关键词推荐的几种常见相关性计算方法

你在互联网使用搜索的时候，关键词推荐可能是你经常使用到的一个辅助工具。如各种搜索引擎搜索框的下拉提示；google 结果页会有“XXX”的“相关搜索”；百度结果页也有提示一组相关搜索词。关键词推荐在文献上一般称为query suggestiong，query expansion，query rewrite，query recommendation。

而这些常见的关键词推荐是怎么得到的呢？我总结了一下，有以下几种方式。
第一：只考虑用户输入的关键词。
这是指，推荐词只是用户输入词的字串的组合，不添加新的字符串。那么我们考虑的就是如何丢弃不重要的字或者词，或者对输入关键词做拼写纠错。
对于如何丢弃词，考虑怎么计算字或者词的重要性。考虑词的重要性可以通过TF-IDF，信息增益等方法来完成。还有一种方法是：通过crf的方法，通过序列标注的方法，标准两类词，第一类是重要的词，第二类是次要的词。标记出来之后，我们扔掉不次要的词，留下来的也就是重要词。

第二：只考虑用户输入序列的关键词。
这种方法可以把每个用户在一个时间段输入的n个词看成是一次“购物篮”数据，我们统计两周甚至几个月的用户输入，那么我们就可以得到非常多的购物篮数据。通过关联规则挖掘，我们就可以挖掘出相关词。但是这种方法明显的缺点就是没有考虑购物篮中的物品的顺序。当一个关键词和另外一个关键词很相似的时候，无法当成统一为一个对象。

例如“nokia 正品”和“正品 nokia”是两个不同的词，甚至字母大小写也会当成不同的购物篮中的对象。我们需要对这些对象做一下归一化。例如：query分词后按照ascii排序；通通转换为小写字母；把英文品牌通通转换为中文品牌等。
关联规则是一个比较简单方法。更加复杂一点，我们可以把所有的query当成node，当输入联系查询了query1和query2，那么这两个结点之间就有一条边。这些边上面的权重都可以用概率来表示，最终再用最短路径之类的方法来求解。
或者使用互信息的方法来计算两个query之间的相关性。sim(x,y)=P(x,y)/(p(x)*p(y)).

第三：考虑query-click log
把query-click item作为一个矩阵。query是矩阵的行，click iterm或者page（URL）作为列，矩阵中的元素是query（i）点击URL（j）的次数。通过这样的一个矩阵，我们就可以使用k-means聚类，或者对query两两之间通过url 的向量来计算相关性。

第四种：考虑一些规则
对应一些词难以推荐相关词，则通过不同的规则来完成不同的推荐。如地点替换/放大/缩小。属性的替换，如款式的替换等等。