1 概念与定义
1.1 基本定义
查询重写是信息检索中的一类预处理或中间处理技术，指系统对用户输入的原始查询进行自动改写，使其更适合被检索引擎理解和处理。改写后的表达通常在保留原意的基础上，对词汇、语序、结构或信息完整性进行调整，从而提升检索命中率与结果质量。
1.2 核心目标
查询重写的核心目标是提高查询与文档之间的匹配效果。具体而言，它通常服务于消歧、纠错、扩展隐含信息、统一表达方式以及将口语化输入转化为规范化检索表达等任务。对于复杂或简短查询，重写还可帮助补足上下文，使系统更接近用户真实意图。
1.3 与相关检索技术的关系
查询重写与多种检索技术密切相关，既可作为独立模块存在，也可与其他环节协同工作。它并不直接替代检索或排序，而是通过改善查询质量，为后续召回与排序提供更有利的输入。
1.3.1 查询扩展
查询扩展强调在原查询基础上加入相关词项或概念，以扩大检索覆盖面。与之相比，查询重写不一定增加词项，也可能通过改写句式、规范表达或压缩冗余信息来提升效果。两者在实际系统中常被组合使用。
1.3.2 查询理解
查询理解关注识别用户输入中的主题、意图、实体和约束条件。重写过程往往依赖理解结果，例如先判断查询是询问定义、比较、位置还是操作步骤，再生成更合适的表达。可以说，查询理解为重写提供语义基础。
1.3.3 结果重排序
结果重排序发生在初步检索之后，主要对候选结果重新排列优先级。查询重写与重排序的关系较为紧密：前者改善输入，后者优化输出。在一些系统中，重写结果还会作为重排序模型的额外信号参与联合优化。
1.4 典型应用场景
查询重写广泛用于搜索引擎、电商搜索、学术检索、问答系统、对话检索和数据库查询等场景。在短查询较多、表达口语化明显或用户意图不完整的环境中，重写尤为重要。它也常用于纠正拼写错误、处理缩写、规范术语以及提升跨语言或跨风格检索的稳定性。
2 查询重写的类型
2.1 基于改写方向的分类
2.1.1 扩展型重写
扩展型重写是在原查询中加入相关词、别名、上下位概念或补充条件，以增加检索召回范围。此类方法适用于查询信息较少、关键词较短或存在术语变体的情况。
2.1.2 压缩型重写
压缩型重写则侧重去除冗余修饰、口头填充词或重复表达，使查询更简洁明确。对于长句式提问或对话式输入，这种方式有助于突出核心检索意图。
2.1.3 规范化重写
规范化重写主要将非标准表达转换为标准检索表达，例如统一缩写、同义称谓、数字格式、时间表达或专业术语。它的重点不在于增减信息，而在于提升表达的一致性。
2.1.4 纠错型重写
纠错型重写针对拼写错误、字符误写、分词错误或键盘输入偏差进行修正。它在移动端输入、语音转写和低质量文本检索中尤其常见。
2.2 基于输入来源的分类
2.2.1 用户原始查询重写
这类重写直接面向单轮输入查询，系统仅依据当前文本进行改写。由于缺少上下文，它更依赖词法、语法和统计特征。
2.2.2 上下文感知重写
上下文感知重写会结合当前会话中的环境信息，如页面内容、地理位置、时间线索或先前操作记录，以生成更贴近场景的查询。它常用于个性化搜索和任务导向检索。
2.2.3 对话历史重写
对话历史重写主要面向多轮交互场景，系统需要参考前文指代、已知实体和省略内容，将简略表达补全为独立可检索的查询。此类重写对指代消解和话题延续能力要求较高。
2.3 基于任务目标的分类
2.3.1 检索优化重写
检索优化重写以提升召回和排序质量为主要目标，重点在于让查询与文档匹配得更准确。它通常直接服务于搜索结果的相关性提升。
2.3.2 问答优化重写
问答优化重写更关注问题表述的清晰性与可回答性，常将模糊口语问题转化为结构更完整、意图更明确的形式。这样有助于系统定位答案类型与答案范围。
2.3.3 推荐优化重写
推荐优化重写主要用于将用户的偏好表达、浏览意图或自然语言需求转换为可用于推荐召回的规范查询。它在商品推荐、内容推荐与主题推荐中均有应用。
3 查询重写的方法
3.1 规则与模板方法
3.1.1 词典规则
词典规则方法依赖人工构建的同义词表、术语表、别名库或纠错词典，对查询进行替换或补全。这类方法实现简单、可解释性强，但覆盖范围受限。
3.1.2 语法模板
语法模板方法通过预设句式框架，将用户输入映射为标准化查询结构。例如将口语化疑问句改写为“主题 + 属性 + 限定条件”的形式。它适合结构较固定的任务，但对复杂表达的适应性较弱。
