वाक्प्रचार-ते-गाळणी मॅपिंग्ज: उत्पादन गाळण्यांसाठी सिमांटिक शोध

हा लेख आमची गाळणी उतारा प्रणाली चालवणारी वाक्प्रचार-ते-गाळणी मॅपिंग्ज कशी तयार आणि विस्तारित करतो हे स्पष्ट करतो. ही मॅपिंग्ज शोध प्रश्नांमधील नैसर्गिक भाषेतील वाक्प्रचारांना स्ट्रक्चर्ड उत्पादन गाळण्यांशी जोडतात.

समस्या: नैसर्गिक भाषेतून गाळण्या उतरवणे

जेव्हा वापरकर्ते "16gb रॅम असलेला मिनी पीसी" शोधतात, तेव्हा आम्हाला हे उतरवायचे असते:

• फॉर्म फॅक्टर: मिनी पीसी

• मेन मेमरी: 16

पण वापरकर्ते समान हेतू अनेक प्रकारे व्यक्त करतात:

• "16gb रॅम मिनी पीसी"

• "16 जीबी मेमरी असलेला मिनी कॉम्प्युटर"

• "16gb असलेला लहान पीसी"

• "16 गिग असलेला कॉम्पॅक्ट डेस्कटॉप"

आम्हाला अशी प्रणाली हवी आहे जी या सर्व वाक्प्रचार बदलांना योग्य गाळणी मूल्यांशी मॅप करेल.

दोन-चरणी प्रक्रिया

आम्ही वाक्प्रचार मॅपिंग्ज दोन चरणांत तयार करतो:

1. चरण 3a: उत्पादन वैशिष्ट्यांपासून परम्युटेशन्स आणि वैशिष्ट्य-विशिष्ट नियम वापरून बेस वाक्प्रचार तयार करा
2. चरण 4: एम्बेडिंग्ज वापरून सिमांटिक समानतेसह विस्तार करा

ही हायब्रिड पद्धत रूल-बेस्ड अचूकता आणि सिमांटिक लवचिकता एकत्र करते.

चरण 3a: बेस वाक्प्रचार निर्मिती

वैशिष्ट्य मेटाडेटा

प्रत्येक उत्पादन वैशिष्ट्यामध्ये फीचर सीक्वेन्समध्ये मेटाडेटा असते:

• हेडिंग: श्रेणीचे नाव (उदा., प्रोसेसर फीचर्ससाठी "प्रोसेसिंग")

• युनिट: मापन युनिट (उदा., मेमरीसाठी "GB", फ्रिक्वेन्सीसाठी "GHz")

हे मेटाडेटा वाक्प्रचार निर्मितीला मार्गदर्शन करते.

परम्युटेशन-आधारित निर्मिती

प्रत्येक वैशिष्ट्य मूल्यासाठी, आम्ही या सर्व परम्युटेशन्स तयार करतो:

• हेडिंग: "प्रोसेसर"

• वैशिष्ट्य की: "मालिका"

• मूल्य: "i5"

• युनिट: (मालिकेसाठी नाही)

यामुळे तयार होते:

• "प्रोसेसर मालिका i5"

• "मालिका प्रोसेसर i5"

• "i5 प्रोसेसर मालिका"

• "i5 मालिका प्रोसेसर"

• "प्रोसेसर i5"

• "मालिका i5"

• "i5"

सर्व परम्युटेशन्स शब्द क्रमाची पर्वा न करता प्रश्नांशी जुळणी सुनिश्चित करतात.

मूल्य + युनिट संयोजने

युनिट्स असलेल्या वैशिष्ट्यांसाठी (मेमरी, स्टोरेज, फ्रिक्वेन्सी), आम्ही दोन्ही स्पेस केलेले आणि नॉन-स्पेस्ड वेरिएंट तयार करतो:

• "16 जीबी" (स्पेस केलेले)

• "16जीबी" (स्पेस नाही)

हे इतर घटकांसह संयोजित होतात:

• "16जीबी रॅम"

• "रॅम 16जीबी"

• "प्रोसेसर 16जीबी"

पोर्ट प्रत्यय नियम

कनेक्टिव्हिटी वैशिष्ट्यांसाठी (USB, HDMI, DisplayPort), आम्ही पोर्ट प्रत्यय जोडतो:

• "यूएसबी पोर्ट"

• "यूएसबी पोर्ट्स"

• "2 यूएसबी पोर्ट्स"

• "एचडीएमआय पोर्ट"

हे "2 एचडीएमआय पोर्ट्स असलेला मिनी पीसी" सारख्या प्रश्नांशी जुळते.

