大規(guī)模超文本網(wǎng)頁搜索引擎的分析

大規(guī)模超文本網(wǎng)頁搜索引擎的分析

作為Google輝煌的起始，這篇文章非常有紀(jì)念價值，但是文中提到的內(nèi)容因年代久遠(yuǎn)，已經(jīng)和時下最新的技術(shù)有了不少差異。但是文中的思想還是有很多借鑒價值。因本人水平有限，對文中內(nèi)容可能會有理解不當(dāng)之處，請您查閱英文原版。大規(guī)模的超文本網(wǎng)頁搜索引擎的分析SergeyBrinandLawrencePage{sergey，page}@ComputerScienceDepartment，StanfordUniversity，Stanford，CA94305摘要在本文中我們討論Google，一個充分利用超文本文件結(jié)構(gòu)進(jìn)行搜索的大規(guī)模搜索引擎的原型。Google可以有效地對網(wǎng)絡(luò)資源進(jìn)行爬行搜索和索引，比目前已經(jīng)存在的系統(tǒng)有更令人滿意的搜索結(jié)果。該原型的數(shù)據(jù)庫包括2400萬頁面的全文和之間的鏈接，可通過/訪問。設(shè)計一個搜索引擎是一種具挑戰(zhàn)性的任務(wù)。搜索引擎索索引數(shù)以億計的不同類型的網(wǎng)頁并每天給出過千萬的查詢的答案。盡管大型搜索引擎對于網(wǎng)站非常重要，但是已完成的、對于大型搜索引擎的學(xué)術(shù)上的研究卻很少。此外，由于技術(shù)上的突飛猛進(jìn)和網(wǎng)頁的急劇增加，在當(dāng)前，創(chuàng)建一個搜索引擎和三年前已不可同日而語。本文提供了一種深入的描述，與Web增殖快速進(jìn)展今日創(chuàng)建Web搜索引擎是三年前很大不同。本文提供了到目前為止，對于我們大型的網(wǎng)頁所搜引擎的深入的描述，這是第一個這樣詳細(xì)的公共描述。除了如何把傳統(tǒng)的搜索技術(shù)擴(kuò)展到前所未有的海量數(shù)據(jù)，還有新的技術(shù)挑戰(zhàn)涉及到了使用超文本中存在的其他附加信息產(chǎn)生更好的搜索結(jié)果。本文解決這樣一個問題，如何建立一個可以利用超文本中存在的其他附加信息的實(shí)用的大型系統(tǒng)，同時我們也研究一下如何有效處理任何人都能發(fā)布他們想發(fā)布的包含任何信息的大量自由鏈接的問題。關(guān)鍵字：互聯(lián)網(wǎng)，搜索引擎，文獻(xiàn)檢索，PageRank，Google1.簡介(注：本文由兩個版本--較長的完整版本和一個較短的印刷的版本。完整版本提供在網(wǎng)絡(luò)上和會議的CD-ROM上)。Web給信息檢索帶來了新的挑戰(zhàn)。Web上的信息量快速增長，同時不斷有毫無經(jīng)驗的新用戶來體驗Web這門藝術(shù)。人們喜歡用超級鏈接來網(wǎng)上沖浪，通常都以象Yahoo這樣重要的網(wǎng)頁或搜索引擎開始。人工維護(hù)的網(wǎng)站列表能有效的覆蓋受歡迎的流行的站點(diǎn)，但是它具有主觀性，建立和維護(hù)的代價高，升級慢，不能包括所有深奧的主題?；陉P(guān)鍵詞的自動搜索引擎通常返回太多的低質(zhì)量的匹配。使問題更遭的是，一些廣告為了贏得人們的關(guān)注想方設(shè)法誤導(dǎo)自動搜索引擎。我們建立了一個大型搜索引擎解決了現(xiàn)有系統(tǒng)中的很多問題。應(yīng)用超文本結(jié)構(gòu)，提供高質(zhì)量的查詢結(jié)果，我們的系統(tǒng)命名為google，取名自googol的通俗拼法，即10的100次方，這和我們的目標(biāo)建立一個大型搜索引擎較好的符合。