query改写其实理解起来很简单，就是把原始的query经历一系列的操作，然后变成另外一个query，从而达到提升召回率和准确率的效果。
query改写的过程中，这一系列的操作，其实是围绕两个方面展开的。第一是在原始query中添加一些有用的内容（可以理解为query扩展），把本该召回却没有召回的内容给召回，提高topK的召回率。第二是在原始query中去掉一些杂质内容（可以理解为蒸馏），对于长尾的query，很可能存在很多的干扰项。特别是在Bm25相关性召回下，对query条件进行蒸馏，会有一定的收益。并且资源花费和成本并不大。
本文主要介绍query蒸馏。本文涉及到的是，根据词性从query中提取优质的关键词，去在请求过程中加分，从而提升召回率和召回排名效果。
一、蒸馏思考
对于有一些问题case，是可以考虑抽取实体的。通过实体匹配来加分，提高排序的效果。
eg：文章中提到了哪些促进区域协调发展的措施？
通过词性分析，提取一些重要的词来做加分的查询操作。使用should语法
根据词性整理了一定的规则。
NT ： 时间名词，连续的NT词必须是一个整体；
VV： 去除单字；保留2个字及以上；
NN：前后独立的NN去除；单字的NN需和前后NN组成整体词；
OD：中文序数词，如“第一、第二、十九”，需与前后组成整体词；
M：数量词；需与前后组成整体词；
二、优化后的效果
BM25召回率提提升了 1.23% 。原来有63个没有被召回。修改后只有34个没有召回。实际上效果已经提升了将近50%。
top1召回率提升了 7.6%，top5提升了 5%，top10提升了3.3%，top20提升了2%
在34个没有召回的case里边。其中有24条，是有问题的问题（问题太泛了）。
三、负面效果
关键词提取的方式，也存在一些badcase，并不总是那么完美。
剩余10条没有召回case里，看到加分策略的副作用。这里举一个例子：如何理解“十个行动”？
显然这里会拿着"理解" + "行动"去加分，结果会变差。
