Comprender y analizar la intención de búsqueda de un usuario de forma semántica basada en su consulta de entrada ha surgido como un desafío intrigante en los últimos años. Sufrir de datos de entrenamiento etiquetados por humanos a pequeña escala que producen una hipótesis muy pobre de palabras raras. La mayoría de los portales de datos emplean funcionalidades de búsqueda basadas en palabras clave para explorar contenido dentro de sus repositorios. Sin embargo, la búsqueda basada en palabras clave no puede identificar con precisión la intención de búsqueda de los usuarios. Integrar un marco comprensible de consultas en los motores de búsqueda basados en palabras clave tiene el potencial de mejorar su rendimiento, cerrando la brecha en la interpretación de la intención de búsqueda del usuario de manera más efectiva. En este estudio, hemos propuesto un enfoque novedoso que se centra en la información espacial y temporal, la detección de frases y el reconocimiento de similitud semántica para detectar la intención del usuario a partir de la consulta de búsqueda. Hemos utilizado el modelo de lenguaje probabilístico n-gram para la detección de frases. Además, proponemos un mecanismo con comprensión de la probabilidad para los embeddings de RoBERTa (Enfoque de Representaciones Codificadoras Bidireccionales Optimizadas Robustamente a partir de Transformers) para detectar semánticamente la intención del usuario. Analizamos y comparamos el rendimiento del esquema propuesto con los esquemas de vanguardia existentes. Además, se ha realizado un estudio de caso detallado para validar la competencia del modelo en análisis semántico, enfatizando su adaptabilidad y potencial para aplicaciones del mundo real donde la comprensión de la intención matizada es crucial. El resultado experimental demuestra que nuestro sistema propuesto puede mejorar significativamente la precisión para detectar la intención de búsqueda de los usuarios, así como la calidad de la clasificación durante la búsqueda.