1.1網(wǎng)絡(luò)搜索引擎—升級換代：1994-2000搜索引擎技術(shù)不得不快速升級跟上成倍增長的網(wǎng)站數(shù)量。1994年，第一個Web搜索引擎，WorldWideWebWorm(WWWW)擁有110，000個網(wǎng)頁和網(wǎng)站可訪問文檔的索引。到1994年11月，頂級的搜索引擎聲稱可以檢索到2萬(WebCrawler)100萬個網(wǎng)絡(luò)文件(來自搜索引擎監(jiān)視)?？梢灶A(yù)見到2000年，可檢索到的網(wǎng)頁將超過10億。同時，搜索引擎的訪問量也會以驚人的速度增長。在1997年的三四月份，WorldWideWebWorm平均每天收到1500個查詢。在1997年11月，Altavista聲稱它每天要處理大約20’百萬個查詢。隨著網(wǎng)絡(luò)用戶的增長，可以預(yù)見到到2000年，自動搜索引擎每天將處理上億個查詢。我們系統(tǒng)的設(shè)計目標(biāo)要解決許多問題，包括質(zhì)量和可升級性，引入升級搜索引擎技術(shù)，把它升級到如此大量的數(shù)據(jù)上。1.2Google：升級與網(wǎng)絡(luò)建立一個能夠和當(dāng)今web規(guī)模相適應(yīng)的搜索引擎會面臨許多挑戰(zhàn)。抓網(wǎng)頁技術(shù)必須足夠快并且保持是最新的版本。存儲空間必須高效的存儲索引和文檔。索引系統(tǒng)必須能夠高效地處理上百億GB的數(shù)據(jù)。處理查詢必須快，達(dá)到每秒能處理成百上千個查詢。隨著Web的不斷增長，這些任務(wù)變得越來越艱巨。然而硬件的性能和成本也在快速增長，可以部分抵消這些困難。然而，還有幾個值得例外，如磁盤的尋道時間，操作系統(tǒng)的效率。在設(shè)計Google的過程中，我們既考慮了網(wǎng)絡(luò)的增長速度，又考慮了技術(shù)的更新。Google的設(shè)計能夠很好的升級處理超大量數(shù)據(jù)集。它能夠高效地使用存儲空間來存儲索引。優(yōu)化的數(shù)據(jù)結(jié)構(gòu)能夠快速有效地存取(請參見4.2節(jié))。進(jìn)一步，我們希望，相對于所抓取的文本文件和HTML網(wǎng)頁的數(shù)量而言，存儲和建立索引的代價盡可能的小(請參閱附錄B)。對于象Google這樣的集中式系統(tǒng)，采取這些措施得到了良好的系統(tǒng)可升級性。1.3設(shè)計目標(biāo)1.3.1改進(jìn)搜索質(zhì)量。我們的主要目標(biāo)是提高Web搜索引擎的質(zhì)量。1994年，有人認(rèn)為建立全搜索索引就有可能很容易找到任何東西。根據(jù)BestoftheWeb1994--Navigators，“最佳導(dǎo)航服務(wù)應(yīng)更容易找到幾乎任何在網(wǎng)絡(luò)上(已經(jīng)輸入的所有數(shù)據(jù))?！?。然而1997年的Web就迥然不同。任何最近使用搜索引擎的用戶很容易證實(shí)索索引的完整性并不是唯一影響搜索引擎結(jié)果的因素。用戶感興趣的搜索結(jié)果往往被“垃圾結(jié)果”淹沒。實(shí)際上，到1997年11月為止，四大商業(yè)搜索引擎中只有一個能夠找到它自己(使用自己的搜索自己的名字時返回的前十個結(jié)果中有它自己)。導(dǎo)致這一問題的主要原因是文檔的索引數(shù)目增加了好幾個數(shù)量級，但是用戶能夠看的文檔數(shù)卻沒有增加。