वैशिष्ट्य-विशिष्ट नियम

प्रत्येक वैशिष्ट्य प्रकारात कस्टम वाक्प्रचार निर्मिती असते:

प्रोसेसर मालिका (i3, i5, N-मालिका):

• कोर प्रोसेसर पदनाम वेरिएंट तयार करतात: निर्मात्याचे नाव, कोर ब्रँड, संयुक्त रूपे

• N-मालिका प्रोसेसर (N100, इ.) समान पॅटर्न संयोजने तयार करतात

• प्रत्येक "प्रोसेसर" सह अनेक परम्युटेशन्स तयार करते

मेन मेमरी:

• संख्यात्मक मूल्ये दोन्ही स्पेस केलेले आणि नॉन-स्पेस्ड GB वेरिएंट तयार करतात ("16जीबी","16 जीबी")

• "रॅम" आणि "मेमरी" पात्रतेसह स्वयं-जोडलेले ("16जीबी मेमरी","16 जीबी रॅम")

एसएसडी स्टोरेज:

• संख्यात्मक मूल्ये GB वेरिएंट तयार करतात ("512जीबी", "512 जीबी")

• मूल्ये ≥ 1024 साठी स्वयंचलितपणे TB वेरिएंट तयार करते (उदा., 1024GB → 1TB)

• "एसएसडी" आणि "स्टोरेज" पात्रतेसह स्वयं-जोडलेले ("512जीबी एसएसडी", "512 जीबी स्टोरेज")

फॉर्म फॅक्टर:

• मिनी पीसी → नॉन-स्पेस्ड फॉर्मसह अनेक वेरिएंट

• ऑल-इन-वन → "ऑल इन वन", "एआयओ", संक्षिप्त रूपे

• थिन क्लायंट → स्पेसिंगसह/शिवाय वेरिएंट

• इंडस्ट्रियल पीसी → संक्षिप्त आणि पूर्ण रूपे

जनरेशन:

• संख्यात्मक जनरेशन मूल्ये होतात: "12वी जनरेशन", "12वी पिढी", "जनरेशन 12"

कोर्स:

• 2 → "ड्युअल कोर"

• 4 → "क्वॉड कोर"

• 6 → "हेक्सा कोर"

• 8 → "ऑक्टा कोर"

• सर्व "[n] कोर प्रोसेसर" वेरिएंट तयार करतात

इथरनेट:

• "1000" → ["गिगाबिट इथरनेट", "जीबीई", "1जीबीपीएस"]

• "2500" → ["2.5जीबीई", "2.5 गिगाबिट", "2.5जीबीपीएस"]

ऑपरेटिंग सिस्टम:

• "विंडोज 11" → ["विंडोज", "विंडोज 11", "विन 11"]

• "उबंटू" → ["लिनक्स", "उबंटू"]

• "फ्रीडॉस" → ["फ्रीडॉस", "ओएस नाही", "ओएसशिवाय"]

स्टॅंडअलोन मूल्यांसाठी व्हाइटलिस्ट

खोट्या जुळण्या टाळण्यासाठी केवळ विशिष्ट वैशिष्ट्यांना स्टॅंडअलोन मूल्य जुळणीची परवानगी असते:

• मालिका: "i3", "i5", "N100" (पण एकल अक्षरे नाही)

• प्रोसेसर मॉडेल: "N100", "1335U"

• ऑपरेटिंग सिस्टम: "विंडोज", "लिनक्स", "उबंटू"

• जनरेशन: "12वी", "13वी", "14वी"

• प्रोसेसर ब्रँड: "इंटेल", "ARM"

उदाहरणार्थ, "2" ला "2 कोर्स" शी जुळू नये जेव्हा प्रश्न "2 एचडीएमआय पोर्ट्स" असतो. लांबी तपासणी एकल अक्षरे किंवा अत्यंत लहान अस्पष्ट मूल्यांना स्टॅंडअलोन म्हणून जुळण्यापासून रोखते. इथरनेट किंवा पोर्ट्स सारख्या स्पष्ट युनिट घटक असलेली वैशिष्ट्ये, केवळ त्यांच्या युनिटसह पात्र झाल्यावरच स्टॅंडअलोन संयोजने तयार करतात.

