主要内容：对通用搜索引擎的查询推荐技术的方法、评价进行了总结
具体内容：
“查询推荐”的不同英文叫法：Query Suggestion、Term Suggestion、Query Recommendation、Query Substitution、Query Rewriting
查询推荐的任务：找出和用户查询相似的query，以便更好地表达用户查询意图，供用户便捷输入
三种技术方法：
1. 基于文档的方法：通过处理query搜索出来的文档，以此作为反馈，进一步理解用户意图，扩充query
（1）全局文档分析：方法如题目
（2）局部文档分析：说一个更通用的名字，是伪相关反馈，用搜索结果的前N篇文章作为文档集合，扩展query，从伪相关文档中进行降维是一个难点，LCA等
（3）基于语言学资源的分析：说白了就是用wordnet或者hownet或者wiki来做同义词扩展
2. 基于日志的方法：日志作为用户的点击行为的记录，能够忠实的反映用户的真实意图。
（1）基于session的方法
简单地说，就是用户搜了什么之后还搜索了什么。往往最后搜索的那个query是能够满足用户当时需求的query。
这个方法，session的判定是个难点
（2）基于click的方法：点击模型
<query, click1, click2....>，这样的query和点击向量组成的数据结构，可以用一些距离函数（如：余弦距离）来计算query之间的相似度
这种方法，用户click的url很多，造成向量的维度很多，降维仍然是一个问题，两种降维途径：1. 聚类；2. 矩阵分解
（3）基于时间分布的方法
即统计query的时间分布，如：在情人节那天搜索“巧克力”的人会比较多。不过这个一般只能作为补充。
评价方法：
基本思路还是人工建立评测集合（或者找国际标准评测集合，如trec），然后算准确率、召回率、NDCG等