网页搜索技术简介ppt课件.pptx
“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。网页搜索技术简介20142014年年0909月月0404日日技术分享季，点亮思维每一季“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number1 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number2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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number3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/网络架构） .其他相关技术“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number4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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number5 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number6 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number7 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number8 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number9 检索性能: 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QPS QPS：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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number10 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URLURLhttp:/zh.wikipedia.org/zh/%E5%B9%BF%E5%B7%9E%E6%81%92%E5%A4%A7%E6%B7%98%E5%AE%9D%E8%B6%B3%E7%90%83%E4%BF%B1%E4%B9%90%E9%83%A8127 byte127 byteMD51AFAD263ED40EF0716byteu64_t19440975157878412878byteu32_t250022224Byte“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number11 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，Bitmap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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number12 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number13 计算：依赖大规模分布式计算MR（Infrastructure） http:/ 索引选取计算：从离线存储库中的几千亿网页选取优质数据进入到在线库。（几百亿到上千亿不等） 选取规则： 黑白名单：命中白名单直接进入选择 分类规则：网站首页，用户点击或者展现过的页面，第三方优质数据., 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 索引系统白黑名单分类规则网页打分“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number14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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number15 问题：如何选取1000亿网页中得分前100亿的网页？根据上一轮网页打分，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 索引系统得分1 12 23 34 45 5文章篇数53345“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number16 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WEBUrl网页数据网页数据“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number17 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number18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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number19Page rank：网页排名，又称网页级别，佩奇排名。一个网页排名，又称网页级别，佩奇排名。一个链接的链接的page rank排名由指向它的链接所决定。整个网络排名由指向它的链接所决定。整个网络的的page rank经过多次迭代趋向稳定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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number20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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number21问题：如果从求交完成的文章中，选出最优的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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number22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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number23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（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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number24（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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number25 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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number26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“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。Page number27Long Way To Go欢迎提问分享“雪亮工程是以区（县）、乡（镇）、村（社区）三级综治中心为指挥平台、以综治信息化为支撑、以网格化管理为基础、以公共安全视频监控联网应用为重点的“群众性治安防控工程”。若愿参与分享，请联系TDC辛盛如有任何疑问，请咨询HR周赟/段小芳谢谢谢谢
