近年来,人工智能发展如火如荼,自然语言领域在最近两年更是发生了天翻地覆的技术变革,进入了技术井喷的快速发展期,对话系统、机器阅读理解、搜索推荐、文本分类等技术已经成功应用到了生活的方方面面。其中信息检索与搜索引擎应用中,快速与准确的用户意图分析是下一代搜索引擎的热点之一。本课题主要针对于用户在文娱类搜索场景进行搜索时,以短文本下用户的意图分析为研究对象,以文娱类APP下用户的搜索短文本query为研究基础,提出了一种用户query语义空间融合的方法,即将当前搜索Query和实体更好的映射到一个语义空间中,实现了对用户意图的分类判断,并为搜索中下游的召回与排序提供数据依据。在研究过程中建立了用户的短文本数据集,包括两个用户行为的query数据集与Item的信息数据集通过解析用户的搜索Query,其中一级标签共13类,二级标签共244类,实体物品Item数据近3万条。对数据进行分析建模、清洗过滤、长尾处理等,进行一定的预处理。本课题基于Word2Vec、Doc2Vec、Bert模型的无监督学习的训练Embedding方法,结合有监督训练的MLP及FastText、TextCNN有监督学习的标注训练,提出了一个快速、准确的用户意图分类模型,能够对用户的query进行Embedding向量化,并定位标签类别。使用fastText网络进行Embedding多标签分类,进行Embedding+MLP/CNN的item多分类,通过调整数据集的特征维度、fastText模型参数,训练不同的词向量表示,逐步优化词向量模型,探索垂类搜索query在语义空间中好的表现形式,以此迭代出意图识别分类模型。在Linux系统下,基于Tensorflow与fastText框架,对Embedding进行融合,对query维度数据进行标签多分类实验(即用户的意图分类),对Itemid维度数据进行多分类实验。在fastText的query维度数据多分类实验中,分类精度达到85.80%;在MLP模型的Itemid维度数据多分类实验中,头部Itemid 142类的分类精度达到85%,使用MLP+CNN模型,分类精度达到88%;将融合的Embedding在下游召回与排序中使用,ctr转化率提高了 5.16%。依托Embedding的预训练用户意图分析,提升Item在垂类搜索中语义空间的表达,即当用户在搜索中输入query时,可以丰富语义的相关召回,提升用户的搜索体验,同时为下游的召回排序任务提供数据支持。