你有没有过这样的经历：在搜索框输入一个词，结果却完全不是自己想要的。比如搜“苹果”，可能想查iPhone新机，结果满屏都是水果种植技术。这时候，如果你身边有位懂行的服务员，他听了“苹果”两个字，会先问一句：“您是想要手机，还是想买水果？”然后麻利地给你端来一桌候选——iPhone、Mac、水果礼盒。这个“懂你的服务员”，就是今天的主角：查询扩展。 查询扩展是搜索系统里的一项核心技术：当用户输入简短的查询词时，系统自动从同义词表、历史反馈、词向量空间中找来一批相关词，和原始查询拼在一起，再去检索。这样一来，原本搜不到的隐藏文档就能被捞出来，召回率显著提升。它就像服务员手里那本“黑话词典”——你说“辣的”，他听懂你想吃川菜，还顺手推荐了水煮鱼和麻婆豆腐。别小看这个动作，搜索引擎、电商搜索、企业知识库都在靠它“更懂你”。

岗位关联

掌握查询扩展，你就能直接提升搜索系统的召回率与用户体验。无论做搜索引擎、电商检索还是 RAG 知识库，这都是召回环节的必备技能，也是搜索算法工程师面试的高频考点。

目录
  1. 可视化演示
  2. 概念原理：点菜服务的第一步
  3. 同义词扩展：服务员的“黑话词典”
  4. 伪相关反馈：看反应再加菜
  5. 词嵌入扩展：食材性格图谱
  6. 改写区别：复述菜单 vs 加菜
  7. 召回评估：上菜率怎么算
  8. 实践应用：把“懂你”做成标准流程
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示同义词扩展、伪相关反馈PRF和词嵌入语义扩展三种查询扩展方法，帮助理解搜索引擎如何通过扩展查询提升召回率。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+captions.synonym+'

概念原理：点菜服务的第一步

想象你走进一家餐厅，只说了句“随便来点好吃的”。服务员如果只端上一道菜，你大概率会失望——因为“好吃的”这个词太模糊了，它可能指口味、食材、做法，或者是招牌菜。聪明的服务员会怎么做？他会在你原话的基础上，补充几个可能的方向：招牌菜、当季特色、大众点评高分菜，然后一起端上来让你选。这个过程，就是查询扩展的缩影：保留你的原始意图，再帮你多找几条候选路径。

在信息检索里，查询扩展（Query Expansion）做的正是这件事。用户输入的查询词往往只有两三个字，比如“苹果”，但文档库里可能有一万种“苹果”的写法：iPhone、MacBook、红富士、Apple Inc.……仅仅用“苹果”两个字去匹配，大量相关文档会被漏掉。查询扩展的思路是：在原始查询的基础上，通过同义词表、检索反馈或词向量模型，自动生成一批相关词，让检索系统有更多“钩子”去文档库里捞鱼。

一次标准的查询扩展流程分为三步：先接收原始查询，再调用扩展策略生成扩展词集合，最后用扩展后的查询去执行检索并融合打分。常见扩展策略有三种——同义词扩展、伪相关反馈、词嵌入扩展，接下来的章节会逐一展开。

回到餐厅的场景：原始查询是客人那句“随便吃点”，扩展函数是服务员脑子里的菜谱知识，并集运算则是把客人原话和候选菜名放在同一张菜单上。查询扩展的价值正在于此——它不改变你的需求，只是帮你多留几扇门。

Q′=Q∪E(Q)\displaystyle Q' = Q \cup E(Q)
这个公式的意思是：扩展后的新查询集合 Q'，等于原始查询集合 Q 并上扩展函数 E 生成的相关词集合。
  1. 原始查询集合用户输入的全部词构成初始查询集合，它是所有扩展动作的起点。
    Q={w1,w2,…,wn}\displaystyle Q = \{w_1, w_2, \dots, w_n\}
  2. 扩展函数从同义词表、反馈文档或词向量空间中派生相关词。
    E(Q)={v∣v∈Synonym(Q)∪PRF(Q)∪Emb(Q)}\displaystyle E(Q) = \{v \mid v \in \mathrm{Synonym}(Q) \cup \mathrm{PRF}(Q) \cup \mathrm{Emb}(Q)\}
  3. 合并去重把原始词与扩展词合并去重，得到规模更大、召回能力更强的查询集合。
    Q′=Q∪E(Q)\displaystyle Q' = Q \cup E(Q)

