ఫ్రేజ్-టు-ఫిల్టర్ మ్యాపింగ్లు: ప్రోడక్ట్ ఫిల్టర్ల కోసం సెమాంటిక్ శోధన

ఈ వ్యాసం మా ఫిల్టర్ ఎక్స్ట్రాక్షన్ వ్యవస్థను నడిపించే ఫ్రేజ్-టు-ఫిల్టర్ మ్యాపింగ్లను మేము ఎలా రూపొందిస్తామో మరియు విస్తరిస్తామో వివరిస్తుంది. ఈ మ్యాపింగ్లు శోధన క్వెరీల నుండి సహజ భాషా పదబంధాలను నిర్మాణాత్మక ఉత్పత్తి ఫిల్టర్లకు కలుపుతాయి.

సమస్య: సహజ భాష నుండి ఫిల్టర్లను వెలికితీయడం

వినియోగదారులు "mini pc with 16gb ram" కోసం శోధించినప్పుడు, మేము వీటిని వెలికితీయాలి:

  • ఫారమ్ ఫ్యాక్టర్: మినీ PC

  • ప్రధాన మెమరీ: 16

కానీ వినియోగదారులు అదే ఉద్దేశాన్ని అనేక విధాలుగా వ్యక్తపరుస్తారు:

  • "16gb ram mini pc"

  • "mini computer 16 gb memory"

  • "small pc 16gb"

  • "compact desktop with 16 gigs"

ఈ పదబంధ వైవిధ్యాలన్నింటినీ సరైన ఫిల్టర్ విలువలకు మ్యాప్ చేసే వ్యవస్థ మనకు అవసరం.

రెండు-దశల ప్రక్రియ

మేము పదబంధ మ్యాపింగ్లను రెండు దశల్లో రూపొందిస్తాము:

  1. దశ 3a: పర్ముటేషన్లు మరియు ఫీచర్-నిర్దిష్ట నియమాలను ఉపయోగించి ఉత్పత్తి ఫీచర్ల నుండి బేస్ పదబంధాలను రూపొందించండి
  2. దశ 4: ఎంబెడ్డింగ్లు ఉపయోగించి సెమాంటిక్ సారూప్యతతో విస్తరించండి

ఈ హైబ్రిడ్ విధానం నియమ-ఆధారిత ఖచ్చితత్వాన్ని సెమాంటిక్ సౌలభ్యంతో మిళితం చేస్తుంది.

దశ 3a: బేస్ పదబంధ ఉత్పత్తి

ఫీచర్ మెటాడేటా

ప్రతి ఉత్పత్తి ఫీచర్కు ఫీచర్ సీక్వెన్స్లో మెటాడేటా ఉంటుంది:

  • హెడ్డింగ్: వర్గం పేరు (ఉదా., ప్రాసెసర్ ఫీచర్ల కోసం "Processing")

  • యూనిట్: కొలత యూనిట్ (ఉదా., మెమరీ కోసం "GB", ఫ్రీక్వెన్సీ కోసం "GHz")

ఈ మెటాడేటా పదబంధ ఉత్పత్తికి మార్గనిర్దేశం చేస్తుంది.

పర్ముటేషన్-ఆధారిత ఉత్పత్తి

ప్రతి ఫీచర్ విలువకు, మేము వీటన్నింటి పర్ముటేషన్లను రూపొందిస్తాము:

  • హెడ్డింగ్: "processor"

  • ఫీచర్ కీ: "series"

  • విలువ: "i5"

  • యూనిట్: (సిరీస్కు లేదు)

ఇది వీటిని ఉత్పత్తి చేస్తుంది:

  • "processor series i5"

  • "series processor i5"

  • "i5 processor series"

  • "i5 series processor"

  • "processor i5"

  • "series i5"

  • "i5"

అన్ని పర్ముటేషన్లు పదాల క్రమంతో సంబంధం లేకుండా క్వెరీలను సరిపోల్చడానికి హామీ ఇస్తాయి.

