[发明专利]一种垂直搜索引擎的查询信息纠错方法和系统

说明书

本发明提供了一种垂直搜索引擎的查询信息纠错方法与系统，所述方法包括：将用户输入的查询信息进行分词；初始化游标后按照设定规则以分词为单位移动所述游标，得到子查询信息；从纠错词典中获取子查询信息对应的纠错信息；采用纠错信息替换所述查询信息中的所述子查询信息得到纠错后的查询信息；判断通过移动游标遍历查询信息的操作是否结束；若否，则返回执行通过按照设定规则移动所述游标得到子查询信息的步骤；若是，则将纠错的查询信息作为用户输入的查询信息的纠错结果。本发明提供的垂直搜索引擎的查询信息纠错方法，可适用于任何错误类型的纠错，并且由于是基于纠错词典进行纠错，因此，纠错准确性高。

技术领域

本发明涉及搜索引擎技术领域，特别是涉及一种垂直搜索引擎的查询信息纠错方法和系统。

背景技术

随着现代社会互联网的迅速发展，搜索引擎已经成为人们从拥有海量数据的互联网获取信息的主要方式之一，而用户与搜索引擎交互的方式来自用户输入的查询，查询内容的正确性是提高搜索结果准确性至关重要的因素。所以，搜索引擎的查询纠错对于提高查询结果准确度和改善用户体验有着十分重要的意义。

对于垂直搜索引擎(例如视频搜索引擎)，常见的中文查询错误类型主要有：1、同音别字错误(如：“盗墓笔记”写成“盗墓笔纪”)；2、模糊拼音错误(如：“北京爱情故事”写成“北金爱情故事”)；3、多字少字错误(如：“快乐大本营”写成“快大本营”)；4、形近字错误(如：“西游记”写成“酉游记”)；5、语义错误(如：“明日边缘”写成“昨日边缘”)。

针对以上错误类型，常见的垂直搜索引擎查询信息纠错方法主要有以下几种：

第一种，基于最小编辑距离的纠错方法，该纠错方法是根据用户输入的查询信息，在词典中找到最相似(即编辑距离最小)的正确查询信息进行纠错。该方法一方面在查找最小编辑距离的候选查询信息时需要大量的计算；另一方面，编辑距离最小的候选查询信息存在多个时，无法很好的解决“歧义”的问题。可见，第一种纠错方法不仅计算量大、且纠错准确性低。

第二种，基于N-Gram和HMM(隐马尔可夫模型，Hidden Markov Model)等模型的查询纠错方法。基于模型的纠错方法需要对大量的数据进行训练才能得到模型，这种方法纠错的准确性很大程度上依赖于训练数据的准确性和规模。可见，若无法保证模型的规模以及训练数据的准确性，则这种基于模型的查询纠错方法的准确性也较低。

第三种，基于纠错词典，该方法在纠错词典中收集所有的错误查询信息和相应的正确查询信息，当用户输入查询信息时，检索查询信息(或者查询的子串)是否在该纠错词典中，如果在纠错词典中则用对应的正确查询信息替换。根据纠错词典条目创建的方式又可以分为：拼音纠错词典，用以解决错误类型1和2的错误；多字少字纠错词典，用以解决错误类型3的错误；其他纠错词典。

基于纠错词典的方法的特点是算法简单、效率高、准确率高；缺点是召回率低(很难保证纠错词典完整，只有出现在纠错词典中的查询信息才能纠错)、纠错词典难构建。拼音纠错词典和多字少字纠错词典相对来说好构建，基于分词词典即可构建出来，能较好的解决错误类型1、2和3。但是，对于错误类型4和5，无法进行有效准确的纠错，纠错准确性低。

可见，现有的垂直搜索引擎的查询信息纠错方案，无法适用于全部错误类型，即便是勉强能够进行纠错但纠错准确性低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的垂直搜索引擎的查询信息纠错方法和系统。