同义词挖掘的一些常用方法

综述

在用户使用搜索引擎的过程中，由于地区差异、文化水平等差异，用户所输入的query很多时候和资料中的描述不一致。这种情况下，为了能够召回更多的文档向用户展示，搜索引擎需要对用户的输入做同义词、纠错、归一化等操作。在进行这些操作的过程中，同义词的挖掘是一个基础工作。下面简单介绍一下几个简单实用的算法。

词典

从百度词典、金山词霸的词条中抓取数据，根据原词的描述和解释提取同义词。这种算法简单有效，但是挖掘出来的同义词通常比较书面语。

百科词条

从百度百科、搜搜百科等百科网站抓取词条，在词条中，有“又叫”“别名”等特征词，从这些特征词之后可以提取该词条的其他说法。百科挖掘出的词条通常质量比较高。

元搜索数据

元搜索数据中，原始Query和其召回的文档存在一定的关系，有些是元搜索引擎做了同义替换或者非必留召回的结果。在这些结果和原始query做term对齐，从中可以挖掘出来其中隐含的同义词，为了提高召回的同义词的准确率，可以做一些处理：

1.       带有相同字的term

2.       飘红的term

3.       简写到全称

4.       上下位位置信息

上下文相关性挖掘

 在所有的文档中，如果两个term经常在相同的上下文下出现，那么这两个词是同义词的可能性较大。基于这个假设，

1.       对文档进行分词，统计每个term的上下文，根据一定的策略对上下文进行剪枝。

2.       把剪枝之后的上下文作为每个term的特征向量，求term之间两两的夹角余弦。

3.       提取余弦值比较高的作为候选同义词。

这种算法挖掘出的同义词会出现一些相关词但不是同义词的词对，因此这部分同义词通常需要一个人工审核的步骤。

语料对齐

在一个完备的检索系统中，会记录点击日志和用户的session日志。此外，还有不同的anchor指向同一个url。通过这些数据进行语料对齐，可以挖掘出来很多同义词：

1.       Query<>Query对齐：点击了相同URL的Query

2.       Query<>Title对齐：某个Query点击了某个URL

3.       Query<>Query对齐：同一个session内的Query，可能是用户的自纠错或者自修改

4.       Title<>Title对齐：被同一个Query点击的URL

5.       Anchor<>Title对齐：指向了某个URL的Anchor

6.       Anchor<>Anchor：指向了同一个URL的Anchor