摘要: 所谓“组词”，就是把一些具有“共同部分”的词组合到一起，如App的关键词包含“腾讯新闻”和“网易新闻”这两个词，就可以组合成“腾讯网易新闻”，而用户搜索时，搜索“腾讯新闻”或“网易新闻”也还是能搜到该App ...
所谓“组词”，就是把一些具有“共同部分”的词组合到一起，如App的关键词包含“腾讯新闻”和“网易新闻”这两个词，就可以组合成“腾讯网易新闻”，而用户搜索时，搜索“腾讯新闻”或“网易新闻”也还是能搜到该App的。
之所有“组词”的需求，主要是由于Appstore对填写的关键词长度有限制（不得大于100个字符），而我们需要填写的关键词串经常大于100字符，因此需要对填写的一堆词进行组词，对可以合并的词尽可能地进行合并，从而能在100字符内尽可能多地展示我们的app信息，增加app被搜索词命中的概率。
组词看似简单，但涉及搜索引擎的分词和检索的基础知识，如果对这些不清楚，就经常会产生如“支付宝”和“宝贝”能否组合成“支付宝贝”这样的疑惑。因此，本文就首先简要介绍下分词和搜索的基本知识，然后再讲下appbk的自动组词方法。
分词技术
现代搜索引擎，都是以“词”为基础单位进行设计的。词是最小的有意义的语言成分。英语等字母语言，其单词天然按照空格隔开，但中文等东亚语种，其词之间并没有明显的分隔符，因此就产生了“分词”的需求。“分词”就是把一个汉语字符串分成一个个词的过程。
分词的例子如“腾讯新闻”的分词为：“腾讯 | 新闻”，“网易新闻” 的为“网易 | 新闻”。
由于中文分词经常会有“歧义”现象，如“兵乓球拍卖完了”可切分为“乒乓球 | 拍卖 |完了”又可以切分为“乒乓球拍| 卖 | 完了”，针对这种情况，搜索系统一般会把两种分词形式都记录下来，以供搜索时使用。
搜索的基础：词袋模型（word of bag）
“词袋模型”是搜索引擎中的一种简单假设，其不考虑词的“顺序”，认为一个文本就是
是一堆词的“集合”。也就是如两个文本“腾讯新闻”、“新闻腾讯”，对搜索引擎而言，是完全一样的。这种假设也是我们能够进行组词的基础。
我们还是以“腾讯新闻”和“新闻腾讯”，以及其组词“腾讯网易新闻”为例，其“词袋”模型如下图所示：
图1 “腾讯新闻”和“新闻腾讯”，及其组词“腾讯网易新闻”的词袋模型
由于“词袋”模型是一个“集合”模型，可以不考虑重复元素，因此上面袋子中的两个“新闻”可以视为一个。从上图中可以看到，“腾讯新闻”+“新闻腾讯”，和“腾讯网易新闻”的词袋模型是完全等价的，也就是说对搜索引擎而言，他们是完全一样的。
然后，我们还可以利用上述模型，简单描述用户搜索的过程。搜索的时候，搜索系统首先会在对用户输入的搜索词进行分词，然后在关键词的“袋子”里面依次查找搜索词的分词。还是上面的例子，如用户搜索“腾讯新闻”时，流程如下图所示：
图2 基于“词袋”模型的查找流程，搜索系统在“词袋”中分别查找“腾讯”和“新闻”这两个搜索词的分词
然后我们再看下“支付宝”和“宝贝”的例子 ，说明为啥他们不能组词。我们把“支付宝”和“宝贝”组成“支付宝贝”，但其分词的时候，可能会分成“支付 | 宝贝”，这种分词歧义就可能造成搜索“支付宝”的时候，搜不到该App，具体如下图所示：
图3 关键词“支付宝”和“宝贝”组成“支付宝贝”后，由于可能的分词歧义，用户搜索“支付宝”时，可能会搜索不到该App。
组词方法
因为搜索系统是以“词”为基础单位进行检索的，因此，首先需要对关键词进行“分词”。然后就是具体的“组词”过程了。
“组词”就是一个分组的过程，我们利用的是机器学习中的“在线聚类”技术，其实就是把字符串中有相同子串的词组合在一起，然后不断循环，直到没有重合的词出现。组词过程中，我们考虑到苹果的规则，一个“词”不能过长，否则可能会被认为是关键词堆砌，因此，我们限制了组词的最大个数，就是最多组合5个词。
在appbk上有一个“组词工具”服务，具体见appbk.com网站的菜单导航栏。它的“推荐组词”结果设置了最大组词个数限制，以‘美女直播，yy视频，交友网站，明星直播’为例，其在上面的组词结果如下图所示：
图4 appbk的组词服务
其中，‘美女直播’和明星直播两个词组合在了一起，省了两个字符和一个逗号的空间。
当然，这个组词工具还给出了不考虑组词长度的结果，就是“最大限度组词”的结果。
逗号问题
“最大限度组词”，其实已经把所有可能组合的词，都组到了一起，但还有用户经常会问，这样的组词还是有“逗号”存在，能不能干脆把全部的逗号都干掉，这样不是能加更多的词吗？
根据上述的“词袋”模型，即使把所有的逗号都干掉，其关键词的“词袋”是没有变化的，因此对搜索的影响不是很大。但考虑到下面的因素，并不建议这样做：
1、苹果规则限制。在2015年之前，很多ASO服务商给出的关键词建议都是没有任何逗号的，但这种情况多了后，苹果的关键词审核就会更严格，这样的形式会被认为是“关键词堆砌”，审核就不通过，因此，组词需要“适度”。
2、权重影响。根据“词袋”模型，用户搜索“腾讯新闻”时，关键词填写“腾讯新闻”或者“腾讯网易新闻”，是都能搜到的，这个是没有问题的。但是，关键词“腾讯新闻”与用户搜索词是完全一致的，这种情况，搜索引擎一般都会有少量的加分。
综合我们的一些实践经验，给出以下建议：
1、组词不宜过长，以不超过5个为宜。
2、对下载量较少的App，不需要刻意的组词，因为你的App基本处在长尾位置，一点点的加分，就可能让你的搜索排名有大幅提升。
3、对应需要“刷”的词，还有核心带量的关键词，建议都用逗号隔开，不进行组词。
