39061

Поисково-информационные системы в сети Интернет (Google)

Доклад

Информатика, кибернетика и программирование

В первой фазе индексные сервера для каждого слова в запросе формируют список идентификаторов документов. Результирующий список документов определяется путем выделения общих идентификаторов документов для каждого слова и проставления весов оценка актуальности для каждого документа. Во второй фазе на основании списка идентификаторов документов сервера документов выдают информацию о названии документа ссылки на него URL краткого описания документа а также фрагменты текста содержащие ключевые слова поиска. Далее все слова из текста...

Русский

2013-09-30

52.5 KB

5 чел.

Поисково-информационные системы  в сети Интернет (Google) .

Современное понятие информационно-поисковой системы подразумевает сложнейший программно-аппаратный комплекс, механизмы работы которого являются коммерческой тайной компании-разработчика. С помощью специальных алгоритмов поисковые роботы собирают и индексируют информацию (заносят ее в базу данных, где она структурируется и располагается в определенном порядке). Когда пользователь вводит запрос в строку поиска, автоматически формируется обращение к базе данных. После этого система выдает в виде нумерованного списка наиболее релевантные (соответствующие запросу) документы. Сортировка документов (ранжирование) и присвоение им позиции в поисковой выдаче осуществляется на основе их значимости. Рассмотрим устройство поисковых машин на примере поисковика Google.

Google – это сложнейшая структура, состоящая из– миллионов физических серверов. Вся информация, которая на них хранится, надежно защищена и распределена по дата-центрам по всему миру. Современный дата-центр – это сотни серверов, объединенных в единую сеть, которые позволяют справляться с большим объемом запросов и высокой посещаемостью сервиса. Когда пользователь выполняет поиск, браузер отсылает HTTP запрос на один из кластеров Google. В дальнейшем вся обработка запроса осуществляться внутри кластера. Балансировщик нагрузки перенаправляет запрос на один из веб-серверов (Google Web Server, GWS). GWS играет главную роль в обработке запроса пользователя:

- отправляет запрос на проверку орфографии слов, используемых в запросе пользователя (spell-checking system)

- отправляет запрос на системы формирования рекламных блоков (ad-serving system)

- контролирует фазы поиска

- отвечает за формирование результатов

Поиск достаточно сложный процесс. Исходные данные (документы) могут занимать десяток, сотни терабайт, если не петабайты. Размеры индексов для этих данных занимают не меньше, это терабайты данных. Работа с такими объемами данных требует больших вычислительных мощностей. К счастью поиск по индексам легко поддается распараллеливанию. Индекс разбивается на части и распределяется между узлами кластера. Каждый узел отвечает за поиск по данным, находящимся локально на дисках. Тоже самое происходит и с документами. В зависимости от того, какие данные (индекс или документы) хранит узел и характеризует, какую роль он будет выполнять - индексный сервер или сервер документов.

Выполнение запроса делится на две фазы. В первой фазе индексные сервера для каждого слова в запросе формируют список идентификаторов документов. Результирующий список документов определяется путем выделения общих идентификаторов документов для каждого слова и проставления весов (оценка актуальности) для каждого документа. Величина веса документа определяет порядок, в котором документы будут представлены в результате.

Во второй фазе, на основании списка идентификаторов документов, сервера документов выдают информацию о названии документа, ссылки на него (URL), краткого описания документа, а также фрагменты текста, содержащие ключевые слова поиска.

Результирующие данные о документах возвращаются на GWS, где и формируется окончательное представление искомой информации в формате HTML.

Для удобства обработки данных поисковая система заносит все найденные в интернете страницы в индекс с помощью своих специальных программ, которые помогают сжать их объемы для оптимального хранения. Чтобы понимать, за счет чего возможно сокращение объема информации, необходимо знать, как документ представляется в поисковой системе.

Сначала происходит очистка страницы от различных нетекстовых элементов, таких как графика, HTML-теги и т.п. В результате остается «чистый» текст для дальнейшей обработки.

Далее все слова из текста располагаются в алфавитном порядке, а все элементы, которые словами не являются (пробелы, знаки препинания и прочее), отбрасываются. При этом поисковая машина не заносит в индекс слова в той форме, в которой они приведены в тексте. С помощью алгоритма лингвистической обработки все слова приводятся к начальным грамматическим формам или основам. Это позволяет сократить место в индексе и сделать поиск более точным. Из обработанных основ составляется подобие словаря, где указывается адрес страницы и конкретное место расположения каждой основы (номер вхождения). В поисковом индексе хранятся только номера основ, а сами основы располагаются отдельно. Если на странице находится несколько вхождений одного слова, то в индексе указывается номер этой страницы и все вхождения этого слова на ней. Получается что-то вроде обратной копии всех страниц интернета. Ее называют инверсным или инвертированным индексом.

