网页搜索技术简介ppt课件.pptx

《网页搜索技术简介ppt课件.pptx》由会员分享，可在线阅读，更多相关《网页搜索技术简介ppt课件.pptx（29页珍藏版）》请在三一办公上搜索。

1、网页搜索技术简介,2014年09月04日,技术分享季，点亮思维每一季,搜索引擎概述搜索引擎关键技术检索系统索引系统网络爬虫相关性引擎的评测与改进,议题,搜索引擎概述,解决的问题：海量数据中从查找你想要的数据数据来源：网页抓取，分析数据处理：筛选，去重，排序，存储数据检索：分词，检索 互联网技术皇冠上的明珠,搜索引擎概述,搜索引擎应用了哪些技术？分布式计算：用于大规模离线网页排序/分析分布式存储：用于网页数据存储，（url库，正文库，anchor库，倒排，正排，摘要，快照）自然语言处理（文章分词/检索语意分析/检索树构建），机器学习（相关性模型调优）高性能检索（实时检索服务，IO/CPU/网络架

2、构）.其他相关技术,搜索系统架构,通用搜索系统主要是包括四大系统：检索系统，索引系统，爬虫系统，和相关性检索系统：根据用户输入的检索串，实时找出检索最相关的内容索引系统：离线网页的倒排/顺排构建，网页选取/去重/离线打分，网页数据存储.爬虫系统：互联网数据选取/抓取相关性：检索串和文章的相关度，索引文章选取，网页抓取的优先级，全方位介入到搜索的各个角落,检索系统,索引系统,爬虫系统,相关性,检索串分析: 把用户输入的检索串进行分词和语意分析，分解成检索语法树中国恒大 (中国 | 中华| china) & 恒大 （中国&恒大） | （中华&恒大）| （china&恒大） 检索串表示为多个词组的交

3、集，如果有同义词，可以进行同义词扩展。 检索树其他特性： IDF信息，检索时新性判断，检索主题分类（体育/新闻/视频）,检索系统,检索: 核心是一个倒排求交并进行排序的过程倒排表：词语到文章的映射 （中国&恒大） = doc5,检索系统,检索难点: 短时间内，完成超长倒排的求交过程。在线检索系统，文章数量从几百亿到上千亿不等。高频词，可能在数10亿个网页中存在，如何求交？,检索系统,并行求交: 倒排表进行多次拆分，分布到不同的机器上。求交的时候下发语法树，所有机器对同一个语法树进行求交操作。求交结果进行多次合并排序，最终返回用户。一次检索会涉及到集群的所有机器，能量开销大,检索系统,检索性能:

4、 检索开销巨大，需要优化检索性能到极限(CPU/内存/IO)。关键指标：文章装机量，QPS文章装机量：单机能够装载的文章数。集群在线文章更多，长尾检索效果更好，但是倒排长度更长，会降低QPSQPS：单机能够承载的检索次数上限，制约整个集群的检索能力，QPS提高能够降低检索成本 求交过程需要进行全方位的优化，提升求交性能！一次检索会涉及到集群的所有机器，能量开销大,检索系统,文章索引优化： 继续挖掘优化： 块压缩？ 变长编码，差分编码.,检索系统,求交过程优化：（1）倒排表按照文章质量以及和词语相关度进行了离线排序（2）倒排表进行多路归并，寻找词语倒排表交集 其他优化方法： 建立倒排二级索引，B

5、itmap直接表示文章增加单机文章装机量：固态硬盘，异步IO, CPU绑定，无锁编程.,检索系统,存储： url库，正文库，链接库，用户行为数据.计算：抽取、反垃圾、排重、选取、顺排、倒排、链接计算、锚文本计算索引选取：从离线存储库中的几千亿网页选取优质数据到在线库。（几百亿到上千亿不等）顺排倒排：对网页进行分词，建立倒排表。倒排是词语到文章的映射，顺排是文章到词语的映射。,索引系统,计算：依赖大规模分布式计算MR（Infrastructure） http:/ 更多细化的规则保证选择优质数据网页打分：根据用户行为数据(点击/展现/浏览日志)，网页权威度特征(PR,DR)和网页质量进行综合打分,

6、索引系统,白黑名单,分类规则,网页打分,打分模型：针对网页评分，建立合适的打分模型非线性模型：指数模型，对数模型，分段模型线性模型：value = 权重* A + 权重 * B，多数会对权重和数据进行归一化处理，具体的取值可以通过多次训练获得模型参数：（1）用户行为数据(点击/展现/浏览日志)，浏览器数据非常关键，可以收集到非常长尾的网页数据！（2）网页质量特征：page rank，quality rank（网页质量），domain rank(主站质量). (3) 网页内容特征： url深度，分光镜(内容分类)，编码格式.,索引系统,问题：如何选取1000亿网页中得分前100亿的网页？根据上一

