向量空间模型用检索项的向量空间来表示用户的
查询要求和数据库文档信息。查询结果是根据向 量空间的相似性而排列的
向量空间模型可方便地产生有效的查询结果，能
提供相关文档的文摘，并对查询结果进行分类， 为用户提供准确的信息
18/62
概率模型
基于贝叶斯概率论原理的概率模型利用相关反馈的 归纳学习方法，获取匹配函数，这是一种较复杂的 检索模型
的网页索引数据库
真正意义上的搜索引擎，通常指的是收集了Internet上几千万到几十亿个
网页并对网页中的每一个词（即关键词）进行索引，建立索引数据库的全 文搜索引擎
当用户查找某个关键词的时候，所有在页面内容中包含了该关键词的网页
都将作为搜索结果被搜出来
2/62
1.1.2 搜索引擎的原理
可以分为四步：（简答题）世 界上最大的中文搜索引擎
为中文用户度身定做
关键词自动提示：用户输入拼音，就能获得中文关 键词正确提示
27/62
1.6.4 北大天网搜索
北大天网搜索引擎简介
“天网资源检索系统”（即天网搜索）是中国教育 和科研计算机网示范工程应用系统课题之一，是国 家“九五”重点科技攻关项目“中文编码和分布式 中英文信息发现”的研究成果，由北京大学计算机 系网络研究室设计开发，并于1997年10月29日正式 在中国教育和科研网（CERnet）向广大Internet用 户提供Web信息导航服务

数据量
内容相关性 安全性 个性化和智能化
搜索引擎按其工作方式主要可分为三种：
全文搜索引擎（Full Text Search Engine）
目录索引搜索引擎（Search Index/Directory）
元搜索引擎（Meta Search Engine）
可能题型：填空，选择，判断，简答
对搜索结果进行处理和排序：所有相关网页针对该关键词
的相关信息在索引库中都有记录，只需综合相关信息和网页 级别形成相关度数值，然后进行排序，相关度越高，排名越 靠前。最后由页面生成系统将搜索结果的链接地址和页面内 容摘要等内容组织起来返回给用户
4/62
1.2 搜索引擎的历史与发展趋势
搜索引擎至今已经经历了三代发展阶段： 第一代搜索引擎出现于1994年，主要特征为集中式检索
1994年7月20日，数据量为54000的Lycos正式发布。除了相
关性排序外，Lycos还提供了前缀匹配和字符相近限制， Lycos第一个在搜索结果中使用了网页自动摘要
Infoseek（Steve Kirsch Announces Free Demos Of the
Infoseek Search Engine）是另一个重要的搜索引擎。 Infoseek沿袭Yahoo!和Lycos的概念，它具有友善的用户界 面和大量的附加服务，而使它成为一个强势搜索引擎
这种模型在查询结果处理中加入模糊逻辑运算，将
检索的数据库文档信息与用户的查询要求进行模糊 逻辑比较，按照相关的优先次序排列查询结果
模糊逻辑模型可以克服布尔型信息检索模型在查询
中其结果具有无序性的问题。例如，查询“搜索引 擎”，则出现关键词“搜索引擎”多的文档将排列 在较前的位置上
17/62
向量空间模型
7/62
1995年，第一个元搜索引擎Metacrawler出现。用户只
需提交一次搜索请求，由元搜索引擎负责转换处理后 提交给多个预先选定的独立搜索引擎，并将从各独立 搜索引擎返回的所有查询结果，集中起来处理后再返 回给用户
1995年12月DEC的 AltaVista登场亮相，大量的创新功能
从互联网上抓取网页：利用能够从互联网上自动收集网页
的Spider系统程序，自动访问互联网，并沿着任何网页中 的所有URL爬到其它网页，重复这过程，并把爬过的所有 网页收集回来。 建立索引数据库：由分析索引系统程序对收集回来的网页 进行分析，提取相关网页信息（包括网页所在URL、编码 类型、页面内容包含的关键词、关键词位置、生成时间、 大小、与其它网页的链接关系等），根据一定的相关度算 法进行大量复杂计算，得到每一个网页针对页面内容中及 超链中每一个关键词的相关度（或重要性），然后用这些 相关信息建立网页索引数据库
使它迅速到达当时搜索引擎的顶峰。AltaVista是第一 个支持自然语言搜索的搜索引擎，AltaVista是第一个 实现高级搜索语法的搜索引擎
8/62
检索结果处理技术 (选择题，填空题或简答）
纯净搜索引擎
元搜索引擎 集成搜索引擎 垂直搜索引擎
9/62
1.3 搜索引擎的分类
搜索引擎和常规意义上的全文检索主要区别：
第1章 搜索引擎概述
随着互联网的飞速发展，人们越来越依靠网络来
查找他们所需要的信息
由于网上的信息源数不胜数，如何有效地去发现
