王偉桃

【摘? 要】 隨著時(shí)代的發(fā)展，傳統(tǒng)搜索引擎已無法滿足用戶的需求，為適應(yīng)新時(shí)代的潮流，相關(guān)技術(shù)人員需要不斷進(jìn)行創(chuàng)新，從用戶體驗(yàn)出發(fā)，對(duì)技術(shù)以及應(yīng)用方面進(jìn)行優(yōu)化，從而實(shí)現(xiàn)企業(yè)級(jí)搜索引擎中結(jié)果聚類和查詢補(bǔ)全技術(shù)，該技術(shù)可以在很大程度上提升系統(tǒng)應(yīng)用的有效性，且具有更高可靠性，同時(shí)，也可以滿足智能時(shí)代的需求。

【關(guān)鍵詞】 企業(yè)級(jí)搜索引擎；搜索結(jié)果聚類；查詢補(bǔ)全技術(shù)

一、企業(yè)級(jí)搜索引擎系統(tǒng)總體結(jié)構(gòu)

企業(yè)級(jí)搜索引擎與傳統(tǒng)搜索引擎之間存在一定的差異性，在實(shí)際應(yīng)用的過程中，傳統(tǒng)搜索引擎更重視搜索的廣度，而企業(yè)級(jí)搜索引擎更重視搜索的精確性（如圖1所示），兩者分別為不同領(lǐng)域提供了強(qiáng)有力的支持。

企業(yè)級(jí)搜索引擎的六大模塊如下：

1. 管理模塊：其主要是對(duì)整體系統(tǒng)進(jìn)行管理，接收不同管理節(jié)點(diǎn)發(fā)出的不同命令，避免人工干預(yù)，并對(duì)搜索信息等進(jìn)行記錄。

2. 采集模塊：其主要工作是收集互聯(lián)網(wǎng)網(wǎng)頁的網(wǎng)絡(luò)蜘蛛程序，具有自動(dòng)化的特點(diǎn)，對(duì)網(wǎng)頁內(nèi)容進(jìn)行分析，并提取關(guān)鍵信息，計(jì)算關(guān)聯(lián)度。

3. 索引模塊：其主要是針對(duì)采集的內(nèi)容進(jìn)行集中處理，并對(duì)其進(jìn)行分類，以此為基礎(chǔ)建立索引數(shù)據(jù)庫。

4. 搜索頁面構(gòu)建模塊：用戶在輸入搜索內(nèi)容的關(guān)鍵詞之后，其會(huì)對(duì)搜索請求進(jìn)行相應(yīng)的分析，形成檢索命令查詢包，獲取與搜索內(nèi)容相關(guān)信息，最終構(gòu)成搜索頁面。

5. 檢索合并模塊：其主要是將用戶的搜索請求發(fā)送給不同的索引機(jī)器之后，合并成為單獨(dú)的結(jié)果數(shù)據(jù)包，最后發(fā)送至查詢端。

6. 數(shù)據(jù)分發(fā)控制模塊：其主要的工作內(nèi)容是將采集模塊采集的信息發(fā)送至索引模塊之中，同時(shí)其也可以根據(jù)實(shí)際情況增加多組機(jī)器，增加搜索結(jié)果。

二、企業(yè)級(jí)搜索引擎中結(jié)果聚類技術(shù)研究

（一）基本思想

通過研究人員的不斷分析，發(fā)現(xiàn)當(dāng)前由于信息數(shù)據(jù)內(nèi)容數(shù)量較多，為后續(xù)的一系列工作帶來了一定的難度，因此技術(shù)人員提出了結(jié)果聚類技術(shù)，進(jìn)行結(jié)果聚類分析，對(duì)數(shù)據(jù)信息進(jìn)行分類，同時(shí)對(duì)數(shù)據(jù)信息進(jìn)行篩選，以此提升企業(yè)級(jí)搜索的精準(zhǔn)性。

（二）系統(tǒng)模型的基本設(shè)計(jì)

1. 預(yù)處理：在實(shí)際進(jìn)行結(jié)果聚類之前，需要對(duì)數(shù)據(jù)信息進(jìn)行清理，篩選關(guān)鍵信息，此過程尤為重要，在信息數(shù)據(jù)篩選的過程中，主要包括去除非字符、選取HTML標(biāo)簽、標(biāo)記標(biāo)題以及頁面語言識(shí)別等內(nèi)容。

2. 明確聚類算法：企業(yè)級(jí)搜索引擎中結(jié)果聚類技術(shù)主要以Lingo算法為主，Lingo算法在很大程度上解決了其他聚類算法存在的弊端，其在實(shí)際應(yīng)用的過程中，可以生成更為精準(zhǔn)、描述能力更強(qiáng)的聚類，并且將用戶體驗(yàn)作為核心，從根本上提升結(jié)果聚類質(zhì)量，以更好地為用戶提供所需內(nèi)容（如圖2）。