3.1.3 同义词替换
同义词替换通过识别词项间的语义等价关系，替换为更常见或更适合检索的词语。该方法常与词典和规则结合使用，以提高查询覆盖率。
3.2 统计学习方法
3.2.1 语言模型方法
语言模型方法通过估计词序列出现概率，判断某种重写是否更符合语言习惯或检索语料分布。它在早期自动改写系统中较为常见。
3.2.2 概率翻译模型
概率翻译模型将查询重写视作一种“从原表达到目标表达”的映射过程，借助词项对齐与概率估计生成候选改写。该方法在短文本和跨表达匹配任务中具有一定效果。
3.2.3 相关反馈方法
相关反馈方法利用初始检索结果中的高相关文档，提取高频或高权重词项来改进原查询。它依赖反馈质量，因此通常更适合离线或半自动场景。
3.3 机器学习方法
3.3.1 分类模型
分类模型通常用于判断查询是否需要重写，以及应采用何种重写策略。它可以根据查询长度、词性特征、意图类别和历史行为输出决策。
3.3.2 序列到序列模型
序列到序列模型将查询重写视为输入序列到输出序列的生成任务，能够直接学习从原始表达到目标表达的映射关系。其优势在于可处理较灵活的句式变换。
3.3.3 排序学习方法
排序学习方法先生成多个重写候选，再根据相关性、可读性和语义保真度进行排序。此类方法常用于多候选生成场景，以平衡准确性与实用性。
3.4 深度学习方法
3.4.1 编码器-解码器结构
编码器-解码器结构通过编码输入查询的语义表示，再由解码器生成重写结果，是神经查询重写的基础架构之一。它能够捕捉较复杂的上下文依赖。
3.4.2 注意力机制
注意力机制允许模型在生成过程中聚焦输入中的关键部分，从而更好地保留重要信息并减少遗漏。它对长查询和多轮对话重写尤为有用。
3.4.3 预训练语言模型
预训练语言模型通过大规模语料学习通用语言知识，再在查询重写任务上进行微调。它通常能显著提升语义理解与表达生成能力。
3.4.4 生成式重写模型
生成式重写模型直接输出完整改写句子，能够同时处理扩展、压缩、规范化和纠错等多类任务。其表现往往取决于训练数据质量、提示设计和解码策略。
4 典型流程与系统架构
4.1 查询分析
查询分析是重写系统的前置步骤，目的是识别输入的结构、语义和潜在意图。分析结果通常会影响后续的候选生成与约束控制。
4.1.1 分词与词性标注
分词与词性标注用于切分查询文本并标记词类，为后续识别实体、动词短语和修饰关系提供基础信息。对于中文查询，这一步尤为重要。
4.1.2 句法分析
句法分析帮助识别查询中的主谓宾结构、修饰关系和依存连接，从而判断句子成分之间的作用。它有助于生成更自然且不失真地改写结果。
4.1.3 意图识别
意图识别用于判断用户希望完成的任务类型，例如查找、比较、购买、咨询或导航。不同意图往往对应不同的重写策略和目标表达形式。
4.2 重写生成
4.2.1 候选生成
候选生成阶段通常会产生多个可能的重写版本，来源包括规则替换、模型生成、检索相似样本或混合方法。多候选机制可以提高覆盖率。
4.2.2 候选筛选
候选筛选用于从多个重写版本中选出最合适的结果，常依据语义一致性、简洁度、可读性和检索收益等指标进行判定。实际系统中，这一步常与排序模型结合。
4.2.3 多轮迭代重写
多轮迭代重写指系统在一次改写后继续利用中间结果进行进一步优化，适用于复杂查询或对话场景。此类方法有助于逐步逼近目标表达，但也更容易累积误差。
4.3 检索联动
4.3.1 重写后检索
重写后检索是最直接的联动方式，即先改写查询，再将其送入检索引擎。它实现简单，便于观察重写对最终结果的影响。
4.3.2 重写与排序联合优化
联合优化将重写模块与排序模块协同训练或协同调整，使重写结果不仅语言自然，也更符合检索目标。该思路能减少单独优化带来的偏差。
4.3.3 反馈驱动更新
反馈驱动更新利用点击、停留、转化或用户显式评价来持续改进重写策略。通过在线或离线反馈，系统可逐渐适应真实使用环境。
5 评价方法
5.1 离线评价指标
5.1.1 准确率
准确率用于衡量系统输出中被判定为正确的比例，适合评估分类型重写判断或候选选择任务。对于多候选生成任务，它可作为辅助指标。
5.1.2 召回率
召回率反映系统找回相关目标的能力，尤其适合衡量重写是否扩大了有效覆盖范围。查询扩展类方法通常较关注这一指标。
