百度搜索引擎工作原理-3-檢索排序
搜索引擎索引系統(tǒng)概述
眾所周知，搜索引擎的主要工作過程包括：抓取、存儲(chǔ)、頁面分析、索引、檢索等幾個(gè)主要過程。上一章我們主要介紹了部分抓取存儲(chǔ)環(huán)節(jié)中的內(nèi)容，此章簡要介紹一下索引系統(tǒng)。
在以億為單位的網(wǎng)頁庫中查找特定的某些關(guān)鍵詞猶如大海里面撈針，也許一定的時(shí)間內(nèi)可以完成查找，但是用戶等不起，從用戶體驗(yàn)角度我們必須在毫秒級(jí)別給予用戶滿意的結(jié)果，否則用戶只能流失。怎樣才能達(dá)到這種要求呢？
如果能知道用戶查找的關(guān)鍵詞（query切詞后）都出現(xiàn)在哪些頁面中，那么用戶檢索的處理過程即可以想象為包含了query中切詞后不同部分的頁面集合求交的過程，而檢索即變成了頁面名稱之間的比較、求交。這樣，在毫秒內(nèi)以億為單位的檢索成為了可能。這就是通常所說的倒排索引及求交檢索的過程。如下為建立倒排索引的基本過程：
1，頁面分析的過程實(shí)際上是將原始頁面的不同部分進(jìn)行識(shí)別并標(biāo)記，例如：title、keywords、content、link、anchor、評(píng)論、其他非重要區(qū)域等等；
2，分詞的過程實(shí)際上包括了切詞分詞同義詞轉(zhuǎn)換同義詞替換等等，以對(duì)某頁面title分詞為例，得到的將是這樣的數(shù)據(jù)：term文本、termid、詞類、詞性等等；
3，之前的準(zhǔn)備工作完成后，接下來即是建立倒排索引，形成{termàdoc}，下圖即是索引系統(tǒng)中的倒排索引過程。
倒排索引是搜索引擎實(shí)現(xiàn)毫秒級(jí)檢索非常重要的一個(gè)環(huán)節(jié)，下面我們要重要介紹一下索引系統(tǒng)建立倒排索引的重要過程——入庫寫庫。
倒排索引的重要過程——入庫寫庫
索引系統(tǒng)在建立倒排索引的最后還需要有一個(gè)入庫寫庫的過程，而為了提高效率這個(gè)過程還需要將全部term以及偏移量保存在文件頭部，并且對(duì)數(shù)據(jù)進(jìn)行壓縮，這涉及到的過于技術(shù)化在此就不多提了。在此簡要給大家介紹一下索引之后的檢索系統(tǒng)。
檢索系統(tǒng)主要包含了五個(gè)部分，如下圖所示：
（1）Query串切詞分詞即將用戶的查詢?cè)~進(jìn)行分詞，對(duì)之后的查詢做準(zhǔn)備，以“10號(hào)線地鐵故障”為例，可能的分詞如下（同義詞問題暫時(shí)略過）：
10 0x123abc
號(hào) 0x13445d
線 0x234d
地鐵 0x145cf
故障 0x354df
（2）查出含每個(gè)term的文檔集合，即找出待選集合，如下：
0x123abc 1 2 3 4 7 9…..
