找回密码
 注册
搜索
热搜: 超星 读书 找书
查看: 307|回复: 0

[【推荐】] 谷歌算法统治互联网的秘诀

[复制链接]
发表于 2010-2-27 08:52:43 | 显示全部楼层 |阅读模式
掌握了算法,就等于掌握了程序的命门。
http://news.csdn.net/a/20100226/217221.html


谷歌如何搜索浩如烟海的信息?
导语:美国《连线》杂志网站日前发表编辑史蒂文列维 (Steven Levy)的文章,揭开了谷歌搜索算法的神秘面纱。
以下是文章全文:
搜索改变生活
想知道谷歌将如何改变你的生活吗?那么周四去瓦加杜古会议室看一看吧。在加利福尼亚山景城的这个会议室里,几十名工程师、产品经理和高管聚集一堂,讨论如何令谷歌的搜索引擎更加智能。今年,谷歌将对其传说中的搜索引擎算法进行了大约500项改进,而且每一项改进都要通过这样的会议决定。
每周一次的搜索质量大会,都将可能影响谷歌搜索的结果,例如 三星SF-755p打印机 、 MySpace布局代码 ,甚至是 布基纳法索 首都 这三个搜索关键字,(该国首都恰巧与谷歌此会议室名字相同)。自2006年以来,一直担任谷歌搜索主管的乌迪曼博(Udi Manber)任会议的负责人。会议将一一提出可实施的改进,同时还会讨论数月来在不同国家、不同语言环境中的测试结果。屏幕上分两列显示,更改前后同一查询返回的结果。在讨论(吉他 人声模拟)的查询结果时,曼博叫道:这个我搜过。
你可能会想,谷歌已经主导搜索引擎市场长达十年之久,应该可以高枕无忧了。毕竟谷歌在搜索引擎市场上的份额高达65%,甚至谷歌一词已经成为搜索的代名词。就像谷歌不愿在桂冠面前止步一样,其竞争对手也不愿轻易认输。多年来,谷歌一直在用其神秘、看起来无所不知的算法来组织世界信息。但最近五年来,很多公司开始对谷歌的一重要观点发起挑战。
谷歌认为,一个单一的搜索引擎,通过技术创新和不断改进,可以满足任何搜索要求。而Facebook较早对此发起了挑战,认为一些人更愿意通过朋友获得信息,而不是一个没有名字的算法公式。Twitter能对不断更新的消息进行时时分析,这就使实时搜索成为现实挖掘正在进行的讨论或闲谈。
购物比较网站Yelp通过大众对商家的等级评定,帮助人们寻找饭店、干洗店和保姆等相关信息。虽然这些后起之秀无法单独对谷歌造成威胁,但它们共同预示着搜索行业的一种开放、混沌的未来并不是被一个搜索引擎所主导,而是包含着丰富多样的服务。
来自必应的挑战
然而,谷歌最大的威胁是微软的必应(Bing)。必应使人联想到探索、美国传奇歌手Bing Crosby、和《黑道家族》中的Bada Bing夜店,这款重新修整、被赋予新品牌的搜索引擎在去年6月推出时便赢得了乐观的评价。《华尔街日报》称其比谷歌更有吸引力。新的面貌和1亿美元的广告战使微软在美国搜索市场中的份额从8%跃升至11%如果监管部门批准必应成为雅虎的搜索服务商,这一份额将增加一倍以上。
必应团队一直专注于谷歌算法无法满足的需求。比如,谷歌擅长搜索公共网络,但却无法实时跟踪不断变化的航班时刻表和机票价格。因此微软收购了 Farecast网站,该网站追踪机票价格的变化,并据以预测票价的涨跌。目前,微软已把Farecast的技术应用加入到必应的搜索结果之中。微软在其认为谷歌算法没有优势的领域,例如健康、购物领域,也进行了类似的收购。
即使必应团队承认,在根据搜索词返回有用信息方面,谷歌还遥遥领先。但他们仍认为,如果必应可以提供一些擅长的领域,用户会逐渐习惯使用必应来进行特定的搜索。微软核心搜索部门副总裁布莱恩麦克唐纳(Brian MacDonald)表示:算法对于搜索引擎来说至关重要,但它并不是一切,就像你买车并非只因为它的引擎。
谷歌仍是最智能的搜索引擎
一个有趣的例子mike siwek lawyer mi表明了谷歌相对于必应的优势。
阿米特辛格(Amit Singhal)是谷歌的首席工程师,40多岁,性格温和,他曾因在2001年重写了谷歌搜索引擎而获得殊荣。他将这些单词输入谷歌搜索框,并敲击了回车键。在极短的时间内,搜索结果便显示出来。最上面的链接指向的网页给出了密歇根州大急流城一位名叫Michael Siwek的律师。
这是一个很普通的搜索,谷歌每天要处理成千上万的这种搜索。但事实上这一搜索过程十分复杂,可能使一些搜索引擎误解。如果把这些单词输入到必应,第一个结果是美国国家橄榄球联盟的历年球员名单,其中有一个名叫Lawyer Milloy。搜索结果中的下面几页,也没有与律师Siwek相关的内容。