人們?nèi)匀恢幌Ｍ辞懊娴膸资畟€搜索結(jié)果。因此，當(dāng)集合增大時，我們就需要高精確度的工具(在返回的前幾十個結(jié)果中，相關(guān)文檔的數(shù)量)。由于是從成千上萬個有點(diǎn)相關(guān)的文檔中選出幾十個，實(shí)際上，我們希望相關(guān)的概念就是指最好的文檔。高精確非常重要，甚至以響應(yīng)(系統(tǒng)能夠返回的有關(guān)文檔的總數(shù))為代價。令人十分樂觀的的是利用超文本鏈接提供的信息有助于改進(jìn)搜索和其它應(yīng)用[Marchiori97][Spertus97][Weiss96][Kleinberg98]。尤其是鏈接結(jié)構(gòu)和鏈接文本，為相關(guān)性的判斷和高質(zhì)量篩選提供了大量的信息。Google既利用了鏈接結(jié)構(gòu)又用到了鏈接文本(請參見2.1和2.2節(jié))。1.3.2搜索引擎的學(xué)術(shù)研究除了發(fā)展迅速，Web越來越商業(yè)化。到1993年，只有1.5%的網(wǎng)絡(luò)服務(wù)是來自.com域名。到1997年，增長超過了60%。同時，搜索引擎從學(xué)術(shù)領(lǐng)域走進(jìn)商業(yè)。到現(xiàn)在大多數(shù)搜索引擎被公司所有，很少發(fā)布技術(shù)細(xì)節(jié)。這就導(dǎo)致搜索引擎技術(shù)很大程度上仍然是暗箱操作，并傾向做廣告(請參閱附錄A)。對于Google來講我們有一個的主要目標(biāo)是推動學(xué)術(shù)領(lǐng)域在此方面的發(fā)展和了解。另一個設(shè)計目標(biāo)是給適合數(shù)目的人們一個實(shí)用的系統(tǒng)。對我們來說應(yīng)用十分重要，因為一些研究表明，現(xiàn)代網(wǎng)絡(luò)系統(tǒng)中存在大量的有用數(shù)據(jù)。例如，每天有數(shù)千萬個查詢被執(zhí)行。然而，獲得這些數(shù)據(jù)卻非常困難，主要因為它們被認(rèn)為有商業(yè)價值。我們的最終設(shè)計目標(biāo)是構(gòu)建一個體系結(jié)構(gòu)，可以支持大型Web數(shù)據(jù)上的一種新的研究活動。為了支持新研究，Google以壓縮的形式保存了實(shí)際所抓到所有的文檔。我們設(shè)計Google的主要目標(biāo)之一就是要建立一個環(huán)境使其他研究者能夠很快進(jìn)入這個領(lǐng)域，處理海量網(wǎng)絡(luò)數(shù)據(jù)，得到滿意的結(jié)果，而通過其它方法卻很難得到。系統(tǒng)在短時間內(nèi)被建立起來，已經(jīng)有幾篇論文用到了Google建立的數(shù)據(jù)庫，更多的在起步中。我們的另一個目標(biāo)是建立一個宇宙空間實(shí)驗室似的環(huán)境，在這里研究人員甚至學(xué)生都可以對我們的海量網(wǎng)絡(luò)數(shù)據(jù)設(shè)計或做有趣的實(shí)驗。2.系統(tǒng)功能Google搜索引擎有兩個重要功能，幫助它產(chǎn)生高精度的搜索結(jié)果。首先，應(yīng)用Web的鏈接結(jié)構(gòu)計算每個網(wǎng)頁的質(zhì)量等級值，這個等級稱為PageRank，將在98頁詳細(xì)描述它。第二點(diǎn)，Google利用超鏈接改進(jìn)搜索結(jié)果。2.1PageRank：帶來網(wǎng)頁排序網(wǎng)絡(luò)的引用(鏈接)圖形是重要的資源，卻沒有被現(xiàn)有的大多搜索引擎使用。