搜尋意圖： 如果你在找「查詢擴展 是什麼」或「查詢擴展 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 查詢擴展是信息檢索中的一種技術，通過添加同義詞、相關詞或變體詞到原始查詢中，提高檢索的回召率和搜索結果的相關性。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
查詢擴展是信息檢索中的一種技術，通過添加同義詞、相關詞或變體詞到原始查詢中，提高檢索的回召率和搜索結果的相關性。
核心概念
查詢擴展解決的是查詞簡潔性與文檔豐富性之間的失配問題：
- 查詞簡潔性：用戶通常輸入很短的查詞，如「蘋果」、「Python」
- 文檔豐富性：相關文檔中可能用更多樣的表述，如「蘋果公司」、「Apple Inc.」、「Python 編程語言」
- 語言變異：同一個概念有多種表述方式
查詢擴展的目標是建立這種變異表述之間的橋樑，確保相關文檔不會因為表述差異而被遺漏。
常見的查詢擴展方法
1. 詞彙資源方法
- 使用詞典（如 WordNet）進行同義詞擴展
- 使用知識圖譜進行語義擴展
- 基於詞彙變異規則的擴展
2. 文本統計方法
- 相似詞co-occurrence：找與查詞經常共同出現的詞
- 局部反饋（Pseudo Relevance Feedback）：假設排名靠前的文檔相關，從中提取擴展詞
- 詞嵌入方法：使用 Word2Vec、GloVe 等找到語義相近的詞
3. 基於日誌的方法
- 從搜索日誌中發現用戶經常一起搜索的查詞
- 學習查詞的重寫規則
4. 深度學習方法
- 使用 BERT、GPT 等預訓練語言模型進行擴展
- 基於神經序列模型的查詞改寫
運作原理
以「局部反饋」方法為例：
- 使用原始查詞進行初步檢索，得到前 k 個結果
- 假設這 k 個文檔是相關的，計算它們中詞的 TF-IDF
- 選擇得分最高的詞（除去查詞本身）添加到擴展查詞中
- 使用擴展後的查詞重新進行檢索
例如，原始查詞「深度學習」的局部反饋可能得到擴展詞「神經網路」「神經元」「卷積」等，最終的擴展查詞變為「深度學習 神經網路 神經元 卷積」。
實際應用
- 通用搜索引擎：改進原始查詞，提高相關性
- 專業搜索：醫療搜索、法律文檔搜索中處理專業術語變異
- 垂直搜索：電商搜索、學術論文搜索
- 多語言檢索：在不同語言間進行查詞轉換和擴展
- 推薦系統：擴展用戶的搜索意圖，改進推薦
常見誤區
許多人認為查詞擴展越多越好，但實際上盲目擴展會引入噪音，導致檢索到大量不相關的結果。有效的查詢擴展需要精心選擇擴展詞，確保添加的詞真正相關而不是引入歧義。
常見問題
查詢擴展會不會導致結果不相關？
如果不當進行，確實有可能。例如，「蘋果」既可以指水果，也可以指蘋果公司，如果盲目地添加相關詞，就會同時檢索到水果和公司相關的結果。因此，有效的查詢擴展需要：（1）選擇高質量的擴展詞，避免歧義；（2）考慮查詞的上下文和用戶意圖；（3）使用適當的權重方案，原始查詞的權重應高於擴展詞；（4）進行用戶評估和反饋以持續優化。
如何判斷一個擴展詞是否相關？
判斷標準取決於擴展方法。對於詞典方法，同義詞的相關性較強。對於統計方法，可以使用相似度得分（如余弦相似度）來評估。對於基於日誌的方法，共現頻率或點擊率可以指示相關性。在實踐中，通常會設定一個相似度閾值，只選擇超過閾值的詞作為擴展詞。最終，通過 A/B 測試來驗證擴展的有效性。
查詢擴展與查詞改寫有什麼區別？
查詞擴展是添加新的詞到原始查詞中，保留原始查詞。查詞改寫（Query Rewriting）是用不同的表述替換原始查詞，例如將「深度學習」改寫為「深層神經網路」。改寫通常用於糾正拼寫錯誤、規範化表述、解決歧義等。兩者都可以用來改進檢索效果，但機制不同。有些先進的系統會同時使用擴展和改寫。