轉(zhuǎn)自：百度搜索研發(fā)部

我們向搜索引擎網(wǎng)站提交處理一個查問，搜索引擎網(wǎng)站會從先到后列出數(shù)量多的結(jié)果，這些個結(jié)果排序的標(biāo)準(zhǔn)是啥子呢？這個看似簡單的問題，卻是信息檢索們研討的中心困難的問題之一。

為理解釋明白這個問題，我們來研討一個比搜索引擎網(wǎng)站更加古老的話題：求醫(yī)。譬如，假如我牙疼，應(yīng)當(dāng)去看怎樣的醫(yī)生呢？如果我只有三種挑選：

A醫(yī)生，既治眼病，又治胃??；

B醫(yī)生，既治牙病，又治胃病，還治眼??；

C醫(yī)生，專治牙病。

A醫(yī)生肯定不在思索問題之列。B醫(yī)生和C醫(yī)生之間，貌視更應(yīng)當(dāng)挑選C醫(yī)生，由于他更專注，更適應(yīng)我的病情。如果再加一個條件：B醫(yī)生內(nèi)行，有二十年從醫(yī)經(jīng)歷，醫(yī)療技術(shù)高超，而C醫(yī)生只有五年從醫(yī)經(jīng)驗(yàn)，這個問題不那末容易判斷了，是優(yōu)先挑選更加專注的C醫(yī)生，仍然優(yōu)先挑選醫(yī)療技術(shù)更加高超的B醫(yī)生，確實(shí)成了一個需求仔細(xì)衡量的問題。

至少，我們獲得了一個論斷，擇醫(yī)需求思索問題兩個條件：醫(yī)生的專長與病情的適配程度；醫(yī)生的醫(yī)療技術(shù)。大家肯定感到這個論斷不容置疑，并且可以很天然地聯(lián)想到，搜索引擎網(wǎng)站排序不也是這么嗎，既要思索問題網(wǎng)頁內(nèi)部實(shí)質(zhì)意義與用戶查問的般配程度，又要思索問題網(wǎng)頁本身的品質(zhì)。不過，怎么把這兩種因素接合起來，獲得一個，而不是兩個或多個排序標(biāo)準(zhǔn)呢？如果我們把這兩種因素表達(dá)成數(shù)字，的排序根據(jù)是把這兩個數(shù)字加起來，仍然乘起來，或是按決策樹的方法把他們團(tuán)體起來？若是加起來，是簡單相加，仍然帶權(quán)重加呢？

我們可以依據(jù)直覺和經(jīng)驗(yàn)，經(jīng)過試錯的方法，把這兩個因素接合起來。但更好的方法是我們能找到一個明確的根據(jù)，能跟算術(shù)這么堅(jiān)實(shí)的學(xué)科結(jié)合起來。提起來，根據(jù)素樸的經(jīng)驗(yàn)，人的總稱在古代能建筑出高樓；但要建筑出高達(dá)數(shù)百米的 挨天大廈，假如沒有建造力學(xué)、材料力學(xué)這么堅(jiān)實(shí)的學(xué)科作為后盾，則是十分十分艱難的。同理，根據(jù)素樸的經(jīng)驗(yàn)構(gòu)建的搜索引擎網(wǎng)站算法，用來處置上萬的網(wǎng)頁聚齊應(yīng)當(dāng)是沒問題的；但要檢索上億的網(wǎng)頁，則需求更為堅(jiān)固的理論基礎(chǔ)。

求醫(yī)，病人會優(yōu)先挑選診斷正確、醫(yī)治效果好的醫(yī)生；對于搜索引擎網(wǎng)站來說，普通按網(wǎng)頁滿意用戶需要的幾率從大到小排序。假如用q表達(dá)用戶給出了一個特別指定的查問，用d表達(dá)一個特別指定的網(wǎng)頁滿意了用戶的需要，那末排序的根據(jù)可以用一個條件幾率來表達(dá)：