我們建立了一個包含518百萬個超鏈接的圖，它是一個具有重要意義的樣本。這些圖能夠快速地計算網(wǎng)頁的PageRank值，它是一個客觀的標(biāo)準(zhǔn)，較好的符合人們主觀的對一個網(wǎng)頁重要程度的評價，由此對應(yīng)的是，PageRank值是一個較好的區(qū)分通過網(wǎng)絡(luò)搜索關(guān)鍵字獲得的結(jié)果的方法。建立的基礎(chǔ)是通過引用判斷重要性。對于大多數(shù)的主題，一個簡單的被限制為網(wǎng)頁標(biāo)題的文本匹配搜索當(dāng)使用PageRank區(qū)分時得到了極好的結(jié)果(從可以得到演示)。對于Google主系統(tǒng)中的全文搜索，PageRank也有很大的幫助。2.1.1PageRank計算的描述：文獻(xiàn)引用理論應(yīng)用到Web中，主要由引用或反向鏈接到給定頁來計數(shù)。這會反映了該網(wǎng)頁的重要性和質(zhì)量的近似值。PageRank擴(kuò)展了這種思想，不平等的計算所有頁面上的鏈接并且通過一個頁面上的所有鏈接。PageRank定義如下:我們假設(shè)頁面T1…Tn指向網(wǎng)頁A(例如，被引用)。參數(shù)d是一個設(shè)定在0，1之間的制動因子。我們通常設(shè)置d為0.85。在下一節(jié)有更多關(guān)于d的詳情，C(A)定義為網(wǎng)頁A指向其它網(wǎng)頁的鏈接數(shù)，網(wǎng)頁A的PageRank值由下式給出：PR(A)=(1-d)+d(PR(T1)/C(T1)+...+PR(Tn)/C(Tn))請注意PageRank涵蓋所有網(wǎng)頁的一個概率分布得來，因此所有網(wǎng)頁P(yáng)ageRank和是1。PageRank或PR(A)可使用一個簡單的迭代算法來計算，相應(yīng)對應(yīng)月網(wǎng)頁鏈接矩陣的主特征向量。中等規(guī)模的網(wǎng)站計算26萬網(wǎng)頁的PageRank值要花費(fèi)幾小時。還有一些技術(shù)細(xì)節(jié)超出了本文論述的范圍。2.1.2直覺的解釋PageRank被看作用戶行為的模型。我們假想一個“隨機(jī)上網(wǎng)者”；隨機(jī)地給他一個網(wǎng)頁；他漫無目的地命中網(wǎng)頁的鏈接，而從來不點(diǎn)“返回鍵”；最終他覺得煩了，又從另一個隨機(jī)的網(wǎng)頁從新開始。隨機(jī)訪問一個網(wǎng)頁的可能性就是它的PageRank值。制動因子d是隨機(jī)訪問一個網(wǎng)頁煩了的可能性，隨機(jī)另選一個網(wǎng)頁。對單個網(wǎng)頁或一組網(wǎng)頁，一個重要的變量加入到制動因子d中。這允許個人可以故意地誤導(dǎo)系統(tǒng)，以得到較高的PageRank值幾乎變成不可能的。我們還有其它的PageRank算法，見98頁。另外的直覺判斷是一個網(wǎng)頁有很多網(wǎng)頁指向它，或者一些PageRank值高的網(wǎng)頁指向它，則這個網(wǎng)頁很重要。直覺地，在Web中，一個網(wǎng)頁被很多網(wǎng)頁引用，那么這個網(wǎng)頁值得一看。一個網(wǎng)頁被象Yahoo這樣重要的主頁引用即使一次，也值得一看。如果一個網(wǎng)頁的質(zhì)量不高，或者是死鏈接，象Yahoo這樣的主頁不會鏈向它。PageRank處理了這兩方面因素，并通過網(wǎng)絡(luò)鏈接遞歸地傳遞。2.2鏈接描述文字我們的搜索引擎對鏈接文本進(jìn)行了特殊的處理。