三、不仅仅是基于关键字的匹配

传统上，广告根据搜索查询和广告描述之间的关键字匹配进行排名（例如“<品牌名称>”和“礼服”）。现在，必应可以根据产品说明中未出现在查询中的其他字词（例如“印花”，“绣花”，“紧身裙”）或广告客户提供的初始关键字对产品广告进行排名。由于每个产品描述的相关性都是根据用户的查询进行排名，因此我们会考虑每个查询产品的描述（Query-Product Description）来确定最佳排序。这个查询产品的描述（Query-Product Description）的概念就是我们所说的基本排名。查询“<品牌名称>待售礼服”，产品描述示例如下面的图3所示。每个新查询产品的描述（Query-Product Description）中不匹配、不包括的词都显示为红色。

四、非匹配词（Unmatched Words）就不重要吗？

对于给定的查询，可以从过去为此查询单击的其他产品中学习产品描述中不匹配单词的重要性，并且这些产品包含相同的不匹配单词。具体而言，点击率可以掌握用户对产品的喜爱程度。例如，如果过去相同的查询“<品牌名称>正在销售”，如果产品“<品牌名称>绣花连衣裙”的点击率高于另一个产品“<品牌名称> 紧身连衣裙”，则可以推断出不匹配的产品“提花连衣裙”可能比“紧身连衣裙”更重要。在这种情况下的重要性是指受欢迎程度。我们可以这样理解一下，依据常识看来，绣花连衣裙上身的感觉比较舒适，因此比紧身更受欢迎。

所以，虽然不匹配，但还是带来了一定的信息量。

要扩展可用于查找其他重要单词的数据量，不必限制于历史数据，也就是以前的一模一样的查询（比如“<品牌名称>待售礼服”）。还可以查看过去类似的查询，例如“<品牌名称>连衣裙”，其中包含相同的查询关键字“连衣裙”。

为了方便相似的查询，微软将搜寻关键字「连衣裙」会与未配对产品描述字词绑在一起，成为「查询+产品单词组」，产生「碎花连衣裙」与「紧身连衣裙」这样的单词组，用来训练机器学习的模型，进而学习查询+产品单词组与点击率关系的模式。

准备好查询+产品单词组和点击率数据后，再将它们作为训练数据提供给机器学习模型，以学习查询和产品点击率关系的模式。

当部署系统并且用户输入以前未见过的查询时，这个学习到的模型将为时尚广告商的目录中的查询和产品描述生成相应的查询与产品词对功能。然后，它将使用它们来预测每种产品的点击率。预测点击率最高的产品会排名最高。