网络信息检索（七）搜素引擎简介与链接分析算法

IR系统最为关键的部分。

一、搜索引擎简介

1：什么是搜索引擎

用户角度

• 一个连接后台程序的入口页面
• 允许用户输入词语来说明所要找的页面的特点
• 返回那些满足查询的页面的链接

---

搜索引擎（Search Engine），亦称Web检索，是一种用于帮助用户在互联网上查询信息的搜索工具，它以一定的策略在互联网中发现和搜集信息，并对搜集的信息进行加工整理和组织存贮，为用户提供检索服务，输出排序检索结果

（1）工作原理

（2）系统流程

对原始网页的分析建立倒排索引是常规的步骤，这一节的重点在于分析网页结构时我们会产生PageRank，PageRank（连接分析算法）对搜索引擎的能力带来的极大的提高。

2：搜索引擎分类

（1）目录式搜索引擎

• 以人工方式或半自动方式搜集信息，由编辑员查看信息后，人工形成信息摘要，并将信息置于事先确定的分类框架中，提供目录浏览和直接检索。

• 特点：
  信息准确、导航质量高
  需人工介入，维护量大、信息量少、更新不及时

• 实例：Yahoo、LookSmart、OpenDirectory

（2）机器人搜索引擎

• 由spider自动在互联网中搜集和发现信息，由索引器建立索引，由检索器根据用户的查询检索索引库，并将结果返回给用户。
• 特点：
  信息量大、更新及时、毋需人工干预
  返回信息过多，用户必须在结果中筛选
• 实例： InfoSeek、Google、Baidu、AltaVista、Lycos

（3）元搜索引擎

• 没有自己的数据，而是将用户的查询请求同时向多个搜索引擎递交，将返回的结果进行去重、重新排序等处理后，作为自己的结果返回给用户
• 特点：
  返回的信息量更大、更全
  用户需要做更多的筛选
• 实例：Vivisimo、Dogpile

目前的Google和Baidu的搜索结果已经足够好了，而且信息量非常大，要综合二者的优势不那么容易，所以元搜索引擎不太稳。

二、链接分析技术

• 页面之间的链接通常隐含非常重要的信息
• 仅仅是“结构”就可以带来丰富的“语义”

---

1：什么是链接分析？

• 链接反映的是网页之间的“参与”、“引用”、“推荐”关系
• 根据网页的导入（反向，inlink）、导出（正向，outlink）链接的数量和质量决定该网页的重要性
• 页面的链接：
  所提取的页面的指向页面（Pages pointed to by a retrieved page）：导出链接（正向链接）
  所提取页面的被指向页面（Pages that point to a retrieved page）：导入链接（反向链接）
  流行度（Popularity）：一个页面的导入链接的数量
  关系度（Relatedness）：页面中相同超链的数目

2：基于链接分析的排序算法*

（1）PageRank (Google)

• 大脸表示的就是比较popular的网页，被指向的数目越多，网页越重要。
• 越大的脸指出去的权值也比较大，黄脸被多个大脸引用，所以他的脸比蓝脸大（蓝脸的追随者都是小脸）好鬼畜

（i）PageRank算法基本思想

• 如果页面A链向页面B，则认为A到B的链接是A对B的支持投票，Google根据投票数（入度）来判断某个页面的重要性
• 不单只看入度，对参与投票的页面也进行分析，重要性高的页面所投的票具有更高的价值
• 对获得了高评价的页面给与较高的PageRank，在检索结果内的名次也会提升
   PageRank高不见得相关

---

链入网页和链出网页

• 网页A通过超链接（ hyperlink ）链接到网页B。则称：
  网页A是网页B的链入网页
  网页B是网页A的链出网页
  

---

链接的数目与链接的质量

• 左图完全取决于入度的大小，基于假设：1，2，3的重要性一样
• 右图也要考虑链入网页出链的数目，如果一个网页有超级多个出链（n个），那么其中某一个链接所占的重要性可以看作1/n，而网页3只有一个出链，显然比较专一，可以把自己的重要性完整的传递给B。

