大型网站之搜索系统

穆海明　齐斌　刘盼

摘 要：平时经常上网查阅资料的我们，对搜索一词一定会有非常深刻的印象，本篇文章主要说明寻找信息的一种形式：搜索。搜索是相当广阔、挑战性十足，而且众所周知的领域，本文将会浅谈搜索系统。主要把讨论内容限制在搜索系统的组成、何时该执行搜索系统，以及某些设计搜索界面和显示搜索结果的实施建议。虽然对于小型网站的搜索功能，涉及不到这样深远的一个话题，但通过这样的一个探讨，有利于对大型网站的设计和搜索系统的全面了解。

关键词：搜索系统；网站设计

1 选择要搜索什么

假设我们已经选择了一种搜索引擎。哪些内容应该做索引以供搜索？显然，把搜索引擎指向网站，告诉搜索引擎把它找到的每一份文件的全部文字都索引起来，这是搜索系统最大的价值：可以无所不包，有能力很快就包含很多的内容。但是，把每样东西都做索引，不见得能满足用户。在庞大而复杂的网站环境中，会含有异质的子网站和数据库，建立搜索区域可以减少这些风马牛不相及的效果，让用户能够集中他们的搜索；搜索区域中应包含较具有同质性的内容。选择要让什么可以搜索，是不应该受限于只选择正确的搜索区域的。对一群文件或记录而言，每一文件和记录都有某种结构，无论是以HTML、XML或数据库字段表示。这些结构会储存内容组件：就是内容的元素，通常比文件小。结构中某些东西可以被搜索引擎使用，如作者姓名；而某些可以被忽略掉，如每底端的法律声明。最后我们需要对什么内容是“好的”有感觉，可能会以手动或其他机制为有价值的内容贴上标签。当用于搜索时，应该先把“好”的东西展现出来，例如，电子商务网站上大部分的用户都在搜索的产品，这些产品就能视为默认的搜索对象，然后此搜索可以再扩展到全站，作为一个修订过的搜索选项。

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，也就是说，它们会比对用户的查询字符串与网站文件全文的索引，以寻找符合的文本字符串。找到吻合字符串时，来源文件就加进搜索集合中。所以，如果用户输入查询字符串“electric guitar”时，任何文件只要含有“electric guitar”，就会被检索出来。听起来相当简单，但是这个比对过程可以用很多不同方式运作，以产生不同的结果。有些算法传回很多的结果，而这些结果各有不同的相关性，有些算法只传回高质量的结果。变动范围的两个极端术语就是查全率和查准率。甚至还有公式可以计算他们：查全率=#检索出来的相关文件/#集合中的所有文件，查准率=#检索出来的相关文件/#集合中的相关文件。那么是否可以兼顾两者呢，可惜，鱼与熊掌不可兼得，考虑大到用户的利益，我们需要在两者间取得平衡，然后，根据选择一种搜索引擎，其算法是偏向查全率或者查准率视情况而定。

2.2 其他做法

当你有“好”文件在手上时，有些算法会把该文件转换得相当于一个查询（这种做法通常称为文件相似度）。例如“the”“is”“he”这些停用词会从好文件中抽掉，留下一组语义丰富的术语，足以代表文件即可。然后，这些术语会转换成一种查询字符串，而这种查询字符串可以让你检索出类似的结果。另一种做法展示那些已经使用相类似的元数据做过索引的结果。当然，一定还有其他的搜索算法，但重点是这些算法的主要目的是找出最好的文件集合作为搜索结果。但是，“最好”是相当主观的，而且必须了解什么人想在你的网站上找到什么。

3 分组结果

尽管我们可以用各种方式列出结果，却没有一种是完美的。像Google的混合式做法就很有希望，但是，通常必须介入搜索的设计工作，才可能拥有这样的工具。无论是哪种情况，我们的网站通常是越来越大，因此，搜索结果也会变大。同时，当用户放弃再看时，那些就只是理想中的。然而另一种替代排序和排名的做法看来是有希望的：依照某个共同的方面把结果聚集起来。当结果按类别和等级分组时，可以改善效果。我们怎么分组结果？可惜，明显的方式都没什么用：我们可以使用现有的元数据，诸如文件类型以及文件建立/修改日期，让我们把搜索结果分成几个组群。比较游泳的是从手工添加的元数据衍生出来的组群，诸如主题、用户、语言，以及产品家族。可惜，根据手工添加的做法会贵到吓人。有些自动化工具可以得到比较有用的主题类型组群，通常可以满足用户所需。这些组群为结果提供了情境，你可以选择你最感兴趣的目录，就能够浏览相当小的一群搜索集合，以及一群相同主题领域的文件（理想上）。这种做法很类似动态产生的搜索区域。

4 设计搜索界面

用户差异性大，搜索技术也花招百出，所以实在没有什么单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线图书馆目录和以CD-ROM为主的数据库中所采用的“传统”搜索引擎功能，这些传统系统多半提供给研究者、图书馆员及专业人士，而用户通常要懂得复杂语言才能使它们。在web的用户爆炸增长之后，全方位的搜索经验和专长下降到最低点，新生代的用户没那么多耐性。用户通常只会输入一两个术语，不会包含任何运算符，然后就按下“搜索”钮，并希望能得到最佳的结果。搜索引擎开发人员的做法是，把老式的花俏找事隐藏在“高级搜索”界面之中。由于以上理由，最终又会晃回老路，支持受到挫折的用户可以用更多的搜索语言，而且他们也愿意花时间学习复杂的搜索界面，并构造出查询字符串。但是就目前而言，假设最好的做法是让搜索界面尽可能简单，而这也是相当合理的。

参考文献：

[1] Peter Morville，Louis Rosenfeld（美）.Web信息架构[M].陈建勋，译.电子工业出版社，2013.

[2] Thomas H，Cormen Charles E，Leiserson Ronald L，Rivest Clifford Stein（美）.算法导论[M].殷建平，徐云，王刚，刘晓光，苏明，邹恒明，王宏志，译.机械工业出版社，2013.

作者简介：穆海明（1994—），男，天津人，沈阳理工大学学生。

齐斌（1994—），男，辽宁盘锦人，沈阳理工大学学生。

刘盼（1994—），男，山西运城人，沈阳理工大学学生。