同义词扩展：服务员的“黑话词典”

店里来了位客人说：“我要吃辣的。”经验丰富的服务员立刻在脑海里翻出一本词典：“辣的”= 川味 = 重口味 = 香辣 = 麻辣。他写上菜单的不仅是“辣”这个字，还有一整套“辣的家族”。这本词典，在检索系统里就是同义词表。

同义词扩展是最经典、最容易落地的扩展方式。它的做法很简单：离线维护一张同义词表，记录词语之间的同义或近义关系；在线查询时，把用户查询中的每个词拿去查表，命中就把同义词也加入查询。比如搜“连衣裙”，同义词表里有“长裙”、“雪纺裙”，检索时这几个词一起去匹配文档，召回覆盖面立刻扩大。

同义词表从哪里来？主要有三种构建途径。其一是人工编纂，标注人员把搜索词和商品词、规范词对齐，质量高但成本大；其二是从用户点击日志中挖掘——用户搜“苹果”后大量点击了"iPhone"标题的页面，这两个词就会被关联起来；其三是借助词嵌入聚类，把语义相近的词自动归组，再辅以人工审核。然而同义词扩展也有明显的局限：词典的覆盖永远追不上新词热词的出现速度，而且一旦同义词选用不当，就会把查询带偏，反而拉低效果。

服务员的“黑话词典”需要定期更新——新菜式、新流行语要随时补录；检索系统的同义词表同样需要多路信号持续迭代。词典越厚，服务员越懂客，搜索系统也就越懂用户。

Esyn(w)={v∣v∈Synonym(w)}\displaystyle E_{\mathrm{syn}}(w) = \{v \mid v \in \mathrm{Synonym}(w)\}
这个公式定义了“查词典”动作：对词 w 而言，它的同义词扩展集合就是同义词表中 w 对应的所有近义词。
  1. 查表取词在既有的同义词表中，找到与查询词 w 语义相同或相近的条目。
    Synonym(w)={s1,s2,…,sk}\displaystyle \mathrm{Synonym}(w) = \{s_1, s_2, \dots, s_k\}
  2. 生成候选集把表中所有条目取出，构成 w 的同义词扩展集合。
    Esyn(w)={v∣v∈Synonym(w)}\displaystyle E_{\mathrm{syn}}(w) = \{v \mid v \in \mathrm{Synonym}(w)\}
  3. 全查询合并对查询中的每个词分别查表扩展，再与原始查询合并，得到最终扩展查询。
    Q′=Q∪⋃w∈QEsyn(w)\displaystyle Q' = Q \cup \bigcup_{w \in Q} E_{\mathrm{syn}}(w)

伪相关反馈：看反应再加菜

服务员上了一桌菜，客人拿起水煮鱼连吃三筷，又夹了两块辣子鸡。服务员看在眼里，转身对后厨说：“再上两份偏辣、重油的菜！”他没有问客人“您觉得刚才的菜如何”，而是从客人的“反应”里自动读出了口味偏好。这就是伪相关反馈的直觉。

伪相关反馈（Pseudo-Relevance Feedback，简称 PRF）的核心假设是：先用原始查询做一轮检索，排名靠前的文档大概率与用户需求相关。于是系统把这前 N 篇文档当作“相关反馈”（故称“伪”），从这些文档中提取高频关键词，补充进原始查询，再做第二轮检索。整个过程不需要用户有任何额外操作，完全自动完成。

具体流程分四步：第一轮用原始查询检索，取回 Top-N 文档；假设这些文档相关；从这些文档中挑出区分度高的词（通常是 TF-IDF 加权后得分高的词）；把挑选出的词追加到原始查询中，执行第二轮检索。经典算法是 Rocchio 相关反馈公式，它把原查询向量与反馈文档的质心向量做加权融合，让新查询“靠近”相关文档、远离不相关文档。

服务员从客人的“筷子动向”里学到的东西，本质上也是一种反馈信号，虽然客人从没开口，但行为已经说明了一切。伪相关反馈能在无语义资源（如同义词表）的情况下自动发现相关词，是很多搜索引擎召回增强的秘密武器。

