目 录 第1章 搜索引擎及其技术架构 1 1.1 搜索引擎为何重要 1 1.1.1　互联网的发展 1 1.1.2 商业搜索引擎公司的发展 3 1.1.3 搜索引擎的重要地位 3 1.2 搜索引擎技术发展史 4 1.2.1 史前时代：分类目录的一代 4 1.2.2 第一代：文本检索的一代 5 1.2.3 第二代：链接分析的一代 5 1.2.4 第三代：用户中心的一代 5 1.3 搜索引擎的3个目标 6 1.4 搜索引擎的3个核心问题 7 1.4.1 3个核心问题 7 1.4.2 与技术发展的关系 8 1.5 搜索引擎的技术架构 9 第2章 网络爬虫 12 2.1 通用爬虫框架 12 2.2 优秀爬虫的特性 15 2.3 爬虫质量的评价标准 18 2.4 抓取策略 19 2.4.1 宽度优先遍历策略（Breath First） 20 2.4.2 非完全PageRank策略（Partial PageRank） 21 2.4.3 OCIP策略（Online Page Importance Computation） 23 2.4.4 大站优先策略（Larger Sites First） 23 2.5 网页更新策略 23 2.5.1 历史参考策略 24 2.5.2 用户体验策略 24 2.5.3 聚类抽样策略 24 2.6 暗网抓取（Deep Web Crawling） 26 2.6.1 查询组合问题 27 2.6.2 文本框填写问题 29 2.7 分布式爬虫 30 2.7.1 主从式分布爬虫（Master-Slave） 31 2.7.2 对等式分布爬虫（Peer to Peer） 31 本章提要 34 本章参考文献 34 第3章 搜索引擎索引 36 3.1 索引基础 36 3.1.1 单词—文档矩阵 37 3.1.2 倒排索引基本概念 37 3.1.3 倒排索引简单实例 39 3.2 单词词典 42 3.2.1 哈希加链表 42 3.2.2 树形结构 43 3.3 倒排列表（Posting List） 44 3.4 建立索引 45 3.4.1 两遍文档遍历法（2-Pass In-Memory Inversion） 45 3.4.2 排序法（Sort-based Inversion） 46 3.4.3 归并法（Merge-based Inversion） 49 3.5 动态索引 50 3.6 索引更新策略 51 3.6.1 完全重建策略（Complete Re-Build） 51 3.6.2 再合并策略（Re-Merge） 52 3.6.3 原地更新策略（In-Place） 55 3.6.4 混合策略（Hybrid） 57 3.7 查询处理 57 3.7.1 一次一文档（Doc at a Time） 58 3.7.2 一次一单词（Term at a Time） 59 3.7.3 跳跃指针（Skip Pointers） 60 3.8 多字段索引 62 3.8.1 多索引方式 62 3.8.2 倒排列表方式 63 3.8.3 扩展列表方式（Extent List） 64 3.9 短语查询 64 3.9.1 位置信息索引（Position Index） 65 3.9.2 双词索引（Nextword Index） 66 3.9.3 短语索引（Phrase Index） 67 3.9.4 混合方法 67 3.10 分布式索引（Parallel Indexing） 68 3.10.1 按文档划分（Document Partitioning） 69 3.10.2 按单词划分（Term Partitioning） 70 3.10.3 两种方案的比较 72 本章提要 73 本章参考文献 73 第4章 索引压缩 76 4.1 词典压缩 76 4.2 倒排列表压缩算法 78 4.2.1 评价索引压缩算法的指标 79 4.2.2 一元编码与二进制编码 79 4.2.3 Elias Gamma算法与Elias Delta算法 81 4.2.4 Golomb算法与Rice算法 81 4.2.5 变长字节算法（Variable Byte） 83 4.2.6 SimpleX 系列算法 84 4.2.7 PForDelta算法 86 4.3 文档编号重排序（DocID Reordering） 89 4.4 静态索引裁剪（Static Index Pruning） 93 4.4.1 以单词为中心的索引裁剪 94 4.4.2 以文档为中心的索引裁剪 96 本章提要 97 本章参考文献 97 第5章 检索模型与搜索排序 99 5.1 布尔模型（Boolean Model） 101 5.2 向量空间模型（Vector Space Model） 102 5.2.1 文档表示 102 5.2.2 相似性计算 104 5.2.3 特征权重计算 106 5.3 概率检索模型 108 5.3.1 概率排序原理 108 5.3.2 二元独立模型（Binary Independent Model） 110 5.3.3 BM25模型 113 5.3.4 BM25F模型 115 5.4 语言模型方法 116 5.5 机器学习排序（Learning to Rank） 119 5.5.1 机器学习排序的基本思路 120 5.5.2 单文档方法（PointWise Approach） 121 5.5.3 文档对方法（PairWise Approach） 122 5.5.4 文档列表方法（ListWise Approach） 123 5.6 检索质量评价标准 125 5.6.1 精确率与召回率 126 5.6.2 P@10指标 127 5.6.3 MAP指标（Mean Average Precision） 128 本章提要 129 本章参考文献 129 第6章 链接分析 131 6.1 Web图 131 6.2 两个概念模型及算法之间的关系 133 6.2.1 随机游走模型（Random Surfer Model） 133 6.2.2 子集传播模型 135 6.2.3 链接分析算法之间的关系 136 6.3 PageRank算法 137 6.3.1 从入链数量到PageRank 137 6.3.2 PageRank计算 138 6.3.3 链接陷阱（Link Sink）与远程跳转（Teleporting） 139 6.4 HITS算法（Hypertext Induced Topic Selection） 140 6.4.1 Hub页面与Authority页面 140 6.4.2 相互增强关系 141 6.4.3 HITS算法 142 