查询。

[0115] 本发明实施例的第三方面，

[0116] 提供一种电子设备，包括：

[0117] 处理器；

[0118] 用于存储处理器可执行指令的存储器；

[0119] 其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

[0120] 本发明实施例的第四方面，

[0121] 提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

[0122] 本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

[0123] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。