5.1.3 nDCG
nDCG用于评估排序结果在不同位置上的相关性收益，能体现高相关结果是否被放置在更靠前的位置。它常用于检索和重写联合评测。
5.1.4 MAP
MAP通过综合多个查询的平均精度，衡量系统在整体检索任务中的表现。它对多个相关结果的排名质量较为敏感。
5.2 重写质量评价
5.2.1 可读性
可读性关注重写结果是否通顺、自然、易于理解。即使结果在检索上有效，若表达生硬，也会影响系统体验。
5.2.2 语义保真度
语义保真度衡量改写后是否仍保留原查询的核心含义。若保真度不足，系统可能产生意图偏移，进而影响检索正确性。
5.2.3 语法正确性
语法正确性评估重写文本是否符合语言规则与表达习惯。它是生成式方法的重要质量维度之一。
5.3 任务级评价
5.3.1 检索效果提升
检索效果提升通常通过相关文档排名变化、命中率提高或错误结果减少来体现，是查询重写最直接的应用层评价方式。
5.3.2 点击率变化
点击率变化反映用户是否更倾向于点击重写后带来的结果。该指标能在一定程度上体现重写对用户行为的影响。
5.3.3 用户满意度
用户满意度综合考虑结果相关性、操作便捷性与表达自然度，常通过问卷、反馈或会话行为间接评估。它更接近真实使用体验。
6 关键挑战
6.1 语义保持与表达变化
查询重写需要在改变表达形式的同时保持原始含义，这一平衡并不容易。改写过少难以提升效果，改写过多又可能偏离用户意图。
6.2 过度重写与信息丢失
当系统为了“更标准”而删除大量修饰或补充内容时，容易造成关键限制条件缺失。过度压缩或过度扩展都可能损害结果准确性。
6.3 歧义消解困难
很多查询本身存在词义歧义、指代不明或省略现象，单靠文本表面信息难以判断真实意图。若缺少上下文，系统容易生成错误改写。
6.4 长尾查询处理
长尾查询通常样本稀少、表达多样，训练数据难以覆盖。针对这类输入，系统往往更依赖泛化能力和外部知识。
6.5 多轮上下文依赖
在对话场景中，当前查询往往依赖前几轮内容，甚至需要解析隐含指代。上下文链条越长，重写难度越高。
6.6 计算效率与实时性
在线检索要求响应迅速，而复杂重写模型可能带来额外计算开销。如何在效果与延迟之间取得平衡，是系统设计的重要问题。
7 相关研究与发展趋势
7.1 传统方法的发展
早期查询重写主要依赖规则、词典和统计模型，强调可解释性与工程可控性。随着数据积累，这些方法逐渐与学习型方法结合。
7.2 神经重写模型的兴起
神经网络方法提升了查询重写的表达能力，能够处理更复杂的句法变化和语义映射。它们推动了从“模板替换”向“语义生成”的转变。
7.3 基于大模型的查询重写
大模型为查询重写带来了更强的上下文理解与生成能力，尤其适合多轮对话、复杂意图和风格转换任务。与此同时，如何控制输出稳定性也成为研究重点。
7.4 多模态查询重写
多模态查询重写将文本与图像、语音、页面内容等信息结合起来，帮助系统更准确理解用户真实需求。它在移动搜索和视觉搜索中具有较大潜力。
7.5 个性化与场景化重写
个性化与场景化重写强调根据用户习惯、设备环境和任务阶段调整改写策略。这样可以让查询更贴近具体使用情境。
7.6 可控生成与安全约束
可控生成关注对重写结果施加长度、风格、术语和保真度等约束，以避免无关扩写或表达漂移。安全约束则要求系统在生成过程中保持稳定、可预测和符合使用规范。
8 应用实例
8.1 搜索引擎
在搜索引擎中，查询重写用于修正拼写、补全简称、消除歧义并提升召回质量。它是改善短查询和口语输入的重要手段。
8.2 电商检索
电商场景中的查询常包含品牌别称、规格写法和口语化描述，重写能够将这些表达规范化为标准商品属性。这样有助于更准确地匹配商品列表。
8.3 学术检索
学术检索中，重写可用于统一专业术语、扩展同义表达和处理缩写形式。它能帮助用户更快定位论文、主题和相关研究方向。
8.4 客服问答系统
客服问答系统里，用户问题往往简短、省略较多或带有情绪色彩，重写可以将其整理为清晰的问题表述。这样有利于知识库匹配与自动应答。
8.5 对话式搜索系统
对话式搜索系统需要持续理解多轮上下文，并将当前轮次与历史信息结合后进行重写。它能够把“这个呢”“那它多少钱”之类的依赖性表达补全为独立查询，从而保持检索连贯性。