Поисковая машина сохраняет и прямой индекс. Прямой индекс представляет собой сжатую текстовую копию всех страниц интернета. Это значительно экономит время, например, при показе цитат. Сохраненная копия сайта – это страницы в прямом индексе поисковой системы.

В результате лингвистической обработки тот запрос, который вводит пользователь, и тот, который обрабатывается поисковой системой, сильно отличаются друг от друга

Язык, на котором сформулированы запросы к поисковым машинам, называется информационно-поисковым, или языком поисковых запросов.

Информационно-поисковый язык состоит из логических операторов, морфологии языка, регистра слов, префиксов обязательности, возможности учета расстояния между словами и расширенного поиска. Подобное представление запроса помогает быстрее ориентироваться в индексных базах.

Синтаксис языка поисковых запросов может изменяться в зависимости от особенностей конкретной поисковой машины. Но есть определенные правила, которые используют все. Рассмотрим наиболее распространенные из них:

Оператор

Назначение

« »

Пробел - логическое «И», даёт команду для Гугла на поиск всех слов, разделённых пробелом.

OR

Логическое «ИЛИ» позволяет найти несколько вариантов слов или выражений. Ему соответствует символ «|».

+

Знак Плюс заставит Google обязательно учесть слово, перед которым он стоит, при обработке запроса.

-

Минус - логическое «НЕ». Даёт поисковику команду на исключение этого слова из результатов поиска

«»

Двойные кавычки позволяют найти только то выражение, которое в них содержится.

~

Спецсимвол «~» дает Google команду искать не только указанное слово, но и его синонимы

*

Знак умножения заменяет одно слово. Можно указать сколько может быть разных слов между искомыми.

..

Две точки применяются при поиске числовых значений. Производится поиск диапазонов между числами «от - до»

filetype

Оператор даёт возможность указать тип файла, в  котором должны находится слова выбранные для поиска.

site

Ограничивает поиск слов, которые стоят перед оператором, указанным доменом или сайтом.

Поисковые системы постоянно развиваются и, конечно, не ограничиваются поиском только по словам из запроса. Чтобы учесть все возможные варианты ответа на запрос пользователя, Google расширяет исходный текст, введенный в строку поиска. Он добавляет другие формулировки с тем же значением и ведет поиск уже по новому запросу.

Используя язык запросов поисковой системы, можно находить необходимую информацию за максимально короткое время. Знание языка поисковых запросов также дает возможность анализировать выдачу с различных сторон.

Так же поисковые системы постоянно оценивают качество результатов поиска и вносят необходимые поправки в алгоритм. Так, в Google идут активные разработки персонализированного поиска, основанного на данных о предпочтениях пользователя.

Среди основных критериев оценки выдачи выделяются:

скорость поиска – как быстро пользователь получает ответ на свой вопрос, поскольку время ожидания значительно влияет на лояльность пользователей;

полнота ответа – все ли ответы представлены, поскольку часть запросов имеет более одного значения, а другие запросы направлены на получение нетекстовой информации;

точность ответа – полностью ли отвечают на вопрос пользователя документы, присутствующие в результатах поиска.

На скорость работы поисковых систем часто влияет архитектура и логика машины, поэтому результаты кэшируются, поиск идет параллельно по дата-центрам, данные дублируются. Полноту ответа отрабатывают алгоритмы, учитывающие синонимию, омонимию, аббревиатуры и др. За точность отвечают специальные механизмы. Также важно, чтобы предлагаемая информация была актуальной, а подчас свежей, что обеспечивается быстрым роботом.

Используя, синтаксис поисковых запросов найти следующую информацию:

  1.  найти по запросу "купить авто" сайты, которые продают автомобили. При этом в выдаче должны подсвечиваться не только слова, встречающиеся в запросе, но и их синонимы.( ~"купить авто")
  2.  посмотреть сколько страниц сайта tsu.tula.ru, проиндексировано поисковыми роботами Google (site:tsu.tula.ru)
  3.  найти ссылки на страницы для скачивания различных дистрибутивов Linux, за исключением Suse (скачать linux -suse)
  4.  найти все кинопремии Оскар с 2004 по 2007 год (Оскар 2004..2007)
  5.  найти страницы, в которых встречается слово рынок или базар (рынок OR базар)
  6.  как можно найти в поиске сайт ТулГу, если вы помните только часть домена tula.ru (*tula.ru)
  7.  найти справочник по справочник по с++  в формате pdf (справочник по с++ filetype:pdf.)