我们所需要的信息，就成为一个很关键的问题， 为了e在全球
市场突飞猛进
仅在开源社区SourceForge上，搜索引擎的项目就
10/62
1.3.1 全文搜索引擎
通过从互联网上提取的各个网站的信息（以网页文
字为主）而建立的数据库中，检索与用户查询条件 匹配的相关记录，然后按一定的排列顺序将结果返 回给用户
全文搜索引擎有全文搜索、检索功能强和信息更新
速度快等优点，但同时也有其不足之处，虽然提供 的信息多而全，然而可供选择的信息太多反而降低 了相应的命中率，导致层次结构不清晰，往往给人 一种繁多杂乱的感觉
13/62
1.3.4 分布式搜索引擎
分布式搜索引擎按区域、主题或其他标准创建分布式索引
服务器，索引服务器之间相互可以交换中间信息，且查询可 以被重新定向
由于分布式搜索引擎将索引数据库划分到几个分布的数据
库中，每个数据库变得小一些，但所有搜索引擎覆盖的范围 变大，且很少有信息重复，而作为分布式系统特性之一的可 扩充也是分布式搜索引擎的优点之一
目前，因特网上的信息发布格式多种多样，这就要
求搜索引擎支持多种文件格式。从实际情况看，所 有的搜索引擎都支持HTML格式，而对于其他文件 格式的支持则不同的搜索引擎有不同的规定，最多 的能支持200多种文件格式
Байду номын сангаас
22/62
信息预处理要做的工作：
关键词的提取 重复或转载网页的消除 链接分析 网页重要程度的计算
核心技术：超链分析
超链分析技术，是新一代搜索引擎的关键技术，已 为世界各大搜索引擎普遍采用。在学术界，一篇论 文被引用得越多就说明其越好，学术价值就越高。 超链分析就是通过分析链接网站的多少来评价被链 接的网站质量，这保证了用户在搜索时，越受 用户欢迎的内容排名越靠前
26/62（）搜索然而分布式搜索引擎需要多个索引数据库协同工作，实现
较困难，因此目前尚未有真正的、实用的分布式搜索引擎
14/62
1.4
搜索引擎的信息检索模型
布尔逻辑模型
模糊逻辑模型
向量空间模型
概率模型
可能题型：填空，选择，判断，简答
15/62
布尔逻辑模型
布尔型信息检索是最简单的信息检索模型，用户
11/62
1.3.2 目录索引搜索引擎
目录索引虽然有搜索功能，但在严格意义上算不上是
真正的搜索引擎，仅仅是按目录分类的网站链接列表 而已。用户完全可以不用进行关键词（Keywords）查 询，仅靠分类目录也可找到需要的信息 与全文搜索引擎的区别在于它是由人工建立的，通过 “人工方式”将站点进行了分类，不像全文搜索引擎 那样，将网站上的所有文章和信息都收录进去，而是 首先将该网站划分到某个分类下，再记录一些摘要信 息
1.6 主要搜索引擎介绍
Google的不足
其数据的更新速度无法进一步提高
无法搜索动态生成的网页
中文状态下的Google没有成人内容过滤功能 目前对中国的用户还不支持“OR”和“＊”等符号
的使用
可能题型：填空，选模最大的中文搜索引擎，致力于向 人们提供最便捷的信息获取方式
第二代搜索引擎系统大约出现在1996年，大多采用分布
式检索方案，即多个微型计算机协同工作来提高数据规 模、响应速度和用户数量
第三代搜索引擎系统出现在1998年到2000年间，这一时
间是搜索引擎空前繁荣的时期
它的发展的三大特点
（可能为简答、判断、选择、填空） 5/62
1.2.1 搜索引擎的发展史
自动方式通常是由网络机器人来完成的。“网络机器人”
是一种自动运行的软件，其功能是搜索因特网上的网站或 网页
一般来说，人工方式收集信息的准确性要远优于“网络机
器人”，但其收集信息的效率及全面性要低于“网络机器 人” 21/62
1.5.2 信息预处理技术
信息预处理包括信息格式支持与转换以及信息过滤
12/62
1.3.3 元搜索引擎
元搜索引擎在接受用户查询请求时，同时在其他 多个引擎上进行搜索，并将结果返回给用户。著 名的元搜索引擎有InfoSpace、Dogpile、Vivisimo 等，中文元搜索引擎中具代表性的有北斗搜索。 在搜索结果排列方面，有的直接按来源引擎排列 搜索结果，如Dogpile，有的则按自定的规则将结 果重新排列组合，如Vivisimo
利用布尔逻辑关系构造查询并提交，搜索引擎根 据事先建立的倒排文件确定查询结果
标准布尔逻辑模型为二元逻辑，并可用逻辑符
“and”、“or”、“not”来组织关键词表达式。布 尔型信息检索模型的查全率高，查准率低
目前大多搜索引擎均使用布尔逻辑检索模型，查
询结果一般不进行相关性排序
16/62
模糊逻辑模型
19/62
1.5 搜索引擎的关键技术
信息收集和存储技术
信息预处理技术
信息索引技术
可能题型：填空，选择，判断，简答