很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請(qǐng)把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會(huì)有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒?qǐng)聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
“ 簡(jiǎn)單聊聊搜索引擎相關(guān)的內(nèi)容。”
好久沒有聊關(guān)于模型、算法相關(guān)的內(nèi)容了。之前分享過圍繞機(jī)器學(xué)習(xí)的常見算法，比如《層次聚類模型》、《K-means聚類模型》、《線性回歸模型》、《邏輯回歸模型》、《樸素貝葉斯分類》等。
四年前，我也主導(dǎo)做過一款金融垂直搜索引擎的產(chǎn)品，對(duì)搜索有一些簡(jiǎn)單的了解。因此后面會(huì)嘗試分享幾篇搜索推薦相關(guān)的算法，本篇以搜索的基礎(chǔ)原理切入，簡(jiǎn)單聊聊搜索的基礎(chǔ)內(nèi)容，適合小白入門。
是的，提到搜索引擎，我想大家應(yīng)該都能想到【百度】、【谷歌】，他們都是搜索引擎。
例如上圖，左側(cè)呈現(xiàn)的內(nèi)容便是搜索結(jié)果list。
其實(shí)，還有一種搜索引擎，雖然大家也一直在用，但真的關(guān)注過嘛？例如像京東的商品搜索：
因此，總結(jié)下來，搜索引擎主要包括兩類：一類是類似百度、Google這種的專門的搜索引擎，搜索即公司的主要業(yè)務(wù)；另一類是作為網(wǎng)站內(nèi)部的一個(gè)功能模塊，用于服務(wù)主流業(yè)務(wù)的。
目前專職做搜索引擎的公司，其實(shí)也不是很多了，國內(nèi)主要就是百度、搜狗搜索、360搜索這些，行業(yè)的集中度已經(jīng)很高了。（下圖僅供參考）
但網(wǎng)站內(nèi)部的搜索功能，基本每家公司都在做，大家但凡使用的成熟一點(diǎn)的互聯(lián)網(wǎng)APP或者網(wǎng)站，都會(huì)提供搜索服務(wù)，搜索已經(jīng)成為信息檢索的主流手段了。不信大家打開手機(jī)的美團(tuán)、知乎、騰訊視頻等等，首頁核心位置都會(huì)提供搜索入口。
專業(yè)的搜索引擎和站內(nèi)搜索功能，異同點(diǎn)有哪些呢？
差異點(diǎn)：主要是兩者的檢索目標(biāo)內(nèi)容是有差別的。專業(yè)搜索引擎更加綜合，目標(biāo)是滿足用戶對(duì)于信息（尤其是文本信息）的檢索訴求；站內(nèi)搜索主要的檢索對(duì)象基本就是網(wǎng)站的服務(wù)內(nèi)容。視頻網(wǎng)站搜索的就是視頻，外賣網(wǎng)站搜索的就是店鋪，電商網(wǎng)站搜索的就是商品等。由于檢索的內(nèi)容、不同網(wǎng)站的業(yè)務(wù)目標(biāo)都有差別，因此各個(gè)網(wǎng)站內(nèi)部的搜索邏輯肯定也是千差萬別。
相同點(diǎn)：就是都是搜索引擎。核心的技術(shù)及大的框架都是基本一致的。
下面我們聊聊一個(gè)搜索服務(wù)的核心流程都有哪些。
（1）數(shù)據(jù)的獲取+處理
對(duì)于專門的搜索引擎來講，數(shù)據(jù)及信息的獲取主要指的是爬蟲的操作。即下圖的sp左側(cè)部分。
各位朋友有沒有想過，百度可以實(shí)時(shí)返回你查詢的關(guān)鍵詞或者句子，是怎么做到的呢？比如你百度搜索【數(shù)據(jù)科學(xué)】，是實(shí)時(shí)去全網(wǎng)上全找一圈嗎？當(dāng)然不是。哪怕計(jì)算資源再多、計(jì)算效率再快，也不可能在短時(shí)間內(nèi)告訴你靠譜的結(jié)果。
因此，為了解決效率的問題，所有的搜索引擎都是提前將各類網(wǎng)站的數(shù)據(jù)爬下來，進(jìn)行處理加工，等待用戶的查詢操作。
這里需要做的數(shù)據(jù)處理加工工作其實(shí)是非常多的，比如需要對(duì)網(wǎng)頁的重復(fù)內(nèi)容進(jìn)行去重，比如需要對(duì)所有的網(wǎng)頁進(jìn)行文本解析、語義識(shí)別，比如需要對(duì)文本進(jìn)行索引的建立以便于后續(xù)的關(guān)鍵詞檢索等等。這里就不展開了，后面我們有機(jī)會(huì)逐一分享。