Qt+1′=αQt+β⋅1∣Dr∣∑d∈Drd⃗\displaystyle Q'_{t+1} = \alpha Q_t + \beta \cdot \frac{1}{|D_r|} \sum_{d \in D_r} \vec{d}
这里的含义是：下一轮的查询向量 = 原查询向量 × α + 反馈文档平均向量 × β。说白了就是让新查询朝“客人的筷子伸向的方向”挪一步。
  1. 第一轮检索用原始查询检索，取得分最高的前 N 篇文档作为伪相关文档集合。
    Dr={d1,d2,…,dN}\displaystyle D_r = \{d_1, d_2, \dots, d_N\}
  2. 文档向量平均对反馈文档的词频向量（或词向量）取算术平均，得到“反馈方向”。
    vˉ=1∣Dr∣∑d∈Drd⃗\displaystyle \bar{v} = \frac{1}{|D_r|} \sum_{d \in D_r} \vec{d}
  3. 加权融合原查询向量与反馈方向按权重 α、β 相加，得到下一轮查询向量。
    Qt+1′=αQt+β⋅vˉ\displaystyle Q'_{t+1} = \alpha Q_t + \beta \cdot \bar{v}

词嵌入扩展：食材性格图谱

一位顶级厨师脑子里装着一张“食材性格图谱”：豆腐和豆干性格相近——都是豆制品，口感软嫩、味道清淡；牛肉和牛腩性格相容——都适合慢炖。客人点了“豆腐汤”，厨师会推荐豆干、千张这类“性格相近”的食材。这张图谱，对应着检索系统里的词嵌入（Word Embedding）。

词嵌入技术（如 Word2Vec、GloVe）把每个词映射成一个几百维的稠密向量。训练之后，语义相近的词在向量空间中距离很近，比如“苹果”向量和“iPhone“向量、和”水果”向量都处于邻近区域。词嵌入扩展的做法是：计算查询词向量与候选词向量的余弦相似度，选出相似度最高的 Top-N 个词，作为扩展词加入查询。

与同义词表相比，词嵌入扩展的最大优势是“无监督发现”——不需要人工维护词典，模型自动从语料中学习语义关联，甚至能发现“苹果”与“华为”这种竞争品关系、以及“京东”与“物流”这种场景关联。它的局限性在于：相似不等于同义，高相似度的词可能语义相关但并不适合作为查询词，所以工业界通常会设定相似度阈值，并加一轮人工规则过滤来控制噪声。

厨师的“食材性格图谱”来自长年累月的烹饪经验；词嵌入模型的“性格图谱”则来自海量文本语料的统计规律。图谱在手，厨师能举一反三，检索系统也能触类旁通。

sim(w,v)=w⃗⋅v⃗∥w⃗∥ ∥v⃗∥\displaystyle \mathrm{sim}(w, v) = \frac{\vec{w} \cdot \vec{v}}{\|\vec{w}\| \, \|\vec{v}\|}
这个式子衡量两个词向量的“方向一致性”：方向越一致，余弦值越大，词义越相近。它是所有词嵌入扩展选词的依据。
  1. 词向量映射词 w 和词 v 分别转换为 d 维稠密向量，语义通过向量的位置表达。
    w⃗=(x1,x2,…,xd)\displaystyle \vec{w} = (x_1, x_2, \dots, x_d)
  2. 点积计算两向量对应维度相乘再累加，数值越大表示方向重叠越多。
    w⃗⋅v⃗=∑i=1dxiyi\displaystyle \vec{w} \cdot \vec{v} = \sum_{i=1}^{d} x_i y_i
  3. 归一化相似度除以两个向量的长度之积，使相似度落在 [-1, 1] 区间，便于统一设阈值。
    sim(w,v)=w⃗⋅v⃗∥w⃗∥ ∥v⃗∥\displaystyle \mathrm{sim}(w, v) = \frac{\vec{w} \cdot \vec{v}}{\|\vec{w}\| \, \|\vec{v}\|}

改写区别：复述菜单 vs 加菜

有时服务员会跟客人确认：“您说的是要一份辣子鸡，对吗？”这是复述——把客人模糊的话翻译成一道明确的菜。而另一种情况是，客人说“来点辣的”，服务员端上来水煮鱼、辣子鸡、麻婆豆腐三样，这是加菜。把这两件事分清，你就理解了查询改写与查询扩展的本质区别。

查询改写（Query Rewriting）是把原始查询“翻译”成另一个查询：把长句压缩成关键词、把口语换成书面语、把有歧义的词消歧。比如用户输入“北京天气怎么样”，改写系统可能输出“北京 天气”，它用新查询替换掉了原查询。查询扩展（Query Expansion）则不同：它保留原始查询的全部词语，只是额外叠加一批相关词。一个替换，一个叠加，这是两者最本质的差异。