విలువ + యూనిట్ కలయికలు

యూనిట్లతో ఉన్న ఫీచర్ల కోసం (మెమరీ, స్టోరేజ్, ఫ్రీక్వెన్సీ), మేము స్పేస్ ఉన్న మరియు స్పేస్ లేని రూపాలను రూపొందిస్తాము:

  • "16 gb" (స్పేస్ తో)

  • "16gb" (స్పేస్ లేకుండా)

ఇవి ఇతర భాగాలతో కలుపుతాయి:

  • "16gb ram"

  • "ram 16gb"

  • "processor 16gb"

పోర్ట్ సఫిక్స్ నియమాలు

కనెక్టివిటీ ఫీచర్ల కోసం (USB, HDMI, DisplayPort), మేము పోర్ట్ సఫిక్స్లను జోడిస్తాము:

  • "usb port"

  • "usb ports"

  • "2 usb ports"

  • "hdmi port"

ఇది "mini pc with 2 hdmi ports" వంటి క్వెరీలను సరిపోల్చుతుంది.

ఫీచర్-నిర్దిష్ట నియమాలు

ప్రతి ఫీచర్ రకానికి అనుకూల పదబంధ ఉత్పత్తి ఉంటుంది:

ప్రాసెసర్ సిరీస్ (i3, i5, N-సిరీస్):

  • కోర్ ప్రాసెసర్ హోదాలు వైవిధ్యాలను ఉత్పత్తి చేస్తాయి: తయారీదారు పేరు, కోర్ బ్రాండ్, కలిపిన రూపాలు

  • N-సిరీస్ ప్రాసెసర్లు (N100, మొదలైనవి) ఇలాంటి నమూనా కలయికలను సృష్టిస్తాయి

  • ప్రతి ఒక్కటి "processor" తో బహుళ పర్ముటేషన్లను ఉత్పత్తి చేస్తుంది

ప్రధాన మెమరీ:

  • సంఖ్యా విలువలు స్పేస్ ఉన్న మరియు లేని GB రూపాలను ఉత్పత్తి చేస్తాయి ("16gb","16 gb")

  • "ram" మరియు "memory" క్వాలిఫైయర్లతో స్వయంచాలకంగా జోడించబడతాయి ("16gb memory","16 gb ram")

SSD స్టోరేజ్:

  • సంఖ్యా విలువలు GB రూపాలను ఉత్పత్తి చేస్తాయి ("512gb", "512 gb")

  • ≥ 1024 విలువలకు స్వయంచాలకంగా TB రూపాలను ఉత్పత్తి చేస్తుంది (ఉదా., 1024GB → 1TB)

  • "ssd" మరియు "storage" క్వాలిఫైయర్లతో స్వయంచాలకంగా జోడించబడతాయి ("512gb ssd", "512 gb storage")

ఫారమ్ ఫ్యాక్టర్:

  • మినీ PC → స్పేస్ లేని రూపంతో సహా బహుళ వైవిధ్యాలు

  • ఆల్-ఇన్-వన్ → "all in one", "aio", సంక్షిప్త రూపాలు

  • థిన్ క్లయింట్ → స్పేస్ ఉన్న/లేని వైవిధ్యాలు

  • ఇండస్ట్రియల్ PC → సంక్షిప్త మరియు పూర్తి రూపాలు

జనరేషన్:

  • సంఖ్యా జనరేషన్ విలువలు: "12th gen", "12th generation", "gen 12" అవుతాయి

కోర్లు:

  • 2 → "dual core"

  • 4 → "quad core"

  • 6 → "hexa core"

  • 8 → "octa core"

  • అన్నీ "[n] core processor" వైవిధ్యాలను ఉత్పత్తి చేస్తాయి

ఈథర్నెట్:

  • "1000" → ["gigabit ethernet", "gbe", "1gbps"]

  • "2500" → ["2.5gbe", "2.5 gigabit", "2.5gbps"]

ఆపరేటింగ్ సిస్టమ్:

  • "Windows 11" → ["windows", "windows 11", "win 11"]

  • "Ubuntu" → ["linux", "ubuntu"]

  • "FreeDOS" → ["freedos", "no os", "without os"]

స్టాండ్-అలోన్ విలువల కోసం వైట్లిస్ట్

తప్పుడు మ్యాచ్లను నివారించడానికి నిర్దిష్ట ఫీచర్లు మాత్రమే స్టాండ్-అలోన్ విలువ మ్యాచింగ్ను అనుమతిస్తాయి:

  • సిరీస్: "i3", "i5", "N100" (కానీ ఒకే అక్షరాలు కాదు)

  • ప్రాసెసర్ మోడల్: "N100", "1335U"

  • ఆపరేటింగ్ సిస్టమ్: "Windows", "Linux", "Ubuntu"

  • జనరేషన్: "12th", "13th", "14th"