0x13445d 2 5 8 9 10 11……
……
……
（3）求交，上述求交，文檔2和文檔9可能是我們需要找的，整個(gè)求交過程實(shí)際上關(guān)系著整個(gè)系統(tǒng)的性能，這里面包含了使用緩存等等手段進(jìn)行性能優(yōu)化；
（4）各種過濾，舉例可能包含過濾掉死鏈、重復(fù)數(shù)據(jù)、色情、垃圾結(jié)果以及你懂的；
（5）最終排序，將最能滿足用戶需求的結(jié)果排序在最前，可能包括的有用信息如：網(wǎng)站的整體評(píng)價(jià)、網(wǎng)頁質(zhì)量、內(nèi)容質(zhì)量、資源質(zhì)量、匹配程度、分散度、時(shí)效性等等
影響搜索結(jié)果排序的因素
上面的內(nèi)容好象有些深?yuàn)W，因?yàn)樯婕按罅考夹g(shù)細(xì)節(jié)，我們只能說到這兒了。那下面我們說說大家最感興趣的排序問題吧。用戶輸入關(guān)鍵詞進(jìn)行檢索，百度搜索引擎在排序環(huán)節(jié)要做兩方面的事情，第一是把相關(guān)的網(wǎng)頁從索引庫中提取出來，第二是把提取出來的網(wǎng)頁按照不同維度的得分進(jìn)行綜合排序。“不同維度”包括：
1，相關(guān)性：網(wǎng)頁內(nèi)容與用戶檢索需求的匹配程度，比如網(wǎng)頁包含的用戶檢查關(guān)鍵詞的個(gè)數(shù)，以及這些關(guān)鍵詞出現(xiàn)的位置；外部網(wǎng)頁指向該頁面所用的錨文本等
2，權(quán)威性：用戶喜歡有一定權(quán)威性網(wǎng)站提供的內(nèi)容，相應(yīng)的，百度搜索引擎也更相信優(yōu)質(zhì)權(quán)威站點(diǎn)提供的內(nèi)容。
3，時(shí)效性：時(shí)效性結(jié)果指的是新出現(xiàn)的網(wǎng)頁，且網(wǎng)頁內(nèi)承載了新鮮的內(nèi)容。目前時(shí)效性結(jié)果在搜索引擎中日趨重要。
4，重要性：網(wǎng)頁內(nèi)容與用戶檢查需求匹配的重要程度或受歡迎程度
5，豐富度：豐富度看似簡單卻是一個(gè)覆蓋范圍非常廣的命題?？梢岳斫鉃榫W(wǎng)頁內(nèi)容豐富，可以完全滿足用戶需求；不僅可以滿足用戶單一需求，還可以滿足用戶的延展需求。
6，受歡迎程度：指該網(wǎng)頁是不是受歡迎。
以上便是百度搜索引擎決定搜索結(jié)果排序時(shí)考慮的六大原則，那么六大原則的側(cè)重點(diǎn)是怎樣的呢？哪個(gè)原則在實(shí)際應(yīng)用時(shí)占比最大呢？其實(shí)在這里沒有一個(gè)確切的答案。在百度搜索引擎早期，這些閾值的確是相對(duì)固定的，比如“相關(guān)性”在整體排序中的重量可以占到七成。但隨著互聯(lián)網(wǎng)的不斷發(fā)展，檢索技術(shù)的進(jìn)步，網(wǎng)頁數(shù)量的爆發(fā)式增長，相關(guān)性已經(jīng)不是難題。于是百度搜索引擎引入了機(jī)器學(xué)習(xí)機(jī)制，讓程序自動(dòng)產(chǎn)出計(jì)算公式，推進(jìn)排序策略更加合理。
低質(zhì)網(wǎng)頁狙擊策略——石榴算法
我們理解網(wǎng)站生存發(fā)展需要資金支持，從來不反對(duì)網(wǎng)站添加各種合法廣告，不要再問我們“我們網(wǎng)站加了XX聯(lián)盟的廣告會(huì)不會(huì)被處罰”這類問題。有些站點(diǎn)好不容易在百度有了比較好的排位，卻在頁面上放置大量有損訪問用戶體驗(yàn)的廣告，已經(jīng)嚴(yán)重影響到百度搜索引擎用戶的使用感受。為此，百度質(zhì)量團(tuán)隊(duì)2013年5月17日發(fā)布公告：針對(duì)低質(zhì)量網(wǎng)頁推出了石榴算法，旨在打擊含有大量妨礙用戶正常瀏覽的惡劣廣告的頁面，尤其是彈出大量低質(zhì)廣告、存在混淆頁面主體內(nèi)容的垃圾廣告的頁面。
如以下網(wǎng)頁截圖，用戶要花很長時(shí)間去尋找真正的下載地址，是百度無法接受容忍的。
百度質(zhì)量團(tuán)隊(duì)希望站長能夠多從用戶角度出發(fā)，朝著長遠(yuǎn)發(fā)展考慮，在不影響用戶體驗(yàn)的前提下合理地放置廣告，贏得用戶的長期青睞才是一個(gè)網(wǎng)站發(fā)展壯大的基礎(chǔ)。
來源：百度搜索資源平臺(tái) 百度搜索學(xué)堂
