五分钟了解搜索原理

　

本篇文章是对于搜索系统工作原理一个整体的介绍，对于原理的理解，是设计系统举重若轻的基础。

1. 信息和信息量

在介绍搜索之前，先介绍两个概念：信息和信息量。

（采用的均是自以为比较通俗易懂的解释，如果感兴趣可以读相关书籍）

1.1 信息是减少不确定性的东西，信息也是增加确定性的东西。

前半句是香农信息定义，后半句是逆香农信息定义。举个栗子，回想下，和一个异性交往的过程。在你遇到TA之前，你不知道这个世界上有这个人的存在，后来你看到了TA的样子，后来你了解了TA的性格、口头禅，往事。然后一步一步，你对TA从丝毫不了解，到逐渐熟识。这期间就是一个你不停获取TA信息的过程，正是这些信息，让你从完全不确定TA是怎样的人，到完全确定TA很适合你。

1.2 信息量是一个信息能减少不确定性的度量，信息量也是一个信息能增加确定性的度量。

关于信息量，有很多数学的描述，但是通俗来讲，可以这么简单理解。举个栗子，证人描述嫌疑犯。A证人的信息是“他是个男人”。B证人的信息是“TA是个高中男生”，C证人的信息是“TA是个长发170摆布的高中生。”D证人的信息是“我认识他，他是学校的扛把子陈浩南”。我们直觉能感受到信息量的大小关系为：A

翻译为计算机可以理解的数学逻辑：本地男人的比例是50%，本地高中男生的比例为8%，本地长发170摆布的高中男生的比例是4%，本地叫陈浩南的扛把子的比例是0.0001%。因为P（A）>P（B）>P（C）>P（D），所以信息量的大小关系为：A

2. 搜索的产品逻辑

搜索满足了用户迅速找到本身感兴趣内容的需求。用户输入一个query，搜索系统按照用户的输入的信息，筛选出系统认为用户感兴趣的内容，同时根据系统认定的重要性进行排序展示。请注意这个表述，简单而言，搜索可以分为三步。

Step1：对用户输入信息的解读Step2：按照用户输入信息对内容进行筛选Step3：对筛选后的结果进行排序

而要了解这三步怎么在搜索系统中完成，就需要先了解搜索的办事器怎么存储信息。

3. 搜索数据的存储原理

上一张图，假设我们做了一个新闻网站，那么它的结构就是下图。内容进行了简化，假设一个新闻，文本只有标题，导语，正文。数据只有阅读量，评论数，分享数。

图1-1

差不久不多就是上图右边的这种结构。右边标识的是新闻内容的存储：就像图书馆的书一样，整整齐齐按挨次排好，便利查找（这个存储结构的名字叫做索引，就是来自于图书馆的用语）。左边是词库：只要一次搜索的输入词能匹配到词库，就可以快速的查找词库到对应的内容。

每个搜索系统都有本身的词库，无法对应到分词的搜索行为就会没有结果。每个搜索系统都会按照目标用户的差别，有对应的一套词库，就像字典一样，《冶金专业词典》和《生物学大辞典》收录的词条是差别的，知乎的词库和淘宝的词库也差别。搜索的很多优化都是集中在词库的优化上。

简单总结下，搜索的存储原理就是：一个系统词库，一个摆列整齐的内容索引库，同时系统词库和内容索引库之间可以快速关联。

在这个搜索系统的储存结构的基础上，我们提到的搜索三步骤将依次展开。

4. Step1：对用户输入信息的解读

前面提到，搜索的词库是有限的，但是用户的输入却是没有限制的。那么怎么把无限制的搜索转化为有限的词库，而且匹配到对应的结果呢？这里需要介绍一个新的概念：分词，简单来说就是对输入字符串进行分拆。

同样以【图1-1】中的新闻搜索系统为例。如果用户输入的query为“中国的转基因食物”，系统中其实没有这个词。如果没有分词功能，这个搜索就会立即结束，，即使系统里确实有对应的内容。分词的工作原理是在无法精确匹配的情况下，会对用户的输入进行进一步的拆分。于是我们得到了下面的结果。

“中国的转基因食物”——“中国”、“的”、“转基因”、“食物”。

并不是所有的词都有信息量，如果召回“的‘’的结果，那么几乎所有的新闻内容里面都会有这个字，召回这么多结果显然是分歧错误的。好比这个query里的“的”，这个词实际上在分词系统中会被直接忽略掉。正是因为出现在内容中的概率差别，一个词出现的新闻越多，这个词的信息量就越小，信息量太小的词会被忽略，也就是停用词。同时包罗信息量越大的词的新闻内容，会更更要。那么去掉停用词之后，结果就进一步简化。

“中国的转基因食物”——“中国”、“转基因”、“食物”。

经过处理，用户非尺度的query就被转化为尺度的词库，就可以快速找到对应的内容了。如【图1-1】所示。

5. Step2：按照用户输入信息对内容进行筛选

经过对用户的query解读之后，其实就得到了一些尺度化的词，而这些词就会对应一些搜索目标内容，接下来就是对于内容的筛选。