  • ప్రాసెసర్ బ్రాండ్: "Intel", "ARM"

ఉదాహరణకు, క్వెరీ "2 hdmi ports" అయినప్పుడు "2" అనేది "2 cores"తో సరిపోలకూడదు. పొడవు తనిఖీ ఒకే అక్షరాలు లేదా చాలా చిన్న అస్పష్టమైన విలువలు స్టాండ్-అలోన్గా మ్యాచ్ కాకుండా నిరోధిస్తుంది. ఈథర్నెట్ లేదా పోర్ట్ల వంటి స్పష్టమైన యూనిట్ భాగాలు ఉన్న ఫీచర్లు, వాటి యూనిట్తో క్వాలిఫై అయినప్పుడు మాత్రమే స్టాండ్-అలోన్ కలయికలను ఉత్పత్తి చేస్తాయి.

కొలిజన్ నివారణ

మెమరీ మరియు స్టోరేజ్ విలువలు అతివ్యాప్తి చెందుతాయి (రెండింటికీ 64, 128, 256, మొదలైనవి ఉన్నాయి). అస్పష్టతను తొలగించడానికి దశ 4 విలువ-పరిధి నియమాలను అమలు చేస్తుంది:

  • ≤ 64 GB: ప్రధాన మెమరీ (RAM)

  • ≥ 128 GB: SSD స్టోరేజ్

  • 65-127 GB పరిధి: దాటవేయబడింది (అస్పష్టం)

స్పష్టమైన క్వాలిఫైయర్లు ఉన్న పదబంధాలు ("ram"/"memory" లేదా "ssd"/"storage") ఈ నియమాన్ని అధిగమించి ఏ విలువను అయినా మ్యాచ్ చేయగలవు.

అదనంగా, చాలా సంబంధం లేని ఫిల్టర్లతో సరిపోయే అస్పష్టమైన సాధారణ పదాలు పోస్ట్-ప్రాసెసింగ్ ద్వారా కొలిజన్ రిజల్యూషన్ సమయంలో మినహాయించబడతాయి: "connectivity", "audio", "display", "processor" మరియు "physical" వంటి పదాలు బహుళ ఫ్యాసెట్లలో చాలా అస్పష్టతను సృష్టిస్తాయి.

దశ 4: సెమాంటిక్ విస్తరణ

N-గ్రామ్ ఎక్స్ట్రాక్షన్

వాస్తవ శోధన క్వెరీల నుండి మేము తరచుగా వచ్చే పదబంధాలను వెలికి తీస్తాము, ఒకే పదాల నుండి (1-గ్రామ్లు "mini" వంటివి) పొడవైన క్రమాల వరకు (6-గ్రామ్ల వరకు "mini pc with 16gb ram ssd" వంటివి). కనీసం 3 సార్లు కనిపించే పదబంధాలు మాత్రమే నిలుపుకోబడతాయి. ఈ ఫిల్టరింగ్ విధానం శబ్దాన్ని తగ్గిస్తుంది, అదే సమయంలో నిజమైన వినియోగదారు భాషా నమూనాలను కాపాడుతుంది.

ఫిల్టర్ శోధన టెక్స్ట్ ఉత్పత్తి

ప్రతి ఫిల్టర్ విలువకు, మేము శోధన టెక్స్ట్లను రూపొందిస్తాము:

ప్రధాన మెమరీ: 16:

  • "16gb ram memory"

  • "16 main memory"

  • "main memory 16"

SSD స్టోరేజ్: 512:

  • "512gb storage ssd"

  • "512 ssd storage"

  • "ssd storage 512"

ఈ శోధన టెక్స్ట్లు ఎంబెడ్డింగ్ స్పేస్లో ఫిల్టర్ను సూచిస్తాయి.

ఎంబెడ్డింగ్ మరియు మ్యాచింగ్

మేము క్వెరీ పదబంధాలు మరియు ఫిల్టర్ శోధన టెక్స్ట్లు రెండింటినీ ఎంబెడ్డింగ్లుగా మారుస్తాము, ఆపై వాటి మధ్య కొసైన్ సారూప్యతను లెక్కిస్తాము. కాన్ఫిగర్ చేసిన థ్రెషోల్డ్ కంటే ఎక్కువ సారూప్యత స్కోర్లు ఉన్న పదబంధాలు ఆ ఫిల్టర్ మ్యాపింగ్కు జోడించబడతాయి.

