在垂直搜索应用中,对用户的搜索词条进行切词,然后下发关键词,当与第三方服务商数据库中的词条匹配时,就会返回对应的服务或者数据。然而,在实际应用中,用户的搜索表达是多种多样的,用户的搜索习惯也会随着时间的变化而变化。为了尽可能多地召回服务,满足用户的搜索需求,有必要挖掘出用户常用的搜索。手动配置搜索词表需要巨大的时间以及人力成本,基于人工的配置精确率高,但需要很大的成本,而且人工很难遍历所有的搜索行为,会影响召回服务的数量。从数据挖掘的角度,设计一种算法代替人工进行自动挖掘就很有必要。本文提出一种基于关联规则的模板挖掘方法。首先对用户的历史搜索记录进行意图识别,然后对经过意图识别以后的记录进行切词,替换成预设类目词,把切词以后的词语当作事务项,利用FP-growth算法进行频繁项集的挖掘,最后再利用熵值,搜索数量,语义相似度等特征训练排序模型,不断迭代更新词表,逐步增加服务召回。本设计的优势在于:1)提出基于关联规则的挖掘方法,相比于单纯基于搜索数量的方法,可以更多地挖掘有潜在搜索意图的模板。2)此外,为了满足本次设计的要求,对FP-Growth算法的评价指标进行了改进,增加了交叉支持度来筛选频繁项,可进一步过滤掉低关联的项,同时也避免了支持度设置困难的问题。3)最后,提出基于信息熵,搜索数量,语义相似度等特征的排序模型,可以把有价值的模板排在前面,这样做可以用高质量的模板来更新词表,保证挖掘的质量。