从目标看，改写追求“更精准地表达用户意图”，扩展追求“更广泛地覆盖相关内容”。从形式看，改写的输出通常仍是单个查询串，可以继续作为扩展的输入，两者天然是流水线上下游的关系——现阶段的搜索系统往往先用改写归一化查询，再做扩展增强召回。写公式来对照，就更清楚了：

服务员先确认菜名（改写），再端上一桌候选（扩展），客人体验自然更好。搜索系统也遵循同样的分工：改写负责“听懂你”，扩展负责“多给你选择”。

Qrewrite=f(Q),Qexpand=Q∪E(Q)\displaystyle Q_{\mathrm{rewrite}} = f(Q), \qquad Q_{\mathrm{expand}} = Q \cup E(Q)
左边是改写：原查询 Q 被加工成一个新查询；右边是扩展：原查询 Q 原封不动保留，多出并集词 E(Q)。
  1. 改写映射规则或模型把 Q 映射为另一个查询串，输出是“替换式”的。
    Qrewrite=f(Q)\displaystyle Q_{\mathrm{rewrite}} = f(Q)
  2. 扩展叠加在原查询基础上附加扩展词，输出是“叠加式”的。
    Qexpand=Q∪E(Q)\displaystyle Q_{\mathrm{expand}} = Q \cup E(Q)
  3. 协同使用改写先做语义归一，扩展再扩充候选，两者配合使用效果最佳。
    Qfinal=Qrewrite∪E(Qrewrite)\displaystyle Q_{\mathrm{final}} = Q_{\mathrm{rewrite}} \cup E(Q_{\mathrm{rewrite}})

召回评估：上菜率怎么算

客人说“来点辣的”，这家餐厅菜单上真正符合“辣”的菜有 10 道。服务员忙了一晚上，结果只端出来了 3 道，这时候我们可以说：这桌菜的上菜率是 30%。“上菜率”换成搜索术语，就是召回率（Recall）。

召回率衡量的是：系统返回的文档中，真正相关的文档占“全部相关文档”的比例。计算时以“用户需求”为基准，问一个问题——所有应该被检索到的文档中，系统真正捞出了多少？与召回率相伴的是精确率（Precision），它问的是另一个问题——系统返回的文档中，有多少是真正相关的？这两者像跷跷板的两端：扩展词加得越多，召回的文档越多，但无关文档混入的概率也变大，精确率随之下降。

为了平衡二者，业界常用 F1 分数，它是精确率和召回率的调和平均，能综合反映检索质量。在工程实践中，上线查询扩展前后一定要做 A/B 实验：对比扩展前后的召回率、精确率、点击率、下单率等指标，确认扩展带来的收益大于噪声带来的损失，才能全量放量。

上菜率高的餐厅不一定好吃——还有口味（精确率）的考量；召回率高的搜索系统也不一定好用——还有排在第一页的答案准不准。好的检索系统，像好的服务员一样，在“什么都端上来”和“精准拿捏”之间找到平衡点。

Recall=∣R∩A∣∣R∣\displaystyle \mathrm{Recall} = \frac{|R \cap A|}{|R|}
这个公式的字面意思是：召回率 = 被检索到的相关文档数 ÷ 全部相关文档数。上菜率 = 端上桌的辣菜数 ÷ 菜单上所有辣菜数。
  1. 相关文档集合与用户查询意图真正相关的全部文档，是评估的“标准答案”。
    R={d∣d 与查询主题相关}\displaystyle R = \{d \mid d \text{ 与查询主题相关}\}
  2. 检索结果集合系统实际返回的文档集合，通常取 Top-K 或得分大于阈值者。
    A={d∣d 被检索系统返回}\displaystyle A = \{d \mid d \text{ 被检索系统返回}\}
  3. 交集与比率同时属于 R 和 A 的文档数占 R 的比例，数值越高说明漏检越少。
    Recall=∣R∩A∣∣R∣\displaystyle \mathrm{Recall} = \frac{|R \cap A|}{|R|}

实践应用：把“懂你”做成标准流程

服务员“懂你”的本事再大，如果只在单家店里灵光一现，也成不了连锁品牌。要把这门手艺沉淀成标准化流程，需要一套从离线到在线的完整体系。查询扩展在工业界的落地，正是这样一套工程化打法。