3. Lingo算法：Lingo算法整體較為復(fù)雜，較為重要的有兩個(gè)內(nèi)容（如圖3所示）。（1）在生成標(biāo)簽的過程中，首先要做的就是提取候選標(biāo)簽，應(yīng)用后綴詞組，主要是對(duì)共現(xiàn)的短語和詞組進(jìn)行獲?。唬?）潛在語義索引（LSI方法），此方法的應(yīng)用以VSM方法為基礎(chǔ)，其在實(shí)際進(jìn)行工作的過程中，首先對(duì)TF-IDF權(quán)重進(jìn)行計(jì)算，權(quán)重一般表達(dá)公式為W（d，t）=TF（d，t），其中TF（d，t）表示詞t在文本d中出現(xiàn)的次數(shù)，隨后進(jìn)行矩陣分解。

（三）確定系統(tǒng)結(jié)構(gòu)

聚類搜索引擎在工作的過程中，具有較強(qiáng)的自動(dòng)性，在用戶發(fā)起搜索之后，聚類搜索引擎會(huì)自主對(duì)結(jié)構(gòu)進(jìn)行搜索，并進(jìn)行相應(yīng)的組織分類，將最終結(jié)果呈現(xiàn)給用戶。聚類技術(shù)與分類和標(biāo)引之間存在較強(qiáng)的差異性，其在實(shí)際運(yùn)行的過程中，具有實(shí)時(shí)性，且不受人為干預(yù)，此種方式在很大程度上能降低出現(xiàn)失誤的情況。此外，聚類搜索引擎在實(shí)際進(jìn)行工作的過程中，可以自主對(duì)搜索結(jié)果進(jìn)行分類，其中較為重要的一項(xiàng)內(nèi)容就是選取類名，以幫助用戶更加清楚此類結(jié)果的核心內(nèi)容。對(duì)類名的選取而言，需要保證其簡潔性、準(zhǔn)確性、唯一性以及易于理解性（如圖4）。

（四）系統(tǒng)流程設(shè)計(jì)

在設(shè)計(jì)的過程中，技術(shù)人員將整體系統(tǒng)分為輸入模塊、過濾模塊以及輸出模塊3項(xiàng)內(nèi)容，同時(shí)需要保證各模塊之間的獨(dú)立性，這樣可以更好地利用算法對(duì)其中模塊進(jìn)行替換，進(jìn)而提升搜索結(jié)果聚類的有效性以及質(zhì)量，且處理速度更快。為保證企業(yè)級(jí)搜索引擎中結(jié)果聚類技術(shù)應(yīng)用的有效性，相關(guān)技術(shù)人員根據(jù)實(shí)際情況設(shè)計(jì)了系統(tǒng)主要運(yùn)行流程，如圖5所示。在完成聚類分析之后，可以將結(jié)果展現(xiàn)給用戶，在展現(xiàn)的過程中，為方便用戶觀看和獲取結(jié)果，會(huì)應(yīng)用分類目錄的方式，從根本上提升用戶體驗(yàn)，提升應(yīng)用的整體效果，滿足企業(yè)級(jí)搜索引擎的應(yīng)用需求，這也是其在不同領(lǐng)域被大量應(yīng)用的主要原因之一。

企業(yè)級(jí)搜索引擎中結(jié)果聚類技術(shù)運(yùn)行會(huì)先獲取Web網(wǎng)頁的信息數(shù)據(jù)，隨后進(jìn)入文件預(yù)處理階段，對(duì)獲取的信息進(jìn)行簡單處理，接著對(duì)預(yù)處理后的數(shù)據(jù)信息進(jìn)行分詞以及降維，并將其發(fā)送至過濾模塊，過濾模塊在實(shí)際運(yùn)行的過程中，主要是應(yīng)用Lingo算法，對(duì)獲取的數(shù)據(jù)信息進(jìn)行聚類分析。

（五）系統(tǒng)閾值說明

在實(shí)際進(jìn)行設(shè)計(jì)的過程中，為保證搜索結(jié)果聚類的效果和有效性，需要閾值進(jìn)行定義，進(jìn)而對(duì)整體結(jié)果進(jìn)行控制。對(duì)系統(tǒng)閾值而言，主要分為4種，分別是短語頻率閾值（2.00～5.00）、聚類標(biāo)簽數(shù)目閾值（0.70～0.90）、聚類標(biāo)簽合并閾值（0.20～0.50）以及聚類內(nèi)容生成閾值（0.15～0.30），閾值定義的方式可以分為兩種，一種是提前由系統(tǒng)進(jìn)行設(shè)置，另外一種是方法與Lingo算法之間存在一定的相似性，讓用戶按照說明，將其作為參數(shù)，自行進(jìn)行設(shè)置，此種方法具有個(gè)性化特點(diǎn)，滿足不同用戶的需求，具有一定的優(yōu)勢。

三、企業(yè)級(jí)搜索引擎中查詢補(bǔ)全技術(shù)研究

（一）核心技術(shù)

Ajax技術(shù)的應(yīng)用直接改變了傳統(tǒng)Web應(yīng)用的交互模式，在實(shí)際進(jìn)行設(shè)計(jì)建設(shè)的過程中，其主要是構(gòu)建效果更好的Web應(yīng)用，完善和優(yōu)化Web應(yīng)用的動(dòng)態(tài)性能，同時(shí)也可以提升Web應(yīng)用的響應(yīng)速度，使其更加靈敏，為用戶帶來更為良好的體驗(yàn)。

