搜索引擎預處理工作原理

　　搜索引擎預處理工作原理

　　通過上邊編者對搜索引擎預處理概念的一個簡單的介紹，想必各位讀者有一定的了解，那么在眾多預處理的流程中具體究竟是怎樣的一個工作流程呢？下面就讓我們一起看一下搜索引擎在預處理中的各個工作流程！

　　1.關鍵詞的提取：搜索引擎能夠完全識別的主要還是以文字內容為主的網絡資源。搜索引擎蜘蛛在爬取一個頁面的同時也把大量的htmL代碼抓取下來，如keywords,description，title，H，css,div標簽等，而它的主要工作還是將HTML標簽、程序等處理，然后提取用于排名計算的文字信息內容。

　　2.刪除重復無用詞：同一個詞在一個網頁中出現很多次，如“得”、“我”、“的”、“你”、“地”、“啊”、.“呀”、“卻”、“再”、“從而”等這類的無用助詞，出現的頻率雖然很高，但是一旦反復出現就沒太大價值了，一般這類詞就歸結為停用詞。這類詞也需要去除掉。

　　3.中文分詞技術：分詞是中文搜索引擎獨有的技術支持。中文信息和英文信息的差別在于:英文單詞與單詞之間用的是空格分隔的，這對中文就行不通了，搜索引擎必須將整個句子切割成小單元詞，如“我是國內人”拆分出來的形態是“我”、“是”、“國內”、“人”。分詞技術的效率直接影響到整個系統的效率。

　　分詞的方法基本上有兩種:基于字符串匹配的分詞方法和基于統計的分詞方法。

　　1)基于字符串匹配的分詞方法

　　按匹配方向的不同，可分為正向匹配、逆向匹配和** 少切詞。可將這三種方法混合起來使用，即正向** 大匹配、逆向** 大匹配、正向** 小匹配、逆向** 小匹配。

　　正向** 大匹配:假設字典中** 長的詞語字數為m，先根據漢語標點符號及特征詞把漢語句子切分為短語，然后去取短語的前m個字，在字庫里面查找是否存在這個詞語，如果存在，短語就去掉這個詞;如果不存在就去掉這m個字的** 后一個字，接著檢查剩下的詞是否是單字，若是則輸出此字并將此字從短語中去掉，若不是則繼續判斷字庫中是否存在這個詞，如此反復循環，直到輸出一個詞，此后繼續取剩余短語的前m個字反復循環。這樣就可以將一個短語分成詞語的組合了。

　　以“我是一個好人”為例，假設字典中** 長詞語字數為3，正向** 大匹配順序為:

　　(1)取出短語“我是中”，檢查“我是中”是否在字典中存在或是一個單字，處理方式是去掉** 后面的“中”字;

　　(2)檢查短語“我是”是否在字典中存在或是一個單字，處理方式是去掉“是”字;

　　(3)檢查“我”字是否在字典中存在或是一個單字，“我”是一個單字，將“我”字輸出;

　　(4)繼續取出短語“是國內”，檢查“是國內”是否在字典中存在或是一個單字，處理方式是去掉** 后面的“國個”字;

　　(5)檢查短語“是中”是否在字典中存在或是一個單字，處理方式是去掉“中”字;

　　(6)檢查“是”字是否在字典中存在或是一個單字，“是”是一個單字，將“是”字輸出;

　　(7)取出短語“國內人”，檢查“國內人”是否在字典中存在或是一個單字，處理方式是去掉** 后面的“好”字;

　　(8)檢查短語“國內”，發現是字典中的一個詞，直接輸出;

　　(9)檢查短語“國人”，發現是字典中的一個詞，直接輸出;

　　(10)** 后輸出結果為:我、是、國內、人。

　　逆向** 大匹配:以句子結尾處進行分詞的方法。逆向** 大匹配技術** 大的一個作用是用來消歧。如“富營銷線下聚會在下城子鎮舉行”按照正向** 大匹配結果為:富/營銷/線/下/聚會/在/下/城子鎮/舉行，很顯然這當中差生了歧義。下城子鎮是一個地名，沒有被正確地切分。采用逆向** 大匹配的技術可以修正這個錯誤。例如設定一個分詞節點大小為7，那么“在下城子鎮舉行”中很顯然“舉行”被分出來了，** 后剩下“聚會在下城子鎮”，這樣一來歧義就被消除了。

　　正向** 小匹配/逆向** 小匹配:一般很少使用到，實際使用中逆向匹配的精準度要高于正向匹配度。

　　2)基于統計分詞方法

　　直接調用分詞詞典中的若干詞進行匹配，同時也使用統計技術來識別一些新的詞語，將所有的統計結果匹配起來發揮切詞的** **率。

　　分詞詞典是搜索引擎判斷詞語的依據，基本上收錄了漢語詞典當中所有的詞語。如我們在搜索引擎中輸入“我要減肥了”，“減肥”兩字就會被判定為一個詞語。現在網絡上經常會出現一些新造的網絡流行詞語如“神馬”、“犀利哥”等，這樣的詞也都會慢慢地被收錄。分詞詞典只有不斷更新才能滿足我們日常搜索判斷的需求。

　　4.消除噪聲：網頁上有各種形形色色的廣告文字、廣告圖片、登錄框、版權信息等，為了某些目的不得不放上去，這些對搜索引擎來說不是有用的東西，可以直接去掉。

　　5.分析網頁建立倒排文件：正向索引:經過前面幾步的工作之后就開始提取關鍵詞了，把頁面轉換為一個關鍵詞組合，同時記錄每一個關鍵詞在頁面上的出現頻率、出現次數、格式、位置，這樣每一個頁面都可以記錄為一串關鍵詞組合，其中每個關鍵詞的詞頻、格式、位置等權重信息也都記錄在案，如圖1-10所示。

　　倒排索引:正向索引還不能直接用于排名。假如用戶搜索關鍵詞3，如果只用正向索引，排名程序需要掃描所有的索引中的文件，找出包含關鍵詞3的文件，再進行相關計算。這樣一來計算無法實時返回排名結果。所以搜索引擎會將正向索引數據庫重新構造為倒排索引，倒排索引以關鍵詞為索引，如圖1-11所示。

　　6.鏈接關系計算：鏈接關系計算是預處理中重要的一步。主流搜索引擎排名因素都包含網頁之間的鏈接流信息。事先必須計算出頁面上有哪些鏈接指向哪些其他頁面，每個頁面有哪些導入鏈接，鏈接使用了什么錨文本等種種的鏈接計算。GooglePR是這種鏈接關系計算的重要代表之一。

　　7.特殊文件處理：可以抓取和索引以文字為基礎的多種文件類型。對flash、視頻、PPT,XLS,圖片等非文字內容不能執行腳本和程序。搜索引擎目前還無法獲取flash文件和圖片中的文字信息。圖片一般推薦使用ALT標簽圖片文字信息。