在搜索引擎中，查询扩展被广泛用于同义匹配：用户搜“没油了”，系统能理解他想要“加油站”；搜“宝宝腹泻”，能关联“婴幼儿 拉肚子”。这些同义关系来自搜索日志挖掘与同义词表的联动。在电商搜索中，查询扩展是提升长尾商品曝光的利器：用户搜“连衣裙”，通过同义词与词嵌入双路扩展，把“雪纺裙”“长裙”“one-piece“一并召回，让那些从来不会被”连衣裙”三个字匹配到的商品也有机会出现在用户面前。

部署与优化的要点有三条：其一，离线构建资源——定期更新同义词表、训练词向量、沉淀点击日志；其二，在线轻量执行——扩展逻辑必须低延迟，通常用倒排索引加内存词典完成，不能每次查询都去跑一趟大模型；其三，效果持续监控——用 A/B 实验对比扩展前后的核心指标，既看召回率提升，也盯住精确率与转化率是否劣化。记住，扩展是手段，让用户找到想要的东西才是目的。

从一家小店到连锁餐厅，靠的是把“懂客”沉淀成流程；从单次查询到海量流量，查询扩展靠的也是把“懂用户”沉淀成资源和策略。搜索与搜索背后的人，永远值得被更好地理解。

Gain=Recallexp−Recallbase\displaystyle \mathrm{Gain} = \mathrm{Recall}_{\mathrm{exp}} - \mathrm{Recall}_{\mathrm{base}}
这个式子用于量化查询扩展的收益：扩展后的召回率减去扩展前的召回率，差值越大说明扩展越有价值。
  1. 基线召回率不扩展、只用原始查询检索时的召回率，作为对照基准。
    Recallbase=∣R∩Abase∣∣R∣\displaystyle \mathrm{Recall}_{\mathrm{base}} = \frac{|R \cap A_{\mathrm{base}}|}{|R|}
  2. 扩展后召回率应用查询扩展后再次检索的召回率。
    Recallexp=∣R∩Aexp∣∣R∣\displaystyle \mathrm{Recall}_{\mathrm{exp}} = \frac{|R \cap A_{\mathrm{exp}}|}{|R|}
  3. 增益差值两者相减，得到扩展带来的绝对提升幅度。
    Gain=Recallexp−Recallbase\displaystyle \mathrm{Gain} = \mathrm{Recall}_{\mathrm{exp}} - \mathrm{Recall}_{\mathrm{base}}

AI 应用场景

电商搜索长尾词召回

阶段：召回与查询理解

解决的问题：用户搜“连衣裙”，大量描述为“雪纺裙”“长裙”的商品由于字面不匹配而无法曝光，传统字面匹配召回率低，商家好货卖不出去，用户也找不到心仪的款。

具体案例：某电商平台在搜索“连衣裙”时，调用同义词扩展（雪纺裙、长裙、one-piece）叠加词嵌入扩展（碎花裙、半身裙），扩展后召回文档数提升，长尾商品曝光量明显上升，搜索页人均浏览商品数提升，平台成交转化率同步改善。

搜索引擎口语化同义匹配

阶段：查询理解 / 查询预处理

解决的问题：用户习惯用口语甚至方言查询（“没油了”“车坏了”），而网页文档用的是书面语（“加油站”“车辆故障”），字面匹配形同虚设。

具体案例：某地图搜索 App 从用户点击日志中挖掘出“没油了→加油站”“胎爆了→补胎 维修”等关联对，构建同义词表并用于查询扩展。用户输入口语词时，系统自动追加书面语扩展词，附近加油站、维修店的召回率显著提升，导航到店率与用户满意度双涨。

企业知识库伪相关反馈增强

阶段：召回与重排

解决的问题：企业内部文档用词规范（“差旅费用报销”），员工搜索时却习惯说“出差发票怎么贴”，字面差异导致关键制度文件搜不到，人力咨询成本居高不下。

具体案例：某公司知识库接入伪相关反馈模块：先对“出差发票”做首轮检索，取回 Top-5 文档，自动提取其中高频词“报销”“差旅”“审批”回注查询，再执行第二轮检索。员工用日常口语提问，也能命中最新的制度文件，知识库搜索满意度大幅提高。