7、轮网页打分，可以得出网页的得分分布状态例：在这20篇文章中，找出得分排名前10的文章，可以知道阈值是3每天都有新的数据，如何在时新性和成本达成妥协？（1）时新性数据直接实时进入实时索引系统。（2）常规数据每天分批计算，每天上线1/N数据，N天完成全量索引更新,索引系统,网络爬虫是搜索引擎的数据源头，直接决定数据质量和收录。它负责发现/下载/更新网页数据。数据是搜索质量的基础。调度：从Url库中选择需要抓取的url抓取：下载网页数据抽取：把下载网页分析为结构化的数据，URL/正文/锚文本/链接库,网络爬虫,SPIDER,数据仓库（URL/正文/链接库）,SCHEDULE,抽取,WEB,Url,网

8、页数据,调度：下载配额是受到下载机器/出口带宽/对方网站配额等多个因素制约的，下载能力非常有限。需要从Url库中选取最有价值的url进行下载调度原则：链接分类配额 + 配额内打分排序网页分类：（1）网站首页：必选（2）新抓页面：资源倾斜（3）更新索引页：资源倾斜（4）更新内容页：少量更新,网络爬虫,链接打分规则新抓页面：URL外形因子/Page rank/所在网页目录质量更新页面：发现新链接数/子链接数/页面变化周期/page rank /url深度Url外形例子：http:/,网络爬虫,Page rank：网页排名，又称网页级别，佩奇排名。一个链接的page rank排名由指向它的链接所决定

9、。整个网络的page rank经过多次迭代趋向稳定Page rank公式：SEO优化经常关注到这一点，但是大量垃圾网站的相互指向，容易导致整一批网站被判定为垃圾或者作弊，反而导致站点被惩罚性降级！千万不要和坏人做朋友！,网络爬虫,网页抓取：从互联网抓取网页数据的过程。抓取压力：抓取压力非常关键，太大的压力会导致对方封禁爬虫的IP地址。下载压力原则是做到全天均衡而稳定，考虑对方站点的业务状态。如何去估算对方站点允许的下载压力？（1）站点Alexa排名（2）站点PV站点压力是一个反复调整的过程，如果不幸被对方站点封禁了，就需要转入到匿名下载。,网络爬虫,问题：如果从求交完成的文章中，选出最优的10

10、篇文章返回给用户？ 相关性：对求交结果进行排序，完成最优选择！介绍的重点。相关性全面深入到搜索引擎的各个细节，query分析，求交排序，离线索引选取，倒排构建，爬虫链接选择，反垃圾等等环节,相关性,求交结果排序的关键因子：（1）文本相关性：衡量query和网页的文本近似度（2）网页权威度：考虑网页和所在站点的权威性，如百度知道/wiki等所属页面会大幅提权 （3）网页时新性：时新网页会有提权，特别对于新闻类网页（4）点击模型：用户点击数据实际上就是对网页进行人工标注。Query实际上可以作为网页的标注信息。,相关性,文本相关性：不同位区的文本重要性不同（1）anchor 标注文本（2）文章标题

11、（3）文章meta字段，注释信息（4）文章正文SEO优化的同学注意了！,相关性,（1）锚文本/标题完全匹配，可以获取很高的提权（2）标题部分命中也可能比正文获得更高的排位（3）文章内容其实没有你想象的重要,相关性,常用的文本相关性算法： BM25http:/nlp.stanford.edu/IR-book/html/htmledition/okapi-bm25-a-non-binary-model-1.html 余弦相似度http:/zh.wikipedia.org/wiki/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E6%80%A7simhashhttp:/ 在算法基础上，可以用更多自定义特征来进行提权降权,相关性,评测方法DCG测试 : 针对一定量query，人工标注评价和标注相关网页。通过对标注网页的召回率和排序的打分，得出DCG测试得分。自动化测试可以使用这个指标来评测新特性的效果。 翻页率：90%以上的搜索请求可以在第一页即可获取结果领先引擎召回率：对比占领先地位的搜索引擎结果，观察每天的召回率人工评比：每隔一定周期请专业人士做人工评测如何改善搜索质量：（1）数据是搜索的核心（2）坏例分析,引擎的评测与改进,Long Way To Go,欢迎提问分享,