日常生活中，當我們在用搜尋引擎查詢時應該都經常受一個功能的輔助：

預測查詢，或稱為完成查詢，顧名思義，這功能用於輔助使用者完成他們的查詢。

完成查詢除了能輔助使用者完成他們的查詢詞句之外，還有以下幾個好處：

• 減少使用者需要打的字數
• 幫助訂正錯字
• 引導使用者進行更準確的查詢（用字更精確）
• 所引導的查詢常是快取的結果，能夠減少伺服器負擔

在進行完成查詢時，當輸入完一個片段的查詢字串之後，通常會用以下的演算法：

1. 根據該片段的查詢，回傳一組候選查詢清單
2. 依照實際被查詢的頻率來排名這一組候選查詢清單
3. 有時可能會根據更複雜的排名方法（例如個人化）來排候選清單
4. 將Top-K（Google用Top-10)候選排名當作預測查詢字串貼給使用者

那麼，這個候選清單又是怎麼來的呢？候選清單常來自於使用者過去的搜尋紀錄、時事話題、以及該字串歷史紀錄中的常見查詢結果。

而為了讓預測查詢能夠在有效率的狀態下進行，我們會使用Trie+範圍最值查詢演算法。這邊有一個Trie演算法視覺化的網站，可以玩玩看。

接著來說說擴展查詢。使用者和檔案有時會用不同的字詞來表達同一個意思，例如，禮拜天和星期日，明明都是指同一天，但卻用了截然不同的三個字。這樣的錯位會影響到搜尋結果的召回率(Recall)，而使用者自己也常需要手動的修正這類型的錯誤（像是換些字重查）。

為了解決這類型的問題，我們首先會用兩種方式解決：

(1) 儲存同義字、相似字

(2) Word2Vec，從大量文集中搜集資料，知道哪些字在語言中處於相似的地位。假設我們有兩句話，「禮拜天是休息的日子」以及「星期日是休息日」，那麼在Word2Vec的向量當中就會認為這兩個字是相似的。

除此之外，我們還會用三種相關性回饋（也稱為相關反饋）來解決這些問題：

(1) 顯式反饋：搜尋引擎可能會問你，這個頁面對你（的查詢）有沒有幫助。

(2) 隱式反饋：透過像是Google Analysis的功能，分析你有沒有點進這個頁面，以及你在這個頁面待的時間有多久（點進去不到十秒就跳出來說明這頁面可能不是你在找的）。

(3) 盲式反饋：搜尋引擎會在在搜尋結果的幾個頁面中找可能是相關字的字（尋找一個議題時，幾個類似的字可能反覆出現在這幾頁面中，說明這幾個字有可能有關聯）。