6.4.4 HITS算法存在的问题 144 6.4.5 HITS算法与PageRank算法比较 145 6.5 SALSA算法 146 6.5.1 确定计算对象集合 146 6.5.2 链接关系传播 148 6.5.3 Authority权值计算 150 6.6 主题敏感PageRank（Topic Sensitive PageRank） 152 6.6.1 主题敏感PageRank与PageRank的差异 152 6.6.2 主题敏感PageRank计算流程 153 6.6.3 利用主题敏感PageRank构造个性化搜索 156 6.7 Hilltop算法 156 6.7.1 Hilltop算法的一些基本定义 157 6.7.2 Hilltop算法 158 6.8 其他改进算法 162 6.8.1 智能游走模型（Intelligent Surfer Model） 162 6.8.2 偏置游走模型（Biased Surfer Model） 163 6.8.3 PHITS算法（Probability Analogy of HITS） 163 6.8.4 BFS算法（Backward Forward Step） 163 本章提要 164 本章参考文献 164 第7章 云存储与云计算 166 7.1 云存储与云计算概述 167 7.1.1 基本假设 167 7.1.2 理论基础 168 7.1.3 数据模型 170 7.1.4 基本问题 170 7.1.5 Google的云存储与云计算架构 171 7.2 Google文件系统（GFS） 173 7.2.1 GFS设计原则 174 7.2.2 GFS整体架构 174 7.2.3 GFS主控服务器 176 7.2.4 系统交互行为 178 7.3 Chubby锁服务 179 7.4 BigTable 181 7.4.1 BigTable的数据模型 181 7.4.2 BigTable整体结构 183 7.4.3 BigTable的管理数据 184 7.4.4 主控服务器（Master Server） 186 7.4.5 子表服务器（Tablet Server） 187 7.5 Megastore系统 191 7.5.1 实体群组切分 192 7.5.2 数据模型 193 7.5.3 数据读写与备份 195 7.6 Map/Reduce云计算模型 195 7.6.1 计算模型 196 7.6.2 整体逻辑流程 197 7.6.3 应用示例 198 7.7 咖啡因系统——Percolator 199 7.7.1 事务支持 200 7.7.2 观察/通知体系结构 202 7.8 Pregel图计算模型 203 7.9 Dynomo云存储系统 206 7.9.1 数据划分算法（Partitioning Algorithm） 207 7.9.2 数据备份（Replication） 208 7.9.3 数据读写 208 7.9.4 数据版本控制 209 7.10 PNUTS云存储系统 210 7.10.1 PNUTS整体架构 211 7.10.2 存储单元 211 7.10.3 子表控制器与数据路由器 213 7.10.4 雅虎消息代理 213 7.10.5 数据一致性 214 7.11 HayStack存储系统 215 7.11.1 HayStack整体架构 216 7.11.2 目录服务 218 7.11.3 HayStack缓存 219 7.11.4 HayStack存储系统 219 本章提要 222 本章参考文献 222 第8章 网页反作弊 224 8.1 内容作弊 224 8.1.1 常见内容作弊手段 225 8.1.2 内容农场（Content Farm） 226 8.2 链接作弊 227 8.3 页面隐藏作弊 230 8.4 Web 2.0作弊方法 231 8.5 反作弊技术的整体思路 232 8.5.1 信任传播模型 233 8.5.2 不信任传播模型 234 8.5.3 异常发现模型 234 8.6 通用链接反作弊方法 236 8.6.1 TrustRank算法 237 8.6.2 BadRank算法 238 8.6.3 SpamRank 239 8.7 专用链接反作弊技术 240 8.7.1 识别链接农场 240 8.7.2 识别Google轰炸 241 8.8 识别内容作弊 241 8.9 反隐藏作弊 241 8.9.1 识别页面隐藏 241 8.9.2 识别网页重定向 242 8.10 搜索引擎反作弊综合框架 242 本章提要 244 本章参考文献 244 第9章 用户查询意图分析 246 9.1 搜索行为及其意图 246 9.1.1 用户搜索行为 246 9.1.2 用户搜索意图分类 248 9.2 搜索日志挖掘 250 9.2.1 查询会话（Query Session） 250 9.2.2 点击图（Click Graph） 251 9.2.3 查询图（Query Graph） 252 9.3 相关搜索 253 9.3.1 基于查询会话的方法 253 9.3.2 基于点击图的方法 254 9.4 查询纠错 255 9.4.1 编辑距离（Edit Distance） 256 9.4.2 噪声信道模型（Noise Channel Model） 257 本章提要 257 本章参考文献 258 第10章 网页去重 259 10.1 通用去重算法框架 261 10.2 Shingling算法 262 10.3 I-Match算法 265 10.4 SimHash算法 268 10.4.1 文档指纹计算 269 10.4.2 相似文档查找 270 10.5 SpotSig算法 272 10.5.1 特征抽取 272 10.5.2 相似文档查找 273 本章提要 274 本章参考文献 274 第11章 搜索引擎缓存机制 276 11.1 搜索引擎缓存系统架构 277 11.2 缓存对象 279 11.3 缓存结构 281 11.4 缓存淘汰策略（Evict Policy） 283 11.4.1 动态策略 284 11.4.2 混合策略 284 11.5 缓存更新策略（Refresh Policy） 285 本章提要 286 本章参考文献 287 第12章 搜索引擎发展趋势 288 12.1 个性化搜索 288 12.2 社会化搜索 290 12.3 实时搜索 291 12.4 移动搜索 293 12.5 地理位置感知搜索 294 12.6 跨语言搜索 296 12.7 多媒体搜索 298 12.8 情境搜索 299