搜索官方的一篇相关性文章分享


议程

  • 概述
  • 检索词
  • 用户的信息需求
  • 网页的自有信息
  • 网页的附属信息
  • 相关性的计算框架
概述
  • 相关性的表象
  •  
    • 检索词与被检索网页的相关联程度
  • 相关性的真实意义
  •  
    • 用户信息需求与结果网页所提供的信息的重合度
  • 相关性涉及的因素
  •  
    • 检索词
    • 用户信息需求
    • 网页自有信息
    • 网页附属信息
    • 检索结果的显示方式
  • 网页与普通文本的不同:异质性
  •  
    • 来源不单一
    •  
      • 新闻记者
      • 研究人员
      • 商业人士
      • 个人
    • 用途不单一
    •  
      • 新闻
      • 商业及产品信息
      • 个人爱好
      • 娱乐信息
      • 研究及学术信息
    • 产生方式多样化
    •  
      • 手工及发布系统
      • 动态与静态
      • 时效性:不同时间产生
      • 动态性:可随时间变化
    • 欺骗与造假
检索词
  • 语义
  •  
    • 实体名
    •  
      • 人名
      • 地名
      • 公司及机构名
      • 商品及服务名
      • 其他专有名词名
    • 普通名词
    • 其他类别名
    • 其他
  • 信息格式
  •  
    • 语种
    • 结构化,非结构化
  • 信息类别
  •  
    • 研究信息
    • 商品及服务信息
    • 宗教文化
    • 娱乐信息
    • 新闻
    • 个人信息
  • 检索词格式
  •  
    • 数值
    • 布尔运算(AND, OR, NOT)
    • 特殊语法(网站检索,类别检索,filetype,linkto)
    • Rank Query
检索词 - 相关性处理
  • 实体名的判定用于网站首页加权
  • 检索词分类用于与网站网页分类结合加权
  •  
    • 信息类别的分类与统计
    • 行业与地域的分类与统计
    • 检索格式的分析
    •  
      • 单语素与多语素
      • AND检索的研究
    • 网页分类两种体系
    •  
      • 按网页结构信息分类(主页,频道页,检索页,错误页,租用页…)
      • 按网页内容主题分类(体育,保健,娱乐,教育..)
用户的信息需求

  • 检索任务的多样性
  •  
    • 确定的特定信息的查询
    • 知识获取式的浏览
    • 目的不明确的浏览:在过程中形成目的
  • 检索词的语义多样性
  • 检索范围的不确定性
  •  
    • 信息种类
    • 行业,地域,等等
  • 检索成功的标准不一
  •  
    • 实体名,有特定网站,- 导航型查询
    • 实体名,无特定网站,有相关网站 - 事务型查询
    • 一般信息,无网站信息,许多网页提及 - 信息型查询
    • 一般信息,无网站信息,很少网页提及 - 信息型查询
  • 个人知识结构与兴趣
  • 个人的信息精确性和多样性要求程度
用户的信息需求- 相关性设计

