Update

Author: imhuay

B-自然语言处理/深度查询理解/A-综述.md

@@ -6,6 +6,10 @@ Index
 <!-- TOC -->
 
 - [Introduction](#introduction)
+    - [不同时期的搜索](#不同时期的搜索)
+    - [查询理解系统的特点](#查询理解系统的特点)
+- [深度查询理解](#深度查询理解)
+    - [查询理解模块的作用与处理流程](#查询理解模块的作用与处理流程)
 - [引用文献](#引用文献)
 
 <!-- /TOC -->
@@ -41,6 +45,81 @@ Index
     - 他们必须了解哪些查询需要重定向到 Web 搜索引擎，哪些查询用于本地设备操作。
 
 
+### 不同时期的搜索
+
+- 文本匹配
+    - 使用  Lucene indexing 等方法构建从关键词到文档的反向索引；
+    - 通过人工添加的标签过滤返回的结果；
+    - 大多数购物网站依然在使用；
+
+        <div align="center"><img src="./_assets/TIM截图20190213103134.png" height="" /></div>
+        
+- Rank 排序
+    - 底层依然是基本的文本匹配，但是加入了根据相关性排序的概念（Rank）
+    - 相关性的计算基于一系列指标，如 TF-IDF、关键词相关性（keyword relevance）、网站权重（website authority）、流行度（popularity）、链接强度（link strength）等；
+
+- 基于 NLP 技术的查询理解
+    - 通过一个查询理解模块，利用 NLP 技术，通过上下文信息了解用户以前的搜索和浏览活动，以及用户的兴趣、位置、查询时间、位置天气等，以准确预测用户的意图并获得最佳结果。
+
+### 查询理解系统的特点
+
+1. 理解查询的语义
+
+    语义理解的层次
+
+    <div align="center"><img src="./_assets/TIM截图20190213105813.png" height="" /></div>
+
+1. 理解上下文和历史任务
+
+    示例：搜索 “michael jordan” 可能会返回篮球运动员或者伯克利大学的机器学习教授，如果用户之前搜索了机器学习相关的关键字，那么用户的意图很可能是后者；
+
+1. 个性化
+
+    不同的用户有不同的兴趣，用户很可能会在他的兴趣领域或工作领域进行搜索。
+
+
+## 深度查询理解
+
+### 查询理解模块的作用与处理流程
+
+**作用**：
+1. 推断查询的意图；
+1. 通过建议，引导用户到达一个明确的意图；
+1. 改进查询结果。
+
+**处理流程**：（标号不代表处理顺序）
+
+<div align="center"><img src="./_assets/TIM截图20190213144945.png" height="" /></div>
+
+- 首先由**查询细化子模块**中的**纠错组件**对原始查询进行处理，通常包括拼写更正、缩略语扩展、分词、合并、短语切分等；
+- 修正后的查询被传递给**查询建议子模块**，该子模块用于发现那些可能导致更好结果的查询（下拉列表），并作为新的查询重新输入；
+- 新的查询通过**查询拓展**组件找到同义查询，以避免术语不匹配带来的损失（因为搜索引擎的底层依然基于传统的文本匹配）；以上过程可能会进行多轮；
+- 将扩展后的查询集合传入**查询意图检测子模块**，用于推断查询的确切意图，其中
+    - **查询分类**组件用于标记查询所属的类别（用于过滤不相关的查询），通常被定义为运动、天气、旅游或视频等不同类别之一，如 “brazil germany” 可能会被定义为运动（如果搜索了足球）或旅游（搜索了巴西到德国的航班）；
+        - 一个查询可能会被划分为多个片段（Segment），特别是对于句子类型的搜索，不同的片段被分为不同的类别；
+    - **语义标记**组件对每个查询做语义标记，以进行精确的意图检测。
+- 最后将扩展的意图标记查询集合传递到答案生成模块
+
+<div align="center"><img src="./_assets/TIM截图20190213151159.png" height="" /></div>
+
+- **查询纠错**发现了原始查询的拼写错误，并进行了纠正；
+- **查询建议**给出了两个不同领域的可能推荐，这里假设用户选择了 “Michael Jordan berkley” 作为他真正的目标；
+- **查询拓展**找到更多的同义查询加入查询集；
+- **查询分类**将得到的查询集分类为目标类别（这里是 "academic"）；
+- **语义标记**对查询中的不同片段进行标记，以获得准确的查询意图。
+
+
+
+
 ## 引用文献
 - [2] Learning to Personalize Query Auto-Completion
-    - 本文讨论了使用位置特征、年龄和性别等用户特征、区域特征、用户短历史特征和长历史特征进行查询自动完成的问题，并给出了使用该方法进行意图预测的思路。
+    - 本文讨论了使用位置特征、年龄和性别等用户特征、区域特征、用户短历史特征和长历史特征进行查询自动完成的问题，并给出了使用该方法进行意图预测的思路。
+- [6] Context-Aware Query Classification
+    - 本文讨论了上下文的使用和概念序列(概念后缀树)的遍历。
+- [8] Evaluating the Effectiveness of Search Task Trails
+    - 本文讨论了交错查询的情况：30% 的会话包含多个任务，5% 的会话包含交叉任务。
+
+        <div align="center"><img src="./_assets/TIM截图20190213120835.png" height="" /></div>
+
+- [9] Task-Aware Query Recommendation
+    - 给出了一种新的方法，用于识别交错的任务，并根据所识别的交错任务推荐查询。