P（dq）

這個簡單的條件幾率，將搜索引擎網(wǎng)站排序算法與幾率論這門堅(jiān)實(shí)的學(xué)科結(jié)合了起來，這像在滄海中航行的船舶裝備了南針同樣。利用貝葉斯公式，這個條件幾率可以表達(dá)為：

可以明白地看見，搜索引擎網(wǎng)站的排序標(biāo)準(zhǔn)，是由三個局部組成的：查問本身的屬性P（q）；網(wǎng)頁本身的屬性P（d）；兩者的般配關(guān)系P（qd）。對于同一次查問來說，全部網(wǎng)頁對應(yīng)的P（q）都是同樣的，因?yàn)檫@個排序時(shí)可以不思索問題，即

公式左面，是已知用戶的查問，求網(wǎng)頁滿意該用戶需要的幾率。搜索引擎網(wǎng)站為了增長響應(yīng)用戶查問的性能，需求事前對所要等待查問的網(wǎng)頁做預(yù)處置。預(yù)處置時(shí)，只曉得網(wǎng)頁，不曉得用戶查問，因?yàn)檫@個需求倒過來計(jì)算，即剖析每個網(wǎng)頁能滿意哪一些需要，該網(wǎng)頁分了多大比例來滿意該需要，即獲得公式右面的第1項(xiàng)P（qd），這相當(dāng)于上文紹介的醫(yī)生的專門程度。譬如，一個網(wǎng)頁專門紹介牙病，另一個網(wǎng)頁既紹介牙病又紹介胃病，那末對于“牙疼”這個查問來說，前一個網(wǎng)頁的P（qd）值便會更高一點(diǎn)。

公式右面的第二項(xiàng)P（d），是一個網(wǎng)頁滿意用戶需要的幾率，它反映了網(wǎng)頁本身的好壞，與查問無關(guān)。如果要向一個陌陌生人引薦網(wǎng)頁（我們并不曉得他需求啥子），那末P（d）相當(dāng)于某個特別指定的網(wǎng)頁被引薦的幾率。在傳統(tǒng)的信息檢索板型中，這一個量不太被看得起，如傳統(tǒng)的矢量空間板型、BM25板型，都打算只依據(jù)查問與文檔的般配關(guān)系來獲得排序的權(quán)重。而其實(shí)，這個與查問無關(guān)的量是十分關(guān)緊的。如果我們用網(wǎng)頁被過訪的頻次來估計(jì)它滿意用戶需要的幾率，可以看出對于兩個不一樣的網(wǎng)頁，這個量有著非常很大的差別：有的網(wǎng)頁每日只被過訪一兩次，而有的網(wǎng)頁每日被過訪成千累萬次。能夠供給這么很大差別的量，竟長時(shí)期被傳統(tǒng)的搜索引擎網(wǎng)站疏忽，一直到Google創(chuàng)造了pagerank并讓它參加到排序中。Pagerank是對P（d）值的一個不賴的估計(jì)，這個因素的參加使搜索引擎網(wǎng)站的效果迅即升漲到達(dá)一個新的階梯。

這個公式一樣應(yīng)答了上文提出的問題，網(wǎng)頁與查問的般配程度，和網(wǎng)頁本身的好壞，這兩個因素應(yīng)當(dāng)怎樣接合起來參加排序。這個公式以不可以反駁的理由奉告我們，假如網(wǎng)頁與查問的般配程度用P（qd）來表達(dá)，網(wǎng)頁本身的好壞用P（d）來表達(dá)，那末應(yīng)當(dāng)按他們的乘積來施行排序。在現(xiàn)代經(jīng)濟(jì)活動搜索引擎網(wǎng)站中，需求思索問題更多更細(xì)節(jié)的排序因素，這些個因素有可能有結(jié)果百上千個，要把他們合成一體起來是更加復(fù)雜和難題。