查询纠错属于自然语言处理研究的一方面,随着检索系统(如谷歌、百度、新浪、搜狗等)检索访问量不断增加,查询纠错处理技术受到越来越多的关注。在实际的应用中,用户进行查询时,不可避免地输入不合适或错误的查询表达式,从而导致系统无法返回满足实际需要的结果,给计算机资源也带来一定浪费。如果系统具有对输入的表达式进行自动检查和纠错的功能,就能在一定程度上增加用户在搜索时匹配查询意图的机会,从而也能提高查询效率。　　 通过对国内外已有的校对技术进行深入研究和分析,分别从相似匹配方法和基于统计的方法两方面,设计了查询纠错的算法并通过实验实现。　　 对基于相似匹配的查询纠错技术,利用基于索引的相似匹配技术提出N-gram哈希索引匹配算法(NHIMM),其思想是在普通动态规划算法基础上建立N-gram索引,并将索引首节点进行哈希处理,使之在大规模短语语料中查找时,速度得到一定提高;实验表明,提出的NHIMM算法,使得在相似匹配过程中,能先过滤无需直接进行动态规划计算的短语项,从而提高相似匹配速度;同时对输入错误中的近音字和同音字混用现象,算法将拼音相似度计算考虑进来,从而明显提高了检索准确率。　　 在基于统计的查询纠错中,通过对中文查询串的特征进行统计和研究,考虑错误输入串的上下文,将查询串中各个词条分别生成一个候选集合,进行交叉组合后形成短语候选网格,然后结合N元语法统计模型、拼音相似度、查询词点击率、N-gram相似度一系列因素以特征形式建立候选项的排序模型,并综合权衡以获得最优纠错候选结果。最后通过实验验证,统计和特征相结合的纠错模型使得纠错准确率和召回率能达到一定效果。