Python 演示

python107 行
# -*- coding: utf-8 -*-"""极简查询扩展演示: 同义词扩展 + 伪相关反馈 提升召回."""from collections import Counter # 模拟的文档库, 词语已用空格切分DOCS = {    0: "苹果 公司 发布 了 新款 iPhone 手机",    1: "苹果 是 一种 营养 丰富 的 水果",    2: "苹果 手机 在 国内 市场 销量 领先",    3: "水果 富含 维生素 适合 日常 食用",    4: "华为 手机 与 苹果 手机 竞争 激烈",    5: "水果 种植 需要 充足 的 光照 和 水分",    6: "今年 苹果 减产 果农 收入 下降",    7: "苹果 电脑 Mac 系统 深受 设计 者 喜爱",    8: "香蕉 和 苹果 都是 常见 水果",    9: "手机 行业 报告 显示 苹果 位居 榜首",} # 人工标注: 搜索"苹果"时真正相关的文档 (想买苹果电子产品的人)RELEVANT = {0, 2, 4, 7, 9} # 极简同义词表SYNONYMS = {    "苹果": ["手机", "水果", "iPhone", "Mac"],    "手机": ["iPhone", "智能手机"],    "水果": ["香蕉", "维生素"],}  def tokenize(text):    """按空格切分得到词列表."""    return text.split()  def score(query_terms, doc_terms):    """计算查询词在文档中的词频总分."""    cnt = Counter(doc_terms)    return sum(cnt[t] for t in query_terms)  def search(query_terms, top_k=None):    """返回按得分降序的 (doc_id, score) 列表."""    ranked = []    for doc_id, text in DOCS.items():        ranked.append((doc_id, score(query_terms, tokenize(text))))    ranked.sort(key=lambda x: x[1], reverse=True)    if top_k is not None:        ranked = ranked[:top_k]    return ranked  def expand_by_synonyms(query_terms):    """同义词扩展: 查询词查表并扩充."""    expanded = set(query_terms)    for term in query_terms:        if term in SYNONYMS:            expanded.update(SYNONYMS[term])    return list(expanded)  def pseudo_feedback(query_terms, top_k=3, extra=2):    """伪相关反馈: 取前top_k篇文档, 提取高频词加入查询."""    feedback_docs = search(query_terms, top_k=top_k)    counter = Counter()    for doc_id, _ in feedback_docs:        counter.update(tokenize(DOCS[doc_id]))    for term in query_terms:        counter.pop(term, None)    return query_terms[:] + [w for w, _ in counter.most_common(extra)]  def recall_at_k(doc_ids, k=5):    """计算前k篇结果中的召回率."""    hits = [d for d in doc_ids[:k] if d in RELEVANT]    recall = len(hits) / len(RELEVANT)    return hits, recall  def main():    q = ["苹果"]    print("原始查询:", q)    base = search(q)    base_ids = [d for d, _ in base]    hits, rec = recall_at_k(base_ids)    print("返回top5:", base_ids[:5], "命中相关:", hits[:5])    print("recall@5 = %.2f" % rec)     expanded = expand_by_synonyms(q)    print("\n同义词扩展后:", expanded)    res2 = search(expanded)    res2_ids = [d for d, _ in res2]    hits, rec = recall_at_k(res2_ids)    print("返回top5:", res2_ids[:5], "命中相关:", hits[:5])    print("recall@5 = %.2f" % rec)     feedback = pseudo_feedback(expanded)    print("\n伪相关反馈再加词:", feedback)    res3 = search(feedback)    res3_ids = [d for d, _ in res3]    hits, rec = recall_at_k(res3_ids)    print("返回top5:", res3_ids[:5], "命中相关:", hits[:5])    print("recall@5 = %.2f" % rec)    print("\n结论: 查询扩展让top5命中的相关文档数由3个增加到4个")  if __name__ == "__main__":    main()
目的：用 10 篇模拟文档演示同义词扩展与伪相关反馈如何把召回率从 0.60 提升到 0.80，帮助理解查询扩展的完整链路。
  1. DOCS预置的模拟文档库，词语已用空格隔开，省去中文分词依赖，让代码专注演示扩展逻辑。
  2. RELEVANT人工标注的“标准答案”，即搜索“苹果”时真正相关的文档集合，用于计算召回率。
  3. SYNONYMS = {"苹果": ["手机", "水果", "iPhone", "Mac"]}极简同义词表，模拟服务员口中的“黑话词典”。
  4. def score(query_terms, doc_terms)用查询词在文档中的词频之和作为打分依据，模拟检索打分过程。
  5. def search(query_terms, top_k=None)遍历文档库计算得分并排序，返回 Top-K 文档，相当于餐厅端出最匹配的几道菜。
  6. def expand_by_synonyms(query_terms)核心扩展逻辑：查询词逐词查表，命中就把同义词并入查询集合。
  7. def pseudo_feedback(query_terms, top_k=3, extra=2)伪相关反馈：先把首轮 Top-3 文档的词频汇总，剔除查询已有词，选频率最高的 2 个词回注。
  8. recall_at_k(doc_ids, k=5)计算前 5 篇结果中相关文档的占比，即“上菜率”。
  9. base_ids[:5]只截取前 5 篇结果做评估，贴近工程中“只看第一页”的真实体验。

