[发明专利]查询多意图识别方法和系统

说明书

技术领域

本发明涉及信息检索领域，尤其涉及一种查询多意图识别方法和系统。

背景技术

在信息量不断快速增长的现代，搜索引擎成了人们获取知识和有用信息的主要途径之一。根据搜索引擎的查询日志信息统计，查询的平均长度为2.21个词，其中查询长度为1个或2个词的约占62%，查询长度长于6个词的低于4%。由于多数查询的长度较短，用户在查询中所表达的搜索意图往往是具有多义性或多需求的，比如用户在搜索“苹果”一词时，可能是指的水果，也可能是指苹果公司，也可能是指苹果公司的产品。此外，由于用户缺乏一些领域的专业知识，在进行搜索的时候很难用搜索词来明确表达自己的意思。查询多意图识别可以分析出用户搜索词的多种不同需求，利用这些不同需求的分析结果，搜索引擎可以有效地组织其搜索结果页面，给予用户根据其需求强度排序的搜索结果。如何正确理解用户的搜索意图，一直以来都是搜索引擎相关研究的重点之一。

查询聚类为搜索引擎对用户多种需求的深入理解提供了理论基础。查询聚类是指将相似的查询及其URL链接分在一个群簇中，这些群簇的标签是由其中查询和URL链接的标题、摘要、文本共同决定的。查询聚类的相关研究主要侧重相似度计算方法和聚类算法两个方面，包括基于内容的聚类、基于点击行为和session（会话）信息的聚类、综合以上三种信息的聚类等。基于内容的聚类一般通过对查询结果的URL链接中的文本内容进行聚类。基于点击和session信息的聚类包括诸如Sadikov等人提出的、结合了查询日志中的点击和session信息的聚类，通过在马尔可夫图上进行多次随机游走算法模拟用户的搜索行为，计算出每个查询在不同的文档上的吸收分布概率，利用这些概率特征之间的相似度计算不同查询之间的相似度。综合考虑内容、点击URL链接和session信息相似度的聚类包括诸如Wen等人提出的查询聚类，其综合考虑了查询内容的相似度、点击URL链接和session信息的相似度，现有的这种聚类方法仅仅通过简单的加权形式来综合计算查询不同信息的相似度，不能很好的识别用户的搜索意图。

在查询多意图识别中由于查询文本的特征较少，目前相关的研究多数集中在基于内容相似度或者基于点击或session信息的相似度进行聚类，这些方法缺乏对于用户搜索意图的考虑，不能准确区分多意图查询的各种不同意图。

发明内容

根据本发明的一个实施例，提出一种查询多意图识别方法，包括：

步骤1）、根据G-PLSI模型计算查询意图概率特征向量，其中，G-PLSI模型用于模拟摘要文本的产生过程、相同查询意图下搜索不同查询时的点击链接行为，以及相同查询意图下在同一session中搜索不同查询的行为，查询意图概率特征向量体现摘要文本信息以及不同查询在相同链接上的点击概率和在同一session中的共现概率；

步骤2）、计算不同查询的查询意图概率特征向量之间的相似度并且根据该相似度进行查询聚类。

在一个实施例中，步骤1）中根据G-PLSI模型计算查询意图概率特征向量包括：采用EM算法计算G-PLSI模型概似函数的最优解，获得查询意图概率特征向量。在另一个实施例中，步骤1）中根据G-PLSI模型计算查询意图概率特征向量包括：采用TEM算法计算G-PLSI模型概似函数的最优解，获得查询意图概率特征向量。

在一个实施例中，采用如下公式表示G-PLSI模型概似函数：