而對(duì)于網(wǎng)站內(nèi)部的搜索功能模塊來講，數(shù)據(jù)的獲取其實(shí)是比較容易的，不需要爬取，都是自己公司數(shù)據(jù)庫中現(xiàn)成的數(shù)據(jù)。我們以電商網(wǎng)站的搜索舉例，要搜索的都是商品，因此主要針對(duì)商品數(shù)據(jù)進(jìn)行處理就好。而商品的數(shù)據(jù)肯定有商品表，基礎(chǔ)信息已經(jīng)很豐富了，足夠滿足搜索的基礎(chǔ)應(yīng)用。相對(duì)專業(yè)搜索引擎而言，數(shù)據(jù)處理的難度是小了很多。
（2）搜索query解析
無論用戶是否進(jìn)行搜索，上面的第一個(gè)環(huán)節(jié)都是需要做的基礎(chǔ)工作。當(dāng)用戶進(jìn)行搜索操作時(shí)，需要進(jìn)行的處理的是本環(huán)節(jié)：query解析。
所謂的query解析，就是理解和分析用戶輸入的搜索語句（query），到底是個(gè)啥意思。
比如輸入【數(shù)據(jù)科學(xué)家的主要工作內(nèi)容是啥】，搜索引擎只是冷冰冰的機(jī)器，它是不理解這句話是啥含義的，那它怎么能給你靠譜的答案呢？
其實(shí)很多朋友也能想到，直接基于關(guān)鍵詞進(jìn)行匹配唄~是的，大的邏輯沒毛病，但是真正落地就會(huì)發(fā)現(xiàn)，有很多細(xì)節(jié)問題。
比如，關(guān)鍵詞匹配，那首先我得知道【數(shù)據(jù)科學(xué)家的主要工作內(nèi)容是啥】有哪些關(guān)鍵詞對(duì)不？這就得進(jìn)行分詞了。所謂的分詞，就是對(duì)query進(jìn)行切分為符合常識(shí)的關(guān)鍵詞，這是典型的NLP（自然語言處理）中的知識(shí)內(nèi)容。比如上面切分成【數(shù)據(jù)】+【科學(xué)】+【家的】+【主要】……還是【數(shù)據(jù)】+【科學(xué)家】+……這是完全不一樣的。
再比如下面的【研究生物學(xué)】的切分，更是五花八門了。分詞相關(guān)的NLP算法，后面詳細(xì)分享，這里只是拋個(gè)磚。
再比如，【數(shù)據(jù)科學(xué)家的主要工作內(nèi)容是啥】這句話，其中有【的】、【是啥】這種詞，如果進(jìn)行關(guān)鍵詞匹配是不是會(huì)有影響？畢竟這種語氣詞既沒有啥重要性，在網(wǎng)頁中出現(xiàn)的頻率又高。這里就涉及了核心關(guān)鍵詞的提取、權(quán)重判斷等。
再比如下面這個(gè)搜索【我和我的爺輩】，可能是我輸入錯(cuò)了，但是query猜出我可能搜的是【我和我的父輩】，進(jìn)行了糾正，如果一根筋的搜索，是不可能出來這個(gè)結(jié)果的。
綜上，在query解析這個(gè)環(huán)節(jié)，主要需要搞定的是用戶輸入的語句，如何對(duì)語句進(jìn)行處理，使得機(jī)器能夠理解語句的含義，便于后續(xù)高效地搜索到相關(guān)的結(jié)果。
當(dāng)然，基于關(guān)鍵詞是比較基礎(chǔ)的了，現(xiàn)在更多地朝著知識(shí)圖譜、問答的方向邁進(jìn)，更加符合真正的搜索需求。
（3）內(nèi)容檢索召回+排序
上面兩個(gè)環(huán)節(jié)，一個(gè)環(huán)節(jié)是從服務(wù)端出發(fā)，進(jìn)行數(shù)據(jù)的處理加工；一個(gè)環(huán)節(jié)是從用戶端出發(fā)，進(jìn)行用戶搜索語句的理解。
下面就到了第三個(gè)重要環(huán)節(jié)：基于處理后的用戶的搜索內(nèi)容，到處理完的庫中檢索結(jié)果，把相關(guān)的內(nèi)容都找出來，并按照一定的規(guī)則進(jìn)行排序。
這個(gè)內(nèi)容是搜索引擎的核心內(nèi)容。因此不同的公司、不同網(wǎng)站的搜索引擎邏輯都會(huì)差別比較大，而排序邏輯更是千差萬別。
需要排序這個(gè)事情應(yīng)該比較好理解，理論上，我們是給匹配到檢索內(nèi)容的結(jié)果進(jìn)行打分，分值高的排在前面。用戶肯定是想要看到最相關(guān)、或者我們想讓用戶看到最重要的內(nèi)容在前面，越往后用戶看到的幾率越小。
因此，針對(duì)如何提升排序這個(gè)事情，就誕生了一個(gè)專門的行業(yè)、職位：SEO優(yōu)化（Search Engine Optimization），即提升相關(guān)內(nèi)容的網(wǎng)站排名。對(duì)于淘寶賣家而言，需要提升自己家商品在淘寶天貓的搜索排名，會(huì)進(jìn)行各種關(guān)鍵詞、指標(biāo)的優(yōu)化；網(wǎng)站為了提升自己的百度搜索排名，也會(huì)進(jìn)行各種標(biāo)題等優(yōu)化。
