框计算的目标是为用户提供基于搜索框的一站式搜索服务。举例来说，当用户在搜索框中输入非诚勿扰时，系统就能明确该query有寻求电视节目视频、电影视频、查找影评、参与讨论及查看相关新闻等需求，然后将这些不同的需求分配给最优的内容资源或应用进行处理，最终精准高效地将满足这些需求的结果展现给用户。图1展示了框对query非诚勿扰的满足情况。从上面的分析中，我们不难看出，框计算的第一步，就是识别出一个query具有哪些需求，而这正是需求分析要完成的任务。非诚勿扰的框计算结果需求分析是框计算的入口，因为只有分析出query的需求，才能更好地展现出相应的结果来满足用户的需求。
因此对query的需求分析得越准确、覆盖的query准多，用户的满意度则越大。需求分析是框计算中最重要也是难度最大的地方之一。识别query的需求，最容易想到的方法是查词表。比如将所有的电影、电视剧名都事先收集起来，放到词表中，只要用户输入该词表中的词，就能识别出一个query是否有寻找视频的需求。这种方法的优点是快，但缺点非常明显：首先，这种方法只能将query划分为2个维度，要么有视频需求，要么没有视频需求。但很多视频的名字，具有多方面的含义，在视频上面只是其中一个微弱的含义，如果直接出视频需求，则会极大地伤害用户。比如，有一个广告片的名字叫百度一下，这个广告片可能60%以上的用户都不熟悉，如果这60%以上的用户输入百度一下，直接给出一个名为百度一下的视频观看结果，则这60%以上的用户会感觉非常困惑。
其次，这种方法不能很好地满足大部分用户的需求。用户在寻找视频时，表述方法是多种多样的，比如：士兵突击全集、士兵突击高清、士兵突击全集在线观看等，这3个query都具有强烈的寻找视频需求，但通过查表的方法，却无法识别出该需求。再次，这种方法对电影、电视剧外的视频需求无法满足。有视频需求的往往不止电影、电视剧，流行或新闻时效性的很多东西，都具有强烈的视频需求。比如：西单女孩、中关村男孩、钓鱼岛撞船、朝韩炮击等，多数用户往往都有查看相关视频的需求。最后，这种方法缺乏预测性，识别出的query数量有限。即对于词表中的词条，能够识别出视频需求，但词表外词条，无法识别出视频需求。因此，如果词表的规模为N，则最多只能识别出N个query具有视频需求。从上面的分析中，我们可以总结出，一个好的需求分析方法，至少要满足如下需求：1)具有很高的准确率以及召回率，即能在识别出90%以上query需求的同时，又能保证识别出来的需求，95%以上都是正确无误的;2)具有良好的预测能力，即能够准确地预测出未知query的需求;3)具有识别需求与解析字段功能，即在识别出query需求的同时，还能高效地从中解析出所需信息。
首先，用户query表述方式的多样性给需求分析带来了不少困难。比如，关于寻找天气这一种需求，用户就有上百种不同的表达方式。其次，相近query可能具有截然不同的需求。比如：从北京到上海车距与从北京到上海车票，前者具有较强的自驾需求，而后者具有较强的火车时刻查询需求。而同样为明星，王菲、张学友，都具有强烈的视频、图片等需求，而李开复、张亚勤等科技明星，从用户的需求来看，最强烈的需求是寻找百科信息，而非视频、图片。最后，用户输入的query往往使用自然语言进行表述，有时还包含缩略与拼写错误，比如：5新加坡元=美元、5人名币等于多少美元等。这些客观存在的问题，都加大了需求分析的难度。