टक्कर प्रतिबंध

मेमरी आणि स्टोरेज मूल्ये ओव्हरलॅप होतात (दोन्हीमध्ये 64, 128, 256, इ. असतात). चरण 4 अस्पष्टता दूर करण्यासाठी मूल्य-श्रेणी नियम लागू करते:

• ≤ 64 GB: मेन मेमरी (RAM)

• ≥ 128 GB: एसएसडी स्टोरेज

• 65-127 GB श्रेणी: वगळली (अस्पष्ट)

स्पष्ट पात्रता असलेले वाक्प्रचार ("रॅम"/"मेमरी" किंवा "एसएसडी"/"स्टोरेज") हा नियम ओव्हरराइड करतात आणि कोणत्याही मूल्याशी जुळू शकतात.

याव्यतिरिक्त, पोस्ट-प्रोसेसिंगद्वारे टक्कर निराकरणादरम्यान अनेक असंबंधित गाळण्यांशी जास्त जुळणारे अस्पष्ट सामान्य शब्द वगळले जातात: "कनेक्टिव्हिटी", "ऑडिओ", "डिस्प्ले", "प्रोसेसर", आणि "फिजिकल" सारख्या शब्दांमुळे अनेक पैलूंमध्ये खूप अस्पष्टता निर्माण होते.

चरण 4: सिमांटिक विस्तार

एन-ग्राम उतारा

आम्ही वास्तविक शोध प्रश्नांमधून वारंवार येणारे वाक्प्रचार उतरवतो, एकल शब्दांपासून (1-ग्राम जसे की "मिनी") ते लांब क्रमांपर्यंत (6-ग्राम पर्यंत जसे की "16जीबी रॅम एसएसडी असलेला मिनी पीसी"). किमान 3 वेळा दिसणारेच वाक्प्रचार राखून ठेवले जातात. ही गाळणी पद्धत आवाज कमी करते तर खऱ्या वापरकर्त्याच्या भाषा पॅटर्न जपते.

गाळणी शोध मजकूर निर्मिती

प्रत्येक गाळणी मूल्यासाठी, आम्ही शोध मजकूर तयार करतो:

मेन मेमरी: 16:

• "16जीबी रॅम मेमरी"

• "16 मेन मेमरी"

• "मेन मेमरी 16"

एसएसडी स्टोरेज: 512:

• "512जीबी स्टोरेज एसएसडी"

• "512 एसएसडी स्टोरेज"

• "एसएसडी स्टोरेज 512"

हे शोध मजकूर एम्बेडिंग स्पेसमध्ये गाळणीचे प्रतिनिधित्व करतात.

एम्बेडिंग आणि जुळणी

आम्ही दोन्ही प्रश्न वाक्प्रचार आणि गाळणी शोध मजकूर यांचे एम्बेडिंग्जमध्ये रूपांतर करतो, नंतर त्यांच्यातील कोसाइन समानता काढतो. कॉन्फिगर केलेल्या थ्रेशोल्डपेक्षा जास्त समानता स्कोअर असलेले वाक्प्रचार त्या गाळणीच्या मॅपिंगमध्ये जोडले जातात.

मॅन्युअल सीड वाक्प्रचार

आम्ही विस्तारापूर्वी उच्च आत्मविश्वासाची मॅन्युअल सीड्स इंजेक्ट करतो:

"Series:i5": [
    "i5",
    "core i5",
    "intel i5",
    "intel core i5",
    "i5 processor",
    "cpu i5",
]

ही सीड्स कोर वाक्प्रचारांचे प्रतिनिधित्व करतात जे आम्हाला माहित आहे की प्रत्येक गाळणीसाठी बरोबर आहेत. कमाल समानता स्कोअरसह