大型網站之搜索系統

穆海明　齊斌　劉盼

摘 要：平時經常上網查閱資料的我們，對搜索一詞一定會有非常深刻的印象，本篇文章主要說明尋找信息的一種形式：搜索。搜索是相當廣闊、挑戰性十足，而且眾所周知的領域，本文將會淺談搜索系統。主要把討論內容限制在搜索系統的組成、何時該執行搜索系統，以及某些設計搜索界面和顯示搜索結果的實施建議。雖然對于小型網站的搜索功能，涉及不到這樣深遠的一個話題，但通過這樣的一個探討，有利于對大型網站的設計和搜索系統的全面了解。

關鍵詞：搜索系統；網站設計

1 選擇要搜索什么

假設我們已經選擇了一種搜索引擎。哪些內容應該做索引以供搜索？顯然，把搜索引擎指向網站，告訴搜索引擎把它找到的每一份文件的全部文字都索引起來，這是搜索系統最大的價值：可以無所不包，有能力很快就包含很多的內容。但是，把每樣東西都做索引，不見得能滿足用戶。在龐大而復雜的網站環境中，會含有異質的子網站和數據庫，建立搜索區域可以減少這些風馬牛不相及的效果，讓用戶能夠集中他們的搜索；搜索區域中應包含較具有同質性的內容。選擇要讓什么可以搜索，是不應該受限于只選擇正確的搜索區域的。對一群文件或記錄而言，每一文件和記錄都有某種結構，無論是以HTML、XML或數據庫字段表示。這些結構會儲存內容組件：就是內容的元素，通常比文件小。結構中某些東西可以被搜索引擎使用，如作者姓名；而某些可以被忽略掉，如每底端的法律聲明。最后我們需要對什么內容是“好的”有感覺，可能會以手動或其他機制為有價值的內容貼上標簽。當用于搜索時，應該先把“好”的東西展現出來，例如，電子商務網站上大部分的用戶都在搜索的產品，這些產品就能視為默認的搜索對象，然后此搜索可以再擴展到全站，作為一個修訂過的搜索選項。

2 搜索算法

2.1 模式匹配算法

大部分搜索算法采用匹配的方法，也就是說，它們會比對用戶的查詢字符串與網站文件全文的索引，以尋找符合的文本字符串。找到吻合字符串時，來源文件就加進搜索集合中。所以，如果用戶輸入查詢字符串“electric guitar”時，任何文件只要含有“electric guitar”，就會被檢索出來。聽起來相當簡單，但是這個比對過程可以用很多不同方式運作，以產生不同的結果。有些算法傳回很多的結果，而這些結果各有不同的相關性，有些算法只傳回高質量的結果。變動范圍的兩個極端術語就是查全率和查準率。甚至還有公式可以計算他們：查全率=#檢索出來的相關文件/#集合中的所有文件，查準率=#檢索出來的相關文件/#集合中的相關文件。那么是否可以兼顧兩者呢，可惜，魚與熊掌不可兼得，考慮大到用戶的利益，我們需要在兩者間取得平衡，然后，根據選擇一種搜索引擎，其算法是偏向查全率或者查準率視情況而定。

2.2 其他做法

當你有“好”文件在手上時，有些算法會把該文件轉換得相當于一個查詢（這種做法通常稱為文件相似度）。例如“the”“is”“he”這些停用詞會從好文件中抽掉，留下一組語義豐富的術語，足以代表文件即可。然后，這些術語會轉換成一種查詢字符串，而這種查詢字符串可以讓你檢索出類似的結果。另一種做法展示那些已經使用相類似的元數據做過索引的結果。當然，一定還有其他的搜索算法，但重點是這些算法的主要目的是找出最好的文件集合作為搜索結果。但是，“最好”是相當主觀的，而且必須了解什么人想在你的網站上找到什么。

3 分組結果

盡管我們可以用各種方式列出結果，卻沒有一種是完美的。像Google的混合式做法就很有希望，但是，通常必須介入搜索的設計工作，才可能擁有這樣的工具。無論是哪種情況，我們的網站通常是越來越大，因此，搜索結果也會變大。同時，當用戶放棄再看時，那些就只是理想中的。然而另一種替代排序和排名的做法看來是有希望的：依照某個共同的方面把結果聚集起來。當結果按類別和等級分組時，可以改善效果。我們怎么分組結果？可惜，明顯的方式都沒什么用：我們可以使用現有的元數據，諸如文件類型以及文件建立/修改日期，讓我們把搜索結果分成幾個組群。比較游泳的是從手工添加的元數據衍生出來的組群，諸如主題、用戶、語言，以及產品家族?？上?，根據手工添加的做法會貴到嚇人。有些自動化工具可以得到比較有用的主題類型組群，通?？梢詽M足用戶所需。這些組群為結果提供了情境，你可以選擇你最感興趣的目錄，就能夠瀏覽相當小的一群搜索集合，以及一群相同主題領域的文件（理想上）。這種做法很類似動態產生的搜索區域。

4 設計搜索界面

用戶差異性大，搜索技術也花招百出，所以實在沒有什么單一化的理想搜索界面。在web早起，很多搜索引擎都是在模仿在線圖書館目錄和以CD-ROM為主的數據庫中所采用的“傳統”搜索引擎功能，這些傳統系統多半提供給研究者、圖書館員及專業人士，而用戶通常要懂得復雜語言才能使它們。在web的用戶爆炸增長之后，全方位的搜索經驗和專長下降到最低點，新生代的用戶沒那么多耐性。用戶通常只會輸入一兩個術語，不會包含任何運算符，然后就按下“搜索”鈕，并希望能得到最佳的結果。搜索引擎開發人員的做法是，把老式的花俏找事隱藏在“高級搜索”界面之中。由于以上理由，最終又會晃回老路，支持受到挫折的用戶可以用更多的搜索語言，而且他們也愿意花時間學習復雜的搜索界面，并構造出查詢字符串。但是就目前而言，假設最好的做法是讓搜索界面盡可能簡單，而這也是相當合理的。

參考文獻：

[1] Peter Morville，Louis Rosenfeld（美）.Web信息架構[M].陳建勛，譯.電子工業出版社，2013.

[2] Thomas H，Cormen Charles E，Leiserson Ronald L，Rivest Clifford Stein（美）.算法導論[M].殷建平，徐云，王剛，劉曉光，蘇明，鄒恒明，王宏志，譯.機械工業出版社，2013.

作者簡介：穆海明（1994—），男，天津人，沈陽理工大學學生。

齊斌（1994—），男，遼寧盤錦人，沈陽理工大學學生。

劉盼（1994—），男，山西運城人，沈陽理工大學學生。