方式
1、逐词匹配
给你一句话，这时你需要将他们分成两两相对或三三相对的词条，但是你并不知道如何那几个相邻的字能够组成字条。那么索性你直接拿着这句话去翻新欢词典，从头到尾翻一次，发现没有符合的时候，就删除最后一个字，在去翻词典。
2、正向最大匹配法
按照我们的阅读习惯，从左到右进行匹配，而其中的最大的含义就是当出现多个匹配词条时，以字数最多的词条为准。
有个用户搜索：“成都动物园在哪里”。<br><br>这个时候进行第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发现没有匹配。<br><br>进行第二次查询，这次查询“成都动物园在哪”，同样没发现匹配。<br><br>进行第三次查询，这次是“成都动物园在”，还是发现没有匹配的。<br><br>第四匹配的时候，这次匹配“成都动物园”，结果在词条里面检索到了。<br>
保留结果是“成都动物园”。随后便去除“成都动物园”变成“在哪里”重新开始检索。这样根据我们的词典进行分词，我们可以得到结果：“成都动物园”“在”“哪里”。
3、逆向最大匹配法
逻辑和正向匹配相同，唯一的区别在于它是从右到左，每次减去开头的字。
以“成都动物园在哪里”为例。<br><br>第一次词典查询，按在最大的词“成都动物园在哪里”进行查询，发现没有匹配。<br><br>进行第二次查询，这次查询“都动物园在哪里”，同样没发现匹配。<br><br>进行第三次查询，这次是“动物园在哪里”，还是发现没有匹配的。<br><br>.......<br><br>最后在第七次查询我们得到“哪里”，随后便去除“哪里”对““都动物园在”进行检索。<br>
当同样的逻辑缩减到“在”后，还是没有相对应的词典，那么将“在”也单独剔出，开始检索“成都动物园”。这样第一次检索就成功检索出来，得到结果“哪里”“在”“成都动物园”这样的分词。因为是反向其实结果和正向结果相同。
4、双向匹配
这种匹配法是为了更加准确的分词出现，把正向和反向两种算法都切一遍，然后根据词条颗粒度来进行选择。分词的词条越长越好，非词典词和单字词越少越好的原则，选出这里面最合适的进行匹配。
例如：<br><br>非词典内的词：正向匹配（1）> 反向匹配（0） 选择反向<br><br>词典内的单字：正向匹配（2）= 反向匹配（2） 持平不做选择<br><br>总分词数量：正向匹配（3）< 反向匹配（2）选择反向<br>
词意纠错
词意纠错也是搜索里重要的一环节，在搜索的时候，打错字说错话是很常见场景（语言搜索）。
1、拼音纠错
当输入的汉字存在错误时，系统需要及时联系上下文进行解析，可以将汉字转换成拼音，通过同拼音进行识别，比如“如何吧大象放入病象”，把他们未能分词成功单独留下的汉字转化成拼音“如何“”ba“”大象“”放入“”bing“”xiang”在查询字典进行处理。
2、模型算法
这部分高于繁琐，想了解的可自行搜索：SVM、Maxent等
类目预测
用户使用搜索功能在于得到解答，所以我们需要理解用户搜索内容的含义。
比如用户搜索苹果的时候，她搜索的是吃的苹果还是苹果手机了。一个吃一个用这两个答案是风马牛不相及的，所以预测类目会对用户搜索结果影响很大。
1、人工配置
通过后端埋点日志搜集最近热门的搜索词，对这些搜索词进行指定配置，这样就可以保证当用户搜索苹果的时候出来的是苹果手机，而不是真的苹果。
2、类目相关性
通过对搜索词进行算法计算，从搜索词的重要性、类目数、类目出现次数、搜索词出现次数等进行计算。<br>代表性tf-dc算法。<br>
结果排序
比如搜索苹果手机，出现的结果是10万+条商品信息，那么谁排第一。就需要从权重出发进行权重排序。（商品少也可以按照最新更新时间排序）。
1、词频：对搜索对query进行分词处理，在进行预测类目后对高词频内容优先展示<br>
2、用户标签：符合用户标签喜好的商品进行加权,优先排序<br>
3、时间段：对当前时段营业（客服在线）进行加权<br>
4、销量、好评率：同理这就不说了<br>
5、商品时效：对新更新商品进行加权，可用于互冲旧商品销量、好评的加<br>
6、付费：竞价广告、付费升权等
