本篇文章是對于搜索系統(tǒng)工作原理一個整體的介紹，對于原理的理解，是設(shè)計系統(tǒng)舉重若輕的基礎(chǔ)。

1. 信息和信息量

在介紹搜索之前，先介紹兩個概念：信息和信息量。

（采用的均是自以為比較通俗易懂的解釋，如果感興趣可以讀相關(guān)書籍）

1.1 信息是減少不確定性的東西，信息也是增加確定性的東西。

前半句是香農(nóng)信息定義，后半句是逆香農(nóng)信息定義。舉個栗子，回想下，和一個異性交往的過程。在你遇到TA之前，你不知道這個世界上有這個人的存在，后來你看到了TA的樣子，后來你了解了TA的性格、口頭禪，往事。然后一步一步，你對TA從絲毫不了解，到逐漸熟識。這期間就是一個你不斷獲取TA信息的過程，正是這些信息，讓你從完全不確定TA是怎樣的人，到完全確定TA很適合你。

1.2 信息量是一個信息能減少不確定性的度量，信息量也是一個信息能增加確定性的度量。

關(guān)于信息量，有很多數(shù)學的描述，但是通俗來講，可以這么簡單理解。舉個栗子，證人描述嫌疑犯。A證人的信息是“他是個男人”。B證人的信息是“TA是個高中男生”，C證人的信息是“TA是個長發(fā)170左右的高中生。”D證人的信息是“我認識他，他是學校的扛把子陳浩南”。我們直覺能感受到信息量的大小關(guān)系為：A<B<C<D。顯然這是正確的。

翻譯為計算機可以理解的數(shù)學邏輯：當?shù)啬腥说谋壤?0%，當?shù)馗咧心猩谋壤秊?%，當?shù)亻L發(fā)170左右的高中男生的比例是4%，當?shù)亟嘘惡颇系目赴炎拥谋壤?.0001%。因為P（A）>P（B）>P（C）>P（D），所以信息量的大小關(guān)系為：A<B<C<D。

2. 搜索的產(chǎn)品邏輯

搜索滿足了用戶迅速找到自己感興趣內(nèi)容的需求。用戶輸入一個query，搜索系統(tǒng)根據(jù)用戶的輸入的信息，篩選出系統(tǒng)認為用戶感興趣的內(nèi)容，同時按照系統(tǒng)認定的重要性進行排序展示。請注意這個表述，簡單而言，搜索可以分為三步。

• Step1：對用戶輸入信息的解讀
• Step2：根據(jù)用戶輸入信息對內(nèi)容進行篩選
• Step3：對篩選后的結(jié)果進行排序

而要了解這三步怎么在搜索系統(tǒng)中完成，就需要先了解搜索的服務(wù)器怎么存儲信息。

3. 搜索數(shù)據(jù)的存儲原理

上一張圖，假設(shè)我們做了一個新聞網(wǎng)站，那么它的結(jié)構(gòu)就是下圖。內(nèi)容進行了簡化，假設(shè)一個新聞，文本只有標題，導(dǎo)語，正文。數(shù)據(jù)只有閱讀量，評論數(shù)，分享數(shù)。

圖1-1

差不多就是上圖右邊的這種結(jié)構(gòu)。右邊標識的是新聞內(nèi)容的存儲：就像圖書館的書一樣，整整齊齊按順序排好，方便查找（這個存儲結(jié)構(gòu)的名字叫做索引，就是來自于圖書館的用語）。左邊是詞庫：只要一次搜索的輸入詞能匹配到詞庫，就可以快速的查找詞庫到對應(yīng)的內(nèi)容。

每個搜索系統(tǒng)都有自己的詞庫，無法對應(yīng)到分詞的搜索行為就會沒有結(jié)果。每個搜索系統(tǒng)都會根據(jù)目標用戶的不同，有對應(yīng)的一套詞庫，就像字典一樣，《冶金專業(yè)詞典》和《生物學大辭典》收錄的詞條是不同的，知乎的詞庫和淘寶的詞庫也不同。搜索的很多優(yōu)化都是集中在詞庫的優(yōu)化上。

簡單總結(jié)下，搜索的存儲原理就是：一個系統(tǒng)詞庫，一個排列整齊的內(nèi)容索引庫，同時系統(tǒng)詞庫和內(nèi)容索引庫之間可以快速關(guān)聯(lián)。

在這個搜索系統(tǒng)的儲存結(jié)構(gòu)的基礎(chǔ)上，我們提到的搜索三步驟將依次展開。

4. Step1：對用戶輸入信息的解讀

前面提到，搜索的詞庫是有限的，但是用戶的輸入?yún)s是沒有限制的。那么怎么把無限制的搜索轉(zhuǎn)化為有限的詞庫，并且匹配到對應(yīng)的結(jié)果呢？這里需要介紹一個新的概念：分詞，簡單來說就是對輸入字符串進行分拆。

同樣以【圖1-1】中的新聞搜索系統(tǒng)為例。如果用戶輸入的query為“中國的轉(zhuǎn)基因食物”，系統(tǒng)中其實沒有這個詞。如果沒有分詞功能，這個搜索就會立即結(jié)束，即使系統(tǒng)里確實有對應(yīng)的內(nèi)容。分詞的工作原理是在無法精確匹配的情況下，會對用戶的輸入進行進一步的拆分。于是我們得到了下面的結(jié)果。

“中國的轉(zhuǎn)基因食物”——“中國”、“的”、“轉(zhuǎn)基因”、“食物”。

并不是所有的詞都有信息量，如果召回“的‘’的結(jié)果，那么幾乎所有的新聞內(nèi)容里面都會有這個字，召回這么多結(jié)果顯然是不對的。比如這個query里的“的”，這個詞實際上在分詞系統(tǒng)中會被直接忽略掉。正是因為出現(xiàn)在內(nèi)容中的概率不同，一個詞出現(xiàn)的新聞越多，這個詞的信息量就越小，信息量太小的詞會被忽略，也就是停用詞。同時包含信息量越大的詞的新聞內(nèi)容，會更更要。那么去掉停用詞之后，結(jié)果就進一步簡化。

“中國的轉(zhuǎn)基因食物”——“中國”、“轉(zhuǎn)基因”、“食物”。

經(jīng)過處理，用戶非標準的query就被轉(zhuǎn)化為標準的詞庫，就可以快速找到對應(yīng)的內(nèi)容了。如【圖1-1】所示。

5. Step2：根據(jù)用戶輸入信息對內(nèi)容進行篩選

經(jīng)過對用戶的query解讀之后，其實就得到了一些標準化的詞，而這些詞就會對應(yīng)一些搜索目標內(nèi)容，接下來就是對于內(nèi)容的篩選。

用戶進行了一次搜索，一部分結(jié)果被搜索了出來。那么所有的內(nèi)容根據(jù)“內(nèi)容是否相關(guān)”、“內(nèi)容是否被召回”兩個維度，就被分為了四部分。

1. 召回的相關(guān)內(nèi)容：搜索出來的內(nèi)容中，和用戶搜索相關(guān)的部分。
2. 召回的不相關(guān)內(nèi)容：搜索出來的內(nèi)容中，和用戶搜索不相關(guān)的部分。
3. 未召回的相關(guān)內(nèi)容：沒有搜索出來的內(nèi)容中，和用戶搜索相關(guān)的部分。
4. 未召回的不相關(guān)內(nèi)容：沒有搜索出來的內(nèi)容中，和用戶搜索不相關(guān)的部分。

搜索一般而言，決定是否篩選出來，會從兩個角度衡量，準確率，和召回率。

準確率就是所有搜到的內(nèi)容里面，相關(guān)的內(nèi)容的比例。準確率：

召回率就是所有應(yīng)該搜到的內(nèi)容里面，真正被搜出來的比例。召回率：

準確率和召回率是一對存在矛盾的指標。需要權(quán)衡。最終衡量會取兩個的調(diào)和平均數(shù)作為目標函數(shù)。即F值：

這三個概念在搜索優(yōu)化中是關(guān)鍵性指標，牽扯到人工打分和更高級的優(yōu)化。這里不展開更多。我們只需要記住一點：并不是所有的包含用戶query關(guān)鍵詞的結(jié)果都應(yīng)該被召回。

6. Step3：對篩選后的結(jié)果進行排序

排序影響著搜索的結(jié)果質(zhì)量，越往前的結(jié)果約容易獲得用戶的點擊。好的搜索不僅僅是把應(yīng)該搜索的內(nèi)容盡可能的搜索出來，同時還要考慮應(yīng)該把最容易吸引用戶的內(nèi)容展示在前面。

搜索排序比較大的基礎(chǔ)邏輯是通用的：

用戶輸入一個文本轉(zhuǎn)化為標準詞庫中的詞，搜索系統(tǒng)根據(jù)每個具體內(nèi)容是否包含這些詞決定是否展示這些內(nèi)容，同時搜索系統(tǒng)根據(jù)文本相關(guān)性給這些要展示的內(nèi)容一個分數(shù)。而最終排序則根據(jù)每個內(nèi)容的分數(shù)排序。

這個Lucene的的核心排序公式的原理，網(wǎng)上有介紹。但是實際的情況其實更為復(fù)雜。還是以我們之前提到的新聞搜索系統(tǒng)為例（方便理解，再貼一遍圖）

如果用戶搜索“轉(zhuǎn)基因”，那么這個轉(zhuǎn)基因的文本出現(xiàn)在標題中，還是出現(xiàn)在導(dǎo)語中，還是出現(xiàn)在正文中，體現(xiàn)在分數(shù)上應(yīng)該是不一樣的。顯然出現(xiàn)在標題中應(yīng)該有更高的分數(shù)。同樣也需要考慮業(yè)務(wù)數(shù)據(jù)，比如一個閱讀量10萬+的帖子和一個閱讀量3的帖子相比，即使閱讀量低的帖子文本相關(guān)性更強，但是顯然10萬+的帖子應(yīng)該在前面。

其實所有的數(shù)據(jù)都可以分為兩類，文本和數(shù)據(jù)。文本用于計算內(nèi)容的相關(guān)性，這部分的打分交給Lucene成熟的算法解決，目前市面上也都有成型的開源解決方案。而怎么處理文本之間的關(guān)系，以及數(shù)據(jù)之間的關(guān)系，才是一個搜索系統(tǒng)設(shè)計最核心的部分。

以基于Lucene的Solr系統(tǒng)為例，文本和數(shù)據(jù)配置代碼其實很簡單。在<str name=”bf”>和<str name=”qf”>標簽中只需要幾行代碼就能完成。

• <str name=”bf”>中是對于業(yè)務(wù)數(shù)據(jù)賦予權(quán)重。
• <str name=”qf”>中是對于文本數(shù)據(jù)賦予權(quán)重。

在研究過Solr系統(tǒng)這個機制之后，對Solr核心公式進行變形，就得到了一個公式：

• 代表針對文本，我們給出的文本分數(shù)權(quán)重。比如這個系統(tǒng)中有三種文本，標題，導(dǎo)語，正文。根據(jù)重要性，標題權(quán)重為10，導(dǎo)語權(quán)重為5，正文權(quán)重為1。
• 代表針對文本，Lucene算法給出的文本相關(guān)性分數(shù)，這個會綜合考慮文本的字數(shù)，這個搜索詞在所有文本中出現(xiàn)的概率等等因素（想進一步了原理的同學，可以看下TF-IDF與余弦相似性的介紹）。
• 代表針對數(shù)據(jù)，我們給出的數(shù)據(jù)權(quán)重。比如這個系統(tǒng)中有三種數(shù)據(jù)，評論量，分享數(shù)，閱讀量。根據(jù)重要性，標題評論數(shù)權(quán)重為100，分享數(shù)權(quán)重為200，閱讀量權(quán)重為1。（一般而言會引入時間衰減性，這里暫不討論）
• 代表針對數(shù)據(jù)，具體的值。比如這個系統(tǒng)得三種數(shù)據(jù)，評論量，分享數(shù)，閱讀量。
• 代表歸一化系數(shù)，意味著權(quán)重可以給的非常大，最后總的分值也會在一個合理的范圍內(nèi)。
• 是本次根據(jù)算法索引判斷出的。代表本次打分，用戶輸入query提供信息的信息量大小。如果輸入query提供了越多的信息，則S越大。
• 增加，不變，之前的系數(shù)不變，之前的系數(shù)增加。而代表文本數(shù)據(jù)的對整體分數(shù)的貢獻，則 越大，就說明文本數(shù)據(jù)相比于業(yè)務(wù)數(shù)據(jù)就占有更大的權(quán)重。比如：輸入“北京國慶交通擁堵”，和輸入“交通擁堵”相比，“北京國慶交通擁堵”提供給了系統(tǒng)更多的信息，S值更大，文本的打分在總分數(shù)匯總占比越大。

所以我們可以看到，其實最終影響排序的，是我們對于文本數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)的賦予的權(quán)重，即： 代表針對文本的權(quán)重，和 代表針對數(shù)據(jù)的權(quán)重。

這兩組數(shù)據(jù)，影響了搜索最終的排序，而這組數(shù)據(jù)的賦值，正是搜索系統(tǒng)的對業(yè)務(wù)的理解。

7. 小結(jié)

本篇文章是對于搜索系統(tǒng)工作原理一個整體的介紹，對于原理的理解，是設(shè)計系統(tǒng)舉重若輕的基礎(chǔ)。

在這些基礎(chǔ)原理之上，搜索系統(tǒng)還有很多標準功能。那么一個比較完備的搜索系統(tǒng)應(yīng)該具備怎樣的標準功能？這些功能又有著怎么的原理？移動時代，搜索前端設(shè)計應(yīng)該如何規(guī)劃？歡迎關(guān)注專欄，繼續(xù)收看下期。

#專欄作家#

潘一鳴，公眾號：產(chǎn)品邏輯之美，人人都是產(chǎn)品經(jīng)理專欄作家。畢業(yè)于清華大學，暢銷書《產(chǎn)品邏輯之美》作者；先后在多家互聯(lián)網(wǎng)公司從事產(chǎn)品經(jīng)理工作，有很多復(fù)雜系統(tǒng)的構(gòu)建實踐經(jīng)驗。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。