大多數(shù)搜索引擎把鏈接文字和它所鏈向的網(wǎng)頁聯(lián)系起來。另外，把它和鏈接所指向的網(wǎng)頁聯(lián)系起來。這有幾點(diǎn)好處。第一，通常鏈接描述文字比網(wǎng)頁本身更精確地描述該網(wǎng)頁。第二，鏈接描述文字可能鏈向的文檔不能被文本搜索引擎檢索到，例如圖像，程序和數(shù)據(jù)庫。有可能使返回的網(wǎng)頁不能被抓到。注意那抓不到的網(wǎng)頁將會帶來一些問題。在返回給用戶前檢測不了它們的有效性。這種情況搜索引擎可能返回一個根本不存在的網(wǎng)頁，但是有超級鏈接指向它。然而這種結(jié)果可以被挑出來的，所以此類的問題很少發(fā)生。鏈接描述文字是對被引用網(wǎng)頁的描述這個思想被用在WorldWideWebWorm中，主要因為它有助于搜索非文本信息，能夠用少量的已下載文檔擴(kuò)大搜索范圍。我們大量應(yīng)用鏈接描述文字，因為它有助于提高搜索結(jié)果的質(zhì)量。有效地利用鏈接描述文字技術(shù)上存在一些困難，因為必須處理大量的數(shù)據(jù)?，F(xiàn)在我們能抓到24萬個網(wǎng)頁，已經(jīng)檢索到259萬多個鏈接描述文字。2.3其它功能除了PageRank和應(yīng)用鏈接描述文字外，Google還有其他幾個功能。一，它有所有命中數(shù)的位置信息，所以它可以在搜索中廣泛應(yīng)用鄰近性。第二，Google跟蹤一些可視化外表細(xì)節(jié)，例如字的字體大小。更大的字的權(quán)重要高于其他的。第三，知識庫存儲了原始的全文html網(wǎng)頁。3相關(guān)的工作網(wǎng)絡(luò)檢索研究的歷史簡短。WorldWideWebWorm(WWWW)是最早的搜索引擎之一。后來出現(xiàn)了一些用于學(xué)術(shù)性的搜索引擎，現(xiàn)在它們中的大多數(shù)被上市公司擁有。與Web的增長和搜索引擎的重要性相比，有關(guān)當(dāng)今搜索引擎技術(shù)的優(yōu)秀論文相當(dāng)少。根據(jù)MichaelMauldin(LycosInc的首席科學(xué)家))，“各種各樣的服務(wù)(包括Lycos)非常關(guān)注這些數(shù)據(jù)庫的信息?！彪m然在搜索引擎的某些特點(diǎn)上做了大量工作。具有代表性的工作有，對現(xiàn)有商業(yè)搜索引擎的結(jié)果進(jìn)行傳遞，或建立小型的個性化的搜索引擎。最后有關(guān)信息檢索系統(tǒng)的研究很多，尤其在有組織機(jī)構(gòu)集合方面。在下面兩節(jié)，我們將討論在信息檢索系統(tǒng)中的哪些領(lǐng)域需要改進(jìn)以便更好的工作在Web上。3.1信息檢索信息檢索系統(tǒng)誕生在幾年前，并發(fā)展很好。然而，大多數(shù)信息檢索系統(tǒng)的研究針對的是受控制的同質(zhì)集合，例如，主題相關(guān)的科學(xué)論文或新聞故事。實(shí)際上，信息檢索的主要基準(zhǔn)，用小規(guī)模的、有組織結(jié)構(gòu)的集合作為它們的基準(zhǔn)。大型文集基準(zhǔn)只有20GB，相比之下，我們抓到的24萬個網(wǎng)頁占147GB。在TREC上工作良好的系統(tǒng)，在Web上卻不一定產(chǎn)生好的結(jié)果。例如，標(biāo)準(zhǔn)向量空間模型企圖返回和查詢請求最相近的文檔，把查詢請求和文檔都看作由出現(xiàn)在它們中的詞匯組成的向量。在Web環(huán)境下，這種策略常常返回非常短的文檔，這