搜索引擎技术基础PDF电子书下载

第1章 为什么要关注搜索引擎 1

1.1 互联网上最重要的应用系统 1

1.2 人类历史上最大规模的信息集散平台 2

1.3 学术界重要的技术研发平台 3

1.4 经济领域能够盈利的“生意” 4

第2章 搜索引擎的基本概念与发展历史 6

2.1 互联网与万维网的发展 6

2.2 英雄辈出：搜索引擎的发展历史回顾 11

2.3 搜索引擎的定义与运行原理概述 15

2.4 总结：我们能够从历史中学到什么？ 17

参考文献 18

第3章 搜索引擎性能评价 20

3.1 搜索引擎评价与Cranfield评价体系 22

3.2 查询样例集合构建 24

3.2.1 查询样例集合构建中的真实性 24

3.2.2 查询样例集合构建中的代表性 26

3.2.3 查询样例集合构建中信息需求表述的完整性 27

3.3 正确答案集合构建 31

3.4 搜索引擎评价指标 34

3.5 搜索引擎性能评价的新进展 39

参考文献 42

第4章 搜索引擎体系结构概述 44

4.1 数据抓取子系统的主要功能与性能需求 46

4.1.1 及时性 47

4.1.2 全面性 50

4.1.3 高效性 51

4.2 内容索引子系统的主要功能与性能需求 54

4.2.1 内容索引子系统的主要功能 54

4.2.2 倒排索引结构 55

4.2.3 内容索引子系统的性能需求 57

4.3 内容检索子系统的主要功能与性能需求 60

4.3.1 内容检索子系统与文本信息检索系统 60

4.3.2 内容检索子系统的相关性需求 62

4.3.3 内容检索子系统的查询理解需求 64

4.3.4 内容检索子系统的效率需求 67

4.4 链接结构分析子系统的主要功能与性能需求 68

4.4.1 基于链接结构分析评价数据质量 68

4.4.2 基于链接结构分析扩展文档描述 69

4.4.3 链接结构分析子系统的效率需求 71

4.5 搜索引擎体系结构设计理念 72

参考文献 73

第5章 数据抓取子系统设计及核心算法 75

5.1 抓取系统的基本架构 75

5.2 数据抓取涉及的网络协议 77

5.2.1 URL规范 77

5.2.2 HTTP协议 78

5.2.3 User－Agent 79

5.2.4 robots协议 80

5.3 网页抓取技术 81

5.3.1 网页抓取的基本过程 81

5.3.2 基于异步I／O模型的抓取器 82

5.3.3 抓取压力控制 84

5.3.4 对URL重定向的支持 84

5.3.5 对HTTPS协议的支持 85

5.4 链接选取策略 86

5.4.1 爬虫的抓取方式 86

5.4.2 抓取优先级策略 87

5.4.3 网页的重访策略 89

5.4.4 链接去重策略 90

5.5 网页存储技术 91

5.5.1 分布式哈希存储系统 92

5.5.2 基于BigTable的网页存储系统 94

参考文献 94

第6章 内容索引子系统设计及核心算法 96

6.1 最小的语义单位——词项 97

6.1.1 中文分词问题 97

6.1.2 英文词干抽取 101

6.1.3 停用词去除 102

6.1.4 词项列表的构建 103

6.2 索引的数据结构 105

6.2.1 词项出现信息记录 105

6.2.2 倒排索引和正排索引 108

6.2.3 索引的并行存储结构 108

6.3 索引子系统的运行方式 111

6.3.1 预处理 111

6.3.2 建立索引 113

6.3.3 使用索引 117

参考文献 119

第7章 内容检索子系统设计及其核心算法 121

7.1 文本信息检索模型 121

7.1.1 布尔模型 122

7.1.2 向量空间模型 124

7.1.3 概率模型 129

7.1.4 语言模型 131

7.2 内容检索子系统运行方式 136

7.2.1 内容相似程度 136

7.2.2 数据质量评估结果 138

7.2.3 用户偏好情况 139

7.2.4 竞价排名情况 140

7.2.5 合并排序依据 141

参考文献 142

第8章 链接结构分析子系统设计及核心算法 144

8.1 万维网链接结构图 144

8.1.1 万维网链接图的规模 145

8.1.2 万维网链接图的连通情况 146

8.1.3 万维网链接图的入度和出度分布 148

8.2 超链接结构分析的基础 149

8.3 HITS算法的基本思路及实现 153

8.4 PageRank算法的基本思路及实现 156

8.5 链接结构分析结果的应用与排序因素融合 163

参考文献 165

第9章 万维网数据质量评估 167

9.1 万维网数据质量评估困境 168

9.2 数据质量评估的解决思路 169

9.2.1 宏观粒度网络数据质量评估技术 169

9.2.2 微观粒度网络数据质量评估技术 170

9.2.3 冗余页面识别技术 172

9.2.4 网络数据质量评估方式总述 173

9.3 面向搜索引擎需求的网络数据质量定义 174

9.3.1 基于万维网链接结构分析的网页质量定义 174

9.3.2 基于搜索引擎用户信息需求分析的网页质量定义 174

9.4 基于万维网链接结构分析的网页质量评估 176

9.4.1 PageRank在真实万维网环境中的困境 176

9.4.2 用户访问数据与用户浏览关系图 179

9.4.3 基于用户浏览关系图的页面质量评估 180

9.5 基于搜索引擎用户信息需求分析的网页质量评估 182

9.5.1 网页查询无关特征 182

9.5.2 查询目标页面与普通页面的差异分析 183

9.5.3 查询目标页面与普通页面的长度特征差异 184

9.5.4 查询目标页面与普通页面的PageRank特征差异 185

9.5.5 基于用户信息需求分析的网页质量评估方法 186

9.5.6 基于用户信息需求分析的网页质量评估效果 187

参考文献 190

第10章 万维网垃圾网页识别 193

10.1 垃圾网页作弊方式 195

10.1.1 基于内容的作弊方式 195

10.1.2 基于链接的作弊方式 205

10.1.3 垃圾网页作弊与搜索引擎优化 210

10.2 垃圾网页盈利方式 211

10.2.1 垃圾网页作弊目的及其分类 212

10.2.2 促进广告浏览及点击 213

10.2.3 促进移动增值服务订制 214

10.2.4 促进站点访问流量提升 215

10.2.5 欺诈和违法信息宣传 215

10.2.6 软件产品推广 217

10.2.7 垃圾网页作弊目的分布情况 218

10.3 垃圾网页识别方法 219

10.3.1 垃圾网页识别的效果评价 219

10.3.2 基于网页内容的垃圾网页识别 222

10.3.3 基于链接结构的垃圾网页识别 228

10.3.4 基于用户行为的垃圾网页识别 231

参考文献 233

第11章 搜索引擎广告技术 235

11.1 引言 235

11.2 历史、现状和未来 235

11.3 搜索引擎付费搜索原理 240

11.4 搜索引擎广告的检索和匹配算法 244

11.5 计算广告学 245

参考文献 248

第12章 中文搜索引擎的现状与未来 251

12.1 国内外搜索引擎市场的发展现状 251

12.2 搜索引擎的未来发展展望 254

12.2.1 手持设备搜索 254

12.2.2 暗网数据与用户产生内容（UGC）的获取 255

12.2.3 搜索引擎将成为社会和自然科学研究的重要平台？ 255

12.2.4 搜索引擎向其他产业进军 256

本书特色 257