什麼是模糊搜尋？

模糊搜尋會採用各種演算法和技術，判斷兩個字串 (搜尋查詢和資料中的潛在相符項目) 的相似度。這些演算法通常會採用下列概念：

• Levenshtein 距離：用來判斷轉換成另一個字串所需的最少編輯 (例如插入、刪除或替換) 次數。Levenshtein 距離越小，表示相似度越高。舉例來說，「kitten」和「sitting」的 Levenshtein 距離為 3。
• 餘弦相似度：計算代表字詞或字串的兩個向量之間的餘弦角。餘弦相似度為 1 代表完全比對，而 0 則表示完全不相似。通常用來根據文字內容比較文件。
• 語音演算法：這些技術 (例如 Soundex 或 Metaphone) 會根據字詞的發音編碼。這有助於找出聽起來相似的字詞，即使這些字詞的拼法不同，例如「Smith」和「Smyth」。

模糊搜尋引擎會根據這類概念，依潛在符合項目與原始查詢的相似度排序，協助使用者查看一系列相關結果，即使這些結果與搜尋字詞略有不同也沒關係。

隨著資料集越來越龐大，使用者輸入的內容也越來越多元，模糊搜尋功能可有效擷取資訊，是不可或缺的工具。這項技術可彌補使用者溝通 (或搜尋) 方式的多樣性，以及資料可能的結構化和儲存方式之間的差距。

模糊搜尋的重要性如下：

• 容易使用：模糊搜尋功能可容許輸入錯字、字詞變化或拼寫錯誤，使用者不必知道確切的拼寫或措詞，也能輕鬆找到所需內容。這樣一來，搜尋體驗就能更流暢快速。
• 提升搜尋結果關聯性：模糊搜尋會考量變化和同義詞，找出更多相關結果，而完全比對搜尋可能會遺漏這些結果。
• 提升資料可偵測性：在可能存在資料輸入不一致或變化的大型資料集中，模糊搜尋可協助發掘隱藏的關聯，並找出可能被忽略的相關資訊。

精確搜尋和模糊搜尋的根本差異在於處理資料變化的做法。以下是兩者的重點差異：

為說明這項技術的實際應用，我們將舉幾個例子，說明模糊搜尋如何協助系統，將不同搜尋查詢背後的使用者意圖，與相關搜尋結果進行比對。

• 使用者搜尋：「aple pie」
• 模糊搜尋結果：「apple pie」

在這個例子中，即使使用者輸入錯字，模糊搜尋演算法仍能辨識使用者的意圖，並提供所需的蘋果派食譜。系統會判斷「aple」可能是「apple」的錯字，並據此調整搜尋結果的優先順序。

• 使用者搜尋：「recipe」
• 模糊搜尋結果：「recipes」

模糊搜尋可流暢處理複數變化。無論使用者搜尋單數或複數形式的單字，搜尋引擎都會根據意義擷取相關結果，確保使用者能找到所需食譜，不受文法影響。

• 使用者搜尋：「快速料理點子」
• 模糊搜尋結果：「簡單晚餐食譜」

解讀同義詞的功能可擴大搜尋範圍。搜尋引擎會辨識出「快速料理點子」和「簡單晚餐食譜」這兩個概念相似的關鍵字，並為兩者提供相關結果，讓搜尋結果的可能性不必侷限於字面上所用的關鍵字。

• 使用者搜尋：「running shoes」
• 模糊搜尋結果：「run shoe」

演算法通常會採用詞幹分析，將字詞縮減為基本或字根形式。因此即使字詞的語法不同，搜尋結果仍會將「running shoes」和「run shoe」視為同義詞，確保使用者能找到相關產品，不受字詞略有不同的影響。

• 使用者搜尋：「USA」
• 模糊搜尋結果：「United States of America」

系統能有效處理縮寫，並辨識出「USA」指的是「United States of America」。這項功能特別適合用於資料庫和搜尋引擎，因為這類應用經常使用縮寫來縮短字詞。

導入模糊搜尋功能通常涉及下列步驟：

1. 資料預先處理：這個步驟會在一定程度上清理及標準化資料。例如將文字轉換為小寫、移除標點符號或應用詞幹處理技術。模糊搜尋可容許變化，但基本預先處理作業有助於提高效率。
2. 建立索引：預先處理的資料會建立索引，通常會使用反轉索引或字典樹結構等專門的資料結構。這些結構可讓系統快速擷取特定查詢的潛在相符項目。
3. 相似度計算：使用者提交查詢時，模糊搜尋演算法會計算查詢與編入索引的資料的相似度分數。這項技術會使用 Levenshtein 距離、餘弦相似度或語音演算法等演算法，將比對程度量化。
4. 排名與擷取：系統會根據相似度分數，為潛在相符項目排序，並擷取排名最高的結果，呈現給使用者。

具體做法可能因應用程式而異，但 Google Cloud 的 Vertex AI 可在機器學習工作流程中，運用模糊搜尋技術，提高模型準確度，並處理雜訊或不一致的資料。舉例來說，模糊比對可以將相似資料點分組，或找出並修正訓練資料集中的錯誤，進而提升特徵工程的效益。