常见误区

误区初学者常把查询扩展和查询改写混为一谈，觉得两者都是“把用户输入换成更好的说法”。搜索系统里常常一起出现，更让人分不清谁是谁。

正解查询改写的本质是“替换”——把原查询翻译成新查询（如“北京市今天的天气”→“北京 天气”）；查询扩展的本质是“叠加”——原查询词一个不动，在旁边追加相关词（如“苹果”→“苹果 手机 水果”）。如果把餐厅场景套进来：改写是服务员复述确认菜单，扩展是服务员多端几道候选菜。两者是流水线上相邻的两个环节，但动作完全不同。

为何常见：因为在真实搜索系统中，改写和扩展往往串联使用，并且都发生在“查询预处理”这个阶段，表面看起来都在“改查询”，于是被混为一谈。

误区“多加点词，反正召回率会上升，词多多益善。” 不少人在调参时把扩展词数量拉到二三十个，觉得这样覆盖率最高。

正解扩展词并非越多越好。每加一个词，就会引入一份噪声：不相关的扩展词会把文档库中无关的内容也捞出来，召回率虽然上升，精确率却显著下降——用户看到一堆不相关结果，体验反而更差。正确做法是像服务员加菜一样：先看客人反应（A/B 实验），控制扩展词数量与质量，监测精确率、点击率、转化率等下游指标，找到召回与精确的最佳平衡点。

为何常见：因为召回率的计算公式只看“有没有捞到相关文档”，不看“捞出来的文档里有多少是垃圾”。只盯着单指标优化，自然会产生“词越多越好”的错觉。

误区名字里带“反馈”二字，初学者以为伪相关反馈是“用户看完搜索结果点击了哪些，系统再据此扩展”，需要真实用户的交互行为才能工作。

正解伪相关反馈的最大特点就是“伪”——它假设第一轮检索返回的前 N 篇文档与查询相关，完全不需要用户做任何标注或点击，全程自动执行。真正的“相关反馈”（如用户手动标记相关文档）是另一套更古老且成本更高的交互式方法。伪相关反馈的代价是：这个假设并不总是成立，首轮结果不佳时，扩展词会被带偏，所以实践中要加质量过滤。

为何常见：“反馈”在机器学习语境中常指“来自标注者的反馈”，而伪相关反馈的反馈来源是检索系统自己的排名结果，这个反直觉的设定让初学者容易误解。

误区看到词嵌入扩展输出一批与查询词相近的词，便认为它只是在自动找同义词，和同义词表扩展没什么区别，只是换了种自动化生成方式。

正解同义词表收录的是“可以互换”的词（苹果↔iPhone），而词嵌入找的是“语义相关”的词（苹果↔华为、苹果↔乔布斯、苹果↔富士康）。相关不等于同义，甚至可能是类比、上下位或场景关系。词嵌入扩展的覆盖范围远大于同义词表，但噪声也更大，因此通常需要设相似度阈值，并与同义词表互补使用。

为何常见：因为两种扩展方式的输出形式很相似——都是“在原查询旁边多出几个词”，而初学者还没建立起“同义 ≠ 相关”的概念边界，自然会把两者看成同一件事。

面试题

Q1. 查询扩展的核心目标是什么？

单选题 · easy

  • A.压缩索引体积
  • B.提升搜索召回率← 正确答案
  • C.加速查询解析
  • D.美化界面样式

答案：B。查询扩展通过添加相关词扩大查询覆盖面，让更多相关文档有机会被检索到，核心收益就是召回率提升。压缩索引、加速解析、美化界面都不是扩展的目标，它们分属存储、性能与前端领域。