这一对比显示出谷歌算法的强大,甚至可以说是智能,而这是通过反复的修正实现的。看起来谷歌拥有解读用户需求的神奇力量不论是多么生僻的搜索,或是有拼写错误。谷歌将这种能力称为搜索质量,并且多年来一直竭力完善算法,以产生精确的搜索结果。
现在我就与辛格一起坐在谷歌的43号办公大楼里,因为谷歌给与了我一个前所未有的机会让我了解他们是如何保证搜索质量的。背后的意涵很明确:你可能认为算法只是一个引擎,但在揭开其神秘面纱之后你才会发现它是多么的无所不能。
创新的开始:PageRank
谷歌算法始于PageRank,这是1997年拉里佩奇(Larry Page)在斯坦福大学读研究生时开发的。佩奇的创新性想法是:基于入链接的数量和重要性对网页进行评级,也就是通过网络的集体智慧确定哪些网站最有用。随着谷歌迅速成为互联网上最成功的搜索引擎,佩奇和谷歌的另一名创始人塞吉布林(Sergey Brin)将PageRank这一简单概念看做谷歌的最根本创新。
但这并不是故事的全部。曼博表示:人们信赖PageRank是因为它是可以进行确认的,但要提供最有用的结果还需要其他技术。这涉及对某些信号、上下文的利用,这样对于任何查询,搜索引擎都能将最有用的结果排在最前面。
网络搜索是一个多方过程。首先,谷歌机器人获取每个可访问网站的内容。这些数据将被分解成一个索引(通过文字进行组织,就像书本的目录),这样就可以根据内容找到任何页面。每当用户键入一个查询,谷歌就会在索引中搜寻相关页面,然后返回一个包含多达数百万页面的列表。最复杂的是对列表进行排序,也就是决定哪些页面应该出现在最上面。
此时,上下文便有了用武之地。所有搜索引擎都会引入上下文,但没有一个像谷歌那样引入得那样多、应用那样自如。PageRank本身也是一个信号,同时也是页面的一个属性(指其相对于其他网页的重要性),该属性可以帮助确定其与查询内容的相关性,其中的一些信号在现在看来是显而易见的。
一直以来,谷歌算法都对页面的标题给与特别的关注,因此标题成为确定相关性的重要信号。另一个重要技术是锚文本,指的是超链接中的可见文本。因此,当你进行搜索时,搜索引擎总能给出正确的页面,即使该页面中没有你找的关键词。这是谷歌早期架构师斯科特哈桑(Scott Hassa)的观点,他曾与佩奇和布林一起在斯坦福工作。之后,搜索引擎关注的信号还包括新鲜度(对于一些查询,新近的页面比较早的页面更有价值)和地理位置(谷歌知道搜索者的大致地理坐标,会将本地信息排在前面)等。谷歌目前使用200多种信号来帮助确定搜索结果的排序。
谷歌工程师发现,一些最重要的信号可能来自谷歌本身。PageRank将受欢迎程度植入了搜索引擎:成千上万的网站民主地决定将链接指向哪些网站。但辛格表示,谷歌工程师还利用了另一种民主成千上万使用谷歌搜索的用户。用户在搜索过程中产生的数据被证明同样很有价值,这些数据包括他们点击哪些结果、不满意时对关键词的更改、查询关键词与所处地理位置的关系等。这一过程的最直接例子就是谷歌所说的个性化搜索这是一个可选功能,利用用户的搜索历史和地理位置来确定他想要找的内容(使用这项功能需要先登录谷歌账号)。更通常的方法是,谷歌利用其收集的大量数据支持其算法,谷歌对此有极深的理解,可以解读隐秘查询的复杂意图。
热狗与煮狗
以谷歌确定同义词的方法为例。辛格表示:我们很早就有了一个有趣的发现,那就是用户会更改查询的关键词。比如有人会搜索dog,然后改成 puppy,因此搜索引擎就会得知dog和puppy可能是可以互换的。引擎也会知道,当你烧(boil)水时,水会变热(hot)。我们从人类的语义中学习,这是一个很大的进步。
但这也有障碍。谷歌的同义词系统知道dog和puppy类似,沸(boiling)水是热的(hot)。但它同时会认为hot dog(香肠夹心面包)和boiling puppy(煮狗)是一样的。通过路德维希维特根斯坦(Ludwig Wittgenstein)的理论,该问题于2002年得以解决。该理论涉及上下文如何决定词语的意思。当谷歌抓取并存储数以亿计的文件和网页时,它会分析哪些词是彼此邻近的。包含hot dog的页面通常也包含面包、芥末、和棒球,而不会包括对杂种狗的猎杀内容。这就帮助了搜索引擎理解hot dog和其他成千上万个词语的意思。辛格说:现在,搜索引擎会知道bio在Gandhi bio中是biography(传记)的缩写,而在bio warfare中是biological(生物)的缩写。
