48 | 搜索引擎（下）：如何通过查询的分类，让电商平台的搜索结果更相关？

是否还是通过朴素贝叶斯进行优化?

黄老师除了刚刚文中您讲的Elasticsearch利用分类结果来改变搜索排序，还有没有其他的可以加深对查询分类器和搜索引擎结合使用的实操案例？谢谢

思考题： 如果获取的是P(C|f1,f2,...fn)，个人理解也可以采用朴素贝叶斯来构造分类器， 即P(C|f1,f2,...fn) = P(C|f1) * P(C|f2) * P(C|f3)....*P(C|fn)，而各项P(C|fi)全部通过用户的购卖行为得到。 举例： 用户有6次购买行为，其中5次购买的是“国产计算机”，1次购买的是“国产咖啡”，则有: 分类C = {计算机类、咖啡类}， 查询关键词f = {国产、计算机、咖啡} 于是就有分类器： P{计算机类 | 国产, 计算机} = P{计算机类|国产} * P{计算机类|计算机} = 5/6 * 5/6 = 25/36 P{咖啡类 | 国产, 计算机} = P{咖啡类|国产} * P{咖啡类|计算机} = 1/6 * 0 = 0 P{计算机类 | 国产, 咖啡} = P{计算机类|国产} * P{计算机类|咖啡} = 5/6 * 0 = 0 P{咖啡类 | 国产, 咖啡} = P{咖啡类|国产} * P{咖啡类|咖啡} = 1/6 * 1/6 = 1/36 因此当用户输入“国产 计算机”时，分类器会优先出现计算机类，而当用户输入“国产 咖啡”时，分类器则会优先出现咖啡类。 这种改进是否正确，请老师指教。

不是很了解搜索引擎的实现原理，只能凭借直觉来讲。 如果把查询看做多个词的组合，那么应该也可以采用线性组合的方式吧，同样可以先用商品目录来构建查询分类器，然后把分词的结果按照一定的规则，选择合适的分类器，比如“低脂牛奶巧克力”要放到巧克力类目；而“低脂巧克力牛奶”要归为牛奶类目；。 在有了一些用户行为数据之后，可以逐步加大用户行为在其中的比重，同样采取简单的线性加和。 其实如果查询语句越长，越有可能判断出搜索的类别和用户的真实意图。

老师，有更多关于垂直领域搜索引擎提高相关性的资料推荐么

我就是这样来用的；哈哈

思考题 多个词为条件的概率可以近似看成这些词是独立的，然后求出条件概率的乘积。

我想的是先按照每个分类计算，方法和只有一个分类的情况一样，然后再根据用户对每个分类的浏览搜索行为作为排序权重，不知道对不对

先算出关键词的分类 再给分类字段 提升权重 查询

向量空间求出的结果顺序是基于文本的统计信息。当商品名包含的关键词过少而描述包含的关键词过多，这种相关性就更多的反映了描述的相关性，而描述中的词汇不如文章中的词汇有代表性，还反映了卖家卖出货物的意愿，信息的准确度大打折扣。为了解决这个问题，在查询结果的排序中优先显示和查询类别一致的结果。为了让类别信息优先处理，需要构建查询到商品类别的映射，这个映射可以通过贝叶斯模型来处理，也就是求出查询为条件，各个类别出现的概率，这种方法对于商品数据分布不均匀的情况下会有不少误差。还可以观察用户行为，构建查询到商品类别的映射，这种方法动态实时高效，缺点是没有历史数据的情况下如何处理。可以综合这两者来加权处理。用户数据量少的时候，贝叶斯模型权重大，用户数据量大的时候，基于用户行为的模型权重大。