一．前言
傳統(tǒng)的搜索引擎的定義，是指一種對(duì)于指定的查詢（Query），能夠返回與之相關(guān)的文檔集合（Documents）的系統(tǒng)。而百度將這個(gè)定義更加豐富化，即搜索引擎能夠幫助人們更方便的找到所求。這里的“所求”，比“文檔”更加寬泛和豐富，比如一個(gè)關(guān)于天氣的查詢，直接返回一個(gè)天氣預(yù)報(bào)的窗口，而非一篇關(guān)于天氣的文檔；再如一個(gè)關(guān)于小游戲的查詢，直接返回這個(gè)小游戲的Flash頁面而非簡(jiǎn)單的介紹性的文字。
百度對(duì)Query深刻的理解，源于自然語言處理技術(shù)在其中發(fā)揮的巨大作用。對(duì)搜索引擎而言，文本切分是最基礎(chǔ)也是最重要的自然語言問題之一。今天，我們就來談?wù)勎谋厩蟹至６扰c搜索引擎的關(guān)系。
本文后續(xù)章節(jié)組織如下：第二節(jié)介紹什么是文本的粒度，第三節(jié)講述搜索引擎的基本原理與文本切分粒度的關(guān)系，第四節(jié)深入探討粒度的屬性與檢索相關(guān)性計(jì)算，第五節(jié)小結(jié)。
二．文本粒度
什么是文本的粒度？我們用什么來衡量文本粒度？在回答這些問題前，讓我們先看看以下幾組詞匯：
纏綿、崎嶇、葡萄、乒乓
綠茶、籃球、紅色、鼠標(biāo)墊、起重機(jī)
打球、跳繩、炒菜、登山
筆記本電腦、高清機(jī)頂盒、IP電視
但是、然后、如果、非常
步步驚心、家的n次方、一個(gè)人的精彩
百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司、清華大學(xué)
張學(xué)友、趙傳、工藤新一、里奧內(nèi)爾·安德雷斯·梅西
……
這幾組詞匯中，哪些的粒度大，哪些的粒度小？
不管在傳統(tǒng)的語言學(xué)領(lǐng)域，還是在自然語言處理領(lǐng)域，都沒有對(duì)粒度下一個(gè)清晰準(zhǔn)確的定義。但是就搜索引擎而言，我們不妨這樣定義：粒度是衡量文本所含信息量的大小。文本含信息量多，粒度就大，反之就小。有了這個(gè)原則，我們就很容易判斷文本粒度大小了。像“纏綿”，“崎嶇”，“葡萄”這些詞，雖然有兩個(gè)字組成，但是僅表達(dá)一個(gè)意思，這些詞的粒度是小的。而“籃球”，“鼠標(biāo)墊”等詞，是由簡(jiǎn)單詞合成的，雖然也只有一個(gè)意思，但還可以拆分，如“籃”和 “球”，“鼠標(biāo)”和“墊”。這類詞，粒度稍微大一些。而“筆記本電腦”，“高清機(jī)頂盒”這樣的詞，粒度就更大了。
專名是一類比較特殊的詞，盡管所含字?jǐn)?shù)很多，但其實(shí)只表達(dá)一個(gè)意思，如“步步驚心”，“家的n次方”這樣的電影、電視劇的名稱，粒度是很小的。機(jī)構(gòu)名、人名等屬于有內(nèi)部結(jié)構(gòu)的專名，比電影名的粒度稍大一些。
顯然易見，我們?cè)谟懻撐谋玖６葧r(shí)，理想的方式是從語義角度出發(fā)，合理的分析和判斷。然而以上我們僅對(duì)粒度做了定性的分析，為粒度找一個(gè)合適的度量單位和計(jì)算方法，是百度人一直追求的目標(biāo)。
三．搜索引擎的基本原理與詞匯切分關(guān)系
3.1 搜索引擎的基本原理
文本檢索系統(tǒng)，是搜索引擎最簡(jiǎn)單的實(shí)現(xiàn)方式。通過返回包含關(guān)鍵字的頁面，來滿足用戶的檢索需求。形式化的表達(dá)就是給定一系列關(guān)鍵字集合K，要求返回所有包含關(guān)鍵字的文檔D，對(duì)D中的任意一個(gè)文檔d，包含K中的任意一個(gè)關(guān)鍵字k。