మాన్యువల్ సీడ్ పదబంధాలు

విస్తరణకు ముందు మేము అధిక-విశ్వాసం కలిగిన మాన్యువల్ సీడ్లను ఇంజెక్ట్ చేస్తాము:

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

ఈ సీడ్లు ప్రతి ఫిల్టర్కు సరైనవని మనకు తెలిసిన ప్రధాన పదబంధాలను సూచిస్తాయి. గరిష్ట సారూప్యత స్కోర్లతో వాటిని చేర్చడం ద్వారా, సారూప్య అర్థాలతో కూడిన సంబంధిత పదబంధాలను కనుగొనడానికి అవి విస్తరణ అల్గారిథమ్కు మార్గనిర్దేశం చేస్తాయి. ఈ సీడ్లు ఎల్లప్పుడూ సారూప్యత 1.0 పొందుతాయి మరియు విస్తరణకు మార్గనిర్దేశం చేస్తాయి.

ఇన్క్రిమెంటల్ ఎంబెడ్డింగ్

మేము పదబంధాలు మరియు ఫిల్టర్ శోధన టెక్స్ట్లు రెండింటికీ ఎంబెడ్డింగ్లను కాష్ చేస్తాము. కొత్త క్వెరీలు వచ్చినప్పుడు:

  1. ఇప్పటికే ఉన్న ఎంబెడ్డింగ్లను లోడ్ చేయండి
  2. కొత్త పదబంధాలను మాత్రమే ఎంబెడ్ చేయండి
  3. కాష్కు జోడించండి

ఇది మారని డేటాను మళ్లీ ఎంబెడ్ చేయకుండా నివారిస్తుంది. వివరాలకు ఎంబెడ్డింగ్ స్ట్రాటజీ చూడండి.

కొలిజన్ రిజల్యూషన్

సారూప్యత మ్యాచింగ్ పూర్తయిన తర్వాత, మేము మెమరీ మరియు స్టోరేజ్ ఫిల్టర్ల మధ్య కొలిజన్లను పరిష్కరిస్తాము:

సంఖ్య-ఆధారిత అస్పష్టత తొలగింపు:

  • సంఖ్యలను కలిగి ఉన్న అస్పష్టమైన పదబంధాల కోసం: పదబంధం విలువ ≤ 64 అయితే, మెమరీ కోసం మాత్రమే ఉంచండి; > 64 అయితే, స్టోరేజ్ కోసం మాత్రమే ఉంచండి

  • ఇది "16gb" SSD స్టోరేజ్ ఫిల్టర్లతో మరియు "512gb" మెమరీ ఫిల్టర్లతో సరిపోలకుండా నిరోధిస్తుంది

స్పష్టమైన క్వాలిఫైయర్లు నియమాలను అధిగమిస్తాయి:

  • "ram", "memory", "cpu", "processor" కీవర్డ్లు ఉన్న పదబంధాలు → మెమరీ మాత్రమే

  • "ssd", "storage", "disk", "nvme", "drive" కీవర్డ్లు ఉన్న పదబంధాలు → స్టోరేజ్ మాత్రమే

  • ఉదాహరణ: "processor 8gb" సంఖ్యాపరంగా ఉన్నప్పటికీ మెమరీకి మ్యాప్ అవుతుంది

అస్పష్టమైన పదాలు:

  • బహుళ సంబంధం లేని ఫిల్టర్లతో సరిపోయే "connectivity", "audio", "display" వంటి పదబంధాలను వదిలివేయండి

అవుట్పుట్ ఫార్మాట్

తుది మ్యాపింగ్లు సారూప్యత (అత్యధికం ముందు), తర్వాత పొడవు (చిన్నది ముందు) ద్వారా క్రమబద్ధీకరించబడతాయి:

{
  "Main Memory:16": [
    {"phrase": "16gb ram", "similarity": 1.0},
# ... (implementation details omitted)

ఫిల్టర్ ఎక్స్ట్రాక్షన్తో ఏకీకరణ

ఈ మ్యాపింగ్లు ఫిల్టర్ ఎక్స్ట్రాక్షన్ అల్గారిథమ్ను నడిపిస్తాయి:

  1. క్వెరీ వస్తుంది: "mini pc with 16gb ram"
  2. పదబంధాలను వెలికి తీయండి: ["mini pc", "16gb ram", "mini", "pc", "16gb", "ram"]
  3. మ్యాపింగ్లను ఉపయోగించి పదబంధాలను ఫిల్టర్లతో సరిపోల్చండి
  4. ఫిల్టర్లను తిరిగి ఇవ్వండి: {"Form Factor": ["Mini PC"], "Main Memory": ["16"]}

వివరాలకు ఫిల్టర్ ఎక్స్ట్రాక్షన్ అల్గారిథమ్ చూడండి.