Q2. 同义词扩展依赖的主要资源是什么？

单选题 · easy

  • A.同义词表← 正确答案
  • B.用户头像
  • C.文档字体
  • D.网络延迟

答案：A。同义词扩展的核心就是一张同义词表，查询时查表把同义词并入查询。用户头像、文档字体、网络延迟都与语义扩展无关，属于明显的干扰项。

Q3. 伪相关反馈中“伪”的含义是什么？

单选题 · easy

  • A.伪造用户点击数据
  • B.假设首轮结果相关← 正确答案
  • C.扩展词是虚假的
  • D.指扩展词具有伪造性

答案：B。“伪”体现在它并不确认首轮结果真的相关，而是直接假设前 N 篇文档相关并加以利用。这既不是伪造数据，也不是扩展词虚假，而是“未经证实的相关假设”。

Q4. 词嵌入扩展挑选扩展词的依据是什么？

单选题 · mid

  • A.词语出现频率
  • B.向量余弦相似度← 正确答案
  • C.拼音完全相同
  • D.字面包含关系

答案：B。词嵌入把词映射为向量，两个词的语义相近程度用向量余弦相似度衡量，选出相似度 Top-N 的词作为扩展词。词频反映的是重要性而非语义相近，拼音和字面关系都与语义无关。

Q5. 查询改写与查询扩展的本质区别是什么？

单选题 · mid

  • A.改写生成新查询，扩展叠加词← 正确答案
  • B.改写用于离线，扩展用于在线
  • C.改写提升召回，扩展提升精度
  • D.改写一定更好，扩展没有用

答案：A。改写是替换式的——输出一个新查询替换原查询；扩展是叠加式的——原查询保留，额外附加相关词。两者没有离线在线之分，也不是一个提召回一个提精度的分工，更不存在谁一定更好的说法。

Q6. 召回率的计算公式是什么？

单选题 · mid

  • A.检索的文档数除以全部文档数
  • B.检索到的相关数除以全部相关数← 正确答案
  • C.正确推荐数除以推荐总数
  • D.相关文档数除以检索文档数

答案：B。召回率 = 检索到的相关文档数 ÷ 全部相关文档数，它衡量的是“该捞的都捞出来了吗”。选项 A 是覆盖率、选项 C 是精确率、选项 D 是另一种口头的“命中率”，都不对。

Q7. 伪相关反馈在第二轮检索前做了哪件事？

单选题 · hard

  • A.直接删除原始查询词
  • B.提取反馈文档关键词加入← 正确答案
  • C.跳过第一轮检索打分
  • D.仅保留得分最高的文档

答案：B。伪相关反馈的两轮流程是：先检索取前 N 篇，再从这些文档中提取高频词回注查询，最后执行第二轮检索。删除原查询会丢失意图，跳过打分会失去排名依据，仅保留一篇文档则信息量不足。

Q8. 查询扩展的常用实现方式有哪些？

多选题 · mid

  • A.同义词表规则扩展← 正确答案
  • B.伪相关反馈扩展← 正确答案
  • C.词嵌入相似词扩展← 正确答案
  • D.中文分词标注词性

答案：ABC。三种主流扩展方式是同义词表、伪相关反馈和词嵌入相似词。中文分词标注是查询预处理的基础步骤，它负责把句子切成词，本身并不产生扩展词，属于干扰项。

Q9. 同义词表可以通过哪些途径构建？

多选题 · hard

  • A.人工编纂同义词表← 正确答案
  • B.用户点击日志挖掘← 正确答案
  • C.词嵌入自动聚类← 正确答案
  • D.随机抽取无关词组

答案：ABC。人工编纂质量高但成本大，点击日志挖掘能捕捉真实搜索场景下的同义关联，词嵌入聚类可自动发现语义相近的词对再辅以人工审核。随机抽取无关词组无法构建有语义价值的同义词表。

Q10. 关于伪相关反馈，下列说法正确的有哪些？

多选题 · hard

  • A.无需用户手动标注← 正确答案
  • B.假设前N篇结果相关← 正确答案
  • C.可动态补充查询词← 正确答案
  • D.扩展词必须出自词典

答案：ABC。伪相关反馈自动假设首轮 Top-N 结果相关并从中提炼词，全程无需用户参与，能动态补充超出原查询的词语。它的扩展词来自检索文档，而非预先准备的词典，因此 D 错误。