一般我們采用倒排索引的方式來實(shí)現(xiàn)這個(gè)系統(tǒng)。所謂倒排索引，就是對(duì)關(guān)鍵字建立索引，記錄包含這個(gè)關(guān)鍵字的文檔集合D。對(duì)于請(qǐng)求的關(guān)鍵字集合，找出所有關(guān)鍵字對(duì)應(yīng)的索引，并對(duì)索引求交，最后返回同時(shí)存在于所有索引中的文檔。
在百度，我們不僅允許用戶輸入關(guān)鍵字，也可以輸入任何長(zhǎng)度在一定范圍內(nèi)的文本。此時(shí)我們需要對(duì)文本做一定處理，切分成一系列關(guān)鍵字，從而能夠從倒排索引中找出對(duì)應(yīng)的文檔。
那么為什么要對(duì)輸入文本做切分，如果不切分會(huì)有什么問題？
我們可以想象一下，如果不對(duì)輸入文本做切分，直接用輸入文本去做匹配，會(huì)怎么樣？首先，得到的結(jié)果會(huì)非常少，因?yàn)橹苯佑萌课谋酒ヅ?，就失去了靈活性，對(duì)結(jié)果限制的非常死，必須完全匹配才能滿足要求；其次，系統(tǒng)性能會(huì)非常差，因?yàn)樾枰獙?duì)所有長(zhǎng)度的文本都建立索引，這是指數(shù)級(jí)的，在實(shí)際系統(tǒng)中根本不可能實(shí)現(xiàn)。再考慮一下另一個(gè)極端？我們對(duì)輸入文本做單字切分，結(jié)果又是怎樣？我們會(huì)得到大量無關(guān)的頁面，不僅浪費(fèi)系統(tǒng)性能，對(duì)相關(guān)性計(jì)算也造成了巨大的壓力。
所以，我們需要對(duì)文本做一個(gè)合適的切分。
3.2 用戶滿意度與粒度關(guān)系
無論是建立倒排索引、還是處理輸入文本，我們都需要對(duì)文本做切分，切出合適的關(guān)鍵字出來。為了能夠使用戶對(duì)查詢結(jié)果滿意，搜索引擎需要什么樣的粒度？讓我們先看一下下面幾個(gè)例子：
1. Q：“北京地圖” P1：“北京市地圖” P2：“北京城市地圖”
2. Q：“鬧太套是神馬意思”， P：”A：神吶，我騎不了這烈馬。B：鬧太套！”
3. Q：“獸獸門” P：“獸獸艷照門”
4. Q1：“工業(yè)園” Q2：“園區(qū)” P：“工業(yè)園區(qū)”
5. Q：“ip電視” P1：“ip電視的歷史” P2：“電視銷售…您的IP是xxx”
注：Q表示query，P表示頁面中包含Q的內(nèi)容
Case1，要求query能找到P1和P2這樣的結(jié)果，就必須對(duì)P1和P2都切出“北京”這個(gè)詞來。Case2，必須把”神馬”切為一個(gè)詞，否則會(huì)召回P這樣不相關(guān)的結(jié)果。Case3，不能把Q中的“獸獸門“切為一個(gè)詞，而需要切除“獸獸”，否則就召不回”獸獸艷照門”這個(gè)結(jié)果。Case4 中，對(duì)“工業(yè)園區(qū)”這樣的頁面，必須同時(shí)切出“工業(yè)園”和“園區(qū)”這兩個(gè)重疊的詞匯，才能保證Q1和Q2都能召回。Case5與Case2類似，如果把 ip和電視分開切分，將召回P2這樣不相關(guān)的結(jié)果。
以上幾個(gè)case，基本上概括了搜索引擎對(duì)切分粒度的要求，我們可以從兩方面來描述：1）影響召回 2）影響相關(guān)性
以上從用戶滿意度的角度，討論了搜索引擎與粒度的關(guān)系，當(dāng)然，這是最基本的要求，在第四節(jié)我們還會(huì)對(duì)文本的粒度問題做更深入的分析。
3.3 搜索系統(tǒng)性能與粒度的關(guān)系
顯而易見，粒度越小，召回就越多，建立倒排索引時(shí)，索引的長(zhǎng)度就越長(zhǎng)；粒度的層次越多，索引的數(shù)量就越多。一個(gè)多，一個(gè)長(zhǎng)，就對(duì)搜索系統(tǒng)的性能構(gòu)成了極大的考驗(yàn)。