在谷歌的发展过程中,该公司不断设法增加新的排序信号,并且兼顾不会影响用户的核心体验。每几年就会对系统做一次重大修改(有点像 Windows的新版本),这在山景城是人尽皆知的,但其他人不会关注。
辛格说:我们的任务是对这架以每小时1000公里在三万英尺高空飞行的飞机的系统进行根本性更改。2001年,为了应对互联网的飞速发展,辛格事实上完全改写了佩奇和布林的算法,以便使谷歌可以快速增加新的信号(新信号之一可以区分商业页面和非商业页面,从而为购物者提供更好的结果),也是在这一年,一位名叫克利什纳伯哈拉特(Krishna Bharat)的工程师认为权威网站上的链接应该具有更大的权值,因此设计了一个强大的信号以便赋予这些链接更大的可信度(这是谷歌的第一个专利),最新的一项修改的代号为咖啡因,对整个系统进行了修改,从而使得工程师可以更容易地增加新的信号。
谷歌识别语义的过程
谷歌以善于鼓励这些创新而闻名,每年公司都会举办疯狂搜索创意内部展示活动,以便鼓励那些离奇但有应用潜力的创新。但大多数时候,改进的过程是充满艰辛的,需要矢志不渝的精神,需要面对尝试过程中的打击。有一个不成功的搜索已经成为传奇:2001年,辛格得知输入audrey fino时无法搜到预期内容,而只是返回一些赞扬奥黛丽赫本(Audrey Hepburn)的印度网页,因为在印度语中fino是好的意思。辛格说:我们知道audrey fino是个人名,但我们的系统没这么聪明。
这一失败使辛格花了多年时间,试图改进谷歌对姓名的搜索结果因为姓名占总搜索量高达8%。为了解决这一问题,他不得不掌握bi-gram 拆分,也就是将多个词分割成独立的单元。比如,new york合在一起组成一个bi-gram,指的是纽约。但也有三个字的情况,比如new york times,意思是纽约时报,很明显二者指的不是同一样东西。如果用户输入的是new york times square,意思又变成了纽约时代广场。人类可以很容易做出区分,而谷歌不是由人工控制的,它依靠的是算法。
Mike Siwek这一搜索可以解释谷歌是如何解决这一问题的。辛格输入显示代码的命令后,我们就可以看到信号是如何决定搜索结果排序的:通过bi-gram可以确定mike siwek是一个人名,lawyer是一个同义词,mi是一个地名。辛格说:从工程师的角度进行解构,系统会对这些词进行分割,它会发现lawyer不是姓氏,siwek不是中间名。同时lawyer也不是密歇根的一个镇,因此它是attorney的同义词。
这是谷歌从无数次搜索中获得的可贵知识。石头可以是rock,可以是stone,还可以是boulder(漂石)。如果用户输入 rokc,谷歌仍会知道他想找的是rock。但如果在rokc前加little,谷歌则会知道这是Arkansas(阿肯色州)的首府。Arkansas的缩写是ark,与诺亚方舟同形,但谷歌会将二者区分开来。辛格说:搜索中最重要的是理解用户的意图,因此你不是在匹配词语,而是在匹配意思。
谷歌一直在不断改进。近期,谷歌工程师莫琳海曼斯(Maureen Heymans)发现了Cindy Louise Greenslade的搜索结果的问题。用户输入这些单词时,算法会认为应该找一个名叫Cindy Louise的人,于是在加利福尼亚的加登格罗夫市找到了一名心理学家,却没有把姓名为Cindy Louise Greenslade的人的网页放在结果的前十名。海曼斯发现,这是因为Cindy Louise Greenslade习惯将名字缩写成Cindy L. Greenslade。她表示:我们的搜索引擎应该更聪明一点。于是她增加了一个信号,用来寻找中间名的缩写。现在正确的结果已经被排在了第五位。
层出不穷的创新
在任何时候,谷歌高效运转的测试系统都会进行几十个这种改进。谷歌在全世界专门雇佣了上百人,这些人坐在家里的电脑前判断更改后的结果是更好还是更差。但谷歌还有一个更大的测试团队,这就是成千上万的谷歌用户,他们不知不觉地加入了这项长期的质量实验。