Ajax技術(shù)設(shè)計(jì)內(nèi)容更多，完整性更強(qiáng)，其相當(dāng)于一個(gè)綜合體，融合了多種不同的技術(shù)，其中主要包括JAVA、HTML、CSS、DOM、XML以及XSTL技術(shù)等。而現(xiàn)階段隨著科學(xué)技術(shù)的不斷進(jìn)步，其也成為Web2.0的核心技術(shù)之一。

Ajax技術(shù)在實(shí)際應(yīng)用的過程中，其主要寄宿在瀏覽器的類中，即XML-HTTPRewquest。在XML-HTTPRewquest類的支持下，Ajax技術(shù)在與服務(wù)器進(jìn)行鏈接的過程中，不需要提交任何表單，簡化了整體流程，且不需要對(duì)整體頁面進(jìn)行刷新，只需要刷新用戶需要的部分內(nèi)容，一般是通過動(dòng)態(tài)更新的方式進(jìn)行。對(duì)XML-HTTPRewquest而言，在對(duì)數(shù)據(jù)進(jìn)行交換時(shí)，一般將XML作為載體，除此之外也可以應(yīng)用其他類型的載體，如純文本載體。在企業(yè)級(jí)搜索引擎運(yùn)行的過程中，在XML-HTTPRewquest的支持下，可以將用戶輸入的信息內(nèi)容發(fā)送至不同的服務(wù)器，同時(shí)也可以異步接收服務(wù)器處理并返回信息，最后利用JAVA技術(shù)與對(duì)網(wǎng)頁內(nèi)部分內(nèi)容進(jìn)行動(dòng)態(tài)更新。

（二）具體實(shí)現(xiàn)方法

為實(shí)現(xiàn)查詢自動(dòng)補(bǔ)全功能，Ajax技術(shù)成了核心技術(shù)，在其實(shí)際運(yùn)行的過程中，需要在Web頁面上產(chǎn)生一個(gè)div區(qū)域，當(dāng)用戶利用企業(yè)級(jí)搜索引擎進(jìn)行搜索時(shí)，自動(dòng)進(jìn)行補(bǔ)全。但當(dāng)索引框內(nèi)未輸入任何文本時(shí)，自動(dòng)隱藏div區(qū)域，而當(dāng)用戶輸入搜索信息時(shí)，JAVA運(yùn)行，其可以從服務(wù)端獲取搜索關(guān)鍵信息，并觸發(fā)div區(qū)域，自動(dòng)進(jìn)行查詢補(bǔ)全。最后，利用JAVA技術(shù)，向服務(wù)端發(fā)送相應(yīng)的請求，而此時(shí)對(duì)Web頁面而言，會(huì)產(chǎn)生XML數(shù)據(jù)信息，并將其作為返回的關(guān)鍵數(shù)據(jù)信息，最終實(shí)現(xiàn)自動(dòng)補(bǔ)全的目的。

（三）數(shù)據(jù)來源

查詢補(bǔ)全技術(shù)在實(shí)際運(yùn)行的過程中，會(huì)將用戶輸入的關(guān)鍵詞進(jìn)行記錄，并將其作為下一次查詢補(bǔ)全的數(shù)據(jù)，同時(shí)不斷對(duì)查詢補(bǔ)全數(shù)據(jù)庫進(jìn)行充實(shí)和完善。對(duì)數(shù)據(jù)而言，其主要是將用戶的日常使用習(xí)慣作為核心，對(duì)傳統(tǒng)自動(dòng)補(bǔ)全技術(shù)進(jìn)行完善和優(yōu)化，并對(duì)其進(jìn)行改進(jìn)。在完善優(yōu)化的過程中，需要對(duì)現(xiàn)有企業(yè)級(jí)搜索引擎搜索日志文件進(jìn)行整理和分析，提取搜索日志文件的關(guān)鍵內(nèi)容，并將其作為查詢自動(dòng)補(bǔ)全數(shù)據(jù)庫的基礎(chǔ)數(shù)據(jù)信息內(nèi)容。為使企業(yè)級(jí)搜索引擎實(shí)現(xiàn)查詢自動(dòng)補(bǔ)全的目的，需要大量數(shù)據(jù)的支持，才能實(shí)現(xiàn)企業(yè)級(jí)搜索引擎的應(yīng)用效果。通常情況下，為保證查詢補(bǔ)全的完整性以及整體性，需要的數(shù)據(jù)信息一般在8萬～10萬的范圍之內(nèi)。為保證數(shù)據(jù)來源的精準(zhǔn)性，需要對(duì)數(shù)值性屬性的相似度進(jìn)行計(jì)算，計(jì)算公式為Sim（vi，vj）=1-d（vi，vj）=1-dij，其中vi和vj是某個(gè)屬性V的兩個(gè)屬性值，dij典型的定義與絕對(duì)距離以及歐氏距離，在完成計(jì)算之后可以保證內(nèi)容補(bǔ)全的精準(zhǔn)性。