所以為了保障網(wǎng)站的排名公平，防止大家針對(duì)排序規(guī)則鉆空子，往往各家網(wǎng)站的搜索排序規(guī)則、打分權(quán)重等都是比較保密的。
（4）搜索結(jié)果呈現(xiàn)
最后一個(gè)環(huán)節(jié)，主要就是產(chǎn)品功能層面的內(nèi)容了，即針對(duì)搜索返回的排序好的結(jié)果，進(jìn)行良好的產(chǎn)品化呈現(xiàn)。
比如知乎搜索【薇婭】：
在首頁（綜合）模塊都是各類型搜索結(jié)果的top合集：包括討論相關(guān)的內(nèi)容、問答相關(guān)的內(nèi)容、視頻相關(guān)等。這種呈現(xiàn)方式是多類型網(wǎng)站比較主流的混合呈現(xiàn)方式。因此，對(duì)于搜索而言，每種不同方式也是一個(gè)單獨(dú)的搜索引擎，然后不同的結(jié)果進(jìn)行產(chǎn)品化的merge。
當(dāng)然，隨著技術(shù)的越發(fā)完善，用戶體驗(yàn)不斷提升，搜索也會(huì)有了各種特型呈現(xiàn)。比如我們?cè)诎俣人阉鳌颈本┣鄭u】：
這里不再是按照上面的環(huán)節(jié)進(jìn)行單純的檢索，而是對(duì)某些特定類型的關(guān)鍵詞進(jìn)行了特殊化呈現(xiàn)，這屬于在基礎(chǔ)搜索服務(wù)上的補(bǔ)充。上面這個(gè)案例的規(guī)則應(yīng)該是用戶輸入的query中包含2個(gè)城市名稱，則觸發(fā)該特型呈現(xiàn)。感興趣的朋友可以自己試試【山東山西】、【中國日本】、【北京深圳青島】等，都是沒有特型的，哈哈。
特型呈現(xiàn)對(duì)于用戶的體驗(yàn)而言是巨大的提升，但對(duì)于搜索引擎而言，需要不斷的積累，不斷地增加，是個(gè)很長(zhǎng)期的事情。
當(dāng)然，不止搜索引擎有特型，其他網(wǎng)站內(nèi)部搜索也是可以有特型呈現(xiàn)的。比如下面淘寶搜索某個(gè)品牌名稱，除了商品list，還會(huì)增加旗艦店店鋪的大流量入口（雖然這是個(gè)廣告位）。
關(guān)于搜索相關(guān)的技術(shù)內(nèi)容，今天就先介紹這些。搜索涉及的內(nèi)容非常龐大，不是一篇文章可以講清楚的，這篇文章主要目的是對(duì)搜索的整體框架有個(gè)簡(jiǎn)單的了解，明白搜索的基礎(chǔ)工作原理。后面有機(jī)會(huì)我們?cè)僖灰徽归_，分享更多細(xì)節(jié)的內(nèi)容。也是比較有趣的。
今天的文章就這些，感謝大家關(guān)注~
-END-
本文為作者獨(dú)立觀點(diǎn)，不代表鳥哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》 如對(duì)文章、圖片、字體等版權(quán)有疑問，請(qǐng)點(diǎn)擊 反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶創(chuàng)造的內(nèi)容、維護(hù)開放、真實(shí)、專業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽(yù)和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻(xiàn)內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對(duì)方難堪；
6)謾罵：以不文明的語言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購買或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營銷；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治病；
2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問題進(jìn)行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動(dòng)「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過「蹭熱點(diǎn)」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動(dòng)發(fā)現(xiàn)和接受用戶舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個(gè)用戶發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)