🏗️ 工业系统设计ID:
query-understanding-pipelineQuery 理解、分词与意图分类
Query Understanding Pipeline
🎯核心定义
Query 理解流水线 (Query Understanding Pipeline, QU) 是现代搜索引擎与电商搜索系统的最前端认知中枢；它在用户提交搜索词后、执行物理检索之前，通过一套极速（）级联 NLP 模块对原始 Query 进行深度解析与意图结构化：1) 文本清洗与规范化 (Normalization: 去除无意义标点、繁简转换、全半角归一)；2) 错别字智能纠错 (Spelling Correction: 拼音流、编辑距离与语言模型纠偏)；3) 命名实体识别与词权重分析 (NER & Term Weighting: 识别品牌、品类、型号、属性，并计算各词的核心度权重)；4) 同义词扩展与 Query 改写 (Synonym Expansion: 如“苹果手机”扩展为“iPhone”)；5) 意图分类与类目预测 (Intent Classification & Category Prediction: 判断是精准找货、泛搜索、比价还是导航意图，并预测类目概率分布)。
💡使用场景
淘宝/京东电商搜索入口、Google/百度全网通用搜索、站内垂直搜索与企业知识库检索。
⚡解决的核心痛点
原始用户搜索词极度简短（平均 2-3 个词）、口语化、常伴随错别字与多义歧义；Query 理解流水线将模糊文本转化为包含结构化实体标签、类目过滤约束与权重增强的规整查询树，从源头上决定了召回的精准度。
🎯5 个高频面试考点 (Exam Points)
1
详细剖析 Term Weighting (词权重计算) 算法：如何通过结巴/深度模型计算核心实体词与辅助修饰词的权重差异并在检索中加权？
2
基于 Transformer 序列标注的电商多目标 NER (实体识别: 品牌/品类/属性/型号) 在低延迟 C++ 推理引擎中的加速方案？
3
Query 纠错系统中的候选召回（基于 Trie 字典树、编辑距离、拼音索引）与基于统计语言模型打分排序的两阶段架构？
4
同义词扩展 (Synonym Expansion) 如何防止过度泛化（如“苹果”在不同上下文中被误扩展为水果或手机）的上下文消歧机制？
5
电商搜索中的类目预测 (Category Prediction) 如何通过强行注入类目硬过滤或软提权 (Category Boosting) 避免搜索结果风马牛不相及？
📖 关联深度指南:📄 search-and-ad-system-design →
更新于 2026-08-14🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「Query 理解、分词与意图分类」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。