一般而言，大型搜索引擎的索引都采用分布式系統(tǒng)。不同文本的索引，被某種hash算法“分配”到了某臺(tái)機(jī)器。理論上講，索引的數(shù)量的增長(zhǎng)，只會(huì)造成所需機(jī)器的增長(zhǎng)，而對(duì)整體系統(tǒng)性能的消耗影響比較小。所以一般搜索引擎會(huì)從性價(jià)比的角度來考慮索引數(shù)量與機(jī)器數(shù)量的折衷，也就是召回與硬件投入的折衷。粒度分析對(duì)于折衷的性價(jià)比也有一定的貢獻(xiàn)，在粒度層次里，當(dāng)粒度逐漸變小的過程中，我們并不一定對(duì)所有小粒度詞都建索引，而是選擇“更有可能召回相關(guān)結(jié)果”的小粒度詞。詞匯的什么性質(zhì)決定了“更有可能召回相關(guān)結(jié)果”？我們同樣會(huì)在第四節(jié)討論。
四．深入分析粒度的性質(zhì)
在第三節(jié)中我們反復(fù)提到：一般情況下，粒度越大，相關(guān)性越好，召回越差；粒度越小，相關(guān)性越差，召回越好。在搜索引擎中，如果做到折衷呢？基本的原則是，在系統(tǒng)性能可接受的前提下，盡量多召回有效結(jié)果，計(jì)算相關(guān)性時(shí)，將最相關(guān)的排在前面。
我們?nèi)绾巫龅綄⒑侠頊p小粒度，增加有效召回，又如何做到將最好的排在最前呢？這里涉及到兩個(gè)問題：緊密度與重要性。
既然粒度是衡量文本所含信息量的大小，那么緊密度就是描述文本所含信息緊密程度的量。再說的通俗一些，緊密度就是信息被人們表達(dá)和接受的穩(wěn)定程度。穩(wěn)定有兩種解釋，第一，穩(wěn)定是相對(duì)于臨時(shí)而言的。一般來說，如果信息是因?yàn)槟承┮蛩嘏R時(shí)組合在一起，那就是不穩(wěn)定的，即不緊密。比如許多動(dòng)賓結(jié)構(gòu)的短語（“過馬路”，“踢足球”），定中結(jié)構(gòu)的短語（“紅蘋果”，“豪華轎車”）。第二，穩(wěn)定是相對(duì)于順序不固定而言的。如果同樣一個(gè)信息，內(nèi)部的子信息順序可以互換，那么這個(gè)詞匯就不穩(wěn)定，即不緊密。比如一些大粒度的詞匯“鼠標(biāo)護(hù)腕墊”、“護(hù)腕鼠標(biāo)墊”。
由此可見，我們根據(jù)詞匯的緊密程度，可以將結(jié)果中表述與查詢表述的一致程度聯(lián)系起來，作為計(jì)算相關(guān)性的一個(gè)因素。同樣，我們也可以將緊密度作為減小粒度的依據(jù)之一，詞匯越不緊密，我們就有理由將其拆分為更小的粒度。
短語的重要性，其實(shí)是短語子成分的重要性，有很多定義。其中一種被普遍接受的定義為其占短語完整含義的比例。一般情況下，偏正結(jié)構(gòu)短語中， “正”的部分比較重要，比如“綠茶”中的“茶”，但也有例外，如“珊瑚蟲”中的“珊瑚”。而主謂、動(dòng)賓短語一般來說，都比較重要，如“打球”，“你說”。所以，短語的子成分重要性，不能僅靠語法來識(shí)別，而應(yīng)綜合各種因素來確定。
假設(shè)有了詞匯的子成分重要性，那么就可以幫助判斷將詞匯粒度變小后的語義損失風(fēng)險(xiǎn)程度（注意，這里使用了“語義損失”，而不是“轉(zhuǎn)義”，想一想為什么）。這也就回答了第四節(jié)末尾的問題：語義損失越小，越有可能召回相關(guān)結(jié)果。
五．結(jié)束語
本文介紹了搜索引擎中的粒度問題，重點(diǎn)討論了搜索引擎與短語切分粒度的關(guān)系，并進(jìn)一步探討了短語的兩個(gè)重要性質(zhì)——緊密度和重要性。通過本文，讀者應(yīng)該能夠大致明白搜索引擎中關(guān)于粒度的種種。當(dāng)然，本文只是對(duì)搜索引擎的粒度問題開了一個(gè)頭，怎么合理的處理好粒度、在不同場(chǎng)合使用何種粒度，都是需要我們繼續(xù)深入研究的。
