前言：

    半年前，和师弟在一起吃饭时，他忽然抬头，很好奇地问我：“为什么有了百度的大检索，百度地图还要自己做检索呢？”这个问题也一直伴随着我，后来有幸转入检索方向，不断摸索，也才有了这篇文章。

正文：

    地图检索，顾名思义，是在地图里的检索。它与大检索大同小异，虽然在切词粒度、专名识别、拉链归并和rank等很多细节上与大检索有一定差异，然而真正让他与众不同、独具风采的，是地图领域所特有的空间位置信息。

    在地图检索领域中，每条query都富含空间信息，每条数据也都有自己的空间位置。如何解析、利用这些空间信息，就成为了地图检索的特色主线。本文也就这个主题进行介绍，在章节安排上，参考一个普通query的检索过程，分为三大部分：query解析、查询与归并、rank。

1. query解析中的位置信息

    传统检索的query解析，主要功能是对query进行类型识别、分词、同义等处理，以便后续查询与rank。地图检索里的query解析，不仅包含了传统解析的功能，而且要从用户的query里去挖掘空间位置信息。

    为什么要这么做呢？举几个简单的例子：

例1：北京和上海都存在数据点“第一上海中心”，那么身在北京的用户A和身在上海的用户B，同时检索“第一上海中心”，结果是否需要有所不同呢？

例2：用户在地图中输入query“中关村肯德基”，我们没有叫“中关村肯德基”的数据点，但却有许多位置在中关村附近的肯德基点，那么我们如何召回呢？

    这两个例子形象地描述了用户发起检索所包含的两种空间位置信息，以及我们为什么要去挖掘这些空间信息。

    首先，例1对应的是一次检索中所隐含的位置倾向信息。用户所在的城市(可用ip地址近似模拟或者无线设备定位)、用户输入query时的上下文场景(主要是底图所在城市)是两种比较直观的位置倾向信息；我们需要利用这两种数据来大致判定结果的位置倾向，以便提供更优秀的检索结果。相对来讲，这是一种粗粒度的位置信息。

    其次，例2对应的是query的子term中所明确包含的位置信息。地图query的特点在于，某些term是表示检索范围的(空间位置)，某些term是表示文本实体的；“中关村肯德基”中，“中关村”表示检索范围，“肯德基”表示实体，这个query可以理解为用户想检索“在中关村附近的肯德基”，也就是在“中关村”附近检索“肯德基”。相对来讲，这是一种细粒度的位置信息。

    总而言之，地图的query解析需要去挖掘query中的隐含或明确的位置信息，从而真正理解用户的需求。

2. 查询与归并中的位置信息

    经过query解析之后，query中的term被分为两种，一种表示空间，一种表示文本，如何利用这些term的属性，来召回最合适的数据，就成为另外一个问题。

    让我们来看看地图检索的查询归并与传统检索的不同：

    图1. 普通检索与地图检索的查询归并对比

    如图1所示，普通检索的查询归并结果，是“中关村”和“肯德基”文本查询集合的交集；而地图检索的查询归并结果，除了两者的文本交集之外，还包括“肯德基”的文本查询集合与“中关村”的空间范围的交集，而往往后者召回的比前者要多。

    也就是说，我们不仅要召回传统文本上的归并结果，也要从空间维度上去做归并，从而得到更多、更准确的召回。

3. rank中的位置信息

    与传统检索展示文本列表不同，地图结果以图区加icon的形式，将结果非常形象地展现在底图上，而这也给地图检索的rank提出了新的需求：我们不能停留在文本相关度这一单一维度上，而是要给用户呈现准确而舒适的结果。

    那么这个舒适体现在什么地方呢？这里也举两个例子给大家看一下：

    图2.a 图2.b 图2.c

    北京市下检索“清华大学”，如果在海淀区和朝阳区都有清华大学相关的数据，那么可以有三种结果展现形式，如图2.a 到  2.c所示。图2.a是普通的未经空间调权的rank结果，图区拉得很大，右下角的结果对90%以上的用户都是噪声，显示效果不够友好；图2.b则是经过空间调权后的rank结果，视野集中在“清华大学”主点附近，效果要优于图2.a，但是这同样给出了一大堆相关结果列表，也会干扰用户；图2.c则是经过空间内聚形成的结果，精确命中“清华大学”主点，图区大小合适，显示效果最好。

这个例子展示了如何利用结果的位置信息来提升体验，下面再给大家介绍一下用户的位置信息的利用：

建议继续学习：

1. 浅谈Heatmap    (阅读：1845)
2. 感性设计在韩国    (阅读：1898)