上面这个公式什么意思呢？ $R(v)$即网页 $v$的重要性，对 $u$而言，它的重要性等于所有指向 $u$的页面 $v$的重要性除以页面 $v$的链接数目，乘以一个常数 $c$。

---

• 反向链接数（number of inlink）： 单纯的意义上的受欢迎度指标
• 反向链接源：反向链接是否来自推荐度高的页面 （有根据的受欢迎指标）
• 反向链接源页面的正向链接数（number of outlinks） ：被选中的几率指标
  对来自总链接数少页面的链接给予较高的评价，而来自总链接数多的页面的链接给予较低的评价

（ii）如何计算 PageRank?

• 用邻接矩阵 (adjacent matrix) A 表示邻接关系
   $a_{ij}＝1$，如果从页面 i 向页面 j有链接时
   $a_{ij}＝0$，如果从页面 i 向页面 j没有链接时

• 把这个邻接行列倒置后，并归一化，得到转移概率矩阵M
  如果页面i有 di 个出链
  如果页面i有链接指向页面 j, 则 $m_{ji}=1/d_i$ ，否则 $m_{ji}=0$

• 矩阵M（列随机矩阵，column stochastic matrix） 每一列之和等于1
  
  

（iii）计算实例

7个web页面，为简单起见，不考虑这7个页面之外的链接

第一步：构造行列式A

第二步：得到转移概率矩阵M

先把A的每一行归一化然后进行一个转置。

然后我们按行来读就可以发现，第一行就是第一个页面被转移到的概率，（第二个页面肯定转向他，第三个页面有0.5的概率转向他，所以这个矩阵称之为转移概率矩阵）

第三步：对M进行特征值分解（1）

第三步：对M进行特征值分解（2）

第四步：获得PageRank排名

（iv）结果分析

• PageRank 的名次和反向链接的数目是基本一致的。
• 无论链接多少正向链接都几乎不会影响PageRank，相反地有多少反向链接却是从根本上决定 PageRank 的大小。
• 但是，仅仅这些并不能说明第1位和第2位之间的显著差别
• ID=1 的文件的 PageRank 是0.304，占据全体的三分之一，成为了第1位
• 特别需要说明的是，起到相当大效果的是从排在第3位 的 ID=2 页面中得到了所有的 PageRank(0.166)
• ID=2页面有从3个地方过来的反向链接，而只有面向ID=1页面的一个链接，因此（面向ID=1页面的）链接就得到了所有的 PageRank 数
• 不过，就因为 ID=1页面是正向链接和反向链接最多的页面，也可以理解它为什么是最受欢迎的页面

（v）PageRank 算法：随机冲浪模型

红色的线就表示一个跳转过程，用户沿着链接走烦了，就会跳出来。

所以(1-d)是一个网页固有的PR值，即使该网页并没有链接指向他，他也有（1-d）的PR值，但是（1-d）也是一个比较大的值了。

---

PageRank算法2（对算法1的修订）

不同之处在于，算法2的所有页面的PR值加起来是1。

---

PageRank算法的例子

如果用算法2的话网页级别之和等于1。

（vi）Google的实际计算

• Google采用一种近似的迭代的方法计算网页的网页级别：
• 先给每个网页一个初始值，然后利用上面的公式，循环进行有限次运算得到近似的网页级别。根据Lawrence Page 和 Sergey Brin在1999年公开发表的文章，他们实际需要进行100次迭代才能得到整个互联网的满意的网页级别值，
• 在迭代的过程中，每个网页的网页级别的和是收敛于整个网络的页面数的。所以，每个页面的平均网页级别是1，实际上的值在（1－d） 和(dN+(1-d))之间。

---

上面实例的迭代情况

（vii）进一步讨论

---

入链（Inlinks）的影响

---

阻尼因子的影响

---

出链（Outlinks）的影响

---

悬摆链（Dangle Links）的影响

当一个页面没有出链的时候，它的PageRank值不会传递给别的页面， Lawrence Page和Sergey Brin把链到这样页面的链接称为悬摆链（ dangling links ）

