大型網(wǎng)站之搜索系統(tǒng)

穆海明　齊斌　劉盼

摘 要：平時(shí)經(jīng)常上網(wǎng)查閱資料的我們，對(duì)搜索一詞一定會(huì)有非常深刻的印象，本篇文章主要說明尋找信息的一種形式：搜索。搜索是相當(dāng)廣闊、挑戰(zhàn)性十足，而且眾所周知的領(lǐng)域，本文將會(huì)淺談搜索系統(tǒng)。主要把討論內(nèi)容限制在搜索系統(tǒng)的組成、何時(shí)該執(zhí)行搜索系統(tǒng)，以及某些設(shè)計(jì)搜索界面和顯示搜索結(jié)果的實(shí)施建議。雖然對(duì)于小型網(wǎng)站的搜索功能，涉及不到這樣深遠(yuǎn)的一個(gè)話題，但通過這樣的一個(gè)探討，有利于對(duì)大型網(wǎng)站的設(shè)計(jì)和搜索系統(tǒng)的全面了解。

關(guān)鍵詞：搜索系統(tǒng)；網(wǎng)站設(shè)計(jì)

1 選擇要搜索什么

假設(shè)我們已經(jīng)選擇了一種搜索引擎。哪些內(nèi)容應(yīng)該做索引以供搜索？顯然，把搜索引擎指向網(wǎng)站，告訴搜索引擎把它找到的每一份文件的全部文字都索引起來，這是搜索系統(tǒng)最大的價(jià)值：可以無所不包，有能力很快就包含很多的內(nèi)容。但是，把每樣?xùn)|西都做索引，不見得能滿足用戶。在龐大而復(fù)雜的網(wǎng)站環(huán)境中，會(huì)含有異質(zhì)的子網(wǎng)站和數(shù)據(jù)庫，建立搜索區(qū)域可以減少這些風(fēng)馬牛不相及的效果，讓用戶能夠集中他們的搜索；搜索區(qū)域中應(yīng)包含較具有同質(zhì)性的內(nèi)容。選擇要讓什么可以搜索，是不應(yīng)該受限于只選擇正確的搜索區(qū)域的。對(duì)一群文件或記錄而言，每一文件和記錄都有某種結(jié)構(gòu)，無論是以HTML、XML或數(shù)據(jù)庫字段表示。這些結(jié)構(gòu)會(huì)儲(chǔ)存內(nèi)容組件：就是內(nèi)容的元素，通常比文件小。結(jié)構(gòu)中某些東西可以被搜索引擎使用，如作者姓名；而某些可以被忽略掉，如每底端的法律聲明。最后我們需要對(duì)什么內(nèi)容是“好的”有感覺，可能會(huì)以手動(dòng)或其他機(jī)制為有價(jià)值的內(nèi)容貼上標(biāo)簽。當(dāng)用于搜索時(shí)，應(yīng)該先把“好”的東西展現(xiàn)出來，例如，電子商務(wù)網(wǎng)站上大部分的用戶都在搜索的產(chǎn)品，這些產(chǎn)品就能視為默認(rèn)的搜索對(duì)象，然后此搜索可以再擴(kuò)展到全站，作為一個(gè)修訂過的搜索選項(xiàng)。

2 搜索算法

2.1 模式匹配算法

大部分搜索算法采用匹配的方法，也就是說，它們會(huì)比對(duì)用戶的查詢字符串與網(wǎng)站文件全文的索引，以尋找符合的文本字符串。找到吻合字符串時(shí)，來源文件就加進(jìn)搜索集合中。所以，如果用戶輸入查詢字符串“electric guitar”時(shí)，任何文件只要含有“electric guitar”，就會(huì)被檢索出來。聽起來相當(dāng)簡單，但是這個(gè)比對(duì)過程可以用很多不同方式運(yùn)作，以產(chǎn)生不同的結(jié)果。有些算法傳回很多的結(jié)果，而這些結(jié)果各有不同的相關(guān)性，有些算法只傳回高質(zhì)量的結(jié)果。變動(dòng)范圍的兩個(gè)極端術(shù)語就是查全率和查準(zhǔn)率。甚至還有公式可以計(jì)算他們：查全率=#檢索出來的相關(guān)文件/#集合中的所有文件，查準(zhǔn)率=#檢索出來的相關(guān)文件/#集合中的相關(guān)文件。那么是否可以兼顧兩者呢，可惜，魚與熊掌不可兼得，考慮大到用戶的利益，我們需要在兩者間取得平衡，然后，根據(jù)選擇一種搜索引擎，其算法是偏向查全率或者查準(zhǔn)率視情況而定。

