本文是笔者的经验之谈，我们在用 NLP 深度学习技术做针对搜索 query 的标注任务（序列标注、分类标注等）时，需要对样本 query 进行样本标注以进行监督学习，往往一一的人工标注耗时耗力，笔者从实际项目实践出发，整理了一套相对比较有效快速的标注方法。
标注策略
众所周知，NLP 的深度学习模型针对 query 文本处理，常用单个字输入，并转为嵌入层（embedding）后，进一步根据后续网络处理，所以要对模型有比较全面的处理能力，需要样本中的词典大小越大越好（也就是标注更多不同字的 query），因为模型在遇到词典中不包含的字，它会按照 padding 处理，显然对预测结果大大折扣，且线上预测时，针对词典中不包含的字出现时，打印相应 query，并收集相关数据，作为进一步构造样本数据源。
第二点是分析 top query，并对其进行分析抽象出 term 组成结构，以笔者参与的垂直领域里的搜索业务，可以按照如下思路去分析：
- 首先，针对已有的 term 表，进行程序处理标注，主要选取核心词，如品牌词这类实体词，因为这些词往往在 query 中常出现；
- 其次，针对 query 拟定意图种类（如 找机构、找人、找项目、提问题等等）；
- 再次，对同一个意图中，分析 query 中，term 的组合方式，提取出里面的规律，如在“找机构”意图中，有一类 query 是 “地区词 + 门店品牌词 + 修饰词”；
- 最后，基于抽象出来的不同 term 结构，对相应抽象位置，选取不同的词，这样保证多样性，每个词可以控制在 5 到 10 的样本即可，如上，地区词这个位置从 top query 中找 “北京”、“上海” 这类样本，每个大概几个即可。