 

А также другие работы, которые могут Вас заинтересовать

54636. Історія в літературі рідного краю. (Зустріч із письменницею Ольгою Хало) 70 KB
  Мета: через призму ліри О.Хало познайомити учнів з історією рідного краю; виховувати почуття патріотизму, поваги до історичної минувшини лубенської землі. Обладнання: виставка творів О.Хало, ілюстрації до її творів, проектор, магнітофон.
54637. Олимпийские игры 41.5 KB
  Если у названного животного длинный хвост игроки поднимают правую руку и машут ею если же хвоста нет или он короткий игроки хлопают. Лошадь длинный коза короткий корова длинный лиса длинный заяц короткий овца короткий тигр длинный медведь короткий свинья короткий осёл длинный белка длинный.
54638. Урок – путешествие на Олимп 43 KB
  Трагедия с греческого переводиться как Афинский район Керамик дал название Пантикапей это современная Эгейское море назвали в честь царя Во время Марафонской битвы греки сражались с Правление Перикла называют золотым Сколько подвигов совершил Геракл Кого не допускали на Афинское собрание...
54639. Формирование компетентности продуктивной творческой деятельности у учащихся по информатике путем решения олимпиадных задач 155.99 KB
  Программа решения данной задачи в среде TurboPscl может быть такой: Vr mnzsxmxmin: integer; begin z:=0; writeln‘Введи количество конфет одной разновидности и количество конфет другой; redlnmn; if n m then begin mx:=n; min:=m end else begin mx:=m; min:=n end; for x:=1 to mx do begin if mx mod x=0 then begin s:=mx div x; if min mod s=0 then if s 1 then begin writeln‘Коробок с одинаковым набором конфет может быть:; writelns штук; z:=1 end; end; end; if z=0 then writeln‘Конфеты можно поместить только в одну коробку; redln...
54640. Ми – майбутні олімпійці 49 KB
  Ведучий: Добрий день любі друзі шановні вболівальники. Ведучий: А зараз я вам представляю учасників сьогоднішнього свята Ведучий: Прошу команд привітати одна одну. Ведучий: Отже команди увага старт Ведучий: Оголошуємо перший конкурс. Ведучий:.
54641. Гурток з історії «Олімп» 217.5 KB
  З одного боку такий склад стимулює діяльність учнів які лише починають вивчати предмет бо старшокласники демонструють вже сформовані за роки навчання вміння навики допомагають молодшим учням з іншого боку можуть виникати проблеми повязані з часом бо у старшокласників закінчуються заняття значно раніше ніж в учнів 56 класів. Планування історичного гуртка Олімп Тема заняття Блок 1 1. Організаційне заняття 2. Підсумкове заняття...
54642. Вперед олімпійці. Позакласний захід 51 KB
  Розвивати руховий апарат, фізичні вміння учнів. Впроваджувати елементи класичної аеробіки в систему фізичного виховання. Сприяти розвитку уваги, дисциплінованості, кмітливості. Виховувати у учнів любов до фізичної культури та свідоме ставлення до здорового способу життя.
54643. Единый Всеукраинский Олимпийский урок 227.5 KB
  1 ведущая: 28 веков над землёй пронеслись И теперь до сих пор Слышен стук колесниц Праздник спорта живёт И огонь не погас Олимпийские игры Славит Пегас 2 ведущий: В живописной долине Средь статуй Богов Собирались атлеты Элитных кругов И спортивная песня От века до века Захватила и скифа и тавра и грека Греческий танец исполняют учащиеся 1011классов 1 ведущая: Но до...
54644. Розв'язування вправ та задач на додавання, віднімання та множення натуральних чисел 185.5 KB
  Цього разу щоб отримати підказку вам необхідно розвязати таке завдання на картці. Молодці Отримуйте свою відгадку Катерина Серебрянська художня гімнастика 1996 рік літня олімпіада Лілія Підкопаєва спортивна гімнастика 1996 рік літня олімпіада Рустам Шарипов спортивна гімнастика 1996 рік літня олімпіада Хто же наступний Візьміть аркуш який лежить у кожного на парті. Розв'язання: 28  45 1260 114 448  25 1374 11200 12574 Відповідь: 12574 Тимур Таймазов важка атлетика 1996 рік літня олімпіада Розвяжемо...