百度搜索引擎工作原理-3-檢索排序
搜索引擎索引系統概述
眾所周知，搜索引擎的主要工作過程包括：抓取、存儲、頁面分析、索引、檢索等幾個主要過程。上一章我們主要介紹了部分抓取存儲環節中的內容，此章簡要介紹一下索引系統。
在以億為單位的網頁庫中查找特定的某些關鍵詞猶如大海里面撈針，也許一定的時間內可以完成查找，但是用戶等不起，從用戶體驗角度我們必須在毫秒級別給予用戶滿意的結果，否則用戶只能流失。怎樣才能達到這種要求呢？
如果能知道用戶查找的關鍵詞（query切詞后）都出現在哪些頁面中，那么用戶檢索的處理過程即可以想象為包含了query中切詞后不同部分的頁面集合求交的過程，而檢索即變成了頁面名稱之間的比較、求交。這樣，在毫秒內以億為單位的檢索成為了可能。這就是通常所說的倒排索引及求交檢索的過程。如下為建立倒排索引的基本過程：
1，頁面分析的過程實際上是將原始頁面的不同部分進行識別并標記，例如：title、keywords、content、link、anchor、評論、其他非重要區域等等；
2，分詞的過程實際上包括了切詞分詞同義詞轉換同義詞替換等等，以對某頁面title分詞為例，得到的將是這樣的數據：term文本、termid、詞類、詞性等等；
3，之前的準備工作完成后，接下來即是建立倒排索引，形成{termàdoc}，下圖即是索引系統中的倒排索引過程。
倒排索引是搜索引擎實現毫秒級檢索非常重要的一個環節，下面我們要重要介紹一下索引系統建立倒排索引的重要過程——入庫寫庫。
倒排索引的重要過程——入庫寫庫
索引系統在建立倒排索引的最后還需要有一個入庫寫庫的過程，而為了提高效率這個過程還需要將全部term以及偏移量保存在文件頭部，并且對數據進行壓縮，這涉及到的過于技術化在此就不多提了。在此簡要給大家介紹一下索引之后的檢索系統。
檢索系統主要包含了五個部分，如下圖所示：
（1）Query串切詞分詞即將用戶的查詢詞進行分詞，對之后的查詢做準備，以“10號線地鐵故障”為例，可能的分詞如下（同義詞問題暫時略過）：
10 0x123abc
號 0x13445d
線 0x234d
地鐵 0x145cf
故障 0x354df
（2）查出含每個term的文檔集合，即找出待選集合，如下：
0x123abc 1 2 3 4 7 9…..
0x13445d 2 5 8 9 10 11……
……
……
（3）求交，上述求交，文檔2和文檔9可能是我們需要找的，整個求交過程實際上關系著整個系統的性能，這里面包含了使用緩存等等手段進行性能優化；
（4）各種過濾，舉例可能包含過濾掉死鏈、重復數據、色情、垃圾結果以及你懂的；
（5）最終排序，將最能滿足用戶需求的結果排序在最前，可能包括的有用信息如：網站的整體評價、網頁質量、內容質量、資源質量、匹配程度、分散度、時效性等等
影響搜索結果排序的因素
上面的內容好象有些深奧，因為涉及大量技術細節，我們只能說到這兒了。那下面我們說說大家最感興趣的排序問題吧。用戶輸入關鍵詞進行檢索，百度搜索引擎在排序環節要做兩方面的事情，第一是把相關的網頁從索引庫中提取出來，第二是把提取出來的網頁按照不同維度的得分進行綜合排序?！安煌S度”包括：
1，相關性：網頁內容與用戶檢索需求的匹配程度，比如網頁包含的用戶檢查關鍵詞的個數，以及這些關鍵詞出現的位置；外部網頁指向該頁面所用的錨文本等
2，權威性：用戶喜歡有一定權威性網站提供的內容，相應的，百度搜索引擎也更相信優質權威站點提供的內容。
3，時效性：時效性結果指的是新出現的網頁，且網頁內承載了新鮮的內容。目前時效性結果在搜索引擎中日趨重要。
4，重要性：網頁內容與用戶檢查需求匹配的重要程度或受歡迎程度
5，豐富度：豐富度看似簡單卻是一個覆蓋范圍非常廣的命題?？梢岳斫鉃榫W頁內容豐富，可以完全滿足用戶需求；不僅可以滿足用戶單一需求，還可以滿足用戶的延展需求。
6，受歡迎程度：指該網頁是不是受歡迎。
以上便是百度搜索引擎決定搜索結果排序時考慮的六大原則，那么六大原則的側重點是怎樣的呢？哪個原則在實際應用時占比最大呢？其實在這里沒有一個確切的答案。在百度搜索引擎早期，這些閾值的確是相對固定的，比如“相關性”在整體排序中的重量可以占到七成。但隨著互聯網的不斷發展，檢索技術的進步，網頁數量的爆發式增長，相關性已經不是難題。于是百度搜索引擎引入了機器學習機制，讓程序自動產出計算公式，推進排序策略更加合理。
低質網頁狙擊策略——石榴算法
我們理解網站生存發展需要資金支持，從來不反對網站添加各種合法廣告，不要再問我們“我們網站加了XX聯盟的廣告會不會被處罰”這類問題。有些站點好不容易在百度有了比較好的排位，卻在頁面上放置大量有損訪問用戶體驗的廣告，已經嚴重影響到百度搜索引擎用戶的使用感受。為此，百度質量團隊2013年5月17日發布公告：針對低質量網頁推出了石榴算法，旨在打擊含有大量妨礙用戶正常瀏覽的惡劣廣告的頁面，尤其是彈出大量低質廣告、存在混淆頁面主體內容的垃圾廣告的頁面。
如以下網頁截圖，用戶要花很長時間去尋找真正的下載地址，是百度無法接受容忍的。
百度質量團隊希望站長能夠多從用戶角度出發，朝著長遠發展考慮，在不影響用戶體驗的前提下合理地放置廣告，贏得用戶的長期青睞才是一個網站發展壯大的基礎。
來源：百度搜索資源平臺 百度搜索學堂