నిల్వ మరియు పంపిణీ

పదబంధ మ్యాపింగ్లు JSON ఫైల్లుగా నిల్వ చేయబడతాయి మరియు సిస్టమ్ అంతటా ఉపయోగించబడతాయి:

  • బేస్ మ్యాపింగ్ల ఫైల్: దశ 3aలో రూపొందించబడింది, నియమ-ఆధారిత పదబంధాలను కలిగి ఉంటుంది

  • విస్తరించిన మ్యాపింగ్ల ఫైల్: దశ 4లో రూపొందించబడింది, సెమాంటిక్ విస్తరణ ఫలితాలను కలిగి ఉంటుంది

విస్తరించిన మ్యాపింగ్లు వీటి ద్వారా ఉపయోగించబడతాయి:

  • క్వెరీ పేజీ జనరేషన్: క్వెరీ టెక్స్ట్ నుండి ఫిల్టర్లను వెలికి తీయండి

  • శోధన సేవ: రియల్-టైమ్ ఫిల్టర్ ఎక్స్ట్రాక్షన్ API

  • ప్రోడక్ట్ మ్యాచింగ్: వెలికి తీసిన ఫిల్టర్ల ద్వారా ఉత్పత్తులను ఫిల్టర్ చేయండి

పనితీరు లక్షణాలు

బేస్ జనరేషన్ (దశ 3a):

  • ప్రాసెసింగ్ సమయం ఫిల్టర్ విలువల సంఖ్యతో పెరుగుతుంది

  • పెద్ద సంఖ్యలో బేస్ పదబంధ వైవిధ్యాలను ఉత్పత్తి చేస్తుంది

  • జనరేషన్ సమయంలో మెమరీ వినియోగం మితంగా ఉంటుంది

సెమాంటిక్ విస్తరణ (దశ 4):

  • ప్రాసెసింగ్ సమయం క్వెరీ వాల్యూమ్ మరియు ఎంబెడ్డింగ్ పరిమాణంతో పెరుగుతుంది

  • అవుట్పుట్ బేస్ జనరేషన్ కంటే గణనీయంగా ఎక్కువ పదబంధాలను కలిగి ఉంటుంది

  • ఎంబెడ్డింగ్ల నిల్వ కారణంగా మెమరీ అవసరాలు పెరుగుతాయి

సారూప్యత గణన కారణంగా విస్తరణ CPU-బౌండ్. NumPyను BLAS యాక్సెలరేషన్తో ఉపయోగించడం మ్యాట్రిక్స్ ఆపరేషన్లను గణనీయంగా వేగవంతం చేస్తుంది.

SEO పైప్లైన్తో ఏకీకరణ

ఫ్రేజ్ మ్యాపింగ్ జనరేషన్ అనేది SEO పైప్లైన్లో దశలు 3a మరియు 4:

  1. దశ 0: సోర్స్ డేటాను ఎంబెడ్ చేయండి - ఉత్పత్తులు, భాగాలు, కథనాలు
  2. దశ 1: క్వెరీలను పొందండి - GSC, Google Ads, ప్రత్యక్ష, Algolia
  3. దశ 2: క్వెరీలను కలపండి - అన్ని మూలాలను విలీనం చేయండి
  4. దశ 3a: బేస్ ఫ్రేజ్ మ్యాపింగ్లను రూపొందించండి ← మీరు ఇక్కడ ఉన్నారు
  5. దశ 3b: క్వెరీలను ఎంబెడ్ చేయండి - వెక్టర్లుగా మార్చండి
  6. దశ 4: ఫ్రేజ్ మ్యాపింగ్లను విస్తరించండి ← మీరు ఇక్కడ ఉన్నారు
  7. దశ 5: క్వెరీలను క్లస్టర్ చేయండి - పేజీలుగా సమూహపరచండి
  8. దశ 6: ఉత్పత్తులను మ్యాచ్ చేయండి - క్వెరీ-ఉత్పత్తి మ్యాచింగ్
  9. దశ 7: క్వెరీ పేజీలను నిర్మించండి - HTML రూపొందించండి
  10. దశ 8: సంబంధిత శోధనలను రూపొందించండి - సంబంధిత క్వెరీలను కనుగొనండి
  11. దశ 11: Valkeyకు మైగ్రేట్ చేయండి - శోధన సేవలో లోడ్ చేయండి

పూర్తి ప్రవాహం కోసం SEO పైప్లైన్ అవలోకనం చూడండి.