• 据Page和Brin称，Google在索引页面时，悬摆链的量很大，主要是由于受robot.txt的限制及索引了一些没有链出的文件类型如PDF等
• 为消除这种负面影响，google在计算级别时，将此类链接从数据库里去掉，在计算完毕后，再单独计算悬摆链所链到的页面
  
  不停的杀掉悬摆链

---

页面数目的影响

• 网页增加后，总的PageRank值并没有明显增加，上例从33变为34
• 但几乎每个页面的级别值减少了（除了A），这是由于新加页面分享了入链带来的值

---

PageRank的缺陷

• Web的链接具有以下特征：
   有些链接具有注释性，也有些链接是起导航或广告作用
   基于商业或竞争因素考虑，很少有Web网页指向其竞争领域的权威网页
   权威网页很少具有显式的描述
• 可见平均分布权值的PageRank不符合链接的实际情况
• 许多链接经纪商和网站向别的网站出售文本链接时，会将PR值作为定价因素之一
• 可以通过链接来控制PR（如何做到？），因此PR值在排名中作用应该被正确的评估
• 搜索引擎目前的重要任务是反作弊（Web Spam）

（2）HITS (IBM Clever)

PR不考虑出度，但是出度很多的有可能是一个目录型网页，比如资源网站的首页，目录性很强。

（i）Hub值和Authority值

迭代计算方法

（ii）HITS更新规则

网页的h值取决于本身指出去的网页的权威性之和，网页的权威性取决于指向该网页的h值之和。

（iii）根集（Root Set）

输入一个查询，所有相关网页集合形成根集合。然后所有和根集合相关的网页集合作为基本集合。

（iv）算法过程

当然我们有两个值a和h，根据哪个属性进行排序完全取决于个人。

（v）计算实例

（vi）优缺点

• 很多例子中，最后的权威网页可能不在初始集里
• 权威性可从正向链接和反向链接页面带来，HITS可以计算它的权威性
• 需要特别指出的是，因为一个网页本身有很多个不同的主题，这使得HITS算法的结果容易出现主题漂移（Topic Drift）和概念泛化（Concept Generalization）现象
  例如，本来查询的是“物理”，但结果可能出现“数学”和“自然科学”等主题。为了使结果的主题单一化，可以利用许多其它的文字信息来克服这个问题，如利用URL对应的锚文字、URL所在的上下文信息、URL本身的文字信息等等

（3）PageRank和HITS的比较

• PageRank独立于查询，HITS依赖于查询
• HITS算法将重要性在Hub页和Authorities页之间互相传递，而PageRank将重要性在Authorities页之间进行传递
• PageRank可在索引时计算，HITS需在查询时计算，一般用在相关反馈（Relevance Feedback）

一些小问题

1. 搜索引擎的三大组成部分是什么？简述搜索引擎的工作流程。
   三大组成部分：搜索系统、索引系统、检索系统。
   工作流程大概是：搜集-整理-服务。搜集工作主要负责原页面的抓取和提取。整理的话只要包含了倒排索引的建立，网页结构的分析（PageRank的生成）。服务即对查询的分析并返回搜索结果。
2. 什么是悬摆链？什么样的网络结构对提升单个页面的PR值有效？
   悬摆链即一些网页没有外链，感觉类似与星型拓扑结构的网路对有利于提升中心节点的PR值，而环状的则相反。
3. 什么是阻尼因子？请阐述其含义。
   阻尼因子是对用户冲浪的一个建模，表示用户不断随机点击链接的概率。所以对每一个页面，用户有1-d的概率冲浪至另一个页面。
4. HITS算法的主题子图是如何形成的？
   首先根据查询找到的相关文档集合称之为根集，然后我们把根集相关的页面扩展进来（根集中页面指向的页面，以及指向根集中页面的页面）就形成了主题子图。
5. 列举PageRank和HITS算法的共同点和区别。
   共同点：都考虑到了网页的入度作为权威性。
   区别：HITS考虑得更加全面，既包含权威性也包含目录性。HITS依赖于查询，因为主题子图的构建和查询时息息相关的，而PageRank独立于查询。