Google的搜索最後結果排列算法

書庫管理員們提出最多的問題之一是：對於啥子樣的最後結果應當位於搜索列表的最上方，Google是怎麼樣挑選的?如今質量工程師馬特-卡茲紹介了迅速初步學會的知識，詮釋了Google是如在哪裡網上爬動和引得，以及怎麼樣核定搜索最後結果等級的。馬特也立志求學校書庫管理員提出提議，奉告它們怎麼樣幫助指導學生。

 

爬動和引得

 

在你瀏覽裡面含有了Google搜索最後結果的網頁之前，要發生眾多事物。首先是在萬維網數以十億計的網頁上爬動和引得，這個辦公是由Googlebot完成的，它負責與全世界的網絡服務器連署以使聚在一起文件。爬動不是實在在網上隨意游玩，而是過訪網絡服務器回返到一個特別指定的網頁上，繼續電子掃描該網頁樹立超鏈接並為每一個網頁編上號頭。爬動可使聚在一起數量多的文件，但這些個文件還不可以直接用於搜索。

 

假如沒有引得，在你想查問如civil war(南邊和北邊戰爭)等內部實質意義時，Google的服務器將只得在你每每搜索時閱覽每一份文件的內部實質意義。因為這個第二個步驟是要樹立一個引得，這麼就需求改換爬動所取得的數值。為了不需要在每一份文件上電子掃描每一個單詞，就需求在數值上做些文章，以便顯露裡面含有了特別指定單詞的全部文件。例如，如果單詞civil在編號為3、8、22、56、68和92的文件上顯露出來過，而單詞war顯露出來編號為2、8、15、22、68和77的文件上。

 

一朝樹立了引得，就著手對文件施行等級核定並確認他們的有關性。如果某私人上Google搜索並輸入civil war，為閃現和名聲搜索最後結果需求做兩件事：一是查尋裡面含有了用戶提出問題的網頁;二是依照像關性排定般配網頁的位置。Google已經研發出一個有趣兒的技術可加速第1步驟的過程：不是將全部引得儲存在一臺電腦上，而是運用數百臺電腦做這種辦公。因為擔任的工作被分配到眾多電腦上，要得查問解答更為迅疾。

 

為更加形象地描寫這個過程，可以設想下一本30頁厚書的引得。假如獨自一個人在引得中查尋數頁的信息，那末每一次搜索都至少需求花幾秒鍾的時間;但假如你將引得的每一頁分給不一樣的人去查尋呢?三十私人作別查尋引得的不一樣局部，要比獨自一個人獨自查尋快的多。一樣，Google也是將數值分配到各臺電腦上以便可以更快地查尋文件。

 

怎麼樣查尋裡面含有了用戶提出問題的網頁?讓我們回返到上頭舉的civil war例子。單詞civil在編號為3、8、22、56、68和92的文件上，單詞war在編號為2、8、15、22、68和77的文件上，我們可以在網頁上顯露文件並尋覓裡面含有兩個單詞的文件(從下表中可以看出是8、22和68號文件)。

 

單詞civil 3 8 22 56 68 92

 

單詞war 2 8 15 22 68 77

 

兩個單詞都顯露出來 8 22 68

 

裡面含有了一個單詞的文件列表被稱為文件標識列表，查尋裡面含有兩個單詞的文件被稱為文件標識列表的交集。

 

核定搜索最後結果

 

有了裡面含有用戶提出問題的網頁後，就該依照像關性核定網頁了。Google運用了眾多技術，那裡面PageRank算法是最出名的。PageRank核定的是兩種事物：從網站到某一網頁有若乾個鏈接，供給鏈接的網站的名次。運用PageRank，來自CNN和紐約時報網站的鏈接的價值，是眾多不太出名網站的兩倍。

 

除開PageRank外Google還運用了眾多其它技術，例如一份文件所裡面含有的civil和war兩個單詞靠的很近，就比只運用了war單詞的裡面含有Revolutionary War(獨立戰爭)的文件有關性要大的多。額外在標題中顯露出來了civil war的網頁，它的有關性就比標題為19th Century American Clothing(19百年的美國裙子)要關緊的多。一樣假如civil war在網頁上顯露出來了數次，比顯露出來一次的網頁要有關的多。

 

Google的目標是要找到知名度和有關性都大的網頁。假如兩個網頁顯露出來般配提出問題的信息數目幾乎同樣，我們每常會挑選更出名網站的鏈接。但假如其它方面表明一個網頁更為有關，也會挑選更少鏈接或更低名次的網頁。例如，一個網頁全篇都是講南邊和北邊戰爭的內部實質意義，會比只是些微提到南邊和北邊戰爭的網頁更為有用，縱然這個網頁是顯露出來不太出名的網站上。一朝我們有了文件的列表和分值，便會挑選無上分值、最般配的文件。

 

Google從裡面含有了提出問題單詞的每一份文件中提出取得幾句話作為提要顯露，繼續將排好的URLs和提要顯露在搜索最後結果上。正如你所曉得的運行一個搜索器需求數量多的計算資源。每一次搜索需求500臺以上的電腦一塊兒辦公，搜索的時間還不到半秒鍾。