2.2 其他做法

當(dāng)你有“好”文件在手上時(shí)，有些算法會(huì)把該文件轉(zhuǎn)換得相當(dāng)于一個(gè)查詢（這種做法通常稱為文件相似度）。例如“the”“is”“he”這些停用詞會(huì)從好文件中抽掉，留下一組語義豐富的術(shù)語，足以代表文件即可。然后，這些術(shù)語會(huì)轉(zhuǎn)換成一種查詢字符串，而這種查詢字符串可以讓你檢索出類似的結(jié)果。另一種做法展示那些已經(jīng)使用相類似的元數(shù)據(jù)做過索引的結(jié)果。當(dāng)然，一定還有其他的搜索算法，但重點(diǎn)是這些算法的主要目的是找出最好的文件集合作為搜索結(jié)果。但是，“最好”是相當(dāng)主觀的，而且必須了解什么人想在你的網(wǎng)站上找到什么。

3 分組結(jié)果

盡管我們可以用各種方式列出結(jié)果，卻沒有一種是完美的。像Google的混合式做法就很有希望，但是，通常必須介入搜索的設(shè)計(jì)工作，才可能擁有這樣的工具。無論是哪種情況，我們的網(wǎng)站通常是越來越大，因此，搜索結(jié)果也會(huì)變大。同時(shí)，當(dāng)用戶放棄再看時(shí)，那些就只是理想中的。然而另一種替代排序和排名的做法看來是有希望的：依照某個(gè)共同的方面把結(jié)果聚集起來。當(dāng)結(jié)果按類別和等級(jí)分組時(shí)，可以改善效果。我們?cè)趺捶纸M結(jié)果？可惜，明顯的方式都沒什么用：我們可以使用現(xiàn)有的元數(shù)據(jù)，諸如文件類型以及文件建立/修改日期，讓我們把搜索結(jié)果分成幾個(gè)組群。比較游泳的是從手工添加的元數(shù)據(jù)衍生出來的組群，諸如主題、用戶、語言，以及產(chǎn)品家族。可惜，根據(jù)手工添加的做法會(huì)貴到嚇人。有些自動(dòng)化工具可以得到比較有用的主題類型組群，通常可以滿足用戶所需。這些組群為結(jié)果提供了情境，你可以選擇你最感興趣的目錄，就能夠?yàn)g覽相當(dāng)小的一群搜索集合，以及一群相同主題領(lǐng)域的文件（理想上）。這種做法很類似動(dòng)態(tài)產(chǎn)生的搜索區(qū)域。

4 設(shè)計(jì)搜索界面

用戶差異性大，搜索技術(shù)也花招百出，所以實(shí)在沒有什么單一化的理想搜索界面。在web早起，很多搜索引擎都是在模仿在線圖書館目錄和以CD-ROM為主的數(shù)據(jù)庫中所采用的“傳統(tǒng)”搜索引擎功能，這些傳統(tǒng)系統(tǒng)多半提供給研究者、圖書館員及專業(yè)人士，而用戶通常要懂得復(fù)雜語言才能使它們。在web的用戶爆炸增長之后，全方位的搜索經(jīng)驗(yàn)和專長下降到最低點(diǎn)，新生代的用戶沒那么多耐性。用戶通常只會(huì)輸入一兩個(gè)術(shù)語，不會(huì)包含任何運(yùn)算符，然后就按下“搜索”鈕，并希望能得到最佳的結(jié)果。搜索引擎開發(fā)人員的做法是，把老式的花俏找事隱藏在“高級(jí)搜索”界面之中。由于以上理由，最終又會(huì)晃回老路，支持受到挫折的用戶可以用更多的搜索語言，而且他們也愿意花時(shí)間學(xué)習(xí)復(fù)雜的搜索界面，并構(gòu)造出查詢字符串。但是就目前而言，假設(shè)最好的做法是讓搜索界面盡可能簡單，而這也是相當(dāng)合理的。

參考文獻(xiàn)：

[1] Peter Morville，Louis Rosenfeld（美）.Web信息架構(gòu)[M].陳建勛，譯.電子工業(yè)出版社，2013.

[2] Thomas H，Cormen Charles E，Leiserson Ronald L，Rivest Clifford Stein（美）.算法導(dǎo)論[M].殷建平，徐云，王剛，劉曉光，蘇明，鄒恒明，王宏志，譯.機(jī)械工業(yè)出版社，2013.

作者簡介：穆海明（1994—），男，天津人，沈陽理工大學(xué)學(xué)生。

齊斌（1994—），男，遼寧盤錦人，沈陽理工大學(xué)學(xué)生。

劉盼（1994—），男，山西運(yùn)城人，沈陽理工大學(xué)學(xué)生。