每当工程师想测试一项技术调整时,他们会在一小批随机用户中运行这些算法,而绝大多数的用户扮演的是参照组的角色。需要测试的更改太多,因此谷歌放弃了一次只测试一项技术调整的策略。搜索质量工程师帕特里克赖利(Patrick Riley)表示:在大多数搜索过程中,你同时都处于多个实验组和参照组之中。但他随后又做出了更正:事实上,所有搜索都被卷入了实验之中,因此用户每次用谷歌搜索,都作了一次小白鼠。
这种灵活性增加信号、更改代码、立即测试的能力就是谷歌团队为什么说他们可以应对来自必应、Twitter和Facebook的任何挑战的原因。事实上,在过去的六个月中,谷歌进行了200多项改进,其中一些似乎在模仿(但超越了)它的竞争对手(谷歌表示这只是巧合,称其多年来一直在增加新功能),其中之一就是实时搜索。
佩奇数月前曾表示谷歌应该每一秒钟都搜索整个网络,因此使这一功能备受期待。当用户搜索具有时效性的话题时,谷歌结果页面的10个蓝色链接中会有一个最新结果框。该框带有拖动条,显示的是从新闻媒体、博客和Twitter等获得最新内容。同样,谷歌使用信号来确保最有用的 tweet(Twitter上发布的消息)出现在实时信息框中。
除了实时搜索,谷歌还引入了一项新功能,称作Goggles。该功能可以将用户手机上拍摄的照片视作搜索请求。谷歌一直努力将搜索变成一种随时随地的行为,Goggles也是该努力的一部分。有了摄像和语音识别功能,智能手机就会变成你的眼睛和耳朵。只要找到正确的信号,任何东西都可以变成搜索请求。
成功的根源:雇佣合适的人才
谷歌的强大计算能力和带宽为公司提供了无可争辩的优势。有人声称这种优势使创业公司无法对其发起挑战。但曼博表示,谷歌成为领导者并非仅仅因为其基础设施。他说:最、最、最重要的因素是我们雇佣了合适的人才。
按照所有的标准,陆奇都是算得上一名合适的人才,他是一位48岁的电脑科学家。曾经与陆奇在雅虎共事的曼博表示:我对他怀有最高的敬意。但陆奇去年初离开了谷歌,前往微软担任必应团队负责人。在被问到他的使命时,穿着牛仔和必应T恤、身材瘦小的陆奇字斟句酌地轻声答道:我们需要始终记住这是一个长久的旅程,这一点极其重要。他的眼神中流露出我不会离开的神情,就像电影《杀死比尔》中的乌玛瑟曼(Uma Thurman)一样。
在过去十年中赢得了浏览器战争的微软,在搜索方面似乎怀有君子报仇,十年不晚的想法,因为它确信用户除了谷歌算法还需要别的东西。微软搜索发展主管哈利沙姆(Harry Shum)表示:如果我们不对算法进行更改,将很难与现在的赢家抗衡,但我们打算对算法进行改进。
然而,即使必应对算法进行改进,谷歌很可能做出同样的更改。这就是谷歌成为这样一个令人生畏的对手的原因,它已经开发出了一个足够敏捷的机器,以致可以吸收任何可能对其造成威胁的创新同时提供着对手无法匹敌的高质量搜索结果。任何人都可以发明一种买机票的新方法,但只有谷歌知道如何找到 Mike Siwek。(钦亮)
谷歌算法是一项进行中的工作不断的调整和改进是为了提供更高质量的搜索结果。以下是PageRan推出之后的一些主要增加项和更改。史蒂芬列维
附:谷歌搜索大事记
1997年9月:Backrub搜索引擎
Backrub搜索引擎在斯坦福大学的服务器上运行了近两年,之后改名Google。其突破性创新在于:按照一个网站被链接(网络上指向该网站的链接)数量和质量对搜索结果进行排序。
2001年8月:新算法
搜索算法被完全改写,以便更易于添加新的排序标准。
2003年2月:本地连接分析
这一功能给与权威性网站上的链接更大的权值,也使谷歌获得了首个专利。
2003年夏:Fritz
该项目使谷歌可以不断随时更新索引,而无需成批更新。
2005年6月:个性化结果
用户可以选择让谷歌分析其搜索行为,以便提供个性化结果。
2005年12月:Bigdaddy
对引擎进行了更新,使其可以更广泛地抓取网页内容。
2007年5月:通用搜索
在图片搜索、谷歌新闻、图书搜索的基础之上,通用搜索使用户可以在同一搜索结果页面上获得不同媒介的内容。
2009年12月:实时搜索
实时显示Twitter和博客上的更新。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

Archiver|手机版|小黑屋|网上读书园地

GMT+8, 2024-11-18 11:40 , Processed in 0.252347 second(s), 18 queries .

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表