  • 结果首页尽量显示多个类型的网页
  • 功能,多分类和垂直搜索结果整合设计
  • 个性化排序设计
  • 检索日志的后台分析
  • 用户行为数据挖掘
网页的自有信息(属性)
  • 文本信息:字,词,短语,句子,段落,篇章
  • 文本特征信息
  •  
    • 标题
    • 正文
    • 文章长度
    • 知识量
    • 其他特征:黑体,链接,等等
  • 结构信息
  •  
    • 导航(一级导航,二级导航。。。)
    • 广告(文字链,banner)
    • 图片
    • 引用(博客,论坛),
    • 版权说明等等
  • 语义信息
  •  
    • 文章类型:综述/细节,新闻,科技与研究,个人,特种文件链接
    • 地域信息
    • 行业信息
  • 语种信息
网页的自有信息 - 相关性设计
  • 切词一致性与准确性
  •  
    • 正文内容的歧义消解,未登录词识别
    • 查询词切分和正文切分的一致性问题处理
  • 文本特征提取与权重指定
  •  
    • 标题的准确性
    •  
      • 标题提取规则:URL,标题等
      • 实际标题
    • 标题的真实性
    •  
      • 标题长度截取
      • 标题验证去除人工错误
      • 标题作弊判别
      • 无正文的标题处理
    • 正文的准确性
    •  
      • 广告文字
      • 网页模板文字
      • iframe处理
      • js 内容处理
    • 正文的真实性
    •  
      • 语义tag的引入
      • 特征tag的权重和调整
    • 文章长度的调整系数
    •  
      • 对超长文章的修正
      • DOC,PPT,PDF处理
网页的自有信息 - 相关性设计
  • 结构信息提取与处理
  •  
    • 首页和频道首页的识别和标记,将使用网站PR
    • 导航区的统计,识别和标记
      用于首页识别,链接将不参与PR及外部锚文本的计算
    • 网站附属页的统计,识别和标记
      赋予网站相关的PR, 链接将不参与PR及外部锚文本的计算
    • 广告链接的统计,识别和标记,将不参与PR及外部锚文本的计算
  • 内容分析
  •  
    • 通过特征统计结合手工方式进行网站分类
    • 文章类型信息:新闻页的特殊标记
    • 地域信息
    • 行业及其他分类信息
    • 中英文比例调整
网页的附属信息(属性)
  • 网页本身的附属信息
  •  
    • URL:长度与级数,动态与静态
    • 产生时间
    • 网页文件大小
    • 可连接程度
    •  
      • 连通率
      • 死链情况
  • 内容的稳定性:
  •  
    • 更新周期
    • 生命周期
  • 所属域名及网站特性
  •  
    • 类别
    • 权威性
  • 网页由环境所产生的附属信息
  •  
    • 在网站内的重要性:首页,频道,外部被链接数量
    • 全局权威性:被别人的认可程度
    • 时效性:距今时间
    • 真实性:实际内容信息与文本和附属信息的吻合度
    • 重复性:与其他网页内容的重合度
    • 信息内容和质量:别人对内容的认可程度
    •  
      • 用户的评价
      • 深度和广度
网页的附属信息-相关性处理
  • 时间信息参与排序
  •  
    • 新闻页的倒排: 强影响
    • 网页的时间因素:弱影响
    • 不影响首页和频道首页
  • 连通率与更新率参与排序
  •  
    • 弱连通的减权
    • 死链的减权
    • 更新频度参与减权
  • 网站特性
  •  
    • 网站分类与检索词的吻合提高相关性
    • 网站真实性参与相关性计算:
    •  
      • 作弊连接网站的黑名单(Link Farm)
      • TrickRank
  • 网站重要性:
  •  
    • 网站DR(Domain Rank)
    • Block PR
  • 计算站内PR,网站分别计算
  • 计算站外PR,不考虑站内链
  • 排重和保留
  •  
    • 镜像列表: PR和外部锚文本的传递
    • 首页排重规则
    • 内容排重规则
    • 跳转的类型和规则: PR和外部锚文本的传递
  • 外部锚文本的真实性
  •  
    • 链接交换网站黑名单
    • 正文验证去躁

相关性的计算框架
  • 主要设计模式
  •  
    • 有公式-相关性排序
    • 无公式人工神经网络(MLR)
  • 针对检索词和用户信息需求综合分析确定策略
  • 人工和程序结合提高网页自有信息的提取和处理能力
  • 提高锚文本包含的词质量,防止作弊
  • PR,DR,TR结合,提高网页权威性判定质量,保证首页,索引页靠前
  • 增加网页附属信息参与排序
  • 增加各因素之间的交叉验证
  • 对部分高频词做手工调整(homony)
相关性排序的周边技术
  • 下载
  • 正文分析
  • 切词
  • 手工与程序分类
  • PR,DR,TR计算
  • 锚文本词处理
  • 遗传算法训练排序因子
预约SEO专家添加微信号:2277679694 免费领取SEOVIP内部教程

TAG标签: 搜索引擎 相关性

文章标题:搜索官方的一篇相关性文章分享

转载注明出处:http://www.iltyx.com/peixun/20180801736.html

说点什么吧
  • 全部评论(0
    还没有评论,快来抢沙发吧!