ఎందుకు రెండు దశలు?

బేస్ జనరేషన్ (దశ 3a) అందిస్తుంది:

  • ఖచ్చితత్వం: నియమ-ఆధారిత పదబంధాలు మనం ఆశించిన దానితో సరిగ్గా సరిపోతాయి

  • కవరేజ్: పర్ముటేషన్లు అన్ని పద క్రమాలు కవర్ అయ్యేలా చూస్తాయి

  • నియంత్రణ: ఫీచర్-నిర్దిష్ట నియమాలు డొమైన్ జ్ఞానాన్ని నిర్వహిస్తాయి

సెమాంటిక్ విస్తరణ (దశ 4) అందిస్తుంది:

  • సౌలభ్యం: మనం ఊహించని పదబంధాలను కనుగొంటుంది

  • వాస్తవ వినియోగదారు భాష: వాస్తవ శోధన క్వెరీల నుండి నేర్చుకుంటుంది

  • పర్యాయపదాలు: సమానమైన పదబంధాలను కనుగొంటుంది ("16gb" కోసం "16 gigs")

కలిసి, అవి ఖచ్చితత్వం మరియు రీకాల్ను సమతుల్యం చేస్తాయి.

సూచనలు

సాంకేతిక భావనలు

మోడల్ డాక్యుమెంటేషన్

సంబంధిత కథనాలు

సారాంశం

మేము పదబంధం-నుండి-ఫిల్టర్ మ్యాపింగ్లను రెండు దశల్లో రూపొందిస్తాము:

దశ 3a (బేస్ జనరేషన్):

  • హెడ్డింగ్, కీ, విలువ, యూనిట్ యొక్క అన్ని పర్ముటేషన్లను రూపొందించండి

  • ఫీచర్-నిర్దిష్ట నియమాలను వర్తించండి (ప్రాసెసర్ సిరీస్, మెమరీ, స్టోరేజ్, ఫారమ్ ఫ్యాక్టర్)

  • కనెక్టివిటీ ఫీచర్ల కోసం పోర్ట్ సఫిక్స్లను జోడించండి

  • నిర్దిష్ట ఫీచర్ల కోసం స్టాండ్-అలోన్ విలువలను వైట్లిస్ట్ చేయండి

  • నియమాల నుండి బేస్ పదబంధ సెట్ను అవుట్పుట్ చేయండి

దశ 4 (సెమాంటిక్ విస్తరణ):

  • వాస్తవ శోధన క్వెరీల నుండి n-గ్రామ్ పదబంధాలను వెలికి తీయండి

  • పదబంధాలు మరియు ఫిల్టర్ శోధన టెక్స్ట్లను ఎంబెడ్ చేయండి

  • థ్రెషోల్డ్ కంటే ఎక్కువ సారూప్యత స్కోర్లతో పదబంధాలను సరిపోల్చండి

  • విస్తరణకు మార్గనిర్దేశం చేయడానికి మాన్యువల్ సీడ్ పదబంధాలను ఇంజెక్ట్ చేయండి

  • మెమరీ/స్టోరేజ్ కొలిజన్లను పరిష్కరించండి

  • విస్తరించిన మరియు అస్పష్టత తొలగించబడిన పదబంధ సెట్ను అవుట్పుట్ చేయండి

ఫలితం ఒక సమగ్ర మ్యాపింగ్, ఇది ఊహించిన పదబంధాలను (నియమాల ద్వారా) మరియు ఊహించని వైవిధ్యాలను (సెమాంటిక్ సారూప్యత ద్వారా) నిర్వహిస్తుంది. ఈ మ్యాపింగ్లు క్వెరీ పేజీలు, శోధన మరియు ప్రోడక్ట్ మ్యాచింగ్లలో ఫిల్టర్ ఎక్స్ట్రాక్షన్ను నడిపిస్తాయి.

← డాక్యుమెంటేషన్ ఇండెక్స్కు తిరిగి వెళ్ళండి