搜索引擎纠错技术

from：https://www.zhihu.com/question/24675366?sort=created

 

中文：主要是从拼音角度，比如输入“雷缝”（雷锋），使用编辑距离会改变要查询的语义，所以我们从同音词入手，使用噪声信道模型，先确定出一些常见的相关词，再确定概率。

 

英文：主要是单词拼写，可以使用编辑距离。

 

 

 

 

 

之前自己实习的时候，根据同事的讲解，自己的理解，总结过一篇文章，这里copy过来，刚好回答这个问题。

总结一下问题：

根据用户输入的query，以及其它信息，判断用户是否输入错误，如果输入错误，猜测用户原本想输入的query并提示。

再举几个栗子：

• case1:当用户在搜索引擎中输入query时，本来想输入，“中国好声音”，但是因为不小心，输入了“中国好sengyin”，这时需要搜索引擎能发现用户输入了错误的查询语句，提示原本用户想输入的query，“中国好声音”，
• case2:用户本想输入，“肯德基”，但是因为记不清这几个字的字形，只记得字的发音，错误地输入了，“肯得鸡”，这里，搜索引擎需要发现用户原本想输入的query，“肯德基”

理论模型：Noisy Channel Model（噪声信道模型）

噪声信道试图通过带噪声的输出信号恢复输入信号，形式化定义为：

应用到这个问题：把用户输入的query记为input_query，用户原来想输入的query记为correct_query，那么correct_query对应于噪声信道模型的Input，input_query对应于那个模型的Output

我对所有可对的correct_query，我们要分别计算P(input_query | correct_query) * P(correct_query )，

1. P(correct_query) 可以使用unigram语言模型统计得出
2. P(input_query | correct_query) 可以使用input_query和correct之间的编辑距离和拼音编辑距离、可以从模糊音、形似字字典的数据给出input_query和correct_query之间的距离信息，可以从用户session中挖掘可能可以用到的数据，因为有些用户会，主动对自己输错的query进行修改直到正确为止，P(input_query | correct_query)和用户将input_query改写成correct_query的次数 / input_query出现的总次数成正比例关系。

纠错总体分这么几个方面：

1. 同音纠错，
2. 形似字纠错（五笔和手写输入，会带来形似字错误），
3. “多字、少字、顺序错误”，
4. 模糊音纠错，

举个栗子：

• case1: 比如用户输入，“kendeji”，那么，从同音纠错的角度，可能的correct_query可以是“肯德基”，“肯得鸡”，从形似字纠错方面看没有什么可能的correct_query，“多字、少字、顺序错误”角度，可以是“肯德基店”，我们先获取这些可能的correct_query的集合，称之为候选集，然后对于集合中的每个correct_query计算P(input_query | correct_query) * P(correct_query )，值最大为最后的提示的correct_query
• case2:比如用户输入，“汗丽轩”，从同音纠错的角度，可能的correct_query可以是“汉丽轩”，“韩丽轩”，从形似字纠错方面看correct_query可能是“汗雨轩”，模糊音纠错角度看，可能是，“汉腻轩”，我们先获取这些可能的correct_query的集合，称之为候选集，然后对于集合中的每个correct_query计算P(input_query | correct_query) * P(correct_query )，值最大为最后的提示的correct_query

ps:纠错时会采用一个策略，叫片段纠错策略，会把长度比较大的query，先切段，再对每个片段进行纠错

 

 

############################################################################