百度词条中的链接结果不匹配问题

百度词条中的链接结果不匹配问题

    百度词条中经常会出现一些不匹配的问题，这次又发现了一种：一个词条中有些词是包含链接的，百度用蓝色标注出来了，但是当我们点击连接进去的时候，又发现结果一点儿都相关，这就出现了不匹配的现象。

    我们举例：我们在百度百科搜索词条“面向对象程序设计及C++”，这是一本C++的教程，百度词条的搜索结果是：

http://baike.baidu.com/link?url=O-30nI9DdhH45_jItIUu_C3MUbl7bK1DY1zvk-hWa51usS8q08pfqRrv-tCConylcxgqARRKSXQ85qNNHgc9h_

  然后我们显然可以看到这本书的作者信息是有链接的，也就是说百度词条收录了该作者的信息，假如我们还想了解该作者的其余作品，以便我们进一步学习，我们可能是想点进去看看的，这是对我们有帮助的。

   

    非常可惜的是，点进去的人物词条和真实作者信息不相关，根本就不是我们所要找的熟悉计算机编程领域的作者。我们可以展示链接的结果：

    三位作者的信息和三个链接对应的词条结果都不正确，用户没有找到相关的。这个不准确的信息往轻的说影响到了用户体验；往严重来说，用户在多次得不到准确反馈之后就不会再点击词条页面的链接了。

    其实，这个问题是可以解决的。我的初步想法如下：

   首先，我们可以初步确定的是百度使用的策略是搜索“面向对象程序设计及C++”词条页面的所有内容，每个word都在词库中做匹配，当匹配到词库中存在和作者相同的词时，可能会有个筛选的规则，具体筛选规则我们就不去猜测了，然后就直接返回匹配词条的链接。

    假如百度有这样的筛选规则的话，那么它肯定不是很有效的，有提升的空间。

   一个可行的改进策略是，我们先对用户搜索词条页面进行特征提取，用一些主题模型PLSA等，提取出该词条的topic words,例如上面的面向对象程序设计及C++”词条，我们可能得到的就是“编程”，“C++”，“计算机”之类的词汇。当存在匹配的词条时，我们也提取匹配词条页面的主题词，如果领域相当，我们才返回这个链接；否则，我们就不返回。

    

    这样就可以避免上面匹配结果完全不相关的情况。上面的三个作者词条应该都是属于“计算机”类别领域的，而返回匹配的几乎都是“政界”、“新闻界”、“医学”领域的词条，这个错误使用上面的筛选规则是完全可以避免的。