用戶在使用搜索引擎過程中，由於表述不清晰或者查詢詞與索引庫描述不一致，為了能召回更多更優質的結果展示給用戶。這時就需要對用戶查詢進行分析，包括詞權、同義詞、糾錯等技術，對原查詢進行處理。通常搜索引擎中對同義詞的處理，線下挖掘同義詞詞典，線上加載詞典，但由於檢索系統應用同義詞時詞典存在部分質量不好、或者本來質量好但是應用同義詞更上下文有很強的關聯性，並不一定適用，因此同義詞主要包括兩大方面，同義詞的挖掘和同義詞的使用。
一、同義詞挖掘方法
1、結構化數據
獲取同義詞詞林直接生成字典，抓取百度詞典、金山詞霸等的詞條中的數據，提取原詞和同義詞。從百度百科、搜狗百科等網站抓取詞條，在詞條中，有“又稱”、“別名”等特征詞，利用這些特征詞，構成模版提取詞的其他描述，一般從百科中挖掘出的詞條通常質量比較高。
2、anchor數據、session日志
anchor數據是錨文本，利用指向同一鏈接的不同anchor數據抽取同義詞，如“http://www.apple.com.cn/”的anchor有“蘋果中國”、“Apple 中國”，可以抽出“蘋果”與“Apple”是同義詞。session日志是同一用戶在一段較短時間內搜索的查詢日志，利用session信息可以抽取用戶改寫的同義詞，如用戶在搜索中第一次提交查詢“VMware漢化版下載”，沒有找到想要的結果，然后對查詢進行修改“VMware中文版下載”，並得到滿意結果，通過分析日志，可以抽取“漢化”與“中文”為同義詞。
3、點擊日志
在搜索引擎中，用戶點擊反饋是提升搜索效果最有效的方法，點擊日志是用戶在使用搜索引擎時產生帶有標注的數據。點擊日志包括query、title、點擊次數，通過統計query中某個詞在點擊的title沒有出現，但有其他替換詞出現，並且這個替換詞在query點擊其他的title中也有出現，並統計包含替換詞的點擊率等特征，可以判斷原詞與替換詞是否是同義詞。利用點擊日志判斷某兩個詞是否是同義詞：一、在多個點擊的title中出現，二、在多個上下文片段下出現，三、點擊含有同義詞的title點擊率比較高。如用戶搜索“一歲半寶寶感冒吃什么葯”，點擊title“1歲半小孩感冒發燒吃什么葯”中“寶寶”與“小孩”是同義詞。
4、統計機器翻譯對齊
利用點擊日志，構建平行語料，如相似的query集、query-title等，相似query集是指點擊到同一title的不同query，同時過濾掉一些明顯不相關的query，在相似的query集中取query1與query2相差只有一兩個詞不一樣（防止平行語料差異過大，影響翻譯對齊的效果），構建成平行語料，通過統計機器翻譯的對齊算法，學習詞與詞之間的對齊關系，利用對齊詞，抽取對齊概率高、上下文內容豐富的詞語對，作為同義詞。除了挖掘同義詞外，統計機器翻譯還可以直接生成改寫句子，利用詞對齊信息，抽取短語翻譯概率表。
二、同義詞應用
通過上述方法線下挖掘同義詞，生成同義詞詞典，並且根據同義詞相關程度，分成不同的級別，如按照完全等價（北京大學、北大）、語義等價（簡介、介紹）、語義相近（中國人、中國）、語義相關（須知、流程）分成4個級別，線上加載同義詞詞典，並將其應用於搜索引擎的召回、相關性計算中。但是同樣一個同義詞在不同的上下文表現完全不同，如“做 午飯” vs “燒 午飯” ，“做”和“燒”是同義詞，如果上下文為“仰卧起坐 一天 做 多少 可以 減肥” ，“做”和“燒”完全不能替換，不同的上下文同義詞並不通用，因此線上對同義詞的使用需要過濾或調整級別。
1、基於語言模型優化同義詞使用
語言模型是用來計算一個句子的概率的模型，利用語言模型，可以確定哪個詞序列的可能性更大，或者給定若干個詞，可以預測下一個最可能出現的詞語。利用搜索日志，訓練語言模型（https://kheafield.com/code/kenlm/），基於訓練好的模型可以用來判斷一句話的概率。判斷一個詞在上下文中，是否其同義詞可用，首先利用語言模型算出原句子的概率，然后用同義詞替換掉原詞，生成新的句子，再利用語言模型判斷新句子的概率，如果新句子成一句話的概率高於或者約等於原句子的概率，則可以斷定同義詞在上下文中有效，甚至提高同義詞的級別，如果新句子概率遠小於原句子概率，則在上下文中不能構建為同義詞，應當對其進行降低同義詞級別甚至過濾掉。
2、基於機器學習優化同義詞使用
利用機器學習優化同義詞，不僅提升系統的相應時間，還提高了搜索系統的召回的准確度和相關性特征的表征能力。機器學習解決同義詞使用需要有三個問題：一、訓練數據的構建，二、特征抽取，三、模型選取。訓練數據利用點擊日志構建相似的query集（點擊到同一title的不同query），如果原詞出現在query中，同義詞出現在多個以上的相似query中並且相似query不包含原詞，則構成正例數據，如果原詞出現在query中，同義詞在所有的相似的query中都沒有出現，則構成負例數據，同時為了提高訓練數據的質量，過濾掉原詞與同義詞差別僅為停用詞，還有一些原詞和同義詞的前綴相同的數據也過濾。特征提取包括：一、利用相似的query集，統計原詞和同義詞出現的概率、包含上下文片段的原詞和同義詞共現概率（包括四元、三元、二元），統計數據離線做成字典供線上使用，二、原詞與同義詞級別，查詢長度，原詞詞數、同義詞詞數以及原詞和同義詞等特征。同義詞使用可以看成分類問題，通常選取決策樹、GBDT、隨機森林等算法，如果看成回歸問題，可以利用LR模型進行預測。通過機器學習模型可以判斷在原詞的上下文中，候選同義詞是滿足以及判斷同義詞級別。
三、總結與展望
總結一下，同義詞包括兩大方面，同義詞的挖掘和同義詞的使用。同義詞的挖掘，包括同義詞詞林，結構化數據（詞典、百科等）、anchor數據、點擊日志等，除此之外還可以利用點擊日志構建平行語料，懸鏈機器翻譯模型，生成同義詞。同義詞的使用，主要因為同義詞跟上下文有很強的關聯性，同一同義詞在不同的上下文表現完全不同，需要根據上下文調整同義詞使用級別甚至過濾同義詞。除了上述所描述的傳統方法外，同義詞還可以利用深度學習模型，生成新的同義詞和優化同義詞的使用。