搜索引擎的查询意图识别（关联分析）

原文链接：http://blog.csdn.net/zhoubl668/article/details/7857756

by 张帆（自然语言处理组@搜狗）

通用搜索VS垂直搜索：

        通用搜索特点：
                抓取互联网上一切有价值的页面，同意建立索引，以关键字匹配为基本检索方式，以网页title和summary为展现方式
                google, 百度，搜狗，搜搜，有道
        垂直搜索特点：
                以一特定类别为主题，只抓取与主题相关信息，根据主题特点有针对性的建立相应的索引检索方式，筛选方式，以及展现方式
                机票搜索，地图搜索，购物搜索（一淘）……
                
解决方法：通用搜索引擎 + 垂直搜索引擎
        意图识别
        
意图搜索的难点：

        输入不规范
                输入方法多样化
                非常不规范
                有堆砌关键词
                自然语言查询
                甚至非标准自然语言
        多意图
                如：仙剑奇侠传
                        游戏？--> 游戏软件？……
                        电视剧？--> 电视剧下载？相关新闻？……
                        电影？--> 电影下载？查看影评？剧情介绍？……
                        音乐？--> 歌曲下载？在线听歌？歌词下载？……
                        小说？--> 小说下载？在线观看？……
        意图强度
                如：荷塘月色
                荷塘月色歌曲 --> 歌曲下载：50%
                荷塘月色小区 --> 房产需求：20%
                荷塘月色菜 --> 菜谱需求：10%
        结果可靠性
                供我们获取搜索结果的这些垂直站点往往是一些中小型的网站，我们需要保证搜索结果的准确性和相关性
                如：遥控汽车
                预期结果：返回所有遥控汽车的相关结果
                实际返回：
                        遥控汽车--> 没有遥控汽车相关结果
                        遥控--> 返回遥控器，遥控飞机等于原意图无关的结果
                        汽车--> 返回汽车模型，汽车配件等于原意图无关的结果
                        （比如京东就是这么拆搜索词的）
        时效性
                如：iPhone5 7月1日上市销售
                6月30日的查询意图：新闻90%，百科10%
                7月1日的查询意图：新闻70%，购买25%，百科5%
                8月1日的查询意图：购买50%，资讯40%，其他10%
                5年以后的查询意图：百科100%
        
词表穷举法：

        最简单直接的方法，通过词表的直接匹配来获取查询意图，也可加入适用于较为简单且查询较为集中的类别，比如电视台节目查询，节假日查询，餐馆查询等
                如：北京的天气怎么样啊
                （停用词替换） --> [北京][天气][怎么样]
                （查询词归一） --> {城市][关键词][疑问词]
                （顺序无关） --> {[城市], [关键词], [疑问词]}
                给出白名单：

规则解析法：

        适用于一些查询虽然不集中但非常符合规则的类别，通过规则解析查询来做意图识别和关键信息提取的，比如汇率查询，计算器，度量衡等
                如：236.2美金能换多少RMB？
                [236.2][美金][今天]能换多少[人民币]?
                [数字][货币单位][日期]能换多少[货币单位]?
                ★通过知识图表，来替换/对应/归一
                解析：
                        数量：236.2
                        源货币：美元（不再是“美金”）
                        目的货币：人民币
                ★配合自己建立的一些语言模型，可以比较好的解决召回率比较低的问题
                        模型训练的比较好的话，相对召回也很不错
                        但是比如购物啊什么的，是无法做这种信息模型的
        
统计模型分类法：（最常用）

        查询词分类：基于查询词本身的分类，也就是建立基于字面意思的统计分类模型
        查询词扩展分类：基于查询词的扩展信息的分类，也就是基于真实社会知识的分离，通常是搜索结果扩展
                比如“家常菜”居然是个电视剧！
        查询词分类：
        查询词-->查询纠错、规则化、知识词表-->Uni-gram, Bi-gram, CRF, 语料分类模型-->搜索结果验证、垂直搜索结果验证-->查询扩展分类结果
        查询扩展分类：
        查询词-->搜索结果1,2,3,4-->标题分类、摘要分类、网站分类-->结果分类1,2,3,4-->查询扩展分类结果
                （针对每个搜索结果，验证一下查询意图强度和类别）
                
        需要配合持续更新的语料，就可以通过流程自动更新
        比较可行的方法如：
        先到软件下载站
        把排行榜的TOP 100拖下来（这些都有软件下载的查询需求）
        搜索一遍，然后每个取前50个搜过结果
        作为一个5000大小的语料，可以训练
        可以持续、自动更新

搜索意图识别未来：

        无类别概念的意图识别
                基于垂直搜索的分类模型，而非基于类别的分类模型，帮助用户获取想要的内容而不限定类别
                比如将 类别和网站本身 建立联系，直接在网站内部的数据库中搜索
        个性化意图上下文分析
                根据用户特征建立个性化的信息，获取用户的短期兴趣和长期兴趣，准对性的优化意图识别
        精准意图理解
                更加精准的意图理解，所有价值信息的解析，目前的展现多为整体展现，可以再进一步来生成个性展现
        语言应用的意图理解
                针对语言类应用的特点优化，比如语言纠错，个性信息的辅助意图识别等

附加：

        搜索提示：搜索 智能 ，搜索引擎提示 智能手机、智能手表

                            有多少可能性：关联分析、rank序列、文档建模

        ................................