搜索引擎中输入检索词到返回十条结果，发生了哪些事情

Posted 2020-10-13 探索互联网

       移动互联网时代搜索引擎依然是重要流量来源以及流量分发渠道，虽然比PC互联网时代权重有所降低。

各大电商淘宝、京东80-90%交易额也是由用户app内搜索、网站内搜索产生，个性化推荐系统本身也和搜索

引擎无论技术还是产品方方面面都与搜索引擎有着关联，我们每天也都和搜索引擎打着交道，搜索知识、

搜索问题、搜索新闻、了解世界，搜索引擎价值巨大，作为一个技术人应该了解他并不断深入了解他。  

 

                        百度第三代搜索引擎架构

       当我们使用搜索引擎检索信息时，输入想要查找检索词，点击回车，搜索引擎在1s左右时间返回十篇

文档。使用他对于有一定互联网经验人来说相当方便，但其背后发生了哪些事情，是不是如前台返回这样

简洁优雅呢，下面杉枫带着大家一起一看究竟。

       输入搜索词后，这时搜索引擎会进行联想词推荐、相关搜索推荐。

 

       搜索联想词目的是让搜索更加准确，推荐补全选项是搜索很多并且基于输入词前缀匹配补全，这样能

更精准满足用户检索需求，极大提升用户体验，在通用搜索引擎，以及电商淘宝、京东等电商搜索是标配。

       搜素词还要进行分词，分词是搜索准确前提条件，试想如果你搜索“严守一把手机关了”分词成“严守、

严守一、一把、一把手、把手、手机、机关、关了”，这样就很难搜索到想要内容了，分词要识别人物

名称。这种情况属于分词中的歧义，是分词中比较难处理问题，需要不断优化算法以及进行定时人工干

预分词，来使分词准确。

       再有就是新词发现，随着社会发展以及互联网快速发展，网民会不断创建词来表达新的含义事物，

因为有研究发现新词带来的分词问题是歧义的10倍左右，所以它是分词面临的最大挑战。“老铁”、“神马”、

“怼”等等需要分词系统要能不断及时对新词进行识别，准确分词。

       搜索词短语识别，对于检索词要进行短语判断，如是短语类型检索，给出和搜索短语相关词多，

并且词之间顺序位置要近，形成短语关系为打分权重一个重要依据。

        搜索同义词替换，有些时候搜索内容在搜索引擎收录不多，为了满足用户搜索需求，可以将搜索词

进行同义词近义词替换，可以见搜索引擎研究杂记在微信搜索“卓越网”实例，因“卓越网”数据在微信中

不多，微信将“卓越”替换成“优秀”进行搜索文章召回，虽然体验也没有特别好，但终究给用户更多选择。

       怎么找到同义词也是好问题。方法一可以通过词典，金山、网易来寻找同义词别名建立同义词库，

再有就是百科中同义，又名等抽取同义词，还可以通过多个搜索词指向同一结果，说明它们有一定几率

是同义词。以及其他方法，后边会写一篇专门做同义词词库提取。

       搜索词纠错，输入“刘的华”要能推荐出“刘德华”，“2084”要能推荐出“2048”，“我的后半生”要能推荐

出“我的前半生”，等等因为搜索引擎面向全部用户，很多用户不能熟练使用搜索引擎以及输入法，搜索

词纠错必不可少。

 

       上边是列举出搜索词分词、搜索联想、搜索纠错等一系列过程基本上完成对于搜索词处理。

        搜索引擎本身是个分布式系统，用户点击搜索提交搜索词后，搜索引擎收到搜索词后，在多个节点

根据倒排索引进行召回，会根据用户输入进行分词后召回，召回逻辑根据分词、同义词、短语多个维度

进行召回，召回还要包含交集关系（比如搜索“推荐系统架构”）那么包含在“推荐系统”、“架构”两个词倒

排索引下文档取交集。

        用户检索内容的分词，少词下文档有几千，多的几万、几十万、几百万，这时取哪些文章进行召回

就很关键，因为磁盘IO很慢不可能实现对于几百万文章全部召回。这时就需要做两种选择，一种是离线

排序根据PageRank、网站权重、作者权重等多个维度离线打分来标识文章质量对文章进行离线排序，

搜索引擎实时召回文章时就只需几百几千个进行召回，几百、几千文章召回很好实现的，性能也没有问

题。一种是离线进行一定排序，搜索引擎实时召回实时根据F-IDF、BM25、其他特征进行打分高分存入

带返回结果集合，设置超时时间到了超时时间停止进行召回，对已存在召回集进行返回。

        短语召回集要召回，包含多个词并且多个词在文章中位置近的权重高。

        多于召回数据要根据TF-IDF、BM25、用户曝光后点击、跳出率等等多个特征进行打分排序，排序后

进行返回，当下搜索引擎特征因素会有上百甚至几百，但核心目的是为了找到最满足用户需求文章进行返回。

        想做推荐引擎想要做好推荐引擎必须研究搜索引擎，因为他俩有千丝万缕关系，研究好了一个对于做

另一个有很多启发。

        这篇是篇原理，后边会分享下百度第三代搜索引擎架构，第二代搜索引擎架构有hadoop开源存储引

擎加上c++搜索引擎构成，更新数据需要2-3周实时性差，第三代搜索引擎全部由c++开发打造，抓取更新

数据能到分钟级，性能提升三个数量级是质的飞跃，敬请期待！

        微信扫码关注：

      扫码关注公众号