百度搜索引擎的原理分析——检索排序

众所周知，搜索引擎的主要工作过程包括：抓取、存储、页面分析、索引、检索等几个主要过程。

1、索引系统

在以亿为单位的网页库中查找特定的某些关键词犹如大海里面捞针，也许一定的时间内可以完成查找，但是用户等不起，从用户体验角度我们必须在毫秒级别给予用户满意的结果，否则用户只能流失，怎样才能达到这种要求呢？

如果能知道用户查找的关键词都出现在哪些页面中，那么用户检索的处理过程即可以想象为包含了query中切词后不同部分的页面集合求交的过程，而检索即变成了页面名称之间的比较、求交，这样，在毫秒内以亿为单位的检索成为了可能，这就是通常所说的倒排索引及求交检索的过程，如下为建立倒排索引的基本过程：

（1）、页面分析的过程实际上是将原始页面的不同部分进行识别并标记，例如：title、keywords、content、link、anchor、评论、其他非重要区域等等。

（2）、分词的过程实际上包括了切词分词同义词转换同义词替换等等，以对某页面title分词为例，得到的将是这样的数据：term文本、termid、词类、词性等等。

（3）、之前的准备工作完成后，接下来即是建立倒排索引，形成{termàdoc}，下图即是索引系统中的倒排索引过程：

倒排索引是搜索引擎实现毫秒级检索非常重要的一个环节，下面我们要重要介绍一下索引系统建立倒排索引的重要过程——入库写库。

2、影响搜索结果排序的因素

用户输入关键词进行检索，百度搜索引擎在排序环节要做两方面的事情，******是把相关的网页从索引库中提取出来，第二是把提取出来的网页按照不同维度的得分进行综合排序，“不同维度”包括：

（1）、相关性：网页内容与用户检索需求的匹配程度，比如网页包含的用户检查关键词的个数，以及这些关键词出现的位置；外部网页指向该页面所用的锚文本等。

（2）、权威性：用户喜欢有一定权威性网站提供的内容，相应的，百度搜索引擎也更相信优质权威站点提供的内容。

（3）、时效性：时效性结果指的是新出现的网页，且网页内承载了新鲜的内容，目前时效性结果在搜索引擎中日趋重要。

（4）、重要性：网页内容与用户检查需求匹配的重要程度或受欢迎程度。

（5）、丰富度：丰富度看似简单却是一个覆盖范围非常广的命题，可以理解为网页内容丰富，可以完全满足用户需求；不仅可以满足用户单一需求，还可以满足用户的延展需求。

（6）、受欢迎程度：指该网页是不是受欢迎。

以上便是百度搜索引擎决定搜索结果排序时考虑的六大原则，那么六大原则的侧******是怎样的呢？哪个原则在实际应用时占比******呢？其实在这里没有一个确切的答案。

在百度搜索引擎早期，这些阈值的确是相对固定的，比如“相关性”在整体排序中的重量可以占到七成，但随着互联网的不断发展，检索技术的进步，网页数量的爆发式增长，相关性已经不是难题，于是百度搜索引擎引入了机器学习机制，让程序自动产出计算公式，推进排序策略更加合理。

4、低质网页狙击策略——石榴算法

我们理解网站生存发展需要资金支持，从来不反对网站添加各种合法广告，不要再问我们“我们网站加了XX联盟的广告会不会被处罚”这类问题，有些站点好不容易在百度有了比较好的排位，却在页面上放置大量有损访问用户体验的广告，已经严重影响到百度搜索引擎用户的使用感受。

为此，百度质量团队2013年5月17日发布公告：针对低质量网页推出了石榴算法，旨在打击含有大量妨碍用户正常浏览的恶劣广告的页面，尤其是弹出大量低质广告、存在混淆页面主体内容的垃圾广告的页面。

百度质量团队希望站长能够多从用户角度出发，朝着长远发展考虑，在不影响用户体验的前提下合理地放置广告，赢得用户的长期青睐才是一个网站发展壮大的基础。

相关文章：百度搜索引擎工作原理是怎么样的？