搜索最近的中石油价格-附近中国石油价格

1.中石化的油好还是中石油的好

2.搜索引擎的 Query 分析有哪些小技术点

中石化的油好还是中石油的好

正常情况下，在部分城市中石化的油品要略好于中石油的油品，原因有二

其一，78年以后中石化主要从事成品油的销售工作（中石油主要负责原油的开采和炼化），比较注重销售环节的管理，油本身区别不大，谁管理的更细致，谁的油品就会好一点，虽然最近关于中石化的负面报道不少，但瘦的骆驼比马大，中石油在零售管理方面至少要落后5年

其二，中石化的油一直是比中石油要贵一点的，这一点不是没有道理，因为两家的理念是不同的，中石化想靠品质取胜，而中石油一直认为价格才是硬道理，从企业内部经营宗旨就能看出一二，中石化追求利润最大化，即使在市场供应充足，价格竞争激烈的时候，也只把少数省国道加油站降了价，而想要保证利润最大化，必须保证油品质量

给您建议，办一张中石化的加油卡，找一个附近车流量不是很大的加油站，我个人感觉，车流量小一点，加油站接卸的次数会少一点，每车油品销售时间会长一些（出了油品质量问题好取样），一是会减少在接卸环节出现问题，二是真出了问题，您解决起来麻烦会少一点（问题车辆少，能取油样，别不重视油样问题，大加油站销量大，一车油一天就买光了，不出大问题，你根本就取不到当天的油样）

搜索引擎的 Query 分析有哪些小技术点

您好:

Query的数据分析

Query即用户在搜索引擎输入查询条件。在通用搜索引擎中，一般是指输入的关键词。而在各类行业或者垂直搜索引擎，还可以输入类目，如优酷网站中可以选择“**”、“电视剧”这样的类目。在电子商务网站中，各种产品品牌、型号、款式、价格等也是常见的查询条件。

要分析query中每个term的内容，分词是必不可少的工具。分词算法从最简单的最大正向、最大反向分词算法，到复杂的隐马尔科夫、CRF模型。CRF模型是一种序列标注的机器学习方法。分词算法最关键的是如何得到足够的标注准确的语料库，足够的训练语料是模型成功的基础条件。

Query按照PV从高到低排序之后。横坐标为query编号，纵坐标是query的PV。从下图可以明显看出，query的PV分布是一个长尾分布。

每种搜索引擎的query

都有自己的特点。根据query的特点来设计自己的算法和相应产品是非常必要的。例如：百度有很多查询“从A到B怎么走”，“××怎么样”。相信百度正是研究了这些查询，才力推百度“贴吧”和“知道”，“百科”等产品的。通用搜索引擎和电子商务网站的query区别一定很大。例如joyo当当一定有大量书籍名称的查询。而在电子商务网站，有大量类目+属性的查询方式。如何组合的输入条件，准确分析用户意图，保证搜索引擎结果的召回率和准确率是一个挑战。

20-80定律：query 和cache

我们发现20%的top query，占据了80%的PV流量。如果解决了这20%的query的分析和排序问题，我们就解决了绝大多数流量的问题。

针对20%的query，我们可以优化搜索引擎的索引结构，尽量直接返回用户需要的信息。在query分析的模块，我们可以存储query的分词、词性标注以及query分类等结果。总之高效利用内存，用内存换取性能的极大提升。

query的分类和“框计算”

query分类是目前通用搜索引擎必须解决的问题。当你在百度或者google上面输入“××市天气”，会显示天气状态、温度等;输入“中石油”直接显示出中石油的股价;输入“航班”直接从航班起点和终点的选择。这也是百度所谓的“框计算”，也就是直接在搜索框完成解析，直达具体的应用。

如何做分类呢?

假设搜索引擎已经对网页分类，那么统计每个query下点击的页面分类，把页面类别的概率按照从高到低排列，也就是query的分类。也就可以知道这个query的分类。但是这种只能用在当query的点击数量足够的时候。

另外一种办法是通过页面分类，用贝叶斯的方法，反推每个query可能属于那些类别。

query的导航

query的分类其实是导航的一个基本条件。只有当你对query的分类准确，对query中每个term的词性理解准确的时候，导航才真正开始。

在电子商务网站，如Amazon、京东等网站。准确的导航是非常必要的。

而准确的导航是第一步。根据用户输入，在导航中体现相关热门推荐，或者个性化推荐，是对导航的更进一步的要求。

在淘宝搜索产品上，当用户输入关键词，会自动提示相应的类目和属性，并且把热门的类目属性展示在前面，而把相对冷门的类目和属性折叠起来。最大利用网页有限的展示空间。

query suggestiong

query与个性化

说到个性化，必然涉及到对用户数据的收集。根据用户的行为或者设置，分析用户的年龄、性别、偏好等。同样是搜索“咖啡馆”，你在北京和上海搜索得到结果可能差异很大。

而这些分析数据来源于对每个用户在搜索引擎的行为日志。搜索引擎都会分析每个用户的搜索和点击等行为。存储的时候存在在分布式key-value内存数据库中。

用户行为不仅仅对个别用户本身有用。大量用户的行为日志，被广泛用于推荐系统的数据挖掘。例如用户在当当joyo上面购买的书籍，就来自于大量用户的购买和浏览记录。推荐系统从常见的关联规则分析，已经进化到各种复杂的图关系分析算法。

详情参考: