一种搜索结果的排序算法

一种搜索结果的排序算法  
Jun 26, 2005 来源：未详   
  乱世用重典，搜索引擎在与spam的长期战争中总是处于不利地位（这很容易理解，搜索引擎公司真正考虑搜索结果相关性和排序的只有几个人，而互联网上整天琢磨怎么对付搜索引擎的有几万几十万webmaster），所以对spam的惩罚很严厉，事实上，所有的搜索引擎对它们认定的spam行为，通常只有一种惩罚：永久屏蔽。现在流行的太极链、凤凰链这些超链群，就存在被当做spam的可能性。国内的搜索引擎注册还没有形成市场，但在国外是很发达的产业，每年以200%的速度增长，它们叫SEO，即search engine optimization。
　　从某种角度来说，几乎是spam在推动着搜索引擎的进步，很久很久以前的一天，搜索引擎们为了搜索结果能更准确，为了能把最相关的搜索结果排在前面，发明了meta tag。起初，meta tag是很好用的，那时候，诚实的webmaster们如实的填写网站摘要，如实的列出跟他的网站最相关的关键字，搜索引擎们抓取、索引、检索这些诚实的meta tag，并作为搜索结果排序的重要依据，然后，是一段相安无事的甜蜜时光。

　　岁月迅速流逝，甜蜜时光挡不住资本的力量。“一旦有适当的利润，资本就大胆起来……有50%的利润，他就铤而走险；有100%的利润，他就敢践踏一切人间法律；有300%的利润，他就敢犯任何罪行，甚至冒绞首的危险。” 越来越多的网站开始追求收入追求pageview，它们开始欺骗搜索引擎，它们在meta tag中塞进成堆的关键字，塞进跟自己的网站内容无关的但是流行的关键字。群众的力量是巨大的，搜索引擎的相关性被破坏了。。。

　　搜索引擎们对作弊者开始第一轮反击，但是无力的，它们的做法是：在排序时更多的依赖网页正文而不是meta tag。

　　作弊者以进为退，开始第二轮攻击，他们在正文中大量使用与网页背景相同颜色的关键字，在image tags中塞进关键字，在网页代码加入“看不见的注释”。

　　搜索引擎开始第二轮反击，它们找到了有效的方法来过滤这些看不见的文字，取得了小小的胜利。

　　善良是善良者的墓志铭，卑鄙是卑鄙者的通行证”，作弊者眼见常规武器无效，开始利用搜索引擎的真诚。搜索引擎的spider是互联网上的谦谦君子，它们访问任何网站都会自报身份，并且查阅网站的访问规定，完全按照各网站的规矩来办事。于是，作弊者精心制作了两个网站，一个专供网友访问，一个专供搜索引擎访问，每当发现访问请求来自搜索引擎时，就返回专供搜索引擎看的能令搜索引擎满意的网页，而正常访问者只能看到另一个截然不同的网站。这种方法叫做cloaking。这第三轮攻击，作弊者大胜。

　　1998年3月1日，分别在AltaVista、Excite、HotBot、Infoseek、Lycos搜索当时的热门词汇“Monica Lewinsky”，各搜索引擎首页居然分别有50%、30%、30%、10%、50%的搜索结果是spam。由此可见当时作弊者们猖獗至何等程度！

　　搜索引擎们，因为它们道德上的弱点，因为有些手段不愿用，所以无法完全辨别cloaking网站，也就无法完全对付作弊者。搜索引擎能做的只是严厉的惩罚被发现的spam，以警告作弊者，发展到今天的结果是，所有的搜索引擎对它们认定的spam行为，只有一种惩罚：永久屏蔽。

　　但是，严厉的惩罚从来只是无能者推卸责任的借口，而不能真正的改善状况。“一旦有适当的利润，资本就大胆起来……有50%的利润，他就铤而走险；有100%的利润，他就敢践踏一切人间法律；有300%的利润，他就敢犯任何罪行，甚至冒绞首的危险。” 作弊者从来就不怕惩罚，当互联网狂潮来临，追求pageview的作弊者们更是肆无忌惮。

　　无可奈何的搜索引擎，只有去寻找新的相关性排序依据，只有去寻找作弊者不能控制的排序依据，只有去网站以外寻找排序的依据，搜索引擎，真的别无选择。

　　于是，开始出现了超链分析，出现了Pagerank。一个网页，说它自己是什么，它就是什么吗？物以类聚，如果它说的是真的，那么指向这个网页的链接应该来自具有同类内容的网页，所以指向这个网页的链接可以被用来验证这个网页的相关性。

　　谁，最不可能出于贪婪而作弊？谁，最可能如实提供网页内容？是政府网站，和教育网站。所以，在超链分析中，gov和edu网站通常被赋予较高的排名，来自gov和edu的超链也有更高的价值。

　　但是PageRank也带来了一些不请自来的错误排序因素：新站不如旧站，小站不如大站，专业站不如通俗站。一个新网站，一个小网站，一个专业网站，它的内容再好，因为不可能迅速得到大量的超链，所以无法得到合适的排名，即使它的内容是无与伦比的。而一个历史悠久的老网站、大网站、通俗网站，即使它已久不更新，或者内容远不如某些小网站，却可以获得很高的排名。

　　当超链分析刚出来时，SEO界一片悲观论调，认为这是无法作弊的，SEO业完蛋了（就象近期各搜索引擎纷纷收费，SEO业更觉得自己前景惨淡，其实虽然搜索引擎排名市场的大头要给搜索引擎们，但SEO还是有钱赚的，毕竟，只有劳动模范有下岗的可能，从来没听说骗子会失业的），但是，道高一尺魔高一丈，很快SEO们发现了对付超链分析的方法：你不是喜欢链接么，好，我就做大量的网站，准备大量的链接，哪个客户出钱，我所有的网页都给它一个链接。这种SEO方法被称为link firm。这种方法刚出现时还算有效，不过很快就不行了，因为一个网站是否有大量来自内容不相干网页的链接，或者一个不是搜索引擎的网站给出大量不相干的链接还不难判断。而每当发现一个link firm，那些使用了该link firm的网站就全部死翘翘。我在wmw的论坛上看过一个家伙的帖子，说他的网站被封了，但他觉得自己很干净，没有做spam，所以主动去问Google封他网站的原因，原来仅仅是因为他用了一个link firm，真是可怜

一种搜索结果的排序算法，如果更多的是基于概念、主题、基于网页内容的质量，而不是网络上互相链来链去的超链的重要性，那么搜索结果的相关性在本质上会更好。

　　只是，让计算机学会理解和评价网页内容吗？好像还是很遥远的事情；花大量的人力一个个网页评估么？这肯定是亏本的商业行为，只有靠志愿者。ODP庶几近之，但也只能点击，用关键字搜索时还是无法跟超链分析的结果相比。





上一篇：PageRank 算法解析   下一篇：提高网站在Google中的排名